专利名称：：一种基于信号灯系统环形线圈判别道路交通状态的方法
技术领域：
：本发明涉及智能交通监控领域,具体涉及一种基于信号灯系统环形线圈判别道路交通状态的方法。
背景技术：
：我国城市的信号灯系统目前仍大多采用的是以环形线圈检测器为信息采集源的智能控制系统，环形线圈的安装位置一般为交叉路口的距停车线20米处。为信号灯系统服务的环形线圈布设如图1所示。线圈采集的交通特征参数包括流量、速度和占有率。因为交通状态的改变会引起交通流基本特征参数的改变,如拥挤状态下速度明显降低、占有率增大等。不断改变的交通流基本参数由环形线圈采集获得，然后对这些参数运用一定的算法进行处理之后，便可实现对道路交通状态的判别。目前常用的线圈数据处理算法有加州算法、McMaster算法、指数平滑法和标准偏差法。加州算法利用上游检测截面占有率增加,下游检测截面占有率下降来判别拥挤，但该算法无法应用于城市道路且误报率较高。McMaster算法将流量枸加新适荼硎驹诙占渖希13.髁緹占有率二维图形划分为四个区域,每个区域代表一种交通状态，该算法规定在三个连续的采样周期内，车速降至阈值以下,或占有率超过阈值,或流量与占有率都在非拥挤区域之外，则判定拥挤；在连续两个采样周期内，车速、流量和占有率任意两个超过各自的阈值,则判定拥挤,该算法的缺点在于阈值的确定很困难，一旦确定不当，将会造成较大的误报率。指数平滑法是先对原始交通数据进行平滑,去除短期的交通干扰，然后将处理过的数据与预先设定的阈值进行比较,判断拥挤，该算法使用简便,但指数平滑的降噪效果有限，仍有较高的误报率。标准偏差法利用时刻t之前η个采样周期的交通参数数据的算术平均值作为交通参数在时刻t的预测值,再用标准正态偏差来度量交通参数相对于其以前平均值的改变程度，当偏差超过预先设定的阈值,则认为发生了偶发性交通拥挤,该算法使用也较简便，但看不出交通变量的变化趋势,误差很大。上述基于线圈采集的参数进行交通状态判别的算法大部分属于时空透视法范畴。这些交通状态判别算法中，分别应用了不同的交通状态分类结果作为算法的比较标准。这些算法共同的缺陷就在于交通状态分类标准是确定的,无法根据采集到的海量交通流基本特征参数的变化而变化。城市道路的交通特性是随时间不断变化而变化的，交通流的基本特征不仅每时每刻都在发生着量变，而且在一个相当长的时期内，不断积累的量变会带来整个交通系统交通流特征一个整体的质变。因此要想提高算法准确率,需要对交通状态分类标准进行定期的修订，从而保证该状态分类标准与实际情况的吻合,为交通状态的判断提供可靠的比较依据。且城市道路受信号灯影响，线圈检测数据有着明显的周期性变化，交通状态的判断还必须考虑到信号灯系统信号周期的影响,现存算法中尚缺乏这方面研究。
发明内容本发明提出一种兼顾精确性和实时性的自动交通状态判定方法,其具体为一种基于信号灯系统环形线圈判别道路交通状态的方法,包括A、通过环形线圈检测器获取车道周期内流量、车道周期内占有率和车道平均速度；B、将车道周期内流量、车道周期内占有率和车道平均速度分别换算为断面平均速度、断面平均占有率和单车平均占有率，再经过错误数据修复和数据平滑处理后,将断面平均速度、断面平均占有率和单车平均占有率作为历史数据存入数据库；C、当积累预定周期内的历史数据后，首先对预定周期的数据标准化，将三种不同的原始数据转化为无单位的且数量级相同的数据，再基于标准化后的数据将求解聚类中心，以使每个样本到三个聚类中心的加权距离平方和达到最小，三个聚类中心分别对应畅通、拥挤、拥堵三类交通状态，根据变量标准化公式对聚类中心进行反向运算，得到三种交通状态的由断面平均速度、断面平均占有率、单车平均占有率组成的聚类中心向量，并基于向量判定各向量分别对应哪种交通状态；D、对当前实时交通数据进行预处理之后,分别计算与所述三个聚类中心的欧氏距离，得到与当前实时交通数据欧氏距离最小的聚类中心，判定当前交通状态为该欧氏距离最小的聚类中心对应的交通状态；E、将判定的当前交通状态以直观的颜色标识反映到电子地图上。其中，步骤C中求解聚类中心包括如下步骤C11、初始化，根据参数确定的结果给定指数因子m，给定迭代截止误差ε>0、算法最大迭代次数Tmax及初始聚类中心VO=Iv1,0,V2,0,V3,0}；C12、计算Ut=[uik,t],其中，Uik是第k个样本对第i个聚类中心的隶属度；令Ut=[uik,t],其中，dik为第k个样本与第i个聚类中心的距离；如果dik=0,则uik,t=1,且对j乒i，uikjt=0，1彡i彡3，1彡k彡η；如果dik.t>0，贝^(3/,/V1"V":■Iki,_8]um=L·；、i/㈣~nι…？),…。；^^^^^^^^JlV-IlJIj\f\r=l\ajki)JC13、计算Vt+1=[v丨.t+1，v2’t+:l，v3,t+1],ηΣ(μ拟)xkV“+1=-，1彡i彡3;Σ(uii、t)t=l3C14、判断，如果—Vt=^Vu+1—V^<ε或t达到最大，迭代次数Tmax,则终止迭代；否则,令t=t+Ι,回到Cll；C15、当迭代终止时的V即为所求聚类中心。更进一步，步骤Cl1中确定m值包括如下步骤C111、根据检测器采集到的历史数据样本X计算Xmax[Cx]；1C112如果XmaJCJ<0.5，则1<_<Γ^"如果丄“v^inoxL“.JfJAmax[CJSs0.5’则me[1.5,2.5]C113以步长为0.1对狄印2中1^万在区间进行渐进寻优,计算不同!11值对应的各类聚类中心间的距离，寻找使分类的各类聚类中心间距离最大的m值。其中，步骤D中实时交通特征参数与聚类巾心欧式距离的计算公式为Π^V—V7=Jy^t.(χ飞—V7)VJ=1其中x表示经过预处理后的实时交通参数向量；Vi表示第i个聚类中心向量；Xj、Vij分别表示实时交通参数向量和聚类中心向量中的第j个参数，j=1、2、3，分别表示断面平均速度、断面平均占有率和单车平均占有率。同时，步骤D还包括只有连续两个周期的交通状态都与原先交通状态不一致，且该两个周期交通状态一致，才更改输出的交通状态。本发明还提出一种基于信号灯系统环形线圈判别道路交通状态的装置，其特征在于包括数据采集模块，用于通过环形线圈检测器获取车道周期内流量、车道周期内占有率和车道平均速度；数据预处理模块,用于将车道周期内流量、车道周期内占有率和车道平均速度分别换算为断面平均速度、断面平均占有率和单车平均占有率,再经过错误数据修复和数据平滑处理后，将断面平均速度、断面平均占有率和单车平均占有率作为历史数据存入数据库；历史数据聚类分析模块，用于当积累预定周期内的历史数据后，首先对预定周期的数据标准化,将三种不同的原始数据转化为无单位的且数量级相同的数据,再基于标准化后的数据将求解聚类中心，以使每个样本到三个聚类中心的加权距离平方和达到最小，三个聚类中心分别对应畅通、拥挤、拥堵三类交通状态,根据变量标准化公式对聚类中心进行反向运算,得到三种交通状态的由断面平均速度、断面平均占有率、单车平均占有率组成的聚类中心向量,并基于向量判定各向量分别对应哪种交通状态；道路交通状态判别模块，用于对当前实时交通数据进行预处理之后，分别计算与所述三个聚类中心的欧氏距离，得到与当前实时交通数据欧氏距离最小的聚类中心,判定当前交通状态为该欧氏距离最小的聚类中心对应的交通状态；道路交通状态显示模块,用于将判定的当前交通状态以直观的颜色标识反映到电子地图上。本发明从现有的信号灯系统环形线圈数据出发,甄选最能反映交通状态的特征参数，考虑信号灯周期，在对原始数据进行预处理之后，在绿灯周期内分析线圈采集数据的自相关模式，实现交通状态判别标准的自动修订，从而较为准确的判别出道路交通状态。本发明的上述以及其它的目的、特征以及优点将在结合显示和描述本发明的具体实施例的附图阅读了以下的详细说明后对于本领域的技术人员变得明确。图1是信号灯系统服务的环形线圈布设示意图；图2是自动交通状态判别系统框图；图3是历史数据聚类分析流程图；图4是道路交通状态判别流程图。具体实施例方式本发明实施例的实施需要一定时间的历史数据累积，以历史数据为基础聚类出合理的判别标准。以时间为横坐标(时间轴需包含拥挤时段)，以信号灯系统环形线圈采集的各交通特征参数的历史数据为纵坐标作图，可以比较出，在拥挤发生、持续及消散过程中，信号灯系统环形线圈检测器采集到的速度和占有率参数对拥挤的时间敏感性和程度敏感性均较强,而流量的敏感性则明显较弱。但占有率除以流量，即单车平均占有率则变化较为明显。因此速度、占有率、单车平均占有率是最为合适的交通特征参数。因此,本发明选取这些参数来作为判断交通状况的依据。如图2所示，系统由静态数据管理和维护模块、动态数据采集模块、动态数据预处理模块、数据标准化模块、历史数据更新模块、历史数据聚类分析模块、道路交通状态判别模块、道口交通状态显示模块、数据存储模块构成。其中静态数据是指道路网络几何形状、网络拓扑结构等长期变化不大的数据，以及路段车道数、等级等相对比较稳定的属性数据。这些数据在初始化的时候需要花比较大的功夫，必要时需要进行交通调查。需要维护的路段数据的数据结构如下<table>tableseeoriginaldocumentpage8</column></row><table>相邻两个交叉口之间的路段除单行线为单一路段外，不同走向的路段编号不同，起止节点相反。系统在采集到信号灯系统环形线圈检测器的实时绿灯周期参数数据之后经过动态数据预处理模块的参数换算、错误数据修复、平滑处理之后存储到数据库。数据预处理的具体流程如下。A、有效数据时间设定考虑到信号灯系统环形线圈的布设地点和城市道路交通的周期性特性,认为绿灯时间内的数据方为有效数据，因为信号灯系统和环形线圈是联动的，因此可直接在系统上进行设定，只让环形线圈回传绿灯时间内的检测数据。B、输入参数换算信号灯系统环形线圈检测器给出的是车道周期内流量、车道周期内占有率和车道平均速度，所以需要进一步换算为断面平均速度、断面平均占有率和单车平均占有率。断面流量为<formula>formulaseeoriginaldocumentpage8</formula>断面平均速度为<formula>formulaseeoriginaldocumentpage9</formula>断面平均占有率为<formula>formulaseeoriginaldocumentpage9</formula>单车平均占有率为<formula>formulaseeoriginaldocumentpage9</formula>式中qi,Oi,Vi分别代表每个车道检测周期内的交通流量、时间占有率和平均速度；η表示车道数。C、错误数据修复城市道路中随机干扰较多,通过环形线圈检测器直接采集到的原始数据有可能会出现错误数据，这些数据如果直接用于交通状态的判别，会大大影响交通状态的结果。因此可根据每条道路的实际情况，确定断面流量、断面平均占有率和单车平均占有率的上下阈值，从而确定出一个有效区间，一旦超出该区间，则认为是错误数据。对错误数据需利用历史数据与实测数据的加权估计值进行修复,其计算公式为<formula>formulaseeoriginaldocumentpage9</formula>式中X(t)·是t时刻复后的数据；X(t_1}是t-l时刻的实测数据；x(t)°ld是t时刻的历史数据，即前一天t时刻的数据；α是加权系数，反应了时刻的实测数据和t时刻的历史数据在数据修复中所起的作用，α越大,实测数据对修复后的数据影响越大,反之亦然。α可根据实测确定合适值。D、数据平滑处理平滑处理采用移动平均法，其目的是为了去除短期的交通干扰，具体公式如下I⑴二―(I⑴+Ay-.0++Ah,-⑴)m式中X'(t)足第t时段的一次移动平均值。ra是计算移动平均值所取的数据个数；m的大小对平滑效果影响很大，m取得小,平滑曲线灵敏度高,但抗随机干扰的性能差；m取得很大，抗随机千扰得性能好，但灵敏度低，对新的变化趋势不灵敏。所以m的选择是移动平均法的关键。针对具体的问题，选择m时，应考虑对象时间序列数据的多少及数据采集周期的长短。一般来说，m取3。当数据积累到一定天数,便可启动算法。历史数据的聚类分析模块的整个算法流程如图3所示。首先对历史数据进行数据标准化处理，由于速度、占有率、单车平均占有率三个参数自身的单位和数量级都不相同,所以需要对原始的三种不同数据进行标准化运算,将其都转化为无单位的且数量级相同的数据作为变量进行输入,这样才能更好的利用聚类分析的数据挖掘方法进行研究。数据标准化利用的是平均差原理。对于一组数据(X1,X2,…，Xn),其标准化公式如下；？yχ.一ιηJ~~τ1j—IJ^j=—/---X.η=1η1<formula>formulaseeoriginaldocumentpage11</formula>式中忑为平均差值；Ε,·为Xi相对于算术平均值的差值；yi为Xi标准化后的度量值。标准化完成后，由历史数据聚类分析模块进行数据聚类分析。模糊聚类分析采用前N(N可根据实际情况取值,一般可取15)天内的历史数据作为聚类分析的基础，当然这些数据均是经过数据预处理后存入历史数据库的。只需从历史数据库中调取即可。算法的目标是将历史数据自动划分为三个组，以使每个样本到三个聚类中心的加权距离平方和达到最小。A、模型构筑以X=Ix1,X2,…，xj表示信号灯系统环形线圈前N天的历史数据集合，η表示历史数据集合中的样本个数。现要将这些历史数据自动划分为三组,即有三个聚类中心，分别对应畅通、拥挤、拥堵三类交通状态。设这三个聚类中心向量为V={V1,V2,V3}。Uik是第k个样本对第i个聚类中心的隶属度，U=[uik]是一3Xn矩阵。则模糊聚类算法的目标函数为3wITll1^m(:[,，^,^)-^^^^(f'^ik)X~j(ι)约束条件为<formula>formulaseeoriginaldocumentpage12</formula>Jm是类内误差的加权平方和目标函数，m是一个可以控制聚类结果的模糊指数，me(1，-)，模糊指数越大,聚类的模糊程度就越大。！Xk-ViI表示所采集的样本Xk与聚类中心向量Vi的欧式距离。<formula>formulaseeoriginaldocumentpage12</formula>其中j=1、2、3，分别表示样本和聚类中心向量中的3个指标断面流量、断面平均占有率和断面平均速度。该算法的目标即为在条件(2)约束下求式(1)的极小值，当求得最小值时,就能得<formula>formulaseeoriginaldocumentpage12</formula>B、参数确定模糊指数m的取值对聚类结果有较大影响，其选择依赖于信号灯系统环形线圈检测器的历史数据样本X的一个统计量λfflax[Cx]。<formula>formulaseeoriginaldocumentpage12</formula>其中λi为矩阵Cx的特征根，当λmax[Cx]<0.5时，则1^HI^----2AiaxKV]不如此取值的话,则模糊聚类算法的聚类结果不够理想。当Amax[Cx]》0.5时,则m>1。根据大量实验数据分析，m值的最佳选择区间[1.5,2.5]。由此可见，确定m值的步骤如下Stepl根据检测器采集到的历史数据样本X计算λmax[Cj；<formula>formulaseeoriginaldocumentpage13</formula>；如果Amax[cj)0.5则me[1.5,2.5]；St印3采用启发式方法，以步长为0.1对st印2中m所在区间进行渐进寻优，计算不同m值对应的各类聚类中心间的距离,寻找使分类的各类聚类中心间距离最大的m值。C、求解聚类中心令Jm对Vi和Uik的偏导数为0，则可以根据模糊聚类的目标函数推出聚类中心和隶属度的计算公式。聚类中心计算公式为<formula>formulaseeoriginaldocumentpage13</formula>隶属度计算公式为<formula>formulaseeoriginaldocumentpage14</formula>则蛋类中心的求解步骤如下所示Stepl初始化，根据参数确定的结果给定指数因子m，给定迭代截止误差ε>0、算法最大迭代次数Tmax及初始聚类中心VO=Iv1,。，V2,ο,ν3,。}，其中V1,。，V2,0,V3,。对应于畅通、拥挤、拥堵三类交通状态的聚类中心初值。St印2:计算Ut=[uik,J,令dik,t=iIxkIiII2,如果dik=0,则uik,t=1,且对j乒i，uik,t=0，1彡i彡3，1彡k彡η；如果dik,t>0，则<formula>formulaseeoriginaldocumentpage14</formula>Step4:判断，如果<formula>formulaseeoriginaldocumentpage14</formula>达到最大迭代次数Tmax，则终止迭代；否则,令t=t+Ι，回到第一步。当迭代终止时的V即为所求聚类中心。因为输入数据是经过数据标准化后的数据，因此迭代结束后的聚类中心也是无量纲数据。可根据变量标准化公式对聚类中心进行反向运算，得到三种交通状态的由断面平均速度、断面平均占有率、单车平均占有率组成的聚类中心向量。以前N天的历史数据自动迭代出聚类中心之后,便可以此聚类中心为标准判别当前天的道路交通状态。道路交通状态判别流程如图4所示。每天只需聚类一次，判别时只需将实时数据进行预处理之后，分别计算与三个聚类中心的欧式距离。实时交通特征参数与聚类中心欧式距离的计算公式为Ik—”Il=^t(xZ-1V)其中x表示经过预处理后的实时交通参数向量；Vi表示第i个聚类中心向量；Xj，Vij分别表示实时交通参数向量和聚类中心向量中的第j个参数，j=1、2、3，分别表示断面平均速度、断面平均占有率和单车平均占有率。距离最小的即为当前交通状态。此判别方法计算极为简便,运算时间极短,保证了算法的实时性。但为了保证交通状态变化不致过于频繁，认为只有连续两个周期的交通状态都与原先交通状态不一致，且该两个周期交通状态一致，方才更改输出的交通状态。道路交通状态显示模块负责将道路交通状态判别模块最终输出的交通状态以直观的颜色标识反映到电子地图上，红色表示拥堵,黄色表示拥挤，绿色表示畅通。本发明实施例提出的交通状态判别算法更加适用于城市道路，能够实现交通状态判别标准的自动修订。以上所述仅为本发明的较佳实施例，并不用于限制本发明，凡在本发明精神和原则之内所做的任何修改、等同替换和改进等,均包含于本发明的保护范围之内。权利要求一种基于信号灯系统环形线圈判别道路交通状态的方法，其特征在于包括A、通过环形线圈检测器获取车道周期内流量、车道周期内占有率和车道平均速度；B、将车道周期内流量、车道周期内占有率和车道平均速度分别换算为断面平均速度、断面平均占有率和单车平均占有率，再经过错误数据修复和数据平滑处理后，将断面平均速度、断面平均占有率和单车平均占有率作为历史数据存入数据库；C、当积累预定周期内的历史数据后，首先对预定周期的数据标准化，将三种不同的原始数据转化为无单位的且数量级相同的数据，再基于标准化后的数据将求解聚类中心，以使每个样本到三个聚类中心的加权距离平方和达到最小，三个聚类中心分别对应畅通、拥挤、拥堵三类交通状态，根据变量标准化公式对聚类中心进行反向运算，得到三种交通状态的由断面平均速度、断面平均占有率、单车平均占有率组成的聚类中心向量；D、对当前实时交通数据进行预处理之后，分别计算与所述三个聚类中心的欧氏距离，得到与当前实时交通数据欧氏距离最小的聚类中心，判定当前交通状态为该欧氏距离最小的聚类中心对应的交通状态；E、将判定的当前交通状态以直观的颜色标识反映到电子地图上。2.如权利要求1所述的方法，其特征在于步骤C中求解聚类中心包括如F步骤C11、初始化,根据参数确定的结果给定指数因子m，给定迭代截止误差e>0、算法最大迭代次数Tmax及初始聚类中心V0=(vl,0,v2,0,v8,0j；C12、计算Ut=[uik.t],其中,uik是第k个样本对第i个聚类中心的隶属度；令dik.t=Xk-Vi||2，其中，dik为第k个样本与第i个聚类中心的距离；如果dik=0，则uik，t=1,且对j乒i，uik,t=0，1≤i≤3，1≤k≤n；如果dik,t>0’则C13计算Vt+1=[v1,t+1,v2,t+1,v3,t+1],<formula>formulaseeoriginaldocumentpage2</formula>C14、判断，如果<formula>formulaseeoriginaldocumentpage2</formula>或t达到最大迭代次数Tmax，则终止迭代；否则,令t=t+1，回到C11；C15、当迭代终止时的V即为所求聚类中心。3.如权利要求2所述的方法,其特征在于步骤C11中确定m值包括如下步骤Clll、根据检测器采集到-算Xmax[c]C112如果Xmax[Cx]<0.5，则」maxm值对应的各类聚如果入max[C]0.5，则mG[1.5,2.5]；C113以步长为0.1对step2中m所在区间进行渐进寻优，计算〕类中心间的距离，寻找使分类的各类聚类中心间距离最大的m值。4.如权利要求1所述的方法,其特征在于实时交通特征参数与聚类中心欧式距离的计算公式为:X表示经过预处理后的实时交通参数向量；vi表示第i个聚类中心向量；xj.vij向量和聚类中心向量中的第个参!_分别表示断面平均速度、断面平均占有率和单车平均占有率。5.如权利要求1所述的方法,其特征在于,步骤D还包括只有连续两个周期的交通状态都与原先交通状态不一致，且该两个周期交通状态一致，才更改输出的交通状态。6.一种基于信号灯系统环形线圈判别道路数据采集模块，用于通过环形线圈检测器;车道平均速度；数据预处理模块，用于将车道周期内流量、艺通状态的装置E取车道周期内流量、车道周期内占有率和道J期内占有率和车道平均速度分别换再经过错误数据修复和数据平滑t据存入数据库；期内的历史数据后，首先对预定周期的数处理后,将断面平均速违历史数据聚类分析模块，用于当积累预定J据标准化，将三种不同的原始数据转化为无单位的且数量级相同的数据，再基于标准化后的数据将求解聚类中心，以使每个样本到三个聚类中心的加权距离平方和达到最小,三个聚类中心分别对应畅通、拥挤、拥堵三类交通状态,根据变量标准化公式对聚类中心进行反向运算,得到三种交通状态的由断面平均速度、断面平均占有率、单车平均占有率组成的聚类中心向量，并基于向量判定各向量分别对应哪种交通状态；道路交通状态判别模块，用于对当前实时交通数据进行预处理之后，分别计算与所述三个聚类中心的欧氏距离，得到与当前实时交通数据欧氏距离最小的聚类中心，判定当前交通状态为该欧氏距离最小的聚类中心对应的交通状态；道路交通状态显示模块，用于将判定的当前交通状态以直观的颜色标识反映到电子地图上。全文摘要一种基于信号灯系统环形线圈判别道路交通状态的方法，本发明涉及一种基于信号灯系统环形线圈判别道路交通状态的方法，本发明通过环形线圈检测器获取交通历史数据，对历史数据进行聚类分析，求得不同交通状态对应的聚类中心，在进行实时交通状态判别时，直接计算实时交通数据与各聚类中心之间的欧氏距离，判定当前交通状态为所述欧氏距离最短的聚类中心所对应的交通状态。文档编号G08G1/052GK101833858SQ20091031164公开日2010年9月15日申请日期2009年12月17日优先权日2009年12月17日发明者储浩,李建平申请人:南京城际在线信息技术有限公司