一种时间段划分的方法及智能设备与流程

1.本发明实施例涉及智能设备技术领域，尤其涉及一种时间段划分的方法及智能设备。


背景技术：

2.当前交通路口平高峰划分是基于传统的数学统计方式进行的，需要人为进行大量数据的预处理操作与相关参数的设置。同时，过多的依靠人员的工程经验。此外，在推广应用时，每换一组数据就需要重新微调算法。
3.综上所述，目前亟需一种划分方法，利用交通流量大数据的支持，自动进行更加精准的平高峰划分。


技术实现要素：

4.本发明实施例提供一种智能设备，用以提高时间段划分的效率及准确率。
5.第一方面，本发明实施例提供一种智能设备，包括：
6.接收器，被配置为获取预设时间范围内n个时段对应的n段流量数据；其中，所述n个时段具有相同的时长；
7.处理器，被配置为：
8.根据所述n段流量数据确定任意两段流量数据之间的影响因子；
9.根据所述影响因子确定所述影响因子对应的k个表征信息；
10.根据所述k个表征信息将所述n段流量数据分成m组；其中，属于同一组的各流量数据的表征信息类似；
11.将所述n个时段中流量数据属于同一组的划为同一时间集合得到m个时段。
12.上述技术方案中，通过任意两段流量数据之间的影响因子，可以基于流量数据本身的客观内在特性确定k个表征信息，从而完成时间段划分，避免了大量外界工程经验的干扰。同时从数据整体进行考量，考虑了流量数据中的每个时段的流量数据都会或多或少的对最后的结果有所影响，从而避免陷入局部最优问题，使得时间段划分更加准确。
13.可选的，所述处理器，被配置为：
14.将每段流量数据对应的k个表征信息确定为一个样本点；
15.通过层次聚类算法对n个样本点进行聚类得到m组。
16.上述技术方案中，通过使用层次聚类算法，避免了传统方法中对初值敏感导致的每次划分结果都不相同的问题，提高了时间段划分的准确性。
17.可选的，所述处理器，被配置为：
18.计算每段流量数据对应的k维特征向量从而得到一个样本点，其中，k维特征向量与k个表征信息一一对应。
19.上述技术方案中，通过计算每段流量数据对应的k维特征向量从而得到一个样本点，为后续聚类过程提供了基础。
20.可选的，所述处理器，还被配置为：
21.确定所述n段流量数据中异常流量数据所在的异常时段；
22.将所述异常时段的相似时段的流量数据作为所述异常时段的流量数据；所述相似时段为与所述异常时段具有重叠的相邻时段，和/或，对于不同周期中与所述异常时段相同的时段。
23.上述技术方案中，通过将异常时段的相似时段的流量数据作为异常时段的流量数据对流量缺失数据进行补全，具有一定的鲁棒性，提高时间段划分的准确性。
24.可选的，所述处理器，还被配置为：
25.判断所述m个时段中是否存在孤立时段；所述孤立时段是指时长小于设定阈值且与相邻时段所属的时间集合不同的时段；
26.将所述相邻时段所属的时间集合确定为所述孤立时段所属的时间集合。
27.上述技术方案中，通过对聚类结果进行过滤处理，将其中延续时间过短的时间段划分项与临近时段合并，避免结果呈现较小的波动。
28.可选的，所述处理器，被配置为：
29.根据所述影响因子生成所述n段流量数据对应的邻接矩阵；
30.根据所述邻接矩阵计算拉普拉斯矩阵；
31.计算所述拉普拉斯矩阵的特征信息；
32.根据所述拉普拉斯矩阵的特征信息，确定所述k个表征信息。
33.上述技术方案中，首先根据流量数据定义一个描述每个时间节点流量相似度的邻接矩阵，并且计算矩阵的特征值和特征向量，然后选择合适的特征向量聚类不同的数据时间节点，提高了时间段划分的准确性。
34.第二方面，本发明实施例提供一种时间段划分的方法，所述方法包括：
35.获取预设时间范围内n个时段对应的n段流量数据；其中，所述n个时段具有相同的时长；
36.根据所述n段流量数据确定任意两段流量数据之间的影响因子；
37.根据所述影响因子确定所述影响因子对应的k个表征信息；
38.根据所述k个表征信息将所述n段流量数据分成m组；其中，属于同一组的各流量数据的表征信息类似；
39.所述n个时段中流量数据属于同一组的划为同一时间集合。
40.可选的，所述根据所述k个表征信息将所述n段流量数据分成m组，包括：
41.将每段流量数据对应的k个表征信息确定为一个样本点；
42.通过层次聚类算法对n个样本点进行聚类得到m组。
43.可选的，将每段流量数据对应的k个表征信息确定为一个样本点，包括：
44.计算每段流量数据对应的k维特征向量从而得到一个样本点，其中，k维特征向量与k个表征信息一一对应。
45.可选的，在所述获取预设时间范围内n个时段对应的n段流量数据之后，所述根据所述n段流量数据确定任意两段流量数据之间的影响因子之前，所述方法还包括：
46.确定所述n段流量数据中异常流量数据所在的异常时段；
47.将所述异常时段的相似时段的流量数据作为所述异常时段的流量数据；所述相似
时段为与所述异常时段具有重叠的相邻时段，和/或，对于不同周期中与所述异常时段相同的时段。
48.可选的，在将所述n个时段中流量数据属于同一组的划为同一时间集合得到m个时段之后，所述方法还包括：
49.判断所述m个时段中是否存在孤立时段；所述孤立时段是指时长小于设定阈值且与相邻时段所属的时间集合不同的时段；
50.将所述相邻时段所属的时间集合确定为所述孤立时段所属的时间集合。
51.可选的，所述根据所述影响因子确定所述影响因子对应的k个表征信息，包括：
52.根据所述影响因子生成所述n段流量数据对应的邻接矩阵；
53.根据所述邻接矩阵计算拉普拉斯矩阵；
54.计算所述拉普拉斯矩阵的特征信息；
55.根据所述拉普拉斯矩阵的特征信息，确定所述k个表征信息。
56.相应的，本发明实施例还提供了一种计算设备，包括：
57.存储器，用于存储程序指令；
58.处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行上述时间段划分的方法。
59.相应的，本发明实施例还提供了一种计算机可读非易失性存储介质，包括计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得计算机执行上述时间段划分的方法。
附图说明
60.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
61.图1为本发明实施例提供的一种智能设备的结构示意图；
62.图2为本发明实施例提供的一种智能设备的详细示意图；
63.图3为本发明实施例提供的一种时间段划分的方法流程图；
64.图4为本发明实施例提供的又一种时间段划分的方法流程图；
65.图5为本发明实施例提供的一种时间段划分结果的示意图。
具体实施方式
66.为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
67.本技术实施例中流量数据可以是交通流量数据、上网流量数据等，交通流量数据即在规定期间内通过一指定点的车辆或行人数量，上网流量数据指在一定时间内打开网站地址的人气访问量，或者是手机移动数据的通俗意思。本技术实施例对流量数据不做具体
限定。
68.下面以交通流量数据为例来阐述本发明实施例。
69.当前交通路口时间段划分比如平高峰划分是基于传统的数学统计方式进行的，需要人为进行大量数据的预处理操作与相关参数的设置，该方案过多的依靠工程经验，同时每换一组数据就需要重新微调算法为方案的推广带来了极大的不便。
70.本发明所提供的一种时间段划分的方法用于根据历史流量数据自动划分时间段，在交通流量数据的例子中，本发明所提供的一种时间段划分的方法用于根据历史交通流量数据自动划分城市交通路口的时段。
71.本技术实施例中，以接收器检测到的全天候交通流量数据为基础，自动划分路口时段，解决了传统方案中会出现的人力投入大，且容易出现局部最优的问题。相比较传统划分方法，本发明可以依托交通流量大数据的支持，自动进行更加精准的时间段划分。
72.在一种可能的实施例中，时间段划分可以为平高峰划分。
73.本技术实施例的一种应用场景如图1所示，包括接收器100和处理器200；
74.接收器100被配置为获取预设时间范围内n个时段对应的n段流量数据。
75.需要说明的是，其中，n个时段具有相同的时长；接收器100可以为交通路口信号机。
76.处理器200，被配置为：
77.根据n段流量数据确定任意两段流量数据之间的影响因子；
78.根据影响因子确定影响因子对应的k个表征信息；
79.根据k个表征信息将n段流量数据分成m组；其中，属于同一组的各流量数据的表征信息类似；
80.n个时段中流量数据属于同一组的划为同一时间集合。
81.以交通流量数据为例，本发明处理器200的输入为交通路口的流量数据，输出为平高峰时段。
82.图2示例性示出了本技术实施例中的智能设备的硬件配置框图，智能设备200中可以包括作为接收器的通讯器220或检测器230、包括处理器254的控制器250、作为输出器的通讯器220或显示器275或音频输出接口285。其中通讯器220和检测器230可以作为智能设备的接收器，具体来说，可以是其他设备采集图像然后通过通讯器220发送给智能设备；也可以是智能设备自带的检测器230来进行图像采集。当然，也可以是采集的数据信息而非图像。通讯器220或显示器275或音频输出接口285可以作为输出器，如通过通讯器220将时间段划分结果发送给其他设备，或通过显示器275显示图像形式的时间段划分结果，或通过音频输出接口285输出语音形式的时间段划分结果等。
83.进一步的，智能设备还可能包括调谐解调器210、外部装置接口240、视频处理器270、音频处理器280、供电电源290等。具体以智能设备所承担的功能来定。当然，智能设备会依据具体设备不同包括的硬件结构有所不同。
84.下面分别介绍各个部件的具体功能和在本实施例中的作用。
85.通讯器220，是用于根据各种通信协议类型与外部设备或外部服务器进行通信的组件。通讯器220可以包括wifi模块221、蓝牙通信协议模块222、有线以太网通信协议模块223等网络通信协议模块或近场通信协议模块，从而通讯器220可将控制信号实现为wifi信
号、蓝牙信号、射频信号等。
86.检测器230，是智能设备用于采集外部环境或与外部交互的信号的组件。检测器230可以包括图像采集器232，如相机、摄像头等；也可以是声音采集器231可以用于采集外部环境场景，以自适应变化智能设备的显示参数；以及用于采集流量数据来源的属性。
87.在其他一些示例性实施例中，检测器230，还可以包括光接收器，用于采集环境光线强度，以自适应智能设备的显示参数变化等。
88.在其他一些示例性实施例中，检测器230，还可以包括温度传感器，如通过感测环境温度，智能设备可自适应调整图像的显示色温。示例性的，当温度偏高的环境时，可调整智能设备显示图像色温偏冷色调；当温度偏低的环境时，可以调整智能设备显示图像色温偏暖色调。
89.控制器250，通过运行存储在存储器260上的各种软件控制程序(如操作系统和各种应用程序)，来控制智能设备的工作和响应用户的操作。
90.控制器250包括随机存取存储器(ram)251、只读存储器(rom)252、图形处理器253、处理器254、通信接口255、以及通信总线256。其中，ram251、rom252以及图形处理器253、处理器254、通信接口255通过通信总线256相连接。
91.rom252，用于存储各种系统启动指令。如在接收到开机信号时，智能设备电源开始启动，处理器254运行rom252中的系统启动指令，将存储在存储器260的操作系统拷贝至ram251中，以开始运行启动操作系统。当操作系统启动完成后，处理器254再将存储器260中各种应用程序拷贝至ram251中，然后，开始运行启动各种应用程序。
92.图形处理器253，用于产生各种图形对象，如图标、操作菜单、以及用户输入指令显示图形等。图形处理器253可以包括运算器，用于通过接收用户输入各种交互指令进行运算，进而根据显示属性显示各种对象；以及包括渲染器，用于产生基于运算器得到的各种对象，将进行渲染的结果显示在显示器275上。
93.处理器254，用于执行存储在存储器260中的操作系统和应用程序指令。以及根据接收的用户输入指令，来执行各种应用程序、数据和内容的处理，以便最终显示和播放各种音视频内容。
94.在一些示例性实施例中，处理器254，可以包括多个处理器。多个处理器可包括一个主处理器以及多个或一个子处理器。主处理器，用于在智能设备预加载模式中执行智能设备的一些初始化操作，和/或，在正常模式下显示画面的操作。多个或一个子处理器，用于执行在智能设备待机模式等状态下的一种操作。
95.通信接口255，可包括第一接口到第n接口。这些接口可以是经由网络被连接到外部设备的网络接口。
96.控制器250可以控制智能设备的整体操作。
97.其中，该对象可以是可选对象中的任何一个，例如超链接或图标。该与所选择的对象有关的操作，例如显示连接到超链接页面、文档、图像等操作，或者执行与对象相对应的程序的操作。该用于选择gui对象的用户输入命令，可以是通过连接到智能设备的各种输入装置(例如，鼠标、键盘、触摸板等)输入命令或者与由用户说出语音相对应的语音命令。
98.存储器260，用于存储驱动和控制智能设备运行的各种类型的数据、软件程序或应用程序。存储器260可以包括易失性和/或非易失性存储器。而术语“存储器”包括存储器
260、控制器250的ram251和rom252、或智能设备中的存储卡。
99.在一些实施例中，存储器260具体用于存储驱动智能设备中控制器250的运行程序；存储智能设备内置的和用户从外部设备下载的各种应用程序；存储用于配置由显示器275提供的各种gui、与gui相关的各种对象及用于选择gui对象的选择器的视觉效果图像等数据。
100.在一些实施例中，存储器260具体用于存储调谐解调器210、通讯器220、检测器230、外部装置接口240、视频处理器270等的驱动程序和相关数据，例如从外部装置接口接收的外部数据(例如视频数据)。
101.在一些实施例中，存储器260具体存储用于表示操作系统(os)的软件和/或程序，这些软件和/或程序可包括，例如：内核、中间件、应用编程接口(api)和/或应用程序。示例性的，内核可控制或管理系统资源，以及其它程序所实施的功能(如所述中间件、api或应用程序)；同时，内核可以提供接口，以允许中间件、api或应用程序访问控制器，以实现控制或管理系统资源。
102.调谐解调器210，可根据用户选择，以及由控制器250控制，响应用户选择的不同频道的频率以及该频率所携带的信号。
103.调谐解调器210，根据信号的广播制式不同，可以接收信号的途径有很多种，诸如：地面广播、有线广播、卫星广播或互联网广播等；以及根据调制类型不同，可以数字调制方式或模拟调制方式；以及根据接收电视信号的种类不同，可以解调模拟信号和数字信号。
104.在其他一些示例性实施例中，调谐解调器210也可在外部设备中，这样，经过外部装置接口240输入至智能设备中。
105.外部装置接口240，是提供控制器250控制智能设备与外部设备间数据传输的组件。外部装置接口240可按照有线/无线方式与诸如机顶盒、游戏装置、笔记本电脑等外部设备连接，可接收外部设备的诸如视频信号(例如运动图像)、附加信息(例如epg)等数据。
106.其中，外部装置接口240可以包括：高清多媒体接口(hdmi)端子341、复合视频消隐同步(cvbs)端子242、模拟或数字分量端子243、通用串行总线(usb)端子244、组件(component)端子(图中未示出)、红绿蓝(rgb)端子(图中未示出)等任一个或多个。在其他一些示例性实施例中，视频处理器270可以包括一个或多个芯片组成。
107.以及，在其他一些示例性实施例中，视频处理器270，可以为单独的芯片，也可以与控制器250一起集成在一个或多个芯片中。
108.显示器275，用于接收源自视频处理器270输入的图像信号，进行显示视频内容、图像以及菜单操控界面。显示视频内容，可以来自调谐解调器210接收的广播信号中的视频内容，也可以来自通信器220或外部装置接口240输入的视频内容。
109.以及，显示器275可以包括用于呈现画面的显示器组件以及驱动图像显示的驱动组件。或者，倘若显示器275为一种投影显示器，还可以包括一种投影装置和投影屏幕。
110.供电电源290，用于在控制器250的控制下，将外部电源输入的电力为智能设备提供电源供电支持。供电电源290可以是安装在智能设备内部的内置电源电路，也可以是安装在智能设备外部的电源。
111.具体到本实施例中，接收器被配置为获取预设时间范围内n个时段对应的n段流量数据；其中，n个时段具有相同的时长，如通过通讯器220或检测器230。处理器254被配置为：
根据n段流量数据确定任意两段流量数据之间的影响因子；根据影响因子确定影响因子对应的k个表征信息；根据k个表征信息将n段流量数据分成m组；其中，属于同一组的各流量数据的表征信息类似；n个时段中流量数据属于同一组的划为同一时间集合。
112.具体的，处理器254被配置为：将每段流量数据对应的k个表征信息确定为一个样本点；
113.通过层次聚类算法对n个样本点进行聚类得到m组。
114.进一步的，处理器254被配置为：计算每段流量数据对应的k维特征向量从而得到一个样本点，其中，k维特征向量与k个表征信息一一对应。
115.具体的，处理器254还被配置为：确定n段流量数据中异常流量数据所在的异常时段；
116.将异常时段的相似时段的流量数据作为异常时段的流量数据；相似时段为与异常时段具有重叠的相邻时段，和/或，对于不同周期中与异常时段相同的时段。
117.进一步的，处理器254还被配置为：判断m个时段中是否存在孤立时段；孤立时段是指时长小于设定阈值且与相邻时段所属的时间集合不同的时段；
118.将相邻时段所属的时间集合确定为孤立时段所属的时间集合。
119.进一步的，处理器254被配置为：
120.根据影响因子生成n段流量数据对应的邻接矩阵；
121.根据邻接矩阵计算拉普拉斯矩阵；
122.计算拉普拉斯矩阵的特征信息；
123.根据拉普拉斯矩阵的特征信息，确定k个表征信息。
124.本技术实施例中，接收器可以为交通路口信号机等设备。处理器可以位于接收器内部，与接收器为一个整体，也可以为外置的智能服务器。
125.上述技术方案中，通过影响因子确定影响因子对应的k个表征信息，基于流量数据本身存在的客观内在特性进行时间段划分，避免了大量外界工程经验的干扰。同时从数据整体进行考量，考虑了流量数据中的每个时段的流量数据都会或多或少的对最后的结果有所影响，从而避免陷入局部最优问题，使得时间段划分更加准确。
126.上述介绍了本发明所提供的一种智能设备，下面详细介绍本发明提供一种时间段划分的方法。该方法可以通过上述的智能设备实现。图3为本发明实施例提供的一种时间段划分的方法所对应的流程示意图，如图3所示，该方法包括：
127.步骤301，获取预设时间范围内n个时段对应的n段流量数据。
128.需要说明的是，n个时段具有相同的时长。
129.步骤302，根据n段流量数据确定任意两段流量数据之间的影响因子。
130.步骤303，根据影响因子确定影响因子对应的k个表征信息。
131.步骤304，根据k个表征信息将n段流量数据分成m组。
132.需要说明的是，属于同一组的各流量数据的表征信息类似。
133.步骤305，将n个时段中流量数据属于同一组的划为同一时间集合得到m个时段。
134.举例来说，如表1所示，根据交通路口的流量数据生成流量数据矩阵，以一天为例，矩阵的行为每12分钟统计一次的交通路口流量数据，根据一天24小时共划分为120行，矩阵的列为流量数据总共统计的天数。从表1可以看出，一共统计了5天的流量数据。
[0135] 123451yyyyy2yyyyy3ynyyy4yyyyy......yyyyy119yyyyy120yyyyy
[0136]
表1
[0137]
基于表1内容，即得到了120*5个时段对应的600段流量数据。将每一段流量数据与其他段流量数据进行影响因子的计算，从而得到任意两段流量数据之间的影响因子。比如以第一天的第一时段和第一天的第二时段为例，计算这两个时段的影响因子。
[0138]
本技术实施例中，通过表征信息确定所有影响因子在不同维度下的信息量。
[0139]
本技术实施例在步骤301之后，确定n段流量数据中异常流量数据所在的异常时段；
[0140]
将异常时段的相似时段的流量数据作为异常时段的流量数据；相似时段为与异常时段具有重叠的相邻时段，和/或，对于不同周期中与异常时段相同的时段。
[0141]
如果检测到异常数据时，如表1中的n所在的异常时段对应异常数据。
[0142]
在一种可能的实施方式中，异常数据为超过设定阈值的数据；在另一种可能的实施方式中，异常数据为值为零的数据，也就是数据缺失。
[0143]
基于此，异常数据填补有以下方式：
[0144]
1、将与异常时段具有重叠的相邻时段的流量数据作为异常时段的流量数据。
[0145]
举个例子，异常时段为周一8：00到8:12，计算周一8：12到8:24对应的流量数据a与周一7:48到8:00对应的流量数据b的平均数作为异常时段周一8：00到8:12对应的流量数据。
[0146]
2、根据对于不同周期中与异常时段相同的时段的流量数据计算异常时段的流量数据。
[0147]
举个例子，异常时段为周一8：00到8:12，计算周二8：00到8:12对应的流量数据a与周三8：00到8:12对应的流量数据b的平均数作为异常时段周一8：00到8:12对应的流量数据。
[0148]
3、根据与异常时段具有重叠的相邻时段的流量数据以及对于不同周期中与异常时段相同的时段的流量数据计算异常时段的流量数据。
[0149]
举个例子，异常时段为周一8：00到8:12，计算周一8：12到8:24对应的流量数据c1与周一7:48到8:00对应的流量数据c2、同时计算周二8：00到8:12对应的流量数据c3与周三8：00到8:12对应的流量数据c4，然后将c1、c2、c3、c4加权求平均作为异常时段周一8：00到8:12对应的流量数据。
[0150]
需要说明的是，上述方法仅是几种示例，本技术对此不做具体限定。
[0151]
上述技术方案中，通过将异常时段的相似时段的流量数据作为异常时段的流量数据对流量缺失数据进行补全，具有一定的鲁棒性，提高时间段划分的准确性。
[0152]
本技术实施例中，根据影响因子确定影响因子对应的k个表征信息具体的流程示意图如图4所示，该方法包括：
[0153]
步骤401，根据影响因子生成n段流量数据对应的邻接矩阵。
[0154]
具体的，计算邻接矩阵的过程如下：
[0155]
首先将2维数据矩阵即表一中的所有流量数据拉成1维1*n的数列。
[0156]
具体的，比如第一天的流量数据列向量从上到下依次是1、2、3，第二天的流量数据列向量从上到下依次是4、5、6，当拉成1维时形成的数列为1、2、3、4、5、6。
[0157]
基于此，通过以下公式计算n*n的邻接矩阵w：
[0158][0159]
w为w
ij
组成的相似度邻接矩阵，w
ij
为邻接矩阵w里i行j列的元素。
[0160]
xi、xj分别为任意两个流量数据。σ为参数，为预设值。
[0161]
步骤402，根据邻接矩阵计算拉普拉斯矩阵。
[0162]
具体的，使用下面公式计算度矩阵d：
[0163][0164]
从上述内容可以看出，度矩阵d即邻接矩阵w的每一行元素之和，也就是说，对于任意一个流量数据p，包含了所有流量数据对流量数据p的影响因子之和。d为d
i
组成的n*n对角矩阵。
[0165]
需要说明的是，对角矩阵为除了主对角线上的元素其余元素均为零的矩阵。
[0166]
进一步的，根据l＝d
–
w计算拉普拉斯矩阵。
[0167]
步骤403，计算拉普拉斯矩阵的特征信息；
[0168]
步骤404，根据拉普拉斯矩阵的特征信息，确定k个表征信息。
[0169]
计算l的特征值，将特征值从小到大排序，取前k个特征值，并计算前k个特征值的特征向量u1,u2,
…
,u
k
。
[0170]
将上面的k个列向量组成矩阵u＝{u1,u2,
…
,u
k
},u∈r
n*k
，u为特征向量矩阵。
[0171]
需要说明的是，随着k值越大，参与计算的数据量越丰富，而太过丰富会对计算结果产生干扰，本技术实施例中k值具有设定范围。
[0172]
进一步的，在上述得到特征向量矩阵后，使用下面公式归一化特征向量矩阵u∈r
n*k
，得到新的归一化矩阵u_norm∈r
n*k
。
[0173]
即归一化的工具。
[0174]
u_norm为u_norm
ij
组成的n*k矩阵。
[0175]
上述内容，将特征向量矩阵的各个元素进行比例缩小，使得后续处理过程更加高效。
[0176]
上述技术方案中，首先根据流量数据定义一个描述每个时间节点流量相似度的邻
接矩阵，并且计算矩阵的特征值和特征向量，为选择合适的特征向量聚类不同的数据时间节点提供了基础，提高了时间段划分的准确性。
[0177]
在步骤304中，将每段流量数据对应的k个表征信息确定为一个样本点；
[0178]
具体的，计算每段流量数据对应的k维特征向量从而得到一个样本点。
[0179]
需要说明的是，k维特征向量与k个表征信息一一对应。
[0180]
通过层次聚类算法对n个样本点进行聚类得到m组。
[0181]
需要说明的是，在一种可能的实施方式中，表征信息类似即相似度满足阈值。
[0182]
举例来说，令y
i
∈r
k
是u的第i行的向量，其中i＝1,2,
…
,n；
[0183]
使用agglomerativeclustering层次聚类算法将新样本点y＝{y1,y2,
…
,y
n
}聚类成簇c1,c2,
…
,c
k
。
[0184]
进一步的，输出簇a1,a2,
…
,a
k
，其中，a
i
＝{j|y
j
∈c
i
}。
[0185]
需要说明的是，层次聚类(hierarchical clustering)可在不同层次上对数据集进行划分，形成树状的聚类结构。aggregativeclustering是一种常用的层次聚类算法，其原理是：最初将每个对象看成一个簇，然后将这些簇根据某种规则被一步步合并，就这样不断合并直到达到预设的簇类个数。
[0186]
上述方案。将谱聚类算法使用的kmeans算法替换成了agglomerativeclustering层次聚类算法，避免了传统方法中kmeans算法对初值敏感导致的每次划分结果都不相同的问题，从而提高了时间段划分的准确性。
[0187]
在步骤305之后，判断m个时段中是否存在孤立时段；孤立时段是指时长小于设定阈值且与相邻时段所属的时间集合不同的时段；
[0188]
将相邻时段所属的时间集合确定为孤立时段所属的时间集合。
[0189]
具体的，最终聚类出的结果在其时间序列上断续现象严重，不符合实际应用场景中使用需求，因此要对聚类结果进行过滤处理，将其中延续时间过短的时间段划分项与临近时段合并。
[0190]
举例来说，比如8:00到8：01出现了极短的波动，在一种可能的实施方式中，前后各取相同个数的时间段，根据这个极短时间段以及其邻近相同个数时间段所属的时间集合，将这个极短时间段所属的时间集合更新。
[0191]
比如，在8:00到8：01之前取2个时间段，在8:00到8：01之后取2个时间段，其中，前2个时间段分别为低峰、高峰，后两个时间段均为高峰，8:00到8：01时间段为低峰，因此将8:00到8：01时间段更新为高峰。
[0192]
上述技术方案中，通过对聚类结果进行过滤处理，将其中延续时间过短的时间段划分项与临近时段合并，避免结果呈现较小的波动。
[0193]
最后通过谱聚类算法对单路口交通时段进行切分，随机选取几个路口得到的实际交通流效果图如图5所示。
[0194]
从图中可以看出，左侧图0-6代表一星期内周一到周日，0-120代表一整天24小时内每隔12分钟采集一次的流量数据，0-300代表每个路口的交通流量数据。
[0195]
进一步的，通过对图(a)和(c)分析可以得到路口的早晚高峰期在每天的早上八点和晚上六点，图(b)中辽阳路是青岛东西向主干道，每天从清晨到半夜都属于高峰期间，因此对三个路口的交通流高峰期划分都是准确的，有效说明谱聚类算法对路口交通流时段划
分效果较好。
[0196]
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
[0197]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。