CN112085951A - 交通状态判别方法、系统、存储介质、计算机设备及应用 - Google Patents
交通状态判别方法、系统、存储介质、计算机设备及应用 Download PDFInfo
- Publication number
- CN112085951A CN112085951A CN202010823820.6A CN202010823820A CN112085951A CN 112085951 A CN112085951 A CN 112085951A CN 202010823820 A CN202010823820 A CN 202010823820A CN 112085951 A CN112085951 A CN 112085951A
- Authority
- CN
- China
- Prior art keywords
- traffic
- traffic state
- index
- judgment
- weight
- 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.)
- Pending
Links
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- 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
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于智能交通技术领域,公开了一种交通状态判别方法、系统、存储介质、计算机设备及应用,通过将有效性问题转化为最佳聚类数目c的取值问题来反向确定c的取值;根据各个判别指标对交通状态贡献度的不同;采用主观赋权法与客观赋权法进行组合得到最终判别指标的权重,对FCM算法的欧式距离公式加权来实现对交通状态进行判别。根据交通雷达自身的特性以及在交通监测方面的优势,将雷达采集到的交通流参数对本发明构建的模型完成验证。实验结果表明:经过验证改进后的FCM算法可以准确快速识别出交叉路口的状态变化情况,并在智能交通系统中得到了应用。
Description
技术领域
本发明属于智能交通技术领域,尤其涉及一种交通状态判别方法、系统、存储介质、计算机设备及应用。
背景技术
目前,随着我国经济的迅猛发展,人民的生活水平逐渐提高,随之而来的是机动车使用率和交通出行量的急速增长,使得交通拥堵等诸多问题日益突出,已经严重阻碍了城市的发展,同时也给社会经济发展带来了巨大损失。因此为了保障快速的通行效率,需对相应路段进行控制,而准确的交通状态判别是制定相适应的交通控制策略的前提。
通过上述分析,现有技术存在的问题及缺陷为:现有算法普遍采用的是单一判别指标和最小欧式距离进行交通状态的判别,且将不同的判别指标视为相等或主观赋予其权重值,导致最终判别模型的准确性并不高;一些学者虽然对于聚类数目的最大取值做出了分析,但是随着样本个数增大,会造成很大的迭代次数,使得在大多数实际问题中对于聚类数目c的取值仍然难以明确规定。
解决以上问题及缺陷的难度为:
1由于交叉路口处车道线宽、人员密集且流动性大,车道中间的金属栏杆和隔离带以及受到沙尘、雨雪天气等因素影响,造成背景噪声大。在构建模型系统时候必须充分考虑与处理。
2传统的FCM的目标函数仅仅适用于单一判别指标,使用多判别指标时候如何合理有效的改进欧式距离使得优化后的FCM目标函数对识别结果的准确度更高是必须克服的困难。
3针对构建模型测试与验证时,所需的计算能力、存储能力等需求更高。
4由于在交叉口处安装了不同规格的车辆检测器等雷达数据采集设备,使得对设备收集到的海量交通数据的分析与处理的难度加大。
解决以上问题及缺陷的意义为:本发明通过构建改进的模糊C均值聚类算法,并通过利用安装在交叉路口的交通雷达获取道路车辆信息,从而验证了该模型的有效性。该模型能够准确及时的识别拥堵,为交通规划与交通诱导奠定了基础,从而改善交通拥堵的状况。例如:交通管理者可根据实时判别结果控制出入口流量,从而减缓拥堵。对于道路使用者而言,驾驶员可以提前了解整条道路的运行拥堵状况,从而为自己的出行做好计划,避免延误。因此对本发明模型的研究是十分有必要的,具有重要的经济效益与社会效益。
发明内容
针对现有技术存在的问题,本发明提供了一种交通状态判别方法、系统、存储介质、计算机设备及应用。
本发明是这样实现的,一种交通状态判别方法,所述交通状态判别方法包括:
通过将有效性问题转化为最佳聚类数目c的取值问题来反向确定c的取值;
根据各个判别指标对交通状态贡献度的不同;
采用主观赋权法与客观赋权法进行组合得到最终判别指标的权重,对FCM算法的欧式距离公式加权来实现对交通状态进行判别。
进一步,所述交通状态判别方法聚类数目c的选取将采用CH指标进行计算,CH指标是聚类算法的有效性指标之一,通过将有效性问题转化为最佳聚类数目c的取值问题来反向确定c的取值。
进一步,所述交通状态判别方法的判别指标权重确定包括:所述交通状态判别方法的组合权重的确定使用层次分析法与熵权法组合赋权法得到各判别指标的权重。
wi=α×ai+(1-α)×bi (1)
使用公式(1)将客观权重对主观权重进行修复,α为组合赋权法的偏好程度,取α=0.5,得到组合的交通状态评价的排队长度、交通流量、平均速度的权重向量集W=[0.4233,0.3894,0.184]。
进一步,所述交通状态判别方法的GA-WFCM算法模型的建立包括:
加权策略
(1)加权后的欧式距离如式(2)所示。
(2)得到目标函数如式(3)所示。
(3)通过求解得到新的隶属度更新公式与聚类中心更新公式;
隶属度迭代如式(4)所示。
聚类中心迭代如式(5)所示。
将获取的雷达数据进行预处理后,通过将判别指标的权值代入加权后的隶属度迭代公式与聚类中心迭代公式中,通过不断迭代上式得到最终的U和V;进而通过判别指标的估计模型得到用于交通状态判别的特征向量。
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
通过将有效性问题转化为最佳聚类数目c的取值问题来反向确定c的取值;
根据各个判别指标对交通状态贡献度的不同;
采用主观赋权法与客观赋权法进行组合得到最终判别指标的权重,对FCM算法的欧式距离公式加权来实现对交通状态进行判别。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
通过将有效性问题转化为最佳聚类数目c的取值问题来反向确定c的取值;
根据各个判别指标对交通状态贡献度的不同;
采用主观赋权法与客观赋权法进行组合得到最终判别指标的权重,对FCM算法的欧式距离公式加权来实现对交通状态进行判别。
本发明的另一目的在于提供一种实施所述交通状态判别方法的交通状态判别系统,所述交通状态判别系统包括:
最佳聚类数据确定模块,用于通过将有效性问题转化为最佳聚类数目c的取值问题来反向确定c的取值;
指标判别模块,用于根据各个判别指标对交通状态贡献度的不同;
交通状态判别模块,用于采用主观赋权法与客观赋权法进行组合得到最终判别指标的权重,对FCM算法的欧式距离公式加权来实现对交通状态进行判别。
本发明的另一目的在于提供一种智能交通系统,所述智能交通系统搭载所述的交通状态判别系统。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:鉴于以上传统FCM算法的不足,本发明在已有的FCM算法基础上对传统的FCM进行再次优化,首先通过将有效性问题转化为最佳聚类数目c的取值问题来反向确定c的取值;其次,根据各个判别指标对交通状态贡献度的不同,最后采用主观赋权法与客观赋权法进行组合得到最终判别指标的权重,进而对FCM算法的欧式距离公式加权来实现对交通状态进行判别。
本发明基于城市交叉路口的交通状态的复杂性以及模糊性问题,本发明提出了一种改进的模糊c均值(GA-WFCM)的交通状态判别方法,通过采用聚类有效性指标CH指标将交通状态划分为非常通畅、通畅、轻度拥堵、中度拥堵、严重拥堵五类;并根据各个判别指标对交通状态贡献度的不同,将主观赋权法与客观赋权法进行组合得到最终判别指标的权重,进而对FCM算法的欧式距离公式进行加权。最后根据交通雷达自身的特性以及在交通监测方面的优势,将雷达采集到的交通流参数对本发明构建的模型完成验证。实验结果表明:经过验证改进后的FCM算法可以准确快速识别出交叉路口的状态变化情况,并在智能交通系统中得到了应用。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,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是本发明实施例提供的交通状态判别方法流程图。
图2是本发明实施例提供的交通状态判别系统的结构示意图;
图2中:1、最佳聚类数据确定模块;2、指标判别模块;3、交通状态判别模块。
图3是本发明实施例提供的不同聚类数目的CH指标变化情况示意图。
图4是本发明实施例提供的组合权重确定流程图。
图5是本发明实施例提供的GA-WFCM算法总体流程图。
图6是本发明实施例提供的传统FCM算法聚类结果空间分布图。
图7是本发明实施例提供的改进FCM算法聚类结果空间分布图。
图8是本发明实施例提供的传统FCM算法的隶属度函数示意图。
图9是本发明实施例提供的改进FCM算法的隶属度函数示意图。
图10是本发明实施例提供的传统与改进FCM算法的目标函数对比示意图。
图11是本发明实施例提供的雷达试点正北方向路况实景示意图。
图12是本发明实施例提供的交通状态随时间变化规律示意图。
图13是本发明实施例提供的不同交通状态下的视频图像示意图;
图13中:(a)非常畅通的交通状态;(b)畅通的交通状态;(c)轻度拥堵的交通状态;(d)中度拥堵的交通状态;(e)堵塞的交通状态。
图14是本发明实施例提供的周内交通状态随时间变化规律示意图。
图15是本发明实施例提供的周末交通状态随时间变化规律示意图。
图16是本发明实施例提供的可视化界面系统功能示意图。
图17是本发明实施例提供的可视化系统界面布局示意图。
具体实施方式
为了将交通雷达探测该交叉路口的数据以及判别结果直观的展示出来,通过采用可视化界面实时显示该交叉路口的道路状况。
可视化界面主要包含三个功能模块,分别为视频模块、判别模块、统计模块,如图16所示
(1)视频模块
该模块提供视频流接口,通过访问不同IP地址获取不同摄像头的视频流数据接收实际路口传来的视频信息,实时展示交叉路口四个方向的视频,便于直观的了解该路口的道路状态。
(2)判别模块
该模块通过实时提取判别指标并使用本发明构建的判别模型实时判别每个交叉路口的交通状态,更新在相对应的视频下方,使用不同颜色标记不同的交通状态。
(3)数据统计模块
该模块分别将交通雷达实时接收的三个指标:交通流量、道路平均速度、排队长度随时间实时变化的数据进行统计,并显示在可视化界面上,根据统计结果实时更新图表。
可视化系统基于B/S架构,系统的设计使用C#Winform技术进行编程实现,系统界面如图17所示。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种交通状态判别方法、系统、存储介质、计算机设备及应用,下面结合附图对本发明作详细的描述。
如图1所示,本发明提供的交通状态判别方法包括以下步骤:
S101:通过将有效性问题转化为最佳聚类数目c的取值问题来反向确定c的取值;
S102:根据各个判别指标对交通状态贡献度的不同;
S103:采用主观赋权法与客观赋权法进行组合得到最终判别指标的权重,对FCM算法的欧式距离公式加权来实现对交通状态进行判别。
本发明提供的交通状态判别方法业内的普通技术人员还可以采用其他的步骤实施,图1的本发明提供的交通状态判别方法仅仅是一个具体实施例而已。
如图2所示,本发明提供的交通状态判别系统包括:
最佳聚类数据确定模块1,用于通过将有效性问题转化为最佳聚类数目c的取值问题来反向确定c的取值;
指标判别模块2,用于根据各个判别指标对交通状态贡献度的不同;
交通状态判别模块3,用于采用主观赋权法与客观赋权法进行组合得到最终判别指标的权重,对FCM算法的欧式距离公式加权来实现对交通状态进行判别。
下面结合附图对本发明的技术方案作进一步的描述。
1基于GA-WFCM算法的交通状态判别方法
1.1聚类数目c的选取
为了对交通状态分类数目进行精确计算,本发明将采用Calinski-Harabasz(简称CH)指标进行计算,CH指标是聚类算法的有效性指标之一,通过将有效性问题转化为最佳聚类数目c的取值问题来反向确定c的取值。
图3为不同聚类数目对应的CH指标的变化情况,观察图3可以看出CH(5)的值最大,因此最佳聚类数目为5,对应的交通状态分别为:非常通畅、通畅、轻度拥堵、中度拥堵、严重拥堵。
1.2判别指标的权重确定
道路判别指标对道路状态的作用是不同的,所以对于多判别指标的交通状态识别最重要的就是各个指标对交通状态影响程度的确定,通过分析各个指标的特征权重,对指标赋予合理的权重,可以使判别结果更符合实际交通状态。
1.2.3组合权重的确定
主观赋权法的缺点是由于受到人的意识影响,导致客观性不强,并且增加了决策者的工作量,局限性较大。客观赋权法得到的结果可能会和真实各属性的权重存在一定的差别。分别从主观赋权法和客观赋权的优缺点分析,可以看出主观赋权法和客观赋权法之间存在一定的互补性,为了使权重的确定结果更加科学和具有说服力,可以使用主观与客观组合赋权法确定权重,这样既能满足决策者对指标的认可程度,又减少了随意性,进而使决策更符合实际情况。
本发明使用层次分析法与熵权法组合赋权法得到各判别指标的权重。
wi=α×ai+(1-α)×bi (1)
使用公式(1)将客观权重对主观权重进行修复,α为组合赋权法的偏好程度,取α=0.5,得到组合的交通状态评价的排队长度、交通流量、平均速度的权重向量集W=[0.4233,0.3894,0.184]。
通过权重集的结果可以看出平均速度所占的权重较小,这是由于受到信号灯的作用,交叉路口平均速度的变化相对于路段平均速度的变化稍微弱化。组合权重的确定流程如图4所示。
1.3GA-WFCM算法模型的建立
GA-WFCM是将传统FCM算法、遗传算法、特征权重算法三者进行结合对传统FCM算法进行改进,GA-WFCM算法既保留了现有改进算法对最优初始聚类中心的选择,同时通过将有效性问题转化为最佳聚类数目c的取值问题来反向确定c的取值,并赋予了每个判别指标不同的权重。
1.3.1加权策略
由于已有的改进的FCM的目标函数没有体现出各判别指标对识别结果影响程度的不同,因此可以通过改进欧式距离得到加权的欧式距离公式来优化FCM的目标函数,具体的过程如下:
(1)加权后的欧式距离如式(2)所示。
(2)得到目标函数如式(3)所示。
(3)通过求解得到新的隶属度更新公式与聚类中心更新公式。
隶属度迭代如式(4)所示。
聚类中心迭代如式(5)所示。
将获取的雷达数据进行预处理后,通过将判别指标的权值代入加权后的隶属度迭代公式与聚类中心迭代公式中,通过不断迭代上式得到最终的U和V;进而通过判别指标的估计模型得到用于交通状态判别的特征向量。GA-WFCM的总体流程如图5所示。
2算法验证结果与分析
2.1传统的FCM算法实现
(1)FCM算法参数设置
初始化参数:c=5,m=2.25,ε1=1×10-5,Tmax=100,在[0,1]区间内随机初始并规范隶属度矩阵;
(2)FCM算法结果
程序在运算时对判别指标集进行了归一化处理,输出的聚类中心为归一化后的结果,为了直观的看到聚类结果,对输出的聚类中心进行了反归一化处理,反归一化后的聚类结果如式(6)所示。
其中矩阵的行代表每类交通状态下三个交通判别指标的值,分别为排队长度、交通流量、平均速度,矩阵的列代表每一个判别指标在五种交通状态下的值。按照隶属度最大的原则,将样本分别归到相应的类别中,将样本所属的类别用不同颜色表示,得到样本的空间分布如图6所示。
根据聚类结果分析得出,“非常畅通”代表的场景大多是无车时,“非常畅通”的样本点大多分布在(0,0,0)附近,只有个别点分布在“畅通”附近,分析其原因可能是由于夜晚部分驾驶员驾驶速度较慢。
2.2本发明改进的GA-WFCM算法实现
(1)GA-WFCM算法参数设置
FCM算法参数初始化;c=5,m=2.25,ε1=1×10-5,T1=100;
GA算法参数:n=30,T2=50,ε2=0.001,Pc=0.6,Pm=0.01;
指标权重值:W=[0.4233,0.3894,0.184]。
(2)GA-WFCM算法结果如式(7)所示.
矩阵的行代表每类交通状态下三个判别指标的值,分别为排队长度、交通流量、平均速度,矩阵的列代表每一个判别指标在五种交通状态下的值。按照隶属度最大的原则,将样本分别归到相应的类别中,将样本所属的类别用不同颜色表示,得到样本的空间分布如图7所示。
2.3结果对比与分析
(1)隶属度函数比较
隶属度表示各样本属于每类交通状态的程度,可以使用隶属度的平滑程度和其值大小作为评价聚类效果的指标。隶属度越平滑说明类内样本越相似,类与类之间的差异越大;隶属度的值越接近于1,说明隶属程度越明显,聚类的效果越好。
分别使用传统FCM算法和GA-WFCM算法运行得到的各样本在五种交通状态的隶属度的值,为了更加清晰地看出隶属度的变化情况,在五种交通状态中每隔20个数据点均匀取72个数据点所对应的隶属度。
图8为传统FCM算法得到五种交通状态的隶属度函数值,图9为改进FCM算法得到的隶属度函数值。可以看出,GA-WFCM算法的隶属度函数相比传统FCM得到的隶属度函数值更加平滑,并且改进后的隶属度函数的值接近于1的点更多一些。这表明,改进后的FCM算法的聚类效果更好,使得交通状态的界限更加的明显。
(2)目标函数与迭代次数的比较
对于聚类算法而言,目标函数的值越小,说明聚类中心越能准确的代表各个分类的中心。多次执行FCM和GA-WFCM算法,将运行得到的目标函数对比,如图10所示:
图10中可以看出,GA-WFCM算法在寻优能力和收敛速度上都较强与传统FCM算法。具体表现在如下几点:
1)初次迭代时,GA-WFCM的目标函数值远小于传统FCM目标函数值,且可以得到GA-WFCM目标函数值的变化范围为38.2565至16.1304,传统FCM算法目标函数值的变化范围为13.7855至5.2354,即GA-WFCM要比传统的FCM目标函数值的变化范围要宽。这表明,改进后算法的初始搜寻目标优于传统FCM算法。
2)GA-WFCM算法快达到稳定时大约迭代了15次,达到目标函数最小值时大约迭代了77次;而传统FCM算法快达到稳定时大约迭代了20次,达到目标函数最小值时大约迭代了102次。并且GA-WFCM算法的目标函数最小值小于传统FCM目标函数最小值。由此可以看出,GA-WFCM的算法收敛速度更快,性能更好。
3)GA-WFCM算法每次迭代的结果都在最佳函数值的附近,这说明,GA-WFCM算法的稳定性更高。
3工程实例结果验证
选取2020年7月1日上午06时至2020年7月1日上午9时雷达试点的数据,对实地交通状态进行了判别并分析其结果。对雷达试点正北方向的道路通行情况进行识别,其真实路况如图11所示。
选取该交叉路口来向车辆的交通数据来验证GA-WFCM的判别模型对真实道路交通状态的判别结果,该交叉路口的交通状态如图12所示。
通过人工观察该时间段内的视频,证明了该交叉路口的交通状况与实际交通状况相似。在7:00点之后道路逐渐开始拥堵,在7:40之后道路明显出现拥堵现象,在8:00-8:30为到达该路口的早高峰。
此外,通过选取样本1~5分别对应五种不同的交通状态,分别列出这五种交通状态下的排队长度、交通流量、平均速度的值以及5个样本对于每类交通状态的隶属度的大小。
表1样本点分类分析结果
表1中μ1为样本属于非常畅通的隶属度,μ2为样本属于畅通的隶属度,μ3为样本属于轻度拥堵的隶属度,μ4为样本属于中度拥堵的隶属度,μ5为样本属于堵塞的隶属度。样本1中μ1最大,因此其交通状态为“非常畅通”;样本2中μ2最大,因此其交通状态为“畅通”;样本3中μ3最大,因此其交通状态为“轻度拥堵”;样本4中μ4最大,因此其的交通状态为“中度拥堵”;样本5中μ5最大,因此其交通状态为“堵塞”;
分别对每种交通状态获取其对应时刻的视频图像,五种不同交通状态所对应视频截图如图13所示:
图13中的图(a)是道路交通状态为“非常畅通”时的视频截图,可以看出此时的道路上无车辆行驶,这种情况一般较多发生在凌晨;图(b)是道路交通状态为“畅通”时的视频截图,可以看出此时道路上车辆较少,此时车辆行驶的较为通畅;图(c)是道路交通状态为“轻度拥堵”时的视频截图,可以看出此时道路上车辆逐渐变多,车辆头尾相连逐渐形成队列;图(d)是道路交通状态为“中度拥堵”时的视频截图,可以看出此时道路上车辆变得更多,三车道都布满了车辆,但队列仍在缓慢行驶中;图(e)是道路交通状态为“堵塞”时的视频截图,可以看出此时道路上布满了车辆,并且由于红灯的限制,前方车辆处于等待状态,因此队尾排队的车辆逐渐增加。
此外,为了进一步验证GA-WFCM判别模型对交通状态变化的灵敏性,分别选择周末与周内的交通状态进行判别;周内与周末交通状态的对比。
分别选择周内一天与周末一天全天的数据代入判别模型中得到结果,如下图14所示:
图14为周内早上6:00至晚上21:00的交通状态变化情况。周内出现三个高峰期,分别为早高峰、午高峰及晚高峰,且它们的界限较为明显,全天三个高峰时段分别为早上8:00-8:30、中午11:00-11:30与晚上17:00-18:00。
图15为周末早上6:00至晚上的交通状态变化情况。周末各个高峰界限不明显,由于周末大部分人不需要上班,因此早高峰出现的时21:00间推迟。调查得知该交叉路口附近有两家医院以及周末外出郊游的原因,使得周末的交通状态拥堵的情况所占的比例更多。
因此通过周内与周末交通状态变化的对比,进一步验证了本发明提出的判别模型可以准确的判别交通状态,并且对于交通状态的变化也较敏感,可以精确且快速的区别不同的交通状态。
本发明通过对城市交叉路口处的交通状态判别进行研究,采取了初始聚类中心的优化与指标加权的方式改进传统FCM算法。并通过实际雷达采集的数据分别比较改进前后算法的隶属度平滑程度、目标函数值与迭代速度的值,进而验证了改进后的算法在聚类效果、寻优能力与收敛速度上都强于传统的FCM算法,进而证明了该算法的有效性。最终在智能交通系统中得到了例证,为后续交通管理者疏导交通流,以及对道路精细化交通管理与控制奠定了基础,具有一定的应用价值。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
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,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种交通状态判别方法,其特征在于,所述交通状态判别方法包括:
通过将有效性问题转化为最佳聚类数目c的取值问题来反向确定c的取值;
根据各个判别指标对交通状态贡献度的不同;
采用主观赋权法与客观赋权法进行组合得到最终判别指标的权重,对FCM算法的欧式距离公式加权来实现对交通状态进行判别。
2.如权利要求1所述的交通状态判别方法,其特征在于,所述交通状态判别方法的聚类数目c的选取将采用CH指标进行计算,CH指标是聚类算法的有效性指标之一,通过将有效性问题转化为最佳聚类数目c的取值问题来反向确定c的取值。
3.如权利要求1所述的交通状态判别方法,其特征在于,所述交通状态判别方法的组合权重的确定使用层次分析法与熵权法组合赋权法得到各判别指标的权重。
wi=α×ai+(1-α)×bi (1)
使用公式(1)将客观权重对主观权重进行修复,α为组合赋权法的偏好程度,取α=0.5,得到组合的交通状态评价的排队长度、交通流量、平均速度的权重向量集W=[0.4233,0.3894,0.184]。
5.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
通过将有效性问题转化为最佳聚类数目c的取值问题来反向确定c的取值;
根据各个判别指标对交通状态贡献度的不同;
采用主观赋权法与客观赋权法进行组合得到最终判别指标的权重,对FCM算法的欧式距离公式加权来实现对交通状态进行判别。
6.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
通过将有效性问题转化为最佳聚类数目c的取值问题来反向确定c的取值;
根据各个判别指标对交通状态贡献度的不同;
采用主观赋权法与客观赋权法进行组合得到最终判别指标的权重,对FCM算法的欧式距离公式加权来实现对交通状态进行判别。
7.一种实施权利要求1~4任意一项所述交通状态判别方法的交通状态判别系统,其特征在于,所述交通状态判别系统包括:
最佳聚类数据确定模块,用于通过将有效性问题转化为最佳聚类数目c的取值问题来反向确定c的取值;
指标判别模块,用于根据各个判别指标对交通状态贡献度的不同;
交通状态判别模块,用于采用主观赋权法与客观赋权法进行组合得到最终判别指标的权重,对FCM算法的欧式距离公式加权来实现对交通状态进行判别。
8.一种智能交通系统,其特征在于,所述智能交通系统搭载权利要求7所述的交通状态判别系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010823820.6A CN112085951A (zh) | 2020-08-17 | 2020-08-17 | 交通状态判别方法、系统、存储介质、计算机设备及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010823820.6A CN112085951A (zh) | 2020-08-17 | 2020-08-17 | 交通状态判别方法、系统、存储介质、计算机设备及应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112085951A true CN112085951A (zh) | 2020-12-15 |
Family
ID=73729696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010823820.6A Pending CN112085951A (zh) | 2020-08-17 | 2020-08-17 | 交通状态判别方法、系统、存储介质、计算机设备及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112085951A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569950A (zh) * | 2021-07-28 | 2021-10-29 | 大唐环境产业集团股份有限公司 | 电站设备故障监测模型生成方法、系统及装置 |
CN115206089A (zh) * | 2022-06-07 | 2022-10-18 | 西安电子科技大学 | 一种基于4d毫米波雷达的可变车道分流系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592447A (zh) * | 2011-12-20 | 2012-07-18 | 浙江工业大学 | 一种基于fcm的区域路网的道路交通状态判别方法 |
CN106652460A (zh) * | 2017-03-08 | 2017-05-10 | 吉林大学 | 一种高速公路交通状态判别方法及系统 |
CN110085026A (zh) * | 2019-03-28 | 2019-08-02 | 中国公路工程咨询集团有限公司 | 一种基于聚类分析和马尔科夫模型的交通状态预测方法 |
CN111541567A (zh) * | 2020-04-22 | 2020-08-14 | 彭小雪 | 一种人工智能云计算大数据管理系统及方法 |
-
2020
- 2020-08-17 CN CN202010823820.6A patent/CN112085951A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592447A (zh) * | 2011-12-20 | 2012-07-18 | 浙江工业大学 | 一种基于fcm的区域路网的道路交通状态判别方法 |
CN106652460A (zh) * | 2017-03-08 | 2017-05-10 | 吉林大学 | 一种高速公路交通状态判别方法及系统 |
CN110085026A (zh) * | 2019-03-28 | 2019-08-02 | 中国公路工程咨询集团有限公司 | 一种基于聚类分析和马尔科夫模型的交通状态预测方法 |
CN111541567A (zh) * | 2020-04-22 | 2020-08-14 | 彭小雪 | 一种人工智能云计算大数据管理系统及方法 |
Non-Patent Citations (1)
Title |
---|
曹洁 等: "基于信息熵加权的FCM交通状态识别研究", 《计算机应用与软件》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569950A (zh) * | 2021-07-28 | 2021-10-29 | 大唐环境产业集团股份有限公司 | 电站设备故障监测模型生成方法、系统及装置 |
CN113569950B (zh) * | 2021-07-28 | 2024-05-28 | 大唐环境产业集团股份有限公司 | 电站设备故障监测模型生成方法、系统及装置 |
CN115206089A (zh) * | 2022-06-07 | 2022-10-18 | 西安电子科技大学 | 一种基于4d毫米波雷达的可变车道分流系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dou et al. | A hybrid CEEMD-GMM scheme for enhancing the detection of traffic flow on highways | |
CN114783183B (zh) | 一种基于交通态势算法的监控方法与系统 | |
CN104778837A (zh) | 一种道路交通运行态势多时间尺度预测方法 | |
CN112613225B (zh) | 一种基于神经网络元胞传输模型的交叉口交通状态预测方法 | |
CN109191830A (zh) | 一种基于视频图像处理的道路拥堵检测方法 | |
CN110675626B (zh) | 基于多维数据的交通事故黑点预测方法、装置及介质 | |
CN112085951A (zh) | 交通状态判别方法、系统、存储介质、计算机设备及应用 | |
CN109272745A (zh) | 一种基于深度神经网络的车辆轨迹预测方法 | |
CN113870564B (zh) | 一种封闭路段交通拥堵分类方法、系统、电子设备及存储介质 | |
CN110782120A (zh) | 一种交通流模型的评测方法、系统、设备及介质 | |
CN116522270B (zh) | 用于智慧海绵城市的数据处理系统 | |
CN112836720B (zh) | 建筑运维设备异常诊断方法、系统及计算机可读存储介质 | |
CN117173913B (zh) | 基于不同时段车流量分析的交通控制方法及系统 | |
CN116168538B (zh) | 一种平面道路车辆通行空间识别方法 | |
CN112035536A (zh) | 一种考虑动态路网交通流的电动汽车能耗预测方法 | |
CN115860536A (zh) | 一种道路口拥挤率评价方法 | |
CN112183597B (zh) | 一种基于谱聚类的非均衡交通事故严重程度分析方法 | |
Sun et al. | Freeway traffic safety state classification method based on multi-parameter fusion clustering | |
CN111444818A (zh) | 一种基于cnn的市场摊区违规摊位检测方法 | |
Liu | Refined Judgment of Urban Traffic State Based on Machine Learning and Edge Computing | |
CN116884225B (zh) | 评估自动驾驶车辆比例对交通效率影响的方法及装置 | |
CN114627646B (zh) | 一种基于车牌识别数据的路段交通流模式识别方法及系统 | |
CN115392532A (zh) | 一种终端区空域运行态势时序预测方法、装置和存储介质 | |
CN116311882A (zh) | 一种目标城市交通事故严重程度分析方法 | |
CN115860564A (zh) | 一种车位复杂度量化评价方法 |
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 |