基于特征參數(shù)加權(quán)gefcm算法的高速公路地點(diǎn)交通狀態(tài)估計(jì)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于道路交通控制系統(tǒng)技術(shù)領(lǐng)域，具體的為一種高速公路地點(diǎn)交通狀態(tài)估 計(jì)方法。
【背景技術(shù)】
[0002] 隨著高速公路在我國交通運(yùn)輸中占的重要性越來越大，伴隨著出現(xiàn)的交通擁堵、 交通事故、環(huán)境污染等問題也越來越嚴(yán)重。無論是交通管理者還是出行者對交通的信息化 管理需求都在逐漸增加，因此，如何利用現(xiàn)有的檢測設(shè)備，盡可能有效準(zhǔn)確地實(shí)現(xiàn)高速公路 交通狀態(tài)的估計(jì)，實(shí)時(shí)準(zhǔn)確的把握當(dāng)前道路的交通狀況是高效管理與服務(wù)的前提，具有重 要的理論研宄和實(shí)際應(yīng)用意義。
[0003] 高速公路上安裝了各種用于交通數(shù)據(jù)采集的設(shè)備，如固定檢測器、視頻檢測器、浮 動(dòng)車等。但是，由于覆蓋面、成本等各種各樣的原因，使得目前在對于高速公路交通狀態(tài)估 計(jì)的研宄中使用較多的是固定型檢測器的數(shù)據(jù)，基于固定檢測器數(shù)據(jù)的地點(diǎn)交通狀態(tài)估計(jì) 方法也是多種多樣的：
[0004] (1)交通運(yùn)輸系統(tǒng)工程與信息（第5卷第1期，2005年2月）公開了一種基于模 糊聚類的快速路交通流狀況分類方法，其利用模糊聚類的方法對交通流狀況的分類進(jìn)行了 研宄，實(shí)驗(yàn)結(jié)果表明：用模糊聚類進(jìn)行交通流狀況分類是一種可行的方法，不同的交通流參 數(shù)對于分類的影響不同，在速度很高、速度很低或者占有率很大的情況下可直接判斷交通 流狀況，其他情況下需要根據(jù)交通流三個(gè)變量來綜合判斷；
[0005] (2)Transportationscience(第 41 卷第 2 期，2007 年 5 月）公開了一種基于擴(kuò) 展卡爾曼濾波的高速公路交通狀態(tài)估計(jì)方法，其以安裝在高速公路特定路段上的檢測器檢 測的數(shù)據(jù)為輸入，通過設(shè)計(jì)的隨機(jī)宏觀交通流模型，并借助于擴(kuò)展卡爾曼濾波的方法實(shí)現(xiàn) 對道路交通狀態(tài)的判別，實(shí)驗(yàn)結(jié)果表明該方法能在一定程度上反映實(shí)際道路上交通狀態(tài)的 變化；
[0006] (3)交通運(yùn)輸工程與信息學(xué)報(bào)（第5卷第3期，2007年9月）公開了一種基于遺 傳動(dòng)態(tài)模糊聚類的道路交通狀態(tài)判定方法，其通過遺傳算法不斷優(yōu)化交通流參數(shù)間的模糊 相似性與樣本間的歐氏距離的映射，實(shí)現(xiàn)了動(dòng)態(tài)的模糊聚類，實(shí)驗(yàn)結(jié)果表明該方法的有效 性與可行性；
[0007] (4)公路工程（第33卷第2期，2008年4月）公開了一種基于模糊的城市快速路 交通流狀態(tài)判別方法，其根據(jù)交通狀態(tài)的模糊特征，結(jié)合基于知識的模糊系統(tǒng)，提出了用于 交通狀態(tài)劃分的模糊集和模糊規(guī)則，并將交通狀態(tài)劃分為五種類別，該方法可以動(dòng)態(tài)的顯 示路網(wǎng)的交通擁擠范圍，為實(shí)施交通信息發(fā)布以及后期交通瓶頸的判別和改善提供依據(jù)；
[0008] (5)系統(tǒng)工程（第28卷第8期，2010年8月）公開了一種基于FCM-粗糙集的城 市快速路交通狀態(tài)判別方法，其針對城市快速路的交通狀態(tài)的特性，重點(diǎn)研宄了對快速路 的常發(fā)性擁擠的判別，實(shí)驗(yàn)結(jié)果表明模型在一定條件下可行，能夠有效處理海量多源傳感 器數(shù)據(jù)，具有較高的判別率和較低的誤判率。
[0009] 縱觀以上各種基于固定檢測器數(shù)據(jù)的方法，大多采用速度、流量、占有率三參數(shù)進(jìn) 行聚類分析，進(jìn)而對交通狀態(tài)進(jìn)行判斷。聚類分析主要是對歷史樣本數(shù)據(jù)的分析，使得相同 類別屬性下的數(shù)據(jù)之間的相關(guān)性大，不同類別之間的數(shù)據(jù)相關(guān)性小，但是通過對歷史樣本 的分析可以發(fā)現(xiàn)，樣本的空間分布存在著不均衡性，即不同狀態(tài)類別的樣本容量存在差異， 而傳統(tǒng)的FCM在聚類時(shí)對樣本數(shù)量敏感，這樣在對這類數(shù)據(jù)進(jìn)行聚類時(shí)會(huì)產(chǎn)生誤判。此外， 還可以發(fā)現(xiàn)不同的交通流參數(shù)對于聚類時(shí)的影響不一樣，因此，在采用聚類分析估計(jì)交通 狀態(tài)時(shí)需要考慮不同類別樣本數(shù)量的差異性和不同交通流參數(shù)的差異性，這樣才能更為科 學(xué)、合理的估計(jì)交通狀態(tài)。

【發(fā)明內(nèi)容】

[0010] 有鑒于此，本發(fā)明的目的在于提供一種基于特征參數(shù)加權(quán)GEFCM算法的高速公路 地點(diǎn)交通狀態(tài)估計(jì)方法，能夠考慮到歷史樣本中數(shù)據(jù)分布不均衡性和不同特征參數(shù)權(quán)重的 差異性特點(diǎn)，通過調(diào)整聚類的目標(biāo)函數(shù)，進(jìn)而優(yōu)化聚類模型，從而達(dá)到交通狀態(tài)估計(jì)的目 的，提尚狀態(tài)估計(jì)的可靠性。
[0011] 為達(dá)到上述目的，本發(fā)明提供如下技術(shù)方案：
[0012] 基于特征參數(shù)加權(quán)GEFCM算法的高速公路地點(diǎn)交通狀態(tài)估計(jì)方法，包括以下步 驟：
[0013] 1)獲取高速公路微波車檢器采集得到的車流量、平均車速和平均占有率這三種特 征參數(shù)的歷史數(shù)據(jù)，構(gòu)成樣本矩陣；
[0014] 2)對步驟1)獲取的數(shù)據(jù)進(jìn)行預(yù)處理，所述預(yù)處理包括錯(cuò)誤數(shù)據(jù)的識別與剔除、數(shù) 據(jù)的修復(fù)、數(shù)據(jù)濾波處理；
[0015] 3)確定三種特征參數(shù)在聚類分析時(shí)的權(quán)重；
[0016] 4)對歷史數(shù)據(jù)進(jìn)行聚類分析；
[0017] 5)當(dāng)獲取到當(dāng)前斷面的交通流參數(shù)時(shí)，實(shí)時(shí)估計(jì)交通狀態(tài)。
[0018] 進(jìn)一步，所述步驟2)中，具體采用如下方法進(jìn)行錯(cuò)誤數(shù)據(jù)的識別與剔除：
[0019] 在一個(gè)數(shù)據(jù)更新周期內(nèi)，設(shè)定總車流量數(shù)據(jù)的閥值范圍為[0，Q_]，平均車速的閥 值范圍為[0，vmax];若采集到的總車流量數(shù)據(jù)或平均車速的數(shù)據(jù)不在對應(yīng)的閥值范圍內(nèi)時(shí)， 則表明該組數(shù)據(jù)不可靠，并將其剔除；若采集到的總車流量數(shù)據(jù)和平均車數(shù)的數(shù)據(jù)均落在 對應(yīng)的閥值范圍內(nèi)時(shí)，則表明該組數(shù)據(jù)可靠，保留該組數(shù)據(jù)；其中，Q_、V_分別表示在一個(gè) 數(shù)據(jù)更新周期內(nèi)的流量最大值和速度最大值；
[0020] 根據(jù)交通流理論建立錯(cuò)誤數(shù)據(jù)判斷規(guī)則，即剔除規(guī)則；然后，判斷采集的數(shù)據(jù)序列 是否滿足剔除規(guī)則；當(dāng)滿足剔除規(guī)則時(shí)，將對應(yīng)的數(shù)據(jù)需剔除；當(dāng)不滿足剔除規(guī)則時(shí)，保留 對應(yīng)的數(shù)據(jù)。
[0021] 進(jìn)一步，所述步驟2)中，通過下式對數(shù)據(jù)進(jìn)行修復(fù)：
[0022] -v(/) = a 4/ -1) +(1- ?) x\i)
[0023] 其中，為t時(shí)段的數(shù)據(jù)修復(fù)值；x(t-l)為（t-1)時(shí)段的實(shí)際檢測值；x' (t)為 同一時(shí)刻前n天的采集數(shù)據(jù)的歷史均值；a為遺忘因子，ae[0，1];
[0024] 進(jìn)一步，通過下式對數(shù)據(jù)進(jìn)行濾波處理：
[0025]St=aXt+(l-a)Sh
[0026] 式中，St為t時(shí)段得到的一次指數(shù)平滑值；St_i為t-1時(shí)段得到的一次指數(shù)平滑值； 1為t時(shí)段得到的觀測值；aE[0, 1]為平滑系數(shù)。
[0027] 進(jìn)一步，所述步驟3)具體包括如下步驟：
[0028] 31)將通過步驟2)預(yù)處理的車流量、平均車速和平均占有率這三種特征參數(shù)構(gòu)成 的樣本矩陣X進(jìn)行Z-score標(biāo)準(zhǔn)化，得到標(biāo)準(zhǔn)化之后的矩陣Z;