CN108320506B - 一种基于复合网络的拥堵时段的发现方法 - Google Patents

Abstract

本发明属于交通状况预测领域，涉及一种基于复合网络的拥堵时段的发现方法，该方法基于复杂网络理论，构建了路口网络和传感器网络的复合网络，能够准确判断出交通网络中的拥堵时段，该方法具体按照如下步骤进行：首先定义拥堵指数T_i、拥堵时段和拥堵等级量化，再通过建立路口网络与传感器网络的映射关系和拥堵时段分析来计算拥堵时段，最后进行常发拥堵时段分析，该方法所建立的模型较简单，计算数据量较少，处理过程简洁明了，操作性和实用性好，便于有效实施；同时整体计构思巧妙，所需基础设备易获得，预测过程简单，应用环境友好，市场前景广阔。

Description

一种基于复合网络的拥堵时段的发现方法

技术领域：

本发明属于交通状况预测领域，涉及一种交通拥堵状况的预测方法，特别是一种基于复合网络的拥堵时段的发现方法。

背景技术：

随着经济的飞速发展，私家车保有量大大增加，城市道路拥堵问题日益严峻，为城市交通畅通运行保障带来了巨大挑战，也对人们的生活出行造成很大的影响。交通控制管理中心依靠智能交通系统(Intelligent Transportation System,ITS)及时处理事故，保障道路畅通。ITS通过监控道路和车辆状态获取交通数据，为交通部门提供分析结果，有效的缓解了道路拥堵问题。其中，通过对历史数据的分析，获得城市不同位置的拥堵时段对ITS的构建有着重要作用。当不同路口的拥堵时段、时长能够分析出来，相关部门也就可以根据分析结果对道路行驶规则进行改进，但是该方法缺乏可靠的交通拥堵传播模型，难以实现大面积、精准化的交通拥堵分析，也无法支撑高效率的交通拥堵预测，只能够实现小范围面积内的拥堵预测分析，现有技术中，专利号为201610976252.7的中国专利公开了一种基于交通拥堵传播模型的交通拥堵预测方法及系统，通过车辆的历史轨迹计算出车辆在通过第一路段的通行速度：根据通行速度计算出车辆行驶阈值，若当前车辆的瞬时行驶速度小于车辆行驶阈值，则判定发生交通拥堵，将每月中交通拥堵次数大于一定次数的路段判定为常发性交通拥堵路段，根据常发性交通拥堵路段生成拥堵子图，根据所有连接路段同时发生交通拥堵的概率，对拥堵子图进行标定后生成交通拥堵概率图模型后对交通拥堵情况进行预测，能够实现根据多源轨迹大数据提取准确的道路交通状态，从而完成城市交通拥堵传播分析，但是该方法需要建立极为复杂的模型，计算和处理过程繁琐，并且需要通过获得大量交通数据为基础，这些数据不仅包括每一辆车精确地的形式轨迹数据和行驶速度数据，因此操作性和实用性较差，难以有效实施，因此，本本发明提出一种基于复合网络的拥堵时段的发现方法，该方法将城市道路网络分解为路口网络和传感器网络。将数据量大且数据之间关系复杂的交通数据加载到传感器网络中，结合时间序列对数据进行统计分析，通过定义四种交通数据状态，提出一种拥堵时段的发现方法。这种方法考虑了平均速度和时间占有率两种交通特征，精度较高，并且还定义了多个阈值，可以实现不同条件下的拥堵时段的发现。

发明内容：

本发明的目的在于克服现有技术存在的缺陷，寻求设计一种基于复合网络的拥堵时段的发现方法，该方法基于复合网络理论，构建了路口网络和传感器网络的复合网络，能够准确判断出交通网络中的拥堵时段。

为了实现上述目的，本发明所述的基于复合网络的拥堵时段的发现方法中的复合网络是由两个或两个以上子网和子网间连边构成的，子网是构成复合网络的独立的网络，本发明中的复合网络包括两个网络，即路口网络和传感器网络，该方法具体按照如下步骤进行：

S1、定义拥堵指数T_i、拥堵时段和拥堵等级量化

(1)拥堵指数T_i：T_i是节点i的综合交通指数,T_i是对于节点i的交通状态评价指标，本发明利用平均速度和时间占有率来进行计算；该指标衡量了传感器网络中某个节点的拥堵程度,T_i的值越大表示节点i的拥堵程度越高，计算公式如式(1)所示：

T_i＝β*J_v+γ*J_o (1)

J_v是平均速度拥堵指数，

是本周期断面速度，v_f是路段自由流速度，道路的级别不同，路段的自由流速度也不相同，城市道路v_f取80km/h，高速路或者快速路v_f取100km/h；J_o是时间占有率指数，其中

是本周期断面时间占有率，o_max为路段在饱和状态下对应的时间占有率，节点的交通指数计算如下，其中β和γ是权重系数；

(2)拥堵时段：传感器网络中某个节点k在日期d中给定时刻t_i的拥堵指数为

则一天内按时间顺序，节点k的拥堵指数序列为

其中，

为数据统计时间间隔，Δt的范围一般为5分钟到10分钟；

定义拥堵指数阈值e、连续拥堵时间阈值e₁和连续非拥堵时间阈值e₂，如果节点k在日期d中t_i时刻的拥堵指数为

如果

则认为节点k在日期d中t_i时刻处于拥堵状态，连续拥堵时间阈值指节点连续e₁个时刻均为拥堵状态，则认为此时段拥堵，连续非拥堵时间阈值指节点连续e₂个时刻均为非拥堵状态，则认为此时段不拥堵；

(3)拥堵等级量化：将拥堵等级进行划分，拥堵等级的划分标准并不固定，下述将给出一种根据拥堵指数将拥堵状态划分为五级的方法，根据拥堵评价指标的不同，拥堵等级的范围会存在一些变动，级别分类和物理意义如表1所示：

表1拥堵等级划分表

拥堵级别	拥堵指数范围	物理含义
			一级	[0,0.2)	畅通
二级	[0.2,0.4)	基本畅通
			三级	[0.4,0.6)	轻度拥堵
四级	[0.6,0.8)	中度拥堵
			五级	[0.8,1.0)	重度堵塞

S2、计算拥堵时段：

(1)建立路口网络与传感器网络的映射关系

为了实现传感器与路口、道路间的对应关系，传感器网络以物理设备为节点，物理设备包括微波传感器和线圈，主要采集包括平均速度、时间占有率、过车数在内的交通数据，基于这些实时交通数据，来计算节点的拥堵指数，节点之间的有向边代表设备之间能够直达；在建立传感器网络的基础上，进一步构建路口网络，以路口为节点，根据路口之间是否存在能够关系建立建立无向边，将路口网络和传感器网络复合，形成传感器道路复合网络，即在传感器节点和路口节点间增加连边，建立传感器和路口的映射关系，具体建立方案按照如下方法进行：

假设有r1,r2两个路口，每个路口有8个传感器，传感器之间已经按照车流方向建立传感器网络；路口间也按照路口邻近关系建立了网络；在构建复合网络时，在路口集合和传感器集合建立映射关系，在传感器与路口之间建立一对多或一对一关系，即{s₁₁，s₁₂，s₁₃，s₁₄，s₁₅，s₁₆，s₁₇，s₁₈}→{r₁}；若已经基于传感器网络分析出路口的拥堵时只要通过传感器与路口间的连边关系即可得到路口的拥堵情况，对于拥堵线路和拥堵区域的情况类似，只要通过拥堵线路或者区域的传感器找到相应的路口即可；

(2)一天内的拥堵时段分析：

由于节点k的拥堵指数序列<x^k>统计的时间间隔通常较短，<x^k>因此具有大的波动性，为了准确找出一天内的拥堵时段，本发明通过给定滑动窗口的卷积实现数据平滑,具体如下：

设窗口的大小为w，卷积向量为(1/w，1/w，……，1/w),步长s，即对<x^k>相邻两次滑动卷积间隔的数据个数，通常s＝1，设滑动计算后的序列为

对于<x^k>边界数据的卷积计算可采用日期d+1的数据，如果没有日期d+1的数据则根据窗口内数据个数，减少卷积窗口大小w；

在获得<x^k>后，通过给定拥堵指数阈值来判定每个

的拥堵状态，当

时，即认为节点k在时刻t_i拥堵，最终将获得节点k的拥堵序列数据为

在获得节点k的拥堵序列数据＜y^k＞后，然后根据＜y^k＞来确定拥堵时段，根据已定义的拥堵序列数据＜y^k＞，给出节点k的拥堵指数序列示意图；

根据e₁和e₂两个阈值可以将＜y^k＞数据划分为四种状态，如表2所示：

表2.拥堵状态表示

状态符号	状态含义	拥堵状态
			a	拥堵时长&gt;＝e<sub>1</sub>	拥堵
b	拥堵时长&lt;e<sub>1</sub>	不拥堵
			c	非拥堵时长&gt;＝e<sub>2</sub>	不拥堵
d	非拥堵时长&lt;e<sub>2</sub>	拥堵

在对＜y^k＞进行e₁和e₂两个阈值处理后，＜y^k＞最终将变为由a b c d构成的时间状态序列，这个序列是由a,b和c,d相间构成的序列，具体能够通过以下文法给出：

该文法定义为四元组G＝(V,T；P,S)

V:变量集，这里V＝{S,X,Y}

T：终极符集，T＝{a,b,c,d}

S：S称为初始符，S∈V

P：产生式集，P＝{S→a|b|c|d|aX|bX|cY|dY,X→cY|dY,Y→aX|bX}

具体拥堵时段判定为：一个新的拥堵时段开始于状态a，遇到状态c或序列尾端时结束,拥堵级别通过拥堵时段内拥堵指数平均值给予评价，具体计算方式可以采用拥堵序列计算方法或者拥堵时长计算方法来计算，具体计算方式按照如下步骤进行：

(3)拥堵序列计算方法

在该方法中应用了滑动窗口，用以对数据实现平滑，以S1中定义的节点k为基础，节点k为一天内的拥堵指数序列

由于不同数据集采集数据的间隔并不相同，定义不同大小的滑动窗口，得到平滑后的拥堵指数序列，因此，针对＜x^k＞按照步长s以此获取w个数据，并计算平均值，从而获得

对于＜x’^k＞中每一元素，若

则记

否则，

给出拥堵序列数据

(4)采用拥堵时长计算方法

该方法能够找出单个节点的拥堵时长序列集合，以S1中定义的节点k拥堵指数序列

和S2中定义的阈值e₁和e₂为基础，来计算拥堵时长集合

先遍历拥堵指数序列，然后将＜y^k＞划分为表2定义的四种状态，得到由a b c d组成的状态集，如<a，c，b，c，d，……，a……>，每个状态实际上对应着一段连续时间的拥堵指数，如

该步骤将拥堵指数序列转变成拥堵状态序列Z_k，再遍历拥堵状态序列Z_k，对于拥堵时段C_i，存在两种情况，以状态a，d为拥堵序列的起点，当a为起点时，直到遇到状态c(不包括c)，找到一个拥堵时段，当以d为起点时，遇到状态b(不包括b)，C＝C∪C_i；

S3、常发拥堵时段分析：

常发的拥堵时段指一个节点如传感器、路口在一定时间周期内该周期可以选择一个月或一年，具有高频的拥堵所对应的时间范围，为了获得常发拥堵时段，采用S2中所述的方法计算一个节点，一段时间周期内，每天的拥堵序列，并统计该周期内拥堵天数比例，拥堵天数超过给定阈值f，则认为常发的拥堵，具体计算方式如下：

根据算法一中拥堵序列计算算法对数据进行平滑，计算节点k每天的拥堵序列

d∈D，再根据

统计节点k在时段t_i的拥堵频次f_ti，如统计七天内早上八点的拥堵发生频次，若

否则

终产生常发拥堵序列

根据

调用S2中方法(2)中拥堵时长计算算法，得到拥堵时长集合；

对于拥堵时长中的拥堵状况的评价采用该时段内拥堵指数的平均值，在某个拥堵时段t_c＝<t₁，t₂，……，t_j>，那么t_c的拥堵指数计算公式如下：

最后根据

对拥堵时段进行分级。

本发明与现有技术相比，具有以下益处：

1、所建立的模型较简单，计算数据量较少，处理过程简洁明了，操作性和实用性好，便于有效实施；

2、将路网分解为路口网络和传感器网络，将数据量大且数据之间关系复杂的交通数据加载到传感器网络中，从网络的空间角度出发，对数据进行统计分析，由此每个时刻会形成一个网络，基于这些网络进行计算，预测结果准确；

3、该预测方法设整体计构思巧妙，所需基础设备易获得，预测过程简单，应用环境友好，市场前景广阔。

附图说明：

图1为本发明涉及的传感器道路映射示意图。

图2为本发明涉及的拥堵序列数据示意图。

具体实施方式：

下面通过实施例并结合附图对本发明做进一步说明。

实施例1：

本实施例所述的基于复合网络的拥堵时段的发现方法具体按照如下步骤进行：

S1、定义拥堵指数T_i、拥堵时段和拥堵等级量化

(1)拥堵指数T_i：T_i是节点i的综合交通指数,T_i是对于节点i的交通状态评价指标，本发明利用平均速度和时间占有率来进行计算；该指标衡量了传感器网络中某个节点的拥堵程度,T_i的值越大表示节点i的拥堵程度越高，计算公式如式(1)所示:

T_i＝β*J_v+γ*J_o (1)

J_v是平均速度拥堵指数，

是本周期断面速度，v_f是路段自由流速度，道路的级别不同，路段的自由流速度也不相同，城市道路v_f取80km/h，高速路或者快速路v_f取100km/h；J_o是时间占有率指数，其中

是本周期断面时间占有率，o_max为路段在饱和状态下对应的时间占有率，节点的交通指数计算如下，其中β和γ是权重系数；

(2)拥堵时段：传感器网络中某个节点k在日期d中给定时刻t_i的拥堵指数为

则一天内按时间顺序，节点k的拥堵指数序列为

其中，

为数据统计时间间隔，Δt的范围一般为5分钟到10分钟；

定义拥堵指数阈值e、连续拥堵时间阈值e₁和连续非拥堵时间阈值e₂，如果节点k在日期d中t_i时刻的拥堵指数为

如果

则认为节点k在日期d中t_i时刻处于拥堵状态，连续拥堵时间阈值指节点连续e₁个时刻均为拥堵状态，则认为此时段拥堵，连续非拥堵时间阈值指节点连续e₂个时刻均为非拥堵状态，则认为此时段不拥堵；

(3)拥堵等级量化：将拥堵等级进行划分，拥堵等级的划分标准并不固定，下述将给出一种根据拥堵指数将拥堵状态划分为五级的方法，根据拥堵评价指标的不同，拥堵等级的范围会存在一些变动，级别分类和物理意义如表1所示:

表1拥堵等级划分表

拥堵级别	拥堵指数范围	物理含义
			一级	[0,0.2)	畅通
二级	[0.2,0.4)	基本畅通
			三级	[0.4,0.6)	轻度拥堵
四级	[0.6,0.8)	中度拥堵
			五级	[0.8,1.0)	重度堵塞

S2、计算拥堵时段：

(2)建立路口网络与传感器网络的映射关系

为了实现传感器与路口、道路间的对应关系，传感器网络以物理设备为节点，物理设备包括微波传感器和线圈，主要采集包括平均速度、时间占有率、过车数在内的交通数据，基于这些实时交通数据，来计算节点的拥堵指数，节点之间的有向边代表设备之间能够直达；在建立传感器网络的基础上，进一步构建路口网络，以路口为节点，根据路口之间是否存在能够关系建立建立无向边，将路口网络和传感器网络复合，形成传感器道路复合网络，即在传感器节点和路口节点间增加连边，建立传感器和路口的映射关系，具体建立方案按照如下方法进行：

如图1中所示，假设有r1,r2两个路口，每个路口有8个传感器，传感器之间已经按照车流方向建立传感器网络；路口间也按照路口邻近关系建立了网络；在构建复合网络时，在路口集合和传感器集合建立映射关系，在传感器与路口之间建立一对多或一对一关系，如图1中路口{s₁₁，s₁₂，s₁₃，s₁₄，s₁₅，s₁₆，s₁₇，s₁₈}→{r₁}；若已经基于传感器网络分析出路口的拥堵时只要通过传感器与路口间的连边关系即可得到路口的拥堵情况，对于拥堵线路和拥堵区域的情况类似，只要通过拥堵线路或者区域的传感器找到相应的路口即可；

(2)一天内的拥堵时段分析：

由于节点k的拥堵指数序列<x^k>统计的时间间隔通常较短，<x^k>因此具有大的波动性，为了准确找出一天内的拥堵时段，本实施例通过给定滑动窗口的卷积实现数据平滑,具体如下：

设窗口的大小为w，卷积向量为(1/w，1/w，……，1/w),步长s，即对<x^k>相邻两次滑动卷积间隔的数据个数，通常s＝1，设滑动计算后的序列为

对于<x^k>边界数据的卷积计算可采用日期d+1的数据，如果没有日期d+1的数据则根据窗口内数据个数，减少卷积窗口大小w；

在获得<x^k>后，通过给定拥堵指数阈值来判定每个

的拥堵状态，当

时，即认为节点k在时刻t_i拥堵，最终将获得节点k的拥堵序列数据为

在获得节点k的拥堵序列数据＜y^k＞后，然后根据＜y^k＞来确定拥堵时段，根据已定义的拥堵序列数据＜y^k＞，给出节点k的拥堵指数序列示意图，如图2中所示，长线段表示拥堵，短的表示非拥堵；

根据e₁和e₂两个阈值可以将＜y^k＞数据划分为四种状态，如表2所示：

表2.拥堵状态表示

状态符号	状态含义	拥堵状态
			a	拥堵时长&gt;＝e<sub>1</sub>	拥堵
b	拥堵时长&lt;e<sub>1</sub>	不拥堵
			c	非拥堵时长&gt;＝e<sub>2</sub>	不拥堵
d	非拥堵时长&lt;e<sub>2</sub>	拥堵

在对＜y^k＞进行e₁和e₂两个阈值处理后，＜y^k＞最终将变为由a b c d构成的时间状态序列，这个序列是由a,b和c,d相间构成的序列，具体能够通过以下文法给出：

该文法定义为四元组G＝(V,T；P,S)

V:变量集，这里V＝{S,X,Y}

T：终极符集，T＝{a,b,c,d}

S：S称为初始符，S∈V

P：产生式集，P＝{S→a|b|c|d|aX|bX|cY|dY,X→cY|dY,Y→aX|bX}

具体拥堵时段判定为：一个新的拥堵时段开始于状态a，遇到状态c或序列尾端时结束,拥堵级别通过拥堵时段内拥堵指数平均值给予评价，具体计算方式可以采用拥堵序列计算方法或者拥堵时长计算方法来计算，具体计算方式按照如下步骤进行：

(1)拥堵序列计算方法

在该方法中应用了滑动窗口，用以对数据实现平滑，以S1中定义的节点k为基础，节点k为一天内的拥堵指数序列

由于不同数据集采集数据的间隔并不相同，定义不同大小的滑动窗口，得到平滑后的拥堵指数序列，因此，针对＜x^k＞按照步长s以此获取w个数据，并计算平均值，从而获得

对于＜x’^k＞中每一元素，若

则记

否则，

给出拥堵序列数据

(2)采用拥堵时长计算方法

该方法能够找出单个节点的拥堵时长序列集合，以S1中定义的节点k拥堵指数序列

和S2中定义的阈值e₁和e₂为基础，来计算拥堵时长集合

先遍历拥堵指数序列，然后将＜y^k＞划分为表2定义的四种状态，得到由a b c d组成的状态集，如<a，c，b，c，d，……，a……>，每个状态实际上对应着一段连续时间的拥堵指数，如

该步骤将拥堵指数序列转变成拥堵状态序列Z_k，再遍历拥堵状态序列Z_k，对于拥堵时段C_i，存在两种情况，以状态a，d为拥堵序列的起点，当a为起点时，直到遇到状态c(不包括c)，找到一个拥堵时段，当以d为起点时，遇到状态b(不包括b)，C＝C∪C_i；

S3、常发拥堵时段分析：

常发的拥堵时段指一个节点如传感器、路口在一定时间周期内(例如一个月，或一年)，具有高频的拥堵所对应的时间范围，为了获得常发拥堵时段，采用S2中所述的方法计算一个节点，一段时间周期内，每天的拥堵序列，并统计该周期内拥堵天数比例，拥堵天数超过给定阈值f，则认为常发的拥堵，具体计算方式如下：

根据算法一中拥堵序列计算算法对数据进行平滑，计算节点k每天的拥堵序列

d∈D，再根据

统计节点k在时段t_i的拥堵频次f_ti，如统计七天内早上八点的拥堵发生频次，若

否则

终产生常发拥堵序列

根据

调用S2中步骤(2)中拥堵时长计算算法，得到拥堵时长集合；

对于拥堵时长中的拥堵状况的评价采用该时段内拥堵指数的平均值，在某个拥堵时段t_c＝<t₁，t₂，……，t_j>，那么t_c的拥堵指数计算公式如下：

最后根据

对拥堵时段进行分级。

Claims (1)

1.一种基于复合网络的拥堵时段的发现方法，其特征在于复合网络是由两个以上子网和子网间连边构成的，子网是构成复合网络的独立的网络，复合网络包括两个网络，即路口网络和传感器网络，该方法具体按照如下步骤进行：

S1、定义拥堵指数T_i、拥堵时段和拥堵等级量化

(1)拥堵指数T_i：T_i是节点i的综合交通指数,T_i是对于节点i的交通状态评价指标，利用平均速度和时间占有率来进行计算；该指标衡量了传感器网络中某个节点的拥堵程度,T_i的值越大表示节点i的拥堵程度越高，计算公式如式(1)所示：

T_i＝β*J_v+γ*J_o (1)

J_v是平均速度拥堵指数，

是本周期断面速度，v_f是路段自由流速度，道路的级别不同，路段的自由流速度也不相同，城市道路v_f取80km/h，高速路或者快速路v_f取100km/h；J_o是时间占有率指数，其中

是本周期断面时间占有率，o_max为路段在饱和状态下对应的时间占有率，节点的交通指数计算如下，其中β和γ是权重系数；

(2)拥堵时段：传感器网络中某个节点k在日期d中给定时刻t_i的拥堵指数为

则一天内按时间顺序，节点k的拥堵指数序列为

其中，

为数据统计时间间隔，Δt的范围为5分钟到10分钟；定义拥堵指数阈值e、连续拥堵时间阈值e₁和连续非拥堵时间阈值e₂，如果节点k在日期d中t_i时刻的拥堵指数为

如果

则认为节点k在日期d中t_i时刻处于拥堵状态，连续拥堵时间阈值指节点连续e₁个时刻均为拥堵状态，则认为此时段拥堵，连续非拥堵时间阈值指节点连续e₂个时刻均为非拥堵状态，则认为此时段不拥堵；

(3)拥堵等级量化：将拥堵等级进行划分，拥堵等级的划分标准并不固定，下述将给出一种根据拥堵指数将拥堵状态划分为五级的方法，根据拥堵评价指标的不同，拥堵等级的范围会存在一些变动，级别分类和物理意义是：拥堵级别为一级时，拥堵指数范围为[0,0.2)，物理含义为畅通；拥堵级别为二级时，拥堵指数范围为[0.2,0.4)，物理含义为基本畅通；拥堵级别为三级时，拥堵指数范围为[0.4,0.6)，物理含义为轻度拥堵；拥堵级别为四级时，拥堵指数范围为[0.6,0.8)，物理含义为中度拥堵；拥堵级别为五级时，拥堵指数范围为[0.8,1.0)，物理含义为重度堵塞；

S2、计算拥堵时段：

(1)建立路口网络与传感器网络的映射关系

为了实现传感器与路口、道路间的对应关系，传感器网络以物理设备为节点，物理设备包括微波传感器和线圈，主要采集包括平均速度、时间占有率、过车数在内的交通数据，基于这些实时交通数据，来计算节点的拥堵指数，节点之间的有向边代表设备之间能够直达；在建立传感器网络的基础上，进一步构建路口网络，以路口为节点，根据路口之间是否存在能够关系建立建立无向边，将路口网络和传感器网络复合，形成传感器道路复合网络，即在传感器节点和路口节点间增加连边，建立传感器和路口的映射关系，具体建立方案按照如下方法进行：

有r1,r2两个路口，每个路口有8个传感器，传感器之间已经按照车流方向建立传感器网络；路口间也按照路口邻近关系建立了网络；在构建复合网络时，在路口集合和传感器集合建立映射关系，在传感器与路口之间建立一对多或一对一关系，即{s₁₁，s₁₂，s₁₃，s₁₄，s₁₅，s₁₆，s₁₇，s₁₈}→{r₁}；若已经基于传感器网络分析出路口的拥堵时只要通过传感器与路口间的连边关系即可得到路口的拥堵情况，对于拥堵线路和拥堵区域的情况类似，只要通过拥堵线路或者区域的传感器找到相应的路口即可；

(2)一天内的拥堵时段分析：

由于节点k的拥堵指数序列<x^k>统计的时间间隔通常较短，<x^k>因此具有大的波动性，为了准确找出一天内的拥堵时段，通过给定滑动窗口的卷积实现数据平滑,具体如下：

设窗口的大小为w，卷积向量为(1/w，1/w，......，1/w),步长s，即对<x^k>相邻两次滑动卷积间隔的数据个数，通常s＝1，设滑动计算后的序列为

对于<x^k>边界数据的卷积计算可采用日期d+1的数据，如果没有日期d+1的数据则根据窗口内数据个数，减少卷积窗口大小w；

在获得<x^k>后，通过给定拥堵指数阈值来判定每个

的拥堵状态，当

时，即认为节点k在时刻t_i拥堵，最终将获得节点k的拥堵序列数据为

在获得节点k的拥堵序列数据＜y^k＞后，然后根据＜y^k＞来确定拥堵时段，根据已定义的拥堵序列数据＜y^k＞，给出节点k的拥堵指数序列示意图，长线段表示拥堵，短的表示非拥堵；

根据e₁和e₂两个阈值将＜y^k＞数据划分为四种状态：状态符号为a时，其状态含义为：拥堵时长>＝e₁，拥堵状态为拥堵；状态符号为b时，其状态含义为：拥堵时长<e₁，拥堵状态为不拥堵；状态符号为c时，其状态含义为：非拥堵时长>＝e₂，拥堵状态为不拥堵；状态符号为d时，其状态含义为：非拥堵时长<e₂，拥堵状态为拥堵；

在对＜y^k＞进行e₁和e₂两个阈值处理后，＜y^k＞最终将变为由a b c d构成的时间状态序列，这个序列是由a,b和c,d相间构成的序列，具体能够通过以下文法给出：

该文法定义为四元组G＝(V,T；P,S)

V:变量集，这里V＝{S,X,Y}

T：终极符集，T＝{a,b,c,d}

S：S称为初始符，S∈V

P：产生式集，P＝{S→a|b|c|d|aX|bX|cY|dY,X→cY|dY,Y→aX|bX}

具体拥堵时段判定为：一个新的拥堵时段开始于状态a，遇到状态c或序列尾端时结束,拥堵级别通过拥堵时段内拥堵指数平均值给予评价，具体计算方式采用拥堵序列计算方法或者拥堵时长计算方法来计算，具体计算方式按照如下步骤进行：

(3)拥堵序列计算方法

在该方法中应用了滑动窗口，用以对数据实现平滑，以S1中定义的节点k为基础，节点k为一天内的拥堵指数序列

由于不同数据集采集数据的间隔并不相同，定义不同大小的滑动窗口，得到平滑后的拥堵指数序列，因此，针对＜x^k＞按照步长s以此获取w个数据，并计算平均值，从而获得

对于＜x,^k＞中每一元素，若

则记

否则，

给出拥堵序列数据

(4)采用拥堵时长计算方法

该方法能够找出单个节点的拥堵时长序列集合，以S1中定义的节点k拥堵指数序列

和S2中定义的阈值e₁和e₂为基础，来计算拥堵时长集合

先遍历拥堵指数序列，然后将＜y^k＞划分为表2定义的四种状态，得到由a b c d组成的状态集，<a，c，b，c，d，......，a......>，每个状态实际上对应着一段连续时间的拥堵指数，

该步骤将拥堵指数序列转变成拥堵状态序列Z_k，再遍历拥堵状态序列Z_k，对于拥堵时段C_i，存在两种情况，以状态a，d为拥堵序列的起点，当a为起点时，直到遇到状态c，不包括c，找到一个拥堵时段，当以d为起点时，遇到状态b，不包括b，C＝C∪C_i；

S3、常发拥堵时段分析：

常发的拥堵时段指一个节点，或传感器、路口在一定时间周期内，该周期选择一月或者一年，具有高频的拥堵所对应的时间范围，为了获得常发拥堵时段，采用S2中所述的方法计算一个节点，一段时间周期内，每天的拥堵序列，并统计该周期内拥堵天数比例，拥堵天数超过给定阈值f，则认为常发的拥堵，具体计算方式如下：

根据算法一中拥堵序列计算算法对数据进行平滑，计算节点k每天的拥堵序列

d∈D，再根据

统计节点k在时段t_i的拥堵频次

统计七天内早上八点的拥堵发生频次，若

否则

终产生常发拥堵序列

根据

调用S2中步骤(2)中拥堵时长计算算法，得到拥堵时长集合；

对于拥堵时长中的拥堵状况的评价采用该时段内拥堵指数的平均值，在某个拥堵时段t_c＝<t₁，t₂，……，t_j>，那么t_c的拥堵指数计算公式如下：

最后根据

对拥堵时段进行分级。

Images