一种交通异常路段概率识别方法

摘要

一种交通异常路段概率识别方法，包括以下步骤：步骤1：清洗车速、流量数据后融合抽样数据构成样本空间；步骤2：车速、流量数据源正态性检验；步骤3：计算各微波点车速、流量的均值和方差；步骤5：车速异常指数和流量异常指数计算，步骤6：异常指数降序排列输出预警，遍历计算全路网中所有微波点当前时间槽内的道路异常指数D，对计算出的异常指数结果按照从大到小排列，输出前K个最异常的路段预警。本发明提供了一种可靠性良好、自适应性较高的交通异常路段概率识别方法。

主权项

一种交通异常路段概率识别方法，其特征在于：包括以下步骤：步骤1：清洗车速、流量数据后融合抽样数据构成样本空间预设流量的先验阈值和车速的先验阈值，清洗、过滤掉阈值范围以外的错误数据，将全天24小时划分为设定时间段的时间槽，以当前实时数据所在的时间槽为依据，从数据库中抽样选取邻近天数的同一时间槽内的车速和流量数据，同时抽样选取邻近天数的相邻设定时间段时间槽内的车速和流量数据，组成各个微波点的样本空间；步骤2：车速、流量数据源正态性检验先验证数据源是否符合正态分布，偏度系数描述一个分布偏离正态分布的程度，峰度系数反映了分布曲线相比正态分布在顶端高耸或扁平程度的不同，分别计算微波点在各自样本空间内的偏度系数和峰度系数，根据系数大小判定当前微波点数据是否符合正态分布；步骤3：计算各微波点车速、流量的均值和方差经过数据清洗后的(X₁,X₂,...,X_n)构成微波点X关于车速或流量的一个样本空间，由n个样本点组成，其中计算出样本均值，$S^2=\frac{1}{n-1}{\Sigma }_{i=1}^n{(X_i-\bar{X})}^2$为样本方差，令总体期望$\mu =\bar{X},$总体方差σ²＝S²；步骤4：将数据源线性变换为关于车速、流量的标准正态分布x₁、x₂分别为微波点实时车速和流量，μ₁、σ₁为根据相应微波点近期车速数据计算出的期望和方差，μ₂、σ₂为根据相应微波点近期流量数据计算出的期望和方差，则该微波点的近期车速数据X₁服从μ₁、的正态分布，即该微波点的近期流量数据X₂服从μ₂、的正态分布，即通过的线性变换，可以分别将车速和流量的一般正态分布变换为标准正态分布，即车速符合此时y₁是标准正态分布下的车速，流量符合此时y₂是标准正态分布下的流量，各个微波点由符合各自的正态分布线性变换为符合标准正态分布，线性变换后各个微波点的概率密度函数相同，均被统一在同一尺度空间下；步骤5：车速异常指数和流量异常指数的计算，道路综合异常指数为：D＝D_v+D_f定义车速异常指数D_v为：$D_v=\frac{{\alpha }_f}{{\alpha }_v+{\alpha }_f}(1-\phi \left(y_1\right))$D_v的取值范围为[0,1]，车速异常指数越大说明当前微波点的车速越异常，α_v为车速的偏度系数和峰度系数的绝对值之和，α_f为流量的偏度系数和峰度系数的绝对值之和，其中，φ(y₁)为标准正态分布下车速y₁的异常概率，y₁为标准正态分布下的车速，(‑∞,y₁)为车速积分区间，t₁为车速积分变量，dt₁为车速积分单元；定义流量异常指数D_f为：$D_f=\frac{{\alpha }_v}{{\alpha }_v+{\alpha }_f}\phi \left(y_2\right)$D_f的取值范围为[0,1]，流量异常指数越大说明当前微波点的流量突增，有可能出现异常事件，其中，φ(y₂)为标准正态分布下流量y₂的异常概率，y₂为标准正态分布下的流量，(‑∞,y₂)为流量积分区间，t₂为流量积分变量，dt₂为流量积分单元；步骤6：异常指数降序排列输出预警遍历计算全路网中所有微波点当前时间槽内的道路异常指数D，对计算出的异常指数结果按照从大到小排列，输出前K个最异常的路段预警。