一种基于规则匹配和知识图谱的交通事件影响分析方法技术

本发明专利技术公开了一种基于规则匹配和知识图谱的交通事件影响分析方法，采集待分析高速公路区域的历史交通数据和交通事件数据；计算事发地点周围路网的变速比；从采集的交通事件数据中选择交通事件特征；进行交通事件分类构建规则库，获取各类中各个事件的交通流突变的时空变化拟合曲线，构建交通事件影响类别表存储拟合曲线的拟合参数；综合采集的历史交通数据、交通事件数据，以及确定的事件影响类别和拟合参数，构建高速公路交通事件知识图谱；基于RETE算法的正向推理引擎，确定待分析交通事件的影响类别，并通过知识图谱查询，得到该事件对周围路网的时空影响。本发明专利技术能够在新的交通事件发生时，迅速获知当前交通事件对高速路网所造成的时空影响。网所造成的时空影响。网所造成的时空影响。

【技术实现步骤摘要】
一种基于规则匹配和知识图谱的交通事件影响分析方法


[0001]本专利技术涉及高速公路管理技术，具体涉及一种基于规则匹配和知识图谱的交通事件影响分析方法。

技术介绍

[0002]交通事件通常由非经常性事件造成，如交通事故、极端天气、特殊事件、施工区域封闭等，极易引起车辆拥堵排队、交通事件连环发生等现象，进而降低道路的通行能力，给高速路网的运行安全和可靠性带来了挑战。分析交通事件对高速公路交通运行态势的影响是快速响应和及时处置交通事件的关键。熊娟等采用聚类分析的方法，将交通状态突变的交通事件信息分类，得到事件影响的大致范围，但其未将事件影响在时空维度上进行量化，结果缺乏精确性；Zhengli Wang等将交通事件的影响理解为拥堵扩散问题，提出一种整数规划模型，输入给定道路上的历史速度以及事件的位置和开始的时间，输出事件影响的时空区域，但是却忽略了交通事件自身特征对路网的潜在影响。综上所述，上述基于数据驱动的分析方法没有将交通事件影响特征挖掘与事件影响下的拥堵扩散现象有效结合，并且缺乏对交通事件经验性知识的重用和共享，不能提供交通事件影响的整体概况。

技术实现思路

[0003]本专利技术的目的在于提供一种基于规则匹配和知识图谱的交通事件影响分析方法。
[0004]实现本专利技术目的的技术解决方案为：一种基于规则匹配和知识图谱的交通事件影响分析方法，包括以下步骤：
[0005]步骤1，采集待分析高速公路区域的历史交通数据和交通事件数据；
[0006]步骤2，基于历史交通数据，计算事发地点周围路网的变速比，用于获取交通事件影响下交通流突变的时空变化拟合曲线，进行交通事件影响的时空特性分析；
[0007]步骤3，基于特征子集选择算法，从步骤1采集的交通事件数据中选择交通事件特征；
[0008]步骤4，基于步骤3选择交通事件特征进行交通事件分类构建规则库，并结合步骤2获取各类中各个事件的交通流突变的时空变化拟合曲线，构建交通事件影响类别表存储拟合曲线的拟合参数；
[0009]步骤5，基于本体模型，综合步骤1采集的历史交通数据、交通事件数据，以及步骤4确定的事件影响类别和拟合参数，构建高速公路交通事件知识图谱；
[0010]步骤6，基于RETE算法的正向推理引擎，对交通事件进行规则匹配，确定待分析交通事件的影响类别，并通过知识图谱查询，得到该事件对周围路网的时空影响。
[0011]步骤1中，采集的历史交通数据包括道路流量和速度数据，交通事件数据包括交通事件的编号、月份、星期、交通事件的发生时刻、交通事件的发生位置、道路编号、路面情况、天气、车流方向、工作区情况、交通事件发生位置与高速路口的关系、受影响的车道、事件碰撞严重程度以及路面的照明情况。
[0012]步骤2中，基于历史交通数据，计算事发地点周围路网的变速比ΔV(l,k)，具体公式如下：
[0013][0014]其中，l为特定位置与事发地点的距离/mile；k时刻为事件的影响时间/min；V1(l,k)为事件发生后的距事发地l处的当前速度/(mile
·
h
‑1)；V2(l,k)为历史数据中l处同一k时刻的速度平均值/(mile
·
h
‑1)；从各条变速比曲线中提取速度突变点，进行高斯拟合，即获得交通事件影响下的交通流突变的时空变化拟合曲线，表征交通事件影响的时空特性。
[0015]步骤3中，基于特征子集选择算法，从步骤1采集的交通事件数据中选择交通事件特征，具体方法为：
[0016]步骤3
‑
1，从交通事件数据中提取交通事件的多维特征，包括事件时空特征、环境特征以及事件信息相关补充特征；
[0017]事件时空特征包括交通事件的发生位置、月份、星期、发生时刻，其中交通事件的发生位置这一事件特征通过交通事件发生位置与高速路口的相对距离和相对方向具体表现；环境特征包括道路环境和自然环境，道路环境包括道路编号、路面情况、交通事件发生位置与高速路口的关系、工作区情况、路面的照明情况以及车流方向，自然环境包括天气；事件信息相关补充特征包括交通事件编号、受影响的车道和交通事件碰撞严重程度，最终获得交通事件的特征集合表示为A＝{a1,a2,a3,...,a
d
}，共由d个事件特征构成；
[0018]步骤3
‑
2，对交通事件的多维特征进行预处理；
[0019]1)将时间类型的数据转换为离散化分段数据；
[0020]原始数据中的事件发生时刻为时间类型数据，通过特征离散化有利于数据分析，将全天的时段离散化区间分为：凌晨、早高峰、平峰、晚高峰、夜间；
[0021]2)将非数值型的数据转换为数值型数据；
[0022]原始数据中的天气、路面情况、工作区情况，事件碰撞严重程度、车流方向、交通事件的发生位置与高速路口的关系以及路面的照明情况，还包括交通事件的发生位置与高速路口的相对方向和交通事件发生时刻的离散化分段数据，均为非数值型数据，根据分类情况进行编码数值化；
[0023]天气：雨天＝1,雪天＝2，大雾＝3，晴天＝4，阴天＝5，多云＝6；路面情况：干＝1，湿＝2；工作区情况：交通事件的发生位置在施工区域内＝1，交通事件的发生位置不在施工区域内＝2；事件碰撞程度：无伤亡＝1，受伤＝2，死亡＝3；车流方向：上行＝1，下行＝2；交通事件的发生位置与高速路口的关系：交通事件发生的位置与高速路口相关＝1，交通事件发生的位置与高速路口不相关＝2；路面的照明情况：白天＝1，黎明＝2，黄昏＝3，晚上路灯开＝4，晚上路灯关＝5，晚上没有路灯＝6，其他＝7；交通事件的发生位置与高速路口的相对方向：东：1，西＝2，南＝3，北＝4；交通事件的发生时刻：凌晨＝0，早高峰＝1，平峰＝2，晚高峰＝3，夜间＝4；
[0024]步骤3
‑
3，基于Boruta算法，结合步骤3
‑
2预处理后的交通事件的特征集合，确定与交通事件影响最为相关的特征子集A
*
。
[0025]步骤4中，基于步骤3选择交通事件特征进行交通事件分类构建规则库，并结合步骤2获取各类中各个事件的交通流突变的时空变化拟合曲线，构建交通事件影响类别表存
储拟合曲线的拟合参数，具体方法为：
[0026]将选择的交通事件特征子集A
*
中各元素相同的交通事件分为一类，选用产生式规则描述构建规则库，其中规则名称以对应的交通事件影响类别命名；规则内容以交通事件分类特征约束为执行条件，以确认交通事件影响类别为执行方法；
[0027]通过步骤2获得各类中各个事件的交通流突变的时空变化拟合曲线，并对各类中的多个事件的拟合曲线取平均，作为各类的交通事件影响的时空特性，构建交通事件影响类别表来存储拟合曲线的拟合参数。
[0028]步骤5中，基于本体模型，综合步骤1采集的历史交通数据、交通事件数据，以及步骤4确定的事件影响类别和拟合参数，构建高速公路交本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于规则匹配和知识图谱的交通事件影响分析方法，其特征在于，包括以下步骤：步骤1，采集待分析高速公路区域的历史交通数据和交通事件数据；步骤2，基于历史交通数据，计算事发地点周围路网的变速比，用于获取交通事件影响下交通流突变的时空变化拟合曲线，进行交通事件影响的时空特性分析；步骤3，基于特征子集选择算法，从步骤1采集的交通事件数据中选择交通事件特征；步骤4，基于步骤3选择交通事件特征进行交通事件分类构建规则库，并结合步骤2获取各类中各个事件的交通流突变的时空变化拟合曲线，构建交通事件影响类别表存储拟合曲线的拟合参数；步骤5，基于本体模型，综合步骤1采集的历史交通数据、交通事件数据，以及步骤4确定的事件影响类别和拟合参数，构建高速公路交通事件知识图谱；步骤6，基于RETE算法的正向推理引擎，对交通事件进行规则匹配，确定待分析交通事件的影响类别，并通过知识图谱查询，得到该事件对周围路网的时空影响。2.根据权利要求1所述的基于规则匹配和知识图谱的交通事件影响分析方法，其特征在于，步骤1中，采集的历史交通数据包括道路流量和速度数据，交通事件数据包括交通事件的编号、月份、星期、交通事件的发生时刻、交通事件的发生位置、道路编号、路面情况、天气、车流方向、工作区情况、交通事件发生位置与高速路口的关系、受影响的车道、事件碰撞严重程度以及路面的照明情况。3.根据权利要求1所述的基于规则匹配和知识图谱的交通事件影响分析方法，其特征在于，步骤2中，基于历史交通数据，计算事发地点周围路网的变速比ΔV(l，k)，具体公式如下：其中，l为特定位置与事发地点的距离/mile；k时刻为事件的影响时间/min；V1(l，k)为事件发生后的距事发地l处的当前速度/(mile
·
h
‑1)；V2(l，k)为历史数据中l处同一k时刻的速度平均值/(mile
·
h
‑1)；从各条变速比曲线中提取速度突变点，进行高斯拟合，即获得交通事件影响下的交通流突变的时空变化拟合曲线，表征交通事件影响的时空特性。4.根据权利要求1所述的基于规则匹配和知识图谱的交通事件影响分析方法，其特征在于，步骤3中，基于特征子集选择算法，从步骤1采集的交通事件数据中选择交通事件特征，具体方法为：步骤3
‑
1，从交通事件数据中提取交通事件的多维特征，包括事件时空特征、环境特征以及事件信息相关补充特征；事件时空特征包括交通事件的发生位置、月份、星期、发生时刻，其中交通事件的发生位置这一事件特征通过交通事件发生位置与高速路口的相对距离和相对方向具体表现；环境特征包括道路环境和自然环境，道路环境包括道路编号、路面情况、交通事件发生位置与高速路口的关系、工作区情况、路面的照明情况以及车流方向，自然环境包括天气；事件信息相关补充特征包括交通事件编号、受影响的车道和交通事件碰撞严重程度，最终获得交通事件的特征集合表示为A＝{a1，a2，a3，...，a
d
}，共由d个事件特征构成；步骤3
‑
2，对交通事件的多维特征进行预处理；
1)将时间类型的数据转换为离散化分段数据；原始数据中的事件发生时刻为时间类型数据，通过特征离散化有利于数据分析，将全天的时段离散化区间分为：凌晨、早高峰、平峰、晚高峰、夜间；2)将非数值型的数据转换为数值型数据；原始数据中的天气、路面情况、工作区情况，事件碰撞严重程度、车流方向、交通事件的发生位置与高速路口的关系以及路面的照明情况，还包括交通事件的发生位置与高速路口的相对方向和交通事件发生时刻的离散化分段数据，均为非数值型数据，根据分类情况进行编码数值化；天气：雨天＝1,雪天＝2，大雾＝3，晴天＝4，阴天＝5...

【专利技术属性】
技术研发人员：张伟斌，张荟，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：