CN103824126A - 交通拥堵情况分析*** - Google Patents

Abstract

本发明公开了一种交通拥堵情况分析***，包括：数据采集模块，其用于实时采集并存储交通信息数据；第一分析模块，其获取数据采集模块实时采集的交通信息数据，并根据数据是否缺失来选择相应的评价指标，基于实时交通信息数据计算实时评价值，将该实时评价值与对应的评价阈值比对，以实时分析交通拥堵情况；第二分析模块，其从数据采集模块中获取设定时间段内所存储的全部交通信息数据，建立全部交通信息数据的高斯混合分布模型，求解其各个子高斯分布模型的相关参数的估计值，并根据估计值对各个子高斯分布对应的交通流拥堵状态进行分析。本发明针对实时与非实时获取的交通数据信息分别进行分析，分析变量少且成本低，具有更好的实用性。

Description

交通拥堵情况分析***

技术领域

本发明涉及交通状态预测领域，尤其涉及一种交通拥堵情况分析***。

背景技术

随着经济的高速发展，我国车辆的数目极度膨胀，在道路面积没有相应扩大的条件下，交通堵塞严重已成为所有城市管理的最大问题之一，城市交通堵塞日益成为阻碍城市发展的重要因素。

目前，常用的交通拥堵评价方法可分为两大类：微观评价方法和宏观评价方法。其中，宏观评价方法包括：模糊综合法、层次分析法、聚类分析法、主成分分析法等；微观评价方法包括：直接方法和间接方法。直接方法是根据某个标准对应相应的参数划分多层次，并设定每个层次的阈值，然后通过观测该参数的值哪个层次区域，判断交通拥堵状况。间接方法是通过历史数据拟合出速度、密度与流量的关系函数，然后，通过观测到的流量数据判断交通拥堵状况。

但是，微观评价方法多侧重于交通流的短期判断、预测、控制和诱导等,仅为交通拥堵提供了微观交通流状态研究的理论基础，而该研究方法大都集中于交通基本图及三相位的相关理论,研究的视角不够全面。对于宏观评价方法来说，其研究侧重于对交通拥堵的程度、强度、持续时间、时间和空间范围等方面的研究,是一种整体的、非实时的宏观评价，但是，该类研究存在评价模型选取的评价变量种类多、数量大、成本高等问题，且由于各评价变量内部存在着较高的相关性，建立的模型很难完全消除这些问题的负面影响，难以保障应用的有效性和实用性。

发明内容

本发明所要解决的技术问题之一是需要提供一种交通拥堵情况分析***，其可对实时与非实时的数据进行拥堵分析。

为了解决上述技术问题，本发明提供了一种交通拥堵情况分析***，包括：数据采集模块，其用于实时采集并存储交通信息数据；第一分析模块，其获取所述数据采集模块实时采集的交通信息数据，并根据实时采集的交通信息数据是否缺失来选择相应的评价指标，基于实时交通信息数据计算实时评价值，将该实时评价值与对应于所选择的评价指标的评价阈值比对，以实时分析交通拥堵情况；第二分析模块，其从所述数据采集模块中获取设定时间段内所存储的全部交通信息数据，建立全部交通信息数据的高斯混合分布模型，求解所述高斯混合分布模型的各个子高斯分布模型的相关参数的估计值，并根据所述估计值对各个子高斯分布对应的交通流拥堵状态进行分析。

在一个实施例中，所述第一分析模块进一步包括：缺失分析单元，其用于在所获取的实时交通信息数据缺失时，计算车流量的平均速率，并将所述平均速率作为数据缺失时评价交通拥堵情况的唯一实时评价值。

在一个实施例中，所述第一分析模块还包括：完整分析单元，其用于在所获取的实时交通信息数据完整时，基于运行状态分类评价法计算所选择的第一评价指标、第二评价指标以及第三评价指标对应的评价阈值。

在一个实施例中，所述完整分析单元进一步建立指标评价集X＝(x₁,x₂,x₃)^T，其中x₁代表第一评价指标，x₂代表第二评价指标，x₃代表第三评价指标；对所述第一评价指标、第二评价指标以及第三评价指标进行逆指标化处理，并通过如下表达式对逆指标化后的评价指标进行归一化处理：

$x^{*}=\frac{x^{\′}-\min \left(x^{\′}\right)}{\max \left(x^{\′}\right)-\min \left(x^{\′}\right)},(x=x_1,x_2,x_3)$

其中，x^*为归一化处理后的评价指标，x'为逆指标化处理后的评价指标。

在一个实施例中，所述完整分析单元还通过以下表达式确定所述评价阈值：

${\left(r^{*}\right)}^2=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{\left(x_i^{*}\right)}^2$

${\left(r^{**}\right)}^2=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{\left(x_i^{**}\right)}^2$

${\left(r^{***}\right)}^2=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{\left(x_i^{***}\right)}^2$

${\left(r^{****}\right)}^2=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{\left(x_i^{****}\right)}^2$

其中，r^*、r^**、r^***以及r^****分别表示不同的评价阈值的等级，

表示为归一化处理后对应r^*等级的第i评价指标，

表示为归一化处理后对应r^**等级的第i评价指标，

表示为归一化处理后对应r^***等级的第i评价指标,

表示为归一化处理后对应r^****等级的第i评价指标。

在一个实施例中，所述完整分析单元进一步通过以下表达式计算所述实时评价值y_t：

$y_t=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\left(x_{\mathrm{ti}}\right)}^2$

其中，x_ti表示任意时刻t所采集的对应于第i评价指标的实时数据经过归一化处理后得到的数据，m表示评价指标总数。

在一个实施例中，所述第二分析模块基于最大期望算法求解各个子高斯分布模型的相关参数的估计值。

在一个实施例中，所述第二分析模块进一步设置各个子高斯分布模型的初始参数值，所述初始参数值包括权重α_j、期望μ_j、方差σ_j(j＝1,2...k)，其中k为子高斯分布模型的个数；通过如下表示式计算第j个子高斯分布模型的待估算的权重α'_j、期望μ'_j、方差σ'_j：

${\mathrm{\α}}_j^{\′}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}P\left(j\right|v_i)$

${\mathrm{\μ}}_j^{\′}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}P\left(j\right|v_i)v_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}P\left(j\right|v_i)}=\frac{1}{n{\mathrm{\α}}_j}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}P\left(j\right|v_i)v_i$

${\mathrm{\σ}}_j^{\′}={\left[\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}P\left(j\right|v_i){(v_i-{\mathrm{\μ}}_j)}^2}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}P\left(j\right|v_i)}\right]}^{\frac{1}{2}}$

其中，v_i为n个观测值中的第i个观测值，P(j|v_i)为v_i处的第j个子高斯分布模型中的概率。

在一个实施例中，所述第二分析模块根据以下判断条件获取子高斯分布模型中的相关参数的估计值：如果同时满足|α_j-α'_j|≤ε_α、|μ_j-μ'_j|≤ε_μ以及|σ_j-σ'_j|≤ε_σ，则α'_j、μ'_j、σ'_j为子高斯分布模型的最终的相关参数的估计值，否则令α_j＝α'_j、μ_j＝μ'_j、σ_j＝σ'_j，重新计算α'_j、μ'_j、σ'_j的数值，其中，ε_α、ε_μ和ε_σ分别为α_j、μ_j以及δ_j的估值界限。

在一个实施例中，所述第一评价指标、第二评价指标以及第三评价指标分别为车辆行程速度、车辆延误时间以及道路饱和度。

与现有技术相比，本发明的一个或多个实施例可以具有如下优点：

本发明的交通拥堵情况分析***针对实时与非实时获取的交通数据信息分别进行分析，并且考虑到了实时获取的交通数据信息中会存在缺失信息的情况，获得的分析结果更加全面，采用高斯混合分布模型的方法对非实时数据进行拥堵分析，能较好地分析评价一段时间内的拥堵的情况，且本发明的分析变量少，成本低，具有更好的实用性。

本发明的其它特征和优点将在随后的说明书中阐述，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：

图1是根据本发明一实施例的交通拥堵情况分析***的框图；

图2是根据本发明一示例的城市道路路段交通拥堵分析示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，以下结合附图对本发明作进一步地详细说明。

图1是根据本发明一实施例的交通拥堵情况分析***的框图，下面结合图1对本实施例进行详细说明。

从图1中可以看出，交通拥堵情况分析***100包括第一分析模块10、第二分析模块20以及数据采集模块30。

其中，数据采集模块30用于实时采集并存储交通信息数据。第一分析模块10获取数据采集模块30中实时采集的交通信息数据，根据所获取的交通信息数据是否缺失来选择相应的评价指标，基于实时交通信息数据计算实时评价值，将该实时评价值与对应于所选择的评价指标的评价阈值比对，以实时分析交通拥堵情况。

进一步地，第一分析模块10包括缺失分析单元11以及完整分析单元12。详细地说，在所获取的实时交通信息数据缺失时，缺失分析单元11计算车流量的平均速率，该平均速率为数据缺失时分析交通拥堵情况的唯一实时评价值。具体地，设平均速率的等级评价阈值分别为v₁、v₂、v₃、v₄(v₁＜v₂＜v₃＜v₄),实时采集到的车流量的平均速率设为v,于是有：

1)当v＜v₁时,实时分析交通情况为严重拥堵;

2)当v₁≤v＜v₂时,实时分析交通情况为中度拥堵;

3)当v₂≤v＜v₃时,实时分析交通情况为轻度拥堵;

4)当v₃≤v＜v₄时,实时分析交通情况为畅通;

5)当v₄≤v时,实时分析交通情况为非常畅通;

在实际应用中，v₁、v₂、v₃、v₄(v₁＜v₂＜v₃＜v₄)需要根据实际情况进行选择。通常，设道路的最高平均速率为v_max,取v₁=15%v_max、v₂=35%v_max、v₃=65%v_max、v₄=85%v_max。

对于完整分析单元12来说，其所处理的实时交通信息数据非常完整（如果实时交通数据信息只存在少量缺失，可采用插值法补充完整），其还基于运行状态分类评价法计算所选择的第一评价指标、第二评价指标以及第三评价指标对应的评价阈值。在一个示例中，第一评价指标为车辆行程速度x₁，第二评价指标为车辆延误时间x₂，第三评价指标为道路饱和度x₃。

下面详细介绍完整分析单元12如何实时分析交通拥堵情况。

首先，建立评价指标集X＝(x₁,x₂,x₃)^T。

然后，由于车辆行程速度x₁、车辆延误时间x₂和道路饱和度x₃这三个指标在数据处理中绩效特性不一，因此对上述三个指标进行逆指标化处理。例如，车辆行程速度x₁是正指标，指标数值的大小与绩效高低一致，即速度越大，道路越不拥堵；而车辆延误时间x₂是逆指标，指标的大小与绩效的高低相反，延误越大，道路越拥堵。但是，由于拥堵分析基于逆指标来进行交通情况的评价，因此，指标越小，则表明道路越通畅。所以在进行综合分析评价前，必须对指标进行逆指标处理。将正指标x₁采用倒数形式转换成逆指标，逆指标x₂、x₃则保持不变。

通过如下公式对上述三个指标进行逆指标化处理：

$\left\{\begin{array}{c}{x}_1^{\′}=1/x_1\\ x_2^{\′}=x_2\\ x_3^{\′}=x_3\end{array}\right.$

逆指标处理后的指标集X'＝(x'₁,x'₂,x'₃)^T。

另外，因为不同的评价指标包含不同的刚量，其数值大小的差异也很大，所以进行简单的加权和平均没有任何意义。因此，完整分析单元12按照如下数据标准化模型将评价指标进行归一化处理，消除各个指标的纲量。

$x^{*}=\frac{x^{\′}-\min \left(x^{\′}\right)}{\max \left(x^{\′}\right)-\min \left(x^{\′}\right)},(x=x_1,x_2,x_3)$

其中，x^*为归一化处理后的评价指标，x'为逆指标化处理后的评价指标。

之后，完整分析单元12计算设定的评价阈值。由于道路拥堵评价等级为五个等级，所以引入四个向量X^*、X^**、X^***、X^****，这四个向量分别表示各等级对应的评价指标集。其中X^*＝(x₁ ^*,x₂ ^*,x₃ ^*)^T、X^**＝(x₁ ^**,x₂ ^**,x₃ ^**)^T、X^***＝(x₁ ^***,x₂ ^***,x₃ ^***)^T、X^****＝(x₁ ^****,x₂ ^****,x₃ ^****)^T。通过如下式计算评价阈值：

${\left(r^{*}\right)}^2=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{\left(x_i^{*}\right)}^2$

${\left(r^{**}\right)}^2=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{\left(x_i^{**}\right)}^2$

${\left(r^{***}\right)}^2=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{\left(x_i^{***}\right)}^2$

${\left(r^{****}\right)}^2=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{\left(x_i^{****}\right)}^2$

得到各等级的综合评价阈值r^*，r^**，r^***，r^****，

表示为归一化处理后对应r^*等级的第i评价指标，

表示为归一化处理后对应r^**等级的第i评价指标，

表示为归一化处理后对应r^***等级的第i评价指标,表示为归一化处理后对应r^****等级的第i评价指标。由这4个阈值就可以将城市道路路段交通情况分析结果分成五级，即优、良、一般、较差和差。其中，优、良表示畅通状态，一般表示畅通但不稳定状态，较差表示一般的拥挤状态，差表示严重拥堵状态。

图2是根据本发明一示例的城市道路路段交通拥堵分析示意图。从图2中可以清晰地看出评价阈值与交通拥堵状态的对应关系。图2给出的是只有两个评价指标量(x₁,x₂)的情况，x₁与x₂的位置可以变换。其中，0≤x₁≤1,0≤x₂≤1，F表示评价区域的边界。

为了避免因为不同指标量之间的量级差别导致评价结果的偏差，选用按照加权值为1的方式对各指标量进行运算。根据指标量的物理意义，合理转换指标量，使得综合得到的指标量具有一定的物理意义，体现了指标量的一致性原则。由指标量之间的联系与实际结果的分析可知采用指标量的平方和作为综合指标量的运算是符合实际情况的一种简单可行的方式，这也体现了圆半径方法的简洁性。

下面通过一个示例具体说明上述完整分析单元12的处理过程。

结合相关统计资料，得到四个向量X^*、X^**、X^***、X^****的评价指标的原始值，如表1所示。

表1评价指标的原始值

将评价指标的原始值经过逆指标化处理后得到逆指标化后的阈值，如表2所示。

表2逆指标化后的阈值

根据表3中的归一化极值表，将表2的逆指标化后的阈值再进行指标归一化处理后得到车辆行程速度x₁、车辆延误时间x₂、道路饱和度x₃这三个指标的评价阈值，如表4所示。

表3各项指标的归一化极值

表4各项指标评价阈值

基于表4中的数据计算出各个等级的综合评价阈值，如表5所示。

表5综合评价阈值

最后，完整分析单元12对路段交通状况进行实时评价分析。将任意时刻t的路段车辆行程速度x₁、车辆延误时间x₂、道路饱和度x₃这三个指标进行归一化得到归一化的向量X_t＝(x_t1,x_t2,x_t3)^T，按照以下表达式计算实时评价指标：

$y_t=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\left(x_{\mathrm{ti}}\right)}^2$

其中，x_ti表示任意时刻t所采集对应于第i评价指标的实时数据经过归一化处理后得到的数据，m表示评价指标总数。

详细地说，根据如下规则评价分析路段交通拥堵情况：

（1）当y_t≤(r^*)²时,则路段运行状态为优，此时路段处于通畅状态；

（2）当(r^*)²＜y_t≤(r^**)²时，则路段运行状态为良，此时路段处于通畅状态；

（3）当(r^**)²＜y_t≤(r^***)²时，则路段运行状态为一般，此时路段处于通畅但不稳定状态；

（4）当(r^***)²＜y_t≤(r^****)²时，则路段运行状态为较差，此时路段为一般的拥挤状态；

（5）当(r^****)²＜y_t时，则路段运行状态为差，此时路段为严重拥堵状态。

对于第二分析模块20而言，其首先从数据采集模块30中获取设定时间段内所存储的全部交通信息数据，建立全部交通信息数据的高斯混合分布模型。

在特定交通流状态下，速度的分布基本符合高斯分布或者近似高斯分布。道路上的实际交通流是由不同状态的交通流组合而成。对于某一个特定路段而言，设定时间段内（比如：全天）交通流的速度分布实际上是多个相互独立的不同交通流状态下的速度分布的组合。由此可知，特定路段全天的速度变量分布是符合混合高斯分布，可以用混合高斯法分析路段全天的拥堵状况。

设某路段交通流速度观测样本数为n，其观测值为v＝{v₁,v₂,...,v_n}，v由混合分布P产生，该分布由k个独立的单一高斯分布G(v,θ_j)构成，k为核密度函数估算法对目标交通流速度观测值进行回归拟合后得到混合模型中子高斯分布的数量，j(j＝1,2...k)为相互独立的子高斯分布的编号。高斯混合分布的密度函数为：

$P(v,\mathrm{\Θ})=\underset{j=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\α}}_{j}G(v,{\mathrm{\θ}}_j)$

式中：P(v,Θ)是多个子高斯分布函数的有限组合，即高斯混合分布的密度函数或高斯混合模型；v＝{v₁,v₂,...,v_n}为随机变量；Θ＝(θ₁,θ₂,...,θ_k)是各个混合成分的参数集合，α_j为混合分布中子高斯分布的权重，α_j≥0且

G(v,θ_j)为子高斯分布的密度函数；θ_j是子高斯分布的参数（包括期望和方差）。由于有θ_j＝(μ_j,σ_j)，即子高斯分布的密度函数可以表示为：

$G(v,{\mathrm{\θ}}_j)=G(v,{\mathrm{\μ}}_j,{\mathrm{\σ}}_j)=\frac{1}{\sqrt{2\mathrm{\π}\left|{\mathrm{\σ}}_j\right|}}\exp [-\frac{1}{2}{(v-{\mathrm{\μ}}_j)}^2/{\mathrm{\σ}}_j^2]$

式中，μ_j为子高斯分布的均值；σ_j为子高斯分布的标准差。

进一步地，第二分析模块20基于最大期望算法求解高斯混合分布模型的各个子高斯分布模型的相关参数的估计值。其中，先确定子高斯分布的数量k以及各个子高斯待估计参数的初始值，待估计参数包括权重α_j、期望μ_j、方差σ_j(j＝1,2...k)；

将子高斯分布模型的待估算参数的初始值以及相应的观测值代入子高斯分布的密度函数的表达式，计算观测值在第j个子高斯分布中的概率（即v_i处的第j个子分布的概率密度），得到的结果如下面表达式所示：

$P\left(j\right|v_i)=\frac{{\mathrm{\α}}_{j}G(v_i,{\mathrm{\θ}}_j)}{P(v,\mathrm{\Θ})}.$

之后，第二分析模块20将计算得到的概率密度P(j|v_i)以及观测值代入下面的表达式中，重新计算第j个子分布的待估算参数权重α'_j、期望μ'_j、方差σ'_j：

${\mathrm{\α}}_j^{\′}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}P\left(j\right|v_i)$

${\mathrm{\μ}}_j^{\′}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}P\left(j\right|v_i)v_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}P\left(j\right|v_i)}=\frac{1}{n{\mathrm{\α}}_j}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}P\left(j\right|v_i)v_i$

${\mathrm{\σ}}_j^{\′}={\left[\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}P\left(j\right|v_i){(v_i-{\mathrm{\μ}}_j)}^2}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}P\left(j\right|v_i)}\right]}^{\frac{1}{2}}$

其中，v_i为n个观测值中的第i个观测值，P(j|v_i)为v_i处的第j个子高斯分布模型中的概率

最后，第二分析模块20根据如下判断条件获取子高斯分布模型中的相关参数的估计值。具体来说，如果同时满足|α_j-α'_j|≤ε_α、|μ_j-μ'_j|≤ε_μ、|σ_j-σ'_j|≤ε_σ，则α'_j、μ'_j、σ'_j为子高斯分布模型的最终的相关参数的估计值，否则令α_j＝α'_j、μ_j＝μ'_j、σ_j＝σ'_j，第二分析模块20重新计算α'_j、μ'_j、σ'_j的数值，其中，ε_α、ε_μ和ε_σ分别为α_j、μ_j以及δ_j的估值界限。

利用所确定的待估算参数的数值可对道路交通拥堵状况进行分析。比如：各子高斯分布的权重α_j可以反映该类交通流状态运行的持续程度，越大代表持续越久；各子高斯分布的期望μ_j反映的是道路的交通流的状态，期望越大则道路越通畅，期望越小则道路越拥堵；各子高斯分布的方差σ_j可以反映该类交通流状态运行的稳定程度，即其受到扰动的程度。

综上所述，本实施例的交通拥堵情况分析***针对实时与非实时获取的交通数据信息分别进行分析评价，并且考虑到了实时获取的交通数据信息中会存在缺失信息的情况，获得的分析结果更加全面，采用高斯混合分布模型的方法对非实时数据进行拥堵分析，能较好地分析一段时间内的拥堵的情况，且分析变量少，成本低，具有更好的实用性。

以上所述，仅为本发明的具体实施案例，本发明的保护范围并不局限于此，任何熟悉本技术的技术人员在本发明所述的技术规范内，对本发明的修改或替换，都应在本发明的保护范围之内。

Claims (10)

1.一种交通拥堵情况分析***，包括：

数据采集模块，其用于实时采集并存储交通信息数据；

第一分析模块，其获取所述数据采集模块实时采集的交通信息数据，并根据实时采集的交通信息数据是否缺失来选择相应的评价指标，基于实时交通信息数据计算实时评价值，将该实时评价值与对应于所选择的评价指标的评价阈值比对，以实时分析交通拥堵情况；

第二分析模块，其从所述数据采集模块中获取设定时间段内所存储的全部交通信息数据，建立全部交通信息数据的高斯混合分布模型，求解所述高斯混合分布模型的各个子高斯分布模型的相关参数的估计值，并根据所述估计值对各个子高斯分布对应的交通流拥堵状态进行分析。

2.根据权利要求1所述的交通拥堵情况分析***，其特征在于，所述第一分析模块进一步包括：

缺失分析单元，其用于在所获取的实时交通信息数据缺失时，计算车流量的平均速率，并将所述平均速率作为数据缺失时评价交通拥堵情况的唯一实时评价值。

3.根据权利要求2所述的交通拥堵情况分析***，其特征在于，所述第一分析模块还包括：

完整分析单元，其用于在所获取的实时交通信息数据完整时，基于运行状态分类评价法计算所选择的第一评价指标、第二评价指标以及第三评价指标对应的评价阈值。

4.根据权利要求3所述的交通拥堵情况分析***，其特征在于，所述完整分析单元进一步，

建立指标评价集X＝(x₁,x₂,x₃)^T，其中x₁代表第一评价指标，x₂代表第二评价指标，x₃代表第三评价指标；

对所述第一评价指标、第二评价指标以及第三评价指标进行逆指标化处理，并通过如下表达式对逆指标化后的评价指标进行归一化处理：

$x^{*}=\frac{x^{\′}-\min \left(x^{\′}\right)}{\max \left(x^{\′}\right)-\min \left(x^{\′}\right)},(x=x_1,x_2,x_3)$

其中，x^*为归一化处理后的评价指标，x'为逆指标化处理后的评价指标。

5.根据权利要求4所述的交通拥堵情况分析***，其特征在于，所述完整分析单元还通过以下表达式确定所述评价阈值：

${\left(r^{*}\right)}^2=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{\left(x_i^{*}\right)}^2$

${\left(r^{**}\right)}^2=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{\left(x_i^{**}\right)}^2$

${\left(r^{***}\right)}^2=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{\left(x_i^{***}\right)}^2$

${\left(r^{****}\right)}^2=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{\left(x_i^{****}\right)}^2$

其中，r^*、r^**、r^***以及r^****分别表示不同的评价阈值的等级，表示为归一化处理后对应r^*等级的第i评价指标，

表示为归一化处理后对应r^**等级的第i评价指标，

表示为归一化处理后对应r^***等级的第i评价指标,表示为归一化处理后对应r^****等级的第i评价指标。

6.根据权利要求5所述的交通拥堵情况分析***，其特征在于，所述完整分析单元进一步通过以下表达式计算所述实时评价值y_t：

$y_t=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\left(x_{\mathrm{ti}}\right)}^2$

其中，x_ti表示任意时刻t所采集的对应于第i评价指标的实时数据经过归一化处理后得到的数据，m表示评价指标总数。

7.根据权利要求1所述的交通拥堵情况分析***，其特征在于，所述第二分析模块基于最大期望算法求解各个子高斯分布模型的相关参数的估计值。

8.根据权利要求7所述的交通拥堵情况分析***，其特征在于，所述第二分析模块进一步，

设置各个子高斯分布模型的初始参数值，所述初始参数值包括权重α_j、期望μ_j、方差σ_j(j＝1,2...k)，其中k为子高斯分布模型的个数；

通过如下表示式计算第j个子高斯分布模型的待估算的权重α'_j、期望μ'_j、方差σ'_j：

${\mathrm{\α}}_j^{\′}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}P\left(j\right|v_i)$

${\mathrm{\μ}}_j^{\′}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}P\left(j\right|v_i)v_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}P\left(j\right|v_i)}=\frac{1}{n{\mathrm{\α}}_j}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}P\left(j\right|v_i)v_i$

${\mathrm{\σ}}_j^{\′}={\left[\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}P\left(j\right|v_i){(v_i-{\mathrm{\μ}}_j)}^2}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}P\left(j\right|v_i)}\right]}^{\frac{1}{2}}$

其中，v_i为n个观测值中的第i个观测值，P(j|v_i)为v_i处的第j个子高斯分布模型中的概率。

9.根据权利要求7所述的交通拥堵情况分析***，其特征在于，所述第二分析模块根据以下判断条件获取子高斯分布模型中的相关参数的估计值：

如果同时满足|α_j-α'_j|≤ε_α、|μ_j-μ'_j|≤ε_μ以及|σ_j-σ'_j|≤ε_σ，则α'_j、μ'_j、σ'_j为子高斯分布模型的最终的相关参数的估计值，否则令α_j＝α'_j、μ_j＝μ'_j、σ_j＝σ'_j，重新计算α'_j、μ'_j、σ'_j的数值，其中，ε_α、ε_μ和ε_σ分别为α_j、μ_j以及δ_j的估值界限。

10.根据权利要求3或4所述的交通拥堵情况分析***，其特征在于，所述第一评价指标、第二评价指标以及第三评价指标分别为车辆行程速度、车辆延误时间以及道路饱和度。

Images