專利名稱：基于實時行車方向和通行時段信息的交通狀態(tài)判別方法
技術領域：
本發(fā)明涉及交通狀態(tài)判別技術領域，特別是一種基于實時行車方向和通行時段信息的交通狀態(tài)判別方法。
背景技術：
交通狀態(tài)判別實質上就是根據(jù)交通流的特性，將相似的狀態(tài)劃分為一類。交通狀態(tài)判別可以分為人工判別方法和自動判別方法。人工判別方法雖然簡單、直接、方便，但是受到人力的限制，需要的人員數(shù)量和工作強度都比較大，因此，人工判別方法已經(jīng)逐漸被自動判別方法所取代。交通狀態(tài)自動判別方法有很多，例如，加利福尼亞算法和McMaster算法等。加利福尼亞算法主要是通過比較相鄰檢測站檢測的占有率等交通流參數(shù)，來判別交通狀態(tài)。McMaster算法是最早的以常發(fā)性交通擁擠作為交通狀態(tài)判別對象的算法，該算法以突變理論為基礎，在大量歷史數(shù)據(jù)的基礎上，比較擁擠和非擁擠的流量-占有率數(shù)據(jù)，以此為模版，通過實測數(shù)據(jù)與流量-占有率模版的兩次比較，判斷是否發(fā)生交通擁擠以及交通擁擠的類型。對于城市道路的不同路段，受到道路本身物理條件及服務設施等條件的限制，交通狀態(tài)在不同路段表現(xiàn)出較大的差異；而對于同一個路段，交通狀態(tài)也不是一成不變，外界環(huán)境因素的變化影響著駕駛員對同一地點交通狀態(tài)的感覺變化。例如在路段的往返方向，可能某一方向發(fā)生交通擁堵，而另一個方向交通順暢；在交通高峰期，駕駛員可能已經(jīng)在心理上習慣路段的交通擁堵，而在非高峰期，反而無法接受短時的交通擁堵。這些外界環(huán)境因素的變化，在影響駕駛員心理感受的同時，也影響了駕駛員對交通狀態(tài)的判斷?，F(xiàn)有技術沒有考慮這些外界環(huán)境因素的變化，直接根據(jù)一個固定的標準判別道路的交通狀態(tài)，往往會造成交通狀態(tài)的誤判。

發(fā)明內(nèi)容
有鑒于此，本發(fā)明根據(jù)不同道路的交通流特性，對交通狀態(tài)判別依據(jù)進行調(diào)整和修正，達到優(yōu)化交通狀態(tài)判別的目的。本發(fā)明采用以下方案實現(xiàn):一種基于實時行車方向和通行時段信息的交通狀態(tài)判別方法，其特征在于包括以下步驟:
步驟SOl:采集路段的交通流數(shù)據(jù)，根據(jù)行車方向和對應的交通時段劃分交通流數(shù)據(jù)，把不同的行車方向和交通時段組合成主要行車方向高峰時段交通流、次要行車方向高峰時段交通流、主要行車方向平峰時段交通流和次要行車方向平峰時段交通流模式，分別建立對應模式的交通流數(shù)據(jù)集，歷史數(shù)據(jù)作為訓練數(shù)據(jù)集，實時采集的數(shù)據(jù)作為預測數(shù)據(jù)集；步驟S02:對所述訓練數(shù)據(jù)集和預測數(shù)據(jù)集進行歸一化，使輸入值分布在[_1，1]的區(qū)間內(nèi)，消除變量因數(shù)量級上的差異而造成的影響；
步驟S03:建立SOM神經(jīng)網(wǎng)絡，輸入層神經(jīng)元數(shù)量由分類所采用的交通流參數(shù)的個數(shù)決定;
步驟S04:訓練SOM神經(jīng)網(wǎng)絡，對于給定的訓練數(shù)據(jù)集，將權值數(shù)據(jù)集初始化為隨機值，確定競爭層獲勝單元，然后對獲勝單元及其鄰域單元的連接權值進行修正，權值更新規(guī)則為:
權利要求
1.一種基于實時行車方向和通行時段信息的交通狀態(tài)判別方法，其特征在于包括以下步驟: 步驟SOl:采集路段的交通流數(shù)據(jù)，根據(jù)行車方向和對應的交通時段劃分交通流數(shù)據(jù)，把不同的行車方向和交通時段組合成主要行車方向高峰時段交通流、次要行車方向高峰時段交通流、主要行車方向平峰時段交通流和次要行車方向平峰時段交通流模式，分別建立對應模式的交通流數(shù)據(jù)集，歷史數(shù)據(jù)作為訓練數(shù)據(jù)集，實時采集的數(shù)據(jù)作為預測數(shù)據(jù)集；步驟S02:對所述訓練數(shù)據(jù)集和預測數(shù)據(jù)集進行歸一化，使輸入值分布在[_1，1]的區(qū)間內(nèi)，消除變量因數(shù)量級上的差異而造成的影響； 步驟S03:建立SOM神經(jīng)網(wǎng)絡，輸入層神經(jīng)元數(shù)量由分類所采用的交通流參數(shù)的個數(shù)決定; 步驟S04:訓練SOM神經(jīng)網(wǎng)絡，對于給定的訓練數(shù)據(jù)集，將權值數(shù)據(jù)集初始化為隨機值，確定競爭層獲勝單元，然后對獲勝單元及其鄰域單元的連接權值進行修正，權值更新規(guī)則為:
2.根據(jù)權利要求1所述的基于實時行車方向和通行時段信息的交通狀態(tài)判別方法，其特征在于:所述行車方向的不平衡性用方向分布系數(shù)^表示:
3.根據(jù)權利要求1所述的基于實時行車方向和通行時段信息的交通狀態(tài)判別方法，其特征在于:所述交通時段分為高峰時段和平峰時段，以高峰時段系數(shù)&表示高峰時段和平峰時段的交通量差異，表達式如下:
4.根據(jù)權利要求1所述的基于實時行車方向和通行時段信息的交通狀態(tài)判別方法，其特征在于:所述步驟S03中采用交通量、平均車速以及交通密度作為分類的指標，則輸入神經(jīng)元為3個；競爭層神經(jīng)元個數(shù)由分類數(shù)決定，將交通狀態(tài)分為3類，則競爭層有3個神經(jīng)
5.根據(jù)權利要求1所述的基于實時行車方向和通行時段信息的交通狀態(tài)判別方法，其特征在于:所述步驟S04訓練過程中，逐漸減少鄰域及權值的變化量；獲勝單元的權值學習因子孓及其領域單元是逐漸減小的^和領域寬度在迭代過程中逐漸減小，其調(diào)整策略表達式為:
全文摘要
本發(fā)明涉及交通狀態(tài)判別技術領域，特別是一種基于實時行車方向和通行時段信息的交通狀態(tài)判別方法。交通狀態(tài)作為評價城市交通運行狀況的一個綜合指標，受到多種因素的影響，本發(fā)明提出基于行車方向和交通時段的交通狀態(tài)判別模型，交通狀態(tài)判別思想從原先的單一模式判別向多方面綜合判別發(fā)展，將自適應特征網(wǎng)絡理論運用到交通狀態(tài)判別中，從主觀的因素(人對交通狀態(tài)的感受)中挖掘客觀數(shù)據(jù)(交通流參數(shù)數(shù)據(jù))的規(guī)律，尋找狀態(tài)變化所對應的數(shù)據(jù)變化。采用動態(tài)區(qū)間區(qū)別交通狀態(tài)的變化，交通判別模型的參數(shù)實現(xiàn)自適應的調(diào)整，真正做到根據(jù)路段自身的交通流特點，對交通狀態(tài)判別閥值進行相應調(diào)整，達到交通狀態(tài)的自調(diào)整判別。
文檔編號G08G1/01GK103106793SQ201310010320
公開日2013年5月15日 申請日期2013年1月11日 優(yōu)先權日2013年1月11日
發(fā)明者王偉智, 林信明, 劉秉瀚 申請人:福州大學