t_At)為時(shí)間段[h?At_At，h?At] 內(nèi)第1條路段的道路交通特征參考值；S2(h?At-(c-l)At)為時(shí)間段[h?At-(c-l) At，h?At_(c_l)At+At]內(nèi)第2條路段的道路交通特征參考值，S2(h?At_At)為時(shí)間 段[h?At_At，h?At]內(nèi)第2條路段的道路交通特征參考值；Sjh?At-(c-l)At)為 時(shí)間段[h.At_(c_l)At，h.At_(c_l)At+At]內(nèi)第r條路段的道路交通特征參考值， Sjh?At_At)為時(shí)間段[h?At_At，h?At]內(nèi)第r條路段的道路交通特征參考值； Sj(h?At)為時(shí)間段[h?At，h?At+At]內(nèi)第j條路段的道路交通特征參考值，j= 1， 2，…r，Sji(h?At)為第j條路段在時(shí)間段[h?At，（h+1)At]內(nèi)的第i種道路交通狀態(tài) 參數(shù)參考值，i= 1，2，彡h彡（aXN'1);
[0091] ^為當(dāng)前時(shí)間刻度，則當(dāng)前時(shí)刻選取的空間道路交通數(shù)據(jù)序列X(tN)為：
[0092]X(tN)=[Sx (tN-(c-l)At)??? S^t^At)
[0093] S2(tN_(c_l)At) ???S2(tN_At)S2(tN)
[0094] …
[0095] Sr(tN-(c-l)At) ???Sr(tN-At)Sr(tN)]T
[0096] Sj(tN) = Sj2(tN) ???Sjd(tN)]T
[0097]其中，S^tr^c-l)At)為時(shí)間段[tN_(c_l)At，tN_(c_l)At+At]內(nèi)第 1 條路段 的道路交通狀態(tài)參數(shù)集，Si(tN_At)為時(shí)間段[tN_At，tN]內(nèi)第1條路段的道路交通狀態(tài) 參數(shù)集，S2(tN_(c_l)At)為時(shí)間段[tN_(c_l)At，tN_(c_l)At+At]內(nèi)第2條路段的道路 交通狀態(tài)參數(shù)集，S2(tN_At)為時(shí)間段[tN_At，tN]內(nèi)第2條路段的道路交通狀態(tài)參數(shù)集， Sjt^c-l)At)為時(shí)間段[tN_(c_l)At，tN_(c_l)At+At]內(nèi)第r條路段的道路交通狀態(tài) 參數(shù)集，SjtfAt)為時(shí)間段[tN_At，tN]內(nèi)第r條路段的道路交通狀態(tài)參數(shù)集，Sj(tN)為 時(shí)間段[tN，tN+At]內(nèi)第j條路段的道路交通狀態(tài)參數(shù)集，j= 1，2，…r，Sji(tN)為第j條 路段在時(shí)間段[tN，tN+At]內(nèi)的第i種道路交通狀態(tài)參數(shù)值，i= 1，2，…d;
[0098] 步驟3. 2 :空間道路交通數(shù)據(jù)序列特征空間中歐式距離的獲取
[0099]通過Mercer核將多維多粒度的空間道路交通數(shù)據(jù)序列映射到特征空間，使得映 射后同類樣本接近，異類樣本變遠(yuǎn)?；诤撕瘮?shù)的定義，多維多粒度的空間道路交通數(shù)據(jù)已 被映射到(X(t))，則空間道路交通特征參考數(shù)據(jù)序列Xs(h*At)和當(dāng)前空間道路交通數(shù) 據(jù)序列X(tN)在特征空間中的歐式距離表示為：
[0100]
[0101] 步驟3. 3 :道路交通狀態(tài)的獲取
[0102] (3. 3. 1)利用距離公式，計(jì)算當(dāng)前空間道路交通數(shù)據(jù)序列與空間道路交通特征參 考數(shù)據(jù)序列之間的核距離，選取距離當(dāng)前空間道路交通數(shù)據(jù)序列的k個(gè)最近鄰空間道路交 通特征參考數(shù)據(jù)序列Xs(gi*At)，l彡i彡k，c_l彡gi< (aXNM-l)。
[0103] (3. 3. 2)從空間道路交通特征參考數(shù)據(jù)序列中，選取Xs(gi ?At)對應(yīng)的目標(biāo)路段 的道路交通狀態(tài)，記為S(gi ?At)，l彡i彡k，c-1彡i彡（aXN'1);
[0104] (3. 3. 3)tN時(shí)刻的道路交通狀態(tài)5(/v)通過下式獲得：
[0106] 其中，h為第i個(gè)道路交通狀態(tài)的權(quán)重值，其與當(dāng)前空間道路交通數(shù)據(jù)序列與空 間道路交通特征參考數(shù)據(jù)序列在特征空間的歐式距離成反比。
[0107] 實(shí)例：一種基于空間交通特性Kernel-KNN匹配的道路交通狀態(tài)獲取方法，
[0108] 包括如下步驟：
[0109] (1)選取實(shí)驗(yàn)數(shù)據(jù)
[0110] 考慮到實(shí)際道路交通狀態(tài)數(shù)據(jù)的可用性和有效性，選取北京市二環(huán)路上典型路段 的道路交通數(shù)據(jù)進(jìn)行算法應(yīng)用及驗(yàn)證。路段的具體信息如表3所示，表3為實(shí)驗(yàn)路段信息 表：
[0112]表 3
[0113] 將HI7036b(首都圖書館-> 安定門橋）作為目標(biāo)路段進(jìn)行實(shí)驗(yàn)驗(yàn)證。
[0114] 提取兩周（2011. 06. 01-2011. 06. 14)的道路交通歷史數(shù)據(jù)建立道路交通特征參 考序列。道路交通狀態(tài)數(shù)據(jù)的獲取間隔At為2min。
[0115] 將2011.06. 18的道路交通數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，進(jìn)行算法參數(shù)設(shè)定。將 2011. 06. 19、2011. 06. 25、2011. 06. 26的道路交通數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)集，進(jìn)行算法驗(yàn)證。
[0116] (2)核函數(shù)選取
[0117] 鑒于高斯核函數(shù)具有可分性和局部性，選用高斯核函數(shù)進(jìn)行算法應(yīng)用與驗(yàn)證。高 斯核函數(shù)的基本形式如下：
[0119] (3)參數(shù)確定
[0120] 在基于高斯核函數(shù)獲取道路交通狀態(tài)的過程中，涉及的參數(shù)主要包括：〇值、時(shí) 間維度c?At、k值。針對不同的道路交通狀態(tài)數(shù)據(jù)集，獲取最優(yōu)的道路交通狀態(tài)參數(shù)時(shí)對 應(yīng)的各個(gè)參數(shù)各不相同。這里所做的參數(shù)設(shè)定只是對參數(shù)對基于空間交通特性Kernel-KNN 匹配的道路交通狀態(tài)獲取算法的大概影響分析。
[0121] 由于這些參數(shù)對算法的精度各有影響，單獨(dú)分析每個(gè)參數(shù)對算法精度的影響并不 能確保算法的最優(yōu)，因此在進(jìn)行算法分析時(shí)應(yīng)該同時(shí)考慮所有參數(shù)對該道路交通狀態(tài)獲取 算法的影響。
[0122] 引入歸一化平均絕對誤差對參數(shù)對算法精度的影響進(jìn)行分析：
[0124] 即對于不同的（〇，c，k)，存在與之對應(yīng)的NMAE。故存在如下等式：
[0125] NMAE= ? ( 〇 ,c,k)
[0126] 即（〇，c,k)與NMAE存在某種分布關(guān)系《，尋找NMAE最小的時(shí)對應(yīng)的（〇，c,k)， 即為最優(yōu)參數(shù)設(shè)定過程。故可以得到如下模型：
[0127] Min?(〇，c，k)
[0129] 最終（〇，c，k)的取值可以通過道路交通狀態(tài)歷史數(shù)據(jù)的統(tǒng)計(jì)分析確定。
[0130] (4)實(shí)驗(yàn)結(jié)果
[0131] 基于實(shí)驗(yàn)路段的數(shù)據(jù)提取和各參數(shù)的確定，對目標(biāo)路段的道路交通狀態(tài)進(jìn)行估 計(jì)。速度和流量作為能夠最直觀有效地反映道路交通狀態(tài)的參數(shù)，本實(shí)驗(yàn)結(jié)果主要針對路 段的運(yùn)行速度值和統(tǒng)計(jì)流量值進(jìn)行估計(jì)。為使實(shí)驗(yàn)結(jié)果具有對比性，將實(shí)驗(yàn)結(jié)果與基于簡 單歷史數(shù)據(jù)獲取道路交通狀態(tài)數(shù)據(jù)以及基于KNN獲取道路交通狀態(tài)數(shù)據(jù)的結(jié)果進(jìn)行對 比。
[0132] 利用絕對誤差e、百分比誤差PE以及絕對誤差的標(biāo)準(zhǔn)方差〇來檢驗(yàn)算法精度，
[0133] e= |S*_S|，PE= |S*_S| /S，
[0134] 其中，S*是計(jì)算的交通狀態(tài)參數(shù)值；v是實(shí)際的交通狀態(tài)參數(shù)值；n為實(shí)驗(yàn)編號。
[0135] 所有實(shí)驗(yàn)路段2011. 06. 16-2011. 06. 29的交通狀態(tài)獲取結(jié)果的統(tǒng)計(jì)分析如下表 所不。其中，ekOT、PEkOT是基于Kernel-KNN獲取交通狀態(tài)的絕對誤差和百分比誤差，〇 )^是 其絕對誤差的標(biāo)準(zhǔn)方差；eKNN、PEraN是基于KNN獲取交通狀態(tài)的絕對誤差和百分比誤差，〇raN 是其絕對誤差的標(biāo)準(zhǔn)方差；esim、PEsim是基于簡單歷史數(shù)據(jù)獲取交通狀態(tài)的絕對誤差和百分 比誤差，〇sim是其絕對誤差的標(biāo)準(zhǔn)方差。
[0136] 表4為速度獲取結(jié)果統(tǒng)計(jì)：
[0138]表 4
[0139] 表5為流量獲取結(jié)果統(tǒng)計(jì)：
[0141]表5〇
【主權(quán)項(xiàng)】
1. 一種基于空間交通特性Kernel-腳W匹配的道路交通狀態(tài)獲取方法，其特征在于：所 述獲取方法包括W下步驟： (1) 建立道路交通特征參考序列： 設(shè)計(jì)道路交通特征參考序列，提取具有代表性的道路交通數(shù)據(jù)，進(jìn)行數(shù)據(jù)預(yù)處理，獲取 目標(biāo)路段及與其空間關(guān)聯(lián)路段的道路交通運(yùn)行特征信息，并存入道路交通運(yùn)行特征參考序 列； (2) 構(gòu)建空間道路交通數(shù)據(jù)序列的核函數(shù)： 選取與目標(biāo)路段