利用公交车GPS数据检测城市道路交通异常状态的方法

摘要

本发明属于道路交通检测技术领域，具体公开了一种利用公交车GPS数据检测城市道路交通异常状态的方法，包括以下步骤：1)对公交车GPS数据进行预处理，提取和计算有效的参数以实现对交通状态的表征；2)交通历史状态分析；具体包括交通状态特征提取、交通状态模式识别和交通异常状态的量化定义等步骤；3)交通异常状态检测；具体包括交通状态实时变化趋势分析和交通异常状态判别两个步骤。本发明所提出的城市道路交通异常状态检测方法充分发挥海量公交车GPS数据的优势，既能准确表征城市道路交通状态，又能明确区分城市交通正常状态和异常状态，且能实现同时实现对城市道路交通状态历史情况和实时变化趋势的分析。

主权项

利用公交车GPS数据检测城市道路交通异常状态的方法，其特征在于：包括以下步骤：1)对公交车GPS数据进行预处理，提取和计算有效的参数以实现对道路交通状态的表征；具体包括如下步骤：11)从公交车GPS的历史数据中，通过下式获得路段延误时间指数λ(r,i,k)：$\lambda (r,i,k)=\frac{t(r,i,k)-min\left\{t(r,k)\right\}}{\min \left\{t(r,k)\right\}};$其中，λ(r,i,k)表示车辆i在一天中第k个时段经过路段r的路段延误时间指数，t(r,i,k)为车辆i在每天第k个时段经过路段r的路段行程时间,min{t(r,k)}为所有公交车辆在k时段经过路段r的最小的路段行程时间；12)从公交车GPS的当前数据中，获得瞬时速度、周期平均速度、加权滑动平均速度和多车平均速度；2)交通历史状态分析；具体包括交通状态特征提取、交通状态模式识别和交通异常状态的量化定义步骤；其中交通状态特征提取包括如下步骤：21)初始交通情景划分，首先，将一周分为7天，将一天分为n个时间段，然后，将道路划分为m个路段，则从时空的角度可以得到7*m*n个初始交通情景；22)根据每一车次的路段延误时间指数λ(r,i,k)，统计出每一种初始交通情景下路段延误时间指数的均值及其标准差d(r,k,j)，其中r＝1,2,…,m为路段编号，k＝1,2,…,n为每天的时段编号，j＝1,2,…,7为星期编号；则则表示情景(r,k,j)的交通拥挤程度的特征，d(r,k,j)则表示其波动程度的特征；通过如下步骤进行交通状态模式识别：23)以及d(r,k,j)作为聚类成员，令K＝2为初始值进行聚类，利用K均值自适应算法将7mn个初始聚类成员划分为k类C₁,C₂,…,C_k；24)对于聚类成员数目大于1的类，利用T检验方法检验其内部聚类成员中均值最大成员和均值最小成员、均值最大成员和标准差最小成员、标准差最大成员和均值最小成员、标准差最大成员和标准差最小成员4对成员两两之间的差异性；若对于所有的类都有T检验显著性水平P值大于0.05，则说明聚类有效，否则说明聚类无效，需要增大K值进一步聚类，直到满足所有类的内部成员之间的关系满足T检验显著性要求或K值达到最大预定值为止；此时即可确定最终的划分数目K值以及每种初始交通情景所属的类；25)计算每一类情景下的交通拥挤和波动程度d(i)，其中i＝1,2,…,K；此时和d(i)即可表征每类情景下交通状态的特征；通过如下步骤进行交通异常状态的量化定义：26)将每种情景下的路段延误时间指数进行标准化处理；27)计算每种情景下的第一四分位数Q1和第三四分位数Q3，进一步计算四分位差IQR，其中IQR＝Q3‑Q1；28)计算每种情景下的正常取值范围[Q1‑1.5*IQR，Q3+1.5*IQR]；29)道路交通异常状态的量化定义：当同一情境下连续两辆公交车的路段延误时间指数的标准化值均超出[Q1‑1.5*IQR，Q3+1.5*IQR]，则认为道路上发生了异常的交通状态；3)交通异常状态检测，包括如下步骤：31)获得t时刻的4个实时速度变量v₁(i,t)、v₂(i,t)、v₃(i,t)、v₄(t)，按下式计算对应的路段延误时间指数：$\lambda (r,i)=\frac{l_r/v_{(r,i)}-l_r/v_{rmax}}{l_r/v_{rmax}}=\frac{v_{rmax}}{v_{(r,i)}}-1;$上式中l_r为路段r的长度，v_rmax为在路段r上的最大限速,v_(r,i)为车辆在路段r上第i时刻的瞬时速度；分别用y₁,y₂,y₃,y₄表示对应的路段延误时间指数；令y^T＝[y₁,y₂,y₃,y₄]，令y_p(t)＝[y^T(t‑1),y^T(t‑2),…,y^T(t‑p)]^T和y_f(t)＝[y^T(t),y^T(t+1),…,y^T(t+f‑1)]^T分别为4个变量在过去p个周期和未来f个周期内的样本矩阵，则有$y_f\left(t\right)=\left[\begin{array}{cccc}{y}_1\left(t\right)& y_2\left(t\right)& y_3\left(t\right)& y_4\left(t\right)\\ y_1(t+1)& y_2(t+1)& y_3(t+1)& y_4(t+1)\\ & \mathrm{......}& & \\ y_1(t+f-1)& y_2(t+f-1)& y_3(t+f-1)& y_4(t+f-1)\end{array}\right];$其中p和f的最优取值由历史数据训练得到；32)利用CVA算法对y_p(t)和y_f(t)进行计算处理，获得得到t时刻的4个速度变量的预测值，将t时刻的变化趋势与实际的状态值进行比较，即可得到道路交通状态的实时变化趋势；33)从海量的历史数据中计算出历史条件下的每一类交通拥挤程度下正常的交通状态下SPE(i)范围，确定交通正常状态与异常状态之间的临界值；其中大于阈值的是异常状态，而小于阈值的是正常状态：$SPE\left(i\right)=\underset{j=1}{\overset{\omega }{\Sigma }}{(y_{ij}-{\hat{y}}_{ij})}^2;$其中SPE(i)为t时刻的平方预测误差，y_ij为第j个规范变量在第i个周期的观测值，第j个规范变量在第i个周期的估计值，ω为最终输出的变量个数且有ω<＝n，为第j个规范变量在第i个周期的预测误差；34)利用当前时刻的前p个周期的预测平方误差SPE(i‑p+1),SPE(i‑p+2),…,SPE(i)作为判别指标进行异常状态的判定，当连续p个周期的SPE值均超过阈值，即判断有异常状态发生。