面向连续流交通设施的交通拥堵传播特征自动化量化提取方法技术

本发明专利技术涉及一种面向连续流交通设施的交通拥堵传播特征自动化量化提取方法。所提出的方法以路线为分析对象，首先根据收集的交通流状态参数构建交通时空轮廓图，利用

【技术实现步骤摘要】
面向连续流交通设施的交通拥堵传播特征自动化量化提取方法
本专利技术涉及一种利用计算机自动化分析技术手段来分析和量化提取连续流交通设施发生的交通拥堵的时空传播特征的方法，具体为面向连续流交通设施的交通拥堵传播特征自动化量化提取方法，属于道路交通智能监测与信息管理领域。
技术介绍
交通拥堵给世界各国带来了一系列负面影响，例如显著增加了经济损失和出行成本，导致严重的尾气和噪声污染。缓解和治理交通拥堵的一个重要前提是需要对道路上发生的交通拥堵进行智能监测，快速辨识道路交通拥堵瓶颈，科学量化交通拥堵传播特征，从而为合理的交通拥堵管理提供有效的决策支持。为了实现上述目标，研究者提出了一系列交通拥堵传播特征(如拥堵瓶颈位置、拥堵瓶颈激活时间、拥堵传播最大时间范围、拥堵传播最大空间范围、拥堵产生的车辆延误)的分析与提取方法。面向连续流交通设施(高速公路、限制出入口的公路或城市快速路)，上述方法可以划分为两大类，分别是基于局部分析的方法和基于全局分析的方法。基于局部分析的方法以路段为分析对象(一个路段通常以上下游固定检测器为边界进行定义，也可以通过人工方式进行定义，如将一条交通路线划分为相同长度的若干路段)，通过提取和分析上下游检测器采集的交通流状态参数的变化曲线来判断该路段是否发生了交通拥堵，并分析和提取各类交通拥堵特征。之后，对整个交通设施上的所有路段进行相同过程的分析和处理，从而提取出所有路段的交通拥堵特征。最后，通过综合各个路段的拥堵特征、拥堵发生时间先后顺序和拥堵路段邻接关系来辨识交通拥堵瓶颈，提取交通拥堵传播特征。基于局部分析的方法存在两个主要不足：其一是在判断某个路段是否发生交通拥堵时通常采用交通流状态参数阈值法(如速度差阈值法、占有率差阈值法)。由于确定上述最优参数阈值依赖于人工经验，面向大量不同的连续流交通设施无法做到快速自动化处理。此外，参数阈值的确定具有主观性，所构建模型的可靠性得不到充分保障；其二是建模过程中涉及两两路段交通状态的分析和比对，当路段数量很多时，容易导致模型计算复杂度过高。在交通设施规模庞大或需要对交通设施进行多日监测分析时，模型工作效率低下，不利于道路交通的在线自动化监测和管理。基于全局分析的方法以路线为分析对象，根据路线上各个路段检测的交通流状态参数(如平均速度、行程时间、延误等)来构建面向整条路线的交通时空轮廓图，并据此分析和提取交通拥堵传播特征。相较于基于局部分析的方法，基于全局分析的方法通过构建交通时空轮廓图从全局角度分析路线上交通拥堵的时空演化状况，避免了两两路段之间的比对和分析，通过一次分析便可辨识路线上所有交通拥堵瓶颈，提取交通拥堵传播特征指标。同时，该类方法通过交通时空轮廓图对路线整体交通拥堵状况进行直观可视化呈现，有利于交通研究者和工程管理人员进行直观交互式交通监测和管理。然而，该类方法的主要不足在于，需要依赖人工从交通时空轮廓图中辨识交通拥堵瓶颈和对交通拥堵传播特征进行提取，拥堵瓶颈辨识和拥堵传播特征指标提取准确性不高，在分析效率低下的同时增加了人力成本。另外，一些交通拥堵特征指标，如车辆延误，无法通过人工肉眼观察进行直接提取，这在很大程度上限制了此类方法的普适性和实用性。
技术实现思路
本专利技术的目的就是针对上述存在的问题，为了克服上述两类方法的主要不足，本专利技术提供了一种面向连续流交通设施的交通拥堵传播特征自动化量化提取方法。所提出的方法以路线为分析对象，首先根据收集的交通流状态参数构建交通时空轮廓图，利用k-means算法对历史交通流平均速度数据进行聚类，并根据聚类的边界速度来自动确定划分拥堵和非拥堵交通状态的阈值；然后，利用图连通性聚类算法识别交通时空轮廓图中独立的(时空非连续的)时空拥堵区域；之后，根据每一块独立时空拥堵区域对应的时空范围，结合时空范围内的交通流状态参数，从交通时空轮廓图中分析和提取交通拥堵传播相关的各类特征指标，实现对连续流交通设施的交通拥堵瓶颈和交通拥堵传播特征的快速自动辨识和量化提取。本专利技术的目的是这样实现的，一种面向连续流交通设施的交通拥堵传播特征自动化量化提取方法，其特征在于，包括以下步骤：步骤1.基于交通流状态参数构建交通时空轮廓图；(1-1)设待分析的最大时间范围为M(交通时空轮廓图的时间轴的最大值)、最大空间范围为N(交通时空轮廓图的空间轴的最大值)以及交通时空轮廓图的分辨率为n×m，交通时空轮廓图中交通流的方向定义为在空间上由近及远；(1-2)根据M和N，分别收集连续流交通设施上的交通流平均速度和交通流流量参数的时间序列数据；(1-3)以时间为横轴，以空间为纵轴，结合时间和空间坐标位置上收集的交通流平均速度和流量时间序列，利用时空插值法构建给定分辨率n×m下的交通平均速度时空轮廓图和交通流量时空轮廓图；对于交通平均速度时空轮廓图而言，一共对应n×m个数据样本(数据点)，每个样本对应一个时空区块，表示长度为M/m的道路空间范围内通过的交通流在长度为N/n的时间范围内的平均速度(假定平均速度在该时空范围内恒定)信息，记作其中，Ti和Si分别是第i个样本的时间特征值和空间特征值，Vi是第i个样本的平均速度特征值；类似地，对于交通流量时空轮廓图而言，一共对应n×m个数据样本(数据点)，每个样本对应一个时空区块，表示长度为M/m的道路空间范围内的交通流在长度为N/n的时间范围内的交通流量，记作<Ti,Si,Qi>；其中，Ti和Si取值同前，Qi是第i个样本的流量特征值；步骤2.基于k-means聚类算法分割交通时空轮廓图中的拥堵区域和非拥堵区域；(2-1)获取交通时空轮廓图所定义的道路空间范围内的交通流平均速度参数的历史时间序列数据；这里，为了确保聚类质量，历史时间序列数据对应的时间范围长度设定为至少一周；(2-2)利用无监督聚类技术中的k-means算法对获取的平均速度参数历史时间序列数据进行聚类；聚类数目设置为2，对应交通流运行状态为拥堵和非拥堵两类情形；聚类结束后，输出2个数据簇(聚类)，令第1个数据簇中的平均速度最小值和最大值分别为V1_min和V1_max，令第2个数据簇中的平均速度最小值和最大值分别为V2_min和V2_max，则交通拥堵状态判别的平均速度阈值计算为：(2-3)依据交通拥堵状态判别的平均速度阈值，将交通(平均速度和流量)时空轮廓图分割为时空拥堵区域和时空非拥堵区域，分割规则为：上式中，Ci表示交通时空轮廓图对应的第i个样本的交通流运行状态，Ci＝1表示该样本对应的交通流在其对应的时空范围内为拥堵状态，否则，其为非拥堵状态；时空拥堵区域由Ci＝1的样本对应的时空区块构成，时空非拥堵区域则由Ci＝0的样本对应的时空区块构成；步骤3.基于图连通性聚类算法将时空拥堵区域分割为一个或多个独立(时空非连续的)的时空拥堵区域；(3-1)从交通平均速度时空轮廓图对应样本中筛选出Ci＝1的样本；也就是说，本步骤仅分析时空轮廓图中的时空拥堵区域；从筛选的样本中分别提取T特征列和S特征列；...

【技术保护点】
1.一种面向连续流交通设施的交通拥堵传播特征自动化量化提取方法，其特征在于，包括以下步骤：/n步骤1.基于交通流状态参数构建交通时空轮廓图；/n(1-1)设待分析的最大时间范围为M(交通时空轮廓图的时间轴的最大值)、最大空间范围为N(交通时空轮廓图的空间轴的最大值)以及交通时空轮廓图的分辨率为n×m，交通时空轮廓图中交通流的方向定义为在空间上由近及远；/n(1-2)根据M和N，分别收集连续流交通设施上的交通流平均速度和交通流流量参数的时间序列数据；/n(1-3)以时间为横轴，以空间为纵轴，结合时间和空间坐标位置上收集的交通流平均速度和流量时间序列，利用时空插值法构建给定分辨率n×m下的交通平均速度时空轮廓图和交通流量时空轮廓图；对于交通平均速度时空轮廓图而言，一共对应n×m个数据样本(数据点)，每个样本对应一个时空区块，表示长度为M/m的道路空间范围内通过的交通流在长度为N/n的时间范围内的平均速度(假定平均速度在该时空范围内恒定)信息，记作

【技术特征摘要】
1.一种面向连续流交通设施的交通拥堵传播特征自动化量化提取方法，其特征在于，包括以下步骤：
步骤1.基于交通流状态参数构建交通时空轮廓图；
(1-1)设待分析的最大时间范围为M(交通时空轮廓图的时间轴的最大值)、最大空间范围为N(交通时空轮廓图的空间轴的最大值)以及交通时空轮廓图的分辨率为n×m，交通时空轮廓图中交通流的方向定义为在空间上由近及远；
(1-2)根据M和N，分别收集连续流交通设施上的交通流平均速度和交通流流量参数的时间序列数据；
(1-3)以时间为横轴，以空间为纵轴，结合时间和空间坐标位置上收集的交通流平均速度和流量时间序列，利用时空插值法构建给定分辨率n×m下的交通平均速度时空轮廓图和交通流量时空轮廓图；对于交通平均速度时空轮廓图而言，一共对应n×m个数据样本(数据点)，每个样本对应一个时空区块，表示长度为M/m的道路空间范围内通过的交通流在长度为N/n的时间范围内的平均速度(假定平均速度在该时空范围内恒定)信息，记作其中，Ti和Si分别是第i个样本的时间特征值和空间特征值，Vi是第i个样本的平均速度特征值；类似地，对于交通流量时空轮廓图而言，一共对应n×m个数据样本(数据点)，每个样本对应一个时空区块，表示长度为M/m的道路空间范围内的交通流在长度为N/n的时间范围内的交通流量，记作<Ti,Si,Qi>；其中，Ti和Si取值同前，Qi是第i个样本的流量特征值；
步骤2.基于k-means聚类算法分割交通时空轮廓图中的拥堵区域和非拥堵区域；
(2-1)获取交通时空轮廓图所定义的道路空间范围内的交通流平均速度参数的历史时间序列数据；这里，为了确保聚类质量，历史时间序列数据对应的时间范围长度设定为至少一周；
(2-2)利用无监督聚类技术中的k-means算法对获取的平均速度参数历史时间序列数据进行聚类；聚类数目设置为2，对应交通流运行状态为拥堵和非拥堵两类情形；聚类结束后，输出2个数据簇(聚类)，令第1个数据簇中的平均速度最小值和最大值分别为V1_min和V1_max，令第2个数据簇中的平均速度最小值和最大值分别为V2_min和V2_max，则交通拥堵状态判别的平均速度阈值计算为：



(2-3)依据交通拥堵状态判别的平均速度阈值，将交通(平均速度和流量)时空轮廓图分割为时空拥堵区域和时空非拥堵区域，分割规则为：



上式中，Ci表示交通时空轮廓图对应的第i个样本的交通流运行状态，Ci＝1表示该样本对应的交通流在其对应的时空范围内为拥堵状态，否则，其为非拥堵状态；时空拥堵区域由Ci＝1的样本对应的时空区块构成，时空非拥堵区域则由Ci＝0的样本对应的时空区块构成；
步骤3.基于图连通性聚类算法将时空拥堵区域分割为一个或多个独立(时空非连续的)的时空拥堵区域；
(3-1)从交通平均速度时空轮廓图对应样本中筛选出Ci＝1的样本；也就是说，本步骤仅分析时空轮廓图中的时空拥堵区域；从筛选的样本中分别提取T特征列和S特征列；
(3-2)对T特征列和S特征列中的特征值分别进行规范化处理，通过如下公式计算：


















上式中，T′j是规范化后的第j个样本的时间特征值，其中，1≤j≤α≤n×m，且j,α为Ci＝1的样本个数，μT是T特征列的特征值的平均值，σS是T特征列的特征值的标准差，S′j是规范化后的第j个样本的空间特征值，μS是S特征列的特征值的平均值，σS是S特征列的特征值的标准差；
(3-3)计算时空拥堵区域对应的每一个样本与该区域其余样本之间在时间和空间维度上的欧几里得距离，从而得到距离矩阵D；两两样本之间的距离通过如下公式进行计算：



上式中，Da,b为距离矩阵D中第a行第b列对应的元素值，T′a和T′b分别是时空拥堵区域对应样本集中的第a个和第b个样本的规范化时间特征值，S′a和S′b是时空拥堵区域对应样本集中的第a个和第b个样本的规范化空间特征值；其中，1≤a≤α≤n×m，1≤b≤α≤n×m，且
(3-4)将时空拥堵区域中的每一个时空区块设置为顶点，同时根据各个时空区块之间在时空维度上的邻接关系来设置边，从而构建一个无向无环拓扑图；该拓扑图的邻接矩阵A通过如下公式进行计算：






dconn＝max(dT,dS)(12)



上式中，dT是交通时空轮廓图的时间轴方向上两两时空区块之间的最短距离，dS是交通时空轮廓图空间轴方向上两两时空区块之间的最短距离，dconn是研判两两时空区块是否存在连边的连通距离，Aa,b为邻接矩阵A中第a行第b列对应的元素值；
(3-5)利用图论中的深度优先搜索算法从构建的拓扑图中查找所有连通分支，并将同一个连通分支中的所有顶点都归为一个聚类；拓扑图中的连通分支个数对应聚类结果中类别的个数；最终，通过连通分支搜索可以将时空拥堵区域进一步分割为在时空维度上不连续的一个或多个独立的时空拥堵区域；每一个独立的时空拥堵区域是由不同的交通拥堵瓶颈引致；通过分析和量化每一个时空拥堵区域，可以辨识出一条路线中存在的多个独立的交通拥堵瓶颈，并量化提取对应的交通拥堵传播特征指标；
步骤4.对独立的时空拥堵区域进行精调；
设待精调时空拥堵区域Bθ表示待精调时空拥堵区域B中第θ个时空区块，Θ表示B中...

【专利技术属性】
技术研发人员：欧吉顺，聂庆慧，张韦华，安成川，梁程，邓社军，于世军，刘路，刘欣，
申请(专利权)人：扬州大学，
类型：发明
国别省市：江苏;32