[发明专利]一种基于生成-滤波机制的交通流特征模态分解方法

说明书

本发明公开一种基于生成‑滤波机制的交通流特征模态分解方法，首先，将高速交通流作为一个封闭交通系统，根据驾驶员的随机性，将每个驾驶员看作一个单独的粒子，模拟出路径轨迹，再根据不同参数下轨迹的概率分布，得到对应的交通模态；其次，取不同的量子随机游走的参数，得到站点上由不同的驾驶模态导致的交通流概率分布的时间演化，进而变换不同的站点形成该高速交通流模态集合；最后，根据实际观测的交通流数据，对生成的交通模态进行筛选，反演出交通流的模态结构。本发明从多尺度分解的视角揭示了交通流的复杂结构和多模态特征，为交通管理、预测和调控的提供了一定参考，对解决当今社会面临的诸多交通问题有重大意义。

技术领域

本发明属于城市规划、交通地理领域，具体涉及一种基于生成-滤波机制的交通流特征模态分解方法。

背景技术

交通流量是众多交通应用的重要指标，通常通过位于(高速)公路进、出站点传感器采集获得。交通流量是特性各异的驾驶员的主要载体，其复杂程度和结构特征取决于驾驶员的驾驶模式。假设具有相同或相似驾驶模式的驾驶轨迹聚合形成一个交通流模态，以超车为代表的复杂交通流模态导致交通流量变化剧烈，表现出较强的随机性；以匀速行驶为例的简单交通流模态对交通流量的影响较小，驶出/驶入的交通流量较为接近。然而，实际交通流并不是一种或几种交通模态的简单组合，而是众多复杂程度各异的交通流模态混叠而成的“混合物”，是交通流量建模、模拟和预测等面临的重大难题。

现有的交通流特征模态分解方法主要基于宏观统计分析的视角，采用多尺度分析的方法对交通流进行模态分解和特征解析。当前对交通流时间序列的多尺度分析主要包括时间域、频率域和时频域三类方法。常用的交通流时间序列的多尺度分析方法大体可以分为如下两类：

(1)频谱分析方法：频谱分析类方法多从单一站点时间序列的谱系结构出发，利用三角函数或快速傅里叶变换(FFT)提取序列的频域特征，如谐波分析、功率谱分析及其改进分析方法等。频谱分析方法处理周期规则、谱系结构清晰的交通流时间序列结果相对较好，而对于表现出明显趋势性变化、非线性、非平稳以及准周期形态的交通流时间序列分析效果则相对较差。同时，频谱分析方法是统计学方法，分解所得的频谱信息缺乏清晰的物理图像，难以获取交通流的模态耦合关系及其准确时空特征。

(2)自适应滤波方法：自适应滤波类分析方法主要是不断调整给定参考信号在模型计算过程中的权重，使输入信号与参考信号间的误差不断减小直至收敛，如最小均方误差(LMS)滤波器、均方根(RMS)滤波器和神经网络方法等。自适应滤波类方法对于诸如交通流等信噪比较低的弱信号处理能力较差，其计算收敛的过程将需要大量的时间和序列样本作为支撑，甚至在某些情况下将无法收敛。

由于交通流具有非平稳性、非线性和准周期性等复杂特性，现有的各类信号解析方法对于交通流时空过程中准确的趋势信号、弱信号以及缓变准周期信号等解析与提取均存在缺陷，非线性与准周期性是导致交通流时序数据分析效果较差的主要原因。同时，以上方法均从经典统计学出发，未考虑交通流本身的内蕴特征，导致解析出来的特征和模态不具清晰的物理图像，难以解释。

为此，本专利从交通流的内蕴机理出发，基于生成-过滤机制，提出了一种交通流的特征解析和模态分解方法，进而实现对地交通流的多视角集成解析与透视，尝试从多尺度分析的视角揭开复杂交通流的“神秘面纱”。

发明内容

发明目的：本发明为明晰驾驶员驾驶模式对交通流量的不确定性影响，明确交通流模态与交通流量间的混叠组合和多尺度耦合关系，基于量子随机游走，提出了一种基于生成-滤波机制的交通流特征模态分解方法。

技术方案：本发明提出一种基于生成-滤波机制的交通流特征模态分解方法，具体包括以下步骤：

(1)将高速交通流作为一个封闭交通系统M，根据驾驶员的随机性，将每个驾驶员看作一个单独的粒子，模拟出路径轨迹，再根据不同参数下轨迹的概率分布，得到对应的交通模态；