CN109712393A - 基于高斯过程回归算法的智能交通时段划分方法 - Google Patents

Abstract

一种基于高斯过程回归算法的智能交通时段划分方法，包括以下步骤：1)获取交叉口道路流量信息；2)运用高斯过程回归算法对获取的数据进行平滑处理；3)基于梯度下降算法对高斯过程回归的超参数进行优化；4)通过回归后的数据进行差分计算，得到相应的导数，即车流量的变化趋势；5)根据车流导数的不同变化特征，进行进一步的数据判别，将一日的交通状态划分成多个时段，为下一步配时方案的设计提供依据。本发明以高斯过程回归对数据进行处理，可以较好地反应实际的车流变化规律，更以导数为依据对时段进行划分，能够更加灵敏地反应车流的数据变化趋势，对路网的交通状况进行更为准确的识别，提高配时方案的有效性。

Description

基于高斯过程回归算法的智能交通时段划分方法

技术领域

本发明涉及交通控制工程、大数据分析应用领域，尤其涉及交通峰谷状态识别和配时方案的时段划分方法。

背景技术

伴随着城市现代化程度提高，城市交通规模也保持着告诉增长的态势，传统交通技术开始难以适应社会发展的要求。由于交通流量变化的复杂性和不确定性，其中表现较为突出的是，受早晚高峰的影响，城市交通状态变化频繁、复杂，为了缓解城市交通状况，基于不同时段的特点，就需要配置不同的方案来疏通道路，因此，峰谷时段划分的准确性和有效性显得尤为重要。而目前适合于最常见的对实际车流数据设置阈值，以区分峰谷时段的方法，存在一定的局限性，难以精确描述交通流的变化态势。

发明内容

为了克服现有城市路网交通状况复杂引起的峰谷时段划分困难，交通数据流量变化的波动性、时段性和随机性，纯粹以实际流量为标准的峰谷时段难以真实反馈路口状态，因此需对路口的交通状况进行更深入的研究，以更准确、贴切地描述路口交通变化情况，本发明提出一种基于高斯过程回归算法的智能交通时段划分方法，能有效提高时段划分的准确性，充分发挥配时方案的效果，精准捕捉交通流的变化时间；以便与时段划分的结果能够更加精确地反应交通变化趋势，提高调度的有效性。

本发明解决其技术问题所采用的技术方案是：

一种基于高斯过程回归算法的智能交通时段划分方法，包括以下步骤：

1)输入具体的日期、路口、车道，获取相应交叉口道路的流量信息；以设定时间段为时间间隔，将一天划分为N个时段，从数据库获取到过车数据后，计算得到N维的车流量，记为V，其中V(t)代表当前路口t时段的车流量；

2)运用超参数优化的高斯过程回归算法对V进行平滑处理，计算过程如下：

2.1)设置初始超参数hyp₀＝[sf₀,ell₀,sn₀]，分别表示高斯核函数的函数标准差、核函数的特征长度尺度、噪声标准偏差，开始进入训练过程；

2.2)为了消除由于横纵坐标差距过大带来的影响，对车流量V进行归一化处理：

式中：v为归一化后的过车数据，V^min和V^max分别为过车数据的最小值和最大值；τ为归一化后的时间数据，t^min和t^max分别为时间数据的最大值和最小值；

2.3)进入第l次迭代过程，首先计算高斯核函数，此处采用时间t和它本身的协方差函数，考虑到噪声的影响，计算公式如式(3)：

式中：K为协方差矩阵，在此处由于是时间t和其自身的协方差，故矩阵为n维方阵，k_ij为矩阵内对应的元素，计算公式如下式(4)：

i,j∈[1,n]

2.4)计算边际似然函数nlZ，作为超参数优化的目标函数：

式中：L为高斯核函数K的Cholesky分解所得的上三角阵，记作L＝chol(K)；

2.5)以nlZ为目标函数，采用梯度下降法做超参数优化，若本次迭代结果nlZ_l不为最优解，则l＝l+1，返回步骤2.2重新计算；若本次迭代结果已达到最优，则返回hyp_l，并跳出循环；

2.6)输入需要预测的时间向量以hyp_l为参数，使用训练数据得到的t^max和t^min，重新进行归一化和核函数的运算，得到归一化后的预测时间向量和高斯核函数

2.7)以式(8)计算回归后的车流函数，并以训练过程中已知的V^max和V^min，做反归一化处理，最终得到回归后的车流函数如式(9)

3)对进行差分计算，近似为车流的导函数d,计算如公式(10)：

4)针对流量导数曲线进行进一步的数据判别，将一日的交通状态划分成多个时段，过程如下：

4.1)根据算法取阈值T，按阈值T把过车流量数据划分为流量上升，流量下降，流量平稳三部分。此处将流量平稳称为0状态，流量上升称为1状态，流量下降称为2状态，如公式(11)所示：

经过阈值T的切割，导数曲线可以变换为具有时间属性的状态数字序列s(t)，其中状态数字为0,1,2；

4.2)开始划分时段，找到所有上升，平稳，下降的连续状态数字序列，即1,0,2作为一个时间段；

4.3)找到除去开始以外的平稳期时间段，对应s(t)＝0，如果时间小于30分钟，则判断左侧时间段的长度和右侧时间段的长度，并与时间段长度短的一侧和为一个时间段；

4.4)判断剩下的独立时间段，对应s(t)＝1,2，如果它们的时间小于30分钟，判断它左侧时间段的长度和右侧时间段的长度，并与时间段长度短的一侧和为一个时间段。

4.5)经过上述过程后，最终对这些时间段中所有非平缓期(s(t)＝0)的上升或下降状态(s(t)＝0)对进行以下处理：

a)取上升状态的终点的d的0.75倍作为阈值K，将该上升状态分为初始点到K，K到终点两部分，如果两段时间都大于30分钟，则将该上升状态分开为两个时间段。

b)取下降状态的起点的d的0.75倍作为阈值K，将该下降状态分为初始点到K，K到终点两部分，如果两段时间都大于30分钟，则将该下降状态分开为两个时间段。

本发明的有益效果为：能有效提高时段划分的准确性，充分发挥配时方案的效果，精准捕捉交通流的变化时间；以便与时段划分的结果能够更加精确地反应交通变化趋势，提高调度的有效性。

附图说明

图1是基于高斯过程回归算法的智能交通时段划分方法的逻辑流程图；

图2是台州市市府大道与白云山路交叉口地图；

图3是实施例时段划分方法的结果示意图；

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图3，一种基于高斯过程回归算法的智能交通时段划分方法，包括以下步骤：

1)输入具体的日期、路口、车道，获取相应交叉口道路的流量信息；以设定时间段(Δt＝5分钟)为时间间隔，将一天划分为N(N＝288)个时段，从数据库获取到过车数据后，计算得到288维的车流量，记为V，其中V(t)代表当前路口t时段的车流量；

2)运用超参数优化的高斯过程回归算法对V进行平滑处理，计算过程如下：

2.1)设置初始超参数hyp₀＝[sf₀,ell₀,sn₀]，分别表示高斯核函数的函数标准差、核函数的特征长度尺度、噪声标准偏差，开始进入训练过程；

2.2)为了消除由于横纵坐标差距过大带来的影响，对车流量V进行归一化处理：

式中：v为归一化后的过车数据，V^min和V^max分别为过车数据的最小值和最大值；τ为归一化后的时间数据，t^min和t^max分别为时间数据的最大值和最小值；

2.3)进入第l次迭代过程，首先计算高斯核函数，此处采用时间t和它本身的协方差函数，考虑到噪声的影响，计算公式如式(3)：

式中：K为协方差矩阵，在此处由于是时间t和其自身的协方差，故矩阵为n维方阵，k_ij为矩阵内对应的元素，计算公式如下式(4)：

i,j∈[1,n]

2.4)计算边际似然函数nlZ，作为超参数优化的目标函数：

式中：L为高斯核函数K的Cholesky分解所得的上三角阵，记作L＝chol(K)。

2.5)以nlZ为目标函数，采用梯度下降法做超参数优化，若本次迭代结果nlZ_l不为最优解，则l＝l+1，返回步骤2.2重新计算；若本次迭代结果已达到最优，则返回hyp_l，并跳出循环；

2.6)输入需要预测的时间向量以hyp_l为参数，使用训练数据得到的t^max和t^min，重新进行归一化和核函数的运算，得到归一化后的预测时间向量和高斯核函数

2.7)以式(8)计算回归后的车流函数，并以训练过程中已知的V^max和V^min，做反归一化处理，最终得到回归后的车流函数如式(9)

3)对进行差分计算，近似为车流的导函数d,具体计算如公式(10)：

4)针对流量导数曲线进行进一步的数据判别，将一日的交通状态划分成多个时段，过程如下：

4.1)根据算法取阈值T，按阈值T把过车流量数据划分为流量上升，流量下降，流量平稳三部分。此处将流量平稳称为0状态，流量上升称为1状态，流量下降称为2状态，如公式(11)所示：

经过阈值T的切割，导数曲线可以变换为具有时间属性的状态数字序列s(t)，其中状态数字为0,1,2；

4.2)开始划分时段，找到所有上升，平稳，下降的连续状态数字序列，即1,0,2作为一个时间段；

4.3)找到除去开始以外的平稳期时间段，对应s(t)＝0，如果时间小于30分钟，则判断左侧时间段的长度和右侧时间段的长度，并与时间段长度短的一侧和为一个时间段；

4.4)判断剩下的独立时间段，对应s(t)＝1,2，如果它们的时间小于30分钟，判断它左侧时间段的长度和右侧时间段的长度，并与时间段长度短的一侧和为一个时间段。

4.5)经过上述过程后，最终对这些时间段中所有非平缓期(s(t)＝0)的上升或下降状态(s(t)＝0)对进行以下处理：

a)取上升状态的终点的d的0.75倍作为阈值K，将该上升状态分为初始点到K，K到终点两部分，如果两段时间都大于30分钟，则将该上升状态分开为两个时间段。

b)取下降状态的起点的d的0.75倍作为阈值K，将该下降状态分为初始点到K，K到终点两部分，如果两段时间都大于30分钟，则将该下降状态分开为两个时间段。

本实施例以台州市某一实际路口为实施例，如图2所示，基于高斯过程回归算法的智能交通时段划分方法，包括以下步骤：

1)搜索2017年5月25日台州市市府大道与白云山路交叉口，获取相应交叉口道路的流量信息；以Δt＝5分钟为时间间隔，将一天划分为288个时段，从数据库获取到过车数据后，计算得到288维的车流量，记为V，其中V(t)代表当前路口t时段的车流量；

2)运用超参数优化的高斯过程回归算法对V进行平滑处理，计算过程如下：

2.1)设置初始超参数hyp₀＝[1,0.1,0.01]，分别表示高斯核函数的函数标准差、核函数的特征长度尺度、噪声标准偏差初始值，开始进入训练过程；

2.2)为了消除由于横纵坐标差距过大带来的影响，对车流量V进行归一化处理：

式中：v为归一化后的过车数据，V^min和V^max分别为过车数据的最小值和最大值；τ为归一化后的时间数据，t^min和t^max分别为时间数据的最大值和最小值；

2.3)进入第l次迭代过程，首先计算高斯核函数，此处采用时间t和它本身的协方差函数，考虑到噪声的影响，计算公式如式(3)：

式中：K为协方差矩阵，在此处由于是时间t和其自身的协方差，故矩阵为n维方阵，k_ij为矩阵内对应的元素，计算公式如下式(4)：

i,j∈[1,n]

2.4)计算边际似然函数nlZ，作为超参数优化的目标函数：

式中：L为高斯核函数K的Cholesky分解所得的上三角阵，记作L＝chol(K)。

2.5)以nlZ为目标函数，采用梯度下降法做超参数优化，若本次迭代结果nlZ_l不为最优解，则l＝l+1，返回步骤2.2重新计算；若本次迭代结果已达到最优，则返回hyp_l＝[0.35359331,0.02307247,0.03877237]，并跳出循环；

2.6)输入需要预测的时间向量以hyp_l为参数，使用训练数据得到的t^max和t^min，重新进行归一化和核函数的运算，得到归一化后的预测时间向量和高斯核函数

2.7)以式(8)计算回归后的车流函数，并以训练过程中已知的V^max和V^min，做反归一化处理，最终得到回归后的车流函数如式(9)

3)对进行差分计算，近似为车流的导函数d,具体计算如公式(10)：

4)针对流量导数曲线进行进一步的数据判别，将一日的交通状态划分成多个时段，过程如下：

4.1)根据算法取阈值T，按阈值T把过车流量数据划分为流量上升，流量下降，流量平稳三部分，。此处将流量平稳称为0状态，流量上升称为1状态，流量下降称为2状态，如公式(11)所示：

经过阈值T的切割，导数曲线可以变换为具有时间属性的状态数字序列s(t)，其中状态数字为0,1,2；

4.2)开始划分时段，找到所有上升，平稳，下降的连续状态数字序列，即1,0,2作为一个时间段；

4.3)找到除去开始以外的平稳期时间段，对应s(t)＝0，如果时间小于30分钟，则判断左侧时间段的长度和右侧时间段的长度，并与时间段长度短的一侧和为一个时间段；

4.4)判断剩下的独立时间段，对应s(t)＝1,2，如果它们的时间小于30分钟，判断它左侧时间段的长度和右侧时间段的长度，并与时间段长度短的一侧和为一个时间段。

4.5)经过上述过程后，最终对这些时间段中所有非平缓期(s(t)＝0)的上升或下降状态(s(t)＝0)对进行以下处理：

a)取上升状态的终点的d的0.75倍作为阈值K，将该上升状态分为初始点到K，K到终点两部分，如果两段时间都大于30分钟，则将该上升状态分开为两个时间段。

b)取下降状态的起点的d的0.75倍作为阈值K，将该下降状态分为初始点到K，K到终点两部分，如果两段时间都大于30分钟，则将该下降状态分开为两个时间段。

以台州市某一实际路口为实施例，运用以上方法得到车流时段划分结果，如图3所示。

以上阐述的是本发明给出的一个实施例表现出来的优良效果，可以发现该方法可以较好的提取不同时段的交通状态，将之划分为各个不同时段，以便于优化和调度的进行，对疏解交通状况、提高调度效果具有显著作用。

Claims (1)

1.一种基于高斯过程回归算法的智能交通时段划分方法，其特征在于，所述方法包括以下步骤：

1)输入具体的日期、路口、车道，获取相应交叉口道路的流量信息；以设定时间为时间间隔，将一天划分为N个时段，从数据库获取到过车数据后，计算得到N维的车流量，记为V，其中V(t)代表当前路口t时段的车流量；

2)运用超参数优化的高斯过程回归算法对V进行平滑处理，计算过程如下：

2.1)设置初始超参数hyp₀＝[sf₀,ell₀,sn₀]，分别表示高斯核函数的函数标准差、核函数的特征长度尺度、噪声标准偏差，开始进入训练过程；

2.2)为了消除由于横纵坐标差距过大带来的影响，对车流量V进行归一化处理：

2.3)进入第l次迭代过程，首先计算高斯核函数，此处采用时间t和它本身的协方差函数，考虑到噪声的影响，计算公式如式(3)：

式中：K为协方差矩阵，在此处由于是时间t和其自身的协方差，故矩阵为n维方阵，k_ij为矩阵内对应的元素，计算公式如下式(4)：

2.4)计算边际似然函数nlZ，作为超参数优化的目标函数：

式中：L为高斯核函数K的Cholesky分解所得的上三角阵，记作L＝chol(K)；

2.5)以nlZ为目标函数，采用梯度下降法做超参数优化，若本次迭代结果nlZ_l不为最优解，则l＝l+1，返回步骤2.2重新计算；若本次迭代结果已达到最优，则返回hyp_l，并跳出循环；

2.6)输入需要预测的时间向量以hyp_l为参数，使用训练数据得到的t^max和t^min，重新进行归一化和核函数的运算，得到归一化后的预测时间向量和高斯核函数

2.7)以式(8)计算回归后的车流函数，并以训练过程中已知的V^max和V^min，做反归一化处理，最终得到回归后的车流函数如式(9)

3)对进行差分计算，近似为车流的导函数d,计算如公式(10)：

4)针对流量导数曲线进行进一步的数据判别，将一日的交通状态划分成多个时段，过程如下：

4.1)根据算法取阈值T，按阈值T把过车流量数据划分为流量上升，流量下降，流量平稳三部分，此处将流量平稳称为0状态，流量上升称为1状态，流量下降称为2状态，如公式(11)所示：

经过阈值T的切割，导数曲线可以变换为具有时间属性的状态数字序列s(t)，其中状态数字为0,1,2；

4.2)开始划分时段，找到所有上升，平稳，下降的连续状态数字序列，即1,0,2作为一个时间段；

4.3)找到除去开始以外的平稳期时间段，对应s(t)＝0，如果时间小于30分钟，则判断左侧时间段的长度和右侧时间段的长度，并与时间段长度短的一侧和为一个时间段；

4.4)判断剩下的独立时间段，对应s(t)＝1,2，如果它们的时间小于30分钟，判断它左侧时间段的长度和右侧时间段的长度，并与时间段长度短的一侧和为一个时间段；

4.5)经过上述过程后，最终对这些时间段中所有非平缓期的上升或下降状态对进行以下处理：

a)取上升状态的终点的d的0.75倍作为阈值K，将该上升状态分为初始点到K，K到终点两部分，如果两段时间都大于30分钟，则将该上升状态分开为两个时间段；

b)取下降状态的起点的d的0.75倍作为阈值K，将该下降状态分为初始点到K，K到终点两部分，如果两段时间都大于30分钟，则将该下降状态分开为两个时间段。