[发明专利]一种相似演化模式聚类及动态时区划分的交通流分区模型

说明书

本发明提出了基于相似演化模式聚类及动态时区划分的交通流时间序列分区模型，首次尝试挖掘交通流随时间变化的动态时空特征，解决交通流时间非平稳性在短时交通流预测中的挑战。具体的工作包括：首先使用亲和力传播聚类算法(APC)，自动识别出路网内具有相似交通流演化模式的路段。其次针对交通流的日内演化差异，用曲度K‑Means算法，对相似演化模式中的交通流进行动态时区划分，更深层次地挖掘路网交通流的时空状态特征。然后在相似模式识别和自动时区划分后，对不同模式下的不同时区内的交通流分别建模，对交通流的状态信息进行量化，使模型的预测精度更加准确。最后使用真实数据集对所提模型的有效性进行验证。

一、技术领域

本发明涉及智能交通领域，尤其涉及短时交通流预测，具体是一种以相似演化模式为标准，对路网各路段交通流数据进行聚类，进而对具有相似演化模式各路段的单日内交通流数据进行动态时区划分的交通流分区模型。

二、背景技术

准确实时的短时交通流预测能够有效缓解城市交通拥堵、降低城市空气污染，具有重要社会意义。交通流数据具有趋势性，周期性和动态随机性等特性。其中趋势性和周期性属于交通流规律特性，主要表现为根据时间规律变化的趋势或波动，是交通流可以被预测的前提。动态随机性由区域路网交通影响因素事件(如信号灯、行人穿行、道路事故、交通管制等)产生的，会使交通流时间序列数据产生波动的特征。动态随机性是导致交通流难以被准确预测的根本原因。

三、发明内容

本发明的目的是进一步挖掘区域路网交通流的时空信息，建立能更加适应路网交通流动态随机性的自适应短时交通流预测模型，以进一步提升模型预测精度。

在时间维度上，路段不同时段内交通流的时空分布具有明显的差异(如高峰时段和非高峰时段)，一个路段的交通流演化模式会随着时间的推移而发生改变，即交通流在单日内会呈现出显著的时间非平稳性。因此，有必要对路段单日内不同时段的交通流进行研究。

以往交通流预测模型往往采取全时间序列建模或对时间序列的静态时间分区建模。其中，对时间序列的静态时间分区建模往往基于日常生活经验，手动地对路段单日内的交通流量时间序列数据进行时区划分，例如将数据分为5段：0:00-6:00、6:00-9:00、9:00-17:00、17:00-20:00、20:00-23:59，其中6:00-9:00和17:00-20:00为当天的早高峰和晚高峰。但是，这种分区策略往往只根据日常经验手动划分，没有适应交通流真实的数据特点。因此，需要一种动态时间分区策略，以适应路网交通流的时间非平稳性，更细粒度地表征交通流的时空状态特征，以提高短时交通流模型的预测精度。

基于以上分析，本发明提出了基于相似演化模式聚类及动态时区划分的交通流时间序列分区模型(Similar Pattern Cluster and Dynamic Timeseries Partition，SPC-DTSP)，首次尝试挖掘交通流随时间变化的动态时空特征，解决交通流时间非平稳性在短时交通流预测中带来的挑战。具体地，本章所做工作的贡献如下：

(1)使用亲和力传播聚类算法(Affinity Propagation Cluster，APC)，自动识别出路网内具有相似交通流演化模式的路段。

(2)针对交通流的日内演化差异，使用曲度K-Means算法(Warped K-Means，WKMS)，对相似演化模式中的交通流进行动态时区划分，更深层次地挖掘路网交通流的时空状态特征。

(3)在相似模式识别和自动时区划分后，对不同模式下的不同时区内的交通流分别建模，更细粒度地对交通流的状态信息进行量化，使模型的预测精度更加准确。

(4)使用真实数据集对所提模型的有效性进行验证，并与现有优秀预测模型进行效果对比，展示所提模型的先进性。

本发明的目的是这样达到的：