[发明专利]一种基于时序关联规则的交通拥堵预测方法

权利要求书

1.一种基于时序关联规则的交通拥堵预测方法，其特征在于：包括以下步骤：

步骤1、将原始的历史交通数据信息离散化；

交通信息中心根据地理信息库中的路网信息和采集到的各道路不同时刻行驶的车辆数量，将每条道路的拥堵状态离散化处理转化为拥堵程度并存入MySQL数据库中；

步骤2、交通信息中心根据数据库内的交通信息以及路网信息提取出道路发生交通拥堵的时间、空间信息作为历史交通拥堵数据集，通过使用DBSCAN聚类方法将历史交通拥堵数据集进行划分，产生若干个类簇；

根据道路的时空相关性，利用DBSCAN聚类方法进行时空聚类，将历史交通拥堵数据集划分为若干个簇，每个类簇中包含的信息即是路段关联性大、时间间隔近的交通拥堵数据；

对交通路网中的历史交通拥堵事件，计算各条道路之间的时空相关性，公式如下所示：

其中，x＝(x_p,y_p)为拥堵事件p对应的坐标值，y＝(x_q,y_q)为拥堵事件q对应的坐标值，t_p和t_q分别为拥堵事件p和拥堵事件q发生拥堵对应的时间值，c_p和c_q分别为拥堵事件p和拥堵事件q发生拥堵的程度，a、b、c均为大于0小于1的实数，代表权重值，c_max代表拥堵程度的最大差异值，d_max为拥堵数据集对应的空间距离最大值；

步骤3、设计时序关联规则方法对每个类簇分别进行相关时序规则的挖掘，具体设计过程包括以下步骤：

步骤3.1、采用遗传算法，设置进化代数计数器g以及最大进化次数，并通过染色体编码方式产生初始种群；

步骤3.2、根据交叉概率来判断种群中染色体是否发生交叉，若发生交叉，则两个父代的染色体会交叉生成一个子代染色体；

步骤3.3、根据变异概率来判断种群中染色体是否发生变异，若发生变异，则一个父代的染色体会变异生成一个子代染色体；

步骤3.4、将个体对应的染色体解码得到的每个规则与数据库中对应的实际交通拥堵信息进行匹配，计算其支持度和置信度，所述规则的支持度support和置信度confidence计算公式如下所示：

式中，A为规则前提，B为规则结论，N为数据集合T内所包含的记录数，μ_A(A)为数据集合T中规则前提A出现的次数，μ_AB(AB)为数据集合T中规则前提A和结论B同时出现的次数；

且种群中对应的染色体适应度评价值计算公式如下所示：

其中，chromosome为种群中的染色体，r为挖掘获得的某条规则，R为染色体解析得到的所有规则的集合，x²(r)表示规则r的卡方值，recovered表示规则r的新颖程度，如果规则r在原先得到的规则中不存在，其recovered值设置为某一定值，并将规则r作为一条新规则，如果规则r在原先得到的规则中存在，则recovered值取0；

在进化的过程中，保留满足设定阈值的时序规则，同时计算每个个体的适应度值；

步骤3.5、利用轮盘赌方法从当代种群的父代个体和子代个体中选择个体遗传到下一代种群中；

步骤3.6、根据g值判断是否达到最大进化次数，若达到最大进化次数，则结束运算，没有达到最大进化次数，则重新执行步骤3.2至步骤3.5，直到达到最大进化次数；

步骤3.7、结束运算后，将规则的支持度support和置信度confidence满足以下条件的关联规则作为强时序关联规则：

support>sup_min

confidence>conf_min

式中，sup_min和conf_min分别表示定义的最小支持度阈值和置信度阈值；

步骤4、交通信息中心根据获得的强时序关联规则，利用CBA分类方法预测道路交通拥堵，具体实现过程包括以下步骤：

步骤4.1、对于步骤3中不同类簇中挖掘产生的强时序关联规则，每条规则均包括支持度和置信度两个属性，利用规则优先级次序对规则进行降序排列；

步骤4.2、在交通信息中心的历史拥堵数据集中，利用降序排列的每条规则对历史拥堵数据集进行检测，如果规则能够至少正确分类一个样本数据，则该规则就作为一个潜在分类器规则，否则该规则不会加入到分类器中；

步骤4.3、从历史拥堵数据集中移除满足步骤4.2条件的数据；

步骤4.4、重复步骤4.2至步骤4.3，直到所有降序排列规则或者历史拥堵数据集被全部检测完毕，完成对分类器的构建；

步骤4.5、利用构建的分类器来预测未来时刻的交通拥堵状态。