[发明专利]一种校园交通的拥堵识别方法

权利要求书

1.一种校园交通的拥堵识别方法，其特征在于，包括如下步骤：

步骤1，获取混合交通模式下各类道路使用者的数据；

步骤2，根据步骤1所获取数据计算交通道路占用率；

步骤3，依据所述道路占用率结合所述各类道路使用者的数据将交通拥堵级别，包括自由流，一般拥堵和严重拥堵；

步骤4，用相关系数法分别计算所述各类道路使用者的数据和所述道路占用率与所述交通拥堵级别之间的相关性。

2.根据权利要求1所述的一种校园交通的拥堵识别方法，其特征在于：所述各类道路使用者的数据是对视频资料进行数据统计得出的。

3.根据权利要求1所述的一种校园交通的拥堵识别方法，其特征在于：所述各类道路使用者的数据包括行人、自行车、摩托车和汽车的数量、速度和占用道路面积。

4.根据权利要求1所述的一种校园交通的拥堵识别方法，其特征在于：所述道路占用率包括：设定i＝1，2，3，4分别行人、自行车、摩托车和汽车各类道路使用者包括，N_i表示行人、自行车、摩托车和汽车的数量，S_r表示所选取实验路段的面积，S_i表示行人、自行车、摩托车和汽车的单个道路使用者所占用的道路面积。

5.根据权利要求1所述的一种校园交通的拥堵识别方法，其特征在于，所述步骤3是指依据所述道路占用率结合汽车、自行车和行人的速度对交通拥堵情况进行评价并得出交通拥堵级别，具体方法为：当道路占用率比平均道路占用率提高90％以上，汽车速度比汽车平均速度降低50％以上，摩托车速度较摩托车平均速度降低20％以上，自行车速度比自行车平均速度降低10％以上，行人速度比行人平均速度降低15％以上，则评价交通拥堵级别为严重拥堵；

当道路占用率比平均道路占用率提高40％-90％，汽车速度比汽车平均速度降低20％-50％，摩托车速度比摩托车平均速度下降5％-10％；自行车速度比自行车平均速度降低5％-10％，行人速度比行人平均速度降低5％-15％，则评价交通拥堵级别为一般拥堵；

当道路占用率在平均道路占用率30％以下，汽车速度在汽车平均速度的负10％以上，摩托车速度在摩托车平均速度负5％以上；自行车在自行车平均速度的负5％以上，行人速度在行人平均速度的负5％以上，则评价交通拥堵级别为自由流。

6.根据权利要求5所述的一种校园交通的拥堵识别方法，其特征在于：平均道路占用率是指在实验路段特定时间段内的道路占用率平均值；汽车平均速度是指在实验路段特定时间段内的汽车速度平均值；摩托车平均速度是指在实验路段特定时间段内的摩托车速度平均值；自行车平均速度是指在实验路段特定时间段内的自行车速度平均值；行人平均速度是指在实验路段特定时间段内的行人速度平均值。

7.根据权利要求1所述的一种校园交通的拥堵识别方法，其特征在于：所述步骤4是用Spearman皮尔逊相关系数法分别计算道路占用率、汽车速度、摩托车速度、自行车速度、行人速度与所述步骤3所得的交通拥堵级别的相关性，所述相关性其中，d_j＝x_j-y_j，x_j为在统计时段内的数据集合组成的数组，所述数据为道路占用率或行人速度或自行车速度或摩托车速度或汽车速度，y_j表示交通拥堵级别，自由流、一般拥堵和严重拥堵分别用2、1、0表示，n表示x_j或y_j的数据量。

8.根据权利要求1所述的一种校园交通的拥堵识别方法，其特征在于：在所述步骤4之后还包括对结果进行验证的步骤5，建立的BP神经网络模型，从所述步骤4的结果提取相关性最高的数个特征作为BP神经网络的输入参数，对该模型进行训练，计算得出样本交通拥堵级别，将步骤3所得的所述交通拥堵级别与所述样本交通拥堵级别进行对比得到本方法的交通拥堵识别率。

9.根据权利要求8所述的一种校园交通的拥堵识别方法，其特征在于：所述BP神经网络模型为三层BP神经网络模型，从所述步骤4的结果提取相关性最高的三个特征作为BP神经网络的输入参数。

10.根据权利要求9所述的一种校园交通的拥堵识别方法，其特征在于：选取函数作为所述BP神经网络模型的激活函数；m为输入参数，表示汽车速度、行人速度或交通道路占用率与其权重的加权和，所述权重为随机量；S(m)为BP神经网络神经元输出，表示所述样本交通拥堵级别。