CN103617726B - 粗粒度交通状态转换为细粒度速度的方法 - Google Patents

Abstract

本发明公开了一种粗粒度交通状态转换为细粒度速度的方法，属于智能交通领域，包括：获取历史速度数据，根据交通状态划分方式将细粒度速度转换为粗粒度的交通状态；将所述历史速度数据按照交通状态分为三批，提取每批速度数据中的交通状态特征参数；将所述速度和交通状态特征参数转换为分类变量；将每种条件下概率最大的速度分类变量还原为速度区间，所有条件下的速度转换区间组成完整的转换表；通过查询粗粒度交通状态转换为细粒度速度转换表，得到相应的速度区间，取速度区间的均值作为粗粒度交通状态对应的细粒度速度值。本发明提出粗粒度交通状态转换为细粒度速度的方法，有效解决了细粒度速度转换为交通状态后的不可逆问题。

Description

粗粒度交通状态转换为细粒度速度的方法

技术领域

本发明涉及智能交通领域，特别涉及一种粗粒度交通状态转换为细粒度速度的方法。

背景技术

目前，交通信息的表达分为两种粒度：一种是基于路段平均车速对交通状态进行粗粒度分级(主要分拥堵、缓行和畅通三级)，另一种是细粒度的路段平均车速。粗粒度的交通状态从人的整体感受反映交通，是一种定性描述。如畅通表示行驶过程中速度能比较放得开，速度基本不受前车制约；缓行表示走走停停，走比停的多，可连续行驶，但是速度受前车影响较大；拥堵表示走走停停，停的比走的多。粗粒度的交通信息只能用于路况展示，无法用来计算行程时间、规划行驶路径。而细粒度级别的速度能够更加细致的描述交通，能具体用数值表示交通畅通、缓行、拥堵的详细程度，在路径规划时可用来计算行程时间，定量给出决策依据。

两种粒度的交通信息之间的相互转化关系是一个值得研究的科学问题。目前，大多数人的研究工作都体现在如何将细粒度的交通信息进行分级，转化为粗粒度的交通信息，如采用速度-拥挤度模型确定不同道路等级在不同拐点的临界速度阈值，基于模糊聚类分析的交通状态识别方法。但是当只能获得粗粒度的交通状态描述时，如何利用交通流自身变化的规律(通过历史交通流变化规律的挖掘)，来拟合出细粒度的速度信息，是一个值得研究、具有广泛应用前景的问题。

交通流的变化趋势与时间(如拥堵开始阶段、传播阶段和消散阶段)和空间(如拥堵位置、拥堵上游和拥堵下游)关系密切，这些影响因素均为离散的分类变量。Logistic回归分析为概率型非线性回归模型，是研究分类观察结果与影响因素之间关系的多变量分析方法，目前已经成功应用在很多领域，如社会学、经济学、医学等领域。Logistic回归分析在交通领域也有一定的应用，如交通信息对驾驶员出行方式选择、路径选择行为的影响分析等。

目前的现有技术中不存在将粗粒度交通状态转化为细粒度速度的方法。

发明内容

有鉴于此，本发明的目的在于提供一种粗粒度交通状态转换为细粒度速度的方法，所要解决的技术问题是在获取粗粒度交通状态(畅通、缓慢、拥堵)情况下，将粗粒度交通状态转换为细粒度速度。

本发明提供了一种粗粒度交通状态转换为细粒度速度的方法，包括：

获取历史速度数据，根据交通状态划分方式将细粒度速度转换为粗粒度的交通状态；

将所述历史速度数据按照交通状态分为三批，提取每批速度数据中的交通状态特征参数，包括交通状态连续影响范围和位置；

将所述历史速度数据和交通状态特征参数转换为分类变量，其中速度被分为多个区间；

生成速度在不同条件下的速度分类变量的概率，将每种条件下概率最大的速度分类变量还原为速度区间，作为交通状态的速度转换区间，所有条件下的速度转换区间组成完整的转换表；

当获取路段的粗粒度交通状态、同一种交通状态的连续影响范围、路段在同一种交通状态连续影响范围中的位置，通过查询粗粒度交通状态转换为细粒度速度转换表，得到相应的速度区间，取速度区间的均值作为粗粒度交通状态对应的细粒度速度值。

本发明基于统计学的Mutinomial Logistic回归分析，提出粗粒度交通状态转换为细粒度速度的方法，有效解决了细粒度速度转换为交通状态后的不可逆问题。

附图说明

图1为本发明实施例提供的粗粒度交通状态转换为细粒度速度的原理图；

图2为本实施例提供的粗粒度交通状态转换为细粒度速度的方法流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步的详细描述。

本发明实施例给出一种基于Logistic回归的粗粒度交通状态转换为细粒度速度的方法。

粗粒度交通状态转换为细粒度速度的原理如图1所示。

图2为本实施例提供的粗粒度交通状态转换为细粒度速度的方法流程图，包括以下步骤：

步骤201、获取大量历史速度数据，根据交通状态划分方式将细粒度速度转换为粗粒度的交通状态(畅通、缓慢、拥堵)。

准备批量历史数据，根据交通状态划分方式表将细粒度速度转换为粗粒度的交通状态，用S表示交通状态，S＝1表示拥堵，S＝2表示缓行，S＝3表示畅通。下表为一种交通状态划分方式：

表1

步骤202、将历史数据按照交通状态分为三批，提取每批数据中反映交通状态特征的参数(交通状态连续影响范围、位置)。

步骤203、将速度和交通状态特征参数转换为分类变量，其中速度被分为多个区间。

速度是连续变量，用v表示，将速度转换为分类变量，则不同道路管理等级条件下的速度分类变量V_NR的转换方法为：

$V_{\mathrm{NR}}=\left\{\begin{array}{c}1,0\&le;v<{\mathrm{\&theta;}}_1\\ 2,{\mathrm{\&theta;}}_1\&le;v<{\mathrm{\&theta;}}_2\\ \&CenterDot;\&CenterDot;\&CenterDot;\\ {\mathrm{\&lambda;}}_k,{\mathrm{\&theta;}}_{k-1}\&le;v<{\mathrm{\&theta;}}_k\\ \&CenterDot;\&CenterDot;\&CenterDot;\\ {\mathrm{\&lambda;}}_{\mathrm{NR}},{\mathrm{\&theta;}}_{N_{\mathrm{NR}}-1}\&le;v<{\mathrm{\&theta;}}_{N_{\mathrm{NR}}}\end{array}\right.$

式中，θ₁,θ₂,θ₃,…为速度分类阈值，λ为整数值，N_NR表示道路等级为NR时速度的分类个数，λ_k表示第k个速度分类变量，λ_NR表示道路等级为NR的第N_NR个速度分类变量。下表为一种速度从连续变量转换为分类变量的结果：

表2

根据路网拓扑结构，将交通状态数据按照路段上下游关系关联，将交通状态一致且具备上下游关系的路段归为一组，用ω表示路段在该组的位置，则ω＝1表示开始端，ω＝2表示中间位置，ω＝3表示末尾端。

设l_m,i表示第m组第i条路段的长度，l_m,sum表示第m组所有路段的长度之和，则l_m,sum的计算公式为：

$l_{m,\mathrm{sum}}=\underset{i=1}{\overset{N_{m,\mathrm{TSC}}}{\mathrm{\&Sigma;}}}{l}_{m,i}$

式中，N_m,TSC表示第m组路段的路段数。将路段长度之和l_m,sum分别赋值给第m组的每条路段，用Len_m,i表示第m组第i条路段的影响范围值，则

Len_m,i＝l_m,sum

Len_m,i为连续变量，将其转换为分类变量，用ρ表示，则分类变量ρ的计算公式为：

$\mathrm{\&rho;}=\left\{\begin{array}{c}1,{\mathrm{Len}}_{m,i}<{\mathrm{\&alpha;}}_1\\ 2,{\mathrm{\&alpha;}}_1\&le;{\mathrm{Len}}_{m,i}<{\mathrm{\&alpha;}}_2\\ 3,{\mathrm{Len}}_{m,i}\&GreaterEqual;{\mathrm{\&alpha;}}_2\end{array}\right.$

式中，α₁、α₂表示影响范围的分类阈值，α₁＜α₂。

步骤204、利用Multinomial Logistic回归分析生成速度在不同条件下的速度分类变量的概率，将每种条件下概率最大的速度分类变量还原为速度区间，作为交通状态的速度转换区间，所有条件下的速度转换区间组成完整的转换表。当已知道路管理等级、交通状态、影响范围、位置时，即可通过转换表获取相应的速度区间，取区间中的均值作为转换后的速度。

将最后一个速度分类变量V_NR＝λ_NR作为参考类别，则对于速度分类变量V_NR＝λ_k、在影响范围为ρ、位置为ω时的Logistic回归模型Y_NR,ρ,ω,k为：

$Y_{\mathrm{NR},\mathrm{\&rho;},\mathrm{\&omega;},k}=\log \frac{p(V_{\mathrm{NR}}={\mathrm{\&lambda;}}_k)}{p(V_{\mathrm{NR}}={\mathrm{\&lambda;}}_{\mathrm{NR}})}={\mathrm{\&beta;}}_{\mathrm{NR},\mathrm{\&rho;},\mathrm{\&omega;},k}^0+{\mathrm{\&beta;}}_{\mathrm{NR},\mathrm{\&rho;},\mathrm{\&omega;},k}^1\&CenterDot;\mathrm{\&rho;}+{\mathrm{\&beta;}}_{\mathrm{NR},\mathrm{\&rho;},\mathrm{\&omega;},k}^2\&CenterDot;\mathrm{\&omega;}$

式中，p(V_NR＝λ_k)表示速度分类变量V_NR＝λ_k时的概率，p(V_NR＝λ_NR)表示速度分类变量V_NR＝λ_NR时的概率，表示道路管理等级为NR、速度分类变量V_NR＝λ_k、影响范围为ρ、位置为ω时的模型系数。对于参考类别，模型中的所有系数均为零，即

利用SPSS软件计算得到所有系数的估计值，道路管理等级为NR，影响范围为ρ、位置为ω时，V_NR＝λ_k的概率计算公式为：

$p(V_{\mathrm{NR}}={\mathrm{\&lambda;}}_k)=\frac{\exp \left(Y_{\mathrm{NR},\mathrm{\&rho;},\mathrm{\&omega;},k}\right)}{\underset{i=1}{\overset{N_{\mathrm{NR}}}{\mathrm{\&Sigma;}}}\exp \left(Y_{\mathrm{NR},\mathrm{\&rho;},\mathrm{\&omega;},i}\right)}$

获取每种条件下概率最大的速度分类变量，则道路管理等级为NR，交通状态为S，影响范围ρ、位置为ω时，概率最大的速度分类变量V′_NR,S,ρ,ω的计算公式为：

$V_{\mathrm{NR},S,\mathrm{\&rho;},\mathrm{\&omega;}}^{\&prime;}=\underset{k=1}{\overset{N_{\mathrm{NR}}}{\arg \max }}\left\{p(V_{\mathrm{NR}}={\mathrm{\&lambda;}}_k)\right\}$

将每种条件下概率最大的速度分类变量还原为速度区间，作为这种交通状态的速度转换区间，所有情况下的速度转换区间组成完整的转换表。最终的粗粒度交通状态转换为细粒度速度的转换表的具体表现形式如下表所示：

表3

步骤205、当获取路段的粗粒度交通状态、同一种交通状态的连续影响范围、路段在同一种交通状态连续影响范围中的位置，通过查询粗粒度交通状态转换为细粒度速度转换表，得到相应的速度区间，取速度区间的均值作为粗粒度交通状态对应的细粒度速度值。

本发明实施例基于统计学的Mutinomial Logistic回归分析，提出粗粒度交通状态转换为细粒度速度的方法，有效解决了细粒度速度转换为交通状态后的不可逆问题。

总之，以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (6)

1.一种粗粒度交通状态转换为细粒度速度的方法，其特征在于，包括：

获取历史速度数据，根据交通状态划分方式将细粒度速度转换为粗粒度的交通状态；

将所述历史速度数据按照交通状态分为三批，提取每批速度数据中的交通状态特征参数，包括交通状态连续影响范围和位置；

将所述历史速度数据和交通状态特征参数转换为分类变量，其中速度被分为多个区间；

生成速度在不同条件下的速度分类变量的概率，将每种条件下概率最大的速度分类变量还原为速度区间，作为交通状态的速度转换区间，所有条件下的速度转换区间组成完整的转换表；

当获取路段的粗粒度交通状态、同一种交通状态的连续影响范围、路段在同一种交通状态连续影响范围中的位置，通过查询粗粒度交通状态转换为细粒度速度转换表，得到相应的速度区间，取速度区间的均值作为粗粒度交通状态对应的细粒度速度值。

2.根据权利要求1所述的粗粒度交通状态转换为细粒度速度的方法，其特征在于，所述将细粒度速度转换为粗粒度的交通状态的步骤具体包括：

准备批量历史速度数据，根据交通状态划分方式将细粒度速度转换为粗粒度的交通状态，用S表示交通状态，S＝1表示拥堵，S＝2表示缓行，S＝3表示畅通。

3.根据权利要求1或2所述的粗粒度交通状态转换为细粒度速度的方法，其特征在于，所述将速度转换为分类变量的步骤具体包括：

速度用v表示，则不同道路管理等级条件下的速度分类变量V_NR的转换方法为：

$V_{\mathrm{NR}}=\left\{\begin{array}{c}\mathrm{1,0}\&le;v<{\mathrm{\&theta;}}_1\\ 2,{\mathrm{\&theta;}}_1\&le;v<{\mathrm{\&theta;}}_2\\ ...\\ {\mathrm{\&lambda;}}_k,{\mathrm{\&theta;}}_{k-1}\&le;v<{\mathrm{\&theta;}}_k\\ ...\\ {\mathrm{\&lambda;}}_{\mathrm{NR}},{\mathrm{\&theta;}}_{N_{\mathrm{NR}}-1}\&le;v<{\mathrm{\&theta;}}_{N_{\mathrm{NR}}}\end{array}\right.$

式中，θ₁,θ₂,θ₃,…为速度分类阈值，λ为整数值，N_NR表示道路等级为NR时速度的分类个数，λ_k表示第k个速度分类变量，λ_NR表示道路等级为NR的第N_NR个速度分类变量。

4.根据权利要求3所述的粗粒度交通状态转换为细粒度速度的方法，其特征在于，所述将交通状态特征参数中的位置转换为分类变量的步骤具体包括：

根据路网拓扑结构，将交通状态数据按照路段上下游关系关联，将交通状态一致且具备上下游关系的路段归为一组，用ω表示路段在该组的位置，则ω＝1表示开始端，ω＝2表示中间位置，ω＝3表示末尾端。

5.根据权利要求4所述的粗粒度交通状态转换为细粒度速度的方法，其特征在于，所述将交通状态特征参数中的交通状态连续影响范围转换为分类变量的步骤具体包括：

设l_m,i表示第m组第i条路段的长度，l_m,sum表示第m组所有路段的长度之和，则l_m,sum的计算公式为：

$l_{m,\mathrm{sum}}=\underset{i=1}{\overset{N_{m,\mathrm{TSC}}}{\mathrm{\&Sigma;}}}{l}_{m,i}$

式中，N_m,TSC表示第m组路段的路段数，将路段长度之和l_m,sum分别赋值给第m组的每条路段，用Len_m,i表示第m组第i条路段的影响范围值，则

Len_m,i＝l_m,sum

Len_m,i为连续变量，将其转换为分类变量，用ρ表示，则分类变量ρ的计算公式为：

$\mathrm{\&rho;}=\left\{\begin{array}{c}1,{\mathrm{Len}}_{m,i}<{\mathrm{\&alpha;}}_1\\ 2,{\mathrm{\&alpha;}}_1\&le;{\mathrm{Len}}_{m,i}<{\mathrm{\&alpha;}}_2\\ 3,{\mathrm{Len}}_{m,i}\&GreaterEqual;{\mathrm{\&alpha;}}_2\end{array}\right.$

式中，α₁、α₂表示影响范围的分类阈值，α₁＜α₂。

6.根据权利要求5所述的粗粒度交通状态转换为细粒度速度的方法，其特征在于，所述生成速度在不同条件下的速度分类变量的概率的步骤具体包括：

将最后一个速度分类变量V_NR＝λ_NR作为参考类别，则对于速度分类变量V_NR＝λ_k、在影响范围为ρ、位置为ω时的Logistic回归模型Y_NR,ρ,ω,k为：

$Y_{\mathrm{NR},\mathrm{\&rho;},\mathrm{\&omega;},k}=\log \frac{p(V_{\mathrm{NR}}={\mathrm{\&lambda;}}_k)}{p(V_{\mathrm{NR}}={\mathrm{\&lambda;}}_{\mathrm{NR}})}={\mathrm{\&beta;}}_{\mathrm{NR},\mathrm{\&rho;},\mathrm{\&omega;},k}^0+{\mathrm{\&beta;}}_{\mathrm{NR},\mathrm{\&rho;},\mathrm{\&omega;},k}^1\&CenterDot;\mathrm{\&rho;}+{\mathrm{\&beta;}}_{\mathrm{NR},\mathrm{\&rho;},\mathrm{\&omega;},k}^2\&CenterDot;\mathrm{\&omega;}$

式中，p(V_NR＝λ_k)表示速度分类变量V_NR＝λ_k时的概率，p(V_NR＝λ_NR)表示速度分类变量V_NR＝λ_NR时的概率，表示道路管理等级为NR、速度分类变量V_NR＝λ_k、影响范围为ρ、位置为ω时的模型系数；对于参考类别，模型中的所有系数均为零，即

计算得到所有系数的估计值，道路管理等级为NR，影响范围为ρ、位置为ω时，V_NR＝λ_k的概率计算公式为：

$p(V_{\mathrm{NR}}={\mathrm{\&lambda;}}_k)=\frac{\exp \left(Y_{\mathrm{NR},\mathrm{\&rho;},\mathrm{\&omega;},k}\right)}{\underset{i=1}{\overset{N_{\mathrm{NR}}}{\mathrm{\&Sigma;}}}\exp \left(Y_{\mathrm{NR},\mathrm{\&rho;},\mathrm{\&omega;},i}\right)}$

获取每种条件下概率最大的速度分类变量，则道路管理等级为NR，交通状态为S，影响范围为ρ、位置为ω时，概率最大的速度分类变量V′_NR,S,ρ,ω的计算公式为：

$V_{\mathrm{NR},S,\mathrm{\&rho;},\mathrm{\&omega;}}^{\&prime;}=\underset{k=1}{\overset{N_{\mathrm{NR}}}{\arg \max }}\left\{p(V_{\mathrm{NR}}={\mathrm{\&lambda;}}_k)\right\}.$