一种考虑时空特征的城市路网拥堵演化分析方法

1.本发明属于时空数据挖掘与城市风险管控领域，更具体的说，本发明涉及一种更全面综合的评估事件影响下城市路网拥堵变化时空特征的方法。


背景技术：

2.大量研究表明，疫情和出行活动间有密切的相互作用关系。一方面，人类的出行，特别是基于公共交通的出行是病毒迅速传播的一个重要因素。另一方面，疫情期间人们考虑到自身安全，原本基于公共交通的出行可能会转向私人小汽车。例如，一项对疫情后上海市居民出行方式的调查显示，大约82％的曾经乘坐公共交通工具通勤的受访者已经改用私人交通工具。在新冠疫情爆发期间和疫情得到有效控制后，城市道路交通拥堵模式与疫情前应当有显著的不同。
3.当前的研究主要集中在相对短期的如自然灾害、恶劣天气等非常态事件对城市路网的影响。然而，与上述事件相比，疫情的影响可能持续相当长的时间，在此期间道路拥堵模式受到多种因素的影响，如出行限制措施、复工复产，节假日等，路网状态的变化也就更加复杂和难以预测。因此，在现有相关研究的基础上，有必要提出一个完整的多因素影响下路网状态变化时空特征的分析框架。


技术实现要素：

4.本发明要解决的技术问题是基于交通小区平均速度数据，提取拥堵演化的时空特征，实现对各类事件影响下城市交通状态的评估分析。该方法首先通过各交通小区小时平均车速数据构建时空矩阵；其次使用鲁棒主成分分析算法(rpca) 将时空矩阵分解为同质性和异质性两部分；接着使用k-means聚类算法识别非常态场景；最后对聚类中心应用迭代累积平方和(icss)算法对其各非常态场景的波动特征进行分析。整个框架使用了矩阵分解、聚类分析和时间序列分析等多种方法提取城市路网拥堵演化的时空特征。
附图说明
5.图1本发明提出的基于交通小区速度数据的道路拥堵状态变化评估框架。
具体实施方式
6.本发明提出的考虑时空特征的城市路网拥堵演化分析方法，所述方法基于数据统计分析理论，具体步骤如下：
7.step1：速度时空矩阵构建
8.首先清洗数据，主要是对处理缺失数据，若交通小区存在大量数据缺失则直接舍弃，若缺失数据较少则根据前后时间片速度进行插值，之后计算时空矩阵m＝{m
ij
}，其中m
ij
为第i交通小区在第j小时的平均速度；
9.step2：时空矩阵分解
10.对于时空矩阵m，利用rpca算法将其分解为一个低秩矩阵l和一个稀疏矩阵s的和，通过系数λ平衡两个优化目标，其中，低秩矩阵代表所有交通小区的共性变化特征，而稀疏矩阵反映了这些交通小区受各类因素影响而呈现出的异质性特征。考虑到l0范数(非零元素个数)不连续，所以将l0范数替换为了l1范数，rpca的目标函数如式(1)所示，其中||l||
*
表示低秩矩阵的核范数，||s||1表示稀疏矩阵的l1范数；
[0011][0012]
该目标函数需要使用拉格朗日乘子改写为式(2)，其中μ是为了保证算法收敛所添加的惩罚因子，为惩罚项的f范数的平方。
[0013][0014]
对于上式中的μ，其推荐值由式(3)计算。
[0015][0016]
对于λ，其推荐值由式(4)计算。
[0017][0018]
其中n1，n2为矩阵m的行和列数，σ为假设误差矩阵中元素服从正态分布时的方差，max表示取最大值。最后，通过迭代阈值算法来求解这一凸优化问题。最后，通过迭代阈值算法来求解这一凸优化问题。
[0019]
step3：异质性波动的典型场景识别
[0020]
基于上一步对时空矩阵分解所得的稀疏矩阵s0＝{s
ij
}，其中第i行代表第i 个交通小区由异质性特征所形成的行程车速波动时间序列。利用k-means 聚类算法，对所有交通小区形成的异质性波动时间序列进行聚类，将异质性波动时间序列划分为若干个簇。每个簇中的元素具有相似的异质性波动特征，每个簇分别对应于一个异质性波动的典型场景，每个簇聚类中心对应的时间序列表示该典型场景下异质性波动时间序列的平均值；
[0021]
step4：异质性波动特征分析
[0022]
应用迭代累积平方和(icss)算法，分析步骤三中各簇聚类中心时间序列的波动特征，首先基于序列计算对数变化率，如式(5)所示。
[0023]rt
＝log v
t-log v
t-1
ꢀꢀ
(5)
[0024]
其中v
t
为某交通小区异质性波动时间序列在第t个时间片的数值，log代表取对数。将r
t
改写为式(6)。
[0025]rt
＝b+a
t
ꢀꢀ
(6)
[0026]
其中a
t
是一个均值为0，方差为的随机变量，b为拟合的偏置量，即为累积平方和序列，t为序列总长，考虑其正则化形式如式(7)。
[0027]dk
＝ck/c
t-k/t，k＝1，...，t，且d0＝d
t
＝0
ꢀꢀ
(7)
[0028]
如果的最大值大于统计意义上的临界值，则说明该位置存在一个变点。此外，一个序列往往具有多个变点，需要通过不断迭代，直到搜寻到所有变点。icss算法的完整伪代码如下：
[0029][0030]


技术特征：
1.一种考虑时空特征的城市路网拥堵演化分析方法，其特征是，基于交通小区平均速度数据，提取拥堵演化的时空特征，实现对各类事件影响下城市交通状态的评估分析；该方法首先通过各交通小区小时平均车速数据构建时空矩阵；其次使用鲁棒主成分分析算法(rpca)将时空矩阵分解为同质性和异质性两部分；接着使用k-means聚类算法识别非常态场景；最后对聚类中心应用迭代累积平方和(icss)算法对其各非常态场景的波动特征进行分析。2.如权利要求1所述的考虑时空特征的城市路网拥堵演化分析方法，其特征是，其具体步骤如下：step1：速度时空矩阵构建首先清洗数据，处理缺失数据，之后计算时空矩阵m＝{m
ij
}，其中m
ij
为第i交通小区在第j小时的平均速度；step2：时空矩阵分解对于时空矩阵m，利用rpca算法将其分解为一个低秩矩阵l和一个稀疏矩阵s的和，通过系数λ平衡两个优化目标，其中，低秩矩阵代表所有交通小区的共性变化特征，而稀疏矩阵反映了这些交通小区受各类因素影响而呈现出的异质性特征；考虑到l0范数(非零元素个数)不连续，所以将l0范数替换为了l1范数，rpca的目标函数如式(1)所示，其中||l||
*
表示低秩矩阵的核范数，||s||1表示稀疏矩阵的l1范数；该目标函数需要使用拉格朗日乘子改写为式(2)，其中μ是为了保证算法收敛所添加的惩罚因子，为惩罚项的f范数的平方；对于上式中的μ，其推荐值由式(3)计算：对于λ，其推荐值由式(4)计算：其中n1，n2为矩阵m的行和列数，σ为假设误差矩阵中元素服从正态分布时的方差，max表示取最大值；最后，通过迭代阈值算法来求解这一凸优化问题；step3：异质性波动的典型场景识别基于上一步对时空矩阵分解所得的稀疏矩阵s＝{s
ij
}，其中第i行代表第i个交通小区由异质性特征所形成的行程车速波动时间序列；利用k-means聚类算法，对所有交通小区形成的异质性波动时间序列进行聚类，将异质性波动时间序列划分为若干个簇；每个簇中的元素具有相似的异质性波动特征，每个簇分别对应于一个异质性波动的典型场景，每个簇聚类中心对应的时间序列表示该典型场景下异质性波动时间序列的平均值；step4：异质性波动特征分析应用迭代累积平方和(icss)算法，分析step3中各簇聚类中心时间序列的波动特征，首先基于序列计算对数变化率，如式(5)所示：
r
t
＝log v
t-log v
t-1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)其中v
t
为某交通小区异质性波动时间序列在第t个时间片的数值，log代表取对数，将r
t
改写为式(6)：r
t
＝b+a
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)其中a
t
是一个均值为0，方差为的随机变量，b为拟合的偏置量，的随机变量，b为拟合的偏置量，即为累积平方和序列，t为序列总长，考虑其正则化形式如式(7)：d
k
＝c
k
/c
t-k/t，k＝1，...，t，且d0＝d
t
＝0
ꢀꢀꢀꢀ
(7)如果的最大值大于统计意义上的临界值，则说明该位置存在一个变点；此外，一个序列往往具有多个变点，需要通过不断迭代，直到搜寻到所有变点。

技术总结
本发明公开了一种考虑时空间特征的城市路网拥堵演化分析方法，旨在从时间和空间两个维度，对多因素影响下的路网拥堵变化特征进行准确评估和分析。本发明首先通过交通小区平均车速数据构建车速时空矩阵，以提取时空变化特征；接着使用鲁棒主成分分析方法(RPCA)从总体特征中提取每个交通小区交通状态时间变化中的共性特征和异质波动；进而利用聚类方法提取交通状态变化的典型场景，并分析异质部分的时空分布；最后，通过迭代累积平方和算法(ICSS)分析了异质部分的波动特征。分析了异质部分的波动特征。分析了异质部分的波动特征。


技术研发人员：李健 许鹏飞 李玮峰
受保护的技术使用者：同济大学
技术研发日：2021.09.03
技术公布日：2022/1/18