基于gamma分布的交通流时间序列分割模型

第60卷第3期

大连理工大学学报

JournalofDalianUniversitfTechnoloyogy

Vol.60,No.3May2020

基于Gamma分布的交通流时间序列分割模型

2

,王本超1, 李 丹1, 秦 攀1, 顾 宏*1

()文章编号:1000-8608202003-0293-07

(大连理工大学控制科学与工程学院,辽宁大连 11.16024;辽宁学院,辽宁大连 12.16036)

摘要:准确获取交通流量变化点,对后续的交通流预测、分类及多时段控制具有重要意义.

鉴于交通流时间序列的非负性及异方差性,采用G并对其amma分布拟合交通流时间序列,进行有效分割.针对多元交通流时间序列,首先利用非负主成分分析方法实现降维并提取特征序列,之后利用最大似然估计得到G通过不同参数的Gamma分布参数,amma分布拟合特征序列的不同片段,并由赤池信息准则(实验结果表AIC)确定最优分割边界及分割阶数.分割结果.

明,所建立的分割模型能够反映不同时段的交通流变化,与现有分割方法相比,取得了更好的

关键词:交通流时间序列;时间序列分割;非负主成分分析Gamma分布;中图分类号:TP183

文献标识码:A

:/doi10.7511dllxb202003010g

0 引 言

交通作为城市发展的主要驱动力,对城市生产要素流动和日常生活有着显著影响.随着车辆缓解交通拥堵一直是管理者及科研人员的研究目标.智慧交通控制是减小交叉口冲突、提高交通运行效率的一种有效途径,其中,多时段控制

[1-2]

归差值滑动平均模型,使用滑动窗口方法搜索分割点.然而基于回归的时间序列分割模型计算量提出用正态分布来近似表示时间序列从而获取时间序列变化趋势,并通过相邻点与前一段序列均值的最小差值来确定是否为分割点.

在实际应用中,由于邻近路口交通相互影响,

[]4

较大,并且倾向于对交通流异常检测.Chang等

的日益增多,提高道路利用效率、缩短出行时间、

是

一种行之有效的常用方法.依据交叉口流量的变化把一天2针对不同的交通4h划分为若干时段,时段采用不同的信号控制方案,交通信号机根据预先设置的时段划分方案自动进行控制方案切换,具有实现方法简单、可靠性高的优点.

对交通流量的有效分段可以提高短时交通流

5]

,具有密切相关性[而反映区域交通状态的变量

有很多,为了减少计算量,消除冗余及噪声信息影响,已有研究利用主成分分析(rincialpp

[]

,comonentanalsisPCA)方法6进行降维.py

[][]7

Wananer-Muns等8通过PCA方法g等与Wg

对区域交通流量数据降维并进行短时交通流预]9

测.汤旻安等[通过PCA方法对兰州市城市交通

预测精度,优化交通诱导方案,合理化控制信号交替时间等,目前的研究已经取得了一定的进展.徐琛等

[2]

流特征提取,并对比机动车流量、非机动车流量、引道延误的累积贡献率,总结出地形和车流量是

]10造成拥堵的深层次原因.李慧等[融合PCA与

,模型描述交通流时间序movinveraeARMA)gag

列,在模型预测的基础上,通过预测值与真实值的

[]Salamanis等3对交通流时间序列建立时空自回

用经典自回归滑动平均(autoreressiveg

回声状态网络(算法对交通echostatenetwork)

鉴于交通流序列本身的非负性,取值范围是

差值是否达到既定阈值来判断是否为分割点.

流序列进行周期预测,并有效避免预测结果延迟.全体实数的正态分布并不适合描述交通流数据.

收稿日期:2019-08-08; 修回日期:2020-03-31.

);;基金项目:国家自然科学基金资助项目(中国博士后科学基金资助项目(大连理工大学基本61502074,616330062016M591430)))科研业务费专项资金资助项目(DUT17RC(409.

),,,:;),作者简介:王本超(男博士生李丹(女,博士,副教授,硕士生导师;秦攀1985-E-mailwanbc@mail.dlut.edu.cn1977-g

*(),),:男,副教授,硕士生导师;顾宏(男,教授,博士生导师,1978-1961-E-mailuhon@dlut.edu.cn.gg

294

大连理工大学学报

第60卷

Gamma分布在拟合非负数据中有着广泛的应用,更适于表达交通自由流、拥挤流及间歇流等不同

时段的状态[11].因此本文采用适合的Gamma分

布来拟合交通流量,对系统把握各时段交通流的运动机理,制定信号灯控制方案具有重要意义为保留交通流数据非负性、异方差性以及.

流

量浮动不对称性并且达到降维目的,本文引入非负主成分分析(aGnaalmymsias,分布函数交通流时间序列分割方法NPCAn)o方法nneg[1a2t]

i,v并在此基础上提出基于eprincipalcomp

onent该方法既考虑区域交通流整体分布差异,又将交通不.

同时段流量分布分割开,可为交通管理系统分时间管理提供理论依据.

模型建立

为了建立基于分割模型,首先考虑原始多元交通流时间序列的Gamma分布交通流时间序列

非负性和相关性引入流量差异,通过自顶N向P下CA方,然后根据不同时段法,提出不同参数Gamma分布拟合特征序列片段,

进而建立基于G反映出不同时段交通流运动机制amma分布交通流时间序列分割模型,该模型能1.1 NPCA交通流时间序列降维

.

令Y=(y1 y2 间序列,其中… n)表示多元交通流时… n表示检测点数量y,yi=(y1i y2i Ti)T

表示第i个检测点的一系列观测值,T表示采集样本的时间长度y.这里Y也可表示为一个T×n矩阵,

即æçy11y12…y1nö÷

YT2122×n=çyy…y2nç

çèy︙︙÷

T1yT2…y︙÷÷

Tnø

考虑到各检测点的交通流量有较强的相关

性,对多元交通流时间序列进行降维,能够降低序列的复杂性,进而在低维空间展开分析,即利用

m(m法,其基本思想是,通过线性变换矩阵将高维、相关性较高的数据映射到新的空间,使得变换后的各分量线性无关,提取出主要的分量从而达到降维的目的尽管主成分分析方法为目前一种成熟的特征.

提取算法,但是在对非负数据特征提取过程中,得到的主成分会出现负值,与交通流数据的非负特性不符.NPCA可以克服主成分分析的无方向性[13

]经典的所有项施加非负性约束P,将原序列CA的扩展定.向通投过影对到每非个负主空成间分,序被列看(作是

,以得到非负的特征PC)等价于求解如下二次规划问题:

.这maxJ(U)=1UTY2F其中U=s.2矩阵,u(u1 ut2. UT…U=I u,uijn)

∈R≥

n×0(1

)n.

,为非负的系数i=往往放宽条件(u1i, 只要求在u2i … Uuni的每一列中有一个非)T

在实际应用中,负的项[14]

非负正交条件的二次规划问题可以转化为

,即每个PC只包含一个非负值条目,

原mUa≥x0J(U)=1UTY()其中α≥0为惩罚22F-αI-UTU2F2参数,用于控制U的每一列标准正交度,以得到非负的特征.放宽条件后,矩阵为非负近似正交矩阵UTU≈I.非线性优化问题可以通过以下梯度下降法求解:

U(l+1)=U(l)-η(l)ÑUJÑUJ(l)()其中参数η(l)是第l次迭代步长.对(lU)3的目标函数的梯度计算为

ÑUJ(l)=UTYYT+4α(I-UTU本文在迭代中选择步长为(域搜索的耗时1,以避)UT免信任4

区

)的交通流模式特征提取.通过非负主成分分析以进行有效,使得在对多元交通流数据降维的情况下,保持原数据的非负特性.2 基于Gamma分布函数的序列分割.

考虑交通信号管理需要,将提取的交通流特征序列按不同参数时段控制提供分割基础Gam.m实际问题中a分布分段,为实现多,包括交通流时间序列在内的复杂数据通常难以找到完全准确的函数进行描述k个简单函数.对于阶数为k的分割问题,通常采用fi性函数或概率密度函数(·),i=1)进行近似拟合,2,…,k,(并依据拟常数、线合程度与模型复杂度得到分段结果,其中概率密度函数为常数及线性函数的一般形式的交通流拟合,拟合函数amma.

通过不同参数G分布与不同分割片段.f假设第i段时间序列(·)为G服am从m参a分布概

率密度函数数为μi和σi2

的G

amma分布,有fμ1/σi2

-1-i(zti,σi2

)=(σi2μ1zteztσiμii)1/σi2Γσ1i2

其中E(zt)=μi,Var(zt)=μi2σi2

,t∈(/2

)

[τi,τi+1)

,进1U1 第3期

王本超等:基于Gamma分布的交通流时间序列分割模型

295

而刻画不同时段的Gamma分布,其对数似然函数为

lnL(σz=∑nμi,i2

t)t=1lnf(zt|μi,σi2

)=ntiσiμil∑=1

n[{

-Γ

(σ12lnμi-z2t-σ1i2)]+σ1

i2tσ1lnz-i2

lnσi2

-lnzt}(5)令θi={μiσ2

估计方法进行求解,i}:

为模型参数,可通过最大似然θi=argmaxlnL(θi为了最大程度上表征交通流内部变)

化差(异6),将特征序列分割成若干片段,其最优划分使得各片段内的特征序列具有最高相似性,同时片段间的特征序列具有最大差异性.拟合程度衡量及分割阶数确定方法可视为模型选择问题,通过定义

代价函数cost设k为分(S割)

找到同质部分[15

]来确定阶数,分割结果为S.={S1,

2,…,Sk},Si=τ{zτi+1,zτi+2,…,zτi+1

分割片段;}表示第i个0:k=为分割边界或者(τ0变 异τ1点 ,满…足 τk0=)为分割点τ,也称0<τ1<…<

k=

T.本文用不同参数数fGamma分布概率密度函i的模型选(·)择计算拟合程度赤池信息准,则将统计分析中应用广泛([16]

作为代价函

数,即

AIC)cost(S)=-2∑

k-1τ∑i+

1i=0t=τ1l

fii+

n((zt,θi))+2Θ(7

)其中θi为第i段Θ为序列分段后整个模型的参数个数G

amma分布的参数估计值,.

在实际应用中,交通流分割阶数k的选择直

接影响Gamma分布拟合交通流序列片段的优良性与复杂度.由于交通流序列具有异方差性,若分割片段较少,将波动范围差异较大的交通流序列作为同分布划分成一个片段,会导致交通管理系统不能准确识别路面交通状态,管理效率偏低;若分割片段过多,Gamma分布对片段的过拟合,

会造成区域交通管理繁杂混乱[5]

最好地解释数据但包含最少自由参数的模型.AIC是寻找可以

,从而平衡交通管理效率与复杂度IC值确定分割阶数k以及分.因此,本文以最小

割点τ0:k个分割片段的数据符合最优的使得每式主要有Ga3m种ma分布,搜寻分割点的方.滑动.

窗口(线分段sliding,但是在很多真实的数据集上分割结果不

windows)[17-18

]方法简单直接,能支持在佳,且不能分割成预定段数上[21]属于逐阶寻找最优分割点的方法.自顶向下与自底向

19-,支持预

定分割阶数,实际使用时可根据分割段数及细致程度进行选择.交通流时间序列分割问题中目标分割阶数较少,自底向上方法对于较长交通流序列的计算量过大,且初始阶段对小样本片段拟合分布函数估计参数精度不高,影响分割准确度,因此,本文选择自顶向下的分割方式.3 分割算法流程

.

结合基于主成分分析方法Ga,m实验步骤如下ma分布函数序列分割与非负:

输入多元交通流时间序列…Y= y(y1 y2 输出

n),最大分割阶数kmax最优分割点τy0y:.k=τ步骤1对Y=得到主成分分量Z,各((0τy)τ.主1 成2分 分… 量 1贡n 献非负降维… k)

率,小为z1,z2,…,z从大到n.

步骤2

对步骤1中确定的第一主成分z1

计算贡献率,若贡献率不小于否则,终止8则转步骤步骤3.

5%,3;设定初始值max.

k=1及最大分割阶数步骤4

对k阶主成分序列片段增加割点,并通过式()计算不同分割点下k+11个分个分割片段的分布函数参数6步骤(5

对步骤4得到的各分布函数计算式

.

为最优分割点7)并比较代价函数costτ(S)

,取最小值的分割点0:k+1.

步骤6k=k+1.若k≤kmax与步骤步骤5;

否则计,算转步骤并比较7.,

重复计算步骤不同阶数最优分割的

AIC,

得到最优分割阶数及最优分割点7

. 实验与结果分析

本文所有实验均基于具包[22]来实现.

R语言和GAMLSS工

.1 实验数据

本文研究对象东联路是大连重要的交通枢纽道路,纵向穿越华东路、松江路、西南路、华北路、疏港路等大连市区的多条城市主干道以及哈大高铁专线,全长使用的数据为入市区方向11.3km,路面宽度72个检测4m.

点,采样

1Sτk42A2296

大连理工大学学报

第60卷

间隔为09T00:0105m共in28d.从2的01流6-0量1-(12T00:15到2016-02-

8N时间点的2个流量做箱线图),数如图据,1将所示每天,同发现一具有明显的白天方差较大而夜晚方差较小的异方差特点,即非平稳特性.

图1 华北路口28d流量箱线图

Fig.1 Boxplotof28-dayflowatHuabeij

unction选取第13T00:00用作序列1d从20分16割-0,1-即12序T0列0长:15到度T2=01966-.

01各-

路口的时间序列图如图2所示.

图时间序列图

Fig.22 T imeseriesfig

ure2.2 非负主成分提取结果

采用非负主成分分析方法对东联路1d的数据进行非负特征提取,

算各主7个路口计成分贡献率(R主成分贡献率达到),得到主成分贡献率如图3所示.第一个选择第一个主成分进行分析87.17%,大于序列对比如图2所示.

.与多元交通流时间85%,因此本文2.3 最优分割点与分割阶数确定

本文研究分割意义在于将交通流序列按分布分段,指导道路诱导与控制对不同时段的交通状态做出应对,因此设定每段最少1h在分割点选取过程中舍掉间4个时间点,即隔小于4的情形.,需要指出的是,由于每天24h周而复始,对于将应用到每天循环的多时段控制,并没有真正意

图Fig.3 C3 各非负主成分贡献率

coomntp

riobnuetnitngrateofeachnonnegativeprincip

al义上的起点与终点,因此即使将列分成两段,也要选取两个分割点24h的交通流序

分别计算分割阶数k=1式(7,依据AIC取最小值确定最优分割点,…,6.

时的代价函数

),并将期望值以虚线形式标记入各分段,如图.

4~9所示图Fig.4 Seg

4m en1阶分割结果

tationresultinorder1图Fig.5 Seg

5m en2阶分割结果

tationresultinorder2计算不同阶数最优分割的从表1得出,当分割阶数kA=IC4,时如表,模型1所示AIC

.取最小值,因此对交通流特征序列的最优分割阶数为4.从分割片段中可以看出,与大连实际道路

第3期

王本超等:基于Gamma分布的交通流时间序列分割模型

297

图Fig.6 Seg

6m en3阶分割结果

tationresultinorder3图Fig.7 Seg

7m en4阶分割结果

tationresultinorder4图阶分割结果

Fig.8 Seg

8m en5tationresultinorder5图Fig.9 Seg

9m en6阶分割结果

tationresultinorder6表Tab.1 A1I 不同分割阶数的CfordifferentsegmentAeIdoC

AICrderAs阶数阶数1IC阶阶2阶10903阶763..52654916.575阶86阶9990436.4.99.6214交通的早高峰、晚高峰、白天平峰及夜晚交通流趋

势变化相吻合,具有一定实际解释意义为了验证模型的有效性,将本文方法.

与同样

=4的基于正态分布[4]以及直线拟合[2

1]

分割作对比,如图所示.

10、11所示,AIC数值比较结果如表2

图Fig.10 S1e0m 正态分布entationresul4阶分割结果

disgtribution

tinorder4byn

ormal图Fig.11 Segm1e1n 直线拟合tationresultino4阶分割结果

rder4bylinearfitting

表Tab.2 A2 不同分割方法4阶分割的AIC

mIeCothofds

four-ordersegmentationbyd

ifferent模型Ga正态分布mma8AIC

分布

直线拟合

994.9991338..2047

k298

大连理工大学学报

第60卷

从图分布与正态分布分割结果相似10与图7对比可以看出,基于,仅在一些分割点Gamma

上有些偏差,但从表2可以得出,本文研究的分割方法得到了更优的流特征序列具有更好的拟合结果AIC值,表明本文方法对交通;而基于直线拟合得到的分割结果更像是一种趋势,不能准确表

达道路交通状态值,得到基于Ga.通过计算不同分割方法的mma分布时间序列分割方法AI为C最优分割方法.

结 语

随着人们生活水平的不断提高,机动车辆快速增长,有效提取道路通行状态并做出应对能够在一定程度上缓解交通压力交通状态,为进一步优化信号灯控制.准确掌握不同时段、交通诱导以及平衡道路交通占有量提供了依据,具有便利人们出行的重要意义实验结果表明.

,用基于Gamma分布的时间序列分割方法能够更好地拟合不同时段交通流量分布.尽管实验只是针对大连市东联路入市方向,但是本文方法也适用于其他交通流的分割,分段结果可以帮助了解不同路段交通流运动机制,为智能交通管理系统分时段管理交通提供依据本文选取的实验数据为一工作日交通流.

序

列,由于节假日与工作日分别对应不同的流量模式,在实际应用中需加以区分,并且本文设定最小分割片段为1h来表征某时段交通流量分布规律,后续工作将对交通流序列异常进行检测,以提高分段及预测模型的鲁棒性.

参考文献:

[1]eZtHalON.GEnZerhgizyheefn,ficiHUencyAanNdban,loTckOinRgNr

AedTuOctRioEnfM,

ortniedtalwotrrakfsficv[Ji]as.JtoauterfnuallogrfooOmp

itnicgalCinIoPm-omvuern-icoapttiiocnalandNetworking

,2016,8(3):175-1.s[2

]徐琛,董德存,欧冬秀段控制方法优化研究[J.传感网中数据驱动的多时

/[2019-07-18].http

://knOsL].cn.计算机工程与应用ki.net/kcms/1X1U.2127.tp

.20190716.1537.014.html.detail/cdoaycCohnetn,roloDp

OtiNmGizaDtieocun,OUDong

xiu.Time-of-nentswtoarnkt-s

peak[-typeinonterfdsecattiao-nds

rivenuin

rbanroadApp

licationsJ/[20O1L]9-0.7-1C8om].hputtetrsensor

p:/E/nkgninse.ecrinnkgi.na

entd/khctms/detail/11.2127.tp.20190716.1537.014.[3]SDAm,LleAMA.(inCtal.NIhSAinese

),EvaluaMtinEgLAt

hDeIAeNffOecSP,tofKtiEmHAesGeIrAieS

ssmeog

dmeelnta[tCiono]/nS/TPrAocReIeMAding

-sbas-edt20r1a5fficIEpEreEdic1ti8otnhInternational

Conference

on

Intellig

entTransportationSystems:SmartMobilityforSafetyandSustainability

,ITSC2015.Piscataway:2015:2225-2230.

IEEE,[4

]CSeHAgNGHuij

un,SHANHong

,MATao.analymseinstation,ofMANclusteringandtimin]grelationship

,2013,11(8):481E7Tt-rafficflow[J.Telkomnika[5]PmUulNtiplLeiliarn,egreZsHAsionO482aP3pep

n.

rgoxaiachng

,foLrIUtraXfifnictaof.Aelow3s6t0i0m9at.

ion[J].IEEEAccess,2019,7:35998-[6]cWOomLpoDneS,ntEaSnBaElyNsiSsEN[K,J].GELChAeDmIPome.Ptricrsinciap

nadlIntelligentLaboratorySystems,52.

1987,2(1/2/3):37-[7]fWAortNraGffiYcfitilaon,wJdaAtJaA[JJ.A].nSealnyssoirsasanndfdoMraetcearsitailns

g

,[8]2019,31(6):2143-2154.SWAGNER-MUNSIM,GUARDIOLAIG,

anAMAalysisRaAppNrAoaYchKEtoVtraA,etal.Afunctionaldata

]IEEETransactionsonfficvInteollluigmeentforTercaansstipnog[rtatJion.Sy

stems,[9]汤旻安,王攀琦2018,19(学学报(自然科学版.兰州市交通拥堵研究3):878-888.[),J].西北大

cTNoAonrgNtehsGwtieoMstnin'Uiann,niveLWArasintzyhNoG20(

uP1a9,49(NatCnuirtq

yi.R1):[ealScJse]a7ien.r1c-ho77ceJoEudrnt.

intiarolaffnoi)fc,[10

]2李019,49(慧,奚园1):园71,-7马7宇.(鑫inC,等hinese

)交通流周期预测模型[.融合PCA和ESN的

(自然科学版),2019,4J]6(.西安电子科技大学学报

1):20-26.

fLloIHwuci,yclXeIYpruueardnnicyalotuioan,nfXbMAiadsieadYunoxUnin,etal.Trafficmodel[J].JonivterhseityPC(

NA-atEuSraNlScience),[11

]王晓原,张敬磊2019,46(,马立云1):20-26.(inChinese

)布形状参数估计[J]..适应交通流演化的伽马分计算机工程与应用,50(5):247-251.

2014,EWAstiNmaGtioXnoiaofyugaan,mmZadHAistNriGbutJiionnsglei,hap

eMAparLaimy

eutner.3 第3期

王本超等:基于Gamma分布的交通流时间序列分割模型

299

]adatinotrafficflowevolvement[J.Comuterpgtp)251.(inChinese

,2:2EnineerinndAlications014,50(5)47-ggapp

,K:AmandDataMininDD'98.PaloAltoericang

[]HANX12iaoxu.Nonneativeprincialcomonentgpp

IEEE-ACMTransactionsonComutationalBiolopgy,():andBioinformatics2010,73537-549.

[]K,HA18EOGHE,CHUSRTD,etal.Anonline

/alorithmforsementinimeseries[C]/gggtProceedins-2001IEEEInternationalConferenceong

,AssociationforArtificialIntellience1998:16-22.g

]analsisforcancermolecularpatterndiscoverJ.yy[

[]P13LUMBLEYMD,OJAE.A″nonneativePCA″g

,2IEEETransactionsonNeuralNetworks004,[]HANX,14iaoxuSCAZZEROJA.Proteinexressionp

//CHEcomonentanalsis[M]TTYM,NGOMpy:,Bioinformatics.BerlinSriner2008:388-399.pg():15166-76.

]alorithmforindeendentcomonentanalsis[J.gppy

[]K19EOGHE,KASETTYS.Ontheneedfortime

:Asseriesdatamininenchmarksurvendgbya,():KnowledeDiscover2003,74349-371.gy

sementationg

[]J.

emiricaldemonstration[J].DataMininndpga

2-296.

,:DataMininICDM'01.PiscatawaIEEE,2001:yg

molecularpatterndiscoveronneativeprincialybyngp

[]B20ORENSTEINE,ULLMANS.Combinedto-p

TransactionsonPatternAnalsisandMachiney

,():Intellience2008,30122109-2125.gBottom-up

sementationg

for

to-downp

/downbottom-up

IEEE

,eA,AHMADSds.PatternReconitioning

[]HU15BERTP.Thesementationprocedureasatoolg

fordiscretemodelinfhdrometeoroloicalgoyg]reimes[J.StochasticEnvironmentalResearchandg

,(/):RiskAssessment2000,1445297-304.

[]F,MO21IDLERSTTAGHIR,YUILLEA,etal.

/Pdetection[C]/roceedins-2013IEEEg,C:IReconitionVPR2013.PiscatawaEEEyg

ConferenceonComuterVisionandPatternp,ComuterSociet2013:3294-3301.py

[]AKA16IKEH.Anewlookatthestatisticalmodel

]identification[J.IEEETransactionsonAutomatic,():Control1974,196716-723.

[]S22TASINOPOULOSDM,RIGBYRA.Generalized

[]D,MANN17ASG,LINKIILAH,etal.Rule

4thInternationalConferenceonKnowledeDiscovergy

additivemodelsforlocationscaleandshaep,():Software2007,23745907.

//Pdiscoverfromtimeseries[C]roceedinsoftheyg

(GAMLSS)inR[J].JournalofStatistical

Gammadistributionbasedtrafficflowtimeseriessementinodelggm

(,,;1.SchoolofControlScienceandEnineerinDalianUniversitfTechnoloDalian116024,Chinaggyogy

,2.LiaoninoliceColleeDalian116036,China)gPg

1211*1

,,,WANG Benchao LI Dan QIN Pan GU Hong

,

,ctrafficflowpredictionlassificationandmulti-timecontrol.Considerinhenonneativeandgtg

,heteroscedasticitthetrafficflowtimeseriesarefittedbammadistributionandsementedyyGg

:AbstractItissinificanttoaccuratelbtainthechanepointsoftrafficflowforthesubseuentgyogq

,comonentisconstructedtoobtaintheparametersoftheGammadistribution.Conseuentlthepqytheotimalsementationorderandboundar.Theexerimentalresultsindicatethattheproosedpgyppresultsthanotherexistinethods.gm

sementinodelcanreflectthechaneoftrafficflowatdifferenttimeandhasbettersementationggmgg

,effectivel.Formultiletrafficflowtimeseriesdimensionreductioniscarriedoutbthenonneativeypyg

,rincialcomonentanalsis(NPCA)forfeatureextraction.Thenthelikelihoodoftheprincialpppyp

chanepointsaredeterminedfromdereeoffittinsinhedifferentparametersoftheGammagggugt

distributionbaximizinhelikelihood.TheAkaikeinformationcriterion(AIC)isusedtoselectymgt

:t;G;t;nKeordsrafficflowtimeseriesammadistributionimeseriessementationonneativeggyw

rincialcomonentanalsispppy