CN114267184B - 一种多元行为数据挖掘方法 - Google Patents

Abstract

本发明公开了一种多元行为数据挖掘方法，具体涉及路政技术领域，通过各个收费站建立的数据服务集群，使其针对于多元化的数据及其驾车人员的行为数据进行整合，其结合自然，路况和人为因素，与时间尺度相配合，使其预测出不同路段未来一段时间的车流状态，其时间尺度的预测通过不同时间段的历史日期流量平均值即可获取，能够较为准确的预估出现堵塞的概率，同步配合上述检测的信息，检索符合的对应历史数据特征，并获取其处理方法，整合出历史方案中的高效处置措施，能够实现提前预警和整理出相应的建议措施，使其解决了相较于传统交通量预测模型仅考虑交通量的时间特性而导致预测效果不佳的问题。

Description

一种多元行为数据挖掘方法

技术领域

本发明涉及道路信息技术领域，更具体地说，本发明涉及一种多元行为数据挖掘方法。

背景技术

随着信息化技术的迅猛发展，人们的行为越来越多地被记录在相关计算机***中。例如，证券交易***，***消费***和医疗保障***等等。由于人们日复一日的生活节奏，很多计算机***的数据记录也是日复一日的进行，因此这种每人每天的行为数据形成行为数据集。通过挖掘行为数据集，能够揭示人们的各种行为方式、现象和规律。

高速公路属于高等级公路，高速公路“能适应年平均昼夜小客车交通量为25000辆以上、专供汽车分道高速行驶、并全部控制出入的公路”。各国尽管对高速公路的命名不同，但都是专指有4车道以上、两向分隔行驶、完全控制出入口、全部采用立体交叉的公路。

随着目前的信息化发展步伐持续，各个行业的电子化及信息化程度越来越高，作为公路部门而言，高速出现拥堵在一些地区已经成为了常态，针对于目前的高速公路而言，往往由于出现地区的堵塞后，再进行疏通，会出现准备工作不足，使其造成长时间的持续性通过性受阻的问题，针对于上述问题，造成的原因往往是多元化的，且作为车辆行驶的数据而言，具备较高的变量，导致目前的传统交通量预测模型仅考虑交通量的时间特性，进而导致预测效果不佳，无法有效的达到提前决策的效果。

发明内容

为了克服现有技术的上述缺陷，本发明提供了一种多元行为数据挖掘方法，本发明所要解决的技术问题是：高速出现拥堵在一些地区已经成为了常态，出现堵塞的原因往往是多元化的，作为个人的行驶行为数据而言，具备较高的变量，导致目前的传统交通量预测模型仅考虑交通量的时间特性，进而导致预测效果不佳，无法有效的达到提前决策的效果的问题。

为实现上述目的，本发明提供如下技术方案：一种多元行为数据挖掘方法，包括以下方法：

S1、依据高速公路全长路段进出口收费站建立数据服务集群，获取各收费站车辆进出数量以及车辆种类信息。

S2、检测高速公路全路段状态信息，获取能见度、地面潮湿度以及天气信息上传至数据服务集群。

S3、基于数据服务集群下层建立全路段交通状态实时监测网络，对车辆通过速度以及车辆密度进行数据采集。

S4、通过S2获取的天气和路段信息预估整路段各区域之间的安全通行速度，同步实时预测当前时段高速公路最佳通行容纳量。

S5、依据各收费站的车辆出入信息，获取各路段之间的实际通行量。

S6、通过将实际通行量与最佳通行容纳量对比，获取实时比值，依据实时比值控制对应收费站的车辆进入。

S7、综合评定各收费站的日均通车数量，区分集中通行时段，建立不同时段的各收费站平均通行热力图。

S8、依据不同时段的各收费站平均通行数据并结合对应日期的历史通行数值的平均流量预测未来一段时间各收费站的车流数据。

S9、依据各收费站的未来车流数据在数据服务集群中与高速公路全路段状态信息和实时比值之间配合，对后续的高速公路压力做出提前量判断，并做出提醒。

S10、全年数据实时备份到数据服务集群，结合未来天气预报数据的接入，检测历史状态相似项，做出提前反应预警，并提取最佳处理措施。

作为本发明的进一步方案：所述实时比值控制对应收费站的车辆进入方式为，实际通行量A与最佳通行容纳量B之比为A:B，当A>B时对该检测路段内的收费站限制进入，当A<B时无限制进入，当A＝B时限制大型货车进入。

作为本发明的进一步方案：所述交通状态实时监测网络间隔10km布置一处检测站，所述检测站设置车速、车型、每分钟通行数量、能见度和天气检测功能一体化设备。

作为本发明的进一步方案：所述S8中预测未来一段时间内的各收费站的车流数据预估包括以下公式；

当天总体流量预估：

K＝[(M₁/At₁+M₂/At₂+...+M_n/At_n)/i+(L₁/Bt₁+L₂/Bt₂+...+L_n/Bt_n)/i]/2；

当天特定时间段流量预估：

K＝[(M_n/At_n)/i+(L_n/Bt_n)/i]/2；

其中：At为当下时间段、M为当下时间段的车流数量、L为历史车流数量、Bt为历史时间段、i为历史时间段的车流数量、K为未来车流量预测值。

作为本发明的进一步方案：所述S10中全年数据实时备份到数据服务集群过程中，对数据进行特征提取，其特征提取变量包括：日期信息、天气信息、拥堵长度、拥堵路段和车流数据信息。

作为本发明的进一步方案：所述S7中不同时段的各收费站平均通行热力图建立方式为，通过各收费站全天不同时间段内通行车辆的数量将高速路线全程收费站的对应站点数据分别渲染为深度不同的色彩。

作为本发明的进一步方案：所述最佳通行容纳量的计算方式为：

Q＝[(e*s)/z]；

其中：s为平均时速、e为车辆并行数量、Q为容纳量、z为车辆综合占用距离且z＝u₁+u₂+u₃、u₁为车体平均长度、u₂为车辆平均制动距离、u₃为安全车距。

作为本发明的进一步方案：所述全路段状态信息包括高速公路的维护路段施工信息及其整体路况和各区域的限速信息。

本发明的有益效果在于：

本发明通过各个收费站建立的数据服务集群，使其针对于多元化的数据及其驾车人员的行为数据进行整合，配合对公路的最佳通行容量与实际通行量的对比，使其能够依据实际的比值实时的控制对应路段收费站进车状态，能够精确的控制拥堵路段的车流量，其结合自然，路况和人为因素，与时间尺度相配合，使其预测出不同路段未来一段时间的车流状态，其时间尺度的预测通过不同时间段的历史日期流量平均值即可获取，能够较为准确的预估出现堵塞的概率，同步配合上述检测的信息，检索符合的对应历史数据特征，并获取其处理方法，整合出历史方案中的高效处置措施，能够实现提前预警和整理出相应的建议措施，使其解决了相较于传统交通量预测模型仅考虑交通量的时间特性而导致预测效果不佳的问题。

附图说明

图1为本发明的概览流程框图；

图2为本发明车辆驶离高速的平均曲线模型示意图。

具体实施方式

下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1：

一种多元行为数据挖掘方法，包括以下方法：

S1、依据高速公路全长路段进出口收费站建立数据服务集群，获取各收费站车辆进出数量以及车辆种类信息。

S2、检测高速公路全路段状态信息，获取能见度、地面潮湿度以及天气信息上传至数据服务集群。

S3、基于数据服务集群下层建立全路段交通状态实时监测网络，对车辆通过速度以及车辆密度进行数据采集。

S4、通过S2获取的天气和路段信息预估整路段各区域之间的安全通行速度，同步实时预测当前时段高速公路最佳通行容纳量。

S5、依据各收费站的车辆出入信息，获取各路段之间的实际通行量。

S6、通过将实际通行量与最佳通行容纳量对比，获取实时比值，依据实时比值控制对应收费站的车辆进入。

S7、综合评定各收费站的日均通车数量，区分集中通行时段，建立不同时段的各收费站平均通行热力图。

S8、依据不同时段的各收费站平均通行数据并结合对应日期的历史通行数值的平均流量预测未来一段时间各收费站的车流数据。

S9、依据各收费站的未来车流数据在数据服务集群中与高速公路全路段状态信息和实时比值之间配合，对后续的高速公路压力做出提前量判断，并做出提醒。

S10、全年数据实时备份到数据服务集群，结合未来天气预报数据的接入，检测历史状态相似项，做出提前反应预警，并提取最佳处理措施。

实时比值控制对应收费站的车辆进入方式为，实际通行量A与最佳通行容纳量B之比为A:B，当A>B时对该检测路段内的收费站限制进入，当A<B时无限制进入，当A＝B时限制大型货车进入。通过采用实时比值控制对应收费站的车辆进入，能够更为***化的针对性控制调节车辆的进入，对高速公路拥堵路段能够起到很好的缓解效果。

交通状态实时监测网络间隔10km布置一处检测站，检测站设置车速、车型、每分钟通行数量、能见度和天气检测功能一体化设备。通过采用检测站的方式进行多种信息的一体化收集，使其整体***的构建更为方便，同时同一地区的多元数据相互关联性更好。

S8中预测未来一段时间内的各收费站的车流数据预估包括以下公式；

当天总体流量预估：

K＝[(M₁/At₁+M₂/At₂+...+M_n/At_n)/i+(L₁/Bt₁+L₂/Bt₂+...+L_n/Bt_n)/i]/2；

当天特定时间段流量预估：

K＝[(M_n/At_n)/i+(L_n/Bt_n)/i]/2；

其中：At为当下时间段、M为当下时间段的车流数量、L为历史车流数量、Bt为历史时间段、i为历史时间段的车流数量、K为未来车流量预测值。

S10中全年数据实时备份到数据服务集群过程中，对数据进行特征提取，其特征提取变量包括：日期信息、天气信息、拥堵长度、拥堵路段和车流数据信息。通过采用特征提取后将全年的数据实时备份到数据服务集群中，使其能够便于后续进行历史数据检测时，通过特征数据就能够准确的检索出相应的近似数值，且特征提取后存储对于数据服务器的存储压力也大大降低。

S7中不同时段的各收费站平均通行热力图建立方式为，通过各收费站全天不同时间段内通行车辆的数量将高速路线全程收费站的对应站点数据分别渲染为深度不同的色彩。通过构建热力图，使其能够依据不同时间段的对应路段车辆进出，能够实时快速的了解拥堵是缓解还是持续加剧，能够有利于快速决策的进行。

最佳通行容纳量的计算方式为：

Q＝[(e*s)/z]；

其中：s为平均时速、e为车辆并行数量、Q为容纳量、z为车辆综合占用距离且z＝u₁+u₂+u₃、u₁为车体平均长度、u₂为车辆平均制动距离、u₃为安全车距。

并行最大行驶数量与平均时速的乘积配合车辆的综合占用距离，使其获取车辆的最佳车辆间隔即密度，最后依据密度与路距即可通过最佳行驶密度获取最佳容纳量。

一段时间内所通行全部车辆的长度估值之和除以车辆总数，即可获取车体平均长度。

全路段状态信息包括高速公路的维护路段施工信息及其整体路况和各区域的限速信息。

实施例2：

一种多元行为数据挖掘方法，包括以下方法：

S1、依据高速公路全长路段进出口收费站建立数据服务集群，获取各收费站车辆进出数量以及车辆种类信息。

S2、检测高速公路全路段状态信息，获取能见度、地面潮湿度以及天气信息上传至数据服务集群。

S3、基于数据服务集群下层建立全路段交通状态实时监测网络，对车辆通过速度以及车辆密度进行数据采集。

S4、通过S2获取的天气和路段信息预估整路段各区域之间的安全通行速度，同步实时预测当前时段高速公路最佳通行容纳量。

S5、依据各收费站的车辆出入信息，获取各路段之间的实际通行量。

S6、通过将实际通行量与最佳通行容纳量对比，获取实时比值，依据实时比值控制对应收费站的车辆进入。

S7、依据不同时段的各收费站平均通行数据并结合对应日期的历史通行数值的平均流量预测未来一段时间各收费站的车流数据。

S8、依据各收费站的未来车流数据在数据服务集群中与高速公路全路段状态信息和实时比值之间配合，对后续的高速公路压力做出提前量判断，并做出提醒。

S9、全年数据实时备份到数据服务集群，结合未来天气预报数据的接入，检测历史状态相似项，做出提前反应预警，并提取最佳处理措施。

实施例3：

一种多元行为数据挖掘方法，包括以下方法：

S1、依据高速公路全长路段进出口收费站建立数据服务集群，获取各收费站车辆进出数量以及车辆种类信息。

S2、检测高速公路全路段状态信息，获取能见度、地面潮湿度以及天气信息上传至数据服务集群。

S3、基于数据服务集群下层建立全路段交通状态实时监测网络，对车辆通过速度以及车辆密度进行数据采集。

S4、通过S2获取的天气和路段信息预估整路段各区域之间的安全通行速度，同步实时预测当前时段高速公路最佳通行容纳量。

S5、依据各收费站的车辆出入信息，获取各路段之间的实际通行量。

S6、通过将实际通行量与最佳通行容纳量对比，获取实时比值，依据实时比值控制对应收费站的车辆进入。

S7、综合评定各收费站的日均通车数量，区分集中通行时段，建立不同时段的各收费站平均通行热力图。

综上可知，本发明：通过建立的全路段交通状态实时监测网络对高速公路的多元化数据采集，依据路况信息结合自然和人为因素的行为数据对车辆行驶的影响程度，获取一个相对的最佳通行容纳量，同步的依据最佳通行容纳量与实际通行量对比，通过将其实时比值能够较为准确的通过控制后续收费站的车辆进入情况，能够极大的防止高速通行状态受到影响，起到很好的预防控制的效果，同时能够依据实时比值了解对应区域路段的通行状况，便于进行较为快速的反应，防止通行状态进一步恶化，同时将高速通行状态结合时间尺度的不同时段车辆上下高速的变化，以及历史数据的配合调取，使其能够达到较为准确的未来高速公路车辆通行状态进行提前判断，通过对高速公路的多元化数据的挖掘与整合，能够对未来通行状况的较高精度判断和预测，使其交管部门实现预先决策，能够对即将到来的问题进行战略性部署，且上述实施例中的三个使用方式为内部功能的单独使用，使其使用更为灵活。

依据抽取的多个收费站登记的车辆进出数据并汇总可知，车辆上高速后，随着时间尺度的变化，其同批次驶离高速的速度是逐渐递增随之数量减少而逐渐放缓的，并针对于多个抽取的数据获取一个车辆驶离高速的平均状态值，合并以此为数据模型估算同一收费站一个时间段内车辆密度随着距离变化数量的衰减，能够预测自上游收费站到下游多个收费站的剩余车流量影响，进而辅助预测后续的车流压力变化。

最后应说明的几点是：虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明的基础上，以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (5)

1.一种多元行为数据挖掘方法，其特征在于，包括以下方法：

S1、依据高速公路全长路段进出口收费站建立数据服务集群，获取各收费站车辆进出数量以及车辆种类信息；

S2、检测高速公路全路段状态信息，获取能见度、地面潮湿度以及天气信息上传至数据服务集群；

S3、基于数据服务集群下层建立全路段交通状态实时监测网络，对车辆通过速度以及车辆密度进行数据采集；

S4、通过S2获取的天气和路段信息预估整路段各区域之间的安全通行速度，同步实时预测当前时段高速公路最佳通行容纳量，所述最佳通行容纳量的计算方式为：

Q＝[(e*s)/z]；

其中：s为平均时速、e为车辆并行数量、Q为容纳量、z为车辆综合占用距离且z＝u₁+u₂+u₃、u₁为车体平均长度、u₂为车辆平均制动距离、u₃为安全车距；

S5、依据各收费站的车辆出入信息，获取各路段之间的实际通行量；

S6、通过将实际通行量与最佳通行容纳量对比，获取实时比值，依据实时比值控制对应收费站的车辆进入，所述实时比值控制对应收费站的车辆进入方式为，实际通行量A与最佳通行容纳量B之比为A:B，当A>B时对该检测路段内的收费站限制进入，当A<B时无限制进入，当A＝B时限制大型货车进入；

S7、综合评定各收费站的日均通车数量，区分集中通行时段，建立不同时段的各收费站平均通行热力图；

S8、依据不同时段的各收费站平均通行数据并结合对应日期的历史通行数值的平均流量预测未来一段时间各收费站的车流数据，所述预测未来一段时间内的各收费站的车流数据预估包括以下公式；

当天总体流量预估：

K＝[(M₁/At₁+M₂/At₂+...+M_n/At_n)/i+(L₁/Bt₁+L₂/Bt₂+...+L_n/Bt_n)/i]/2；

当天特定时间段流量预估：

K＝[(M_n/At_n)/i+(L_n/Bt_n)/i]/2；

其中：At为当下时间段、M为当下时间段的车流数量、L为历史车流数量、Bt为历史时间段、i为历史时间段的车流数量、K为未来车流量预测值；

S9、依据各收费站的未来车流数据在数据服务集群中与高速公路全路段状态信息和实时比值之间配合，对后续的高速公路压力做出提前量判断，并做出提醒；

S10、全年数据实时备份到数据服务集群，结合未来天气预报数据的接入，检测历史状态相似项，做出提前反应预警，并提取最佳处理措施。

2.根据权利要求1所述的一种多元行为数据挖掘方法，其特征在于：所述交通状态实时监测网络间隔10km布置一处检测站，所述检测站设置车速、车型、每分钟通行数量、能见度和天气检测功能一体化设备。

3.根据权利要求1所述的一种多元行为数据挖掘方法，其特征在于：所述S10中全年数据实时备份到数据服务集群过程中，对数据进行特征提取，其特征提取变量包括：日期信息、天气信息、拥堵长度、拥堵路段和车流数据信息。

4.根据权利要求1所述的一种多元行为数据挖掘方法，其特征在于：所述S7中不同时段的各收费站平均通行热力图建立方式为，通过各收费站全天不同时间段内通行车辆的数量将高速路线全程收费站的对应站点数据分别渲染为深度不同的色彩。

5.根据权利要求1所述的一种多元行为数据挖掘方法，其特征在于：所述全路段状态信息包括高速公路的维护路段施工信息及其整体路况和各区域的限速信息。

Images