【技术实现步骤摘要】
一种相似演化模式聚类及动态时区划分的交通流分区模型
一、
[0001]本专利技术涉及智能交通领域,尤其涉及短时交通流预测,具体是一种以相似演化模式为标准,对路网各路段交通流数据进行聚类,进而对具有相似演化模式各路段的单日内交通流数据进行动态时区划分的交通流分区模型。
二、
技术介绍
[0002]准确实时的短时交通流预测能够有效缓解城市交通拥堵、降低城市空气污染,具有重要社会意义。交通流数据具有趋势性,周期性和动态随机性等特性。其中趋势性和周期性属于交通流规律特性,主要表现为根据时间规律变化的趋势或波动,是交通流可以被预测的前提。动态随机性由区域路网交通影响因素事件(如信号灯、行人穿行、道路事故、交通管制等)产生的,会使交通流时间序列数据产生波动的特征。动态随机性是导致交通流难以被准确预测的根本原因。
三、
技术实现思路
[0003]本专利技术的目的是进一步挖掘区域路网交通流的时空信息,建立能更加适应路网交通流动态随机性的自适应短时交通流预测模型,以进一步提升模型预测精度。
[0004]在时间维度上,路段不同时段内交通流的时空分布具有明显的差异(如高峰时段和非高峰时段),一个路段的交通流演化模式会随着时间的推移而发生改变,即交通流在单日内会呈现出显著的时间非平稳性。因此,有必要对路段单日内不同时段的交通流进行研究。
[0005]以往交通流预测模型往往采取全时间序列建模或对时间序列的静态时间分区建模。其中,对时间序列的静态时间分区建模往往基于日常生活经验,手动地对路段单日内的交通流量时间序列数据 ...
【技术保护点】
【技术特征摘要】
1.一种相似演化模式聚类及动态时区划分的交通流时间序列分区模型,其特征在于:通过对不同路段交通流数据的特征表示及聚类,提出了一种基于相似演化模式聚类及动态时区划分的交通流时间序列分区模型(Similar Pattern Cluster and Dynamic Timeseries Partition,SPC
‑
DTSP),首次尝试挖掘交通流随时间变化的动态时空特征,解决交通流时间非平稳性在短时交通流预测中带来的挑战;通过美国加州101公路真实交通数据集的实证研究表明,所提模型相对于传统时空K近邻模型和深度学习模型有更高的预测精度;具体地,首先对路网个路段交通流数据进行特征表示;其次使用亲和力传播聚类算法对路网内具有相似演化模式的路段交通流进行分类;最后使用曲度K
‑
Means算法对分类后的交通流数据进行动态时区划分,得到最终的对交通流数据的时间分区结果;算法步骤:(1)交通流时间序列数据特征表示:各路段单日内的交通流时间序列数据呈现出一条时变曲线,以5分钟的数据采样频率为例,该交通流时变曲线以288个交通流数据为组成元素,构成了一条路段一天的交通流时间序列,曲线的走势反映出来路段单日内的交通流演化模式,理论上应当对所有采集时间(D天)的交通流时间序列数据进行聚类,然后再使用某种算法将出现的重叠簇进行过滤和组合,但这种方法加大了预测模型的复杂度,会带来巨大的计算负载,不利于对及交通流的实时预测,为了简化计算,对各路段所有采集时间的交通流数据以天为单位进行均值计算,获取交通流平均时间序列,表示该路段在统计时间内的日内平均演化交模式,作为亲和力传播聚类算法的交通流数据特征;(2)亲和力传播聚类算法APC算法对路网所有特征序列进行聚类:由于路网内各路段间存在物理上直接或间接的连接,某个路段的交通状态在一定程度上会受其周围路段交通状态的影响,这就形成了路段间的空间相关性和交通流协同演化模式,在进行完交通流数据的特征表示后,本发明使用亲和力聚类传播算法对路网内具有相似演化模式的路段交通流进行分类,使得预测模型的构建范围缩小在一个更加精确的数据范围;(3)构建动态时空加权欧氏距离:曲度K
‑
Means算法的输入是通过APC聚类算法得到的交通流演化模式时间序列集合P,对P中每个交通流演化模式序列分别进行时区划,通过迭代计算,WKMS算法得到离散分布的同质类。2.如权利要求1所述的基于对交通流数据进行特征表示,其特征在于:各路段单日内的交通流时间序列数据呈现出一条时变曲线,以5分钟的数据采样频率为例,该交通流时变曲线以288个交通流数据为组成元素,构成了一条路段一天的交通流时间序列,曲线的走势反映出来路段单日内的交通流演化模式,理论上应当对所有采集时间(D天)的交通流时间序列数据进行聚类,然后再使用某种算法将出现的重叠簇...
【专利技术属性】
技术研发人员:王知远,陈良银,陈彦如,廖俊华,刘畅,刘诗佳,何皓宇,盘昊,吴迪智,袁道华,
申请(专利权)人:四川大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。