基于向量相似性的交通流时间序列变点识别方法

摘要

本发明涉及交通流状态分析领域，尤其涉及一种基于向量相似性的交通流时间序列变点识别方法，可判断交通流状态突变及其变点位置，提前预防可能出现的交通异常；包括如下步骤：通过检测器采集检测路段的断面交通流参数，并存储到交通流参数数据库；从交通流参数数据库中按时间顺序读取交通流参数，建立交通流时间序列的交通流向量集；根据交通流向量集，建立交通流时间序列的向量相似度函数，以得到各时间点前后交通流参数演变规律的相似程度；识别交通流时间序列中各点的类型，然后判断交通流状态是否发生突变，并识别出突变发生的位置。

说明书

技术领域

本发明涉及交通流状态分析领域，尤其涉及一种交通流时间序列变点识别方 法。

背景技术

随着汽车保有量的急剧增长，道路负荷加重，交通供给不能满足日益膨胀 的交通需求，交通拥挤、交通事故频繁发生。这不仅延误出行者的行程时间， 降低交通运行效率，扰乱正常的交通秩序，污染环境，浪费能源，严重时还可 能威胁到出行者的生命安全。因此，分析交通流状态，及时、准确地辨识交通 情况，掌握交通流演变特性，对于制定合理有效的交通诱导和控制具有重要意 义。

以往针对交通流状态分析体系的研究主要集中在交通状态的实时辨识和预 辨识上，注重交通状态的质变，而忽略了对交通流演变过程中量变规律的研究。 量变是质变的前提，质变是量变的累积，当量变达到一定程度就会引发质变， 进而引起交通状态的改变。量变和质变都属交通流状态突变范畴，因此，研究 交通流突变，不仅要判别交通状态的质变，也应及时辨识量变及其变点位置， 这样才能及时发现交通状态可能出现的异常，还能提前对可能出现的交通异常 作好预防工作。针对交通流突变及其变点识别问题，传统统计法要求交通流参 数符合特定的分布，且需建立大量模式特征模型，使其实用性受限；山东理工 大学王晓原等以最小二乘、最小方差等均值变点分析方法来搜索变点，虽然避 免了对交通流参数分布特性的要求，但却较适于分析交通流均值基本稳定的情 况，对交通流均值逐渐变化的情况适应性不佳。交通流的演变在时间上具有很 强的相关性，表现在交通参数在时间方向上的变化角符合一定规律，而目前对 交通流状态突变及其变点问题的研究，并未从交通参数在时间方向上的变化角 来分析。

发明内容

有鉴于此，本发明提供一种基于向量相似性的交通流时间序列变点识别方 法，能在交通流参数随时间逐渐变化的情况下，从交通参数在时间方向上的变 化角出发，判断交通流状态突变及其变点位置，提前预防可能出现的交通异常。

本发明通过以下技术手段解决上述技术问题：

基于向量相似性的交通流时间序列变点识别方法，包括如下步骤：

1）通过检测器采集检测路段的断面交通流参数，并存储到交通流参数数据 库；

2）从交通流参数数据库中按时间顺序读取交通流参数，建立交通流时间序 列的交通流向量集；

3）根据交通流向量集，建立交通流时间序列的向量相似度函数，以得到各 时间点前后交通流参数演变规律的相似程度；

4）根据各时间点前后交通流参数演变规律的相似程度及变化的持续时间来 识别交通流时间序列中各点的类型，然后判断是否发生突变，并识别出突变发 生的位置。

进一步，所述步骤1）中，交通流参数为交通流量、速度和占有率中的至 少一种。

进一步，所述步骤1）中，交通流参数的采集时间间隔为GT， GT∈[3min，8min]。

进一步，所述步骤2）中，交通流时间序列的交通流向量集为离散排列的 交通流参数按时间先后顺序连接起来所形成的向量集合：

TFV={TFV_j,i|j>i;i=1,2,…,n,j=1,2,…,n}；

上式中，TFV为交通流时间序列的交通流向量集，TFV_j,i表示交通流从i时 刻到j时刻的变化向量，其表达式如下所示：

TFV_j,i=(Q_j-Q_i,j-i)；

上式中，Q_j与Q_i分别为j时刻与i时刻的交通流参数。

进一步，所述步骤3）中，交通流时间序列的向量相似度函数通过下式获 得，

${\mathrm{VS}}_i(j,k)=\cos ({\mathrm{TFV}}_{j,i},{\mathrm{TFV}}_{i,k})=\frac{({\mathrm{TFV}}_{j,i},{\mathrm{TFV}}_{i,k})}{\left|\right|{\mathrm{TFV}}_{j,i}\left|\right|·\left|\right|{\mathrm{TFV}}_{i,k}\left|\right|};$

上式中，函数VS_i(j,k)表示交通流时间序列的向量相似度函数，其中， j>i>k，且j,i,k=1,2,…n。

进一步，所述步骤4），具体包括如下步骤：

41）判别交通流从i时刻到i+1时刻变化规律与k时刻到i时刻变化规律的 相似度，若相似度大于阈值，则点Q_i为常点，反之则进入步骤42）；

42）判别交通流从i+1时刻到i+2时刻变化规律与i时刻到i+1时刻变化 规律的相似度，若相似度大于阈值，则进入步骤43），反之则进入步骤44）；

43）判别点Q_i与其紧邻的上一个变点的持续时长，若大于或等于ST，则点 Q_i为变点，且点Q_i+1为常点，反之则点Q_i为伪变点；

44）判别交通流从i时刻到i+2时刻变化规律与k时刻到i时刻变化规律的 相似度，若相似度大于阈值，则点Q_i为常点，点Q_i+1为奇异点，反之则进入步骤 45）；

45）判别点Q_i与其紧邻上一个变点的持续时长，若大于或等于ST，则点Q_i为变点，点Q_i+1为伪变点，反之则点Q_i为伪变点；

若点Q_i为变点，则说明交通流在该点处发生突变，变点的发生的位置为i。

本发明的基于向量相似性的交通流时间序列变点识别方法,从交通参数在 时间方向上的变化角出发，基于向量相似性原理，通过辨识交通流演变中各点 前后变化的相似程度来判别演变是否出现异常，并结合演变异常的持续时长来 辨识突变的发生及变点的位置。该方法具有一定的有效性且灵敏性较强，通过 该方法可及时辨识交通流状态突变的发生，特别是量变的有效识别，可作为交 通流异常趋势的提醒，提前预防交通质变的发生，进而实施及时有效的诱导。

具体实施方式

图1示出了基于向量相似性的交通流时间序列变点识别方法的流程示意 图；

图2示出了实施例中所读取的交通流参数数据；

图3示出了实施例中交通流时间序列中点的判别结果；

图4示出了对于交通流时间序列点的判别流程示意图。

具体实施方式

以下将结合附图，对本发明进行详细说明。

参见图1，基于向量相似性的交通流时间序列变点识别方法，包括如下步 骤：

1）通过检测器采集检测路段的断面交通流参数，并存储到交通流参数数据 库；所述断面交通流参数可为交通流量、速度、占有率等，此实例选择交通流 量；交通流参数的采集时间间隔为GT，GT的取值应适当，太小易过多带入交通 流的随机干扰，太大会影响识别结果的准确性，一般情况下为3-8分钟为宜， 本实施例中，采用时间间隔为5分钟的交通流参数；所述检测路段本实例选择 某城市高速公路上某路段；所述交通流参数的获取为现有技术，不再详述；

2）从交通流参数数据库中按时间顺序读取交通流参数，建立交通流时间序 列的交通流向量集（Traffic Flow Vector,TFV）；本实施例中，读取的交通流参 数为某日07:30-12:30的数据，共计60点，如图2所示；

将所获取的交通流参数按时间先后顺序连接起来，建立交通流时间序列的 交通流向量集（TFV）：

TFV={TFV_j,i|j>i;i=1,2,…,60,j=1,2,…,60}

其中，TFV_j,i表示交通流从i时刻到j时刻的变化向量；

TFV_j,i=(Q_j-Q_i,j-i)，忽略单位，时刻i与时间t（t为化为分钟后的真实 时间，如7:30为450）的对应关系为

3）根据交通流向量集（TFV），建立交通流时间序列的向量相似度（Vector  Similarity,VS）函数，以得到各时间点前后交通流参数演变规律的相似程度； 所述步骤3）中交通流时间序列的向量相似度（VS）函数采用夹角余弦度量法， 其表达式如下式所示：

${\mathrm{VS}}_i(j,k)=\cos ({\mathrm{TFV}}_{j,i},{\mathrm{TFV}}_{i,k})=\frac{({\mathrm{TFV}}_{j,i},{\mathrm{TFV}}_{i,k})}{\left|\right|{\mathrm{TFV}}_{j,i}\left|\right|·\left|\right|{\mathrm{TFV}}_{i,k}\left|\right|};$

VS_i(j,k)表示交通流从i时刻到j时刻的变化规律与k时刻到i时刻的变化 规律的相似性。其中，j>i>k，且j,i,k=1,2,…n。VS_i(j,k)的值越大，则 交通流从i时刻到j时刻的变化规律与k时刻到i时刻的变化规律越相似，反之 则差异性越大，为变点的可能性也就越大。

为区分交通流时间序列各时间点前后交通流参数演变规律的相似程度，根 据向量相似度阈值（Vector Similarity Threshold,VST），将量化的向量相似度值 划分为高低两个等级：若VS_i(j,k)≥VST，则相似度高；反之则相似度低，如下 表所示：

4）根据各时间点前后交通流参数演变规律的相似程度及变化的持续时间来 识别交通流时间序列中各点的类型，进而辨识突变发生与否，并识别出突变发 生的位置；交通流时间序列突变发生的依据是交流时间序列演变规律出现异常 且异常的持续时长不小于阈值ST，本实施例中，ST=10min；

所述交通流时间序列中各点的类型是为识别变点而定义，包括非正常点和 正常点，非正常点包括奇异点和伪变点，正常点包括变点和常点。其中，奇异 点指在某时刻交通参数出现异常，但并未改变交通流演变规律的点；伪变点指 不应出现的变点，即前一时刻为变点且该点前后时刻交通流变化规律相似度低 的点或与前一个变点间无常点的变点；变点指引起交通流时间序列演变规律发 生变化且变化持续时长不小于ST的点；常点即除了奇异点、伪变点、变点之外 的点；

参见图4，所述交通流时间序列变点识别方法中，对于点Q_i是否突变的判 断方法具体包括如下步骤：

41）判别交通流从i时刻到i+1时刻变化规律与k时刻到i时刻变化规律的 相似度（k为与i时刻紧邻的上一个正常点），若相似度高则点Q_i为常点，反之 则进入步骤42）；

42）判别交通流从i+1时刻到i+2时刻变化规律与i时刻到i+1时刻变化 规律的相似度，若相似度高则进入步骤43），反之则进入步骤44）；

43）判别点Q_i与其紧邻的上一个变点的持续时长，若大于或等于ST，则点 Q_i为变点，且点Q_i+1为常点，反之则点Q_i为伪变点；

44）判别交通流从i时刻到i+2时刻变化规律与k时刻到i时刻变化规律的 相似度，若相似度高则点Q_i为常点，点Q_i+1为奇异点，反之则进入步骤45）；

45）判别点Q_i与其紧邻上一个变点的持续时长，若大于或等于ST，则点Q_i为变点，点Q_i+1为伪变点，反之则点Q_i为伪变点。

若点Q_i为变点，则说明交通流在该点处发生突变，变点的发生的位置为i。

例如，Q_k=61、Q_i=74、Q_i+1=70、Q_i+2=72，且设定VST=0.7,则点Q_i的 判别过程如下：

根据步骤41），VS_i(i+1,k)=-0.94868<VST，即表示交通流从i时刻到i+1 时刻变化规律与k时刻到i时刻变化规律的相似度等级低；

根据步骤42），VS_i+1(i+2,i)=-0.75926<VST，即表示交通流从i+1时刻 到i+2时刻变化规律与i时刻到i+1时刻变化规律的相似度等级低；

根据步骤44），VS_i(i+2,k)=-0.65079<VST，即表示交通流从i时刻到i+2 时刻变化规律与k时刻到i时刻变化规律的相似度等级低；

根据步骤45），点Q_i与其紧邻上一个变点的持续时长为15min>10min，则 点Q_i为变点，且点Q_i+1为伪变点；

故交通流在点Q_i处发生突变，突变发生的时刻为t=5·i+445。

所述实施例交通流时间序列中点的判别结果如图3所示。由图3可知，基 于向量相似性的交通流时间序列变点识别方法在实例中共检测到12个变点（实 心三角），8个奇异点（实心圆），4个伪变点（空心三角）。在7:50左右流量达 到上午阶段的第一个高峰，此时正处于早高峰时期，随后基本保持平稳。从8:40 开始，流量开始持续上升，直至10:25左右又开始平稳下降。

为检验变点识别结果，对变点间各段流量做线性回归，得到结果下表所示。

线性回归统计结果

由上表可知，各变点间流量的线性拟合度较好，且有α<0.05。同时，各 变点前后线性拟合函数的截距和斜率不同，验证了变点前后交通流有突变发生。 可以看出，在变点前后，交通流量的变化规律具有不同的参数特征，但部分变 点前后交通流量变化并不显著，主要是由于这些时刻交通流状态发生量变，其 参数特征不如质变显著，结果显示该方法敏感性较强。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参 照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以 对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和 范围，其均应涵盖在本发明的权利要求范围当中。