CN103810849A - 一种基于浮动车数据的交通流变化趋势提取方法 - Google Patents

Abstract

本发明公开了一种基于浮动车数据的交通流变化趋势提取方法，属于智能交通技术领域。所述方法包括：获取路链至少三个月的历史浮动车数据，按照特征日对该数据进行分类；对历史浮动车数据进行去噪平滑处理；按照早晚高峰的变化趋势将每个特征日的历史浮动车数据分为至少一个时段；采用K-均值聚类方法对分类后的历史浮动车数据进行初步聚类；根据交通信息的粗粒度表达方式，采用定距型方法或二值型方法对历史浮动车数据进行进一步的聚类。本发明结合交通信息的粗粒度表达方式，在K-均值聚类方法的基础上，对交通流变化趋势进一步合并，使交通流变化趋势更加突显出来，为交通流预测、路径规划和诱导、道路规划等提供更清晰明了的参考依据。

Description

一种基于浮动车数据的交通流变化趋势提取方法

技术领域

本发明涉及智能交通技术领域，特别涉及一种基于浮动车数据的交通流变化趋势提取方法。

背景技术

随着智能交通系统技术的飞速发展，越来越多的城市建立了先进的交通信息服务系统，通过数据采集系统获取实时交通数据，经过综合处理，预测交通流，并借助网络、广播、手机、可变信息板或车载导航装置等发布实时路况信息，结合交通信息为出行者规划最优路径。此外，交通信息可为交管部门提供交通控制与管理的依据，为道路规划部门合理规划道路设施提供参考依据，达到缓解交通拥堵、节能减排的目的。交通流变化具有明显的潮汐性和周期性，掌握城市内每条道路的交通流变化规律，对于交通流预测、路径规划和诱导、道路规划等都具有重要的意义。

浮动车技术是智能交通系统中获取道路实时交通信息的技术手段之一，它利用定位技术、无线通信技术和信息处理技术，实现对道路上行驶车辆的GPS位置信息、瞬时行驶速度和方向等交通参数的采集，结合城市道路路网数据，对采集的GPS位置信息进行数据过滤、地图匹配、路径推测和多车融合等相关计算模型及算法的处理，从而使浮动车数据和城市路网在时间和空间上关联起来，形成反映实时道路拥堵情况的交通信息，为交通管理部门和公众提供动态的交通控制和诱导服务。与传统的道路检测技术和视频监控技术等固定点采集手段相比，浮动车具有低成本、易安装、易维护、测量范围广等优势。

综上所述，研究基于浮动车数据的交通流变化趋势提取方法及系统意义重大。

而国内外目前常采用聚类分析的方法来提取交通流变化趋势，如改进的模糊C均值聚类方法对交通流数据进行分类；采用K-均值法和层次聚类法实现不同变化趋势的交通流时间序列分离；采用两级模糊聚类法对交通数据进行降维处理；采用聚类模式之间的最大距离选取类中心，以最小聚类原则对交通数据进行归类；阶梯型聚类方法对交通流量进行分类等。目前这些方法多是从纯数学角度进行聚类，并没有考虑交通信息在实际应用中的表达方式特征，交通流变化趋势不能被完全区分和提取出来。

发明内容

有鉴于此，本发明的目的在于提供一种基于浮动车数据的交通流变化趋势提取方法，用于实现基于浮动车数据的交通流变化趋势提取。

本发明提供了一种基于浮动车数据的交通流变化趋势提取方法，包括：

获取路链至少三个月的历史浮动车数据，按照特征日对所述历史浮动车数据进行分类；对所述历史浮动车数据进行去噪平滑处理；按照早晚高峰的变化趋势将每个特征日的历史浮动车数据分为至少一个时段；采用K-均值聚类方法对分类后的历史浮动车数据进行初步聚类；根据交通信息的粗粒度表达方式，采用定距型方法或二值型方法对所述初步聚类后的历史浮动车数据进行聚类。

本发明结合交通信息的粗粒度表达方式，在K-均值聚类方法的基础上，对交通流变化趋势进一步合并，使交通流变化趋势更加突显出来，为交通流预测、路径规划和诱导、道路规划等提供更清晰明了的参考依据。

附图说明

图1为本发明实施例提供的基于浮动车数据的交通流变化趋势提取原理示意图；

图2为本发明实施例提供的基于浮动车数据的交通流变化趋势提取方法流程图；

图3为本发明实施例中以交通状态表达法来对交通信息进行粗粒度分级的示意图；

图4为本发明实施例中一个特征日一个时段的历史浮动车数据变化趋势示意图；

图5为本发明实施例中采用K-均值聚类方法对历史浮动车数据进行初步聚类后的结果示意图；

图6为本发明实施例中采用定距型方法判断历史浮动车数据可进一步合并的模式示意图；

图7为本发明实施例中采用定距型方法对历史浮动车数据进行进一步聚类后的结果示意图；

图8为本发明实施例中采用二值型方法判断历史浮动车数据可进一步合并的模式示意图；

图9为本发明实施例中采用二值型方法对历史浮动车数据进行进一步聚类后的结果示意图。

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。

本发明实施例针对目前交通流变化趋势提取方法的不足，根据交通信息在实际应用中的表达方式，提出基于浮动车数据的交通流变化趋势提取方法，为交通流预测、动态路径规划、交通规划与管理提供理论依据和技术参考。

基于浮动车数据的交通流变化趋势提取原理如图1所示，本发明实施例获取路链多个月的历史浮动车数据，按照特征日对数据进行分类，对浮动车数据进行去噪平滑处理，按照早晚高峰的变化趋势将每个特征日的数据分为多个时段，采用K-均值法对分类后的历史浮动车数据进行初步聚类，根据交通状态的粗粒度表达方式，采用定距型方法/二值型方法对浮动车数据进一步的聚类。

实施例一

基于浮动车数据的交通流变化趋势提取方法流程如图2所示，具体包括以下步骤：

步骤201、获取路链多个月的历史浮动车数据，按照特征日对数据进行分类。路段是交通信息表达的基本空间单位，以路段作为基本处理对象，获取某条路段多个月（至少三个月）的历史浮动车数据。将浮动车数据分为八个特征日：周一（Mon）、周二(Tue)、周三(Wed)、周四(Thu)、周五(Fri)、周六(Sat)、周日(Sun)、节假日(Hol)，用C表示特征日集合，则C={Mon,Tue,Wed,Thu,Fri,Sat,Sun,Hol}。

步骤202、对历史浮动车数据进行去噪平滑处理。以每天为单位，对浮动车数据进行去噪平滑处理。

去噪处理方法：顺序扫描每个数据采样周期，对于数据缺失的路链，用其前后相邻4个周期的速度均值填补；对于与上下相邻周期的速度差异大于一预设值的路链，用上下相邻周期的速度均值替换。

平滑处理方法：对每个数据采样周期的速度，取其相邻两个数据采样周期的速度计算均值并赋值给该周期，每个数据采样周期重复五次。

步骤203、按照早晚高峰的变化趋势将每个特征日的历史数据分为多个时段。

每个特征日的交通流数据按照早晚高峰的变化趋势分为多个时间段，每个时间段包含多个浮动车数据采样周期T（单位：分钟）。定义k为时间标，t表示时间，则t=kT,k=1,2,…。如果T=5分钟，则一天24小时被划分为288个周期，即k=1,2,…,288，其中k=1表示00:00～00:05；k=288表示23:55~00:00。表1为一种交通流时段按照早晚高峰划分的方式：

表1

分段P	时段	周期分段	周期数n
				1	0:00~6:00	1~72	72
2	6:00~10:00	72~120	49
				3	10:00~15:00	120~180	61
4	15:00~20:00	180~240	61
				5	20:00~0:00	240~288	49

步骤204、采用K-均值法对分类后的历史浮动车数据进行初步聚类。用P表示时间的分段，向量V_C,P表示特征日C第P个时段的浮动车速度时变序列，向量V_C，P，x表示特征日C第x天第P个时段的浮动车速度时变序列，向量V_C，P，y表示特征日C第y天第P个时段的浮动车速度时变序列，表示特征日C第x天第P个时段第i个周期的速度，

表示特征日C第y天第P个时段第i个周期的速度，n表示每个时段包含的周期数，则

$V_{C,P}=\left[\begin{array}{c}{V}_{C,P,1}\\ ...\\ V_{C,P,x}\\ ...\\ V_{C,P,y}\\ ...\end{array}\right]=\left[\begin{array}{ccccc}{v}_{C,P,1}^1& ...& v_{C,P,1}^i& ...& v_{C,P,1}^n\\ ...& ...& ...& ...& ...\\ v_{C,P,x}^1& ...& v_{C,P,x}^i& ...& v_{C,P,x}^n\\ ...& ...& ...& ...& ...\\ v_{C,P,y}^1& ...& v_{C,P,y}^i& ...& v_{C,P,y}^n\\ ...& ...& ...& ...& ...\end{array}\right]---\left(1\right)$

步骤205、根据交通信息的粗粒度表达方式，采用定距型方法或二值型方法对初步聚类后的历史浮动车数据进行聚类。

目前，交通信息的表达分两个粒度：一个是细粒度的路段平均车速，一个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）。与平均车速表达法相比，交通状态表达法用红黄绿三种颜色来直观地表达路况信息，比较容易被用户理解和接受；同时有效解决了同一路段不同车辆平均速度的差异问题（如图3所示），只要能准确界定并表达交通状态，即可以获得较佳的用户体验。因此，本实施例以交通状态表达法来对交通信息进行粗粒度分级。为了更精确地描述交通信息，交通状态按照不同道路类型和道路功能等级进行定义，如表2所示：

表2

本实施例以交通信息粗粒度表达方式为基础，给出两种进一步将交通流变化趋势合并的方法，分别是定距型方法和二值型方法，其中：

定距型方法

考虑到速度处于交通状态的临界值时，驾驶员对交通状态的感知差异不明显，如果交通信息服务系统预测的速度和实际路测速度差值比较小时，不管系统发布的交通状态与实际是否一致，都认为系统提供的交通信息正确。用欧几里得距离d表示向量V_C，P，x和V_C，P，y之间的不相似测度。d的计算公式为：

$d=\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(v_{C,P,x}^i-v_{C,P,y}^i)}^2}---\left(2\right)$

由于公式（2）反映向量之间的整体水平，不考虑个体维度间的差异，可能出现多数差值很小，个别差异很大的情况。为了避免这种情况的出现，加入权重系数λi区别不同速度差值

对d的贡献值。用α表示和交通状态不一致时能够容忍的最大速度差值，当速度差值

时，权重系数λ_i=1，则两向量之间的加权欧几里得距离

满足：

$\hat{d}=\sqrt{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(v_{C,P,x}^i-v_{C,P,y}^i)}^2\&CenterDot;{\mathrm{\&lambda;}}_1}<\sqrt{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\left(\mathrm{\&alpha;}\right)}^2\&CenterDot;1}=\mathrm{\&alpha;}\sqrt{n}---\left(3\right)$

即 $\hat{d}<\mathrm{\&alpha;}\sqrt{n}$ (4)

当速度差值

α<β，且和

表示的交通状态一致时，认为两向量可以合并，权重系数λ_i=1.5；当

时，无论其他个体的差值多么小，均认为两向量不能合并，即β为能够容忍的最大速度差上限值。为了防止个体差值大于β也合并的情况发生，对权重系数的值进行控制。下面给出

时λ_i取值的推算过程：

设从第1个速度差值到第（n-1）个速度值均无穷小，趋近于零，第n个速度的差值接近上限值β，则

$\hat{d}=\sqrt{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(v_{C,P,x}^i-v_{C,P,y}^i)}^2\&CenterDot;{\mathrm{\&lambda;}}_1}=\sqrt{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\left(0\right)}^2\&CenterDot;1}+\sqrt{\underset{i=n-1}{\overset{n}{\mathrm{\&Sigma;}}}{\left(\mathrm{\&beta;}\right)}^2\&CenterDot;{\mathrm{\&lambda;}}_i}=\mathrm{\&beta;}\sqrt{{\mathrm{\&lambda;}}_i}---\left(5\right)$

将公式（5）带入公式（4）可得：

$\mathrm{\&beta;}\sqrt{{\mathrm{\&lambda;}}_i}<\mathrm{\&alpha;}\sqrt{n}---\left(6\right)$

即 ${\mathrm{\&lambda;}}_i<\frac{{\mathrm{\&alpha;}}^2\&CenterDot;n}{{\mathrm{\&beta;}}^2}---\left(7\right)$

综上所述，λ_i对应不同速度差的取值为：

${\mathrm{\&lambda;}}_i=\left\{\begin{array}{cc}1& ,|v_{C,P,x}^i-v_{C,P,y}^i|\&le;\mathrm{\&alpha;}\\ 1.5& ,\mathrm{\&alpha;}<|v_{C,P,x}^i-v_{C,P,y}^i|\&le;\mathrm{\&beta;}\\ \frac{{\mathrm{\&alpha;}}^{2}n}{{\mathrm{\&beta;}}^2}& ,|v_{C,P,x}^i-v_{C,P,y}^i|>\mathrm{\&beta;}\end{array}\right.---\left(8\right)$

如果向量V_C，P，x和

之间的加权欧几里得距离

满足公式（4），系数λ_i满足公式（8），则表示特征日C第x天和第y天第P个时段的速度时变模式可以合并。

二值型方法

同定距型方法一样，如果

和

差值小于一个比较小的值α时，不管发布的路况信息是否一致，认为两者均能够正确的反映道路状况；如果

且表示的交通状态一致，同样认为两者类似。如果向量V_C，P，x和V_C，P，y的所有个体均满足这些条件，表示可以合并。

用

表示特征日C第x天第P个时段第i个速度值表示的交通状态，表示特征日C第y天第P个时段第i个速度值表示的交通状态，f(i)表示

和

是否类似，f(i)=1表示类似，f(i)=0表示不类似，则

$f\left(i\right)=\left\{\begin{array}{c}1,|v_{C,P,x}^i-v_{C,P,y}^i|\&le;\mathrm{\&alpha;}\\ 1,\mathrm{\&alpha;}<|v_{C,P,x}^i-v_{C,P,y}^i|\&le;\mathrm{\&beta;}\\ 0,\mathrm{\&alpha;}<|v_{C,P,x}^i-v_{C,P,y}^i|\&le;\mathrm{\&beta;}\\ 0,|v_{C,P,x}^i-v_{C,P,y}^i|>\mathrm{\&beta;}\end{array}\right.\begin{array}{cc}\mathrm{and}& \mathrm{Color}\left(v_{C,P,x}^i\right)=\mathrm{Color}\left(v_{C,P,y}^i\right)\\ \mathrm{and}& \mathrm{Color}\left(v_{C,P,x}^i\right)\&NotEqual;\mathrm{Color}\left(v_{C,P,y}^i\right)\end{array}---\left(9\right)$

用Sum表示两条向量的相似个体数，则Sum的计算公式为：

$\mathrm{Sum}=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}f\left(i\right)---\left(10\right)$

如果

则表示特征日C第x天和第y天第P个时段的速度时变模式可以合并。

实施例二

以北京市北四环中路的某辅路为例，该辅路属于城市次要道路，道路等级为4。对该辅路2011年10月~12月三个月中的12个星期五15:00~20:00（周期180~240）的浮动车数据进行聚类，共12天，如图4所示，每条模式包含61个周期，即C=Fri，P=4，n=61。先采用K-均值法将12天的数据聚为6类，如图5所示，可以看出，有些模式还可以进一步的合并。然后采用定距型方法和二值型方法进一步合并。相关参数取值：α=5km/h，β=15kn/h。

根据给定参数取值，计算出定距型方法中当

时的加权系数：

模式可以合并的条件为： $\hat{d}=\sqrt{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(v_{\mathrm{Fri},4,x}^i-v_{\mathrm{Fri},4,y}^i)}^2\&CenterDot;{\mathrm{\&lambda;}}_i}<\mathrm{\&alpha;}\sqrt{n}=5\sqrt{61}=39.0513.$

定距型方法的计算结果如表3所示：

表3

从表中可以看到，加权欧几里得距离

小于39.0513的模式组合有模式2-模式3、模式5-模式6、模式3-模式5、模式2-模式5，说明模式2、模式3、模式5和模式6这四条模式可以合并（图6），合并后剩余模式如图7所示。

从表2可以得到，FC=4时的交通状态分界值为12km/h和25km/h。将具体参数取值带入判定条件中，当

时，表示可以合并。表4为二值型方法计算结果：

表4

模式组合	Sum值
		模式1-模式2	61
模式2-模式3	61
		模式3-模式4	50
模式4-模式5	49
		模式5-模式6	61

模式1-模式3	55
		模式2-模式4	51
模式3-模式5	61
		模式4-模式6	47
模式1-模式4	26
		模式2-模式5	50
模式3-模式6	59
		模式1-模式5	53
模式2-模式6	45
		模式1-模式6	28

表4中Sum值等于61的组合有模式1-模式2、模式2-模式3、模式5-模式6、模式3-模式5。因此，模式1、模式2、模式3、模式5和模式6这五条模式可以合并（图8），合并后剩余模式如图9所示。

本发明实施例结合交通信息的粗粒度表达方式，在K-均值聚类方法的基础上，对交通流变化趋势进一步合并，使交通流变化趋势更加突显出来，为交通流预测、路径规划和诱导、道路规划等提供更清晰明了的参考依据。

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 (8)

1.一种基于浮动车数据的交通流变化趋势提取方法，其特征在于，包括：

获取路链至少三个月的历史浮动车数据，按照特征日对所述历史浮动车数据进行分类；对所述历史浮动车数据进行去噪平滑处理；按照早晚高峰的变化趋势将每个特征日的历史浮动车数据分为至少一个时段；采用K-均值聚类方法对分类后的历史浮动车数据进行初步聚类；根据交通信息的粗粒度表达方式，采用定距型方法或二值型方法对所述初步聚类后的历史浮动车数据进行聚类。

2.根据权利要求1所述的基于浮动车数据的交通流变化趋势提取方法，其特征在于，所述按照特征日对所述历史浮动车数据进行分类的步骤具体包括：

以路段作为基本处理对象，获取路段至少三个月的历史浮动车数据，将所述历史浮动车数据分为八个特征日：周一、周二、周三、周四、周五、周六、周日以及节假日，用C表示特征日集合，则C={Mon,Tue,Wed,Thu,Fri,Sat,Sun,Hol}。

3.根据权利要求2所述的基于浮动车数据的交通流变化趋势提取方法，其特征在于，所述对历史浮动车数据进行去噪处理的步骤具体包括：

顺序扫描每个数据采样周期，对于数据缺失的路链，用其前后相邻4个周期的速度均值填补；对于与上下相邻周期的速度差异大于一预设值的路链，用上下相邻周期的速度均值替换。

4.根据权利要求3所述的基于浮动车数据的交通流变化趋势提取方法，其特征在于，所述对历史浮动车数据进行平滑处理的步骤包括：

对每个采样周期的速度，取其相邻两个周期的速度计算均值并赋值给该采样周期，每个采样周期重复五次。

5.根据权利要求3或4所述的基于浮动车数据的交通流变化趋势提取方法，其特征在于，所述将每个特征日的历史浮动车数据分为至少一个时段的步骤具体包括：

每个特征日的交通流数据按照早晚高峰的变化趋势分为多个时间段，每个时间段包含多个浮动车数据采样周期T，定义k为时间标，t表示时间，则t=kT,k=1,2,…。

6.根据权利要求5所述的基于浮动车数据的交通流变化趋势提取方法，其特征在于，所述对分类后的历史浮动车数据进行初步聚类的步骤具体包括：

用P表示时间的分段，向量V_C,P表示特征日C第P个时段的浮动车速度时变序列，向量V_C，P，x表示特征日C第x天第P个时段的浮动车速度时变序列，向量V_C，P，y表示特征日C第y天第P个时段的浮动车速度时变序列，表示特征日C第x天第P个时段第i个周期的速度，

表示特征日C第y天第P个时段第i个周期的速度，n表示每个时段包含的周期数，则

$V_{C,P}=\left[\begin{array}{c}{V}_{C,P,1}\\ ...\\ V_{C,P,x}\\ ...\\ V_{C,P,y}\\ ...\end{array}\right]=\left[\begin{array}{ccccc}{v}_{C,P,1}^1& ...& v_{C,P,1}^i& ...& v_{C,P,1}^n\\ ...& ...& ...& ...& ...\\ v_{C,P,x}^1& ...& v_{C,P,x}^i& ...& v_{C,P,x}^n\\ ...& ...& ...& ...& ...\\ v_{C,P,y}^1& ...& v_{C,P,y}^i& ...& v_{C,P,y}^n\\ ...& ...& ...& ...& ...\end{array}\right].$

7.根据权利要求6所述的基于浮动车数据的交通流变化趋势提取方法，其特征在于，所述采用定距型方法对历史浮动车数据进行聚类的步骤具体包括：

用欧几里得距离d表示向量V_C，P，x和V_C，P，y之间的不相似测度，d的计算公式为：

$d=\sqrt{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(v_{C,P,x}^i-v_{C,P,y}^i)}^2}$

加入权重系数λ_i区别不同速度差值

对d的贡献值，用α表示和

交通状态不一致时能够容忍的最大速度差值，当速度差值

时，权重系数λ_i=1，则两向量之间的加权欧几里得距离

满足：

$\hat{d}=\sqrt{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(v_{C,P,x}^i-v_{C,P,y}^i)}^2\&CenterDot;{\mathrm{\&lambda;}}_i}<\sqrt{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\left(\mathrm{\&alpha;}\right)}^2\&CenterDot;1}=\mathrm{\&alpha;}\sqrt{n}$

即 $\hat{d}<\mathrm{\&alpha;}\sqrt{n}$ （公式一）

当速度差值α<β，且

和

表示的交通状态一致时，认为两向量可以合并，权重系数λ_i=1.5；当时，认为两向量不能合并，β为能够容忍的最大速度差上限值；

当

时，设从第1个速度差值到第（n-1）个速度值均无穷小，趋近于零，第n个速度的差值接近上限值β，则

$\hat{d}=\sqrt{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(v_{C,P,x}^i-v_{C,P,y}^i)}^2\&CenterDot;{\mathrm{\&lambda;}}_i}=\sqrt{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\left(0\right)}^2\&CenterDot;1}+\sqrt{\underset{i=n-1}{\overset{n}{\mathrm{\&Sigma;}}}{\left(\mathrm{\&beta;}\right)}^2\&CenterDot;{\mathrm{\&lambda;}}_i}=\mathrm{\&beta;}\sqrt{{\mathrm{\&lambda;}}_i}$

则 $\mathrm{\&beta;}\sqrt{{\mathrm{\&lambda;}}_i}<\mathrm{\&alpha;}\sqrt{n}$

即 ${\mathrm{\&lambda;}}_i<\frac{{\mathrm{\&alpha;}}^2\&CenterDot;n}{{\mathrm{\&beta;}}^2}$

因此，λ_i对应不同速度差的取值为：

${\mathrm{\&lambda;}}_i=\left\{\begin{array}{cc}1& ,|v_{C,P,x}^i-v_{C,P,y}^i|\&le;\mathrm{\&alpha;}\\ 1.5& ,\mathrm{\&alpha;}<|v_{C,P,x}^i-v_{C,P,y}^i|\&le;\mathrm{\&beta;}\\ \frac{{\mathrm{\&alpha;}}^{2}n}{{\mathrm{\&beta;}}^2}& ,|v_{C,P,x}^i-v_{C,P,y}^i|>\mathrm{\&beta;}\end{array}\right.$ （公式二）

如果向量V_C，P，x和

之间的加权欧几里得距离

满足公式一，系数λ_i满足公式二，则表示特征日C第x天和第y天第P个时段的速度时变模式能够合并。

8.根据权利要求6所述的基于浮动车数据的交通流变化趋势提取方法，其特征在于，所述采用二值型方法对历史浮动车数据进行聚类的步骤具体包括：

如果

和

差值小于一个比较小的值α时，不管发布的路况信息是否一致，认为两者均能够正确的反映道路状况；如果

且表示的交通状态一致，同样认为两者类似；如果向量V_C，P，x和V_C，P，y的所有个体均满足这些条件，表示可以合并；

用表示特征日C第x天第P个时段第i个速度值表示的交通状态，

表示特征日C第y天第P个时段第i个速度值表示的交通状态，f(i)表示

和

是否类似，f(i)=1表示类似，f(i)=0表示不类似，则

$f\left(i\right)=\left\{\begin{array}{c}1,|v_{C,P,x}^i-v_{C,P,y}^i|\&le;\mathrm{\&alpha;}\\ 1,\mathrm{\&alpha;}<|v_{C,P,x}^i-v_{C,P,y}^i|\&le;\mathrm{\&beta;}\\ 0,\mathrm{\&alpha;}<|v_{C,P,x}^i-v_{C,P,y}^i|\&le;\mathrm{\&beta;}\\ 0,|v_{C,P,x}^i-v_{C,P,y}^i|>\mathrm{\&beta;}\end{array}\right.\begin{array}{cc}\mathrm{and}& \mathrm{Color}\left(v_{C,P,x}^i\right)=\mathrm{Color}\left(v_{C,P,y}^i\right)\\ \mathrm{and}& \mathrm{Color}\left(v_{C,P,x}^i\right)\&NotEqual;\mathrm{Color}\left(v_{C,P,y}^i\right)\end{array}$

用Sum表示两条向量的相似个体数，则Sum的计算公式为：

$\mathrm{Sum}=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}f\left(i\right)$

如果

则表示特征日C第x天和第y天第P个时段的速度时变模式能够合并。

Images