[發(fā)明專利]一種基于聚類分析和馬爾科夫模型的交通狀態(tài)預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201910241335.5
• 申請(qǐng)日: 2019-03-28
• 公開(kāi)（公告）號(hào): CN110085026A
• 公開(kāi)（公告）日: 2019-08-02
• 發(fā)明（設(shè)計(jì)）人: 安澤萍;朱弘戈;張艷;賀靜;裴月玲
• 申請(qǐng)（專利權(quán)）人: 中國(guó)公路工程咨詢集團(tuán)有限公司
• 主分類號(hào): G08G1/01
• 分類號(hào): G08G1/01;G06K9/62
• 代理公司: 北京思海天達(dá)知識(shí)產(chǎn)權(quán)代理有限公司 11203
• 代理人: 劉萍

1.一種基于聚類分析和馬爾科夫模型的交通狀態(tài)預(yù)測(cè)方法，其特征在于，包括以下步驟：

選擇交通量和交通占有率作為城市交叉口交通狀態(tài)的評(píng)價(jià)指標(biāo)；

根據(jù)采集的交通流數(shù)據(jù)，采用K均值聚類的方法對(duì)交通量和交通占有率進(jìn)行聚類分析；

采用熵值法和層次分析法相結(jié)合的方法確定交通量和交通占有率的權(quán)重集；

根據(jù)線性分析法確定交通量和交通占有率的隸屬度函數(shù)，并得到其隸屬度矩陣；

計(jì)算模糊綜合評(píng)價(jià)矩陣，根據(jù)最大隸屬度原則評(píng)價(jià)現(xiàn)有交通狀態(tài)；

根據(jù)現(xiàn)有交通狀態(tài)，基于馬爾科夫模型預(yù)測(cè)未來(lái)交通狀態(tài)。

2.根據(jù)權(quán)利要求1所述的基于聚類分析和馬爾科夫模型交通狀態(tài)預(yù)測(cè)方法，其中：

選擇交通量和交通占有率作為評(píng)價(jià)指標(biāo)；

依據(jù)路口的交通流特性以及擁堵強(qiáng)度，將路口交通流狀態(tài)劃分為3類:自由交通流，平峰期交通流，擁擠交通流；

k均值聚類步驟

設(shè)置聚類數(shù)k,求解每個(gè)聚類的質(zhì)心

計(jì)算每個(gè)樣本到k個(gè)質(zhì)心中的各個(gè)距離，選取離質(zhì)心最近距離的樣本，將該樣本聚類到此質(zhì)心中

重新計(jì)算每個(gè)聚類中所有樣本的均值，將其作為新的聚類的質(zhì)心

若質(zhì)心不變，則過(guò)程結(jié)束；若質(zhì)心改變，則重復(fù)k均值聚類步驟，直到質(zhì)心收斂。

3.根據(jù)權(quán)利要求1所述的基于聚類分析和馬爾科夫模型交通狀態(tài)預(yù)測(cè)方法，其中：

將熵權(quán)法和層次分析法求得的權(quán)重進(jìn)行加權(quán)平均求解組合權(quán)重，計(jì)算公式如下：

W＝αW₁+(1-α)W₂

式中：W₁代表熵權(quán)法求得的權(quán)重，W₂代表層次分析法求得的權(quán)重；α為加權(quán)系數(shù)，且α∈[0,1]。

4.根據(jù)權(quán)利要求1所述的基于聚類分析和馬爾科夫模型交通狀態(tài)預(yù)測(cè)方法，其中模糊綜合評(píng)價(jià)步驟：

假定某交通狀態(tài)的評(píng)價(jià)因子交通量是x，其隸屬度函數(shù)為r_(x)，交通量的隸屬度函數(shù)為

假定某交通狀態(tài)的評(píng)價(jià)因子交通占有率是y，其隸屬度函數(shù)為r(y),交通占有率的隸屬度函數(shù)為

得到其隸屬度矩陣

求出模糊綜合評(píng)價(jià)集Q,其中M為權(quán)重集，R為隸屬度矩陣

由最大隸屬度原則，max{q₁,q₂,q₃}所對(duì)應(yīng)的下標(biāo)即為評(píng)價(jià)對(duì)象的最終評(píng)價(jià)等級(jí)；即取q₁,q₂,q₃三者中最大值所代表的交通狀態(tài)，作為道路交通狀態(tài)模糊綜合評(píng)判的最終結(jié)果。

5.根據(jù)權(quán)利要求1所述的基于聚類分析和馬爾科夫模型交通狀態(tài)預(yù)測(cè)方法，馬爾科夫模型步驟：

初始化，歷史交通狀態(tài)作為一組參考依據(jù)，統(tǒng)計(jì)各交通狀態(tài)在樣本中所占比例，取一個(gè)月同一時(shí)間30個(gè)交通狀態(tài)作為樣本粒子，輸入粒子，每個(gè)粒子的權(quán)值為1/30；

輸入粒子后,據(jù)步驟中確定每個(gè)粒子，即交通狀態(tài)所占比例，確定每個(gè)粒子的先驗(yàn)概率通過(guò)馬爾科夫模型確定狀態(tài)轉(zhuǎn)移過(guò)程，進(jìn)而實(shí)現(xiàn)

x_k為系統(tǒng)狀態(tài)理解為系統(tǒng)中k時(shí)刻的交通狀態(tài)，u_k為過(guò)程噪聲，即轉(zhuǎn)移過(guò)程中的誤差；

馬爾科夫鏈的具體過(guò)程如下:

初始概率的確定

N＝30即樣本總個(gè)數(shù)，M_i為狀態(tài)i出現(xiàn)的次數(shù)，F(xiàn)_i是頻數(shù)狀態(tài)轉(zhuǎn)移概率

其中F(x_j|x_i)為頻數(shù)，M_ij和M_i分別為每一種交通狀態(tài)的狀態(tài)個(gè)數(shù)；根據(jù)公式所確定的狀態(tài)轉(zhuǎn)移概率，確定狀態(tài)轉(zhuǎn)移矩陣，即

t＝k時(shí)刻交通狀態(tài)的確定

X(t＝k)＝X(t＝k-1)×P。