[发明专利]一种基于时序交通网络图的交通运行状态分类方法

权利要求书

1.一种基于时序交通网络图的交通运行状态分类方法，其特征在于，所述方法包括以下步骤：

步骤1：根据时间序列道路交通流数据集构建时序交通网络图，并保存网络图信息：获取路段的时序交通流量数据，构建时序交通网络图，并保存网络图信息；

对于单条路段，获取其m个时序交通流量数据，选取n个连续的时序交通流量数据构建时序交通网络图，将时序交通网络图表示为：

G_t＝{(N_t,E_t,V_t)} (1)

并且每一个时序交通网络图都有一个交通运行状态PL_t与之一一对应，并将交通运行状态集合表示为：

PL_t＝{PL₁,PL₂,…,PL_k} (2)

其中k＝m-n+1；

同时将时序交通网络图集合表示为：

G＝{G₁,G₂,…,G_t} (3)

其中t＝m-n+1；

对于每个时序交通网络图，将用来构建交通网络图的时序交通流量数据中包含的时间节点作为网络的节点，并将节点集合表示为：

N_t＝{N_t1,N_t2,…,N_tn} (4)

其中tn是时序交通网络图中选取的时序交通流量的时序号；

对于每个时序交通网络图，将属性集合表示为：

V_t＝{V_t1，V_t2,…,V_tn} (5)

其中V_tn为每个时序网络图中tn时刻对应的交通流量值；

对于每个时序交通网络图的连边E_t情况，用一个邻接矩阵A∈R^N×N来表示；

对于时序交通网络图中的两个节点N_ti，N_tj，两个节点间存在o个节点，o个节点中存在p∈(1,o)个节点N_ta使得：

V_taV_i+(V_j-V_i)*(t_a-t_i)/(t_j-t_i) (6)

并使得其余o-p个节点N_tb满足：

V_tbV_i+(V_j-V_i)*(t_b-t_i)/(t_j-t_i) (7)

就表示节点N_ti与N_tj之间有连边，即在邻接矩阵A中的A_ij满足：

其中i为邻接矩阵的行，j为邻接矩阵的列；

步骤2：将保存的网络图信息转化为vector：利用Doc2vec将paragraph转化为特征词向量vector；

对于每一个时序交通网络图G_i(i∈[1,tn])，利用Weisfeiler-Lehman重标记方法对每个交通网络图进行重标记，并将重标记后的度为d的交通网络图G_i表示为sg_i^(d)；

利用Doc2Vec方法将时序交通网络图转化为时序特征向量，将最终得到的时序特征向量组成的矩阵用表示，并将迭代过程用以下公式(9)-(10)表示：

J(φ(G))＝-logPr(sg_i^(d)|φ(G)) (9)

其中为似然函数，α为学习率，为时序特征向量组成的特征矩阵，并将概率函数Pr(sg_i^(d)|φ(G))定义为：

步骤3：基于Doc2vec训练得到的特征词向量vector进行分类：基于得到的特征词向量vector结合对应交通状态进行分类；

基于Graph2vec训练得到的时序特征向量集合根据其分别对应的交通运行状态结合随机森林进行分类，分类的准确度用A表示为：

A＝k_t/k (12)

其中k_t为预测正确的时序交通运行状态个数，k为总时序交通运行状态个数，且k＝m-n+1；

根据时序特征向量集合及其对应的交通运行状态利用随机森林进行分类的过程如下：

从得到的时序特征向量样本里随机且有放回地取出e个时序特征向量，并且重复F次，然后利用这F个数据集分别作为训练集训练F个CART决策树模型；

对于每一个CART决策树的分类过程描述如下：

对于所有时序特征向量集合在每一个特征条件下都选择某一个值将分为集合与集合并将在特征A下时序特征向量集合的基尼系数表达式为：

其中基尼系数表达式为：

对于特征向量的每一个特征的每一次切分都尽可能使基尼系数达到最小，最终得到最优的决策树；

所有的F个决策树共同组成随机森林，且最终的分类结果由这F个决策树投票决定产生分类结果。