基于距離度量學(xué)習(xí)的交通警情等級預(yù)測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于智能交通領(lǐng)域，具體涉及一種城市交通警情等級預(yù)測方法。
【背景技術(shù)】
[0002] 隨著經(jīng)濟(jì)的迅速發(fā)展，城市交通系統(tǒng)中機(jī)動車保有量的快速增長導(dǎo)致發(fā)生交通事 故、交通擁堵的概率大大增加，當(dāng)前城市交通狀態(tài)發(fā)布和誘導(dǎo)都是針對單個路段、局部區(qū) 域，主要面對道路上的機(jī)動車駕駛者，對于交通管理人員更希望獲得宏觀區(qū)域的交通警情 等級，對未來某個時間段內(nèi)的區(qū)域警情等級進(jìn)行有效的預(yù)測有助于交通管理部門優(yōu)化警力 部署、制定相應(yīng)的預(yù)案，緩解重點(diǎn)地區(qū)的交通壓力。
[0003] 專利201410610003. 7采集包含工作日、非工作日且包含重大節(jié)假日交通流數(shù)據(jù)， 將相同連續(xù)時間段交通流數(shù)據(jù)重組為自然數(shù)，建立短時交通流數(shù)據(jù)庫，將當(dāng)前交通流重組 數(shù)據(jù)與短時交通流數(shù)據(jù)庫中歷史數(shù)據(jù)進(jìn)行大小比對，截取相似樣本空間，利用偏差最小的 兩個樣本進(jìn)行預(yù)測，該方法僅側(cè)重于考慮時間因素對交通流數(shù)據(jù)的影響，沒有引入天氣因 素且未揭示各個特征屬性之間的內(nèi)在聯(lián)系；專利200510113396. 1通過觀測交通流量和動 態(tài)，以及諸如一天中的時間和一周中的日子、假期、學(xué)校狀況、諸如體育比賽等大型集會的 時間安排和性質(zhì)、天氣預(yù)報、交通事件報告、和建設(shè)與封路等其它環(huán)境數(shù)據(jù)，預(yù)測擁塞地點(diǎn) 并用于離線和實(shí)時的自動路線推薦和計劃，該方法將交通系統(tǒng)抽象成一組隨機(jī)變量來進(jìn)行 關(guān)于交通流量和擁塞的預(yù)報，僅對交通參與者有效，不能對交通管理者提供決策支持。本專 利與上述專利有本質(zhì)不同，數(shù)據(jù)來源方面綜合考慮天氣因素、時間因素、環(huán)境因素等對城市 交通警情等級的影響，并通過廣義馬氏度量學(xué)習(xí)方法提取各個特征屬性的權(quán)值，充分揭示 各個屬性對交通警情等級影響的重要程度，根據(jù)學(xué)習(xí)的特征屬性權(quán)值對交通警情等級進(jìn)行 預(yù)測。

【發(fā)明內(nèi)容】

[0004] 為了克服已有交通警情判別方式的無預(yù)測功能、準(zhǔn)確性較差的不足，本發(fā)明提供 了一種有效實(shí)現(xiàn)預(yù)測、準(zhǔn)確性較好的基于距離度量學(xué)習(xí)的交通警情等級預(yù)測方法。
[0005] 本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：
[0006] 一種基于距離度量學(xué)習(xí)的交通警情等級預(yù)測方法，包括以下步驟：
[0007] 步驟1 :多維數(shù)據(jù)整理和交通警情等級分類
[0008] 采集歷史天氣數(shù)據(jù)、歷史重大活動數(shù)據(jù)、建設(shè)和封路環(huán)境數(shù)據(jù)與工作日、節(jié)假日和 歷史交通警情數(shù)共同構(gòu)成關(guān)于交通警情的多維歷史數(shù)據(jù)庫，當(dāng)前時刻的交通流量和上一時 刻的流量密切相關(guān)，將連續(xù)的歷史交通警情數(shù)據(jù)按照等時間段切分為η個片段作為訓(xùn)練樣 本，每個訓(xùn)練樣本片段包括天氣屬性、重大活動屬性、環(huán)境因素屬性、工作日和節(jié)假日屬性， 根據(jù)交通管理部門提供的交通警情閾值對η個訓(xùn)練樣本進(jìn)行交通警情等級分類；
[0009] 步驟2 :距離度量學(xué)習(xí)提取分類后的交通警情樣本所對應(yīng)的多維特征屬性權(quán)值
[0010] 根據(jù)步驟1得出η個已標(biāo)記訓(xùn)練樣本構(gòu)成的一個樣本空間，該樣本空間中各個元 素之間的距離稱為度量，其中距離是定義在向量空間中的一種函數(shù)，指兩個元素在空間中 相隔的長度，也就是說可以將某個空間中的所有對象投影到一個新的度量空間中；選取η 個訓(xùn)練樣本構(gòu)成包含多維特征屬性的樣本空間X，其中X = (X1, x2, …，χη)，xi對應(yīng)第i 個樣本代表的多維特征屬性，式（1)是樣本空間X中\(zhòng)和^_樣本點(diǎn)間的馬氏距離，其中矩 陣A是我們需要學(xué)習(xí)的距離度量矩陣，矩陣A中的每一行代表一個歷史樣本，每一列對應(yīng)樣 本中的一維特征屬性
【主權(quán)項】
1. 一種基于距離度量學(xué)習(xí)的交通警情等級預(yù)測方法，其特征在于：所述預(yù)測方法包括 以下步驟： 步驟1 :多維數(shù)據(jù)整理和交通警情等級分類 采集歷史天氣數(shù)據(jù)、歷史重大活動數(shù)據(jù)、建設(shè)和封路環(huán)境數(shù)據(jù)與工作日、節(jié)假日和歷史 交通警情數(shù)共同構(gòu)成關(guān)于交通警情的多維歷史數(shù)據(jù)庫，當(dāng)前時刻的交通流量和上一時刻的 流量密切相關(guān)，將連續(xù)的歷史交通警情數(shù)據(jù)按照等時間段切分為η個片段作為訓(xùn)練樣本， 每個訓(xùn)練樣本片段包括天氣屬性、重大活動屬性、環(huán)境因素屬性、工作日和節(jié)假日屬性，根 據(jù)交通管理部門提供的交通警情閾值對η個訓(xùn)練樣本進(jìn)行交通警情等級分類； 步驟2 :距離度量學(xué)習(xí)提取分類后的交通警情樣本所對應(yīng)的多維特征屬性權(quán)值 根據(jù)步驟1得出η個已標(biāo)記訓(xùn)練樣本構(gòu)成的一個樣本空間，該樣本空間中各個元素之 間的距離稱為度量，其中距離是定義在向量空間中的一種函數(shù)，指兩個元素在空間中相隔 的長度，也就是說可以將某個空間中的所有對象投影到一個新的度量空間中；選取η個訓(xùn) 練樣本構(gòu)成包含多維特征屬性的樣本空間X，其中X = (Xl，x2, X3，…，xn)，Xi對應(yīng)第i個樣 本代表的多維特征屬性，式（1)是樣本空間X中\(zhòng)和^_樣本點(diǎn)間的馬氏距離，其中矩陣A 是我們需要學(xué)習(xí)的距離度量矩陣，矩陣A中的每一行代表一個歷史樣本，每一列對應(yīng)樣本 中的一維特征屬性
式（1)中的A是樣本空間X的協(xié)方差矩陣，樣本空間X中的每個樣本均帶有交通警情 等級標(biāo)簽，故在最小化相同警情等級S(S e X)中樣本之間的馬氏距離平方和的同時，約束 不同警情等級D(D e X)中樣本之間的馬氏距離和，馬氏距離和大于預(yù)設(shè)閾值，目標(biāo)函數(shù)模 型如式（2)，式（3)所示：
其中，A多O表示A為半正定矩陣，由目標(biāo)函數(shù)模型求取距離度量學(xué)習(xí)矩陣A的過程是 一個凸優(yōu)化問題，采用牛頓法對上述凸優(yōu)化問題進(jìn)行求解，最終學(xué)習(xí)到的距離度量矩陣為 一個稀疏的對角陣； 步驟3 :帶權(quán)值的歐氏距離尋找與當(dāng)前特征屬性最相似的K個歷史交通警情 使用歐氏距離計算K近鄰需首先對各個特征屬性進(jìn)行歸一化，假定樣本空間X中的樣 本點(diǎn)X包含k維特征屬性，樣本點(diǎn)之間的近鄰一般由歐氏距離來度量，設(shè)第i個樣本點(diǎn)為 X, =(χΧ,- ,χ?)，其中X;表示第i個樣本第1個特征屬性值，兩個樣本xJP Xj之間的歐氏 距離定義為公式（4):
給定一個待預(yù)測的交通警情樣本X,，由標(biāo)準(zhǔn)歐氏距離可計算出樣本Xq與歷史樣本空間 中最近鄰的K個樣本X1, X2, ···，Xk，樣本之間的距離是根據(jù)樣本的所有特征計算的，步驟2中 距離度量學(xué)習(xí)矩陣得出的權(quán)值對特征屬性與交通警情等級之間的權(quán)重關(guān)系進(jìn)行了量化，定 義含多維特征屬性權(quán)值的交通警情相似度如公式（5)，式中X q為待預(yù)測的交通警情樣本，X h 屬于X = (X1, x2, x3,…，xn)為η個歷史交通警情數(shù)據(jù)中的一個樣本，每個樣本包含k維特 征屬性，分母加上0.0 l是為了避免當(dāng)蛘與W相等時出現(xiàn)分母為O的情況，
其中W1是第1個特征的權(quán)重，由步驟2中距離度量學(xué)習(xí)得到對角矩陣A，對角線上的 值即為特征屬性權(quán)值，訓(xùn)練得到的權(quán)值根據(jù)特征屬性一一對應(yīng)，由公式（5)計算當(dāng)前特征 屬性與歷史交通警情數(shù)據(jù)庫中各個樣本的相似度，相似度最大的前K個歷史交通警情數(shù)據(jù) X1, X2，…，1￡作為當(dāng)前交通警情等級預(yù)測的參考； 步驟4 :K近鄰相似交通警情等級投票 X1, X2,…，Xk為步驟3得出的K個最相似歷史交通警情樣本，其中每一個樣本X i所屬的 類別均已知，統(tǒng)計K個最相似歷史交通警情等級，將出現(xiàn)頻率最高的類別作為交通警情等 級預(yù)測結(jié)果，K值是一個自定義的常數(shù)。
2.如權(quán)利要求1所述的一種基于距離度量學(xué)習(xí)的交通警情等級預(yù)測方法，其特征在 于：隨機(jī)將歷史交通警情數(shù)據(jù)分為兩部分，一部分作為訓(xùn)練樣本，一部分作為測試樣本，訓(xùn) 練樣本中含有交通警情等級類別標(biāo)簽，測試樣本中去除交通警情等級類別標(biāo)簽，經(jīng)步驟3 計算出前K個最相似的交通警情等級，取出現(xiàn)頻率最高的警情等級與測試樣本原有的警情 等級進(jìn)行對比，交叉驗(yàn)證本方法的準(zhǔn)確率，通過選取不同的K值，對每個K值做100次交叉 驗(yàn)證計算出平均準(zhǔn)確率，選擇準(zhǔn)確率最大的K值作為交通警情等級預(yù)測的投票數(shù)。
【專利摘要】一種基于距離度量學(xué)習(xí)的交通警情等級預(yù)測方法，對已知天氣數(shù)據(jù)、時間數(shù)據(jù)、環(huán)境數(shù)據(jù)等情況下的城市交通警情等級進(jìn)行預(yù)測，將整理好的多維歷史數(shù)據(jù)根據(jù)交警指揮部門要求進(jìn)行分類，利用廣義馬氏距離度量方法對分類標(biāo)記后的多維歷史數(shù)據(jù)進(jìn)行學(xué)習(xí)，則距離度量學(xué)習(xí)矩陣獲得了各個特征屬性對交通警情等級的權(quán)值，權(quán)值大的特征屬性對分類貢獻(xiàn)度大，根據(jù)帶權(quán)值的歐氏距離計算當(dāng)前的多維數(shù)據(jù)與歷史數(shù)據(jù)的相似度，選擇與當(dāng)前數(shù)據(jù)最相似的K個歷史數(shù)據(jù)進(jìn)行警情等級投票，得票高的警情等級作為當(dāng)前交通警情等級的預(yù)測結(jié)果。本發(fā)明有效實(shí)現(xiàn)預(yù)測、準(zhǔn)確性較好。
【IPC分類】G06Q10-04, G06Q50-26, G06K9-62
【公開號】CN104834977
【申請?zhí)枴緾N201510250180
【發(fā)明人】王浩, 李建元, 陳濤, 顧超
【申請人】浙江銀江研究院有限公司
【公開日】2015年8月12日
【申請日】2015年5月15日