[发明专利]一种基于耦合鲁棒性张量分解的偶发性交通拥堵检测方法

说明书

本发明公开了一种基于耦合鲁棒性张量分解的偶发性交通拥堵检测方法，所述方法首先采集各种交通变量数据；然后根据各类交通数据的特点，将其构建成同尺寸和同阶数的张量模型；然后对丢失的数据进行填充预处理；然后构建贝叶斯鲁棒性张量分解模型，提出自适应秩的贝叶斯鲁棒性张量分解模型，并从概率角度描述不同种类交通数据的共有的稀疏分布，从而构建多种交通数据的耦合鲁棒性分解模型；最后设计求解方法，实现高精度快速偶发性交通拥堵检测。

技术领域：

本发明涉及智能交通领域，尤其涉及一种基于耦合鲁棒性张量分解的偶发性交通拥堵检测方法。

背景技术：

随着交通需求的增加，交通拥堵加剧，传统的方法已经不能解决拥堵问题，因此近几年，智能交通得到大力发展，交通拥堵检测先进的出行者信息系统(ATIS)的一部分，所以，对交通拥堵检测的研究也吸引了学者们的广泛兴趣。交通拥堵分为周期性交通拥堵和偶发性交通拥堵两种，相比而言，偶发性交通拥堵给交通出行者带来的影响更大，因为它造成的延误在人们意料之外，严重干扰人们的路径选择决策。由于交通意外事故通常会导致偶发性交通拥堵，人们理所当然地认为交通事故检测是交通拥堵检测的必要前提，早期研究就把注意力放在交通事故检测上，利用交通事故检测的结果来判断偶发性交通拥堵。自十九世纪70年代以来，许多基于监控的交通事故检测算法(AID)被提出。随后，有人提出利用贝叶斯和标准正态偏离算法从统计学的角度检测交通事故。还有一些研究者利用模式识别算法进行检测，如加利福尼亚算法等。加利福尼亚算法也是最早的几大检测算法之一，虽然精度上有很大的欠缺，但在后续研究中也得到了改进。除此之外，一些数据驱动的神经网络算法(ANN)也被应用到事件检测中。

但是，交通事故不能完全替代偶发交通拥堵，因为交通事故仅仅只是造成偶发交通拥堵的众多原因之一。尽管造成偶发交通拥堵的原因不一，但是这些原因产对各类交通状态的分布的影响却是类似的。因而，实时的交通状态可以作为偶发性交通拥堵的指引，通过交通状态的变化来判断是否存在偶发性交通拥堵。因此，知道正常情况下的交通流量、速度等交通状态数据分布和模式是检测偶发性交通拥堵的关键，确定这些正常状态的数据后，真实数据和正常数据之间的不同之处就可表示偶发交通拥堵。为了提取出正常的交通状态数据分布和模式，目前已有的许多研究将注意力放在设置阈值上，即给定一个初始预设值，当观测到的交通数据真实值大于这个预设值后，就可以认为出现了偶发性交通拥堵。因此，传统偶发性交通检测一般包括：数据采集，数据预处理，单一时间模式/维度上的额正常交通状态数据阈值设计，偶发性拥堵检测4个部分。其主要流程如图1所示，首先采集路段交通状态数据(一般为道路密度数据)；然后对原始数据进行预处理，包括筛除异常值、对丢失数据进行填充等，如果是检测器数据，还需剔除低检测率数据；然后根据历史经验或者统计学等方法，以时间为自变量，以交通状态数据为因变量，设定正常情况下的交通状态数据的阈值上限；最后将采集到的交通状态数据与正常阈值相比较，检测出偶发性交通拥堵发生的时间和地点。但是，通勤出行者周期性的出行习惯不仅带来早晚高峰和非高峰之分，也使得交通状态存在周模式特性，工作日的交通明显高于周末。由交通流量、速度等交通状态数据确定的单一阈值可能不能准确地表示他们的正常分布和模式。此外。相邻路径和位置点的交通数据之间相互关联，这意味着交通数据存在很强的空间相关性。所以，需要一个可以充分利用交通数据天之间、周之间分布和空间相关性的模型来检测偶发性交通拥堵。