[发明专利]一种基于时间窗口的实时交通状况判别方法

摘要

一种基于时间窗口的实时交通状态判别方法，包括步骤：数据预处理；通过两步聚类算法进行交通状态聚类初始化；更新时间窗口并获取当前时间间隔的交通流基础数据；两步聚类算法参数和聚类中心更新及当前时间间隔的实时交通状态判别。本发明基于历史交通流基础数据，采用两步聚类算法进行交通状态聚类初始化，分别经过初选最优聚类数和最优聚类数的确定得到交通状态的最优分类；其次，在初始化结果的基础上，接入实时数据，运用时间窗口的储存结构，动态更新数据；最后，实时计算更新两步聚类算法参数和聚类中心，重新确定交通状态的最优分类，并判别当前时间间隔的实时交通状态。本方法弥补了传统交通状态判别算法的局限性，对推进城市智能运输系统建设平有积极的意义。

主权项

1.一种基于时间窗口的实时交通状态判别方法，其特征是包括如下步骤：1)数据预处理：1-1)以固定长度的时间窗口储存原始数据采集时间间隔的分车道交通流基础数据，将时间窗口内的数据通过时间和空间汇集得到时间间隔T的单个车辆行驶方向断面交通流基础数据，并对其属性变量进行无量纲化处理；2)通过两步聚类算法进行交通状态聚类初始化：2-1)采用凝聚聚类算法，首先将每一条交通流基础数据都看成一类，计算不同类别聚类中心间的欧式距离矩阵，将距离最近的两类合并成为一类，并计算该类的聚类中心；重复上述过程，直到所有的交通流基础数据都汇集成为一个类别，则聚类终止；2-2)按聚类数J从小到大依次计算各个聚类方案(J＝1，2，…J_max)的贝叶斯信息准则值，即BIC(J)，初选最优聚类数等于首次满足BIC(J-1)＞BIC(J)且BIC(J)＜BIC(J+1)条件的J值，即若BIC(1)＜BIC(2)，则直接定义最优的聚类数目转入步骤2-4)；2-3)计算各个聚类方案的数据离散程度变化指标R(J)，选取其中两个最大值R(J₁)及R(J₂)，定义R(J₁)＞R(J₂)，若R(J₁)/R(J₂)＞1.15，则最优的聚类数目C^*＝J₁，若R(J₁)/R(J₂)≤1.15，则C^*＝max(J₁，J₂)；2-4)标定聚类数目为C^*的聚类方案为最优聚类方案；3)更新时间窗口并获取当前时间间隔T的交通流基础数据：3-1)实时获取原始数据采集时间间隔的分车道交通流基础数据，更新时间窗口，新增该数据，剔除与该数据时间间隔最远的数据；3-2)通过时间和空间汇集获取当前时间间隔T的单个车辆行驶方向断面交通流基础数据，并对该数据属性变量进行无量纲化处理，若实时数据更新时间点为整五或整十时刻，则转入步骤4-1)，否则转入步骤4-3)；4)两步聚类算法参数和聚类中心更新及当前时间间隔T的实时交通状态判别：4-1)分别计算当前时间间隔T的单个车辆行驶方向断面交通流基础数据与已有聚类方案(J＝1，2，…J_max)各类别聚类中心的欧式距离，以欧式距离最短原则，将当前时间间隔T的数据归入相应类别中，剔除相应聚类方案数据集中距离该数据时间间隔最远的交通流基础数据；在此基础上，计算更新各聚类方案(J＝1，2，…J_max)不同类别的聚类中心和两步聚类算法中的参数；4-2)根据更新的两步聚类算法参数重新计算BIC(J)值(J＝1，2，…C^*，C^*+1)和R(J)值(J＝2，…C^*，C^*+1)，确定最优聚类方案，更新最优聚类数目C^*，其中当前时间间隔T的数据所属类别即对应当前时间间隔T的实时交通状态；此处，最优聚类方案和聚类数目C^*的确定方法与步骤2-2)、步骤2-3)和步骤2-4)所述方法相同；4-3)计算当前时间间隔T的单个车辆行驶方向断面交通流基础数据与已有最优聚类方案(J＝C^*)各类别聚类中心的欧式距离，最短距离对应的类别即为当前时间间隔T的实时交通状态。