[发明专利]基于交通大数据的动态交通态势预测方法

权利要求书

1.一种基于交通大数据的动态交通态势预测方法，其特征是，包括如下步骤：

(1-1)采集区域路段的交通数据信息；

(1-2)获取区域路段距离当前时刻前M天内的交通数据信息的n个抽样数据，抽样间隔为T₁；

(1-3)标准化抽样数据，利用主成分分析方法对标准化后的抽样数据进行分析，得到抽样数据的特征数据pca_v，将特征数据pca_v转换到[-a，a]之间，将特征数据pca_v转换到[0，1]；

(1-4)划分态势；

(1-5)选取距离当前时刻前M天内每天相同时段的时间长度为S的pca_v数据，共有M组行数据pca_v_j1，设定聚类半径为r，采用K-Means聚类方法进行聚类，得到聚类结果为E类，且聚类中心为cent_v_i1，存入历史学习库cent_v；

(1-6)取距离当前时刻S时间长度的交通数据信息的抽样数据，重复步骤(1-2)、(1-3)和(1-4)，得到一维数据pca_vc；

(1-7)选取pca_vc和历史学习库cent_v中时间长度为的对应数据，计算pca_vc与历史学习库cent_v的距离dis和余弦距离dis_cos；并做出交通态势预测；

(1-8)更新历史学习库cent_v。

2.根据权利要求1所述的基于交通大数据的动态交通态势预测方法，其特征是，步骤(1-3)包括如下具体步骤：

用抽样数据构成n×3数据矩阵，数据矩阵中的元素用x_ij表示；

(2-1)利用如下公式进行标准化处理：

i＝1，2，...，n；j＝1，2，3；

其中，得到标准化后的数据矩阵；

(2-2)设定样本相关系数矩阵为R，

计算样本相关系数矩阵R中的每个元素r_ij：

其中x_i，x_j均为标准化后的数据矩阵的列向量，均为列向量对应均值，k＝1，2，…，n；x_ki为标准化后的数据矩阵的第k行第i列元素，x_kj为标准化后的数据矩阵的第k行第j列元素；

(2-3)其中样本新数据F_i1＝a₁₁x_i1+a₁₂x_i2+a₁₃x_i3，[a₁₁，a₁₂，a₁₃]为由相关系数矩阵R计算得到的特征向量；

(2-4)将F_ij转换至[-a，a]，

(2-5)将F_ij转换到[0，1]，F_ij＝(F_ij+a)/2a。

3.根据权利要求1所述的基于交通大数据的动态交通态势预测方法，其特征是，抽样数据包括实际行程速度v、路段下游路口车流量的倒数1/q和路段下游车头时距标准差std_time。

4.根据权利要求1所述的基于交通大数据的动态交通态势预测方法，其特征是，步骤(1-7)还包括如下步骤：

如果存在dis＜r，则将满足dis＜r且余弦距离dis_cos最小的历史学习库cent_v中最后半个小时数据作为预测态势结果；

如果dis＞r则给出报警，如果pca_vc缺失数据严重，则不给出预测。