一种基于生成-滤波机制的交通流特征模态分解方法技术

本发明专利技术公开一种基于生成‑滤波机制的交通流特征模态分解方法，首先，将高速交通流作为一个封闭交通系统，根据驾驶员的随机性，将每个驾驶员看作一个单独的粒子，模拟出路径轨迹，再根据不同参数下轨迹的概率分布，得到对应的交通模态；其次，取不同的量子随机游走的参数，得到站点上由不同的驾驶模态导致的交通流概率分布的时间演化，进而变换不同的站点形成该高速交通流模态集合；最后，根据实际观测的交通流数据，对生成的交通模态进行筛选，反演出交通流的模态结构。本发明专利技术从多尺度分解的视角揭示了交通流的复杂结构和多模态特征，为交通管理、预测和调控的提供了一定参考，对解决当今社会面临的诸多交通问题有重大意义。

【技术实现步骤摘要】
一种基于生成-滤波机制的交通流特征模态分解方法
本专利技术属于城市规划、交通地理领域，具体涉及一种基于生成-滤波机制的交通流特征模态分解方法。
技术介绍
交通流量是众多交通应用的重要指标，通常通过位于(高速)公路进、出站点传感器采集获得。交通流量是特性各异的驾驶员的主要载体，其复杂程度和结构特征取决于驾驶员的驾驶模式。假设具有相同或相似驾驶模式的驾驶轨迹聚合形成一个交通流模态，以超车为代表的复杂交通流模态导致交通流量变化剧烈，表现出较强的随机性；以匀速行驶为例的简单交通流模态对交通流量的影响较小，驶出/驶入的交通流量较为接近。然而，实际交通流并不是一种或几种交通模态的简单组合，而是众多复杂程度各异的交通流模态混叠而成的“混合物”，是交通流量建模、模拟和预测等面临的重大难题。现有的交通流特征模态分解方法主要基于宏观统计分析的视角，采用多尺度分析的方法对交通流进行模态分解和特征解析。当前对交通流时间序列的多尺度分析主要包括时间域、频率域和时频域三类方法。常用的交通流时间序列的多尺度分析方法大体可以分为如下两类：(1)频谱分析方法：频谱分析类方法多从单一站点时间序列的谱系结构出发，利用三角函数或快速傅里叶变换(FFT)提取序列的频域特征，如谐波分析、功率谱分析及其改进分析方法等。频谱分析方法处理周期规则、谱系结构清晰的交通流时间序列结果相对较好，而对于表现出明显趋势性变化、非线性、非平稳以及准周期形态的交通流时间序列分析效果则相对较差。同时，频谱分析方法是统计学方法，分解所得的频谱信息缺乏清晰的物理图像，难以获取交通流的模态耦合关系及其准确时空特征。(2)自适应滤波方法：自适应滤波类分析方法主要是不断调整给定参考信号在模型计算过程中的权重，使输入信号与参考信号间的误差不断减小直至收敛，如最小均方误差(LMS)滤波器、均方根(RMS)滤波器和神经网络方法等。自适应滤波类方法对于诸如交通流等信噪比较低的弱信号处理能力较差，其计算收敛的过程将需要大量的时间和序列样本作为支撑，甚至在某些情况下将无法收敛。由于交通流具有非平稳性、非线性和准周期性等复杂特性，现有的各类信号解析方法对于交通流时空过程中准确的趋势信号、弱信号以及缓变准周期信号等解析与提取均存在缺陷，非线性与准周期性是导致交通流时序数据分析效果较差的主要原因。同时，以上方法均从经典统计学出发，未考虑交通流本身的内蕴特征，导致解析出来的特征和模态不具清晰的物理图像，难以解释。为此，本专利从交通流的内蕴机理出发，基于生成-过滤机制，提出了一种交通流的特征解析和模态分解方法，进而实现对地交通流的多视角集成解析与透视，尝试从多尺度分析的视角揭开复杂交通流的“神秘面纱”。
技术实现思路
专利技术目的：本专利技术为明晰驾驶员驾驶模式对交通流量的不确定性影响，明确交通流模态与交通流量间的混叠组合和多尺度耦合关系，基于量子随机游走，提出了一种基于生成-滤波机制的交通流特征模态分解方法。技术方案：本专利技术提出一种基于生成-滤波机制的交通流特征模态分解方法，具体包括以下步骤：(1)将高速交通流作为一个封闭交通系统M，根据驾驶员的随机性，将每个驾驶员看作一个单独的粒子，模拟出路径轨迹，再根据不同参数下轨迹的概率分布，得到对应的交通模态；(2)取不同的量子随机游走的参数，得到站点上由不同的驾驶模态导致的交通流概率分布的时间演化，进而变换不同的站点形成该高速交通流模态集合；(3)根据实际观测的交通流数据，对生成的交通模态进行筛选，反演出交通流的模态结构。进一步地，所述步骤(1)实现过程如下：高速交通流是一个车辆总数为M的封闭交通系统，记每辆车为每辆车Cm的行驶轨迹量子随机游走进行模拟，量子随机游走的模拟参数集为则每辆车Cm在站点间的轨迹的概率分布为在量子随机游走参数固定的情况下，每辆车Cm固定时间上出现在所有站点出现的概率之和一定为1，即：在量子随机游走模拟参数δk和时间tj固定的条件下，出现在此封闭交通流系统中特定站点Si的车辆数，即为在站点Si出现的概率大于在其他站点出现的概率的车辆数之和：则交通流系统在时间tj上出现在站点Si上的概率为：分别计算各站点可能出现车辆的比例分布，则可以得到固定时间点下该交通系统中车流量的概率分布此概率分布会随着时间t演变，而量子随机游走可以模拟生成出关于时间t的连续演变函数可将其视为交通流处于的一种驾驶状态(或驾驶模式)所生成的概率分布。进一步地，所述步骤(2)通过以下公式实现：其中，式(5)为为交通流模态集合的展开式，在封闭交通系统中，在固定时间下，每辆车选择从站点集合中任意一个站点驶离交通流，在固定模拟参数上述对应交通流模式在各个站点上的概率之和为1，即：进一步地，所述步骤3实现过程如下：对交通流模态基于实测交通流量时间序列数据(V(S1,t),V(S2,t)，...,V(SI,t))构建逐步回归方程组：其中，αik(i＝1,2,...,I,k＝1,2,...,K)表示在该交通流系统中，有αik个驾驶员以模态从站点Si驶出交通流；逐步回归方程组具体展开如下：进一步将其写成如下的矩阵形式：有益效果：与现有技术相比，本专利技术的有益效果：1、本专利技术在实际交通流观测数据的约束下，基于生成-滤波机制，分解得到了不同驾驶模式下的交通流模态，从新的视角揭示了交通流的复杂特性和多模态特征，使交通流的建模、拟合和预测等的重要基础；2、本专利技术是对地理时空过程多尺度分析方法的拓展，是地理时空过程的“傅里叶变换”，有助于促进对地理时空过程的深入理解与多尺度透视，提升对地理时空过程的理解与调控；3、本专利技术从交通流本质出发，构建意义明确的交通流多尺度解析方法，实现交通流的特征解析与模态提取，既有助于解析交通流的多尺度特征，也可以进一步揭示不同交通流模态间的多尺度耦合关系，提升对以交通流为代表的诸多地理时空过程的理解与认识。附图说明图1为本专利技术的流程图；图2为基于生成-滤波机制的交通流特征模态分解示意图；图3为研究区域和站点分布图；图4为N1站点和N5站点的单一模态图；图5为特征模态参数分布示意图。具体实施方式下面结合附图对本专利技术作进一步详细说明。本专利技术提供一种基于生成-滤波机制的交通流特征模态分解方法，如图1所示，具体包括以下步骤：步骤1：将高速交通流作为一个封闭交通系统M，根据驾驶员的随机性，将每个驾驶员看作一个单独的粒子，模拟出路径轨迹，再根据不同参数下轨迹的概率分布，得到对应的交通模态。高速公路连接着沿线的出入站点，使得用抽象的粒子在不同站点间的转移来模拟驾驶员在高速公路上的运动过程成为可能。假设高速交通流是一个封闭系统(也即是在特定时间内，高速路上的车流量数是固定不变的)，根据驾驶员的随机性，每个驾驶员看做是一个单独的粒子，进而模拟出可能的路径轨迹。则本文档来自技高网...

【技术保护点】
1.一种基于生成-滤波机制的交通流特征模态分解方法，其特征在于，包括以下步骤：/n(1)将高速交通流作为一个封闭交通系统M，根据驾驶员的随机性，将每个驾驶员看作一个单独的粒子，模拟出路径轨迹，再根据不同参数下轨迹的概率分布，得到对应的交通模态；/n(2)取不同的量子随机游走的参数，得到站点上由不同的驾驶模态导致的交通流概率分布的时间演化，进而变换不同的站点形成该高速交通流模态集合；/n(3)根据实际观测的交通流数据，对生成的交通模态进行筛选，反演出交通流的模态结构。/n

【技术特征摘要】
1.一种基于生成-滤波机制的交通流特征模态分解方法，其特征在于，包括以下步骤：
(1)将高速交通流作为一个封闭交通系统M，根据驾驶员的随机性，将每个驾驶员看作一个单独的粒子，模拟出路径轨迹，再根据不同参数下轨迹的概率分布，得到对应的交通模态；
(2)取不同的量子随机游走的参数，得到站点上由不同的驾驶模态导致的交通流概率分布的时间演化，进而变换不同的站点形成该高速交通流模态集合；
(3)根据实际观测的交通流数据，对生成的交通模态进行筛选，反演出交通流的模态结构。


2.根据权利要求1所述的一种基于生成-滤波机制的交通流特征模态分解方法，其特征在于，所述步骤(1)实现过程如下：
高速交通流是一个车辆总数为M的封闭交通系统，记每辆车为每辆车Cm的行驶轨迹量子随机游走进行模拟，量子随机游走的模拟参数集为则每辆车Cm在站点间的轨迹的概率分布为
在量子随机游走参数固定的情况下，每辆车Cm固定时间上出现在所有站点出现的概率之和一定为1，即：



在量子随机游走模拟参数δk和时间tj固定的条件下，出现在此封闭交通流系统中特定站点Si的车辆数，即为在站点Si出现的概率大于在其他站点出现的概率的车辆数之和：



则交通流系统在时间tj上出现在站点Si上的概率为：
...

【专利技术属性】
技术研发人员：俞肇元，李冬双，吴玉榕，吴帆，张悦，
申请(专利权)人：南京师范大学，
类型：发明
国别省市：江苏;32