CN104200231A - 一种高效的交通状态标注方法 - Google Patents

Abstract

本发明涉及一种高效的交通状态标注方法，该方法通过将微波获取的一定时间段内的交通流量、速度和车道占有率三个指标数据归一化映射成图像的像元，以图像聚类的方法完成对所有微波监测路段的聚类，再从每个聚类中抽取视频监测位置较好的少数路段，通过视频直观的了解路段状态并对早、晚高峰和中午平峰时间段的基准数据进行状态标注。本发明方法既降低了每条路段都需要标注的复杂性，又使得标注的结果更加真实可靠，该方法具有通用性强、可行性强、复杂度低、实现速度快、可靠性高等特点。

Description

一种高效的交通状态标注方法

技术领域

本发明涉及智能交通领域，尤其涉及一种基于微波传感器数据快速构建路况识别分类器的交通状态标注方法。

背景技术

随着社会经济的快速发展，城市交通出现锐增的趋势。如何有效调控交通流量，优化道路的使用效率，成为城市智能交通领域研究的重点。智能交通系统作为科学技术快速发展的产物应运而生，其中对交通状态进行划分是城市交通公共信息服务的主要内容，也是交通管理部门部署警力，疏导道路交通的有效途径。交通状态的划分有很多方法，可基于不同类型的传感器数据实现，例如：微波、线圈、地磁、卡口、浮动车等。其中，微波数据是断面采集的数据，用其判断线装路段的交通状态，具有一定的挑战性，主要表现在：采集的速度值是点速度，不能表达区间平均速度；车道占有率可能受到外界环境干扰而导致误判等。因此，任何基于微波单指标分析交通状态的方法均具有片面性和较大误差。采用基于多指标的带监督的机器学习方法是最有希望的方法。基于机器学习的交通状态划分技术运用训练样本和标注信息来训练分类器，进一步，得到的分类器可以将新的微波监测指标当作输入，输出交通状态。存在的分类算法有很多，然而任何分类器是否具有较高的精度，其关键在于训练样本的状态标注。交通状态标注主要是对由微波等交通监测设备检测到的流量、速度、车道占有率等交通运行指标的状态标注，状态一般标注为拥堵、繁忙、畅通等级别。

现有的研究中对交通状态的标注主要是依靠经验对获取的状态衡量指标直接进行状态标注，没有考虑实际的路段状态信息；另一方面，现有的标注方法需要为每条路段训练一个分类器，这就要求对每条路段进行视频标注，工作量大，需要投入大量的人力和时间。再者，微波监测路段经常与视频监测路段不一致，难以对照进行状态标注。因此，为了真实有效反映路段状态和降低标注的复杂度，本发明提出了一种高效的交通状态标注方法。

发明内容

本发明为克服上述的不足之处，目的在于提供一种高效的交通状态标注方法，该方法通过将归一化并聚类后的微波采集的交通状态指标数据与视频监测得到的路段状态信息综合得到路段的交通状态并作状态标注；该方法可以使标注的结果更加真实可靠，具有降低每条路段都需要标注的复杂性，同时达到真实反映路段状态的效果。

本发明是通过以下技术方案达到上述目的：一种高效的交通状态标注方法，包括如下步骤：

(1)采集所有微波监测路段连续一周时间内的交通状态指标数据；

(2)将采集到的交通状态指标数据归一化处理，映射成图像的像元；

(3)对所有微波监测路段用谱聚类算法进行聚类；

(4)在每个聚类中抽取典型时间段且视频监测位置记录的视频能够实时清晰反映路段交通状态的路段观看视频；

(5)根据所观看视频反映的路段状态结果与交通状态指标综合得到路段的交通状态并作状态标注。

作为优选，所述步骤(1)中的交通状态指标数据包括交通流量、速度、车道占有量三个指标数据。

作为优选，所述步骤(2)归一化处理方法如下式所示：

$X_i=\frac{X_i-X_{\min }}{X_{\max }-X_{\min }}$

其中，X_i是所有微波数据中第i个数据，X_min是微波数据中最小的数据值，X_max是微波数据中最大的数据值。

作为优选，所述步骤(3)中聚类采用图像谱聚类方法将所有微波监测路段聚为k类，谱聚类算法步骤如下：

(1)构造邻接矩阵，根据N个微波监测路段构造一个Graph，Graph的每个节点V_i对应于一个微波监测路段，将节点连接起来，连线的权重E_i表示两个节点的相似度，将Graph用邻接矩阵的形式记为W；

(2)求拉普拉斯矩阵，将W的每一列元素相加得到N个数，将其变换为N×N的对角矩阵D，并令L＝D-W，L即为图拉普拉斯矩阵；

(3)求L的特征值γ，并按值的大小进行排序，取前m个最小的特征值及对应的特征向量

(4)将所求得的m个特征向量组成N×m的矩阵，其中每行看作是m维空间中的一个向量，再采用k-means算法进行聚类，聚类结果中每一行所属类别即为Graph中节点所属的类别。

作为优选，所述步骤(4)的典型时间段为早高峰、晚高峰以及中午平峰时间段。

作为优选，所述步骤(5)的状态标注结果分为拥堵、繁忙、畅通三个级别。

本发明的有益效果在于：(1)通用性强，本发明方法是对所有微波监测路段，能适用于大多数具有微波数据采集装备的城市和地区；(2)可行性强，一般而言，由于摄像头安装位置与微波传感器安装位置有较大出入，全面标注所有路段是不可行的。本技术方法极大地提高了标注和进一步机器学习模型构建的可行性；(3)复杂度低，本发明方法不需要对每条微波监测路段都抽取数据进行状态标注，只需要从每类微波路段中选取少数路段进行状态标注，大大降低了状态标注的复杂度；(4)实现速度快，本发明方法将每条路段都需要训练一个分类器变换为每一类路段训练一个分类器，大大减少了大量路段进行实验的时间，提高了状态标注效率；(5)可靠性高，本发明方法通过结合视频监控和交通流量、速度、车道占有率三个状态衡量指标，充分考虑了路段的实时真实状态，标注结果更加真实可靠。

附图说明

图1是本发明方法流程框图；

图2是实施例中微波数据采集设备采集的微波监测路段交通状态指标数据部分数据示意图；

图3是实施例中采集的交通流量、速度和车道占有率归一化后的格式；

图4是实施例中292个微波监测路段聚类结果和谱聚类的低维嵌入效果图；

图5是实施例中根据视频监控位置选取的路段通过视频进行状态标注的状态标注前端录入的交通状态结果；

图6是根据视频录入状态与微波数据进行关联得到的交通流量、速度和车道占有率三个衡量指标以及路段在某个时间段的交通状态标注。

具体实施方式

下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此：

实施例1：如图1所示，一种高效的交通状态标注方法通过将微波获取的一定时间段内的交通流量、速度和车道占有率三个指标归一化映射成图像的像元，以图像聚类的方法完成对所有微波监测路段的聚类，再从每个聚类中抽取视频监测位置较好的少数路段，通过视频直观的了解路段状态并对早、晚高峰和中午平峰时间段的基准数据进行标注，既降低了每条路段都需要标注的复杂性，又使得标注的结果更加真实可靠。

现将该方法用于城市之中，包括以下步骤：

步骤1：以城市内设置微波点的所有微波监测路段为采集对象，满足条件的路段共有292个。以[2014-7-25]到[2014-7-31]连续一周每天07:00到19:00为采样时段，统计每5分钟通过微波监测路段的交通流量、速度和车道占有率数据，则每个微波监测路段有1015个5分钟时间槽的3个衡量标准数据。微波数据采集设备采集的微波监测路段交通状态指标数据部分数据如图2所示，包括交通流量、速度和车道占有率三个状态衡量指标数据以及采集日期和采集时间，其中采集时间是以5分钟为间隔的时间槽。[2014-7-25]到[2014-7-31]连续一周每天07:00到19:00时段里共有292*1015条数据，其中292是微波监测路段个数。

步骤2：微波数据归一化。对步骤1中采集的微波监测路段交通流量、速度和车道占有率数据分别进行归一化处理，归一化方法如下式所示：

$X_i=\frac{X_i-X_{\min }}{X_{\max }-X_{\min }}---\left(1\right)$

一周内交通流量、速度和车道占有率各含有292*1015个数据。在式(1)中，X_i是292*1015个数据中的第i个数据，X_min是292*1015个数据中最小的数据值，X_max是292*1015个数据中最大的数据值，按照上式中的归一化方法依次对交通流量、速度和车道占有率三个状态衡量标准进行归一化。归一化后的交通流量、速度和车道占有率将作为图像的像元进行微波监测路段聚类。采集的交通流量、速度和车道占有率归一化后的格式如图3所示，数据为292*3045大小的数组，归一化后将三个衡量指标当作图像像元进行微波监测路段聚类。

步骤3：微波监测路段谱聚类。将每一个归一化后的交通流量、速度和车道占有率当作一个像元，利用图像聚类的原理将所有微波监测路段聚为6大类。前面已经获得每个微波监测路段的1015*3个数据，利用谱聚类算法将292个路段聚为6类。

(1)构造邻接矩阵。根据292个微波路段构造一个Graph，Graph的每个节点V_i对应于一个微波监测路段，将节点连接起来，连线的权重E_i表示两个节点的相似度，将Graph用邻接矩阵的形式记为W，则W为292*292的矩阵，其对角线上元素为0。

(2)求拉普拉斯矩阵。将邻接矩阵W的每一列元素相加得到292个数，将其变换为292*292的对角矩阵D，并令L＝D-W，L为图拉普拉斯矩阵，大小为292*292。

(3)求矩阵L的特征值γ，并按值的大小进行排序，取前3个最小的特征值及对应的特征向量每个特征向量都是292维的列向量。

(4)将所求得的3个特征向量组成292*3的矩阵，其中每行看作是3维空间中的一个向量，再采用k-means算法将292个微波监测路段聚为6类，聚类结果中每一行所属类别即为Graph中每个节点所属的类别。

通过微波监测路段聚类后，将全部292个路段聚为6类，使得原先需要从每条路段抽取数据作标注变为只需要从每类中抽取少数路段作标注，大大简化了标注工作的复杂度，节省了大量人力和时间。谱聚类算法能够适用于检测复杂形状的簇结构，使得聚类结果更加精确。

292个微波监测路段聚类结果和谱聚类的低维嵌入效果图如图4所示，(a)图为292个路段中前12个路段的聚类标签，标签相同的路段属于同一类；(b)图为将292个微波监测路段聚为6类，每类含有的路段个数，6类共有292个路段；(c)图为谱聚类低维嵌入的三维聚类效果图，其中不同形状的点表示不同的类别，同一个线圈中的点属于相同类别。

步骤4：抽取微波监测路段观看视频。前面已经将所有微波监测路段聚为6类，每一类都具有一定的相似性，因此可以由该类中某些微波监测路段代表该类路段。根据视频监控的位置，从每个聚类中挑选位置较好的几个路段，实时观看路段交通状态，避免了微波数据采集失误导致的状态判断不准确问题，同时也更能清楚了解路段出现阻碍的原因，帮助交管部门快速有效解决路段上出现的问题，提高了状态标注的准确性和可靠性。

步骤5：选择观看视频的路段后，需要从抽取的每天07:00-19:00共145个5分钟时间槽中抽取部分时间槽，通过视频观看路段状态，通常选择典型时间段，即早、晚高峰和中午平峰时段。以上午07:00-09:00、中午11:30-13:00和下午17:00-19:00三个时间段作为观看时段，通过视频观看抽选出的路段这三个时间段的交通状态，根据视频监控位置选取的路段通过视频进行状态标注的状态标注前端录入的交通状态结果如图5所示，包括微波号WAVE_ID，录入日期COLLECT_DATE和时间COLLECT_TIME，以及路段状态STATUS，其中0代表拥堵，1代表繁忙，2代表畅通。

最后根据观看结果与交通流量、速度和车道占有率三个衡量指标综合得到路段的交通状态并作状态标注。图6所示为根据视频录入状态与微波数据进行关联得到的交通流量、速度和车道占有率三个衡量指标以及路段在某个时间段的交通状态标注。

以上的所述乃是本发明的具体实施例及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。

Claims (6)

1.一种高效的交通状态标注方法，其特征在于包括如下步骤：

(1)采集所有微波监测路段连续一周时间内的交通状态指标数据；

(2)将采集到的交通状态指标数据归一化处理，映射成图像的像元；

(3)对所有微波监测路段用谱聚类算法进行聚类；

(4)在每个聚类中抽取典型时间段且视频监测位置记录的视频能够实时清晰反映路段交通状态的路段观看视频；

(5)根据所观看视频反映的路段状态结果与交通状态指标综合得到路段的交通状态并作状态标注。

2.根据权利要求1所述的一种高效的交通状态标注方法，其特征在于，所述步骤(1)中的交通状态指标数据包括交通流量、速度、车道占有量三个指标数据。

3.根据权利要求1所述的一种高效的交通状态标注方法，其特征在于，所述步骤(2)归一化处理方法如下式所示：

$X_i=\frac{X_i-X_{\min }}{X_{\max }-X_{\min }}$

其中，X_i是所有微波数据中第i个数据，X_min是微波数据中最小的数据值，X_max是微波数据中最大的数据值。

4.根据权利要求1所述的一种高效的交通状态标注方法，其特征在于，所述步骤(3)中聚类采用图像谱聚类方法将所有微波监测路段聚为k类，谱聚类算法步骤如下：

(1)构造邻接矩阵，根据N个微波监测路段构造一个Graph，Graph的每个节点V_i对应于一个微波监测路段，将节点连接起来，连线的权重E_i表示两个节点的相似度，将Graph用邻接矩阵的形式记为W；

(2)求拉普拉斯矩阵，将W的每一列元素相加得到N个数，将其变换为N×N的对角矩阵D，并令L＝D-W，L即为图拉普拉斯矩阵；

(3)求L的特征值γ，并按值的大小进行排序，取前m个最小的特征值及对应的特征向量

(4)将所求得的m个特征向量组成N×m的矩阵，其中每行看作是m维空间中的一个向量，再采用k-means算法进行聚类，聚类结果中每一行所属类别即为Graph中节点所属的类别。

5.根据权利要求1所述的一种高效的交通状态标注方法，其特征在于，所述步骤(4)的典型时间段为早高峰、晚高峰以及中午平峰时间段。

6.根据权利要求1所述的一种高效的交通状态标注方法，其特征在于，所述步骤(5)的状态标注结果分为拥堵、繁忙、畅通三个级别。