[发明专利]一种城市快速路交通事件影响空间范围等级预测方法

说明书

技术领域

本发明涉及一种对城市快速路交通事件未来影响的空间范围进行预测的方法。

背景技术

随着我国机动车保有量的快速上升与基础设施建设的趋于饱和，城市交通供需矛盾日益突出，交通流运行的稳定性降低。特别在早晚高峰时段，即使是轻微交通事件的扰动也极易造成周边道路的阻塞，进而导致城市路网大范围的交通瘫痪。这对交通管理部门的交通异常事件处理技术提出了重大挑战。先进的交通事件管理系统是处理交通异常事件、保障道路交通正常运行的重要手段。

传统的交通事件管理系统，主要着眼于“发现”交通事件，即交通事件的实时检测与预警，而无法反映异常事件的影响范围，最终只能依靠管理者通过现场观测与视频监控进行人工判断。因此，如何预测交通事件对周边道路的时空影响，并在此基础上生成交通诱导、救援、组织方案，实现交通事件管理决策的自动化，对提高交通管理水平，降低交通异常事件影响有着重要的作用。

发明内容

本发明的目的是提供一种在交通事件发生后对其所影响的空间范围等级进行预测的方法。

为了达到上述目的，本发明的技术方案是提供了一种城市快速路交通事件影响空间范围等级预测方法，其特征在于：步骤为：

步骤1、获取大量城市快速路交通异常事件案例，每个案例至少包括以下属性的数据：事件类型、事件影响车道数、是否需要拖挂车辆、事件所处地点背景交通状态及事件空间影响范围，其中，事件空间影响范围是指由该事件引起的发生点上游排队长度的最大值；

步骤2、将大量城市快速路交通异常事件案例依据事件空间影响范围分为至少两类，分别为“一般事件”及“重大事件”；

步骤3、以事件空间影响范围作为分类属性，其余属性作为判定属性进行分类，生成决策树，其步骤为：

步骤3.1、设步骤1中获取的所有案例的判定属性为数据集合C，作为消息源 “一般事件”或“重大事件”有关的决策树，产生这些消息所需的期望信息                                                为：

   ，其中，及分别为数据集合C中属于“一般事件”类及“重大事件”类的对象的个数，一个案例即为一个对象；

步骤3.2、每个判定属性依据其取值范围可以将数据集合C划分成不同的子树，若判定属性中的任一属性A具有m个值｛A1, A2, …, Am｝，则该属性A将数据集合C划分成｛C1, C2, …, Cm｝，其中第i个子树Ci包括数据集合C中属性A的值为Ai的那些对象，这些对象中属于“一般事件”类的对象共有个，而属于“重大事件” 类的对象共有个，则以属性A作为决策树的根节点所要求的期望信息，，其中，；

步骤3.3、计算决策树按照属性A进行分支的信息增益，；

步骤3.4、重复步骤3.2至步骤3.3直至计算完决策树按照每一个判定属性进行分支的信息增益，选取使得信息增益最大的一个判定属性Ak作为根节点；

步骤3.5、以判定属性Ak的取值范围将数据集合C划分成不同的子树，对每个子树做步骤3.2至步骤3.4同样的处理，递归形成决策树；

步骤4、计算决策树每个叶节点的聚类中心值、最大值或最小值；

步骤5、当交通事件发生时，依据其判定属性的数据在决策树中找到对应的叶节点，读取该叶节点的聚类中心值、最大值或最小值，作为交通事件影响空间范围等级的预测值。

优选地，在所述步骤3与所述步骤4之间进一步包括对步骤3所述决策树进行剪枝，其步骤为：

步骤A、采集城市快速路交通异常事件数据组成剪枝数据集合D；

步骤B、将所述步骤3得到的决策树的某个连接叶节点的非叶节点子树Si用与该非叶节点子树Si直接相连的一个叶节点S代替，形成新决策树；

步骤C、计算新决策树关于剪枝数据集合D的预测精度；

步骤D、重复步骤B至步骤C直至遍历与非叶节点子树Si直接相连的所有叶节点，得到预测精度数组｛at｝；

步骤E、计算所述步骤3得到的决策树关于剪枝数据集合D的预测精度a，取预测精度数组｛at｝及预测精度a中的最大值amax，若该最大值amax为预测精度a，则无需对步骤3所述决策树进行剪枝，否则将非叶节点子树Si用与该最大值amax所对应的叶节点代替；

步骤F、重复步骤B至步骤E直至遍历步骤3得到的决策树的所有连接叶节点的非叶节点子树。

优选地，所述步骤2包括：

步骤2.1、设定至少两个事件空间影响范围的聚类的类别，即“一般事件”及“重大事件”；