CN104809878A - 利用公交车gps数据检测城市道路交通异常状态的方法 - Google Patents

Abstract

本发明属于道路交通检测技术领域，具体公开了一种利用公交车GPS数据检测城市道路交通异常状态的方法，包括以下步骤：1)对公交车GPS数据进行预处理，提取和计算有效的参数以实现对交通状态的表征；2)交通历史状态分析；具体包括交通状态特征提取、交通状态模式识别和交通异常状态的量化定义等步骤；3)交通异常状态检测；具体包括交通状态实时变化趋势分析和交通异常状态判别两个步骤。本发明所提出的城市道路交通异常状态检测方法充分发挥海量公交车GPS数据的优势，既能准确表征城市道路交通状态，又能明确区分城市交通正常状态和异常状态，且能实现同时实现对城市道路交通状态历史情况和实时变化趋势的分析。

Description

利用公交车GPS数据检测城市道路交通异常状态的方法

技术领域

本发明属于道路交通检测技术领域，具体涉及一种检测城市道路交通异常状态的方法。

背景技术

城市道路交通异常状态检测可为交通诱导、应急处理等提供支持和参考，有助于提高现代城市交通管理和服务水平。交通异常状态如果没有得到及时处理，会引发一系列后果，轻则引起堵车甚至二次拥堵，增加出行者的时间成本，重则引发交通事故，造成生命财产损失。交通异常状态发生的随机性大，其发生的时间地点难以准确预测，难以建立精确的数学模型进行描述分析。尤其是在城市道路上，受早晚高峰期的影响，城市道路交通状态会出现上下浮动的情况。在路况变化不定的情况下研究道路交通异常状态更加困难，而也更有必要。

目前有关道路交通异常状态检测的方法如加州算法、标准偏差法(SND)、贝叶斯网络、神经网络、支持向量机等主要针对快速路或高速公路，缺乏对城市道路交通异常状态的研究，且城市道路交通状态比高速路交通状态变化更加复杂；其次，大部分的方法都是以固定检测器数据作为输入，在利用浮动车(如公交车)GPS数据检测异常状态方面尚缺乏有效的研究，没有能够充分发挥海量浮动车GPS数据的优势。

虽然城市道路交通异常状态难以利用精确的数学模型描述，但它和其他异常状态一样，具有相对性、情景性(或条件性)和集群性等特点。充分考虑这些特点，有助于实现及时、准确地检测道路交通异常状态，从而降低异常状态所造成的负面影响。此外，近年来交通领域积累了海量的公交车GPS数据，这些数据覆盖面积广、实时性高、维护成本低和可靠性高，包含丰富的道路交通状态信息，反映了道路交通状态的变化过程，可为道路交通异常状态检测提供支持。

发明内容

有鉴于此，本发明的目的在于提供一种利用公交车GPS数据检测城市道路交通异常状态的方法，以海量的公交车GPS历史数据为基础，结合道路交通状态的实时变化趋势和历史规律，从而准确判别是否有异常状态发生。

为达到上述目的，本发明提供如下技术方案：

利用公交车GPS数据检测城市道路交通异常状态的方法，包括以下步骤：

1)对公交车GPS数据进行预处理，提取和计算有效的参数以实现对道路交通状态的表征；

2)交通历史状态分析；具体包括交通状态特征提取、交通状态模式识别和交通异常状态的量化定义步骤；

3)交通异常状态检测。

进一步，所述步骤1)具体包括如下步骤：

11)从公交车GPS的历史数据中，获得路段延误时间指数；

12)从公交车GPS的当前数据中，获得瞬时速度、周期平均速度、加权滑动平均速度和多车平均速度。

进一步，所述步骤11)中，通过下式获得路段延误时间指数λ(r,i,k)：

$\mathrm{\λ}(r,i,k)=\frac{t(r,i,k)-\min \left\{t(r,k)\right\}}{\min \left\{t(r,k)\right\}};$

其中，λ(r,i,k)表示车辆i在一天中第k个时段经过路段r的路段延误时间指数，t(r,i,k)为车辆i在每天第k个时段经过路段r的路段行程时间,min{t(r,k)}为所有公交车辆在k时段经过路段r的最小的路段行程时间。

进一步，所述步骤2)中，交通状态特征提取包括如下步骤：

21)初始交通情景划分，首先，将一周分为7天，将一天分为n个时间段，然后，将道路划分为m个路段，则从时空的角度可以得到7*m*n个初始交通情景；

22)根据每一车次的路段延误时间指数λ(r,i,k)，统计出每一种初始交通情景下路段延误时间指数的均值及其标准差d(r,k,j)，其中r＝1,2,…,m为路段编号，k＝1,2,…,n为每天的时段编号，j＝1,2,…,7为星期编号；则则表示情景(r,k,j)的交通拥挤程度的特征，d(r,k,j)则表示其波动程度的特征。

进一步，所述步骤2)中，通过如下步骤进行交通状态模式识别：

23)以及d(r,k,j)作为聚类成员，令K＝2为初始值进行聚类，利用K均值自适应算法将7mn个初始聚类成员划分为k类C₁,C₂,...,C_k；

24)对于聚类成员数目大于1的类，利用T检验方法检验其内部聚类成员中均值最大成员和均值最小成员、均值最大成员和标准差最小成员、标准差最大成员和均值最小成员、标准差最大成员和标准差最小成员4对成员两两之间的差异性；若对于所有的类都有T检验显著性水平P值大于0.05，则说明聚类有效，否则说明聚类无效，需要增大K值进一步聚类，直到满足所有类的内部成员之间的关系满足T检验显著性要求或K值达到最大预定值为止；此时即可确定最终的划分数目K值以及每种初始交通情景所属的类；

25)计算每一类情景下的交通拥挤和波动程度d(i)，其中i＝1,2,…,K；此时和d(i)即可表征每类情景下交通状态的特征。

进一步，所述步骤2)中，通过如下步骤进行交通异常状态的量化定义：

26)将每种情景下的路段延误时间指数进行标准化处理；

27)计算每种情景下的第一四分位数Q1和第三四分位数Q3，进一步计算四分位差IQR，其中IQR＝Q3-Q1；

28)计算每种情景下的正常取值范围[Q1-1.5*IQR，Q3+1.5*IQR]；

29)道路交通异常状态的量化定义：当同一情境下连续两辆公交车的路段延误时间指数的标准化值均超出[Q1-1.5*IQR，Q3+1.5*IQR]，则认为道路上发生了异常的交通状态。

进一步，所述步骤3)包括如下步骤：

31)获得t时刻的4个实时速度变量v₁(i,t)、v₂(i,t)、v₃(i,t)、v₄(t)，按下式计算对应的路段延误时间指数：

$\mathrm{\λ}(r,i)=\frac{l_r/v_{(r,i)}-l_r/v_{r\max }}{l_r/v_{r\max }}=\frac{v_{r\max }}{v_{(r,i)}}-1;$

上式中lr为路段r的长度，v_rmax为在路段r上的最大限速,v_(r,i)为车辆在路段r上第i时刻的瞬时速度；

分别用y₁,y₂,y₃,y₄表示对应的路段延误时间指数；令y^T＝[y₁,y₂,y₃,y₄]，令y_p(t)＝[y^T(t-1),y^T(t-2),…,y^T(t-p)]^T和y_f(t)＝[y^T(t),y^T(t+1),…,y^T(t+f-1)]^T分别为4个变量在过去p个周期和未来f个周期内的样本矩阵，则有

$y_f\left(t\right)=\left[\begin{array}{cccc}{y}_1\left(t\right)& y_2\left(t\right)& y_3\left(t\right)& y_4\left(t\right)\\ y_1(t+1)& y_2(t+1)& y_3(t+1)& y_4(t+1)\\ & ......& & \\ y_1(t+f-1)& y_2(t+f-1)& y_3(t+f-1)& y_4(t+f-1)\end{array}\right];$

其中p和f的最优取值可由历史数据训练得到；

32)利用CVA算法对y_p(t)和y_f(t)进行计算处理，获得得到t时刻的4个速度变量的预测值，将t时刻的变化趋势与实际的状态值进行比较，即可得到道路交通状态的实时变化趋势；

33)从海量的历史数据中计算出历史条件下的每一类交通拥挤程度下正常的交通状态下SPE(i)范围，确定交通正常状态与异常状态之间的临界值；其中大于阈值的是异常状态，而小于阈值的是正常状态：

$\mathrm{SPE}\left(i\right)=\underset{j=1}{\overset{\mathrm{\ω}}{\mathrm{\Σ}}}{(y_{\mathrm{ij}}-{\hat{y}}_{\mathrm{ij}})}^2;$

其中SPE(i)为t时刻的平方预测误差，y_ij为第j个规范变量在第i个周期的观测值，第j个规范变量在第i个周期的估计值，ω为最终输出的变量个数且有ω<＝n，为第j个规范变量在第i个周期的预测误差；

34)利用当前时刻的前p个周期的预测平方误差SPE(i-p+1),SPE(i-p+2),...,SPE(i)作为判别指标进行异常状态的判定，当连续p个周期的SPE值均超过阈值，即判断有异常状态发生。

进一步，所述步骤34)中，p值的最优取值通过历史的异常数据训练获得。

本发明相对于现有技术具有如下优点：

(1)把交通异常状态检测分为交通历史状态分析和交通状态实时变化分析两部分，前者以海量的公交车GPS历史数据为基础，充分发挥海量历史数据的优势以实现对交通历史状态的准确分析。后者以公交车GPS实时数据为基础，分析交通状态的实时变化趋势，结合交通状态的历史趋势和实时变化趋势，可以实现对交通异常状态的实时检测；

(2)针对单一“瞬时速度”不能可靠表征道路交通状态的问题，定义“路段延误时间指数”用以表征交通历史状态。同时，融合瞬时速度、周期平均速度、加权滑动平均速度和多车平均速度等多个实时参数用以表征交通实时状态；

(3)针对交通状态历史趋势性的特点，提出一种基于T检验的K-均值自适应聚类算法用于划分交通情景并确定每类情景的交通状态特征，为实现每类情景下交通异常状态的量化区分奠定基础；

(4)针对目前对城市道路交通正常状态和异常状态没有明确的量化区分的特点，引入四分位差的方法实现对各情景下交通正常状态和异常状态的量化区分；

(5)将交通异常状态视为一种系统故障，引入过程工业领域故障诊断的方法(规范变量分析法)用于实现对交通状态的实时变化趋势分析，从而实现对交通异常状态的检测；

(6)经实际数据验证，用本发明所提出的城市道路交通异常状态检测方法能实现交通异常状态的检测，在误报率低于35％的情况下，检测率达到90％，平均检测时间为3.2分钟，能取得较为满意的检测效果，可为城市道路交通管理和服务提供支持和参考，具有实用意义。

附图说明

图1示出了利用公交车GPS数据检测城市道路交通异常状态的方法,流程示意图；

图2示出了基于T检验的K-均值自适应聚类模型示意图；

图3示出了基于T检验的K-均值自适应聚类算法流程示意图；

图4示出了基于T检验的K-均值自适应聚类算法中对每一类聚类成员进行T检验的流程示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将对本发明的具体实施方式作进一步的详细描述。

参见图1-4，本实施例的利用公交车GPS数据检测城市道路交通异常状态的方法，包括如下步骤：

1)对公交车GPS数据进行预处理，提取和计算有效的参数以实现对道路交通状态的表征；

公交车GPS数据预处理是后续工作的基础，包括数据的接收、解析、清洗，转换、装载和存储，实现数据质量保障，保证数据的正确性、可用性和完整性。由于这些具体的操作内容繁多，目前已有成熟的解决方案，且不是本发明的内容，具体细节在此不作深入介绍。

此外，数据预处理还包括从公交车GPS数据中提取和计算有效的参数以实现对道路交通状态的表征。在公交车GPS数据中直接用于表征交通状态的参数只有“瞬时速度”一项，由于公交在站内需要停靠站上下客、在站间受实时路况多方面的影响，单一的瞬时速度不能有效表征路况的实时交通状态。因此，需要提取有效的参数以便准确表征路段的交通状态。本发明将表征道路交通状态的参数分为历史参数和实时参数两部分。

11)从公交车GPS的历史数据中，通过下式获得路段延误时间指数λ(r,i,k)：

$\mathrm{\&lambda;}(r,i,k)=\frac{t(r,i,k)-\min \left\{t(r,k)\right\}}{\min \left\{t(r,k)\right\}}---\left(1\right)$

其中，λ(r,i,k)表示车辆i在一天中第k个时段经过路段r的路段延误时间指数，t(r,i,k)为车辆i在每天第k个时段经过路段r的路段行程时间,min{t(r,k)}为所有公交车辆在k时段经过路段r的最小的路段行程时间。

路段行程时间反映了公交车辆经过相应路段的情况，比速度信息更加稳定可靠。因此，本发明利用路段行程时间来表征车辆所经过的路段的历史状态。但由于不同路段的长度及路段等级不同，不同路段的路段行程时间差异较大，为了消除不同路段之间的差异，在此定义“路段延误时间指数”来表征一个路段的交通状态。

12)从公交车GPS的当前数据中，获得瞬时速度、周期平均速度、加权滑动平均速度和多车平均速度。

实时条件下车辆处于运行状态，还没有走完所处的路段，不能得到准确的路段行程时间。实时GPS数据直接可用的参数为瞬时速度，但瞬时速度不能完全表征实时路况交通状态的信息。因此，本发明在瞬时速度的基础上，定义了周期平均速度、加权滑动平均速度和多车平均速度等多个参数用以表征道路交通状态。结合一辆车的瞬时状态和过去变化趋势以及同一路段上多车的变化趋势，更能加有利于实现对交通异常状态及时、准确的检测。

①瞬时速度v₁(i,t)：直接参数，表征公交车i在t时刻的瞬时状态；

②周期平均速度v₂(i,t)：车辆i在每周期内平均速度，表征车辆在t时刻前一周期内的趋势，计算公式为：

$v_2(i,t)=\frac{l(i,t)}{\mathrm{\&tau;}}---\left(2\right)$

其中l(i,t)为车辆i在周期t内所走的距离，τ为采样周期长度；

③加权滑动平均速度v₃(i,t)：表征车辆i在t时刻前n个周期内所有瞬时速度的均值，计算公式为：

$v_3(i,t)=\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}\frac{v_j\left(i\right)}{n}---\left(3\right)$

其中v_j(i)为车辆i在前第j个周期内的瞬时速度，n为周期数，此处各瞬时速度加权系数相等，均为1/n；

④多车平均速度v₄(t)：在同一周期内经过同一路段的所有线路车辆的平均速度，其计算公式为：

$v_4\left(t\right)=\left\{\begin{array}{cc}\underset{j=1}{\overset{c}{\mathrm{\&Sigma;}}}\frac{v_j}{c}& c\&GreaterEqual;1\\ y_i(t-1)& c=0\end{array}\right.---\left(4\right)$

其中c为采样周期t内在相同路段上的公交车数量，v_j为车辆j的瞬时速度。

理想情况下，当车辆在路段上匀速行走时，有v₁(t)＝v₂(t)＝v₃(t)＝v₄(t)，但在实际中受不同路段路况和司机驾驶行为差异等因素的影响，以上等式一般不成立。另外，需要注意的是：当车辆处于停靠站上下客的状态时，属于正常的公交停车行为，此时的公交GPS瞬时速度为0，不足以表征道路的交通状态，因此，需要对此种状态下的车辆行驶速度进行修正。具体的方法是：首先确定车辆是否站间停车的状态，若是，则利用车辆进站前两个周期的瞬时速度的均值修正站内的车辆速度。同理，可以对信号灯影响区域内处于停车状态的公交车辆速度进行修正。

此外，为了与历史参数保持一致，也可以利用速度参数来计算“路段延误时间指数”，如式(5)所示：

$\mathrm{\&lambda;}(r,i)=\frac{l_r/v_{(r,i)}-l_r/v_{r\max }}{l_r/v_{r\max }}=\frac{v_{r\max }}{v_{(r,i)}}-1---\left(5\right)$

上式中lr为路段r的长度，v_rmax为在路段r上的最大限速,v_(r,i)为车辆在路段r上第i时刻的瞬时速度且有v_(r,i)>0。当v_(r,i)＝0时，则需要进一步判断车辆是否处于站内停车状态或信号灯区域等待状态，若是，则利用上述方法对车辆行驶速度进行修正；若否，则令λ(r,i)＝λ_max，其中λ_max为利用式(1)从海量历史数据中统计出来的最大值。

2)交通历史状态分析；分析城市道路交通历史状态是为了给交通异常状态的实时检测奠定基础，具体包括交通状态特征提取、交通状态模式识别和交通异常状态的量化定义步骤；

其中交通特征提取是以海量公交车GPS历史数据为基础，统计在不同情景下交通状态的拥挤程度及其波动程度。具体包括初始交通情景划分、交通拥挤和波动程度分析两部分。交通情景划分即从时空的角度确定分析道路交通状态的最小单位，保证正常情况下每一种情景的交通状态的保持稳定或者只在较小的范围内发生波动。而交通拥挤和波动程度分析则是分析历史条件下每一种情景下交通状态的拥挤程度和波动范围，为交通模式识别和道路交通异常状态的量化定义奠定基础。

交通历史状态分析具体步骤如下：

21)初始交通情景划分。首先从时间的角度，将一周分为7天，进一步，将一天分为n个时间段(如以半小时为一个时间段，则一天24小时可划分为48个时间段)；其次，从空间的角度以公交站为节点将道路划分为若干个路段，然后再根据信号灯交叉口、地理环境差异、车道数量、交通状态相同等因素作将每个路段划分为多个更小的路段(也可以是1个)。设最终将需要研究的道路划分为m个不同的路段，则从时空的角度可以得到7*m*n个初始交通情景。

22)交通拥挤和波动程度分析。以海量的公交车GPS历史数据为基础，根据式(1)计算出每一车次的路段延误时间指数λ(r,i,k)，在此基础上统计出每一种初始交通情景下路段延误时间指数的均值及其标准差d(r,k,j)，其中r＝1,2,…,m为路段编号，k＝1,2,…,n为每天的时段编号，j＝1,2,…,7为星期编号。则则表示情景(r,k,j)的交通拥挤程度的特征，d(r,k,j)则表示其波动程度的特征。

交通状态模式识别主要根据及d(r,k,j)对多个初始交通情景进行分类，使同一类情景下的交通状态差异最小化而不同类情景下的交通状态的差异最大化，并在此基础上确定每一类交通情景的拥挤和波动程度。对交通情景进行划分，实质上是对交通状态的划分，每一种情景对应一种交通状态。虽然目前已经存在了多种交通状态划分的方法，但对交通状态的划分范围太大，经过对海量实际数据的分析表明，若交通状态划分范围太大，则会造成漏报和误报的情况，降低交通异常状态检测的精度，因此，需要交通状态对交通情景进行更加精细、准确地划分。

对交通情景的划分有两个关键的问题：其一，划分为多少类？其二，每一类的范围多大？对此，可以利用K-均值聚类算法。该算法原理比较简单，实用性强，在多个不同领域得到广泛的应用，但该算法也存在一些不足之处，如它是一种静态的、离线划分方法，其聚类数目(K值)需预先设定，不适用于海量数据的聚类，且其聚类结果是静态的，不能随着环境条件的变化而改变。因此，本发明提出一种基于T检验的K-均值自适应聚类算法以实现对交通情景的划分。基于T检验的K-均值自适应聚类算法的模型如图2所示。

其中T-检验用于检验同一类聚类成员之间的差异性，为K值的确定提供参考和依据，而引入自适应的思想是为了使该算法具有自学习的功能，能够对系统参数的变化做出及时的调整，以增强算法的适应性。

交通状态模式识别具体步骤如下：

23)以及d(r,k,j)作为聚类成员，令K＝2为初始值进行聚类，利用K均值自适应算法将7mn个初始聚类成员(初始情景)划分为k类C₁,C₂,...,C_k；

24)对于聚类成员数目大于1的类，利用T检验方法检验其内部聚类成员中均值最大成员和均值最小成员、均值最大成员和标准差最小成员、标准差最大成员和均值最小成员、标准差最大成员和标准差最小成员4对成员两两之间的差异性；若对于所有的类都有T检验显著性水平P值大于0.05，则说明聚类有效，否则说明聚类无效，需要增大K值进一步聚类，直到满足所有类的内部成员之间的关系满足T检验显著性要求或K值达到最大预定值为止；此时即可确定最终的划分数目K值以及每种初始交通情景所属的类；

25)计算每一类情景下的交通拥挤和波动程度d(i)，其中i＝1,2,…,K；此时和d(i)即可表征每类情景下交通状态的特征。

所述步骤2)中，通过如下步骤进行交通异常状态的量化定义：

交通异常状态的量化定义是在交通状态模式识别的基础上确定每一类交通情景下正常状态和异常状态的差异，以为后续训练每类情景下的阈值提供参考。目前在城市道路交通方面，对于正常状态和异常状态的区分还没有统一、明确的标准可供参考。因此，本发明提出一种基于四分为差的方法以实现对道路交通正常状态和异常状态的划分。

26)将每种情景下的路段延误时间指数进行标准化处理(均值为0，标准差为1)；

27)计算每种情景下的第一四分位数Q1和第三四分位数Q3，进一步计算四分位差IQR，其中IQR＝Q3-Q1；

28)计算每种情景下的正常取值范围[Q1-1.5*IQR，Q3+1.5*IQR]；

29)道路交通异常状态的量化定义：当同一情境下连续两辆公交车的路段延误时间指数的标准化值均超出[Q1-1.5*IQR，Q3+1.5*IQR]，则认为道路上发生了异常的交通状态。

3)交通异常状态检测。

经分析，用于表征实时交通状态的4个速度参数中除了周期平均速度之外，瞬时速度、加权滑动平均速度和多车平均速度这三个参数都具有很强的自相关性，传统算法往往忽略了该特点，而规范变量分析(Canonical VariateAnalysis，CVA，)算法则考虑到了这一点。CVA算法发展于最优的统计推理原理，并且其最优的统计精度已得到证明。

因此，本发明引入CVA算法用于道路交通异常状态的检测过程，包括实时参数选择、交通状态实时变化趋势分析、阈值的训练、交通异常状态的最终判别四部分，具体如下。

31)获得t时刻的4个实时速度变量v₁(i,t)、v₂(i,t)、v₃(i,t)、v₄(t)，按下式计算对应的路段延误时间指数：

$\mathrm{\&lambda;}(r,i)=\frac{l_r/v_{(r,i)}-l_r/v_{r\max }}{l_r/v_{r\max }}=\frac{v_{r\max }}{v_{(r,i)}}-1---\left(6\right)$

上式中lr为路段r的长度，v_rmax为在路段r上的最大限速,v_(r,i)为车辆在路段r上第i时刻的瞬时速度；

分别用y₁,y₂,y₃,y₄表示对应的路段延误时间指数；令y^T＝[y₁,y₂,y₃,y₄]，令y_p(t)＝[y^T(t-1),y^T(t-2),…,y^T(t-p)]^T和y_f(t)＝[y^T(t),y^T(t+1),…,y^T(t+f-1)]^T分别为4个变量在过去p个周期和未来f个周期内的样本矩阵，则有

$y_f\left(t\right)=\left[\begin{array}{cccc}{y}_1\left(t\right)& y_2\left(t\right)& y_3\left(t\right)& y_4\left(t\right)\\ y_1(t+1)& y_2(t+1)& y_3(t+1)& y_4(t+1)\\ & ......& & \\ y_1(t+f-1)& y_2(t+f-1)& y_3(t+f-1)& y_4(t+f-1)\end{array}\right]---\left(8\right)$

其中p和f的最优取值可由历史数据训练得到；

32)利用CVA算法对y_p(t)和y_f(t)进行计算处理，获得得到t时刻的4个速度变量的预测值，将t时刻的变化趋势与实际的状态值进行比较，即可得到道路交通状态的实时变化趋势；

33)根据以上CVA算法输出预测值，本发明采用SPE统计量(SquaredPrediction Error，即平方预测误差)来表征模型的精度；从海量的历史数据中计算出历史条件下的每一类交通拥挤程度下正常的交通状态下SPE(i)范围，确定交通正常状态与异常状态之间的临界值；其中大于阈值的是异常状态，而小于阈值的是正常状态：

$\mathrm{SPE}\left(i\right)=\underset{j=1}{\overset{\mathrm{\&omega;}}{\mathrm{\&Sigma;}}}{(y_{\mathrm{ij}}-{\hat{y}}_{\mathrm{ij}})}^2---\left(9\right)$

其中SPE(i)为t时刻的平方预测误差，y_ij为第j个规范变量在第i个周期的观测值，第j个规范变量在第i个周期的估计值，ω为最终输出的变量个数且有ω<＝n，为第j个规范变量在第i个周期的预测误差；

34)车辆在路段上行驶，受实际路况、车辆、驾驶员等多种因素的影响可能会出现突然减速或者暂时停车的情况，此时得到的SPE值虽然会突然增大，但并不能说明是出现了异常状态。此外，在拥堵状态下本来车辆已经处于停止或者速度很小，此时也并不能马上判别是正常拥堵或者是异常拥堵。由于交通异常状态具有集群性，因此，为提高道路交通异常状态的检测率，同时降低误判率，需要利用当前时刻的前p个周期的预测平方误差SPE(i-p+1),SPE(i-p+2),...,SPE(i)作为判别指标。当连续p个周期的SPE值均超过阈值，即判断有异常状态发生。p值的最优取值通过历史的异常数据训练获得。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (8)

1.利用公交车GPS数据检测城市道路交通异常状态的方法，其特征在于：包括以下步骤：

1)对公交车GPS数据进行预处理，提取和计算有效的参数以实现对道路交通状态的表征；

2)交通历史状态分析；具体包括交通状态特征提取、交通状态模式识别和交通异常状态的量化定义步骤；

3)交通异常状态检测。

2.如权利要求1所述的利用公交车GPS数据检测城市道路交通异常状态的方法，其特征在于：所述步骤1)具体包括如下步骤：

11)从公交车GPS的历史数据中，获得路段延误时间指数；

12)从公交车GPS的当前数据中，获得瞬时速度、周期平均速度、加权滑动平均速度和多车平均速度。

3.如权利要求2所述的利用公交车GPS数据检测城市道路交通异常状态的方法，其特征在于：所述步骤11)中，通过下式获得路段延误时间指数λ(r,i,k)：

$\mathrm{\&lambda;}(r,i,k)=\frac{t(r,i,k)-\min \left\{t(r,k)\right\}}{\min \left\{t(r,k)\right\}};$

其中，λ(r,i,k)表示车辆i在一天中第k个时段经过路段r的路段延误时间指数，t(r,i,k)为车辆i在每天第k个时段经过路段r的路段行程时间,min{t(r,k)}为所有公交车辆在k时段经过路段r的最小的路段行程时间。

4.如权利要求3所述的利用公交车GPS数据检测城市道路交通异常状态的方法，其特征在于：所述步骤2)中，交通状态特征提取包括如下步骤：

21)初始交通情景划分，首先，将一周分为7天，将一天分为n个时间段，然后，将道路划分为m个路段，则从时空的角度可以得到7*m*n个初始交通情景；

22)根据每一车次的路段延误时间指数λ(r,i,k)，统计出每一种初始交通情景下路段延误时间指数的均值及其标准差d(r,k,j)，其中r＝1,2,…,m为路段编号，k＝1,2,…,n为每天的时段编号，j＝1,2,…,7为星期编号；则则表示情景(r,k,j)的交通拥挤程度的特征，d(r,k,j)则表示其波动程度的特征。

5.如权利要求4所述的利用公交车GPS数据检测城市道路交通异常状态的方法，其特征在于：所述步骤2)中，通过如下步骤进行交通状态模式识别：

23)以及d(r,k,j)作为聚类成员，令K＝2为初始值进行聚类，利用K均值自适应算法将7mn个初始聚类成员划分为k类C₁,C₂,...,C_k；

24)对于聚类成员数目大于1的类，利用T检验方法检验其内部聚类成员中均值最大成员和均值最小成员、均值最大成员和标准差最小成员、标准差最大成员和均值最小成员、标准差最大成员和标准差最小成员4对成员两两之间的差异性；若对于所有的类都有T检验显著性水平P值大于0.05，则说明聚类有效，否则说明聚类无效，需要增大K值进一步聚类，直到满足所有类的内部成员之间的关系满足T检验显著性要求或K值达到最大预定值为止；此时即可确定最终的划分数目K值以及每种初始交通情景所属的类；

25)计算每一类情景下的交通拥挤和波动程度d(i)，其中i＝1,2,…,K；此时和d(i)即可表征每类情景下交通状态的特征。

6.如权利要求5所述的利用公交车GPS数据检测城市道路交通异常状态的方法，其特征在于：所述步骤2)中，通过如下步骤进行交通异常状态的量化定义：

26)将每种情景下的路段延误时间指数进行标准化处理；

27)计算每种情景下的第一四分位数Q1和第三四分位数Q3，进一步计算四分位差IQR，其中IQR＝Q3-Q1；

28)计算每种情景下的正常取值范围[Q1-1.5*IQR，Q3+1.5*IQR]；

29)道路交通异常状态的量化定义：当同一情境下连续两辆公交车的路段延误时间指数的标准化值均超出[Q1-1.5*IQR，Q3+1.5*IQR]，则认为道路上发生了异常的交通状态。

7.如权利要求6所述的利用公交车GPS数据检测城市道路交通异常状态的方法，其特征在于：所述步骤3)包括如下步骤：

31)获得t时刻的4个实时速度变量v₁(i,t)、v₂(i,t)、v₃(i,t)、v₄(t)，按下式计算对应的路段延误时间指数：

$\mathrm{\&lambda;}(r,i)=\frac{l_r/v_{(r,i)}-l_r/v_{r\max }}{l_r/v_{r\max }}=\frac{v_{r\max }}{v_{(r,i)}}-1;$

上式中lr为路段r的长度，v_rmax为在路段r上的最大限速,v_(r,i)为车辆在路段r上第i时刻的瞬时速度；

分别用y₁,y₂,y₃,y₄表示对应的路段延误时间指数；令y^T＝[y₁,y₂,y₃,y₄]，令y_p(t)＝[y^T(t-1),y^T(t-2),…,y^T(t-p)]^T和y_f(t)＝[y^T(t),y^T(t+1),…,y^T(t+f-1)]^T分别为4个变量在过去p个周期和未来f个周期内的样本矩阵，则有

$y_p\left(t\right)=\left[\begin{array}{cccc}{y}_1(t-1)& y_2(t-1)& y_3(t-1)& y_4(t-1)\\ y_1(t-2)& y_2(t-2)& y_3(t-2)& y_4(t-2)\\ & \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& \\ y_1(t-p)& y_2(t-p)& y_3(t-p)& y_4(t-p)\end{array}\right];$

$y_f\left(t\right)=\left[\begin{array}{cccc}{y}_1\left(t\right)& y_2\left(t\right)& y_3\left(t\right)& y_4\left(t\right)\\ y_1(t+1)& y_2(t+1)& y_3(t+1)& y_4(t+1)\\ & \&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;& & \\ y_1(t+f-1)& y_2(t+f-1)& y_3(t+f-1)& y_4(t+f-1)\end{array}\right];$

其中p和f的最优取值可由历史数据训练得到；

32)利用CVA算法对y_p(t)和y_f(t)进行计算处理，获得得到t时刻的4个速度变量的预测值，将t时刻的变化趋势与实际的状态值进行比较，即可得到道路交通状态的实时变化趋势；

33)从海量的历史数据中计算出历史条件下的每一类交通拥挤程度下正常的交通状态下SPE(i)范围，确定交通正常状态与异常状态之间的临界值；其中大于阈值的是异常状态，而小于阈值的是正常状态：

$\mathrm{SPE}\left(i\right)=\underset{j=1}{\overset{\mathrm{\&omega;}}{\mathrm{\&Sigma;}}}{(y_{\mathrm{ij}}-{\hat{y}}_{\mathrm{ij}})}^2;$

其中SPE(i)为t时刻的平方预测误差，y_ij为第j个规范变量在第i个周期的观测值，第j个规范变量在第i个周期的估计值，ω为最终输出的变量个数且有ω<＝n，为第j个规范变量在第i个周期的预测误差；

34)利用当前时刻的前p个周期的预测平方误差SPE(i-p+1),SPE(i-p+2),...,SPE(i)作为判别指标进行异常状态的判定，当连续p个周期的SPE值均超过阈值，即判断有异常状态发生。

8.如权利要求7所述的利用公交车GPS数据检测城市道路交通异常状态的方法，其特征在于：所述步骤34)中，p值的最优取值通过历史的异常数据训练获得。