一种考虑速度离散特性的高速公路交通状态估计方法

摘要

本发明公开了一种考虑速度离散特性的高速公路交通状态估计方法，包括以下步骤：S1：设置速度离散特性指标及交通流特征参数；S2：获取交通流数据并利用RelielfF方法对交通流特征参数进行加权；S3：利用人工蜂群算法对交通流特征参数的聚类中心进行优化；S4：输出优化聚类中心并确定交通估计状态。本发明基于模糊C均值算法，通过引入速度离散特征参数，并根据不同特征对状态估计结果的贡献程度不同，利用ReliefF方法确定特征权重，并利用人工蜂群方法进行聚类初值点的优化，而实现了高速公路交通状态的估计。

说明书

技术领域

本发明涉及高速公路交通状态检测领域，具体涉及一种考虑速度离散特性的高速公路交通状态估计方法。

背景技术

随着我国国民经济的发展，人均车辆保有量持续增长，道路车流量也在持续增加，由于我国高速公路在时间和空间上存在着分布不均匀性，导致了高速公路交通拥挤及交通事故频频发生，公路整体服务性能大大降低。高速公路交通状态的准确估计，可以为道路出行者和管理者提供有效的交通信息，以便及时调整出行路线和进行及时的管控措施，有效减少交通拥挤，避免二次交通事故的发生。

实际交通环境中，由于加速、减速，超车和换道的频繁，导致不同车辆之间的行驶速度差异较大，这种交通流个体车辆速度存在差异的特性叫做速度离散特性。有研究表明，这种速度离散的现象会严重影响道路的通行能力并危害交通安全。尽管已经意识到车速离散对交通运行会产生严重影响，但由于受到过去检测条件的限制，人们对车速离散特性与交通运行状态之间的关系缺乏系统的认识，在估计道路运行状态的过程中，仍采用宏观交通参数(平均车速、流量和占有率)宏观交通流参数仅从平均，累计的角度来反映交通状态，并不能反映整体状态信息里存在的不稳定性和个体差异性。车速离散这种客观存在的现象，往往被宏观参数所“平均”，所“掩盖”了，从而忽略了真实交通环境下车辆之间运行状态的差异，因此不能对交通运行状态信息进行的全面掌握，所估计的交通状态常常不能与人们的主观感受相一致。

现有的高速公路交通拥堵判别方法多采用交通流量、占有率、平均车速等宏观交通流参数，而没有将交通流状态和车速离散特征进行联系。因此，如何以速度离散特性作为切入点，建立更为准确可靠的高速公路交通状态估计方法有着重要的理论和实践意义。

发明内容

本发明的目的是提出一种考虑速度离散特性的高速公路交通状态估计方法。该方法针对传统交通状态估计方法仅利用宏观交通流参数，忽略了个体车辆行驶状态差异，难以完整的掌握交通状态信息，导致估计状态不能全面反映实际交通状况的缺点。

本发明的目的是通过以下技术方案来实现的：

本发明提供的一种考虑速度离散特性的高速公路交通状态估计方法，包括以下步骤：

S1：设置速度离散特性指标及交通流特征参数；

S2：获取交通流数据并利用RelielfF方法对交通流特征参数进行加权；

S3：利用人工蜂群算法对交通流特征参数的聚类中心进行优化；

S4：输出优化聚类中心并确定交通估计状态。

进一步，所述速度离散特性指标包括速度标准差，所述速度标准差按照以下公式来计算相对速度标准差：

式中，v_i为第i辆车的速度，为统计时间内的n辆车的平均车速。

进一步，所述利用RelielfF方法对交通流特征参数进行加权，具体步骤如下：

Step21：初始化权重w＝0；

Step22：选取集合X中的任意一个样本x_i，分别找出与其类别一致和不一致的R个最邻近样本h_j和m_ij；分别计算x_i与h_j、m_ij在特征上的差异；

其中，diff_hit是s×1的矩阵，表示x_i与h_j在特征上的差异；diff_miss也是s×1的矩阵，表示m_lj与x_i在特征上的差异；p(l)为第l类出现的概率，class(x_i)表示x_i所属的类别；

Step23：按照以下公式来计算权重矩阵w：

w＝w-diff_hit+diff_miss；

其中，w表示权重矩阵；

Step24：取下一个样本i＝i+1，直到n个样本全部都参与计算；

Step25：获取并输出权重矩阵w；并按照以下公式计算隶属度矩阵和聚类中心矩阵：

其中，u_ik表示第k个样本对第i类的隶属度；X_k表示第k个样本；P_i表示第i类聚类中心；c表示聚类个数；n表示样本个数；

Step26：按照以下公式计算得到基于ReliefF特征加权的FCM的目标函数：

其中，J_m(U,P)表示FCM的目标函数；J_i表示第i类的目标函数；表示第j个样本对第c类的隶属度；w_f表示为第f个特征的权重；x_jf表示第j个样本的第f个特征；p_il表示第l类的i个聚类中心。

进一步，所述人工蜂群算法采用基于ABC优化FCM聚类中心；具体步骤如下：

Step31：初始化算法输入参数：聚类类别数c，蜜源数目SN，限制次数Limit和最大循环次数MCN，令初始周期t_cycle＝0；

Step32：随机初始化隶属度矩阵U，并计算初始聚类中心p_ij及其适应度；

Step33：求解领域内的最新解v_ij及其适应度，若v_ij的fit(v_ij)大于x_ij的fit(x_ij)，则x_ji＝_jiv；否则，x_ij不发生变化；

Step34：计算x_ij的适应度，并计算概率值K_ij；

Step35：跟随蜂则根据K_ij选择食物源，并计算领域的新解与适应度，若v_ij的fit(v_ij)大于x_ij的fit(x_ij)，则x_ij＝v_ij；否则，x_ij不发生变化；

Step36：判断在Limit的次数内，是否出现局部最优解，若出现，则丢掉次解，并产生解代替x_ij；否则，不发生变化；

Step37：若迭代次数大于最大限制次数MCN，则完成优化过程，输出最优聚类中心集合c_ij；否则转到步骤33，并令t_cycle＝t_cycle+1。

进一步，所述交通估计状态的确定按照以下步骤具体进行：

Step41：确定样本输入特征x、聚类个数、最大迭代次数T和允许误差范围ε；

Step42：确定特征权重向量w；

Step43：确定初始聚类中心c；

Step44：按照以下公式计算目标函数并决定聚类结果模糊度的权重指数：

其中，表示；s.t.表示；k表示；

Step45：根据下式子计算隶属度矩阵U^(t)：

其中，d_ik表示样本x_k与第i类聚类中心向量p_i之间的距离；

Step46：根据下式计算隶属度矩阵P^(t)：

Step47：若满足||P^(t)-P^(t+1)||＜ε或者当t＝T时，则停止迭代，输出聚类中心矩阵P和隶属度矩阵U；否则，令t＝t+1，返回Step45。

由于采用了上述技术方案，本发明具有如下的优点：

本发明基于模糊C均值算法，通过引入速度离散特征参数，并根据不同特征对状态估计结果的贡献程度不同，利用ReliefF方法确定特征权重，并利用人工蜂群方法进行聚类初值点的优化，而实现了高速公路交通状态的估计。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

本发明的附图说明如下。

图1示出了考虑速度离散度的改进FCM的交通状态估计算法。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

实施例1

本实施例提供的考虑速度离散特性的高速公路交通状态估计方法，克服了传统基于模糊C均值的聚类方法的高速公路交通状态估计方法的不足，具体如下所述：

(1)交通特征参数选取的问题。在传统交通状态估计中，仅仅依靠宏观参数不能有效的描述交通状态的差异性。速度离散特性作为交通流特性的基本特征，能够对交通状态的稳定性和差异性进行很好的描述，因此，将速度离散引入交通状态估计有重要的意义。同时，不同交通流特征参数表征交通状态的能力也不相同，合理的确定不同参数对状态变化的影响程度能够进一步提高状态的估计精度。

(2)初始聚类中心的问题。初试聚类中心的选择对聚类效果将产生巨大的影响，如果选择不恰当，不但会增加算法时间和空间复杂度，还可能导致算法收敛于次优解，最终的交通状态估计结果不理想。

因此，本方法首先引入速度离散度指标，然后采用ReliefF算法，根据交通状态参数对分类结果的影响程度，确定各个特征指标的权重值。

同时，应用人工蜂群算法对初试聚类中心的选取进行优化，以弱化随机聚类中心导致的算法稳定性能差、容易陷入局部最优的缺陷。

本方法主要通过以下步骤来实现高速公路交通状态估计方法，包括如下步骤：

步骤一：速度离散特性指标及交通流基本参数的获取

由于以往的高速公路交通状态估计方法中并未考虑到车速离散程度指标，因此，本发明中首先需要对速度离散特性进行定义，提出一种适于描述车速离散程度方法。通过检测路段的单车的行程车速，来计算所提出的相对速度离散度指标ASD。同时，通过检测设备获取检测路段的交通流平均车速，流量数据。

步骤二：利用RelielfF方法对交通流特征参数进行加权

利用ReleifF特征加权方法对步骤一所获取的三种交通流表征参数(平均车速、流量、相对离散度)对交通状态估计的影响程度进行加权，分别计算各个特征对交通状态的影响权重，以期确定参与聚类的特征权重矩阵。

步骤三：利用人工蜂群算法对初试聚类中心进行优化

利用人工蜂群算法对聚类中心进行优化，以期获得局部最优的初试聚类中心，以弱化随机聚类中心导致的算法稳定性能差、容易陷入局部最优的缺陷。

步骤四：输出最终聚类中心，确定估计状态

进一步，再通过模糊C均值聚类方法输出最终聚类中心矩阵，并以Euclid距离对样本类别进行划分，对输入样本进行归类。

实施例2

本实施例提供的基于速度离散特性的高速公路交通状态估计方法，考虑了速度离散特征对交通状态的影响，通过引入速度离散特性指标，并对传统的FCM聚类方法进行改进，以提高高速公路交通状态估计的效果，具体包括以下步骤：

一、速度离散特性指标及交通流基本参数的获取

本发明针对考虑速度离散特性的高速公路交通状态估计，提出一种适于速度离散程度的描述方法。

速度标准差作为反映检测时间内不同车速之间差异性的指标，形式简单且合理。但在平均车速差距较大的情况下，直接利用速度标准差不能反映出离散程度的大小。因此，本发明在相对的角度提出了相对速度标准差，假设统计时间内n辆车通过实验路段，则相对速度标准差定义如下：

上式中，v_i为第i辆车的速度，为统计时间内的n辆车的平均车速。

进一步，在获取了速度离散特性指标基础上，利用车检设备可以获得检测路段的平均车速v，流量q。

二、利用RelielfF方法对交通流特征参数进行加权

本发明采用ReliefF特征加权来确定各个交通流特征权重。ReliefF算法流程如下所示：

Step1：初始化权重w＝0。

Step2：选取集合X中的任意一个样本x_i，分别找出与其类别一致和不一致的R个最邻近样本h_j和m_ij；分别计算x_i与h_j、m_ij在特征上的差异。

其中，diff_hit是s×1的矩阵，表示x_i与h_j在特征上的差异；diff_miss也是s×1的矩阵，表示m_lj与x_i在特征上的差异；p(l)为第l类出现的概率，可以用该类出现的样本数与数据集中的总样本数的比得到，class(x_i)表示x_i所属的类别。

Step3：计算权重矩阵w，其计算公式如下：

w＝w-diff_hit+diff_miss

Step4：取下一个样本i＝i+1，直到n个样本全部都参与计算。

Step5：输出w。

根据所得特征加权向量w，隶属度矩阵和聚类中心矩阵表示为：

最后得到基于ReliefF特征加权的FCM的目标函数为：

三、利用人工蜂群算法对初试聚类中心进行优化

本发明采用人工蜂群(Artificial Bee Colony,ABC)方法优化传统FCM算法的初试聚 类中心，

基于ABC优化FCM聚类中心的具体步骤如下：

Step1：初始化算法输入参数：聚类类别数c，蜜源数目SN，限制次数Limit和最大循环次数MCN，令初始周期t_cycle＝0。

Step2：随机初始化隶属度矩阵U，并计算初始聚类中心p_ij及其适应度。

Step3：根据公式5.15求解领域内的最新解v_ij及其适应度，若v_ij的fit(v_ij)大于x_ij的fit(x_ij)，则x_ij＝v_ij；否则，x_ij不发生变化。

Step4：计算x_ij的适应度，并计算概率值K_ij。

Step5：跟随蜂则根据K_ij选择食物源，并计算领域的新解与适应度，若v_ij的fit(v_ij)大于x_ij的fit(x_ij)，则x_ij＝v_ij；否则，x_ij不发生变化。

Step6：判断在Limit的次数内，是否出现局部最优解，若出现，则丢掉次解，并产生解代替x_ij；否则，不发生变化。

Step7：若迭代次数大于最大限制次数MCN，则完成优化过程，输出最优聚类中心集合c_ij；否则转到步骤3，并令t_cycle＝t_cycle+1。

四、输出最终聚类中心，确定估计状态

根据高速公路交通流状态的样本集合X＝{SDR,v,q}，每个样本有3个特征参数指标，特征参数指标权重为W＝(w₁,w₂,w₃)。根据交通工程手册对高速公路交通状态类别划分的建议，将交通状态划分为5个等级。

算法过程如下：

Step1：根据步骤一，确定样本输入特征x，聚类个数5，设置最大迭代次数T和允许误差范围ε。

Step2：根据步骤二，确定特征权重向量w。

Step3：根据步骤三，确定初始聚类中心c。

Step4：设目标函数如下式所示：

决定聚类结果模糊度的权重指数，Bezdek指出m的取值与样本数目n有关，并从物理上得出了n＝2时最有意义。

Step5：根据下式子计算隶属度矩阵U^(t)：

其中，d_ik表示样本x_k与第i类聚类中心向量p_i之间的距离，取Euclid距离可得：

Step6：根据下式计算隶属度矩阵P^(t)

Step7：若满足||P^(t)-P^(t+1)||＜ε(Euclid距离)或者当t＝T时，则停止迭代，输出聚类中心矩阵P和隶属度矩阵U。否则，令t＝t+1，返回Step5。

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。