CN103514743A - 一种实时指数匹配记忆区间的异常交通状态特征识别方法 - Google Patents
一种实时指数匹配记忆区间的异常交通状态特征识别方法 Download PDFInfo
- Publication number
- CN103514743A CN103514743A CN201310451579.9A CN201310451579A CN103514743A CN 103514743 A CN103514743 A CN 103514743A CN 201310451579 A CN201310451579 A CN 201310451579A CN 103514743 A CN103514743 A CN 103514743A
- Authority
- CN
- China
- Prior art keywords
- traffic
- index
- real
- time
- extremely
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000005856 abnormality Effects 0.000 claims abstract description 26
- 230000000903 blocking effect Effects 0.000 claims description 24
- 230000004069 differentiation Effects 0.000 claims description 19
- 230000000153 supplemental effect Effects 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 5
- 230000001149 cognitive effect Effects 0.000 claims description 3
- 238000005192 partition Methods 0.000 abstract 1
- 230000006399 behavior Effects 0.000 description 27
- 238000003745 diagnosis Methods 0.000 description 23
- 238000004458 analytical method Methods 0.000 description 15
- 238000012544 monitoring process Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000013341 scale-up Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003139 buffering effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000012252 genetic analysis Methods 0.000 description 1
- 230000000505 pernicious effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种实时指数匹配记忆区间的异常交通状态特征识别方法,其特征在于,步骤为:步骤1、获取某一个时间段内的某条路段的所有历史交通指数数据,根据同一时刻下的所有历史交通指数创建与该时刻相对应的指数记忆空间并计算得到每个指数记忆空间的中值;步骤2、将每个指数记忆空间至少划分为正缓冲区间及负缓冲区间,并将小于最小指数值的区域定义为负溢出区,将大于最大指数值的区域定义为正溢出区;步骤3、获取该条路段在当前时刻Tn下的实时交通指数Index(Tn),根据分区判断交通状态。本发明提供了一种新的交通指数应用方法,充分挖掘交通指数的潜力实现对城市道路实时交通异常的快速识别。
Description
技术领域
本发明涉及一种城市道路异常交通状态特征的实时识别方法,该方法以城市道路实时交通指数监控路况积累的历史规律数据作为经验记忆,并根据记忆数据的统计特性建立“记忆空间”,实时交通指数匹配当前时间切片“记忆空间”,并以此识别指数所监控的目标道路对象当前是否处于交通状态异常,属于智能交通***领域。
背景技术
交通指数是一种能够以连续数值表达城市道路交通状态或交通拥堵的一类相对性指标,根据实际应用需求,选取特定交通参数并按照一定的函数规则进行构建,随着交通信息化技术的发展,国内各主要城市如北京、上海、杭州、深圳等均构建了符合城市特色的交通指数模型对道路交通运行状态进行实时监控。实时监控动态道路运行特征的交通指数具三个显著的数学特征,第一,指数存在于固定的数值区间内,如[0,100],[0,5]等,数据区间的选取由指数模型与问题需求共同决定;第二,指数结果是连续的数值,理论上能够覆盖到数据区间内的所有实数值;第三,指数具有单调性,即指数值单调反应路况变好或变坏的趋势,不存在二义性,本发明以指数越大路况越坏为例开展。正是基于这三个数学特征,指数会以数值点的形式记录目标道路某时刻的实时交通状态,进而可以绘制一条反映全天交通状态变化发展趋势的曲线,通过这条曲线不仅能够判别目标道路或路网区域在一天中拥堵高峰的时刻与程度,还能够对不同道路对象或路网群体进行比较,评估常态性严重拥堵道路与畅通道路。
对城市道路交通总体而言,受人口分布、道路布局、交通出行规律等因素相对稳定的影响,交通状态往往具有一定的时空分布规律性,即在一般情况下拥堵高发的道路是相对固定的,且拥堵道路的高发时间也是相对固定的。交管部门会根据此种特性制定常态的警力布控,优化管理资源,指挥排堵保畅工作。但城市等级众多、体量巨大的路网***具有交通拥堵随机高发、交通规律突变的特征,尤其在面对恶劣天气、节假日前夕、大型社会活动等因素时,常态不拥堵的道路会产生难以预知的严重拥堵,或常态拥堵路段会呈现显著畅通等,这种情况往往会因拥堵路网不属于重点布控路段而在早期受到忽视,导致路况持续恶化甚至引发长时间、大面积拥堵的严重后果。交通指数作为一种高效的信息化工具已经能够实现对路况的数字化表达,如果能够实时路况监控的基础上进一步智能的发现每条道路个性化交通状态特征的改变,量化分析评估道路的状态异常程度,将为快速确认问题成因及现场交通管理带来重要的情报价值与经济价值。通过对现有技术和***的检索,并未发现获得已知的能够满足实时交通状态异常在线识别的相关技术与方法。
发明内容
本发明要解决的技术问题是提供一种新的交通指数应用方法,充分挖掘交通指数的潜力实现对城市道路实时交通异常的快速识别。
为了解决上述技术问题,本发明的技术方案是提供了一种实时指数匹配记忆区间的异常交通状态特征识别方法,其特征在于,步骤为:
步骤1、在所有交通流参数中任意选取一个实时数据在固定数据区间动态波动的交通流参数作为交通状态识别参数,获取某一个时间段内的某条路段或区域路网的所有历史交通状态识别参数数据,根据同一时刻下的所有交通状态识别参数创建与该时刻相对应的交通状态识别参数记忆空间并计算得到每个交通状态识别参数记忆空间的中值,其中,时刻T对应的交通状态识别参数记忆空间为IMS(T),时刻T的所有历史交通状态识别参数数据中的最小指数值MIN(T)及最大指数值MAX(T)为交通状态识别参数记忆空间IMS(T)的负边界及正边界,交通状态识别参数记忆空间IMS(T)的中值MEDIAN(T)为时刻T下所有交通状态识别参数数据的均值;
步骤2、将每个交通状态识别参数记忆空间至少划分为正缓冲区间及负缓冲区间,并将小于最小指数值的区域定义为负溢出区,将大于最大指数值的区域定义为正溢出区;交通状态识别参数记忆空间IMS(T)的正缓冲区间为PB(T),取值范围为(MEDIAN(T),MAX(T)];负缓冲区间为NB(T),取值范围为[MIN(T),MEDIAN(T));负溢出区为NO(T),取值范围为[MIN,MIN(T));正溢出区为PO(T),取值范围为(MAX(T),MAX],其中,MIN为交通状态识别参数最小可能取值,MAX为交通状态识别参数的最大可能取值;
步骤3、获取该条路段在当前时刻Tn下的实时交通状态识别参数Index(Tn),判断实时交通状态识别参数Index(Tn)是否位于交通状态识别参数记忆空间IMS(Tn)的正缓冲区间PB(Tn)或负缓冲区间NB(Tn),若是,则该条路段在当前时刻Tn下的交通状态为常态,若否,则该条路段在当前时刻Tn下的交通状态为异常,该异常是指异常畅通或异常拥堵,若该条路段所采用的交通状态识别参数模型为交通状态识别参数越高越拥堵,则若实时交通状态识别参数Index(Tn)位于正溢出区PO(Tn),该条路段在当前时刻Tn下的交通状态为异常拥堵,若实时交通状态识别参数Index(Tn)位于负溢出区NO(Tn),该条路段在当前时刻Tn下的交通状态为异常畅通;若该条路段所采用的交通状态识别参数模型为交通状态识别参数越高越畅通,则若实时交通识别参数Index(Tn)位于正溢出区PO(Tn),该条路段在当前时刻Tn下的交通状态为异常畅通,若实时交通识别参数Index(Tn)位于负溢出区NO(Tn),该条路段在当前时刻Tn下的交通状态为异常拥堵。
优选地,在所述步骤1中,利用影响因素标记MARK,对某一个时间段内的某条路段的所有历史交通识别参数数据进行标记,影响因素标记MARK是由影响因素配置集中对交通状态特征具有广泛影响的非交通因素构成的一组笛卡尔积配置项,同一时刻下的所有历史交通识别参数根据影响因素标记MARK分类,为每一类分别创建交通状态识别参数记忆空间并计算得到每个交通状态识别参数记忆空间的中值;
在所述步骤3中,取得当前时刻Tn下的实时交通识别参数Index(Tn)后,先对其利用影响因素标记MARK进行标记,得到带有标记结果的交通识别参数Index(Tn)MARK,利用交通识别参数Index(Tn)MARK找到时刻Tn下与其类别相对应的交通状态识别参数记忆空间,再根据其与交通状态识别参数记忆空间中正缓冲区间及负缓冲区间以及负溢出区及正溢出区的关系判断该条路段在当前时刻Tn下的交通状态是否异常。
优选地,所述对交通状态特征具有广泛影响的非交通因素至少包括天气信息Weather、日历信息Calendar及活动信息Event,其中,日历信息Calendar为主因素,每个时刻具有不同的影响因素标记MARK,时刻T的影响因素标记为MARKT(1,2,3)=MARKT(Calendar,Weather,Event)。
优选地,在所述步骤2中,将每个交通状态识别参数记忆空间至少划分为正缓冲区间、正常态区间、负常态区间及负缓冲区间;则交通状态识别参数记忆空间IMS(T)的正缓冲区间PB(T)的取值范围为(MPSD(T),MAX(T)],MPSD(T)=MEDIAN(T)+stdev(T),stdev(T)为时刻T下所有历史交通识别参数的标准差;正常态区间为PN(T),取值范围为[MEDIAN(T),MPSD(T)];负常态区间为NN(T),取值范围为[MNSD(T),MEDIAN(T)),MNSD(T)=MEDIAN(T)-stdev(T);负缓冲区间NB(T)的取值范围为[MIN(T),MNSD(T));
在所述步骤3中,获取该条路段在当前时刻Tn下的实时交通识别参数Index(Tn),判断实时交通识别参数Index(Tn)是否位于交通状态识别参数记忆空间IMS(Tn)的正常态区间PN(Tn)或负常态区间(Tn),若是,则该条路段在当前时刻Tn下的交通状态为正常,若否,则该条路段在当前时刻Tn下的交通状态为异常,该异常是指异常畅通或异常拥堵,若该条路段所采用的交通识别参数模型为交通识别参数越高越拥堵,则若实时交通识别参数Index(Tn)位于交通状态识别参数记忆空间IMS(Tn)的正缓冲区间PB(Tn)或正溢出区PO(Tn),该条路段在当前时刻Tn下的交通状态为异常拥堵,若实时交通识别参数Index(Tn)位于交通状态识别参数记忆空间IMS(Tn)的负缓冲区间NB(Tn)或负溢出区NO(Tn),该条路段在当前时刻Tn下的交通状态为异常畅通;若该条路段所采用的交通识别参数模型为交通识别参数越高越畅通,则若实时交通识别参数Index(Tn)位于交通状态识别参数记忆空间IMS(Tn)的正缓冲区间PB(Tn)或正溢出区PO(Tn),该条路段在当前时刻Tn下的交通状态为异常畅通,若实时交通识别参数Index(Tn)位于交通状态识别参数记忆空间IMS(Tn)的负缓冲区间NB(Tn)或负溢出区NO(Tn),该条路段在当前时刻Tn下的交通状态为异常拥堵。
优选地,,在所述步骤3中,若实时交通识别参数Index(Tn)位于交通状态识别参数记忆空间IMS(Tn)的正缓冲区间PB(Tn)或负缓冲区间NB(Tn),则采用以下两个方法中的任意一种判断当前路段在当前时刻Tn下的交通状态:
第一种方法:若实时交通识别参数Index(Tn)位于正缓冲区间PB(Tn),则以阈值[MAX(Tn)+MPSD(Tn)]/[2×MEDIAN(Tn)]为边界线,大于该值判“异常”,小于该值并大于MPSD(Tn)/MEDIAN(Tn)则判定“疑似异常”;若实时交通识别参数Index(Tn)位于负缓冲区间NB(Tn),则以阈值[MIN(Tn)+MNSD(Tn)]/[2×MEDIAN(Tn)]为边界线,小于该值判“异常”,大于该值并小于MNSD(Tn)/MEDIAN(Tn)则判定“疑似异常”;
第二种方法:判断是否存在参考点Reft,参考点Reft由实时交通识别参数Index(Tn)由正常态区间PN(Tn)或负常态区间NN(Tn)首次进入正缓冲区间、负缓冲区间、正溢出区或负溢出区时,与MPSD(Tn)或MNSD(Tn)相交插值创建,插值时刻舍入为相交时刻的前一时刻,若否,则判“常态”,若是,则判断实时交通识别参数Index(Tn)位于正缓冲区间PB(Tn)或负缓冲区间NB(Tn),若位于正缓冲区间PB(Tn),则计算[Index(Tn)-Reft]×T0/(Tn-t)-[MPSD(Tn)-Reft]×T0/(Tn-t),其中,T0为交通识别参数的更新周期,t为插值时刻,若其结果大于A,则判“异常”,介于(0,A]之间则判“疑似异常”,A为经验阈值;若位于负缓冲区间NB(Tn),则计算[Index(Tn)-Reft]×T0/(Tn-t)-[MNSD(Tn)-Reft]×T0/(Tn-t),若其结果不大于-A,则判“异常”,介于(-A,0]之间则判“疑似异常”。
优选地,在所述步骤3中利用三维异常联合判别来判断某条路段的交通状态,则所述步骤3包括:
步骤3.1、获取该条路段或区域路网在当前时刻Tn下的实时交通识别参数Index(Tn);
步骤3.2、判断实时交通识别参数Index(Tn)是否位于正缓冲区间PB(Tn)或负缓冲区间NB(Tn),若否,则判断是否存在参考点Reft,参考点Reft由实时交通识别参数Index(Tn)进入正缓冲区间、负缓冲区间、正溢出区或负溢出区时,与MPSD(Tn)或MNSD(Tn)相交插值创建,若存在,直接进入下一步,若不存在,则创建完参考点Reft后进入下一步;若实时交通识别参数Index(Tn)位于正缓冲区间PB(Tn)或负缓冲区间NB(Tn),则判断是否存在参考点Reft,若存在,则判“常态”,完成步骤3,若不存在,则创建完参考点Reft后进入步骤3.4;
步骤3.3、第一维度异常判定:
若实时交通识别参数Index(Tn)位于正溢出区PO(Tn),则计算Index(Tn)一MAX(Tn),若该差值小于A,则判“疑似异常”,进入下一步,否则,判“异常”,进入下一步;若实时交通识别参数Index(Tn)位于负溢出区NO(Tn),则计算MIN(Tn)-Index(Tn),若该差值小于A,则判“疑似异常”,进入下一步,否则,判“异常”,进入下一步,A为经验阈值;
步骤3.4、第二维度异常判定:
若实时交通识别参数Index(Tn)位于正缓冲区间PB(Tn)或正溢出区PO(Tn),则以阈值[MAX(Tn)+MPSD(Tn)]/[2×MEDIAN(Tn)]为边界线,Index(Tn)/MEDIAN(Tn)大于该值判“异常”,进入下一步,Index(Tn)/MEDIAN(Tn)小于该值并大于MPSD(Tn)/MEDIAN(Tn)则判定“疑似异常”,进入下一步;若实时交通识别参数Index(Tn)位于负缓冲区间NB(Tn)或负溢出区NO(Tn),则以阈值[MIN(Tn)+MNSD(Tn)]/[2×MEDIAN(Tn)]为边界线,Index(Tn)/MEDIAN(Tn)小于该值判“异常”,进入下一步,Index(Tn)/MEDIAN(Tn)大于该值并小于MNSD(Tn)/MEDIAN(Tn)则判定“疑似异常”,进入下一步;
步骤3.5、第三维度异常判定:
若位于正缓冲区间PB(Tn)或正溢出区PO(Tn),则计算[Index(Tn)-Reft]×T0/(Tn-t)-[MPSD(Tn)-Reft]×T0/(Tn-t),其中,T0为交通识别参数的更新周期,t为插值时刻,若其结果大于A,则判“异常”,进入下一步,介于(0,A]之间则判“疑似异常”,进入下一步;若位于负缓冲区间NB(Tn)或负溢出区NO(Tn),则计算[Index(Tn)-Reft]×T0/(Tn-t)-[MNSD(Tn)-Reft]×T0/(Tn-t),若其结果不大于-A,则判“异常”,进入下一步,介于(-A,0]之间则判“疑似异常”,进入下一步;
步骤3.6、采用“异常一票决定”或“少数服从多数”进行异常联合判别,其中,“异常一票决定”是指:在交通状态从“常态”到“异常”识别阶段,步骤3.3所述的第一维度异常判定结果具有一票决定权;而在从“异常”恢复到“常态”阶段,则在第一维度异常判定的结果为“常态”基础上,由步骤3.4所述的第二维度异常判定及步骤3.5所述的第三维度异常判定共同确认异常恢复;
“少数服从多数”是指:步骤3.3所述的第一维度异常判定结果、3.4所述的第二维度异常判定结果及步骤3.5所述的第三维度异常判定结果具有相同的权重,根据输出判定结果的多数判定最终识别结果;若三维度的判定结果输出均不相同,则或按照“悲观准则”向着“异常”方向识别,或按照“乐观准则”向着“常态”方向识别。
本发明提出匹配指数记忆空间的异常交通状态特征实时识别方法是一种利用实时指数与历史指数联合识别交通状态异常的智能方法,所不同的是,历史指数是在经过日期、天气等影响因素分类的基础上,为每个时间切片上创建出数据覆盖区域的“记忆空间”,并以此为总环境和算法触发条件进行异常特征识别。“记忆空间”由极小值、负偏差值、中值、正偏差值、极大值五个控制值划分出六个逻辑域:正溢出、正缓冲、正常态、负常态、负缓冲、负溢出,形成划分指数取值范围的“六域”其中正溢出、负溢出为“记忆空间”外区域。实时指数匹配“记忆空间”并根据所在逻辑域判别是否需要触发条件启动多维异常诊断分析,多维异常诊断算法包括差值分析、比例分析、趋势分析等可扩展诊断方法,每一维度独立输出结果都为模糊逻辑判断。汇总多维异常诊断分析结果,输入联合判别算法进行综合加权判别,其最终输出结果即为时间切片的交通状态特征输出。(注:前文都用时刻,是否统一,时间切片与时刻的略微差异是时刻用在实时指数上,时间切片用在记忆空间对应时刻的所有统计日期上。这个我感觉还是保持现在的写法吧,因为更容易理解)
本发明提出的匹配指数记忆区间的异常交通状态特征实时识别方法有益效果可以体现在以下几个方面:
第一、从交通信息***层面实现对城市道路全网、片区、路径、路段的全面异常监控,消除路况异常监控时空盲区;
第二、为城市相关部门的资源优化调度提供信息情报工具,辅助相关部门对异常特征的成因分析与决策,尤其对某些恶***通拥堵的早期预警具有重要价值;
第三、可以大大提高城市交通网络整体交通异常的识别效率,提高交通管理发现异常交通问题的快速性与准确性,为多部门联合处置节约时间;
第四、异常识别结果输出经过确认后,为统计道路交通年度、月度发生异常状态特征的频次与程度提供量化分析指标。
附图说明
图1实时交通异常识别方法逻辑架构;
图2实时交通异常识别方法总流程;
图3指数记忆空间构建子流程;
图4实时指数匹配记忆空间子流程;
图5为多维异常诊断分析子流程;
图6状态异常联判分析子流程;
图7上海市南北高架区段2013年6月19号(星期三)状态特征正常案例;
图8上海市中环线区段2012年4月19号(星期四)早高峰状态特征异常案例。
具体实施方式
为使本发明更明显易懂,兹以优选实施例,并配合附图作详细说明如下。
本发明提供的方法对于具有实时数据在固定数据区间动态波动的交通流参数都具有效果,例如交通指数或道路旅行车速等。在本实施例中,以交通指数为例对发明提供的方法做进一步的说明,交通指数模型采用交通指数越大则越拥堵,若交通指数越小为越拥堵,其原理与本实施例相同,只要将相应位置相反设置即可。以下就本发明中使用的基本术语给出定义:
时间切片(Time Slice):即以实时交通指数更新周期TO为步长而得到的全天各时刻值,Tn=n×TO(n=1,2,……)。在现有的交通指数模型中,更新周期TO最长为半个小时,对于本发明而言,更新周期TO越短越好(建议为2min,5min)。通过时间切片对齐指数历史数据库并创建记忆空间,如当前时刻为T,统计周期为100天,则对应100天中每个时刻T上的指数历史值构成一个时间切片。
影响因素标记MARK.影响因素标记MARK是由影响因素配置集中的天气信息Weather、日历信息Calendar、活动信息Event等等对交通状态特征具有广泛影响的非交通因素构成的一组笛卡尔积配置项。在影响因素标记MARK中,日历信息Calendar列编号为1,包括星期一、星期二、……、星期日、农历节日等等;天气信息Weather列编号为2,包括晴天、小雨、中雨、大雨、暴雨、小雪、大雪、大雾、冰雹等等;活动信息Event列编号为3,含常态、世博会、***、车展、高考、寒暑假等等;如T时刻的标记为MARKT(1,2,3)=MARKT(Calendar,Weather,Event)=MARKT(星期一,晴,常态),其中,日历信息Calendar为主因素,还承担对历史数据分类的基本功能。
指数记忆空间IMS(Index Memory Space):经过MARK标记后的指数历史数据统计周期(如2年)的全集中,在任一时间切片上出现过的极大值与极小值所封闭的指数极差区间。如指数历史值为2年,其中星期一有112天,则星期一8:00时刻的记忆空间就是这112个8:00时刻指数所覆盖的数据区间。
最小指数值MIN.时间切片上指数记忆空间IMS中出现过的最小指数值,下限值0。
最大指数值MAX:时间切片上指数记忆空间IMS中出现过的最小指数值,上限值100。
中值MEDIAN:时间切片上的指数记忆空间IMS,按照由小到大排序,在常规分类集中统计得到的指数均值作为中值。
负偏差值MNSD(Median Negative Standard Deviation):对时间切片上的指数记忆空间IMS使用标准差函数,得到stdev()值,MNSD=MEDIAN-stdev(),如果MNSD<=MIN,则取MIN值。
正偏差值MPSD(Median Positive Standard Deviation):对时间切片上的指数记忆空间IMS使用标准差函数,得到stdev()值,MPSD=MEDIAN+stdev(),如果MPSD>=MAX,则取MAX值。
正溢出区PO(Positive Overflow):时间切片上大于极大值MAX以上的指数值域区间,取值范围(MAX,100],极端情况下如果MAX=100,则正溢出等于极大值MAX。正溢出区PO为指数记忆空间IMS的外区域,属于溢出区的正半侧,实时指数落在该区间,则说明监控道路当前出现了最差的交通状态,属于可疑异常值,需要启动多维异常诊断分析和联合判别算法。
正缓冲区间PB(Positive Buffer):时间切片上大于正偏差值MPSD以上且小于极大值MAX的指数值域区间,取值范围(MPSD,MAX]。正缓冲区间PB为指数记忆空间IMS内区域,属于缓冲区的正半侧,实时指数落在该区间虽非常态,但也是并不作为异常直接输出,需结合多维异常诊断分析和联合判别算法输出进行监控。
正常态区间PN(Positive Normal):时间切片上小于等于正偏差值MPSD且大于等于中值MEDIAN的指数值域区间,取值范围[MEDIAN,MPSD]。正常态区间PN为指数记忆空间IMS主区域,属于常态区的正半侧,实时指数落在该区间为常态,只需维持监控无需展开其他措施。
负常态区间NN(Negative Normal):时间切片上大于等于负偏差值MNSD且小于中值MEDIAN的指数值域区间,取值范围[MNSD,MEDIAN)。负常态为指数记忆空间IMS主区域,属于常态区的负半侧,实时指数落在该区间为常态,只需维持监控无需展开其他措施。
负缓冲区间NB(Negative Buffer):时间切片上大于等于极小值MIN以上且小于负偏差值MNSD的指数值域区间,取值范围[MIN,MNSD)。负缓冲区间NB为指数记忆空间IMS内区域,属于缓冲区的负半侧,实时指数落在该区间虽非常态,但也是并不作为异常直接输出,需启动多维异常诊断分析和联合判别算法输出进行监控。
负溢出区NO(Negative Overflow):时间切片上小于极小值MIN以下的指数值域区间,取值范围[0,MIN),极端情况下如果MIN=0,则负溢出等于MIN。负溢出为指数记忆空间IMS外区域,属于溢出区的负半侧,实时指数落在该区间,则说明监控道路当前出现了最好的交通状态,属于可疑异常值,需要启动多维异常诊断分析和联合判别算法。
参照点Reft(Reference):用来进行趋势判断的临时基准点,位置在正偏差值MPSD或负偏差值MNSD上,当实时交通指数Index(Tn)由常态区域进入缓冲区或溢出区时,与正偏差值MPSD或负偏差值MNSD相交插值创建,插值时刻t舍入为相交时刻的前一时刻。参照点Reft生成后有且只有一个,其数值与时刻t均不变,只有当天某个时间切片上的交通指数Index(Tn)再次由缓冲区或溢出区进入常态区时,参照点自动删除清空。
如图1及图2所示,本发明提供的一种实时指数匹配记忆区间的异常交通状态特征识别方法,其步骤为:
步骤1、获取某个时间段内的某条路段的所有历史交通指数,按照交通影响因素集输出的影响因素标记MARKT(1,2,3)对时刻Tn的历史交通指数进行分组(不含最新时刻),主分类影响因素为日历信息Calendar,天气信息Weather及活动信息Event等因素作为辅助分组因素,以分类后的历史交通指数为指数样本总体构建指数记忆空间IMS(Tn),结合图3,包括中值MEDIAN(Tn)、正极值MAX(Tn)、负极值MIN(Tn)、正偏差值MPSD(Tn)=MEDIAN(Tn)+stdev(Tn),如果MPSD(Tn)>=MAX(Tn),则取MAX(Tn)值、负偏差值MNSD(Tn)=MEDIAN(Tn)-stdev(Tn)如果MNSD(Tn)<=MIN(Tn),则取MIN(Tn)值。“五值”线创建后,自然生成“六域”,即正溢出区PO(Tn)、正缓冲区间PB(Tn)、正常态区间PN(Tn)、负常态区间NN(Tn)、负缓冲区间NB(Tn)、负溢出区NO(Tn)。如果MPSD(Tn)=MAX(Tn),则没有正缓冲区间PB(Tn)。同理,如果MNSD(Tn)=MIN(Tn),则没有负缓冲区间NB(Tn)。创建指数记忆空间IMS(Tn)是基于分类指数历史数据总体开展的,因此不需要实时开展,在每天凌晨***空闲期统一为各个道路、各个周期进行指数记忆空间IMS(Tn)创建,结果数据为第二天实时指数匹配准备。
步骤2、标记实时指数结果:通过交通影响因素集输出的影响因素标记MARKT(1,2,3),对时刻Tn的实时交通指数Index(Tn)进行标记,生成带有标记结果的数据Index(T)MARK并存入历史数据库,同时进行匹配时刻Tn的指数记忆空间IMS(Tn)。
步骤3、实时指数匹配指数记忆空间IMS(Tn),结合图4:以MARKT(1,2,3)标记的实时交通指数Index(Tn)MARK匹配指数记忆空间IMS(Tn),根据正溢出区PO(Tn)、正缓冲区间PB(Tn)、正常态区间PN(Tn)、负常态区间NN(Tn)、负缓冲区间NB(Tn)、负溢出区NO(Tn)判别Index(T)MARK所在区域。
如果实时交通指数Index(Tn)MARK位于正常态区间PN(Tn)或负常态区间NN(Tn),则直接输出“常态”判别结果后清空参照点Reft,并跳出整个步骤进入下一个周期。如果实时交通指数Index(Tn)MARK位于正缓冲区间PB(Tn)或负缓冲区间NB(Tn),则判别是否已存在参照点Reft,如果不存在,则生成参照点Reft,并直接输出“常态”判别结果后跳出整个步骤进入下一个周期。如果存在参照点Reft,则启动步骤4的多维异常诊断分析中的第二维及第三维和异常联合判别,获取状态特征判别结果后,跳出整个步骤进入下一个周期。如果实时交通指数Index(Tn)MARK位于正溢出区PO(Tn)或负溢出区NO(Tn),则判别是否已存在参照点Reft,如果不存在,则生成参照点Reft,并启动步骤4的多维异常诊断分析中的第一维、第二维及第三维和异常联合判别,获取状态特征判别结果后,跳出整个步骤进入下一个周期。如果参照点Reft已存在,则启动步骤4的多维异常诊断分析中的第一维、第二维及第三维和异常联合判别,输出“疑似异常”或“异常”结果,不清空参照点Reft,跳出整个步骤进入下一个周期。
步骤4、结合图5,多维异常诊断分析:当实时交通指数Index(Tn)MARK不在正常态区间PN(Tn)或负常态区间NN(Tn)时,启动多维异常诊断分析。多维异常诊断分析各维度默认值都为“常态”,根据实时匹配IMS过程的触发条件不同,分别启动不同维度的异常诊断分析算法,最终进入异常联合判别时所有维度结果都作为输入。
第一维度为差值判别:计算实时交通指数Index(Tn)MARK与最大指数值MAX(Tn)或最小指数值MIN(Tn)的偏差,若Index(Tn)MARK>MAX(Tn),偏差为正向偏差,则实时交通指数Index(Tn)MARK位于正溢出区PO(Tn),计算Index(Tn)MARK-MAX(Tn),并将差值与经验阈值相比较(在本实施列中,经验阈值取为5)。若该差值<5,则输出为“疑似拥堵异常”,若该差值>=5,则输出为“拥堵异常”。若Index(Tn)MARK<MIN(Tn),偏差为负向偏差,则实时交通指数Index(Tn)MARK位于负溢出区NO(Tn),计算MIN(Tn)-Index(Tn)MARK,并将差值与经验阈值相比较(在本实施列中,经验阈值取为5)。若该差值<5,则输出为“疑似异常畅通”,若该差值>=5,则输出为“异常畅通”。经验阈值可根据具体道路对象进行标定。
第二维度比例判别:计算实时交通指数Index(Tn)MARK与中值MEDIAN(Tn)的比例系数,即Index(Tn)MARK/MEDIAN(Tn),若该比例系数大于MPSD(Tn)/MEDIAN(Tn),则实时交通指数Index(Tn)MARK位于正溢出区PO(Tn)或正缓冲区间PB(Tn)。根据阈值[MAX(Tn)+MPSD(Tn)]/[2×MEDIAN(Tn)]为边界线,大于该值输出为“拥堵异常”,小于该值并大于MPSD(Tn)/MEDIAN(Tn),则输出为“疑似拥堵异常”。若比例系数小于MNSD(Tn)/MEDIAN(Tn),则实时交通指数Index(Tn)MARK位于负溢出区NO(Tn)或负缓冲区间NB(Tn),根据阈值[MIN(Tn)+MNSD(Tn)]/[2×MEDIAN(Tn)]为边界线,小于该值则输出“异常畅通”,大于该值并小于MNSD(Tn)/MEDIAN(Tn)则输出“疑似异常畅通”。
第三维度趋势判别:计算实时交通指数Index(Tn)MARK与MPSD(Tn)或MNSD(Tn)相对于参照点Reft的斜率差,若Index(Tn)MARK相对于参照点Reft的斜率>MPSD(Tn)相对于参照点Reft的斜率,偏差为正向偏差,则实时交通指数Index(Tn)MARK位于正溢出区PO(Tn)或正缓冲区间PB(Tn),则按照当前指数与正偏差值计算[Index(Tn)-Reft]×T0/(Tn-t)-[MPSD(Tn)-Reft]×T0/(Tn-t),其中,T0为交通指数的更新周期,t为插值时刻,若其结果>5,则输出“拥堵异常”,若其结果介于(0,5]之间,则输出“疑似拥堵异常”。若Index(Tn)MARK相对于参照点Reft的斜率<MNSD(Tn)相对于参照点Reft的斜率,偏差为负向偏差,则实时交通指数Index(Tn)MARK位于负溢出区NO(Tn)或负缓冲区间NB(Tn),则按照当前指数与负偏差值计算[Index(Tn)-Reft]×T0/(Tn-t)-[MNSD(Tn)-Reft]×T0/(Tn-t),若其结果<=-5,则输出“异常畅通”,若其结果介于(-5,0]之间,则输出“疑似拥堵异常”。阈值可根据具体道路对象进行标定。
步骤6、异常联合判别:根据拥堵异常的判定需求,可定制扩展多维异常诊断的判别规则。如果Index(Tn)MARK>=MEDIAN(Tn),则所有维度的判别规则均输出:{“常态”,“疑似拥堵异常”,“拥堵异常”},如果Index(Tn)MARK<MEDIAN(Tn),则输出:{“常态”,“疑似异常畅通”,“异常畅通”}。联合判别的输入为:{第一维度输出,第二维度输出,第三维度输出,……},根据对IMS依赖程度的不同,可分为两种逻辑识别异常交通状态特征:“异常一票决定”与“少数服从多数”。
“异常一票决定”:在从“常态”到“异常”识别阶段,第一维度判定结果具有一票决定权,即认为只要Index(Tn)MARK不在指数记忆空间IMS(Tn)中就识别为疑似异常或异常;而在从“异常”恢复到“常态”阶段,则在第一维度判定结果为“常态”基础上,由其他维度共同确认异常恢复。
“少数服从多数”:所有维度诊断结果具有相同的权重,根据输出判定的多数判定最终识别结果。以三个维度为例,两个“常态”即识别为常态,若三个结果输出均不相同,则可分别按照“悲观准则”向着“异常”方向识别,或按照“乐观准则”向着“常态”方向识别。
在实际应用中,根据需要识别的目标路网规模不同,可分别使用不同逻辑,如对快速路全网络、地面道路全网或行政片区异常识别由于整体指数波动范围较小,推荐使用“异常一票决定”识别,如对某条路段或路径,由于指数波动范围比较大,推荐使用“少数服从多数”识别。
7)历史指数更新:实时交通指数Index(Tn)MARK完成指数记忆空间IMS(Tn)匹配后,存储在原始历史数据库中,匹配阶段所使用指数记忆空间IMS(Tn)不包括当前时刻最新指数值。当指数记忆空间IMS(Tn)整体更新时,时间切片所覆盖的统计周期按照去掉最早一天,添加最新一天进行滑动,即按照忘记最远一天、记住最新一天,保证分类历史统计周期为常量值。
此外,本发明方法使用的指数值均经过数据检查筛选与修补,数据质量处理工作在本发明所涉及各环节之前完成。少部分日期或时间数据缺失并不影响指数记忆空间IMS(Tn)的整体构建。
以下以一具体实施例来具体说明本发明。
步骤1)标记实时指数结果:(1)通过交通影响因素集输出的影响因素标记MARKT(1,2,3),对T时刻最新实时指数Index(T)进行标记,(2)生成带有标记结果的数据Index(T)MARK并存入历史数据库(步骤2),(3)同时进行匹配IMST(步骤4)。
步骤2)创建指数分类历史库:(1)在指数原始历史数据库中,按照MARKT(1,2,3)标记结果对同时刻历史数据进行分组(不含最新时刻),主分类影响因素为日历,天气与活动等因素作为辅助分组因素,(2)以分类后的历史数据为指数样本总体构建IMS(步骤3)。
步骤3)构建IMS:1)对每个分类后的T时刻历史指数样本总体(步骤2)进行“记忆空间”创建,(1)包括中值线MEDIAN(T)、正极值MAX(T)、负极值MIN(T)、正偏差值MPSD(T)=MEDIAN(T)+stdev(T)如果MPSD(T)>=MAX(T),则取MAX(T)值、负偏差值MNSD(T)=MEDIAN(T)-stdev(T)如果MNSD(T)<=MIN(T),则取MIN(T)值;(2)“五值”线创建后,自然生成“六域”PO(T)、PB(T)、PN(T)、NN(T)、NB(T)、NO(T),如果MPSD(T)=MAX(T),则没有PB(T)区间,同理如果MNSD(T)=MIX(T),则没有NB(T)区间;(3)创建IMS记忆空间是基于分类指数历史数据总体开展的,因此不需要实时开展,在每天凌晨***空闲期统一为各个道路、各个周期进行IMS创建(步骤7),结果数据为第二天实时指数匹配准备。
步骤4)实时指数匹配IMS:以MARKT(1,2,3)标记的实时指数Index(T)MARK(步骤1)匹配IMST(步骤3),根据“六域”判别Index(T)MARK所在区间;(1)如果[Index(T)MARK∈PN(T)]∩[Index(T)MARK∈NN(T)],直接输出“常态”判别结果,清空参照点Reft并跳出判别等待进入T+I周期;(2)如果[Index(T)MARK∈PB(T)]∩[Index(T)MARK∈NB(T)],则判别是否已存在参照点Reft,如果不存在,则生成参照点Reft,并输出“常态”结果等待进入T+1周期,如果存在Reft,则启动多维异常诊断分析(第二维、第三维)(步骤5)和异常联合判别(步骤6),获取状态特征判别结果,等待进入T+I周期;(3)如果[Index(T)MARX∈PO(T)]∩[Index(T)MARK∈NO(T)],则判别是否已存在参照点Reft,如果不存在,则生成参照点Reft,并启动多维异常诊断分析(所有维度)(步骤5)和异常联合判别(步骤6),获取状态特征判别结果,并等待进入T+I周期,如果参照点Reft已存在,则启动多维异常诊断分析(所有维度)(步骤5)和异常联合判别(步骤6),输出“疑似异常”或“异常”结果,不清空参照点Reft等待进入T+1周期。
步骤5)多维异常诊断分析:当Index(T)MARK不在PN(T)或NN(T)时(步骤4),启动多维异常诊断分析。多维异常诊断分析各维度默认值都为“常态”,根据实时匹配IMS过程的触发条件不同,分别启动不同维度的异常诊断分析算法,最终进入异常联合判别(步骤6)时所有维度结果都作为输入。
(1)第一维度为差值判别:实时计算Index(T)MARK与MAX(T)或MIN(T)的正向误差,若Index(T)MARK∈PO(T),则Index(T)MARK-MAX(T)并根据阈值(如5点指数差)判断是处于“疑似拥堵异常”(<5)还是“拥堵异常”(>=5),若Index(T)MARK∈NO(T),则MN(T)-Index(T)MARK并根据阈值判断是处于“疑似异常畅通”(<5)还是“异常畅通”(>=5);阈值可根据具体道路对象进行标定。
(2)第二维度比例判别:实时计算Index(T)MARK与MEDIAN(T)的比例系数,即Index(T)MARK/MEDIAN(T),若[Index(T)MARK∈PO(T)]∩[Index(T)MARK∈PB(T)],根据阈值[MAX(T)+MPSD(T)]/(2·MEDIAN(T))为边界线,大于判该值判“拥堵异常”,小于该值并大于MPSD(T)/MEDIAN(T)则判定“疑似拥堵异常”,若[Index(T)MARK∈NO(T)]∩[Index(T)MARK∈NB(T)],根据阈值[MN(T)+MNSD(T)]/(2·MEDIAN(T))为边界线,小于判该值判“异常畅通”,大于该值并小于MNSD(T)/MEDIAN(T)则判定“疑似异常畅通”。
(3)第三维度趋势判别:实时计算Index(T)MARK与MPSD(T)或MNSD(T)相对于参照点Reft的斜率差,若[Indcx(T)MARK∈PO(T)]∩[INdex(T)MARK∈PB(T)],则按照当前指数与正偏差值计算[Index(T)MARK-REFt]·T0/(T-t)-[MPSD(T)-REFt]·T0/(T-t),根据阈值5点指数判定,如果>5则判“拥堵异常”,介于(0,5]之间判“疑似拥堵异常”,若[Index(T)MARK∈NO(T)]∩[Index(T)MARK∈NB(T)],则按照当前指数与负偏差值计算[INdex(T)MARK-REFt]·T0/(T-t-[MNSD(T)-REFt]·T0/(T-t),根据阈值-5点指数判定,如果<=-5则判“异常畅通”,介于(-5,0]之间判“疑似拥堵异常”;阈值可根据具体道路对象进行标定。
步骤6)异常联合判别:根据拥堵异常的判定需求,可定制扩展多维异常诊断(步骤5)的判别规则。如果Index(T)MARK>=MEDIAN(T),则所有维度的判别规则均输出:{“常态”,“疑似拥堵异常”,“拥堵异常”},如果Index(T)MARK<MEDIAN(T),则输出:{“常态”,“疑似异常畅通”,“异常畅通”}。联合判别的输入为:{第一维度输出,第二维度输出,第三维度输出,……},根据对IMS依赖程度的不同,可分为两种逻辑识别异常交通状态特征:“一票决定权”与“少数服从多数”。
在实际应用中,根据需要识别的目标路网规模不同,可分别使用不同逻辑,如对快速路全网络、地面道路全网或行政片区异常识别由于整体指数波动范围较小,使用“异常一票决定”识别,如对某条路段或路径,由于指数波动范围比较大,使用“少数服从多数”识别。
步骤7)历史指数更新:实时Index(T)MARK完成IMS匹配后,存储在原始历史数据库中,匹配阶段所使用IMS记忆空间不包括当前时刻最新指数值(步骤4)。每天当IMS记忆空间整体构建时,时间切片T所覆盖的统计周期按照去掉最早一天,添加最新一天进行滑动,保证分类历史统计周期为常量值。
Claims (6)
1.一种实时指数匹配记忆区间的异常交通状态特征识别方法,其特征在于,步骤为:
步骤1、在所有交通流参数中任意选取一个实时数据在固定数据区间动态波动的交通流参数作为交通状态识别参数,获取某一个时间段内的某条路段或区域路网的所有历史交通状态识别参数数据,根据同一时刻下的所有交通状态识别参数创建与该时刻相对应的交通状态识别参数记忆空间并计算得到每个交通状态识别参数记忆空间的中值,其中,时刻T对应的交通状态识别参数记忆空间为IMS(T),时刻T的所有历史交通状态识别参数数据中的最小指数值MIN(T)及最大指数值MAX(T)为交通状态识别参数记忆空间IMS(T)的负边界及正边界,交通状态识别参数记忆空间IMS(T)的中值MEDIAN(T)为时刻T下所有交通状态识别参数数据的均值;
步骤2、将每个交通状态识别参数记忆空间至少划分为正缓冲区间及负缓冲区间,并将小于最小指数值的区域定义为负溢出区,将大于最大指数值的区域定义为正溢出区;交通状态识别参数记忆空间IMS(T)的正缓冲区间为PB(T),取值范围为(MEDIAN(T),MAX(T)];负缓冲区间为NB(T),取值范围为[MIN(T),MEDIAN(T));负溢出区为NO(T),取值范围为[MIN,MIN(T));正溢出区为PO(T),取值范围为(MAX(T),MAX],其中,MIN为交通状态识别参数最小可能取值,MAX为交通状态识别参数的最大可能取值;
步骤3获取该条路段在当前时刻Tn下的实时交通状态识别参数Index(Tn),判断实时交通状态识别参数Index(Tn)是否位于交通状态识别参数记忆空间IMS(Tn)的正缓冲区间PB(Tn)或负缓冲区间NB(Tn),若是,则该条路段在当前时刻Tn下的交通状态为常态,若否,则该条路段在当前时刻Tn下的交通状态为异常,该异常是指异常畅通或异常拥堵,若该条路段所采用的交通状态识别参数模型为交通状态识别参数越高越拥堵,则若实时交通状态识别参数Index(Tn)位于正溢出区PO(Tn),该条路段在当前时刻Tn下的交通状态为异常拥堵,若实时交通状态识别参数Index(Tn)位于负溢出区NO(Tn),该条路段在当前时刻Tn下的交通状态为异常畅通;若该条路段所采用的交通状态识别参数模型为交通状态识别参数越高越畅通,则若实时交通识别参数Index(Tn)位于正溢出区PO(Tn),该条路段在当前时刻Tn下的交通状态为异常畅通,若实时交通识别参数Index(Tn)位于负溢出区NO(Tn),该条路段在当前时刻Tn下的交通状态为异常拥堵。
2.如权利要求1所述的一种实时指数匹配记忆区间的异常交通状态特征识别方法,其特征在于,在所述步骤1中,利用影响因素标记MARK,对某一个时间段内的某条路段的所有历史交通识别参数数据进行标记,影响因素标记MARK是由影响因素配置集中对交通状态特征具有广泛影响的非交通因素构成的一组笛卡尔积配置项,同一时刻下的所有历史交通识别参数根据影响因素标记MARK分类,为每一类分别创建交通状态识别参数记忆空间并计算得到每个交通状态识别参数记忆空间的中值;
在所述步骤3中,取得当前时刻Tn下的实时交通识别参数Index(Tn)后,先对其利用影响因素标记MARK进行标记,得到带有标记结果的交通识别参数Index(Tn)MARK,利用交通识别参数Index(Tn)MARK找到时刻Tn下与其类别相对应的交通状态识别参数记忆空间,再根据其与交通状态识别参数记忆空间中正缓冲区间及负缓冲区间以及负溢出区及正溢出区的关系判断该条路段在当前时刻Tn下的交通状态是否异常。
3.如权利要求2所述的一种实时指数匹配记忆区间的异常交通状态特征识别方法,其特征在于,所述对交通状态特征具有广泛影响的非交通因素至少包括天气信息Weather、日历信息Calendar及活动信息Event,其中,日历信息Calendar为主因素,每个时刻具有不同的影响因素标记MARK,时刻T的影响因素标记为MARKT(1,2,3)=MARKT(Calendar,Weather,Event)。
4.如权利要求1所述的一种实时指数匹配记忆区间的异常交通状态特征识别方法,其特征在于,在所述步骤2中,将每个交通状态识别参数记忆空间至少划分为正缓冲区间、正常态区间、负常态区间及负缓冲区间;则交通状态识别参数记忆空间IMS(T)的正缓冲区间PB(T)的取值范围为(MPSD(T),MAX(T)],MPSD(T)=MEDIAN(T)+stdev(T),stdev(T)为时刻T下所有历史交通识别参数的标准差;正常态区间为PN(T),取值范围为[MEDIAN(T),MPSD(T)];负常态区间为NN(T),取值范围为[MNSD(T),MEDIAN(T)),MNSD(T)=MEDIAN(T)-stdev(T);负缓冲区间NB(T)的取值范围为[MIN(T),MNSD(T));
在所述步骤3中,获取该条路段在当前时刻Tn下的实时交通识别参数Index(Tn),判断实时交通识别参数Index(Tn)是否位于交通状态识别参数记忆空间IMS(Tn)的正常态区间PN(Tn)或负常态区间(Tn),若是,则该条路段在当前时刻Tn下的交通状态为正常,若否,则该条路段在当前时刻Tn下的交通状态为异常,该异常是指异常畅通或异常拥堵,若该条路段所采用的交通识别参数模型为交通识别参数越高越拥堵,则若实时交通识别参数Index(Tn)位于交通状态识别参数记忆空间IMS(Tn)的正缓冲区间PB(Tn)或正溢出区PO(Tn),该条路段在当前时刻Tn下的交通状态为异常拥堵,若实时交通识别参数Index(Tn)位于交通状态识别参数记忆空间IMS(Tn)的负缓冲区间NB(Tn)或负溢出区NO(Tn),该条路段在当前时刻Tn下的交通状态为异常畅通;若该条路段所采用的交通识别参数模型为交通识别参数越高越畅通,则若实时交通识别参数Index(Tn)位于交通状态识别参数记忆空间IMS(Tn)的正缓冲区间PB(Tn)或正溢出区PO(Tn),该条路段在当前时刻Tn下的交通状态为异常畅通,若实时交通识别参数Index(Tn)位于交通状态识别参数记忆空间IMS(Tn)的负缓冲区间NB(Tn)或负溢出区NO(Tn),该条路段在当前时刻Tn下的交通状态为异常拥堵。
5.如权利要求1所述的一种实时指数匹配记忆区间的异常交通状态特征识别方法,其特征在于,在所述步骤3中,若实时交通识别参数Index(Tn)位于交通状态识别参数记忆空间IMS(Tn)的正缓冲区间PB(Tn)或负缓冲区间NB(Tn),则采用以下两个方法中的任意一种判断当前路段在当前时刻Tn下的交通状态:
第一种方法:若实时交通识别参数Index(Tn)位于正缓冲区间PB(Tn),则以阈值[MAX(Tn)+MPSD(Tn)]/[2×MEDIAN(Tn)]为边界线,大于该值判“异常”,小于该值并大于MPSD(Tn)/MEDIAN(Tn)则判定“疑似异常”;若实时交通识别参数Index(Tn)位于负缓冲区间NB(Tn),则以阈值[MIN(Tn)+MNSD(Tn)]/[2×MEDIAN(Tn)]为边界线,小于该值判“异常”,大于该值并小于MNSD(Tn)/MEDIAN(Tn)则判定“疑似异常”;
第二种方法:判断是否存在参考点Reft,参考点Reft由实时交通识别参数Index(Tn)由正常态区间PN(Tn)或负常态区间NN(Tn)首次进入正缓冲区间、负缓冲区间、正溢出区或负溢出区时,与MPSD(Tn)或MNSD(Tn)相交插值创建,插值时刻舍入为相交时刻的前一时刻,若否,则判“常态”,若是,则判断实时交通识别参数Index(Tn)位于正缓冲区间PB(Tn)或负缓冲区间NB(Tn),若位于正缓冲区间PB(Tn),则计算[Index(Tn)-Reft]×T0/(Tn-t)-[MPSD(Tn)-Reft]×T0/(Tn-t),其中,T0为交通识别参数的更新周期,t为插值时刻,若其结果大于A,则判“异常”,介于(0,A]之间则判“疑似异常”,A为经验阈值;若位于负缓冲区间NB(Tn),则计算[Index(Tn)-Reft]×T0/(Tn-t)-[MNSD(Tn)-Reft]×T0/(Tn-t),若其结果不大于-A,则判“异常”,介于(-A,0]之间则判“疑似异常”。
6.如权利要求1所述的一种实时指数匹配记忆区间的异常交通状态特征识别方法,其特征在于,在所述步骤3中利用三维异常联合判别来判断某条路段的交通状态,则所述步骤3包括:
步骤3.1、获取该条路段或区域路网在当前时刻Tn下的实时交通识别参数Index(Tn);
步骤3.2、判断实时交通识别参数Index(Tn)是否位于正缓冲区间PB(Tn)或负缓冲区间NB(Tn),若否,则判断是否存在参考点Reft,参考点Reft由实时交通识别参数Index(Tn)进入正缓冲区间、负缓冲区间、正溢出区或负溢出区时,与MPSD(Tn)或MNSD(Tn)相交插值创建,若存在,直接进入下一步,若不存在,则创建完参考点Reft后进入下一步;若实时交通识别参数Index(Tn)位于正缓冲区间PB(Tn)或负缓冲区间NB(Tn),则判断是否存在参考点Reft,若存在,则判“常态”,完成步骤3,若不存在,则创建完参考点Reft后进入步骤3.4;
步骤3.3、第一维度异常判定:
若实时交通识别参数Index(Tn)位于正溢出区PO(Tn),则计算Index(Tn)-MAX(Tn),若该差值小于A,则判“疑似异常”,进入下一步,否则,判“异常”,进入下一步;若实时交通识别参数Index(Tn)位于负溢出区NO(Tn),则计算MIN(Tn)-Index(Tn),若该差值小于A,则判“疑似异常”,进入下一步,否则,判“异常”,进入下一步,A为经验阈值;
步骤3.4、第二维度异常判定:
若实时交通识别参数Index(Tn)位于正缓冲区间PB(Tn)或正溢出区PO(Tn),则以阈值[MAX(Tn)+MPSD(Tn)]/[2×MEDIAN(Tn)]为边界线,Index(Tn)/MEDIAN(Tn)大于该值判“异常”,进入下一步,Index(Tn)/MEDIAN(Tn)小于该值并大于MPSD(Tn)/MEDIAN(Tn)则判定“疑似异常”,进入下一步;若实时交通识别参数Index(Tn)位于负缓冲区间NB(Tn)或负溢出区NO(Tn),则以阈值[MIN(Tn)+MNSD(Tn)]/[2×MEDIAN(Tn)]为边界线,Index(Tn)/MEDIAN(Tn)小于该值判“异常”,进入下一步,Index(Tn)/MEDIAN(Tn)大于该值并小于MNSD(Tn)/MEDIAN(Tn)则判定“疑似异常”,进入下一步;
步骤3.5、第三维度异常判定:
若位于正缓冲区间PB(Tn)或正溢出区PO(Tn),则计算[Index(Tn)-Reft]×T0/(Tn-t)-[MPSD(Tn)-Reft]×T0/(Tn-t),其中,T0为交通识别参数的更新周期,t为插值时刻,若其结果大于A,则判“异常”,进入下一步,介于(0,A]之间则判“疑似异常”,进入下一步;若位于负缓冲区间NB(Tn)或负溢出区NO(Tn),则计算[Index(Tn)-Reft]×T0/(Tn-t)-[MNSD(Tn)-Reft]×T0/(Tn-t),若其结果不大于-A,则判“异常”,进入下一步,介于(-A,0]之间则判“疑似异常”,进入下一步;
步骤3.6、采用“异常一票决定”或“少数服从多数”进行异常联合判别,其中,“异常一票决定”是指:在交通状态从“常态”到“异常”识别阶段,步骤3.3所述的第一维度异常判定结果具有一票决定权;而在从“异常”恢复到“常态”阶段,则在第一维度异常判定的结果为“常态”基础上,由步骤3.4所述的第二维度异常判定及步骤3.5所述的第三维度异常判定共同确认异常恢复;
“少数服从多数”是指:步骤3.3所述的第一维度异常判定结果、3.4所述的第二维度异常判定结果及步骤3.5所述的第三维度异常判定结果具有相同的权重,根据输出判定结果的多数判定最终识别结果;若三维度的判定结果输出均不相同,则或按照“悲观准则”向着“异常”方向识别,或按照“乐观准则”向着“常态”方向识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310451579.9A CN103514743B (zh) | 2013-09-28 | 2013-09-28 | 一种实时指数匹配记忆区间的异常交通状态特征识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310451579.9A CN103514743B (zh) | 2013-09-28 | 2013-09-28 | 一种实时指数匹配记忆区间的异常交通状态特征识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103514743A true CN103514743A (zh) | 2014-01-15 |
CN103514743B CN103514743B (zh) | 2016-01-06 |
Family
ID=49897408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310451579.9A Active CN103514743B (zh) | 2013-09-28 | 2013-09-28 | 一种实时指数匹配记忆区间的异常交通状态特征识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103514743B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105387865A (zh) * | 2015-10-16 | 2016-03-09 | 上海博泰悦臻网络技术服务有限公司 | 一种基于交通道路数据的路径规划方法及*** |
CN107123264A (zh) * | 2017-05-31 | 2017-09-01 | 温州市鹿城区中津先进科技研究院 | 一种基于交通大数据判断异常拥堵的方法 |
CN108109375A (zh) * | 2017-12-21 | 2018-06-01 | 北京航空航天大学 | 一种基于渗流分析的城市交通网络可靠性预测方法 |
CN108122408A (zh) * | 2016-11-29 | 2018-06-05 | 中国电信股份有限公司 | 一种路况监测方法、装置及其用于监测道路路况的*** |
WO2018122806A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种基于行程时间分布的多模态交通异常检测方法 |
CN108961761A (zh) * | 2018-08-14 | 2018-12-07 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN110349410A (zh) * | 2019-08-16 | 2019-10-18 | 甘肃万华金慧科技股份有限公司 | 一种交通拥堵指数测定方法 |
CN110567472A (zh) * | 2019-08-16 | 2019-12-13 | 武汉东湖大数据交易中心股份有限公司 | 车载气象数据管理方法、装置、终端设备及存储介质 |
US20210390850A1 (en) * | 2020-06-16 | 2021-12-16 | Inventec (Pudong) Technology Corporation | Traffic condition detection method |
CN114724361A (zh) * | 2022-03-16 | 2022-07-08 | 阿里巴巴(中国)有限公司 | 路况确定方法、装置及计算机可读存储介质 |
CN115830873A (zh) * | 2023-01-10 | 2023-03-21 | 西南交通大学 | 城市道路交通事件分类方法、装置、设备及可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101540099A (zh) * | 2008-03-17 | 2009-09-23 | 上海宝康电子控制工程有限公司 | 道路交通状态判断方法及*** |
CN101739815A (zh) * | 2009-11-06 | 2010-06-16 | 吉林大学 | 道路交通拥挤状态在线识别方法 |
CN101751777A (zh) * | 2008-12-02 | 2010-06-23 | 同济大学 | 基于空间聚类分析的城市路网交通小区动态划分方法 |
JP2010191614A (ja) * | 2009-02-17 | 2010-09-02 | Sumitomo Electric Ind Ltd | 交通情報推定システム、推定方法、提供システムおよびコンピュータプログラム |
JP2011048754A (ja) * | 2009-08-28 | 2011-03-10 | I-Transport Lab Co Ltd | 交通状況解析装置、交通状況解析プログラム及び交通状況解析方法 |
CN202075864U (zh) * | 2011-04-28 | 2011-12-14 | 北京市劳动保护科学研究所 | 异常交通状态自动检测*** |
WO2013011796A1 (ja) * | 2011-07-20 | 2013-01-24 | 住友電気工業株式会社 | 交通評価装置、コンピュータプログラム及び交通評価方法 |
-
2013
- 2013-09-28 CN CN201310451579.9A patent/CN103514743B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101540099A (zh) * | 2008-03-17 | 2009-09-23 | 上海宝康电子控制工程有限公司 | 道路交通状态判断方法及*** |
CN101751777A (zh) * | 2008-12-02 | 2010-06-23 | 同济大学 | 基于空间聚类分析的城市路网交通小区动态划分方法 |
JP2010191614A (ja) * | 2009-02-17 | 2010-09-02 | Sumitomo Electric Ind Ltd | 交通情報推定システム、推定方法、提供システムおよびコンピュータプログラム |
JP2011048754A (ja) * | 2009-08-28 | 2011-03-10 | I-Transport Lab Co Ltd | 交通状況解析装置、交通状況解析プログラム及び交通状況解析方法 |
CN101739815A (zh) * | 2009-11-06 | 2010-06-16 | 吉林大学 | 道路交通拥挤状态在线识别方法 |
CN202075864U (zh) * | 2011-04-28 | 2011-12-14 | 北京市劳动保护科学研究所 | 异常交通状态自动检测*** |
WO2013011796A1 (ja) * | 2011-07-20 | 2013-01-24 | 住友電気工業株式会社 | 交通評価装置、コンピュータプログラム及び交通評価方法 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105387865A (zh) * | 2015-10-16 | 2016-03-09 | 上海博泰悦臻网络技术服务有限公司 | 一种基于交通道路数据的路径规划方法及*** |
CN108122408A (zh) * | 2016-11-29 | 2018-06-05 | 中国电信股份有限公司 | 一种路况监测方法、装置及其用于监测道路路况的*** |
GB2569924B (en) * | 2016-12-30 | 2021-02-24 | Ogrands Innovation Inc | Travel time distribution-based multimodal traffic anomaly detection method |
WO2018122806A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种基于行程时间分布的多模态交通异常检测方法 |
CN109844832A (zh) * | 2016-12-30 | 2019-06-04 | 同济大学 | 一种基于行程时间分布的多模态交通异常检测方法 |
GB2569924A (en) * | 2016-12-30 | 2019-07-03 | Du Yuchuan | Travel time distribution-based multimodal traffic anomaly detection method |
CN109844832B (zh) * | 2016-12-30 | 2021-06-15 | 同济大学 | 一种基于行程时间分布的多模态交通异常检测方法 |
CN107123264A (zh) * | 2017-05-31 | 2017-09-01 | 温州市鹿城区中津先进科技研究院 | 一种基于交通大数据判断异常拥堵的方法 |
CN108109375A (zh) * | 2017-12-21 | 2018-06-01 | 北京航空航天大学 | 一种基于渗流分析的城市交通网络可靠性预测方法 |
CN108109375B (zh) * | 2017-12-21 | 2020-10-09 | 北京航空航天大学 | 一种基于渗流分析的城市交通网络可靠性预测方法 |
CN108961761A (zh) * | 2018-08-14 | 2018-12-07 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN110349410B (zh) * | 2019-08-16 | 2020-11-13 | 甘肃万华金慧科技股份有限公司 | 一种交通拥堵指数测定方法 |
CN110567472A (zh) * | 2019-08-16 | 2019-12-13 | 武汉东湖大数据交易中心股份有限公司 | 车载气象数据管理方法、装置、终端设备及存储介质 |
CN110349410A (zh) * | 2019-08-16 | 2019-10-18 | 甘肃万华金慧科技股份有限公司 | 一种交通拥堵指数测定方法 |
US20210390850A1 (en) * | 2020-06-16 | 2021-12-16 | Inventec (Pudong) Technology Corporation | Traffic condition detection method |
CN113808384A (zh) * | 2020-06-16 | 2021-12-17 | 英业达科技有限公司 | 交通状况侦测方法 |
CN113808384B (zh) * | 2020-06-16 | 2023-02-10 | 英业达科技有限公司 | 交通状况侦测方法 |
CN114724361A (zh) * | 2022-03-16 | 2022-07-08 | 阿里巴巴(中国)有限公司 | 路况确定方法、装置及计算机可读存储介质 |
CN115830873A (zh) * | 2023-01-10 | 2023-03-21 | 西南交通大学 | 城市道路交通事件分类方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103514743B (zh) | 2016-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103514743B (zh) | 一种实时指数匹配记忆区间的异常交通状态特征识别方法 | |
CN107610469B (zh) | 一种考虑多因素影响的日维度区域交通指数预测方法 | |
Yu et al. | Prediction of bus travel time using random forests based on near neighbors | |
Almatar | Traffic congestion patterns in the urban road network:(Dammam metropolitan area) | |
Tang et al. | A mixed path size logit-based taxi customer-search model considering spatio-temporal factors in route choice | |
CN102968901A (zh) | 获取区域拥堵信息的方法及区域拥堵分析装置 | |
CN112927513B (zh) | 一种实时在线交通仿真方法及*** | |
Sun et al. | Research on traffic congestion characteristics of city business circles based on TPI data: The case of Qingdao, China | |
CN114428828A (zh) | 基于行驶轨迹挖掘新增道路方法、装置及电子设备 | |
Xie et al. | A spatiotemporal apriori approach to capture dynamic associations of regional traffic congestion | |
CN110021161B (zh) | 一种交通流向的预测方法及*** | |
CN113868492A (zh) | 一种基于电警、卡口数据的可视化od分析方法及应用 | |
Saracoglu et al. | Estimation of traffic incident duration: a comparative study of decision tree models | |
Yu et al. | A hybrid prediction approach for road tunnel traffic based on spatial-temporary data fusion | |
Dias et al. | From data to action: Exploring AI and IoT-driven solutions for smarter cities | |
Jiang et al. | Artificial intelligence-enabled smart city construction | |
Zhang et al. | Finding paths with least expected time in stochastic time-varying networks considering uncertainty of prediction information | |
Golze et al. | Impact analysis of accidents on the traffic flow based on massive floating car data | |
Lei et al. | Research on multi-objective bus route planning model based on taxi GPS data | |
Wang et al. | Time-space relationship analysis model on the bus driving characteristics of different drivers based on the traffic performance index system | |
Moreira-Matias et al. | An online learning framework for predicting the taxi stand's profitability | |
CN114596702A (zh) | 一种交通状态预测模型构建方法及交通状态预测方法 | |
Neumann | A cost-effective method for the detection of queue lengths at traffic lights | |
Bitar | Big Data analytics in transportation networks using the NPMRDS | |
Aemmer et al. | Generalization strategies for improving bus travel time prediction across networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20170411 Address after: 830000 the Xinjiang Uygur Autonomous Region Urumqi City, Kanas economic and Technological Development Zone No. 455 Hubei road Xinjiang Powerise Software Park building block A room 6007 Patentee after: Xinjiang City Branch intelligent Polytron Technologies Inc Address before: 200063 Wuning Road, Putuo District, No. 505, building 53, building 7, building Patentee before: Shanghai SEARI Intelligent System Co., Ltd. |