交通流量的多尺度符号动态熵分析方法技术

本发明专利技术提供一种交通流量的多尺度符号动态熵分析方法，包括以下步骤：步骤S10，采集交通流量数据，所述交通流量数据按天采集；步骤S20，将交通流量数据的原始时间序列进行处理，计算获得多尺度符号动态熵；步骤S30，通过多尺度符号动态熵区分交通流程数据的模式。本发明专利技术能够有效地评价交通流量数据时间序列的规律性，从而为交通系统分析提供了更方便、更强大的工具。的工具。的工具。

【技术实现步骤摘要】
交通流量的多尺度符号动态熵分析方法


[0001]本专利技术涉及智能交通
，尤其是一种交通流量的多尺度符号动态熵 分析方法。

技术介绍

[0002]交通系统的研究对缓解交通拥堵起着重要作用，交通拥堵增加了城市的出 行延误，造成了巨大的经济损失。近年来，车辆数量迅速增加，交通拥堵问题 日益严重，因此交通系统的研究变得越来越重要，也越来越受到人们的重视。 此外，还有许多关于交通流量的研究课题，包括交通流量预测、交通流量模型 和交通理论。特别是，交通流的动态性和规律性仍然是一个热门话题，也是交 通工程师面临的一大挑战。Choi等人发现，转换方程表现出多种行为，包括非 均匀流动、湍流行为和密度波，并在适当的区域内发生波动，并研究了1/f波 动的可能性[8]。
[0003]Castillo等人[9]发现，对于不同的初始干扰密度，在没有噪声的情况下， 出现的状态显示出一种类似于随机共振的行为，即平均传输速度增加。借助这 些发现，可以更好地了解城市交通堵塞的动态，然后，基于代数拓扑方法[10] 的方法被用于精确描述具有队列的动态系统中的干扰。尹和尚[11]提出了一种 多尺度多重分形膨胀互相关分析方法来描述依赖于计算多重分形的时间尺度的 互相关特性，他们发现，工作日和周末模式之间的主要区别在于隐藏在其中的 不同周期模式。此外，这些不同的周期模式在互相关研究的赫斯特表面中起着 重要作用。通过非线性时间序列建模技术，还研究了交通系统的混沌特性[12]。 为了更好地评估传输系统的复杂性，多尺度SamEn熵(MSE)方法被广泛使用， 并获得了许多有价值的结果。MSE首次提出于2002年，用于评估生理时间序列 的复杂性[13]。Wang等人[14]引入多尺度排列熵分析来研究不同时间序列的复 杂性，发现周末时间序列的复杂性不同于平日时间序列的复杂性。这一发现有 助于在进行预测时对序列进行分类。随后，为了研究多变量之间的关联度和复 杂性，还提出了多变量多尺度样本熵[15,16]，从而获得了关于转换时间序列复 杂性的更准确和有用的知识。从这些文献中，可以发现MSE及其变体对于交通 系统的复杂性评估非常有效。然而，多尺度熵仍然存在缺陷，这限制了其在交 通流中的应用。如[17]所述，基于Heaviside函数的向量相似性定义可能导致 不连续和硬边界，并导致SampEn的有效性和准确性出现一些问题。具体而言， 没有满足评估条件的向量，则Heaviside函数的值为零，因此，SamEn的分母为 零，这使得SamEn的值为NaN[18]。这一毫无意义的结果使得人们很难理解复杂 的流动，此外，很难为[17]中报告的MSE或多尺度修正样本(MMSE)计算选择 最佳参数r。因此，很难评估某些交通系统的复杂性。
[0004][8].F.Castillo,B.A.Toledo,V.Muoz,J.Rogan,R.Zarama,M.Kiwi,J.A. Valdivia,City traffic jam relief by stochastic resonance,Physica A:Statistical Mechanics and its Appli
‑
cations,403(2014)65
‑
70.
[0005][9].M.Y.Choi，H.Y.Lee，Traffic flow and 1/f fluctuations，Physical Review E， 52(1995)5979
‑
5984.
[0006][10].M.Andjelkovic，N.Gupte，B.Tadic，Hidden geometry of traffic jamming， Physical review.E，Statistical，nonlinear，and soft matter physics，91(2015) 052817.
[0007][11].Y.Yin，P.Shang，Multiscale multifractal detrended cross
‑
correlation analysis of traffic flow，Nonlinear Dynamics，81(2015)1329
‑
1347.
[0008][12].P.Shang，X.Li，S.Kamae，Chaotic analysis of traffic time series，Chaos， Solitons&Fractals，25(2005)121
‑
128.
[0009][13].M.Costa，A.L.Goldberger，C.K.Peng，Multiscale entropy analysis of complex physiologic time series，Physical review letters，89(2002)068102.
[0010][14].p.s.J.Wang，X.J.Zhao and J.Xia，Multiscale detrended fiuctuation analysis of traffic index series，International Journal of Modern Physics C，24(2014).
[0011][15].Y.Yin，P.Shang，Multivariate multiscale sample entropy of traffic time series，Nonlinear Dynamics，86(2016)479
‑
488.
[0012][16].W.C.Juan Bao，Coupling Complexity Analysis of Traffic Time Series Based on Multivariate Multiscale Sample Entropy，Bolet
í
n T
é
cnico，55(2017)1
‑
9.
[0013][17].H.B.Xie，W.X.He，H.Liu，measuring time series regularity using nonlinear similarity
‑
based sample entropy，Physics Letters A，372(2008)7140
‑
7146.
[0014][18].S.W，C.W，S.L，et a1.Analysis of complex time series using refined composite multiscale entropy
‑
ScienceDirect.Physics Letters A，2014， 378(20)：1369
‑
1374.

技术实现思路

[0015]本专利技术的目的是在于克服现本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交通流量的多尺度符号动态熵分析方法，其特征在于，包括以下步骤：步骤S10，采集交通流量数据，所述交通流量数据按天采集；步骤S20，将交通流量数据的原始时间序列进行处理，计算获得多尺度符号动态熵；步骤S30，通过多尺度符号动态熵区分交通系统的模式。2.如权利要求1所述的交通流量的多尺度符号动态熵分析方法，其特征在于，所述步骤S20具体包括：步骤S201，将交通流量数据的原始时间序列转换为粗粒度时间序列，具体通过在长度τ连续但不重叠的窗口内平均原始时间序列来实现，公式如下：x
i
表示原始时间序列，τ表示尺度，N表示某一天交通流量的采样点数；步骤S202，将尺度为τ的粗粒度时间序列转换为符号时间序列{s
τ
(i)，i＝1，2，
…
，N/τ}，公式如下：其中，σ
i
表示i的符号，C
i
表示划分空间；M(M＜N/τ)表示划分空间的数量；C
i
满足公式(3)和(4)；(...

【专利技术属性】
技术研发人员：李德光，张永新，张继永，张斌斌，沈家全，赵朝锋，闫晓婷，
申请(专利权)人：洛阳师范学院，
类型：发明
国别省市：