一种考虑速度离散特性的高速公路交通状态估计方法
【专利摘要】本发明公开了一种考虑速度离散特性的高速公路交通状态估计方法，包括以下步骤：S1：设置速度离散特性指标及交通流特征参数；S2：获取交通流数据并利用RelielfF方法对交通流特征参数进行加权；S3：利用人工蜂群算法对交通流特征参数的聚类中心进行优化；S4：输出优化聚类中心并确定交通估计状态。本发明基于模糊C均值算法，通过引入速度离散特征参数，并根据不同特征对状态估计结果的贡献程度不同，利用ReliefF方法确定特征权重，并利用人工蜂群方法进行聚类初值点的优化，而实现了高速公路交通状态的估计。
【专利说明】
-种考虑速度离散特性的高速公路交通状态估计方法
技术领域
[0001] 本发明设及高速公路交通状态检测领域，具体设及一种考虑速度离散特性的高速 公路交通状态估计方法。
【背景技术】
[0002] 随着我国国民经济的发展，人均车辆保有量持续增长，道路车流量也在持续增加， 由于我国高速公路在时间和空间上存在着分布不均匀性，导致了高速公路交通拥挤及交通 事故频频发生，公路整体服务性能大大降低。高速公路交通状态的准确估计，可W为道路出 行者和管理者提供有效的交通信息，W便及时调整出行路线和进行及时的管控措施，有效 减少交通拥挤，避免二次交通事故的发生。
[0003] 实际交通环境中，由于加速、减速，超车和换道的频繁，导致不同车辆之间的行驶 速度差异较大，运种交通流个体车辆速度存在差异的特性叫做速度离散特性。有研究表明， 运种速度离散的现象会严重影响道路的通行能力并危害交通安全。尽管已经意识到车速离 散对交通运行会产生严重影响，但由于受到过去检测条件的限制，人们对车速离散特性与 交通运行状态之间的关系缺乏系统的认识，在估计道路运行状态的过程中，仍采用宏观交 通参数(平均车速、流量和占有率)宏观交通流参数仅从平均，累计的角度来反映交通状态， 并不能反映整体状态信息里存在的不稳定性和个体差异性。车速离散运种客观存在的现 象，往往被宏观参数所"平均"，所"掩盖"了，从而忽略了真实交通环境下车辆之间运行状态 的差异，因此不能对交通运行状态信息进行的全面掌握，所估计的交通状态常常不能与人 们的主观感受相一致。
[0004] 现有的高速公路交通拥堵判别方法多采用交通流量、占有率、平均车速等宏观交 通流参数，而没有将交通流状态和车速离散特征进行联系。因此，如何W速度离散特性作为 切入点，建立更为准确可靠的高速公路交通状态估计方法有着重要的理论和实践意义。
【发明内容】
[0005] 本发明的目的是提出一种考虑速度离散特性的高速公路交通状态估计方法。该方 法针对传统交通状态估计方法仅利用宏观交通流参数，忽略了个体车辆行驶状态差异，难 W完整的掌握交通状态信息，导致估计状态不能全面反映实际交通状况的缺点。
[0006] 本发明的目的是通过W下技术方案来实现的：
[0007] 本发明提供的一种考虑速度离散特性的高速公路交通状态估计方法，包括W下步 骤：
[000引S1:设置速度离散特性指标及交通流特征参数；
[0009] S2:获取交通流数据并利用Reliel巧方法对交通流特征参数进行加权；
[0010] S3:利用人工蜂群算法对交通流特征参数的聚类中屯、进行优化；
[0011] S4:输出优化聚类中屯、并确定交通估计状态。
[0012] 进一步，所述速度离散特性指标包括速度标准差，所述速度标准差按照W下公式 来计算相对速度标准差：
[0013]
[0014] 式中，Vi为第i辆车的速度，?；为统计时间内的η辆车的平均车速。
[0015] 进一步，所述利用Reliel巧方法对交通流特征参数进行加权，具体步骤如下：
[0016] St邱21:初始化权重w = 0;
[0017] Step22:选取集合X中的任意一个样本XI，分别找出与其类别一致和不一致的R个 最邻近样本hj和mij;分别计算xi与hj、nHj在特征上的差异；
[0020] 其中，diff_hit是S X 1的矩阵，表示Xi与hj在特征上的差异;diff_miss也是S X 1的 矩阵，表示111。与义1在特征上的差异;p(l)为第1类出现的概率，class(Xi)表示XI所属的类别；
[0021] St邱23:按照W下公式来计算权重矩阵W:
[0022] w=w-diff_hit+diff_miss ；
[0023] 其中，W表示权重矩阵；
[0024] Step24:取下一个样本i = i+l，直到η个样本全部都参与计算；
[0025] Step25:获取并输出权重矩阵W;并按照W下公式计算隶属度矩阵和聚类中屯、矩 阵：
[0028] 其中，uik表示第k个样本对第i类的隶属度;Xk表示第k个样本;Pi表示第i类聚类中 屯、;C表示聚类个数;η表示样本个数；
[0029] St邱26:按照W下公式计算得到基于Relie巧特征加权的FCM的目标函数：
[0030]
[003。 其中，Jm(U，P)表示FCM的目标函数;J康示第i类的目标函数;瑣表示第j个样本对 第C类的隶属度;W表示为第f个特征的权重;XW表示第j个样本的第f个特征;Pii表示第1类 的i个聚类中屯、。
[0032]进一步，所述人工蜂群算法采用基于ABC优化FCM聚类中屯、;具体步骤如下：
[0033] Step31:初始化算法输入参数:聚类类别数c，蜜源数目SN，限制次数Limit和最大 循环次数MCN，令初始周期teyele = 0 ;
[0034] St邱32:随机初始化隶属度矩阵U，并计算初始聚类中屯、pij及其适应度；
[0035] St邱33:求解领域内的最新解vu及其适应度，若vu的fit(vij)大于町的fit(町）， 则Xji = jiV ;否则，町不发生变化；
[0036] St邱34:计算义4的适应度，并计算概率值Kij;
[0037] Step35:跟随蜂则根据Κυ选择食物源，并计算领域的新解与适应度，若vリ的fit (ν：?j；)大于XU的f it(xij)，则xij = Vij;否则，xij不发生变化；
[0038] Step36:判断在Limit的次数内，是否出现局部最优解，若出现，则丢掉次解，并产 生解代替XU;否则，不发生变化；
[0039] Step37:若迭代次数大于最大限制次数MCN，则完成优化过程，输出最优聚类中屯、 集合Cij ;否则转到步骤33 ,并令tGyGle = tcycle+l。
[0040] 进一步，所述交通估计状态的确定按照W下步骤具体进行：
[0041 ] Step41:确定样本输入特征X、聚类个数、最大迭代次数T和允许误差范围ε ;
[0042] St邱42:确定特征权重向量W;
[0043] St邱43:确定初始聚类中屯、C;
[0044] Step44:按照W下公式计算目标函数并决定聚类结果模糊度的权重指数：
[0045]
[0046] 其中，竭表示;s.t.表示;k表示；
[0047] St邱45:根据下式子计算隶属度矩阵UW :
[004引
[0049]其中，dik表示样本a与第i类聚类中屯、向量Pi之间的距离；
[(K)加]St邱46:根据下式计算隶属度矩阵pW :
[0化1 ]
7
[0052] Step47:若满足llpW-ptWl |<ε或者当t = T时，则停止迭代，输出聚类中屯、矩阵P 和隶属度矩阵U;否则，令t = t+1，返回St巧45。
[0053] 由于采用了上述技术方案，本发明具有如下的优点：
[0054] 本发明基于模糊C均值算法，通过引入速度离散特征参数，并根据不同特征对状态 估计结果的贡献程度不同，利用ReliefF方法确定特征权重，并利用人工蜂群方法进行聚类 初值点的优化，而实现了高速公路交通状态的估计。
[0055] 本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并 且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可 W从本发明的实践中得到教导。本发明的目标和其他优点可W通过下面的说明书来实现和 获得。
【附图说明】
[0056] 本发明的【附图说明】如下。
[0057] 图1示出了考虑速度离散度的改进FCM的交通状态估计算法。
【具体实施方式】
[0058] 下面结合附图和实施例对本发明作进一步说明。
[0化9]实施例1
[0060] 本实施例提供的考虑速度离散特性的高速公路交通状态估计方法，克服了传统基 于模糊C均值的聚类方法的高速公路交通状态估计方法的不足，具体如下所述：
[0061] (1)交通特征参数选取的问题。在传统交通状态估计中，仅仅依靠宏观参数不能有 效的描述交通状态的差异性。速度离散特性作为交通流特性的基本特征，能够对交通状态 的稳定性和差异性进行很好的描述，因此，将速度离散引入交通状态估计有重要的意义。同 时，不同交通流特征参数表征交通状态的能力也不相同，合理的确定不同参数对状态变化 的影响程度能够进一步提高状态的估计精度。
[0062] (2)初始聚类中屯、的问题。初试聚类中屯、的选择对聚类效果将产生巨大的影响，如 果选择不恰当，不但会增加算法时间和空间复杂度，还可能导致算法收敛于次优解，最终的 交通状态估计结果不理想。
[0063] 因此，本方法首先引入速度离散度指标，然后采用ReliefF算法，根据交通状态参 数对分类结果的影响程度，确定各个特征指标的权重值。
[0064] 同时，应用人工蜂群算法对初试聚类中屯、的选取进行优化，W弱化随机聚类中屯、 导致的算法稳定性能差、容易陷入局部最优的缺陷。
[0065] 本方法主要通过W下步骤来实现高速公路交通状态估计方法，包括如下步骤：
[0066] 步骤一:速度离散特性指标及交通流基本参数的获取
[0067] 由于W往的高速公路交通状态估计方法中并未考虑到车速离散程度指标，因此， 本发明中首先需要对速度离散特性进行定义，提出一种适于描述车速离散程度方法。通过 检测路段的单车的行程车速，来计算所提出的相对速度离散度指标ASD。同时，通过检测设 备获取检测路段的交通流平均车速，流量数据。
[0068] 步骤二:利用Reliel巧方法对交通流特征参数进行加权
[0069] 利用ReleifF特征加权方法对步骤一所获取的Ξ种交通流表征参数(平均车速、流 量、相对离散度)对交通状态估计的影响程度进行加权，分别计算各个特征对交通状态的影 响权重，W期确定参与聚类的特征权重矩阵。
[0070] 步骤Ξ:利用人工蜂群算法对初试聚类中屯、进行优化
[0071] 利用人工蜂群算法对聚类中屯、进行优化，W期获得局部最优的初试聚类中屯、，W 弱化随机聚类中屯、导致的算法稳定性能差、容易陷入局部最优的缺陷。
[0072] 步骤四：输出最终聚类中屯、，确定估计状态
[0073] 进一步，再通过模糊C均值聚类方法输出最终聚类中屯、矩阵，并WEuclid距离对样 本类别进行划分，对输入样本进行归类。
[0074] 实施例2
[0075] 本实施例提供的基于速度离散特性的高速公路交通状态估计方法，考虑了速度离 散特征对交通状态的影响，通过引入速度离散特性指标，并对传统的FCM聚类方法进行改 进，W提高高速公路交通状态估计的效果，具体包括W下步骤：
[0076] -、速度离散特性指标及交通流基本参数的获取
[0077] 本发明针对考虑速度离散特性的高速公路交通状态估计，提出一种适于速度离散 程度的描述方法。
[0078] 速度标准差作为反映检测时间内不同车速之间差异性的指标，形式简单且合理。 但在平均车速差距较大的情况下，直接利用速度标准差不能反映出离散程度的大小。因此， 本发明在相对的角度提出了相对速度标准差，假设统计时间内η辆车通过实验路段，则相对 速度标准差定义如下：
[0079]
[0080] 上式中，Vi为第i辆车的速度，；；为统计时间内的η辆车的平均车速。
[0081] 进一步，在获取了速度离散特性指标基础上，利用车检设备可W获得检测路段的 平均车速V，流量q。
[0082] 二、利用Re 1 ie 1巧方法对交通流特征参数进行加权
[0083] 本发明采用Relie巧特征加权来确定各个交通流特征权重。Relie巧算法流程如下 所示：
[0084] Stepl:初始化权重w = 0。
[0085] Step2:选取集合X中的任意一个样本XI，分别找出与其类别一致和不一致的R个最 邻近样本hj和mij;分别计算xi与hj、mu在特征上的差异。
[008引其中，diff_hit是S X 1的矩阵，表示Xi与hj在特征上的差异;diff_miss也是S X 1的 矩阵，表示111。与义1在特征上的差异;p(l)为第1类出现的概率，可W用该类出现的样本数与 数据集中的总样本数的比得到，C lass (xi)表示xi所属的类别。
[0089] Step3:计算权重矩阵W，其计算公式如下：
[0090] w=w-diff_hit+diff_miss
[0091 ] Step4:取下一个样本i = i+l，直到η个样本全部都参与计算。
[0092] steps:输出 W。
[0093] 根据所得特征加权向量W，隶属度矩阵和聚类中屯、矩阵表示为：
[0096] 最后得到基于Relie巧特征加权的FCM的目标函数为：
[0097]
[0098] Ξ、利用人工蜂群算法对初试聚类中屯、进行优化
[0099] 本发明采用人工蜂群(Adificial Bee Colony,ABC)方法优化传统FCM算法的初 试聚类中屯、，
[0100] 基于ABC优化FCM聚类中屯、的具体步骤如下：
[0101] Stepl:初始化算法输入参数:聚类类别数C，蜜源数目SN，限制次数Limit和最大循 环次数MCN，令初始周期teyele = 0。
[0102] Step2:随机初始化隶属度矩阵U，并计算初始聚类中屯、PU及其适应度。
[0103] Step3:根据公式5.15求解领域内的最新解乂^及其适应度，若乂^的^*(乂^)大于又" 的fit(xij)，则xu = vij;否则，xij不发生变化。
[0104] Step4:计算叫的适应度，并计算概率值Kij。
[0105] steps:跟随蜂则根据Κυ选择食物源，并计算领域的新解与适应度，若VU的fit (ν：?j；)大于XU的f it(xij)，则xij = Vij;否则，xij不发生变化。
[0106] steps:判断在Limit的次数内，是否出现局部最优解，若出现，则丢掉次解，并产生 解代替XU;否则，不发生变化。
[0107] Step7:若迭代次数大于最大限制次数MCN，则完成优化过程，输出最优聚类中屯、集 合Cij ;否则转到步骤3 ,并令tcycle = tcycle+1。
[0108] 四、输出最终聚类中屯、，确定估计状态
[0109] 根据高速公路交通流状态的样本集合X={SDR，v，q}，每个样本有3个特征参数指 标，特征参数指标权重为1=(机，巧2，巧3)。根据交通工程手册对高速公路交通状态类别划分 的建议，将交通状态划分为5个等级。
[0110] 算法过程如下：
[0111] Stepl:根据步骤一，确定样本输入特征X，聚类个数5，设置最大迭代次数T和允许 误差范围ε。
[0112] Step2:根据步骤二，确定特征权重向量W。
[0113] Step3:根据步骤Ξ，确定初始聚类中屯、C。
[0114] Step4:设目标函数如下式所示：
[0115]
[0116] 决定聚类结果模糊度的权重指数，Bezdek指出m的取值与样本数目η有关，并从物 理上得出了 η = 2时最有意义。
[0117] steps:根据下式子计算隶属度矩阵UW :
[011 引
[0119] 其中，cUk表示样本a与第i类聚类中屯、向量Pi之间的距离，取化C1 i d距离可得：
[0120]
[0121] steps:根据下式计算隶属度矩阵PW
[0122]
[0123] St巧7:若满足||P(t)-P("i)M<e(Euclid距离)或者当t = T时，则停止迭代，输出聚 类中屯、矩阵P和隶属度矩阵U。否则，令t = t+l，返回Steps。
[0124] 最后说明的是，W上实施例仅用W说明本发明的技术方案而非限制，尽管参照较 佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可W对本发明的技 术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明 的权利要求范围当中。
【主权项】
1. 一种考虑速度离散特性的高速公路交通状态估计方法，其特征在于:包括以下步骤： S1:设置速度离散特性指标及交通流特征参数； S2:获取交通流数据并利用Rel ielfF方法对交通流特征参数进行加权； S3:利用人工蜂群算法对交通流特征参数的聚类中心进行优化； S4:输出优化聚类中心并确定交通估计状态。2. 如权利要求1所述的考虑速度离散特性的高速公路交通状态估计方法，其特征在于： 所述速度离散特性指标包括速度标准差，所述速度标准差按照以下公式来计算相对速度标 准差：式中，vi为第i辆车的速度，^为统计时间内的η辆车的平均车速。3. 如权利要求1所述的考虑速度离散特性的高速公路交通状态估计方法，其特征在于： 所述利用Rel ielfF方法对交通流特征参数进行加权，具体步骤如下： Step21:初始化权重w = 0; Step22:选取集合X中的任意一个样本Xl，分别找出与其类别一致和不一致的R个最邻近 样本hj和mij;分别计算xi与hj、mij在特征上的差异；其中，diff_hit是s X 1的矩阵，表示xi与hj在特征上的差异;diff_miss也是s X 1的矩 阵，表示血:与^在特征上的差异;p(l)为第1类出现的概率，Class(Xl)表示h所属的类别； Step23:按照以下公式来计算权重矩阵w: w=w-diff_hit+diff_miss ； 其中，w表示权重矩阵； Step24:取下一个样本i = i+Ι，直到η个样本全部都参与计算； Step25:获取并输出权重矩阵w;并按照以下公式计算隶属度矩阵和聚类中心矩阵：其中，uik表示第k个样本对第i类的隶属度;Xk表示第k个样本;Pi表示第i类聚类中心;c 表示聚类个数;η表示样本个数； Step26:按照以下公式计算得到基于ReliefF特征加权的FCM的目标函数： =Σλ=ΣΣ< · Σ(^ν · k/ - Αν|2) Μ Μ _/:1 f，\ 1 其中丄(U，P)表示FCM的目标函数;h表示第i类的目标函数W表示第j个样本对第c类 的隶属度;w表示为第f个特征的权重;Xjf表示第j个样本的第f个特征;pu表示第1类的i个 聚类中心。4. 如权利要求1所述的考虑速度离散特性的高速公路交通状态估计方法，其特征在于： 所述人工蜂群算法采用基于ABC优化FCM聚类中心;具体步骤如下： Step31:初始化算法输入参数:聚类类别数c，蜜源数目SN，限制次数Limit和最大循环 次数MCN，令初始周期tc^ie = 0; Step32:随机初始化隶属度矩阵U，并计算初始聚类中心Pij及其适应度； Step33:求解领域内的最新解vij及其适应度，若vij的fit(vij)大于xij的fit(xij)，贝1J 否则，XlJ不发生变化； Step34:计算xij的适应度，并计算概率值Kij; Step35:跟随蜂则根据Kij选择食物源，并计算领域的新解与适应度，若vij的fit(vij)大 于xij的fit (xij)，则xij = vij;否则，xij不发生变化； Step36:判断在Limit的次数内，是否出现局部最优解，若出现，则丢掉次解，并产生解 代替xw否则，不发生变化； Step37:若迭代次数大于最大限制次数MCN，则完成优化过程，输出最优聚类中心集合 叫;否则转到步骤33，并令1:叩。1(3 = 1^。1(3+1。5. 如权利要求1所述的考虑速度离散特性的高速公路交通状态估计方法，其特征在于： 所述交通估计状态的确定按照以下步骤具体进行： Step41:确定样本输入特征X、聚类个数、最大迭代次数T和允许误差范围ε; Step42:确定特征权重向量w; Step43:确定初始聚类中心c; Step44:按照以下公式计算目标函数并决定聚类结果模糊度的权重指数： min i=l /=1 < c s,t, = 1,/v = 1,2,···,? - i=l ; 其中，《表示样本xk与第i类聚类中心向量pi的距离；s. t.表示约束条件;k表示样本个 数； Step45:根据下式子计算隶属度矩阵U(t):其中，dik表示样本xk与第i类聚类中心向量pi之间的距离； Step46:根据下式计算隶属度矩阵P(t):Step47:若满足I |P(t)-P(t+1)| |<ε或者当t = T时，则停止迭代，输出聚类中心矩阵P和隶 属度矩阵u;否则，令t = t+Ι，返回Step45。
【文档编号】G08G1/01GK106067248SQ201610369536
【公开日】2016年11月2日
【申请日】2016年5月30日 公开号201610369536.X, CN 106067248 A, CN 106067248A, CN 201610369536, CN-A-106067248, CN106067248 A, CN106067248A, CN201610369536, CN201610369536.X
【发明人】孙棣华, 赵敏, 刘卫宁, 郑林江, 陈曦
【申请人】重庆大学