CN108682153B - 一种基于rfid电子车牌数据的城市道路交通拥堵状态判别方法 - Google Patents

Abstract

本发明公开了一种基于RFID电子车牌数据的城市道路交通拥堵状态判别方法，包括如下步骤：1)通过RFID电子车牌数据获取交通流评价参数，包括标准车当量数和平均速度；2)将步骤1)获得的标准车当量数和平均速度作为聚类操作的两个维度，进行聚类操作，获得最佳聚类数目和聚类结果；3)将聚类中心按照纵坐标投影点的取值由大到小排序，对于纵坐标投影点的取值相同的聚类中心点，将其向横坐标进行投影并按照横坐标投影点的取值由小到大进行排序，排序后的投影点所对应的聚类中心点即代表了交通拥堵状态从畅通到拥堵的连续变化趋势。本发明利用标准车当量数代替交通量作为GEFCM聚类算法的维度，可以更好的反映交通拥堵状态，并且相对于传统的模糊C均值算法，运用GEFCM会避免因样本类容量的不同对最终聚类结果的影响，提高聚类的准确性；并解决了聚类中心和具体交通拥堵状态之间匹配的问题。

Description

一种基于RFID电子车牌数据的城市道路交通拥堵状态判别 方法

技术领域

本发明涉及交通数据处理技术领域，具体涉及一种基于RFID电子车牌数据的城市道路交通拥堵状态判别方法。

背景技术

RFID技术即射频识别(Radio Frequency Identification)技术，其工作原理通过利用无线射频方式进行非接触式双向通信的识别技术，以实现自我识别的功能。RFID技术具有高保密性、读写距离远、可识别如汽车等高速运动的物体、非接触式双向通信等优点，并且能在恶劣的环境下工作。通过将RFID技术与通信技术、互联网技术等相结合，目前大范围应用于物联网、智能交通和商品的防伪等领域。

随着社会经济的发展，我国的机动车保有量不断上升，加之人们出行越加频繁，这势必会对道路交通带来一定的压力，从而造成交通拥堵的情况，所以对于交通的合理控制和诱导是缓解交通拥堵的关键所在，其中，交通拥堵状态的获取是交通控制和诱导的基础，因此准确判别交通拥堵状态在交通领域显得至关重要。

目前城市道路交通拥堵状态判别主要以自动判别技术为主，随着交通领域的技术理论不断发展和完善，诸如模糊理论、神经网络、跨学科理论等技术被越来越多的运用在交通拥堵判别的研究当中。交通拥堵状态判别以交通流评价参数的合理选取为基础，基于不同类型的样本数据，交通流评价参数选取的种类、难易程度及准确率都会有差异。本发明基于RFID电子车牌数据，由于RFID技术在交通领域的优势体现在车辆识别技术快、车辆识别不受天气条件影响、车辆识别信息全面等方面，所以RFID电子车牌数据相对于其他交通流数据更适合作为交通拥堵判别的基础数据。现有的交通拥堵状态判别技术往往是基于各种交通流参数的定量分析，但不同道路的交通拥堵状态会有很大差异，即使在同一时间点也会不一样，因此需要有一种更加普适的方法来判别交通拥堵状态。

发明内容

有鉴于此，本发明提供一种更普适的基于RFID电子车牌数据的交通拥堵状态判别方法。

本发明的目的是通过以下技术方案来实现的：一种基于RFID数据的城市路段行程时间预测方法，包括以下步骤：

1)通过RFID电子车牌数据获取交通流评价参数，包括标准车当量数和平均速度；

2)将步骤1)获得的标准车当量数和平均速度作为聚类操作的两个维度，进行聚类操作，获得最佳聚类数目和聚类结果；

3)以平均速度作为纵坐标，标准车当量数作为横坐标，将聚类中心按照纵坐标投影点的取值由大到小排序，对于纵坐标投影点的取值相同的聚类中心点，将其向横坐标进行投影并按照横坐标投影点的取值由小到大进行排序，排序后的投影点所对应的聚类中心点即代表了交通拥堵状态从畅通到拥堵的连续变化趋势，然后按照最左状态连续匹配原则匹配聚类中心的交通拥堵状态。

进一步，所述步骤1)具体包括如下步骤：

11)由RFID采集点采集RFID电子车牌数据，获得一个时间段内所有车辆的交通量和大型车辆的交通量，根据以下公式计算该时间段内的标准车当量数：

pcu＝n+n₂；

其中，pcu表示标准车当量数，n表示所有车型的交通量，n₂表示大型车辆的交通量；

12)通过下式获计算车辆的平均速度：

公式中v表示平均速度，单位是km/h，L表示路段两个采集点之间的距离，单位是米，t_i1和t_i2分别表示第i辆车通过第一个RFID采集点和第二个RFID采集点的时间，单位是秒，n表示该时间段内所有车型的交通量。

进一步，所述步骤2)的聚类算法具体包括如下步骤：

21)令聚类中心数目c为2；

22)初始化隶属度矩阵u_ij，初始化时u_ij的值是[0,1]范围内的随机数值；

23)根据隶属度矩阵计算每一个聚类中心c_i在每一个维度的数值：

公式中m为模糊加权系数，n表示样本数据的数据量，u_ij为第j个样本属于第i个聚类中心的隶属度，u_ik为第k个样本属于第i个聚类中心的隶属度，x_j表示第j个样本数据；

24)根据聚类中心c_i计算隶属度矩阵u_ij：

公式中m为模糊加权系数，c为聚类中心数目，c_i表示第i个聚类中心，c_k表示第k个聚类中心，x_j表示第j个样本数据，u_ij为第j个样本属于第i个聚类中心的隶属度，u_is为第s个样本属于第i个聚类中心的隶属度，u_rs为第s个样本属于第r个聚类中心的隶属度，u_rj为第j个样本属于第r个聚类中心的隶属度。；

25)若目标函数值大于ε则返回第iii步，否则进行第vi步；

26)此时在聚类中心数目c下的聚类操作已经完成，令c＝c+1，若c≤2ln n，计算在当前聚类中心数目下聚类结果的邻接矩阵表达形式，该邻接矩阵含义如下：第i行第j列的元素若为1，则表明第i个样本数据和第j个样本数据属于同一类别，在邻接矩阵计算完成之后返回第ii步；若c>2ln n，则进行第vii步；

27)此时在所有聚类中心数目下的聚类操作都已完成，统计在每一种聚类中心数目下聚类操作的第vi步中的邻接矩阵，将所有邻接矩阵相加，得到总的邻接矩阵O_J；利用TreeMap来统计聚类中心数目及相应的迭代次数，令TreeMap的键是聚类中心数目，值是迭代次数；将O_J中不为0的值减1，统计当前O_J中连通子图的数目num，判断TreeMap中是否已有为num的键，若没有，将num加入TreeMap中，相应的值为1；若TreeMap中已存在num的键，则将该键的值加1，直到O_J中所有元素都为0为止；

28)选取TreeMap中值最大的键作为聚类中心数目，并以该聚类中心数目的聚类结果作为样本数据的聚类结果；若存在值相同的键，则用聚类效果评价指标来判断，分别计算以这些值相同的键为聚类中心数目的情况下的聚类效果评价指标值，选取聚类效果评价指标更小的值下的聚类中心数目作为选定的聚类中心数，聚类效果评价指标的计算公式为：

公式中c为聚类中心数目，m为模糊加权系数，n表示样本数据数据量，u_ij为第j个样本属于第i个聚类中心的隶属度，c_i表示第i个聚类中心，c_k表示第k个聚类中心，x_j表示第j个样本数据。

进一步，步骤3)具体包括如下步骤：

31)将聚类中心点绘制在分别以标准车当量数和平均速度为横纵坐标的坐标轴上；

32)将聚类中心按照纵坐标投影点的取值由大到小排序；

33)若存在相同的纵坐标投影值，对于纵坐标投影值相同的聚类中心点，将其向横坐标进行投影并按照横坐标投影值由小到大进行排序，排序后的投影点所对应的聚类中心点即代表了交通拥堵状态从畅通到拥堵的连续变化趋势；

34)按照最左状态连续匹配原则来识别聚类中心的交通拥堵状态；最左状态连续匹配原则是指：已排序的c个聚类中心总是从左到右、逐一匹配前c个交通拥堵状态TC；交通拥堵状态TC划分成非常畅通、畅通、缓行、轻度拥堵、拥堵、严重拥堵6种，分别对应<TC₁,TC₂,…,TC₆>；

35)由聚类中心的交通拥堵状态，则可得所有聚类中心周围所有样本点的交通拥堵状态。

由于采用了上述技术方案，本发明具有如下的优点：

①利用标准车当量数代替交通量作为GEFCM聚类算法的维度，可以更好的反映交通拥堵状态，并且相对于传统的模糊C均值算法，运用GEFCM会避免因样本类容量的不同对最终聚类结果的影响，提高聚类的准确性。

②提出了“聚类中心投影点排序”规则和“最左状态连续匹配”的原则解决了聚类中心和具体交通拥堵状态之间匹配的问题。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述：

图1为本发明的流程图；

图2为聚类中心投影至纵坐标的投影点的示意图；

图3为纵坐标投影值相同的聚类中心点的示意图；

图4为交通拥堵状态的连续变化过程示例。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。

参见图1，本发明提供一种基于RFID电子车牌数据的城市道路交通拥堵状态判别方法，包括以下步骤：

1)计算交通流评价参数，这里的评价参数指的是在时间段内的路段标准车当量数和平均速度。在交通流评价参数计算之前以时间阈值T划分时间段，本发明选取的T为10分钟，我们可以将每一天的样本数据分为144等份，即时间段划分为[00:00,00:10)，[00:10,00:20)，[00:20,00:30)，…，[23:50,00:00)。，其中标准车当量数指的是将行驶在城市道路上的各种机动车和非机动车的交通量数目按照一定的车型换算系数转换成一种标准车型的交通量数目。下面是计算交通流评价参数的过程：

i)在计算标准车当量数之前，先计算得出交通量。交通量是行驶在道路上所有类型车辆的数目，在统计交通量的时候可能会出现路段中的两个RFID采集点数据不匹配的情况，这可能和RFID采集点设备部署的位置相关，由于两个RFID采集点间距离过长并且二者之间有其他路段的出现使得车辆的行驶的情况分为以下3种：

①车辆同时经过了采集点1和采集点2。

②车辆经过了采集点1，但并没有经过采集点2。

③车辆没有经过采集点1，但是经过了采集点2。

鉴于上述三种情况，在每一个时间段内选择统计的交通量较大的采集点数据作为该时间段内的交通量，大型车交通量计算同理。由原始的RFID电子车牌数据得到计算交通量的输入元组为：

＜rfid₁,passtime₁,rfid₂,passtime₂,carType＞；

其中rfid₁是通过的第一个RFID采集点，rfid₂是通过的第二个RFID采集点，passtime₁是通过第一个RFID采集点的时间，passtime₂是通过第一个RFID采集点的时间，carType是车辆的车型，一条元组可以描述一辆车的通行情况。

根据输入元组，求出每个时间段内的所有车辆的交通量和大型车辆的交通量，并根据下面公式计算每一个时间段内的标准车当量数：

pcu＝n+n₂；

公式中n表示所有车型的交通量，n₂表示大型车辆的交通量。

最后得到输出的元组如下：

＜T_i,pcu_i＞；

其中T_i表示第i个时间段，pcu_i表示在第i个时间段内的标准车当量数。

ii)平均速度的计算只需要获取车辆在某个时间段内通过两个采集点的具体时间，由原始的RFID电子车牌数据得到计算平均速度的输入元组为：

＜rfid₁,passtime₁,rfid₂,passtime₂,L＞；

其中rfid₁是通过的第一个RFID采集点，rfid₂是通过的第二个RFID采集点，passtime₁是通过第一个RFID采集点的时间，passtime₂是通过第二个RFID采集点的时间，L是两个RFID采集点之间的距离。

之后根据如下公式来计算某个时间段内所有车辆的平均速度：

公式中v表示平均速度(单位是km/h)，L表示路段两个采集点之间的距离(单位是米)，t_i1和t_i2分别表示第i辆车通过第一个RFID采集点和第二个RFID采集点的时间(单位是秒)，n表示该时间段内的交通量(注意不是标准车当量数)。这里需要注意的是，公式中的3.6是为了将单位从m/s转换成km/h。

最后得到输出的元组如下：

＜T_i,v_i＞

其中T_i表示第i个时间段，v_i表示在第i个时间段内所有车辆的平均速度

2)令步骤1得到的标准车当量数和平均速度作为聚类操作的两个维度，下面进行聚类操作。令聚类中心数目在[2,2 ln n]范围内进行迭代，其中n为样本数据量。每次聚类以目标函数的结果为标准：

公式中U为隶属度矩阵，C为聚类中心集合，m为模糊加权系数，n表示样本数据数据量，c为聚类中心数目，u_ij为第j个样本属于第i个聚类中心的隶属度，u_is为第s个样本属于第i个聚类中心的隶属度，x_j表示第j个样本数据，c_i表示第i个聚类中心，||x_j-c_i||表示第j个样本点到第i个聚类中心的欧氏距离。

规定ε为10-⁶，当隶属度矩阵的值小于ε时，则结束该次聚类过程。

聚类过程是隶属度矩阵和聚类中心的不断迭代计算的过程，隶属度矩阵计算公式：

公式中m为模糊加权系数，c为聚类中心数目，c_i表示第i个聚类中心，c_k表示第k个聚类中心，x_j表示第j个样本数据，u_ij为第j个样本属于第i个聚类中心的隶属度，u_is为第s个样本属于第i个聚类中心的隶属度，u_rs为第s个样本属于第r个聚类中心的隶属度，u_rj为第j个样本属于第r个聚类中心的隶属度。

聚类中心的计算公式：

公式中m为模糊加权系数，n表示样本数据数据量，u_ij为第j个样本属于第i个聚类中心的隶属度，u_ik为第k个样本属于第i个聚类中心的隶属度，x_j表示第j个样本数据。

具体聚类操作过程为：

i)令聚类中心数目c为2。

ii)初始化隶属度矩阵u_ij，初始化时u_ij的值是[0,1]范围内的随机数值。

iii)根据隶属度矩阵计算每一个聚类中心c_i在每一个维度的数值。

iv)根据聚类中心c_i计算隶属度矩阵u_ij。

v)若目标函数值大于ε则返回第iii步，否则进行第vi步。

vi)此时在聚类中心数目c下的聚类操作已经完成，令c＝c+1，若c≤2ln n，计算在当前聚类中心数目下聚类结果的邻接矩阵表达形式，该邻接矩阵含义如下：第i行第j列的元素若为1，则表明第i个样本数据和第j个样本数据属于同一类别，在邻接矩阵计算完成之后返回第ii步。若c>2ln n，则进行第vii步。

vii)此时在所有聚类中心数目下的聚类操作都已完成，统计在每一种聚类中心数目下聚类操作的第vi步中的邻接矩阵，将所有邻接矩阵相加，得到总的邻接矩阵O_J。利用TreeMap来统计聚类中心数目及相应的迭代次数，令TreeMap的键是聚类中心数目，值是迭代次数。将O_J中不为0的值减1，统计当前O_J中连通子图的数目num，判断TreeMap中是否已有为num的键，若没有，将num加入TreeMap中，相应的值为1；若TreeMap中已存在num的键，则将该键的值加1，直到O_J中所有元素都为0为止。

viii)选取TreeMap中值最大的键作为聚类中心数目，并以该聚类中心数目的聚类结果作为样本数据的聚类结果。若存在值相同的键，则用聚类效果评价指标来判断，分别计算以这些值相同的键为聚类中心数目的情况下的聚类效果评价指标值，选取聚类效果评价指标更小的值下的聚类中心数目作为选定的聚类中心数，聚类效果评价指标的计算公式为：

公式中c为聚类中心数目，m为模糊加权系数，n表示样本数据数据量，u_ij为第j个样本属于第i个聚类中心的隶属度，c_i表示第i个聚类中心，c_k表示第k个聚类中心，x_j表示第j个样本数据。

3)将总的交通拥堵状态TC划分成非常畅通、畅通、缓行、轻度拥堵、拥堵、严重拥堵6种，分别对应<TC₁,TC₂,…,TC₆>，所有道路出现的交通拥堵状态应该是TC中的子集；以平均速度作为纵坐标，标准车当量数作为横坐标，将聚类中心按照纵坐标投影点的取值由大到小排序，对于纵坐标投影点的取值相同的聚类中心点，将其向横坐标进行投影并按照横坐标投影点的取值由小到大进行排序，排序后的投影点所对应的聚类中心点即代表了交通拥堵状态从畅通到拥堵的连续变化趋势，然后按照最左状态连续匹配原则匹配聚类中心的交通拥堵状态，具体包括如下步骤：

31)将聚类中心点绘制在分别以标准车当量数和平均速度为横纵坐标的坐标轴上；

32)将聚类中心按照纵坐标投影点的取值由大到小排序；

33)若存在相同的纵坐标投影值(如图3所示)，对于纵坐标投影值相同的聚类中心点，将其向横坐标进行投影并按照横坐标投影值由小到大进行排序，排序后的投影点所对应的聚类中心点即代表了交通拥堵状态从畅通到拥堵的连续变化趋势。

34)按照“最左状态连续匹配”原则来识别聚类中心的交通拥堵状态；

“最左状态连续匹配”原则：已排序的c个聚类中心总是从左到右、逐一匹配前c个交通拥堵状态TC。

35)由聚类中心的交通拥堵状态，则可得所有聚类中心周围所有样本点的交通拥堵状态。

图4近似给出了交通拥堵状态的连续变化过程的示例，其中TC₁和TC₆分别为总的交通拥堵状态的下界和上界，令任意时间点的交通拥堵状态为TC_i，之后交通拥堵状态不论是朝着i增大(拥堵方向)还是i减小(畅通方向)的方向变化，都会呈现出一种连续的特征，而不会出现多级跳跃变化的情况，即每一种交通拥堵状态只可能朝着和它相邻的交通拥堵状态变化。

在得到已排序的聚类中心之后，按照“最左状态连续匹配”原则，将聚类中心所代表的交通拥堵状态和交通拥堵状态标签TC从左到右逐一对应。由此可以得到聚类中心及属于该聚类中心所有样本点的交通拥堵状态。

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，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的保护范围当中。

Claims (3)

1.一种基于RFID电子车牌数据的城市道路交通拥堵状态判别方法，其特征在于，该方法包括以下步骤：

1)通过RFID电子车牌数据获取交通流评价参数，包括标准车当量数和平均速度；

2)将步骤1)获得的标准车当量数和平均速度作为聚类操作的两个维度，进行聚类操作，获得最佳聚类数目和聚类结果，具体包括如下步骤：

21)令聚类中心数目c为2；

22)初始化隶属度矩阵u_ij，初始化时u_ij的值是[0,1]范围内的随机数值；

23)根据隶属度矩阵计算每一个聚类中心c_i在每一个维度的数值：

公式中m为模糊加权系数，n表示样本数据的数据量，u_ij为第j个样本属于第i个聚类中心的隶属度，u_ik为第k个样本属于第i个聚类中心的隶属度，x_j表示第j个样本数据；

24)根据聚类中心c_i计算隶属度矩阵u_ij：

公式中m为模糊加权系数，c为聚类中心数目，c_i表示第i个聚类中心，c_k表示第k个聚类中心，x_j表示第j个样本数据，u_ij为第j个样本属于第i个聚类中心的隶属度，u_is为第s个样本属于第i个聚类中心的隶属度，u_rs为第s个样本属于第r个聚类中心的隶属度，u_rj为第j个样本属于第r个聚类中心的隶属度；

25)若目标函数值大于ε则返回第23)步，否则进行第26)步；

26)此时在聚类中心数目c下的聚类操作已经完成，令c＝c+1，若c≤2ln n，计算在当前聚类中心数目下聚类结果的邻接矩阵表达形式，该邻接矩阵含义如下：第i行第j列的元素若为1，则表明第i个样本数据和第j个样本数据属于同一类别，在邻接矩阵计算完成之后返回第22)步；若c>2ln n，则进行第27)步；

27)此时在所有聚类中心数目下的聚类操作都已完成，统计在每一种聚类中心数目下聚类操作的第26)步中的邻接矩阵，将所有邻接矩阵相加，得到总的邻接矩阵O_J；利用TreeMap来统计聚类中心数目及相应的迭代次数，令TreeMap的键是聚类中心数目，值是迭代次数；将O_J中不为0的值减1，统计当前O_J中连通子图的数目num，判断TreeMap中是否已有为num的键，若没有，将num加入TreeMap中，相应的值为1；若TreeMap中已存在num的键，则将该键的值加1，直到O_J中所有元素都为0为止；

28)选取TreeMap中值最大的键作为聚类中心数目，并以该聚类中心数目的聚类结果作为样本数据的聚类结果；若存在值相同的键，则用聚类效果评价指标来判断，分别计算以这些值相同的键为聚类中心数目的情况下的聚类效果评价指标值，选取聚类效果评价指标更小的值下的聚类中心数目作为选定的聚类中心数，聚类效果评价指标的计算公式为：

公式中c为聚类中心数目，m为模糊加权系数，n表示样本数据数据量，u_ij为第j个样本属于第i个聚类中心的隶属度，c_i表示第i个聚类中心，c_k表示第k个聚类中心，x_j表示第j个样本数据；

3)以平均速度作为纵坐标，标准车当量数作为横坐标，将聚类中心按照纵坐标投影点的取值由大到小排序，对于纵坐标投影点的取值相同的聚类中心点，将其向横坐标进行投影并按照横坐标投影点的取值由小到大进行排序，排序后的投影点所对应的聚类中心点即代表了交通拥堵状态从畅通到拥堵的连续变化趋势，然后按照最左状态连续匹配原则匹配聚类中心的交通拥堵状态。

2.根据权利要求1所述的一种基于RFID电子车牌数据的城市道路交通拥堵状态判别方法，其特征在于，所述步骤1)具体包括如下步骤：

11)由RFID采集点采集RFID电子车牌数据，获得一个时间段内所有车辆的交通量和大型车辆的交通量，根据以下公式计算该时间段内的标准车当量数：

pcu＝n+n₂；

其中，pcu表示标准车当量数，n表示所有车型的交通量，n₂表示大型车辆的交通量；

12)通过下式获计算车辆的平均速度：

公式中v表示平均速度，单位是km/h，L表示路段两个采集点之间的距离，单位是米，t_i1和t_i2分别表示第i辆车通过第一个RFID采集点和第二个RFID采集点的时间，单位是秒，n表示该时间段内所有车型的交通量。

3.根据权利要求1或2所述的一种基于RFID电子车牌数据的城市道路交通拥堵状态判别方法，其特征在于，步骤3)具体包括如下步骤：

31)将聚类中心点绘制在分别以标准车当量数和平均速度为横纵坐标的坐标轴上；

32)将聚类中心按照纵坐标投影点的取值由大到小排序；

33)若存在相同的纵坐标投影值，对于纵坐标投影值相同的聚类中心点，将其向横坐标进行投影并按照横坐标投影值由小到大进行排序，排序后的投影点所对应的聚类中心点即代表了交通拥堵状态从畅通到拥堵的连续变化趋势；

34)按照最左状态连续匹配原则来识别聚类中心的交通拥堵状态；最左状态连续匹配原则是指：已排序的c个聚类中心总是从左到右、逐一匹配前c个交通拥堵状态TC；交通拥堵状态TC划分成非常畅通、畅通、缓行、轻度拥堵、拥堵、严重拥堵6种，分别对应<TC₁,TC₂,…,TC₆>；

35)由聚类中心的交通拥堵状态，则可得所有聚类中心周围所有样本点的交通拥堵状态。

Images