将之分别作为为基准数据、训练数据和实时数据。对训练数据和基准数据的差值数据进行 阈值化处理，将处理后的差值数据进行LZW编码实现道路交通数据压缩。基于压缩比，选取 最佳阈值。利用最佳阈值对道路交通实时数据和基准数据的差值数据进行最佳阈值处理， 将处理后的差值数据进行LZW编码实现数据压缩。通过LZW解码实现差值数据的重构，结合 基准数据，实现道路交通空间实时数据的重构。
[0049] 本方法仅在数据之间作减法处理，实现简单，不需要进行大量复杂的数据计算，可 以有效的提高处理速度。
[0050]本发明的有益效果主要表现在:通过将同一模态Mgh下道路交通空间训练数据和基 准数据的差值数据进行阈值化处理，结合LZW编码技术，实现道路交通空间差值数据的压 缩，根据差值数据的压缩比，确定最佳阈值。通过将最佳阈值引入到同一模态M gh下道路交通 空间实时数据和基准数据的差值数据当中，实现差值数据的阈值化处理，结合LZW编码技 术，实现道路交通空间差值数据的压缩，间接实现道路交通空间实时数据的压缩。通过对压 缩后的差值数据进行LZW解码，获得重构的差值数据，结合基准数据，实现道路交通空间实 时数据的重构。
【附图说明】
[0051 ]图1是道路交通运行模态划分示意图。
[0052]图2是道路交通信息模板的时间格式的示意图。
[0053] 图3是基于LZW编码的道路交通空间数据压缩方法的流程图。
[0054] 图4是基于LZW解码的道路交通空间数据重构方法的流程图。
【具体实施方式】
[0055] 下面结合附图对本发明作进一步描述。
[0056] 参照图1~图4,一种基于LZW编码的道路交通空间数据压缩方法，包括以下步骤：
[0057] 1)获取同一模态下、空间上的不同路段的道路交通数据建立道路交通特征参考序 列，基于空间相关性分析，选择基准路段，并将其数据作为空间上的道路交通基准数据，包 括如下步骤：
[0058] 1.1)道路交通运行模态的划分
[0059]道路交通运行模态的划分分为两个层次:路网层和路段层，设定路网层的交通运 行模态的划分标识将道路的交通运行模态划分为g种子模态，路段层的交通运行模态的划 分标识将道路的交通运行模态划分为h种子模态，则道路的交通运行模态一共划分为g X h 种，记为集合Μ- = {M11，M12，···，Mgh}，其中g和h的取值根据所选交通运行模态的划分标识 确定。路网层的交通运行模态的划分标识，主要是指不同日期对道路交通运行模态的影响 因素。路段层的交通运行模态的划分标识，主要是指路段所处具体的外界环境对具体路段 交通运行模态的影响因素。其示意图如图1所示。
[0000] 1.2)设计道路交通特征参考序列的结构
[0061] 设定道路交通状态数据的采集周期是At，则道路交通信息模板的时间格式如图2 所示。
[0062] 道路交通特征参考序列的表格式如表1和表2所示。
[0063] 衷1.道路交通特征参考序列信息衷
[0064]
[0065] 表2.道路交通特征参考序列描述表
[0066]
[0067] 设定共选定p条具有空间相关特性的路段，记为：
[0068] L=[LiL2...Lp] (1)
[0069] 其中，p表示道路空间上的路段条数;U(1 Si <p)表示第i条路段;L表示选择的具 有空间相关特性路段的集合。
[0070] 1.3)基于相关性分析，选取基准路段，获得空间上的基准数据
[0071] 道路交通流具有周期性、相似性、相关性等特征。空间路段的道路交通流之间存在 空间关联关系，具有很高的相关性。故基于道路交通空间数据的相关性，选择基准路段，提 取基准路段的数据作为基准数据。
[0072] 2)提取空间上其它路段的数据，作为训练数据;模态Mgh下、基于空间上的道路交通 基准数据，获取道路交通差值数据并进行阈值处理，通过LZW编码训练最优阈值，其一般表 达式如下：
[0073] Si(m* Δ t，Mgh) =STi(m* Δ t，Mgh)-SB(m* Δ t，Mgh) (2)
[0074] ei(m，Mgh) = [Si( Δ t，Mgh)Si(2*A t，Mgh)."Si(m*A t，Mgh)] (3) _5]
(4)
[0076] pei(n，Mgh) =w(hei(m，Mgh)) (5)
[0077] pei(n，Mgh) = [Si'（l，Mgh)Si'（2，Mgh)...Si'（n，Mgh)] (6)
[0078] 其中，△ t为道路交通状态数据的采集周期；（m* △ t)为第m个道路交通状态数据采 集周期，(^ m<N，N表示每天采集的交通信息的数量；i(l<i<p)表示选取第i条路段;SI\ (m* Δ t，Mgh)表示模态Mgh下、(m* Δ t)时亥Iji路段的道路交通数据;SB(m* Δ t，Mgh)表示模态Mgh 下、(m* Δ t)时刻基准路段的基准数据;Si(m* Δ t，Mgh)表示模态Mgh下、（m* Δ t)时亥Iji路段的 训练数据与基准路段的基准数据的差值数据;ei(m，Mgh)表示模态M gh下、At到(m*At)时段i 路段的训练数据与基准路段的基准数据的差值数据;hei(m，Mgh)表示模态Mgh下、Δ t到(m* Δ t)时段阈值处理的i路段的训练数据与基准路段的基准数据的差值数据;Edmjgh)表示模 态Mgh下、Δ t到(m* Δ t)时段i路段选取的阈值;pei(n，Mgh)表示模态Mgh下、Δ t到(m* Δ t)时 段i路段与基准路段的差值数据经LZW编码后的结果;Si'（n，Mgh)为模态Mgh下、Δ t到(m* Δ t) 时段i路段与基准路段的差值数据经LZW编码后的结果中第η个数据;m表示在模态Mgh下、Δ t 到(m* At)时段压缩前的i路段与基准路段的差值数据的数量;η表示在模态Mgh下、At到(m* A t)时段压缩后的道路交通数量;w表示LZW编码;压缩比为$ η °
[0079] 3)提取空间上的其它路段的数据，作为实时数据;模态Mgh下、基于空间上的道路交 通基准数据，，获取道路交通差值数据，其一般表达式如下：
[0080] MSj(m*At，Mgh)=SMj(m*At，Mgh)-SB(m*At，Mgh) (7)
[0081] errj(m，Mgh) = [MSj( Δ t，Mgh)MSj(2*A t，Mgh)...MSj(m*A t，Mgh)] (8)
[0082] 其中，j(l < i < p)表示第j条路段;SMj(m* Δ t，Mgh)表示模态Mgh下、(m*A t)时亥Ijj路 段的实时数据;MSj(m* Δ t，Mgh)为模态Mgh下、(m* Δ t)时刻j路段的实时数据与基准路段的基 准数据的差值数据;e^(m，Mgh)为模态Mgh下、Δ t到(m* Δ t)时段j路段的实时数据与基准路 段的基准数据的差值数据。
[0083] 4)基于LZW编码实现道路交通空间数据的压缩，将i路段与基准路段的差值数据训 练的最佳阈值引入到同一模态仏^」路段与基准路段的差值数据中，结合LZW编码，实现j路 段与基准路段差值数据的压缩，一般表达式如下： _
) (9)
[0085] perrj(Tn，Mgh) =w(herrj(m，Mgh)) (10)
[0086] perr j (Τη，Mgh) = [ MS j '（ 1，Mgh) MS j '（ 2，Mgh) ...MS j '（ Τη，Mgh) ] (11)
[0087] 其中，E〇Pt(Mgh)表示训练的最优阈值;herrj(m，M gh)表示模态Mgh下、A t至lj(m* Δ t) 时段j路段的实时数据与基准路段的基准数据的差值数据;m表示模态Mgh下、At到(m* At) 时段压缩前j路段与基准路段的差值数据的数量;pe^(Tn，Mgh)表示模态Mgh下、Δ t到(πι*Δ t)时段压缩后j路段与基准路段的差值数据的数量;Τη表示模态Mgh下、At到(m* At)时段j 路段与基准路段的差值数据压缩后的数量;MS/(Tn，Mgh)表示模态Mgh下、At到(m*At)时段 j路段与基准路段的差值数据压缩结果的第Τη个数据;压缩比为
[0088]参照图4,基于LZW解码的道路交通空间数据重构步骤：
[0089]基于LZW解码技术实现道路交通空间数据重构，针对压缩后的差值数据进行LZW解 码，获取道路交通空间上的实时数据和基准数据的差值数据，结合基准数据，实现道路交通 空间数据的解压缩，其一般表达式如下：
[0090] dperrj(m，Mgh) =w'（perrj(Tn，Mgh)) (12)
[0091] CSMj(m，Mgh) =SB(m，Mgh)+dper;rj(m，Mgh) (13)
[0092] 其中，w'表示LZW的反解码;dperrj(m，Mgh)表示模态Mgh下、Δ t至lj(m* Δ t)时段解码 后的j路段与基准路段的差值数据;CSMj(m，Mgh)表示模态Mgh下、At到(m*At)时段重构的j 路段的道路交通实时数据。
[0093] 实例:一种基于LZW编码的道路交通空间数据压缩方法，包括以下步骤：
[0094] 1)获取同一模态下、空间上不同路段的道路交通