一种基于FCM和KELM的道路施工期路段交通状态判别方法技术

本发明专利技术公开了一种基于FCM和KELM的道路施工期路段交通状态判别方法，该方法包括：步骤1：选取交通流量、速度、时间占有率作为交通状态特征参数，获取道路施工期路段的历史交通流数据；步骤2：采用模糊C均值聚类算法将历史交通流数据样本划分为：畅通、平稳、拥挤、阻塞；步骤3：将交通状态数据集划分为训练集和测试集，使用训练集训练核极限学习机模型从而得到交通状态判别模型，并用测试集检验交通状态判别模型的判别正确率；步骤4：将道路施工期路段交通状态特征参数数据输入核极限学习机交通状态判别模型，得到交通状态类别，实现道路施工期路段的实时交通状态判别。本发明专利技术有较高的判别精度和稳定性，能够有效地判别施工期道路路段交通状态。段交通状态。段交通状态。

【技术实现步骤摘要】
一种基于FCM和KELM的道路施工期路段交通状态判别方法


[0001]本专利技术涉及智能交通
，尤其涉及一种基于FCM和KELM的道路施工期路段交通状态判别方法。

技术介绍

[0002]由于占道施工导致部分道路资源被占用，城市道路施工期交通系统具有速度慢、通行能力小、拥堵多等显著特点，导致施工期道路交通状态对周边区域路网交通运行有着很大影响，也是区域路网产生交通拥堵的重要原因，因此施工期道路往往是交通管控的重点对象。而施工期道路实时交通状态判别对于分析拥堵原因、制定施工期交通组织方案、实施交通管理措施和为公众出行提供交通信息服务有着重要作用，因此研究如何实现施工期道路交通状态的实时判别有着重大意义。但是施工期道路由于占用了道路资源，其交通流特性与正常道路相比存在着较大差异，导致交通状态的判别标准发生变化，因此目前的研究成果不一定适用于施工期道路的交通状态判别。

技术实现思路

[0003]本专利技术要解决的技术问题在于针对现有技术中的缺陷及道路施工期路段的交通特性，提供一种基于模糊C均值聚类(FCM)和核极限学习机(KELM)的交通状态判别方法，能够有效实现道路施工期路段交通状态的实时判别。
[0004]本专利技术解决其技术问题所采用的技术方案是：
[0005]本专利技术提供一种基于FCM和KELM的道路施工期路段交通状态判别方法，该方法包括以下步骤：
[0006]步骤1：选取交通流量、速度、时间占有率三个参数作为交通状态特征参数，获取道路施工期路段的历史交通流数据，历史交通流数据中包含交通状态特征参数，并对其进行归一化处理；
[0007]步骤2：采用模糊C均值聚类算法将历史交通流数据样本划分为四种类别：畅通、平稳、拥挤、阻塞，得到已分类的交通状态数据集；
[0008]步骤3：将已分类的交通状态数据集划分为训练集和测试集，使用训练集训练核极限学习机模型KELM从而得到交通状态判别模型，并用测试集检验交通状态判别模型的判别正确率；
[0009]步骤4：将实时采集的道路施工期路段交通状态特征参数数据输入核极限学习机交通状态判别模型，得到交通状态类别，从而实现道路施工期路段的实时交通状态判别。
[0010]进一步地，本专利技术的所述的步骤1中，交通状态特征参数交通流量、速度、时间占有率的参数含义及计算方法为：
[0011]交通流量指单位时间内通过道路某一断面的车辆数，由于存在车型不同的问题，将不同车型折算为当量交通量；
[0012]速度是指在一段时间内通过某观测点的车辆速度的算数平均和，其计算公式为：
[0013][0014]其中，N为车辆数；为第i辆车通过观测点的速度；
[0015]时间占有率指在一段时间内车辆通过观测点时间与观测时间的比值，其计算公式为：
[0016][0017]其中，t
i
为第i辆车的通过时间；T为观测时间。
[0018]进一步地，本专利技术的所述的步骤1中，对道路施工期路段的历史交通流数据进行归一化处理的公式为：
[0019][0020]其中，x
j max
和x
x min
分别表示第j个交通流特征参数序列的最大值和最小值，x
ij
和x
ij
'分别表示第i个样本的第j个交通流特征参数的原始值和归一化值。
[0021]进一步地，本专利技术的所述的步骤2中，模糊C均值聚类算法的聚类过程具体为：
[0022]定义目标函数J
m
(U,V)如下：
[0023][0024]其中，c为聚类数目；n为聚类样本个数；m∈[1,∞)为模糊加权指数，m值越大，则聚类分析的模糊程度越大，m的最佳取值范围为[1.5,2.5]；u
ij
∈[0,1]为第j个数据样本x
j
对第i类的隶属度，且满足d
ij2
＝||x
j
‑
v
i
||2，表示数据样本点x
j
与第i类聚类中心v
i
的欧氏距离；
[0025]引入拉格朗日乘数法求解定义的目标函数，构造函数如下：
[0026][0027]其中，λ
j
为拉格朗日乘子；d
ij2
＝||x
j
‑
v
i
||2；
[0028][0029][0030][0031]由上式求得：
[0032][0033][0034]进一步地，本专利技术的所述的步骤2中，对模糊C均值聚类FCM算法进行计算的步骤具体为：
[0035]1)参数初始化：设定参数模糊加权指数m，迭代截止阈值ε＞0，最大迭代次数T
max
，并初始化隶属度矩阵u
ij
；
[0036]2)计算聚类中心v
j
；
[0037]3)计算目标函数值J(U,V)，并更新隶属度中心u
ij
；
[0038]4)若||J
(t+1)
‑
J
(t)
||≤ε，或已达到最大迭代次数T
max
，则迭代停止，否则令t＝t+1返回步骤2)，直到算法结束。
[0039]进一步地，本专利技术的所述的步骤3中，将已分类的交通状态数据集划分为训练集和测试集，其具体方法为：
[0040]训练数据集和测试数据集的划分原则为取整对半平分，并保证训练数据集和测试数据集均包含四种交通状态数据，且四种交通状态数据的占比分布满足一定比例要求；训练数据集和测试数据集的输入为三个交通状态特征参数变量，输出为对应的交通状态，畅通、平稳、拥挤、阻塞四种交通状态的标签分别为1、2、3、4。
[0041]进一步地，本专利技术的所述的步骤3中，核极限学习机模型KELM的训练过程如下：
[0042]假设训练样本数为n，隐含层个数为L，则极限学习机的输出函数表示为：
[0043]f(x)＝h(x)β＝Hβ
[0044][0045]其中，w
i
为输入层与第i个隐含层节点之间的连接权值向量；x
j
(j＝1,2,
…
,n)为第j个输入样本向量；b
i
为第i个隐含层节点的偏置；g(x)为激活函数；β
i
为第i个隐含层节点与输出层之间的连接权值向量；其中w
i
和b
i
是随即设定的；
[0046]ELM的训练目标是最小化训练误差和最小化β的范数，即：
[0047][0048]s.t.t
jT
‑
h(x
j
)β＝ξ
jT
[0049]其中，t
j
为第j个样本的期望输出；ξ
j
为输入样本x
j
的输出值与期望输出值之间的误差；C为惩罚参数；...

【技术保护点】

【技术特征摘要】
1.一种基于FCM和KELM的道路施工期路段交通状态判别方法，其特征在于，该方法包括以下步骤：步骤1：选取交通流量、速度、时间占有率三个参数作为交通状态特征参数，获取道路施工期路段的历史交通流数据，历史交通流数据中包含交通状态特征参数，并对其进行归一化处理；步骤2：采用模糊C均值聚类算法将历史交通流数据样本划分为四种类别：畅通、平稳、拥挤、阻塞，得到已分类的交通状态数据集；步骤3：将已分类的交通状态数据集划分为训练集和测试集，使用训练集训练核极限学习机模型KELM从而得到交通状态判别模型，并用测试集检验交通状态判别模型的判别正确率；步骤4：将实时采集的道路施工期路段交通状态特征参数数据输入核极限学习机交通状态判别模型，得到交通状态类别，从而实现道路施工期路段的实时交通状态判别。2.根据权利要求1所述的基于FCM和KELM的道路施工期路段交通状态判别方法，其特征在于，在所述的步骤1中，交通状态特征参数交通流量、速度、时间占有率的参数含义及计算方法为：交通流量指单位时间内通过道路某一断面的车辆数，由于存在车型不同的问题，将不同车型折算为当量交通量；速度是指在一段时间内通过某观测点的车辆速度的算数平均和，其计算公式为：其中，N为车辆数；为第i辆车通过观测点的速度；时间占有率指在一段时间内车辆通过观测点时间与观测时间的比值，其计算公式为：其中，t
i
为第i辆车的通过时间；T为观测时间。3.根据权利要求1所述的基于FCM和KELM的道路施工期路段交通状态判别方法，其特征在于，在所述的步骤1中，对道路施工期路段的历史交通流数据进行归一化处理的公式为：其中，x
jmax
和x
xmin
分别表示第j个交通流特征参数序列的最大值和最小值，x
ij
和x
ij
'分别表示第i个样本的第j个交通流特征参数的原始值和归一化值。4.根据权利要求1所述的基于FCM和KELM的道路施工期路段交通状态判别方法，其特征在于，在所述的步骤2中，模糊C均值聚类算法的聚类过程具体为：定义目标函数J
m
(U,V)如下：其中，c为聚类数目；n为聚类样本个数；m∈[1,∞)为模糊加权指数，m值越大，则聚类分
析的模糊程度越大，m的最佳取值范围为[1.5,2.5]；u
ij
∈[0,1]为第j个数据样本x
j
对第i类的隶属度，且满足d
ij2
＝||x
j
‑
v
i
||2，表示数据样本点x
j
与第i类聚类中心v
i
的欧氏距离；引入拉格朗日乘数法求解定义的目标函数，构造函数如下：其中，λ
j
为拉格朗日乘子；d
ij2
＝||x
j
‑
v
i
||2；；；由上式求得：由上式求得：5.根据权利要求4所述的基于FCM和KELM的道路施工期路段交通状态判别方法，其特征在于，在所述的步骤2中，对模糊C均值聚类FCM算法进行计算的步骤具体为：1)参数初始化：设定参数模糊加权指数m，迭代...

【专利技术属性】
技术研发人员：周强，杜光，
申请(专利权)人：中冶南方工程技术有限公司，
类型：发明
国别省市：