一种基于Kernel-KNN匹配的道路交通状态获取方法
【技术领域】
[0001] 本发明属于交通状态获取领域，涉及一种道路交通状态获取方法。
【背景技术】
[0002] 道路交通状态获取是进行交通流控制和诱导等交通管理的重要前提，是制定交通 安全管理策略、交通事故检测、交通事故致因分析等交通安全保障措施的必要基础，是交通 基础设施管理、监控和维护不可缺少的第一手资料。因此交通状态获取是交通管理、交通安 全保障和交通基础设施监控维护的基础性重要问题。
[0003] 在既有的道路交通状态获取方法中，由于道路交通系统的复杂多变性，参数模型、 人工智能等方法往往具有很多限制性条件，很难实现具有广泛性的道路交通状态获取。而 非参数模型（KNN)中对总体分布的一般性假设条件的范围很宽，所以基于非参数统计建立 的模型具有较好的鲁棒性和适应性。但在既有的基于KNN获取道路交通状态的算法中，没 有考虑是道路交通状态的多维多粒度的特性。存在的技术缺陷是：准确性较差。
【发明内容】
[0004] 为了克服已有道路交通状态获取方法的准确性较差的不足，本发明提供了一种有 效获取道路交通状态、准确性较好的基于Kernel-KNN匹配的道路交通状态获取方法。
[0005] 本发明解决其技术问题所采用的技术方案是：
[0006] 一种基于Kernel-KNN匹配的道路交通状态获取方法，所述获取方法包括以下步 骤：
[0007] (1)建立道路交通特征参考序列：
[0008] 设计道路交通特征参考序列，提取具有代表性的道路交通数据并进行数据预处 理，建立道路交通运行特征参考序列；
[0009] (2)构建道路交通数据序列核函数：
[0010] 选取多维多粒度的道路交通数据序列，利用核函数将道路交通数据序列映射到特 征空间，构建道路交通数据序列核函数；
[0011] (3)基于Kernel-KNN获取道路交通状态：
[0012] 提取道路交通特征参考数据序列和当前道路交通数据序列，获取道路交通特征参 考数据序列和当前道路交通数据序列在高维特征空间的欧式距离，通过KNN方法选取k个 最近邻道路交通特征参考数据序列；从道路交通特征参考数据序列中，选取这k个最近邻 道路交通特征参考数据序列的下一时刻的道路交通状态，最后通过对这k个道路交通状态 加权平均获取道路交通状态。
[0013] 进一步，所述步骤（1)中，假设交通流检测器采集交通状态信息的时间间隔为At，单一交通流检测器每天采集的交通状态信息的数量为Nm，设定选取的时间维度为 cXAt，选取的道路交通参数粒度为d，则t时刻选取的道路交通数据序列X(t)为：
[0014]X(t) =[S(t-(c-1)At) ???S(t-At)S(t)]T
[0015] S(t) = [Si(t)S2(t) ...Sd(t)]T
[0016] 其中，S(t)为t时刻路段的道路交通状态参数集，Si(t)为路段在时间段[t， t+At]内的第i种道路交通状态参数值，i=l，2，???(!；
[0017] 所述步骤将道路交通数据序列X(t)通过非线性映射(i)映射到高维特征空间得到 小（X(t))，则特征空间中h时刻和12时刻的道路交通数据序列高维特征的点积用Mercer 核表不为：
[0018] K(X(t:),X(t2)) = < <i>(X(t:)), <i>(X(t2)) > 〇
[0019] 再进一步，所述步骤（3)中，基于Kernel-KNN获取道路交通状态的过程如下：
[0020] 步骤3. 1 :不同道路交通数据序列的选取
[0021] 设定共选取a天的道路交通状态数据建立道路交通特征参考序列，则道路交通特 征参考序列中交通状态信息的数量为aX 。定义道路交通特征参考序列中第h个数据点 的时刻为（h?At)，则该时刻道路交通特征参考数据序列Xs(h?At)为：
[0022]Xs(h?At) =[S (h?At_(c_l) At) ...S (h?At_At)S (h?At)]T
[0023] S(h?At) = [S!(h?At)S2(h?At) ...Sd(h?At)]T
[0024] 其中，S(h?At)为（h?At)时亥lj路段的道路交通特征参考值，Si(h?At)为路 段在时间段[h?At，（h+1)At]内的第i种道路交通状态参数参考值，i= 1，2，???(!；
[0025] c-1 彡h彡（aXNM-l);
[0026] 、为当前时间刻度，则当前时刻选取的道路交通数据序列X(tN)为：
[0027] X(tN)=[S(tN-(c_l) A t)...S(tN-A t) S(tN)]T
[0028] S(tN)=[SjtN) S2(tN)...Sd(tN)]T
[0029] 步骤3. 2 :道路交通数据序列特征空间中欧式距离的获取
[0030] 通过Mercer核将多维多粒度的道路交通数据序列映射到特征空间，基于核函数 的定义，多维多粒度的道路交通数据已被映射到巾（X(t))，则道路交通特征参考数据序列 Xs(h?At)和当前道路交通数据序列X(tN)在特征空间中的欧式距离表示为：
【主权项】
1. 一种基于Kernel-KNN匹配的道路交通状态获取方法，其特征在于：所述获取方法包 括以下步骤： (1) 建立道路交通特征参考序列： 设计道路交通特征参考序列，提取具有代表性的道路交通数据并进行数据预处理，建 立道路交通运行特征参考序列； (2) 构建道路交通数据序列核函数： 选取多维多粒度的道路交通数据序列，利用核函数将道路交通数据序列映射到特征空 间，构建道路交通数据序列核函数； (3) 基于Kernel-KNN获取道路交通状态： 提取道路交通特征参考数据序列和当前道路交通数据序列，获取道路交通特征参考数 据序列和当前道路交通数据序列在高维特征空间的欧式距离，通过KNN方法选取k个最近 邻道路交通特征参考数据序列；从道路交通特征参考数据序列中，选取这k个最近邻道路 交通特征参考数据序列的下一时刻的道路交通状态，最后通过对这k个道路交通状态加权 平均获取道路交通状态。
2. 如权利要求1所述的基于Kernel-KNN匹配的道路交通状态获取方法，其特征在于： 所述步骤（1)中，假设交通流检测器采集交通状态信息的时间间隔为Δ?，单一交通流检测 器每天采集的交通状态信息的数量为N um，设定选取的时间维度为cX △ t，选取的道路交通 参数粒度为d，则t时刻选取的道路交通数据序列X (t)为： X(t) = [S(t_(c_l)At)…S(t_At)S(t)]T S(t) = [S1(t)S2(t)...Sd(t)]T 其中，S(t)为t时刻路段的道路交通状态参数集，Sdt)为路段在时间段[t，t+At]内 的第i种道路交通状态参数值，i = 1，2，···(!； 所述步骤将道路交通数据序列X(t)通过非线性映射Φ映射到高维特征空间得到 Φ (X(t))，则特征空间中h时刻和12时刻的道路交通数据序列高维特征的点积用Mercer 核表不为： K(Xa1Lxa2)) = <φ (Xa1)), φ (χα2))> 非线性映射Φ由核函数的表达形式决定。
3. 如权利要求2所述的基于Kernel-KNN匹配的道路交通状态获取方法，其特征在于： 所述步骤（3)中，基于Kernel-KNN获取道路交通状态的过程如下： 步骤3. 1 :不同道路交通数据序列的选取 设定共选取a天的道路交通状态数据建立道路交通特征参考序列，则道路交通特征参 考序列中交通状态信息的数量为aXN^，定义道路交通特征参考序列中第h个数据点的时 刻为（h · Λ t)，该时刻道路交通特征参考数据序列Xs (h · Λ t)为： Xs (h · Δ t) = [S (h · Δ t_ (c-Ι) Δ t)…S (h · Δ t_ Δ t) S (h · Δ t) ]τ S(h· At) = [S1Qi* At)S2(h· At)…Sd(h· Δ?)]τ 其中，S(h · At)为（h · At)时刻路段的道路交通特征参考值，SiQi · At)为路 段在时间段[h · At，（h+1) At]内的第i种道路交通状态参数参考值，i = 1，2，···(!； c-Ι h (aX Num-I)； 、为当前时间刻度，则当前时刻选取的道路交通数据序列X(tN)为： X(tN) = [S(tN-(c-l)At)...S(tN-At)S(tN)] T S(tN) = [S1(tN)S2(tN)~Sd(t N)]T 步骤3. 2 :道路交通数据序列特征空间中欧式距离的获取 通过Mercer核将多维多粒度的道路交通数据序列映射到特征空间，基于核函数的 定义，多维多粒度的道路交通数据已被映射到Φ (X(t))，则道路交通特征参考数据序列 XsQ1 · At)和当前道路交通数据序列X(tN)在特征空间中的欧式距离表示为：
步骤3. 3 :道路交通状态的获取 (3.3. 1)利用距离公式，计算当前道路交通数据序列与道路交通特征参考数据序列之 间的核距离，选取距离当前道路交通数据序列的k个最近邻道路交通特征参考数据序列 Xs(gi · Δ t)，1 彡 i 彡 k，c-1 彡 g# (aXN^-l); (3. 3. 2)从道路交通特征参考数据序列中，选取这k个最近邻道路交通特征参考数据 序列的下一时刻的道路交通状态，记为S((gi+1) At)，l彡i彡k，c_l彡g# (aXN'1); (3. 3. 3) tN+ △ t时刻的道路交通状态:5(：以+ Δ/〇.通过下式获得:
其中，Ui为第i个道路交通状态的权重值，其与当前道路交通数据序列与道路交通特 征参考数据序列在特征空间的欧式距离成反比。
【专利摘要】一种基于Kernel-KNN匹配的道路交通状态获取方法，首先提取具有代表性的道路交通数据，经过数据处理后建立道路交通运行特征参考序列；然后选取道路交通数据序列，并构建道路交通数据序列的Mercer核；最后选取道路交通特征参考数据序列和当前道路交通特征序列，获取道路交通特征参考数据序列和当前道路交通特征序列在特征空间的欧式距离，通过KNN方法选取k个道路交通状态，最后通过加权平均获取道路交通状态。最终实现对道路交通运行状态实时、有效的动态估计。本发明提供了一种有效获取道路交通状态、准确性较好的基于Kernel-KNN匹配的道路交通状态获取方法。
【IPC分类】G08G1-01
【公开号】CN104751630
【申请号】CN201410852124
【发明人】徐东伟, 王永东, 周晓根, 张贵军, 冯远静, 郝小虎, 陈铭
【申请人】浙江工业大学
【公开日】2015年7月1日
【申请日】2014年12月31日