一种基于主成分分析算法的道路交通时间序列上数据压缩方法技术

一种基于主成分分析算法的道路交通时间序列数据压缩方法，首先，基于道路交通时间序列上历史数据，结合主成分分析方法，获取道路交通历史数据的投影矩阵；其次，基于道路交通时间序列上实时数据，获得道路交通数据矩阵；基于投影矩阵，获取道路交通数据矩阵的主成分，实现道路交通时间序列上实时数据的压缩；最后，基于道路交通数据矩阵的主成分和投影矩阵，求取重构的数据矩阵，实现道路交通时间序列上实时数据的重构。实验结果表明，本方法在道路交通时间序列上数据压缩方面具有很好的性能。

【技术实现步骤摘要】

本专利技术属于道路交通数据处理领域，涉及道路交通数据的分析与压缩，是一种道路交通数据的压缩方法。
技术介绍
随着智能交通系统数据采集技术的不断发展，基于连续采集得到的智能交通数据，交通领域即将面临海量数据问题，必须对其进行有效的数据压缩,才能进行处理、分析和存储。交通流数据的内在特征主要包括：周期性、相似性、相关性等。邻近路段的交通流之间存在着复杂的时空关联关系，往往相似性较高，同一交通流在时间上表现出极强的相关性与周期性。这些相似性表明数据中存在大量的冗余信息。基于交通流相似性的特征，目前已有多种方法应用到道路交通数据压缩领域中。主要包括：主成分分析法(PCA)、独立成分分析、预测编码与字典编码串联法、基于小波(包)变换方法、人工神经网络等方法。其主要利用变换域的思想，将道路交通数据进行多尺度变换并进行相关处理，实现数据的压缩，并且取得较好的效果。既有的道路交通数据压缩方法大多对道路交通网络数据进行数据压缩，对同一路段时间序列上的数据压缩方法研究较少。
技术实现思路
为了克服已有道路交通数据压缩方法的算法复杂、处理速度较慢的不足，本专利技术提供一种简化算法、提升处理速度的基于主成分分析
算法的道路交通时间序列数据压缩方法。本专利技术解决其技术问题所采用的技术方案是：一种基于主成分分析算法的道路交通时间序列数据压缩方法，所述方法包括以下步骤：1)基于道路交通特征参考序列的历史数据，获取道路交通投影矩阵，过程如下：从道路交通特征参考序列中提取该路段同一模态、同一时段的交通状态时间序列上历史数据，并将其变换为p×q的矩阵，记为：Apⅹq，其中，p×q＝n；矩阵Apⅹq第j列的均值为：aj=1pΣi=1pAi,j---(1)]]>基于aj，获得Apⅹq的归一化矩阵SApⅹq：SAi,j=(Ai,j-aj)(Σi=1p(Ai,j-aj)2)-12---(2)]]>归一化矩阵SA的协方差矩阵CSA为：CSA=1p-1(SAT*SA)---(3)]]>获得协方差矩阵CSA的特征值D和特征向量V，则D＝[λ1,λ2…λq]；λ1≥λ2≥…≥λq；V＝[v1,v2…vq]；则前i个特征值对应的累积贡献率Per(i)为：Per(i)=Σk=1iλi/Σk=1qλi---(4)]]>设定累积贡献率的阈值为Thr，则选取阈值范围内的特征向量构成投影矩阵，即为：VS＝[v1,v2…vr]Per(r)≥Thr (5)基于投影矩阵VS，获取零均值矩阵的主成分PApⅹr：PApⅹr＝SApⅹq×VSqⅹr (6)其中，p表示矩阵的行，q表示矩阵的列，n表示历史数据采集个数，0<p<n，0<q<n；λi、vi分别表示第i个特征值和特征向量，0<i<q，压缩比为：r/q，基于压缩比，获取最优的投影矩阵和相应的(p,q)；2)基于投影矩阵和时间序列上实时数据构成的数据矩阵，获取数据矩阵的主成分，实现道路交通时间序列上实时数据的压缩，过程如下：获取道路交通时间序列上实时数据，并将其变换为pⅹq的矩阵，记为：Bpⅹq，其中，pⅹq＝n；矩阵Bpⅹq第j列的均值为：bj=1pΣi=1pBi,j---(7)]]>基于bj，获得Bpⅹq的零均值矩阵SBpⅹq：SBi,j＝(Bi,j-bj) (8)基于投影矩阵VS，获取零均值矩阵的主成分PBpⅹr：PBpⅹr＝SBpⅹq×VSqⅹr (9)实现零均值化处理后的矩阵的压缩，间接实现道路交通时间序列上实时数据的压缩，压缩比为：r/q。进一步，所述方法还包括以下步骤：3)基于数据矩阵的主成分和投影矩阵，求取重构的实时数据，实现道路交通时间序列上实时数据的解压，过程如下：基于道路交通实时数据零均值化处理矩阵的主成分PBpⅹr和投影矩阵的转置VST，重构道路交通实时数据零均值化处理矩阵cstSBpⅹq：cstSBpⅹq＝PBpⅹr×VSqⅹrT (10)基于重构道路交通实时数据零均值化处理矩阵和均值数据，重构道路交通数据矩阵cstBi,j：cstBi,j＝cstSBi,j+bj (11)。本专利技术的技术构思为：由于交通参与者的出行需求、出行时间具有一定的规律性，故同一路段的道路交通状态在相似的时间节点上具有很强的相关性，即同一路段的道路交通状态变化曲线具有一定的周期性。该周期从大到小可以分为周、月、季度、年等不同单位，并各自表征出不同的相关特性。基于道路交通时间序列上相关性的特点，针对同一路段时间序列上的交通数据进行压缩。本专利技术的有益效果主要表现在：基于道路交通时间序列上历史数据，获取道路交通投影矩阵；基于道路交通时间序列上实时数据，获得道路交通数据矩阵；基于投影矩阵，获取道路交通数据矩阵的主成分，实现道路交通时间序列上实时数据的压缩；基于道路交通数据矩阵的主成分和投影矩阵，求取重构的道路交通数据，实现道路交通时间序列上实时数据的解压，最终实现道路交通数据的重构。附图说明图1是基于主成分分析算法的道路交通时间序列数据压缩方法的流程图。图2是重构方法的流程图。具体实施方式下面结合附图对本专利技术作进一步描述。参照图1和图2，一种基于主成分分析算法的道路交通时间序列数据压缩方法，包括以下步骤：1)基于道路交通时间序列上的历史数据，获取道路交通投影矩阵，过程如下：从道路交通特征参考序列中提取该路段同一模态、同一时段的道路交通状态时间序列上历史数据，并将其变换为p×q的矩阵，记为：Apⅹq，其中，p×q＝n。矩阵Apⅹq第j列的均值为：aj=1pΣi=1pAi,j---(1)]]>基于aj，获得Apⅹq的归一化矩阵SApⅹq：SAi,j=(Ai,j-aj)(Σi=1p(Ai,j-aj)2)-12---(2)]]>归一化矩阵SA的协方差矩阵CSA为：CSA=1p-1(SAT*SA)---(3)]]>获得协方差矩阵CSA的特征值D和特征向量V，则D＝[λ1,λ2…λq]；λ1≥λ2≥…≥λq；V＝[v1,v2…vq]；则前i个特征值对应的累积贡献率Per(i)为：Per(i)=Σk=1iλi/Σk=1qλi---(4)]]>设定累积贡献率的阈值为Thr，则选取阈值范围内的特征向量构成投影矩阵，即为：VS＝[v1,v2…vr]Per(r)≥Thr (5)基于投影矩阵VS，获取零均值矩阵的主成分PApⅹr：PApⅹr＝SApⅹq×VSqⅹr (6)其中，p表示矩阵的行，q表示矩阵的列，n表示历史数据采集个数，0<p<n，0<q<n；λi、vi分别表示第i个特征值和特征向量，0<i<q。压缩比为：r/q。基于压缩比，获取最优的投影矩阵和相应的(p,q)，完成训练的过程。2)基于道路交通时间序列上实时数据，获得道路交通数据矩阵；基于投影矩阵，获取道路交通数据矩阵的主成分，实现道路交通时间序列上实时数据的压缩，过程如下：获取道路交通时间序列上实时数据，并将其变换为pⅹq的矩阵，记为：Bpⅹq，其中，pⅹq＝n。矩阵Bpⅹq第j列的均值为：bj=1pΣi=1pBi,j---本文档来自技高网...

【技术保护点】
一种基于主成分分析算法的道路交通时间序列数据压缩方法，其特征在于：所述方法包括以下步骤：1)基于道路交通特征参考序列的历史数据，获取道路交通投影矩阵，过程如下：从道路交通特征参考序列中提取该路段同一模态、同一时段的交通状态时间序列上历史数据，并将其变换为p×q的矩阵，记为：Apⅹq，其中，p×q＝n；矩阵Apⅹq第j列的均值为：aj=1pΣi=1pAi,j---(1)]]>基于aj，获得Apⅹq的归一化矩阵SApⅹq：SAi,j=(Ai,j-aj)(Σi=1p(Ai,j-aj)2)-12---(2)]]>归一化矩阵SA的协方差矩阵CSA为：CSA=1p-1(SAT*SA)---(3)]]>获得协方差矩阵CSA的特征值D和特征向量V，则D＝[λ1,λ2…λq]；λ1≥λ2≥…≥λq；V＝[v1,v2…vq]；则前i个特征值对应的累积贡献率Per(i)为：Per(i)=Σk=1iλi/Σk=1qλi---(4)]]>设定累积贡献率的阈值为Thr，则选取阈值范围内的特征向量构成投影矩阵，即为：VS＝[v1,v2…vr] Per(r)≥Thr     (5)基于投影矩阵VS，获取零均值矩阵的主成分PApⅹr：PApⅹr＝SApⅹq×VSqⅹr       (6)其中，p表示矩阵的行，q表示矩阵的列，n表示历史数据采集个数，0<p<n，0<q<n；λi、vi分别表示第i个特征值和特征向量，0<i<q，压缩比为：r/q，基于压缩比，获取最优的投影矩阵和相应的(p,q)；2)基于投影矩阵和时间序列上实时数据构成的数据矩阵，获取数据矩阵的主成分，实现道路交通时间序列上实时数据的压缩，过程如下：获取道路交通时间序列上实时数据，并将其变换为pⅹq的矩阵，记为：Bpⅹq，其中，pⅹq＝n；矩阵Bpⅹq第j列的均值为：bj=1pΣi=1pBi,j---(7)]]>基于bj，获得Bpⅹq的零均值矩阵SBpⅹq：SBi,j＝(Bi,j‑bj)       (8)基于投影矩阵VS，获取零均值矩阵的主成分PBpⅹr：PBpⅹr＝SBpⅹq×VSqⅹr      (9)实现零均值化处理后的矩阵的压缩，间接实现道路交通时间序列上实时数据的压缩，压缩比为：r/q。...

【技术特征摘要】
1.一种基于主成分分析算法的道路交通时间序列数据压缩方法，其特征在于：所述方法包括以下步骤：1)基于道路交通特征参考序列的历史数据，获取道路交通投影矩阵，过程如下：从道路交通特征参考序列中提取该路段同一模态、同一时段的交通状态时间序列上历史数据，并将其变换为p×q的矩阵，记为：Apⅹq，其中，p×q＝n；矩阵Apⅹq第j列的均值为：aj=1pΣi=1pAi,j---(1)]]>基于aj，获得Apⅹq的归一化矩阵SApⅹq：SAi,j=(Ai,j-aj)(Σi=1p(Ai,j-aj)2)-12---(2)]]>归一化矩阵SA的协方差矩阵CSA为：CSA=1p-1(SAT*SA)---(3)]]>获得协方差矩阵CSA的特征值D和特征向量V，则D＝[λ1,λ2…λq]；λ1≥λ2≥…≥λq；V＝[v1,v2…vq]；则前i个特征值对应的累积贡献率Per(i)为：Per(i)=Σk=1iλi/Σk=1qλi---(4)]]>设定累积贡献率的阈值为Thr，则选取阈值范围内的特征向量构成投影矩阵，即为：VS＝[v1,v2…vr] Per(r)≥Thr (5)基于投影矩阵VS，获取零均值矩阵的主成分PApⅹr：PApⅹr＝SApⅹq×VSqⅹr (6)其中，p表示矩阵的行，q表示矩阵的列，n表示历史数据采集个数，0<p<n，0<q<n；λ...

【专利技术属性】
技术研发人员：徐东伟，王永东，张贵军，李章维，周晓根，郝小虎，丁情，吴浪，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33