一種考慮速度離散特性的高速公路交通狀態(tài)估計(jì)方法
【專利摘要】本發(fā)明公開了一種考慮速度離散特性的高速公路交通狀態(tài)估計(jì)方法，包括以下步驟：S1：設(shè)置速度離散特性指標(biāo)及交通流特征參數(shù)；S2：獲取交通流數(shù)據(jù)并利用RelielfF方法對(duì)交通流特征參數(shù)進(jìn)行加權(quán)；S3：利用人工蜂群算法對(duì)交通流特征參數(shù)的聚類中心進(jìn)行優(yōu)化；S4：輸出優(yōu)化聚類中心并確定交通估計(jì)狀態(tài)。本發(fā)明基于模糊C均值算法，通過引入速度離散特征參數(shù)，并根據(jù)不同特征對(duì)狀態(tài)估計(jì)結(jié)果的貢獻(xiàn)程度不同，利用ReliefF方法確定特征權(quán)重，并利用人工蜂群方法進(jìn)行聚類初值點(diǎn)的優(yōu)化，而實(shí)現(xiàn)了高速公路交通狀態(tài)的估計(jì)。
【專利說明】
-種考慮速度離散特性的高速公路交通狀態(tài)估計(jì)方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及高速公路交通狀態(tài)檢測領(lǐng)域，具體設(shè)及一種考慮速度離散特性的高速 公路交通狀態(tài)估計(jì)方法。
【背景技術(shù)】
[0002] 隨著我國國民經(jīng)濟(jì)的發(fā)展，人均車輛保有量持續(xù)增長，道路車流量也在持續(xù)增加， 由于我國高速公路在時(shí)間和空間上存在著分布不均勻性，導(dǎo)致了高速公路交通擁擠及交通 事故頻頻發(fā)生，公路整體服務(wù)性能大大降低。高速公路交通狀態(tài)的準(zhǔn)確估計(jì)，可W為道路出 行者和管理者提供有效的交通信息，W便及時(shí)調(diào)整出行路線和進(jìn)行及時(shí)的管控措施，有效 減少交通擁擠，避免二次交通事故的發(fā)生。
[0003] 實(shí)際交通環(huán)境中，由于加速、減速，超車和換道的頻繁，導(dǎo)致不同車輛之間的行駛 速度差異較大，運(yùn)種交通流個(gè)體車輛速度存在差異的特性叫做速度離散特性。有研究表明， 運(yùn)種速度離散的現(xiàn)象會(huì)嚴(yán)重影響道路的通行能力并危害交通安全。盡管已經(jīng)意識(shí)到車速離 散對(duì)交通運(yùn)行會(huì)產(chǎn)生嚴(yán)重影響，但由于受到過去檢測條件的限制，人們對(duì)車速離散特性與 交通運(yùn)行狀態(tài)之間的關(guān)系缺乏系統(tǒng)的認(rèn)識(shí)，在估計(jì)道路運(yùn)行狀態(tài)的過程中，仍采用宏觀交 通參數(shù)(平均車速、流量和占有率)宏觀交通流參數(shù)僅從平均，累計(jì)的角度來反映交通狀態(tài)， 并不能反映整體狀態(tài)信息里存在的不穩(wěn)定性和個(gè)體差異性。車速離散運(yùn)種客觀存在的現(xiàn) 象，往往被宏觀參數(shù)所"平均"，所"掩蓋"了，從而忽略了真實(shí)交通環(huán)境下車輛之間運(yùn)行狀態(tài) 的差異，因此不能對(duì)交通運(yùn)行狀態(tài)信息進(jìn)行的全面掌握，所估計(jì)的交通狀態(tài)常常不能與人 們的主觀感受相一致。
[0004] 現(xiàn)有的高速公路交通擁堵判別方法多采用交通流量、占有率、平均車速等宏觀交 通流參數(shù)，而沒有將交通流狀態(tài)和車速離散特征進(jìn)行聯(lián)系。因此，如何W速度離散特性作為 切入點(diǎn)，建立更為準(zhǔn)確可靠的高速公路交通狀態(tài)估計(jì)方法有著重要的理論和實(shí)踐意義。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的是提出一種考慮速度離散特性的高速公路交通狀態(tài)估計(jì)方法。該方 法針對(duì)傳統(tǒng)交通狀態(tài)估計(jì)方法僅利用宏觀交通流參數(shù)，忽略了個(gè)體車輛行駛狀態(tài)差異，難 W完整的掌握交通狀態(tài)信息，導(dǎo)致估計(jì)狀態(tài)不能全面反映實(shí)際交通狀況的缺點(diǎn)。
[0006] 本發(fā)明的目的是通過W下技術(shù)方案來實(shí)現(xiàn)的：
[0007] 本發(fā)明提供的一種考慮速度離散特性的高速公路交通狀態(tài)估計(jì)方法，包括W下步 驟：
[000引S1:設(shè)置速度離散特性指標(biāo)及交通流特征參數(shù)；
[0009] S2:獲取交通流數(shù)據(jù)并利用Reliel巧方法對(duì)交通流特征參數(shù)進(jìn)行加權(quán)；
[0010] S3:利用人工蜂群算法對(duì)交通流特征參數(shù)的聚類中屯、進(jìn)行優(yōu)化；
[0011] S4:輸出優(yōu)化聚類中屯、并確定交通估計(jì)狀態(tài)。
[0012] 進(jìn)一步，所述速度離散特性指標(biāo)包括速度標(biāo)準(zhǔn)差，所述速度標(biāo)準(zhǔn)差按照W下公式 來計(jì)算相對(duì)速度標(biāo)準(zhǔn)差：
[0013]
[0014] 式中，Vi為第i輛車的速度，?；為統(tǒng)計(jì)時(shí)間內(nèi)的η輛車的平均車速。
[0015] 進(jìn)一步，所述利用Reliel巧方法對(duì)交通流特征參數(shù)進(jìn)行加權(quán)，具體步驟如下：
[0016] St邱21:初始化權(quán)重w = 0;
[0017] Step22:選取集合X中的任意一個(gè)樣本XI，分別找出與其類別一致和不一致的R個(gè) 最鄰近樣本hj和mij;分別計(jì)算xi與hj、nHj在特征上的差異；
[0020] 其中，diff_hit是S X 1的矩陣，表示Xi與hj在特征上的差異;diff_miss也是S X 1的 矩陣，表示111。與義1在特征上的差異;p(l)為第1類出現(xiàn)的概率，class(Xi)表示XI所屬的類別；
[0021] St邱23:按照W下公式來計(jì)算權(quán)重矩陣W:
[0022] w=w-diff_hit+diff_miss ；
[0023] 其中，W表示權(quán)重矩陣；
[0024] Step24:取下一個(gè)樣本i = i+l，直到η個(gè)樣本全部都參與計(jì)算；
[0025] Step25:獲取并輸出權(quán)重矩陣W;并按照W下公式計(jì)算隸屬度矩陣和聚類中屯、矩 陣：
[0028] 其中，uik表示第k個(gè)樣本對(duì)第i類的隸屬度;Xk表示第k個(gè)樣本;Pi表示第i類聚類中 屯、;C表示聚類個(gè)數(shù);η表示樣本個(gè)數(shù)；
[0029] St邱26:按照W下公式計(jì)算得到基于Relie巧特征加權(quán)的FCM的目標(biāo)函數(shù)：
[0030]
[003。 其中，Jm(U，P)表示FCM的目標(biāo)函數(shù);J康示第i類的目標(biāo)函數(shù);瑣表示第j個(gè)樣本對(duì) 第C類的隸屬度;W表示為第f個(gè)特征的權(quán)重;XW表示第j個(gè)樣本的第f個(gè)特征;Pii表示第1類 的i個(gè)聚類中屯、。
[0032]進(jìn)一步，所述人工蜂群算法采用基于ABC優(yōu)化FCM聚類中屯、;具體步驟如下：
[0033] Step31:初始化算法輸入?yún)?shù):聚類類別數(shù)c，蜜源數(shù)目SN，限制次數(shù)Limit和最大 循環(huán)次數(shù)MCN，令初始周期teyele = 0 ;
[0034] St邱32:隨機(jī)初始化隸屬度矩陣U，并計(jì)算初始聚類中屯、pij及其適應(yīng)度；
[0035] St邱33:求解領(lǐng)域內(nèi)的最新解vu及其適應(yīng)度，若vu的fit(vij)大于町的fit(町）， 則Xji = jiV ;否則，町不發(fā)生變化；
[0036] St邱34:計(jì)算義4的適應(yīng)度，并計(jì)算概率值Kij;
[0037] Step35:跟隨蜂則根據(jù)Κυ選擇食物源，并計(jì)算領(lǐng)域的新解與適應(yīng)度，若vリ的fit (ν：?j；)大于XU的f it(xij)，則xij = Vij;否則，xij不發(fā)生變化；
[0038] Step36:判斷在Limit的次數(shù)內(nèi)，是否出現(xiàn)局部最優(yōu)解，若出現(xiàn)，則丟掉次解，并產(chǎn) 生解代替XU;否則，不發(fā)生變化；
[0039] Step37:若迭代次數(shù)大于最大限制次數(shù)MCN，則完成優(yōu)化過程，輸出最優(yōu)聚類中屯、 集合Cij ;否則轉(zhuǎn)到步驟33 ,并令tGyGle = tcycle+l。
[0040] 進(jìn)一步，所述交通估計(jì)狀態(tài)的確定按照W下步驟具體進(jìn)行：
[0041 ] Step41:確定樣本輸入特征X、聚類個(gè)數(shù)、最大迭代次數(shù)T和允許誤差范圍ε ;
[0042] St邱42:確定特征權(quán)重向量W;
[0043] St邱43:確定初始聚類中屯、C;
[0044] Step44:按照W下公式計(jì)算目標(biāo)函數(shù)并決定聚類結(jié)果模糊度的權(quán)重指數(shù)：
[0045]
[0046] 其中，竭表示;s.t.表示;k表示；
[0047] St邱45:根據(jù)下式子計(jì)算隸屬度矩陣UW :
[004引
[0049]其中，dik表示樣本a與第i類聚類中屯、向量Pi之間的距離；
[(K)加]St邱46:根據(jù)下式計(jì)算隸屬度矩陣pW :
[0化1 ]
7
[0052] Step47:若滿足llpW-ptWl |<ε或者當(dāng)t = T時(shí)，則停止迭代，輸出聚類中屯、矩陣P 和隸屬度矩陣U;否則，令t = t+1，返回St巧45。
[0053] 由于采用了上述技術(shù)方案，本發(fā)明具有如下的優(yōu)點(diǎn)：
[0054] 本發(fā)明基于模糊C均值算法，通過引入速度離散特征參數(shù)，并根據(jù)不同特征對(duì)狀態(tài) 估計(jì)結(jié)果的貢獻(xiàn)程度不同，利用ReliefF方法確定特征權(quán)重，并利用人工蜂群方法進(jìn)行聚類 初值點(diǎn)的優(yōu)化，而實(shí)現(xiàn)了高速公路交通狀態(tài)的估計(jì)。
[0055] 本發(fā)明的其他優(yōu)點(diǎn)、目標(biāo)和特征在某種程度上將在隨后的說明書中進(jìn)行闡述，并 且在某種程度上，基于對(duì)下文的考察研究對(duì)本領(lǐng)域技術(shù)人員而言將是顯而易見的，或者可 W從本發(fā)明的實(shí)踐中得到教導(dǎo)。本發(fā)明的目標(biāo)和其他優(yōu)點(diǎn)可W通過下面的說明書來實(shí)現(xiàn)和 獲得。
【附圖說明】
[0056] 本發(fā)明的【附圖說明】如下。
[0057] 圖1示出了考慮速度離散度的改進(jìn)FCM的交通狀態(tài)估計(jì)算法。
【具體實(shí)施方式】
[0058] 下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明作進(jìn)一步說明。
[0化9]實(shí)施例1
[0060] 本實(shí)施例提供的考慮速度離散特性的高速公路交通狀態(tài)估計(jì)方法，克服了傳統(tǒng)基 于模糊C均值的聚類方法的高速公路交通狀態(tài)估計(jì)方法的不足，具體如下所述：
[0061] (1)交通特征參數(shù)選取的問題。在傳統(tǒng)交通狀態(tài)估計(jì)中，僅僅依靠宏觀參數(shù)不能有 效的描述交通狀態(tài)的差異性。速度離散特性作為交通流特性的基本特征，能夠?qū)煌顟B(tài) 的穩(wěn)定性和差異性進(jìn)行很好的描述，因此，將速度離散引入交通狀態(tài)估計(jì)有重要的意義。同 時(shí)，不同交通流特征參數(shù)表征交通狀態(tài)的能力也不相同，合理的確定不同參數(shù)對(duì)狀態(tài)變化 的影響程度能夠進(jìn)一步提高狀態(tài)的估計(jì)精度。
[0062] (2)初始聚類中屯、的問題。初試聚類中屯、的選擇對(duì)聚類效果將產(chǎn)生巨大的影響，如 果選擇不恰當(dāng)，不但會(huì)增加算法時(shí)間和空間復(fù)雜度，還可能導(dǎo)致算法收斂于次優(yōu)解，最終的 交通狀態(tài)估計(jì)結(jié)果不理想。
[0063] 因此，本方法首先引入速度離散度指標(biāo)，然后采用ReliefF算法，根據(jù)交通狀態(tài)參 數(shù)對(duì)分類結(jié)果的影響程度，確定各個(gè)特征指標(biāo)的權(quán)重值。
[0064] 同時(shí)，應(yīng)用人工蜂群算法對(duì)初試聚類中屯、的選取進(jìn)行優(yōu)化，W弱化隨機(jī)聚類中屯、 導(dǎo)致的算法穩(wěn)定性能差、容易陷入局部最優(yōu)的缺陷。
[0065] 本方法主要通過W下步驟來實(shí)現(xiàn)高速公路交通狀態(tài)估計(jì)方法，包括如下步驟：
[0066] 步驟一:速度離散特性指標(biāo)及交通流基本參數(shù)的獲取
[0067] 由于W往的高速公路交通狀態(tài)估計(jì)方法中并未考慮到車速離散程度指標(biāo)，因此， 本發(fā)明中首先需要對(duì)速度離散特性進(jìn)行定義，提出一種適于描述車速離散程度方法。通過 檢測路段的單車的行程車速，來計(jì)算所提出的相對(duì)速度離散度指標(biāo)ASD。同時(shí)，通過檢測設(shè) 備獲取檢測路段的交通流平均車速，流量數(shù)據(jù)。
[0068] 步驟二:利用Reliel巧方法對(duì)交通流特征參數(shù)進(jìn)行加權(quán)
[0069] 利用ReleifF特征加權(quán)方法對(duì)步驟一所獲取的Ξ種交通流表征參數(shù)(平均車速、流 量、相對(duì)離散度)對(duì)交通狀態(tài)估計(jì)的影響程度進(jìn)行加權(quán)，分別計(jì)算各個(gè)特征對(duì)交通狀態(tài)的影 響權(quán)重，W期確定參與聚類的特征權(quán)重矩陣。
[0070] 步驟Ξ:利用人工蜂群算法對(duì)初試聚類中屯、進(jìn)行優(yōu)化
[0071] 利用人工蜂群算法對(duì)聚類中屯、進(jìn)行優(yōu)化，W期獲得局部最優(yōu)的初試聚類中屯、，W 弱化隨機(jī)聚類中屯、導(dǎo)致的算法穩(wěn)定性能差、容易陷入局部最優(yōu)的缺陷。
[0072] 步驟四：輸出最終聚類中屯、，確定估計(jì)狀態(tài)
[0073] 進(jìn)一步，再通過模糊C均值聚類方法輸出最終聚類中屯、矩陣，并WEuclid距離對(duì)樣 本類別進(jìn)行劃分，對(duì)輸入樣本進(jìn)行歸類。
[0074] 實(shí)施例2
[0075] 本實(shí)施例提供的基于速度離散特性的高速公路交通狀態(tài)估計(jì)方法，考慮了速度離 散特征對(duì)交通狀態(tài)的影響，通過引入速度離散特性指標(biāo)，并對(duì)傳統(tǒng)的FCM聚類方法進(jìn)行改 進(jìn)，W提高高速公路交通狀態(tài)估計(jì)的效果，具體包括W下步驟：
[0076] -、速度離散特性指標(biāo)及交通流基本參數(shù)的獲取
[0077] 本發(fā)明針對(duì)考慮速度離散特性的高速公路交通狀態(tài)估計(jì)，提出一種適于速度離散 程度的描述方法。
[0078] 速度標(biāo)準(zhǔn)差作為反映檢測時(shí)間內(nèi)不同車速之間差異性的指標(biāo)，形式簡單且合理。 但在平均車速差距較大的情況下，直接利用速度標(biāo)準(zhǔn)差不能反映出離散程度的大小。因此， 本發(fā)明在相對(duì)的角度提出了相對(duì)速度標(biāo)準(zhǔn)差，假設(shè)統(tǒng)計(jì)時(shí)間內(nèi)η輛車通過實(shí)驗(yàn)路段，則相對(duì) 速度標(biāo)準(zhǔn)差定義如下：
[0079]
[0080] 上式中，Vi為第i輛車的速度，；；為統(tǒng)計(jì)時(shí)間內(nèi)的η輛車的平均車速。
[0081] 進(jìn)一步，在獲取了速度離散特性指標(biāo)基礎(chǔ)上，利用車檢設(shè)備可W獲得檢測路段的 平均車速V，流量q。
[0082] 二、利用Re 1 ie 1巧方法對(duì)交通流特征參數(shù)進(jìn)行加權(quán)
[0083] 本發(fā)明采用Relie巧特征加權(quán)來確定各個(gè)交通流特征權(quán)重。Relie巧算法流程如下 所示：
[0084] Stepl:初始化權(quán)重w = 0。
[0085] Step2:選取集合X中的任意一個(gè)樣本XI，分別找出與其類別一致和不一致的R個(gè)最 鄰近樣本hj和mij;分別計(jì)算xi與hj、mu在特征上的差異。
[008引其中，diff_hit是S X 1的矩陣，表示Xi與hj在特征上的差異;diff_miss也是S X 1的 矩陣，表示111。與義1在特征上的差異;p(l)為第1類出現(xiàn)的概率，可W用該類出現(xiàn)的樣本數(shù)與 數(shù)據(jù)集中的總樣本數(shù)的比得到，C lass (xi)表示xi所屬的類別。
[0089] Step3:計(jì)算權(quán)重矩陣W，其計(jì)算公式如下：
[0090] w=w-diff_hit+diff_miss
[0091 ] Step4:取下一個(gè)樣本i = i+l，直到η個(gè)樣本全部都參與計(jì)算。
[0092] steps:輸出 W。
[0093] 根據(jù)所得特征加權(quán)向量W，隸屬度矩陣和聚類中屯、矩陣表示為：
[0096] 最后得到基于Relie巧特征加權(quán)的FCM的目標(biāo)函數(shù)為：
[0097]
[0098] Ξ、利用人工蜂群算法對(duì)初試聚類中屯、進(jìn)行優(yōu)化
[0099] 本發(fā)明采用人工蜂群(Adificial Bee Colony,ABC)方法優(yōu)化傳統(tǒng)FCM算法的初 試聚類中屯、，
[0100] 基于ABC優(yōu)化FCM聚類中屯、的具體步驟如下：
[0101] Stepl:初始化算法輸入?yún)?shù):聚類類別數(shù)C，蜜源數(shù)目SN，限制次數(shù)Limit和最大循 環(huán)次數(shù)MCN，令初始周期teyele = 0。
[0102] Step2:隨機(jī)初始化隸屬度矩陣U，并計(jì)算初始聚類中屯、PU及其適應(yīng)度。
[0103] Step3:根據(jù)公式5.15求解領(lǐng)域內(nèi)的最新解乂^及其適應(yīng)度，若乂^的^*(乂^)大于又" 的fit(xij)，則xu = vij;否則，xij不發(fā)生變化。
[0104] Step4:計(jì)算叫的適應(yīng)度，并計(jì)算概率值Kij。
[0105] steps:跟隨蜂則根據(jù)Κυ選擇食物源，并計(jì)算領(lǐng)域的新解與適應(yīng)度，若VU的fit (ν：?j；)大于XU的f it(xij)，則xij = Vij;否則，xij不發(fā)生變化。
[0106] steps:判斷在Limit的次數(shù)內(nèi)，是否出現(xiàn)局部最優(yōu)解，若出現(xiàn)，則丟掉次解，并產(chǎn)生 解代替XU;否則，不發(fā)生變化。
[0107] Step7:若迭代次數(shù)大于最大限制次數(shù)MCN，則完成優(yōu)化過程，輸出最優(yōu)聚類中屯、集 合Cij ;否則轉(zhuǎn)到步驟3 ,并令tcycle = tcycle+1。
[0108] 四、輸出最終聚類中屯、，確定估計(jì)狀態(tài)
[0109] 根據(jù)高速公路交通流狀態(tài)的樣本集合X={SDR，v，q}，每個(gè)樣本有3個(gè)特征參數(shù)指 標(biāo)，特征參數(shù)指標(biāo)權(quán)重為1=(機(jī)，巧2，巧3)。根據(jù)交通工程手冊(cè)對(duì)高速公路交通狀態(tài)類別劃分 的建議，將交通狀態(tài)劃分為5個(gè)等級(jí)。
[0110] 算法過程如下：
[0111] Stepl:根據(jù)步驟一，確定樣本輸入特征X，聚類個(gè)數(shù)5，設(shè)置最大迭代次數(shù)T和允許 誤差范圍ε。
[0112] Step2:根據(jù)步驟二，確定特征權(quán)重向量W。
[0113] Step3:根據(jù)步驟Ξ，確定初始聚類中屯、C。
[0114] Step4:設(shè)目標(biāo)函數(shù)如下式所示：
[0115]
[0116] 決定聚類結(jié)果模糊度的權(quán)重指數(shù)，Bezdek指出m的取值與樣本數(shù)目η有關(guān)，并從物 理上得出了 η = 2時(shí)最有意義。
[0117] steps:根據(jù)下式子計(jì)算隸屬度矩陣UW :
[011 引
[0119] 其中，cUk表示樣本a與第i類聚類中屯、向量Pi之間的距離，取化C1 i d距離可得：
[0120]
[0121] steps:根據(jù)下式計(jì)算隸屬度矩陣PW
[0122]
[0123] St巧7:若滿足||P(t)-P("i)M<e(Euclid距離)或者當(dāng)t = T時(shí)，則停止迭代，輸出聚 類中屯、矩陣P和隸屬度矩陣U。否則，令t = t+l，返回Steps。
[0124] 最后說明的是，W上實(shí)施例僅用W說明本發(fā)明的技術(shù)方案而非限制，盡管參照較 佳實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解，可W對(duì)本發(fā)明的技 術(shù)方案進(jìn)行修改或者等同替換，而不脫離本技術(shù)方案的宗旨和范圍，其均應(yīng)涵蓋在本發(fā)明 的權(quán)利要求范圍當(dāng)中。
【主權(quán)項(xiàng)】
1. 一種考慮速度離散特性的高速公路交通狀態(tài)估計(jì)方法，其特征在于:包括以下步驟： S1:設(shè)置速度離散特性指標(biāo)及交通流特征參數(shù)； S2:獲取交通流數(shù)據(jù)并利用Rel ielfF方法對(duì)交通流特征參數(shù)進(jìn)行加權(quán)； S3:利用人工蜂群算法對(duì)交通流特征參數(shù)的聚類中心進(jìn)行優(yōu)化； S4:輸出優(yōu)化聚類中心并確定交通估計(jì)狀態(tài)。2. 如權(quán)利要求1所述的考慮速度離散特性的高速公路交通狀態(tài)估計(jì)方法，其特征在于： 所述速度離散特性指標(biāo)包括速度標(biāo)準(zhǔn)差，所述速度標(biāo)準(zhǔn)差按照以下公式來計(jì)算相對(duì)速度標(biāo) 準(zhǔn)差：式中，vi為第i輛車的速度，^為統(tǒng)計(jì)時(shí)間內(nèi)的η輛車的平均車速。3. 如權(quán)利要求1所述的考慮速度離散特性的高速公路交通狀態(tài)估計(jì)方法，其特征在于： 所述利用Rel ielfF方法對(duì)交通流特征參數(shù)進(jìn)行加權(quán)，具體步驟如下： Step21:初始化權(quán)重w = 0; Step22:選取集合X中的任意一個(gè)樣本Xl，分別找出與其類別一致和不一致的R個(gè)最鄰近 樣本hj和mij;分別計(jì)算xi與hj、mij在特征上的差異；其中，diff_hit是s X 1的矩陣，表示xi與hj在特征上的差異;diff_miss也是s X 1的矩 陣，表示血:與^在特征上的差異;p(l)為第1類出現(xiàn)的概率，Class(Xl)表示h所屬的類別； Step23:按照以下公式來計(jì)算權(quán)重矩陣w: w=w-diff_hit+diff_miss ； 其中，w表示權(quán)重矩陣； Step24:取下一個(gè)樣本i = i+Ι，直到η個(gè)樣本全部都參與計(jì)算； Step25:獲取并輸出權(quán)重矩陣w;并按照以下公式計(jì)算隸屬度矩陣和聚類中心矩陣：其中，uik表示第k個(gè)樣本對(duì)第i類的隸屬度;Xk表示第k個(gè)樣本;Pi表示第i類聚類中心;c 表示聚類個(gè)數(shù);η表示樣本個(gè)數(shù)； Step26:按照以下公式計(jì)算得到基于ReliefF特征加權(quán)的FCM的目標(biāo)函數(shù)： =Σλ=ΣΣ< · Σ(^ν · k/ - Αν|2) Μ Μ _/:1 f，\ 1 其中丄(U，P)表示FCM的目標(biāo)函數(shù);h表示第i類的目標(biāo)函數(shù)W表示第j個(gè)樣本對(duì)第c類 的隸屬度;w表示為第f個(gè)特征的權(quán)重;Xjf表示第j個(gè)樣本的第f個(gè)特征;pu表示第1類的i個(gè) 聚類中心。4. 如權(quán)利要求1所述的考慮速度離散特性的高速公路交通狀態(tài)估計(jì)方法，其特征在于： 所述人工蜂群算法采用基于ABC優(yōu)化FCM聚類中心;具體步驟如下： Step31:初始化算法輸入?yún)?shù):聚類類別數(shù)c，蜜源數(shù)目SN，限制次數(shù)Limit和最大循環(huán) 次數(shù)MCN，令初始周期tc^ie = 0; Step32:隨機(jī)初始化隸屬度矩陣U，并計(jì)算初始聚類中心Pij及其適應(yīng)度； Step33:求解領(lǐng)域內(nèi)的最新解vij及其適應(yīng)度，若vij的fit(vij)大于xij的fit(xij)，貝1J 否則，XlJ不發(fā)生變化； Step34:計(jì)算xij的適應(yīng)度，并計(jì)算概率值Kij; Step35:跟隨蜂則根據(jù)Kij選擇食物源，并計(jì)算領(lǐng)域的新解與適應(yīng)度，若vij的fit(vij)大 于xij的fit (xij)，則xij = vij;否則，xij不發(fā)生變化； Step36:判斷在Limit的次數(shù)內(nèi)，是否出現(xiàn)局部最優(yōu)解，若出現(xiàn)，則丟掉次解，并產(chǎn)生解 代替xw否則，不發(fā)生變化； Step37:若迭代次數(shù)大于最大限制次數(shù)MCN，則完成優(yōu)化過程，輸出最優(yōu)聚類中心集合 叫;否則轉(zhuǎn)到步驟33，并令1:叩。1(3 = 1^。1(3+1。5. 如權(quán)利要求1所述的考慮速度離散特性的高速公路交通狀態(tài)估計(jì)方法，其特征在于： 所述交通估計(jì)狀態(tài)的確定按照以下步驟具體進(jìn)行： Step41:確定樣本輸入特征X、聚類個(gè)數(shù)、最大迭代次數(shù)T和允許誤差范圍ε; Step42:確定特征權(quán)重向量w; Step43:確定初始聚類中心c; Step44:按照以下公式計(jì)算目標(biāo)函數(shù)并決定聚類結(jié)果模糊度的權(quán)重指數(shù)： min i=l /=1 < c s,t, = 1,/v = 1,2,···,? - i=l ; 其中，《表示樣本xk與第i類聚類中心向量pi的距離；s. t.表示約束條件;k表示樣本個(gè) 數(shù)； Step45:根據(jù)下式子計(jì)算隸屬度矩陣U(t):其中，dik表示樣本xk與第i類聚類中心向量pi之間的距離； Step46:根據(jù)下式計(jì)算隸屬度矩陣P(t):Step47:若滿足I |P(t)-P(t+1)| |<ε或者當(dāng)t = T時(shí)，則停止迭代，輸出聚類中心矩陣P和隸 屬度矩陣u;否則，令t = t+Ι，返回Step45。
【文檔編號(hào)】G08G1/01GK106067248SQ201610369536
【公開日】2016年11月2日
【申請(qǐng)日】2016年5月30日 公開號(hào)201610369536.X, CN 106067248 A, CN 106067248A, CN 201610369536, CN-A-106067248, CN106067248 A, CN106067248A, CN201610369536, CN201610369536.X
【發(fā)明人】孫棣華, 趙敏, 劉衛(wèi)寧, 鄭林江, 陳曦
【申請(qǐng)人】重慶大學(xué)