基于kNN和SCATS交通数据路段行程时间估计方法.docVIP

基于kNN和SCATS交通数据路段行程时间估计方法 　　摘要： 为了改善利用SCATS交通数据估计路段行程时间的效果，通过分析SCATS实际交通数据获取时间间隔不一致的特征，构建了SCATS交通数据虚拟时间序列，将利用因子分析法提取的累计贡献率在85%以上的主因子作为交通模式特征向量的构成要素，用欧氏距离作为当前交通模式特征向量和历史交通模式特征向量相似性的测度指标，以路段行程时间估计误差最小为目标选取当前交通模式的近邻数，对交通模式之间距离的倒数进行归一化处理，确定了相似交通模式的行程时间权重，设计了基于SCATS交通数据的路段行程时间估计方法.实例结果表明：与多元线性回归方法相比，本文方法估计的路段行程时间平均绝对误差、平均绝对百分比误差和均方根误差分别平均减少了9.68 s、8.07%和4.5 s. 　　关键词： 悉尼自适应交通控制系统；路段行程时间估计；k近邻算法；因子分析 　　中图分类号： U491文献标志码： ATravel Time Estimation Method Using SCATS 　　路段行程时间是反映道路交通状态最为直观有效的交通参数，是进行交通拥挤管理和动态路径诱导的重要基础，在智能交通系统中有着广泛的应用.感应线圈是目前应用最为广泛的交通数据采集手段，以此为基础的路段行程时间估计方法一直是国际交通工程领域的重要研究课题之一[1]. 　　目前，在基于感应线圈数据的路段行程时间估计方法中，针对高速公路等连续流交通设施的研究成果较多[24]，由于受交通信号控制、复杂车辆组成及道路环境等因素的影响，针对间断流交通设施的相关研究成果较少，而且多沿袭针对连续流交通设施的研究思路[57]，以布设在距离停车线较远位置的线圈获得的固定采样间隔的流量、速度、道路占有率等数据为基础，建立延误估计模型，间接估计路段行程时间，或者直接建立路段行程时间的估计模型. 　　悉尼自适应交通控制系统（Sydney coordinated adaptive traffic system， SCATS）是世界范围内应用最广泛的交通信号控制系统之一，利用其交通数据对行程时间进行估计，对于低成本改善交通控制、交通诱导和交通指挥的协调性具有重要的现实意义.由于SCATS中线圈布设位置及获取的交通数据种类均具有特殊性，目前相关研究成果还较少，且均假设SCATS线圈能够按照某种固定的采样间隔提供交通数据，甚至以目前尚无法提供的某些数据为前提.例如，假设SCATS线圈经过调西南交通大学学报第48卷第2期姜桂艳等：基于kNN和SCATS交通数据的路段行程时间估计方法整后可输出2 s内的流量数据[8]；假设SCATS线圈可提供5 min采样间隔的地点速度和时间占有率数据[9]等.这些假设均不符合SCATS系统的实际情况，在短期内难以通过工程手段加以实现. 　　k近邻（knearest neighbor， kNN）算法是一种以最相似样本和模式识别为基础的非参数回归方法，在分类和估计等领域得到了广泛应用.其中，特征向量的选取是影响kNN算法效果的关键因素之一.现有成果基本都是采用人工方法确定特征向量的组成，不仅主观性强、劳动强度大，而且极易存在信息冗余. 　　针对上述问题，本文将首先对SCATS实际交通数据的特征进行深入分析，在提出并构建虚拟时间序列的基础上，将kNN算法与因子分析算法相结合，设计了一种路段行程时间估计方法，并采用某特大城市SCATS实际交通数据进行了验证和对比分析.1SCATS交通数据的分析与处理1.1 SCATS交通数据的特征SCATS采用设置在车道下游靠近停车线的感应线圈获取流量及平均车头时距等交通流运行参数数据，以路口为单位记录周期、绿灯时长及饱和度等交通信号控制参数数据. SCATS以绿灯信号相位为时间单位获取交通数据，而相位时长是动态变化的，因此，各个采样间隔内的交通数据不具有严格的时间可比性. 　　路段行程时间估计的时间尺度通常为5、10或15 min等固定时间间隔[1113]，但在SCATS中获取交通数据的时间间隔却不严格一致，这增加了设计有效路段行程时间估计方法的难度.1.2 SCATS交通数据虚拟时间序列的构建1.2.1虚拟时间序列 　　为了能够得到固定采样间隔的SCATS交通数据时间序列，本文提出了虚拟时间序列概念，其基本原理是将每个信号周期T内的到达车辆及其速度由随机分布虚拟成均匀（匀速）分布.设置长度为τ（5、10 min等）的虚拟采样间隔，并将其插入SCATS交通数据的时间轴，如图1所示.此时，SCATS实际采样间隔仍是其绿灯信号相位，而虚拟采样间隔则为设定的时间长度τ.可以通过对实际采样间隔内的相应数据进行转换，获得每个虚拟采样间隔内的交通数据. 　　3.3.2对比分析 　　虽然文献