CN110444011A - 交通流高峰识别方法、装置、电子设备及存储介质 - Google Patents
交通流高峰识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110444011A CN110444011A CN201810411904.1A CN201810411904A CN110444011A CN 110444011 A CN110444011 A CN 110444011A CN 201810411904 A CN201810411904 A CN 201810411904A CN 110444011 A CN110444011 A CN 110444011A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- parameter
- data
- subsequence
- time
- 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
-
- 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
-
- 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
- G08G1/0133—Traffic data processing for classifying traffic situation
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开一种交通流高峰识别方法、装置、电子设备及存储介质，能够提高对交通流高峰时段识别的准确性。所述交通流高峰识别方法，包括：获取当前时间段内的交通流数据；根据获取的当前时间段内的交通流数据，通过相似度计算，判断所述当前时间段内的交通流数据是否与高峰时段所对应的时变模式相匹配；若所述当前时段内的交通流数据与高峰时段所对应的时变模式相匹配，则确定当前时间段为交通流高峰时段。本发明适用于交通流高峰时段识别。
Description
技术领域
本发明涉及智能交通技术领域，尤其涉及一种交通流高峰识别方法、装置、电子设备及存储介质。
背景技术
交通拥堵现象通常发生在交通流高峰时段。在高峰时段，车辆运行环境更加复杂，干扰因素更多，导致交通运行稳定性大大下降。一条道路交通流高峰时段的持续时间长短以及高峰时段交通拥挤的程度直接影响附近的整个交通系统的服务水平和服务能力，可以说交通高峰时段的交通治理是解决交通拥堵现象的关键所在。在此情景下，交通流高峰识别算法可以实现城市道路及路网的高峰计算与实时监控，为路况发布提供有益信息，为规划管理提供数据支撑，对提高交通治理效果起到关键作用。
传统交通高峰识别方法中，多数基于历史数据获得的标准来找到一个大概的高峰范围。这些交通流高峰时段识别方法，仅仅靠经验值划分一个固定的高峰时段，经验成分高，判别的准确性不高。
发明内容
有鉴于此，本发明实施例提供一种交通流高峰识别方法、装置、电子设备及存储介质，对交通流高峰时段识别的准确性较高。
第一方面，本发明实施例提供一种交通流高峰识别方法，包括：获取当前时间段内的交通流数据；根据获取的当前时间段内的交通流数据，通过相似度计算，判断所述当前时间段内的交通流数据是否与高峰时段所对应的时变模式相匹配；其中，所述时变模式通过对交通流历史数据进行交通流时变模式提取获得；若所述当前时段内的交通流数据与高峰时段所对应的时变模式相匹配，则确定当前时间段为交通流高峰时段。
根据本发明一实施例，所述交通流历史数据根据如下方式获得：从存储交通流参数基础数据的数据库中，获取第一参数的历史数据和第二参数的历史数据；其中，所述第一参数和第二参数为能够反映交通流量变化规律的参数。
根据本发明一实施例，所述第一参数为流量，所述第二参数为速度。
根据本发明一实施例，在获取交通流历史数据之后，所述方法还包括：对获取的交通流历史数据进行筛选，筛选出监测路段在指定时间长度内的第一参数的历史数据和第二参数的历史数据，其中所述指定时间长度内该路段出现过高峰时段；将筛选出的第一参数的历史数据和第二参数的历史数据，分别按第一时间步长进行换算，得到相同时间步长的第一参数的历史时间序列数据和第二参数的历史时间序列数据。
根据本发明一实施例，对交通流历史数据进行交通流时变模式提取获得与交通流高峰时段相匹配的时变模式包括：将所述第一参数的历史时间序列数据做时序分割处理，得到第一参数的时序分割子序列；将所述第二参数的历史时间序列数据做时序分割处理，得到第二参数的时序分割子序列；其中，所述第二参数的时序分割子序列中子序列的个数，与所述第一参数的时序分割子序列中子序列的个数相等，所述第二参数的时序分割子序列中子序列的宽度，与所述第一参数的时序分割子序列中子序列的宽度相等；根据第一参数的时序分割子序列和第二参数的时序分割子序列，计算第一参数的时序分割子序列和第二参数的时序分割子序列中对应的每个子序列的CRQA指数；将每个子序列的CRQA指数作为特征向量，组合得到向量集合，其中，所述CRQA指数包括递归度REC、确定率DET、香农熵ENTROPY、最长对角线LMAX、趋势TREND；通过谱聚类模型对所述向量集合做聚类分析，得到与交通流高峰时段相匹配的交通流时变模式。
根据本发明一实施例，所述通过谱聚类模型对所述向量集合做聚类分析，得到与交通流高峰时段相匹配的交通流时变模式包括：通过谱聚类模型对向量集合做聚类分析，将结果分为至少两种模式，所述至少两种模式包括对应于交通流高峰时段的模式和对应于非交通流高峰时段的模式。
根据本发明一实施例，所述获取当前时间段内的交通流数据包括：从存储交通流参数基础数据的数据库中，获取当前时间段内所述第一参数的当前数据和所述第二参数的当前数据。
根据本发明一实施例，在获取当前时间段内的交通流数据之后，所述方法还包括：将所述第一参数的当前数据和第二参数的当前数据，分别按第二时间步长进行换算，得到相同时间步长的第一参数的当前时间序列数据和第二参数的当前时间序列数据；
其中，所述根据获取的当前时间段内的交通流数据，通过相似度计算，判断所述当前时间段内的交通流数据是否与高峰时段所对应的时变模式相匹配包括：根据第一参数的当前时间序列数据和第二参数的当前时间序列数据，计算CRQA指数；将计算得到的CRQA指数作为特征向量，分别计算该特征向量与各个模式类中心的欧氏距离；判断该特征向量与高峰时段所对应的时变模式的类中心的欧氏距离，相对于该特征向量与非高峰时段所对应的时变模式的类中心的欧氏距离是否为最短，若为最短，则确定所述当前时间段内的交通流数据与高峰时段所对应的时变模式相匹配。
根据本发明一实施例，所述将所述第一参数的历史时间序列数据做时序分割处理，得到第一参数的时序分割子序列包括：
采用累积和序列划分方法，将所述第一参数的历史时间序列数据做时序分割处理，得到第一参数的时序分割子序列，所述第一参数的时序分割子序列为非等分的子序列；
所述将所述第二参数的历史时间序列数据做时序分割处理，得到第二参数的时序分割子序列包括：参照第一参数的各序列分割子序列的宽度，将第二参数的历史时间序列数据进行对应的分割处理，得到第二参数的时序分割子序列；其中，所述第二参数的时序分割子序列中子序列的个数，与所述第一参数的时序分割子序列中子序列的个数相等，所述第二参数的时序分割子序列中各子序列的宽度，与所述第一参数的时序分割子序列中各子序列的宽度对应相等。
根据本发明一实施例，所述通过谱聚类模型对所述向量集合做聚类分析包括：根据所述向量集合，构造相似度矩阵；把相似度矩阵的每一列元素或者每一行元素加起来得到N个数，把所述N个数放在对角线上，组成一个N*N的对角矩阵；N为大于零的自然数；将所述对角矩阵减去所述相似度矩阵，得到拉普拉斯矩阵；对所述拉普拉斯矩阵进行归一化处理，得到归一化处理后的第一矩阵；计算所述归一化处理后的第一矩阵的前K个特征值及对应的特征向量，形成一个N*K的特征矩阵；K为大于零的自然数；对所述特征矩阵进行归一化处理，得到归一化处理后的第二矩阵；对所述归一化处理后的第二矩阵按每行为一个数据点，进行k-means聚类。
第二方面，本发明实施例提供一种交通流高峰识别装置，包括：当前交通流数据获取模块，用于获取当前时间段内的交通流数据；匹配模块，用于根据获取的当前时间段内的交通流数据，通过相似度计算，判断所述当前时间段内的交通流数据是否与高峰时段所对应的时变模式相匹配；其中，所述时变模式通过对交通流历史数据进行交通流时变模式提取获得；识别模块，用于若所述当前时段内的交通流数据与高峰时段所对应的时变模式相匹配，则确定当前时间段为交通流高峰时段。
第三方面，本发明实施例还提供一种电子设备，所述电子设备包括：处理器和存储器，其中，存储器用于存储可执行程序代码；处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行前述权利要求任一项所述的交通流高峰识别方法。
第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现前述权利要求任一项所述的交通流高峰识别方法。
本发明实施例提供的交通流高峰识别方法、装置、电子设备及存储介质，根据获取的当前时间段内的交通流数据，通过相似度计算，判断所述当前时间段内的交通流数据是否与高峰时段所对应的时变模式相匹配，若相匹配，则确定当前时间段为交通流高峰时段，其中，与高峰时段所对应的时变模式可预先通过对交通流历史数据的分析获得，这样，将当前时间段内的交通流数据与根据交通流历史数据分析获得的时变模式相结合，能提高对交通流高峰时段识别的准确性。
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它的附图。
图1为本发明的实施例所应用的道路交通流高峰时段识别系统；
图2为本发明实施例一交通流高峰识别方法的流程图；
图3为本发明实施例二交通流高峰识别方法的流程图；
图4为一示例性的时序分割示意图；
图5为一示例性的由六个样本点组成的带权无向图；
图6为根据图5所示带权无向图计算可得到的相似度矩阵；
图7为本发明的一实施例中的度矩阵；
图8为本发明的一实施例中的拉普拉斯矩阵；
图9为根据本发明一实施例获得的识别结果示意图；
图10为本发明实施例三交通流高峰识别装置的结构示意图；
图11为本发明实施例四交通流高峰识别装置的结构示意图；
图12为本发明电子设备一个实施例的结构示意图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
应当明确，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它实施例，都属于本发明保护的范围。
本发明实施例提供一种交通流高峰识别方法、装置、电子设备及存储介质，可用于图1所示的道路交通流高峰时段识别系统中。根据图1所示的道路交通流高峰时段识别系统，通过交通数据检测设备采集到的交通基础数据，这些数据经过基础数据数字化处理系统进行数字化的处理和计算，可以得到车流量，平均速度，时间占有率，空间占有率等交通流参数的数据并存于数据库。可从所述数据库中获取交通流历史数据和实时数据。根据图1所示的道路交通流高峰时段识别系统，可实现交通流高峰的在线识别，即实现交通流高峰的实时识别。
实施例一
图2为本发明实施例一交通流高峰识别方法的流程图，参看图1及图2，本实施例的交通流高峰识别方法，包括：
步骤101、获取当前时间段内的交通流数据。
本实施例中，可根据交通流基础数据获取当前时间段内的交通流数据。这里的交通流基础数据指通过检测设备采集到的交通基础数据，这些数据经过数字化的处理和计算可以得到车流量，平均速度，时间占有率，空间占有率等交通流参数的当前数据并存于数据库。可从存储交通流参数的当前数据的数据库中获取当前时间段内的交通流数据。当前时间段内的交通流数据实时更新。
本实施例中，可从所述数据库中获取流量和速度两个可以反映交通流量变化规律的参数的当前数据作为当前时间段内的交通流数据。本实施例不限于此，也可从所述数据库中获取其它一个或多个可以反映交通流量变化规律的参数的当前数据作为当前时间段内的交通流数据。
步骤102、根据获取的当前时间段内的交通流数据，通过相似度计算，判断所述当前时间段内的交通流数据是否与高峰时段所对应的时变模式相匹配。
时变模式是指系统的整个特性随时间而变化的主要模式。本实施例中，所述时变模式反映交通流的时变特性，可通过对交通流历史数据进行交通流时变模式提取获得。所述时变模式可包括多种，本实施例中，所述时变模式有四种模式，分别对应交通流变化中的非高峰期、高峰聚集期、高峰期和高峰消散期。在其它实施例中，所述时变模式也可有两种模式、三种模式或五种模式等，不同模式对应不同的交通流变化情况。
步骤103、若所述当前时段内的交通流数据与高峰时段所对应的时变模式相匹配，则确定当前时间段为交通流高峰时段。
高峰时段，是指若以一日为周期，各个小时的交通流量分布并不均匀，不同的地方每天的流量分布曲线也不尽相同，但是交通高峰的出现却有一定的规律性。在我国城市道路中，这样的规律性体现在通常由通勤造成的早高峰和晚高峰，早高峰时间段通常为：7：00-9：00，晚高峰时间段通常为：17：00-19：00，但实际高峰的分布随区域，道路等级及路段不同等因素而存在差异。
本实施例中，通过将获取的当前预定时段内的交通流数据与高峰时段所对应的时变模式相匹配，若获取的当前时段内的交通流数据与高峰时段所对应的时变模式相匹配，则可确定当前时间段为交通流高峰时段。
本实施例提供的识别方法，根据获取的当前时间段内的交通流数据，通过相似度计算，判断所述当前时间段内的交通流数据是否与高峰时段所对应的时变模式相匹配，若相匹配，则确定当前时间段为交通流高峰时段，其中，与高峰时段所对应的时变模式可预先通过对交通流历史数据的分析获得，这样，将当前时间段内的交通流数据与根据交通流历史数据分析获得的时变模式相结合，能提高对交通流高峰时段识别的准确性；另外，由于本实施例是根据实时更新的当前交通流数据来识别的，因此又能实现实时识别。
实施例二
图3为本发明实施例二交通流高峰识别方法的流程图，参看图1及图3，本实施例的交通流高峰识别方法，包括：
步骤201、获取交通流历史数据。
本实施例中，可根据交通流基础数据获取交通流历史数据。这里的交通流基础数据指通过检测设备采集到的交通基础数据，这些数据经过数字化的处理和计算可以得到车流量，平均速度，时间占有率，空间占有率等交通流参数的历史数据并存于数据库。可从存储交通流参数的历史数据的数据库中获取交通流历史数据。
本实施例中，可从存储交通流参数基础数据的数据库中，获取能够反映交通流量变化规律的参数的历史数据作为交通流历史数据。
为了使预测结果更加准确，本实施例中，从存储交通流参数基础数据的数据库中，获取能够反映交通流量变化规律的两个参数的历史数据作为交通流历史数据，具体地，从存储交通流参数基础数据的数据库中，获取第一参数的历史数据和第二参数的历史数据；其中，所述第一参数和第二参数为能够反映交通流量变化规律的参数。
本实施例中，所述第一参数优选为流量，所述第二参数优选为速度。本发明实施例不限于此，在其它实施例中，也可从所述数据库中获取其它一个或多个可以反映交通流量变化规律的参数作为交通流历史数据，比如可获取时间占有率和空间占有率作为交通流历史数据，可获取流量和时间占有率作为交通流历史数据，也可获取速度和时间占有率作为交通流历史数据等。
步骤202、对获取交通流历史数据进行预处理。
为得到符合交通流模式提取算法的输入数据，可对获取的交通流历史数据做预处理。本实施例中，对获取的交通流历史数据做预处理的过程可包括步骤：
S2021、对获取的交通流历史数据进行筛选，筛选出监测路段在指定时间长度内的第一参数的历史数据和第二参数的历史数据，其中所述指定时间长度内该路段出现过高峰时段。
比如，对获取的交通流历史数据进行筛选，筛选出某监测路段在指定时间长度(t1，t2)内的流量和速度两个参数的历史数据作为交通流历史数据，其中所述指定时间长度(t1，t2)内该路段需出现过高峰时段。
S2021、将筛选出的历史数据分别换算为相同时间步长的历史时间序列数据，得到所述指定时间长度内以所述时间步长为时间间隔的参数时间序列。
步长是指在数值分析中，自变量由一个数值到其相邻数值的增量，称为步长。如x＝1变化到x＝2，步长值为1。
本实施例中，将筛选出的第一参数的历史数据和第二参数的历史数据，分别按第一时间步长T进行换算，得到相同时间步长T的第一参数的历史时间序列数据和第二参数的历史时间序列数据。例如，步长T为5min，则得到每5min平均速度和5min总流量。得到(t1，t2)长度内以T为时间间隔的第一参数(流量)的历史时间序列数据R1和第二参数(速度)的历史时间序列数据R2。其中，时间序列数据是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。在一个具体例子中，在某一天的(10:00，10:30)的半个小时的时间长度内，若选择步长T为5min，则可得到第一参数(流量)的历史时间序列数据R1(200，205，210，230，200，300)，得到第二参数(速度)的历史时间序列数据R2(40，34，45，60，50，45)。
需要说明的是，只要在预处理时将数据范围(t1，t2)和步长T作适当调整，即可支持不同情景的交通流高峰识别。例如要知道某一条主干道的年交通量变化期情况及高峰分布，只需要从该条主干道的历史数据中获取N年内的数据，步长换算为天，则可以相应的识别交通流年高峰时段，同理可得其他统计维度的交通流分析和高峰识别。
步骤203、提取交通流时变模式。
本实施例中，根据获取的交通流历史数据，利用交通流量模式提取算法进行交通流时变模式提取，获得与交通流高峰时段相匹配的时变模式。
交通流量模式提取算法能有效提取交通流中隐含的模式及它们在全天中的分布和时变特征，但是通过单一交通参数(例如流量)来判断交通状态可能因信息量不全而使判断结果存在二义性，其中k-means也存在不能计算全局最优解的缺点。相干定量递归(CRQA)是一种适用于非线性复杂系统的时间序列分析技术，本实施例采用的CRQA方法，可以识别双参数，配合可以计算全局最优解的谱聚类算法，用来获取交通流高峰时段对应的时变模式，称之为交通流时变模式提取算法。
本实施例根据获取的交通流历史数据，利用交通流量模式提取算法进行交通流时变模式提取，获得与交通流高峰时段相匹配的时变模式，具体可包括步骤：
S2031、将所述参数的历史时间序列数据做时序分割处理，得到子序列。
为了得到交通流时间序列数据中不同时间段的变化模式，首先需要将R1，R2做序列分割，在大量时序分割方法中，累积和(CUSUM)是一种可以根据流量序列内部变化特征对时间序列进行自然划分的策略。CUSUM方法运算逻辑简单且能够避免等分序列造成的内部统计特征破坏，因此本实施例采用CUSCUM时序分割处理，得到一系列非等分的子序列L1＝[1(0)，1(1)，…，1(n)]，L2＝[1(0)，1(1)，…，1(n)]，n为子序列个数。
本实施例中，将所述第一参数的历史时间序列数据R1做时序分割处理，得到第一参数的时序分割子序列可包括如下步骤：
步骤A：求出第一参数的历史时间序列数据R1的序列平均值。
由于流量因分布规律更加显著作为主要分类数据，而速度作为辅助分类数据，因此，本实施例中，先求出第一参数的历史时间序列数据R1的序列平均值。
可根据如下公式求出R1的序列平均值：
其中，qi代表R1序列的第i个内点的值，i的取值从1至m；代表R1序列的平均值；m为R1序列的内点个数。
步骤B：计算R1各内点的累积和，确定拐点。
本实施例中，可根据如下公式计算R1各内点的累积和：
当|Sp|＝max{|Si|，i＝1，2，…，n}时，qp即为拐点。
步骤C：从拐点将R1一分为二，得到两个子序列。
步骤D：对每个子序列重复步骤A到步骤C，直到所有子序列小于等于最小分割长度阈值，得到序列集合。
本实施例中，对每个子序列重复步骤A到步骤C，直到所有子序列小于等于最小分割长度阈值X，得到序列集合L1＝[1(0)，1(1)，…，1(n)]。其中，所述最小分割长度阈值X可根据实际需要进行设定，本实施例对此不做具体限定。图4为一示例性的时序分割示意图。
步骤E：参照L1的子序列宽度，将第二参数的历史时间序列数据R2进行分割。
如前所述，由于流量因分布规律更加显著作为主要分类数据，而速度作为辅助分类数据，因此，本实施例中参照L1的子序列宽度，将第二参数的历史时间序列数据R2进行分割，具体地，可将R2分割为和L1等数量等窗口的子序列L2＝[1(0)，1(1)，…，1(n)]。其中，所述第二参数的时序分割子序列中子序列的个数，与所述第一参数的时序分割子序列中子序列的个数相等，所述第二参数的时序分割子序列中子序列的宽度，与所述第一参数的时序分割子序列中对应的子序列的宽度相等，比如L2中的第3个子序列的宽度，与L1中的第3个子序列的宽度相等。
S2032、计算第一参数的时序分割子序列和第二参数的时序分割子序列中对应的每个子序列的CRQA指数，将每个子序列的CRQA指数作为特征向量，组合得到向量集合。
本实施中，根据第一参数的时序分割子序列和第二参数的时序分割子序列，计算第一参数的时序分割子序列和第二参数的时序分割子序列中对应的每个子序列的CRQA指数。
比如第一参数的时序分割子序列和第二参数的时序分割子序列中，分别有为n+1个子序列，则需根据第一参数的时序分割子序列和第二参数的时序分割子序列，计算第一参数的时序分割子序列和第二参数的时序分割子序列中对应的每个子序列的CRQA指数，即需要计算n+1个子序列的CRQA指数。
将计算得到的每个子序列的CRQA指数作为特征向量，组合得到向量集合。其中，所述CRQA指数包括递归度REC、确定率DET、香农熵ENTROPY、最长对角线LMAX、趋势TREND。
每个子序列的CRQA指数表示如下：
m(i)＝[REC(i)，DET(i)，ENTROPY(i)，LMAX(i)，TREND(i)]；其中，i表示第几个子序列。
本实施例中，i的取值从0到n，其中n为大于0的自然数。
当i为0时，m(0)＝[REC(0)，DET(0)，ENTROPY(0)，LMAX(0)，TREND(0)]，其中m(0)为第1个子序列的CRQA指数；
当i为1时，m(1)＝[REC(1)，DET(1)，ENTROPY(1)，LMAX(1)，TREND(1)]，其中m(1)为第2个子序列的CRQA指数；
当i为2时，m(2)＝[REC(2)，DET(2)，ENTROPY(2)，LMAX(2)，TREND(2)]，其中m(2)为第3个子序列的CRQA指数；
依次类推，当i为n时，
m(n)＝[REC(n)，DET(n)，ENTROPY(n)，LMAX(v)，TREND(n)]，其中m(n)为第n+1个子序列的CRQA指数。
将每个子序列的CRQA指数作为特征向量，组合得到向量集合：M[m(0)，m(1)，…，m(n)]。
本实施例中，可根据如下公式计算递归度REC；
其中，l表示递归矩阵中长度为l的对角线，p表示概率，p(l)是长度为l的对角线分布概率；
为相干递归图(CRP)的数学表达式：
N是状态向量L1i、L2j的个数，ε表示预先设定的临界值，m表示状态向量的维度，||·||表示范数(欧几里得范数)，Θ(·)是Heaviside函数，L1i表示L1中第i个子序列，L2j表示L2中第j个子序列；例如，L11＝(100，200，300)，表示L1中第1个子序列，其向量表示为(100，200，300)。
递归矩阵CR形如：
式(3)中，s＝0表示主对角线，s＞0时，s指主对角线上面的对角线位置，s＜0时，s指主对角线下面的对角线位置。
本实施例中，可根据如下公式计算确定率DET：
其中，p(l)是长度为l的对角线分布概率；lmin是最短对角线长度。
本实施例中，可根据如下公式计算香农熵ENTROPY：
其中，p(l)是长度为l的对角线分布概率；lmin是最短对角线长度。
本实施例中，可根据如下公式计算最长对角线LMAX：
Lmax＝max({li：i＝1，…，Nl})；
其中，Nl是对角线结构的元素个数。
本实施例中，可根据如下公式计算趋势TREND：
其中，RECi表示上三角区域以平行于135度主对角线的第i条线段的递归度，<RECi>表示序列的平均值，通常
由于交通流的变化始终受行人，天气，路况等各种环境因素的干扰，是一个典型的非线性复杂系统，相干定量递归(CRQA)不仅可以快速有效的显示非线性复杂系统的特征，而且适用于两个时间序列的比较，避免了交通流参数中存在的交通二义性，上述参数即为CRQA方法中通常用来描述系统特征的评价指标。
S2033、通过谱聚类模型对所述向量集合做聚类分析，得到与交通流高峰时段相匹配的交通流时变模式。
向量集合M即聚类所需要的样本数据组。谱聚类(spectral clustering)是一种建立在谱图理论基础之上的聚类算法。本实施例中，通过谱聚类模型对向量集合M做聚类分析，相比于直接使用k-means聚类，谱聚类能在任意形状的样本空间上聚类，且收敛于全局最优解，因此更适合交通流高峰时段的识别。
本实施例中，通过谱聚类模型对所述向量集合做聚类分析，得到与交通流高峰时段相匹配的交通流时变模式(S2033)可进一步包括：
通过谱聚类模型对向量集合做聚类分析，将结果分为至少两种模式，所述至少两种模式包括对应于交通流高峰时段的模式和对应于非交通流高峰时段的模式。
在一个具体例子中，通过谱聚类模型对向量集合做聚类分析，结合交通流数据的时变特性，将结果分为四种模式，分别对应交通流变化中的非高峰期、高峰聚集期、高峰期、高峰消散期，其中，高峰聚集期、高峰期、高峰消散期均属于交通流高峰时段，每种模式的类中心由CRQA特征参数组成。
例如，通过谱聚类模型对向量集合做聚类分析，结合交通流数据的时变特性，可将结果分为A、B、C、D四种模式，分别对应交通流变化中的非高峰期、高峰聚集期、高峰期、高峰消散期，其中，高峰聚集期、高峰期、高峰消散期均属于交通流高峰时段，A、B、C、D分别代表对应模式的类中心，且由CRQA特征参数组成。
其中，所述通过谱聚类模型对所述向量集合做聚类分析可进一步包括：
S20331、根据所述向量集合，构造相似度矩阵。
图5为一示例性的由六个样本点组成的带权无向图。参看图5，本实施例，根据所述向量集合，构造相似度矩阵可具体包括步骤：
A1、给定数据集M[m(0)，m(1)，…，m(n)]，n为聚类样本量，
A2、构造相似度矩阵。
作为示例，图6为根据图5所示带权无向图计算可得到的权值矩阵。权值矩阵的作用在于描述点对之间的邻近关系。它们之间的权值可以通过相似度来计算，进而得到相似度矩阵。其中相似度计算采用高斯相似度函数(见公式10)，得到相似度矩阵W＝{wij|1≤i≤N，1≤j≤N}。
S20332、把相似度矩阵的每一列或者行元素加起来得到N个数，把所述N个数放在对角线上，组成一个N*N的对角矩阵。
本实施例中，把相似度矩阵W的每一列(或者行)元素加起来得到N个数，把它们放在对角线上，组成一个N*N的对角矩阵，记为度矩阵D[N*N]，如图7。
S20333、将所述对角矩阵减去所述相似度矩阵，得到拉普拉斯矩阵。
本实施例中，将所述对角矩阵减去所述相似度矩阵，计算得到拉普拉斯矩阵L，L为对称半正定矩阵，如图8。
L＝D-W； (12)
S20334、对所述拉普拉斯矩阵进行归一化处理，得到归一化处理后的第一矩阵。
本步骤，对所述拉普拉斯矩阵L进行归一化处理，该步的作用等同于采用Normalized Cut方法将带权无向图进行分割划分为一系列子图，使得子图内部尽量相似而子图与子图之间尽量不同。Normalized Cut是一种测量两组之间不相关度的方法，公式为(13)。
其中k表示将很多点组成的拓扑图划分为k个类，Ai表示正在分割的第i类的点集，代表Ai的补集，代表Ai所有点到所有点的边权值之和，vol(Ai)表示Ai点集内所有边权值之和。这个公式的目的是不断调整不同类点集的组合，最终使目标函数取得最小值。该公式等价于计算L′(见公式14)，证明过程这里不做赘述。
20335、计算所述归一化处理后的第一矩阵的前K个特征值及对应的特征向量，形成一个N*K的特征矩阵，其中，前K个特征值就是根据聚类数目k，选择k个最小的特征值。
本步骤，计算归一化后L′矩阵的前K个特征值及对应的特征向量λi，形成一个N*K的特征矩阵，记为X。
X＝[λ1，λ2，…，λk]。
S20336、对所述特征矩阵进行归一化处理，得到归一化处理后的第二矩阵。
本步骤，归一化处理X，得到矩阵Y，对矩阵Y按每行为一个数据点，进行k-means聚类，第i行所属的类就是原来m(i)所属的类。
S20337、对所述归一化处理后的第二矩阵按每行为一个数据点，进行k-means聚类。
根据本步骤，聚类后即可得到前文所述的k个类，每个类对应实际应用中的不同模式，比如，当k＝4时，可对应A、B、C、D四种模式，分别对应交通流变化中的非高峰期、高峰聚集期、高峰期、高峰消散期，而每个模式的中心，即由REC，DET，ENTROPY，LMAX，TREND组成的代表类中心的向量。
步骤204、获取当前时间段内的交通流数据。
本实施例中，可根据交通流基础数据获取当前时间段内的交通流数据。这里的交通流基础数据指通过检测设备采集到的交通基础数据，这些数据经过数字化的处理和计算可以得到车流量，平均速度，时间占有率，空间占有率等交通流参数的当前数据并存于数据库。可从存储交通流参数的当前数据的数据库中获取当前时间段内的交通流数据。
本实施例中，可从存储交通流参数基础数据的数据库中，获取当前时间段内所述第一参数(流量)的当前数据和所述第二参数(速度)的当前数据。其中，当前时间段可根据实际需要确定，比如可为当前15分钟，或当前20分钟等。
步骤205、对获取当前时间段内的交通流数据进行预处理。
本实施例中，将所述第一参数的当前数据和第二参数的当前数据，分别按第二时间步长T′进行换算，得到相同时间步长的第一参数的当前时间序列数据R1′和第二参数的当前时间序列数据R2′。
本实施例中，将所述第一参数的当前数据和第二参数的当前数据，分别按第二时间步长T′进行换算的过程，与将第一参数的历史数据和第二参数的历史数据，分别按第一时间步长T进行换算的过程基本相同，在此不再赘述。优选地，其中，第二时间步长T′与第一时间步长T相等，以使识别结果更加准确，应当理解的是，在实际应用中，第二时间步长T′与第一时间步长T也可以不相等。
例如，步长T’为5min(分钟)，则得到每5min平均速度和5min总流量。得到当前时间段(如20分钟)内以T′为时间间隔的第一参数的当前时间序列数据R1′和第二参数的当前时间序列数据R2′。
步骤206、判断预处理后的当前时间段内的交通流数据是否与高峰时段所对应的时变模式相匹配。
本实施例中，可根据预处理后的当前时间段内的交通流数据，通过相似度计算，判断所述当前时间段内的交通流数据是否与高峰时段所对应的时变模式相匹配，具体可包括如下步骤：
S2061、根据第一参数的当前时间序列数据和第二参数的当前时间序列数据，计算CRQA指数。
本实施例中，根据第一参数的当前时间序列数据和第二参数的当前时间序列数据，计算CRQA指数的过程，与根据第一参数的时序分割子序列和第二参数的时序分割子序列，计算每个子序列的CRQA指数的过程类似，在此不再赘述。
S2062、将计算得到的CRQA指数作为特征向量，分别计算该特征向量与各个模式类中心的欧氏距离。
S2063、判断该特征向量与高峰时段所对应的时变模式的类中心的欧氏距离，相对于该特征向量与非高峰时段所对应的时变模式的类中心的欧氏距离是否为最短，若为最短，则确定所述当前时间段内的交通流数据与高峰时段所对应的时变模式相匹配。
示例性地，分别计算该特征向量与各个模式类中心A、B、C、D的欧氏距离，以欧氏距离最短原则，将当前时间序列数据归类，判断所述当前时间段内的交通流数据是否与高峰时段所对应的时变模式相匹配。
本实施例中，欧氏距离计算公式可为：
其中，A表示交通流数据的特征属性个数，X表示交通流数据，ci(Y)表示第Y类模式第i个特征属性的类中心值，ci(X)表示交通流数据的第i个特征属性值。
本实施例中，通过这样的类相似度识别，即使高峰时段的分布因各种干扰因素产生变化，其特征向量所属的特征向量空间类中心始终不会变，因而也就能避免因时间变化导致的高峰分布偏移对算法识别结果造成的影响。而当识别出整个高峰时段后，则可以同时获得本次高峰的各种特性，其中：
高峰时段起始时间＝高峰聚集期起始时间；
高峰时段终止时间＝高峰消散期终止时间；
高峰持续时间＝高峰消散期终止时间-高峰聚集期起始时间；
高峰峰值＝高峰期数据最大值。
步骤701、确定当前时间段是否为交通流高峰时段。
本实施例中，经过判断所述当前时间段内的交通流数据是否与高峰时段所对应的时变模式相匹配，即可确定当前时间段是否为交通流高峰时段。具体地，若所述当前时段内的交通流数据与高峰时段所对应的时变模式相匹配，则确定当前时间段为交通流高峰时段，否则，可确定当前时间段为非交通流高峰时段。图9为根据本发明一实施例获得的识别结果示意图。图9为以常州市武进区某一条路段的实际数据为例，应用本发明一实施例所述交通流模式提取算法获取时变模式A，B，C，D，其中模式A代表高峰期，模式B代表高峰消散期，C代表高峰聚集期，D代表非高峰期。将该模式库应用于当地某一天交通流基础数据，获得如图所示结果，图中横轴为时间周期T(共288个周期，每个周期的步长为5min)，纵轴为单位周期流量Q，a所在位置即早高峰开始时间，b所在位置即早高峰结束时间，早高峰持续时间即[a，b]，流量峰值为Qmax[a，b]，c所在位置为晚高峰开始时间，d所在位置为晚高峰结束时间，晚高峰持续时间即[c，d]，流量峰值为Qmax[c，d]。
本发明实施例提供的识别方法，根据获取的当前时间段内的交通流数据，通过相似度计算，判断所述当前时间段内的交通流数据是否与高峰时段所对应的时变模式相匹配，若相匹配，则确定当前时间段为交通流高峰时段，其中，与高峰时段所对应的时变模式可预先通过对交通流历史数据的分析获得，这样，将当前时间段内的交通流数据与根据交通流历史数据分析获得的时变模式相结合，既能提高对交通流高峰时段识别的准确性；另外，由于本实施例是根据实时更新的当前交通流数据来识别的，因此又能实现实时识别。也就是说，本发明实施例提供的识别方法，基于历史和实时数据，挖掘交通流基础数据的时变规律，从中提取高峰时段所对应的交通流时变特性，再基于当前实时交通流数据，可以实时识别高峰时段，并且识别的准确性较高。
此外，本发明实施例提供的识别方法，通过交通流时变模式提取算法，可以提取交通流早晚高峰时段交通流变化的内在稳定性(DET)，复杂性(ENTROPY)，趋势(TREND)等综合信息，结合聚类算法，找到高峰时段交通流变化的固有模式。在实际应用中不管高峰的分布受各种影响产生了怎样的变化，其固有模式是相对恒定的，在识别高峰时段时很好的避开了已有技术受限于某种规则的缺点。再者，本实施例的方法通过预处理中数据范围和步长的特殊处理，不仅可以用来识别一天中的早晚高峰，也可以用来分析年交通流变化及其高峰，周交通流变化及其高峰。
实施例三
图10为本发明实施例三交通流高峰识别装置的结构示意图，参看图10，本实施例的装置，包括当前交通流数据获取模块11、匹配模块12及识别模块13；其中，所述当前交通流数据获取模块11，用于获取当前时间段内的交通流数据；所述匹配模块12，用于根据获取的当前时间段内的交通流数据，通过相似度计算，判断所述当前时间段内的交通流数据是否与高峰时段所对应的时变模式相匹配；其中，所述时变模式通过对交通流历史数据进行交通流时变模式提取获得；所述识别模块13，用于若所述当前时段内的交通流数据与高峰时段所对应的时变模式相匹配，则确定当前时间段为交通流高峰时段。
本实施例的装置，可以用于执行图2所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
实施例四
图11为本发明实施例四交通流高峰识别装置的结构示意图，参看图11，本实施例的装置，在图10所示装置的基础上，还包括历史交通流数据获取模块14和时变模式提取模块15；其中，所述历史交通流数据获取模块14，用于获取交通流历史数据；所述时变模式提取模块15，用于根据获取的交通流历史数据，进行交通流时变模式提取，获得与交通流高峰时段相匹配的时变模式。
根据本发明一实施例，所述历史交通流数据获取模块，具体用于从存储交通流参数基础数据的数据库中，获取第一参数的历史数据和第二参数的历史数据；其中，所述第一参数和第二参数为能够反映交通流量变化规律的参数。
根据本发明一实施例，所述第一参数为流量，所述第二参数为速度。
根据本发明一实施例，所述的交通流高峰识别装置，还包括：历史交通流数据预处理模块16，用于对获取交通流历史数据进行预处理；其中，所述时变模式提取模块15，具体用于根据预处理后的交通流历史数据，进行交通流时变模式提取，获得与交通流高峰时段相匹配的时变模式。
根据本发明一实施例，所述历史交通流数据预处理模块16包括：具体用于对获取的交通流历史数据进行筛选，筛选出监测路段在指定时间长度内的第一参数的历史数据和第二参数的历史数据，其中所述指定时间长度内该路段出现过高峰时段；将筛选出的第一参数的历史数据和第二参数的历史数据，分别按第一时间步长进行换算，得到相同时间步长的第一参数的历史时间序列数据和第二参数的历史时间序列数据。
根据本发明一实施例，所述时变模式提取模块15包括：第一序列分割子模块，用于将所述第一参数的历史时间序列数据做时序分割处理，得到第一参数的时序分割子序列；第二序列分割子模块，用于将所述第二参数的历史时间序列数据做时序分割处理，得到第二参数的时序分割子序列；其中，所述第二参数的时序分割子序列中子序列的个数，与所述第一参数的时序分割子序列中子序列的个数相等，所述第二参数的时序分割子序列中子序列的宽度，与所述第一参数的时序分割子序列中子序列的宽度相等；第一计算子模块，用于根据第一参数的时序分割子序列和第二参数的时序分割子序列，计算第一参数的时序分割子序列和第二参数的时序分割子序列中对应的每个子序列的CRQA指数；向量组合子模块，用于将每个子序列的CRQA指数作为特征向量，组合得到向量集合，其中，所述CRQA指数包括递归度REC、确定率DET、香农熵ENTROPY、最长对角线LMAX、趋势TREND；聚类分析子模块，用于通过谱聚类模型对所述向量集合做聚类分析，得到与交通流高峰时段相匹配的交通流时变模式。
根据本发明一实施例，所述聚类分析子模块，具体用于通过谱聚类模型对向量集合做聚类分析，将结果分为至少两种模式，所述至少两种模式包括对应于交通流高峰时段的模式和对应于非交通流高峰时段的模式。作为一个具体实施例，可通过谱聚类模型对向量集合做聚类分析，将结果分为四种模式，分别对应交通流变化中的非高峰期、高峰聚集期、高峰期、高峰消散期，其中，高峰聚集期、高峰期、高峰消散期均属于交通流高峰时段，每种模式的类中心由CRQA特征参数组成。
根据本发明一实施例，所述当前交通流数据获取模块，具体用于从存储交通流参数基础数据的数据库中，当前时间段内所述第一参数的当前数据和所述第二参数的当前数据。
根据本发明一实施例，所述的交通流高峰识别装置，还可包括：当前交通流数据预处理模块，用于对获取的当前时间段内的交通流数据进行预处理；其中，所述识别模块，具体用于根据预处理后的当前时间段内的交通流数据，通过相似度计算，判断所述当前时间段内的交通流数据是否与高峰时段所对应的时变模式相匹配。
根据本发明一实施例，所述当前交通流数据预处理模块，具体用于将所述第一参数的当前数据和第二参数的当前数据，分别按第二时间步长进行换算，得到相同时间步长的第一参数的当前时间序列数据和第二参数的当前时间序列数据。
根据本发明一实施例，所述识别模块包括：第二计算子模块。用于根据第一参数的当前时间序列数据和第二参数的当前时间序列数据，计算CRQA指数；第三计算子模块，用于将计算得到的CRQA指数作为特征向量，分别计算该特征向量与各个模式类中心的欧氏距离；判断子模块，用于判断该特征向量与高峰时段所对应的时变模式的类中心的欧氏距离，相对于该特征向量与非高峰时段所对应的时变模式的类中心的欧氏距离是否为最短，若为最短，则确定所述当前时间段内的交通流数据与高峰时段所对应的时变模式相匹配。
根据本发明一实施例，所述第一序列分割子模块，具体用于采用累积和序列划分方法，将所述第一参数的历史时间序列数据做时序分割处理，得到第一参数的时序分割子序列。
根据本发明一实施例，所述第二序列分割子模块，具体用于参照第一参数的各时序分割子序列的宽度，将第二参数的历史时间序列数据进行对应的分割处理，得到第二参数的时序分割子序列；其中，所述第二参数的时序分割子序列中子序列的个数，与所述第一参数的时序分割子序列中子序列的个数相等，所述第二参数的时序分割子序列中各子序列的宽度，与所述第一参数的时序分割子序列中各子序列的宽度对应相等。
根据本发明一实施例，CRQA指数的计算过程和上述方法实施例类似，在此不再赘述。
根据本发明一实施例，所述聚类分析子模块包括：相似度矩阵构造单元，用于根据所述向量集合，构造相似度矩阵；对角矩阵获取单元，用于把相似度矩阵的每一列元素或者每一行元素加起来得到N个数，把所述N个数放在对角线上，组成一个N*N的对角矩阵，N为大于零的自然数；拉普拉斯矩阵获取单元，用于将所述对角矩阵减去所述相似度矩阵，得到拉普拉斯矩阵；第一归一化单元，用于对所述拉普拉斯矩阵进行归一化处理，得到归一化处理后的第一矩阵；特征矩阵获取单元，用于计算所述归一化处理后的第一矩阵的前K个特征值及对应的特征向量，形成一个N*K的特征矩阵，K为大于零的自然数；第二归一化单元，用于对所述特征矩阵进行归一化处理，得到归一化处理后的第二矩阵；聚类单元，用于对所述归一化处理后的第二矩阵按每行为一个数据点，进行k-means聚类。
根据本发明一实施例，所述判断子模块根计算欧氏距离的过程，与上述方法实施例类似，在此不再赘述。
本实施例的装置，可以用于执行图2和图3所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
图12为本发明电子设备一个实施例的结构示意图，可以实现本发明图2-3所示实施例的流程，如图12所示，上述电子设备可以包括：处理器82和存储器83；其中，存储器83用于存储可执行程序代码；处理器82通过读取存储器83中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行前述任一实施例所述的交通流高峰方法。
处理器82对上述步骤的具体执行过程以及处理器82通过运行可执行程序代码来进一步执行的步骤，可以参见本发明图2-3所示实施例的描述，在此不再赘述。
该电子设备以多种形式存在，包括但不限于：服务器，所述服务器为提供计算服务的设备，服务器的构成包括处理器、硬盘、内存、系统总线等，服务器和通用的计算机架构类似，但是由于需要提供高可靠的服务，因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现前述权利要求任一项所述的交通流高峰识别方法。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，″计算机可读介质″可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
为了描述的方便，描述以上装置是以功能分为各种单元/模块分别描述。当然，在实施本发明时可以把各单元/模块的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (13)
1.一种交通流高峰识别方法，其特征在于，包括：
获取当前时间段内的交通流数据；
根据获取的当前时间段内的交通流数据，通过相似度计算，判断所述当前时间段内的交通流数据是否与高峰时段所对应的时变模式相匹配；其中，所述时变模式通过对交通流历史数据进行交通流时变模式提取获得；
若所述当前时段内的交通流数据与高峰时段所对应的时变模式相匹配，则确定当前时间段为交通流高峰时段。
2.根据权利要求1所述的交通流高峰识别方法，其特征在于，所述交通流历史数据根据如下方式获得：
从存储交通流参数基础数据的数据库中，获取第一参数的历史数据和第二参数的历史数据；其中，所述第一参数和第二参数为能够反映交通流量变化规律的参数。
3.根据权利要求2所述的交通流高峰识别方法，其特征在于，所述第一参数为流量，所述第二参数为速度。
4.根据权利要求2所述的交通流高峰识别方法，其特征在于，在获取交通流历史数据之后，所述方法还包括：
对获取的交通流历史数据进行筛选，筛选出监测路段在指定时间长度内的第一参数的历史数据和第二参数的历史数据，其中所述指定时间长度内该路段出现过高峰时段；
将筛选出的第一参数的历史数据和第二参数的历史数据，分别按第一时间步长进行换算，得到相同时间步长的第一参数的历史时间序列数据和第二参数的历史时间序列数据。
5.根据权利要求4所述的交通流高峰识别方法，其特征在于，对交通流历史数据进行交通流时变模式提取获得时变模式包括：
将所述第一参数的历史时间序列数据做时序分割处理，得到第一参数的时序分割子序列；
将所述第二参数的历史时间序列数据做时序分割处理，得到第二参数的时序分割子序列；其中，所述第二参数的时序分割子序列中子序列的个数，与所述第一参数的时序分割子序列中子序列的个数相等，所述第二参数的时序分割子序列中子序列的宽度，与所述第一参数的时序分割子序列中子序列的宽度相等；
根据第一参数的时序分割子序列和第二参数的时序分割子序列，计算第一参数的时序分割子序列和第二参数的时序分割子序列中对应的每个子序列的CRQA指数；
将每个子序列的CRQA指数作为特征向量，组合得到向量集合，其中，所述CRQA指数包括递归度REC、确定率DET、香农熵ENTROPY、最长对角线LMAX、趋势TREND；
通过谱聚类模型对所述向量集合做聚类分析，得到与交通流高峰时段相匹配的交通流时变模式。
6.根据权利要求5所述的交通流高峰识别方法，其特征在于，所述通过谱聚类模型对所述向量集合做聚类分析，得到与交通流高峰时段相匹配的交通流时变模式包括：
通过谱聚类模型对向量集合做聚类分析，将结果分为至少两种模式，所述至少两种模式包括对应于交通流高峰时段的模式和对应于非交通流高峰时段的模式。
7.根据权利要求2或3所述的交通流高峰识别方法，其特征在于，所述获取当前时间段内的交通流数据包括：
从存储交通流参数基础数据的数据库中，获取当前时间段内所述第一参数的当前数据和所述第二参数的当前数据。
8.根据权利要求7所述的交通流高峰识别方法，其特征在于，在获取当前时间段内的交通流数据之后，所述方法还包括：
将所述第一参数的当前数据和第二参数的当前数据，分别按第二时间步长进行换算，得到相同时间步长的第一参数的当前时间序列数据和第二参数的当前时间序列数据；
其中，所述根据获取的当前时间段内的交通流数据，通过相似度计算，判断所述当前时间段内的交通流数据是否与高峰时段所对应的时变模式相匹配包括：
根据第一参数的当前时间序列数据和第二参数的当前时间序列数据，计算CRQA指数；
将计算得到的CRQA指数作为特征向量，分别计算该特征向量与各个模式类中心的欧氏距离；
判断该特征向量与高峰时段所对应的时变模式的类中心的欧氏距离，相对于该特征向量与非高峰时段所对应的时变模式的类中心的欧氏距离是否为最短，若为最短，则确定所述当前时间段内的交通流数据与高峰时段所对应的时变模式相匹配。
9.根据权利要求5所述的交通流高峰识别方法，其特征在于，所述将所述第一参数的历史时间序列数据做时序分割处理，得到第一参数的时序分割子序列包括：
采用累积和序列划分方法，将所述第一参数的历史时间序列数据做时序分割处理，得到第一参数的时序分割子序列，所述第一参数的时序分割子序列为非等分的子序列；
所述将所述第二参数的历史时间序列数据做时序分割处理，得到第二参数的时序分割子序列包括：
参照第一参数的各时序分割子序列的宽度，将第二参数的历史时间序列数据进行对应的分割处理，得到第二参数的时序分割子序列；其中，所述第二参数的时序分割子序列中子序列的个数，与所述第一参数的时序分割子序列中子序列的个数相等，所述第二参数的时序分割子序列中各子序列的宽度，与所述第一参数的时序分割子序列中各子序列的宽度对应相等。
10.根据权利要求5所述的交通流高峰识别方法，其特征在于，所述通过谱聚类模型对所述向量集合做聚类分析包括：
根据所述向量集合，构造相似度矩阵；
把相似度矩阵的每一列元素或者每一行元素加起来得到N个数，把所述N个数放在对角线上，组成一个N*N的对角矩阵；N为大于零的自然数；
将所述对角矩阵减去所述相似度矩阵，得到拉普拉斯矩阵；
对所述拉普拉斯矩阵进行归一化处理，得到归一化处理后的第一矩阵；
计算所述归一化处理后的第一矩阵的前K个特征值及对应的特征向量，形成一个N*K的特征矩阵；K为大于零的自然数；
对所述特征矩阵进行归一化处理，得到归一化处理后的第二矩阵；
对所述归一化处理后的第二矩阵按每行为一个数据点，进行k-means聚类。
11.一种交通流高峰识别装置，其特征在于，包括：
当前交通流数据获取模块，用于获取当前时间段内的交通流数据；
匹配模块，用于根据获取的当前时间段内的交通流数据，通过相似度计算，判断所述当前时间段内的交通流数据是否与高峰时段所对应的时变模式相匹配；其中，所述时变模式通过对交通流历史数据进行交通流时变模式提取获得；
识别模块，用于若所述当前时段内的交通流数据与高峰时段所对应的时变模式相匹配，则确定当前时间段为交通流高峰时段。
12.一种电子设备，其特征在于，所述电子设备包括：处理器和存储器，其中，存储器用于存储可执行程序代码；处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行前述权利要求任一项所述的交通流高峰识别方法。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现前述权利要求任一项所述的交通流高峰识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810411904.1A CN110444011B (zh) | 2018-05-02 | 2018-05-02 | 交通流高峰识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810411904.1A CN110444011B (zh) | 2018-05-02 | 2018-05-02 | 交通流高峰识别方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110444011A true CN110444011A (zh) | 2019-11-12 |
| CN110444011B CN110444011B (zh) | 2020-11-03 |
Family
ID=68427630
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810411904.1A Active CN110444011B (zh) | 2018-05-02 | 2018-05-02 | 交通流高峰识别方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110444011B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110910658A (zh) * | 2019-11-14 | 2020-03-24 | 北京百度网讯科技有限公司 | 交通信号控制方法、装置、计算机设备和存储介质 |
| CN111462489A (zh) * | 2020-04-01 | 2020-07-28 | 腾讯云计算（北京）有限责任公司 | 交通拥堵区域预测方法及装置 |
| CN112819325A (zh) * | 2021-01-29 | 2021-05-18 | 北京嘀嘀无限科技发展有限公司 | 高峰时段确定方法、装置、电子设备和存储介质 |
| CN113257002A (zh) * | 2021-05-11 | 2021-08-13 | 青岛海信网络科技股份有限公司 | 一种高峰开始时间预测方法、装置、设备及介质 |
| CN113689690A (zh) * | 2020-05-16 | 2021-11-23 | 海信集团有限公司 | 一种时间段划分的方法及智能设备 |
| CN117831338A (zh) * | 2023-12-26 | 2024-04-05 | 武汉理工大学 | 一种基于停车场智能引导终端的数据协同共享方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100010570A (ko) * | 2008-07-23 | 2010-02-02 | 에스케이마케팅앤컴퍼니 주식회사 | 혼잡도 정보 제공 시스템 및 방법 |
| CN102033892A (zh) * | 2009-09-30 | 2011-04-27 | 北京四通智能交通系统集成有限公司 | 交通流历史标准数据的生成方法及系统 |
| US20140114556A1 (en) * | 2012-10-23 | 2014-04-24 | University Of Southern California | Traffic prediction using real-world transportation data |
| CN103810849A (zh) * | 2012-11-15 | 2014-05-21 | 北京掌城科技有限公司 | 一种基于浮动车数据的交通流变化趋势提取方法 |
| CN104200231A (zh) * | 2014-09-02 | 2014-12-10 | 银江股份有限公司 | 一种高效的交通状态标注方法 |
| US20150073689A1 (en) * | 2013-09-09 | 2015-03-12 | International Business Machines Corporation | Traffic Impact Prediction for Multiple Event Planning |
| CN104504897A (zh) * | 2014-09-28 | 2015-04-08 | 北京工业大学 | 一种基于轨迹数据的交叉口交通流特性分析及车辆运动预测方法 |
| US20150206428A1 (en) * | 2014-01-21 | 2015-07-23 | Iteris, Inc. | Estimation of hourly traffic flow profiles using speed data and annual average daily traffic data |
| 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 |
| CN107464419A (zh) * | 2017-08-28 | 2017-12-12 | 北京工业大学 | 一种考虑时空特性的短时交通流预测方法 |
-
2018
- 2018-05-02 CN CN201810411904.1A patent/CN110444011B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100010570A (ko) * | 2008-07-23 | 2010-02-02 | 에스케이마케팅앤컴퍼니 주식회사 | 혼잡도 정보 제공 시스템 및 방법 |
| CN102033892A (zh) * | 2009-09-30 | 2011-04-27 | 北京四通智能交通系统集成有限公司 | 交通流历史标准数据的生成方法及系统 |
| US20140114556A1 (en) * | 2012-10-23 | 2014-04-24 | University Of Southern California | Traffic prediction using real-world transportation data |
| CN103810849A (zh) * | 2012-11-15 | 2014-05-21 | 北京掌城科技有限公司 | 一种基于浮动车数据的交通流变化趋势提取方法 |
| US20150073689A1 (en) * | 2013-09-09 | 2015-03-12 | International Business Machines Corporation | Traffic Impact Prediction for Multiple Event Planning |
| US20150206428A1 (en) * | 2014-01-21 | 2015-07-23 | Iteris, Inc. | Estimation of hourly traffic flow profiles using speed data and annual average daily traffic data |
| CN104200231A (zh) * | 2014-09-02 | 2014-12-10 | 银江股份有限公司 | 一种高效的交通状态标注方法 |
| CN104504897A (zh) * | 2014-09-28 | 2015-04-08 | 北京工业大学 | 一种基于轨迹数据的交叉口交通流特性分析及车辆运动预测方法 |
| 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 |
| CN107464419A (zh) * | 2017-08-28 | 2017-12-12 | 北京工业大学 | 一种考虑时空特性的短时交通流预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| ADAM MALCONTENTI-WILSON: "Exploring urban traffic flow dynamics", 《PROCEEDINGS OF THE 16TH INTERNATIONAL IEEE ANNUAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS (ITSC 2013)》 * |
| 刘擎超: "基于集成学习的交通状态预报方法研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 唐德华: "短时交通流特性及状态转变研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 李强: "交通流时间序列的聚类分析方法及应用", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 李清泉 等: "短时交通流量模式提取及时变特征分析", 《武汉大学学报（信息科学版）》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110910658A (zh) * | 2019-11-14 | 2020-03-24 | 北京百度网讯科技有限公司 | 交通信号控制方法、装置、计算机设备和存储介质 |
| CN110910658B (zh) * | 2019-11-14 | 2021-08-17 | 北京百度网讯科技有限公司 | 交通信号控制方法、装置、计算机设备和存储介质 |
| CN111462489A (zh) * | 2020-04-01 | 2020-07-28 | 腾讯云计算（北京）有限责任公司 | 交通拥堵区域预测方法及装置 |
| CN111462489B (zh) * | 2020-04-01 | 2021-10-26 | 腾讯云计算（北京）有限责任公司 | 交通拥堵区域预测方法及装置 |
| CN113689690A (zh) * | 2020-05-16 | 2021-11-23 | 海信集团有限公司 | 一种时间段划分的方法及智能设备 |
| CN112819325A (zh) * | 2021-01-29 | 2021-05-18 | 北京嘀嘀无限科技发展有限公司 | 高峰时段确定方法、装置、电子设备和存储介质 |
| CN113257002A (zh) * | 2021-05-11 | 2021-08-13 | 青岛海信网络科技股份有限公司 | 一种高峰开始时间预测方法、装置、设备及介质 |
| CN117831338A (zh) * | 2023-12-26 | 2024-04-05 | 武汉理工大学 | 一种基于停车场智能引导终端的数据协同共享方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110444011B (zh) | 2020-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110444011A (zh) | 交通流高峰识别方法、装置、电子设备及存储介质 | |
| CN107423769B (zh) | 基于形态特征的电力负荷曲线自适应聚类方法 | |
| Li et al. | Midterm load forecasting: A multistep approach based on phase space reconstruction and support vector machine | |
| CN106056136A (zh) | 一种聚类中心快速确定的数据聚类方法 | |
| CN106650774A (zh) | 一种数据分析中获取因变量与自变量回归关系的方法 | |
| CN110826618A (zh) | 一种基于随机森林的个人信用风险评估方法 | |
| CN108205580A (zh) | 一种图像检索方法、装置及计算机可读存储介质 | |
| CN113159106B (zh) | 一种基于形态趋势特征的负荷曲线聚类方法、介质及设备 | |
| CN105843733B (zh) | 一种大数据平台的性能检测方法及装置 | |
| Dubey et al. | A systematic review on k-means clustering techniques | |
| CN110490369A (zh) | 一种基于ewt和lssvm模型的短期电力负荷预测方法 | |
| CN111860692A (zh) | 一种基于K-mediod的物联网环境下的异常数据检测方法 | |
| CN111160404A (zh) | 配电网线损标杆合理值的分析方法及装置 | |
| Bidoki et al. | Comparison of several clustering methods in the case of electrical load curves classification | |
| Zhang et al. | A deep learning-based approach for machining process route generation | |
| CN116226468B (zh) | 基于网格化终端业务数据存储管理方法 | |
| CN107274025B (zh) | 一种实现用电模式智能识别与管理的系统和方法 | |
| VoVan et al. | Similar coefficient of cluster for discrete elements | |
| CN109284286A (zh) | 一种从原始数据集中提取有效特征的方法 | |
| Ma | The Research of Stock Predictive Model based on the Combination of CART and DBSCAN | |
| Sidhu et al. | Clustering in data mining | |
| Rajkumar et al. | A critical study and analysis of journal metric ‘CiteScore’cluster and regression analysis | |
| Vankov et al. | Clustering time series over electrical networks | |
| Weng et al. | Time series clustering based on shape dynamic time warping using cloud models | |
| Dudeni-Tlhone et al. | Clustering of housing and household patterns using 2011 population census |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |