识别归纳车辆当前区域拥堵状况的方法
技术领域
本发明涉及智能交通技术领域,具体涉及一种识别归纳车辆当前区域拥堵状况的方法。
背景技术
现今,中国已进入汽车普及时代,而交通拥堵是各大城市普遍面临的难题。据调查大多数城市出行并不会开启导航但仍然有了解前方路况的需求,现有手段主要通过交广电台播报或路侧情报板显示的拥堵信息。前者是电台根据实时路况表述,受播报人员的经验、标准偏好影响较大,且如果司机未收听广播或播报的非司机当前所处地段,司机并不能获取有效信息;后者并非安装在城市所有区域或发布的非司机关心区域,且情报板多为简易发布表达形式,不能丰富表述路况,司机同样不能获取有效信息。
基于车载终端收取电子地图的路况数据,可为司机提供当前周边的路况。出于安全考虑,司机不可能一边开车一边看图,所以语音播报是有效的方式。但周边上百条路段的拥堵信息在司机到下一交叉口路径选择前的短时间内难以逐条播报完毕,且这样播报司机也无法了解全貌,需要通过人工智能方法高度概括路况,便于司机安全及时了解路况做出选择,避开拥堵。
发明内容
为解决现有技术中的不足,本发明提供一种识别归纳车辆当前区域拥堵状况的方法,能够针对司机当前关注区域的路况信息,快速科学概括分析、组织表述,解决了现有方法主观性强,无针对性的问题。
本发明实施例采用的技术方案是:
一种识别归纳车辆当前区域拥堵状况的方法,包括以下步骤:
步骤S1,拥堵形态分类及标准确定;
步骤S2,确定关注区域并提取关注区域的拥堵信息;
步骤S3,聚类分析归并拥堵性质相同或相似的相邻路段;
步骤S4,根据步骤S1确定的标准判别拥堵形态。
进一步地,步骤S1中,拥堵形态包括:节点性拥堵、线性拥堵和区域性拥堵;拥堵形态的标准包括:
节点性拥堵是拥堵长度小于设定长度阈值的形态;
线性拥堵是是拥堵长度等于或大于设定长度阈值的形态;
区域性拥堵是拥堵道路占区域道路等于或大于设定百分比阈值的形态。
更进一步地,线性拥堵又分为匀质线性拥堵、间断性线性拥堵、鱼骨形线性拥堵。
更进一步地,
对于节点性拥堵,语音播报的表述为:道路名称+位置+程度;
对于线性拥堵,语音播报的表述为:道路名称+“位置-位置”+子类型+程度;
对于区域性拥堵,语音播报的表述为:位置+范围+程度。
进一步地,步骤S3中,采用K-均值聚类算法将相似性高的相邻对象归并一个整体,即将拥堵性质相似的路段归并;拥堵性质是指拥堵程度中的拥堵等级;获取区域内所有路段测点的拥堵数据作为聚类的k个簇,每个簇通过质心来描述;以欧式距离
(1)K-均值聚类算法:首先算法初始化,即创建算法所需要的质心k个,然后将测点数据分配给每一个质心,迭代计算类间距离,返回分配结果,得出测点拥堵数据的聚类并归类;
(2)创建并优化质心:首先,取k个初始点随机确定作为质心;然后取一个簇,把数据集中的每个点分配其中,找出每个点距离其最近的质心,并找出该质心所对应的簇,将其分配其中;完成此步后,每个簇的质心更新为该簇的所有点的平均值;
(3)计算质心间的距离:将数据导入K-均值聚类算法中,并将数据存入dM矩阵中,然后,用来计算欧式距离,最后,建立一个集合去存放产生的随机质心,并构建算法使用的数据集。
进一步地,步骤S4中,基于已归并近似路段后形成的拥堵形态对象,采用Sigmoid分类函数和Logistic回归判别;具体包括:
(1)采用Sigmoid函数梯度上升法确定最佳回归系数;具体计算公式如下:
将此函数(1)的输入记为z,则公式如下:
z=w0x0+w1x1+w2x2+…+wnxn (2)
上述公式为线型方程的形式,其向量形式可以写成z=wTx;其中向量x是分类器的输入数据,向量w也就是要找的最佳分类参数;通过
(2)判断决策树边界,即步骤S1中形态分类的边界,对交通拥堵形态进行Logistic回归分类。
本发明所达到的有益效果:本发明可有效人工智能识别交通拥堵的形态,无需司机行驶途中识图,智能识别拥堵形态后语音播报给司机;本发明对于道路拥堵的路况进行了归纳概括,可以有效减少语音播报的数量,仅针对司机感兴趣区域的拥堵路况进行播报,便于司机快速了解其关注区域的交通状况。
附图说明
图1为本发明实施例中的方法流程图。
图2为本发明实施例中节点性拥堵的形态示意图。
图3为本发明实施例中线性拥堵的形态示意图。
图4为本发明实施例中区域性拥堵的形态示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本实施例提出的一种识别归纳车辆当前区域拥堵状况的方法,包括以下步骤:
步骤S1,拥堵形态分类及标准确定;
城市内部的拥堵在形态上表述为”点、线、面“三种形态,即节点性拥堵、线性拥堵和区域性拥堵三种形态;拥堵形态的标准包括:
节点性拥堵是拥堵长度小于100米的形态;
线性拥堵是是拥堵长度等于或大于100米的形态;
区域性拥堵是拥堵道路占区域道路等于或大于60%的形态;
其中,线性拥堵又分为匀质线性拥堵、间断性线性拥堵、鱼骨形线性拥堵;间断性线性拥堵是指一条道路中数个路段间断性地拥堵,鱼骨形线性拥堵指线性拥堵的同时,主干道路的一些进出口匝道或支路也存在拥堵情况;
语音播报的要素包括:道路名称、位置、程度、范围;程度采用国标GB50220-2011;
对于节点性拥堵,语音播报的表述为:道路名称+位置+程度;
对于线性拥堵,语音播报的表述为:道路名称+“位置-位置”+子类型+程度;
对于区域性拥堵,语音播报的表述为:位置+范围+程度;
参见表1;
表1
表2显示了交通拥堵程度;
表2
步骤S2,确定关注区域并提取关注区域的拥堵信息;
对于司机而言,可以通过车载装置例如GPS获取车辆位置,以当前车辆位置的半小时行程等时线区域作为司机的关注区域;
对于广播电台和交警部门,可以自选关注区域;
通过互联网+技术从电子地图中可以获取关注区域的拥堵信息;
步骤S3,聚类分析归并拥堵性质相同或相似的相邻路段;
此步骤中,采用K-均值聚类算法将相似性高的相邻对象归并一个整体,即将拥堵性质相似的路段归并;拥堵性质是指拥堵程度中的拥堵等级;获取区域内所有路段测点的拥堵数据作为聚类的k个簇,每个簇通过质心来描述;以欧式距离
(1)K-均值聚类算法:首先算法初始化,即创建算法所需要的质心k个,然后将测点数据分配给每一个质心,迭代计算类间距离,迭代次数取决于数据点的分配计算是否还在变动,返回分配结果,得出测点拥堵数据的聚类并归类;
(2)创建并优化质心:首先,取k个初始点随机确定作为质心;然后取一个簇,把数据集中的每个点分配其中,找出每个点距离其最近的质心,并找出该质心所对应的簇,将其分配其中;完成此步后,每个簇的质心更新为该簇的所有点的平均值;
(3)计算质心间的距离:将数据导入K-均值聚类算法中,并将数据存入dM矩阵中,然后,用来计算欧式距离,最后,建立一个集合去存放产生的随机质心,并构建算法使用的数据集。
步骤S4,根据步骤S1确定的标准判别拥堵形态;
基于已归并近似路段后形成的拥堵形态对象,采用Sigmoid分类函数和Logistic回归判别;具体包括:
(1)采用Sigmoid函数梯度上升法确定最佳回归系数;具体计算公式如下:
将此函数(1)的输入记为z,则公式如下:
z=w0x0+w1x1+w2x2+…+wnxn(2)
上述公式为线型方程的形式,其向量形式可以写成z=wTx;其中向量x是分类器的输入数据,向量w也就是要找的最佳分类参数;此算法主要的思想是找到某个函数曲线中的最大值,最佳路径即为梯度变化的方向;可以通过
(2)判断决策树边界,即表1中形态分类(节点性拥堵、线性拥堵和区域性拥堵)的边界,对交通拥堵形态进行Logistic回归分类。
图2、图3、图4分别显示了节点性拥堵、线性拥堵和区域性拥堵的形态,图中粗线表示拥堵的路段或道路。
最后所应说明的是,以上具体实施方式仅用以说明本发明的技术方案而非限制,尽管参照实例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。