CN113570846B - 一种交通警情态势分析研判方法、设备及可读存储介质 - Google Patents
一种交通警情态势分析研判方法、设备及可读存储介质 Download PDFInfo
- Publication number
- CN113570846B CN113570846B CN202110638146.9A CN202110638146A CN113570846B CN 113570846 B CN113570846 B CN 113570846B CN 202110638146 A CN202110638146 A CN 202110638146A CN 113570846 B CN113570846 B CN 113570846B
- Authority
- CN
- China
- Prior art keywords
- index
- traffic
- data
- traffic flow
- value
- 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 43
- 238000004458 analytical method Methods 0.000 title claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims abstract description 11
- 238000004140 cleaning Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 20
- 206010039203 Road traffic accident Diseases 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000005191 phase separation Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 5
- 230000001502 supplementing effect Effects 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 229910052731 fluorine Inorganic materials 0.000 claims description 2
- 125000001153 fluoro group Chemical group F* 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000002265 prevention Effects 0.000 abstract description 2
- 238000011160 research Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241001622623 Coeliadinae Species 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及交通技术领域，具体涉及一种交通警情态势分析研判方法、设备及可读存储介质。包括以下步骤：S1.获取交通数据，S2.清洗所述交通数据，剔除异常数据；S3.采用TLBO算法改进FCM聚类算法；S4.使用改进后的FCM聚类算法计算所述交通流速度的模糊等级区间划分结果；S5.建立警情态势分析研判决策多属性区间数；S6.计算警情态势分析研判指标权重；S7.计算警情态势综合分析研判指数。本发明通过城市道路上的检测器与移动警务终端获取交通流、天气、事故等与警情相关的数据，分析出城市道路当前的警情态势，形成具有实际指导意义的研判结果。有助于提高城市道路交通管理的主动防控能力，升级我国城市道路交通安全保障水平。
Description
技术领域
本发明涉及交通技术领域，具体涉及一种交通警情态势分析研判方法、设备及可读存储介质。
背景技术
警情这一概念最早出现在公共治安领域，是指当社会治安问题发生后，需派遣警察前往现场处置，以保障社会稳定的危害公共安全的事件或其他突发事件。警情与警察的出警数可以用来衡量一个地区的治安稳定性。在交通领域中，交通警情便可理解为：交通拥堵、交通事故等事件发生后，必须由交警出警以维护道路稳定运行的突发***通事件或阻碍交通畅行的事件。态势评估是对一定时空范围内环境中的各个元素的态势感知，以及对其含义的理解，这一概念早期主要用于军事领域，后经过理论的不断完善与技术的逐渐发展，应用到了各行各业。
科学、合理的分析研判交通警情态势十分关键，这是调整警力资源静态部署与决策警力资源动态调度的依据。但是现有的交通警情态势分析的方法及其原始，根本不能满足要求。
发明内容
针对现有技术中的问题，本发明提供了一种交通警情态势分析研判方法、设备及可读存储介质。
本发明所采用的技术方案为：
一方面，本申请提供了一种交通警情态势分析研判方法，包括以下步骤：
S1.获取交通数据，所述交通数据包括交通流速度、交通事故数据和天气能见度；
S2.清洗所述交通数据，剔除异常数据；
S3.采用TLBO算法改进FCM聚类算法；
S4.使用改进后的FCM聚类算法计算所述交通流速度的模糊等级区间划分结果；
S5.建立警情态势分析研判决策多属性区间数；
S6.计算警情态势分析研判指标权重；
S7.计算警情态势综合分析研判指数。
进一步地，所述交通流速度为城市道路空间交通流速度，由交通流检测器以一固定频率采集上传。
进一步地，所述步骤S2中，包括以下步骤：
S21.处理处理所述交通事故数据，找到实际事故点；
S22.处理交通流速度数据，得到平滑后的交通流速度数据，所述处理交通流速度数据包括填补真空数据步骤、补充缺失数据步骤和修复异常数据步骤；
S23.处理天气能见度数据，具体为填补真空数据。
进一步地，所述处理所述交通事故数据，找到实际事故点，包括以下步骤：
S211.利用数据库中SQL语句进行约减；
S212.利用百度API接口，从百度坐标转换成为标准的WGS84坐标；
S213.以事故点为中心，以100m为半径画圆，识别到可备选的路段集合；
S214.计算事故点到各备选路段中心线的垂直距离，其计算公式如下：
其中，di表示事故地点到各备选路段中心线的垂直距离，xs、ys分别为事故点的经纬度；x1、y1为路段i中心线上的任意一点经纬度坐标；x2、y2为路段i中心线上的另一点经纬度坐标；
S215.将距离最近的垂足作为消除偏差后的实际事故点。
进一步地，所述步骤S3中，包括以下步骤：
S31.利用TLBO算法计算交通流速度优化聚类结果；
S32.将TLBO算法计算得到的交通流速度聚类结果作为FCM聚类算法的初始聚类中心。
进一步地，所述步骤S6中，包括以下步骤：
S61.由于警情态势指标等级构成的决策矩阵A中的元素为区间数，因此引入区间数相离度的概念；设两个区间数为a＝[aL,aU]，b＝[bL,bU]，D(a,b)为区间数a，b的相离度：
S62.将标准化处理后的决策矩阵
转化为相离度矩阵D＝(dij)m×n，其中
为理想指标值。
S63.利用下式：
将D＝(dij)m×n规范化为：
P＝(pij)m×n
S64.求指标Ij下的熵：
其中，k＝-1/lnm为常数，0≤Ej≤1。
S65.计算各评价指标的熵权：
进一步地，所述步骤S7中，包括以下步骤：
S71.构建指标区间数决策矩阵A：若样本Xi在第j个评价指标Gj下的取值为区间数
其中，i＝1，2，…m，j＝1，2，…n；则指标区间数的决策矩阵A为：
S72.将“逆向指标”转为“正向指标”：“逆向指标”是指取值越小越好的指标，“正向指标”是指取值越大越好的指标。若第j个指标为“逆向指标”，则可通过以下计算公式将其转化为“正向指标”：
S73.标准化处理指标区间数决策矩阵A，得到标准化区间数决策矩阵
其计算公式如下：
其中，Aj为区间数决策矩阵A的列组成的区间数列向量；
S74.求区间数加权决策矩阵
其中
按如下公式计算：
S75.确定参考数列。参考数列的各元素应由加权区间数标准化指标值的最优区间数组成。若令
则参考数列为：
S76.计算各加权区间数标准化指标值数据列对于最优参考数据列的关联度。首先，计算各评价指标的加权区间数标准化指标值数据列
与参考数列U0的关联系数ξi(k)：
其中，ρ∈(0,+∞)为分辨系数，值越小，分辨能力越大，一般取[0,1]，常取值为ρ＝0.5；
其次，求得关系系数ξi(k)后，第i个评价指标与参考数列的关联度为：
其中，i＝1，2，…，m。
第二方面，本申请提供了一种交通警情态势分析研判设备，包括存储器和处理器；所述存储器用于存储计算机程序；所述处理器用于执行所述计算机程序时实现上述方法的步骤。
第三方面，本申请提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
本发明的有益效果为：
本发明通过布设在城市道路上的检测器与移动警务终端获取交通流、天气、事故等与警情相关的数据，分析出城市道路当前的警情态势，形成具有实际指导意义的研判结果。有助于提高城市道路交通管理的主动防控能力，升级我国城市道路交通安全保障水平，为我国城市道路交通的稳定畅通运行与警力资源的精准调度提供基础性和全局性技术支撑。
附图说明
图1是本发明实施例中事故点到路段的匹配示意图；
图2是本发明实施例中交通流速度数据处理流程示意图；
图3是本发明实施例中交通流速度聚类结果示意图；
图4是本发明实施例中TLBO-FCM与FCM目标函数值收敛速度比较示意图；
图5是本发明实施例中警情态势各指标等级划分区间示意图；
图6是本发明实施例中指标权重计算结果示意图；
图7是本发明实施例中警情态势综合研判指数划分标准示意图；
图8是本发明实施例中警情态势综合研判结果示意图；
图9是本发明实施例中所述的一种交通警情态势分析研判设备结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
实施例1
一种交通警情态势分析研判方法，包括以下步骤：
S1.获取交通数据，所述交通数据包括交通流速度、交通事故数据和天气能见度；交通流速度由交通流检测器测得，是指该时段内通过车辆速度的平均值，单位为千米每小时(km/h)；交通事故数据来自交管部门调度中心数据库，交通事故数据包括：“SGBH”代表事故编号，“A”开头的事故为交警通过移动警务终端主动上报的事故，“0”开头的事故为报警人通过“122接处警”平台上报的事故；“FSSJ”代表事故发生时间；“LONGITUDE”、“LATITUDE”分别代表事故发生地点的经度、纬度；“SGMS”代表事故情况的简单描述；天气能见度来自天气能见度检测器，包括：“NJDSBBH”代表天气能见度检测器的设备编号；“SBSJ”表示天气能见度数据的上报时间；“LONGITUDE”、“LATITUDE”分别表示该天气能见度检测器的设备所在地点的经纬度信息；“NJD”表示该点周围的天气能见度，单位为千米。
S2.清洗所述交通数据，剔除异常数据；异常数据包括：经过阈值判断法判断为不合理范围内的交通流速度数据。
S3.采用TLBO算法改进FCM聚类算法；
S4.使用改进后的FCM聚类算法计算所述交通流速度的模糊等级区间划分结果；
S5.建立警情态势分析研判决策多属性区间数；
S6.计算警情态势分析研判指标权重；
S7.计算警情态势综合分析研判指数。
进一步地，所述交通流速度为城市道路空间交通流速度，由交通流检测器以一固定频率采集上传。交通流检测器指微波车辆检测器，该设备利用雷达波检测技术实时检测交通流量、交通流速度、车型及车道占用率等交通数据。
进一步地，所述步骤S2中，包括以下步骤：
S21.处理所述交通事故数据，找到实际事故点；
所述步骤S21中，包括以下步骤：
S211.利用数据库中SQL语句进行约减；为避免重复、无效的数据对结果造成偏差；
S212.利用百度API接口，从百度坐标转换成为标准的WGS84坐标，目的是在WGS84坐标下进行后续工作；
S213.以事故点为中心，以100m为半径画圆，识别到可备选的路段集合；
S214.计算事故点到各备选路段中心线的垂直距离，其计算公式如下：
其中，di表示事故地点到各备选路段中心线的垂直距离，xs、ys分别为事故点的经纬度；x1、y1为路段i中心线上的任意一点经纬度坐标；x2、y2为路段i中心线上的另一点经纬度坐标；这些参数是交管部门调度中心数据库中记录的事故地点坐标，给予百度坐标；
S215.将距离最近的垂足作为消除偏差后的实际事故点，目的是规避认为选择事故地点以及坐标转换中产生的误差。
S22.处理交通流速度数据，得到平滑后的交通流速度数据，所述处理交通流速度数据包括填补真空数据步骤、补充缺失数据步骤和修复异常数据步骤。
通过以下公式得到平滑后的交通流速度数据：
St＝αYt+(1-α)St-1
其中：St——t时刻的平滑值；Yt——t时刻的实际值；St-1——t-1时刻的平滑值；α——平滑系数，取值范围[0,1]，取α＝0.1；
所述填补真空数据步骤包括：采取相邻车道平均法，直接采用两个相邻车道的交通流速度数据的平均值作为修复值替换缺失数据的车道的交通流速度。
目的是获取这些真空数据。
所述补充缺失数据步骤包括：使用指数平滑法方法补充缺失的数据，选择丢失数据最近相邻时刻的数据作为修复值。
所述修复异常数据步骤包括：根据阈值判断法，查找交通流速度的异常数据，速度的合理范围在0至该地段限制速度的倍之间，若采集的交通流数据不在合理范围以内，则判断其为异常数据。对其修复方法同上述指数平滑法。目的是避免异常数据对结果的影响。
S23.处理天气能见度数据，具体为填补真空数据。所述填补真空数据，类似上述“填补真空数据”内容，采取相邻能见度数据平均法，直接采用两个相邻时刻的能见度数据的平均值作为修复值替换缺失的能见度数据。目的是获取这些能见度数据中的真空数据。
进一步地，所述步骤S3中，包括以下步骤：
S31.利用TLBO算法计算交通流速度优化聚类结果；
S32.将TLBO算法计算得到的交通流速度聚类结果作为FCM聚类算法的初始聚类中心。
进一步地，所述步骤S6中，包括以下步骤：
S61.由于警情态势指标等级构成的决策矩阵A中的元素为区间数，因此引入区间数相离度的概念；设两个区间数为a＝[aL,aU]，b＝[bL,bU]，D(a,b)为区间数a，b的相离度：
S62.将标准化处理后的决策矩阵
转化为相离度矩阵D＝(dij)m×n，其中
为理想指标值。所述标准化处理包括：将决策矩阵A的每一列视为一个列向量，每一列中的每个元素都除以该列向量的最大值。标准化处理的目的是把每一列的元素转化至0-1内。
S63.利用下式：
将D＝(dij)m×n规范化为：
P＝(pij)m×n
S64.求指标Ij下的熵：
S65.计算各评价指标的熵权：
上述公式中，dij表示经相离度矩阵i行j列的元素；Pij表示经过公式
规范化后m行n列的矩阵P中的每个元素；Ij表示交通事故、交通流速度、天气能见度三个指标中第j个,其中j＝1,2,3；j＝1时，代表交通事故；j＝2时，代表交通流速度；j＝3时，代表天气能见度；Ej表示第j个指标下的熵；k＝-1/lnm为常数，0≤Ej≤1；Vj表示第j个指标的熵权；n为指标总数。
各评价指标的熵权用于求得该指标下态势指标权重，进一步表示交通事故态势的紧急程度。
进一步地，所述步骤S7中，包括以下步骤：
S71.构建指标区间数决策矩阵A：若样本Xi在第j个评价指标Gj下的取值为区间数
其中，i＝1，2，…m，j＝1，2，…n；则指标区间数的决策矩阵A为：
所述Xi表示第i个待处理的交通数据；
S72.将“逆向指标”转为“正向指标”：“逆向指标”是指取值越小越好的指标，“正向指标”是指取值越大越好的指标。若第j个指标为“逆向指标”，则可通过以下计算公式将其转化为“正向指标”：
上述公式中，
表示原区间数的上界，
表示原区间数的下界；
S73.标准化处理指标区间数决策矩阵A，得到标准化区间数决策矩阵
其计算公式如下：
其中，||Aj||表示区间数决策矩阵A的列组成的区间数列向量元素的最大值；
S74.求区间数加权决策矩阵
其中
按如下公式计算：
其中，
表示准化区间数决策矩阵中元素区间数的下界，
表示准化区间数决策矩阵中元素区间数的上界；
S75.确定参考数列。参考数列的各元素应由加权区间数标准化指标值的最优区间数组成。若令
则参考数列为：
其中，
表示第n个指标参考数列的下界，即为加权区间数标准化指标值的最小下界；
表示第n个指标参考数列的上界，即为加权区间数标准化指标值的最大上界；
S76.计算各加权区间数标准化指标值数据列对于最优参考数据列的关联度。首先，计算各评价指标的加权区间数标准化指标值数据列
与参考数列U0的关联系数ξi(k)：
其中，ρ∈(0,+∞)为分辨系数，值越小，分辨能力越大，一般取[0,1]，常取值为ρ＝0.5；
表示第i个可行方案与第k个评价指标的加权区间数标准化指标值数据列；
其次，求得关系系数ξi(k)后，第i个评价指标与参考数列的关联度为：
其中，ξi(k)代表第i个评价指标的加权区间数标准化指标值数据列与第k个评级指标的参考数列的关联度系数，其中，i＝1，2，…，m。
以某市城市道路为例，本发明过程如下：
1)选取交通数据，包括交通流速度、交通事故数据、天气能见度；
2)清洗所述交通数据，剔除异常数据，点到线地图匹配如图1所示，交通流速度数据处理流程如图2所示；
3)采用TLBO算法改进FCM聚类算法；
4)使用改进后的FCM聚类算法计算所述交通流速度的模糊等级区间划分结果，如图3所示，TLBO-FCM与FCM聚类算法的收敛速度如图4所示；
5)建立警情态势分析研判决策多属性区间数，如图5所示；
6)计算警情态势分析研判指标权重，如图6所示；
7)计算警情态势综合分析研判指数，警情态势综合研判指数划分标准如图7所示，警情态势综合分析研判指数计算结果如图8所示。
实施例2
相应于上面的方法实施例，本公开实施例还提供了一种交通警情态势分析研判设备，下文描述的一种交通警情态势分析研判设备与上文描述的一种交通警情态势分析研判方法可相互对应参照。
图3是根据一示例性实施例示出的一种交通警情态势分析研判设备800的框图。如图3所示，该交通警情态势分析研判设备800可以包括：处理器801，存储器802。该交通警情态势分析研判设备800还可以包括多媒体组件803，输入/输出(I/O)接口804，以及通信组件805中的一者或多者。
其中，处理器801用于控制该交通警情态势分析研判设备800的整体操作，以完成上述的交通警情态势分析研判方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该交通警情态势分析研判设备800的操作，这些数据例如可以包括用于在该交通警情态势分析研判设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(StaticRandom Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该交通警情态势分析研判设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near Field Communication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，交通警情态势分析研判设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(Digital Signal Processor，简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的交通警情态势分析研判方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的交通警情态势分析研判方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由交通警情态势分析研判设备800的处理器801执行以完成上述的交通警情态势分析研判方法。
实施例3
相应于上面的方法实施例，本公开实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种交通警情态势分析研判方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的交通警情态势分析研判方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种交通警情态势分析研判方法，其特征在于，包括以下步骤：
S1.获取交通数据，所述交通数据包括交通流速度、交通事故数据和天气能见度；
S2.清洗所述交通数据，剔除异常数据；
S3.采用TLBO算法改进FCM聚类算法；
S4.使用改进后的FCM聚类算法计算交通流速度的模糊等级区间划分结果；
S5.建立警情态势分析研判决策多属性区间数；
S6.计算警情态势分析研判指标权重；
S7.计算警情态势综合分析研判指数；
其中，所述步骤S6中，包括以下步骤：
S61.由于警情态势指标等级构成的决策矩阵A中的元素为区间数，因此引入区间数相离度的概念；设两个区间数为a＝[aL,aU]，b＝[bL,bU]，D(a,b)为区间数a，b的相离度：
S62.将标准化处理后的决策矩阵
转化为相离度矩阵D＝(dij)m×n，其中
为理想指标值；
S63.利用下式：
将D＝(dij)m×n规范化为：
P＝(pij)m×n
S64.求指标Ij下的熵：
S65.计算各评价指标的熵权：
上述公式中，dij表示经相离度矩阵i行j列的元素；Pij表示经过公式
规范化后m行n列的矩阵P中的每个元素；Ij表示交通事故、交通流速度、天气能见度三个指标中第j个,其中j＝1,2,3；j＝1时，代表交通事故；j＝2时，代表交通流速度；j＝3时，代表天气能见度；Ej表示第j个指标下的熵；k＝-1/lnm为常数，0≤Ej≤1；Vj表示第j个指标的熵权；n为指标总数；
所述步骤S7中，包括以下步骤：
S71.构建指标区间数决策矩阵A：若样本Xi在第j个评价指标Gj下的取值为区间数
其中，i＝1，2，…m，j＝1，2，…n；则指标区间数的决策矩阵A为：
S72.将“逆向指标”转为“正向指标”：“逆向指标”是指取值越小越好的指标，“正向指标”是指取值越大越好的指标；若第j个指标为“逆向指标”，则可通过以下计算公式将其转化为“正向指标”：
上述公式中，
表示原区间数的上界，
表示原区间数的下界；
S73.标准化处理指标区间数决策矩阵A，得到标准化区间数决策矩阵
其计算公式如下：
其中，||Aj||表示区间数决策矩阵A的列组成的区间数列向量元素的最大值；
S74.求区间数加权决策矩阵
其中
按如下公式计算：
其中，
表示准化区间数决策矩阵中元素区间数的下界，
表示准化区间数决策矩阵中元素区间数的上界；
S75.确定参考数列；参考数列的各元素应由加权区间数标准化指标值的最优区间数组成；若令
则参考数列为：
其中，
表示第n个指标参考数列的下界，即为加权区间数标准化指标值的最小下界；
表示第n个指标参考数列的上界，即为加权区间数标准化指标值的最大上界；
S76.计算各加权区间数标准化指标值数据列对于最优参考数据列的关联度；首先，计算各评价指标的加权区间数标准化指标值数据列
与参考数列U0的关联系数ξi(k)：
其中，ρ∈(0,+∞)为分辨系数，值越小，分辨能力越大，一般取[0,1]，常取值为ρ＝0.5；
表示第i个评价指标第k个加权区间数标准化指标值的下界；
其次，求得关系系数ξi(k)后，第i个评价指标与参考数列的关联度为：
其中，ξi(k)代表第i个评价指标的加权区间数标准化指标值数据列与第k个评级指标的参考数列的关联度系数，其中，i＝1，2，…，m。
2.根据权利要求1所述的交通警情态势分析研判方法，其特征在于：所述交通流速度为城市道路空间交通流速度，由交通流检测器以一固定频率采集上传。
3.根据权利要求1所述的交通警情态势分析研判方法，其特征在于，所述步骤S2中，包括以下步骤：
S21.处理所述交通事故数据，找到实际事故点；
S22.处理交通流速度数据，得到平滑后的交通流速度数据，所述处理交通流速度数据包括填补真空数据步骤、补充缺失数据步骤和修复异常数据步骤；
S23.处理天气能见度数据，具体为填补真空数据。
4.根据权利要求3所述的交通警情态势分析研判方法，其特征在于，所述处理所述交通事故数据，找到实际事故点，包括以下步骤：
S211.利用数据库中SQL语句进行约减；
S212.利用百度API接口，从百度坐标转换成为标准的WGS84坐标；
S213.以事故点为中心，以100m为半径画圆，识别到可备选的路段集合；
S214.计算事故点到各备选路段中心线的垂直距离，其计算公式如下：
其中，di表示事故地点到各备选路段中心线的垂直距离，xs、ys分别为事故点的经纬度；x1、y1为路段i中心线上的任意一点经纬度坐标；x2、y2为路段i中心线上的另一点经纬度坐标；
S215.将距离最近的垂足作为消除偏差后的实际事故点。
5.根据权利要求1所述的交通警情态势分析研判方法，其特征在于，所述步骤S3中，包括以下步骤：
S31.利用TLBO算法计算交通流速度优化聚类结果；
S32.将TLBO算法计算得到的交通流速度聚类结果作为FCM聚类算法的初始聚类中心。
6.一种交通警情态势分析研判设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。
7.一种可读存储介质，其特征在于：所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110638146.9A CN113570846B (zh) | 2021-06-08 | 2021-06-08 | 一种交通警情态势分析研判方法、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110638146.9A CN113570846B (zh) | 2021-06-08 | 2021-06-08 | 一种交通警情态势分析研判方法、设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113570846A CN113570846A (zh) | 2021-10-29 |
| CN113570846B true CN113570846B (zh) | 2022-11-04 |
Family
ID=78161769
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110638146.9A Active CN113570846B (zh) | 2021-06-08 | 2021-06-08 | 一种交通警情态势分析研判方法、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113570846B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104599500A (zh) * | 2015-01-14 | 2015-05-06 | 南京信息工程大学 | 基于灰熵分析和改进贝叶斯融合的交通流预测方法 |
| CN104778837A (zh) * | 2015-04-14 | 2015-07-15 | 吉林大学 | 一种道路交通运行态势多时间尺度预测方法 |
| CN104992557A (zh) * | 2015-05-13 | 2015-10-21 | 浙江银江研究院有限公司 | 一种城市交通警情等级预测方法 |
| CN109035777A (zh) * | 2018-08-23 | 2018-12-18 | 河南中裕广恒科技股份有限公司 | 交通运行态势分析方法及*** |
| CN109345069A (zh) * | 2018-08-28 | 2019-02-15 | 武汉华喻燃能工程技术有限公司 | 一种基于相离度和集成赋权的火电脱硝技术评价方法 |
| CN110889536A (zh) * | 2019-10-29 | 2020-03-17 | 新智认知数字科技股份有限公司 | 警情态势预测和预警方法及其*** |
| DE102020001573A1 (de) * | 2020-03-10 | 2020-10-15 | Daimler Ag | Verfahren zur Unterdrückung von einem Assistenzsystem eines Fahrzeugs ausgegebener Warnungen |
| CN112270428A (zh) * | 2020-07-30 | 2021-01-26 | 武汉烽火众智数字技术有限责任公司 | 一种考虑空间扩散效应的警情态势预测方法和*** |
| CN112488545A (zh) * | 2020-12-07 | 2021-03-12 | 中国矿业大学(北京) | 一种煤矿生产预警的智能决策方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9286801B2 (en) * | 2013-03-06 | 2016-03-15 | International Business Machines Corporation | Leveraging information for use in a traffic prediction scenario |
-
2021
- 2021-06-08 CN CN202110638146.9A patent/CN113570846B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104599500A (zh) * | 2015-01-14 | 2015-05-06 | 南京信息工程大学 | 基于灰熵分析和改进贝叶斯融合的交通流预测方法 |
| CN104778837A (zh) * | 2015-04-14 | 2015-07-15 | 吉林大学 | 一种道路交通运行态势多时间尺度预测方法 |
| CN104992557A (zh) * | 2015-05-13 | 2015-10-21 | 浙江银江研究院有限公司 | 一种城市交通警情等级预测方法 |
| CN109035777A (zh) * | 2018-08-23 | 2018-12-18 | 河南中裕广恒科技股份有限公司 | 交通运行态势分析方法及*** |
| CN109345069A (zh) * | 2018-08-28 | 2019-02-15 | 武汉华喻燃能工程技术有限公司 | 一种基于相离度和集成赋权的火电脱硝技术评价方法 |
| CN110889536A (zh) * | 2019-10-29 | 2020-03-17 | 新智认知数字科技股份有限公司 | 警情态势预测和预警方法及其*** |
| DE102020001573A1 (de) * | 2020-03-10 | 2020-10-15 | Daimler Ag | Verfahren zur Unterdrückung von einem Assistenzsystem eines Fahrzeugs ausgegebener Warnungen |
| CN112270428A (zh) * | 2020-07-30 | 2021-01-26 | 武汉烽火众智数字技术有限责任公司 | 一种考虑空间扩散效应的警情态势预测方法和*** |
| CN112488545A (zh) * | 2020-12-07 | 2021-03-12 | 中国矿业大学(北京) | 一种煤矿生产预警的智能决策方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于层次分析法和熵值法的城市轨道交通车站安全评价;潘丽莎等;《城市轨道交通研究》;20150910(第09期);全文 * |
| 灰色关联度和DTOPSIS法综合分析河南区域试验中大豆新品种(系)的农艺性状表现;昝凯等;《大豆科学》;20181009(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113570846A (zh) | 2021-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11335179B1 (en) | Water environment risk prediction and early warning method | |
| Demissie et al. | Intelligent road traffic status detection system through cellular networks handover information: An exploratory study | |
| CN109145954B (zh) | 一种基于多源时空数据的网约车出行安全评价方法及*** | |
| CN105788269A (zh) | 基于无人机的异常交通识别方法 | |
| CN112530163B (zh) | 交通事故预测方法、装置、电子设备及存储介质 | |
| CN116631186B (zh) | 基于危险驾驶事件数据的高速公路交通事故风险评估方法、*** | |
| CN111445369A (zh) | 基于lbs大数据的城市大型聚集活动情报预警方法和装置 | |
| CN113870564A (zh) | 一种封闭路段交通拥堵分类方法、***、电子设备及存储介质 | |
| Zhao et al. | Factors affecting traffic risks on bridge sections of freeways based on partial dependence plots | |
| CN116824868B (zh) | 车辆非法停驻点识别及拥堵预测方法、装置、设备及介质 | |
| Evans et al. | Evolution and future of urban road incident detection algorithms | |
| Yang et al. | Developing a new real-time traffic safety management framework for urban expressways utilizing reinforcement learning tree | |
| CN113570846B (zh) | 一种交通警情态势分析研判方法、设备及可读存储介质 | |
| CN112365092A (zh) | 城市轨道交通路网大客流风险自适应预警*** | |
| CN115830873B (zh) | 城市道路交通事件分类方法、装置、设备及可读存储介质 | |
| CN116935643A (zh) | 交通管理方法、装置、设备及存储介质 | |
| CN117172461A (zh) | 自动驾驶公交调度***及基于客流预测的公交调度方法 | |
| CN115171372B (zh) | 一种交通异常检测方法、设备及装置 | |
| Marciniuk et al. | Machine learning applied to acoustic-based road traffic monitoring | |
| Tan et al. | Decision-making method for high-speed rail early warning system in complex earthquake situations | |
| CN108665705B (zh) | 交通诱导统计模型校对方法及装置 | |
| Sun et al. | Deep learning-based probability model for traffic information estimation | |
| CN117894181B (zh) | 一种全域通行异常状况集成监测方法及*** | |
| CN115035722B (zh) | 基于时空特征和社交媒体相结合的道路安全风险预测方法 | |
| Karnati et al. | Data Mining Algorithms for Traffic Interruption Detection. |
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 |