一种基于模糊KNN空间特征匹配的道路交通服务水平评价方法技术

一种基于模糊KNN空间特征匹配的道路交通服务水平评价方法，首先，建立道路交通特征参考序列，获取不同模态下、空间上的道路交通基准数据；其次，提取同一模态下、空间上的道路交通训练数据和测试数据，基于基准数据，获取道路交通差值数据，经过阈值化处理，获取训练数据和测试数据的特征；将道路交通服务水平模糊化处理，结合训练数据特征，完成知识库的构建；最后，通过KNN空间特征匹配算法，选取知识库中与测试数据特征距离最近的k个特征，并求出对应的模糊化的服务水平；将k组模糊化的服务水平相加，得出最大概率对应的服务水平，即为当前特征所属服务水平，完成基于空间特征匹配的道路交通运行状态评价。

A road traffic service level evaluation method based on fuzzy KNN spatial feature matching

An assessment of road traffic service level fuzzy KNN space feature matching method based on the first, the establishment of road traffic characteristics of the reference sequence, road traffic benchmark data acquisition under different mode and space; secondly, extract the same mode and space on the road traffic training data and test data, based on the benchmark data acquisition of road traffic the difference data after threshold processing, to obtain the characteristics of training data and test data; the road traffic service level fuzzy processing, combined with the characteristics of the training data, to complete the construction of knowledge base; finally, through KNN spatial feature matching algorithm, selects the knowledge base and the character of test data from the nearest K characteristics, and find out fuzzy corresponding service level; the sum of service level of K group defuzzification, the maximum probability corresponding to the service level, as the The service level of the former features is used to complete the evaluation of road traffic status based on spatial feature matching.

【技术实现步骤摘要】
一种基于模糊KNN空间特征匹配的道路交通服务水平评价方法
本专利技术属于道路交通服务水平评价领域，涉及道路交通数据的分析与评价，是一种空间特征匹配的道路交通服务水平评价方法。
技术介绍
随着社会经济的发展，汽车的保有量不断增长，道路交通问题变得更加严峻，必须对道路交通服务水平进行正确地评价，才能够在交通问题发生前对其进行处理，避免交通拥堵、事故等事件的发生，为交通管理部门制定决策提供依据。目前，道路交通服务水平评价的研究大部分针对交通拥挤展开的。比较成熟的交通服务水平评价指标有连通性、行程时间可靠性和路网容量可靠性。其他交通服务水平评价研究还有交通拥堵评价加权模型、路网整体适应性分析法、空间饱和度指标、路网动态交通流状态估计等。上述研究主要是在路网层面进行研究，没有考虑到单条路段的交通服务水平，而且实现过程较为复杂。
技术实现思路
为了克服已有道路交通服务水平评价方法的不足，本专利技术提供一种简化算法、基于模糊KNN空间特征匹配的道路交通服务水平评价方法。本专利技术解决其技术问题所采用的技术方案是：一种基于模糊KNN空间特征匹配的道路交通服务水平评价方法，所述方法包括以下步骤：1)获取同一模态下、空间上的不同路段的道路交通数据建立道路交通特征参考序列，基于空间相关性分析，选择基准路段，并将其数据作为空间上的道路交通基准数据；2)提取同一模态下、空间上其它路段的历史数据，作为训练数据，基于同一模态下、空间上的道路交通基准数据，获取差值数据，经过阈值化处理，获取训练数据的特征；3)通过已有的道路交通数据和道路交通服务水平划分，结合训练数据的特征，完成知识库的构建；4)获取同一模态下、空间上其它路段的测试数据，作为测试数据，基于同一模态下、空间上的道路交通基准数据，获取空间上的道路交通差值数据，经过阈值化处理，获取测试数据的特征；5)通过KNN特征匹配算法，选取知识库中与测试数据特征距离最近的k个特征，并求出对应的模糊化的服务水平；6)将k组模糊化的服务水平相加，得出最大概率对应的服务水平，即为当前特征所属服务水平，完成空间特征匹配的道路交通服务水平评价。进一步，所述步骤1)中，获取同一模态下、空间上的不同路段的道路交通数据建立道路交通特征参考序列，基于空间相关性分析，选择基准路段，并将其数据作为空间上的道路交通基准数据，包括如下步骤：1.1)道路交通运行模态的划分道路交通运行模态的划分分为两个层次：路网层和路段层，设定路网层的交通运行模态的划分标识将道路的交通运行模态划分为g种子模态，路段层的交通运行模态的划分标识将道路的交通运行模态划分为h种子模态，则道路的交通运行模态一共划分为g×h种，记为集合Mode＝{M11，M12，…，Mgh}，其中g和h的取值根据所选交通运行模态的划分标识确定；1.2)设计道路交通特征参考序列的结构设定道路交通状态数据的采集周期是Δt；道路交通特征参考序列的表格式如表1和表2所示，表1为道路交通特征参考序列信息表，表2为道路交通特征参考序列描述表：表1表2设定共选定p条具有空间相关特性的路段，记为：L＝[L1L2…Lp](1)其中，p表示道路空间上的路段条数；Li表示第i条路段1≤i≤p；L表示选择的具有空间相关特性路段的集合。再进一步，所述步骤2)中，提取同一模态下、空间上其它路段的历史数据，作为训练数据，基于同一模态下、空间上的道路交通基准数据，获取差值数据，经过阈值化处理，获取训练数据的特征，其一般表达式如下：Si(m*Δt，Mgh)＝STi(m*Δt，Mgh)-SB(m*Δt，Mgh)(2)ei(m，Mgh)＝[Si(Δt，Mgh)Si(2*Δt，Mgh)…Si(m*Δt，Mgh)](3)其中，Δt为道路交通状态数据的采集周期；(m*Δt)为第m个道路交通状态数据采集周期，0≤m≤N，N表示每天采集的交通信息的数量；i表示第i条路段，1≤i≤p；STi(m*Δt，Mgh)表示模态Mgh下、(m*Δt)时刻i路段的道路交通数据；SB(m*Δt，Mgh)表示模态Mgh下、(m*Δt)时刻基准路段的基准数据；Si(m*Δt，Mgh)表示模态Mgh下、(m*Δt)时刻i路段的训练数据与基准路段的基准数据的差值数据；ei(m，Mgh)表示模态Mgh下、Δt到(m*Δt)时段i路段的训练数据与基准路段的基准数据的差值数据；Ei(m，Mgh)表示模态Mgh下、Δt到(m*Δt)时段i路段选取的阈值；hei(m，Mgh)表示模态Mgh下、Δt到(m*Δt)时段阈值处理后的差值数据，即为训练数据的特征；表示交通状态数据与特征的映射法则。更进一步，所述步骤3)中，通过已有的道路交通数据和道路交通服务水平模糊划分，结合训练数据的特征，完成知识库的构建，其一般表达式如下：Losm＝φ(STi(m，Mgh))(6)其中，φ表示当前的道路交通状态与模糊化的交通服务水平的映射关系，Losm表示模糊化后的道路交通服务水平。结合(5)(6)，得到交通运行状态与特征之间的关系：Losm＝ω(hei(m，Mgh))(7)其中，ω表示模糊化的服务水平与交通运行特征之间的映射法则，从而完成知识库的构建。更进一步，所述步骤4)中，提取道路交通测试数据，基于同一模态下的道路交通基准数据，获取道路交通差值数据，通过阈值化处理，获取测试数据的特征，其一般表达式如下：MSj(m*Δt，Mgh)＝SMj(m*Δt，Mgh)-SB(m*Δt，Mgh)(8)errj(m，Mgh)＝[MSj(Δt，Mgh)MSj(2*Δt，Mgh)…MSj(m*Δt，Mgh)](9)其中，j表示第j条路段，1≤i≤p；SMj(m*Δt，Mgh)表示模态Mgh下、(m*Δt)时刻j路段的测试数据；MSj(m*Δt，Mgh)为模态Mgh下、(m*Δt)时刻j路段的测试数据与基准路段的基准数据的差值数据；errj(m，Mgh)为模态Mgh下、Δt到(m*Δt)时段j路段的测试数据与基准路段的基准数据的差值数据。herrj(m，Mgh)经过阈值处理后的差值数据，即为测试数据的特征。更进一步，所述步骤5)中通过KNN特征匹配算法，选取知识库中与测试数据特征距离最近的k个特征，并求出对应的模糊化的服务水平，包括如下步骤：5.1)计算训练数据的特征与测试数据的特征的距离dist(m)＝||Thej(m，Mgh)-hei(m，Mgh)||(10)Dp(m)＝[dist1(m)dist2(m)…distp(m)](11)其中，||||表示求取欧式距离，dist(m)表示Δt到(m*Δt)时段测试数据的特征与知识库中特征的距离，p表示训练数据的组数，Dp(m)表示j路段测试数据的特征在Δt到(m*Δt)时段内到p组训练数据的特征距离集合。5.2)找出k个最近距离路段对应的特征，设k个特征为s1，s2，…sk，根据特征与模糊化的服务水平的映射关系，则有(L1，L2，…Lk)＝ω(s1，s2，…sk)(12)其中，1≤k≤p，L1，L2，…Lk分别表示s1，s2，…sk对应的模糊化的服务水平。其中，Lk(m)＝[uAk(STk(m，Mgh))uBk(STk(m，Mgh))uCk(STk(m，Mgh))]。uAk(STk(m，Mgh))，uBk(STk(m，Mgh))，本文档来自技高网...

【技术保护点】
一种基于模糊KNN空间特征匹配的道路交通服务水平评价方法，其特征在于：所述方法包括以下步骤：1)获取同一模态下、空间上的不同路段的道路交通数据建立道路交通特征参考序列，基于空间相关性分析，选择基准路段，并将其数据作为空间上的道路交通基准数据；2)提取同一模态下、空间上其它路段的历史数据，作为训练数据，基于同一模态下、空间上的道路交通基准数据，获取差值数据，经过阈值化处理，获取训练数据的特征；3)通过已有的道路交通数据和道路交通服务水平划分，结合训练数据的特征，完成知识库的构建；4)获取同一模态下、空间上其它路段的测试数据，作为测试数据，基于同一模态下、空间上的道路交通基准数据，获取空间上的道路交通差值数据，经过阈值化处理，获取测试数据的特征；5)通过KNN特征匹配算法，选取知识库中与测试数据特征距离最近的k个特征，并求出对应的模糊化的服务水平；6)将k组模糊化的服务水平相加，得出最大概率对应的服务水平，即为当前特征所属服务水平，完成空间特征匹配的道路交通服务水平评价。

【技术特征摘要】
1.一种基于模糊KNN空间特征匹配的道路交通服务水平评价方法，其特征在于：所述方法包括以下步骤：1)获取同一模态下、空间上的不同路段的道路交通数据建立道路交通特征参考序列，基于空间相关性分析，选择基准路段，并将其数据作为空间上的道路交通基准数据；2)提取同一模态下、空间上其它路段的历史数据，作为训练数据，基于同一模态下、空间上的道路交通基准数据，获取差值数据，经过阈值化处理，获取训练数据的特征；3)通过已有的道路交通数据和道路交通服务水平划分，结合训练数据的特征，完成知识库的构建；4)获取同一模态下、空间上其它路段的测试数据，作为测试数据，基于同一模态下、空间上的道路交通基准数据，获取空间上的道路交通差值数据，经过阈值化处理，获取测试数据的特征；5)通过KNN特征匹配算法，选取知识库中与测试数据特征距离最近的k个特征，并求出对应的模糊化的服务水平；6)将k组模糊化的服务水平相加，得出最大概率对应的服务水平，即为当前特征所属服务水平，完成空间特征匹配的道路交通服务水平评价。2.如权利要求1所述的一种基于模糊KNN空间特征匹配的道路交通服务水平评价方法，其特征在于：所述步骤1)中，获取同一模态下、空间上的不同路段的道路交通数据建立道路交通特征参考序列，基于空间相关性分析，选择基准路段，并将其数据作为空间上的道路交通基准数据，包括如下步骤：1.1)道路交通运行模态的划分道路交通运行模态的划分分为两个层次：路网层和路段层，设定路网层的交通运行模态的划分标识将道路的交通运行模态划分为g种子模态，路段层的交通运行模态的划分标识将道路的交通运行模态划分为h种子模态，则道路的交通运行模态一共划分为g×h种，记为集合Mode＝{M11，M12，…，Mgh}，其中g和h的取值根据所选交通运行模态的划分标识确定；1.2)设计道路交通特征参考序列的结构设定道路交通状态数据的采集周期是Δt；道路交通特征参考序列的表格式如表1和表2所示，表1为道路交通特征参考序列信息表，表2为道路交通特征参考序列描述表：表1表2设定共选定p条具有空间相关特性的路段，记为：L＝[L1L2…Lp](1)其中，p表示道路空间上的路段条数；Li表示第i条路段，1≤i≤p；L表示选择的具有空间相关特性路段的集合。3.如权利要求2所述的一种基于模糊KNN空间特征匹配的道路交通服务水平评价方法，其特征在于：所述步骤2)中，提取同一模态下、空间上其它路段的历史数据，作为训练数据，基于同一模态下、空间上的道路交通基准数据，获取差值数据，经过阈值化处理，获取训练数据的特征，其一般表达式如下：Si(m*Δt，Mgh)＝STi(m*Δt，Mgh)-SB(m*Δt，Mgh)(2)ei(m，Mgh)＝[Si(Δt，Mgh)Si(2*Δt，Mgh)…Si(m*Δt，Mgh)](3)其中，Δt为道路交通状态数据的采集周期；(m*Δt)为第m个道路交通状态数据采集周期，0≤m≤N，N表示每天采集的交通信息的数量；i表示第i条路段，1≤i≤p；STi(m*Δt，Mgh)表示模态Mgh下、(m*Δt)时刻i路段的道路交通数据；SB(m*Δt，Mgh)表示模态Mgh下、(m*Δt)时刻基准路段的基准数据；Si(m*Δt，Mgh)表示模态Mgh下、(m*Δt)时刻i路段的训练数据与基准路段的基准数据的差值数据；ei(m，Mgh)表示模态Mgh下、Δt到(m*Δt)时段i路段的训练数据与基准路段的基准数据的差值数据；Ei(m，Mgh)表示模态Mgh下、Δt到(m*Δt)时段i路段选取的阈值；hei(m，Mgh)表示模态Mgh下、Δt到(m*Δt)时段阈值处理后的差值数据，即为训练数据的特征；表示交通状态数据与特征的映射法则。4.如权利要求3所述的一种基于模糊KNN空间特征匹配的道路交通服务水平评...

【专利技术属性】
技术研发人员：徐东伟，王永东，彭鹏，宣琦，郭海锋，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33