CN106384505A - 一种交通流相似性的判别方法及系统 - Google Patents
一种交通流相似性的判别方法及系统 Download PDFInfo
- Publication number
- CN106384505A CN106384505A CN201610811178.3A CN201610811178A CN106384505A CN 106384505 A CN106384505 A CN 106384505A CN 201610811178 A CN201610811178 A CN 201610811178A CN 106384505 A CN106384505 A CN 106384505A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- time point
- control parameter
- series data
- time series
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种交通流相似性的判别方法及系统,包括:对n个交通流时间序列数据进行归一化处理;获取第一控制参数,第二控制参数,第三控制参数,根据第二控制参数和第三控制参数,计算第一相关参数和第二相关参数;计算每两个归一化后的交通流时间序列数据的差值序列中不大于第一控制参数的第一时间点数量,连续大于第一控制参数中最大的第二时间点数量;根据第一相关参数、第二相关参数、第一时间点数量和第二时间点数量,及预设的交通流相似性的判别条件,判定每两个交通流时间序列数据的相似性;本方案能实现减少时间耗费,准确反映了交通流的相似性,有效地避免交通流短时波动和数据噪声对交通流相似性判别的影响。
Description
技术领域
本发明涉及交通流分类技术领域,更具体地说,涉及一种交通流相似性的判别方法及系统。
背景技术
在智能交通系统中,交通流相似性的判别方法是交通流分类的基础,主要用于判断不同交通流是否具有类似的变化规律。目前,在交通流相似性的判别方法上,最常用的是基于欧氏距离和动态时间弯曲(Dynamic Time Warping,DTW)的判别方法。基于欧氏距离的相似性判别方法,通过计算等长交通流时间序列之间的欧式距离作为交通流之间的相似性判别依据,距离越小则说明它们相似度越大。虽然基于欧氏距离的相似性判别方法应用广泛,但它不能准确反映交通流变化规律的相似性。基于DTW距离的相似性判别方法虽然不要求被比较的两个交通流序列长度一致,并且可以获得较高的识别及匹配精度,但DTW距离计算复杂度高,耗时较多。
因此,如何解决上述问题,提供一种交通流相似性的判别方法是本领域技术人员需要解决的问题。
发明内容
本发明的目的在于提供一种交通流相似性的判别方法及系统,以实现减少时间耗费,准确反映了交通流的相似性,有效地避免交通流短时波动和数据噪声对交通流相似性判别的影响。
为实现上述目的,本发明实施例提供了如下技术方案:
一种交通流相似性的判别方法,包括:
获取n个交通流时间序列数据,每个交通流时间序列数据中包括m个时间点的交通流量;其中,n和m均为正整数;
对所述n个交通流时间序列数据进行归一化处理,生成归一化序列数据;
获取第一控制参数,第二控制参数,第三控制参数,根据所述第二控制参数和第三控制参数,计算第一相关参数和第二相关参数;
计算每两个归一化后的交通流时间序列数据的差值序列中,不大于所述第一控制参数的第一时间点数量,和连续大于所述第一控制参数中最大的第二时间点数量;
根据所述第一相关参数、所述第二相关参数、所述第一时间点数量和所述第二时间点数量,及预设的交通流相似性的判别条件,判定每两个交通流时间序列数据的相似性。
其中,对所述n个交通流时间序列数据进行归一化处理,生成归一化序列数据,包括:
根据归一化公式:对所述n个交通流时间序列数据进行归一化处理,生成归一化序列数据xik;
其中,Xik为第i个交通流时间序列数据中第k个时间点的交通流量;xik为第i个交通流时间序列数据中第k个时间点的交通流量归一化后的数据;i={1,2,…,n},k={1,2,…,m}。
其中,获取第一控制参数,第二控制参数,第三控制参数,根据所述第二控制参数和第三控制参数,计算第一相关参数和第二相关参数,包括:
获取第一控制参数γ,第二控制参数α,第三控制参数β;其中,0≤γ≤1,0≤α≤1,0≤β≤1-α;
利用第一相关参数计算公式:n0=[α×m],计算所述第一相关参数n0;
利用第二相关参数计算公式:m0=[β×m],计算所述第二相关参数m0。
其中,计算每两个归一化后的交通流时间序列数据的差值序列中,不大于所述第一控制参数的第一时间点数量,和连续大于所述第一控制参数中最大的第二时间点数量,包括:
根据差值公式:sijk=|xik-xjk|,计算每两个归一化后的交通流时间序列数据的差值序列sijk,其中,xik为第i个交通流时间序列数据中第k个时间点的交通流量归一化后的数据,xjk为第j个交通流时间序列数据中第k个时间点的交通流量归一化后的数据;j={1,2,…,n};
计算所述差值序列sijk中不大于所述第一控制参数γ的第一时间点数量nij;
计算所述差值序列sijk中连续大于所述第一控制参数γ中最大的第二时间点数量mij。
其中,根据所述第一相关参数、所述第二相关参数、所述第一时间点数量和所述第二时间点数量,及预设的交通流相似性的判别条件,判定每两个交通流时间序列数据的相似性,包括:
若第i个交通流时间序列数据和第j个交通流时间序列数据的差值序列sijk中,不大于所述第一控制参数的时间点数量为第一时间点数量nij,连续大于所述第一控制参数中最大的时间点数量为第二时间点数量mij,且满足所述第一时间点数量nij不小于所述第一相关参数,所述第二时间点数量mij不大于所述第二相关参数,则判定第i个交通流时间序列数据与第j个交通流时间序列数据相似。
一种交通流相似性的判别系统,包括:
获取模块,用于获取n个交通流时间序列数据,每个交通流时间序列数据中包括m个时间点的交通流量;其中,n和m均为正整数;
归一化处理模块,用于对所述n个交通流时间序列数据进行归一化处理,生成归一化序列数据;
相关参数计算模块,用于获取第一控制参数,第二控制参数,第三控制参数,根据所述第二控制参数和第三控制参数,计算第一相关参数和第二相关参数;
时间点数量计算模块,用于计算每两个归一化后的交通流时间序列数据的差值序列中,不大于所述第一控制参数的第一时间点数量,和连续大于所述第一控制参数中最大的第二时间点数量;
相似性判定模块,用于根据所述第一相关参数、所述第二相关参数、所述第一时间点数量和所述第二时间点数量,及预设的交通流相似性的判别条件,判定每两个交通流时间序列数据的相似性。
其中,
所述归一化处理模块根据归一化公式:对所述n个交通流时间序列数据进行归一化处理,生成归一化序列数据xik;
其中,Xik为第i个交通流时间序列数据中第k个时间点的交通流量;xik为第i个交通流时间序列数据中第k个时间点的交通流量归一化后的数据;i={1,2,…,n},k={1,2,…,m}。
其中,所述相关参数计算模块,包括:
获取单元,用于获取第一控制参数γ,第二控制参数α,第三控制参数β;其中,0≤γ≤1,0≤α≤1,0≤β≤1-α;
第一相关参数计算单元,用于利用第一相关参数计算公式:n0=[α×m],计算所述第一相关参数n0;
第二相关参数计算单元,用于利用第二相关参数计算公式:m0=[β×m],计算所述第二相关参数m0。
其中,所述时间点数量计算模块,包括:
差值序列计算单元,用于根据差值公式:sijk=|xik-xjk|,计算每两个归一化后的交通流时间序列数据的差值序列sijk,其中,xik为第i个交通流时间序列数据中第k个时间点的交通流量归一化后的数据,xjk为第j个交通流时间序列数据中第k个时间点的交通流量归一化后的数据;j={1,2,…,n};
第一时间点数量计算单元,用于计算所述差值序列sijk中不大于所述第一控制参数γ的第一时间点数量nij;
第二时间点数量计算单元,用于计算所述差值序列sijk中连续大于所述第一控制参数γ中最大的第二时间点数量mij。
其中,所述相似性判定模块具体用于:
若第i个交通流时间序列数据和第j个交通流时间序列数据的差值序列sijk中,不大于所述第一控制参数的时间点数量为第一时间点数量nij,连续大于所述第一控制参数中最大的时间点数量为第二时间点数量mij,且满足所述第一时间点数量nij不小于所述第一相关参数,所述第二时间点数量mij不大于所述第二相关参数,则判定第i个交通流时间序列数据与第j个交通流时间序列数据相似。
通过以上方案可知,本发明实施例提供的一种交通流相似性的判别方法及系统,包括:获取n个交通流时间序列数据,每个交通流时间序列数据中包括m个时间点的交通流量;其中,n和m均为正整数;对所述n个交通流时间序列数据进行归一化处理,生成归一化序列数据;获取第一控制参数,第二控制参数,第三控制参数,根据所述第二控制参数和第三控制参数,计算第一相关参数和第二相关参数;计算每两个归一化后的交通流时间序列数据的差值序列中,不大于所述第一控制参数的第一时间点数量,和连续大于所述第一控制参数中最大的第二时间点数量;根据所述第一相关参数、所述第二相关参数、所述第一时间点数量和所述第二时间点数量,及预设的交通流相似性的判别条件,判定每两个交通流时间序列数据的相似性;可见,在本实施例中,能实现减少时间耗费,准确反映了交通流的相似性,有效地避免交通流短时波动和数据噪声对交通流相似性判别的影响。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例公开的一种交通流相似性的判别方法流程示意图;
图2为本发明实施例公开的一种交通流相似性的判别系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种交通流相似性的判别方法及系统,以实现减少时间耗费,准确反映了交通流的相似性,有效地避免交通流短时波动和数据噪声对交通流相似性判别的影响。
参见图1,本发明实施例提供的一种交通流相似性的判别方法,包括:
S101、获取n个交通流时间序列数据,每个交通流时间序列数据中包括m个时间点的交通流量;其中,n和m均为正整数;
具体的,在本实施例中,每个交通流时间序列数据中都有m个时间点的交通流量,这里的时间点的个数与数据搜集的时间周期相关,时间周期越大,搜集的时间点的数量越少。在本实施例中第i个交通流时间序列数据为可以表示为:Xi=(Xi1,Xi2,…,Xim),Xik(≥0)为第i个交通流时间序列数据第k个时间点的交通流量,i=1,2,…,n,k=1,2,…,m。
S102、对所述n个交通流时间序列数据进行归一化处理,生成归一化序列数据;
其中,对所述n个交通流时间序列数据进行归一化处理,生成归一化序列数据,包括:
根据归一化公式:对所述n个交通流时间序列数据进行归一化处理,生成归一化序列数据xik;
其中,Xik为第i个交通流时间序列数据中第k个时间点的交通流量;xik为第i个交通流时间序列数据中第k个时间点的交通流量归一化后的数据;i={1,2,…,n},k={1,2,…,m}。
具体的,在本实施例中需要对n个交通流时间序列进行归一化处理,则根据上述归一化公式,归一化处理后的数据可以表示为:xi=(xi1,xi2,…,xim),i=1,2,…,n。
S103、获取第一控制参数,第二控制参数,第三控制参数,根据所述第二控制参数和第三控制参数,计算第一相关参数和第二相关参数;
其中,获取第一控制参数,第二控制参数,第三控制参数,根据所述第二控制参数和第三控制参数,计算第一相关参数和第二相关参数,包括:
获取第一控制参数γ,第二控制参数α,第三控制参数β;其中,0≤γ≤1,0≤α≤1,0≤β≤1-α;
利用第一相关参数计算公式:n0=[α×m],计算所述第一相关参数n0;
利用第二相关参数计算公式:m0=[β×m],计算所述第二相关参数m0。
具体的,本实施例中的控制参数可以根据用户需要进行设定,控制参数γ(0≤γ≤1,实常数)、控制参数α(0≤α≤1,实常数)、控制参数β(0≤β≤1-α,实常数);并根据上述两个相关参数计算公式计算两个相关参数n0和m0。
S104、计算每两个归一化后的交通流时间序列数据的差值序列中,不大于所述第一控制参数的第一时间点数量,和连续大于所述第一控制参数中最大的第二时间点数量;
其中,计算每两个归一化后的交通流时间序列数据的差值序列中,不大于所述第一控制参数的第一时间点数量,和连续大于所述第一控制参数中最大的第二时间点数量,包括:
根据差值公式:sijk=|xik-xjk|,计算每两个归一化后的交通流时间序列数据的差值序列sijk,其中,xik为第i个交通流时间序列数据中第k个时间点的交通流量归一化后的数据,xjk为第j个交通流时间序列数据中第k个时间点的交通流量归一化后的数据;j={1,2,…,n};
计算所述差值序列sijk中不大于所述第一控制参数γ的第一时间点数量nij;
根据第二时间点数量计算公式:
计算所述差值序列sijk中连续大于所述第一控制参数γ中最大的第二时间点数量mij;其中,k0=1,2,…,m。
具体的,对于一切i,j,i≠j,i,j=1,2,…,n,k=1,2,…,m,按照上述的差值公式计算每两个归一化的交通流时间序列数据的差值序列sijk,对于一切i,j,i≠j,i,j=1,2,…,n,计算nij,nij为满足sijk≤γ的时间点数量,k=1,2,…,m;对于一切i,j,i≠j,i,j=1,2,…,n,按上述第二时间点数量计算公式计算mij。
S105、根据所述第一相关参数、所述第二相关参数、所述第一时间点数量和所述第二时间点数量,及预设的交通流相似性的判别条件,判定每两个交通流时间序列数据的相似性。
其中,根据所述第一相关参数、所述第二相关参数、所述第一时间点数量和所述第二时间点数量,及预设的交通流相似性的判别条件,判定每两个交通流时间序列数据的相似性,包括:
若第i个交通流时间序列数据和第j个交通流时间序列数据的差值序列sijk中,不大于所述第一控制参数的时间点数量为第一时间点数量nij,连续大于所述第一控制参数中最大的时间点数量为第二时间点数量mij,且满足所述第一时间点数量nij不小于所述第一相关参数,所述第二时间点数量mij不大于所述第二相关参数,则判定第i个交通流时间序列数据与第j个交通流时间序列数据相似。
具体的,在本实施例中,交通流相似性的判别条件可以根据实际情况进行设定,在本实施例中,设定判别条件为:nij≥n0,且,mij≤m0,当满足这两个条件时,则判定第i个交通流时间序列数据与第j个交通流时间序列数据相似。
下面通过一个具体实施例,对本方案进行解释,具体实施步骤如下:
第1步、输入交通流时间序列数据:
假设,输入2个交通流时间序列数据,分别为X1,X2,具体数据如下:
X1=(8,18,31,44,11,11,9,7,9,4.75,6,24,12,19,54.25,19,22,23,28,54,34,76,104,80,125,136,173,216,244,306,457,488,454,434,389,316,325,295,254,256,234,238,224,258,218,202,177,212,213,238,202,186,194,204,228,195,231,212,207,201,214,217,221,249,217,282,257,241,247,271,255,303,218,214,164,178,121,121,121,121,70,82,72,58,55,82,69,62,48,36,34,36,23,15,41,31);
X2=(26,29,30,21,18,17,11,9,4,24,11.75,15,10,9,14,15,12,21,37,41,57,58,94,126,114,115,154,198,229,283,417,456,418,418,373,183,288,288,290,273,234,234,262,236,225,268,254,218,194,209,239,240,227,241,179,228,250,212,230,196,182,210,241,299,277,271,242,333,237,197,235,238,202,199,180,184,151,136,150,102,79,105,64,55,65,49,74,72,60,36,48,46,45,46,44,40);
第2步、按归一化公式对X1,X2进行归一化处理得x1,x2,具体数据如下:
x1=(0.017,0.037,0.064,0.091,0.023,0.023,0.019,0.014,0.019,0.010,0.012,0.050,0.025,0.039,0.112,0.039,0.046,0.048,0.058,0.112,0.070,0.157,0.215,0.166,0.259,0.281,0.358,0.447,0.505,0.633,0.946,1.010,0.939,0.898,0.805,0.654,0.673,0.610,0.526,0.530,0.484,0.492,0.464,0.534,0.451,0.418,0.366,0.439,0.441,0.492,0.418,0.385,0.401,0.422,0.472,0.404,0.478,0.439,0.428,0.416,0.443,0.449,0.457,0.515,0.449,0.584,0.532,0.499,0.511,0.561,0.528,0.627,0.451,0.443,0.339,0.368,0.250,0.250,0.250,0.250,0.145,0.170,0.149,0.120,0.114,0.170,0.143,0.128,0.099,0.074,0.070,0.074,0.048,0.031,0.085,0.064);
x2=(0.058,0.064,0.066,0.046,0.040,0.038,0.024,0.020,0.009,0.053,0.026,0.033,0.022,0.020,0.031,0.033,0.027,0.046,0.082,0.091,0.126,0.128,0.208,0.279,0.252,0.254,0.341,0.438,0.507,0.626,0.923,1.009,0.925,0.925,0.825,0.405,0.637,0.637,0.642,0.604,0.518,0.518,0.580,0.522,0.498,0.593,0.562,0.482,0.429,0.462,0.529,0.531,0.502,0.533,0.396,0.504,0.553,0.469,0.509,0.434,0.403,0.465,0.533,0.662,0.613,0.600,0.535,0.737,0.524,0.436,0.520,0.527,0.447,0.440,0.398,0.407,0.334,0.301,0.332,0.226,0.175,0.232,0.142,0.122,0.144,0.108,0.164,0.159,0.133,0.080,0.106,0.102,0.100,0.102,0.097,0.088);
第3步、设置判别方法的控制参数,取γ=0.13、α=0.8、β=0.06;
第4步、根据第一相关参数计算公式计算出n0=77,根据第二相关参数计算公式计算出m0=6;
第5步、计算出n12=89,m12=2;
第6步、对X1,X2进行相似性判别:
将第5步得到的n12、m12分别与第4步得到的n0、m0比较可知,n12≥n0且m12≤m0,所以X1、X2相似。
第7步、输出X1、X2相似性的判别结果。
下面对本发明实施例提供的判别系统进行介绍,下文描述的判别系统与上文描述的判别方法可以相互参照。
参见图2,本发明实施例提供的一种交通流相似性的判别系统,包括:
获取模块100,用于获取n个交通流时间序列数据,每个交通流时间序列数据中包括m个时间点的交通流量;其中,n和m均为正整数;
归一化处理模块200,用于对所述n个交通流时间序列数据进行归一化处理,生成归一化序列数据;
相关参数计算模块300,用于获取第一控制参数,第二控制参数,第三控制参数,根据所述第二控制参数和第三控制参数,计算第一相关参数和第二相关参数;
时间点数量计算模块400,用于计算每两个归一化后的交通流时间序列数据的差值序列中,不大于所述第一控制参数的第一时间点数量,和连续大于所述第一控制参数中最大的第二时间点数量;
相似性判定模块500,用于根据所述第一相关参数、所述第二相关参数、所述第一时间点数量和所述第二时间点数量,及预设的交通流相似性的判别条件,判定每两个交通流时间序列数据的相似性。
基于上述技术方案,所述归一化处理模块根据归一化公式:对所述n个交通流时间序列数据进行归一化处理,生成归一化序列数据xik;
其中,Xik为第i个交通流时间序列数据中第k个时间点的交通流量;xik为第i个交通流时间序列数据中第k个时间点的交通流量归一化后的数据;i={1,2,…,n},k={1,2,…,m}。
基于上述技术方案,所述相关参数计算模块,包括:
获取单元,用于获取第一控制参数γ,第二控制参数α,第三控制参数β;其中,0≤γ≤1,0≤α≤1,0≤β≤1-α;
第一相关参数计算单元,用于利用第一相关参数计算公式:n0=[α×m],计算所述第一相关参数n0;
第二相关参数计算单元,用于利用第二相关参数计算公式:m0=[β×m],计算所述第二相关参数m0。
基于上述技术方案,所述时间点数量计算模块,包括:
差值序列计算单元,用于根据差值公式:sijk=|xik-xjk|,计算每两个归一化后的交通流时间序列数据的差值序列sijk,其中,xik为第i个交通流时间序列数据中第k个时间点的交通流量归一化后的数据,xjk为第j个交通流时间序列数据中第k个时间点的交通流量归一化后的数据;j={1,2,…,n};
第一时间点数量计算单元,用于计算所述差值序列sijk中不大于所述第一控制参数γ的第一时间点数量nij;
第二时间点数量计算单元,用于计算所述差值序列sijk中连续大于所述第一控制参数γ中最大的第二时间点数量mij。
基于上述技术方案,所述相似性判定模块具体用于:
若第i个交通流时间序列数据和第j个交通流时间序列数据的差值序列sijk中,不大于所述第一控制参数的时间点数量为第一时间点数量nij,连续大于所述第一控制参数中最大的时间点数量为第二时间点数量mij,且满足所述第一时间点数量nij不小于所述第一相关参数,所述第二时间点数量mij不大于所述第二相关参数,则判定第i个交通流时间序列数据与第j个交通流时间序列数据相似。
本发明实施例提供的一种交通流相似性的判别方法及系统,包括:获取n个交通流时间序列数据,每个交通流时间序列数据中包括m个时间点的交通流量;其中,n和m均为正整数;对所述n个交通流时间序列数据进行归一化处理,生成归一化序列数据;获取第一控制参数,第二控制参数,第三控制参数,根据所述第二控制参数和第三控制参数,计算第一相关参数和第二相关参数;计算每两个归一化后的交通流时间序列数据的差值序列中,不大于所述第一控制参数的第一时间点数量,和连续大于所述第一控制参数中最大的第二时间点数量;根据所述第一相关参数、所述第二相关参数、所述第一时间点数量和所述第二时间点数量,及预设的交通流相似性的判别条件,判定每两个交通流时间序列数据的相似性;可见,在本实施例中,能实现减少时间耗费,准确反映了交通流的相似性,有效地避免交通流短时波动和数据噪声对交通流相似性判别的影响。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种交通流相似性的判别方法,其特征在于,包括:
获取n个交通流时间序列数据,每个交通流时间序列数据中包括m个时间点的交通流量;其中,n和m均为正整数;
对所述n个交通流时间序列数据进行归一化处理,生成归一化序列数据;
获取第一控制参数,第二控制参数,第三控制参数,根据所述第二控制参数和第三控制参数,计算第一相关参数和第二相关参数;
计算每两个归一化后的交通流时间序列数据的差值序列中,不大于所述第一控制参数的第一时间点数量,和连续大于所述第一控制参数中最大的第二时间点数量;
根据所述第一相关参数、所述第二相关参数、所述第一时间点数量和所述第二时间点数量,及预设的交通流相似性的判别条件,判定每两个交通流时间序列数据的相似性。
2.根据权利要求1所述的判别方法,其特征在于,对所述n个交通流时间序列数据进行归一化处理,生成归一化序列数据,包括:
根据归一化公式:对所述n个交通流时间序列数据进行归一化处理,生成归一化序列数据xik;
其中,Xik为第i个交通流时间序列数据中第k个时间点的交通流量;xik为第i个交通流时间序列数据中第k个时间点的交通流量归一化后的数据;i={1,2,…,n},k={1,2,…,m}。
3.根据权利要求1所述的判别方法,其特征在于,获取第一控制参数,第二控制参数,第三控制参数,根据所述第二控制参数和第三控制参数,计算第一相关参数和第二相关参数,包括:
获取第一控制参数γ,第二控制参数α,第三控制参数β;其中,0≤γ≤1,0≤α≤1,0≤β≤1-α;
利用第一相关参数计算公式:n0=[α×m],计算所述第一相关参数n0;
利用第二相关参数计算公式:m0=[β×m],计算所述第二相关参数m0。
4.根据权利要求1所述的判别方法,其特征在于,计算每两个归一化后的交通流时间序列数据的差值序列中,不大于所述第一控制参数的第一时间点数量,和连续大于所述第一控制参数中最大的第二时间点数量,包括:
根据差值公式:sijk=|xik-xjk|,计算每两个归一化后的交通流时间序列数据的差值序列sijk,其中,xik为第i个交通流时间序列数据中第k个时间点的交通流量归一化后的数据,xjk为第j个交通流时间序列数据中第k个时间点的交通流量归一化后的数据;j={1,2,…,n};
计算所述差值序列sijk中不大于所述第一控制参数γ的第一时间点数量nij;
计算所述差值序列sijk中连续大于所述第一控制参数γ中最大的第二时间点数量mij。
5.根据权利要求1所述的判别方法,其特征在于,根据所述第一相关参数、所述第二相关参数、所述第一时间点数量和所述第二时间点数量,及预设的交通流相似性的判别条件,判定每两个交通流时间序列数据的相似性,包括:
若第i个交通流时间序列数据和第j个交通流时间序列数据的差值序列sijk中,不大于所述第一控制参数的时间点数量为第一时间点数量nij,连续大于所述第一控制参数中最大的时间点数量为第二时间点数量mij,且满足所述第一时间点数量nij不小于所述第一相关参数,所述第二时间点数量mij不大于所述第二相关参数,则判定第i个交通流时间序列数据与第j个交通流时间序列数据相似。
6.一种交通流相似性的判别系统,其特征在于,包括:
获取模块,用于获取n个交通流时间序列数据,每个交通流时间序列数据中包括m个时间点的交通流量;其中,n和m均为正整数;
归一化处理模块,用于对所述n个交通流时间序列数据进行归一化处理,生成归一化序列数据;
相关参数计算模块,用于获取第一控制参数,第二控制参数,第三控制参数,根据所述第二控制参数和第三控制参数,计算第一相关参数和第二相关参数;
时间点数量计算模块,用于计算每两个归一化后的交通流时间序列数据的差值序列中,不大于所述第一控制参数的第一时间点数量,和连续大于所述第一控制参数中最大的第二时间点数量;
相似性判定模块,用于根据所述第一相关参数、所述第二相关参数、所述第一时间点数量和所述第二时间点数量,及预设的交通流相似性的判别条件,判定每两个交通流时间序列数据的相似性。
7.根据权利要求6所述的判别系统,其特征在于,
所述归一化处理模块根据归一化公式:对所述n个交通流时间序列数据进行归一化处理,生成归一化序列数据xik;
其中,Xik为第i个交通流时间序列数据中第k个时间点的交通流量;xik为第i个交通流时间序列数据中第k个时间点的交通流量归一化后的数据;i={1,2,…,n},k={1,2,…,m}。
8.根据权利要求6所述的判别系统,其特征在于,所述相关参数计算模块,包括:
获取单元,用于获取第一控制参数γ,第二控制参数α,第三控制参数β;其中,0≤γ≤1,0≤α≤1,0≤β≤1-α;
第一相关参数计算单元,用于利用第一相关参数计算公式:n0=[α×m],计算所述第一相关参数n0;
第二相关参数计算单元,用于利用第二相关参数计算公式:m0=[β×m],计算所述第二相关参数m0。
9.根据权利要求6所述的判别系统,其特征在于,所述时间点数量计算模块,包括:
差值序列计算单元,用于根据差值公式:sijk=|xik-xjk|,计算每两个归一化后的交通流时间序列数据的差值序列sijk,其中,xik为第i个交通流时间序列数据中第k个时间点的交通流量归一化后的数据,xjk为第j个交通流时间序列数据中第k个时间点的交通流量归一化后的数据;j={1,2,…,n};
第一时间点数量计算单元,用于计算所述差值序列sijk中不大于所述第一控制参数γ的第一时间点数量nij;
第二时间点数量计算单元,用于计算所述差值序列sijk中连续大于所述第一控制参数γ中最大的第二时间点数量mij。
10.根据权利要求6所述的判别系统,其特征在于,所述相似性判定模块具体用于:
若第i个交通流时间序列数据和第j个交通流时间序列数据的差值序列sijk中,不大于所述第一控制参数的时间点数量为第一时间点数量nij,连续大于所述第一控制参数中最大的时间点数量为第二时间点数量mij,且满足所述第一时间点数量nij不小于所述第一相关参数,所述第二时间点数量mij不大于所述第二相关参数,则判定第i个交通流时间序列数据与第j个交通流时间序列数据相似。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610811178.3A CN106384505B (zh) | 2016-09-08 | 2016-09-08 | 一种交通流相似性的判别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610811178.3A CN106384505B (zh) | 2016-09-08 | 2016-09-08 | 一种交通流相似性的判别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106384505A true CN106384505A (zh) | 2017-02-08 |
CN106384505B CN106384505B (zh) | 2019-02-22 |
Family
ID=57935421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610811178.3A Active CN106384505B (zh) | 2016-09-08 | 2016-09-08 | 一种交通流相似性的判别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106384505B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274679A (zh) * | 2017-06-06 | 2017-10-20 | 东莞理工学院 | 车辆识别方法、装置、设备及计算机可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1271406A2 (en) * | 2001-06-21 | 2003-01-02 | Fujitsu Limited | Method and apparatus for processing pictures of vehicles |
JP2008152494A (ja) * | 2006-12-15 | 2008-07-03 | Matsushita Electric Ind Co Ltd | 交通流シミュレーション装置および交通流シミュレーション方法 |
CN104063467A (zh) * | 2014-06-26 | 2014-09-24 | 北京工商大学 | 基于改进的相似性搜索技术的域内交通流量模式发现方法 |
US20150039217A1 (en) * | 2013-07-31 | 2015-02-05 | International Business Machines Corporation | Computing a similarity measure over moving object trajectories |
CN104516914A (zh) * | 2013-09-30 | 2015-04-15 | 日电(中国)有限公司 | 识别时间序列模式的方法和装置 |
CN105118294A (zh) * | 2015-09-25 | 2015-12-02 | 山东易构软件技术股份有限公司 | 一种基于状态模式的短时交通流预测方法 |
KR20160049689A (ko) * | 2014-10-28 | 2016-05-10 | 현대엠엔소프트 주식회사 | 실시간 교통정보 제공 장치 및 방법 |
-
2016
- 2016-09-08 CN CN201610811178.3A patent/CN106384505B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1271406A2 (en) * | 2001-06-21 | 2003-01-02 | Fujitsu Limited | Method and apparatus for processing pictures of vehicles |
JP2008152494A (ja) * | 2006-12-15 | 2008-07-03 | Matsushita Electric Ind Co Ltd | 交通流シミュレーション装置および交通流シミュレーション方法 |
US20150039217A1 (en) * | 2013-07-31 | 2015-02-05 | International Business Machines Corporation | Computing a similarity measure over moving object trajectories |
CN104516914A (zh) * | 2013-09-30 | 2015-04-15 | 日电(中国)有限公司 | 识别时间序列模式的方法和装置 |
CN104063467A (zh) * | 2014-06-26 | 2014-09-24 | 北京工商大学 | 基于改进的相似性搜索技术的域内交通流量模式发现方法 |
KR20160049689A (ko) * | 2014-10-28 | 2016-05-10 | 현대엠엔소프트 주식회사 | 실시간 교통정보 제공 장치 및 방법 |
CN105118294A (zh) * | 2015-09-25 | 2015-12-02 | 山东易构软件技术股份有限公司 | 一种基于状态模式的短时交通流预测方法 |
Non-Patent Citations (7)
Title |
---|
SHAN JIANG 等: "Fluctuation Similarity Modeling for Traffic Flow Time Series: A Clustering Approach", 《2015 IEEE 18TH INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
ZHONGSHENG HOU 等: "Repeatability and Similarity of Freeway Traffic Flow and Long-Term Prediction Under Big Data", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS 》 * |
原继东 等: "时间序列的表示与分类算法综述", 《计算机科学》 * |
宋辞 等: "基于特征的时间序列聚类方法研究进展", 《地理科学进展》 * |
李星毅: "基于相似性的交通流分析方法", 《中国博士学位论文全文数据库》 * |
李海林 等: "时间序列数据挖掘中特征表示与相似性度量研究综述", 《计算机应用研究》 * |
杨洁 等: "《城市交叉口群交通动态协调控制方法》", 30 November 2013 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274679A (zh) * | 2017-06-06 | 2017-10-20 | 东莞理工学院 | 车辆识别方法、装置、设备及计算机可读存储介质 |
CN107274679B (zh) * | 2017-06-06 | 2019-08-30 | 东莞理工学院 | 车辆识别方法、装置、设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106384505B (zh) | 2019-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106127170B (zh) | 一种融合关键特征点的训练方法、识别方法及系统 | |
CN103425984B (zh) | 一种检测票据中正多边形印章的方法和装置 | |
CN103605970A (zh) | 一种基于机器学习的图纸建筑元素识别方法及系统 | |
CN109919012A (zh) | 一种基于卷积神经网络的污水处理指示性微生物图像识别方法 | |
WO2018066431A1 (ja) | 貨幣分類装置及び貨幣分類方法 | |
CN101196995B (zh) | 图像中最大人脸的检测装置及方法 | |
CN105654025A (zh) | 一种指纹识别方法、装置及电子设备 | |
CN104464079A (zh) | 基于模板特征点及其拓扑结构的多币种面值识别方法 | |
CN107945200A (zh) | 图像二值化分割方法 | |
CN105225149A (zh) | 一种征信评分确定方法及装置 | |
CN102542275A (zh) | 一种证件照背景自动识别方法及其系统 | |
CN106919373A (zh) | 一种程序代码质量评估方法 | |
CN106650573B (zh) | 一种跨年龄的人脸验证方法及系统 | |
CN106354803A (zh) | 基于特性指标的电力输变电设备负荷坏数据检测算法 | |
CN106384505A (zh) | 一种交通流相似性的判别方法及系统 | |
CN104156784A (zh) | 一种基于未确知测度综合评价的评标方法 | |
CN109447153A (zh) | 用于非均衡数据分类的散度-激励自编码器及其分类方法 | |
CN105069430B (zh) | 一种基于msnrd特征的多姿态人脸检测器的设计方法 | |
CN104318224A (zh) | 一种人脸识别方法及监控设备 | |
CN106897789A (zh) | 一种风电有功功率爬坡事件检测方法及装置 | |
CN101520318B (zh) | 基于影像的板料变形测量处理方法 | |
CN108491927A (zh) | 一种基于神经网络的数据处理方法和装置 | |
CN105718928B (zh) | 一种会计票据处理方法 | |
CN104680118A (zh) | 一种人脸属性检测模型生成方法及系统 | |
CN108380673B (zh) | 确定粗轧减宽策略的方法、系统及终端设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |