一种考虑速度离散特性的高速公路交通状态估计方法技术

本发明专利技术公开了一种考虑速度离散特性的高速公路交通状态估计方法，包括以下步骤：S1：设置速度离散特性指标及交通流特征参数；S2：获取交通流数据并利用RelielfF方法对交通流特征参数进行加权；S3：利用人工蜂群算法对交通流特征参数的聚类中心进行优化；S4：输出优化聚类中心并确定交通估计状态。本发明专利技术基于模糊C均值算法，通过引入速度离散特征参数，并根据不同特征对状态估计结果的贡献程度不同，利用ReliefF方法确定特征权重，并利用人工蜂群方法进行聚类初值点的优化，而实现了高速公路交通状态的估计。

【技术实现步骤摘要】

本专利技术涉及高速公路交通状态检测领域，具体涉及一种考虑速度离散特性的高速公路交通状态估计方法。
技术介绍
随着我国国民经济的发展，人均车辆保有量持续增长，道路车流量也在持续增加，由于我国高速公路在时间和空间上存在着分布不均匀性，导致了高速公路交通拥挤及交通事故频频发生，公路整体服务性能大大降低。高速公路交通状态的准确估计，可以为道路出行者和管理者提供有效的交通信息，以便及时调整出行路线和进行及时的管控措施，有效减少交通拥挤，避免二次交通事故的发生。实际交通环境中，由于加速、减速，超车和换道的频繁，导致不同车辆之间的行驶速度差异较大，这种交通流个体车辆速度存在差异的特性叫做速度离散特性。有研究表明，这种速度离散的现象会严重影响道路的通行能力并危害交通安全。尽管已经意识到车速离散对交通运行会产生严重影响，但由于受到过去检测条件的限制，人们对车速离散特性与交通运行状态之间的关系缺乏系统的认识，在估计道路运行状态的过程中，仍采用宏观交通参数(平均车速、流量和占有率)宏观交通流参数仅从平均，累计的角度来反映交通状态，并不能反映整体状态信息里存在的不稳定性和个体差异性。车速离散这种客观存在的现象，往往被宏观参数所“平均”，所“掩盖”了，从而忽略了真实交通环境下车辆之间运行状态的差异，因此不能对交通运行状态信息进行的全面掌握，所估计的交通状态常常不能与人们的主观感受相一致。现有的高速公路交通拥堵判别方法多采用交通流量、占有率、平均车速等宏观交通流参数，而没有将交通流状态和车速离散特征进行联系。因此，如何以速度离散特性作为切入点，建立更为准确可靠的高速公路交通状态估计方法有着重要的理论和实践意义。
技术实现思路
本专利技术的目的是提出一种考虑速度离散特性的高速公路交通状态估计方法。该方法针对传统交通状态估计方法仅利用宏观交通流参数，忽略了个体车辆行驶状态差异，难以完整的掌握交通状态信息，导致估计状态不能全面反映实际交通状况的缺点。本专利技术的目的是通过以下技术方案来实现的：本专利技术提供的一种考虑速度离散特性的高速公路交通状态估计方法，包括以下步骤：S1：设置速度离散特性指标及交通流特征参数；S2：获取交通流数据并利用RelielfF方法对交通流特征参数进行加权；S3：利用人工蜂群算法对交通流特征参数的聚类中心进行优化；S4：输出优化聚类中心并确定交通估计状态。进一步，所述速度离散特性指标包括速度标准差，所述速度标准差按照以下公式来计算相对速度标准差：式中，vi为第i辆车的速度，为统计时间内的n辆车的平均车速。进一步，所述利用RelielfF方法对交通流特征参数进行加权，具体步骤如下：Step21：初始化权重w＝0；Step22：选取集合X中的任意一个样本xi，分别找出与其类别一致和不一致的R个最邻近样本hj和mij；分别计算xi与hj、mij在特征上的差异；其中，diff_hit是s×1的矩阵，表示xi与hj在特征上的差异；diff_miss也是s×1的矩阵，表示mlj与xi在特征上的差异；p(l)为第l类出现的概率，class(xi)表示xi所属的类别；Step23：按照以下公式来计算权重矩阵w：w＝w-diff_hit+diff_miss；其中，w表示权重矩阵；Step24：取下一个样本i＝i+1，直到n个样本全部都参与计算；Step25：获取并输出权重矩阵w；并按照以下公式计算隶属度矩阵和聚类中心矩阵：其中，uik表示第k个样本对第i类的隶属度；Xk表示第k个样本；Pi表示第i类聚类中心；c表示聚类个数；n表示样本个数；Step26：按照以下公式计算得到基于ReliefF特征加权的FCM的目标函数：其中，Jm(U,P)表示FCM的目标函数；Ji表示第i类的目标函数；表示第j个样本对第c类的隶属度；wf表示为第f个特征的权重；xjf表示第j个样本的第f个特征；pil表示第l类的i个聚类中心。进一步，所述人工蜂群算法采用基于ABC优化FCM聚类中心；具体步骤如下：Step31：初始化算法输入参数：聚类类别数c，蜜源数目SN，限制次数Limit和最大循环次数MCN，令初始周期tcycle＝0；Step32：随机初始化隶属度矩阵U，并计算初始聚类中心pij及其适应度；Step33：求解领域内的最新解vij及其适应度，若vij的fit(vij)大于xij的fit(xij)，则xji＝jiv；否则，xij不发生变化；Step34：计算xij的适应度，并计算概率值Kij；Step35：跟随蜂则根据Kij选择食物源，并计算领域的新解与适应度，若vij的fit(vij)大于xij的fit(xij)，则xij＝vij；否则，xij不发生变化；Step36：判断在Limit的次数内，是否出现局部最优解，若出现，则丢掉次解，并产生解代替xij；否则，不发生变化；Step37：若迭代次数大于最大限制次数MCN，则完成优化过程，输出最优聚类中心集合cij；否则转到步骤33，并令tcycle＝tcycle+1。进一步，所述交通估计状态的确定按照以下步骤具体进行：Step41：确定样本输入特征x、聚类个数、最大迭代次数T和允许误差范围ε；Step42：确定特征权重向量w；Step43：确定初始聚类中心c；Step44：按照以下公式计算目标函数并决定聚类结果模糊度的权重指数：其中，表示；s.t.表示；k表示；Step45：根据下式子计算隶属度矩阵U(t)：其中，dik表示样本xk与第i类聚类中心向量pi之间的距离；Step46：根据下式计算隶属度矩阵P(t)：Step47：若满足||P(t)-P(t+1)||＜ε或者当t＝T时，则停止迭代，输出聚类中心矩阵P和隶属度矩阵U；否则，令t＝t+1，返回Step45。由于采用了上述技术方案，本专利技术具有如下的优点：本专利技术基于模糊C均值算法，通过引入速度离散特征参数，并根据不同特征对状态估计结果的贡献程度不同，利用ReliefF方法确定特征权重，并利用人工蜂群方法进行聚类初值点的优化，而实现了高速公路交通状态的估计。本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本专利技术的实践中得到教导。本专利技术的目标和其他优点可以通过下面的说明书来实现和获得。附图说明本专利技术的附图说明如下。图1示出了考虑速度离散度的改进FCM的交通状态估计算法。具体实施方式下面结合附图和实施例对本专利技术作进一步说明。实施例1本实施例提供的考虑速度离散特性的高速公路交通状态估计方法，克服了传统基于模糊C均值的聚类方法的高速公路交通状态估计方法的不足，具体如下所述：(1)交通特征参数选取的问题。在传统交通状态估计中，仅仅依靠宏观参数不能有效的描述交通状态的差异性。速度离散特性作为交通流特性的基本特征，能够对交通状态的稳定性和差异性进行很好的描述，因此，将速度离散引入交通状态估计有重要的意义。同时，不同交通流特征参数表征交通状态的能力也不相同，合理的确定不同参数对状态变化的影响程度能够进一步提高状态的估计精度。(2)初始聚类中心的问题。初试聚类中心的选择对聚类效果将产生巨大的影响，如果选择不恰当，不但会增加算法时间和空间复杂度，还可能导致算法收敛本文档来自技高网...

【技术保护点】
一种考虑速度离散特性的高速公路交通状态估计方法，其特征在于：包括以下步骤：S1：设置速度离散特性指标及交通流特征参数；S2：获取交通流数据并利用RelielfF方法对交通流特征参数进行加权；S3：利用人工蜂群算法对交通流特征参数的聚类中心进行优化；S4：输出优化聚类中心并确定交通估计状态。

【技术特征摘要】
1.一种考虑速度离散特性的高速公路交通状态估计方法，其特征在于：包括以下步骤：S1：设置速度离散特性指标及交通流特征参数；S2：获取交通流数据并利用RelielfF方法对交通流特征参数进行加权；S3：利用人工蜂群算法对交通流特征参数的聚类中心进行优化；S4：输出优化聚类中心并确定交通估计状态。2.如权利要求1所述的考虑速度离散特性的高速公路交通状态估计方法，其特征在于：所述速度离散特性指标包括速度标准差，所述速度标准差按照以下公式来计算相对速度标准差： S D R = σ / v ‾ = Σ i = 1 n ( v - v ‾ ) n - 1 / v ‾ ; ]]>式中，vi为第i辆车的速度，为统计时间内的n辆车的平均车速。3.如权利要求1所述的考虑速度离散特性的高速公路交通状态估计方法，其特征在于：所述利用RelielfF方法对交通流特征参数进行加权，具体步骤如下：Step21：初始化权重w＝0；Step22：选取集合X中的任意一个样本xi，分别找出与其类别一致和不一致的R个最邻近样本hj和mij；分别计算xi与hj、mij在特征上的差异； d i f f _ h i t = Σ j = 1 R | x i - h j | m a x ( X ) - min ( X ) ; ]]> d i f f _ m i s s = Σ l ≠ c l a s s ( x j ) [ p ( l ) 1 - p ( c l a s s ( x j ) ) ( Σ j = 1 R | x i - m l j | max ( X ) - min ( X ) ) ] ; ]]>其中，diff_hit是s×1的矩阵，表示xi与hj在特征上的差异；diff_miss也是s×1的矩阵，表示mlj与xi在特征上的差异；p(l)为第l类出现的概率，class(xi)表示xi所属的类别；Step23：按照以下公式来计算权重矩阵w：w＝w-diff_hit+diff_miss；其中，w表示权重矩阵；Step24：取下一个样本i＝i+1，直到n个样本全部都参与计算；Step25：获取并输出权重矩阵w；并按照以下公式计算隶属度矩阵和聚类中心矩阵： u i k = [ Σ j = 1 c | | w · ( X k - P i ) | | | | w · ( X k - P J ) | | ] - 1 ; ]]> p i = Σ k = 1 n ( u i k ) 2 · x j Σ k = 1 n ( u i k ) 2 ; ]]>其中，uik表示第k个样本对第i类的隶属度；Xk表示第k个样本；Pi表示第i类聚类中心；c表示聚类个数；n表示样本个数；Step26：按照以下公式计算得到基于ReliefF特征加权的FCM的目标函数： J m ( U , P ) = Σ i = 1 c J i = Σ i = 1 ...

【专利技术属性】
技术研发人员：孙棣华，赵敏，刘卫宁，郑林江，陈曦，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;50