CN102289933A

CN102289933A - 一种城市快速路交通事件影响空间范围等级预测方法

Info

Publication number: CN102289933A
Application number: CN2011102257740A
Authority: CN
Inventors: 林瑜; 沈峰; 潘振兴; 高宵; 吴超腾
Original assignee: Shanghai Seari Intelligent System Co Ltd
Current assignee: Shanghai Seari Intelligent System Co Ltd
Priority date: 2011-08-08
Filing date: 2011-08-08
Publication date: 2011-12-21
Anticipated expiration: 2031-08-08
Also published as: CN102289933B

Abstract

本发明提供了一种城市快速路交通事件影响空间范围等级预测方法，其特征在于：步骤为：首先获取大量城市快速路交通异常事件案例，随后将大量城市快速路交通异常事件案例依据事件空间影响范围分为至少两类，再以事件空间影响范围作为分类属性，其余属性作为判定属性进行分类，生成决策树，随后，计算决策树每个叶节点的聚类中心值、最大值或最小值，当交通事件发生时，依据其判定属性的数据在决策树中找到对应的叶节点，读取该叶节点的聚类中心值、最大值或最小值，作为交通事件影响空间范围等级的预测值。本发明的优点是：能够提前判断事件后续影响的严重程度，从而将事件的负面影响程度降到最低。

Description

一种城市快速路交通事件影响空间范围等级预测方法

技术领域

本发明涉及一种对城市快速路交通事件未来影响的空间范围进行预测的方法。

背景技术

随着我国机动车保有量的快速上升与基础设施建设的趋于饱和，城市交通供需矛盾日益突出，交通流运行的稳定性降低。特别在早晚高峰时段，即使是轻微交通事件的扰动也极易造成周边道路的阻塞，进而导致城市路网大范围的交通瘫痪。这对交通管理部门的交通异常事件处理技术提出了重大挑战。先进的交通事件管理系统是处理交通异常事件、保障道路交通正常运行的重要手段。

传统的交通事件管理系统，主要着眼于“发现”交通事件，即交通事件的实时检测与预警，而无法反映异常事件的影响范围，最终只能依靠管理者通过现场观测与视频监控进行人工判断。因此，如何预测交通事件对周边道路的时空影响，并在此基础上生成交通诱导、救援、组织方案，实现交通事件管理决策的自动化，对提高交通管理水平，降低交通异常事件影响有着重要的作用。

发明内容

本发明的目的是提供一种在交通事件发生后对其所影响的空间范围等级进行预测的方法。

为了达到上述目的，本发明的技术方案是提供了一种城市快速路交通事件影响空间范围等级预测方法，其特征在于：步骤为：

步骤1、获取大量城市快速路交通异常事件案例，每个案例至少包括以下属性的数据：事件类型、事件影响车道数、是否需要拖挂车辆、事件所处地点背景交通状态及事件空间影响范围，其中，事件空间影响范围是指由该事件引起的发生点上游排队长度的最大值；

步骤2、将大量城市快速路交通异常事件案例依据事件空间影响范围分为至少两类，分别为“一般事件”及“重大事件”；

步骤3、以事件空间影响范围作为分类属性，其余属性作为判定属性进行分类，生成决策树，其步骤为：

步骤3.1、设步骤1中获取的所有案例的判定属性为数据集合C，作为消息源 “一般事件”或“重大事件”有关的决策树，产生这些消息所需的期望信息

为：

，其中，

及

分别为数据集合C中属于“一般事件”类及“重大事件”类的对象的个数，一个案例即为一个对象；

步骤3.2、每个判定属性依据其取值范围可以将数据集合C划分成不同的子树，若判定属性中的任一属性A具有m个值｛A1, A2, …, Am｝，则该属性A将数据集合C划分成｛C1, C2, …, Cm｝，其中第i个子树Ci包括数据集合C中属性A的值为Ai的那些对象，这些对象中属于“一般事件”类的对象共有

个，而属于“重大事件” 类的对象共有个，则以属性A作为决策树的根节点所要求的期望信息

，

，其中，

；

步骤3.3、计算决策树按照属性A进行分支的信息增益

，；

步骤3.4、重复步骤3.2至步骤3.3直至计算完决策树按照每一个判定属性进行分支的信息增益，选取使得信息增益最大的一个判定属性Ak作为根节点；

步骤3.5、以判定属性Ak的取值范围将数据集合C划分成不同的子树，对每个子树做步骤3.2至步骤3.4同样的处理，递归形成决策树；

步骤4、计算决策树每个叶节点的聚类中心值、最大值或最小值；

步骤5、当交通事件发生时，依据其判定属性的数据在决策树中找到对应的叶节点，读取该叶节点的聚类中心值、最大值或最小值，作为交通事件影响空间范围等级的预测值。

优选地，在所述步骤3与所述步骤4之间进一步包括对步骤3所述决策树进行剪枝，其步骤为：

步骤A、采集城市快速路交通异常事件数据组成剪枝数据集合D；

步骤B、将所述步骤3得到的决策树的某个连接叶节点的非叶节点子树Si用与该非叶节点子树Si直接相连的一个叶节点S代替，形成新决策树；

步骤C、计算新决策树关于剪枝数据集合D的预测精度；

步骤D、重复步骤B至步骤C直至遍历与非叶节点子树Si直接相连的所有叶节点，得到预测精度数组｛at｝；

步骤E、计算所述步骤3得到的决策树关于剪枝数据集合D的预测精度a，取预测精度数组｛at｝及预测精度a中的最大值amax，若该最大值amax为预测精度a，则无需对步骤3所述决策树进行剪枝，否则将非叶节点子树Si用与该最大值amax所对应的叶节点代替；

步骤F、重复步骤B至步骤E直至遍历步骤3得到的决策树的所有连接叶节点的非叶节点子树。

优选地，所述步骤2包括：

步骤2.1、设定至少两个事件空间影响范围的聚类的类别，即“一般事件”及“重大事件”；

步骤2.2、设步骤1获取的大量城市快速路交通异常事件案例包括

个事件空间影响范围的数据，从该个数据对象中任意选择

个数据对象作为初始聚类中心，与聚类的类别个数相同，对于所剩下的其它数据对象，则根据它们与初始聚类中心的相似度，分别将它们分配给与其最相似的聚类中心，组成聚类；

步骤2.3、计算每个聚类中所有数据对象的均值作为新聚类中心；

步骤2.4、分别计算个数据对象与新聚类中心的相似度，根据该相似度分别将它们分配给与其最相似的聚类中心，组成聚类；

步骤2.5、重复步骤2.3至2.4，直至每个聚类的标准测度函数开始收敛为止；

步骤2.6、计算每个聚类的聚类中心值、最大值或最小值，依据该值将大量城市快速路交通异常事件案例分为至少两类。

优选地，采用均方差作为所述标准测度函数，具体定义为：

，其中，

为

个数据对象的均方差之和，

为聚类的类别个数，

为

个数据对象中的某个数据对象，

为第

个聚类，为第个聚类的均值。

本发明提出的城市快速路交通事故影响空间范围等级预测方法使交通管理者能够提前判断事件后续影响的严重程度，在争取足够的管理决策时间的同时又能选择更合理的交通事件应急预案，从而将事件的负面影响程度降到最低。另外，该方法有利于对交通异常事件触发“长时间、大面积”交通拥堵状况的概率进行估计，在事态趋向更加严重之前发出预警信息，有利于及时采取措施防止严重交通拥堵状况发生。

附图说明

图1为本发明提供的一种城市快速路交通事故影响空间范围等级预测方法实施逻辑流程图；

图2为类聚方法逻辑流程图；

图3为决策树的生成流程图；

图4为剪枝方法逻辑流程图；

图5A至图5C为剪枝方法示意图；

图6为针对上海市交通形成的最终决策树示意图。

具体实施方式

为使本发明更明显易懂，兹以一优选实施例，并配合附图作详细说明如下。需指出的是，本发明提供的一种城市快速路交通事件影响空间范围等级预测方法面向具有完善的交通事件信息采集系统的城市快速路。交通事件信息采集主要包括通过监控员人工输入或系统自动获取的交通事件特征参数，如事件影响车道数、事件是否发生在瓶颈附近、事件发生横向位置、是否需要救护车和事件引起最大排队长度等信息。

本发明提出的城市快速路交通异常事件空间影响范围等级预测方法是依据快速路交通异常事件的各种特征参数，通过分析大量的历史快速路交通事件信息数据，挖掘交通事件影响的空间范围和交通事件特征参数间的关系规律，基于这些特征参数建立空间影响范围等级的分类规则，最终利用分类模型和事件的特征参数实时预测快速路交通异常事件的影响空间范围等级。

该方法涉及二个定义：交通事件空间影响范围和交通事件等级。交通事件空间影响范围指当交通事件发生至事件清除交通恢复的时间段内引起上游排队的最大长度。本发明中的交通事件影响等级指空间范围的影响等级，即对海量的交通事件历史数据的分析，在本实施例中将事件引起最大排队长度按其规律划分为三类：轻微、一般和严重三个等级。

如图1所示，本实施例提供的一种城市快速路交通事件影响空间范围等级预测方法，步骤为：

步骤1、获取大量城市快速路交通异常事件案例，在本实施例中，每个案例包括以下属性的数据：事件类型、天气状况、事件影响车道数、事件发生地瓶颈类型、事件发生横向位置、是否需要拖挂车辆、是否需要救护车辆、是否涉及大型车辆、事件所处地点背景交通状态、是否处于高峰时段及事件空间影响范围，其中，每个属性的定义如下：

事件类型：

描述事件特征的基础信息之一，在本实施例中，初步定义事件类型包括：单车抛锚、单车碰撞、两车相撞、货物抛洒、多车相撞以及其他类型。

天气状况：

描述异常交通事件发生时刻区域的天气状态，在本实施例中定为：晴、雨、雾、雪和其他。

事件影响车道数：

描述异常交通事件的特征之一，指处于停止状态的事件车辆在路段中所占用的车道数。

事件发生地瓶颈类型：

描述事件在快速路路段上所处的位置，一般来说发生在路段瓶颈附近（30m-50m）的事件影响要比发生在一般路段的要大。在本实施例中瓶颈类型分为：车道减少区域、入口匝道合流区、出口匝道分流区、主线弯道、主线坡度、混合瓶颈和无瓶颈。

事件发生横向位置：

描述事件在快速路上所处断面的位置，一般来说发生在路中的事件要比发生在路边的事件影响要大。在本实施例中分为路边（最外侧与最内侧车道，如2车道则都属于路边）、路中（除去最外侧与最内侧的车道后的车道）和两车道路段三类。

是否需要拖挂车辆：

事件车辆的清除类型分为两种类型：自行驶离与拖车拖离。

是否需要救护车辆：

描述该起事件是否存在人员伤亡并需要救护车辆到达事件现场。

是否需要消防车辆：

描述该起事件是否发生起火需要消防车辆达到现场。

是否涉及大型车辆：

描述该起事件的相关车辆中是否包含大型车辆。

事件所处地点背景交通状态：

描述事件所处发布段的交通状态。在本实施例中分为阻塞、拥挤和畅通三类。

是否处于高峰时段：

描述该起事件是否处于交通出行的高峰时段，日常生活中一般早高峰为早上7点至9点，下午16点至18点。

事件空间影响范围：

在交通事件发生至清除阶段，由该事件引起的发生点上游排队长度的最大值作为该事件的空间影响范围。

步骤2、将大量城市快速路交通异常事件案例依据事件空间影响范围分为至少两类，在本实施例中分为三类，分别为“轻微事件”、“一般事件”及“重大事件”，如图2所示，其具体步骤为：

步骤2.1、设定至少两个事件空间影响范围的聚类的类别，即“轻微事件”、“一般事件”及“重大事件”；

个事件空间影响范围的数据，从该个数据对象中任意选择

个数据对象作为初始聚类中心，

与聚类的类别个数相同，在本实施例中为3，对于所剩下的其它数据对象，则根据它们与初始聚类中心的相似度，分别将它们分配给与其最相似的聚类中心，组成聚类；

步骤2.4、分别计算

个数据对象与新聚类中心的相似度，根据该相似度分别将它们分配给与其最相似的聚类中心，组成聚类；

步骤2.5、重复步骤2.3至2.4，直至每个聚类的标准测度函数开始收敛为止，采用均方差作为所述标准测度函数，具体定义为：

，其中，为

个数据对象的均方差之和，

为聚类的类别个数，在本实施例中为3，为

个数据对象中的某个数据对象，即为由该事件引起的发生点上游排队长度的最大值，为第

个聚类，为第

个聚类

的均值。；

步骤2.6、计算每个聚类的聚类中心值、最大值或最小值，在本实施例中，计算上述三个值，得到表1，依据该值将大量城市快速路交通异常事件案例分为三类。

表1：空间影响范围聚类结果表

步骤3、运用决策树算法中的ID3算法，以事件空间影响范围作为分类属性，其余属性作为判定属性进行分类，生成决策树，如图3所示，其步骤为：

步骤3.1、设步骤1中获取的所有案例的判定属性为数据集合C，作为消息源 “轻微事件”、“一般事件”或“重大事件”有关的决策树，产生这些消息所需的期望信息为：

，其中，

、

及

分别为数据集合C中属于“轻微事件”、“一般事件”类及“重大事件”类的对象的个数，一个案例即为一个对象；

步骤3.2、每个判定属性依据其取值范围可以将数据集合C划分成不同的子树，若判定属性中的任一属性A具有m个值｛A1, A2, …, Am｝，则该属性A将数据集合C划分成｛C1, C2, …, Cm｝，其中第i个子树Ci包括数据集合C中属性A的值为Ai的那些对象，这些对象中属于“轻微事件”类的对象共有个，“一般事件”类的对象共有个，而属于“重大事件” 类的对象共有

个，则以属性A作为决策树的根节点所要求的期望信息

，

，其中，

；

步骤3.3、计算决策树按照属性A进行分支的信息增益，；

步骤3.5、以判定属性Ak的取值范围将数据集合C划分成不同的子树，对每个子树做步骤3.2至步骤3.4同样的处理，递归形成决策树。

步骤4、对步骤3所述决策树进行剪枝，如图4所示，其步骤为：

步骤4.1、采集城市快速路交通异常事件数据组成剪枝数据集合D；

步骤4.2、将所述步骤3得到的决策树的某个连接叶节点的非叶节点子树Si用与该非叶节点子树Si直接相连的一个叶节点S代替，形成新决策树；

步骤4.3、计算新决策树关于剪枝数据集合D的预测精度；

步骤4.4、重复步骤4.2至步骤4.3直至遍历与非叶节点子树Si直接相连的所有叶节点，得到预测精度数组｛at｝；

步骤4.5、计算所述步骤3得到的决策树关于剪枝数据集合D的预测精度a，取预测精度数组｛at｝及预测精度a中的最大值amax，若该最大值amax为预测精度a，则无需对步骤3所述决策树进行剪枝，否则将非叶节点子树Si用与该最大值amax所对应的叶节点代替；

上述步骤4.2至步骤4.5可以接图5A至图5C来具体解释。

如图5A所示，对于非叶节点子树S4具有两个叶节点f1及f2。如图5B所示，先用叶节点f1代替非叶节点子树S4形成新决策树，计算得到该新决策树关于剪枝数据集合D的预测精度a1。如图5C所示，再用叶节点f2代替非叶节点子树S4形成新决策树，计算得到该新决策树关于剪枝数据集合D的预测精度a2。最后，计算原决策树关于剪枝数据集合D的预测精度a。若max{a, a1, a2}= a，则保留非叶节点子树S4；若max{a, a1, a2}= a1，则用叶节点f1代替非叶节点子树S4；若max{a, a1, a2}= a2，则用叶节点f2代替非叶节点子树S4。

在本实施例中，计算并比较的是预测精度，当然也可以计算比较预测误差，此时，需要取预测误差中的最小值。

步骤4.6、重复步骤4.2至步骤4.5直至遍历步骤3得到的决策树的所有连接叶节点的非叶节点子树。例如还需要用与叶节点f1及f2同样的方法计算图5A至图5C中的叶节点f3及f4。

步骤5、计算决策树每个叶节点的聚类中心值、最大值或最小值，针对上海的道路交通状况，可以得到如图6所示的决策树，在本实施例中计算决策树每个叶节点的聚类中心值。

步骤6、当交通事件发生时，依据其判定属性的数据在决策树中找到对应的叶节点，读取该叶节点的聚类中心值、最大值或最小值，由于形成图6所示的决策树，因此取聚类中心值，即平均值，作为交通事件影响空间范围等级的预测值。在本实施例中，结合图6，其过程为：

步骤（1）、首先判断该事件是否需要拖车，若不需要则输出预测结果：属于轻微事件，影响空间范围大概900米左右等信息；若需要拖车，则转至步骤（2）；

步骤（2）、判断该事件的事故类型，若事故类型为单车抛锚，则转至步骤（3）；否则根据取值输出相应的预测结果；

步骤（3）、判断该事件是否涉及大型车辆，若涉及大车，则输出预测结果：属于严重事故，影像空间范围大概4km以上等信息；如不涉及大车，则转至步骤（4）；

步骤（4）、判断事件发生附近的瓶颈类型，若无瓶颈，则转至步骤（5）；否则根据不同的瓶颈类型输出相应的预测结果；

步骤（5）、判断事件发生时的天气情况，若当时的天气为雨，则转至步骤（6）；否则根据不同的天气情况输出相应的预测结果；

步骤（6）判断事件影响车道数，若该事件影响1根车道，则转至步骤（7）；若影响2根车道，则转至步骤（8），否则根据不同的影响车道数输出相应的预测结果；

步骤（7）、判断事件发生时，该事件附近的背景交通状态，并根据不同的状态取值输出相应的预测结果。

步骤（8）、判断事件发生时，该事件附近的背景交通状态，并根据不同的状态取值输出相应的预测结果。