[发明专利]基于时空数据流融合分析的城市交通预测方法和系统

权利要求书

1.一种基于时空数据流融合分析的城市交通预测方法，其特征在于，包括：

获取目标城市内各检测点采集的交通数据流；所述交通数据流包括预设分类的多种单类交通数据；

基于预设的多项式函数拟合所述各检测点的单类交通数据流，获得拟合结果；所述拟合结果用于表征相同时点下所述各检测点覆盖区域内各类交通数据流是否异常交通；

在所述拟合结果表征交通数据流未发现异常时，基于预设的数据包络分析模型对所述交通数据流进行融合，获得融合结果；所述融合结果用于表征相同时点下所述检测点覆盖范围内的交通数据流中是否存在由多种交通数据共同构成的集体离群点以及基于所述集体离群点判断出是否异常交通结果；

在所述融合结果表征各检测点采集的交通数据流未发现异常时，基于预设的聚类算法对各交通枢纽点的连续时间间隔进行分析，获取聚类结果；所述聚类结果用于表征所述各交通枢纽点覆盖范围内是否存在由多个检测点共同构成的集体离群点以及基于所述集体离群点判断是否出现异常交通状态；

在所述聚类结果表征单一交通枢纽点未发现异常时，计算各个时间间隔内所有交通枢纽点的中心点，获得计算结果；所述计算结果用于表征相同时点下存在由多个交通枢纽点共同构成的集体离群点，以及基于所述集体离群点判断是否出现异常交通状态；

基于预设的聚类算法对各交通枢纽点的连续时间间隔进行分析，获取聚类结果，包括：

基于时间窗口T_window的宽度，将连续时间序列划分成连续的等时间间隔；

在每一个时间间隔内，将各检测点融合后的三元组信息视为一个数据点；

对城市范围内所有检测点的交通状态数据，基于“距离-密度-权重”的聚类算法进行聚类处理，得到城市交通路网中的交通枢纽点；所述交通枢纽点用于在连续的时间间隔内对比交通枢纽点的交通数据流变化趋势；

所述预设的聚类算法为自适应聚类算法DDWK-medoids，通过以下方式获取，包括：

自适应算法参数取值范围：将参数取值范围等分，且引入循环判断准则对参数区间划分的合理性进行判断；根据模糊理论以等分段的上边界值作为整个区间的代表值并据此设定算法参数；

预备簇中心挑选：数据集最佳聚类结果应满足簇内对象高度相似且簇间对象最大程度相异的标准；

初始簇中心筛选：引入惯性权重思想，对挑选出的预备簇中心点集进行排查，筛除劣质簇中心；

条件重定位迭代：在每一次簇中心重定位迭代后加入密度度量，标记不满足阈值要求的劣质簇中心；若被标记的劣质簇中心在后续迭代过程中，簇密度持续下降，则删除该劣质簇中心，仅对余下满足密度阈值的中心点进行聚类；

算法参数对比择优：基于标准互信息度量指标，设置控制阈值NMI_accept,对不同参数对应的聚类结果进行对比，确定最优聚类参数，得到自适应聚类算法DDWK-medoids。

2.根据权利要求1所述的城市交通预测方法，其特征在于，所述预设的多项式函数通过以下方式获取，包括：

获取历史交通数据，所述历史交通数据包括多种单类交通数据；

利用预设的多项式函数拟合各单类交通数据流，得到多项式系数向量，以及拟合出的行为属性值；

基于每个时间间隔内所述交通数据流中的实际行为属性值和拟合出的行为属性值计算拟合误差；

在所述拟合误差大于预设误差阈值时，基于所述多项式系数向量调整多项式函数后，利用调整后的多项式函数继续拟合各单类交通数据流，直至所述拟合误差小于或等于所述预设误差阈值；

将拟合后的多项式系数转换成字符形式的多项式函数。