基于特征参数加权GEFCM算法的高速公路地点交通状态估计方法技术

本发明专利技术属于道路交通控制系统技术领域，公开了一种基于特征参数加权GEFCM算法的高速公路地点交通状态估计方法，包括以下步骤：1)获取高速公路微波车检器采集得到的车流量、平均车速和平均占有率这三种特征参数的历史数据，构成样本矩阵；2)对步骤1)获取的数据进行预处理，所述预处理包括错误数据的识别与剔除、数据的修复、数据滤波处理；3)确定三种特征参数在聚类分析时的权重；4)对历史数据进行聚类分析；5)当获取到当前断面的交通流参数时，实时估计交通状态。本发明专利技术在考虑聚类时历史交通数据样本中存在的不均衡性的同时，考虑到不同交通流参数对于聚类的影响的差异性，从而使得提出的特征参数加权GEFCM聚类模型具有更好的聚类效果，进而在对交通状态的估计时也有更好的效果和可靠性。

【技术实现步骤摘要】
基于特征参数加权GEFCM算法的高速公路地点交通状态估计方法
本专利技术属于道路交通控制系统
，具体的为一种高速公路地点交通状态估计方法。
技术介绍
随着高速公路在我国交通运输中占的重要性越来越大，伴随着出现的交通拥堵、交通事故、环境污染等问题也越来越严重。无论是交通管理者还是出行者对交通的信息化管理需求都在逐渐增加，因此，如何利用现有的检测设备，尽可能有效准确地实现高速公路交通状态的估计，实时准确的把握当前道路的交通状况是高效管理与服务的前提，具有重要的理论研究和实际应用意义。高速公路上安装了各种用于交通数据采集的设备，如固定检测器、视频检测器、浮动车等。但是，由于覆盖面、成本等各种各样的原因，使得目前在对于高速公路交通状态估计的研究中使用较多的是固定型检测器的数据，基于固定检测器数据的地点交通状态估计方法也是多种多样的：(1)交通运输系统工程与信息(第5卷第1期，2005年2月)公开了一种基于模糊聚类的快速路交通流状况分类方法，其利用模糊聚类的方法对交通流状况的分类进行了研究，实验结果表明：用模糊聚类进行交通流状况分类是一种可行的方法，不同的交通流参数对于分类的影响不同，在速度很高、速度很低或者占有率很大的情况下可直接判断交通流状况，其他情况下需要根据交通流三个变量来综合判断；(2)Transportationscience(第41卷第2期，2007年5月)公开了一种基于扩展卡尔曼滤波的高速公路交通状态估计方法，其以安装在高速公路特定路段上的检测器检测的数据为输入，通过设计的随机宏观交通流模型，并借助于扩展卡尔曼滤波的方法实现对道路交通状态的判别，实验结果表明该方法能在一定程度上反映实际道路上交通状态的变化；(3)交通运输工程与信息学报(第5卷第3期，2007年9月)公开了一种基于遗传动态模糊聚类的道路交通状态判定方法，其通过遗传算法不断优化交通流参数间的模糊相似性与样本间的欧氏距离的映射，实现了动态的模糊聚类，实验结果表明该方法的有效性与可行性；(4)公路工程(第33卷第2期，2008年4月)公开了一种基于模糊的城市快速路交通流状态判别方法，其根据交通状态的模糊特征，结合基于知识的模糊系统，提出了用于交通状态划分的模糊集和模糊规则，并将交通状态划分为五种类别，该方法可以动态的显示路网的交通拥挤范围,为实施交通信息发布以及后期交通瓶颈的判别和改善提供依据；(5)系统工程(第28卷第8期，2010年8月)公开了一种基于FCM-粗糙集的城市快速路交通状态判别方法，其针对城市快速路的交通状态的特性，重点研究了对快速路的常发性拥挤的判别，实验结果表明模型在一定条件下可行，能够有效处理海量多源传感器数据，具有较高的判别率和较低的误判率。纵观以上各种基于固定检测器数据的方法，大多采用速度、流量、占有率三参数进行聚类分析，进而对交通状态进行判断。聚类分析主要是对历史样本数据的分析，使得相同类别属性下的数据之间的相关性大，不同类别之间的数据相关性小，但是通过对历史样本的分析可以发现，样本的空间分布存在着不均衡性，即不同状态类别的样本容量存在差异，而传统的FCM在聚类时对样本数量敏感，这样在对这类数据进行聚类时会产生误判。此外，还可以发现不同的交通流参数对于聚类时的影响不一样，因此，在采用聚类分析估计交通状态时需要考虑不同类别样本数量的差异性和不同交通流参数的差异性，这样才能更为科学、合理的估计交通状态。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于特征参数加权GEFCM算法的高速公路地点交通状态估计方法，能够考虑到历史样本中数据分布不均衡性和不同特征参数权重的差异性特点，通过调整聚类的目标函数，进而优化聚类模型，从而达到交通状态估计的目的，提高状态估计的可靠性。为达到上述目的，本专利技术提供如下技术方案：基于特征参数加权GEFCM算法的高速公路地点交通状态估计方法，包括以下步骤：1)获取高速公路微波车检器采集得到的车流量、平均车速和平均占有率这三种特征参数的历史数据，构成样本矩阵；2)对步骤1)获取的数据进行预处理，所述预处理包括错误数据的识别与剔除、数据的修复、数据滤波处理；3)确定三种特征参数在聚类分析时的权重；4)对历史数据进行聚类分析；5)当获取到当前断面的交通流参数时，实时估计交通状态。进一步，所述步骤2)中，具体采用如下方法进行错误数据的识别与剔除：在一个数据更新周期内，设定总车流量数据的阀值范围为[0,Qmax]，平均车速的阀值范围为[0,Vmax]；若采集到的总车流量数据或平均车速的数据不在对应的阀值范围内时，则表明采集的数据不可靠，并将其剔除；若采集到的总车流量数据和平均车数的数据均落在对应的阀值范围内时，则表明采集的数据可靠，保留采集的数据；其中，Qmax、Vmax分别表示在一个数据更新周期内的流量最大值和速度最大值；根据交通流理论建立错误数据判断规则，即剔除规则；然后，判断采集的数据序列是否满足剔除规则；当满足剔除规则时，将对应的数据需剔除；当不满足剔除规则时，保留对应的数据。进一步，所述步骤2)中，通过下式对数据进行修复：其中，为t时段的数据修复值；x(t-1)为(t-1)时段的实际检测值；x′(t)为同一时刻前n天的采集数据的历史均值；α为遗忘因子，α∈[0,1]；进一步，通过下式对数据进行滤波处理：St＝αXt+(1-α)St-1式中，St为t时段得到的一次指数平滑值；St-1为t-1时段得到的一次指数平滑值；Xt为t时段得到的观测值；α∈[0,1]为平滑系数。进一步，所述步骤3)具体包括如下步骤：31)将通过步骤2)预处理的车流量、平均车速和平均占有率这三种特征参数构成的样本矩阵X进行Z-score标准化，得到标准化之后的矩阵Z；32)对Z-score标准化后的矩阵Z进行相关系数计算，得到相关系数矩阵R；33)对相关系数矩阵R构造其特征方程|R-λI|＝0，得到p个特征根和特征向量，以及bt和ct，t＝1,2,…,p；其中，bt为第t个主成分的方差贡献率，ct为前t个主成分的累计方差贡献率；34)计算得到车流量、平均车速和平均占有率这三种特征参数的权重系数ωo＝{ωo1,ωo2,…,ωot}。进一步，所述步骤4)中，通过如下方法对历史数据进行聚类分析：反复迭代计算下面三式子，直至满足算法停止条件，最终确定代表不同交通状态类的聚类中心；其中，xj为第j个样本点，xjk第j个样本点的第k个特征参数；U＝(uik)c×n为隶属度矩阵，用uij表示第j个样本属于第i类的隶属度，0≤uij≤1，m∈[1,+∞)表示模糊加权指数，表征隶属度矩阵的模糊程度；ci＝(ci1,ci2,…cip)(i＝1,2,…,c)表示不同类别的聚类中心；项表现了第i类的容量属性；ω＝{ω1,ω2,…,ωt},ωk∈[0,1]，为与输入的参数序列相对应的一个特征参数权重，表示第k个特征参数在聚类中的重要性；t为特征参数的个数；n为样本点数量。进一步，所述步骤5)中，通过下式的计算，比较实时数据样本与各状态类的聚类中心的距离，基于最短距离的原则确定交通状态；其中，表示第i个聚类中心ci与第j个样本点xj之间的距离；ω＝{ω1,ω2,…,ωt},ωk∈[0,1]，为与输入的参数序列相对应的一个特征参数权重本文档来自技高网...

【技术保护点】
基于特征参数加权GEFCM算法的高速公路地点交通状态估计方法，其特征在于：包括以下步骤：1)获取高速公路微波车检器采集得到的车流量、平均车速和平均占有率这三种特征参数的历史数据，构成样本矩阵；2)对步骤1)获取的数据进行预处理，所述预处理包括错误数据的识别与剔除、数据的修复、数据滤波处理；3)确定三种特征参数在聚类分析时的权重；4)对历史数据进行聚类分析；5)当获取到当前断面的交通流参数时，实时估计交通状态。

【技术特征摘要】
1.基于特征参数加权GEFCM算法的高速公路地点交通状态估计方法，其特征在于：包括以下步骤：1)获取高速公路微波车检器采集得到的车流量、平均车速和平均占有率这三种特征参数的历史数据，构成样本矩阵；2)对步骤1)获取的数据进行预处理，所述预处理包括错误数据的识别与剔除、数据的修复、数据滤波处理；3)确定三种特征参数在聚类分析时的权重；具体包括如下步骤：31)将通过步骤2)预处理的车流量、平均车速和平均占有率这三种特征参数构成的样本矩阵X进行Z-score标准化，得到标准化之后的矩阵Z；32)对Z-score标准化后的矩阵Z进行相关系数计算，得到相关系数矩阵R；33)对相关系数矩阵R构造其特征方程|R-λI|＝0，得到p个特征根和特征向量，以及bt和ct，t＝1,2,…,p；其中，bt为第t个主成分的方差贡献率，ct为前t个主成分的累计方差贡献率；34)计算得到车流量、平均车速和平均占有率这三种特征参数的权重系数ωo＝{ωo1,ωo2,…,ωot}；4)通过如下方法对历史数据进行聚类分析：由步骤3)主成分分析得到不同特征参数的权重ωo＝{ωo1,ωo2,…,ωot}，带入下面式子，并采用下面三式子对历史的交通流参数进行反复迭代计算，直至满足算法停止条件，最终得到代表不同交通状态类的聚类中心ci；其中，xj为第j个样本点，xjk为第j个样本点的第k个特征参数；U＝(uik)c×n为隶属度矩阵，用uij表示第j个样本属于第i类的隶属度，0≤uij≤1，m∈[1,+∞)表示模糊加权指数；ci＝(ci1,ci2,…cip)，i＝1,2,…,c表示不同类别的聚类中心；项表现了第i类的容量属性；ω＝{ω1,ω2...

【专利技术属性】
技术研发人员：孙棣华，刘卫宁，赵敏，郑林江，陈兵，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;85