买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：东南大学

摘要：本发明公开了一种基于时空流预测的城市交通拥堵成因诊断与调控方法，以历史数据采集与预处理、拥堵地段的时空流特征集生成、时空流预测模型建构、基于时空流预测的拥堵成因智能诊断、诊断结果输出与智能调控为五项主要步骤。本发明目的在于通过识别反衍拥堵地段的出行流构成，进而判断拥堵地段的时空流模式，并基于时空流模式占比和拥堵地段建成环境数据建构优化预测模型，进一步通过实时交通数据接入的方式，判定拥堵地段的主导时空流模式并对其进行可视化展示，最终输出拥堵成因诊断结果与相应调控措施。本发明能够实现针对拥堵地段的准确诊断与对应解决策略，达到减缓交通拥堵、优化交通出行的目的。

主权项：1.一种基于时空流预测的城市交通拥堵成因诊断与调控方法，其特征在于，包括以下步骤：步骤1：构建所在城市中各个拥堵地段的时空数据库；步骤2：基于时空流模式判定规则，将时空数据库中各拥堵地段的时空流模式划分为近家-出发拥堵型、近业-出发拥堵型、近家-到达拥堵型、近业-到达拥堵型、途径拥堵型；测度各拥堵地段中各类时空流模式的占比，并对各类时空流模式的占比进行筛选，以构建OD影响型拥堵地段的时空流特征集；构建OD影响型拥堵地段的时空流特征集的方法包括以下步骤：步骤201：识别并反衍时空数据库中拥堵地段内的所有出行流OD：从时空数据库中提取拥堵地段中车辆ID，基于车辆ID，从GPS有效停留点数据集中提取该车辆ID所对应的OD点集；其中，每个车辆i的拥堵停留点标记为Pi，每个车辆i发生在拥堵有效停留点Pi之前的最后一个有效停留点标记为出发点Oi，每个车辆i发生在拥堵行为OD点集之后的第一个有效停留点标记为到达点Di；步骤202：判定拥堵地段的时空流模式：基于拥堵停留点Pi之间的位置关系以及出行OD点集所对应的用地类型，建构时空流模式判定规则，并将拥堵地段的时空流模式划分为以下拥堵类型，包括：近家-出发拥堵型、近家-出发拥堵型、近业-到达拥堵型、近业-到达拥堵型、途径拥堵型；步骤203：测度所在城市中各拥堵地段中的不同时空流模式占比，生成时空流特征集：基于步骤202所述的时空流模式，汇总不同时空流模式对应的车辆ID总数，分别记为：h1,h2,h3,h4,h5；同时测度各拥堵地段中不同时空流模式的数值占比，生成拥堵地段的时空流特征集{H1,H2，H3,H4，H5}，H1至H5分别为一个拥堵地段中近家--出发拥堵型、近业-出发拥堵型、近家-到达拥堵型、近业-到达拥堵型、途径拥堵型的数值占比；步骤204：对时空流特征集进行筛选，构建OD影响型拥堵地段的时空流特征集：基于途径拥堵型地段的识别算法，筛选出非OD影响型的拥堵地段并予以排除，并将其余拥堵地段标记为OD关联型拥堵地段，生成OD影响型拥堵地段的时空流特征集；所述途径拥堵型地段的识别算法的判定规则：H5MAXH1,H2,H3,H4且σH≥μH；其中，μH为一个拥堵地段中各类时空流占比的平均值，σH为一个拥堵地段中各类时空流占比的标准差； 步骤3：划定OD影响型拥堵地段的缓冲影响区，并根据建成环境的特征指标体系生成缓冲影响区的建成环境特征集；步骤4：将时空流特征集与建成环境特征集进行归一化处理，形成预测模型数据集，采用卷积神经网络算法对预测模型数据集中的建成环境特征要素与各时空流模式的数值占比之间的内在联系进行训练和校核，获得时空流模式占比的预测模型；步骤5：实时采集拥堵地段的交通拥堵数据，根据步骤3生成拥堵地段的建成环境特征集，并输入预测模型中输出该拥堵地段的各类时空流模式占比；步骤6：根据每个拥堵地段的主导度Ar和相似度Br，识别步骤5中拥堵地段的主导特征，基于主导特征和输出的时空流模式占比排序，对拥堵成因进行诊断；所述拥堵地段主导特征包括单一时空流主导与双时空流主导地段，主导特征的识别方法为：当ArJ0，且BrK0时，该拥堵地段为单一时空流主导型地段；当Br≥K0时，该拥堵地段为双时空流主导型地段；其中，主导度阈值J0＝μA+σA，相似度阈值K0＝μB+σB；主导度Ar＝MAXh1,H2,H3,H4；相似度若H1H2H3H4，则MAXsecH1,H2,H3,H4＝H2；各拥堵地段主导度的平均值主导度标准差各拥堵地段相似度的平均值相似度标准差H1至H5分别为一个拥堵地段中近家-出发拥堵型、近业-出发拥堵型、近家-到达拥堵型、近业-到达拥堵型、途径拥堵型的数值占比；步骤7：诊断结果可视化，并根据诊断结果对拥堵地段提出调控策略。

全文数据：

权利要求：

百度查询： 东南大学 一种基于时空流预测的城市交通拥堵成因诊断与调控方法