【摘要】 基于模糊卡尔曼滤波的交通流预测方法，其特征在于包括以下步骤：在路段上游各车道和路段下游各车道布设检测器采集实时交通流参数数据；获取各车道检测器同期历史交通流参数数据；采用卡尔曼滤波技术构建动态卡尔曼滤波交通流参数预测模型；通过卡尔曼滤波时间更新方程和状态更新方程，得到卡尔曼滤波参数预测结果；将历史同期平均交通流参数引入式(2)中，构建模糊卡尔曼滤波交通流参数预测模型；根据检测器采集到的实时交通流参数和历史同期平均交通流参数，对下一时间间隔及之后的交通流参数进行预测。 【专利类型】发明授权 【申请人】浙江工业大学 【申请人类型】学校 【申请人地址】310014 浙江省杭州市下城区潮王路18号 【申请人地区】中国 【申请人城市】杭州市 【申请人区县】临安区 【申请号】CN201210102006.0 【申请日】2012-04-09 【申请年份】2012 【公开公告号】CN102629418B 【公开公告日】2014-10-29 【公开公告年份】2014 【授权公告号】CN102629418B 【授权公告日】2014-10-29 【授权公告年份】2014.0 【IPC分类号】G08G1/01; G08G1/065 【发明人】郭海锋; 方良君; 张贵军; 俞立; 朱炯; 张志建; 汪建仙 【主权项内容】1.基于模糊卡尔曼滤波的交通流预测方法，其特征在于包括以下步骤： 1)在路段上游各车道和路段下游各车道布设检测器采集实时交通流参数数据； 2)获取各车道检测器同期历史交通流参数数据； 3)采用卡尔曼滤波技术构建动态卡尔曼滤波交通流参数预测模型，所述动态卡尔曼滤波交通流参数预测模型描述如式(1)所示： 式中： 为τ时刻后k个时间段的路段L上的交通流参数向量，它与路段两端出入口的交通流参数有关；V(τ)＝[v1(τ), v2(τ), …, vm(τ)]T是在时段((τ-1)T, τT]各出入口的交通流参数向量，其中vm(τ)是在时段((τ-1)T, τT]某个入口或出口的交通流参数，它包含对交通流参数预测一些有用的预测因子，可以通过检测器直接观测到，V(τ-1)是在时段((τ-1)T, τT]前一个时段((τ-2)T, (τ-1)T]各出入口的交通流参数向量；H0, H1, …, Hn-1为参数矩阵，Hk＝[c1′(τ), c′2(τ), …, c′m(τ)]，c′m(τ)为状态变量；m为路段上入口和出口所考虑的检测器总数；ω(τ)为观测噪声，假定为期望为零的白噪声，它的协方差矩阵为R(τ)； 4)在步骤3)基础上，通过卡尔曼滤波时间更新方程和状态更新方程，得到卡尔曼滤波参数预测结果如(2)所示： 式中： 为τ时刻后k个时间段路段L上所预测的交通流参数向量； 为状态估计向量；A(τ)＝[VT(τ), VT(τ-1), VT(τ-2)]为交通流参数的观测向量； 所述卡尔曼滤波时间更新方程为： P(τ|τ-1)＝Q(τ-1)+B(τ-1)P(τ-1)BT(τ-1) (5) 状态更新方程为： K(τ)＝P(τ|τ-1)AT(τ)[A(τ)P(τ|τ-1)AT(τ)+R(τ)]-1 (6) P(τ)＝[I-K(τ)A(τ)]P(τ|τ-1) (8) 式中： 为状态向量， 为状态估计向量；B(τ)为状态转移矩阵，B(τ)＝I；P(τ)为误差协方差，P(τ|τ-1)为估计协方差；K(τ)为卡尔曼增益；z(τ)为实际获取的交通流参数，其值等于 R(τ)为期望为零的白噪声，Q(τ-1)为模型噪声的协方差矩阵； 5)将历史同期平均交通流参数引入式(2)中，构建模糊卡尔曼滤波交通流参数预测模型如式(3)所示： 其中， 为预测的最终结果， 为同时期历史平均参数； 为卡尔曼滤波的预测结果；γ为历史值权重系数； 6)将检测器采集到的实时交通流参数和历史同期平均交通流参数输入到式(3)中，对下一时间间隔及之后的交通流参数进行预测。 【当前权利人】浙江工业大学 【当前专利权人地址】浙江省杭州市下城区潮王路18号 【专利权人类型】公立 【统一社会信用代码】1233000047000441XK 【引证次数】8.0 【被引证次数】2 【他引次数】8.0 【被他引次数】2.0 【家族引证次数】8.0 【家族被引证次数】37

未经允许不得转载：http://www.zhongzhencnc.com/1791418119.html