CN111145546B - 一种城市全域交通态势分析方法 - Google Patents

一种城市全域交通态势分析方法 Download PDF

Info

Publication number
CN111145546B
CN111145546B CN201911373330.4A CN201911373330A CN111145546B CN 111145546 B CN111145546 B CN 111145546B CN 201911373330 A CN201911373330 A CN 201911373330A CN 111145546 B CN111145546 B CN 111145546B
Authority
CN
China
Prior art keywords
index
level
traffic
time
indexes
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
Application number
CN201911373330.4A
Other languages
English (en)
Other versions
CN111145546A (zh
Inventor
金峻臣
王辉
夏钰
戎丁丁
费亚英
李瑶
庞钰琪
陈乾
郭海锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yinjiang Technology Co.,Ltd.
Original Assignee
Enjoyor Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Enjoyor Co Ltd filed Critical Enjoyor Co Ltd
Priority to CN201911373330.4A priority Critical patent/CN111145546B/zh
Publication of CN111145546A publication Critical patent/CN111145546A/zh
Application granted granted Critical
Publication of CN111145546B publication Critical patent/CN111145546B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种城市全域交通态势分析方法，本发明以交通环境变化为导向，细化指标，从区域交通到路段、路***通构建交通态势指标；逐层向上，进行交通整体态势分析，并利用卷积神经网络，建立了精度较高的算法识别模型，满足大量数据的处理需求。本发明从交通状态动态分析出发，能够全面动态快速识别交通问题、聚焦交通症结，实现交通态势分析。

Description

一种城市全域交通态势分析方法
技术领域
本发明涉及城市交通领域，尤其涉及一种城市全域交通态势分析方法。
背景技术
随着城市化的发展，城市交通拥堵问题突显，严重影响了城市的运转和经济的发展。全面有效的获取道路的实时动态交通信息，对信息处理分析，快速、准确地判定路网中交通流所处状态，有助于及时发现交通拥堵，制定合理有效的交通拥堵疏导策略，能够大大降低拥堵的影响范围，减少拥堵在时间、经济及环境上的危害，也能够避免由局部交通拥堵导致的路网交通瘫痪。
城市交通拥堵的缓解不仅在于道路交通拥堵的识别，也在于对城市交通拥堵状态全面、实时的掌握。对城市交通拥堵状况进行合理的、易于理解的分析，有助于出行者根据实际交通状况选择合理出行路线，也有助于交通管理者了解城市路段、路网交通运行状态，发现经常导致拥堵的瓶颈路段，根据路段对交通拥堵的影响程度确定相应路段拥堵改造的优先次序，以及对改善后道路交通设施的拥堵缓解效果进行分析。由此可见，对交通状态分析方法和交通问题识别的研究具有重要的现实意义和理论研究价值。
从区域整体情况出发，区域性的交通拥堵是由面拥堵组合或者扩散而成的，面拥堵表现为多个路段拥堵相互关联，路段拥堵即为线拥堵；线拥堵则是由于交通流量的激增(如流量高峰期)或者由于局部交通堵塞未得到及时解决，而使得路口拥堵在相互关联的路段上蔓延，形成线状主干道为主的拥堵。构成线拥堵的为点拥堵，发生于独立交叉口，作用于相连的几条路段。
描述交通态势的指标包括但不限于：排队长度、延误指数、交通负荷、停车比例、流量/绿灯时长、相位差/行程时间、可达率等。而一个城市的交通，包括路口、路段、区域等不同空间范围，如何从交通态势指标中快速发现异常情况、及时聚焦交通问题成为一个难题。
发明内容
本发明为克服上述的不足之处，目的在于提供一种城市全域交通态势分析方法，本发明以交通环境变化为导向，细化指标，从区域交通到路段、路***通构建交通态势指标；逐层向上，进行交通整体态势分析，并利用卷积神经网络，建立了精度较高的算法识别模型，满足大量数据的处理需求。本发明从交通状态动态分析出发，能够全面动态快速识别交通问题、聚焦交通症结，实现交通态势分析及问题定位。
本发明是通过以下技术方案达到上述目的：一种城市全域交通态势分析方法，包括如下步骤：
(1)获取区域交通态势的交通参数，计算各级指标；
(1.1)计算三级指标；
(1.2)基于三级指标计算二级指标；
(1.3)基于二级指标构建一级指标；
(2)构建指标异常识别预测模型，进行指标异常识别；
(3)确定区域异常时段及类型，对于异常时段进行进一步的子区分析，寻找该时段的异常子区，对于异常子区再进行其中异常路口及异常协调的判别，对常态异常和非常态异常两种异常进行定位，通过宏观、中观、微观三个层面，逐层向上综合描述交通态势，逐层向下分析交通问题。
作为优选，所述的三级指标包括交通负荷度、停车比例、排队长度、延误指数、流量与绿灯时长比值、可达率、流量与绿灯时长比值、相位差与行程时间比值；具体如下：
(a)交通负荷度：交通负荷度Loadi为路段i实际交通量Vi与路段通行能力Ci的比值，如下式所示：
Loadi＝Vi/Ci
(b)停车比例：停车比例为停车车辆数与车辆总数的比值；通过路段i的平均车辆速度和不停车车辆平均速度计算获得：
Figure BDA0002340274790000021
其中计算方法为：设路段上不停车车辆数为xi辆，停车车辆数为yi辆，则路段的平均车速
Figure BDA0002340274790000022
为路段上所有车辆的速度和与车辆总数(xi+yi)的比值，路段上所有车辆的速度和为
Figure BDA0002340274790000023
现已知路段的平均速度和不停车平均速度，则路段停车比例为
Figure BDA0002340274790000031
(c)排队长度：排队长度指绿灯开始前的最长排队长度；用一个周期内上游路口进入该路段的车流量Vi in与该路段此周期内驶离车流量的Vi out的差值得到最大排队车辆数，排队长度为最大排队车辆数除以车道数量lanei，如下式所示：
Figure BDA0002340274790000032
(d)延误指数：延误指数为自由流速度
Figure BDA0002340274790000033
与平均车速
Figure BDA0002340274790000034
的比值：
Figure BDA0002340274790000035
(e)流量与绿灯时长比值：流量与绿灯时长比值反映流量vi与对应相位绿灯时长gi的匹配情况：
Figure BDA0002340274790000036
(f)可达率：可达率为设计带宽bi与协调相位绿灯时长gi的比值：
Figure BDA0002340274790000037
(g)流量与绿灯时长比值：协调路段流量vi与对应协调相位绿灯时长gi的比值：
Figure BDA0002340274790000038
(h)相位差与行程时间比值：相位差Oi与协调路段行程时间
Figure BDA0002340274790000039
的比值反映协调相位差与行程时间的匹配情况；行程时间的计算方法为协调路段长度与平均速度的比值：
Figure BDA00023402747900000310
作为优选，所述计算各级指标时还包括各级指标时间聚合过程：在时间上采用滑动聚合，即对滑动时间窗范围内的指标进行聚合的操作，取时间窗内原始指标的均值作为当前时刻的指标值：
Figure BDA0002340274790000041
式中，n为时间窗内指标个数，TD为时间粒度，不同级别的指标可采用不同的n，t0为当前时刻。
作为优选，所述的二级指标包括子区路口综合指标、子区边界路口综合指标、子区协调综合指标；其中，子区路口综合指标对应的是子区内全部路口、路段的三级指标：排队长度、延误指数、交通负荷、停车比例、流量与绿灯时长比值；子区边界路口综合指标对应的是子区边界路口、路段的三级指标：排队长度、延误指数、交通负荷、停车比例、流量与绿灯时长比值；子区协调综合指标对应的是子区内协调路段的三级指标：流量与绿灯时长比值、相位差与行程时间比值、可达率。
作为优选，所述基于三级指标计算二级指标的方法包括如下步骤：
(1.2.1)三级指标预处理，包括：取一段时间内的三级指标，计算指标的均值μ，并计算标准差σ；
按正规化方法将指标转化，转化后的指标:
Figure BDA0002340274790000042
进一步处理后的指标为:
M(t0)”＝max[-3,min(M(t0),3)]
按照指标的实际意义将逆指标前的正负号对调；
(1.2.2)三级指标重要度计算：
三级指标：X1、X2、…、Xnum，num为三级指标个数；
计算三级指标之间的相关度
Figure BDA0002340274790000043
其中Xj为第j个三级指标、Xi为第l个三级指标，1≤j≤num,1≤l≤num；
Figure BDA0002340274790000044
其中，Xj＝{xj，1，xj，2，…，xj，t，…，xj，TT}，TT为采样时段除以时间颗粒度得到的个数，xj，t为第j个三级指标第t个时间段的数据，x1，t为第1个三级指标第t个时间段的数据；
(1.2.3)三级指标模糊相关数计算，模糊相关数如下：
Figure BDA0002340274790000051
Figure BDA0002340274790000052
Figure BDA0002340274790000053
Figure BDA0002340274790000054
其中，d为分组个数，
Figure BDA0002340274790000055
为第d组第j个三级指标和第l个三级指标的相关度；
(1.2.4)构造三级指标的模糊矩阵：构造模糊判断矩阵E1＝(euv)num×num；euv为矩阵第u行第v列的元素；记三级指标为C1，C2，…，Cn，n＝num；令交通负荷为C1；
根据步骤(1.2.3)中模糊相关数的计算方法计算，得到ICuC1＝(aCuC1，bCuC1，cCuC1)，ICvC2＝(aCvC1，bCvC1，cCvC1)，据此计算模糊矩阵中元素
Figure BDA0002340274790000056
从而构建模糊矩阵E1＝(euv)num×num；
(1.2.5)计算矩阵第O层指标Cu的综合模糊值
Figure BDA0002340274790000057
Figure BDA0002340274790000058
(1.2.6)去模糊化，计算最终权重：其中计算所得的综合模糊值均为三角模糊数，假设D1(p1，q1，r1)和D2(p2，q2，r2)为三角模糊数，则D2≥D1的可能度计算方式为：
Figure BDA0002340274790000059
一个模糊数大于其他(num-1)个模糊数的可能度，定义为：
V(Du≥D1，D2，...，Dnum)＝minV(Du≥Dn)，n＝1，2，…，num
从而最终权重值
Figure BDA00023402747900000510
(1.2.7)计算得出二级指标：
Figure BDA0002340274790000061
作为优选，所述步骤(2)包括如下步骤：
(2.1)采集历史交通数据作为训练集，标记训练集各时段交通状态：常态异常、非常态异常、无异常；
(2.2)基于神经网络构建指标异常识别预测模型，并进行指标异常识别。
作为优选，所述步骤(2.1)具体为：采集历史交通数据，获得三级指标
Figure BDA0002340274790000062
其中d表示第d日，j表示第j个三级指标，t表示第t个采样时间段的数据，以T为计算FTLE的时间窗，常态异常、非常态异常、无异常具体标记方法如下：
(2.1.1)计算T时间窗对应的FTLE值：
FTLE值是根据被计算数的第一个位置计算得出的从t0-T到t0的最后位置，得出相关的变化轨迹信息；定义x是一个在t0-T到t0内变化的点，即假设交通负荷度指标在t0-T到t0内变化，y是初始x的无限接近点，两个点的收敛散度可以由泰勒级数计算：
Figure BDA0002340274790000063
y＝x+δx(t0-T)
Figure BDA0002340274790000064
由于δx(t0)是无穷小，则轨迹的运动变化由下式计算，其中*表示转置：
Figure BDA0002340274790000065
x和y之间的最大间距T是Δ的特征值λ最大的地方，给时间间隔T定义x的FTLE值，如下式所示：
Figure BDA0002340274790000066
(2.1.2)将全天的数据进行聚类分组：
将D个日的全天数据进行聚类，由最初的3分钟一组开始聚类，每次迭代后，将与距离度量值簇之间最近的集群合并成新集群，达到预定数量集群时停止；时间间隔T定义x的FTLE值，则t0对应的FTLE值为
Figure BDA0002340274790000067
为保持数据的连续性，将[t-T,t]中的5个FTLE记作t时段的数组；则d日的t时段的
Figure BDA0002340274790000068
是一个数组，
Figure BDA0002340274790000069
为列向量
Figure BDA0002340274790000071
如果是D个日的全天数据，则进行聚类的初始数组为：
Figure BDA0002340274790000072
αω为列向量
Figure BDA0002340274790000073
根据实际需求，以集群的方差小于μ为标准，将初始数组按时间序列分成β个集群，每个集群由满足方差小于μ的多个αω构成；
(2.1.3)计算每个数组的平均最大值MM：找到每个集群中每个数组的最大FTLE值，然后计算每个集群的平均最大值MM：即数组
Figure BDA0002340274790000074
的最大值为
Figure BDA0002340274790000075
由λ个αω构成的集群Γβ的平均最大值MM为：
Figure BDA0002340274790000076
(2.1.4)计算t时段的偏离度，判断偏离度是否为正，是，则跳转步骤(2.1.8)，否则跳转步骤(2.1.5)；具体的，对每个数组的最大FTLE值与该数组所属集群的MM值进行偏离度测试，其中，偏离度γ为：
Figure BDA0002340274790000077
(2.1.5)计算该时段的历史平均最大值MM，即计算
Figure BDA0002340274790000078
所在αω的历史平均最大值为：
Figure BDA0002340274790000079
(2.1.6)计算t时段的偏离度，判断偏离度是否为正，是，则跳转(2.1.7)，否则标记该时段的交通状态为无异常；其中偏离度计算公式为：
Figure BDA00023402747900000710
(2.1.7)计算偏离度测试阈值，并判断偏离度是否大于阈值，是，则跳转(2.1.8)，否则为常态异常；偏离度测试的阈值计算方法为：
Figure BDA0002340274790000081
其中，max和min是进行测试的集群所含数组FTLE值中的最大值和最小值；
(2.1.8)标记该t时段为非常态异常；根据此判断方法，最终得出实际交通的常态异常、非常态异常和无异常时段；通过对交通负荷度范围的选取，可以用上述方法得到路口、路段、子区的交通状态标签。
作为优选，所述步骤(2.2)中，神经网络的参数包括权重和修正参数；超参数包括学习率、迭代次数、隐藏层层数和隐藏单元数，其中利用贝叶斯模型对神经网络的超参数进行优化；构建训练指标异常识别预测模型具体如下：
三级指标：延误指数C1(k)、排队长度C2(k)、交通负荷C3(k)、停车比例C4(k)、流量/绿灯时长路口C5(k)、流量/绿灯时长路段B1(k)、相位差/行程时间B2(k)、可达率B3(k)；
二级指标：子区路口E1(k)、子区边界路口E2(k)、子区协调E3(k)；
一级指标：子区交通综合指标Q(k)；
(I)将步骤(2.1)标记后的40％数据作为训练集，60％数据划分为三组验证集；将训练集数据的各级指标一一对应实际时段状态标签ηz,t(k)，即常态异常，非常态异常，无异常；z为区域标签，z＝1，2，3，4，5分别代表路口，路段、子区路口、子区边界路口和子区协调的时段状态标签；
(II)以训练集的三级指标、二级指标分别作为输入，以对应的路口/路段、子区常态异常和非常态异常作为输出，进行三组神经网络训练；
输入三级路口指标：延误指数xc1,t、排队长度xc2,t、交通负荷xc3,t、停车比例xc4,t、流量/绿灯时长路口xc5,t，以对应的η1,t(k)作为输出；
输入三级路段指标：流量/绿灯时长路段xB1,t、相位差/行程时间xB2,t、可达率xB3,t，以对应的η2,t(k)作为输出；
输入二级指标子区路口xE1,t，以对应的η3,t(k)作为输出；
输入二级指标子区边界路口xE2,t，以对应的η4,t(k)作为输出；
输入二级指标子区协调xE3,t，以对应的η5,t(k)作为输出。
作为优选，所述基于贝叶斯模型的超参数优化的步骤如下：
(i)假设训练集D＝{γρ|ζρ，ρ＝1，2，3，4}，其中γρ是r维向量，对应着神经网络的学习率；ζρ是γρ对应的标签，即学习率为γρ时，对应的异常时段分类准确率；
(ii)利用高斯过程回归来确定映射函数f：(γ→ζ)；将训练集中的每一组值{(γ1，ζ1)，(γ2，ζ2)，...，(γn，ζn)}作为n维高斯分布的一个样本；k(γ,γ’)为协方差函数：
f(γ)～GP(0,k(γ,γ’))
Figure BDA0002340274790000091
(iii)基于GP求出采集函数EI表达式u(γ)
Figure BDA0002340274790000092
Figure BDA0002340274790000093
(iv)评价γn+1，ζn+1＝f(γn+1)；
(v)每进行一次测试集测试，即向D中增加{γn+1，ζn+1}；
(vi)重复三次输出最优解；最终得到对三种目标异常时段判断效果较好的神经网络参数，用于分别判断路口、路段及子区常态异常和非常态异常。
作为优选，所述通过宏观、中观、微观三个层面，逐层向上综合描述交通态势，逐层向下分析交通问题，其中每一层级的分析过程，具体如下：
1)对每一层级的空间单元的各个单项指标归一化处理；
2)计算该层级的各个指标和上一层级综合指标，通过综合指标描述各层级的整体交通态势；
3)时间维度根据综合指标的客观情况、指标均衡情况、与历史对比情况分别得到常态和非常态异常时段；其中，指标均衡情况具体如下：路口层级为各个方向指标是否均衡，子区层级为各个路口/协调路线指标是否均衡，区域层级为各个子区指标是否均衡；
4)空间维度对比综合指标的均衡情况找出异常的低一层级的空间单元进行下一层级的分析，定位交通问题。
本发明的有益效果在于：本发明从交通状态动态分析出发，能够从不同层级综合分析交通态势，并且能够全面动态快速识别交通问题、聚焦交通症结。
附图说明
图1是本发明的方法流程示意图；
图2是本发明实施例的各级指标示意图；
图3是本发明实施例的指标时间滑动聚合方法示意图；
图4是本发明实施例的常态异常、非常态异常、无异常划分流程图；
图5是本发明实施例的基于卷积神经网络的训练流程示意图；
图6是本发明实施例的区域指标时间分布图；
图7是本发明实施例的区域指标变化趋势时间分布图；
图8是本发明实施例的子区综合指标随时间演变图；
图9是本发明实施例的子区6指标随时间分布图I；
图10是本发明实施例的子区6指标随时间分布图II；
图11是本发明实施例的子区6路口指标时空演变图；
图12是本发明实施例的路段指标随时间分布图；
图13是本发明实施例的路段指标随时间分布图(截取异常部分)；
图14是本发明实施例的路段西进口指标随时间分布图；
图15是本发明实施例的路段西进口指标随时间分布图(截取异常部分)。
具体实施方式
下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此：
实施例：如图1所示，一种城市全域交通态势分析方法，具体为：
(1)获取交通参数，计算各级指标；其中，各级指标具体如图2所示；具体如下：
(1.1)计算三级指标：
1)交通负荷度
交通负荷度Loadi为路段i实际交通量Vi与路段通行能力Ci的比值。该指标描述了该道路整体能力的使用程度，反映了道路资源在空间上的利用率。
Loadi＝Vi/Ci
2)停车比例
停车比例为停车车辆数与车辆总数的比值。可以通过路段i的平均车辆速度和不停车车辆平均速度计算获得。
Figure BDA0002340274790000111
计算方法为：路段上不停车车辆数为xi辆，停车车辆数为yi辆，则路段的平均车速
Figure BDA0002340274790000112
为路段上所有车辆的速度和与车辆总数(xi+yi)的比值。路段上所有车辆的速度和为，
Figure BDA0002340274790000113
现已知路段的平均速度和不停车平均速度，则路段停车比例为
Figure BDA0002340274790000114
3)排队长度
排队长度指绿灯开始前的最长排队长度。用一个周期内上游路口进入该路段的车流量Vi in与该路段此周期内驶离车流量的Vi out的差值得到最大排队车辆数，排队长度为最大排队车辆数除以车道数量lanei。
Figure BDA0002340274790000119
4)延误指数
延误指数为自由流速度
Figure BDA0002340274790000115
与平均车速
Figure BDA0002340274790000116
的比值。
Figure BDA0002340274790000117
5)流量与绿灯时长比值
流量与绿灯时长比值反映流量vi与对应相位绿灯时长gi的匹配情况。
Figure BDA0002340274790000118
6)(协调路段)可达率
可达率为设计带宽bi与协调相位绿灯时长gi的比值。
Figure BDA0002340274790000121
7)(协调路段)流量与绿灯时长比值
协调路段流量vi与对应协调相位绿灯时长gi的比值。
Figure BDA0002340274790000125
8)(协调路段)相位差与行程时间比值
相位差Oi与协调路段行程时间
Figure BDA0002340274790000122
的比值反映协调相位差与行程时间的匹配情况。行程时间的计算方法为协调路段长度与平均速度的比值。
Figure BDA0002340274790000123
为消除某些时刻原始数据的异常波动，使指标更好反映时间维度上交通情况的变动，需要对各级指标进行时间聚合，如图3所示：在时间上采用滑动聚合，即对滑动时间窗范围内的指标进行聚合的操作，取时间窗内原始指标的均值作为当前时刻的指标值
Figure BDA0002340274790000124
n为时间窗内指标个数，TD为时间粒度，不同级别的指标可采用不同的n，t0为当前时刻。
(1.2)计算二级指标，其中二级指标包括：
1)子区路口综合指标，对应的是子区内全部路口、路段的三级指标：排队长度、延误指数、交通负荷、停车比例、流量与绿灯时长比值；
2)子区边界路口综合指标，对应的是子区边界路口、路段的三级指标：排队长度、延误指数、交通负荷、停车比例、流量与绿灯时长比值；
3)子区协调综合指标，对应的是子区内协调路段的三级指标：流量与绿灯时长比值、相位差与行程时间比值、可达率。
基于三级指标计算二级指标的过程如下：
1)三级指标预处理；
取一段时间(比如三个月)内的三级指标，计算指标的均值μ，并计算标准差σ；
按正规化方法将指标转化，转化后的指标:
Figure BDA0002340274790000131
根据经验法则，在正态分布中，68％的数据将分布在的第一个标准偏差之内，95％将落在第二个标准差之内，99.7％将落在均值的前三个标准偏差之内。
如：99.7％的M(t0)'都处于区间[-3,3]。故当输出结果>3时，按3处理；当输出结果<-3时，按-3处理。标准化后的指标区间为[-3,3]。进一步处理后的指标为:
M(t0)”＝max[-3,min(M(t0),3)]
按照指标的实际意义将逆指标前的正负号对调；
2)三级指标重要度计算；
三级指标：X1、X2、…、Xnum，num为三级指标个数。
计算三级指标之间的相关度
Figure BDA0002340274790000132
其中Xj为第j个三级指标、Xi为第l个三级指标，1≤j≤num,1≤l≤num
Figure BDA0002340274790000133
其中，Xj＝{xj,1,xj,2,…,xj,t,…,xj,TT},TT为采样时段除以时间颗粒度得到的个数，xj,t为第j个三级指标第t个时间段的数据，xl,t同理。
3)三级指标模糊相关数计算；
模糊相关数如下：
Figure BDA0002340274790000134
Figure BDA0002340274790000135
Figure BDA0002340274790000136
Figure BDA0002340274790000137
其中，d为分组个数，
Figure BDA0002340274790000138
为第d组第j个三级指标和第l个三级指标的相关度。
4)构造三级指标的模糊矩阵；
构造模糊判断矩阵E1＝(euv)num×num。euv为矩阵第u行第v列的元素。记三级指标为C1，C2，…，Cn，n＝num。令交通负荷为C1。
根据3)中模糊相关数的计算方法计算，得到ICuC1＝(aCuC1，bCuC1，cCuC1),ICvC2＝(aCvC1，bCvC1，cCvC1)，据此计算模糊矩阵中元素
Figure BDA0002340274790000141
从而构建模糊矩阵E1＝(euv)num×num。
5)计算矩阵第O层指标Cu的综合模糊值
Figure BDA0002340274790000142
Figure BDA0002340274790000143
6)去模糊化，计算最终权重；
步骤5)中计算所得的综合模糊值均为三角模糊数，假设D1(p1，q1，r1)和D2(p2，q2，r2)为三角模糊数，则D2≥D1的可能度计算方式为：
Figure BDA0002340274790000144
一个模糊数大于其他(num-1)个模糊数的可能度，定义为：
V(Du≥D1，D2，…，Dnum)＝minV(Du≥Dn)，n＝1，2，…，num
从而最终权重值
Figure BDA0002340274790000146
7)计算得出二级指标；
Figure BDA0002340274790000145
(1.3)基于子区路口综合指标、子区边界路口综合指标、子区协调综合指标构建一级指标；即采用基于三级指标构建二级指标的方法，基于二级指标构建一级指标。
实际应用发现，因为三级指标本身是相互关联的，在描述子区的流量进出是否发生异常时，交通负荷度高了，速度会下降，延误指数也会上升，总体趋势是一起变差的，但是采用单一的三级指标无法准确描述子区问题。以子区边界路口为例，基于三级指标排队长度、延误指数、交通负荷度、停车比例、流量/绿灯时长构建子区边界路口二级指标，观察二级指标的变化，当发现子区边界路口指标变差时，即表示子区的流量进出平衡被打破，需要考虑通过开闭边界路口搭接相位的方式进行子区边界控制，以保证子区内部均衡。因此，综合三级指标为二级指标可以快速实现子区进出流量及内部平衡的异常发现。
(2)指标异常识别：
定义常态异常及非常态异常如下：常态异常指交通现在超出物理负荷值，但符合历史规律，或波动范围较小。非常态异常指交通通行能力超出物理负荷值，但不符合历史该时段规律，或前后有较大波动。当交通状态低于物理负荷值即为无异常状态。具体步骤如下：
2.1)采集历史交通数据作为训练集，标记训练集各时段交通状态：常态异常、非常态异常、无异常
采集历史交通数据，获得三级指标
Figure BDA0002340274790000151
其中d表示第d日，j表示第j个三级指标(如：交通负荷度)，t表示第t个采样时间段的数据，
以T为计算FTLE的时间窗，常态异常、非常态异常、无异常，具体标记方法如图4所示，如下所示：
2.1.1)计算T时间窗对应的FTLE值；
有限时间李雅普诺夫指数(FTLE)是根据被计算数的第一个位置计算得出的从t0-T到t0的最后位置。得出相关的变化轨迹信息。定义x[1]是一个在t0-T到t0内变化的点，即假设交通负荷度指标在t0-T到t0内变化，y[2]是初始x的无限接近点，两个点的收敛散度可以由泰勒级数[3]计算：
Figure BDA0002340274790000152
y＝x+δx(t0-T) [2]
Figure BDA0002340274790000153
由于δx(t0)是无穷小，因此O(||δx(t0-T)||2)可以忽略。轨迹的运动变化可以由[4]式计算，其中*表示转置。
Figure BDA0002340274790000154
x和y之间的最大间距T是Δ的特征值(λ)最大的地方，我们可以为时间间隔T定义x的FTLE值[5]。
Figure BDA0002340274790000155
2.1.2)将全天的数据进行聚类分组；
将D个日的全天数据进行聚类，由最初的3分钟一组开始聚类，每次迭代后，将与距离度量值簇之间最近的集群合并成新集群，达到预定数量集群时停止。
时间间隔T定义x的FTLE值[5]。
Figure BDA0002340274790000161
取T为15分钟，则t0对应的FTLE值为
Figure BDA0002340274790000162
(由[5]式计算),为保持数据的连续性，将[t-T,t]中的5个FTLE记作t(3min)时段的数组。则d日的t(3min)时段的
Figure BDA0002340274790000163
是一个数组，
Figure BDA0002340274790000164
为列向量
Figure BDA0002340274790000165
以最初的3分钟一组开始聚类，
如果是D个日的全天数据，则进行聚类的初始数组为：
Figure BDA0002340274790000166
αω为列向量
Figure BDA0002340274790000167
根据实际需求，以集群的方差小于μ为标准，将初始数组按时间序列分成β个集群，每个集群由满足方差小于μ的多个αω构成。
2.1.3)计算每个集群的平均最大值(MM)值；
找到每个集群中每个数组的最大FTLE值，然后计算每个集群的平均最大值(MM)值。
则数组
Figure BDA0002340274790000168
的最大值为
Figure BDA0002340274790000169
由λ个αω构成的集群Γβ的平均最大值MM为：
Figure BDA00023402747900001610
2.1.4)计算t时段的偏度，判断偏离度值是否为正，是则跳转步骤2.1.8)，否则跳转步骤2.1.5)；
对每个数组的最大FTLE值与该数组所属集群的MM值进行偏离度测试。偏离度γ为：
Figure BDA00023402747900001611
若γ为正数则跳转至步骤2.1.8)，否则跳转步骤2.1.5)
2.1.5)计算该时段的历史平均最大值(MM)值；
即计算
Figure BDA0002340274790000171
所在αω的历史平均最大值为：
Figure BDA0002340274790000172
2.1.6)计算t时段的偏离度，判断偏离度值是否为正，是则跳转2.1.7)，否则标记该时段的交通状态为无异常；
Figure BDA0002340274790000173
若γ′为正数则跳转至步骤2.1.7)，否则标记该时段的交通状态为无异常。
2.1.7)计算偏离度测试阈值,并判断偏离度是否大于阈值，是则跳转2.1.8)，否则为常态异常；
偏离度测试的阈值计算方法为：
Figure BDA0002340274790000174
其中，max和min是进行测试的集群所含数组FTLE值中的最大值和最小值。
2.1.8)标记该t(3min)时段为非常态异常；
根据此判断方法，最终得出实际交通的常态异常、非常态异常和无异常时段。通过对交通负荷度范围的选取，可以用上述方法得到路口、路段、子区的交通状态标签。
2.2)基于神经网络，构建指标异常识别预测模型；
神经网络是深度学***移不变分类。神经网络分为输入层、隐含层和输出层。神经网络通过学习，可以发掘数据间的联系，并进行模仿判断。
神经网络的参数包括权重和修正参数；超参数主要包括学习率、迭代次数、隐藏层层数和隐藏单元数。
典型神经网络模型包括但不限于：前馈神经网络、卷积神经网络、Hopfield神经网络、BP神经网络等。
基于卷积神经网络的学习训练流程如图5所示。本发明对卷积神经网络的优化主要是利用贝叶斯模型对学习率进行优化。
三级指标：延误指数C1(k)、排队长度C2(k)、交通负荷C3(k)、停车比例C4(k)、流量/绿灯时长路口C5(k)、流量/绿灯时长路段B1(k)、相位差/行程时间B2(k)、可达率B3(k)；
二级指标：子区路口E1(k)、子区边界路口E2(k)、子区协调E3(k)；
一级指标：子区交通综合指标Q(k)；
40％为训练集，60％划分为三组验证集。
将训练集数据的各级指标一一对应实际时段状态标签ηz,t(k)(常态异常，非常态异常，无异常)。z为区域标签，z＝1，2，3，4，5分别代表路口，路段、子区路口、子区边界路口和子区协调的时段状态标签。
以训练集的三级指标、二级指标分别作为输入，以对应的路口/路段、子区常态异常和非常态异常作为输出，进行三组神经网络训练。
输入三级路口指标：延误指数xc1,t、排队长度xc2,t、交通负荷xc3,t、停车比例xc4,t、流量/绿灯时长路口xc5,t，以对应的η1,t(k)作为输出。
输入三级路段指标：流量/绿灯时长路段xB1,t、相位差/行程时间xB2,t、可达率xB3,t，以对应的η2,t(k)作为输出。
输入二级指标子区路口xE1,t，以对应的η3,t(k)作为输出。
输入二级指标子区边界路口xE2,t，以对应的η4,t(k)作为输出。
输入二级指标子区协调xE3,t，以对应的η5,t(k)作为输出。
其中，基于贝叶斯模型的超参数优化具体步骤如下：
(1)假设训练集D＝{γρ|ζρ，ρ＝1，2，3，4}，其中γρ是r维向量，对应着神经网络的学习率。ζρ是γρ对应的标签，即学习率为γρ时，对应的异常时段分类准确率。
(2)利用高斯过程回归来确定映射函数f：(γ→ζ)。将训练集中的每一组值{(γ1，ζ1)，(γ2，ζ2)，...，(γn，ζn)}作为n维高斯分布的一个样本。k(γ,γ’)为协方差函数。
f(γ)～GP(0,k(γ,γ’))
Figure BDA0002340274790000181
(3)基于GP求出采集函数EI表达式u(γ)
Figure BDA0002340274790000191
Figure BDA0002340274790000192
(4)评价γn+1，ζn+1＝f(γn+1)；
(5)每进行一次测试集测试即向D中增加{γn+1，ζn+1}；
(6)重复三次输出最优解。
最终得到对三种目标异常时段判断效果较好的神经网络参数。可以用于分别判断路口、路段及子区常态异常和非常态异常。
(3)确定区域异常时段及类型，对于异常时段进行进一步的子区分析，寻找该时段的异常子区，对于异常子区再进行其中异常路口及异常协调的判别，对常态异常和非常态异常两种异常进行定位，通过宏观、中观、微观三个层面，逐层向上综合描述交通态势，逐层向下分析交通问题。其中每一层级的分析过程，具体如下：
1)对每一层级的空间单元的各个单项指标归一化处理；
2)计算该层级的各个指标和上一层级综合指标，通过综合指标描述各层级的整体交通态势；
3)时间维度根据综合指标的客观情况、指标均衡情况、与历史对比情况分别得到常态和非常态异常时段；其中，指标均衡情况具体如下：路口层级为各个方向指标是否均衡，子区层级为各个路口/协调路线指标是否均衡，区域层级为各个子区指标是否均衡；
4)空间维度对比综合指标的均衡情况找出异常的低一层级的空间单元进行下一层级的分析，定位交通问题。
三个层级的指标对应交通中宏观、中观、微观三个层面，通过判别不同层级的异常时段及类型，定位交通问题。时间维度上根据综合指标的客观情况、指标均衡情况、与历史对比情况分别得到常态和非常态异常时段，其中，指标均衡情况具体如下：路口层级为各个方向指标是否均衡，子区层级为各个路口/协调路线指标是否均衡，区域层级为各个子区指标是否均衡；空间维度对比综合指标的均衡情况找出异常的低一层级的空间单元进行下一层级的分析。例如当子区边界路口出现非常态异常时，可以通过对边界路口非常态异常状态的排查进行问题定位。
在本实施例中，示例区域为AI试点区域，时间粒度为3分钟，用到的数据包括流量、速度、路段距离、路段通行能力、绿灯时间等，可计算全部的三级指标。
宏观分析：附图6展示了区域综合指标及各项分指标随时间的分布图，并标注非常态异常线，区域常态异常时间为7:09-7:30、8:00-10:00，12:30-14:30，15:30-19:00。以7:09-7:36为例，占比最大为子区均值。附图7展示了区域指标的变化率随时间的波动，可以识别出区域非常态异常时间(多为标增长迅速的时间)为6:30-06:40、12:30-13:00、20:30。总结需要进行下一层级分析的异常时间为6:30-06:40、7:09-7:30、8:00-10:00、2:30-14:30和15:30-19:00。
中观分析：以7:09-7:30为例，举例说明中观分析内容。附图8展示了从7:09到7:30各子区综合指标随着时间和空间的演变，从中选择始终未深色的6号子区作为下一步分析对象。附图9为子区6综合指标及各项分指标随时间的分布图，可看出该时段子区6均处于常态异常的区间，附图10为子区6综合指标的变化率随时间的波动，可以识别出区域非常态异常时间(指标增长迅速的时间)为7:21和7:27。总结需要进行下一层级分析的异常时间为07:09-07:30。
微观分析：附图11为6号子区内路口在分析时段内综合指标时空演变图，选取始终处于拥堵状态的路段作为下一步分析的对象。附图12为路段综合指标和各进口路段随时间的分布图，其中附图13为其中需要分析的部分，由图可知，占比最大的西进口，需进一步对西进口指标进行分析。附图14为路段西进口综合指标和各分指标随时间分布图，附图15截取了其中需要分析的时间段，西进口综合指标在07:21达到极大值，指标中占比最大的流量与绿信比的比值。
通过分析，识别出07:09-07:30路段的西进口异常。
以上的所述乃是本发明的具体实施例及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。

Claims (8)

1.一种城市全域交通态势分析方法，其特征在于，包括如下步骤：
(1)获取区域交通态势的交通参数，计算各级指标；
(1.1)计算三级指标，所述的三级指标包括交通负荷度、停车比例、排队长度、延误指数、流量与绿灯时长比值、可达率、流量与绿灯时长比值、相位差与行程时间比值；
(1.2)基于三级指标计算二级指标，所述的二级指标包括子区路口综合指标、子区边界路口综合指标、子区协调综合指标，其中，子区路口综合指标对应的是子区内全部路口、路段的三级指标：排队长度、延误指数、交通负荷、停车比例、流量与绿灯时长比值；子区边界路口综合指标对应的是子区边界路口、路段的三级指标：排队长度、延误指数、交通负荷、停车比例、流量与绿灯时长比值；子区协调综合指标对应的是子区内协调路段的三级指标：流量与绿灯时长比值、相位差与行程时间比值、可达率；
二级指标：
Figure FDA0002752010920000011
其中，三级指标：X1、X2、…、Xnum，num为三级指标个数，最终权重值
Figure FDA0002752010920000012
(1.3)基于二级指标构建一级指标；
(2)构建指标异常识别预测模型，进行指标异常识别；具体如下：
(2.1)采集历史交通数据作为训练集，标记训练集各时段交通状态：常态异常、非常态异常、无异常；以训练集的三级指标、二级指标分别作为输入，以对应的路口/路段、子区常态异常和非常态异常作为输出，进行三组神经网络训练；
(2.2)基于神经网络构建指标异常识别预测模型，并进行指标异常识别；
(3)确定区域异常时段及类型，对于异常时段进行进一步的子区分析，寻找该时段的异常子区，对于异常子区再进行其中异常路口及异常协调的判别，对常态异常和非常态异常两种异常进行定位，通过宏观、中观、微观三个层面，逐层向上综合描述交通态势，逐层向下分析交通问题。
2.根据权利要求1所述的一种城市全域交通态势分析方法，其特征在于：所述的三级指标包括交通负荷度、停车比例、排队长度、延误指数、流量与绿灯时长比值、可达率、流量与绿灯时长比值、相位差与行程时间比值；具体如下：
(a)交通负荷度：交通负荷度Loadi为路段i实际交通量Vi与路段通行能力Ci的比值，如下式所示：
Loadi＝Vi/Ci
(b)停车比例：停车比例为停车车辆数与车辆总数的比值；通过路段i的平均车辆速度和不停车车辆平均速度计算获得：
Figure FDA0002752010920000021
其中计算方法为：设路段上不停车车辆数为xi辆，停车车辆数为yi辆，则路段的平均车速
Figure FDA0002752010920000022
为路段上所有车辆的速度和与车辆总数(xi+yi)的比值，路段上所有车辆的速度和为，
Figure FDA0002752010920000023
现已知路段的平均速度和不停车平均速度，则路段停车比例为
Figure FDA0002752010920000024
(c)排队长度：排队长度指绿灯开始前的最长排队长度；用一个周期内上游路口进入该路段的车流量Vi in与该路段此周期内驶离车流量的Vi out的差值得到最大排队车辆数，排队长度为最大排队车辆数除以车道数量lanei，如下式所示：
Figure FDA0002752010920000025
(d)延误指数：延误指数为自由流速度
Figure FDA0002752010920000026
与平均车速
Figure FDA0002752010920000027
的比值：
Figure FDA0002752010920000028
(e)流量与绿灯时长比值：流量与绿灯时长比值反映流量vi与对应相位绿灯时长gi的匹配情况：
Figure FDA0002752010920000029
(f)可达率：可达率为设计带宽bi与协调相位绿灯时长gi的比值：
Figure FDA0002752010920000031
(g)流量与绿灯时长比值：协调路段流量vi与对应协调相位绿灯时长gi的比值：
Figure FDA0002752010920000032
(h)相位差与行程时间比值：相位差Oi与协调路段行程时间
Figure FDA0002752010920000033
的比值反映协调相位差与行程时间的匹配情况；行程时间的计算方法为协调路段长度与平均速度的比值：
Figure FDA0002752010920000034
3.根据权利要求1所述的一种城市全域交通态势分析方法，其特征在于：所述在计算各级指标时还包括各级指标时间聚合过程：在时间上采用滑动聚合，即对滑动时间窗范围内的指标进行聚合的操作，取时间窗内原始指标的均值作为当前时刻的指标值：
Figure FDA0002752010920000035
式中，n为时间窗内指标个数，TD为时间粒度，不同级别的指标可采用不同的n，t0为当前时刻。
4.根据权利要求1所述的一种城市全域交通态势分析方法，其特征在于：所述基于三级指标计算二级指标的方法包括如下步骤：
(1.2.1)三级指标预处理，包括：取一段时间内的三级指标，计算指标的均值μ，并计算标准差σ；
按正规化方法将指标转化，转化后的指标:
Figure FDA0002752010920000036
进一步处理后的指标为:
M(t0)”＝max[-3,min(M(t0),3)]
按照指标的实际意义将逆指标前的正负号对调；
(1.2.2)三级指标重要度计算：
三级指标：X1、X2、…、Xnum，num为三级指标个数；
计算三级指标之间的相关度
Figure FDA0002752010920000041
其中Xj为第j个三级指标、Xi为第l个三级指标，1≤j≤num,1≤l≤num；
Figure FDA0002752010920000042
其中，Xj＝{xj,1,xj,2,…,xj,t,…,xj,TT},TT为采样时段除以时间颗粒度得到的个数，xj,t为第j个三级指标第t个时间段的数据，xl,t为第l个三级指标第t个时间段的数据；
(1.2.3)三级指标模糊相关数计算，模糊相关数如下：
Figure FDA0002752010920000043
Figure FDA0002752010920000044
Figure FDA0002752010920000045
Figure FDA0002752010920000046
其中，d为分组个数，
Figure FDA0002752010920000047
为第d组第j个三级指标和第l个三级指标的相关度；
(1.2.4)构造三级指标的模糊矩阵：构造模糊判断矩阵E1＝(euv)num×num；euv为矩阵第u行第v列的元素；记三级指标为C1，C2，…，Cn，n＝num；令交通负荷为C1；
根据步骤(1.2.3)中模糊相关数的计算方法计算，得到ICuC1＝(aCuC1，bCuC1，cCuC1),ICvC2＝(aCvC1，bCvC1，cCvC1)，据此计算模糊矩阵中元素
Figure FDA0002752010920000048
从而构建模糊矩阵E1＝(euv)num×num；
(1.2.5)计算矩阵第O层指标Cu的综合模糊值
Figure FDA0002752010920000049
Figure FDA00027520109200000410
(1.2.6)去模糊化，计算最终权重：其中计算所得的综合模糊值均为三角模糊数，假设D1(p1，q1，r1)和D2(p2，q2，r2)为三角模糊数，则D2≥D1的可能度计算方式为：
Figure FDA00027520109200000411
一个模糊数大于其他(num-1)个模糊数的可能度，定义为：
V(Du≥D1，D2，...，Dnum)＝minV(Du≥Dn)，n＝1,2,…,num
从而最终权重值
Figure FDA0002752010920000051
(1.2.7)计算得出二级指标：
Figure FDA0002752010920000052
5.根据权利要求1所述的一种城市全域交通态势分析方法，其特征在于：所述步骤(2.1)具体为：采集历史交通数据，获得三级指标
Figure FDA0002752010920000053
其中d表示第d日，j表示第j个三级指标，t表示第t个采样时间段的数据，以T为计算FTLE的时间窗，常态异常、非常态异常、无异常具体标记方法如下：
(2.1.1)计算T时间窗对应的FTLE值：
FTLE值是根据被计算数的第一个位置计算得出的从t0-T到t0的最后位置，得出相关的变化轨迹信息；定义x是一个在t0-T到t0内变化的点，即假设交通负荷度指标在t0-T到t0内变化，y是初始x的无限接近点，两个点的收敛散度可以由泰勒级数计算：
Figure FDA0002752010920000054
y＝x+δx(t0-T)
Figure FDA0002752010920000055
由于δx(t0)是无穷小，则轨迹的运动变化由下式计算，其中*表示转置：
Figure FDA0002752010920000056
x和y之间的最大间距T是Δ的特征值λ最大的地方，给时间间隔T定义x的FTLE值，如下式所示：
Figure FDA0002752010920000057
(2.1.2)将全天的数据进行聚类分组：
将D个日的全天数据进行聚类，由最初的3分钟一组开始聚类，每次迭代后，将与距离度量值簇之间最近的集群合并成新集群，达到预定数量集群时停止；时间间隔T定义x的FTLE值，则t0对应的FTLE值为
Figure FDA0002752010920000058
为保持数据的连续性，将[t-T,t]中的5个FTLE记作t时段的数组；则d日的t时段的
Figure FDA0002752010920000061
是一个数组，
Figure FDA0002752010920000062
为列向量
Figure FDA0002752010920000063
如果是D个日的全天数据，则进行聚类的初始数组为：
Figure FDA0002752010920000064
αω为列向量
Figure FDA0002752010920000065
根据实际需求，以集群的方差小于μ为标准，将初始数组按时间序列分成β个集群，每个集群由满足方差小于μ的多个αω构成；
(2.1.3)计算每个数组的平均最大值MM：找到每个集群中每个数组的最大FTLE值，然后计算每个集群的平均最大值MM：即数组
Figure FDA0002752010920000066
的最大值为
Figure FDA0002752010920000067
由λ个αω构成的集群Γβ的平均最大值MM为：
Figure FDA0002752010920000068
(2.1.4)计算t时段的偏离度，判断偏离度是否为正，是，则跳转步骤(2.1.8)，否则跳转步骤(2.1.5)；具体的，对每个数组的最大FTLE值与该数组所属集群的MM值进行偏离度测试，其中，偏离度γ为：
Figure FDA0002752010920000069
(2.1.5)计算该时段的历史平均最大值MM，即计算
Figure FDA00027520109200000610
所在αω的历史平均最大值为：
Figure FDA00027520109200000611
(2.1.6)计算t时段的偏离度，判断偏离度是否为正，是，则跳转(2.1.7)，否则标记该时段的交通状态为无异常；其中偏离度计算公式为：
Figure FDA00027520109200000612
(2.1.7)计算偏离度测试阈值，并判断偏离度是否大于阈值，是，则跳转(2.1.8)，否则为常态异常；偏离度测试的阈值计算方法为：
Figure FDA0002752010920000071
其中，max和min是进行测试的集群所含数组FTLE值中的最大值和最小值；
(2.1.8)标记该t时段为非常态异常；根据此判断方法，最终得出实际交通的常态异常、非常态异常和无异常时段；通过对交通负荷度范围的选取，可以用上述方法得到路口、路段、子区的交通状态标签。
6.根据权利要求1所述的一种城市全域交通态势分析方法，其特征在于：所述步骤(2.2)中，神经网络的参数包括权重和修正参数；超参数包括学习率、迭代次数、隐藏层层数和隐藏单元数，其中利用贝叶斯模型对神经网络的超参数进行优化；构建训练指标异常识别预测模型具体如下：
三级指标：延误指数C1(k)、排队长度C2(k)、交通负荷C3(k)、停车比例C4(k)、流量/绿灯时长路口C5(k)、流量/绿灯时长路段B1(k)、相位差/行程时间B2(k)、可达率B3(k)；
二级指标：子区路口E1(k)、子区边界路口E2(k)、子区协调E3(k)；
一级指标：子区交通综合指标Q(k)；
(I)将步骤(2.1)标记后的40％数据作为训练集，60％数据划分为三组验证集；将训练集数据的各级指标一一对应实际时段状态标签ηz,t(k)，即常态异常，非常态异常，无异常；z为区域标签，z＝1，2，3，4，5分别代表路口，路段、子区路口、子区边界路口和子区协调的时段状态标签；
(II)以训练集的三级指标、二级指标分别作为输入，以对应的路口/路段、子区常态异常和非常态异常作为输出，进行三组神经网络训练；
输入三级路口指标：延误指数xc1,t、排队长度xc2,t、交通负荷xc3,t、停车比例xc4,t、流量/绿灯时长路口xc5,t，以对应的η1,t(k)作为输出；
输入三级路段指标：流量/绿灯时长路段xB1,t、相位差/行程时间xB2,t、可达率xB3,t，以对应的η2,t(k)作为输出；
输入二级指标子区路口xE1,t，以对应的η3,t(k)作为输出；
输入二级指标子区边界路口xE2,t，以对应的η4,t(k)作为输出；
输入二级指标子区协调xE3,t，以对应的η5,t(k)作为输出。
7.根据权利要求6所述的一种城市全域交通态势分析方法，其特征在于：所述基于贝叶斯模型的超参数优化的步骤如下：
(i)假设训练集D＝{γρ|ζρ，ρ＝1，2，3，4}，其中γρ是r维向量，对应着神经网络的学习率；ζρ是γρ对应的标签，即学习率为γρ时，对应的异常时段分类准确率；
(ii)利用高斯过程回归来确定映射函数f：(γ→ζ)；将训练集中的每一组值{(γ1，ζ1)，(γ2，ζ2)，...，(γn，ζn)}作为n维高斯分布的一个样本；k(γ,γ’)为协方差函数：
f(γ)～GP(0,k(γ,γ’))
Figure FDA0002752010920000081
(iii)基于GP求出采集函数EI表达式u(γ)
Figure FDA0002752010920000082
Figure FDA0002752010920000083
(iv)评价γn+1，ζn+1＝f(γn+1)；
(v)每进行一次测试集测试，即向D中增加{γn+1，ζn+1}；
(vi)重复三次输出最优解；最终得到对三种目标异常时段判断效果较好的神经网络参数，用于分别判断路口、路段及子区常态异常和非常态异常。
8.根据权利要求1所述的一种城市全域交通态势分析方法，其特征在于：所述通过宏观、中观、微观三个层面，逐层向上综合描述交通态势，逐层向下分析交通问题，其中每一层级的分析过程，具体如下：
1)对每一层级的空间单元的各个单项指标归一化处理；
2)计算该层级的各个指标和上一层级综合指标，通过综合指标描述各层级的整体交通态势；
3)时间维度根据综合指标的客观情况、指标均衡情况、与历史对比情况分别得到常态和非常态异常时段；其中，指标均衡情况具体如下：路口层级为各个方向指标是否均衡，子区层级为各个路口/协调路线指标是否均衡，区域层级为各个子区指标是否均衡；
4)空间维度对比综合指标的均衡情况找出异常的低一层级的空间单元进行下一层级的分析，定位交通问题。
CN201911373330.4A 2019-12-27 2019-12-27 一种城市全域交通态势分析方法 Active CN111145546B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911373330.4A CN111145546B (zh) 2019-12-27 2019-12-27 一种城市全域交通态势分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911373330.4A CN111145546B (zh) 2019-12-27 2019-12-27 一种城市全域交通态势分析方法

Publications (2)

Publication Number Publication Date
CN111145546A CN111145546A (zh) 2020-05-12
CN111145546B true CN111145546B (zh) 2021-02-12

Family

ID=70521277

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911373330.4A Active CN111145546B (zh) 2019-12-27 2019-12-27 一种城市全域交通态势分析方法

Country Status (1)

Country Link
CN (1) CN111145546B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114882696B (zh) * 2020-10-28 2023-11-03 华为技术有限公司 道路容量的确定方法、装置及存储介质
CN112308403B (zh) * 2020-10-29 2023-11-21 北京国信会视科技有限公司 一种城轨车门开关门异常检测方法
CN112820108B (zh) * 2021-01-12 2022-05-24 南京睿思交通信息科技有限公司 一种自学习的路网交通状态分析及预测方法
CN113240073B (zh) * 2021-04-15 2022-03-11 特斯联科技集团有限公司 基于深度学习的智能决策***及方法
CN114120630B (zh) * 2021-10-15 2023-04-07 国网浙江省电力有限公司杭州供电公司 一种考虑道路交通动态特征的应急电源配置方法
CN117409569A (zh) * 2023-08-21 2024-01-16 广东飞翔云计算有限公司 一种基于大数据的智慧交通***及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102289928A (zh) * 2011-05-19 2011-12-21 上海市城市建设设计研究院 基于模糊层次分析法的枢纽综合交通运行态势评价方法
CN106846816A (zh) * 2017-04-12 2017-06-13 山东理工大学 一种基于深度学习的离散化交通状态判别方法
KR101815511B1 (ko) * 2016-12-29 2018-01-30 (주) 아인스에스엔씨 교통 시뮬레이션을 위한 프레임워크 및 이를 이용한 시뮬레이션방법
CN109615208A (zh) * 2018-12-05 2019-04-12 广州市交通规划研究院 一种解决城市道路交通拥堵问题的方法
CN110246332A (zh) * 2019-06-05 2019-09-17 北京交通大学 基于多源数据融合的轨道交通实时客流监察方法与***
CN110264715A (zh) * 2019-06-20 2019-09-20 大连理工大学 一种基于路段突发拥堵分析的交通事件检测方法
CN110335478A (zh) * 2019-07-10 2019-10-15 江苏航天大为科技股份有限公司 基于深度学习的跨子区联动控制方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104318773B (zh) * 2014-11-04 2016-08-31 杭州市综合交通研究中心 一种基于交通拥堵时空总量的交通拥堵测定方法
CN106815357A (zh) * 2017-01-20 2017-06-09 泰华智慧产业集团股份有限公司 可配置的城市运行体征监测方法及***
US10699040B2 (en) * 2017-08-07 2020-06-30 The Boeing Company System and method for remaining useful life determination
CN108399763B (zh) * 2018-03-07 2021-04-27 辽宁工业大学 一种基于神经网络的交叉路***通信号灯控制算法
CN109147330B (zh) * 2018-09-19 2020-12-08 青岛海信网络科技股份有限公司 一种拥堵识别方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102289928A (zh) * 2011-05-19 2011-12-21 上海市城市建设设计研究院 基于模糊层次分析法的枢纽综合交通运行态势评价方法
KR101815511B1 (ko) * 2016-12-29 2018-01-30 (주) 아인스에스엔씨 교통 시뮬레이션을 위한 프레임워크 및 이를 이용한 시뮬레이션방법
CN106846816A (zh) * 2017-04-12 2017-06-13 山东理工大学 一种基于深度学习的离散化交通状态判别方法
CN109615208A (zh) * 2018-12-05 2019-04-12 广州市交通规划研究院 一种解决城市道路交通拥堵问题的方法
CN110246332A (zh) * 2019-06-05 2019-09-17 北京交通大学 基于多源数据融合的轨道交通实时客流监察方法与***
CN110264715A (zh) * 2019-06-20 2019-09-20 大连理工大学 一种基于路段突发拥堵分析的交通事件检测方法
CN110335478A (zh) * 2019-07-10 2019-10-15 江苏航天大为科技股份有限公司 基于深度学习的跨子区联动控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
区域综合交通运输体系发展评价研究;赵慧娟;《工业技术经济》;20110930;全文 *

Also Published As

Publication number Publication date
CN111145546A (zh) 2020-05-12

Similar Documents

Publication Publication Date Title
CN111145546B (zh) 一种城市全域交通态势分析方法
CN110570651B (zh) 一种基于深度学习的路网交通态势预测方法及***
Liu et al. Short‐term traffic speed forecasting based on attention convolutional neural network for arterials
CN105702029B (zh) 一种分时段考虑时空关联性的快速路交通状态预测方法
CN111832814A (zh) 一种基于图注意力机制的空气污染物浓度预测方法
CN108492555A (zh) 一种城市路网交通状态评价方法及装置
CN108985380B (zh) 一种基于聚类集成的转辙机故障识别方法
CN109472088B (zh) 一种页岩气调产井生产压力动态预测方法
Sumit et al. C-means clustering and deep-neuro-fuzzy classification for road weight measurement in traffic management system
CN108986453A (zh) 一种基于情境信息的交通状况预测方法、***及装置
CN113159364A (zh) 一种大型交通场站的客流预测方法及***
CN111292534A (zh) 一种基于聚类与深度序列学习的交通状态估计方法
CN112183605B (zh) 一种基于运行特征的民航管制扇区分类方法
CN111179592B (zh) 基于时空数据流融合分析的城市交通预测方法和***
CN116681176B (zh) 一种基于聚类和异构图神经网络的交通流预测方法
CN112756759A (zh) 点焊机器人工作站故障判定方法
Shen et al. An attention-based digraph convolution network enabled framework for congestion recognition in three-dimensional road networks
CN113487856A (zh) 基于图卷积网络及注意力机制的交通流组合预测模型
Haputhanthri et al. Short-term traffic forecasting using LSTM-based deep learning models
CN117238126A (zh) 一种连续流道路场景下的交通事故风险评估方法
CN112101132B (zh) 一种基于图嵌入模型和度量学习的交通状况预测方法
CN113377750A (zh) 水文数据清洗方法及***
Sun et al. Ada-STNet: A Dynamic AdaBoost Spatio-Temporal Network for Traffic Flow Prediction
CN114463978B (zh) 一种基于轨道交通信息处理终端的数据监测方法
CN112035536A (zh) 一种考虑动态路网交通流的电动汽车能耗预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder

Address after: 310012 1st floor, building 1, 223 Yile Road, Hangzhou City, Zhejiang Province

Patentee after: Yinjiang Technology Co.,Ltd.

Address before: 310012 1st floor, building 1, 223 Yile Road, Hangzhou City, Zhejiang Province

Patentee before: ENJOYOR Co.,Ltd.

CP01 Change in the name or title of a patent holder