[发明专利]一种基于浮动车数据的高速公路路况识别与预测方法

权利要求书

1.一种基于浮动车数据的高速公路路况识别与预测方法，其特征在于，包括如下步骤：

(1)基于原始GPS轨迹数据，进行数据预处理；

(2)基于网格划分结果的速度计算方法，利用轨迹点间的欧式距离和行驶时间计算获得的行程车速作为车辆在更新点处的瞬时速度；

(3)基于步骤(2)中获得的各轨迹点的瞬时速度，以及各轨迹点的时间网格、空间网格编号，以空间网格和时间网格为单元，计算每个单元内的网格交通流参数；具体包括如下步骤：

(31)计算网格平均速度v_ins，如公式(6)，其中：代表第i个路段，第j个时间段的平均速度，v_k代表网格内第k个轨迹点的速度值，n为该网格轨迹点的数量；

(32)计算网格中位速度v_mid，即第i个路段，第j个时间段的中位速度；

(33)计算网格速度标准差std_v，即每个网格内速度的标准差；

(34)计算各网格浮动车流量q_grid，对于i路段，j时间段内的记录，删去重复的车牌值，进而统计唯一值的数量，获取网格浮动车流量；

(35)网格低速次数count_slow，指网格内速度小于某一特定阈值的记录数，定义车辆k在第i个路段，第j个时间段中速度序列，序列长度为m：

假设网格中共有n辆车，定义网格低速次数为：

(36)计算车速比r_v；

首先计算网格自由流车速v_min，选取网格自由流车速作为对网格车速的修正参数，取全天各网格中速度记录的最大值；

v_f＝max({v_t|t∈(0-24)}) (10)

(4)针对步骤(3)获取的网格交通流参数，利用基于主成分分析的方法对交通状态参数降维，简化了数据的维数，实现了对数据中无关特征的舍弃；具体包括如下步骤：

(41)基于步骤(3)所述方法，计算指定时间段内各路段、各时间段的交通状态参数，作为模型训练的样本；每个样本包括网格平均速度v_ins、网格中位速度v_mid、网格速度标准差std_v、网格浮动车流量q_grid、网格低速次数count_slow、车速比r_v六个参数，数据集x＝(x₁,x₂,x₃,x₄,x₅,x₆)＝(v_ins,v_mid,std_v,q_grid,count_slow,r_v)；

(42)计算数据集x的协方差矩阵∑；

∑_i,j＝cov(x_i,x_j) (12)

(43)对于协方差矩阵∑，假设其特征值按降序排列为：λ₁,λ₂,…λ₆，其对应的特征向量为：α₁,α₂,…,α₆，则相应的，第k主成分为：

其中，对于第k主成分z_k，其能够解释的总体方差的比例为：

(44)选取前m个特征向量，计算对应的m个主成分，实现对原始数据的特征降维，m取为3；

(5)基于降维后的交通流参数，利用k-means算法进行交通状态聚类分析得到交通状态标签，对不同交通状态进行识别；

(6)构建不同时间尺度的特征，基于步骤(5)获得的交通状态标签进行研究路段拥堵分析，建立基于长短期记忆神经网络LSTM的典型交通状态量预测模型。

2.如权利要求1所述的基于浮动车数据的高速公路路况识别与预测方法，其特征在于，步骤(1)中，原始GPS轨迹数据包括：车牌号，采样点经度，采样点纬度，采样时间，采样时间和采样日期。