一種校園交通的擁堵識別方法
【技術領域】
[0001] 本發明屬于交通領域，具體設及一種校園交通的擁堵識別方法。
【背景技術】
[0002] 近幾十年來，大學持續性的擴招，一定程度上滿足了社會的發展，同時也給大學的 發展帶來諸多的問題，比如校園交通系統也面臨著嚴峻的挑戰。近年來，頻繁發生高校擁擠 踩踏事故，一方面是學生的安全意識薄弱，另一方面如何在運樣的形勢下有效的解決校園 交通擁堵問題從而獲得可持續的發展，構建校園綠色交通是我們必須要解決的問題。
[0003] 國內外學者基于Ξ相交通理論（交通流可分為Ξ個階段：自由流，同步流和寬運 動堵塞流），提出了交通擁堵和描述各種方法。對于交通擁堵的研究表明，基于交通流參數 的特征對于擁擠的檢測是十分重要的。考慮到交通現象的不同方面，許多研究提出了不同 的觀點。實際上，現在幾乎所有的交通流參數特征都是基于公路，高速公路和城市交通擁 堵的，而對校園交通擁堵的研究有限。運個限制激勵我們開發一種能夠有效描述校園交通 狀況的特征。
[0004] 校園交通研究的挑戰在于校園結構的復雜性。校園交通擁堵的有效特征正在成為 一個重要的待解決的問題，而目前尚無對校園交通進行擁堵識別的方法。
【發明內容】
：
[0005] 為了克服上述【背景技術】的缺陷，本發明提供一種校園交通的擁堵識別方法，簡單 易行，可操作性強。
[0006] 為了解決上述技術問題本發明的所采用的技術方案為：
[0007] 一種校園交通的擁堵識別方法，包括如下步驟：
[0008] 步驟1，獲取混合交通模式下各類道路使用者的數據；
[0009] 步驟2,根據步驟1所獲取數據計算交通道路占用率；
[0010] 步驟3,依據道路占用率結合各類道路使用者的數據將交通擁堵分為自由流，一般 擁堵和嚴重擁堵Ξ個級別；
[0011] 步驟4,用相關系數法分別計算各類道路使用者的數據和道路占用率與交通擁堵 級別之間的相關性。
[0012] 較佳地，各類道路使用者的數據是對視頻資料進行數據統計得出的。
[0013] 較佳地，各類道路使用者的數據包括行人、自行車、摩托車和汽車的數量、速度和 占用道路面積。
[0014] 較佳地，道路占用率，設定i= 1，2,3,4分別代表行人、自行車、摩托車和汽車各類 道路使用者，Ni表示行人、自行車、摩托車和汽車的數量，S f表示所選取實驗路段的面積，S 1 表示行人、自行車、摩托車和汽車的單個道路使用者所占用的道路面積。
[0015] 較佳地，步驟3是指依據道路占用率結合汽車、自行車和行人的速度對交通擁 堵情況進行評價并得出交通擁堵級別，具體方法為：當道路占用率比平均道路占用率提 高90%W上，汽車速度比汽車平均速度降低50%W上，摩托車速度較摩托車平均速度降 低20%W上，自行車速度比自行車平均速度降低10%W上，行人速度比行人平均速度降低 15%W上，則評價交通擁堵級別為嚴重擁堵；
[0016] 當道路占用率比平均道路占用率提高40% -90%，汽車速度比汽車平均速度降低 20% -50%，摩托車速度比摩托車平均速度下降5% -10% ;自行車速度比自行車平均速度 降低5% -10%，行人速度比行人平均速度降低5% -15%，則評價交通擁堵級別為一般擁 堵； 陽017] 當道路占用率在平均道路占用率30%W下，汽車速度在汽車平均速度的負10% W上，摩托車速度在摩托車平均速度負5 %W上；自行車在自行車平均速度的負5 %W上， 行人速度在行人平均速度的負5%W上，則評價交通擁堵級別為自由流。
[0018] 較佳地，平均道路占用率是指在實驗路段特定時間段內的道路占用率平均值；汽 車平均速度是指在實驗路段特定時間段內的汽車速度平均值；摩托車平均速度是指在實驗 路段特定時間段內的摩托車速度平均值；自行車平均速度是指在實驗路段特定時間段內的 自行車速度平均值；行人平均速度是指在實驗路段特定時間段內的行人速度平均值。
[0019] 較佳地，步驟4是用Spearman皮爾遜相關系數法分別計算道路占用率、汽車速 度、摩托車速度、自行車速度、行人速度與步驟3所得的交通擁堵級別的相關性，相關性
其中，d,=X,-y,，X,為在統計時段內的數據集合組成的數組，數據為道 路占用率或行人速度或自行車速度或摩托車速度或汽車速度，Yj表示交通擁堵級別，自由 流、一般擁堵和嚴重擁堵分別用2、1、0表示，η表示X,或y,的數據量。
[0020] 較佳地，在步驟4之后還包括對結果進行驗證的步驟5,建立的BP神經網絡模型， 從步驟4的結果提取相關性最高的數個特征作為BP神經網絡的輸入參數，對該模型進行訓 練，計算得出樣本交通擁堵級別，將步驟3所得的交通擁堵級別與樣本交通擁堵級別進行 對比得到本方法的交通擁堵識別率。
[0021] 較佳地，BP神經網絡模型為Ξ層BP神經網絡模型，從步驟4的結果提取相關性最 高的Ξ個特征作為BP神經網絡的輸入參數。
[0022] 較佳地，選取函數
'乍為BP神經網絡模型的激活函數；m為輸入參 數，表示汽車速度、行人速度或交通道路占用率與其權重的加權和，權重為隨機量；S(m)為BP神經網絡神經元輸出，表示樣本交通擁堵級別。
[0023] 本發明的有益效果在于：本方法在對校園交通擁堵情況進行分析后提出了道路占 用率的計算方法，建立了基于Ξ相交通理論的交通擁堵評價指標，將交通道路擁堵狀況定 義為Ξ個狀態，分別是自由流，一般擁堵和嚴重擁堵；選用Spearman皮爾遜相關系數法分 析擁堵指標與各項交通流參數之間的相關性；最后還建立了Ξ層的BP神經網絡模型，對識 別率進行計算分析，構建基于Ξ層BP神經網絡的交通評價方法。本發明算法復雜度低、簡 單易行，可操作性強，目前尚無對校園交通進行擁堵識別的方法，可用于校園或住宅小區等 特定環境下交通擁堵情況的識別。
【附圖說明】
[0024] 圖1為本發明實施例的流程圖；
[0025] 圖2為本發明實施例交通流行人、汽車、自行車和摩托車數量和總數量隨時間變 化圖；
[0026] 圖3為本發明實施例交通流速度隨時間變化圖；
[0027] 圖4為本發明實施例道路占有率隨時間變化圖； 陽02引 圖5為本發明實施例BP神經網絡準確率；
[0029] 圖6為本發明實施例在兩組實驗數據中隨機選取訓練數據集和測試數據集，并對 該兩組實驗數據合并記錄的情況下BP神經網絡準確率隨迭代次數的變化情況；
[0030] 圖7為本發明實施例兩組實驗數據選取其中一組數據為訓練數據集，另一組數據 為測試數據集，對測試數據進行記錄時BP神經網絡準確率隨迭代次數的變化情況；
[0031] 圖8為本發明實施例BP神經網絡模型的誤差隨迭代次數的變化情況。
【具體實施方式】
[0032] 下面結合附圖和實施例對本發明做進一步的說明。
[0033] 一種校園交通的擁堵識別方法（圖1)，包括如下步驟：
[0034] 步驟1，獲取混合交通模式下各類道路使用者的數據，本實施例中包括行人、自行 車、摩托車和汽車的數量、速度和占用道路面積；而各類道路使用者的數據是對視頻資料進 行數據統計得出的。實踐中還可W增加統計電動車等道路使用者的數據。
[0035] 步驟2,根據步驟1所獲取數據計算交通道路占用率；
[0036] 道路占用率
其中i=1，2,3,4分別代表各類道路使用者包括行人、 自行車、摩托車和汽車，Ni表示行人、自行車、摩托車和汽車的數量，Sf表示所選取實驗路段 的面積，S康示行人、自行車、摩托車和汽車的單個占用面積。
[0037] 步驟3,依據道路占用率結合各類道路使用者的數據評價交通擁堵級別，包括自由 流，一般擁堵和嚴重擁堵；
[0038]基于Ξ相交通理論，建立交通擁堵評價指標。混合交通模式下的各類交通使用者 的數量和速度分布分別如圖2和圖3所示，道路占用率隨時間分布如圖4所示。依據道路 占用率結合汽車、自行車和行人的速度對交通擁堵情況進行評價并得出交通擁堵級別，方 法如下：
[0039] 當道路占用率比平均道路占用率提高90%W上，汽車速度比汽車平均速度降低 50%W上，摩托車速度較摩托車平均速度降低20%W上，自行車速度比自行車平均速度降 低10%W上，行人速度比行人平均速度降低15%W上，則評價交通擁堵級別為嚴重擁堵；
[0040] 當道路占用率比平均道路占用率提高40% -90%，汽車速度比汽車平均速度降低 20% -50%，摩托車速度比摩托車平均速度下降5% -10% ;自行車速度比自行車平均速度 降低5% -10%，行人速度比行人平均速度降低5% -15%，則評價交通擁堵級別為一般擁 堵；
[0041] 當道路占用率在平均道路占用率30%W下，汽車速度在汽車平均速度的負10% W上，摩托車速度在摩托車平均速度負5 %W上；自行車在自行車平均速度的負5 %