一种高速公路交通状态判别方法及系统与流程

本发明涉及智能交通控制系统领域，特别涉及一种高速公路交通状态判别方法及系统。

背景技术：

高速公路交通运行状态信息的获取是高速公路智能交通系统合理管理与控制的基础，是ITS(智能交通系统Intelligent Transport System,简称ITS)研究中的重要模块，高速公路交通状态的实时监控和交通状态信息的发布是保障交通安全和运行效率的重要基础。根据路段实时交通状态信息可以实现对高速公路交通流的管理和控制，减少拥挤的发生，充分发挥高速公路安全、快捷和高效的特点。

高速公路基本路段交通状态交通判别有效性很大程度上取决于采用的交通状态划分标准是否合理。交通状态划分标准一般分为两大类：绝对度量标准和相对度量标准。绝对度量标准是指大范围内取值不变的标准，即在国际上或某个国家普遍使用的标准。如美国的《道路通行能力手册》以平均行程速度为指标，将交通状态分为A-F六个等级，2012年我国交通运输部颁布的《公路网运行监测与服务暂行技术要求》以路段平均行程速度为指标，将交通状态分为五个等级，即为：“畅通”、“基本畅通”、“轻度拥堵”、“中度拥堵”、“严重拥堵”。传统的交通状态绝对度量标准将不同路段或区域的交通状态统一量化，客观上实现不同路段或区域交通状态的比较。但是，高速公路基本路段受到道路、交通、天气等各种因素影响，采用统一的绝对估计标准并不能反映不同时空条件下，路段或区域的真实交通状态。

相对度量标准是指能够充分反映实际道路的交通运行状况和道路出行者的主观感受和接受度的标准。由于在估计时考虑了道路环境、天气环境等交通条件，运用的是路段实际的历史运行参数，更能体现特定高速公路基本路段在特定时空条件下的交通状态，更能满足交通参与者、交通管理者等用户的需求。相对标准的划分思路一般有两种：一种是直接利用国际或国内规定的服务等级数，比如六级或五级；另一种是将现有标准的服务水平进行适当的合并，以较少的等级对高速公路路段进行描述。

综上所述，目前高速公路交通状态判别的度量标准不统一，高速公路交通状态判别方法可靠度低，相关方法过于复杂，很难在实践中进行应用。

技术实现要素：

本发明的目的是提供一种高速公路交通状态判别方法及系统，本发明以高速公路交通智能系统为研究对象，深入剖析高速公路交通流运行状态的历史参数数据，通过采用模糊聚类的方法依据数据挖掘理论思想，对高速公路交通流运行参数数据进行分析研究，进而制定出可靠度高且适应性强的高速公路交通状态判别的方法。

为实现上述目的，本发明提供了一种高速公路交通状态判别方法，包括：

获取高速公路交通流运行状态的历史参数数据；

根据历史参数数据及预设分类数量，采用模糊聚类算法建立交通流参数模糊聚类中心模型；

根据交通流参数模糊聚类中心模型，确定预设分类数量的交通状态聚类中心；

获取高速公路交通流运行状态的实时参数数据；

根据实时参数数据和交通状态聚类中心，利用最小距离分类法获得距离实时参数数据最小的交通状态聚类中心；

根据距离实时参数数据最小的交通状态聚类中心，确定实时参数数据所属的交通状态聚类为距离实时参数数据最小的交通状态聚类中心所在的交通状态聚类。

可选的，高速公路交通流运行状态的历史参数数据，包括：第一流量，第一时间平均速度，第一时间占有率；高速公路交通流运行状态的实时参数数据，包括：第二流量，第二时间平均速度，第二时间占有率。

可选的，获取高速公路交通流运行状态的历史参数数据；

根据历史参数数据及预设四个分类，采用模糊聚类算法建立交通流参数模糊聚类中心模型；

根据交通流参数模糊聚类中心模型，确定四个交通状态聚类中心；四个交通状态聚类中心包括畅通聚类中心，平稳聚类中心，拥挤聚类中心，阻塞聚类中心；

获取高速公路交通流运行状态的实时参数数据；

根据实时参数数据和四个交通状态聚类中心，利用最小距离分类法获得距离实时参数数据最小的交通状态聚类中心；

根据距离实时参数数据最小的交通状态聚类中心，确定实时参数数据所属的交通状态聚类为距离实时参数数据最小的交通状态聚类中心所在的交通状态聚类。

可选的，采用模糊聚类算法建立交通流参数模糊聚类中心模型，是指采用FCM算法建立交通流参数模糊聚类中心模型，具体包括：

初始化参数，定义V⁽⁰⁾＝{v₁,v₂,v₃,v₄}，ε＞0，t＝1，T_max，其中V⁽⁰⁾为交通流参数模糊聚类中心，v₁为畅通聚类中心，v₂为平稳聚类中心，v₃为拥挤聚类中心，v₄为阻塞聚类中心，ε为循环截止误差，t为循环次数，T_max为最大循环次数；

利用公式计算隶属度矩阵；其中u_ij为隶属矩阵，c为预设分类数量，c＝4，m∈[1,∞),1≤i≤4,1≤j≤n；u_ij∈[0，1]，(d_ij)²＝||x_j-v_i||²，d_ij表示样本点x_j与聚类中心v_i的欧氏距离；

利用公式计算聚类中心；

判断||V^(t)-V^(t-1)||≤ε是否成立，其中V^(t)为第t次聚类中心矩阵，V^(t-1)为第t-1次聚类中心矩阵，成立循环终止，确定V^(t)为最优聚类中心矩阵；不成立执行下一步骤；

判断t是否大于或等于T_max，成立循环终止，确定V^(t)为最优聚类中心矩阵；不成立执行下一步骤；

循环次数t加1，执行步骤利用公式计算隶属度矩阵。

可选的，利用最小距离分类法获得距离实时参数数据最小的交通状态聚类中心的步骤具体包括：

根据最优聚类中心V^(t)，

其中：V^(t)为最优交通流参数模糊聚类聚类中心，v₁为畅通聚类中心，v₂为平稳聚类中心，v₃为拥挤聚类中心，v₄为阻塞聚类中心；

按照欧式距离的最小距离分类法的公式获得距离实时参数数据最小的交通状态聚类中心；其中f_k(x_j)为实时采集的交通状态参数到四个不同聚类中心的欧氏距离最小值，k为交通状态所属类别的编号，这里取值1、2、3、4，分别代表畅通、平稳、拥挤、阻塞状态。x_j为实时采集的交通状态参数矩阵，d_ji为实时采集的交通状态参数到聚类中心的欧氏距离，v_ji为不同交通状态下不同交通参数的聚类中心值。

本发明还提供了一种与上述的高速公路交通状态判别方法相应的高速公路交通状态判别系统，该系统包括：

历史参数数据获取模块，用于获取高速公路交通流运行的历史参数数据；

模型建立模块，用于根据历史参数数据及预设分类数量，采用模糊聚类算法建立交通流参数模糊聚类中心模型；

聚类中心确定模块，用于根据交通流参数模糊聚类中心模型，确定预设分类数量的交通状态聚类中心；

实时参数数据获取模块，用于获取高速公路交通流运行状态的实时参数数据；

最近聚类中心确定模块，用于根据实时参数数据和交通状态聚类中心，利用最小距离分类法获得距离实时参数数据最小的交通状态聚类中心。

交通状态聚类确定模块，用于根据距离实时参数数据最小的交通状态聚类中心，确定实时参数数据所属的交通状态聚类为距离实时参数数据最小的交通状态聚类中心所在的交通状态聚类。

可选的，模型建立模块，具体包括：

参数初始化模块，用于初始化参数，定义V⁽⁰⁾＝{v₁,v₂,v₃,v₄}，ε＞0，t＝1，T_max，其中V⁽⁰⁾为交通流参数模糊聚类中心，v₁为畅通聚类中心，v₂为平稳聚类中心，v₃为拥挤聚类中心，v₄为阻塞聚类中心，ε为循环截止误差，t为循环次数，T_max为最大循环次数；

隶属度矩阵获取模块，用于利用公式计算隶属度矩阵；其中u_ij为隶属矩阵，c为预设分类数量，c＝4，m∈[1,∞),1≤i≤4,1≤j≤n；u_ij∈[0，1]，(d_ij)²＝||x_j-v_i||²，d_ij表示样本点x_j与聚类中心v_i的欧氏距离；

聚类中心获取模块，用于利用公式计算聚类中心；

第一判断模块，用于判断||V^(t)-V^(t-1)||≤ε是否成立，其中V^(t)为第t次聚类中心矩阵，V^(t-1)为第t-1次聚类中心矩阵，成立循环终止，确定V^(t)为最优聚类中心矩阵；不成立执行下一步骤；

第二判断模块，用于判断t是否大于或等于T_max，成立循环终止，确定V^(t)为最优聚类中心矩阵；不成立执行下一步骤；

循环执行模块，用于执行循环次数t加1，执行利用公式计算隶属度矩阵。

可选的，交通状态聚类确定模块，具体包括：

最优聚类中心获取模块，用于获取最优聚类中心V^(t)，

其中：V^(t)为最优交通流参数模糊聚类中心，v₁为畅通聚类中心，v₂为平稳聚类中心，v₃为拥挤聚类中心，v₄为阻塞聚类中心；

聚类中心获取模块，用于按照欧式距离的最小距离分类法的公式获得距离实时参数数据最小的交通状态聚类中心；其中f_k(x_j)为实时采集的交通状态参数到四个不同聚类中心的欧氏距离最小值，k为交通状态所属类别的编号，这里取值1、2、3、4，分别代表畅通、平稳、拥挤、阻塞状态。x_j为实时采集的交通状态参数矩阵，d_ji为实时采集的交通状态参数到聚类中心的欧氏距离，v_ji为不同交通状态下不同交通参数的聚类中心值。

本发明的有益效果：本发明的高速公路交通状态判别方法及系统，将海量高速公路交通流运行的历史参数数据作为获取交通状态判别指标的基础数据，运用模糊聚类算法对历史参数数据进行模糊分类，根据分类类别可以精确判断任意空间和时间内的实时交通状态所属类别，得到了更符合实际的交通状态的相对度量标准，解决了现有判别依据获取来源不明确，可靠度低的问题，也改善了交通状态判断的环节，进而为道路管理者和使用者提供最佳的交通管控措施和出行计划。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的高速公路交通状态判别方法的流程图；

图2为本发明提供的高速公路交通状态判别系统的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

目前国内大部分高速公路采用全封闭、全立交的运行管理形式。在交通流稳定运行状态下，相邻互通间的基本路段上交通状态会随着互通进出口交通量的增减变化而变化，但交通状态在某个较短的时间段是稳定的。因此从理论上我们可以得到高速公路基本路段交通状态信息。且由于高速公路进出口(互通)间随着地域经济发展程度不同呈现相异的交通需求特征，在不同时段内相邻高速公路进出口间路段(基本路段)上也表现为不同的交通运行状态，因此，高速公路交通运行状态会呈现出不同的时空变化规律。但对于特定的空间条件下，高速公路交通状态的变化规律具有时间序列相似性，通过在海量的历史数据中找出与实时交通流参数相匹配的交通状态，可以实现对高速公路基本路段的实时交通状态判别。

通过研究国内外针对交通状态判别算法的演变发展，总结出如下规律：(1)从研究对象分析，早期的算法主要集中在交通事件的检测，如今研究的算法不仅能判断是否发生事件，还能判断交通流的具体形态；(2)从研究方法分析，早期的算法主要通过交通参数与固定阈值的比较来判断交通状况，而如今算法的发展通过模糊理论、神经网络和支持向量机等智能算法从人的思维模式出发、以人的模糊表达方式为手段来实现；(3)从研究的交通流参数中讲，早期主要是通过地点交通参数单独或两两组合的方式，而如今的算法主要是通过加权分析，考虑交通流各参数的权重，且如今的算法中，不仅综合考虑了流量、速度、占有率等因素。还加入了车头时距、平均行程速度等参数，可以更加综合地反应交通流的运行特性。

综上，本发明提供了一种高速公路交通状态判别方法及系统，以高速公路交通智能系统为研究对象，深入剖析高速公路交通流运行状态的历史参数数据，通过采用模糊聚类的方法依据数据挖掘理论思想，对高速公路交通流运行参数数据进行分析研究，进而制定出可靠度高且适应性强的高速公路交通状态判别的方法。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例1：

图1为本发明实施例高速公路交通状态判别方法的流程图，如图1所示，本发明提供的高速公路交通状态判别方法，具体包括：

步骤101，获取高速公路交通流运行状态的历史参数数据；

步骤102，根据历史参数数据及预设分类数量，采用模糊聚类算法建立交通流参数模糊聚类中心模型；

步骤103，根据交通流参数模糊聚类中心模型，确定预设分类数量的交通状态聚类中心；

步骤104，获取高速公路交通流运行状态的实时参数数据；

步骤105，根据实时参数数据和交通状态聚类中心，利用最小距离分类法获得距离实时参数数据最小的交通状态聚类中心；

步骤106，根据距离实时参数数据最小的交通状态聚类中心，确定实时参数数据所属的交通状态聚类为距离实时参数数据最小的交通状态聚类中心所在的交通状态聚类。

其中，高速公路交通流运行状态的历史参数数据，包括：第一流量，第一时间平均速度，第一时间占有率；高速公路交通流运行状态的实时参数数据，包括：第二流量，第二时间平均速度，第二时间占有率。

实施例2：基于上述实施例，本实施例具体设定分类数量，本实施例在交通信息控制中心完成，通过交通流参数模糊聚类中心的模型构建和交通状态判别决策模型构建两部分内容，可嵌入交通控制系统软件实现高速公路交通状态度量标准的获取，具体步骤如下：

S1：获取高速公路交通流运行状态的历史参数数据；

S2：根据历史参数数据及预设四个分类，采用模糊聚类算法建立交通流参数模糊聚类中心模型；

其中，采用模糊聚类算法建立交通流参数模糊聚类中心模型，是指采用FCM算法建立交通流参数模糊聚类中心模型，具体包括：

S21：初始化参数，定义V⁽⁰⁾＝{v₁,v₂,v₃,v₄}，ε＞0，t＝1，T_max，其中V⁽⁰⁾为交通流参数模糊聚类中心，v₁为畅通聚类中心，v₂为平稳聚类中心，v₃为拥挤聚类中心，v₄为阻塞聚类中心，ε为循环截止误差，t为循环次数，T_max为最大循环次数；

S22：利用公式计算隶属度矩阵；其中u_ij为隶属矩阵，c为预设分类数量，c＝4，m∈[1,∞),1≤i≤4,1≤j≤n；u_ij∈[0，1]，(d_ij)²＝||x_j-v_i||²，d_ij表示样本点x_j与聚类中心v_i的欧氏距离；

S23：利用公式计算聚类中心；

S24：判断||V^(t)-V^(t-1)||≤ε是否成立，其中V^(t)为第t次聚类中心矩阵，V^(t-1)为第t-1次聚类中心矩阵，成立循环终止，确定V^(t)为最优聚类中心矩阵；不成立执行下一步骤；

S25：判断t是否大于或等于T_max，成立循环终止，确定V^(t)为最优聚类中心矩阵；不成立执行下一步骤；

S26：循环次数t加1，执行步骤利用公式计算隶属度矩阵。

具体的实施过程如下：

将交通状态分为四个等级{畅通、平稳、拥挤、阻塞}，即模糊聚类数目c＝4。FCM算法将加权类内误差平方和作为目标函数J_m(U,V):

其中：m∈[1,∞),1≤i≤4,1≤j≤n；u_ij∈[0，1]，(d_ij)²＝||x_j-v_i||²，d_ij表示样本点x_j与聚类中心v_i的欧氏距离

FCM算法中，m取值越大，聚类分析的模糊程度越大，选择合理的m值非常重要，由已知文献可知，m值的最佳取值区间为[1.5,2.5]，本文中m＝2。FCM算法通过迭代算法更新样本的聚类中心，使得非相似性指标目标函数达到最小，获取此时的聚类中心和隶属度，得到样本集X的最优模糊划分U^*＝[u_ij^*]。

FCM算法推理过程：

首先要得到最小的目标函数：

为了求有约束条件下目标函数的极值，引入拉格朗日系数构造新的函数：

其中：λ_j为拉格朗日乘子，(d_ik)²＝||x_k-v_i||²；

根据上式可求得：

那么就可以用上式循环迭代得到满足要求的隶属度矩阵和聚类中心。

S3：获取高速公路交通流运行状态的实时参数数据；

S4：根据实时参数数据和交通状态聚类中心，利用最小距离分类法获得距离实时参数数据最小的交通状态聚类中心；

S5：根据距离实时参数数据最小的交通状态聚类中心，确定实时参数数据所属的交通状态聚类为距离实时参数数据最小的交通状态聚类中心所在的交通状态聚类

S6：根据模糊聚类得到的最优聚类中心V，依据欧式距离对实时交通流参数数据进行类别判断。

通过步骤S2的模糊聚类算法，得到的最优聚类中心V的表达式：

将交通流的实时参数数据按照欧氏距离的最小距离法对其进行类别判断：

若f_k为最小值，则x_j的交通状态为k类。

本发明实施例提供的高速公路交通状态判别方法，将拥挤指数作为交通状态判别指标的内容为基础，考虑其现有判别依据可靠度低、且获取来源不明确等问题，运用模糊聚类实现了相对度量标准的精度获取，这不仅提高了采用拥挤指数进行高速公路交通状态判别的可靠性，也改善了交通状态获取的环节，从信息获取环节最大程度的为道路管理者和使用者提供最佳的交通管控措施和出行计划。

本发明还提供了一种高速公路交通状态判别系统，图2为本发明实施例救高速公路交通状态判别系统的结构示意图，如图2所示，所述系统包括：

历史参数数据获取模块201，用于获取高速公路交通流运行的历史参数数据；

模型建立模块202，用于根据历史参数数据及预设分类数量，采用模糊聚类算法建立交通流参数模糊聚类中心模型；

聚类中心确定模块203，用于根据交通流参数模糊聚类中心模型，确定预设分类数量的交通状态聚类中心；

实时参数数据获取模块204，用于获取高速公路交通流运行状态的实时参数数据；

距离确定模块205，用于根据实时参数数据和所述交通状态聚类中心，利用最小距离分类法获得距离实时参数数据最小的交通状态聚类中心。

交通状态聚类确定模块206，用于根据距离实时参数数据最小的所述交通状态聚类中心，确定实时参数数据所属的交通状态聚类为距离实时参数数据最小的所述交通状态聚类中心所在的交通状态聚类。

其中，模型建立模块202，具体包括：

参数初始化模块，用于初始化参数，定义V⁽⁰⁾＝{v₁,v₂,v₃,v₄}，ε＞0，t＝1，T_max，其中V⁽⁰⁾为交通流参数模糊聚类中心，v₁为畅通聚类中心，v₂为平稳聚类中心，v₃为拥挤聚类中心，v₄为阻塞聚类中心，ε为循环截止误差，t为循环次数，T_max为最大循环次数；

隶属度矩阵获取模块，用于利用公式计算隶属度矩阵；其中u_ij为隶属矩阵，c为预设分类数量，c＝4，m∈[1,∞),1≤i≤4,1≤j≤n；u_ij∈[0，1]，(d_ij)²＝||x_j-v_i||²，d_ij表示样本点x_j与聚类中心v_i的欧氏距离；

聚类中心获取模块，用于利用公式计算聚类中心；

第一判断模块，用于判断||V^(t)-V^(t-1)||≤ε是否成立，其中V^(t)为第t次聚类中心矩阵，V^(t-1)为第t-1次聚类中心矩阵，成立循环终止，确定V^(t)为最优聚类中心矩阵；不成立执行下一步骤；

第二判断模块，用于判断t是否大于或等于T_max，成立循环终止，确定V^(t)为最优聚类中心矩阵；不成立执行下一步骤；

循环执行模块，用于执行循环次数t加1，执行利用公式计算隶属度矩阵。

其中，交通状态聚类确定模块206，具体包括：

最优聚类中心获取模块，用于获取所述最优聚类中心V^(t)，

其中：V^(t)为最优交通流参数模糊聚类聚类中心，v₁为畅通聚类中心，v₂为平稳聚类中心，v₃为拥挤聚类中心，v₄为阻塞聚类中心；

聚类中心获取模块，用于按照欧式距离的最小距离分类法的公式获得距离所述实时参数数据最小的交通状态聚类中心；其中f_k(x_j)为实时采集的交通状态参数到四个不同聚类中心的欧氏距离最小值，k为交通状态所属类别的编号，这里取值1、2、3、4，分别代表畅通、平稳、拥挤、阻塞状态。x_j为实时采集的交通状态参数矩阵，d_ji为实时采集的交通状态参数到聚类中心的欧氏距离，v_ji为不同交通状态下不同交通参数的聚类中心值。

本发明实施例提供的高速公路交通判态度量标准获取，将拥挤指数作为交通状态判别指标的内容为基础，考虑其现有判别依据可靠度低、且获取来源不明确等问题，运用模糊聚类实现了相对度量标准的精度获取，这不仅提高了采用拥挤指数进行高速公路交通状态判别的可靠性，也改善了交通状态获取的环节，从信息获取环节最大程度的为道路管理者和使用者提供最佳的交通管控措施和出行计划。

本文中应用了多个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。