本发明涉及计算机，尤其涉及一种基于rf-dbscn的实时高速通行能力评估方法。
背景技术：
1、高速通行能力是指在正常的道路、交通和管制的条件下，在规定的时间内，人和车辆能合理的期望通过一条车道或者道路某一端面或均匀路面送达到的最大小时流率。随着交通需求的日益蓬勃发展，交通系统也开始面临严重的挑战，尤其体现在高速公路路况恶化，不同车辆类型荤腥导致通行能力下降，以及高速公路个别路段因交通高峰导致频繁拥堵，而其他路段的通行能力却有较大潜力；因此，准确评估交通运行状态对深刻理解交通系统行为，并制定相应的交通管理决策至关重要。
2、相关技术中，对高速通行能力的评估方法具有多种，例如基本通行能力法、观测车头间距法、观测车头时距法、和观测速度密度法等；根据现行《公路工程技术标准》的基本通行能力法是常用的计算方法之一，其按照车道的宽度、车道数、车道长度与车道曲线等因素，计算一定时间内，车道上最大的通行能力。
3、然而发明人发现，上述基本通行能力法仅考虑了车道的几何因素，而没有考虑其他诸如车辆类型、车速、交通流组成等，导致计算结果与实际情况存在偏差。
技术实现思路
1、鉴于以上技术问题中的至少一项，本发明提供了一种基于rf-dbscn的实时高速通行能力评估方法，以提高对高速通行能力的预测精度。
2、根据本发明的一方面，提供了一种基于rf-dbscn的实时高速通行能力评估方法，包括以下步骤：
3、获取设定时间内道路的实时数据，该实时数据包括天气数据、事故数据、养护数据以及交通流量数据；
4、整合不同来源格式的数据，对数据进行统一编码，构建通行能力数据集；
5、提取计算通行能力所需要的特征，初始化通行能力特征提取其密度半径与最小密度；
6、确定所有核心对象集合n，通行能力特征提取器随机选取未访问的数据节点p；
7、以p为核心，r为半径判断圆内的数据点个数是否超过mints，如果是则确定为核心对象，并将其标记为已回访，并加入同一簇中，其中，mints表示密度阈值，用于定义形成核心店所需的最小邻域点数目；
8、拓展更新簇，形成所有簇，筛选通行能力特征；
9、输入通行能力特征数据集，从m条通行能力特征数据集中有放回的随机取样，构件分支决策树，分支决策树训练，每个分支决策树根据接收的特征输出分支决策树的结果；
10、分支决策树结果集成，将每个分支决策树结果以平均值的方法集成，输出最终通行能力计算结果。
11、在本发明的一些实施例中，在获取设定时间内道路的实时数据时，以每分钟的数据为特征，按列构建通行能力数据集，设为原始通行能力数据集，统一编码重构后的通行能力数据集其中
12、式中，l表示原始通行能力数据集，l′表示重构后的通行能力数据集。
13、在本发明的一些实施例中，设l＝{l1,l2,...,lm}，li＝{li1,li2,...,lin}，,i∈[1,m],j∈[1,n]表示通行能力计算数据集，以p为中心，以ε为半径的邻域称为p的ε邻域，记为n_ε(p)＝{q∈l|d(p,q)≤ε}；
14、式中，p表示数据点，q表示边界点，ε为距离半径，表示邻域的半径。
15、在本发明的一些实施例中，若pi,i∈[1,k]在数据p的ε邻域内，若k＞minpts，则称数据p为核心点；若通行能力数据p为核心点，qi,i∈[1,k]在通行能力数据q的ε邻域内，若k＜minpts且pi∈n_ε(p)，则称q为边界点；式中，k表示邻域中点的数量。
16、在本发明的一些实施例中，对于任意点p inl中，检查对象p的邻域包含的数据点，若(p)包含的对象数小于mints，标记对象p为边界点；若大于mints，标记对象p为核心点，并建立新簇c,并将p邻域内所有点加入c；
17、式中，c表示数据点的聚类簇。
18、在本发明的一些实施例中，检验对于l中的每一个通行能力数据对象p都划分到不同的簇中，统计所有簇的筛选特征，完成通行特征提取工作。
19、在本发明的一些实施例中，利用随机森林算法构通行能力数据回归模型，构建分支决策树时，选择cart回归树，设特征提取后的多类型通行能力数据集l＝(lij)m×n，其中x＝{lij|i∈[1,m],j∈[1,n]}是输入变量，y＝{li,j-1|i∈[1,m],j∈[1,n]}是输出变量，n为特征个数，m为多类型数据集的样本个数，且y是连续变量。
20、在本发明的一些实施例中，设对通行能力训练数据集x中第j个特征变量l(j)和它的取值v，作为切分变量和切分点，并定义两个区域t1(j,v)＝{l|l(j)≤v}和t2(j,v)＝{l|l(j)＞v}，求解出最优的(j,v)使得划分的两个区域平方误差和最小。
21、在本发明的一些实施例中，找到最优的切分点(j,v)后，依次将输入空间划分为两个区域，接着对每个区域重复上述划分过程，直到满足停止条件为止，最终生成如下的回归决策树模型输出道路实时通行能力：
22、其中
23、式中，表示区域tm内目标变量的平均值，tm表示决策树中第m个叶节点所覆盖的输入空间区域。
24、在本发明的一些实施例中，多类型通行能力数据集l包含m样本，k个特征，时间复杂度为o(mklogm)，最后对m个回归决策树进行加权平均，得到整体的预测精度ac，因此时间复杂度为o(m(mklogm))。
25、本发明的有益效果为：
26、1.本发明准确挖掘影响道路能力因素，建立快捷准确的通行能力特征筛选方法，从而更准确地评估通行能力，有助于管理人员了解实时交通系统状态。
27、2.本发明能够实时动态计算高速道路通行能力的能力从而迅速而准确地响应交通状况的变化，确保对实时交通的有效管理。
28、3.本发明利用机器学习方法计算高速通行能力，模型可以快速的训练部署提升计算效率。机器学习模型的应用不仅能够迅速适应新的数据，还能够提供更为灵活和智能的通行能力评估，为实际应用场景提供更为可靠的决策支持。
1.一种基于rf-dbscn的实时高速通行能力评估方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于rf-dbscn的实时高速通行能力评估方法，其特征在于，在获取设定时间内道路的实时数据时，以每分钟的数据为特征，按列构建通行能力数据集，设为原始通行能力数据集，统一编码重构后的通行能力数据集其中为同一时间的不同特征；
3.根据权利要求2所述的基于rf-dbscn的实时高速通行能力评估方法，其特征在于，设l＝{l1,l2,...,lm}，li＝{li1,li2,...,lin}，,i∈[1,m],j∈[1,n]表示通行能力计算数据集，以p为中心，以ε为半径的邻域称为p的ε邻域，记为n_ε(p)＝{q∈l|d(p,q)≤ε}；
4.根据权利要求3所述的基于rf-dbscn的实时高速通行能力评估方法，其特征在于，若pi,i∈[1,k]在数据p的ε邻域内，若k＞minpts，则称数据p为核心点；若通行能力数据p为核心点，qi,i∈[1,k]在通行能力数据q的ε邻域内，若k＜minpts且pi∈n_ε(p)，则称q为边界点；式中，k表示邻域中点的数量。
5.根据权利要求4所述的基于rf-dbscn的实时高速通行能力评估方法，其特征在于，对于任意点pinl中，检查对象p的邻域包含的数据点，若(p)包含的对象数小于mints，标记对象p为边界点；若大于mints，标记对象p为核心点，并建立新簇c,并将p邻域内所有点加入c；
6.根据权利要求5所述的基于rf-dbscn的实时高速通行能力评估方法，其特征在于，检验对于l中的每一个通行能力数据对象p都划分到不同的簇中，统计所有簇的筛选特征，完成通行特征提取工作。
7.根据权利要求6所述的基于rf-dbscn的实时高速通行能力评估方法，其特征在于，利用随机森林算法构通行能力数据回归模型，构建分支决策树时，选择cart回归树，设特征提取后的多类型通行能力数据集l＝(lij)m×n，其中x＝{lij|i∈[1,m],j∈[1,n]}是输入变量，y＝{li,j-1|i∈[1,m],j∈[1,n]}是输出变量，n为特征个数，m为多类型数据集的样本个数，且y是连续变量。
8.根据权利要求7所述的基于rf-dbscn的实时高速通行能力评估方法，其特征在于，设对通行能力训练数据集x中第j个特征变量l(j)和它的取值v，作为切分变量和切分点，并定义两个区域t1(j,v)＝{l|l(j)≤v}和t2(j,v)＝{l|l(j)＞v}，求解出最优的(j,v)使得划分的两个区域平方误差和最小。
9.根据权利要求8所述的基于rf-dbscn的实时高速通行能力评估方法，其特征在于，找到最优的切分点(j,v)后，依次将输入空间划分为两个区域，接着对每个区域重复上述划分过程，直到满足停止条件为止，最终生成如下的回归决策树模型输出道路实时通行能力：
10.根据权利要求9所述的基于rf-dbscn的实时高速通行能力评估方法，其特征在于，
