一种结合高维指标降维处理对交通状态进行评估的方法技术

本发明专利技术涉及一种结合高维指标降维处理对交通状态进行评估的方法，包括：构建混合交通下影响交通状态评估的高维指标集；对所述高维指标集进行处理以获取各指标间的相关性，所述相关性能够基于斯皮尔曼相关系数进行表示；基于所述斯皮尔曼相关系数对所述高维指标集进行筛选以获取降维指标集；对所述降维指标集进行处理以获取最小化高维指标集和降维后的低维映射点之间的概率分布距离的散度KL；对所述低维映射点进行模糊聚类以对交通的类别进行评估；对不同数目下的交通状态模糊划分系数进行评估，以获取最优的交通状态类别数目；对每个交通状态类别进行分析以获取每个交通状态类别所属的交通状态，进而获取混合交通下的交通状态。通状态。通状态。

【技术实现步骤摘要】
一种结合高维指标降维处理对交通状态进行评估的方法


[0001]本专利技术涉及智能交通
，具体涉及一种结合高维指标降维处理对交通状态进行评估的方法。

技术介绍

[0002]随着经济的发展，道路中出现的多种车辆混行会影响道路车辆整体的运行稳定性，例如自重大、尺寸高的货车与自重小、速度快的客车混行，会影响到交通状态的稳定性及道路的运行效率，进而易发生交通拥堵与事故。因此，应该从混合交通下实际情况出发，考虑不同车辆类型对交通状态的影响，获得更能反映实际道路情况的交通运行状态。准确的交通状态信息能够帮助车辆及时根据车辆状态进行线路调整，并有助于交通管理部门及时进行道路管控，提高道路运行效率和安全，助力智能交通的发展。
[0003]以往研究受制于有限的数据，在交通状态划分方面将不同车辆类型的特征仅通过一个系数转换成一个统一的指标来进行判定，忽略了不同车辆类型自身的特征，因而以往的交通状态判定方法存在一定弊端，不能较为全面的反映道路交通状态。

技术实现思路

[0004]针对现有技术中存在的不足，本专利技术目的是提供一种能够更清楚反映道路的实际运行状态、辅助制定交通管制措施、提高交通效率和安全的结合高维指标降维处理对交通状态进行评估的方法。
[0005]为解决上述技术问题，本专利技术提供的技术方案是：所述的结合高维指标降维处理对交通状态进行评估的方法，该方法包括以下步骤：（1）构建混合交通下影响交通状态评估的指标集；（2）将构建的指标集输入到斯皮尔曼函数中，计算指标之间的相关性，斯皮尔曼相关系系数 的计算公式为： ；在上式中，和分别代表第和第个高维指标，其中，为指标的个数，为和的协方差，和表示和的标准差；（3）将步骤（2）中计算得到的指标集之间的斯皮尔曼系数进行筛选，当两个指标之间的相关性系数大于0.8时，认为这两个指标存在相关性，随即留下二者中的一个指标，剔除另一个；（4）将步骤（3）中剔除结束后剩余的指标集输入到T分布随机邻居嵌入算法中，将高维指标集降维到二维；（5）步骤（4）中，T分布随机邻居嵌入算法的目标函数为最小化高维指标集和降维后的低维映射点之间的概率分布距离的KL散度，KL最小化的公式为：
；在上式中，是高维指标集的联合概率密度，是低维映射点的联合概率密度，二者的计算公式为： ； ；在上式中，和分别代表第和第个高维指标，和分别代表第和第个低维映射点指标，代表方差；（6）将步骤（4）中降维后的低维映射点输入到模糊C均值算法中，评估交通的类别；（7）通过肘部法对不同数目下的交通状态模糊划分系数进行评估，选出最优的交通状态类别数目；（8）对步骤（6）中交通的类别进行分析，评估每个类别所属的交通状态，得到异构交通下的交通状态。
[0006]进一步地，在步骤（6）中，模糊C均值算法的目标函数计算公式为： ；在上式中，为算法的目标函数值，为模糊聚类中心，，为交通状态类别的中心点，初始中心点设定为，表示第个指标，且，为算法的权重，为指标属于交通状态类别的权重，为系数；在求解过程中，根据计算得到的值更新聚类的中心，以寻找值最小时对应的交通状态类别，此时即为交通状态结果。
[0007]进一步地，在步骤（7）中，交通状态模糊划分系数FPC的计算公式为：；在上式中，为交通状态类别中所有样本的均值。
[0008]与现有技术相比，本方案具备的显著优点有：本方案从混合交通中不同车辆类型的特征出发，构建了高维特征下的交通状态评估模型，从特征选择和特征降维来提高算法效率，引入肘部法科学选择最佳交通状态数目，可结合经典格林希尔治交通流模型来判定最后的交通状态结果，保证判定结果的可靠性。
[0009]本方案考虑实际工程问题全面，实际应用价值高，可以更加可靠地反映道路的实际运行状态，辅助制定交通管制措施，提高交通效率和安全。
附图说明
[0010]附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：图1为本专利技术在实施例中混合交通下不同车辆特征的指标数据图；图2为本专利技术在实施例中TSNE可视化效果；图3为本专利技术在实施例中聚类中心数目从2到9的聚类结果及模糊划分系数示意图；
图4为本专利技术在实施例中用折线图展示的聚类中心数目从2到9的FPC；图5为本专利技术在实施例中格林希尔治交通流模型示意图；图6为本专利技术在实施例中总速度指标在不同交通状态编号下的箱型图；图7为本专利技术在实施例中排序后的箱型图及对应的交通状态等级示意图；图8为本专利技术在实施例中整体的步骤流程示意图。
具体实施方式
[0011]以下结合附图对本专利技术的优选实例进行说明，应当理解，此处所描述的优选实例仅用于说明和解释本专利技术，并不用于限定本专利技术。
[0012]如图8所示，本专利技术所述的结合高维指标降维处理对交通状态进行评估的方法，主要包括以下步骤：（1）构建混合交通下影响交通状态评估的指标集；在本实施例中，高速公路混合交通包括多种车辆类型，按照《公路工程技术标准》中的规定，见下表：可以看到车辆按照不同的荷载及功率被分为了六种车型，并且每种车辆类型均给出了转换成标准小汽车的换算系数。
[0013]因此，六中车型的流量及速度；所有车型总流量、总速度；道路的时间占有率、跟车百分比、平均车头间距；货车混合流率及客车占有率作为评估混合交通状态的指标，共有23个指标，形成高维特征。
[0014]选择北京首都国际机场附近的一处高速公路路段作为研究对象，数据收集时长为3天，时间间隔为1小时，并且由线圈检测直接获得和简单的数据清洗，获得的指标数据如图1所示。
[0015]（2）将构建的指标集输入到斯皮尔曼函数中，计算指标之间的相关性，斯皮尔曼相关系系数的计算公式为：；在上式中，和分别代表第和第个高维指标，其中，为指标的个数，为和的协方差，和表示和的标准差。
[0016]在本实施例中，两两指标之间的斯皮尔曼相关性系数计算部分结果如下表所示：
（3）将步骤（2）中计算得到的指标集之间的斯皮尔曼系数进行筛选，当两个指标之间的相关性系数大于0.8时，认为这两个指标存在相关性，随即留下二者中的一个指标，剔除另一个，本实施例中，斯皮尔曼相关性系数大于0.8的指标如下表所示：斯皮尔曼相关性系数大于0.8的两个指标之间存在指标冗余，因此，为了提高模型的运行效率，剔除其中一个，由上可知，将中小型客车流量、中小型客车速度、客车混合流率、客车速度及总流量共5个指标作为冗余指标进行删除，此时，交通状态评估指标体系由原来的23维度变成了18维度，18维度的指标体系属于高维特征。
[0017]（4）将18维的高维异构交通状态指标集输入到T分布随机邻居嵌入（T
‑
Distributed Stochastic Neighbor Embedding，TSNE）算法中，将高维指标集降维到二维。
[0018]（5）TSNE的目标函数为最小化高维指标集和降维后的低维映射点之间的概率分布距离的Kullback
‑
Leibler本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合高维指标降维处理对交通状态进行评估的方法，其特征在于，该方法包括以下步骤：构建混合交通下影响交通状态评估的指标集；将构建的指标集输入到斯皮尔曼函数中，计算指标之间的相关性，斯皮尔曼相关系系数的计算公式为：；在上式中，和分别代表第和第个高维指标，其中，为指标的个数，为和的协方差，和表示和的标准差；（3）将步骤（2）中计算得到的指标集之间的斯皮尔曼系数进行筛选，当两个指标之间的相关性系数大于0.8时，认为这两个指标存在相关性，随即留下二者中的一个指标，剔除另一个；（4）将步骤（3）中剔除结束后剩余的指标集输入到T分布随机邻居嵌入算法中，将高维指标集降维到二维；（5）步骤（4）中，T分布随机邻居嵌入算法的目标函数为最小化高维指标集和降维后的低维映射点之间的概率分布距离的KL散度，KL最小化的公式为：；在上式中，是高维指标集的联合概率密度，是低维映射点的联合概率密度，二者的计算公式为：；；在上式中，和分别代表第和第个高维指标，和分别代表第和第个低维映射点指标，...

【专利技术属性】
技术研发人员：尚赞娣，胡希元，于丹阳，何涛，林成功，王屾，夏晶，
申请(专利权)人：交通运输部科学研究院，
类型：发明
国别省市：