一种svm与模糊判断相结合的道路实时路况的判断方法
【专利摘要】本发明涉及城市道路实时路况信息处理领域，尤其涉及一种svm与模糊判断相结合的道路实时路况的判断方法，包括：(1)交通数据源设备采集固定点路段中的交通流参数；(2)根据交通数据源设备类型分别采用阀值算法、svm算法计算路口状态、路段状态：对于采集参数少的设备，采用阀值算法；对于采集参数多的设备，采用svm算法；(3)结合路口状态、路段状态采用模糊判定法则判断综合交通状态。本发明的有益效果在于：1.本发明方法应用于城市道路实时路况状态判断，可以充分发挥交通管理系统发挥的功能，使其能及时、全面、准确地掌握路网道路交通状况；2.本发明具有可扩展性、高准确性，具有优秀的非线性处理能力。
【专利说明】一种svm与模糊判断相结合的道路实时路况的判断方法
【技术领域】
[0001]本发明涉及城市道路实时路况信息处理领域，尤其涉及一种svm与模糊判断相结合的道路实时路况的判断方法。
【背景技术】
[0002]随着国民经济的高速发展和城市化进程的加快，我国的机动车拥有量及道路交通流量急剧增加，日益增长的交通需求与城市道路基础设施建设之间的矛盾已成为目前城市交通的主要矛盾，由此导致交通拥挤和堵塞现象频频发生。
[0003]城市道路实时路况是城市交通一个很重要的部分，它实现了对城市道路路况状态的实时评估和交通拥堵的诱导和交通疏散。它融合了多种交通检测设备采集的数据进行整合，并评估出道路的实时状态。
[0004]由于基于概率分布的融合模型需要大量的人工标定，工作量较大，同时缺乏对路网整体状态评估准确性的自适应参数调整，因此整体评估效果不佳。为了克服已有的道路交通拥堵状况模型的算法的不够智能及准确性不够高，提出一种新的算法实现城市道路实时路况判断。
【发明内容】
[0005]本发明为克服上述的不足之处，目的在于提供一种具有高智能、高准确性的城市道路实时路况判断方法，该方法是一种svm与模糊判断相结合的道路实时路况的判断方法。
[0006]本发明是通过以下技术方案达到上述目的:一种svm与模糊判断相结合的道路实时路况的判断方法，包括:
[0007](I)交通数据源设备采集固定点路段中的交通流参数，交通流参数包括车流量、车辆速度、占有率，占有率包括时间占有率、空间占有率；
[0008](2)根据交通数据源设备类型分别采用阀值算法、svm算法计算路口状态、路段状态:对于采集参数少的设备采用阀值算法；对于采集参数多的设备采用svm算法；
[0009](3)结合路口状态、路段状态采用模糊判定法则判断综合交通状态。
[0010]作为优选，步骤(2)中，交通数据源设备类型为卡口、视频、线圈采用阀值算法计算路口状态、路段状态；交通数据源设备类型为地磁、微波采用SVM支持向量机算法计算路口状态、路段状态。
[0011]作为优选，线圈用于判断路口状态；卡口、微波地磁、视频用于判断路段状态；路段有浮动车数据的，则用浮动车状态为模糊判定法则提供辅助判断。若路段没有浮动车数据，则以路口和路段的综合判断状态作为最终状态。
[0012]作为优选，阀值算法包括:
[0013]I)统计时间周期T内各交通参数特性，确定状态判断指标参数，以速度、占有率作为优先判别指标，依次将其的畅通、繁忙阈值设定为v0，vl, 01，02 ；[0014]2)在统计时间段内每次采集的各车道速度或占有率按照从低到高依次排序，取中间85%个速度值或占有率作为有效数据；
[0015]其中，统计时间周期为T分钟，数据上传频率为P秒/次，车道数为N ；
[0016]T分钟内上传记录最多为TX 60 XN/P条；中心接收到数据条数M条，取值范围为0〈 = M〈 = TX60XN/P ；
[0017]3)根据上述统计数据及拥堵状态，设定各参数阈值，分别计算各车道拥堵状态；
[0018]4)统计出畅通、拥堵、繁忙状态的概率，概率最高的为该路段状态。
[0019]作为优选，svm算法包括:
[0020]I)实时采集交通流参数，并将采集到的交通流参数作为历史数据保存；交通流参数包括车流量、车辆速度、占有率，占有率包括时间占有率、空间占有率；
[0021]2)提取历史数据，采用道路分类的聚类算法将历史数据划分为若干子集，使得每个子集内的数据在模式上尽可能相似，然后在每一个子集中抽取少量代表构成训练集，并人工标注这个小训练集作为svm模型；
[0022]3)实时采集的交通流参数进行数据预处理:判断每个车道的流量数据丢失或正常或异常，部分丢失数据或部分异常数据用该种交通数据源设备的其他车道的流量替代或用其他交通数据源设备该车道替代或其他相邻路段替代；提取85%的交通流参数计算综合车辆速度、综合占有率；
[0023]4)将数据预处理后的交通流参数带入svm模型，得到交通拥堵状态。
[0024]作为优选，道路分类的聚类算法包括:对道路进行等级划分，划分标准为:主干道为一等级，该等级下划分3个等级；次干道为二等级，该等级下划分3个等级；采集等级划分道路一周内的早晚高峰及平峰车流量、车辆速度、占有率，将采集数据作为matlab聚类算法的输入得到分类结果；建立道路拥堵模型，设定各个道路等级的拥堵、繁忙和畅通的界定值。
[0025]作为优选，所述模糊判定法则包括:
[0026]I)路口状态为畅通时:路段状态为畅通或繁忙，则综合交通状态为畅通；路段状态为拥堵，则综合交通状态为繁忙；
[0027]2)路口状态为繁忙时:路段状态为畅通或繁忙，则综合交通状态为繁忙；路段状态为拥堵，则综合交通状态为拥堵；
[0028]3)路口状态为拥堵时:路段状态为繁忙或拥堵，则综合交通状态为拥堵；路口状态为畅通，则综合交通状态为繁忙。
[0029]本发明的有益效果在于:1、本发明方法应用于城市道路实时路况状态判断，可以充分发挥交通管理系统发挥的功能，使其能及时、全面、准确地掌握路网道路交通状况，实时研判路网宏观交通运行态势，提升交通信息综合分析研判水平，及时准确发布交通管理服务信息；2、本发明具有可扩展性、高准确性，具有优秀的非线性处理能力，该方法时间复杂性低，能够应用在道路复杂、车流密集的路网。
【专利附图】
【附图说明】
[0030]图1是本发明的步骤流程图；
[0031]图2是阀值算法的步骤流程图；[0032]图3是svm算法的步骤流程图；
[0033]图4是道路分类的聚类算法的步骤流程图；
[0034]图5是数据预处理的步骤流程图。
【具体实施方式】
[0035]下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此:
[0036]实施例1:如图1所示，一种svm与模糊判断相结合的道路实时路况的判断方法，包括:
[0037](I)交通数据源设备采集固定点路段中的交通流参数，交通流参数包括车流量、车辆速度、占有率，占有率包括时间占有率、空间占有率；
[0038](2)根据交通数据源设备类型分别采用阀值算法、svm算法计算路口状态、路段状态:对于采集参少的设备，采用阀值算法；对于采集参数多的设备，采用svm算法；
[0039](3)结合路口状态、路段状态采用模糊判定法则判断综合交通状态，模糊判定法则为:
[0040]3.1)路口状态为畅通时:路段状态为畅通或繁忙，则综合交通状态为畅通；路段状态为拥堵，则综合交通状态为繁忙；
[0041]3.2)路口状态为繁忙时:路段状态为畅通或繁忙，则综合交通状态为繁忙；路段状态为拥堵，则综合交通状态为拥堵；
[0042]3.3)路口状态为拥堵时:路段状态为繁忙或拥堵，则综合交通状态为拥堵；路口状态为畅通，则综合交通状态为繁忙。
[0043]如图2所示，阀值算法包括:
[0044]I)统计时间周期T内各交通参数特性，确定状态判断指标参数，以速度、占有率作为优先判别指标，依次将其的畅通、繁忙阈值设定为v0，vl, 01，02 ；
[0045]2)在统计时间段内每次采集的各车道速度或占有率按照从低到高依次排序，取中间85%个速度值或占有率作为有效数据；
[0046]其中，统计时间周期为T分钟，数据上传频率为P秒/次，车道数为N ；
[0047]T分钟内上传记录最多为TX 60 XN/P条；中心接收到数据条数M条，取值范围为0〈 = M〈 = TX60XN/P ；
[0048]3)根据上述统计数据及拥堵状态，设定各参数阈值，分别计算各车道拥堵状态；
[0049]4)统计出畅通、拥堵、繁忙状态的概率，概率最高的为该路段状态。
[0050]参见图3所示，svm算法包括:
[0051]I)实时采集交通流参数，并将采集到的交通流参数作为历史数据保存；交通流参数包括车流量、车辆速度、占有率，占有率包括时间占有率、空间占有率；
[0052]2)提取历史数据，采用道路分类的聚类算法将历史数据划分为若干子集，使得每个子集内的数据在模式上尽可能相似，然后在每一个子集中抽取少量代表构成训练集，并人工标注这个小训练集作为svm模型；
[0053]3)实时采集的交通流参数进行数据预处理:判断每个车道的流量数据丢失或正常或异常，部分丢失数据或部分异常数据用该种交通数据源设备的其他车道的流量替代或用其他交通数据源设备该车道替代或其他相邻路段替代；提取85%的交通流参数计算综合车辆速度、综合占有率；
[0054]4)将数据预处理后的交通流参数带入svm模型，得到交通拥堵状态。
[0055]在svm算法中，采用道路分类的聚类算法对历史数据进行划分，如图4所示，道路分类的聚类算法包括:道路分类分为二等级，等级的划分是以主次干道为标准，主干道为一等级，次干道为二等级。其中等级的基础上又各划分为三类，一等级分为mainiOadll、mainroadl2、mainroadl3, 二等级分为 subroad21、subroad22、subroad23。划分的标准是:统计全部道路一周的不同设备早晚高峰、平峰的流量，速度占有率和车道数，然后采用聚类算法在matlab下对每一等级的道路分类，分别分为3类。
[0056]道路的拥堵模型是根据每种类型道路的高峰、平峰的历史数据及对应的状态设定调整的，每种道路类型选几条有代表性的道路，观察它们的历史数据的规律设定拥堵、繁忙和畅通的界定值，界定值如表1所示:
[0057]
【权利要求】
1.一种svm与模糊判断相结合的道路实时路况的判断方法，其特征在于: (1)交通数据源设备采集固定点路段中的交通流参数，交通流参数包括车流量、车辆速度、占有率，占有率包括时间占有率、空间占有率； (2)根据交通数据源设备类型分别采用阀值算法、svm算法计算路口状态、路段状态:对于采集参数少的设备采用阀值算法；对于采集参数多的设备采用svm算法； (3)结合路口状态、路段状态采用模糊判定法则判断综合交通状态。
2.根据权利要求1所述的一种svm与模糊判断相结合的道路实时路况的判断方法，其特征在于，步骤(2)中，交通数据源设备类型为卡口、视频、线圈采用阀值算法计算路口状态、路段状态；交通数据源设备类型为地磁、微波、浮动车采用svm算法计算路口状态、路段状态。
3.根据权利要求2所述的一种svm与模糊判断相结合的道路实时路况的判断方法，其特征在于，线圈用于判断路口状态；卡口、微波地磁、视频用于判断路段状态；浮动车为模糊判定法则提供辅助判断。
4.根据权利要求2所述的一种svm与模糊判断相结合的道路实时路况的判断方法，其特征在于，阀值算法包括:. 1)统计时间周期T内各交通参数特性，确定状态判断指标参数，以速度、占有率作为优先判别指标，依次将其的畅通、繁忙阈值设定为vO，vl, 01，02 ； . 2)在统计时间段内每次采集的各车道速度或占有率按照从低到高依次排序，取中间.85%个速度值或占有率作为有效数据； 其中，统计时间周期为T分钟，数据上传频率为P秒/次，车道数为N ； T分钟内上传记录最多为T X 60 X N/P条；中心接收到数据条数M条，取值范围为0〈=M〈 = TX60XN/P ；. 3)根据上述统计数据及拥堵状态，设定各参数阈值，分别计算各车道拥堵状态； .4)统计出畅通、拥堵、繁忙状态的概率，概率最高的为该路段状态。
5.根据权利要求2所述的一种svm与模糊判断相结合的道路实时路况的判断方法，其特征在于，svm算法包括: .1)实时采集交通流参数，并将采集到的交通流参数作为历史数据保存；交通流参数包括车流量、车辆速度、占有率，占有率包括时间占有率、空间占有率； . 2)提取历史数据，采用道路分类的聚类算法将历史数据划分为若干子集，使得每个子集内的数据在模式上尽可能相似，然后在每一个子集中抽取少量代表构成训练集，并人工标注这个小训练集作为svm模型； . 3)实时采集的交通流参数进行数据预处理:判断每个车道的流量数据丢失或正常或异常，部分丢失数据或部分异常数据用该种交通数据源设备的其他车道的流量替代或用其他交通数据源设备该车道替代或其他相邻路段替代；提取85%的交通流参数计算综合车辆速度、综合占有率；. 4)将数据预处理后的交通流参数带入svm模型，得到交通拥堵状态。
6.根据权利要求5所述的一种svm与模糊判断相结合的道路实时路况的判断方法，其特征在于，道路分类的聚类算法包括:对道路进行等级划分，划分标准为:主干道为一等级，该等级下划分3个等级；次干道为二等级，该等级下划分3个等级；采集等级划分道路一周内的早晚高峰及平峰车流量、车辆速度、占有率，将采集数据作为matlab聚类算法的输入得到分类结果；建立道路拥堵模型，设定各个道路等级的拥堵、繁忙和畅通的界定值。
7.根据权利要求1所述的一种svm与模糊判断相结合的道路实时路况的判断方法，其特征在于，所述模糊判定法则包括: 1)路口状态为畅通时:路段状态为畅通或繁忙，则综合交通状态为畅通；路段状态为拥堵，则综合交通状态为繁忙； 2)路口状态为繁忙时:路段状态为畅通或繁忙，则综合交通状态为繁忙；路段状态为拥堵，则综合交通状态为拥堵； 3)路口状态为拥堵时:路段状态为繁忙或拥堵，则综合交通状态为拥堵；路口状态为畅通，则综合交通状态为繁忙。
【文档编号】G08G1/065GK104021671SQ201410210223
【公开日】2014年9月3日 申请日期:2014年5月16日 优先权日:2014年5月16日
【发明者】武东亮, 王玉华, 徐佳健, 孙安安, 应康平, 张鑫 申请人:浙江银江研究院有限公司