基于趋势与距离的交通流时间序列模式识别方法

本篇论文研究主要探讨了交通流时间序列在高维性和高噪声环境下的处理问题，针对这一特性，作者提出了基于趋势变动、拟合优度和最小距离及百分比原则的在线分割算法。该算法旨在实现时间序列的维度约简，通过有效地提取交通流数据的关键特征，减少噪声干扰。 分割后的交通流时间序列被转化为五元组分段线性表示，这种方法有助于直观地理解和描述交通流的不同形态。接着，论文定义了五种常见的形状相似性距离，包括但不限于欧氏距离、动态时间规整距离（DTW）或其他自适应距离度量，用来衡量两个时间序列的模式相似性。这些距离定义是为了解决交通流异常检测和模式识别任务而设计的，对于实时监控和异常事件预警具有重要意义。 作者采用分层聚类算法来评估这些距离度量的效果，目的是找出在不同交通流状态下最能准确反映模式相似性的方法。通过对比分析，研究者发现将模式距离与欧氏距离结合的方式在交通流时间序列模式挖掘中表现最优。这种组合策略能够有效地捕捉到序列间的模式相似性，提高异常检测的精确性和效率。 实证分析以海南至南北高架东侧部分路段的固定线圈检测数据为例，通过对历史数据的处理和聚类，验证了提出的度量方法的有效性和实用性。结果表明，该方法不仅能够有效地识别和区分正常和异常的交通流模式，还能为交通流管理和决策提供有力支持。 这篇论文深入研究了交通流时间序列的处理技术，尤其是形状相似性度量方法，对于提升交通流量预测、异常检测和智能交通系统的性能具有重要的理论和实践价值。通过结合在线分割、线性表示和聚类分析，作者提出了一种实用且高效的交通流时间序列模式分析框架。