CN104268642A - 基于最小变异系数评价及推理模型的道路通堵预测方法 - Google Patents

Abstract

本发明公开了一种基于最小变异系数评价及推理模型的道路通堵预测方法，通过对车载GPS历史数据的样本分析和挖掘，利用变异系数评价法和采样滚动周期道路车流特性推理模型构建技术，解决了通过浮动车数据分析推理出道路短时通堵和未来通堵趋势问题；本发明采用基于GPS典型样本分析，通过道路通堵分析模型参数优化技术获得统计周期具有严谨的数学模型支持和较广泛的适用性；通过构建道路车流特性模型快速得到道路情境属性类型和对应的规则库关系，基于知识推理得到的道路通堵趋势预测能力，极大地提升了其统计效率和服务水平。

Description

基于最小变异系数评价及推理模型的道路通堵预测方法

技术领域

本发明涉及基于最小变异系数的优选统计周期方法，尤其涉及一种基于最小变异系数评价及推理模型的道路通堵预测方法。

背景技术

从20世纪60年代开始，人们开始将其它领域应用成熟的预测模型用于交通流量预测领域，开发了多种预测模型和方法，如时间序列模型，历史趋势模型，Kalman滤波模型和神经网络模型等。

由于时间序列模型建模简单、容易理解，特别适用于稳定的交通量预测，故在国内外得到较为广泛的应用。近几年，国内一些学者进一步将时间序列模型，应用到交通流量实时预测中。但当交通状况变化急剧时，该模型在预测延迟方面也暴露出明显的不足。

历史趋势模型从1981年开始，就有许多国外学者将其应用于城市交通控制系统。但该模型假设交通状况是周期性发生的，即具有相同历史趋势的一天里，各路段在同一时段具有相同的交通流量。这一假设太苛刻，往往未能反映动态交通流基本的不确定特性，故适用性较差。

由于20世纪60年代提出的卡尔曼(Kalman)滤波是一种比较先进的数据处理方法，具有预测因子选择灵活、精度较高的优点。1984年开始国外一些学者如Okutani和Stephanedes等提出了用于交通量预测的卡尔曼滤波模型。1999开始国内一些学者如朱中等对此也进行颇有成效的研究。但由于该方法需要作大量的矩阵和向量运算，导致算法较为复杂，难以用于实施在线预测。

1987年开始，Lapedes和Farben等一些国外学者将神经网络模型应用于预测领域，取得很好的成效。从1998年开始，国外一些学者如Pank和Rilott等和国内一些学者如杨兆升等将神经网络模型用于行程时间和交通流量的预测。这一方法同样由于算法效率不高，一般适用于中、长期的预测。

总体上，在以往的研究中，交通流量的中、长期预测已取得较好的研究成果。然而，由于对未来几分钟内交通流量的短期预测，受随机干扰大而不确定因素影响明显等原因，关于短期交通流量实时预测模型的研究还未能取得令人满意的成果。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于最小变异系数评价及推理模型的道路通堵预测方法。具体包括以下步骤：

(1)通过最小变异系数评价方法，基于四个优化模型从海量GPS数据中推导出统计周期，该方法包括如下子步骤：

(1.1)通过优化模型1对周车辆数变异系数分析得到各样本路段上的周车辆数最小变异系数γTh和所对应的季节T，该季节T即为典型季；所述优化模型1具体如下：

${\mathrm{\γ}}_{\mathrm{th}}=\frac{{\mathrm{\δ}}_{\mathrm{th}}}{E_{\mathrm{th}}}$

其中，h为路段号，h取值范围1到3；t为季节号，t取值范围1到4，t＝1为春季，t＝2为夏季，t＝3为秋季，t＝4为冬季；E_th为t季、h号路段的周车辆数均值；δ_th为t季、h号路段的周车辆数标准差；γ_th为t季、h号路段的周车辆数变异系数；

γ_Th＝min(γ_1h,γ_2h,γ_3h,γ_4h)

则T表示路段h上的周车辆数最小变异系数所对应的季节；

(1.2)基于优化模型2得到典型月和典型周值，这两个值作为峰区选择的采样时段；所述优化模型2具体如下：

$\stackrel{\‾}{{\mathrm{\Δ}}_j}=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{\mathrm{\Δ}}_{\mathrm{ij}}{q}_{\mathrm{ij}}/\stackrel{\‾}{q_j}$

其中，i为各季节的序列月份号，i取值范围为1到3；j为各月周次号，j取值范围为1到任意正整数；q_ij为各季节第i月第j周的车流周车辆数；为某季第i月的车流周车辆数；为某季第j周的车流周车辆数，Δ_ij为相对差距，为周相对差距的加权平均值，公式如下:

${\stackrel{\‾}{q}}_i=\underset{j=1}{\overset{J}{\mathrm{\Σ}}}{q}_{\mathrm{ij}}/J;{\stackrel{\‾}{q}}_j=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{q}_{\mathrm{ij}}/3;{\mathrm{\Δ}}_{\mathrm{ij}}=|q_{\mathrm{ij}}-{\stackrel{\‾}{q}}_i|/\stackrel{\‾}{q_i}$

作为典型周选择的判据，记则J为典型周号；

Δ_ij作为典型月选择的判据，记Δ_Ij＝min(Δ1j,Δ2j,Δ3j)，则I为典型月号；

(1.3)基于各路段日车辆数，通过优化模型3，首先得出各路段日车辆数状态值，通过车辆数状态均值汇总得到典型高峰日；其次通过统计方法获得各季节各采样路段的峰区规律情况；所述优化模型3具体如下：

$z_j^{\left(h\right)}=\underset{i=1}{\overset{12}{\mathrm{\Σ}}}{z}_{\mathrm{ij}}^{\left(h\right)}/12$

其中，为路段h第i月第j星期的日车辆数状态值；h取值范围为1到3，i取值范围为1到12，j取值范围为1到7；

第i星期日车辆数状态合计值ZZ_j表示为：

${\mathrm{ZZ}}_j=\underset{h=1}{\overset{3}{\mathrm{\Σ}}}{\stackrel{\‾}{Z}}_j^{\left(h\right)}$

取ZZ_L＝max{ZZ₁,ZZ₂,...,ZZ₇},L取值范围为1到7，

则L为典型高峰日；

将ZZ_j，j取值范围为1到7中与ZZ_L差值最小的星期归总作为高峰日，其余星期则作为正常日；

(1.4)通过优化模型4，计算得到各采样路段对应峰区的统计周期长度；

优化模型4具体为：

${\mathrm{\γ}}_{\mathrm{cd}}=\frac{{\mathrm{\δ}}_{\mathrm{cd}}}{E_{\mathrm{cd}}}$

其中，c为备选的统计周期号，c取值范围为1到5；d为峰区号，d取值范围为1到任意正整数；E_cd为第c号统计周期第d号峰区的车流均速；δ_cd为第c号统计周期第d号峰区的车流速度标准差；γ_cd为第c号统计周期第d号峰区的车流速度变异系数；

取γ_Cd＝min(γ_1d,γ_2d,...,γ_5d)时C的值，则备选的统计周期长度S_C＝C+1；

车流速度最小变异系数γ_Cd所对应的S_C即为对应峰区d的统计周期长度；

(2)根据步骤1得到的典型季、典型月、典型周、峰区时段及统计周期长度，构建道路通堵趋势预测的推理模型，具体包括以下子步骤：

(2.1)根据简单算术平均滤波模型，从海量GPS历史数据中得到滤波后的车流平均速度；

(2.2)采用线性回归预测方法对步骤2.1滤波后的时间序列缺损数据进行补遗；

(2.3)定义采样滚动时区，具体方法为：

定义1：T_k为采样滚动时区标识，k为时区号，k取值范围为1到正无穷；

p为采样滚动时区内统计周期号，p取值范围为1到任意正整数；

t_k(p)为第k号采样滚动时区内时点标识；

其中，t_k(1)为k号采样滚动时区的起始时刻，且t_k+p(1)＝t_k(1)+ΔT

于是，设定n为p取值范围内的任意正整数，T_k＝{t_k(p)|p＝1,2,...,n}；

定义2:为T_k第q号子时区标识，q取值范围1到3

取n₁＝n/4

n₂＝2n₁

n₃＝3n₁

于是：

$N_1^{\left(k\right)}=\{t_k\left(p\right)/p=\mathrm{1,2},...n_2\},$

$N_2^{\left(k\right)}=\{t_k\left(p\right)/p=n_1+1,n_1+1,...,n_3\},$

$N_3^{\left(k\right)}=\{t_k\left(p\right)/p=n_2+1,n_2+1,...,n\},$

(2.4)构建道路通堵趋势预测的推理模型,包括四个子模型，具体如下：

(2.4.1)第一基本模型：基于T_k车流均速的计算模型，得到车流平均速度序列,具体为；

记为在时区T_k内，序列为g的车流平均速度序列，g取值范围为1到任意正整数；

V1(k)为针对子时区的车流均速；

V2(k)为针对子时区的车流均速；

V3(k)为针对子时区的车流均速；

V0(k)为针对时区T最后一个统计周期的车流均速；

V(k)为针对时区T最后两个统计周期的车流均速；

显然， $V0\left(k\right)=\stackrel{\‾}{v}(k,n),$

$V1\left(k\right)=\frac{\underset{g=1}{\overset{n_2}{\mathrm{\Σ}}}\stackrel{\‾}{v}(k,g)}{n_2},$

$V2\left(k\right)=\frac{\underset{g=n_1+1}{\overset{n_3}{\mathrm{\Σ}}}\stackrel{\‾}{v}(k,g)}{n_2},$

$V3\left(k\right)=\frac{\underset{g=n_2+1}{\overset{n}{\mathrm{\Σ}}}\stackrel{\‾}{v}(k,g)}{n_2},$

$V\left(k\right)=\frac{\underset{g=n-1}{\overset{n}{\mathrm{\Σ}}}\stackrel{\‾}{v}(k,g)}{2};$

(2.4.2)第二基本模型：基于T_k车流均速总体变化率计算模型，得到dV(k)；

记dV(k)为针对时区T_k车流均速的总体变化率，

显然，dV(k)＝(V3(k)-V1(k))/n₂

若dV(k)>0，代表车流均速呈递增状态；

若dV(k)<0，代表车流均速呈递减状态；

若dV(k)＝0，代表车流均速总体不变；

(2.4.3)第三基本模型：基于T_k车流均速时间序列曲线总体凹性分析模型，得到ddV(K)；

记ddV(k)为针对时区T_k车流均速时间序列曲线的总体凹性，

显然，ddV(k)＝V3(k)-2V2(k)+V1(k)；

若ddV(k)>0，代表时区T_k内车流均速时间序列曲线呈凹状；

若ddV(k)<0，代表时区T_k内车流均速时间序列曲线呈凸状；

若ddV(k)＝0，代表时区T_k内车流均速总体变化趋势不变；

(2.4.4)第四基本模型：基于车流运行特征分析特殊模型，得到特殊情况下的车流均速、dV(k)和ddV(K)；

第一特殊模型(n＝3)

$V0\left(k\right)=\stackrel{\&OverBar;}{v}(k,3),$

$V1\left(k\right)=\underset{g=1}{\overset{2}{\mathrm{\&Sigma;}}}\stackrel{\&OverBar;}{v}(k,g)/2,$

$V2\left(k\right)=\stackrel{\&OverBar;}{v}(k,2),$

$V3\left(k\right)=V\left(K\right)=\underset{g=2}{\overset{3}{\mathrm{\&Sigma;}}}\stackrel{\&OverBar;}{v}(k,g)/2$

dV(k)＝(V3(k)-V1(k))/2,

ddV(k)＝V3(k)-2V2(k)+V1(k)；

第二特殊模型(n＝6)

$V0\left(k\right)=\stackrel{\&OverBar;}{v}(k,6),$

$V\left(k\right)=\underset{g=5}{\overset{6}{\mathrm{\&Sigma;}}}\stackrel{\&OverBar;}{v}(k,g)/2,$

$V1\left(k\right)=\underset{g=1}{\overset{3}{\mathrm{\&Sigma;}}}\stackrel{\&OverBar;}{v}(k,g)/3,$

$V2\left(k\right)=\underset{g=3}{\overset{4}{\mathrm{\&Sigma;}}}\stackrel{\&OverBar;}{v}(k,g)/2,$

$V3\left(k\right)=\underset{g=4}{\overset{6}{\mathrm{\&Sigma;}}}\stackrel{\&OverBar;}{v}(k,g)/3,$

dV(k)＝(V3(k)-V1(k))/3,

ddV(k)＝V3(k)-2V2(k)+V1(k)；

(2.5)根据步骤4中四个基本模型的构建结果，得出基于GPS实时数据路段状况的情境知识库；具体为：

基于第一基本模型，将车流均速的大小划分成快、中等、慢、很慢四个等级，其对应状态值分别是3、2、1、0，车流均速取值范围分别是>V3、(V2,V3]、(V1,V2]、(0,V1]；

记K1为对应V(k)的状态变量，

K2为对应V0(k)的状态变量,

于是，存在如下事实：

事实1：K₁∈{3,2,1,0}，

事实2：K₂∈{3,2,1,0}；

基于第二基本模型与第三基本模型得出的dV(k)，ddV(k)取值的正负，对这两个变量所对应之状态变量K3及K4按0-1方式进行赋值，具体为dV(k)≥0时，对应状态变量K₃＝1；dV(k)<0，K₃＝0；ddV(k)≥0时：对应状态变量K₄＝1；ddV(k)<0时：K₄＝0，于是，存在如下事实：

事实3：K₃∈{0,1}，

事实4：K₄∈{0,1},

事实1-事实4构成了基于GPS实时数据路段状况的一类情境知识，将事实1和事实2所构成的情境知识库记为事实库1，将事实3和事实4所构成的情境知识库记为事实库2；

(2.6)基于事实库1构建路段短期通堵状况分析的规则库1，基于事实库2构规则库2，具体为：

(2.6.1)规则库1的构建如下：

规则1：如果K₁+K₂≥5那么“路段通畅”，且KK＝1；

规则2：如果K₁+K₂＝4那么“路段基本通畅”，且KK＝1；

规则3：如果K₁+K₂＝3那么“路段通堵临界状态”，且KK＝0；

规则4：如果K₁+K₂＝2那么“路段有所堵塞”，且KK＝0；

规则5：如果K₁+K₂≤1那么“路段堵塞”，且KK＝0；

(2.6.2)规则库2的构建如下：

规则6：如果(KK＝1)∩(K₃＝1)∩(K₄＝1),那么“路段将继续通畅”；

规则7：如果(KK＝1)∩(K₃＝1)∩(K₄＝0),那么“路段通畅度可能降低”；

规则8：如果[(KK＝1)∩(K₃＝0)]∪(KK＝0)∩(K₃＝1),那么“路段介于通堵临界状态”；

规则9：如果(KK＝0)∩(K₃＝0)∩(K₄＝1),那么“路段堵塞状况可能缓解”；

规则10：如果(KK＝0)∩(K₃＝0)∩(K₄＝0),那么“路段将继续堵塞”；

(2.7)描述非正常情况是否出现的情境知识构成事实库3；描述非正常情况严重等级的情境知识构成事实库4；

设非正常情况包括：第一类非正常情况,出现交通事故或道路破损事故或气候状况恶化，简称情况1，它属于随机出现的非正常情况；第二类非正常情况,因特殊原因封道或道路计划休整封道，简称情况2，它属于计划安排的非正常情况；

针对情况1，将其严重等级划分为三级等级：严重、较严重、一般；

针对情况2，将其严重等级划分为二级等级：全封道、半封道；

设：情况1是否出现的状态变量为F₁；情况2是否出现的状态变量为F₂，这就形成情境知识：

事实5：F₁∈{1,0}

事实6：F₂∈{1,0}

F_i＝1表示对应i的非正常情况出现；反之不出现，i∈{1.2}；

事实5和事实6构成事实库3；

设：描述情况1严重等级的状态变量为KF₁，描述情况2严重等级的状态变量为KF₂，这就形成情境知识：

事实7：KF₁∈{2,1,0}

事实8：KF₂∈{1,0}

描述非正常情况出现前道路瞬时通堵状况的归纳性情境知识：

事实9：KK∈{1,0}

KK＝0为非正常情况出现前道路瞬时堵塞；

事实7～事实9构成事实库4；

(2.8)基于事实库3和事实库4构建规则库3，所述规划库3包括如下规则：

规则11：如果KK＝1∩KF₁＝2∩F₁＝1∪F₂＝1，那么“路段将转为严重堵塞”；

规则12：如果KK＝1∩KF₁＝1∩F₁＝1∪F₂＝1，那么“路段将转为堵塞”；

规则13：如果KK＝1∩KF₁＝0∩F₁＝1∪F₂＝1，那么“路段将可能有所堵塞”；

规则14：如果KK＝0∩KF₁＝2∩F₁＝1∪F₂＝1，那么“路段更为堵塞”；

规则15：如果KK＝0∩KF₁＝1∩F₁＝1∪F₂＝1，那么“路段继续堵塞”；

规则16：如果KK＝0∩KF₁＝0∩F₁＝1∪F₂＝1，那么“路段继续有所堵塞”。

(3)将经过过滤和补遗处理的GPS实时数据输入车流运行特性分析推理模型，通过模型的情境知识事实库研判，获得数据所对应的道路通堵状况预测结果。

本发明的有益效果是：

1、本发明通过基于最小变异系数法优选出的统计周期，为道路通堵状况分析模型的研究提供具有典型意义的数据样本，解决了道路通堵状况分析中最优统计周期取值这一关键性问题。

2、本发明采用的车流运行特性分析模型基于车流运行特性分析、车流均速总体变化率计算、车流均速时间序列曲线总体凹性分析和车流运行运行特征分析，解决了基于事实库的路况情境构建和推理规则库的构建问题，提高了GPS实时数据推理出道路短时通堵情况和未来通堵趋势的预测效率，并具有较广泛的适用性。

附图说明

图1为统计周期优选决策流程图；

图2为基于GPS实时数据道路通堵预测推理模型流程示意图；

图3为非正常情况下基于GPS实时数道路通堵预测推理模型图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

本发明通过对GPS历史数据的分析和挖掘，所揭示数据特征和规律，为进一步构建道路通堵状况分析模型打下坚定的基础。对于市内和绕城路段样本，不同季节的月份车辆数差异较大，但同一季节内不同月份的月车辆数差异不大；对各个路段的各个季度，不同月份的周车辆数差异较大，而同一月份内各周的周车辆数差异不大；对于各路段，正逆向车辆数差异性较大，故应分流向统计分析；通过最小变异系数法得出各季节、路段和时段上的统计周期，统计周期统一取6分钟；针对不同路段，发现春季变异系数最小，具有典型性，并分别得出各个路段在春季的典型周。以上结论为接下去的道路通堵状况分析模型的研究，挖掘出具有典型意义的数据样本。

在基于车流特征分析构建道路拥堵推理模型中，首先是关于GPS数据过滤模型的研究，选取最佳的路段通堵分析模型构建的基础模型；其次是对过滤数据补遗处理，使数据具有连续性和完整性特征；第三是基于GPS数据进行道路通堵状况分析模型的构建；第四是基于GPS数据，通过车流运行特性分析推理模型，获得数据所对应的道路通堵状况预测输出结果。

本发明方法具体步骤如下：

(1)通过最小变异系数评价方法推导出统计周期，如图1所示。先基于最小变异系数评估法分别从GPS样本数据中找出其规律特征值，包括典型季、典型月、典型周、统计峰区等。在此基础上，对高峰日、正常日的周车辆数峰区的划分进行优化决策，完成针对空间属性和时间属性，按不同峰区归纳出的统计周期长度最优值选取。

该方法包括如下子步骤：

(1.1)通过优化模型1对周车辆数变异系数分析得到各样本路段上的周车辆数最小变异系数γ_Th和所对应的季节T，该季节T即为典型季；所述优化模型1具体如下：

${\mathrm{\&gamma;}}_{\mathrm{th}}=\frac{{\mathrm{\&delta;}}_{\mathrm{th}}}{E_{\mathrm{th}}}$

其中，h为路段号，h取值范围1到3；t为季节号，t取值范围1到4，t＝1为春季，t＝2为夏季，t＝3为秋季，t＝4为冬季；E_th为t季、h号路段的周车辆数均值；δ_th为t季、h号路段的周车辆数标准差；γ_th为t季、h号路段的周车辆数变异系数；

γ_Th＝min(γ_1h,γ_2h,γ_3h,γ_4h)

则T表示路段h上的周车辆数最小变异系数所对应的季节；

(1.2)基于优化模型2得到典型月和典型周值，这两个值作为峰区选择的采样时段；所述优化模型2具体如下：

$\stackrel{\&OverBar;}{{\mathrm{\&Delta;}}_j}=\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}{\mathrm{\&Delta;}}_{\mathrm{ij}}{q}_{\mathrm{ij}}/\stackrel{\&OverBar;}{q_j}$

其中，i为各季节的序列月份号，i取值范围为1到3；j为各月周次号，j取值范围为1到任意正整数；q_ij为各季节第i月第j周的车流周车辆数；为某季第i月的车流周车辆数；为某季第j周的车流周车辆数，Δ_ij为相对差距，为周相对差距的加权平均值，公式如下:

${\stackrel{\&OverBar;}{q}}_i=\underset{j=1}{\overset{J}{\mathrm{\&Sigma;}}}{q}_{\mathrm{ij}}/J;{\stackrel{\&OverBar;}{q}}_j=\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}{q}_{\mathrm{ij}}/3;{\mathrm{\&Delta;}}_{\mathrm{ij}}=|q_{\mathrm{ij}}-{\stackrel{\&OverBar;}{q}}_i|/\stackrel{\&OverBar;}{q_i}$

作为典型周选择的判据，记则J为典型周号；

Δ_ij作为典型月选择的判据，记Δ_Ij＝min(Δ1j,Δ2j,Δ3j)，则I为典型月号；

(1.3)基于各路段日车辆数，通过优化模型3，首先得出各路段日车辆数状态值，通过车辆数状态均值汇总得到典型高峰日；其次通过统计方法获得各季节各采样路段的峰区规律情况；所述优化模型3具体如下：

$z_j^{\left(h\right)}=\underset{i=1}{\overset{12}{\mathrm{\&Sigma;}}}{z}_{\mathrm{ij}}^{\left(h\right)}/12$

其中，为路段h第i月第j星期的日车辆数状态值；h取值范围为1到3，i取值范围为1到12，j取值范围为1到7；

第i星期日车辆数状态合计值ZZ_j表示为：

${\mathrm{ZZ}}_j=\underset{h=1}{\overset{3}{\mathrm{\&Sigma;}}}{\stackrel{\&OverBar;}{Z}}_j^{\left(h\right)}$ 取ZZ_L＝max{ZZ₁,ZZ₂,...,ZZ₇},L取值范围为1到7，

则L为典型高峰日；

将ZZ_j，j取值范围为1到7中与ZZ_L差值最小的星期归总作为高峰日，其余星期则作为正常日；

(1.4)通过优化模型4，计算得到各采样路段对应峰区的统计周期长度；

优化模型4具体为：

${\mathrm{\&gamma;}}_{\mathrm{cd}}=\frac{{\mathrm{\&delta;}}_{\mathrm{cd}}}{E_{\mathrm{cd}}}$

其中，c为备选的统计周期号，c取值范围为1到5；d为峰区号，d取值范围为1到任意正整数；E_cd为第c号统计周期第d号峰区的车流均速；δ_cd为第c号统计周期第d号峰区的车流速度标准差；γ_cd为第c号统计周期第d号峰区的车流速度变异系数；

取γ_Cd＝min(γ_1d,γ_2d,...,γ_5d)时C的值，则备选的统计周期长度S_C＝C+1；

车流速度最小变异系数γ_Cd所对应的S_C即为对应峰区d的统计周期长度；

(2)根据步骤1得到的典型季、典型月、典型周、峰区时段及统计周期长度，如图2流程图所示构建正常情况下道路情境知识，并根据知识归纳出其规则特征，进而推理出道路通堵预测结果。如图3所示构建非正常情况下道路情境知识，并根据知识归纳出其规则特征，进而推理出道路通堵预测结果。

具体包括以下子步骤：

(2.1)根据简单算术平均滤波模型，从海量GPS历史数据中得到滤波后的车流平均速度；

(2.2)采用线性回归预测方法对步骤2.1滤波后的时间序列缺损数据进行补遗；

(2.3)定义采样滚动时区，具体方法为：

定义1：T_k为采样滚动时区标识，k为时区号，k取值范围为1到正无穷；

p为采样滚动时区内统计周期号，p取值范围为1到任意正整数；

t_k(p)为第k号采样滚动时区内时点标识；

其中，t_k(1)为k号采样滚动时区的起始时刻，且t_k+p(1)＝t_k(1)+ΔT

于是，设定n为p取值范围内的任意正整数，T_k＝{t_k(p)|p＝1,2,...,n}；

定义2:为T_k第q号子时区标识，q取值范围1到3

取n₁＝n/4

n₂＝2n₁

n₃＝3n₁

于是：

$N_1^{\left(k\right)}=\{t_k\left(p\right)/p=\mathrm{1,2},...n_2\},$

$N_2^{\left(k\right)}=\{t_k\left(p\right)/p=n_1+1,n_1+1,...,n_3\},$

$N_3^{\left(k\right)}=\{t_k\left(p\right)/p=n_2+1,n_2+1,...,n\},$

(2.4)构建道路通堵趋势预测的推理模型,包括四个子模型，具体如下：

(2.4.1)第一基本模型：基于T_k车流均速的计算模型，得到车流平均速度序列,具体为；

记为在时区T_k内，序列为g的车流平均速度序列，g取值范围为1到任意正整数；

V1(k)为针对子时区的车流均速；

V2(k)为针对子时区的车流均速；

V3(k)为针对子时区的车流均速；

V0(k)为针对时区T最后一个统计周期的车流均速；

V(k)为针对时区T最后两个统计周期的车流均速；

显然， $V0\left(k\right)=\stackrel{\&OverBar;}{v}(k,n),$

$V1\left(k\right)=\frac{\underset{g=1}{\overset{n_2}{\mathrm{\&Sigma;}}}\stackrel{\&OverBar;}{v}(k,g)}{n_2},$

$V2\left(k\right)=\frac{\underset{g=n_1+1}{\overset{n_3}{\mathrm{\&Sigma;}}}\stackrel{\&OverBar;}{v}(k,g)}{n_2},$

$V3\left(k\right)=\frac{\underset{g=n_2+1}{\overset{n}{\mathrm{\&Sigma;}}}\stackrel{\&OverBar;}{v}(k,g)}{n_2},$

$V\left(k\right)=\frac{\underset{g=n-1}{\overset{n}{\mathrm{\&Sigma;}}}\stackrel{\&OverBar;}{v}(k,g)}{2};$

(2.4.2)第二基本模型：基于T_k车流均速总体变化率计算模型，得到dV(k)；

记dV(k)为针对时区T_k车流均速的总体变化率，

显然，dV(k)＝(V3(k)-V1(k))/n₂

若dV(k)>0，代表车流均速呈递增状态；

若dV(k)<0，代表车流均速呈递减状态；

若dV(k)＝0，代表车流均速总体不变；

(2.4.3)第三基本模型：基于T_k车流均速时间序列曲线总体凹性分析模型，得到ddV(K)；

记ddV(k)为针对时区T_k车流均速时间序列曲线的总体凹性，

显然，ddV(k)＝V3(k)-2V2(k)+V1(k)；

若ddV(k)>0，代表时区T_k内车流均速时间序列曲线呈凹状；

若ddV(k)<0，代表时区T_k内车流均速时间序列曲线呈凸状；

若ddV(k)＝0，代表时区T_k内车流均速总体变化趋势不变；

(2.4.4)第四基本模型：基于车流运行特征分析特殊模型，得到特殊情况下的车流均速、dV(k)和ddV(K)；

第一特殊模型(n＝3)

$V0\left(k\right)=\stackrel{\&OverBar;}{v}(k,3),$

$V1\left(k\right)=\underset{g=1}{\overset{2}{\mathrm{\&Sigma;}}}\stackrel{\&OverBar;}{v}(k,g)/2,$

$V2\left(k\right)=\stackrel{\&OverBar;}{v}(k,2),$

$V3\left(k\right)=V\left(K\right)=\underset{g=2}{\overset{3}{\mathrm{\&Sigma;}}}\stackrel{\&OverBar;}{v}(k,g)/2$

dV(k)＝(V3(k)-V1(k))/2,

ddV(k)＝V3(k)-2V2(k)+V1(k)；

第二特殊模型(n＝6)

$V0\left(k\right)=\stackrel{\&OverBar;}{v}(k,6),$

$V\left(k\right)=\underset{g=5}{\overset{6}{\mathrm{\&Sigma;}}}\stackrel{\&OverBar;}{v}(k,g)/2,$

$V1\left(k\right)=\underset{g=1}{\overset{3}{\mathrm{\&Sigma;}}}\stackrel{\&OverBar;}{v}(k,g)/3,$

$V2\left(k\right)=\underset{g=3}{\overset{4}{\mathrm{\&Sigma;}}}\stackrel{\&OverBar;}{v}(k,g)/2,$

$V3\left(k\right)=\underset{g=4}{\overset{6}{\mathrm{\&Sigma;}}}\stackrel{\&OverBar;}{v}(k,g)/3,$

dV(k)＝(V3(k)-V1(k))/3,

ddV(k)＝V3(k)-2V2(k)+V1(k)；

(2.5)根据步骤4中四个基本模型的构建结果，得出基于GPS实时数据路段状况的情境知识库；具体为：

基于第一基本模型，将车流均速的大小划分成快、中等、慢、很慢四个等级，其对应状态值分别是3、2、1、0，车流均速取值范围分别是>V3、(V2,V3]、(V1,V2]、(0,V1]；

记K1为对应V(k)的状态变量，

K2为对应V0(k)的状态变量,

于是，存在如下事实：

事实1：K₁∈{3,2,1,0}，

事实2：K₂∈{3,2,1,0}；

基于第二基本模型与第三基本模型得出的dV(k)，ddV(k)取值的正负，对这两个变量所对应之状态变量K3及K4按0-1方式进行赋值，具体为dV(k)≥0时，对应状态变量K₃＝1；dV(k)<0，K₃＝0；ddV(k)≥0时：对应状态变量K₄＝1；ddV(k)<0时：K₄＝0，于是，存在如下事实：

事实3：K₃∈{0,1}，

事实4：K₄∈{0,1},

事实1-事实4构成了基于GPS实时数据路段状况的一类情境知识，将事实1和事实2所构成的情境知识库记为事实库1，将事实3和事实4所构成的情境知识库记为事实库2；

(2.6)基于事实库1构建路段短期通堵状况分析的规则库1，基于事实库2构规则库2，具体为：

(2.6.1)规则库1的构建如下：

规则1：如果K₁+K₂≥5那么“路段通畅”，且KK＝1；

规则2：如果K₁+K₂＝4那么“路段基本通畅”，且KK＝1；

规则3：如果K₁+K₂＝3那么“路段通堵临界状态”，且KK＝0；

规则4：如果K₁+K₂＝2那么“路段有所堵塞”，且KK＝0；

规则5：如果K₁+K₂≤1那么“路段堵塞”，且KK＝0；

(2.6.2)规则库2的构建如下：

规则6：如果(KK＝1)∩(K₃＝1)∩(K₄＝1),那么“路段将继续通畅”；

规则7：如果(KK＝1)∩(K₃＝1)∩(K₄＝0),那么“路段通畅度可能降低”；

规则8：如果[(KK＝1)∩(K₃＝0)]∪(KK＝0)∩(K₃＝1),那么“路段介于通堵临界状态”；

规则9：如果(KK＝0)∩(K₃＝0)∩(K₄＝1),那么“路段堵塞状况可能缓解”；

规则10：如果(KK＝0)∩(K₃＝0)∩(K₄＝0),那么“路段将继续堵塞”；

(2.7)描述非正常情况是否出现的情境知识构成事实库3；描述非正常情况严重等级的情境知识构成事实库4；

设非正常情况包括：第一类非正常情况,出现交通事故或道路破损事故或气候状况恶化，简称情况1，它属于随机出现的非正常情况；第二类非正常情况,因特殊原因封道或道路计划休整封道，简称情况2，它属于计划安排的非正常情况；

针对情况1，将其严重等级划分为三级等级：严重、较严重、一般；

针对情况2，将其严重等级划分为二级等级：全封道、半封道；

设：情况1是否出现的状态变量为F₁；情况2是否出现的状态变量为F₂，这就形成情境知识：

事实5：F₁∈{1,0}

事实6：F₂∈{1,0}

F_i＝1表示对应i的非正常情况出现；反之不出现，i∈{1.2}；

事实5和事实6构成事实库3；

设：描述情况1严重等级的状态变量为KF₁，描述情况2严重等级的状态变量为KF₂，这就形成情境知识：

事实7：KF₁∈{2,1,0}

事实8：KF₂∈{1,0}

描述非正常情况出现前道路瞬时通堵状况的归纳性情境知识：

事实9：KK∈{1,0}

KK＝0为非正常情况出现前道路瞬时堵塞；

事实7～事实9构成事实库4；

(2.8)基于事实库3和事实库4构建规则库3，所述规划库3包括如下规则：

规则11：如果KK＝1∩KF₁＝2∩F₁＝1∪F₂＝1，那么“路段将转为严重堵塞”；

规则12：如果KK＝1∩KF₁＝1∩F₁＝1∪F₂＝1，那么“路段将转为堵塞”；

规则13：如果KK＝1∩KF₁＝0∩F₁＝1∪F₂＝1，那么“路段将可能有所堵塞”；

规则14：如果KK＝0∩KF₁＝2∩F₁＝1∪F₂＝1，那么“路段更为堵塞”；

规则15：如果KK＝0∩KF₁＝1∩F₁＝1∪F₂＝1，那么“路段继续堵塞”；

规则16：如果KK＝0∩KF₁＝0∩F₁＝1∪F₂＝1，那么“路段继续有所堵塞”。

(3)将经过过滤和补遗处理的GPS实时数据输入车流运行特性分析推理模型，通过模型的情境知识事实库研判，获得数据所对应的道路通堵状况预测结果。

Claims (1)

1.基于最小变异系数评价及推理模型的道路通堵预测方法，其特征在于，包括以下步骤：

(1)通过最小变异系数评价方法，基于四个优化模型从海量GPS数据中推导出统计周期，该方法包括如下子步骤：

(1.1)通过优化模型1对周车辆数变异系数分析得到各样本路段上的周车辆数最小变异系数γTh和所对应的季节T，该季节T即为典型季；所述优化模型1具体如下：

${\mathrm{\&gamma;}}_{\mathrm{th}}=\frac{{\mathrm{\&delta;}}_{\mathrm{th}}}{E_{\mathrm{th}}}$

其中，h为路段号，h取值范围1到3；t为季节号，t取值范围1到4，t＝1为春季，t＝2为夏季，t＝3为秋季，t＝4为冬季；E_th为t季、h号路段的周车辆数均值；δ_th为t季、h号路段的周车辆数标准差；γ_th为t季、h号路段的周车辆数变异系数；

γ_Th＝min(γ_1h,γ_2h,γ_3h,γ_4h)

则T表示路段h上的周车辆数最小变异系数所对应的季节；

(1.2)基于优化模型2得到典型月和典型周值，这两个值作为峰区选择的采样时段；所述优化模型2具体如下：

$\stackrel{\&OverBar;}{{\mathrm{\&Delta;}}_j}=\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}{\mathrm{\&Delta;}}_{\mathrm{ij}}{q}_{\mathrm{ij}}/\stackrel{\&OverBar;}{q_j}$

其中，i为各季节的序列月份号，i取值范围为1到3；j为各月周次号，j取值范围为1到任意正整数；q_ij为各季节第i月第j周的车流周车辆数；为某季第i月的车流周车辆数；为某季第j周的车流周车辆数，Δ_ij为相对差距，为周相对差距的加权平均值，公式如下:

${\stackrel{\&OverBar;}{q}}_i=\underset{j=1}{\overset{J}{\mathrm{\&Sigma;}}}{q}_{\mathrm{ij}}/J;{\stackrel{\&OverBar;}{q}}_j=\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}{q}_{\mathrm{ij}}/3;{\mathrm{\&Delta;}}_{\mathrm{ij}}=|q_{\mathrm{ij}}-{\stackrel{\&OverBar;}{q}}_i|/\stackrel{\&OverBar;}{q_i}$

作为典型周选择的判据，记则J为典型周号；

Δ_ij作为典型月选择的判据，记Δ_Ij＝min(Δ1j,Δ2j,Δ3j)，则I为典型月号；

(1.3)基于各路段日车辆数，通过优化模型3，首先得出各路段日车辆数状态值，通过车辆数状态均值汇总得到典型高峰日；其次通过统计方法获得各季节各采样路段的峰区规律情况；所述优化模型3具体如下：

$z_j^{\left(h\right)}=\underset{i=1}{\overset{12}{\mathrm{\&Sigma;}}}{z}_{\mathrm{ij}}^{\left(h\right)}/12$

其中，为路段h第i月第j星期的日车辆数状态值；h取值范围为1到3，i取值范围为1到12，j取值范围为1到7；

第i星期日车辆数状态合计值ZZ_j表示为：

${\mathrm{ZZ}}_j=\underset{h=1}{\overset{3}{\mathrm{\&Sigma;}}}{\stackrel{\&OverBar;}{Z}}_j^{\left(h\right)}$

取ZZ_L＝max{ZZ₁,ZZ₂,...,ZZ₇},L取值范围为1到7，

则L为典型高峰日；

将ZZ_j，j取值范围为1到7中与ZZ_L差值最小的星期归总作为高峰日，其余星期则作为正常日；

(1.4)通过优化模型4，计算得到各采样路段对应峰区的统计周期长度；

优化模型4具体为：

${\mathrm{\&gamma;}}_{\mathrm{cd}}=\frac{{\mathrm{\&delta;}}_{\mathrm{cd}}}{E_{\mathrm{cd}}}$

其中，c为备选的统计周期号，c取值范围为1到5；d为峰区号，d取值范围为1到任意正整数；E_cd为第c号统计周期第d号峰区的车流均速；δ_cd为第c号统计周期第d号峰区的车流速度标准差；γ_cd为第c号统计周期第d号峰区的车流速度变异系数；

取γ_Cd＝min(γ_1d,γ_2d,...,γ_5d)时C的值，则备选的统计周期长度S_C＝C+1；

车流速度最小变异系数γ_Cd所对应的S_C即为对应峰区d的统计周期长度；

(2)根据步骤1得到的典型季、典型月、典型周、峰区时段及统计周期长度，构建道路通堵趋势预测的推理模型，具体包括以下子步骤：

(2.1)根据简单算术平均滤波模型，从海量GPS历史数据中得到滤波后的车流平均速度；

(2.2)采用线性回归预测方法对步骤2.1滤波后的时间序列缺损数据进行补遗；

(2.3)定义采样滚动时区，具体方法为：

定义1：T_k为采样滚动时区标识，k为时区号，k取值范围为1到正无穷；

p为采样滚动时区内统计周期号，p取值范围为1到任意正整数；

t_k(p)为第k号采样滚动时区内时点标识；

其中，t_k(1)为k号采样滚动时区的起始时刻，且t_k+p(1)＝t_k(1)+ΔT

于是，设定n为p取值范围内的任意正整数，T_k＝{t_k(p)|p＝1,2,...,n}；

定义2:为T_k第q号子时区标识，q取值范围1到3

取n₁＝n/4

n₂＝2n₁

n₃＝3n₁

于是：

$N_1^{\left(k\right)}=\{t_k\left(p\right)/p=\mathrm{1,2},...n_2\},$

$N_2^{\left(k\right)}=\{t_k\left(p\right)/p=n_1+1,n_1+1,...,n_3\},$

$N_3^{\left(k\right)}=\{t_k\left(p\right)/p=n_2+1,n_2+1,...,n\},$

(2.4)构建道路通堵趋势预测的推理模型,包括四个子模型，具体如下：

(2.4.1)第一基本模型：基于T_k车流均速的计算模型，得到车流平均速度序列,具体为；

记为在时区T_k内，序列为g的车流平均速度序列，g取值范围为1到任意正整数；

V1(k)为针对子时区的车流均速；

V2(k)为针对子时区的车流均速；

V3(k)为针对子时区的车流均速；

V0(k)为针对时区T最后一个统计周期的车流均速；

V(k)为针对时区T最后两个统计周期的车流均速；

显然， $V0\left(k\right)=\stackrel{\&OverBar;}{v}(k,n),$

$V1\left(k\right)=\frac{\underset{g=1}{\overset{n_2}{\mathrm{\&Sigma;}}}\stackrel{\&OverBar;}{v}(k,g)}{n_2},$

$V2\left(k\right)=\frac{\underset{g=n_1+1}{\overset{n_3}{\mathrm{\&Sigma;}}}\stackrel{\&OverBar;}{v}(k,g)}{n_2},$

$V3\left(k\right)=\frac{\underset{g=n_2+1}{\overset{n}{\mathrm{\&Sigma;}}}\stackrel{\&OverBar;}{v}(k,g)}{n_2},$

$V\left(k\right)=\frac{\underset{g=n-1}{\overset{n}{\mathrm{\&Sigma;}}}\stackrel{\&OverBar;}{v}(k,g)}{2},$

(2.4.2)第二基本模型：基于T_k车流均速总体变化率计算模型，得到dV(k)；

记dV(k)为针对时区T_k车流均速的总体变化率，

显然，dV(k)＝(V3(k)-V1(k))/n₂

若dV(k)>0，代表车流均速呈递增状态；

若dV(k)<0，代表车流均速呈递减状态；

若dV(k)＝0，代表车流均速总体不变；

(2.4.3)第三基本模型：基于Tk车流均速时间序列曲线总体凹性分析模型，得到ddV(K)；

记ddV(k)为针对时区T_k车流均速时间序列曲线的总体凹性，

显然，ddV(k)＝V 3(k)-2V2(k)+V1(k)；

若ddV(k)>0，代表时区T_k内车流均速时间序列曲线呈凹状；

若ddV(k)<0，代表时区T_k内车流均速时间序列曲线呈凸状；

若ddV(k)＝0，代表时区T_k内车流均速总体变化趋势不变；

(2.4.4)第四基本模型：基于车流运行特征分析特殊模型，得到特殊情况下的车流均速、dV(k)和ddV(K)；

第一特殊模型(n＝3)

$V0\left(k\right)=\stackrel{\&OverBar;}{v}(k,3),$

$V1\left(k\right)=\underset{g=1}{\overset{2}{\mathrm{\&Sigma;}}}\stackrel{\&OverBar;}{v}(k,g)/2,$

$V2\left(k\right)=\stackrel{\&OverBar;}{v}(k,2),$

$V3\left(k\right)=V\left(K\right)=\underset{g=2}{\overset{3}{\mathrm{\&Sigma;}}}\stackrel{\&OverBar;}{v}(k,g)/2$

dV(k)＝(V3(k)-V1(k))/2,

ddV(k)＝V3(k)-2V2(k)+V1(k)；

第二特殊模型(n＝6)

$V0\left(k\right)=\stackrel{\&OverBar;}{v}(k,6),$

$V\left(k\right)=\underset{g=5}{\overset{6}{\mathrm{\&Sigma;}}}\stackrel{\&OverBar;}{v}(k,g)/2,$

$V1\left(k\right)=\underset{g=1}{\overset{3}{\mathrm{\&Sigma;}}}\stackrel{\&OverBar;}{v}(k,g)/3,$

$V2\left(k\right)=\underset{g=3}{\overset{4}{\mathrm{\&Sigma;}}}\stackrel{\&OverBar;}{v}(k,g)/2,$

$V3\left(k\right)=\underset{g=4}{\overset{6}{\mathrm{\&Sigma;}}}\stackrel{\&OverBar;}{v}(k,g)/3,$

dV(k)＝(V3(k)-V1(k))/3,

ddV(k)＝V3(k)-2V2(k)+V1(k)；

(2.5)根据步骤4中四个基本模型的构建结果，得出基于GPS实时数据路段状况的情境知识库；具体为：

基于第一基本模型，将车流均速的大小划分成快、中等、慢、很慢四个等级，其对应状态值分别是3、2、1、0，车流均速取值范围分别是>V3、(V2,V3]、(V1,V2]、(0,V1]；

记K1为对应V(k)的状态变量，

K2为对应V0(k)的状态变量,

于是，存在如下事实：

事实1：K₁∈{3,2,1,0}，

事实2：K₂∈{3,2,1,0}；

基于第二基本模型与第三基本模型得出的dV(k)，ddV(k)取值的正负，对这两个变量所对应之状态变量K3及K4按0-1方式进行赋值，具体为dV(k)≥0时，对应状态变量K₃＝1；dV(k)<0，K₃＝0；ddV(k)≥0时：对应状态变量K₄＝1；ddV(k)<0时：K₄＝0，于是，存在如下事实：

事实3：K₃∈{0,1}，

事实4：K₄∈{0,1},

事实1-事实4构成了基于GPS实时数据路段状况的一类情境知识，将事实1和事实2所构成的情境知识库记为事实库1，将事实3和事实4所构成的情境知识库记为事实库2；

(2.6)基于事实库1构建路段短期通堵状况分析的规则库1，基于事实库2构规则库2，具体为：

(2.6.1)规则库1的构建如下：

规则1：如果K₁+K₂≥5那么“路段通畅”，且KK＝1；

规则2：如果K₁+K₂＝4那么“路段基本通畅”，且KK＝1；

规则3：如果K₁+K₂＝3那么“路段通堵临界状态”，且KK＝0；

规则4：如果K₁+K₂＝2那么“路段有所堵塞”，且KK＝0；

规则5：如果K₁+K₂≤1那么“路段堵塞”，且KK＝0；

(2.6.2)规则库2的构建如下：

规则6：如果(KK＝1)∩(K₃＝1)∩(K₄＝1),那么“路段将继续通畅”；

规则7：如果(KK＝1)∩(K₃＝1)∩(K₄＝0),那么“路段通畅度可能降低”；

规则8：如果[(KK＝1)∩(K₃＝0)]∪(KK＝0)∩(K₃＝1),那么“路段介于通堵临界状态”；

规则9：如果(KK＝0)∩(K₃＝0)∩(K₄＝1),那么“路段堵塞状况可能缓解”；

规则10：如果(KK＝0)∩(K₃＝0)∩(K₄＝0),那么“路段将继续堵塞”；

(2.7)描述非正常情况是否出现的情境知识构成事实库3；描述非正常情况严重等级的情境知识构成事实库4；

设非正常情况包括：第一类非正常情况,出现交通事故或道路破损事故或气候状况恶化，简称情况1，它属于随机出现的非正常情况；第二类非正常情况,因特殊原因封道或道路计划休整封道，简称情况2，它属于计划安排的非正常情况；

针对情况1，将其严重等级划分为三级等级：严重、较严重、一般；

针对情况2，将其严重等级划分为二级等级：全封道、半封道；

设：情况1是否出现的状态变量为F₁；情况2是否出现的状态变量为F₂，这就形成情境知识：

事实5：F₁∈{1,0}

事实6：F₂∈{1,0}

F_i＝1表示对应i的非正常情况出现；反之不出现，i∈{1.2}；

事实5和事实6构成事实库3；

设：描述情况1严重等级的状态变量为KF₁，描述情况2严重等级的状态变量为KF₂，这就形成情境知识：

事实7：KF₁∈{2,1,0}

事实8：KF₂∈{1,0}

描述非正常情况出现前道路瞬时通堵状况的归纳性情境知识：

事实9：KK∈{1,0}

KK＝0为非正常情况出现前道路瞬时堵塞；

事实7～事实9构成事实库4；

(2.8)基于事实库3和事实库4构建规则库3，所述规划库3包括如下规则：

规则11：如果KK＝1∩KF₁＝2∩F₁＝1∪F₂＝1，那么“路段将转为严重堵塞”；

规则12：如果KK＝1∩KF₁＝1∩F₁＝1∪F₂＝1，那么“路段将转为堵塞”；

规则13：如果KK＝1∩KF₁＝0∩F₁＝1∪F₂＝1，那么“路段将可能有所堵塞”；

规则14：如果KK＝0∩KF₁＝2∩F₁＝1∪F₂＝1，那么“路段更为堵塞”；

规则15：如果KK＝0∩KF₁＝1∩F₁＝1∪F₂＝1，那么“路段继续堵塞”；

规则16：如果KK＝0∩KF₁＝0∩F₁＝1∪F₂＝1，那么“路段继续有所堵塞”。

(3)将经过过滤和补遗处理的GPS实时数据输入车流运行特性分析推理模型，通过模型的情境知识事实库研判，获得数据所对应的道路通堵状况预测结果。