[发明专利]一种基于信息熵的出行周期检测方法

说明书

本发明涉及一种基于信息熵的出行周期检测方法，包括以下步骤：S1.将出行的发生与否分别标记为1和0，对于给定长度为L的出行序列，设其可能的周期为P，将出行序列存储成一个的矩阵M_P；S2.对于矩阵M_P的每一列c，为其定义一个概率：其中m(j,c)表示矩阵M_p中的第j行第c列的值；S3.计算当前矩阵M_P的信息熵为：S4.取矩阵M_P中概率大于设定的第一阈值的所有列进行饱和度f_P的计算；S5.P＝P+1，重复执行步骤S1～S5，直至P大于L/2；S6.求得可能的周期集合P＝{P|在P处的信息熵不比在P+1和P‑1处的信息熵高，并且P对应的饱和度f_p第二阈值}，其中集合P中最小的值为周期值。

技术领域

本发明涉及智能交通控制领域，更具体地，涉及一种基于信息熵的出行周期检测方法。

背景技术

在大数据时代，信息获取的手段非常多，信息的感知工具非常普及，这使得收集各式各样的数据变得可能。同时，由此带来的数据产品非常丰富，其中包括许多事件组成的序列。

日常生活中，许多出行的发生都是存在着周期的，例如一个公司职员小王每周(7天)的工作日(5天)都会在早上乘坐地铁前往公司上班，这是在时空两个维度上的周期行为；又例如，王阿姨每个周日都会去某个(也许不是同一个)超市购置生活用品，这是在时间维度上的周期行为。

检测某个事件的发生是否存在周期以及其周期模式是怎样的，对于这类事件的管理，有着重要的意义，对相应系统的改进、提升有着指导意义。例如，可以通过一个区域居民的通勤出行情况对城市交通出行进行预测，并且对城市交通系统提出有针对性的改进、完善。

在交通系统中，出行者被诸如卡口、线圈等固定的感知、检测设备所感知。而具体到公共交通系统，获取到的是出行者的各阶段出行的OD点信息。

目前常见的出行轨迹时空分析方法是将空间区域进行编号，再在轨迹上依照一定的规则取点(事实上，常常先有点，后有轨迹)，按照所属的区域获得编号属性。通过上述步骤将一个时空出行轨迹转化成一个符号序列。最后通过符号序列来分析轨迹。

这种方法有如下缺点：首先过大、过小的空间区域划分容易使得信息存在丢失与冗余。同时，出行轨迹存在着一定的噪声，在该方法现有的框架下难以剔除噪声。一个个体的出行有着很多不同的出行目的、习惯，不加以区分而对所有的出行进行全局的周期检测、周期模式识别，大大增加了周期检测难度。

其次，过于关注轨迹的细节部分。从一个大范围、全局宏观的视角来看，一个城市的出行量十分巨大。先不说如此庞大的计算量，城市管理者、交通部门的决策者，往往更关心的是中观的指标，例如某个区域有多少通勤量发生、通勤的起讫点，而不是具体到地点的出行轨迹。

因此，本发明采用了基于中观层面，将一个出行者的出行轨迹序列在某个时间窗下抽象为01序列的检测方法。该方法是本发明提出的周期检测方法的基础。

首先将同一次出行目的的出行阶段进行合并(如换乘出行合并)，将个体出行信息转化为基于出行目的的个体出行链。对一个出行者的出行链进行模式聚类、划分(这里的模式可看做是一类目的的出行，例如小王上班，与具体聚类的划分的标准有关)。在观测时间窗内，某天，该模式的出行发生则标记为1，否则标记为0。这种方法从中观的角度出发，很好地满足了城市管理者、交通决策者的需求。

至此，得到了每个出行者的不同模式下的出行01序列。

在周期的检测上，目前国内外主要着重于检测时间序列、符号序列与交易序列的周期及周期模式，针对于01序列周期检测的方法还比较少。现介绍一下常用的适用于01序列的周期检测方法：

方法一：自相关函数与快速傅里叶变换。