[发明专利]一种识别有效停车泊位占有率中离群数据的方法

说明书

技术领域

本发明属于智能交通系统中智能信息处理技术领域，涉及一种智能交通系统所采集的交通数据的质量控制方法。

背景技术

停车场是否有空余泊位可供停车是驾车者停车选择时最为关注的问题之一。利用停车泊位信息采集技术获得停车场内空余车位的信息是停车诱导信息系统的一项关键技术。比较准确地采集到停车场的空余泊位信息，供系统用户选择停车场时参考，不仅有利于用户合理地安排自己的出行，也有利于交通管理部门对交通的宏观调控。

由于采样失真、测量误差、设备故障以及其它可能存在的影响因素，采集的有效停车泊位占有率数据中通常存在着不遵循数据波动变化规律的样本，这些异常点即为离群数据。当采集的有效停车泊位占有率数据用于建模时，离群数据不具备代表性，也不能有效地建模并描述系统。为了提高动态停车诱导信息的准确性和可靠性，保证停车诱导与预测模型的使用效果，有必要对离群数据加以识别并进行相应的处理。

有效停车占有率中离群数据的识别，属于时间序列离群点检测的范畴，与常规数据的离群点检测有所不同。常规离群检测模式一般对映射在高维向量空间的单个数据点进行离群点挖掘，通过各种数据点之间的距离定义确定差别和判别阈值，这样的方法无法考虑时间序列中数据的周期性波动，而常会对处于高峰和低谷的数据产生误判。目前，在交通工程领域中主要基于统计学的方法识别离群数据，该方法计算简单，但其应用需要事先明确数据的分布，一般较难实现，而且现实数据往往不符合任何一种理想状态的数学分布。此外，基于统计学的离群检测算法大多只适合于挖掘单变量的数值型数据，对高维、周期性数据、分类数据则较难进行识别。

为了克服上述方法的缺陷，本发明提出使用基于小波分析和局部信息熵加权的离群数据挖掘算法识别异常停车泊位有效占有率数据。

发明内容

技术问题：本发明提供了一种可以考虑数据的周期性和波动性，降低误判率，提高可靠性的识别有效停车泊位占有率中离群数据的方法。

技术方案：本发明的识别有效停车占有率离群数据的方法，包括以下步骤：

1）统计出不同时间段内进入停车场的车辆数I_i和离开停车场的车辆数L_i，其中i=1，2，…，M，M为时间段个数，设停车场总泊位数为R，则各个时间段末的有效泊位数X_i为：X_i＝X_i-1-I_i+L_i，各个时间段的有效泊位占有率c_0i为：c_0i=X_i/R，从而得到停车场的有效泊位占有率时间序列c₀＝{c₀₁，c₀₂，…，c_0M}；

2）用小波函数对步骤1）中得到的有效泊位占有率时间序c₀进行N尺度的小波分解，得到一个尺度为N的低频系数向量c_N和N个不同尺度下的高频系数向量d₁，d₂，…，d_N，其中尺度数N为整数且4≤N≤6；对低频系数向量c_N和高频系数向量d₁，d₂，…，d_N进行小波重构，得到N+1个重构的时间序列C_N，D₁，D₂，…，D_N，N+1个重构的时间序列均为行数为M的列向量，然后用N+1个重构的时间序列组成N+1维数据集D，即D=[C_N，D₁，D₂，…，D_N]，N+1维数据集D中共有M个数据点，最后对N+1维数据集D的维度重新编号，将C_N，D₁，D₂，…，D_N依次对应表示为：A₁，A₂，…，A_N+1，并将由A₁，A₂，…，A_N+1构成的向量A={A₁，A₂，…，A_N+1}称为数据集D的维度集；