CN102592453A - 一种基于时间窗口的实时交通状况判别方法 - Google Patents

Abstract

一种基于时间窗口的实时交通状态判别方法，包括步骤：数据预处理；通过两步聚类算法进行交通状态聚类初始化；更新时间窗口并获取当前时间间隔的交通流基础数据；两步聚类算法参数和聚类中心更新及当前时间间隔的实时交通状态判别。本发明基于历史交通流基础数据，采用两步聚类算法进行交通状态聚类初始化，分别经过初选最优聚类数和最优聚类数的确定得到交通状态的最优分类；其次，在初始化结果的基础上，接入实时数据，运用时间窗口的储存结构，动态更新数据；最后，实时计算更新两步聚类算法参数和聚类中心，重新确定交通状态的最优分类，并判别当前时间间隔的实时交通状态。本方法弥补了传统交通状态判别算法的局限性，对推进城市智能运输系统建设平有积极的意义。

Description

一种基于时间窗口的实时交通状况判别方法

技术领域

本发明涉及智能交通应用领域，特别是一种基于时间窗口的实时交通状况判别方法。

背景技术

实时、准确的交通状态判别是建立城市道路交通状况综合监测系统和交通信息实时发布和诱导系统的关键技术之一，是实现交通状况实时监测和交通信息实时发布，引导出行者路线选择，辅助交通管理者制定拥堵疏导方案，评价道路交通性能的重要基础，对提高道路运行效率，优化交通流在路网空间上的分布，减少出行时间，降低尾气排放有着重要的意义。

交通状态的识别与交通状态判别算法构成了交通状态判别的技术体系。交通状态的识别经历了从最初基于交通流理论对交通状态的定义，到基于历史数据的交通状态识别，从单交通流运行参数到为多参数(流量、密度、占有率)融合的演变发展过程。目前对于交通状态的划分标准，国际上尚未形成统一的规范。使用最多的量化标准源自美国道路通行能力手册，该手册用道路交通服务水平描述车辆在道路运行的状况，将服务水平分为A-F六个级别；国内具有代表性的划分标准为公安部交通管理局和住房与城乡建设部建设司推出的《城市道路交通管理评价指标体系》，以平均行程速度作为划分指标：畅通——城市主干路上机动车的平均行程速度不低于30km/h；轻度拥挤——城市主干路上机动车的平均行程速度低于30km/h，但高于20km/h；拥挤——城市主干路上机动车的平均行程速度低于20km/h，但高于10km/h；严重拥挤——城市主干路上机动车的平均行程速度低于10km/h。在交通状态识别的基础上，国内外相关研究领域相继涌现出了大量的交通状态判别算法，如基于阈值法的交通状态判别算法、交通拥堵自动判别算法、基于模糊推理的交通状态判别算法、基于聚类分析原理的交通状态判别算法等。这些方法的基本思想可概括为通过挖掘交通流基础数据内在和外在的相关特性与联系，由此建立相应的判别规则，从而实现交通状态的判别。总体上，多数方法还存在判别规则普遍适用性不强、包含经验化的成分较多、实时性和可靠性不足等缺陷，因此，在实际工程应用领域，还是较多采用简单的阈值法判别不同的交通状态。总结目前国内外在交通状况判别的研究和实践，还存在着如下几个问题：

1.交通状态多使用固定阈值进行划分，无法根据实际情况进行调整，对不同类型、不同功能等级道路的交通状态识别存在一刀切的问题；

2.未综合考虑交通流运行参数(流量、速度、占有率)间的关系，基于单一参数的判别结果存在片面性，准确性不高，可靠性不足；

3.交通状态判别算法包含较多的经验化成分，判别规则相对固定，无法根据实时数据以数据驱动的方式动态调整，交通状态判别不够全面，当道路交通流受到行人、非机动车、天气等因素影响时，算法的误判率较高；

4.运用聚类方法进行交通状态判别的实时性不高，随着时间的推移，聚类数据集将不断增加，不仅降低了聚类算法的运算效率，而且聚类数目和聚类中心趋于稳定，削弱了对交通状态时变特性的响应能力。

发明内容

发明目的

本发明的目的在于，基于历史交通流基础数据，采用两步聚类算法对不同类型道路的交通流基础数据进行分析，形成与相应路段交通运行特点相适应的最优交通状态分类；综合考虑交通流运行参数(流量、速度、占有率)之间的关系，将交通流基础数据作为整体进行聚类分析；采用时间窗口的储存结构，动态更新数据，获取当前时间间隔的交通流基础数据；基于数据驱动的模式，更新两步聚类算法参数和聚类中心，重新确定交通状态的最优分类，并判别当前时间间隔的实时交通状态。

技术方案

本发明的目的是通过如下步骤实现的：

一种基于时间窗口的实时交通状态判别方法，其特征是包括如下步骤：

1)数据预处理：

1-1)以固定长度的时间窗口储存原始数据采集时间间隔的分车道交通流基础数据，将时间窗口内的数据通过时间和空间汇集得到时间间隔T的单个车辆行驶方向断面交通流基础数据，并对其属性变量进行无量纲化处理；

2)通过两步聚类算法进行交通状态聚类初始化：

2-1)采用凝聚聚类算法，首先将每一条交通流基础数据都看成一类，计算不同类别聚类中心间的欧式距离矩阵，将距离最近的两类合并成为一类，并计算该类的聚类中心；重复上述过程，直到所有的交通流基础数据都汇集成为一个类别，则聚类终止；

2-2)按聚类数J从小到大依次计算各个聚类方案(J＝1，2，…J_max)(聚类方案：N条交通流基础组成的数据集通过聚类过程可形成N个聚类方案，每个聚类方案的聚类数不同，最大聚类数为N，最小为1，每个类都有一个聚类中心，因此各聚类方案包含了多个聚类中心)的贝叶斯信息准则值，即BIC(J)，初选最优聚类数等于首次满足BIC(J-1)＞BIC(J)且BIC(J)＜BIC(J+1)条件的J值，即若BIC(1)＜BIC(2)，则

直接定义最优的聚类数目

转入步骤2-4)；

2-3)计算各个聚类方案的数据离散程度变化指标R(J)，选取其中两个最大值R(J₁)及R(J₂)，定义R(J₁)＞R(J₂)，若R(J₁)/R(J₂)＞1.15，则最优的聚类数目C^*＝J₁，若R(J₁)/R(J₂)≤1.15，则C^*＝max(J₁，J₂)；

2-4)标定聚类数目为C^*的聚类方案为最优聚类方案；

3)更新时间窗口并获取当前时间间隔T的交通流基础数据：

3-1)实时获取原始数据采集时间间隔的分车道交通流基础数据，更新时间窗口，新增该数据，剔除与该数据时间间隔最远的数据；

3-2)通过时间和空间汇集获取当前时间间隔T的单个车辆行驶方向断面交通流基础数据，并对该数据属性变量进行无量纲化处理，若实时数据更新时间点为整五或整十时刻，则转入步骤4-1)，否则转入步骤4-3)；

4)两步聚类算法参数和聚类中心更新及当前时间间隔T的实时交通状态判别：

4-1)分别计算当前时间间隔T的单个车辆行驶方向断面交通流基础数据与已有聚类方案(J＝1，2，…J_max)各类别聚类中心的欧式距离，以欧式距离最短原则，将当前时间间隔T的数据归入相应类别中，剔除相应聚类方案数据集中距离该数据时间间隔最远的交通流基础数据；在此基础上，计算更新各聚类方案(J＝1，2，…J_max)不同类别的聚类中心和两步聚类算法中的参数；

4-2)根据更新的两步聚类算法参数重新计算BIC(J)值(J＝1，2，…C^*，C^*+1)和R(J)值(J＝2，…C^*，C^*+1)，确定最优聚类方案，更新最优聚类数目C^*，其中当前时间间隔T的数据所属类别即对应当前时间间隔T的实时交通状态；此处，最优聚类方案和聚类数目C^*的确定方法与步骤2-2)、步骤2-3)和步骤2-4)所述方法相同；

4-3)计算当前时间间隔T的单个车辆行驶方向断面交通流基础数据与已有最优聚类方案(J＝C^*)各类别聚类中心的欧式距离，最短距离对应的类别即为当前时间间隔T的实时交通状态。

所述时间间隔T是5分钟，采用该时间间隔有助于消除交通流基础数据的噪声，且实时性和实用性效果最佳。

步骤1-1)中：

固定长度的时间窗口的长度为24小时；

原始数据采集时间间隔即为固定式车辆检测器数据采集时间间隔；

交通流基础数据包括交通流量、车辆平均行驶速度、平均时间占有率三个属性变量数据；

时间汇集指的是将原始数据采集时间间隔的分车道交通流基础数据汇集成较长时间间隔的分车道交通流基础数据；

空间汇集指的是将分车道交通流基础数据汇集成单个车辆行驶方向断面的交通流基础数据；

无量纲化处理采用最大值法。

步骤2-1)中：

不同类别聚类中心间的欧式距离和各类别聚类中心的计算公式如下：

$d_E(i,j)={\left(\underset{a=1}{\overset{A}{\mathrm{\Σ}}}{[c_a\left(i\right)-c_a\left(j\right)]}^2\right)}^{1/2}$

$c_a\left(j\right)=\frac{1}{n_j}\underset{m=1}{\overset{n_j}{\mathrm{\Σ}}}{x}_{a,m}\left(j\right)$

式中，A——表示交通流基础数据的属性变量个数，c_a(j)——表示第j类中交通流基础数据的第a个属性变量的聚类中心值，n_j——表示第j类包含的交通流基础数据数，x_a，m(j)——表示第j类中第m条交通流基础数据的第a个属性变量值。

步骤2-2)中：

贝叶斯信息准则值BIC(J)的计算公式如下：

$\mathrm{BIC}\left(J\right)=-2\underset{j=1}{\overset{J}{\mathrm{\Σ}}}\mathrm{\ξ}\left(j\right)+2\mathrm{JA}\log \left(N\right)$

$\mathrm{\ξ}\left(j\right)=-n_j\left[\underset{a=1}{\overset{A}{\mathrm{\Σ}}}\frac{1}{2}\log ({\widehat{\mathrm{\σ}}}_a^2+{\widehat{\mathrm{\σ}}}_{\mathrm{ja}}^2)\right]$

式中，J——表示聚类数，A——表示交通流基础数据的属性变量个数，N——表示聚类方案中包含的交通流基础数据总数，ξ(j)——表示类别j属性变量的估计方差，n_j——表示第j类包含的交通流基础数据数，

——表示聚类方案中所有交通流基础数据的第a个属性变量的估计方差，

——表示第j类中交通流基础数据的第a个属性变量的估计方差。

J_max等于8，过多的交通状态分类数容易使人混淆，不易区分，在此定义交通状态的最大聚类数为8。

步骤2-3)中；

数据离散程度变化指标R(J)的计算公式如下：

R(J)＝s_J-1/s_J

s_J＝l_J-1-l_J

$l_J=\underset{j=1}{\overset{J}{\mathrm{\Σ}}}\mathrm{\ξ}\left(j\right)$

式中，l_J和s_J——表示中间变量，ξ(j)——表示类别j属性变量的估计方差。

步骤4-1)中：

聚类中心的更新方法如下：

a)假设原有类别中有n_i条交通流基础数据，当类别中增加一条数据时，变化后聚类中心的计算公式如下：

$\stackrel{\→}{k}\←\frac{n_i}{n_i+1}\stackrel{\→}{k}+\frac{1}{n_i+1}\stackrel{\→}{b}$

b)假设原有类别中有交通流基础数据n_i条，当类别中减少一条数据

时，变化后聚类中心

的计算公式如下：

$\stackrel{\→}{k}\←\frac{n_i}{n_i-1}\stackrel{\→}{k}-\frac{1}{n_i-1}{\stackrel{\→}{a}}_1;$

两步聚类法中需要更新的参数包括各类别的交通流基础数据数和属性变量估计的方差。其中各类别属性变量估计方差的更新，需要重新计算

和变量，其计算方法如下：

a)假设原有n个数据分别为a₁，a₂，…，a_n，方差为

均值为μ₀，现增加一个数据b后方差σ²变为：

${\mathrm{\σ}}^2={\mathrm{\σ}}_0^2+{(b-{\mathrm{\μ}}_0)}^2\frac{n}{n+1}$

b)假设原有n个数据分别为a₁，a₂，…，a_n，方差为

均值为μ₀，现剔除一个数据a₁后方差σ²变为：

${\mathrm{\σ}}^2={\mathrm{\σ}}_0^2-{(a_1-{\mathrm{\μ}}_0)}^2\frac{n}{n+1}.$

技术效果：

本发明提供了一种基于时间窗口的实时交通状态判别方法，该方法基于历史和实时交通流数据，综合考虑交通流基础数据属性变量间的关系，根据不同类型道路交通流运行特点对交通状态进行合理分类，并能进行动态调整，准确判别道路交通流在行人、非机动车、天气等干扰因素影响下的交通流状态，弥补了传统交通状态判别算法仅利用单类数据、交通状态分类固定、无法进行实时调整、误判率高的局限性，保证了交通状态判别的合理性和准确性；于此同时，采用时间窗口的储存结构以及对计算过程的简化处理，强化了方法的实时性和适用性。基于本发明方法构建的交通状况综合监测系统和交通信息实时发布和诱导系统，将有效减少系统人工干预程度，提高自动化和智能化水平。

本方法弥补了传统交通状态判别算法的局限性，具有很强的实时性和较高的准确性等特点，是构建交通状况综合检测系统和交通信息实施发布和诱导系统的关键技术之一，对于推进城市智能运输系统建设、提高道路交通信息化水平、改善道路运营管理水平有着积极的意义。

附图说明

图1是一种基于时间窗口的交通状态实时判别方法流程图；

图2(a)～图3(d)是聚类中心变化图，其中，

图2(a)是类别1聚类中心变化图，

图2(b)是类别2聚类中心变化图，

图2(c)是类别3聚类中心变化图，

图2(d)是三种类别聚类中心变化图；

图3(a)～图3(d)是时间窗口移动后分类变化图，其中，

图3(a)是时间窗口移动前流量-速度图，

图3(b)是时间窗口移动后流量-速度图，

图3(c)是时间窗口移动前流量-占有率图，

图3(d)是时间窗口移动后流量-占有率图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明。

本实施例采用“昆山市中心城区城市道路交通状况实时监测及信息发布系统”微波车辆检测器所采集的分车道交通流基础数据进行一种基于时间窗口的实时交通状态判别方法的实例验证，交通流基础数据包括交通流量、车辆平均行驶速度、平均时间占有率三个属性变量数据，除此之外微波车辆检测器采集的数据中还包括数据采集时间戳、检测器编号等信息，原始数据采集时间间隔为1分钟。

如图所示为数据处理流程图，具体实施步骤如下：

步骤1.数据预处理，具体实施步骤如下：

1-1)以固定长度为24小时的时间窗口储存原始数据采集时间间隔的分车道交通流基础数据，将时间窗口内的数据通过时间和空间汇集得到五分钟时间间隔的单个车辆行驶方向断面交通流基础数据，并对其属性变量进行无量纲化处理。

其中时间汇集是将原始数据采集时间间隔的分车道交通流基础数据汇集成较长时间间隔的分车道交通流基础数据，其计算公式为：

$q=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{q}_i\×\frac{N}{n}$

$v=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(q_i\×v_i)}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{q}_i}$

$o=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{o}_i}{n}$

式中，q——表示较长时间间隔内车道交通流量(辆/小时)，q_i——表示较长时间间隔内第i个原始数据采集时间间隔的有效交通流量(辆/小时)，n——表示较长时间间隔内原始数据采集时间间隔的有效数据记录数，N——表示较长时间间隔内期望的原始数据采集时间间隔数据记录数，v——表示较长时间间隔内车道车辆行驶平均速度(千米/小时)，v_i——表示较长时间间隔内第i个原始数据采集时间间隔的有效车辆行驶平均速度(千米/小时)，o——表示较长时间间隔内车道平均时间占有率(％)，o_i——表示较长时间间隔内第i个原始数据采集时间间隔的有效时间占有率(％)；

空间汇集指的是将分车道交通流基础数据汇集成单个车辆行驶方向断面的交通流基础数据，其计算公式为：

$q=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{q}_i\×\frac{N}{n}$

$v=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(q_i\×v_i)}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{q}_i}$

$o=\frac{q\×\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left(\frac{o_i\×v_i/q_i}{n}\right)}{v}$

式中，q——表示单个车辆行驶方向断面交通流量(辆/小时)，q_i——表示第i个车道的有效交通流量(辆/小时)，n——表示车道有效数据记录数，N——表示单个车辆行驶方向断面总的车道数，v——表示单个车辆行驶方向断面车辆行驶平均速度(千米/小时)，v_i——表示第i个车道的有效车辆行驶平均速度(千米/小时)，o——表示单个车辆行驶方向断面平均时间占有率(％)，o_i——表示第i个车道的有效时间占有率(％)；

上述过程中的有效数据指的是完整的符合交通流运行规律的交通流基础数据数据；

无量纲化处理采用最大值法，其计算公式为：

$x_i^{\′}=\frac{x_i}{X_{\max }}$

式中，x_i——表示属性变量值的有量纲值；X_max——表示属性变量的最大值；x′₁——表示属性变量的无量纲值。

本实施例基于一个月的历史交通流数据，标定属性变量最大值X_max。

步骤2.通过两步聚类算法进行交通状态聚类初始化，具体实施步骤如下：

2-1)采用凝聚聚类算法进行数据处理，构建二叉树结构，将每一条交通流基础数据都看成一类，作为二叉树结构最底层的结点，计算不同类别聚类中心间的欧式距离矩阵，将距离最近的两类合并成为一类，并计算该类的聚类中心，不同类别聚类中心间的欧式距离和聚类中心计算公式如下：

$d_E(i,j)={\left(\underset{a=1}{\overset{A}{\mathrm{\Σ}}}{[c_a\left(i\right)-c_a\left(j\right)]}^2\right)}^{1/2}$

$c_a\left(j\right)=\frac{1}{n_j}\underset{m=1}{\overset{n_j}{\mathrm{\Σ}}}{x}_{a,m}\left(j\right)$

式中，A——表示交通流基础数据的属性变量个数，c_a(j)——表示第j类中交通流基础数据的第a个属性变量的聚类中心值，n_j——表示第j类包含的交通流基础数据数，x_a，m(j)——表示第j类中第m条交通流基础数据的第a个属性变量值。

重复上述过程，直到所有的交通流基础数据都汇集成为一个类别，则聚类终止，储存聚类数为1至8类的聚类方案，包括各类别的数据集和聚类中心。

2-2)按聚类数J从小到大依次计算各个聚类方案(J＝1，2，…8)的贝叶斯信息准则值，即BIC(J)，初选最优聚类数

等于首次满足BIC(J-1)＞BIC(J)且BIC(J)＜BIC(J+1)条件的J值，即

若BIC(1)＜BIC(2)，则

直接定义最优的聚类数目

转入步骤2-4)。贝叶斯信息准则是模型比较中的一个似然准则，理论上该值越小则模型与数据集越匹配，其计算公式为：

$\mathrm{BIC}\left(J\right)=-2\underset{j=1}{\overset{J}{\mathrm{\Σ}}}\mathrm{\ξ}\left(j\right)+2\mathrm{JA}\log \left(N\right)$

$\mathrm{\ξ}\left(j\right)=-n_j\left[\underset{a=1}{\overset{A}{\mathrm{\Σ}}}\frac{1}{2}\log ({\widehat{\mathrm{\σ}}}_a^2+{\widehat{\mathrm{\σ}}}_{\mathrm{ja}}^2)\right]$

式中，J——表示聚类数，A——表示交通流基础数据的属性变量个数，N——表示聚类方案中包含的交通流基础数据总数，ξ(j)——表示类别j属性变量的估计方差，n_j——表示第j类包含的交通流基础数据数，

——表示聚类方案中所有交通流基础数据的第a个属性变量的估计方差，

——表示第j类中交通流基础数据的第a个属性变量的估计方差。

2-3)在初选最优聚类数的计算结果基础上，进入两步聚类算法的第二步，即最优聚类数的确定。计算不同聚类方案的数据离散程度变化指标R(J)，选取其中两个最大值R(J₁)及R(J₂)，定义R(J₁)＞R(J₂)，若R(J₁)/R(J₂)＞1.15，最优聚类数目C^*＝J₁，否则C^*＝max(J₁，J₂)。其中R(J)的计算公式如下：

R(J)＝s_J-1/s_J

s_J＝l_J-1-l_J

$l_J=\underset{j=1}{\overset{J}{\mathrm{\Σ}}}\mathrm{\ξ}\left(j\right)$

式中，l_J和s_J——表示中间变量，ξ(j)——表示类别j属性变量的估计方差。

2-4)标定聚类数目为C^*的聚类方案为最优聚类方案。

步骤3.更新时间窗口并获取当前五分钟单个车辆行驶方向断面交通流基础数据，具体实施步骤如下：

3-1)首次数据更新应选取时间戳标记为整五或者整十后一时刻的数据，之后每隔一分钟获取一次实时分车道交通流基础数据，更新时间窗口，新增该数据，剔除与该数据时间间隔最远的数据。

3-2)将实时更新的数据与距其四个原始采集时间间隔的历史数据通过时间和空间汇集得到五分钟时间间隔的单个车辆行驶断面交通流基础数据，并采用最大值法对其属性变量进行无量纲化处理，若实时数据更新时间点为整五或整十时刻，则转入步骤4-1，否则转入步骤4-3。

步骤4.两步聚类算法参数和聚类中心更新及当前五分钟实时交通状况判别，具体实施步骤如下：

4-1)分别计算当前五分钟单个车辆行驶方向断面交通流基础数据与已有聚类方案(J＝1，2，…8)各类别聚类中心的欧式距离，以欧式距离最短原则，将当前五分钟数据归入相应类别中，剔除相应聚类方案数据集中距离该数据时间间隔最远的交通流基础数据；在此基础上，计算更新各聚类方案不同类别的聚类中心和两步聚类算法中的参数。实时数据更新的本质即在数据集中加入一条或者剔除一条数据，由此会引起聚类中心的移动和两步聚类算法中参数的变化。

针对增加或减少一条数据后的聚类中心的移动，具体的计算方法如下：

a)假设原有类别中有n_i条交通流基础数据，当类别中增加一条数据

时，变化后聚类中心的计算公式如下：

$\stackrel{\→}{k}\←\frac{n_i}{n_i+1}\stackrel{\→}{k}+\frac{1}{n_i+1}\stackrel{\→}{b}$

b)假设原有类别中有交通流基础数据n_i条，当类别中减少一条数据

时，变化后聚类中心

的计算公式如下：

$\stackrel{\→}{k}\←\frac{n_i}{n_i-1}\stackrel{\→}{k}-\frac{1}{n_i-1}{\stackrel{\→}{a}}_1.$

两步聚类法中需要更新的参数包括各类别的交通流基础数据数和属性变量的估计方差，前者更新较为简单，后者更新需要重新计算

和变量，其计算方法如下：

a)假设原有n个数据分别为a₁，a₂，…，a_n，方差为

均值为μ₀，现增加一个数据b后方差σ²变为：

${\mathrm{\σ}}^2={\mathrm{\σ}}_0^2+{(b-{\mathrm{\μ}}_0)}^2\frac{n}{n+1}$

b)假设原有n个数据分别为a₁，a₂，…，a_n，方差为

均值为μ₀，现踢除一个数据a₁后方差σ²变为：

${\mathrm{\σ}}^2={\mathrm{\σ}}_0^2-{(a_1-{\mathrm{\μ}}_0)}^2\frac{n}{n+1}.$

4-2)根据更新的参数重新计算BIC(J)值(J＝1，2，…C^*，C^*+1)和R(J)值(J＝2，…C^*，C^*+1)，确定最优聚类方案，更新最优聚类数目C^*，其中当前五分钟数据所属类别即对应当前五分钟的实时交通状态，此处，最优聚类方案和聚类数目C^*的确定方法与步骤2-2)、步骤2-3)和步骤2-4)所述方法相同；

4-3)计算当前五分钟单个车辆行驶方向断面交通流基础数据与已有最优聚类方案各聚类中心的欧式距离，最短距离对应的类别即为当前五分钟实时交通状态。

基于实际采集数据，下述内容将从聚类初始化结果，实时更新的计算结果，数据更新24小时中聚类中心的移动情况，时间窗口前进24小时后交通流基础数据分类情况四方面进一步说明和验证一种基于时间窗口的实时交通状态判别方法的性能和实际效果。

聚类初始化结果：

最大交通状态聚类数目定义为8类，分别计算其对应BIC值及R(J)值，得到结果如表1所示：

表1BIC值及R(J)值表

上表中8个不同聚类数目对应的BIC值中，聚类数目为3时BIC值第一次达到最低点，初步选取最优聚类数据为3类。在此基础上计算相应的R(J)值，聚类数据为2类和3类时R(J)值最大，因此R(J₁)/R(J₂)＝1.02，小于1.15的临界值，因此最终最优聚类数目为C^*＝max(J₁，J₂)＝3。其中各聚类中心变量取值如表2所示：

表2各类别聚类中心值表

上表中类别1代表了交通流较为畅通的状态，其车辆平均行驶速度值较高，而交通流率、平均时间占有率值较低，在该类别中数据点共有113个，占总数据点的39.2％；类别2代表了缓慢行驶的状态，车辆平均行驶速度值有所降低，交通流率和平均时间占有率值升高，该类别数据点共有151个，占总数的52.4％；类别3则代表了拥堵状态，交通流率和平均时间占有率值较高而车辆平均行驶速度值较低，该类别数据点共有24个，占总数的8.3％。

实时更新的计算结果：

聚类初始化完成后，获取原始采集时间间隔为1分钟的实时分车道交通流基础数据，时间窗口前移1分钟，并通过时间和空间汇集，得到实时5分钟的单个车辆行驶断面交通流基础数据为(27，39，0.0413)，经过无量纲处理，计算与已有最优聚类方案各类别聚类中心的欧式距离，结果如表3所示：

表3实时数据与已有最优聚类方案各类别聚类中心的欧式距离表

通过上表可以看出，时间窗口更新后实时数据与类别1的聚类中心欧式距离最短，因此实时交通运行状态可以划分为类别1，为畅通状态。

重复上述步骤直至数据时间戳显示为整五或整十时刻，此时实时交通流基础数据为(22，41，0.0258)，经过无量纲处理后，计算其与已有聚类方案各类别的欧式距离，更新相应的数据集，并进一步计算更新BIC值及R(J)，结果如表4所示：

表4时间窗口移动5分钟后BIC值及R(J)值

由BIC值可以看出，仍然是聚类数目为3时，BIC值达到最小，对应的R(J₁)/R(J₂)＝1.01，C^*＝max(J₁，J₂)＝3，因此在时间窗口向前移动后，最优聚类数目仍然为3。根据欧式距离最短原则，实时交通状态属于分类1，即畅通状态。更新后的聚类中心如表5所示：

表5时间窗口移动后聚类中心表

数据更新24小时中聚类中心的移动情况：

在初始化后24小时内，聚类中心的变化折线图如图2(a)～(d)所示，图中显示聚类中心随着时间的变化在不停变动，但是变动的幅度都不是很大，因为对于一天的交通流基础数据而言，其数据量已经能够反应交通状况的周期变化，时间窗口移动产生的聚类中心变动较为有限。从图中可以看出，类别3(拥堵状态)的变化相对其余两个类别较大，这是因为拥堵状况的交通流数据样本量较少，同样一条数据的新增或者踢除对其中心的影响较大。其余两个类别的样本量较大，因此时间窗口的移动对其影响相对较小。

时间窗口前进24小时后交通流基础数据分类情况：

时间窗口前移24小时后，交通流基础数据的分类情况如图3(a)～(d)所示，从图中可以看出，时间窗口前移后交通流基础数据特征与聚类初始化后的特征较为相似，说明该路段连续两天的交通流特征较为相似，聚类中心会产生一些变化，但是变化不大。其中聚类数目没有产生变化，说明在聚类初始化时，该时间窗口内交通流数据包含了能够代表各个交通流状态的数据，随着时间的往前推移，时间窗口内始终存在代表各类交通运行状态的数据。

Claims (9)

1.一种基于时间窗口的实时交通状态判别方法，其特征是包括如下步骤：

1)数据预处理：

1-1)以固定长度的时间窗口储存原始数据采集时间间隔的分车道交通流基础数据，将时间窗口内的数据通过时间和空间汇集得到时间间隔T的单个车辆行驶方向断面交通流基础数据，并对其属性变量进行无量纲化处理；

2)通过两步聚类算法进行交通状态聚类初始化：

2-1)采用凝聚聚类算法，首先将每一条交通流基础数据都看成一类，计算不同类别聚类中心间的欧式距离矩阵，将距离最近的两类合并成为一类，并计算该类的聚类中心；重复上述过程，直到所有的交通流基础数据都汇集成为一个类别，则聚类终止；

2-2)按聚类数J从小到大依次计算各个聚类方案(J＝1，2，…J_max)的贝叶斯信息准则值，即BIC(J)，初选最优聚类数

等于首次满足BIC(J-1)＞BIC(J)且BIC(J)＜BIC(J+1)条件的J值，即

若BIC(1)＜BIC(2)，则

直接定义最优的聚类数目

转入步骤2-4)；

2-3)计算各个聚类方案

的数据离散程度变化指标R(J)，选取其中两个最大值R(J₁)及R(J₂)，定义R(J₁)＞R(J₂)，若R(J₁)/R(J₂)＞1.15，则最优的聚类数目C^*＝J₁，若R(J₁)/R(J₂)≤1.15，则C^*＝max(J₁，J₂)；

2-4)标定聚类数目为C^*的聚类方案为最优聚类方案；

3)更新时间窗口并获取当前时间间隔T的交通流基础数据：

3-1)实时获取原始数据采集时间间隔的分车道交通流基础数据，更新时间窗口，新增该数据，剔除与该数据时间间隔最远的数据；

3-2)通过时间和空间汇集获取当前时间间隔T的单个车辆行驶方向断面交通流基础数据，并对该数据属性变量进行无量纲化处理，若实时数据更新时间点为整五或整十时刻，则转入步骤4-1)，否则转入步骤4-3)；

4)两步聚类算法参数和聚类中心更新及当前时间间隔T的实时交通状态判别：

4-1)分别计算当前时间间隔T的单个车辆行驶方向断面交通流基础数据与已有聚类方案(J＝1，2，…J_max)各类别聚类中心的欧式距离，以欧式距离最短原则，将当前时间间隔T的数据归入相应类别中，剔除相应聚类方案数据集中距离该数据时间间隔最远的交通流基础数据；在此基础上，计算更新各聚类方案(J＝1，2，…J_max)不同类别的聚类中心和两步聚类算法中的参数；

4-2)根据更新的两步聚类算法参数重新计算BIC(J)值(J＝1，2，…C^*，C^*+1)和R(J)值(J＝2，…C^*，C^*+1)，确定最优聚类方案，更新最优聚类数目C^*，其中当前时间间隔T的数据所属类别即对应当前时间间隔T的实时交通状态；此处，最优聚类方案和聚类数目C^*的确定方法与步骤2-2)、步骤2-3)和步骤2-4)所述方法相同；

4-3)计算当前时间间隔T的单个车辆行驶方向断面交通流基础数据与已有最优聚类方案(J＝C^*)各类别聚类中心的欧式距离，最短距离对应的类别即为当前时间间隔T的实时交通状态。

2.根据权利要求1所述的一种基于时间窗口的实时交通状态判别方法，其特征为所述时间间隔T是5分钟，采用该时间间隔有助于消除交通流基础数据的噪声，且实时性和实用性效果最佳。

3.根据权利要求1所述的一种基于时间窗口的实时交通状态判别方法，其特征为步骤1-1)中：

固定长度的时间窗口的长度为24小时；

原始数据采集时间间隔即为固定式车辆检测器数据采集时间间隔；

交通流基础数据包括交通流量、车辆平均行驶速度、平均时间占有率三个属性变量数据；

时间汇集指的是将原始数据采集时间间隔的分车道交通流基础数据汇集成较长时间间隔的分车道交通流基础数据；

空间汇集指的是将分车道交通流基础数据汇集成单个车辆行驶方向断面的交通流基础数据；

无量纲化处理采用最大值法。

4.根据权利要求1所述的一种基于时间窗口的实时交通状态判别方法，其特征为步骤2-1)中：

不同类别聚类中心间的欧式距离和各类别聚类中心的计算公式如下：

$d_E(i,j)={\left(\underset{a=1}{\overset{A}{\mathrm{\Σ}}}{[c_a\left(i\right)-c_a\left(j\right)]}^2\right)}^{1/2}$

$c_a\left(j\right)=\frac{1}{n_j}\underset{m=1}{\overset{n_j}{\mathrm{\Σ}}}{x}_{a,m}\left(j\right)$

式中，A——表示交通流基础数据的属性变量个数，c_a(j)——表示第j类中交通流基础数据的第a个属性变量的聚类中心值，n_j——表示第j类包含的交通流基础数据数，x_a，m(j)——表示第j类中第m条交通流基础数据的第a个属性变量值。

5.根据权利要求1所述的一种基于时间窗口的实时交通状态判别方法，其特征为步骤2-2)中：

贝叶斯信息准则值BIC(J)的计算公式如下：

$\mathrm{BIC}\left(J\right)=-2\underset{j=1}{\overset{J}{\mathrm{\Σ}}}\mathrm{\ξ}\left(j\right)+2\mathrm{JA}\log \left(N\right)$

$\mathrm{\ξ}\left(j\right)=-n_j\left[\underset{a=1}{\overset{A}{\mathrm{\Σ}}}\frac{1}{2}\log ({\widehat{\mathrm{\σ}}}_a^2+{\widehat{\mathrm{\σ}}}_{\mathrm{ja}}^2)\right]$

式中，J——表示聚类数，A——表示交通流基础数据的属性变量个数，N——表示聚类方案中包含的交通流基础数据总数，ξ(j)——表示类别j属性变量的估计方差，n_j——表示第j类包含的交通流基础数据数，——表示聚类方案中所有交通流基础数据的第a个属性变量的估计方差，——表示第j类中交通流基础数据的第a个属性变量的估计方差。

6.根据权利要求1所述的一种基于时间窗口的实时交通状态判别方法，其特征为J_max等于8，过多的交通状态分类数容易使人混淆，不易区分，在此定义交通状态的最大聚类数为8。

7.根据权利要求1所述的一种基于时间窗口的实时交通状态判别方法，其特征为步骤2-3)中；

数据离散程度变化指标R(J)的计算公式如下：

R(J)＝s_J-1/s_J

s_J＝l_J-1-l_J

$l_J=\underset{j=1}{\overset{J}{\mathrm{\Σ}}}\mathrm{\ξ}\left(j\right)$

式中，l_J和s_J——表示中间变量，ξ(j)——表示类别j属性变量的估计方差。

8.根据权利要求1所述的一种基于时间窗口的实时交通状态判别方法，其特征为步骤4-1)中：

聚类中心的更新方法如下：

a)假设原有类别中有n_i条交通流基础数据，当类别中增加一条数据

时，变化后聚类中心

的计算公式如下：

$\stackrel{\→}{k}\←\frac{n_i}{n_i+1}\stackrel{\→}{k}+\frac{1}{n_i+1}\stackrel{\→}{b}$

b)假设原有类别中有交通流基础数据n_i条，当类别中减少一条数据

时，变化后聚类中心

的计算公式如下：

$\stackrel{\→}{k}\←\frac{n_i}{n_i-1}\stackrel{\→}{k}-\frac{1}{n_i-1}{\stackrel{\→}{a}}_1$

两步聚类法中需要更新的参数包括各类别的交通流基础数据数和属性变量估计的方差。

9.根据权利要求8所述的一种基于时间窗口的实时交通状态判别方法，其特征为所述更新各类别的属性变量估计方差，需要重新计算

和变量，其计算方法如下：

a)假设原有n个数据分别为a₁，a₂，…，a_n，方差为

均值为μ₀，现增加一个数据b后方差σ²变为

${\mathrm{\σ}}^2={\mathrm{\σ}}_0^2+{(b-{\mathrm{\μ}}_0)}^2\frac{n}{n+1}$

b)假设原有n个数据分别为a₁，a₂，…，a_n，方差为

均值为μ₀，现剔除一个数据a₁后方差σ²变为：

${\mathrm{\σ}}^2={\mathrm{\σ}}_0^2-{(a_1-{\mathrm{\μ}}_0)}^2\frac{n}{n+1}.$

Images