科创中国

电子信息技术

一种相似演化模式聚类及动态时区划分的交通流时间序列分区模型，其特征在于：通过对不同路段交通流数据的特征表示及聚类，提出了一种基于相似演化模式聚类及动态时区划分的交通流时间序列分区模型(Similar Pattern Cluster and DynamicTimeseries Partition，SPC-DTSP)，首次尝试挖掘交通流随时间变化的动态时空特征，解决交通流时间非平稳性在短时交通流预测中带来的挑战；通过美国加州101公路真实交通数据集的实证研究表明，所提模型相对于传统时空K近邻模型和深度学习模型有更高的预测精度；具体地，首先对路网个路段交通流数据进行特征表示；其次使用亲和力传播聚类算法对路网内具有相似演化模式的路段交通流进行分类；最后使用曲度K-Means算法对分类后的交通流数据进行动态时区划分，得到最终的对交通流数据的时间分区结果

本发明提出了基于相似演化模式聚类及动态时区划分的交通流时间序列分区模型，首次尝试挖掘交通流随时间变化的动态时空特征，解决交通流时间非平稳性在短时交通流预测中的挑战。具体的工作包括：首先使用亲和力传播聚类算法(APC)，自动识别出路网内具有相似交通流演化模式的路段。其次针对交通流的日内演化差异，用曲度KMeans算法，对相似演化模式中的交通流进行动态时区划分，更深层次地挖掘路网交通流的时空状态特征。然后在相似模式识别和自动时区划分后，对不同模式下的不同时区内的交通流分别建模，对交通流的状态信息进行量化，使模型的预测精度更加准确。最后使用真实数据集对所提模型的有效性进行验证。

我们的团队专注于开发交通流分区模型，通过相似演化模式聚类和动态时区划分技术，有效地将城市划分为不同的交通流区域。这一模型能够识别和预测各区域内的交通模式变化，支持更精细化的交通管理和规划。我们的技术旨在优化交通流动，减少拥堵，提升效率。团队由交通工程师、数据分析师和软件开发者组成，他们共同推动交通系统的智能化，为城市交通带来革命性的改进。