基于Apriori支持度与行驶距离加权计算交叉口间关联程度的方法专利检索-关联性分析人工智能专利检索查询-专利查询网

基于Apriori支持度与行驶距离加权计算交叉口间关联程度的方法

阅读：849发布：2020-05-12

专利汇可以提供基于Apriori支持度与行驶距离加权计算交叉口间关联程度的方法专利检索，专利查询，专利分析的服务。并且本发明公开了基于Apriori支持度与行驶距离加权计算交叉口间关联程度的方法，运用Apriori 算法对交叉口之间的支持度进行计算，遍历车辆轨迹序列，通过设置最小支持度阈值来获得其中满足最小支持度的频繁项集，并对交叉口的关联性求解。将交叉口的关联度研究的扩展至城市范围，以挖掘在城市道路网下大范围的运行规律，对于挖掘交通流状态(如拥堵状态)在路网的传播和蔓延方向具有很好的展示作用。从技术优势来讲，对车辆轨迹数据和交叉口做级联分析，找出单个车辆轨迹经过的交叉口集合，算法所需空间复杂度和时间复杂度较低。另外，调用百度地图API计算交叉口间行驶距离的技术较为成熟，具有较好的可扩展性。，下面是基于Apriori支持度与行驶距离加权计算交叉口间关联程度的方法专利的具体信息内容。

权利要求

1.基于Apriori支持度与行驶距离加权计算交叉口间关联程度的方法，其特征在于：S1运用Apriori 算法对交叉口之间的支持度进行计算，遍历车辆轨迹序列，通过设置最小支持度阈值来获得其中满足最小支持度的频繁项集，并对交叉口的关联性求解；支持度是指某交通运行状态的发生频率；交通运行状态项A→交通运行状态项B的支持度，代表在交通运行状态数据库包含A和B的百分比，其支持度用公式(1)表示；
具体求解过程如下：
输入：D:车辆轨迹订单的集合；
输出：L:D中的车辆轨迹订单经过的交叉口集合；
min_sup:最小支持度即车辆轨迹经过的交叉口数量；
T:单个车辆轨迹订单；
Ck：大小为k的候选集合；
C：Ck的子集；
Lk：车辆轨迹经过的交叉口集合，k为交叉口数量；
提取频繁项集：
找出某车辆经过1次的交叉口集合，产生候选，并剪枝；扫描D的每一个车辆轨迹记录得到T的子集；
在计算出各个交叉口的支持度后已经表示交叉口间的关联关系，然而不同交叉口之间相差的行驶距离较大，并且支持度会随着交叉口间的距离而衰减，所以要综合考虑交叉口间的支持度与距离，来描述交叉口间的关联程度；对交叉口支持度与相距距离进行加权，将不同距离下的所有交叉口变换至同一维度下进行比较，进而凸显出不同距离范围下的重要交叉口；
S2通过调用百度地图API应用程序接口，获取目标交叉口与其关联交叉口间的最短路径行驶距离；
S3根据轨迹实际距离和支持度，加权计算出新的关联程度；
S4对各交叉口加权后的关联度进行统计，不同距离下的所有交叉口变换至同一维度下进行比较，进而凸显出每个距离段下的重要交叉口。
2.根据权利要求1所述的基于Apriori支持度与行驶距离加权计算交叉口间关联程度的方法，其特征在于：综合考虑距离因素，城市中与重要交叉口关联性较强的热点区域，找出各个距离范围内的重要交叉口区域。

说明书全文

基于Apriori支持度与行驶距离加权计算交叉口间关联程度

的方法

技术领域

[0001] 本发明属于交通规划与管理领域，城市路网交叉口关联度分析。本发明适用于较大范围路网，对不同距离间的交叉口关联程度进行计算。

背景技术

[0002] 在交通控制领域中，现有研究关注临近交叉口之间关联特性，以优化信号配时，提高运行效率。Mohebifard,R.等[1]考虑信号交叉口之间的联合控制，优化相位时间以避免交叉口长队与堵塞。Zhao,J.等[2]考虑信号交叉口上游路段，通过仿真验证进行交叉口饱和流率的分析，并进行信号控制优化。上述研究对于小区域的交叉口交通现象得到了较好的解析，但很难体现出路网的全局特征，以及非直接关联的交叉口通行效率是否存在关联性或者是否会相互影响。同时，现有研究中所涉及的数据量不大，数据获取方法成本较高并且效率低。

[0003] 而经典的关联规则挖掘算法包括Apriori算法[3]和FP-growth算法[4]。Apriori 算法多次扫描交易数据库，每次利用候选频繁集产生频繁集；而FP-growth则利用树形结构，无需产生候选频繁集而是直接得到频繁集，以减少扫描交易数据库的次数，从而提高了算法的效率。但是Apriori的算法扩展性较好，可以用于并行计算等领域，不仅如此其具有简单、易于理解、数据要求较低的优点。

发明内容

[0004] 在交通控制领域中，传统的交叉口关联研究的目的主要是优化区域内交通信号控制，以提高区域内路网运行效率。然而在交通轨迹数据研究中，发现车辆在交叉口延误的蔓延和累计现象具有较长的轨迹。因而使用本方法，基于Apriori 算法的支持度，考虑不同相距距离的交叉口，以计算出大范围内的交叉口关联度特征，试图解决城市路网规模下的交叉口拥堵治理问题。

[0005] 本发明采用的技术方案为基于Apriori支持度与行驶距离加权计算交叉口间关联程度的方法，S1运用Apriori算法对交叉口之间的支持度进行计算，遍历车辆轨迹序列，通过设置最小支持度阈值来获得其中满足最小支持度的频繁项集，并对交叉口的关联性求解。其中，支持度是指某交通运行状态的发生频率。交通运行状态项A→交通运行状态项B的支持度，代表在交通运行状态数据库包含A 和B的百分比，其支持度用公式(1)表示。

[0006]

[0007] 其具体求解过程如下：

[0008]

[0009] 在计算出各个交叉口的支持度后已经表示交叉口间的关联关系，然而不同交叉口之间相差的行驶距离较大，并且支持度会随着交叉口间的距离而衰减，所以要综合考虑交叉口间的支持度与距离，来描述交叉口间的关联程度。现对交叉口支持度与相距距离进行加权，将不同距离下的所有交叉口变换至同一维度下进行比较，进而凸显出不同距离范围下的重要交叉口。

[0010] S2通过调用百度地图API应用程序接口，获取目标交叉口与其关联交叉口间的最短路径行驶距离。

[0011] S3根据轨迹实际距离和支持度，加权计算出新的关联程度。

[0012] S4对各交叉口加权后的关联度进行统计，不同距离下的所有交叉口变换至同一维度下进行比较，进而凸显出每个距离段下的重要交叉口。

[0013] 通过以上步骤，可以综合考虑距离因素，更加容易发现城市中与重要交叉口关联性较强的热点区域，找出各个距离范围内的重要交叉口区域。

[0014] 相较于传统研究，从应用价值来讲，能将交叉口的关联度研究的扩展至城市范围，以挖掘在城市道路网下大范围的运行规律，对于挖掘交通流状态(如拥堵状态)在路网的传播和蔓延方向具有很好的展示作用。从技术优势来讲，对车辆轨迹数据和交叉口做级联分析，找出单个车辆轨迹经过的交叉口集合，算法所需空间复杂度和时间复杂度较低。另外，调用百度地图API计算交叉口间行驶距离的技术较为成熟，具有较好的可扩展性。附图说明

[0015] 图1为No.691交叉口关联度示意图。

[0016] 图2为考虑距离因素后的No.691交叉口关联度示意图。

具体实施方式

[0017] 现实案例的研究区域为成都市东北片区，其面积为8km×8km，研究的目标节点为成都市二环路刃具立交(编号691)。

[0018] 一、使用Apriori算法计算刃具立交与路网中其他交通网络节点的支持度[0019] 运用Apriori算法对交叉口之间的支持度进行计算，遍历车辆轨迹序列，通过设置最小支持度阈值，来获得其中满足最小支持度的频繁项集，对交叉口的关联性求解。

[0020] 图1中星号表示691交叉口的位置，该交叉口为所分析交叉口中重要性第二位。图中的点，表示与其关联的交叉口，可以看出它几乎与所有的交叉口都有关联。将Apriori算法得到的支持度以热力图的形式可视化展示，颜色越深表示与 691交叉口的支持度越大。

[0021] (1)通过调用百度地图SDK，获取691交叉口与其关联交叉口间的最短路径行驶距离。

[0022] 表1交叉口691与其他各交叉口间距(部分)

[0023]交叉口编号实际行驶距离(m)
212 10110
213 3559
214 3473
215 3137
216 3716
217 3976
218 3522
219 3881

[0024] (2)将691号交叉口间支持度与交叉口间距进行加权，求得交叉口的关联度A，在这里取w1,w2各为1/2。

[0025] A＝w1*S+w2*D

[0026] (3)对各交叉口加权后关联度进行统计，凸显出每个距离段下与刃具立交 (编号691)关联性较强的交叉口，如图2所示。

[0027] 可以看出，以691交叉口为中心，成都市西北和西南角的一些交叉口，尽管与691交叉口的距离较远，但仍然具有较高的关联度。这也就进一步说明了，路网中的一些交叉口不仅仅直接影响上下游的交叉口，在实际的道路运行中，还会与远端的交叉口具有关联。

[0028] 通过以上步骤，可以消除距离因素，更加容易发现城市中与目标交叉口(本例为刃具立交)关联性较强的热点交叉口或交叉口群，找出各个距离范围内的重要交叉口区域。

[0029] 参考文献：

[0030] [1]Mohebifard,R.,Al Islam,S.B.,&Hajbabaie,A.(2019).Cooperative traffic signal and perimeter control in semi-connected urban-street networks.Transportation Research Part C:EmergingTechnologies,104,408-427.[0031] [2]Zhao,J.,Yun,M.,&Yang,X.(2013).Capacity model for signalized intersection under the impact of upstream short lane.Procedia-Social and Behavioral Sciences,96,1745-1754.

[0032] [3]Agrawal,Rakesh,Srikant,al.Fast algorithms for mining association rules[C]//International Conference on Very Large Data Bases,San Francisco, CA,USA.Morgan Kaufmann Publishers Inc.1994:487-499.

[0033] [4]Han J,Pei J,Yin Y.Mining frequent patterns without candidate generation[J]. ACM SIGMOD Record,2000,29(2):1-12。

标题	发布/更新时间	阅读量
一种通信网络的性能优化方法	2020-05-08	166
一种邮件信息和恶意代码信息的关联性分析方法及系统	2020-05-08	635
议题显示系统和议题显示方法	2020-05-12	622
一种根据电网特征事件进行场景动态切换的方法、系统和存储介质	2020-05-12	596
一种工地安全调度监管方法及系统	2020-05-08	996
一种基于物联网的智慧农业信息处理系统	2020-05-14	627
一种基于事故风险的城市动态预警系统及方法	2020-05-11	431
一种基于算法特征的SIMT系统	2020-05-11	8
一种基于迁移学习的电力通信网故障检测方法	2020-05-12	507
自动校验测试方法及系统	2020-05-13	912