CN104809877B - 基于特征参数加权gefcm算法的高速公路地点交通状态估计方法 - Google Patents
基于特征参数加权gefcm算法的高速公路地点交通状态估计方法 Download PDFInfo
- Publication number
- CN104809877B CN104809877B CN201510244357.9A CN201510244357A CN104809877B CN 104809877 B CN104809877 B CN 104809877B CN 201510244357 A CN201510244357 A CN 201510244357A CN 104809877 B CN104809877 B CN 104809877B
- Authority
- CN
- China
- Prior art keywords
- mrow
- data
- msubsup
- msub
- munderover
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 30
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000009499 grossing Methods 0.000 claims description 12
- 230000008030 elimination Effects 0.000 claims description 11
- 238000003379 elimination reaction Methods 0.000 claims description 11
- 238000007621 cluster analysis Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000014509 gene expression Effects 0.000 claims 2
- 238000000513 principal component analysis Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 3
- 238000012850 discrimination method Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000004642 transportation engineering Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于道路交通控制***技术领域，公开了一种基于特征参数加权GEFCM算法的高速公路地点交通状态估计方法，包括以下步骤：1)获取高速公路微波车检器采集得到的车流量、平均车速和平均占有率这三种特征参数的历史数据，构成样本矩阵；2)对步骤1)获取的数据进行预处理，所述预处理包括错误数据的识别与剔除、数据的修复、数据滤波处理；3)确定三种特征参数在聚类分析时的权重；4)对历史数据进行聚类分析；5)当获取到当前断面的交通流参数时，实时估计交通状态。本发明在考虑聚类时历史交通数据样本中存在的不均衡性的同时，考虑到不同交通流参数对于聚类的影响的差异性，从而使得提出的特征参数加权GEFCM聚类模型具有更好的聚类效果，进而在对交通状态的估计时也有更好的效果和可靠性。
Description
技术领域
本发明属于道路交通控制***技术领域，具体的为一种高速公路地点交通状态估计方法。
背景技术
随着高速公路在我国交通运输中占的重要性越来越大，伴随着出现的交通拥堵、交通事故、环境污染等问题也越来越严重。无论是交通管理者还是出行者对交通的信息化管理需求都在逐渐增加，因此，如何利用现有的检测设备，尽可能有效准确地实现高速公路交通状态的估计，实时准确的把握当前道路的交通状况是高效管理与服务的前提，具有重要的理论研究和实际应用意义。
高速公路上安装了各种用于交通数据采集的设备，如固定检测器、视频检测器、浮动车等。但是，由于覆盖面、成本等各种各样的原因，使得目前在对于高速公路交通状态估计的研究中使用较多的是固定型检测器的数据，基于固定检测器数据的地点交通状态估计方法也是多种多样的：
(1)交通运输***工程与信息(第5卷第1期，2005年2月)公开了一种基于模糊聚类的快速路交通流状况分类方法，其利用模糊聚类的方法对交通流状况的分类进行了研究，实验结果表明：用模糊聚类进行交通流状况分类是一种可行的方法，不同的交通流参数对于分类的影响不同，在速度很高、速度很低或者占有率很大的情况下可直接判断交通流状况，其他情况下需要根据交通流三个变量来综合判断；
(2)Transportation science(第41卷第2期，2007年5月)公开了一种基于扩展卡尔曼滤波的高速公路交通状态估计方法，其以安装在高速公路特定路段上的检测器检测的数据为输入，通过设计的随机宏观交通流模型，并借助于扩展卡尔曼滤波的方法实现对道路交通状态的判别，实验结果表明该方法能在一定程度上反映实际道路上交通状态的变化；
(3)交通运输工程与信息学报(第5卷第3期，2007年9月)公开了一种基于遗传动态模糊聚类的道路交通状态判定方法，其通过遗传算法不断优化交通流参数间的模糊相似性与样本间的欧氏距离的映射，实现了动态的模糊聚类，实验结果表明该方法的有效性与可行性；
(4)公路工程(第33卷第2期，2008年4月)公开了一种基于模糊的城市快速路交通流状态判别方法，其根据交通状态的模糊特征，结合基于知识的模糊***，提出了用于交通状态划分的模糊集和模糊规则，并将交通状态划分为五种类别，该方法可以动态的显示路网的交通拥挤范围,为实施交通信息发布以及后期交通瓶颈的判别和改善提供依据；
(5)***工程(第28卷第8期，2010年8月)公开了一种基于FCM-粗糙集的城市快速路交通状态判别方法，其针对城市快速路的交通状态的特性，重点研究了对快速路的常发性拥挤的判别，实验结果表明模型在一定条件下可行，能够有效处理海量多源传感器数据，具有较高的判别率和较低的误判率。
纵观以上各种基于固定检测器数据的方法，大多采用速度、流量、占有率三参数进行聚类分析，进而对交通状态进行判断。聚类分析主要是对历史样本数据的分析，使得相同类别属性下的数据之间的相关性大，不同类别之间的数据相关性小，但是通过对历史样本的分析可以发现，样本的空间分布存在着不均衡性，即不同状态类别的样本容量存在差异，而传统的FCM在聚类时对样本数量敏感，这样在对这类数据进行聚类时会产生误判。此外，还可以发现不同的交通流参数对于聚类时的影响不一样，因此，在采用聚类分析估计交通状态时需要考虑不同类别样本数量的差异性和不同交通流参数的差异性，这样才能更为科学、合理的估计交通状态。
发明内容
有鉴于此，本发明的目的在于提供一种基于特征参数加权GEFCM算法的高速公路地点交通状态估计方法，能够考虑到历史样本中数据分布不均衡性和不同特征参数权重的差异性特点，通过调整聚类的目标函数，进而优化聚类模型，从而达到交通状态估计的目的，提高状态估计的可靠性。
为达到上述目的，本发明提供如下技术方案：
基于特征参数加权GEFCM算法的高速公路地点交通状态估计方法，包括以下步骤：
1)获取高速公路微波车检器采集得到的车流量、平均车速和平均占有率这三种特征参数的历史数据，构成样本矩阵；
2)对步骤1)获取的数据进行预处理，所述预处理包括错误数据的识别与剔除、数据的修复、数据滤波处理；
3)确定三种特征参数在聚类分析时的权重；
4)对历史数据进行聚类分析；
5)当获取到当前断面的交通流参数时，实时估计交通状态。
进一步，所述步骤2)中，具体采用如下方法进行错误数据的识别与剔除：
在一个数据更新周期内，设定总车流量数据的阀值范围为[0,Qmax]，平均车速的阀值范围为[0,Vmax]；若采集到的总车流量数据或平均车速的数据不在对应的阀值范围内时，则表明采集的数据不可靠，并将其剔除；若采集到的总车流量数据和平均车数的数据均落在对应的阀值范围内时，则表明采集的数据可靠，保留采集的数据；其中，Qmax、Vmax分别表示在一个数据更新周期内的流量最大值和速度最大值；
根据交通流理论建立错误数据判断规则，即剔除规则；然后，判断采集的数据序列是否满足剔除规则；当满足剔除规则时，将对应的数据需剔除；当不满足剔除规则时，保留对应的数据。
进一步，所述步骤2)中，通过下式对数据进行修复：
其中，为t时段的数据修复值；x(t-1)为(t-1)时段的实际检测值；x′(t)为同一时刻前n天的采集数据的历史均值；α为遗忘因子，α∈[0,1]；
进一步，通过下式对数据进行滤波处理：
St＝αXt+(1-α)St-1
式中，St为t时段得到的一次指数平滑值；St-1为t-1时段得到的一次指数平滑值；Xt为t时段得到的观测值；α∈[0,1]为平滑系数。
进一步，所述步骤3)具体包括如下步骤：
31)将通过步骤2)预处理的车流量、平均车速和平均占有率这三种特征参数构成的样本矩阵X进行Z-score标准化，得到标准化之后的矩阵Z；
32)对Z-score标准化后的矩阵Z进行相关系数计算，得到相关系数矩阵R；
33)对相关系数矩阵R构造其特征方程|R-λI|＝0，得到p个特征根和特征向量，以及bt和ct，t＝1,2,…,p；
其中，bt为第t个主成分的方差贡献率，ct为前t个主成分的累计方差贡献率；
34)计算得到车流量、平均车速和平均占有率这三种特征参数的权重系数ωo＝{ωo1,ωo2,…,ωot}。
进一步，所述步骤4)中，通过如下方法对历史数据进行聚类分析：
反复迭代计算下面三式子，直至满足算法停止条件，最终确定代表不同交通状态类的聚类中心；
其中，xj为第j个样本点，xjk第j个样本点的第k个特征参数；U＝(uik)c×n为隶属度矩阵，用uij表示第j个样本属于第i类的隶属度，0≤uij≤1，m∈[1,+∞)表示模糊加权指数，表征隶属度矩阵的模糊程度；ci＝(ci1,ci2,…cip)(i＝1,2,…,c)表示不同类别的聚类中心；项表现了第i类的容量属性；ω＝{ω1,ω2,…,ωt},ωk∈[0,1]，为与输入的参数序列相对应的一个特征参数权重，表示第k个特征参数在聚类中的重要性；t为特征参数的个数；n为样本点数量。
进一步，所述步骤5)中，通过下式的计算，比较实时数据样本与各状态类的聚类中心的距离，基于最短距离的原则确定交通状态；
其中，表示第i个聚类中心ci与第j个样本点xj之间的距离；ω＝{ω1,ω2,…,ωt},ωk∈[0,1]，为与输入的参数序列相对应的一个特征参数权重，表示第k个特征参数在聚类中的重要性；t为特征参数的个数，对于本文交通状态估计而言为3。
基于最短距离的原则确定当前交通流参数对应的交通状态为：对于样本点xj，根据上式分别计算与三类交通状态中心的距离，得到与畅通、缓行、拥堵三类状态中心的距离分别为比较三者距离的大小，最小的距离对应的状态类别则为当前的交通状态估计值。
本发明相对于现有技术具有如下优点：基于特征参数加权GEFCM算法的高速公路地点交通状态估计方法，算法简单，效率高，从交通数据样本分布不均衡性和不同交通流参数对聚类的影响不同的角度出发，提出了特征参数加权GEFCM算法，弱化了各类样本容量差异对聚类判别的影响，同时采用主成分分析法确定了不同特征参数的权重。本发明在考虑聚类时历史交通数据样本中存在的不均衡性的同时，考虑到不同交通流参数对于聚类的影响的差异性，从而使得提出的特征参数加权GEFCM聚类模型具有更好的聚类效果，进而在对交通状态的估计时也有更好的效果和可靠性。
附图说明
图1示出了基于特征参数加权GEFCM算法的高速公路地点交通状态估计方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将对本发明的具体实施方式作进一步的详细描述。
参见图1，本实施例的基于特征参数加权GEFCM算法的高速公路地点交通状态估计方法，包括以下步骤：
1)获取高速公路微波车检器采集得到的车流量(q1～qn)、平均车速和平均占有率(o1～on)这三种特征参数的历史数据，构成样本矩阵
对于聚类分析，需要历史数据具有一定的丰富度，本实施例的数据序列的样本量n选取当前时刻前一周的数据。
2)实际采集的数据存在着一系列的质量问题，包括数据的缺失、无效、重复、冗余、错误等，对步骤1)获取的历史数据进行预处理，剔除错误数据并进行数据序列的修复，得到处理后的样本矩阵X；
具体的，具体采用阈值理论与交通流理论识别和剔除不符合交通实际情况的错误数据：
读取步骤1)获得的历史数据；在一个数据更新周期内，设定总车流量数据的阀值范围为[0,Qmax]，平均车速的阀值范围为[0,Vmax]；若采集到的总车流量数据或平均车速的数据不在对应的阀值范围内时，则表明该组数据不可靠，并将其剔除；若采集到的总车流量数据和平均车数的数据均落在对应的阀值范围内时，则表明该组数据可靠，保留该组数据；其中，Qmax、Vmax分别表示在一个数据更新周期内的流量最大值和速度最大值，本实施例Qmax取值为300辆，Vmax取值为150km/h。
根据交通流理论建立错误数据判断规则，即剔除规则；然后，判断采集的数据序列是否满足剔除规则；当满足剔除规则时，将对应的数据需剔除；当不满足剔除规则时，保留对应的数据；本实施例交通流理论错误数据判断规则如表1所示。
表1：基于交通流理论的错误数据判别规则
本发明采用当前路段的实测数据与历史数据的加权方式得出的值来对故障数据进行修复，该方法既考虑了当期路段前一时段的实际数据，又考虑了历史数据中相同时间的数据的趋势，具体如下式所示：
其中，为t时段的数据修复值；x(t-1)为(t-1)时段的实际检测值；x′(t)为同一时刻前n天的采集数据的历史均值；α为遗忘因子，α∈[0,1]，α取值的大小决定对于历史的数据依赖程度。
本发明采用指数平滑法对数据进行滤波处理，通过消除数据的极大值和极小值，得到数据序列的平滑值，是一种通过修匀历史数据来区别基本数据模式和随机变动的方法，一次指数平滑法的数学模型如下式：
St＝αXt+(1-α)St-1
式中，St为t时段得到的一次指数平滑值；St-1为t-1时段得到的一次指数平滑值；Xt为t时段得到的观测值；α∈[0,1]为平滑系数。
3)针对不同的交通流参数对于聚类的影响不同的特点，本实施例采用主成分分析法对获取的交通流参数的矩阵进行主特征提取，确定三种特征参数在聚类分析时的权重；具体包括如下步骤：
31)将通过步骤2)预处理的车流量、平均车速和平均占有率这三种特征参数构成的样本矩阵X进行Z-score标准化，得到标准化之后的矩阵Z；
由于不同的交通流参数其取值的范围不同，所以在进行分析前，需要将其转换到相同的维度下，即对样本数据进行标准化。
取n个交通流参数样本序列X＝(X1,X2,...,Xn)T，每个样本由p个向量组成，即Xi＝(xi1,xi2,...,xip),i＝1,2,...,n，构造成矩阵对样本进行Z-score标准化变换：
其中，表示的是样本数据序列的均值，表示的是样本数据序列的方差。
32)对Z-score标准化后的矩阵Z进行相关系数计算，得到相关系数矩阵R：
33)对相关系数矩阵R构造其特征方程|R-λI|＝0，得到p个特征根λ1,λ2,…,λp和特征向量e1,e2,…,ep，从而得到bt,ct，t＝1,2,…,p：
则bt为第t个主成分的方差贡献率，ct为前t个主成分的累计方差贡献率，通常在特征选取问题中当ct≥0.85时，就可以用前t个主成分来表示整个指标，本文中通过分析可得t＝2。
并得到每个主成分对于原来指标的成分矩阵：
其中，i,k＝1,2,…,p为载荷数表示每个主成分对于原来指标的重要程度。
34)用成分矩阵中的载荷数除以主成分相对应的特征根开平方便得到两个主成分中每个指标所对应的系数，得到的两个主成分如下：
其中，F1、F2表示两个主成分；X1、X2、X3表示的为不同的指标，本文中为速度、流量、占有率；α1～α3、β1～β3表示的为各个指标所对应的系数。
用第一主成分F1中每个指标所对应的系数α1～α3，乘上第一主成分F2所对应的贡献率b1，再除以所提取两个主成分的两个贡献率之和c2，然后加上第二主成分F2中每个指标所对应的系数β1～β3，乘上第二主成分F2所对应的贡献率b2，再除以所提取两个主成分的两个贡献率之和c2，即可得到综合得分模型：
Y＝ω1X1+ω2X2+ω3X3；
其中，指标X1～X3所对应的系数ω1～ω3表示为每个指标的权重。
对于综合系数进行归一化，即得到车流量、平均车速和平均占有率这三种特征参数的权重系数ωo＝{ωo1,ωo2,ωo3}。
4)对历史数据根据改进的特征参数加权GEFCM算法对历史交通数据进行聚类分析，确定代表不同交通状态类的聚类中心，具体的聚类分析步骤如下：
41)初始化模型的参数类别个数c＝3，模糊指数选择m＝2，阈值ε＝1e-6，最大迭代次数Lmax＝200，在满足下式的前提下采用[0,1]之间的随机数初始化隶属度矩阵U：
42)根据下式计算c＝3个类的聚类中心ci,i＝1,2,3；
43)根据如下公式计算目标函数的值：
如果满足：
||J(b+1)-J(b)||<ε或者l≥Lmax；
则算法停止，得到聚类中心ci，否则转44)；
44)根据下式计算更新后的隶属度矩阵U：
然后返回步骤42)；
步骤41-44)中，xj为第j个样本点，xjk为第j个样本点的第k个特征参数；U＝(uik)c×n为隶属度矩阵，用uij表示第j个样本属于第i类的隶属度，0≤uij≤1，m∈[1,+∞)表示模糊加权指数；ci＝(ci1,ci2,…cip)(i＝1,2,…,c)表示不同类别的聚类中心；项表现了第i类的容量属性；ω＝{ω1,ω2,…,ωt},ωk∈[0,1]，为与输入的参数序列相对应的特征参数权重；t为特征参数的个数；n为样本点数量。
5)当获取到当前断面的交通流参数时，根据下面公式，计算得到属于不同聚类中心的距离，按照最短距离原则，判断所述的交通状态类别。
其中，表示第i个聚类中心ci与第j个样本点xj之间的距离；ω＝{ω1,ω2,…,ωt},ωk∈[0,1]，为与输入的参数序列相对应的一个特征参数权重，表示第k个特征参数在聚类中的重要性；t为特征参数的个数，对于本文交通状态估计而言为3。
基于最短距离的原则确定当前交通流参数对应的交通状态为：对于样本点xj，根据上式分别计算与三类交通状态中心的距离，得到与畅通、缓行、拥堵三类状态中心的距离分别为比较三者距离的大小，最小的距离对应的状态类别则为当前的交通状态估计值。
6)下一次当前断面的交通流参数数据更新时，执行步骤5)。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.基于特征参数加权GEFCM算法的高速公路地点交通状态估计方法，其特征在于：包括以下步骤：
1)获取高速公路微波车检器采集得到的车流量、平均车速和平均占有率这三种特征参数的历史数据，构成样本矩阵；
2)对步骤1)获取的数据进行预处理，所述预处理包括错误数据的识别与剔除、数据的修复、数据滤波处理；
3)确定三种特征参数在聚类分析时的权重；具体包括如下步骤：
31)将通过步骤2)预处理的车流量、平均车速和平均占有率这三种特征参数构成的样本矩阵X进行Z-score标准化，得到标准化之后的矩阵Z；
32)对Z-score标准化后的矩阵Z进行相关系数计算，得到相关系数矩阵R；
33)对相关系数矩阵R构造其特征方程|R-λI|＝0，得到p个特征根和特征向量，以及bt和ct，t＝1,2,…,p；
其中，bt为第t个主成分的方差贡献率，ct为前t个主成分的累计方差贡献率；
34)计算得到车流量、平均车速和平均占有率这三种特征参数的权重系数ωo＝{ωo1,ωo2,…,ωot}；
4)通过如下方法对历史数据进行聚类分析：
由步骤3)主成分分析得到不同特征参数的权重ωo＝{ωo1,ωo2,…,ωot}，带入下面式子，并采用下面三式子对历史的交通流参数进行反复迭代计算，直至满足算法停止条件，最终得到代表不同交通状态类的聚类中心ci；
<mrow>
<mi>J</mi>
<mrow>
<mo>(</mo>
<mi>U</mi>
<mo>,</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>c</mi>
<mi>c</mi>
</msub>
<mo>,</mo>
<mi>&omega;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>c</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mfrac>
<msubsup>
<mi>u</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>m</mi>
</msubsup>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>s</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msubsup>
<mi>u</mi>
<mrow>
<mi>i</mi>
<mi>s</mi>
</mrow>
<mi>m</mi>
</msubsup>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>t</mi>
</munderover>
<msubsup>
<mi>&omega;</mi>
<mi>k</mi>
<mn>2</mn>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msubsup>
<mi>u</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>m</mi>
</msubsup>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>s</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msubsup>
<mi>u</mi>
<mrow>
<mi>i</mi>
<mi>s</mi>
</mrow>
<mi>m</mi>
</msubsup>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>u</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>s</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msubsup>
<mi>u</mi>
<mrow>
<mi>i</mi>
<mi>s</mi>
</mrow>
<mi>m</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>s</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msubsup>
<mi>u</mi>
<mrow>
<mi>i</mi>
<mi>s</mi>
</mrow>
<mi>m</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>u</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>m</mi>
</msubsup>
<mo>)</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>t</mi>
</munderover>
<msubsup>
<mi>&omega;</mi>
<mi>k</mi>
<mn>2</mn>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
</mrow>
<mfrac>
<mn>1</mn>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
</msup>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>&gamma;</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>c</mi>
</munderover>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>s</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msubsup>
<mi>u</mi>
<mrow>
<mi>&gamma;</mi>
<mi>s</mi>
</mrow>
<mi>m</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>s</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msubsup>
<mi>u</mi>
<mrow>
<mi>&gamma;</mi>
<mi>s</mi>
</mrow>
<mi>m</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>u</mi>
<mrow>
<mi>&gamma;</mi>
<mi>j</mi>
</mrow>
<mi>m</mi>
</msubsup>
<mo>)</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>t</mi>
</munderover>
<msubsup>
<mi>&omega;</mi>
<mi>k</mi>
<mn>2</mn>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mrow>
<mi>&gamma;</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mfrac>
<mn>1</mn>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
</msup>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
其中，xj为第j个样本点，xjk为第j个样本点的第k个特征参数；U＝(uik)c×n为隶属度矩阵，用uij表示第j个样本属于第i类的隶属度，0≤uij≤1，m∈[1,+∞)表示模糊加权指数；ci＝(ci1,ci2,…cip)，i＝1,2,…,c表示不同类别的聚类中心；项表现了第i类的容量属性；ω＝{ω1,ω2,…,ωt},ωk∈[0,1]，为与输入的参数序列相对应的特征参数权重；t为特征参数的个数；n为样本点数量；
5)当获取到当前断面的交通流参数时，实时估计交通状态；所述步骤5)中，通过下式的计算，得到实时数据样本与各交通状态类的聚类中心的距离；
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>d</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>&omega;</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>=</mo>
<mo>|</mo>
<mo>|</mo>
<mi>&omega;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>t</mi>
</munderover>
<msubsup>
<mi>&omega;</mi>
<mi>k</mi>
<mn>2</mn>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>;</mo>
</mrow>
其中，表示第i个聚类中心ci与第j个样本点xj之间的距离；ω＝{ω1,ω2,…,ωt},ωk∈[0,1]，为与输入的参数序列相对应的特征参数权重；t为特征参数的个数；
对于样本点xj，根据上式分别计算与三类交通状态类的聚类中心的距离，得到与畅通、缓行、拥堵三类状态类的聚类中心的距离分别为比较三者距离的大小，最小的距离对应的状态类别则为当前的交通状态估计值。
2.如权利要求1所述的基于特征参数加权GEFCM算法的高速公路地点交通状态估计方法，其特征在于：所述步骤2)中，具体采用如下方法进行错误数据的识别与剔除：
在一个数据更新周期内，设定总车流量数据的阀值范围为[0,Qmax]，平均车速的阀值范围为[0,Vmax]；若采集到的总车流量数据或平均车速的数据不在对应的阀值范围内时，则表明采集的数据不可靠，并将其剔除；若采集到的总车流量数据和平均车速的数据均落在对应的阀值范围内时，则表明采集的数据可靠，保留采集的数据；其中，Qmax、Vmax分别表示在一个数据更新周期内的流量最大值和速度最大值；
根据交通流理论建立错误数据判断规则，即剔除规则；然后，判断采集的数据序列是否满足剔除规则；当满足剔除规则时，将对应的数据需剔除；当不满足剔除规则时，保留对应的数据。
3.如权利要求2所述的基于特征参数加权GEFCM算法的高速公路地点交通状态估计方法，其特征在于：所述步骤2)中，通过下式对数据进行修复：
<mrow>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&alpha;</mi>
<mo>&CenterDot;</mo>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&alpha;</mi>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
其中，为t时段的数据修复值；x(t-1)为t-1时段的实际检测值；x′(t)为同一时段t前n天的采集数据的历史均值；α为遗忘因子，α∈[0,1]。
4.如权利要求3所述的基于特征参数加权GEFCM算法的高速公路地点交通状态估计方法，其特征在于：通过下式对数据进行滤波处理：
St＝αXt+(1-α)St-1
式中，St为t时段得到的一次指数平滑值；St-1为t-1时段得到的一次指数平滑值；Xt为t时段得到的观测值；α∈[0,1]为平滑系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510244357.9A CN104809877B (zh) | 2015-05-14 | 2015-05-14 | 基于特征参数加权gefcm算法的高速公路地点交通状态估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510244357.9A CN104809877B (zh) | 2015-05-14 | 2015-05-14 | 基于特征参数加权gefcm算法的高速公路地点交通状态估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104809877A CN104809877A (zh) | 2015-07-29 |
| CN104809877B true CN104809877B (zh) | 2017-09-08 |
Family
ID=53694673
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510244357.9A Active CN104809877B (zh) | 2015-05-14 | 2015-05-14 | 基于特征参数加权gefcm算法的高速公路地点交通状态估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104809877B (zh) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106846826A (zh) * | 2015-12-07 | 2017-06-13 | 东华软件股份公司 | 道路路况监测方法及装置 |
| CN106067248B (zh) * | 2016-05-30 | 2018-08-24 | 重庆大学 | 一种考虑速度离散特性的高速公路交通状态估计方法 |
| CN106844908B (zh) * | 2017-01-04 | 2019-09-10 | 东南大学 | 一种基于样本相似度加权的电站设备自适应建模方法 |
| CN107545457B (zh) * | 2017-02-13 | 2020-01-21 | 北京车慧科技有限公司 | 汽车竞品车型确定方法及装置 |
| CN106652460A (zh) * | 2017-03-08 | 2017-05-10 | 吉林大学 | 一种高速公路交通状态判别方法及*** |
| CN108682152B (zh) * | 2018-05-31 | 2021-01-15 | 重庆大学 | 一种基于前车数据的公交车异常数据修复方法 |
| CN108847022B (zh) * | 2018-06-08 | 2021-04-16 | 浙江银江智慧交通集团有限公司 | 一种微波交通数据采集设备的异常值检测方法 |
| CN109141426B (zh) * | 2018-08-10 | 2020-11-10 | 中国空间技术研究院 | 一种水下重力匹配导航适配区的方法 |
| CN109377752A (zh) * | 2018-10-19 | 2019-02-22 | 桂林电子科技大学 | 短时交通流变化预测方法、装置、计算机设备及存储介质 |
| CN109410587B (zh) * | 2018-12-18 | 2021-07-02 | 北京工业大学 | 一种城市快速路的宏观交通流参数估计方法 |
| CN110197584A (zh) * | 2019-04-03 | 2019-09-03 | 中国公路工程咨询集团有限公司 | 基于区域检测器的高速公路交通状态评价方法 |
| CN111862585B (zh) * | 2019-07-23 | 2021-11-02 | 北京嘀嘀无限科技发展有限公司 | 用于交通预测的***和方法 |
| CN111199075B (zh) * | 2019-12-30 | 2023-04-11 | 四川函钛科技有限公司 | 一种基于时序qar参数的飞行轨迹自适应平滑的方法 |
| CN113077623B (zh) * | 2021-03-12 | 2022-02-08 | 南通大学 | 一种分类别测量交通量的统计***及工作方法 |
| CN113548047B (zh) * | 2021-06-08 | 2022-11-11 | 重庆大学 | 一种基于深度学习的个性化车道保持辅助方法及装置 |
| CN114333335A (zh) * | 2022-03-15 | 2022-04-12 | 成都交大大数据科技有限公司 | 基于轨迹数据的车道级交通状态估计方法、装置及*** |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102004002808B4 (de) * | 2003-03-07 | 2015-08-20 | Deutsche Telekom Ag | Verkehrssteuerungssystem |
| US7466841B2 (en) * | 2004-08-16 | 2008-12-16 | Siemens Corporate Research, Inc. | Method for traffic sign detection |
| CN103839409B (zh) * | 2014-02-27 | 2015-09-09 | 南京大学 | 基于多断面视觉传感聚类分析的交通流状态判别方法 |
| CN104318772B (zh) * | 2014-10-31 | 2016-08-24 | 重庆大学 | 高速公路交通流数据质量检测方法 |
| CN104408915B (zh) * | 2014-11-05 | 2017-03-15 | 青岛海信网络科技股份有限公司 | 一种交通状态参数的估计方法和*** |
-
2015
- 2015-05-14 CN CN201510244357.9A patent/CN104809877B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN104809877A (zh) | 2015-07-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104809877B (zh) | 基于特征参数加权gefcm算法的高速公路地点交通状态估计方法 | |
| CN109544932B (zh) | 一种基于出租车gps数据与卡口数据融合的城市路网流量估计方法 | |
| Robinson et al. | Modeling urban link travel time with inductive loop detector data by using the k-NN method | |
| CN101216998B (zh) | 基于模糊粗糙集的证据理论城市交通流信息融合方法 | |
| CN112085947B (zh) | 一种基于深度学习和模糊聚类的交通拥堵预测方法 | |
| CN104778837B (zh) | 一种道路交通运行态势多时间尺度预测方法 | |
| Cheng et al. | A big data based deep learning approach for vehicle speed prediction | |
| CN103020978B (zh) | 结合多阈值分割与模糊聚类的sar图像变化检测方法 | |
| CN109215350B (zh) | 一种基于rfid电子车牌数据的短期交通状态预测方法 | |
| CN111882869B (zh) | 一种考虑不良天气的深度学习交通流预测方法 | |
| CN105022021B (zh) | 一种基于多智能体的关口电能计量装置的状态识别方法 | |
| CN104821082A (zh) | 一种基于综合评价的短时交通流预测方法 | |
| CN105809193B (zh) | 一种基于kmeans算法的非法运营车辆的识别方法 | |
| CN107025468A (zh) | 基于pca‑ga‑svm算法的高速公路拥堵识别方法 | |
| CN111063204B (zh) | 一种基于收费站流量的高速公路车速预测模型训练方法 | |
| CN114299742B (zh) | 一种高速公路的限速信息动态识别与更新推荐方法 | |
| CN109446881B (zh) | 一种基于异构数据的高速公路路段交通状态检测方法 | |
| CN104240030A (zh) | 一种轨道交通路网动态安全风险评价方法 | |
| CN107507421A (zh) | 快速路交通状态判别方法及装置 | |
| CN110197586A (zh) | 一种基于多源数据的高速公路路段拥堵检测方法 | |
| Wang et al. | Vehicle reidentification with self-adaptive time windows for real-time travel time estimation | |
| CN117238126A (zh) | 一种连续流道路场景下的交通事故风险评估方法 | |
| CN116665489A (zh) | 航路网络拥堵区域识别方法 | |
| CN109344903B (zh) | 基于车载感知数据的城市道路路面故障实时检测方法 | |
| CN116798223A (zh) | 基于宏观基本图/fcm聚类的子区划分及状态识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| EXSB | Decision made by sipo to initiate substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20201229 Address after: 402460 station No.14, no.6, 10th floor, innovation and development center, No.19 Lingfang Avenue, Changzhou street, Rongchang District, Chongqing Patentee after: Chongqing kezhiyuan Technology Co.,Ltd. Address before: 400030 No. 174 Sha Jie street, Shapingba District, Chongqing Patentee before: Chongqing University |
|
| TR01 | Transfer of patent right |