[发明专利]基于特征参数加权GEFCM算法的高速公路地点交通状态估计方法

摘要

本发明属于道路交通控制系统技术领域，公开了一种基于特征参数加权GEFCM算法的高速公路地点交通状态估计方法，包括以下步骤1)获取高速公路微波车检器采集得到的车流量、平均车速和平均占有率这三种特征参数的历史数据，构成样本矩阵；2)对步骤1)获取的数据进行预处理，所述预处理包括错误数据的识别与剔除、数据的修复、数据滤波处理；3)确定三种特征参数在聚类分析时的权重；4)对历史数据进行聚类分析；5)当获取到当前断面的交通流参数时，实时估计交通状态。本发明在考虑聚类时历史交通数据样本中存在的不均衡性的同时，考虑到不同交通流参数对于聚类的影响的差异性，从而使得提出的特征参数加权GEFCM聚类模型具有更好的聚类效果，进而在对交通状态的估计时也有更好的效果和可靠性。

主权项

基于特征参数加权GEFCM算法的高速公路地点交通状态估计方法，其特征在于：包括以下步骤：1)获取高速公路微波车检器采集得到的车流量、平均车速和平均占有率这三种特征参数的历史数据，构成样本矩阵；2)对步骤1)获取的数据进行预处理，所述预处理包括错误数据的识别与剔除、数据的修复、数据滤波处理；3)确定三种特征参数在聚类分析时的权重；具体包括如下步骤：31)将通过步骤2)预处理的车流量、平均车速和平均占有率这三种特征参数构成的样本矩阵X进行Z‑score标准化，得到标准化之后的矩阵Z；32)对Z‑score标准化后的矩阵Z进行相关系数计算，得到相关系数矩阵R；33)对相关系数矩阵R构造其特征方程|R‑λI|＝0，得到p个特征根和特征向量，以及bt和ct，t＝1,2,…,p；其中，bt为第t个主成分的方差贡献率，ct为前t个主成分的累计方差贡献率；34)计算得到车流量、平均车速和平均占有率这三种特征参数的权重系数ωo＝{ωo1,ωo2,…,ωot}；4)通过如下方法对历史数据进行聚类分析：由步骤3)主成分分析得到不同特征参数的权重ωo＝{ωo1,ωo2,…,ωot}，带入下面式子，并采用下面三式子对历史的交通流参数进行反复迭代计算，直至满足算法停止条件，最终得到代表不同交通状态类的聚类中心ci；J(U,c1,...,cc,ω)=Σi=1cΣj=1nuijmΣs=1nuismΣk=1tωk2(xjk-cik)2;]]>ci=Σj=1nuijmxjΣs=1nuism;]]>uij=[(Σs=1nuism)2(Σs=1nuism-uijm)Σk=1tωk2(xjk-cik)2]1m-1Σγ=1c[(Σs=1nuγsm)2(Σs=1nuγsm-uγjm)Σk=1tωk2(xjk-cγk)2)1m-1;]]>其中，xj为第j个样本点，xjk为第j个样本点的第k个特征参数；U＝(uik)c×n为隶属度矩阵，用uij表示第j个样本属于第i类的隶属度，0≤uij≤1，m∈[1,+∞)表示模糊加权指数；ci＝(ci1,ci2,…cip)，i＝1,2,…,c表示不同类别的聚类中心；项表现了第i类的容量属性；ω＝{ω1,ω2,…,ωt},ωk∈[0,1]，为与输入的参数序列相对应的特征参数权重；t为特征参数的个数；n为样本点数量；5)当获取到当前断面的交通流参数时，实时估计交通状态；所述步骤5)中，通过下式的计算，得到实时数据样本与各交通状态类的聚类中心的距离；(dijω)2=||ω(xj-ci)||2=Σk=1tωk2(xjk-cik)2;]]>其中，表示第i个聚类中心ci与第j个样本点xj之间的距离；ω＝{ω1,ω2,…,ωt},ωk∈[0,1]，为与输入的参数序列相对应的特征参数权重；t为特征参数的个数；对于样本点xj，根据上式分别计算与三类交通状态类的聚类中心的距离，得到与畅通、缓行、拥堵三类状态类的聚类中心的距离分别为比较三者距离的大小，最小的距离对应的状态类别则为当前的交通状态估计值。