一种基于模糊KNN空间特征匹配的道路交通服务水平评价方法与流程

本发明属于道路交通服务水平评价领域，涉及道路交通数据的分析与评价，是一种空间特征匹配的道路交通服务水平评价方法。
背景技术：
：随着社会经济的发展，汽车的保有量不断增长，道路交通问题变得更加严峻，必须对道路交通服务水平进行正确地评价，才能够在交通问题发生前对其进行处理，避免交通拥堵、事故等事件的发生，为交通管理部门制定决策提供依据。目前，道路交通服务水平评价的研究大部分针对交通拥挤展开的。比较成熟的交通服务水平评价指标有连通性、行程时间可靠性和路网容量可靠性。其他交通服务水平评价研究还有交通拥堵评价加权模型、路网整体适应性分析法、空间饱和度指标、路网动态交通流状态估计等。上述研究主要是在路网层面进行研究，没有考虑到单条路段的交通服务水平，而且实现过程较为复杂。技术实现要素：为了克服已有道路交通服务水平评价方法的不足，本发明提供一种简化算法、基于模糊knn空间特征匹配的道路交通服务水平评价方法。本发明解决其技术问题所采用的技术方案是：一种基于模糊knn空间特征匹配的道路交通服务水平评价方法，所述方法包括以下步骤：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，获取差值数据，经过阈值化处理，获取训练数据的特征；3)通过已有的道路交通数据和道路交通服务水平划分，结合训练数据的特征，完成知识库的构建；4)获取同一模态下、空间上其它路段的测试数据，作为测试数据，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，经过阈值化处理，获取测试数据的特征；5)通过knn特征匹配算法，选取知识库中与测试数据特征距离最近的k个特征，并求出对应的模糊化的服务水平；6)将k组模糊化的服务水平相加，得出最大概率对应的服务水平，即为当前特征所属服务水平，完成空间特征匹配的道路交通服务水平评价。进一步，所述步骤1)中，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：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×h种，记为集合mode＝{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；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δt；道路交通特征参考序列的表格式如表1和表2所示，表1为道路交通特征参考序列信息表，表2为道路交通特征参考序列描述表：表1表2设定共选定p条具有空间相关特性的路段，记为：l＝[l1l2…lp](1)其中，p表示道路空间上的路段条数；li表示第i条路段1≤i≤p；l表示选择的具有空间相关特性路段的集合。再进一步，所述步骤2)中，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，获取差值数据，经过阈值化处理，获取训练数据的特征，其一般表达式如下：si(m*δt，mgh)＝sti(m*δt，mgh)-sb(m*δt，mgh)(2)ei(m，mgh)＝[si(δt，mgh)si(2*δt，mgh)…si(m*δt，mgh)](3)其中，δt为道路交通状态数据的采集周期；(m*δt)为第m个道路交通状态数据采集周期，0≤m≤n，n表示每天采集的交通信息的数量；i表示第i条路段，1≤i≤p；sti(m*δt，mgh)表示模态mgh下、(m*δt)时刻i路段的道路交通数据；sb(m*δt，mgh)表示模态mgh下、(m*δt)时刻基准路段的基准数据；si(m*δt，mgh)表示模态mgh下、(m*δt)时刻i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mgh下、δt到(m*δt)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；ei(m，mgh)表示模态mgh下、δt到(m*δt)时段i路段选取的阈值；hei(m，mgh)表示模态mgh下、δt到(m*δt)时段阈值处理后的差值数据，即为训练数据的特征；表示交通状态数据与特征的映射法则。更进一步，所述步骤3)中，通过已有的道路交通数据和道路交通服务水平模糊划分，结合训练数据的特征，完成知识库的构建，其一般表达式如下：losm＝φ(sti(m，mgh))(6)其中，φ表示当前的道路交通状态与模糊化的交通服务水平的映射关系，losm表示模糊化后的道路交通服务水平。结合(5)(6)，得到交通运行状态与特征之间的关系：losm＝ω(hei(m，mgh))(7)其中，ω表示模糊化的服务水平与交通运行特征之间的映射法则，从而完成知识库的构建。更进一步，所述步骤4)中，提取道路交通测试数据，基于同一模态下的道路交通基准数据，获取道路交通差值数据，通过阈值化处理，获取测试数据的特征，其一般表达式如下：msj(m*δt，mgh)＝smj(m*δt，mgh)-sb(m*δt，mgh)(8)errj(m，mgh)＝[msj(δt，mgh)msj(2*δt，mgh)…msj(m*δt，mgh)](9)其中，j表示第j条路段，1≤i≤p；smj(m*δt，mgh)表示模态mgh下、(m*δt)时刻j路段的测试数据；msj(m*δt，mgh)为模态mgh下、(m*δt)时刻j路段的测试数据与基准路段的基准数据的差值数据；errj(m，mgh)为模态mgh下、δt到(m*δt)时段j路段的测试数据与基准路段的基准数据的差值数据。herrj(m，mgh)经过阈值处理后的差值数据，即为测试数据的特征。更进一步，所述步骤5)中通过knn特征匹配算法，选取知识库中与测试数据特征距离最近的k个特征，并求出对应的模糊化的服务水平，包括如下步骤：5.1)计算训练数据的特征与测试数据的特征的距离dist(m)＝||thej(m，mgh)-hei(m，mgh)||(10)dp(m)＝[dist1(m)dist2(m)…distp(m)](11)其中，||||表示求取欧式距离，dist(m)表示δt到(m*δt)时段测试数据的特征与知识库中特征的距离，p表示训练数据的组数，dp(m)表示j路段测试数据的特征在δt到(m*δt)时段内到p组训练数据的特征距离集合。5.2)找出k个最近距离路段对应的特征，设k个特征为s1，s2，…sk，根据特征与模糊化的服务水平的映射关系，则有(l1，l2，…lk)＝ω(s1，s2，…sk)(12)其中，1≤k≤p，l1，l2，…lk分别表示s1，s2，…sk对应的模糊化的服务水平。其中，lk(m)＝[uak(stk(m，mgh))ubk(stk(m，mgh))uck(stk(m，mgh))]。uak(stk(m，mgh))，ubk(stk(m，mgh))，uck(stk(m，mgh))分别表示模态mgh下、δt到(m*δt)时段k路段的畅通、一般拥堵、严重拥堵的概率。所述步骤6)中，将k组模糊化的服务水平相加，得出最大概率对应的服务水平，即为当前路段特征所属服务水平，完成空间特征匹配的道路交通服务水平评价，过程如下：将k个特征对应的模糊化的服务水平概率相加，则有其中，suak，suak，suak分别表示综合k个特征后对应的畅通、一般拥堵、严重拥堵的概率。suak，suak，suak中最大的概率值对应的服务水平，即为当前特征所属服务水平。本发明的技术构思为：提出了一种基于模糊knn空间特征匹配的道路交通服务水平评价方法，充分利用了空间上不同路段具有的空间相关特性。提取空间上不同路段的道路交通数据，并将之分为基准数据、训练数据和测试数据。对训练数据和基准数据的差值数据进行阈值化处理，获取训练数据的特征。将道路交通服务水平模糊化处理，结合当前交通运行状态，构建训练数据特征与道路交通服务水平组成的知识库。对测试数据和基准数据的差值数据进行阈值化处理，获取测试数据的特征，求取测试数据的特征与训练数据特征之间的欧氏距离。基于knn算法，选取最近k个最近距离对应的模糊化的服务水平。将k个最近距离对应的模糊化的服务水平相加，求取最大概率对应的服务水平，即为当前服务水平，实现空间特征匹配的道路交通服务水平评价。本方法仅在数据之间作减法处理，获取交通运行特征，构建知识库，通过特征匹配结合模糊knn算法，实现空间特征匹配的道路交通服务水平评价。方法实现简单，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。本发明的有益效果主要表现在：通过将同一模态mgh的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，获取训练数据的特征，结合模糊化的道路交通服务水平，实现训练数据知识库的构建；获取同一模态下测试数据的特征，通过knn算法计算测试数据特征与训练数据特征的距离。选取最小的k组距离对应的模糊化的服务水平进行相加，选取概率最大的服务水平即为当前的道路交通服务水平，完成空间特征匹配的道路交通服务水平的评价。附图说明图1是道路交通信息模板的时间格式的示意图。图2是道路交通运行模态划分示意图。图3是基于模糊knn空间特征匹配的道路交通服务水平评价流程图。具体实施方式下面结合附图对本发明作进一步描述。参照图1～图3，一种基于模糊knn空间特征匹配的道路交通服务水平评价方法，包括以下步骤：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，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×h种，记为集合mode＝{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；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δt；道路交通特征参考序列的表格式如表1和表2所示，表1为道路交通特征参考序列信息表，表2为道路交通特征参考序列描述表：表1表2设定共选定p条具有空间相关特性的路段，记为：l＝[l1l2…lp](1)其中，p表示道路空间上的路段条数；li表示第i条路段，1≤i≤p；l表示选择的具有空间相关特性路段的集合；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，获取差值数据，经过阈值化处理，获取训练数据的特征，其一般表达式如下：si(m*δt，mgh)＝sti(m*δt，mgh)-sb(m*δt，mgh)(2)ei(m，mgh)＝[si(δt，mgh)si(2*δt，mgh)…si(m*δt，mgh)](3)其中，δt为道路交通状态数据的采集周期；(m*δt)为第m个道路交通状态数据采集周期，0≤m≤n，n表示每天采集的交通信息的数量；i表示第i条路段，1≤i≤p；sti(m*δt，mgh)表示模态mgh下、(m*δt)时刻i路段的道路交通数据；sb(m*δt，mgh)表示模态mgh下、(m*δt)时刻基准路段的基准数据；si(m*δt，mgh)表示模态mgh下、(m*δt)时刻i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mgh下、δt到(m*δt)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；ei(m，mgh)表示模态mgh下、δt到(m*δt)时段i路段选取的阈值；hei(m，mgh)表示模态mgh下、δt到(m*δt)时段阈值处理后的差值数据，即为训练数据的特征；表示交通状态数据与特征的映射法则。3)通过已有的道路交通数据和道路交通服务水平模糊划分，结合训练数据的特征，完成知识库的构建，其一般表达式如下：losm＝φ(sti(m，mgh))(6)其中，φ表示当前的道路交通状态与模糊化的交通服务水平的映射关系，losm表示模糊化后的道路交通服务水平。结合(5)(6)，得到交通运行状态与特征之间的关系：losm＝ω(hei(m，mgh))(7)其中，ω表示模糊化的服务水平与交通运行特征之间的映射法则，从而完成知识库的构建。4)提取道路交通测试数据，基于同一模态下的道路交通基准数据，获取道路交通差值数据，通过阈值化处理，获取测试数据的特征，其一般表达式如下：msj(m*δt，mgh)＝smj(m*δt，mgh)-sb(m*δt，mgh)(8)errj(m，mgh)＝[msj(δt，mgh)msj(2*δt，mgh)…msj(m*δt，mgh)](9)其中，j表示第j条路段，1≤i≤p；smj(m*δt，mgh)表示模态mgh下、(m*δt)时刻j路段的测试数据；msj(m*δt，mgh)为模态mgh下、(m*δt)时刻j路段的测试数据与基准路段的基准数据的差值数据；errj(m，mgh)为模态mgh下、δt到(m*δt)时段j路段的测试数据与基准路段的基准数据的差值数据。herrj(m，mgh)经过阈值处理后的差值数据，即为测试数据的特征。5)通过knn特征匹配算法，选取知识库中与测试数据特征距离最近的k个特征，并求出对应的模糊化的服务水平，包括如下步骤：5.1)计算训练数据的特征与测试数据的特征的距离dist(m)＝||thej(m，mgh)-hei(m，mgh)||(10)dp(m)＝[dist1(m)dist2(m)…distp(m)](11)其中，||||表示求取欧式距离，dist(m)表示δt到(m*δt)时段测试数据的特征与知识库中特征的距离，p表示训练数据的组数，dp(m)表示j路段测试数据的特征在δt到(m*δt)时段内到p组训练数据的特征距离集合。5.2)找出k个最近距离路段对应的特征，设k个特征为s1，s2，…sk，根据特征与模糊化的服务水平的映射关系，则有(l1，l2，…lk)＝ω(s1，s2，…sk)(12)其中，1≤k≤p，l1，l2，…lk分别表示s1，s2，…sk对应的模糊化的服务水平。其中，lk(m)＝[uak(stk(m，mgh))ubk(stk(m，mgh))uck(stk(m，mgh))]。uak(stk(m，mgh))，ubk(stk(m，mgh))，uck(stk(m，mgh))分别表示模态mgh下、δt到(m*δt)时段k路段的畅通、一般拥堵、严重拥堵的概率。所述步骤6)中，将k组模糊化的服务水平相加，得出最大概率对应的服务水平，即为当前路段特征所属服务水平，完成空间特征匹配的道路交通服务水平评价，过程如下：将k个特征对应的模糊化的服务水平概率相加，则有其中，suak，suak，suak分别表示综合k个特征后对应的畅通、一般拥堵、严重拥堵的概率。suak，suak，suak中最大的概率值对应的服务水平，即为当前特征所属服务水平。实例:一种基于模糊knn空间特征匹配的道路交通服务水平评价方法，包括以下步骤：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；选择北京典型的6条路段进行案例分析，具体路段名称如下表3所示。路段id路段名称hi2075a中央音乐学院—西便门桥hi7000d小街桥东--东直门桥北入口hi7008a白桥大街—广渠门桥hi7035d积水潭桥--德胜门桥hi7060a广直门桥北入口—小街桥东hi7051a月坛北桥—月坛南桥表3将hi3006b路段作为基准路段，采集的道路交通数据作为基准数据；将hi7000d、hi7008a、hi7035d、hi7060a路段采集的同一模态的道路交通数据作为训练数据；将hi7051a路段采集的同一模态的道路交通数据作为实时数据，进行算法验证。再进一步，所述步骤2)中，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，获取差值数据，经过阈值化处理，获取训练数据的特征，其一般表达式如下：si(m*δt，mgh)＝sti(m*δt，mgh)-sb(m*δt，mgh)(1)ei(m，mgh)＝[si(δt，mgh)si(2*δt，mgh)…si(m*δt，mgh)](2)其中，δt为道路交通状态数据的采集周期；(m*δt)为第m个道路交通状态数据采集周期，0≤m≤n，n表示每天采集的交通信息的数量；i表示第i条路段，1≤i≤p；sti(m*δt，mgh)表示模态mgh下、(m*δt)时刻i路段的道路交通数据；sb(m*δt，mgh)表示模态mgh下、(m*δt)时刻基准路段的基准数据；si(m*δt，mgh)表示模态mgh下、(m*δt)时刻i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mgh下、δt到(m*δt)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；ei(m，mgh)表示模态mgh下、δt到(m*δt)时段i路段选取的阈值；hei(m，mgh)表示模态mgh下、δt到(m*δt)时段阈值处理后的差值数据，即为训练数据的特征；表示交通状态数据与特征的映射法则。更进一步，所述步骤3)中，通过已有的道路交通数据和道路交通服务水平模糊划分，结合训练数据的特征，完成知识库的构建，其一般表达式如下：losm＝φ(sti(m，mgh))(5)其中，φ表示当前的道路交通状态与模糊化的交通服务水平的映射关系，losm表示模糊化后的道路交通服务水平。结合(5)(6)，得到交通运行状态与特征之间的关系：losm＝ω(hei(m，mgh))(6)其中，ω表示模糊化的服务水平与交通运行特征之间的映射法则，从而完成知识库的构建。更进一步，所述步骤4)中，提取道路交通测试数据，基于同一模态下的道路交通基准数据，获取道路交通差值数据，通过阈值化处理，获取测试数据的特征，其一般表达式如下：msj(m*δt，mgh)＝smj(m*δt，mgh)-sb(m*δt，mgh)(7)errj(m，mgh)＝[msj(δt，mgh)msj(2*δt，mgh)…msj(m*δt，mgh)](8)其中，j(1≤i≤p)表示第j条路段；smj(m*δt，mgh)表示模态mgh下、(m*δt)时刻j路段的测试数据；msj(m*δt，mgh)为模态mgh下、(m*δt)时刻j路段的测试数据与基准路段的基准数据的差值数据；errj(m，mgh)为模态mgh下、δt到(m*δt)时段j路段的测试数据与基准路段的基准数据的差值数据。herrj(m，mgh)经过阈值处理后的差值数据，即为测试数据的特征。更进一步，所述步骤5)中通过knn特征匹配算法，选取知识库中与测试数据特征距离最近的k个特征，并求出对应的模糊化的服务水平，包括如下步骤：5.1)计算训练数据的特征与测试数据的特征的距离dist(m)＝||thej(m，mgh)-hei(m，mgh)||(10)dp(m)＝[dist1(m)dist2(m)…distp(m)](11)其中，||||表示求取欧式距离，dist(m)表示δt到(m*δt)时段测试数据的特征与知识库中特征的距离，p表示训练数据的组数，dp(m)表示j路段测试数据的特征在δt到(m*δt)时段内到p组训练数据的特征距离集合。5.2)找出k个最近距离路段对应的特征，设k个特征为s1，s2，…sk，根据特征与模糊化的服务水平的映射关系，则有(l1，l2，…lk)＝ω(s1，s2，…sk)(12)其中，1≤k≤p，l1，l2，…lk分别表示s1，s2，…sk对应的模糊化的服务水平。其中，lk(m)＝[uak(stk(m，mgh))ubk(stk(m，mgh))uck(stk(m，mgh))]。uak(stk(m，mgh))，ubk(stk(m，mgh))，uck(stk(m，mgh))分别表示模态mgh下、δt到(m*δt)时段k路段的畅通、一般拥堵、严重拥堵的概率。所述步骤6)中将k组模糊化的服务水平相加，得出最大概率对应的服务水平，即为当前路段特征所属服务水平，完成空间特征匹配的道路交通服务水平评价，过程如下：将k个特征对应的模糊化的服务水平概率相加，则有其中，suak，suak，suak分别表示综合k个特征后对应的畅通、一般拥堵、严重拥堵的概率。suak，suak，suak中最大的概率值对应的服务水平，即为当前特征所属服务水平。6)基于模糊knn空间特征匹配的道路交通服务水平评价参数确定在基于模糊knn特征匹配的空间道路交通服务水平评价过程中，涉及到有以下几个参数：ei(m,mgh)、ej(m,mgh)、k，其中，ei(m,mgh)可以由sti(m*δt，mgh)和sb(m*δt，mgh)确定，ej(m,mgh)的值选取和ei(m,mgh)相等，k值一般取5。这里所做的参数设定只是对模糊knn特征特征匹配的道路交通服务水平评价的大概影响分析。由于这些参数对算法的精度各有影响，单独分析每个参数对算法精度的影响并不能确保算法的最优，因此在进行算法分析时应同时考虑所有参数对该道路交通服务水平评价的影响。引入偏差率作为空间特征匹配的道路交通服务水平评价指标，其计算公式如下：其中，pe表示偏差率，nsr≠sm表示测试与真实不同的交通服务水平数量，nsr表示实际测试的交通服务水平个数。即对于不同的(ei(m,mgh)，ej(m,mgh)，k)，存在与之对应的nmae。故存在如下等式：nmae＝f((ei(m,mgh)，ej(m,mgh)，k))(15)即(ei(m,mgh)，ej(m,mgh)，k)与nmae存在某种分布关系f，寻找nmae最小时对应的((ei(m,mgh)，ej(m,mgh)，k))，即为最优参数设定过程。故可以得到如下模型：minf((ei(m,mgh)，ej(m,mgh)，k))(16)最终((ei(m,mgh)，ej(m,mgh)，k))的取值可以通过道路交通基准数据和训练数据的训练确定。7)实验结果基于同一模态的道路交通基准数据和训练数据，获取最优参数(ei(m,mgh)，ej(m,mgh)，k)。本实验结果主要针对路段的车速度值进行道路交通服务水平评价。提取道路交通测试数据，基于knn算法实现测试状态的评价。选取偏差率作为道路交通服务水平评价指标，其计算如式(13)所示。实验路段2011年6月25、26、27日速度值的偏差统计分析如下表4所示。路段id时间偏差率hi7051a2011-6-255.00％hi7051a2011-6-263.33％hi7051a2011-6-2710.00％表4。当前第1页12