基于实时行车方向和通行时段信息的交通状态判别方法

摘要

本发明涉及交通状态判别技术领域，特别是一种基于实时行车方向和通行时段信息的交通状态判别方法。交通状态作为评价城市交通运行状况的一个综合指标，受到多种因素的影响，本发明提出基于行车方向和交通时段的交通状态判别模型，交通状态判别思想从原先的单一模式判别向多方面综合判别发展，将自适应特征网络理论运用到交通状态判别中，从主观的因素（人对交通状态的感受）中挖掘客观数据（交通流参数数据）的规律，寻找状态变化所对应的数据变化。采用动态区间区别交通状态的变化，交通判别模型的参数实现自适应的调整，真正做到根据路段自身的交通流特点，对交通状态判别阀值进行相应调整，达到交通状态的自调整判别。

说明书

技术领域

本发明涉及交通状态判别技术领域，特别是一种基于实时行车方向和通行时段信息的交通状态判别方法。

背景技术

交通状态判别实质上就是根据交通流的特性，将相似的状态划分为一类。交通状态判别可以分为人工判别方法和自动判别方法。人工判别方法虽然简单、直接、方便，但是受到人力的限制，需要的人员数量和工作强度都比较大，因此，人工判别方法已经逐渐被自动判别方法所取代。

交通状态自动判别方法有很多，例如，加利福尼亚算法和McMaster算法等。加利福尼亚算法主要是通过比较相邻检测站检测的占有率等交通流参数，来判别交通状态。McMaster算法是最早的以常发性交通拥挤作为交通状态判别对象的算法，该算法以突变理论为基础，在大量历史数据的基础上，比较拥挤和非拥挤的流量-占有率数据，以此为模版，通过实测数据与流量-占有率模版的两次比较，判断是否发生交通拥挤以及交通拥挤的类型。

对于城市道路的不同路段，受到道路本身物理条件及服务设施等条件的限制，交通状态在不同路段表现出较大的差异；而对于同一个路段，交通状态也不是一成不变，外界环境因素的变化影响着驾驶员对同一地点交通状态的感觉变化。例如在路段的往返方向，可能某一方向发生交通拥堵，而另一个方向交通顺畅；在交通高峰期，驾驶员可能已经在心理上习惯路段的交通拥堵，而在非高峰期，反而无法接受短时的交通拥堵。这些外界环境因素的变化，在影响驾驶员心理感受的同时，也影响了驾驶员对交通状态的判断。

现有技术没有考虑这些外界环境因素的变化，直接根据一个固定的标准判别道路的交通状态，往往会造成交通状态的误判。

发明内容

    有鉴于此，本发明根据不同道路的交通流特性，对交通状态判别依据进行调整和修正，达到优化交通状态判别的目的。

本发明采用以下方案实现：一种基于实时行车方向和通行时段信息的交通状态判别方法，其特征在于包括以下步骤：

步骤S01：采集路段的交通流数据，根据行车方向和对应的交通时段划分交通流数据，把不同的行车方向和交通时段组合成主要行车方向高峰时段交通流、次要行车方向高峰时段交通流、主要行车方向平峰时段交通流和次要行车方向平峰时段交通流模式，分别建立对应模式的交通流数据集，历史数据作为训练数据集，实时采集的数据作为预测数据集；

步骤S02：对所述训练数据集和预测数据集进行归一化，使输入值分布在[-1，1]的区间内，消除变量因数量级上的差异而造成的影响；

步骤S03：建立SOM神经网络，输入层神经元数量由分类所采用的交通流参数的个数决定；

步骤S04：训练SOM神经网络，对于给定的训练数据集，将权值数据集初始化为随机值，确定竞争层获胜单元，然后对获胜单元及其邻域单元的连接权值进行修正，权值更新规则为：

                     （3）

               （4）

式中，为获胜单元的连接权值；为获胜单元的输入；，分别表示获胜单元及其邻域单元的权值学习因子，取值范围为（0，1），且；

步骤S05：训练出符合要求的网络后，将预测数据集代入网络中，即可实现交通状态分类；同时再返回步骤S01，将预测数据集反馈到训练数据集，不断完善SOM神经网络，实现模型的自动调整。

在本发明一实施例中，所述行车方向的不平衡性用方向分布系数表示：

                （1）

行车方向分布系数取值大于50%，越接近50%，表明两个行车方向的交通量越趋近平衡，越远离50%，表明两个行车方向的交通量差异越大。

在本发明一实施例中，所述交通时段分为高峰时段和平峰时段，以高峰时段系数表示高峰时段和平峰时段的交通量差异，表达式如下：

                  （2）。

    在本发明一实施例中，所述步骤S03中采用交通量、平均车速以及交通密度作为分类的指标，则输入神经元为3个；竞争层神经元个数由分类数决定，将交通状态分为3类，则竞争层有3个神经元。

在本发明一实施例中，所述步骤S04训练过程中，逐渐减少邻域及权值的变化量；获胜单元的权值学习因子及其领域单元是逐渐减小的，和领域宽度在迭代过程中逐渐减小，其调整策略表达式为：

                          （5）

                          （6）

式中，，分别为和的初值，的取值在0.2-0.5之间，为1/2或1/3的宽度；为当前迭代次数；为设定的迭代总次数。

现有技术中较少涉及行车方向和交通时段相关信息对交通状态判别的影响，而是直接根据一个固定的标准判别道路的交通状态，而大多数定量分析方法只考虑单个因素的影响作用。本发明提出基于行车方向和交通时段的交通状态判别模型，交通状态判别思想从原先的单一模式判别向多方面综合判别发展，将自适应特征网络理论运用到交通状态判别中，从主观的因素（人对交通状态的感受）中挖掘客观数据（交通流参数数据）的规律，寻找状态变化所对应的数据变化。采用动态区间区别交通状态的变化，交通判别模型的参数实现自适应的调整，真正做到根据路段自身的交通流特点，对交通状态判别阀值进行相应调整，达到交通状态的自调整判别。本发明提出的交通状态判别方法主要是针对不同的交通流状态进行自适应判别，不论路段的交通流状态差异多大，模型都能够根据大量的历史数据对该路段的交通状态阀值进行调整，对不同路段进行交通状态判别，使判别结果达到最优。本发明所采用的交通状态判别模型可以实现对外界环境因素的自适应调整，具有很强的实用性，应用前景十分广阔。

附图说明

图1是本发明实施例流程示意图。

图2是本发明实施例基于SOM的交通状态判别模型示意图。

具体实施方式

在说明本发明的具体实施例前，为了更好的让一般技术人员了解本发明实现的效果，下面分四点简单介绍下本发明所采用的技术手段。

1.基于行车方向的交通状态分析

在同一条道路的往返两个方向，交通流不是一直保持平衡的。由于不同区位用地性质的不同以及城市道路往返线路连接的路段不同，往返两个方向的交通流会存在较大差异。这种行车方向的不平衡性可以用方向分布系数表示：

                （1）

行车方向分布系数取值一般大于50%，越接近50%，表明两个行车方向的交通量越趋近平衡，越远离50%，表明两个行车方向的交通量差异越大。

2.基于交通时段的交通状态分析

同一路段，随着时间变化，交通流也在不断变化。在早晚上下班时间，出行密度增大，交通量会出现高峰，对于普通城市道路，考虑其高峰小时交通流状态可满足交通管制的要求；而对于交通流比较稳定、持续的高等级城市道路，高峰时段比普通城市道路持续时间长，因此不能单纯考虑高峰小时的交通流，而是以连续的高峰时段交通流作为整体考虑，把高峰时段和平峰时段区分开，避免平峰时段交通状态全部落于某个较低的区间内。以高峰时段系数表示高峰时段和平峰时段的交通量差异，表达式如下：

                  （2）

3.多因素组合分析

依据对行车方向与交通时段的分析，可分离出不同行车方向和交通时段影响下的交通流，这些交通流彼此存在显著差异，而行车方向与交通时段有时对交通流的影响又是同时作用的，因此需要对这些因素进行组合。如选取行车方向与交通时段两个因素，可组合成主要行车方向高峰时段交通流、次要行车方向高峰时段交通流、主要行车方向平峰时段交通流和次要行车方向平峰时段交通流，即把某一路段的交通流分为4种模式，然后分别对这4种模式下的交通状态进行分类，降低行车方向与交通时段的因素对交通状态分类结果产生的影响。

4.SOM神经网络的参数自校正

交通状态判别过程是根据交通流的特性，把相似的状态划分为一类，而对于每个类别的阀值，没有明确的划分标准。由于不同的个体对同一个状态的感觉不尽相同，确定的阀值边界是非线性的，即没有一个固定的阀值。而使用自组织特征映射网络（Self-Organizing Maps，SOM）可以不使用外部提供的目标输出寻找复杂数据中的类别，即不需要预知阀值，本发明采用自组织特征映射网络对交通状态进行判别。

SOM神经网络是由输入层和竞争层组成的单层神经网络，输入层是一维的神经元，神经元个数为；竞争层是二维的神经元，由个神经元构成一个二维平面阵列。输入层的神经元和竞争层的神经元都有权值相连接，竞争层节点之间也有局部的侧抑制连接；SOM神经网络中有两种连接权值，一种是神经元对外部输入反应的连接权值，另外一种是神经元之间的连接权值，它的大小控制着神经元之间交互作用的强弱；因此，在训练过程中，不仅要调节在竞争中获胜单元的连接权值，还需要调节获胜单元的邻域单元的权值。自组织特征映射网络可以不使用外部提供的目标输出寻找复杂数据中的类别，即不需要预知阀值，适合对大量数据进行处理。

随着智能交通技术的发展，及时、准确的交通状态分类与预报，对缓解城市交通拥堵与疏导城市交通压力起到重要作用。交通状态作为评价城市交通运行状况的一个综合指标，可以为驾驶员提供行驶路径的决策依据。然而交通状态是一个模糊的感觉量, 不仅与道路上通行的车辆数有关, 还与驾驶员的心理承受能力和外界环境有密切关系，各个因素是相互关联的。因此，不能单纯以交通流参数量化交通状态，而是要考虑影响交通状态的各种因素，对各个因素进行综合分析与量化。

对于城市道路的不同路段，受到道路本身物理条件及服务设施等条件的限制，交通状态在不同路段表现出较大的差异；而对于同一个路段，交通状态也不是一成不变，外界环境因素的变化影响着驾驶员对同一地点交通状态的感觉变化。例如在路段的往返方向，可能某一方向发生交通拥堵，而另一个方向交通顺畅；在交通高峰期，驾驶员可能已经在心理上习惯了路段的交通拥堵，而在非高峰期，反而无法接受短时的交通拥堵；这些外界环境因素的变化，在影响驾驶员心理感受的同时，也影响了驾驶员对交通状态的判断。因此，本发明选取行车方向和交通时段作为影响交通状态分类的因素，提出对各个因素组合下的交通状态判别方法，请参见图1。

本发明的基本思路为：整理交通流数据，建立交通状态判别的SOM神经网络，训练SOM神经网络，根据训练好的网络对实时交通流数据进行分类。主要步骤如下：

第一步：采集路段的交通流数据，根据行车方向和对应的交通时段划分交通流数据，把不同的行车方向和交通时段组合成4种模式，分别建立对应模式的交通流数据集，历史数据作为训练数据集，实时采集的数据作为预测数据集。

第二步：对训练数据集和预测数据集进行归一化，使输入值分布在[-1，1]的区间内，消除变量因数量级上的差异而造成的影响。 

第三步：建立SOM神经网络，输入层神经元数量由分类所采用的交通流参数的个数决定。本实施例采用交通量、平均车速以及交通密度作为分类的指标，因此输入神经元为3个。竞争层神经元个数由分类数决定，将交通状态分为3类，因此竞争层有3个神经元。

第四步：训练SOM神经网络。对于给定的训练数据集，将权值数据集初始化为随机值，确定竞争层获胜单元，然后对获胜单元及其邻域单元的连接权值进行修正，权值更新规则为：

                     （3）

               （4）

式中，为获胜单元的连接权值；为获胜单元的输入；，分别表示获胜单元及其邻域单元的权值学习因子，取值范围为（0，1），且。

在学习过程中，逐渐减少邻域及权值的变化量。获胜单元的权值学习因子及其领域单元是逐渐减小的，和领域宽度在迭代过程中逐渐减小，其调整策略表达式为：

                          （5）

                          （6）

式中，，分别为和的初值，的取值在0.2-0.5之间，一般为1/2或1/3的宽度；为当前迭代次数；为设定的迭代总次数。

第五步：训练出符合要求的网络后，可将预测数据集代入网络中，即可实现交通状态分类；同时再返回第一步，将预测数据集反馈到训练数据集，不断完善SOM神经网络，实现模型的自动调整。

通过上述学习过程，即可对不同组合下的交通流进行分类，从而得到不同影响因素下的交通状态，模型如图2所示。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。