理论教育 交通CPS流式数据分析的方法

交通CPS流式数据分析的方法

时间:2023-11-20 理论教育 版权反馈
【摘要】:同样针对交通状态估计问题,文献[79]采用了基于网格的聚类分析方法。在交通状况的实时自动监测和分析方面,文献[82]采用基于人工免疫网络的聚类分析方法。根据交通数据的特点,交通数据的聚类分析也有一定的研究。文献[16]对实测的交通事故数据进行了时空聚类分析。Wei 等[15]结合交通流式数据的时空特性,提出了两阶段的增量聚类算法。

交通CPS流式数据分析的方法

随着表征交通物理系统实时状态的海量信息的持续增长,针对海量交通流式数据的研究不仅是交通领域的研究重点,也是机器学习、数据挖掘、模式识别统计分析等领域研究的热点问题之一。本节从交通状态的判别方法、交通状态的预测方法以及聚类算法在交通数据分析中的应用3 个方面进行总结。

(1)交通状态判别

交通状态的判别方法可分为异常状态的判别和正常状态的判别。最早提出的交通状态判别算法California 被广泛应用的交通拥堵检测算法。随着数据分析方法相关理论的发展,交通状态检测算法可分为以下4 类:

1)基于模式识别的方法

1965—1970 年年间,提出的California 算法被广泛应用于拥堵状态的检测中,该算法是典型的模式识别方法。通过增加持续性判断条件,提高交通拥堵判别的准确率,Payne 等改进了California 算法[62]。此外,结合具体的问题,经过改进的California 算法被相继提出[63]

2)基于统计分析的方法

基于不同的统计分析方法,该类方法可分为标准差法、Bayesian 法、指数平滑法、差分自回归滑动平均(Auto Regression Integrated Moving Average,ARIMA)等。

3)基于突变理论的方法

基于突变理论,McMaster 大学的研究者提出了McMaster 算法[64]。McMaster 算法假设交通流从拥堵状态向非拥堵状态变化时速度应该发生“突变”,而流量和时间占有率变化应该平稳。

4)基于人工智能的方法

为实现交通状态的自动判别,将多层前馈神经网络[65]、贝叶斯概率神经元网络[66]等方法应用其中,并取得了较好的检测效果。

(2)交通状态预测方法

道路交通状态预测是根据道路交通流过去、现在的交通参数来推测未来的交通状态。随着交通信息采集技术和处理技术的发展,更多的智能化技术、高级算法被应用于交通状态判别的研究中。此外,从20 世纪60 年代起,人们就开始把其他领域应用成熟的预测模型用于道路交通状态预测领域,并开发了多种预测模型和方法。目前的研究主要集中于交通状态的短时预测,具有代表性的方法归纳如下:

1)基于线性统计理论的预测模型(www.daowen.com)

线性统计理论预测模型的基本思想是通过建立相关的预测模型,对未来的交通流参数进行估计。具有代表性的方法有Kalman 滤波法[67],指数平滑法[68]、小波分析[69]、混沌理论[70]等。

2)基于非线性的预测模型

基于非线性的预测模型的基本思想是通过大量历史数据的统计分析,从中发现交通流数据的演化规律,并以此作为交通状态预测的依据,如K 近邻法[71]决策树法[72]等。

3)基于知识发现的智能预测

基于知识发现的智能预测方法的基本思想是基于人工智能技术,如神经网络[73]、支持向量机[74]等,实现对交通流的预测。

4)基于交通仿真的预测

基于交通仿真的预测方法是利用交通仿真工具,VISSIM,PARAMICS,CUBE INTEGRATION 等交通流仿真软件,模拟交通流运行特征,进而实现对交通流参数的预测。但是,交通仿真结果与交通运行的实际情况存在一定的差距,实用性有待深入研究[75]

5)基于组合模型的预测

基于组合模型的预测方法的目的是充分发挥各个预测模型的优点,将两种或两种以上不同类型的预测模型组合起来进行最终预测,进而达到提高预测精度的目的。例如,将RBF 神经网络[76]和模糊C 均值相结合的预测模型应用于高速公路交通流参数的预测中。

(3)交通数据的聚类分析

相似性作为人们认识事物的工具之一,聚类分析已经被广泛应用于交通系统的多种问题的解决中。根据交通系统中所需解决的问题,学者们应用聚类分析进行了一些深入研究[77]文献[78]在解决城市交通状态估计问题中建立了基于聚类模式的交通状态分类方法模型。同样针对交通状态估计问题,文献[79]采用了基于网格的聚类分析方法。Ai⁃Zeng等[80]采用了模糊聚类分析方法对交通事件特征进行了分析。姜桂艳等[81]针对交通事件自动检测效果不佳的问题,提出了以因子分析与聚类分析为手段的基于多个交通事件自动检测基本算法的决策级融合方法。在交通状况的实时自动监测和分析方面,文献[82]采用基于人工免疫网络的聚类分析方法。

在交通流预测方面,聚类分析也有一定的研究和应用[83⁃84]。文献[85]探讨应用SOM 多维表征的方法来预测流量的时间序列关系,其中采用聚类的方法进行短期交通流的预测。在分析道路交通流量的时空分布特性研究中[86]、交通影响分析中的时间段选择等问题[87],聚类分析应用也十分广泛。

根据交通数据的特点,交通数据的聚类分析也有一定的研究。针对交通流式数据进行聚类分析,潘云伟等[18]提出了采用基于网格和密度的D⁃Stream 算法,并将粒子群优化算法引入聚类过程中。文献[16]对实测的交通事故数据进行了时空聚类分析。Wei 等[15]结合交通流式数据的时空特性,提出了两阶段的增量聚类算法。从CPS 环境中多维感知数据分析的角度,基于聚类思想的,Tang 等[17]提出了交通系统中非典型事件的识别方法。

免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。

我要反馈