[发明专利]一种城市区域路网运行状态特征信息提取方法

摘要

本发明公开了一种城市区域路网运行状态特征信息提取方法，具体包括以下几个步骤：步骤一、采集路网数据；步骤二、构建路网数据输入矩阵；步骤三、自适应邻域选择；步骤四、提取特征信息；步骤五、路网状态特征信息可视化表达，本发明适用于城市区域路网特征信息提取与路网运行状态表达方面，基于路网中流量、速度、密度数据，运用自适应邻域选择的流形学习方法提取路网运行特征信息，该特征信息具有宏观性、准确性、敏感性和实用性的特点，可以实时表达路网宏观运行状态，为交通管理者提供分析与决策依据。

主权项

一种城市区域路网运行状态特征信息提取方法，具体包括以下几个步骤：步骤一、采集路网数据具体步骤如下：(1)建立各个检测器数据与汇聚表格属性之间的映射，将线圈检测器数据和微波检测器数据转换为统一格式的检测数据表格，其中第一列为采集时间，第二列及以后依次为路段ID、流量、速度、交通量、路段长度；(2)对转换后数据按照时间序列进行排序，进行数据的预处理，通过独立判断和联合判断的方法实现错误数据的识别；(3)对预处理后的数据按照统一的起止时间，以5分钟为时间周期，对周期内的数据进行逐行扫描，依次对5分钟周期内所有数据求平均值，并以得到的均值代表该5分钟周期内的数据值，依次求平均值并存储，更新检测数据表格；(4)流量和速度数据通过检测器采集得到，通过计算单位路段长度上的交通量，得到交通密度数据，并代替检测数据表格中的交通量和路段长度两列数据，更新检测数据表格；步骤二、构建路网数据输入矩阵具体包括：(1)构建路网数据输入矩阵：输入矩阵的各行依次按照数据采集时间排序，设路网中共有N条路段，输入矩阵的各列数据排序为：路段1到路段N上各个路段的流量数据、路段1到路段N上各个路段的速度数据、路段1到N上各个路段的密度数据，每列代表一个维度，每行是一个综合了各个列维度信息的高维样本点，输入矩阵表达式为：其中：F为流量，S为速度，D代表密度，矩阵中的行下标代表采集时间间隔序号(从1到m)，列下标代表路段ID号(从1到N)，x_i为输入矩阵X的行向量，i＝1,2,…,m，共m个采集时间间隔，即共有m个样本点，N为路段条数，该输入矩阵的维数为m*3N；(2)输入矩阵规范化处理:输入矩阵中交通流量、速度、密度三个参数的单位以及数量级各不相同，为保证最近邻分类过程中的距离度量的有效性，将数据按比例缩放，使之落入(0.0～1.0)；步骤三、自适应邻域选择具体包括：(1)建立样本点的初始邻域矩阵：取输入矩阵的行向量为样本点，按采集时间排序；每个样本点包含采集时间，路段ID、流量、速度、密度信息；计算输入矩阵各样本点间的欧式距离，组成距离矩阵并按升序排序，设k为所有样本点的初始近邻数，选择距离矩阵中前k个最近距离的样本点，组成初始邻域矩阵，记初始邻域矩阵为i＝1,2,…,m，其中x_ik代表第i个样本点的第k个近邻点；(2)基于压缩策略的自适应邻域选择：将初始邻域矩阵转换为正定矩阵，令正定矩阵I为(k+1)*(k+1)维单位矩阵，所述e为(k+1)行的全1列向量，计算协方差矩阵特征值λ_i；(3)求邻域内交通数据流形的线性程度：若则邻域内样本点呈现线性关系，邻域属于均匀流形，则输出样本点x_i对应的近邻数k_i，其中，η为线性程度阈值，0.5<η≤1，i＝1,2,…,m；否则，此邻域内样本点组成为非均匀流形，令近邻数k_i＝k‑1，返回步骤(1)循环，直至得到符合条件的近邻数k_i；(4)计算输入矩阵中每个样本点对应的近邻数：顺序选取输入矩阵中的各个样本点x_i，重复上述步骤(1)至(3)步，计算其对应的近邻数k_i，得到近邻数矩阵；步骤四、提取特征信息具体步骤包括：(1)获取输入矩阵X、低维特征信息的特征信息维数d、样本点初始近邻数k、邻域矩阵线性程度阈值η；(2)建立样本点近邻域：根据步骤三获取的近邻数矩阵，依次选取样本点对应的近邻数，建立样本点的k近邻域$X_i^k={(x_i,x_{i1},x_{i2},...,x_{ik})}^T;$(3)近邻域分类：根据交通数据本身携带的路段ID、采集时刻信息、交通参量属性类别标签，设l(x_i)为样本x_i的所属的类别，对每个数据点x_i，初始近邻域对应的初始近邻集合分为同类近邻样本点集合N_w(x_i)和不同类近邻样本点集合N_b(x_i)两个集合；其中$N_w\left(x_i\right)=\left\{x_i^j\right|l\left(x_i^j\right)=l\left(x_i\right),1\&le;j\&le;k\},N_b\left(x_i\right)=\{x_i^j|l\left(x_i^j\right)\&NotEqual;l\left(x_i\right),1\&le;j\&le;k\},$N_w(x_i)∪N_b(x_i)＝N(x_i)；分别计算其权重矩阵W_w，ij和W_b，ij：(4)建立目标函数：建立目标函数$\left\{\begin{array}{cc}min\underset{ij}{\&Sigma;}{(y_i-y_j)}^2{W}_{w,ij}& \left(1.3\right)\\ max\underset{ij}{\&Sigma;}{(y_i-y_j)}^2{W}_{b,ij}& \left(1.4\right)\end{array}\right.$其中：y＝(y₁，y₂，…，y_m)^T为将高维交通数据在邻域内映射到低维的特征信息点，设a是一个投影向量，则有y^T＝a^TX；将目标函数推导并转化为求解公式X(βL_b+(1‑β)W_w)X^Ta＝λXD_wX^Ta的广义特征值，得到最优投影向量a；其中，L_b是拉普拉斯矩阵，D_w是对角矩阵，λ是向量a的特征值，W_w为类内图权重矩阵；β是平衡参数，0≤β≤1；(5)求映射函数：设降到低维后的d个最大特征值λ₁>…>λ_d对应的特征向量组成的最佳投影矩阵为A＝[a₁,a₂,…,a_d]，最优投影矩阵为A＝[a₁,a₂,…,a_d]，则映射关系为y_i＝A^Tx_i,i＝1,2,…,m；(6)求路网状态特征信息：顺序选取输入矩阵的样本点x_i，计算每个样本点的最优投影，得到的每个y_i值中包含了第i个采集时间间隔内路段1到路段N所有路段上的交通流量、速度、密度三个参量的综合特征信息；则特征提取后获得的特征信息为R^d为d维空间。