[发明专利]基于实时行车方向和通行时段信息的交通状态判别方法

说明书

技术领域

本发明涉及交通状态判别技术领域，特别是一种基于实时行车方向和通行时段信息的交通状态判别方法。

背景技术

交通状态判别实质上就是根据交通流的特性，将相似的状态划分为一类。交通状态判别可以分为人工判别方法和自动判别方法。人工判别方法虽然简单、直接、方便，但是受到人力的限制，需要的人员数量和工作强度都比较大，因此，人工判别方法已经逐渐被自动判别方法所取代。

交通状态自动判别方法有很多，例如，加利福尼亚算法和McMaster算法等。加利福尼亚算法主要是通过比较相邻检测站检测的占有率等交通流参数，来判别交通状态。McMaster算法是最早的以常发性交通拥挤作为交通状态判别对象的算法，该算法以突变理论为基础，在大量历史数据的基础上，比较拥挤和非拥挤的流量-占有率数据，以此为模版，通过实测数据与流量-占有率模版的两次比较，判断是否发生交通拥挤以及交通拥挤的类型。

对于城市道路的不同路段，受到道路本身物理条件及服务设施等条件的限制，交通状态在不同路段表现出较大的差异；而对于同一个路段，交通状态也不是一成不变，外界环境因素的变化影响着驾驶员对同一地点交通状态的感觉变化。例如在路段的往返方向，可能某一方向发生交通拥堵，而另一个方向交通顺畅；在交通高峰期，驾驶员可能已经在心理上习惯路段的交通拥堵，而在非高峰期，反而无法接受短时的交通拥堵。这些外界环境因素的变化，在影响驾驶员心理感受的同时，也影响了驾驶员对交通状态的判断。

现有技术没有考虑这些外界环境因素的变化，直接根据一个固定的标准判别道路的交通状态，往往会造成交通状态的误判。

发明内容

    有鉴于此，本发明根据不同道路的交通流特性，对交通状态判别依据进行调整和修正，达到优化交通状态判别的目的。

本发明采用以下方案实现：一种基于实时行车方向和通行时段信息的交通状态判别方法，其特征在于包括以下步骤：

步骤S01：采集路段的交通流数据，根据行车方向和对应的交通时段划分交通流数据，把不同的行车方向和交通时段组合成主要行车方向高峰时段交通流、次要行车方向高峰时段交通流、主要行车方向平峰时段交通流和次要行车方向平峰时段交通流模式，分别建立对应模式的交通流数据集，历史数据作为训练数据集，实时采集的数据作为预测数据集；

步骤S02：对所述训练数据集和预测数据集进行归一化，使输入值分布在[-1，1]的区间内，消除变量因数量级上的差异而造成的影响；

步骤S03：建立SOM神经网络，输入层神经元数量由分类所采用的交通流参数的个数决定；

步骤S04：训练SOM神经网络，对于给定的训练数据集，将权值数据集初始化为随机值，确定竞争层获胜单元，然后对获胜单元及其邻域单元的连接权值进行修正，权值更新规则为：

                     （3）

               （4）

式中，为获胜单元的连接权值；为获胜单元的输入；，分别表示获胜单元及其邻域单元的权值学习因子，取值范围为（0，1），且；

步骤S05：训练出符合要求的网络后，将预测数据集代入网络中，即可实现交通状态分类；同时再返回步骤S01，将预测数据集反馈到训练数据集，不断完善SOM神经网络，实现模型的自动调整。

在本发明一实施例中，所述行车方向的不平衡性用方向分布系数表示：

                （1）

行车方向分布系数取值大于50%，越接近50%，表明两个行车方向的交通量越趋近平衡，越远离50%，表明两个行车方向的交通量差异越大。

在本发明一实施例中，所述交通时段分为高峰时段和平峰时段，以高峰时段系数表示高峰时段和平峰时段的交通量差异，表达式如下：

                  （2）。

    在本发明一实施例中，所述步骤S03中采用交通量、平均车速以及交通密度作为分类的指标，则输入神经元为3个；竞争层神经元个数由分类数决定，将交通状态分为3类，则竞争层有3个神经元。

在本发明一实施例中，所述步骤S04训练过程中，逐渐减少邻域及权值的变化量；获胜单元的权值学习因子及其领域单元是逐渐减小的，和领域宽度在迭代过程中逐渐减小，其调整策略表达式为：

                          （5）

                          （6）