[發(fā)明專利]一種基于耦合魯棒性張量分解的偶發(fā)性交通擁堵檢測方法

有效

• 申請?zhí)枺?/td>: 202010257048.6
• 申請日: 2020-04-02
• 公開（公告）號: CN111768635B
• 公開（公告）日: 2022-10-25
• 發(fā)明（設(shè)計）人: 李琴;丁璠;譚華春;伍元凱;葉林輝;陳曉軒
• 申請（專利權(quán)）人: 東南大學(xué)
• 主分類號: G08G1/065
• 分類號: G08G1/065;G08G1/01
• 代理公司: 南京眾聯(lián)專利代理有限公司 32206
• 代理人: 許小莉

本發(fā)明公開了一種基于耦合魯棒性張量分解的偶發(fā)性交通擁堵檢測方法，所述方法首先采集各種交通變量數(shù)據(jù)；然后根據(jù)各類交通數(shù)據(jù)的特點(diǎn)，將其構(gòu)建成同尺寸和同階數(shù)的張量模型；然后對丟失的數(shù)據(jù)進(jìn)行填充預(yù)處理；然后構(gòu)建貝葉斯魯棒性張量分解模型，提出自適應(yīng)秩的貝葉斯魯棒性張量分解模型，并從概率角度描述不同種類交通數(shù)據(jù)的共有的稀疏分布，從而構(gòu)建多種交通數(shù)據(jù)的耦合魯棒性分解模型；最后設(shè)計求解方法，實(shí)現(xiàn)高精度快速偶發(fā)性交通擁堵檢測。

技術(shù)領(lǐng)域：

本發(fā)明涉及智能交通領(lǐng)域，尤其涉及一種基于耦合魯棒性張量分解的偶發(fā)性交通擁堵檢測方法。

背景技術(shù)：

隨著交通需求的增加，交通擁堵加劇，傳統(tǒng)的方法已經(jīng)不能解決擁堵問題，因此近幾年，智能交通得到大力發(fā)展，交通擁堵檢測先進(jìn)的出行者信息系統(tǒng)(ATIS)的一部分，所以，對交通擁堵檢測的研究也吸引了學(xué)者們的廣泛興趣。交通擁堵分為周期性交通擁堵和偶發(fā)性交通擁堵兩種，相比而言，偶發(fā)性交通擁堵給交通出行者帶來的影響更大，因?yàn)樗斐傻难诱`在人們意料之外，嚴(yán)重干擾人們的路徑選擇決策。由于交通意外事故通常會導(dǎo)致偶發(fā)性交通擁堵，人們理所當(dāng)然地認(rèn)為交通事故檢測是交通擁堵檢測的必要前提，早期研究就把注意力放在交通事故檢測上，利用交通事故檢測的結(jié)果來判斷偶發(fā)性交通擁堵。自十九世紀(jì)70年代以來，許多基于監(jiān)控的交通事故檢測算法(AID)被提出。隨后，有人提出利用貝葉斯和標(biāo)準(zhǔn)正態(tài)偏離算法從統(tǒng)計學(xué)的角度檢測交通事故。還有一些研究者利用模式識別算法進(jìn)行檢測，如加利福尼亞算法等。加利福尼亞算法也是最早的幾大檢測算法之一，雖然精度上有很大的欠缺，但在后續(xù)研究中也得到了改進(jìn)。除此之外，一些數(shù)據(jù)驅(qū)動的神經(jīng)網(wǎng)絡(luò)算法(ANN)也被應(yīng)用到事件檢測中。

但是，交通事故不能完全替代偶發(fā)交通擁堵，因?yàn)榻煌ㄊ鹿蕛H僅只是造成偶發(fā)交通擁堵的眾多原因之一。盡管造成偶發(fā)交通擁堵的原因不一，但是這些原因產(chǎn)對各類交通狀態(tài)的分布的影響卻是類似的。因而，實(shí)時的交通狀態(tài)可以作為偶發(fā)性交通擁堵的指引，通過交通狀態(tài)的變化來判斷是否存在偶發(fā)性交通擁堵。因此，知道正常情況下的交通流量、速度等交通狀態(tài)數(shù)據(jù)分布和模式是檢測偶發(fā)性交通擁堵的關(guān)鍵，確定這些正常狀態(tài)的數(shù)據(jù)后，真實(shí)數(shù)據(jù)和正常數(shù)據(jù)之間的不同之處就可表示偶發(fā)交通擁堵。為了提取出正常的交通狀態(tài)數(shù)據(jù)分布和模式，目前已有的許多研究將注意力放在設(shè)置閾值上，即給定一個初始預(yù)設(shè)值，當(dāng)觀測到的交通數(shù)據(jù)真實(shí)值大于這個預(yù)設(shè)值后，就可以認(rèn)為出現(xiàn)了偶發(fā)性交通擁堵。因此，傳統(tǒng)偶發(fā)性交通檢測一般包括：數(shù)據(jù)采集，數(shù)據(jù)預(yù)處理，單一時間模式/維度上的額正常交通狀態(tài)數(shù)據(jù)閾值設(shè)計，偶發(fā)性擁堵檢測4個部分。其主要流程如圖1所示，首先采集路段交通狀態(tài)數(shù)據(jù)(一般為道路密度數(shù)據(jù))；然后對原始數(shù)據(jù)進(jìn)行預(yù)處理，包括篩除異常值、對丟失數(shù)據(jù)進(jìn)行填充等，如果是檢測器數(shù)據(jù)，還需剔除低檢測率數(shù)據(jù)；然后根據(jù)歷史經(jīng)驗(yàn)或者統(tǒng)計學(xué)等方法，以時間為自變量，以交通狀態(tài)數(shù)據(jù)為因變量，設(shè)定正常情況下的交通狀態(tài)數(shù)據(jù)的閾值上限；最后將采集到的交通狀態(tài)數(shù)據(jù)與正常閾值相比較，檢測出偶發(fā)性交通擁堵發(fā)生的時間和地點(diǎn)。但是，通勤出行者周期性的出行習(xí)慣不僅帶來早晚高峰和非高峰之分，也使得交通狀態(tài)存在周模式特性，工作日的交通明顯高于周末。由交通流量、速度等交通狀態(tài)數(shù)據(jù)確定的單一閾值可能不能準(zhǔn)確地表示他們的正常分布和模式。此外。相鄰路徑和位置點(diǎn)的交通數(shù)據(jù)之間相互關(guān)聯(lián)，這意味著交通數(shù)據(jù)存在很強(qiáng)的空間相關(guān)性。所以，需要一個可以充分利用交通數(shù)據(jù)天之間、周之間分布和空間相關(guān)性的模型來檢測偶發(fā)性交通擁堵。