一種交通堵塞預警裝置的製作方法

2023-05-29 18:42:01 2

本發明涉及智能交通領域，具體涉及一種交通堵塞預警裝置。
背景技術：
：交通流量是指單位時間內通過道路某一斷面的實際車輛數，是描述交通狀態的重要特徵參數。交通流量的變化又是一個實時、高維、非線性、非平穩的隨機過程，相關因素的變化都可能影響下一時刻的交通流量。相關技術中，關於短時的預測裝置局限性強，預測精度較低，實時預測未能取得令人滿意的結果，未能對人們的實時道路選擇提供有效建議，從而交通流量預測大部分停留在交通流量的中長期預測。技術實現要素：針對上述問題，本發明提供一種交通堵塞預警裝置。本發明的目的採用以下技術方案來實現：一種交通堵塞預警裝置，包括預警裝置和與預警裝置相連的預測裝置，所述預警裝置由LED電源、上觸片、下觸片、光電感應器、預警器、銜鐵觸片、蓄電池、銜鐵主體、銜鐵觸片、銜鐵接觸片、線圈、微型電源、LED燈和導線組成。優選地，所述上觸片和下觸片平行放置，上觸片通過導線和蓄電池相連接，所述蓄電池通過導線和預警器相連接，所述預警器通過導線和銜鐵觸片相連接，所述銜鐵觸片置於銜鐵主體一側，所述銜鐵接觸片置於銜鐵主體另一側，且通過導線和下觸片相連接，所述線圈置於銜鐵主體上。優選地，所述LED電源通過導線和LED燈相連接，所述LED燈和光電感應器平行放置，所述光電感應器和線圈並聯且通過導線和微型電源相連接。優選地，預測裝置包括依次連接的採集模塊、數據預處理模塊、數據分類模塊、平穩性檢驗模塊、相關係數計算模塊、閾值設定模塊、時空相關係數矩陣生成模塊、歷史相關係數矩陣生成模塊、預測因子選取模塊和預測模型構造模塊：(1)採集模塊，用於採集路網S內觀測路段Si、預測路段Sj對應各時間段的交通流量數據和通行情況；(2)數據預處理模塊，用於對所述交通流量數據進行數據預處理，並剔除不符合交通實際情況的數據；(3)數據分類模塊，用於對經過數據預處理的交通流量數據進行類型分類，所述類型包括節假日交通流量數據、周末交通流量數據和工作日交通流量數據；(4)平穩性檢驗模塊，用於對處於同一類型的觀測路段Si的交通流量序列Xi與預測路段Sj的交通流量序列Xj分別進行平穩性檢驗，檢驗平穩性的自相關函數為：P(τ)=E(Xx-vi)(Xx+τ-vx+τ)σ2]]>其中，Xx表示待檢驗交通流量序列，νi表示待檢驗交通流量序列的均值，Xx+τ表示Xx在時間延遲τ後的交通流量序列，νx+τ為Xx+τ的均值，σ2為Xx與Xx+τ之間的方差；當自相關函數P(τ)能快速衰減趨近於0或在0附近波動，則所述待檢驗交通流量序列通過平穩性檢驗；當自相關函數P(τ)不能快速衰減趨近於0或在0附近波動，則對所述待檢驗交通流量序列進行平穩處理後繼續進行平穩性檢驗；(5)相關係數計算模塊，用於計算通過平穩性檢驗的觀測路段Si的交通流量序列Xi與預測路段Sj的交通流量序列Xj在時間延遲τ下的時間相關係數ρij(τ)和空間相關係數ρij(w)，設路網S內有N個路段，交通流量序列Xi＝[xi(1),xi(2),...,xi(n)]，交通流量序列xi(t)表示觀測路段Si在t時刻的流量，xj(t)表示預測路段Sj在t時刻的流量，t＝1,2,...n，時間相關係數ρij(τ)的計算公式為：ρij(τ)=Σt=1n-τxi(t)xj(t+τ)-1n-τΣt=1n-τxi(t)Σt=1n-τxj(t+τ)Σt=1n-τxi(t)-1n-τΣt=1n-τxi(t)2×Σt=1n-τxj(t+τ)-1n-τΣt=1n-τxj(t+τ)2]]>空間相關係數ρij(w)的計算公式為：優選地，預測裝置還包括：(6)閾值設定模塊，用於設定各路段之間的時間延遲最大值L、時空相關係數閾值T1和歷史相關係數閾值T2；(7)時空相關係數矩陣生成模塊，用於根據各路段的時間相關係數ρij(τ)和空間相關係數ρij(w)構建各觀測路段Si與預測路段Sj在不同時間延遲τ下的時空相關係數矩陣ρ(τ)'，並計算各路段的時空相關係數ρij(τ)'，其中i∈[1,N]且τ∈[0,L]，L的取值範圍為[8,12]，時空相關係數矩陣ρ(τ)'的計算公式為：ρ(τ)′=ρ1j(0)′ρ1j(0)′...ρNj(0)′ρ1j(1)′ρ2j(1)′...ρNj(1)′............ρ1j(L)′ρ2j(L)′...ρNj(L)′;]]>時空相關係數ρij(τ)'的計算公式為：ρij(τ)'＝ρij(τ)ρij(w)；(8)歷史相關係數矩陣生成模塊，用於生成預測路段Sj的歷史相關係數矩陣ρ(t)：其中，選取近M周的同期且同一類型的歷史流量作為交通流量序列Xj的歷史相關序列，記為m＝1,2,...M，M的取值範圍為[3,5]，所述歷史相關係數ρjm(t)的計算公式為：ρjm(t)=Σt=1nxj(t)xjm(t)-1nΣt=1nxj(t)Σt=1nxjm(t)Σt=1nxj(t)-1nΣt=1nxj(t)2×Σt=1nxjm(t)-1nΣt=1nxjm(t)2]]>(9)預測因子選取模塊，用於根據所述時空相關係數閾值T1和歷史相關係數閾值T2選取與預測目標點相關的預測因子，並按照其所選空間位置j與時間延遲τ進行矩陣重構，選取原則為：若ρij(τ)'＞T1，則將觀測路段Si的交通流量序列Xi中滿足條件的交通流量組成新的序列並作為第一預測因子，記做X',X'＝(x1',x2',...,xp')，其中p為所述滿足條件的交通流量個數，設L1為第一預測因子中時間延遲的最大值，L1＝max{τ|τ∈[0,L]andρij(τ)'＞T1}，則第一預測因子X'可表述成如下矩陣形式：X′=x1′(1)x2′(1)...xp′(1)x1′(2)x2′(2)...xp′(2)............x1′(n-L1)x2′(n-L1)...xp′(n-L1);]]>若ρjm(t)＞T2，則將所有滿足條件的歷史相關序列Xjm(t)作為第二預測因子，記作Y'，Y'＝{y1',y2',...,yq'}，其中q為滿足條件的歷史流量個數，第二預測因子Y'可表述成如下矩陣形式：(10)預測模型構造模塊，其通過將第一預測因子和第二預測因子作為訓練樣本來構造可預測路段在下一時刻的交通流量的預測模型。其中，所述數據預處理模塊中，剔除所述不符合交通實際情況的數據的規則為：在一個數據更新周期內，分別設定各路段的總交通流量數據的閥值範圍，若採集到的某路段的總交通流量數據落在對應的閾值範圍內，則表明該組數據可靠，保留該組數據；若採集到的某路段的總交通流量數據落不在對應的閾值範圍內，則表明該組數據不可靠，並將其剔除。其中，所述平穩性檢驗模塊包括以下子模塊：(1)檢驗子模塊，用於對處於同一類型的觀測路段的交通流量序列與預測路段的交通流量序列分別進行平穩性檢驗；(2)連續性檢查子模塊，與檢驗子模塊連接，用於對不通過平穩性檢驗的待檢驗交通流量序列進行連續性檢查，若不符合連續性，所述連續性檢查子模塊採用平均插值法對數據進行補齊；(3)排錯子模塊，與連續性檢查子模塊連接，用於刪除明顯錯誤的數據，同時採用平均插值法對數據進行補齊；(4)差分處理子模塊，連接排錯子模塊和檢驗子模塊，用於對補齊後的數據進行差分處理，並將差分處理後的數據傳送到檢驗子模塊。本發明的有益效果為：1、設置數據分類模塊和平穩性檢驗模塊，增加了數據的準確度，且使構造的預測模型更有針對性；2、設置相關係數計算模塊、時空相關係數矩陣生成模塊、歷史相關係數矩陣生成模塊、預測因子選取模塊和預測模型構造模塊，其中預測因子直接影響預測精度，相關係數是測量隨機變量相關性的指標，能夠幫助選取與預測點密切相關的變量作為預測模型的訓練樣本，選取多個相關係數作為預測因子，消除了最初預測因子選取的主觀性，能夠增加預測精度，使預測模型構造模塊更加穩定和準確；3、相關係數計算模塊中的空間相關係數反映了路網的可達性對預測模型的影響，時間相關係數能夠表達流量序列的時間順序，反映兩序列時間上的因果關係，從而提高預測因子選取的效率；由於交通流量的周相似性，引入歷史相關係數矩陣生成模塊的歷史相關係數，同時間相關係數和空間相關係數配合使用，為準確預測提供更多的數據支持。附圖說明利用附圖對本發明作進一步說明，但附圖中的實施例不構成對本發明的任何限制，對於本領域的普通技術人員，在不付出創造性勞動的前提下，還可以根據以下附圖獲得其它的附圖。圖1是本發明預測裝置各模塊的連接示意圖。具體實施方式結合以下實施例對本發明作進一步描述。實施例1參見圖1，本實施例一種交通堵塞預警裝置，包括預警裝置和與預警裝置相連的預測裝置，所述預警裝置由LED電源、上觸片、下觸片、光電感應器、預警器、銜鐵觸片、蓄電池、銜鐵主體、銜鐵觸片、銜鐵接觸片、線圈、微型電源、LED燈和導線組成。優選地，所述上觸片和下觸片平行放置，上觸片通過導線和蓄電池相連接，所述蓄電池通過導線和預警器相連接，所述預警器通過導線和銜鐵觸片相連接，所述銜鐵觸片置於銜鐵主體一側，所述銜鐵接觸片置於銜鐵主體另一側，且通過導線和下觸片相連接，所述線圈置於銜鐵主體上。優選地，所述LED電源通過導線和LED燈相連接，所述LED燈和光電感應器平行放置，所述光電感應器和線圈並聯且通過導線和微型電源相連接。優選地，預測裝置包括依次連接的採集模塊、數據預處理模塊、數據分類模塊、平穩性檢驗模塊、相關係數計算模塊、閾值設定模塊、時空相關係數矩陣生成模塊、歷史相關係數矩陣生成模塊、預測因子選取模塊和預測模型構造模塊：(1)採集模塊，用於採集路網S內觀測路段Si、預測路段Sj對應各時間段的交通流量數據和通行情況；(2)數據預處理模塊，用於對所述交通流量數據進行數據預處理，並剔除不符合交通實際情況的數據；(3)數據分類模塊，用於對經過數據預處理的交通流量數據進行類型分類，所述類型包括節假日交通流量數據、周末交通流量數據和工作日交通流量數據；(4)平穩性檢驗模塊，用於對處於同一類型的觀測路段Si的交通流量序列Xi與預測路段Sj的交通流量序列Xj分別進行平穩性檢驗，檢驗平穩性的自相關函數為：P(τ)=E(Xx-vi)(Xx+τ-vx+τ)σ2]]>其中，Xx表示待檢驗交通流量序列，νi表示待檢驗交通流量序列的均值，Xx+τ表示Xx在時間延遲τ後的交通流量序列，νx+τ為Xx+τ的均值，σ2為Xx與Xx+τ之間的方差；當自相關函數P(τ)能快速衰減趨近於0或在0附近波動，則所述待檢驗交通流量序列通過平穩性檢驗；當自相關函數P(τ)不能快速衰減趨近於0或在0附近波動，則對所述待檢驗交通流量序列進行平穩處理後繼續進行平穩性檢驗；(5)相關係數計算模塊，用於計算通過平穩性檢驗的觀測路段Si的交通流量序列Xi與預測路段Sj的交通流量序列Xj在時間延遲τ下的時間相關係數ρij(τ)和空間相關係數ρij(w)，設路網S內有N個路段，交通流量序列Xi＝[xi(1),xi(2),...,xi(n)]，交通流量序列xi(t)表示觀測路段Si在t時刻的流量，xj(t)表示預測路段Sj在t時刻的流量，t＝1,2,...n，時間相關係數ρij(τ)的計算公式為：ρij(τ)=Σt=1n-τxi(t)xj(t+τ)-1n-τΣt=1n-τxi(t)Σt=1n-τxj(t+τ)Σt=1n-τxi(t)-1n-τΣt=1n-τxi(t)2×Σt=1n-τxj(t+τ)-1n-τΣt=1n-τxj(t+τ)2]]>空間相關係數ρij(w)的計算公式為：優選地，預測裝置還包括：(6)閾值設定模塊，用於設定各路段之間的時間延遲最大值L、時空相關係數閾值T1和歷史相關係數閾值T2；(7)時空相關係數矩陣生成模塊，用於根據各路段的時間相關係數ρij(τ)和空間相關係數ρij(w)構建各觀測路段Si與預測路段Sj在不同時間延遲τ下的時空相關係數矩陣ρ(τ)'，並計算各路段的時空相關係數ρij(τ)'，其中i∈[1,N]且τ∈[0,L]，L的取值範圍為[8,12]，時空相關係數矩陣ρ(τ)'的計算公式為：ρ(τ)′=ρ1j(0)′ρ1j(0)′...ρNj(0)′ρ1j(1)′ρ2j(1)′...ρNj(1)′............ρ1j(L)′ρ2j(L)′...ρNj(L)′;]]>時空相關係數ρij(τ)'的計算公式為：ρij(τ)'＝ρij(τ)ρij(w)；(8)歷史相關係數矩陣生成模塊，用於生成預測路段Sj的歷史相關係數矩陣ρ(t)：其中，選取近M周的同期且同一類型的歷史流量作為交通流量序列Xj的歷史相關序列，記為m＝1,2,...M，M的取值範圍為[3,5]，所述歷史相關係數ρjm(t)的計算公式為：ρjm(t)=Σt=1nxj(t)xjm(t)-1nΣt=1nxj(t)Σt=1nxjm(t)Σt=1nxj(t)-1nΣt=1nxj(t)2×Σt=1nxjm(t)-1nΣt=1nxjm(t)2]]>(9)預測因子選取模塊，用於根據所述時空相關係數閾值T1和歷史相關係數閾值T2選取與預測目標點相關的預測因子，並按照其所選空間位置j與時間延遲τ進行矩陣重構，選取原則為：若ρij(τ)'＞T1，則將觀測路段Si的交通流量序列Xi中滿足條件的交通流量組成新的序列並作為第一預測因子，記做X',X'＝(x1',x2',...,xp')，其中p為所述滿足條件的交通流量個數，設L1為第一預測因子中時間延遲的最大值，L1＝max{τ|τ∈[0,L]andρij(τ)'＞T1}，則第一預測因子X'可表述成如下矩陣形式：X′=x1′(1)x2′(1)...xp′(1)x1′(2)x2′(2)...xp′(2)............x1′(n-L1)x2′(n-L1)...xp′(n-L1);]]>若ρjm(t)＞T2，則將所有滿足條件的歷史相關序列Xjm(t)作為第二預測因子，記作Y'，Y'＝{y1',y2',...,yq'}，其中q為滿足條件的歷史流量個數，第二預測因子Y'可表述成如下矩陣形式：(10)預測模型構造模塊，其通過將第一預測因子和第二預測因子作為訓練樣本來構造可預測路段在下一時刻的交通流量的預測模型。其中，所述數據預處理模塊中，剔除所述不符合交通實際情況的數據的規則為：在一個數據更新周期內，分別設定各路段的總交通流量數據的閥值範圍，若採集到的某路段的總交通流量數據落在對應的閾值範圍內，則表明該組數據可靠，保留該組數據；若採集到的某路段的總交通流量數據落不在對應的閾值範圍內，則表明該組數據不可靠，並將其剔除。其中，所述平穩性檢驗模塊包括以下子模塊：(1)檢驗子模塊，用於對處於同一類型的觀測路段的交通流量序列與預測路段的交通流量序列分別進行平穩性檢驗；(2)連續性檢查子模塊，與檢驗子模塊連接，用於對不通過平穩性檢驗的待檢驗交通流量序列進行連續性檢查，若不符合連續性，所述連續性檢查子模塊採用平均插值法對數據進行補齊；(3)排錯子模塊，與連續性檢查子模塊連接，用於刪除明顯錯誤的數據，同時採用平均插值法對數據進行補齊；(4)差分處理子模塊，連接排錯子模塊和檢驗子模塊，用於對補齊後的數據進行差分處理，並將差分處理後的數據傳送到檢驗子模塊。本實施例設置數據分類模塊和平穩性檢驗模塊，增加了數據的準確度，且使構造的預測模型更有針對性；設置相關係數計算模塊、時空相關係數矩陣生成模塊、歷史相關係數矩陣生成模塊、預測因子選取模塊和預測模型構造模塊，消除了最初預測因子選取的主觀性，能夠增加預測精度，使預測模型構造模塊更加穩定和準確；本實施例取值L＝8，M＝3，預測精度相對於相關技術提高了1.5％。實施例2參見圖1，本實施例一種交通堵塞預警裝置，包括預警裝置和與預警裝置相連的預測裝置，所述預警裝置由LED電源、上觸片、下觸片、光電感應器、預警器、銜鐵觸片、蓄電池、銜鐵主體、銜鐵觸片、銜鐵接觸片、線圈、微型電源、LED燈和導線組成。優選地，所述上觸片和下觸片平行放置，上觸片通過導線和蓄電池相連接，所述蓄電池通過導線和預警器相連接，所述預警器通過導線和銜鐵觸片相連接，所述銜鐵觸片置於銜鐵主體一側，所述銜鐵接觸片置於銜鐵主體另一側，且通過導線和下觸片相連接，所述線圈置於銜鐵主體上。優選地，所述LED電源通過導線和LED燈相連接，所述LED燈和光電感應器平行放置，所述光電感應器和線圈並聯且通過導線和微型電源相連接。優選地，預測裝置包括依次連接的採集模塊、數據預處理模塊、數據分類模塊、平穩性檢驗模塊、相關係數計算模塊、閾值設定模塊、時空相關係數矩陣生成模塊、歷史相關係數矩陣生成模塊、預測因子選取模塊和預測模型構造模塊：(1)採集模塊，用於採集路網S內觀測路段Si、預測路段Sj對應各時間段的交通流量數據和通行情況；(2)數據預處理模塊，用於對所述交通流量數據進行數據預處理，並剔除不符合交通實際情況的數據；(3)數據分類模塊，用於對經過數據預處理的交通流量數據進行類型分類，所述類型包括節假日交通流量數據、周末交通流量數據和工作日交通流量數據；(4)平穩性檢驗模塊，用於對處於同一類型的觀測路段Si的交通流量序列Xi與預測路段Sj的交通流量序列Xj分別進行平穩性檢驗，檢驗平穩性的自相關函數為：P(τ)=E(Xx-vi)(Xx+τ-vx+τ)σ2]]>其中，Xx表示待檢驗交通流量序列，νi表示待檢驗交通流量序列的均值，Xx+τ表示Xx在時間延遲τ後的交通流量序列，νx+τ為Xx+τ的均值，σ2為Xx與Xx+τ之間的方差；當自相關函數P(τ)能快速衰減趨近於0或在0附近波動，則所述待檢驗交通流量序列通過平穩性檢驗；當自相關函數P(τ)不能快速衰減趨近於0或在0附近波動，則對所述待檢驗交通流量序列進行平穩處理後繼續進行平穩性檢驗；(5)相關係數計算模塊，用於計算通過平穩性檢驗的觀測路段Si的交通流量序列Xi與預測路段Sj的交通流量序列Xj在時間延遲τ下的時間相關係數ρij(τ)和空間相關係數ρij(w)，設路網S內有N個路段，交通流量序列Xi＝[xi(1),xi(2),...,xi(n)]，交通流量序列xi(t)表示觀測路段Si在t時刻的流量，xj(t)表示預測路段Sj在t時刻的流量，t＝1,2,...n，時間相關係數ρij(τ)的計算公式為：ρij(τ)=Σt=1n-τxi(t)xj(t+τ)-1n-τΣt=1n-τxi(t)Σt=1n-τxj(t+τ)Σt=1n-τxi(t)-1n-τΣt=1n-τxi(t)2×Σt=1n-τxj(t+τ)-1n-τΣt=1n-τxj(t+τ)2]]>空間相關係數ρij(w)的計算公式為：優選地，預測裝置還包括：(6)閾值設定模塊，用於設定各路段之間的時間延遲最大值L、時空相關係數閾值T1和歷史相關係數閾值T2；(7)時空相關係數矩陣生成模塊，用於根據各路段的時間相關係數ρij(τ)和空間相關係數ρij(w)構建各觀測路段Si與預測路段Sj在不同時間延遲τ下的時空相關係數矩陣ρ(τ)'，並計算各路段的時空相關係數ρij(τ)'，其中i∈[1,N]且τ∈[0,L]，L的取值範圍為[8,12]，時空相關係數矩陣ρ(τ)'的計算公式為：ρ(τ)′=ρ1j(0)′ρ1j(0)′...ρNj(0)′ρ1j(1)′ρ2j(1)′...ρNj(1)′............ρ1j(L)′ρ2j(L)′...ρNj(L)′;]]>時空相關係數ρij(τ)'的計算公式為：ρij(τ)'＝ρij(τ)ρij(w)；(8)歷史相關係數矩陣生成模塊，用於生成預測路段Sj的歷史相關係數矩陣ρ(t)：其中，選取近M周的同期且同一類型的歷史流量作為交通流量序列Xj的歷史相關序列，記為m＝1,2,...M，M的取值範圍為[3,5]，所述歷史相關係數ρjm(t)的計算公式為：ρjm(t)=Σt=1nxj(t)xjm(t)-1nΣt=1nxj(t)Σt=1nxjm(t)Σt=1nxj(t)-1nΣt=1nxj(t)2×Σt=1nxjm(t)-1nΣt=1nxjm(t)2]]>(9)預測因子選取模塊，用於根據所述時空相關係數閾值T1和歷史相關係數閾值T2選取與預測目標點相關的預測因子，並按照其所選空間位置j與時間延遲τ進行矩陣重構，選取原則為：若ρij(τ)'＞T1，則將觀測路段Si的交通流量序列Xi中滿足條件的交通流量組成新的序列並作為第一預測因子，記做X',X'＝(x1',x2',...,xp')，其中p為所述滿足條件的交通流量個數，設L1為第一預測因子中時間延遲的最大值，L1＝max{τ|τ∈[0,L]andρij(τ)'＞T1}，則第一預測因子X'可表述成如下矩陣形式：X′=x1′(1)x2′(1)...xp′(1)x1′(2)x2′(2)...xp′(2)............x1′(n-L1)x2′(n-L1)...xp′(n-L1);]]>若ρjm(t)＞T2，則將所有滿足條件的歷史相關序列Xjm(t)作為第二預測因子，記作Y'，Y'＝{y1',y2',...,yq'}，其中q為滿足條件的歷史流量個數，第二預測因子Y'可表述成如下矩陣形式：(10)預測模型構造模塊，其通過將第一預測因子和第二預測因子作為訓練樣本來構造可預測路段在下一時刻的交通流量的預測模型。其中，所述數據預處理模塊中，剔除所述不符合交通實際情況的數據的規則為：在一個數據更新周期內，分別設定各路段的總交通流量數據的閥值範圍，若採集到的某路段的總交通流量數據落在對應的閾值範圍內，則表明該組數據可靠，保留該組數據；若採集到的某路段的總交通流量數據落不在對應的閾值範圍內，則表明該組數據不可靠，並將其剔除。其中，所述平穩性檢驗模塊包括以下子模塊：(1)檢驗子模塊，用於對處於同一類型的觀測路段的交通流量序列與預測路段的交通流量序列分別進行平穩性檢驗；(2)連續性檢查子模塊，與檢驗子模塊連接，用於對不通過平穩性檢驗的待檢驗交通流量序列進行連續性檢查，若不符合連續性，所述連續性檢查子模塊採用平均插值法對數據進行補齊；(3)排錯子模塊，與連續性檢查子模塊連接，用於刪除明顯錯誤的數據，同時採用平均插值法對數據進行補齊；(4)差分處理子模塊，連接排錯子模塊和檢驗子模塊，用於對補齊後的數據進行差分處理，並將差分處理後的數據傳送到檢驗子模塊。本實施例設置數據分類模塊和平穩性檢驗模塊，增加了數據的準確度，且使構造的預測模型更有針對性；設置相關係數計算模塊、時空相關係數矩陣生成模塊、歷史相關係數矩陣生成模塊、預測因子選取模塊和預測模型構造模塊，消除了最初預測因子選取的主觀性，能夠增加預測精度，使預測模型構造模塊更加穩定和準確；本實施例取值L＝9，M＝3，預測精度相對於相關技術提高了2％。實施例3參見圖1，本實施例一種交通堵塞預警裝置，包括預警裝置和與預警裝置相連的預測裝置，所述預警裝置由LED電源、上觸片、下觸片、光電感應器、預警器、銜鐵觸片、蓄電池、銜鐵主體、銜鐵觸片、銜鐵接觸片、線圈、微型電源、LED燈和導線組成。優選地，所述上觸片和下觸片平行放置，上觸片通過導線和蓄電池相連接，所述蓄電池通過導線和預警器相連接，所述預警器通過導線和銜鐵觸片相連接，所述銜鐵觸片置於銜鐵主體一側，所述銜鐵接觸片置於銜鐵主體另一側，且通過導線和下觸片相連接，所述線圈置於銜鐵主體上。優選地，所述LED電源通過導線和LED燈相連接，所述LED燈和光電感應器平行放置，所述光電感應器和線圈並聯且通過導線和微型電源相連接。優選地，預測裝置包括依次連接的採集模塊、數據預處理模塊、數據分類模塊、平穩性檢驗模塊、相關係數計算模塊、閾值設定模塊、時空相關係數矩陣生成模塊、歷史相關係數矩陣生成模塊、預測因子選取模塊和預測模型構造模塊：(1)採集模塊，用於採集路網S內觀測路段Si、預測路段Sj對應各時間段的交通流量數據和通行情況；(2)數據預處理模塊，用於對所述交通流量數據進行數據預處理，並剔除不符合交通實際情況的數據；(3)數據分類模塊，用於對經過數據預處理的交通流量數據進行類型分類，所述類型包括節假日交通流量數據、周末交通流量數據和工作日交通流量數據；(4)平穩性檢驗模塊，用於對處於同一類型的觀測路段Si的交通流量序列Xi與預測路段Sj的交通流量序列Xj分別進行平穩性檢驗，檢驗平穩性的自相關函數為：P(τ)=E(Xx-vi)(Xx+τ-vx+τ)σ2]]>其中，Xx表示待檢驗交通流量序列，νi表示待檢驗交通流量序列的均值，Xx+τ表示Xx在時間延遲τ後的交通流量序列，νx+τ為Xx+τ的均值，σ2為Xx與Xx+τ之間的方差；當自相關函數P(τ)能快速衰減趨近於0或在0附近波動，則所述待檢驗交通流量序列通過平穩性檢驗；當自相關函數P(τ)不能快速衰減趨近於0或在0附近波動，則對所述待檢驗交通流量序列進行平穩處理後繼續進行平穩性檢驗；(5)相關係數計算模塊，用於計算通過平穩性檢驗的觀測路段Si的交通流量序列Xi與預測路段Sj的交通流量序列Xj在時間延遲τ下的時間相關係數ρij(τ)和空間相關係數ρij(w)，設路網S內有N個路段，交通流量序列Xi＝[xi(1),xi(2),...,xi(n)]，交通流量序列xi(t)表示觀測路段Si在t時刻的流量，xj(t)表示預測路段Sj在t時刻的流量，t＝1,2,...n，時間相關係數ρij(τ)的計算公式為：ρij(τ)=Σt=1n-τxi(t)xj(t+τ)-1n-τΣt=1n-τxi(t)Σt=1n-τxj(t+τ)Σt=1n-τxi(t)-1n-τΣt=1n-τxi(t)2×Σt=1n-τxj(t+τ)-1n-τΣt=1n-τxj(t+τ)2]]>空間相關係數ρij(w)的計算公式為：優選地，預測裝置還包括：(6)閾值設定模塊，用於設定各路段之間的時間延遲最大值L、時空相關係數閾值T1和歷史相關係數閾值T2；(7)時空相關係數矩陣生成模塊，用於根據各路段的時間相關係數ρij(τ)和空間相關係數ρij(w)構建各觀測路段Si與預測路段Sj在不同時間延遲τ下的時空相關係數矩陣ρ(τ)'，並計算各路段的時空相關係數ρij(τ)'，其中i∈[1,N]且τ∈[0,L]，L的取值範圍為[8,12]，時空相關係數矩陣ρ(τ)'的計算公式為：ρ(τ)′=ρ1j(0)′ρ1j(0)′...ρNj(0)′ρ1j(1)′ρ2j(1)′...ρNj(1)′............ρ1j(L)′ρ2j(L)′...ρNj(L)′;]]>時空相關係數ρij(τ)'的計算公式為：ρij(τ)'＝ρij(τ)ρij(w)；(8)歷史相關係數矩陣生成模塊，用於生成預測路段Sj的歷史相關係數矩陣ρ(t)：其中，選取近M周的同期且同一類型的歷史流量作為交通流量序列Xj的歷史相關序列，記為m＝1,2,...M，M的取值範圍為[3,5]，所述歷史相關係數ρjm(t)的計算公式為：ρjm(t)=Σt=1nxj(t)xjm(t)-1nΣt=1nxj(t)Σt=1nxjm(t)Σt=1nxj(t)-1nΣt=1nxj(t)2×Σt=1nxjm(t)-1nΣt=1nxjm(t)2]]>(9)預測因子選取模塊，用於根據所述時空相關係數閾值T1和歷史相關係數閾值T2選取與預測目標點相關的預測因子，並按照其所選空間位置j與時間延遲τ進行矩陣重構，選取原則為：若ρij(τ)'＞T1，則將觀測路段Si的交通流量序列Xi中滿足條件的交通流量組成新的序列並作為第一預測因子，記做X',X'＝(x1',x2',...,xp')，其中p為所述滿足條件的交通流量個數，設L1為第一預測因子中時間延遲的最大值，L1＝max{τ|τ∈[0,L]andρij(τ)'＞T1}，則第一預測因子X'可表述成如下矩陣形式：X′=x1′(1)x2′(1)...xp′(1)x1′(2)x2′(2)...xp′(2)............x1′(n-L1)x2′(n-L1)...xp′(n-L1);]]>若ρjm(t)＞T2，則將所有滿足條件的歷史相關序列Xjm(t)作為第二預測因子，記作Y'，Y'＝{y1',y2',...,yq'}，其中q為滿足條件的歷史流量個數，第二預測因子Y'可表述成如下矩陣形式：(10)預測模型構造模塊，其通過將第一預測因子和第二預測因子作為訓練樣本來構造可預測路段在下一時刻的交通流量的預測模型。其中，所述數據預處理模塊中，剔除所述不符合交通實際情況的數據的規則為：在一個數據更新周期內，分別設定各路段的總交通流量數據的閥值範圍，若採集到的某路段的總交通流量數據落在對應的閾值範圍內，則表明該組數據可靠，保留該組數據；若採集到的某路段的總交通流量數據落不在對應的閾值範圍內，則表明該組數據不可靠，並將其剔除。其中，所述平穩性檢驗模塊包括以下子模塊：(1)檢驗子模塊，用於對處於同一類型的觀測路段的交通流量序列與預測路段的交通流量序列分別進行平穩性檢驗；(2)連續性檢查子模塊，與檢驗子模塊連接，用於對不通過平穩性檢驗的待檢驗交通流量序列進行連續性檢查，若不符合連續性，所述連續性檢查子模塊採用平均插值法對數據進行補齊；(3)排錯子模塊，與連續性檢查子模塊連接，用於刪除明顯錯誤的數據，同時採用平均插值法對數據進行補齊；(4)差分處理子模塊，連接排錯子模塊和檢驗子模塊，用於對補齊後的數據進行差分處理，並將差分處理後的數據傳送到檢驗子模塊。本實施例設置數據分類模塊和平穩性檢驗模塊，增加了數據的準確度，且使構造的預測模型更有針對性；設置相關係數計算模塊、時空相關係數矩陣生成模塊、歷史相關係數矩陣生成模塊、預測因子選取模塊和預測模型構造模塊，消除了最初預測因子選取的主觀性，能夠增加預測精度，使預測模型構造模塊更加穩定和準確；本實施例取值L＝10，M＝4，預測精度相對於相關技術提高了2.6％。實施例4參見圖1，本實施例一種交通堵塞預警裝置，包括預警裝置和與預警裝置相連的預測裝置，所述預警裝置由LED電源、上觸片、下觸片、光電感應器、預警器、銜鐵觸片、蓄電池、銜鐵主體、銜鐵觸片、銜鐵接觸片、線圈、微型電源、LED燈和導線組成。優選地，所述上觸片和下觸片平行放置，上觸片通過導線和蓄電池相連接，所述蓄電池通過導線和預警器相連接，所述預警器通過導線和銜鐵觸片相連接，所述銜鐵觸片置於銜鐵主體一側，所述銜鐵接觸片置於銜鐵主體另一側，且通過導線和下觸片相連接，所述線圈置於銜鐵主體上。優選地，所述LED電源通過導線和LED燈相連接，所述LED燈和光電感應器平行放置，所述光電感應器和線圈並聯且通過導線和微型電源相連接。優選地，預測裝置包括依次連接的採集模塊、數據預處理模塊、數據分類模塊、平穩性檢驗模塊、相關係數計算模塊、閾值設定模塊、時空相關係數矩陣生成模塊、歷史相關係數矩陣生成模塊、預測因子選取模塊和預測模型構造模塊：(1)採集模塊，用於採集路網S內觀測路段Si、預測路段Sj對應各時間段的交通流量數據和通行情況；(2)數據預處理模塊，用於對所述交通流量數據進行數據預處理，並剔除不符合交通實際情況的數據；(3)數據分類模塊，用於對經過數據預處理的交通流量數據進行類型分類，所述類型包括節假日交通流量數據、周末交通流量數據和工作日交通流量數據；(4)平穩性檢驗模塊，用於對處於同一類型的觀測路段Si的交通流量序列Xi與預測路段Sj的交通流量序列Xj分別進行平穩性檢驗，檢驗平穩性的自相關函數為：P(τ)=E(Xx-vi)(Xx+τ-vx+τ)σ2]]>其中，Xx表示待檢驗交通流量序列，νi表示待檢驗交通流量序列的均值，Xx+τ表示Xx在時間延遲τ後的交通流量序列，νx+τ為Xx+τ的均值，σ2為Xx與Xx+τ之間的方差；當自相關函數P(τ)能快速衰減趨近於0或在0附近波動，則所述待檢驗交通流量序列通過平穩性檢驗；當自相關函數P(τ)不能快速衰減趨近於0或在0附近波動，則對所述待檢驗交通流量序列進行平穩處理後繼續進行平穩性檢驗；(5)相關係數計算模塊，用於計算通過平穩性檢驗的觀測路段Si的交通流量序列Xi與預測路段Sj的交通流量序列Xj在時間延遲τ下的時間相關係數ρij(τ)和空間相關係數ρij(w)，設路網S內有N個路段，交通流量序列Xi＝[xi(1),xi(2),...,xi(n)]，交通流量序列xi(t)表示觀測路段Si在t時刻的流量，xj(t)表示預測路段Sj在t時刻的流量，t＝1,2,...n，時間相關係數ρij(τ)的計算公式為：ρij(τ)=Σt=1n-τxi(t)xj(t+τ)-1n-τΣt=1n-τxi(t)Σt=1n-τxj(t+τ)Σt=1n-τxi(t)-1n-τΣt=1n-τxi(t)2×Σt=1n-τxj(t+τ)-1n-τΣt=1n-τxj(t+τ)2]]>空間相關係數ρij(w)的計算公式為：優選地，預測裝置還包括：(6)閾值設定模塊，用於設定各路段之間的時間延遲最大值L、時空相關係數閾值T1和歷史相關係數閾值T2；(7)時空相關係數矩陣生成模塊，用於根據各路段的時間相關係數ρij(τ)和空間相關係數ρij(w)構建各觀測路段Si與預測路段Sj在不同時間延遲τ下的時空相關係數矩陣ρ(τ)'，並計算各路段的時空相關係數ρij(τ)'，其中i∈[1,N]且τ∈[0,L]，L的取值範圍為[8,12]，時空相關係數矩陣ρ(τ)'的計算公式為：ρ(τ)′=ρ1j(0)′ρ1j(0)′...ρNj(0)′ρ1j(1)′ρ2j(1)′...ρNj(1)′............ρ1j(L)′ρ2j(L)′...ρNj(L)′;]]>時空相關係數ρij(τ)'的計算公式為：ρij(τ)'＝ρij(τ)ρij(w)；(8)歷史相關係數矩陣生成模塊，用於生成預測路段Sj的歷史相關係數矩陣ρ(t)：其中，選取近M周的同期且同一類型的歷史流量作為交通流量序列Xj的歷史相關序列，記為m＝1,2,...M，M的取值範圍為[3,5]，所述歷史相關係數ρjm(t)的計算公式為：ρjm(t)=Σt=1nxj(t)xjm(t)-1nΣt=1nxj(t)Σt=1nxjm(t)Σt=1nxj(t)-1nΣt=1nxj(t)2×Σt=1nxjm(t)-1nΣt=1nxjm(t)2]]>(9)預測因子選取模塊，用於根據所述時空相關係數閾值T1和歷史相關係數閾值T2選取與預測目標點相關的預測因子，並按照其所選空間位置j與時間延遲τ進行矩陣重構，選取原則為：若ρij(τ)'＞T1，則將觀測路段Si的交通流量序列Xi中滿足條件的交通流量組成新的序列並作為第一預測因子，記做X',X'＝(x1',x2',...,xp')，其中p為所述滿足條件的交通流量個數，設L1為第一預測因子中時間延遲的最大值，L1＝max{τ|τ∈[0,L]andρij(τ)'＞T1}，則第一預測因子X'可表述成如下矩陣形式：X′=x1′(1)x2′(1)...xp′(1)x1′(2)x2′(2)...xp′(2)............x1′(n-L1)x2′(n-L1)...xp′(n-L1);]]>若ρjm(t)＞T2，則將所有滿足條件的歷史相關序列Xjm(t)作為第二預測因子，記作Y'，Y'＝{y1',y2',...,yq'}，其中q為滿足條件的歷史流量個數，第二預測因子Y'可表述成如下矩陣形式：(10)預測模型構造模塊，其通過將第一預測因子和第二預測因子作為訓練樣本來構造可預測路段在下一時刻的交通流量的預測模型。其中，所述數據預處理模塊中，剔除所述不符合交通實際情況的數據的規則為：在一個數據更新周期內，分別設定各路段的總交通流量數據的閥值範圍，若採集到的某路段的總交通流量數據落在對應的閾值範圍內，則表明該組數據可靠，保留該組數據；若採集到的某路段的總交通流量數據落不在對應的閾值範圍內，則表明該組數據不可靠，並將其剔除。其中，所述平穩性檢驗模塊包括以下子模塊：(1)檢驗子模塊，用於對處於同一類型的觀測路段的交通流量序列與預測路段的交通流量序列分別進行平穩性檢驗；(2)連續性檢查子模塊，與檢驗子模塊連接，用於對不通過平穩性檢驗的待檢驗交通流量序列進行連續性檢查，若不符合連續性，所述連續性檢查子模塊採用平均插值法對數據進行補齊；(3)排錯子模塊，與連續性檢查子模塊連接，用於刪除明顯錯誤的數據，同時採用平均插值法對數據進行補齊；(4)差分處理子模塊，連接排錯子模塊和檢驗子模塊，用於對補齊後的數據進行差分處理，並將差分處理後的數據傳送到檢驗子模塊。本實施例設置數據分類模塊和平穩性檢驗模塊，增加了數據的準確度，且使構造的預測模型更有針對性；設置相關係數計算模塊、時空相關係數矩陣生成模塊、歷史相關係數矩陣生成模塊、預測因子選取模塊和預測模型構造模塊，消除了最初預測因子選取的主觀性，能夠增加預測精度，使預測模型構造模塊更加穩定和準確；本實施例取值L＝11，M＝5，預測精度相對於相關技術提高了3.2％。實施例5參見圖1，本實施例一種交通堵塞預警裝置，包括預警裝置和與預警裝置相連的預測裝置，所述預警裝置由LED電源、上觸片、下觸片、光電感應器、預警器、銜鐵觸片、蓄電池、銜鐵主體、銜鐵觸片、銜鐵接觸片、線圈、微型電源、LED燈和導線組成。優選地，所述上觸片和下觸片平行放置，上觸片通過導線和蓄電池相連接，所述蓄電池通過導線和預警器相連接，所述預警器通過導線和銜鐵觸片相連接，所述銜鐵觸片置於銜鐵主體一側，所述銜鐵接觸片置於銜鐵主體另一側，且通過導線和下觸片相連接，所述線圈置於銜鐵主體上。優選地，所述LED電源通過導線和LED燈相連接，所述LED燈和光電感應器平行放置，所述光電感應器和線圈並聯且通過導線和微型電源相連接。優選地，預測裝置包括依次連接的採集模塊、數據預處理模塊、數據分類模塊、平穩性檢驗模塊、相關係數計算模塊、閾值設定模塊、時空相關係數矩陣生成模塊、歷史相關係數矩陣生成模塊、預測因子選取模塊和預測模型構造模塊：(1)採集模塊，用於採集路網S內觀測路段Si、預測路段Sj對應各時間段的交通流量數據和通行情況；(2)數據預處理模塊，用於對所述交通流量數據進行數據預處理，並剔除不符合交通實際情況的數據；(3)數據分類模塊，用於對經過數據預處理的交通流量數據進行類型分類，所述類型包括節假日交通流量數據、周末交通流量數據和工作日交通流量數據；(4)平穩性檢驗模塊，用於對處於同一類型的觀測路段Si的交通流量序列Xi與預測路段Sj的交通流量序列Xj分別進行平穩性檢驗，檢驗平穩性的自相關函數為：P(τ)=E(Xx-vi)(Xx+τ-vx+τ)σ2]]>其中，Xx表示待檢驗交通流量序列，νi表示待檢驗交通流量序列的均值，Xx+τ表示Xx在時間延遲τ後的交通流量序列，νx+τ為Xx+τ的均值，σ2為Xx與Xx+τ之間的方差；當自相關函數P(τ)能快速衰減趨近於0或在0附近波動，則所述待檢驗交通流量序列通過平穩性檢驗；當自相關函數P(τ)不能快速衰減趨近於0或在0附近波動，則對所述待檢驗交通流量序列進行平穩處理後繼續進行平穩性檢驗；(5)相關係數計算模塊，用於計算通過平穩性檢驗的觀測路段Si的交通流量序列Xi與預測路段Sj的交通流量序列Xj在時間延遲τ下的時間相關係數ρij(τ)和空間相關係數ρij(w)，設路網S內有N個路段，交通流量序列Xi＝[xi(1),xi(2),...,xi(n)]，交通流量序列xi(t)表示觀測路段Si在t時刻的流量，xj(t)表示預測路段Sj在t時刻的流量，t＝1,2,...n，時間相關係數ρij(τ)的計算公式為：ρij(τ)=Σt=1n-τxi(t)xj(t+τ)-1n-τΣt=1n-τxi(t)Σt=1n-τxj(t+τ)Σt=1n-τxi(t)-1n-τΣt=1n-τxi(t)2×Σt=1n-τxj(t+τ)-1n-τΣt=1n-τxj(t+τ)2]]>空間相關係數ρij(w)的計算公式為：優選地，預測裝置還包括：(6)閾值設定模塊，用於設定各路段之間的時間延遲最大值L、時空相關係數閾值T1和歷史相關係數閾值T2；(7)時空相關係數矩陣生成模塊，用於根據各路段的時間相關係數ρij(τ)和空間相關係數ρij(w)構建各觀測路段Si與預測路段Sj在不同時間延遲τ下的時空相關係數矩陣ρ(τ)'，並計算各路段的時空相關係數ρij(τ)'，其中i∈[1,N]且τ∈[0,L]，L的取值範圍為[8,12]，時空相關係數矩陣ρ(τ)'的計算公式為：ρ(τ)′=ρ1j(0)′ρ1j(0)′...ρNj(0)′ρ1j(1)′ρ2j(1)′...ρNj(1)′............ρ1j(L)′ρ2j(L)′...ρNj(L)′;]]>時空相關係數ρij(τ)'的計算公式為：ρij(τ)'＝ρij(τ)ρij(w)；(8)歷史相關係數矩陣生成模塊，用於生成預測路段Sj的歷史相關係數矩陣ρ(t)：其中，選取近M周的同期且同一類型的歷史流量作為交通流量序列Xj的歷史相關序列，記為m＝1,2,...M，M的取值範圍為[3,5]，所述歷史相關係數ρjm(t)的計算公式為：ρjm(t)=Σt=1nxj(t)xjm(t)-1nΣt=1nxj(t)Σt=1nxjm(t)Σt=1nxj(t)-1nΣt=1nxj(t)2×Σt=1nxjm(t)-1nΣt=1nxjm(t)2]]>(9)預測因子選取模塊，用於根據所述時空相關係數閾值T1和歷史相關係數閾值T2選取與預測目標點相關的預測因子，並按照其所選空間位置j與時間延遲τ進行矩陣重構，選取原則為：若ρij(τ)'＞T1，則將觀測路段Si的交通流量序列Xi中滿足條件的交通流量組成新的序列並作為第一預測因子，記做X',X'＝(x1',x2',...,xp')，其中p為所述滿足條件的交通流量個數，設L1為第一預測因子中時間延遲的最大值，L1＝max{τ|τ∈[0,L]andρij(τ)'＞T1}，則第一預測因子X'可表述成如下矩陣形式：X′=x1′(1)x2′(1)...xp′(1)x1′(2)x2′(2)...xp′(2)............x1′(n-L1)x2′(n-L1)...xp′(n-L1);]]>若ρjm(t)＞T2，則將所有滿足條件的歷史相關序列Xjm(t)作為第二預測因子，記作Y'，Y'＝{y1',y2',...,yq'}，其中q為滿足條件的歷史流量個數，第二預測因子Y'可表述成如下矩陣形式：(10)預測模型構造模塊，其通過將第一預測因子和第二預測因子作為訓練樣本來構造可預測路段在下一時刻的交通流量的預測模型。其中，所述數據預處理模塊中，剔除所述不符合交通實際情況的數據的規則為：在一個數據更新周期內，分別設定各路段的總交通流量數據的閥值範圍，若採集到的某路段的總交通流量數據落在對應的閾值範圍內，則表明該組數據可靠，保留該組數據；若採集到的某路段的總交通流量數據落不在對應的閾值範圍內，則表明該組數據不可靠，並將其剔除。其中，所述平穩性檢驗模塊包括以下子模塊：(1)檢驗子模塊，用於對處於同一類型的觀測路段的交通流量序列與預測路段的交通流量序列分別進行平穩性檢驗；(2)連續性檢查子模塊，與檢驗子模塊連接，用於對不通過平穩性檢驗的待檢驗交通流量序列進行連續性檢查，若不符合連續性，所述連續性檢查子模塊採用平均插值法對數據進行補齊；(3)排錯子模塊，與連續性檢查子模塊連接，用於刪除明顯錯誤的數據，同時採用平均插值法對數據進行補齊；(4)差分處理子模塊，連接排錯子模塊和檢驗子模塊，用於對補齊後的數據進行差分處理，並將差分處理後的數據傳送到檢驗子模塊。本實施例設置數據分類模塊和平穩性檢驗模塊，增加了數據的準確度，且使構造的預測模型更有針對性；設置相關係數計算模塊、時空相關係數矩陣生成模塊、歷史相關係數矩陣生成模塊、預測因子選取模塊和預測模型構造模塊，消除了最初預測因子選取的主觀性，能夠增加預測精度，使預測模型構造模塊更加穩定和準確；本實施例取值L＝12，M＝5，預測精度相對於相關技術提高了3.5％。最後應當說明的是，以上實施例僅用以說明本發明的技術方案，而非對本發明保護範圍的限制，儘管參照較佳實施例對本發明作了詳細地說明，本領域的普通技術人員應當理解，可以對本發明的技術方案進行修改或者等同替換，而不脫離本發明技術方案的實質和範圍。當前第1頁1&nbsp2&nbsp3&nbsp