一種基于lzw編碼的道路交通空間數據壓縮方法
【技術領域】
[0001 ]本發(fā)明屬于道路交通數據處理領域,涉及道路交通數據的分析與壓縮,是一種道 路交通數據的壓縮方法。
【背景技術】
[0002] 隨著智能交通系統(tǒng)數據采集技術的不斷發(fā)展,基于連續(xù)采集得到的智能交通數 據,交通領域即將面臨海量數據問題,必須對其進行有效的數據壓縮,才能進行處理、分析 和存儲。
[0003] 交通流數據的內在特征主要包括:周期性、相似性、相關性等。鄰近路段的交通流 之間存在著復雜的時空關聯(lián)關系,往往相似性較高,同一交通流在時間上表現出極強的相 關性與周期性。這些相似性表明數據中存在大量的冗余信息。
[0004] 基于交通流相似性的特征,目前已有多種方法應用到道路交通數據壓縮領域中。 主要包括:主成分分析法(PCA)、獨立成分分析(ICA)、預測編碼與字典編碼串聯(lián)法、基于小 波(包)變換方法、人工神經網絡、壓縮感知等方法。其主要利用變換域的思想,將道路交通 數據進行多尺度變換并進行相關處理,實現數據的壓縮,并且取得較好的效果。但是算法實 現較為復雜。
【發(fā)明內容】
[0005] 為了克服已有道路交通數據壓縮方法的算法復雜、處理速度較低的不足,本發(fā)明 提供一種簡化算法、有效的提高處理速度的基于LZW編碼的道路交通空間數據壓縮方法。
[0006] 本發(fā)明解決其技術問題所采用的技術方案是:
[0007] -種基于LZW編碼的道路交通空間數據壓縮方法,所述方法包括如下步驟:
[0008] 1)獲取同一模態(tài)下、空間上的不同路段的道路交通數據建立道路交通特征參考序 列,基于空間相關性分析,選擇基準路段,并將其數據作為空間上的道路交通基準數據;
[0009] 2)提取同一模態(tài)下、空間上其它路段的歷史數據,作為訓練數據,基于同一模態(tài) 下、空間上的道路交通基準數據,確定空間道路交通差值數據的最優(yōu)閾值;
[0010] 3)獲取同一模態(tài)下、空間上其它路段的實時數據,作為實驗數據,基于同一模態(tài) 下、空間上的道路交通基準數據,獲取空間上的道路交通差值數據;
[0011] 4)基于LZW編碼實現空間道路交通差值數據的壓縮;
[0012] 5)基于LZW解碼實現空間道路交通實時數據的重構。
[0013] 進一步,所述步驟1)包括如下步驟:
[0014] 1.1)道路交通運行模態(tài)的劃分
[0015]道路交通運行模態(tài)的劃分分為兩個層次:路網層和路段層,設定路網層的交通運 行模態(tài)的劃分標識將道路的交通運行模態(tài)劃分為g種子模態(tài),路段層的交通運行模態(tài)的劃 分標識將道路的交通運行模態(tài)劃分為h種子模態(tài),則道路的交通運行模態(tài)一共劃分為g X h 種,記為集合1<1(3={111,112,-_,1^},其中8和11的取值根據所選交通運行模態(tài)的劃分標識 確定;
[0016] 1.2)設計道路交通特征參考序列的結構
[0017] 設定道路交通狀態(tài)數據的采集周期是Δ t;
[0018] 道路交通特征參考序列的表格式如表1和表2所示:
[0019] 弄1 .i首路奪誦特征參考序列信息弄
[0020]
[0021] 衷2.道路交通特征參考序列描沭衷
[0022]
[0023] 設定共選定p條具有空間相關特性的路段,記為:
[0024] L=[LiL2---Lp] (1)
[0025] 其中,p表示道路空間上的路段條數;Uagigp)表示第i條路段;L表示選擇的具 有空間相關特性路段的集合;
[0026] 1.3)道路交通空間基準數據的獲取
[0027] 空間路段的道路交通流之間存在空間關聯(lián)關系,基于道路交通空間數據的相關 性,選擇基準路段,提取基準路段的數據作為道路交通基準數據。
[0028] 再進一步,所述步驟2)中,提取空間上其它路段的數據,作為訓練數據;模態(tài)Mgh下、 基于空間上的道路交通基準數據,獲取同一模態(tài)M gh下、空間上的道路交通差值數據并進行 閾值處理,通過LZW編碼訓練最優(yōu)閾值,其一般表達式如下:
[0029] Si(m*At,Mgh)=STi(m*At,Mgh)-SB(m*At,Mgh) (2)
[0030] ei(m,Mgh) = [Si( Δ t,Mgh)Si(2*A t,Mgh)."Si(m*A t,Mgh)] (3)
[0031]
(4)
[0032] pei(n,Mgh) =w(hei(m,Mgh)) (5)
[0033] pei(n,Mgh) = [Si'(l,Mgh)Si'(2,Mgh)...Si'(n,Mgh)] (6)
[0034] 其中,△ t為道路交通狀態(tài)數據的采集周期;(m* △ t)為第m個道路交通狀態(tài)數據采 集周期,(^ m<N,N表示每天采集的交通信息的數量;i(l<i<p)表示選取第i條路段;SI\ (m* Δ t,Mgh)表示模態(tài)Mgh下、(m* Δ t)時亥Iji路段的道路交通數據;SB(m* Δ t,Mgh)表示模態(tài)Mgh 下、(m* Δ t)時刻基準路段的基準數據;Si(m* Δ t,Mgh)表示模態(tài)Mgh下、(m* Δ t)時亥Iji路段的 訓練數據與基準路段的基準數據的差值數據;ei(m,Mgh)表示模態(tài)M gh下、At到(m*At)時段i 路段的訓練數據與基準路段的基準數據的差值數據;hei(m,Mgh)表示模態(tài)Mgh下、Δ t到(m* Δ t)時段閾值處理的i路段的訓練數據與基準路段的基準數據的差值數據;Edmjgh)表示模 態(tài)Mgh下、Δ t到(m* Δ t)時段i路段選取的閾值;pei(n,Mgh)表示模態(tài)Mgh下、Δ t到(m* Δ t)時 段i路段與基準路段的差值數據經LZW編碼后的結果;Si'(n,Mgh)為模態(tài)Mgh下、Δ t到(m* Δ t) 時段i路段與基準路段的差值數據經LZW編碼后的結果中第η個數據;m表示在模態(tài)Mgh下、Δ t 到(m* At)時段壓縮前的i路段與基準路段的差值數據的數量;η表示在模態(tài)Mgh下、At到(m* A t)時段壓縮后的道路交通數量;w表示LZW編碼;壓縮比為$ η °
[0035] 更進一步,所述步驟3)中,提取空間上其它路段的數據,作為實時數據;模態(tài)Mgh下、 基于空間上的道路交通基準數據,獲取道路交通差值數據,其一般表達式如下:
[0036] MSj(m*At,Mgh)=SMj(m*At,Mgh)-SB(m*At,Mgh) (7)
[0037] errj(m,Mgh) = [MSj( Δ t,Mgh)MSj(2*A t,Mgh)".MSj(m*A t,Mgh)] (8)
[0038] 其中,j(l < i < p)表示第j條路段;SMj(m* Δ t,Mgh)表示模態(tài)Mgh下、(m*A t)時亥Ijj路 段的實時數據;MSj(m* Δ t,Mgh)為模態(tài)Mgh下、(m* Δ t)時刻j路段的實時數據與基準路段的基 準數據的差值數據;e^(m,Mgh)為模態(tài)Mgh下、Δ t到(m* Δ t)時段j路段的實時數據與基準路 段的基準數據的差值數據。
[0039] 所述步驟4)中,基于LZW編碼實現道路交通空間數據的壓縮,將i路段與基準路段 的差值數據訓練的最佳閾值引入到同一模態(tài).、』_路段與基準路段的差值數據中,結合LZW 編碼,實現j路段與基準路段差值數據的壓縮,其一般表達式如下:
[0040]
(9)
[0041] perrj(Tn,Mgh) =w(herrj(m,Mgh)) (10)
[0042] perr j (Τη,Mgh) = [ MS j '( 1,Mgh) MS j '( 2,Mgh) ...MS j '( Τη,Mgh) ] (11)
[0043] 其中,Ec^Mgh)表示訓練的最優(yōu)閾值;herrj(m,Mgh)表示模態(tài)M gh下、At到(m*At) 時段j路段的實時數據與基準路段的基準數據的差值數據;m表示模態(tài)Mgh下、At到(m* At) 時段壓縮前j路段與基準路段的差值數據的數量;pe^(Tn,Mgh)表示模態(tài)Mgh下、Δ t到(πι*Δ t)時段壓縮后j路段與基準路段的差值數據的數量;Τη表示模態(tài)Mgh下、At到(m* At)時段j 路段與基準路段的差值數據壓縮后的數量;MS/(Tn,Mgh)表示模態(tài)Mgh下、At到(m*At)時段 j路段與基準路段的差值數據壓縮結果的第Τη個數據;壓縮比為
[0044] 所述步驟5)中,基于LZW解碼技術,對j路段與基準路段的差值數據進行重構,結合 基準數據,實現j路段實時數據的解壓縮,其一般表達式如下:
[0045] dperrj(m,Mgh) =w'(perrj(Tn,Mgh)) (12)
[0046] CSMj(m,Mgh) =SB(m,Mgh)+dper;rj(m,Mgh) (13)
[0047] 其中,w'表示LZW的反解碼;dperrj(m,Mgh)表示模態(tài)Mgh下、Δ t到(m* Δ t)時段解碼 后的j路段與基準路段的差值數據;CSMj(m,Mgh)表示模態(tài)Mgh下、At到(m*At)時段重構的j 路段的道路交通實時數據。
[0048] 本發(fā)明的技術構思為:提出了一種基于LZW編碼的道路交通空間數據壓縮方法,充 分利用了空間上不同路段具有的空間相關特性。提取空間上不同路段的道路交通數據,并