通流预测精度的指标，其计算公式分别如下所示：
[0146] 其中，CRj(Mgh)为模态Mgh下、At到(m*At)时段j路段的压缩比;CMa(M gh)为模态Mgh 下、压缩前数据数量，CMb(Mgh)为模态Mgh下、压缩后的数据数量，yj(m，Mgh)为模态Mgh下、A t 到(m* At)时段j路段实时数据与重构后的实时数据的误差值，$〇/#)为平均误差。
[0147] 实验路段2011年6月14、18、19、25、26日速度值的压缩结果统计分析如下表4所示。 rni4Rl
[0149]表4。
【主权项】
1. 一种基于LZW编码的道路交通空间数据压缩方法，其特征在于所述方法包括如下步 骤： 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； 2) 提取同一模态下、空间上其它路段的历史数据，作为训练数据，基于同一模态下、空 间上的道路交通基准数据，确定空间道路交通差值数据的最优阈值； 3) 获取同一模态下、空间上其它路段的实时数据，作为实验数据，基于同一模态下、空 间上的道路交通基准数据，获取空间上的道路交通差值数据； 4) 基于LZW编码实现空间道路交通差值数据的压缩； 5) 基于LZW解码实现空间道路交通实时数据的重构。2. 如权利要求1所述的一种基于LZW编码的道路交通空间数据压缩方法，其特征在于： 所述步骤1)包括如下步骤： 1.1) 道路交通运行模态的划分 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_= {Ml 1，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； 1.2) 设计道路交通特征参考序列的结构 设定道路交通状态数据的采集周期是A t; 道路交通特征参考序列的表格式如表1和表2所示： 表1.道路交通特征参考序列信息表 参考序列II)投态路段ID时间道路交通状态参数 灰2.道路交通特征参考序列描述表 参^^序列ID 参考序列名称 描述 设定共选定P条具有空间相关特性的路段，记为： L=[LiL2…LP] (1) 其中，P表示道路空间上的路段条数;1^(1 < i < 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； 1.3) 道路交通空间基准数据的获取 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，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道路交通基准数据。3. 如权利要求1或2所述的一种基于LZW编码的道路交通空间数据压缩方法，其特征在 于:所述步骤2)中，提取空间上其它路段的数据，作为训练数据;模态M gh下、基于空间上的道 路交通基准数据，获取同一模态Mgh下、空间上的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： Si(m* A t，Mgh) = STi(m* A t，Mgh)-SB(m* A t，Mgh) (2) ei(m，Mgh) = [Si( Δ t，Mgh)Si(2*A t，Mgh)."Si(m*A t，Mgh)] (3) r , ^(^Mgh)<E.(m,Mgh) her(m,M Qh)-\ ?Λ\ ]c; {nu /V/ ,r/;), e. (m, M ,r；,) > t: (m, M：/li) (4) pei(n，Mgh) =w(hei(m，Mgh)) (5) pei(n，Mgh) = [Si，（l，Mgh)Si，（2，Mgh).-.Si，（n，Mgh)] (6) 其中，A 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，OSmdN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;STdn^A t，Mgh)表示模态Mgh下、（m* Δ t)时亥丨」i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，M gh)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（n，Mgh)为模态Mgh下、Δ t到(πι*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、△ t到(m* A t)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、△ t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 °4. 如权利要求3所述的一种基于LZW编码的道路交通空间数据压缩方法，其特征在于： 所述步骤3)中，提取空间上其它路段的数据，作为实时数据;模态M gh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： MSj(m* Δ t，Mgh) = SMj(m* Δ t，Mgh)-SB(m* Δ t，Mgh) (7) errj(m，Mgh) = [MSj( Δ t，Mgh)MSj(2* Δ t，Mgh)."MSj(m* Δ t，Mgh) ] (8) 其中，j (1 < i < p)表示第j条路段;SMj (m* Δ t，Mgh)表示模态Mgh下、(m* Δ t)时亥lj j路段的 实时数据;MSj(m* Δ t，Mgh)为模态Mgh下、(m* Δ t)时亥Ijj路段的实时数据与基准路段的基准数 据的差值数据;em(m，Mgh)为模态Mgh下、At到(m*At)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。5. 如权利要求4所述的一种基于LZW编码的道路交通空间数据压缩方法，其特征在于： 所述步骤4)中，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M gh、j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，其一般表达式如下： m， ?h [m;. (m, Mgh), m;. (m, Mgb) > Eopt (Mgh) (9) perrj(Tn，Mgh) =w(herrj(m，Mgh)) (10) perrj(Tn，Mgh) = [MSj'（l，Mgh)MSj'（2，Mgh)."MS j'（Tn，Mgh)] (11) 其中，E〇pt(Mgh)表示训练的最优阈值;herr j(m，Mgh)表示模态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;m表示模态Mgh下、△ t到(m* △ t)时段压 缩前j路段与基准路段的差值数据的数量;perrj(Tn，Mgh)表示模态Mgh下、Δ t到(m*A 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、△ t到(m* △ t)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6.如权利要求5所述的一种基于LZW编码的道路交通空间数据压缩方法，其特征在于： 所述步骤5)中，基于LZW解码技术，对j路段与基准路段的差值数据进行重构，结合基准数 据，实现j路段实时数据的解压缩，其一般表达式如下： dperrj(m，Mgh) =w' (perrj(Tn，Mgh)) (12) CSMj(m,Mgh) = SB(m,Mgh)+dperrj(m,Mgh) (13) 其中，w'表示LZW的反解码;dperrj(m，Mgh)表示模态Mgh下、Δ t到(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。
【专利摘要】一种基于LZW编码的道路交通空间数据压缩方法，首先，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；其次，提取同一模态下、空间上其它路段的历史数据，作为训练数据，基于同一模态下、空间上的道路交通基准数据，确定空间道路交通差值数据的最优阈值；然后，获取同一模态下、空间上其它路段的实时数据，作为实验数据，基于同一模态下、空间上的道路交通基准数据，获取空间上的道路交通差值数据；最后，通过LZW编码及解码，实现道路交通差值数据压缩及重构。本发明能简化算法、提升处理速度。
【IPC分类】G08G1/01, H03M7/30
【公开号】CN105469601
【申请号】CN201510901435
【发明人】徐东伟, 王永东, 张贵军, 李章维, 周晓根, 郝小虎
【申请人】浙江工业大学
【公开日】2016年4月6日
【申请日】2015年12月9日