[发明专利]一种基于行程时间分布的交通异常检测方法

权利要求书

1.一种基于行程时间分布的交通异常检测方法，包括如下步骤：

1)建立时空子区：将一天划分为若干时间片段，每个时间片段称为一个时间子区；将城市道路交通异常检测的实施区域划分为若干空间片段，每个空间片段称为一个空间子区；任意一个时间子区和任意一个空间子区的交集称为时空子区；

2)历史轨迹数据的预处理：将浮动车GNSS定位历史数据处理为历史轨迹的抽样行程时间数据；

实时轨迹数据的预处理：将浮动车GNSS定位实时数据处理为实时轨迹的抽样行程时间数据；

3)历史轨迹数据分析和特征提取：利用所述历史轨迹的抽样行程时间数据，建立历史行程时间概率分布，得到历史交通特征模型P_h，实施方法是：将无交通异常状况下的历史数据，作为一个整体，该方法利用有限混合模型，建立交通特征模型，并进行参数估计；

实时轨迹数据分析和特征提取：利用所述实时轨迹的抽样行程时间数据；建立实时行程时间概率分布，得到实时交通特征模型P_rt；

4)异常检测：通过Jensen–Shannon散度衡量所述历史交通特征模型与所述实时交通特征模型的差异，根据实时交通特征模型的描述参数η_rt、μ_rt、σ_rt和历史交通特征模型描述参数η、μ、σ计算两个时间分布间Jensen-Shannon散度：diff[(η_rt,μ_rt,σ_rt),(η,μ,σ)]＝JSD(P_rt||P)；其中，η_rt是实时交通特征模型中各个子成分所占的比例向量，μ_rt是实时交通特征模型中各个子成分的均值向量，σ_rt是实时交通特征模型中各个子成分的标准差向量；η是历史交通特征模型中各个子成分所占的比例向量，μ是历史交通特征模型中各个子成分的均值向量，σ是历史交通特征模型中各个子成分的标准差向量；通过利用历史交通特征模型与实时交通特征模型计算得到的Jensen-Shannon散度计算得到历史与实时交通特征差异值；

5)异常严重性量化表征：利用所述历史与实时交通特征差异值，计算交通状况异常指数；

6)系统性能评价：评价交通异常状态检测的准确性，衡量系统运行的稳定程度；步骤3)采用下述方法之一：

3a)固定成分混合高斯模型法：采用固定成分数量K的混合高斯模型描述行程时间的概率分布，成分数量根据行程时间在典型情况下的分布模式人工指定，成分数量K取4～6；将实时交通数据进行模型建立和参数估计，获取当前交通状况的特征函数；

3b)可变混合高斯模型法：采用可变的成分数量，或者可变的成分数量和可变的分布类型；采用分类处理法，获取交通状况的特征函数，同时获取当前的气温、降水量、能见度、交通管制措施信息，并判断当前交通状况的类别；

步骤3b)所述的可变混合高斯模型法包括下述方法之一：

3b1)成分数量可变的混合高斯模型法：采用基于模型评价的方法来选择合适的成分数量，方法如下：确定可能的最大成分数量K，并分别对n＝1,2,…,K个成分的混合高斯模型进行参数估计；对于K个模型，通过贝叶斯信息准则确定最佳模型；

3b2)成分数量、分布类型均可变的有限混合模型法：子成分的分布形态和成分的数量均可变；

步骤3b)所述的分类处理法包括：

3b3)计算时空子区内的OD对间的行程时间t_ξ,rt，构成实时行程时间总体T_ξ,rt；

3b4)建立实时交通特征模型式中，K表示所述实时交通特征的子成分数量，η表示所述实时交通特征的某个子成分所占的比例，μ表示所述实时交通特征模型的某个子成分的均值，σ表示所述实时交通特征模型的某个子成分的标准差，并进行参数估计，得到当前实时交通特征的描述参数η_rt、μ_rt、σ_rt，其中，η_rt是所述实时交通特征模型中各个子成分所占的比例向量，μ_rt是所述实时交通特征模型中各个子成分的均值向量，σ_rt是所述实时交通特征模型中各个子成分的标准差向量；

3b5)将当前交通环境数据，包括气温、降水量、能见度作为输入参数，利用映射关系R(E→T)获得当前交通态势的所述类别T，其中E表示所述交通环境数据。