本發(fā)明涉及智能交通，尤其涉及一種相位式交叉口的交通狀態(tài)精細化辨識方法。

背景技術：

1、數(shù)據(jù)顯示，截止至2023年初，我國城鎮(zhèn)化率已達65.22%，城際出行需求不斷增長，機動車保有量突破4億輛。近年來，城市道路與高速公路銜接區(qū)的交通流狀態(tài)復雜，擁堵現(xiàn)象嚴重。交通需求持續(xù)增加，在城市內外道路交通銜接區(qū)交叉口的交通供需矛盾日益凸顯，交通擁堵已成為制約區(qū)域經濟發(fā)展、影響交通服務質量、破壞區(qū)域生態(tài)環(huán)境的嚴重隱患。其中，城市內外道路交通銜接區(qū)交叉口作為道路交通系統(tǒng)的重要節(jié)點，大量車流在此匯集、交織，極易產生交通擁堵，限制著路網運行效率。交通信息處理與應用的結構、算法、通信等技術，是現(xiàn)代智能交通系統(tǒng)（intelligent?transportation?systems,?its）領域重點研究的對象。目前，交管部門主要通過its的交通誘導系統(tǒng)和交通控制系統(tǒng)來緩解道路擁堵狀況，如果能夠對交叉口附近基本路段的交通狀態(tài)變化進行適時、準確地判斷，可提升交通誘導的精度和交通管控的效果，并同時提高城市交通和公路交通的可靠性及有效性。

2、目前，在智能交通系統(tǒng)研究領域中，交通運行狀態(tài)的辨識已經成為一個研究熱點.準確、實時的交通狀態(tài)辨識有助于交通管理部門及時了解和掌握交通運行狀況，同時也便于交通管理部門提前預估并制定交通擁堵的疏導決策方案，對緩解交通擁堵具有重要意義.。因此，國內外許多學者對交通狀態(tài)辨識的研究給予了高度的關注。

3、早期的交通狀態(tài)辨識大多采用單一原理的設計方法，如統(tǒng)計分析、比較法及理論模型等。隨著先進技術在交通領域的發(fā)展，交通狀態(tài)辨識算法的發(fā)展方向已經由單一方法的改進，轉變?yōu)榉椒ㄅc理論的多元化發(fā)展，并取得了較好的成果。然而，目前主要的研究重點主要集中在路網整體或聚焦于擁堵路段，普遍將交叉口作為路網中的一個節(jié)點進行研究，或者只是簡單的尋找表示交叉口處狀態(tài)的參數(shù)，對交通狀態(tài)進行劃分，對受交叉口相位影響的附近路段交通狀態(tài)進行精細化辨識的研究較少。由于交叉口附近路段受信號燈相位影響，若粗略的將不同相位下的交通狀態(tài)進行統(tǒng)一的劃分，不考慮不同相位下受信號燈影響導致的車輛停車排隊現(xiàn)象，容易對交通狀態(tài)產生錯誤辨識，如：直行紅燈相位下，行駛車輛受交叉口處紅燈影響會出現(xiàn)減速或停車，該情形下斷面交通量低、車道空間占有率高、平均行車速度低。若采用傳統(tǒng)辨識方法容易錯誤的將該情形與直行綠燈相位下的斷面交通量低、車道空間占有率高、平均行車速度低情形同樣辨識為堵塞狀態(tài)，未考慮信號相位的影響，對管理者產生誤導。同時，城市外圍高速公路往往受到其連接道路交通影響，尤其受城市內外道路交通銜接區(qū)交叉口的影響，而針對此類受交叉口影響的附近路段交通狀態(tài)進行精細化辨識的研究較少。

4、對此本發(fā)明提出一種針對不同相位下交叉口附近路段交通狀態(tài)的精細化判別方法，實現(xiàn)對交叉口交通狀態(tài)的快速判別，為交通管理者制定交叉口信號控制策略提供依據(jù)。同時在使用傳統(tǒng)fcm算法對交通狀態(tài)進行劃分時，受初始聚類中心的影響，易導致誤判或者錯判的情況，因此提出一種基于霜冰優(yōu)化算法的fcm算法（rime-fcm），用于優(yōu)化聚類初始中心點，以較小的概率接受非優(yōu)質解為優(yōu)質解，且因此使用shap對模型進行解釋性分析，明確各交通參數(shù)如何對模型辨識產生影響。

5、為了解決上述問題，本發(fā)明提出一種相位式交叉口的交通狀態(tài)精細化辨識方法。

技術實現(xiàn)思路

1、本發(fā)明的目的在于提出一種相位式交叉口的交通狀態(tài)精細化辨識方法以解決背景技術中所提出的問題：

2、現(xiàn)有技術普遍將交叉口作為路網中的一個節(jié)點進行研究，或者只是簡單的尋找表示交叉口處狀態(tài)的參數(shù)，對交通狀態(tài)進行劃分，無法對受交叉口相位影響的附近路段交通狀態(tài)進行精細化辨識。

3、為了實現(xiàn)上述目的，本發(fā)明采用了如下技術方案：

4、一種相位式交叉口的交通狀態(tài)精細化辨識方法，包括如下步驟：

5、s1：采集交叉口交通數(shù)據(jù)并按照交叉口處的相位進行預處理操作，將交叉口交通數(shù)據(jù)劃分為不同相位下的數(shù)據(jù)集；

6、s2：針對不同相位下的數(shù)據(jù)基于rime-fcm算法進行交通狀態(tài)的模糊劃分，獲得含有交通狀態(tài)標簽的數(shù)據(jù)集；

7、s3：基于bo-xgboost模型進行交通狀態(tài)識別分類訓練，并使用shap值對模型進行解釋。

8、優(yōu)選地，所述s1中，選取交通量、路段平均行程速度和空間占有率三個交通參數(shù)作為辨識指標，形成交通狀態(tài)辨識指標體系。

9、優(yōu)選地，所述s1中，設定對交通狀態(tài)進行劃分的相對度量標準，將交通狀態(tài)劃分為順暢、平穩(wěn)、擁擠和阻塞四類。

10、優(yōu)選地，所述s2中的rime-fcm算法具體如下：

11、s2.1：設置初始參數(shù)；

12、s2.2：更新fcm算法的聚類中心和隸屬度矩陣；

13、s2.3：定義適應度函數(shù)，適應度函數(shù)選取為：，其中，為目標函數(shù)；為聚類中心；為隸屬度矩陣；

14、s2.4：通過rime算法不斷更新聚類中心中各維度的值，即每個聚類中心中三個辨識指標的值，對應粒子；

15、s2.5：更新全局最優(yōu)個體，判斷是否達到最大迭代次數(shù)，若是轉至s2.6，否則進入s2.2；

16、s2.6：算法結束，取粒子適應度最大的個體為fcm算法初始聚類中心，對樣本進行劃分；

17、s2.2中所述fcm算法具體如下：

18、s2.2.1：基于s2.1設置的初始參數(shù)獲得初始聚類中心，并計算初始化隸屬度矩陣；

19、s2.2.2：計算聚類中心并更新隸屬度矩陣；具體如下：

20、所述聚類中心計算如下：

21、

22、其中，為樣本的數(shù)量；為樣本序號；為聚類中心的數(shù)量；為聚類中心的序號；為模糊指數(shù)；為樣本屬于第類聚類中心的隸屬度；

23、s2.2.3：計算目標函數(shù)，若或達到最大迭代次數(shù)，則終止計算，否則返回s2.2.3繼續(xù)迭代；具體如下：

24、以特征空間中的數(shù)據(jù)樣本集為，表示聚類中心，以各個樣本到各個聚類中心的歐式距離的和為目標函數(shù)，具體如下：

25、

26、約束條件如下：

27、

28、其中，為樣本的數(shù)量；為樣本序號；為聚類中心的數(shù)量；為聚類中心的序號；為模糊指數(shù)；為樣本屬于第類聚類中心的隸屬度；為樣本到聚類中心的歐式距離；

29、其中隸屬度計算如下：

30、

31、其中，為第個聚類中心；

32、s2.4中所述rime算法具體如下：

33、所述rime算法中，每個霜冰個體由若干個粒子組成，霜冰種群由若干個個體組成，具體如下；

34、

35、

36、其中，為霜冰種群，表示為一個矩陣，每一行代表一個個體；為第個霜冰個體的第個粒子，粒子對應維度的值，即解的第個維度的值，為霜冰個體的數(shù)量，即種群大小，為每個個體的維度數(shù)量，每個個體的維度對應辨識指標，維度數(shù)量對應辨識指標的數(shù)量；表示第個霜冰個體，對應交通狀態(tài)；

37、基于軟霜搜索策略進行霜冰個體尋優(yōu)，具體如下：

38、

39、

40、

41、

42、其中，為軟霜搜索策略更新后的粒子新位置，對應為由不同粒子的變量值構成的向量坐標；為霜冰種群中最優(yōu)個體的第個粒子，根據(jù)適應度函數(shù)計算獲得；為范圍為的隨機數(shù)，控制粒子運動的方向；和分別表示粒子運動的角度和環(huán)境因子；為粘附系數(shù)，范圍為內的隨機數(shù)，控制兩個粒子中心的距離；為第個霜冰個體的第個粒子的上界；為第個霜冰個體的第個粒子的下界；為粘附系數(shù)；為范圍為內的隨機數(shù)，控制粒子的凝結；為當前迭代次數(shù)；為最大迭代次數(shù)；為控制值，用于控制階躍函數(shù)的段數(shù)；

43、基于硬霜穿刺機制模擬硬霜個體之間的交叉行為，具體如下：

44、

45、其中，為硬霜穿刺機制更新后的粒子新位置；表示當前個體適應度值的歸一化值；是范圍為的隨機數(shù)；

46、歸一化值計算如下：

47、

48、其中，為歸一化之后的第個數(shù)據(jù)，取值范圍為；為第個原始輸入數(shù)據(jù)；為原始數(shù)據(jù)中的最大值；為原始數(shù)據(jù)中的最小值；

49、所述rime算法基于貪婪選擇機制進行，具體如下：

50、s2.4.1：初始化霜冰種群與相關參數(shù)；

51、s2.4.2：獲取當前最優(yōu)個體和最優(yōu)適應值；

52、s2.4.3：當時，依次執(zhí)行步驟a、b、c：

53、步驟a：如果，則根據(jù)軟霜搜索策略更新霜冰個體位置；

54、步驟b：如果，則通過硬霜穿刺機制在個體之間進行交叉更新；

55、步驟c：如果，則使用積極的貪婪選擇機制選擇最優(yōu)解并替換次優(yōu)解，具體為：將個體的更新適應度值與更新前的適應度值進行比較，如果更新適應值優(yōu)于更新前的值，則替換兩個個體的解；若滿足終止條件，執(zhí)行s2.4.5，反之，執(zhí)行s2.4.4；

56、s2.4.4：進化迭代次數(shù)加1，轉至s2.4.3；

57、s2.4.5：輸出全局最優(yōu)值，算法結束。

58、優(yōu)選地，所述s3中的bo-xgboost模型流程具體如下：

59、s3.1：根據(jù)目標函數(shù)和正則化策略確定xgboost模型的尋優(yōu)參數(shù)和解空間，在解空間采集個參數(shù)組合；

60、s3.2：將個參數(shù)組合輸入到xgboost模型并得到目標函數(shù)值，將輸出效果最優(yōu)的參數(shù)組合作為初始最優(yōu)解；

61、s3.3：采用高斯回歸過程模型對初始參數(shù)組合和目標函數(shù)值進行擬合，并依據(jù)高斯回歸過程模型的輸出值與預設值相比，初步選取最優(yōu)參數(shù)組合；

62、s3.4：在解空間基于ei算法重新選取若干參數(shù)組合，使用高斯過程預測選取的參數(shù)組合的分布均值和標準差；

63、s3.5：使用采集函數(shù)分布均值和標準差進行打分，評估各參數(shù)組合的效果；

64、s3.6：基于若干評估指標選擇效果最優(yōu)的參數(shù)組合作為本次迭代最優(yōu)解；

65、s3.7：將本次迭代最優(yōu)解替換上一輪迭代最優(yōu)解；

66、s3.8：將當前最優(yōu)的參數(shù)組合及目標函數(shù)值，加入到原始個參數(shù)組合中，更新高斯過程擬合模型；

67、s3.9：判斷是否達到預設最大迭代次數(shù)，若達到則輸出評估最優(yōu)的解作為xgboost最優(yōu)參數(shù)組合；否則轉向步驟s3.4；

68、s3.10：使用找到的最優(yōu)參數(shù)組合訓練xgboost模型，然后用訓練后的xgboost模型對樣本數(shù)據(jù)進行預測，根據(jù)模型輸出的預測結果來判斷交通狀態(tài)。

69、優(yōu)選地，所述xgboost模型的搭建具體如下：

70、所述xgboost模型的目標函數(shù)定義如下：

71、

72、其中，表示真實數(shù)據(jù)；為前個學習器的預測值和第個學習器預測值相加之和；表示模型損失函數(shù)；為正則化策略；為常數(shù)；

73、泰勒展開式的二階近似公式如下：

74、

75、其中，表示所求點；

76、對損失函數(shù)的一階導數(shù)和二階導數(shù)分別定義如下：

77、

78、

79、將目標函數(shù)用泰勒展開式展開，并用倒數(shù)形式替換，得到：

80、

81、設置第棵決策樹葉子對數(shù)據(jù)的預測值為：

82、

83、其中，表示樣本數(shù)據(jù)的葉子節(jié)點；表示葉子的預測數(shù)據(jù)；

84、在正則化中加入對葉子節(jié)點個數(shù)的懲罰：

85、

86、其中，為葉子節(jié)點數(shù)量；和為正則化參數(shù)，將預測值和正則化帶入目標函數(shù)公式，省略常數(shù)項，將對樣本預測的誤差和改為對每個葉子預測值誤差求和：

87、

88、其中，為分到第個葉子中的所有樣本集合；

89、令，，對目標函數(shù)求導，即求得目標函數(shù)極小值，得到最優(yōu)的值：

90、

91、代入到目標函數(shù)中，得到：

92、

93、得到信息增益如下：

94、

95、其中，、為右面葉子結點的值；、為左面葉子結點的值。

96、優(yōu)選地，所述s3.3中的高斯回歸過程模型具體如下：

97、設定高斯回歸過程模型的輸出如下：

98、

99、其中，為服從高斯分布的噪聲；為目標函數(shù)，表示對于輸入生成的真實值或響應值；

100、采用高斯過程對函數(shù)進行描述，先驗分布由其均值函數(shù)和協(xié)方差函數(shù)確定；

101、對于數(shù)據(jù)，為數(shù)據(jù)數(shù)量，分布函數(shù)的多元高斯分布為：

102、

103、其中，，且是的矩陣元素，為向量的轉置；

104、基于上述步驟搭建的高斯回歸過程模型返回的即為函數(shù)中的預測值高斯分布均值和方差。

105、優(yōu)選地，所述s3.4中的ei算法具體如下：

106、

107、

108、其中，為最高期望改進值；為期望值；表示算法當前尋得的最優(yōu)超參數(shù)組合；為新輸入點的預測分布均值；表示當前已知的最優(yōu)目標函數(shù)值；表示新輸入點的標準差；為替代函數(shù)；表示標準正態(tài)分布的累積分布函數(shù)；表示標準正態(tài)分布的概率密度函數(shù)。

109、優(yōu)選地，所述s3.4中，在解空間基于ei算法通過如下方式選取參數(shù)組合：

110、對于給出的樣本數(shù)據(jù)，使用所述高斯回歸過程模型更新函數(shù)的后驗期望；

111、尋找ei算法中對應ei值最大的數(shù)據(jù)，令；

112、并計算數(shù)據(jù)點的函數(shù)值；

113、重復上述計算過程，直到達到算法停止閾值。

114、優(yōu)選地，所述s3中的shap值計算如下；

115、對于每個預測樣本，shap模型生成一個夏普利值，具體為分配給每個特征的值的總和，解釋為：

116、

117、其中，為各變量的解釋模型；為聯(lián)合矢量；為最大聯(lián)合規(guī)模；為特征的特征屬性。

118、與現(xiàn)有技術相比，本發(fā)明提供了一種相位式交叉口的交通狀態(tài)精細化辨識方法，具備以下有益效果：

119、本發(fā)明將不同相位下的交通流參數(shù)進行劃分，然后對不同相位下的數(shù)據(jù)利用rime-fcm模型分別進行聚類，避免粒子過分快速地聚集于當前最優(yōu)解而陷入局部極值；實現(xiàn)對于交通流參數(shù)的初步劃分；通過貝葉斯優(yōu)化的方式優(yōu)化xgboost模型的超參數(shù)，進行交通狀態(tài)識別分類訓練；克服了目前xgboost交通識別算法訓練過程無法觀察，其產生結果難以解釋，影響結果可靠性的問題；還使用shap對模型識別過程進行解釋性分析，提升擁堵識別結果的可靠性。