[发明专利]一种基于复杂网络理论的城市交通异常识别方法

说明书

本发明提供一种基于复杂网络理论的城市交通异常识别方法，其步骤如下：步骤1，基于交通数据构建城市交通网络；步骤2，基于复杂网络理论的特征提取及筛选；步骤3，交通系统的异常识别及预测；步骤4，模型评价及验证；通过以上步骤，本发明基于复杂网络理论及机器学习方法，为城市交通拥堵异常的识别及预测提供了科学可靠的技术支持和理论支撑；本发明提出的技术方案能够高效准确地对城市交通系统的拥堵异常进行识别和预测，对保证城市交通系统健康平稳的运转和提高城市交通系统的可靠性具有重要意义；本发明所述方法科学，工艺性好，具有广阔推广应用价值。

技术领域

本发明提出一种基于复杂网络理论的城市交通异常识别方法，基于实证城市交通数据和路网结构信息构建城市交通网络，运用复杂网络理论进行特征提取及筛选，结合机器学习技术进行交通异常的识别及预测，属于机器学习与网络科学交叉领域。

背景技术

近年来，随着城市化的迅速发展，交通已经成为现代社会发展的主要基础设施之一，对于目前“互联网+交通”的发展模式也有着举足轻重的作用。然而，当城市交通随着城市的增长而发展成庞大而复杂的交通网络系统之后，交通拥堵的问题也变得愈发突出。事实上，交通拥堵已经造成了极大的经济、环境等损失。例如北京市2018年月人均拥堵成本约为1049元，处于全国首位。交通拥堵问题如果不能得到有效解决和根本治理，必将成为制约城市经济发展和人民生活水平提高的瓶颈。目前，许多城市内交通供给与交通需求之间的矛盾日益激化，造成严重的交通问题。在趋于饱和的城市道路网络中，交通事故、恶劣天气和道路交通紧急事件等交通异常发生时，均会造成道路交通短时拥堵，甚至会由点到面的迅速发展蔓延，导致整体路网的拥堵或瘫痪。及时、准确地识别交通异常事件并进行积极的响应和处理，是应对道路交通拥堵的有效途径之一。因此交通异常事件的识别也逐步成为交通研究领域的研究热点与难点。交通异常识别也成为智能交通系统研究中的一个重要组成部分。

传统的交通异常事件识别技术依靠传感器技术、计算机技术、人工智能技术和通信技术获取车辆的数量、车速、空间占有率等重要单一参数。检测设备的局限性和数据的不完整性影响着传统交通异常事件识别的准确性和实时性。车载GPS定位设备的普遍应用，在降低车辆相关信息获取难度的同时大大提高了信息的准确性，尤其是车辆GPS设备，每隔一定时间间隔会向管理中心发送一条包含位置、车速、车头朝向等信息的数据。由于城市车辆广泛的、长时间的分布于城市路网中，可以被视为城市路网交通的“流动检测器”，其运行轨迹形态、车载速度、出行流量能够很好的反映出路网的交通运行状况，能够实时、准确的获得识别异常所需的数据。此外，传统的交通异常识别方法多基于交通流量的变化，设计不同算法识别交通流参数的异常情况，没有考虑城市交通网络的结构特性，因此导致交通异常的识别及预测效率较低。因此，本发明从复杂网络的角度出发，运用城市交通系统的时空数据构建城市交通网络，并结合机器学习方法，从城市交通系统的功能和结构出发，考虑城市交通系统的时空演化特征对其异常进行识别及预测。

发明内容

(一)发明的目的

本发明的目的是：针对城市交通系统拥堵的演化及异常问题，本发明提供了一种基于复杂网络理论的城市交通异常识别方法，可以有效地对城市交通系统的拥堵异常进行识别和预测，对保证城市交通系统健康平稳的运转和提高城市交通系统的可靠性具有重要意义。

(二)技术方案

本发明是一种基于复杂网络理论的城市交通异常识别方法，其具体实施步骤如下：

步骤1，基于交通数据构建城市交通网络

(1)在建立城市交通网络过程中，将每个交叉路口抽象为节点；将任意两交叉路口之间的路段抽象为连边；将路段上车载的平均速度作为连边的权重；同时由于不同级别的道路其畅通状况评价标准不同，因此需要采用相对速度表示道路的速度水平，将其作为边权；以交叉路口作为节点、以路段作为边和以路段的相对速度作为边权建立城市交通网络(有向加权网络模型)；

步骤2，基于复杂网络理论的特征提取及筛选