一种基于混合高斯模型的非机动车道服务水平评价方法技术

本发明专利技术公开了一种基于混合高斯模型的非机动车道服务水平评价方法，适用于有物理隔离的非机动车道，属于交通规划技术领域。非机动车道服务水平是用来度量非机动车道提供给骑行者骑行服务好坏的一个指标。由于和机动车相比，非机动车骑行者能更直观地感受外界环境。因此骑行者感受是服务水平定级的重要依据。由于人的感受有很大的波动性，软分类的方法与实际情况更加贴合。本发明专利技术的基本思路是通过建立混合高斯模型判定某个交通流运行状态对应服务水平等级的概率，从而建立服务水平评价体系。本发明专利技术利用混合高斯模型软分类的特性，使得评价结果与骑行者的感受更为贴近，为有物理隔离的非机动车道的规划、建设与管理提供理论支持。

Evaluation method of non motorized vehicle service level based on hybrid Gauss model

The invention discloses a service level evaluation method for non-motorized lanes based on Mixture Gauss Model, which is suitable for non-motorized lanes with physical isolation and belongs to the technical field of traffic planning. The service level of non-motorized lanes is an index to measure the service provided by non-motorized lanes to cyclists. Compared with motor vehicles, non motorized riders can feel the external environment more intuitively. Therefore, the feeling of riding is an important basis for grading service level. Because of the great fluctuation of people's feelings, the method of soft classification is more appropriate to the actual situation. The basic idea of the present invention is to establish a service level evaluation system by establishing a mixture Gaussian model to determine the probability of a traffic flow operation state corresponding to the service level grade. The method makes use of the soft classification characteristics of the Mixture Gauss Model to make the evaluation results closer to the feelings of the riders, and provides theoretical support for the planning, construction and management of non-motorized lanes with physical isolation.

【技术实现步骤摘要】
一种基于混合高斯模型的非机动车道服务水平评价方法
本专利技术是一种针对有物理隔离的非机动车服务水平的评价方法，采用混合高斯模型，考虑了骑行者感受的波动性，建立软分类模型。该评价方法可以服务于非机动车道现状评价、规划、设计与管理，属于交通规划领域。
技术介绍
随着社会经济的不断发展，居民的生活水平得到了大幅度的提高，小汽车保有量增长迅速。由此，也加剧了城市的交通拥堵和环境污染。当前，非机动车交通在国内部分城市发展迅速。从公共自行车、电动自行车到共享单车，非机动车的发展形式不断得到创新，在居民日常出行中也占据着越来越重要的地位。由于非机动车环保，便捷的优点，在中短距离出行中具有很大的优势，作为城市交通的补充，和机动车出行共同构成了整个城市居民的出行网络。而非机动车道和机动车道一样作为城市道路网的一部分，承担着城市出行的重要功能。由于非机动车没有外壳将骑行者与外界环境相隔离，骑行环境对非机动车骑行者的影响更大。当前国内外对于非机动车服务水平的研究较少，且大多数研究以骑行者的感受作为服务水平的评价，但是建立的模型采用硬边界，未考虑到骑行者感受存在波动。因此，有必要针对非机动车交通流的运行特征，选取相应的评价指标，采用软分类的方法对非机动车道的服务水平进行量化分级，从而为非机动车道的规划、建设与管理提供一定的依据。
技术实现思路
本专利技术的目的在于针对现有技术的不足，提供一种基于混合高斯模型的非机动车道服务水平评价方法，由于针对交通问题的特殊性，本专利技术采用混合线性模型来建立非机动车道服务水平评价体系，由于非机动车行驶没有固定的车道，通过考虑不同宽度下非机动车交通流状态的差异，使得建立的评价体系能够适用于不同宽度的非机动车道。该方法包括以下步骤：(1)采集路段非机动车交通流参数，包括流量、密度、速度、超车次率、电动自行车比例、男性比例参数；(2)同时拍摄基于骑行者第一视角的视频，记录非机动车交通流运行状态，与所采集的交通流参数一一对应；(3)将非机动车道服务水平人为划分为N个等级，每等级对应一个分值；采用骑行者打分的方式，收集不同骑行者对视频片段的等级评分，并取其平均值作为每个片段的得分；(4)通过显著性分析对交通流参数的筛选，选择显著相关的交通流参数作为评价指标；(5)采用混合高斯模型，考虑骑行者感受的波动性，每个交通流状态所对应的服务水平等级存在概率关系，建立服务水平评价体系。步骤(1)采集路段非机动车交通流参数包括c11、调查非机动车道的基础信息，得到非机动车道的宽度、隔离形式；c12、统计路段交通流信息其中，因为非机动车行驶没有固定的车道，所以流量为单位宽度下的统计值。统计一定时间段内的车流及各非机动车的速度，获得单位宽度的流量q和该时间段内非机动车的平均速度数据v，通过交通流三参数的关系q＝kv得到密度信息k；超车次率通过以下公式计算得其中，r：超车次率；P：统计间隔内所发生的超车次数；Q：统计间隔内所通过的车辆数；此外，还需采集路段的其它交通流信息，如：电动自行车比例、男性比例，均采用人工计数统计。步骤(2)同时拍摄基于骑行者第一视角的视频，包括c21、采用自然驾驶研究方式采集视频。自然驾驶研究是指在自然状态下(无干扰、无实验人员出现、日常驾驶状态下)利用数据采集系统观测、记录骑行者在骑行过程中的具体操作以及周围交通流的运行状态。对骑行者在视频采集过程中的骑行不做任何要求，骑行者按照平时骑行习惯进行骑行。视频采集采用头戴式摄像机，用于模拟骑行者的第一视角。c22、整理数据使每个视频片段与其记录状态下的交通流参数一一对应(即同一非机动车道同一时间段内的视频片段应与采集的交通流参数相对应)。步骤(3)服务水平分级及视频片段打分包括c31、不同等级非机动车道服务水平的定性描述如下(以将服务水平分为五个等级为例)：A：非常好。车辆处于自由流状态，骑行舒适无干扰，可以自选速度和超车行为，横向位置可任意调整；B：好。自行车基本自由骑行。车之间很少干扰，骑行尚舒适，车速可以改变但稍有约束。电动自行车可以保持较高速度行驶，超车空间较大，有一定超车行为；C：一般。自行车流运行稳定，自行车道能满足基本的骑行需求。车辆之间常有干扰，车速受限，部分电动自行车行驶受到传统自行车的阻碍，自行车舒适度降低；D：不好。自行车流非稳定运行。车流密集，自行车相互干扰多，电动自行车需不断变换车道并频繁超车；E：差。骑行受限或出现拥堵，自行车骑行速度显著下降，很难发生超车行为，车流整体前行。且定义服务水平各等级对应分值为：A——0-0.2B——0.2-0.4C——0.4-0.6D——0.6-0.8E——0.8-1.0。c32、随机邀请骑行者观看所采集的记录非机动车交通流运行状况的第一视角视频，并让其根据自身的主观感受对每个视频片段所记录的交通流运行状况进行打分。之后取每个视频片段得分的均值作为该片段所对应的分值。计算如下其中，i：视频片段编号；j：被测骑行者编号；n：被测骑行者总和；Leveli：视频片段i所对应的等级得分；sij：被测骑行者j对视频片段i的打分步骤(4)筛选评价指标包括以所有视频片段的得分作为因变量，步骤c1采集的路段非机动车交通流参数作为自变量，使用spss软件进行显著性分析，选择显著相关的参数作为评价指标。步骤(5)采用混合高斯模型建立非机动车道服务水平评价体系包括c51、为消除量纲上的影响，将评价指标样本数据进行归一化处理，公式如下其中，x：样本数据原始值；x'：样本数据归一化后的值；min：样本数据最小值；max：样本数据最大值。服务水平各等级对应分值为：A——0-0.2B——0.2-0.4C——0.4-0.6D——0.6-0.8E——0.8-1.0c52、考虑骑行者感受的波动性，建立非机动车道服务水平评价模型。建立的高斯混合模型是一种概率式的聚类方法，属于生成式模型，它假设所有的数据样本都是由某一个给定参数的多元高斯分布所生成的，多元高斯分布概率密度函数的形式为其中，n为评价指标的个数，x＝(x1,x2,…,xn)T是n个评价指标所构成的向量，μ＝(μ1,μ2,…,μn)T是多元高斯分布的均值向量，μn是第n个评价指标的均值，∑是协方差矩阵。因为将服务水平分为N个等级，所以，建立的混合高斯模型为由N个多元高斯分布组合成的混合分布，概率密度函数可以表示为其中，wi为第i个多元高斯分布在混合模型中的权重(通过参数估计得到)，且有混合高斯模型的参数估计可通过EM算法进行，是一种由E步骤(求期望)和M步骤(极大化)进行不断迭代的优化过程。本专利技术的有益效果：本专利技术基于混合高斯模型，建立了有物理隔离的非机动车道服务水平评价体系，以骑行者的感受作为评价标准，考虑了骑行者感受的波动性，采用软分类的方法，使得评价结果与实际更为贴合。附图说明图1是本专利技术方法的流程示意图。具体实施方式下面结合附图对本专利技术进行详细阐述，如图1所示，本专利技术的具体步骤如下：步骤(1)采集路段非机动车交通流参数包括c11、调查非机动车道的基础信息，得到非机动车道的宽度、隔离形式；c12、统计路段交通流信息其中，因为非机动车行驶没有固定的车道，所以流量为单位宽度下的统计值。统计一定时间段内的车流及各非机动车的速度，获得单位宽度的流量q和该时间段内非机动车的本文档来自技高网...

【技术保护点】
1.一种基于混合高斯模型的非机动车道服务水平评价方法，其特征在于，包含以下步骤：(1)采集路段非机动车交通流参数，包括流量、密度、速度、超车次率、电动自行车比例、男性比例参数；(2)同时拍摄基于骑行者第一视角的视频，记录非机动车交通流运行状态，与所采集的交通流参数一一对应；(3)将非机动车道服务水平人为划分为N个等级，每等级对应一个分值；采用骑行者打分的方式，收集不同骑行者对视频片段的等级评分，并取其平均值作为每个片段的得分；(4)通过显著性分析对交通流参数的筛选，选择显著相关的交通流参数作为评价指标；(5)采用混合高斯模型，考虑骑行者感受的波动性，每个交通流状态所对应的服务水平等级存在概率关系，建立服务水平评价模型。

【技术特征摘要】
1.一种基于混合高斯模型的非机动车道服务水平评价方法，其特征在于，包含以下步骤：(1)采集路段非机动车交通流参数，包括流量、密度、速度、超车次率、电动自行车比例、男性比例参数；(2)同时拍摄基于骑行者第一视角的视频，记录非机动车交通流运行状态，与所采集的交通流参数一一对应；(3)将非机动车道服务水平人为划分为N个等级，每等级对应一个分值；采用骑行者打分的方式，收集不同骑行者对视频片段的等级评分，并取其平均值作为每个片段的得分；(4)通过显著性分析对交通流参数的筛选，选择显著相关的交通流参数作为评价指标；(5)采用混合高斯模型，考虑骑行者感受的波动性，每个交通流状态所对应的服务水平等级存在概率关系，建立服务水平评价模型。2.根据权利要求1所述的基于混合高斯模型的非机动车道服务水平评价方法，其特征在于，步骤(1)具体为：采集具有物理隔离的非机动车道路段的宽度信息，统计一定时间段内的车流及各非机动车的速度，获得单位宽度的流量q和该时间段内非机动车的平均速度数据v，通过交通流三参数的关系q＝kv得到密度信息k；超车次率通过以下公式计算得其中，r：超车次率；P：统计间隔内所发生的超车次数；Q：统计间隔内所通过的车辆数；电动自行车...

【专利技术属性】
技术研发人员：金盛，徐亮，周禹佳，常伟，王殿海，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33