CN117831289A - 基于大数据的公路交通数据分析*** - Google Patents

Abstract

本发明涉及大数据分析技术领域，具体涉及基于大数据的公路交通数据分析***，包括：交通数据采集模块，用于获取道路分布图中每个错位交叉口和每个非错位交叉口对应的车流量和速度，错位交叉口的连接路段长度；数据区间获取模块，用于根据每个错位交叉口的横坐标和纵坐标得到若干区间；K值获取模块，用于根据区间的密集程度得到每个区间内每个数据点的K值；异常程度获取模块，用于得到每个区间内每个数据点的异常程度；异常数据点获取模块，用于获取异常数据点进而得到待优化错位交叉口。本发明提高异常数据点的检测效率和准确性，从而便于对异常数据点对应的错位交叉口，有针对性的对存在隐患最明显的错位交叉口进行优化设计。

Description

基于大数据的公路交通数据分析***

技术领域

本发明涉及大数据分析技术领域，具体涉及基于大数据的公路交通数据分析***。

背景技术

城市公路交通中存在着大量的错位交叉口，且一般位于干道上，对公路交通的通行影响较常规交叉口更为明显，因此对错位交叉口的交通大数据进行分析就显得尤为重要，在实际的公路交通网络中针对错位交叉口进行优化设计对改善公路交通通行效率以及降低事故隐患具有重要意义，但是城市公路交通中错位交叉口的数量众多并且规模不一，实际改造时也会对地方交通产生影响，不同错位交叉口的影响也不同，局部的影响有可能会扩散至整体区域的交通网络，进而导致公路交通通行效率低。因此，需要对数量众多的错位交叉口进行判断筛选，将其中问题较为严重的错位交叉口进行优先改造，优化交叉口的设计效率。

发明内容

为解决上述问题，本发明提供基于大数据的公路交通数据分析***。

本发明的基于大数据的公路交通数据分析***采用如下技术方案：

本发明一个实施例提供了基于大数据的公路交通数据分析***，该***包括以下模块：

交通数据采集模块，用于获取任意一个地区的道路分布图，获取道路分布图中每个错位交叉口和每个非错位交叉口对应的车流量和速度，获取每个错位交叉口的连接路段长度；

数据区间获取模块，用于根据错位交叉口的连接路段长度得到每个错位交叉口的横坐标；根据错位交叉口的横坐标和错位交叉口对应的车流量和速度，得到每个错位交叉口的纵坐标；根据每个错位交叉口的横坐标和纵坐标得到若干区间，所述区间包含若干数据点；

K值获取模块，用于根据区间内数据点的坐标得到每个区间的密集程度；根据区间的密集程度得到每个区间内每个数据点的K值，所述K值为LOF算法的K值；

异常程度获取模块，用于根据数据点的K值得到每个区间内每个数据点的局部异常因子；根据数据点的局部异常因子和坐标得到每个区间内每个数据点的异常程度；

异常数据点获取模块，用于根据每个数据点的异常程度得到若干异常数据点；根据异常数据点得到若干待优化错位交叉口。

进一步地，所述根据错位交叉口的连接路段长度得到每个错位交叉口的横坐标，包括的具体步骤如下：

将任意一个错位交叉口的连接路段长度作为该错位交叉口的横坐标。

进一步地，所述根据错位交叉口的横坐标和错位交叉口对应的车流量和速度，得到每个错位交叉口的纵坐标，包括的具体步骤如下：

将任意一个错位交叉口对应所有道路的车流量按照从大到小进行排序，得到的序列记为车流量序列，将车流量序列通过最大类间方差法，得到一个分割阈值，将车流量序列中大于分割阈值的车流量对应的道路作为该错位交叉口的主干道，将车流量序列中小于或等于分割阈值的车流量对应的道路作为该错位交叉口的次干道；

式中，cx_i为第i个错位交叉口的横坐标；v_i的具体获取方法如下：将第i个错位交叉口的两个交叉口与所相邻的交叉口为非错位交叉口构成的非错位交叉口集合，记为第一集合，将第一集合中非错位交叉口的数量记为v_i；p_j为第一集合中第j个非错位交叉口的绿信比；μ为第一集合中所有非错位交叉口的绿信比的标准差；a_i,1为第i个错位交叉口的主干道的车辆平均速度；a_i,2为第i个错位交叉口的次干道的车辆平均速度；ρ₁为避免分母为0的超参数；cy_i为第i个错位交叉口的纵坐标。

进一步地，所述根据每个错位交叉口的横坐标和纵坐标得到若干区间，包括的具体步骤如下：

构建一个初始二维平面坐标系，将每个错位交叉口的横坐标和纵坐标确定的数据点在初始二维平面坐标系上进行标记，得到的结果记为最终二维平面坐标系，将TH1米作为最终二维平面坐标系横轴的一个单位长度，将最终二维平面坐标系的横轴每隔一个单位长度划分为一个区间，TH1为预设的一个第一数值，得到最终二维平面坐标系的若干区间。

进一步地，所述根据区间内数据点的坐标得到每个区间的密集程度，包括的具体步骤如下：

式中，X_j,max为第j个区间内数据点的最大横坐标；X_j,min为第j个区间内数据点的最小横坐标；Y_j,max为第j个区间内数据点的最大纵坐标；Y_j,min为第j个区间内数据点的最小纵坐标；μX_j为第j个区间内所有数据点的横坐标的标准差；μY_j为第j个区间内所有数据点的纵坐标的标准差；ρ₂和ρ₃为避免分母为0的超参数；d_j为第j个区间的密集程度，TH1为预设的一个第一数值。

进一步地，所述根据区间的密集程度得到每个区间内每个数据点的K值，包括的具体步骤如下：

式中，d_j为第j个区间的密集程度，N_j为第j个区间内数据点的个数，exp()为以自然常数为底的指数函数，K_j为第j个区间内每个数据点的K值。

进一步地，所述根据数据点的K值得到每个区间内每个数据点的局部异常因子，包括的具体步骤如下：

将每个区间内每个数据点及其K值输入到LOF算法中，输出得到每个区间内每个数据点的局部异常因子。

进一步地，所述根据数据点的局部异常因子和坐标得到每个区间内每个数据点的异常程度，包括的具体步骤如下：

将任意一个区间内任意一个数据点，记为目标数据点，在该区间内获取距离目标数据点最近的数据点，记为第一数据点；

式中，y为目标数据点的纵坐标；y1为第一数据点的纵坐标；u1为第一数据点的局部异常因子；exp()为以自然常数为底的指数函数；α为防止分母为0的超参数；β为参数因子；E为目标数据点的异常程度。

进一步地，所述参数因子的具体获取方法如下：

式中，u为目标数据点的局部异常因子。

进一步地，所述根据每个数据点的异常程度得到若干异常数据点；根据异常数据点得到若干待优化错位交叉口，包括的具体步骤如下：

将每个区间内异常程度最大的数据点作为对应区间的异常数据点；将异常数据点对应的错位交叉口作为待优化错位交叉口。

本发明的技术方案的有益效果是：本发明在采集到交通数据后，根据交通数据来量化每个错位交叉口的坐标信息，实现数据的转换，提高后续异常分析的效率，通过每个错位交叉口的坐标信息构建二维平面坐标系，并对二维平面坐标系进行了区间划分，使得连接路段长度相近的错位交叉路口可以划分到同一个区间，实现自动分类，使得划分区间后只需要在自身所在长度区间的局部范围内对纵轴参数值中的异常值进行筛选，并通过对区间的密集程度进行分析，依据密集程度得到数据点的异常程度，在进行数据点异常程度的定义时，弥补了LOF算法中没有考虑数据变化存在方向性的不足，从而对每个数据点定义出异常程度，减少数据点的异常误判，提高异常数据点的检测效率和准确性，从而便于对异常数据点对应的错位交叉口，可以有目的性的针对存在隐患最明显的错位交叉口进行优化设计，节约了对于优化设计所需资源的调度从而提高优化设计效率并减少了进行优化设计时对于交通网络的潜在影响，优化交叉口的通行效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一个实施例所提供的基于大数据的公路交通数据分析***的***框架图；

图2为本发明一个实施例所提供的基于大数据的公路交通数据分析***的第一种错位交叉口的示意图；

图3为本发明一个实施例所提供的基于大数据的公路交通数据分析***的第二种错位交叉口的示意图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于大数据的公路交通数据分析***，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的基于大数据的公路交通数据分析***的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于大数据的公路交通数据分析***的***框架图，该***包括以下模块：

交通数据采集模块：

具体的，获取任意一个地区的道路分布图，获取道路分布图中每个错位交叉口和每个非错位交叉口对应的车流量和速度，获取每个错位交叉口的连接路段长度，具体如下：

对于任意一个待分析地区，通过在该地区的交通路线的各个路口处部署交通流量传感器、摄像头及激光雷达等设备，实时监测各个路口车辆的位置、速度和轨迹等数据，将实时监测的数据结合GIS技术，本实施例得到该地区的道路分布图和道路分布图中每个错位交叉口和每个非错位交叉口在最近一天8：00到9：00时间范围内对应的车流量和速度，并获取每个错位交叉口的连接路段长度。

需要说明的是，将实时监测的数据结合GIS技术，得到该地区的道路分布图和道路分布图为GIS技术的现有方法，本实施例不再赘述，GIS提供了强大的空间分析工具，通过可视化呈现实时的道路分布图，道路分布图中包含多个交通道路的错位交叉口，主要包含两种，第一种错位交叉口由两个“T型”交叉口和交叉口之间连接的路段所组成，请参阅图2，图2为本实施例的第一种错位交叉口的示意图，图2中L表示两个“T型”交叉口的连接路段长度；第二种错位交叉口由“T型”和“Y型”两个交叉口相结合所构成的错位交叉口，请参阅图3，图3为本实施例的第二种错位交叉口的示意图，图3中L表示“T型”和“Y型”交叉口的连接路段长度；除错位交叉口之外的交叉口(路口)则为非错位交叉口。

至此，得到道路分布图和道路分布图中每个错位交叉口和每个非错位交叉口对应的车辆速度。

数据区间获取模块：

需要说明的是，本实施例在分析时，将每个错位交叉口视作一个数据点，因此需要对每个错位交叉口设计两个维度的参数，有两个维度即可构建平面直角坐标系，由此便可以将错位交叉口对应的参数转化为数据点，进而进行异常分析。

具体的，根据错位交叉口的连接路段长度得到每个错位交叉口的横坐标，具体如下：

将任意一个错位交叉口的连接路段长度作为该错位交叉口的横坐标。

需要说明的是，接下来定义错位交叉口数据点的纵轴参数，对于错位交叉口数据点纵轴参数的定义，与每个错位交叉口自身交通数据所体现出的特点有关。错位交叉口本身作为道路交通***中的一部分，目的是改善交通、提高通行效率等，但由于实际中整体公路交通运转中的随机性使得一些错位交叉口在运作时更容易产生交通问题，但是每一个错位交叉口更容易产生交通问题的程度是不同的，越容易产生交通问题的错位交叉口就可以认为是越异常的，对应到实际中就是这样的错位交叉口更需要进行优化设计，而定义纵轴参数的目的就是要能够体现出一个错位交叉口是否更容易产生交通问题的程度大小。

具体的，根据错位交叉口的横坐标和错位交叉口对应的车流量和速度，得到每个错位交叉口的纵坐标，具体如下：

将任意一个错位交叉口对应所有道路的车流量按照从大到小进行排序，得到的序列记为车流量序列，将车流量序列通过最大类间方差法，得到一个分割阈值，将车流量序列中大于分割阈值的车流量对应的道路作为该错位交叉口的主干道，将车流量序列中小于或等于分割阈值的车流量对应的道路作为该错位交叉口的次干道；需要说明的是，最大类间方差法为现有方法，本实施例不再赘述。

式中，cx_i为第i个错位交叉口的横坐标；v_i的具体获取方法如下：将第i个错位交叉口的两个交叉口与所相邻的交叉口为非错位交叉口构成的非错位交叉口集合，记为第一集合，将第一集合中非错位交叉口的数量记为v_i；p_j为第一集合中第j个非错位交叉口的绿信比；μ为第一集合中所有非错位交叉口的绿信比的标准差；a_i,1为第i个错位交叉口的主干道的车辆平均速度；a_i,2为第i个错位交叉口的次干道的车辆平均速度；ρ₁为避免分母为0的超参数，本实施例采用ρ₁＝0.01进行叙述；cy_i为第i个错位交叉口的纵坐标。

需要说明的是，获取非错位交叉口的绿信比为现有方法，本实施例不再赘述；错位交叉口的横坐标或纵坐标并不是该错位交叉口在道路分布图中对应的坐标信息，此处只是根据连接路段长度、错位交叉口的车辆速度来量化得到的坐标，便于后续确定数据点在直角坐标系的位置，进而进行异常分析；错位交叉口数据点的纵轴参数与错位交叉口间距、错位交叉口的相邻交叉口通行效率即绿信比以及错位交叉口上主干道和次干道的车辆速度有关；对于cx_i，一个错位交叉口的横轴参数在实际中指的是错位交叉口的连接路段长度，这个长度越小就越容易引起堵塞。对于一个错位交叉口存在两个交叉口，每个交叉口分别延伸两个方向，所以一个交叉口可以看作存在两个相邻交叉口，本实施例中将交叉口与相邻交叉口分为错位交叉口和非错位交叉口，如果当前交叉口的相邻交叉口均为非错位交叉口，但是只在当前交叉口体现出了阻塞(相对较低的通行效率)，而相对的，相邻交叉口的通行效率越高，就可以认为当前错位交叉口对其所在的局部区域阻塞程度越高，对应到实际中就是交通流在该错位交叉口容易发生阻塞，但是一旦脱离该错位交叉口，通行速度就会大大提高，因此主要的阻塞还是发生在该错位交叉口。错位交叉口中，主干道和次干道的车辆速度比值大，可能导致次干道的车辆难以顺利融入主干道，增加了交叉口内的冲突点，增加了事故的潜在风险，尤其是在次干道车辆试图进入主干道时，并且在实际驾驶中，车速比值较大可能意味着当司机到达交叉口时操作更为复杂，需要更高水平的驾驶技能和反应速度，而一些驾驶员可能无法适应这种高速环境，由此也会产生交通隐患。

进一步地，根据每个错位交叉口的横坐标和纵坐标得到若干区间，具体如下：

构建一个初始二维平面坐标系，即空的二维平面坐标系，将每个错位交叉口的横坐标和纵坐标确定的数据点在初始二维平面坐标系上进行标记，得到的结果记为最终二维平面坐标系，将TH1米作为最终二维平面坐标系横轴的一个单位长度，将最终二维平面坐标系的横轴每隔一个单位长度划分为一个区间，TH1为预设的一个第一数值，本实施例以TH1＝100进行叙述，得到最终二维平面坐标系的若干区间。

需要说明的是，较为典型的错位交叉口连接路段长度一般在100m～500m之间，所以将每100m作为一个单位长度，0～100为一个长度区间，100～200为一个长度区间，以此类推，这样的做法，在构建了完整坐标系之后，连接路段长度相近的错位交叉口会被自动分为一类，并且会根据纵轴对应参数值的大小在纵向方向上进行排列，自动分类后只需要在自身所在长度区间的局部范围内对纵轴参数值中的异常值进行筛选，被筛选出异常即对应错位交叉口相对于其他错位交叉口呈现出异常。

至此，根据错位交叉口的横坐标和纵坐标构建二维平面坐标系，得到二维平面坐标系的若干区间。

K值获取模块：

需要说明的是，前述中说明了连接路段长度相近的错位交叉口在坐标系中会被自动归并为一类，所以数据点在分布时会呈现明显的局部聚集性，而局部聚集性符合LOF算法所需要的数据分布情况，并且LOF算法是一种基于数据点局部密度的异常检测算法，所需要的数据形式与前述中构造的错位交叉口数据点吻合，综合以上所述，本实施例采用LOF算法进行异常错位交叉口的检测，LOF算法需要指定k距离值，而该值的选取会影响最后对于异常数据点的筛选，因此本发明中需要结合得到的数据点分布特点，定义k距离值，以此完成对异常程度明显的错位交叉口的筛选。

具体的，根据区间内数据点的坐标得到每个区间的密集程度，具体如下：

式中，X_j,max为第j个区间内数据点的最大横坐标；X_j,min为第j个区间内数据点的最小横坐标；Y_j,max为第j个区间内数据点的最大纵坐标；Y_j,min为第j个区间内数据点的最小纵坐标；μX_j为第j个区间内所有数据点的横坐标的标准差；μY_j为第j个区间内所有数据点的纵坐标的标准差；ρ₂和ρ₃为避免分母为0的超参数，本实施例采用ρ₂＝1和ρ₃＝1进行叙述；d_j为第j个区间的密集程度，TH1为预设的一个第一数值。

需要说明的是，使用每个区间中数据点的分布区域面积与区间的面积作比值，就可以求得每个区间中数据点分布的密集程度，占比例越小说明数据点在区间中分布的越密集。

进一步需要说明的是，区间中数据点分布的密集程度越高，说明点与点之间的距离倾向于是越接近的，说明如果存在异常点，那么异常点与非异常点之间也是十分接近的，接近就说明筛选应该更为严格，因此密集程度越高，对于LOF算法所需要的k距离值理应是越小的。

具体的，根据区间的密集程度得到每个区间内每个数据点的K值，具体如下：

式中，d_j为第j个区间的密集程度，exp()为以自然常数为底的指数函数，本实施例采用exp(-U)模型来呈现反比例关系及归一化处理，U为模型的输入，实施者可根据具体实施情况设置反比例函数及归一化函数，N_j为第j个区间内数据点的个数，K_j为第j个区间内每个数据点的K值。

需要说明的是，K_j的大小与区间的密集程度有关，初始k距离值的大小为区间数据点总数量的开平方值，该值会被密集程度影响，从而得到最后的K_j。

至此，得到每个区间内每个数据点的K值。

异常程度获取模块：

需要说明的是，对区间内的数据点根据前述定义的k距离值完成LOF算法，得到的结果是每个数据点对应有该数据点的局部异常因子，该因子的值越大，则说明对应数据点分布离数据点簇越离散，也即越异常。通过前述中得到纵轴参数的过程可以得知该值越大的时候说明对应的错位交叉口越偏向于是异常的，在实际中对应就是越需要进行优化设计的，传统的LOF算法在当前场景下确实可以检测出离群点，但是结合前面的纵轴参数大小的变化意义之后，可以发现LOF算法并没有考虑数据点变化的方向，在此处，变化的方向指的是数据点的纵轴参数越大，越偏向于是异常的，反之越小则越偏向于是正常的，而直接使用LO可能会导致一些朝着变小方向变化太多的数据点被判定为离群点，这明显是不对的，这也是为什么没有直接将局部异常因子的大小直接作为判断异常点的依据，因此，需要结合数据点纵轴参数变化的方向性对真正的明显异常的数据点进行定义。

具体的，根据数据点的K值得到每个区间内每个数据点的局部异常因子，具体如下：

将每个区间内每个数据点及其K值输入到LOF算法中，输出得到每个区间内每个数据点的局部异常因子。

进一步地，根据数据点的局部异常因子和坐标得到每个区间内每个数据点的异常程度，具体如下：

将任意一个区间内任意一个数据点，记为目标数据点，在该区间内获取距离目标数据点最近的数据点，记为第一数据点。

式中，y为目标数据点的纵坐标；y1为第一数据点的纵坐标；u1为第一数据点的局部异常因子；exp()为以自然常数为底的指数函数，本实施例采用exp(-U)模型来呈现反比例关系，U为模型的输入，实施者可根据具体实施情况设置反比例函数；α为防止分母为0的超参数，本实施例采用α＝1进行叙述；E为目标数据点的异常程度；β为参数因子，β的具体获取方法如下：u为目标数据点的局部异常因子。

需要说明的是，一个数据点，自身的纵轴参数大小越大，异常程度是越大的。y-y1的结果是数据点本身与距离该点最近的数据点的纵轴参数的差值，如果差值结果大于0说明当前点更靠近区间上面，说明当前该数据点是趋向于异常的，并且得到的差值越大异常越明显，距离该点最近的数据点的局部异常因子u1越小说明最近的数据点离群程度越小，也就是和区间中大部分数据点联系很紧密，那么前述中的差值在这种情况下明显是异常的，因为当前点不光自身的纵轴参数很大(从差值大小体现)，并且距离自身最近的点是一个在区间中明显聚簇的点。对于后面的指数部分，y-y1>0的条件如果不满足说明当前的数据点在区间中是位于偏向下位置的，因为距离最近的点在它上面(也就是比该点大)所以差值的结果才会为负数，u>0的条件如果不满足说明当前的数据点按照原本的LOF算法来判断就不是异常点，因此异常程度理应是较小的，而纵轴参数y越小在前述中已经说明了进行异常判断时的对应逻辑，所以异常程度对应起来也是较小的。

至此，得到每个数据点的异常程度。

异常数据点获取模块：

具体的，根据每个数据点的异常程度得到若干异常数据点，根据异常数据点得到若干待优化错位交叉口，具体如下：

将每个区间内异常程度最大的数据点作为对应区间的异常数据点，将异常数据点对应的错位交叉口作为待优化错位交叉口。

需要说明的是，由于每个区间中都可以筛选出异常点，因此可以对每个区间都定义出该区间中的异常点，即区间内异常程度最大的数据点作为对应区间的异常数据点；由于每个异常数据点都对应一个错位交叉口，因此对于异常数据点对应的错位交叉口，后续可通过对这些错位交叉口进行土建改造，从而可以有目的性的针对存在隐患最明显的错位交叉口进行优化设计，节约了对于优化设计所需资源的调度从而提高优化设计效率并减少了进行优化设计时对于交通网络的潜在影响，优化交叉口的通行效率。

至此，通过以上模块，完成基于大数据的公路交通数据分析***。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于大数据的公路交通数据分析***，其特征在于，该***包括以下模块：

交通数据采集模块，用于获取任意一个地区的道路分布图，获取道路分布图中每个错位交叉口和每个非错位交叉口对应的车流量和速度，获取每个错位交叉口的连接路段长度；

数据区间获取模块，用于根据错位交叉口的连接路段长度得到每个错位交叉口的横坐标；根据错位交叉口的横坐标和错位交叉口对应的车流量和速度，得到每个错位交叉口的纵坐标；根据每个错位交叉口的横坐标和纵坐标得到若干区间，所述区间包含若干数据点；

K值获取模块，用于根据区间内数据点的坐标得到每个区间的密集程度；根据区间的密集程度得到每个区间内每个数据点的K值，所述K值为LOF算法的K值；

异常程度获取模块，用于根据数据点的K值得到每个区间内每个数据点的局部异常因子；根据数据点的局部异常因子和坐标得到每个区间内每个数据点的异常程度；

异常数据点获取模块，用于根据每个数据点的异常程度得到若干异常数据点；根据异常数据点得到若干待优化错位交叉口。

2.根据权利要求1所述基于大数据的公路交通数据分析***，其特征在于，所述根据错位交叉口的连接路段长度得到每个错位交叉口的横坐标，包括的具体步骤如下：

将任意一个错位交叉口的连接路段长度作为该错位交叉口的横坐标。

3.根据权利要求1所述基于大数据的公路交通数据分析***，其特征在于，所述根据错位交叉口的横坐标和错位交叉口对应的车流量和速度，得到每个错位交叉口的纵坐标，包括的具体步骤如下：

将任意一个错位交叉口对应所有道路的车流量按照从大到小进行排序，得到的序列记为车流量序列，将车流量序列通过最大类间方差法，得到一个分割阈值，将车流量序列中大于分割阈值的车流量对应的道路作为该错位交叉口的主干道，将车流量序列中小于或等于分割阈值的车流量对应的道路作为该错位交叉口的次干道；

式中，cx_i为第i个错位交叉口的横坐标；v_i的具体获取方法如下：将第i个错位交叉口的两个交叉口与所相邻的交叉口为非错位交叉口构成的非错位交叉口集合，记为第一集合，将第一集合中非错位交叉口的数量记为v_i；p_j为第一集合中第j个非错位交叉口的绿信比；μ为第一集合中所有非错位交叉口的绿信比的标准差；a_i,1为第i个错位交叉口的主干道的车辆平均速度；a_i,2为第i个错位交叉口的次干道的车辆平均速度；ρ₁为避免分母为0的超参数；cy_i为第i个错位交叉口的纵坐标。

4.根据权利要求1所述基于大数据的公路交通数据分析***，其特征在于，所述根据每个错位交叉口的横坐标和纵坐标得到若干区间，包括的具体步骤如下：

构建一个初始二维平面坐标系，将每个错位交叉口的横坐标和纵坐标确定的数据点在初始二维平面坐标系上进行标记，得到的结果记为最终二维平面坐标系，将TH1米作为最终二维平面坐标系横轴的一个单位长度，将最终二维平面坐标系的横轴每隔一个单位长度划分为一个区间，TH1为预设的一个第一数值，得到最终二维平面坐标系的若干区间。

5.根据权利要求1所述基于大数据的公路交通数据分析***，其特征在于，所述根据区间内数据点的坐标得到每个区间的密集程度，包括的具体步骤如下：

式中，X_j,max为第j个区间内数据点的最大横坐标；X_j,min为第j个区间内数据点的最小横坐标；Y_j,max为第j个区间内数据点的最大纵坐标；Y_j,min为第j个区间内数据点的最小纵坐标；μX_j为第j个区间内所有数据点的横坐标的标准差；μY_j为第j个区间内所有数据点的纵坐标的标准差；ρ₂和ρ₃为避免分母为0的超参数；d_j为第j个区间的密集程度，TH1为预设的一个第一数值。

6.根据权利要求1所述基于大数据的公路交通数据分析***，其特征在于，所述根据区间的密集程度得到每个区间内每个数据点的K值，包括的具体步骤如下：

式中，d_j为第j个区间的密集程度，N_j为第j个区间内数据点的个数，exp()为以自然常数为底的指数函数，K_j为第j个区间内每个数据点的K值。

7.根据权利要求1所述基于大数据的公路交通数据分析***，其特征在于，所述根据数据点的K值得到每个区间内每个数据点的局部异常因子，包括的具体步骤如下：

将每个区间内每个数据点及其K值输入到LOF算法中，输出得到每个区间内每个数据点的局部异常因子。

8.根据权利要求1所述基于大数据的公路交通数据分析***，其特征在于，所述根据数据点的局部异常因子和坐标得到每个区间内每个数据点的异常程度，包括的具体步骤如下：

将任意一个区间内任意一个数据点，记为目标数据点，在该区间内获取距离目标数据点最近的数据点，记为第一数据点；

式中，y为目标数据点的纵坐标；y1为第一数据点的纵坐标；u1为第一数据点的局部异常因子；exp()为以自然常数为底的指数函数；α为防止分母为0的超参数；β为参数因子；E为目标数据点的异常程度。

9.根据权利要求8所述基于大数据的公路交通数据分析***，其特征在于，所述参数因子的具体获取方法如下：

式中，u为目标数据点的局部异常因子。

10.根据权利要求1所述基于大数据的公路交通数据分析***，其特征在于，所述根据每个数据点的异常程度得到若干异常数据点；根据异常数据点得到若干待优化错位交叉口，包括的具体步骤如下：

将每个区间内异常程度最大的数据点作为对应区间的异常数据点；将异常数据点对应的错位交叉口作为待优化错位交叉口。