[发明专利]识别归纳车辆当前区域拥堵状况的方法

权利要求书

1.一种识别归纳车辆当前区域拥堵状况的方法，其特征在于，包括以下步骤：

步骤S1，拥堵形态分类及标准确定；

步骤S2，确定关注区域并提取关注区域的拥堵信息；

步骤S3，聚类分析归并拥堵性质相同或相似的相邻路段；

步骤S4，根据步骤S1确定的标准判别拥堵形态。

2.如权利要求1所述的识别归纳车辆当前区域拥堵状况的方法，其特征在于，

步骤S1中，拥堵形态包括：节点性拥堵、线性拥堵和区域性拥堵；拥堵形态的标准包括：

节点性拥堵是拥堵长度小于设定长度阈值的形态；

线性拥堵是是拥堵长度等于或大于设定长度阈值的形态；

区域性拥堵是拥堵道路占区域道路等于或大于设定百分比阈值的形态。

3.如权利要求2所述的识别归纳车辆当前区域拥堵状况的方法，其特征在于，

线性拥堵又分为匀质线性拥堵、间断性线性拥堵、鱼骨形线性拥堵。

4.如权利要求2所述的识别归纳车辆当前区域拥堵状况的方法，其特征在于，

对于节点性拥堵，语音播报的表述为：道路名称+位置+程度；

对于线性拥堵，语音播报的表述为：道路名称+“位置-位置”+子类型+程度；

对于区域性拥堵，语音播报的表述为：位置+范围+程度。

5.如权利要求2、3或4所述的识别归纳车辆当前区域拥堵状况的方法，其特征在于，

步骤S3中，采用K-均值聚类算法将相似性高的相邻对象归并一个整体，即将拥堵性质相似的路段归并；拥堵性质是指拥堵程度中的拥堵等级；获取区域内所有路段测点的拥堵数据作为聚类的k个簇，每个簇通过质心来描述；以欧式距离作为类间距离，x_ik、x_jk为拥堵路段对象，p为对象数量,以最短距离法法计算这种类间距离；拥堵数据簇和之间的距离为d_ij；主要包括：

(1)K-均值聚类算法：首先算法初始化，即创建算法所需要的质心k个，然后将测点数据分配给每一个质心，迭代计算类间距离，返回分配结果，得出测点拥堵数据的聚类并归类；

(2)创建并优化质心：首先，取k个初始点随机确定作为质心；然后取一个簇，把数据集中的每个点分配其中，找出每个点距离其最近的质心，并找出该质心所对应的簇，将其分配其中；完成此步后，每个簇的质心更新为该簇的所有点的平均值；

(3)计算质心间的距离：将数据导入K-均值聚类算法中，并将数据存入dM矩阵中，然后，用来计算欧式距离，最后，建立一个集合去存放产生的随机质心，并构建算法使用的数据集。

6.如权利要求2、3或4所述的识别归纳车辆当前区域拥堵状况的方法，其特征在于，步骤S4中，基于已归并近似路段后形成的拥堵形态对象，采用Sigmoid分类函数和Logistic回归判别；具体包括：

(1)采用Sigmoid函数梯度上升法确定最佳回归系数；具体计算公式如下：

将此函数(1)的输入记为z，则公式如下：

z＝w₀x₀+w₁x₁+w₂x₂+…+w_nx_n (2)

上述公式为线型方程的形式，其向量形式可以写成z＝w^Tx；其中向量x是分类器的输入数据，向量w也就是要找的最佳分类参数；通过来求得函数梯度值；若算子移动的步长记作α，则梯度上升算法的迭代公式如下

(2)判断决策树边界，即步骤S1中形态分类的边界，对交通拥堵形态进行Logistic回归分类。