[发明专利]一种基于时序关联规则的交通拥堵预测方法

说明书

一种基于时序关联规则的交通拥堵预测方法，属于智能交通系统技术领域。所述基于时序关联规则的交通拥堵预测方法，具体是通过利用DBSCAN聚类方法对交通信息中心获得的历史交通拥堵数据集进行聚类，并利用采集到的道路交通拥堵信息，根据遗传算法挖掘道路的时序关联规则，进而实现预测未来时刻的交通拥堵状态，本发明可以灵活控制道路相关性规则的时间间隔，使挖掘的时序关联规则结果更具实际意义，使得交通拥堵预测更有实际的价值。

技术领域

本发明涉及智能交通系统技术领域，特别涉及一种基于时序关联规则的交通拥堵预测方法。

背景技术

随着我国经济的快速发展，城市规模迅速扩大，城市人口大幅增长，社会活动逐渐增多，交通需求量迅速上升，交通拥堵带来的环境污染，引发的交通事故急剧增加，城市交通拥堵问题亟待解决，因此，设计合理的拥堵预测模型成为交通管理部门研究的热点内容。

现有的交通预测方法众多，各有优缺点。大多数算法是建立在数学模型的基础上，只能够简单的预测单个时刻或者固定路段的拥堵，而在实际智能交通系统的拥堵预测问题中，路段之间的拥堵有一定的相关性，而且预测拥堵有考虑时序性的必要。因此道路的相关时序规则显得尤为重要。

发明内容

针对现有技术存在的问题，本发明充分利用历史交通数据信息，实现复用重要信息，并根据历史交通数据，挖掘道路之间的时序关联规则，可以灵活控制道路相关性规则的时间间隔，使挖掘的时序关联规则结果更具有实际意义，从而使得交通拥堵预测更有实际的价值，提高了交通拥堵预测的精度。

为了实现上述目的，本发明提供了一种基于时序关联规则的交通拥堵预测方法，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；