基于特征参数加权gefcm算法的高速公路地点交通状态估计方法
【技术领域】
[0001] 本发明属于道路交通控制系统技术领域，具体的为一种高速公路地点交通状态估 计方法。
【背景技术】
[0002] 随着高速公路在我国交通运输中占的重要性越来越大，伴随着出现的交通拥堵、 交通事故、环境污染等问题也越来越严重。无论是交通管理者还是出行者对交通的信息化 管理需求都在逐渐增加，因此，如何利用现有的检测设备，尽可能有效准确地实现高速公路 交通状态的估计，实时准确的把握当前道路的交通状况是高效管理与服务的前提，具有重 要的理论研宄和实际应用意义。
[0003] 高速公路上安装了各种用于交通数据采集的设备，如固定检测器、视频检测器、浮 动车等。但是，由于覆盖面、成本等各种各样的原因，使得目前在对于高速公路交通状态估 计的研宄中使用较多的是固定型检测器的数据，基于固定检测器数据的地点交通状态估计 方法也是多种多样的：
[0004] (1)交通运输系统工程与信息（第5卷第1期，2005年2月）公开了一种基于模 糊聚类的快速路交通流状况分类方法，其利用模糊聚类的方法对交通流状况的分类进行了 研宄，实验结果表明：用模糊聚类进行交通流状况分类是一种可行的方法，不同的交通流参 数对于分类的影响不同，在速度很高、速度很低或者占有率很大的情况下可直接判断交通 流状况，其他情况下需要根据交通流三个变量来综合判断；
[0005] (2)Transportationscience(第 41 卷第 2 期，2007 年 5 月）公开了一种基于扩 展卡尔曼滤波的高速公路交通状态估计方法，其以安装在高速公路特定路段上的检测器检 测的数据为输入，通过设计的随机宏观交通流模型，并借助于扩展卡尔曼滤波的方法实现 对道路交通状态的判别，实验结果表明该方法能在一定程度上反映实际道路上交通状态的 变化；
[0006] (3)交通运输工程与信息学报（第5卷第3期，2007年9月）公开了一种基于遗 传动态模糊聚类的道路交通状态判定方法，其通过遗传算法不断优化交通流参数间的模糊 相似性与样本间的欧氏距离的映射，实现了动态的模糊聚类，实验结果表明该方法的有效 性与可行性；
[0007] (4)公路工程（第33卷第2期，2008年4月）公开了一种基于模糊的城市快速路 交通流状态判别方法，其根据交通状态的模糊特征，结合基于知识的模糊系统，提出了用于 交通状态划分的模糊集和模糊规则，并将交通状态划分为五种类别，该方法可以动态的显 示路网的交通拥挤范围，为实施交通信息发布以及后期交通瓶颈的判别和改善提供依据；
[0008] (5)系统工程（第28卷第8期，2010年8月）公开了一种基于FCM-粗糙集的城 市快速路交通状态判别方法，其针对城市快速路的交通状态的特性，重点研宄了对快速路 的常发性拥挤的判别，实验结果表明模型在一定条件下可行，能够有效处理海量多源传感 器数据，具有较高的判别率和较低的误判率。
[0009] 纵观以上各种基于固定检测器数据的方法，大多采用速度、流量、占有率三参数进 行聚类分析，进而对交通状态进行判断。聚类分析主要是对历史样本数据的分析，使得相同 类别属性下的数据之间的相关性大，不同类别之间的数据相关性小，但是通过对历史样本 的分析可以发现，样本的空间分布存在着不均衡性，即不同状态类别的样本容量存在差异， 而传统的FCM在聚类时对样本数量敏感，这样在对这类数据进行聚类时会产生误判。此外， 还可以发现不同的交通流参数对于聚类时的影响不一样，因此，在采用聚类分析估计交通 状态时需要考虑不同类别样本数量的差异性和不同交通流参数的差异性，这样才能更为科 学、合理的估计交通状态。
【发明内容】
[0010] 有鉴于此，本发明的目的在于提供一种基于特征参数加权GEFCM算法的高速公路 地点交通状态估计方法，能够考虑到历史样本中数据分布不均衡性和不同特征参数权重的 差异性特点，通过调整聚类的目标函数，进而优化聚类模型，从而达到交通状态估计的目 的，提尚状态估计的可靠性。
[0011] 为达到上述目的，本发明提供如下技术方案：
[0012] 基于特征参数加权GEFCM算法的高速公路地点交通状态估计方法，包括以下步 骤：
[0013] 1)获取高速公路微波车检器采集得到的车流量、平均车速和平均占有率这三种特 征参数的历史数据，构成样本矩阵；
[0014] 2)对步骤1)获取的数据进行预处理，所述预处理包括错误数据的识别与剔除、数 据的修复、数据滤波处理；
[0015] 3)确定三种特征参数在聚类分析时的权重；
[0016] 4)对历史数据进行聚类分析；
[0017] 5)当获取到当前断面的交通流参数时，实时估计交通状态。
[0018] 进一步，所述步骤2)中，具体采用如下方法进行错误数据的识别与剔除：
[0019] 在一个数据更新周期内，设定总车流量数据的阀值范围为[0，Q_]，平均车速的阀 值范围为[0，vmax];若采集到的总车流量数据或平均车速的数据不在对应的阀值范围内时， 则表明该组数据不可靠，并将其剔除；若采集到的总车流量数据和平均车数的数据均落在 对应的阀值范围内时，则表明该组数据可靠，保留该组数据；其中，Q_、V_分别表示在一个 数据更新周期内的流量最大值和速度最大值；
[0020] 根据交通流理论建立错误数据判断规则，即剔除规则；然后，判断采集的数据序列 是否满足剔除规则；当满足剔除规则时，将对应的数据需剔除；当不满足剔除规则时，保留 对应的数据。
[0021] 进一步，所述步骤2)中，通过下式对数据进行修复：
[0022] -v(/) = a 4/ -1) +(1- ?) x\i)
[0023] 其中，为t时段的数据修复值；x(t-l)为（t-1)时段的实际检测值；x' (t)为 同一时刻前n天的采集数据的历史均值；a为遗忘因子，ae[0，1];
[0024] 进一步，通过下式对数据进行滤波处理：
[0025]St=aXt+(l-a)Sh
[0026] 式中，St为t时段得到的一次指数平滑值；St_i为t-1时段得到的一次指数平滑值； 1为t时段得到的观测值；aE[0, 1]为平滑系数。
[0027] 进一步，所述步骤3)具体包括如下步骤：
[0028] 31)将通过步骤2)预处理的车流量、平均车速和平均占有率这三种特征参数构成 的样本矩阵X进行Z-score标准化，得到标准化之后的矩阵Z;