[发明专利]基于SVR-DEA模型的城市路段交通拥堵时空精准判别方法

权利要求书

1.一种基于SVR-DEA模型的城市路段交通拥堵时空精准判别方法，其特征在于，所述判别方法具体包括：

获取目标区域各路段的交通流历史数据并进行预处理，获得预处理后的交通流时空数据集；

构建非线性支持向量回归模型，以所述预处理后的交通流时空数据集对模型进行训练和测试，获得短时交通流时空预测模型；

根据所述短时交通流时空预测模型，预测各路段在预测时段的交通状态；并采用粗糙式拥堵评价方法进行拥堵等级划分，获取预测时段交通状态的粗糙评价等级，其中，所述粗糙式拥堵评价方法为以离散型等级划分交通拥堵水平的方法，具体包括：基于拥堵里程、行程时间以及延误时间的指标式评价方法、基于模糊C均值聚类方法的模型式评价方法；

构建数据包络分析模型，选取所述预测时段交通状态的粗糙评价等级作为模型输入参数，输入所述包络分析模型并求解模型，获得各拥堵路段的综合指数；

根据所述各拥堵路段的综合指数与最畅通等级的综合指数，通过对比各路段综合指数与最畅通等级综合指数的差距值，确定各拥堵路段的相对拥堵水平并排序，获得预测时间段内各路段拥堵水平的精确划分结果。

2.根据权利要求1所述的基于SVR-DEA模型的城市路段交通拥堵时空精准判别方法，其特征在于，所述获取目标区域各路段的交通流历史数据并进行预处理，获得预处理后的交通流时空数据集步骤具体包括：

收集目标范围、目标时间段内路段的交通流量、车辆通行速度和行程时间的历史数据，并记录数据采集的路段位置和时间序列信息；

将所采集的交通流量数据进行预处理，包括：剔除错误数据和修复丢失数据，并按照预设的划分时间间隔，将处理后的数据进行划分，计算各时间间隔内的交通流量、平均车速和平均延误时间，所述预设的时间间隔为2min。

3.根据权利要求2所述的基于SVR-DEA模型的城市路段交通拥堵时空精准判别方法，其特征在于，所述剔除错误数据的方法为：

计算各交通流参数的合理范围，并根据所述各交通流参数的合理范围剔除超过合理范围的数据记录；

所述交通流参数包括：流量Q、速度v和行程时间t；

所述流量Q的合理范围为：

其中，C为道路通行能力；T为数据采集的时间间隔；f为修正系数，取1.3至1.5；

所述速度v的合理范围为：

0≤v≤f·v₀

其中，v₀为道路限制速度；

行程时间t的合理范围是：

其中，l为路段长度，l_Q为排队中车辆的平均长度，即排队长度与排队车辆数之比，τ_max为最大红灯信号时长。

4.根据权利要求2所述的基于SVR-DEA模型的城市路段交通拥堵时空精准判别方法，其特征在于，所述修复丢失数据的方法为：

通过计算相邻数据的平均值对缺失数据进行补充，计算公式为：

其中，Q为交通流量。

5.根据权利要求1所述的基于SVR-DEA模型的城市路段交通拥堵时空精准判别方法，其特征在于，所述构建非线性支持向量回归模型，以所述预处理后的交通流时空数据集对模型进行训练和测试，获得短时交通流时空预测模型步骤具体包括：

确定用于判定时间相关性的时间窗和时序偏移系数，计算各时间窗下各路段的交通流参数与其相邻路段在特定时序偏移系数前的交通流参数的时空相关系数，提取各时序下时空相关系数较高的相邻路段的交通流数据，形成模型数据集，并分为训练数据集和测试数据集；

构建非线性支持向量回归模型结构，基于所述训练数据集，对不同核函数下的预测模型进行训练，获得各核函数的惩罚因子、核宽度和不敏感系数，并采用测试数据集，测试不同核函数下的模型预测性能，确定最优核函数，获得短时交通流时空预测模型。