专利名称：行人交通数据长期发展模式的构建及更新方法
技术领域：
本发明涉及一种数据构建及更新方法，尤其涉及一种行人交通数据长期发展模式的构建及更新方法。
背景技术：
人员密集场所人员密度预警系统，是依托安装在不同地点的视频设备，实时采集监测区域的视频图像，通过对视频图像中反映出的实时人群客流进行数据统计和分析，从而实现人员密集场所的人群密度预警预测。在实际应用中需要一种行人交通数据长期发展模式的构建及更新方法，使其能够智能分析设备输出的行人交通状态实时数据，并存储于数据库中，可以进行动态的查询和计算，以建立人群不同行人交通状态(畅通、渐变异常、 突发异常、拥堵等)的实时判断模型，对人群密集场所的人群聚集风险达到较好的监测和控制效果。
发明内容
本发明的目的在于提出一种行人交通数据长期发展模式的构建及更新方法，通过积累行人交通数据，构建长期数据规律与短时行人交通规律。为了达到上述目的，本发明提供了一种行人交通数据长期发展模式的构建及更新方法，所述行人交通数据具有时间刻度和时间尺度，并且包括行人交通历史数据和行人交通实时数据，该方法包括步骤Si 获取至少一个位置多天的行人交通历史数据并存储；步骤S2 对所述行人交通历史数据进行时间刻度校正；步骤S3 筛选同一位置任一天的按时间顺序排列的行人交通历史数据序列并作为横向时间序列，筛选同一位置特定天的按时间顺序排列的同一时间刻度的行人交通历史数据序列并作为纵向时间序列，基于所述两序列以构建行人交通数据长期发展模式；步骤S4 采样行人交通实时数据并进行预处理；步骤 S5 将预处理后的行人交通实时数据与所述纵向时间序列中的行人交通历史数据进行比对并根据比对结果更新纵向时间序列；步骤S6 重复步骤S4和步骤S5，从而完成行人交通数据长期发展模式的构建与更新。本发明所述的行人交通数据长期发展模式的构建及更新方法，其中所述行人交通数据包括流量、区域人数、密度及速度。本发明所述的行人交通数据长期发展模式的构建及更新方法，其中所述步骤S2 包括以一时间刻度为基准，以一时间尺度为步长，将同一位置不同天的行人交通历史数据时间刻度对齐。本发明所述的行人交通数据长期发展模式的构建及更新方法，其中所述时间刻度的基准为每天00 00 00，所述时间尺度为5分钟。本发明所述的行人交通数据长期发展模式的构建及更新方法，其中所述步骤S3 包括筛选长期趋势相似的连续多个星期相同日期的行人交通历史数据并作为纵向时间序列。
本发明所述的行人交通数据长期发展模式的构建及更新方法，其中所述筛选的连续多个星期为4-5个星期。本发明所述的行人交通数据长期发展模式的构建及更新方法，其中所述步骤S3 包括采用聚类分析技术将同一位置不同日期的数据序列进行归类，并以同类的多个日期组成行人交通数据的长期发展模式；如果不同星期的聚类结果存在差别，则分析多个星期的数据，并且采用从众原则获得最终的分类结果。本发明所述的行人交通数据长期发展模式的构建及更新方法，其中所述步骤S3 包括以年为周期构建特殊日期的行人交通数据长期发展模式；对于系统运行的前期阶段，如果尚未获取有效的特殊日期历史数据，则引用相邻非工作日的长期发展模式；其中， 所述特殊日期包括节日、假日。本发明所述的行人交通数据长期发展模式的构建及更新方法，其中所述步骤S5 包括若行人交通实时数据为正常行人交通数据，则用实时数据更新长期发展模式，同时剔除原来长期发展模式当中最早的一个数据；若行人交通实时数据为丢失、错误或异常行人交通数据，则保持原来的长期发展模式不变。本发明通过积累行人交通数据，构建长期数据规律与短时行人交通规律，可以建立人群不同行人交通状态(畅通、渐变异常、突发异常、拥堵等)的实时判断模型，以及预测各点位未来10分钟甚至更远时间点的行人交通状态的预测预警模型。
图1为本发明行人交通数据长期发展模式的构建及更新方法流程图。
具体实施例方式下面参照附图结合实施例对本发明进行进一步详细说明。如图1所示，为本发明行人交通数据长期发展模式的构建及更新方法流程图，所述行人交通数据具有时间刻度和时间尺度，并且包括行人交通历史数据和行人交通实时数据，该方法包括步骤Sl 获取至少一个位置多天的行人交通历史数据并存储；步骤S2 对所述行人交通历史数据进行时间刻度校正；步骤S3 筛选同一位置任一天的按时间顺序排列的行人交通历史数据序列并作为横向时间序列，筛选同一位置特定天的按时间顺序排列的同一时间刻度的行人交通历史数据序列并作为纵向时间序列，基于所述两序列以构建行人交通数据长期发展模式；步骤S4 采样行人交通实时数据并进行预处理；步骤S5 将预处理后的行人交通实时数据与所述纵向时间序列中的行人交通历史数据进行比对并根据比对结果更新纵向时间序列；步骤S6 重复步骤S4和步骤S5，从而完成行人交通数据长期发展模式的构建与更新。所述步骤S2还包括筛选同一位置任一天的按时间顺序排列的行人交通历史数据序列并作为横向时间序列。所述行人交通数据包括流量、区域人数、密度及速度。所述步骤S2包括以一时间刻度为基准，以一时间尺度为步长，将同一位置不同天的行人交通历史数据时间刻度对齐。所述时间刻度的基准为每天00:00:00，所述时间尺度为5分钟。所述步骤S3包括筛选长期趋势相似的连续多个星期相同日期的行人交通历史数据并作为纵向时间序列。所述筛选的连续多个星期为4-5个星期。所述步骤S5包括若行人交通实时数据为正常行人交通数据，则用实时数据更新长期发展模式，同时剔除原来长期发展模式当中最早的一个数据；若行人交通实时数据为丢失、错误或异常行人交通数据，则保持原来的长期发展模式不变。本发明的一实施例为对西单商业区各个监测位置的行人交通数据进行积累，构建长期数据规律与短时行人交通规律。根据时间组织方式不同，本发明将行人交通数据的时间序列分为横向时间序列与纵向时间序列两类。其中，横向时间序列是指按任一天的时间顺序排列的数据序列；纵向时间序列是指按时间先后顺序排列特定天同一时段行人交通数据序列。特定空间位置的行人交通数据时间序列通常具有长期趋势性、短期现势性和随机波动性三种特性。(1)长期趋势性，特定区域一般具有比较稳定的社会经济活动模式，即上班、上学、购物等活动在时间和空间的分布具有一定的规律性，导致不同星期同一日期(周一、周二……周日)的行人交通模式具有较强的相似性。本发明将同一监控位置、不同日期的同一参数数据时间序列具有相似性的特点称为长期趋势性。(2)短期现势性，由于行人交通事件等因素的影响，特定区域的行人规律短时之内可能出现偏离长期趋势的现象，本发明将其称为行人交通时间序列的短期现势性。( 随机波动性，除了长期趋势性、短期现势性外，行人交通数据还存在明显的随机波动性，为了消除随机波动性对行人交通管理决策产生的影响，应该将其适当进行滤波。对于某一日期，如果行人交通数据时间序列的发展过程比较符合长期发展模式， 则认为是一种正常行人交通状态，否则，称为异常行人交通状态。正常行人交通状态的可预测性较强，可以对其进行预警，而异常行人交通状态的一般难以预测，只能对其进行实时报警。。为了能给行人交通状态的判断提供可靠的信息基础，本发明通过分析行人交通数据纵向时间序列，设计数据长期发展模式的离线构建与在线更新方法。通过观察行人交通数据可知，同一位置不同天的数据时间刻度往往存在差别，导致数据长期发展模式难以提取。因此，本发明先对历史数据的时间刻度进行校正，即以 00:00:00为基准，以时间尺度为步长，将同一位置不同天的行人交通历史数据时间刻度人为对齐。例如时间序列00:00:04、00:00:10、00:00:16，按照6s时间尺度进行刻度校正以后，成为 00:00:06、00:00:12、00:00:18。对于某一监控位置而言，不同星期同一日期的行人交通模式比较相似，据此，本发明设计基于自然日期的长期发展模式构建方法。具体地讲，针对任一采样时间间隔，筛选长期趋势较为相似的连续若干星期相同日期的行人交通数据，并且将其作为判断下一星期同一日期的数据是否符合长期趋势的依据。值得注意的是，行人交通数据的长期发展模式是一个相对的概念，不会一成不变， 而是具有一定的季节演化性。也就是说，对于比较邻近的星期，行人交通数据的长期发展模式比较稳定，但是对于时间跨度较大的星期而言，行人交通数据的长期发展模式会有较大的差异。因此，构建长期发展模式的星期数量不能过大，一般采用4-5星期为宜。除了基于自然日期的长期发展模式构建方法，本发明还针对两种特殊情形分别设计长期发展模式构建方法(1)基于聚类分析的长期发展模式构建方法
对于某一监控位置，如果同一星期某些日期的数据变化趋势相似，则可将其视为同一自然日期，以便减小长期发展模式的季节演化性。具体地讲，采用聚类分析技术将同一监控位置不同日期的数据序列进行归类，并以同类的若干日期组成行人交通数据的长期发展模式。如果不同星期的聚类结果存在差别，则需分析多个星期的数据，并且采用从众原则获得最终的分类结果。聚类分析的核心内容是计算不同变量之间的“距离”，本发明采用欧氏距离作为同一星期不同日期行人交通数据时间序列之间“距离”的测度，具体如式(4-1)所示。R(x, y)=德(x,—y,)2(4-1)式中R(x，y)——两个变量之间的欧氏距离；(x, y)——同一星期2个不同日期的行人交通数据时间序列；ρ——样本数量。(2)基于特殊日期的长期发展模式构建方法对于某些特殊日期，例如重要的节日、假日等，由于此时的行人交通模式较为特殊，利用自然日期或聚类分析可能难以构建合理的长期发展模式，因此，本发明以年为周期构建特殊日期的行人交通数据长期发展模式。对于系统运行的前期阶段，如果尚未获取有效的特殊日期历史数据，可以引用相邻非工作日(周六、周日)的长期发展模式。随着纵向时间的推移，当产生新的实测数据时，为了保持行人交通数据长期发展模式的时效性，需要对其进行实时更新。本发明根据各个采样时间间隔数据所属的质量类别，采用不同的方式对行人交通数据长期发展模式进行更新，具体方法如下(1)如果某个采样时间间隔的实测数据为丢失、错误或异常行人交通状态数据，则应保持原来的长期发展模式不变；(2)如果某个采样时间间隔的实测数据为正常行人交通状态数据，则用实测数据更新长期发展模式，同时剔除原来长期发展模式当中最早的一个数据。以上所述仅为本发明的较佳实施例，非局限本发明的保护范围，凡运用本发明说明书及附图内容所做的等同结构变化，均包含于本发明的保护范围内。
权利要求
1.一种行人交通数据长期发展模式的构建及更新方法，所述行人交通数据具有时间刻度和时间尺度，并且包括行人交通历史数据和行人交通实时数据，其特征在于，该方法包括步骤Si 获取至少一个位置多天的行人交通历史数据并存储；步骤S2 对所述行人交通历史数据进行时间刻度校正；步骤S3 筛选同一位置任一天的按时间顺序排列的行人交通历史数据序列并作为横向时间序列，筛选同一位置特定天的按时间顺序排列的同一时间刻度的行人交通历史数据序列并作为纵向时间序列，基于所述两序列以构建行人交通数据长期发展模式；步骤S4 采样行人交通实时数据并进行预处理；步骤S5 将预处理后的行人交通实时数据与所述纵向时间序列中的行人交通历史数据进行比对并根据比对结果更新纵向时间序列；步骤S6 重复步骤S4和步骤S5，从而完成行人交通数据长期发展模式的构建与更新。
2.如权利要求1所述的行人交通数据长期发展模式的构建及更新方法，其特征在于， 所述行人交通数据包括流量、区域人数、密度及速度。
3.如权利要求1所述的行人交通数据长期发展模式的构建及更新方法，其特征在于， 所述步骤S2包括以一时间刻度为基准，以一时间尺度为步长，将同一位置不同天的行人交通历史数据时间刻度对齐。
4.如权利要求3所述的行人交通数据长期发展模式的构建及更新方法，其特征在于， 所述时间刻度的基准为每天00 00 00，所述时间尺度为5分钟。
5.如权利要求1所述的行人交通数据长期发展模式的构建及更新方法，其特征在于， 所述步骤S3包括筛选长期趋势相似的连续多个星期相同日期的行人交通历史数据并作为纵向时间序列。
6.如权利要求5所述的行人交通数据长期发展模式的构建及更新方法，其特征在于， 所述筛选的连续多个星期为4-5个星期。
7.如权利要求1所述的行人交通数据长期发展模式的构建及更新方法，其特征在于， 所述步骤S3包括采用聚类分析技术将同一位置不同日期的数据序列进行归类，并以同类的多个日期组成行人交通数据的长期发展模式；如果不同星期的聚类结果存在差别，则分析多个星期的数据，并且采用从众原则获得最终的分类结果。
8.如权利要求1所述的行人交通数据长期发展模式的构建及更新方法，其特征在于， 所述步骤S3包括以年为周期构建的行人交通数据长期发展模式；对于系统运行的前期阶段，如果尚未获取有效的特殊日期历史数据，则引用相邻非工作日的长期发展模式；其中， 所述特殊日期包括节日、假日。
9.如权利要求1所述的行人交通数据长期发展模式的构建及更新方法，其特征在于， 所述步骤S5包括若行人交通实时数据为正常行人交通数据，则用实时数据更新长期发展模式，同时剔除原来长期发展模式当中最早的一个数据；若行人交通实时数据为丢失、错误或异常行人交通数据，则保持原来的长期发展模式不变。
全文摘要
本发明为一种行人交通数据长期发展模式的构建及更新方法，其步骤包括获取至少一个位置多天的行人交通历史数据并存储；对所述行人交通历史数据进行时间刻度校正；筛选同一位置任一天的按时间顺序排列的行人交通历史数据序列并作为横向时间序列，筛选同一位置特定天的按时间顺序排列的同一时间刻度的行人交通历史数据序列并作为纵向时间序列，基于所述两序列以构建行人交通数据长期发展模式；采样行人交通实时数据并进行预处理；将预处理后的行人交通实时数据与所述纵向时间序列中的行人交通历史数据进行比对并根据比对结果更新纵向时间序列。通过本发明可以构建长期数据规律与短时行人交通规律。
文档编号G06F17/30GK102201000SQ20111010907
公开日2011年9月28日 申请日期2011年4月28日 优先权日2011年4月28日
发明者倪慧荟, 刘晓琴, 姚晓晖, 庞雷, 李伟, 李凤, 李明涛, 沈达, 王尧, 胡成 申请人:北京市劳动保护科学研究所