一种基于LZW编码的道路交通数据压缩方法

摘要

一种基于LZW编码的道路交通数据压缩方法，首先，建立道路交通特征参考序列，获取不同模态下的道路交通基准数据；其次，提取道路交通训练数据，基于同一模态下的道路交通基准数据，获取道路交通差值数据，选取道路交通差值数据的最优阈值；然后，提取道路交通实时数据，基于同一模态下的道路交通基准数据，获取道路交通差值数据；最后，通过LZW编码及解码，实现道路交通差值数据压缩及重构。本发明提供一种简化算法、提升处理速度的基于LZW编码的道路交通数据压缩方法。

权利要求

1.一种基于LZW编码的道路交通数据压缩方法，其特征在于：1)建立道路交通特征参考序列，获取不同模态下的道路交通基准数据；道路交通运行模态的划分分为两个层次：路网层和路段层，设定路网层的交通运行模态的划分标识将道路的交通运行模态划分为g种子模态，路段层的交通运行模态的划分标识将道路的交通运行模态划分为h种子模态，则道路的交通运行模态一共划分为g×h种，记为集合Mode＝{M11，M12，…，Mgh}，其中g和h的取值根据所选交通运行模态的划分标识确定；

2)提取道路交通训练数据，基于同一模态下的道路交通基准数据，获取道路交通差值数据，选取道路交通差值数据的最优阈值；

3)提取道路交通实时数据，基于同一模态下的道路交通基准数据，获取道路交通差值数据；

4)基于LZW编码实现步骤3)中的道路交通差值数据压缩；

5)基于LZW解码实现道路交通数据重构。

2.如权利要求1所述的一种基于LZW编码的道路交通数据压缩方法，其特征在于：所述步骤1)中，建立道路交通特征参考序列，获取不同模态下的道路交通基准数据，包括如下步骤：(1)设计道路交通特征参考序列的结构

设定道路交通状态数据的采集周期是Δt；道路交通特征参考序列的表格式如表1和表

2所示：

表1.道路交通特征参考序列信息表

表2.道路交通特征参考序列描述表

(2)通过相关的数据预处理，建立道路交通运行特征参考序列

获取目标路段的具有代表性的道路交通状态数据，并进行数据预处理，将经过数据预处理后的道路交通状态数据输入道路交通特征参考序列中，从而建立道路交通特征参考序列。

3.如权利要求1或2所述的一种基于LZW编码的道路交通数据压缩方法，其特征在于：所述步骤2)中，提取道路交通训练数据，基于同一模态Mgh的道路交通基准数据，获取道路交通差值数据进行LZW编码，基于压缩比，训练道路交通差值数据的最优阈值，其一般表达式如下：其中，Mgh为模态；Δt为道路交通状态数据的采集周期；(i*Δt)为第i个道路交通状态数据采集周期，0≤i≤N，N表示每天采集的交通信息的条数； 表示(i*Δt)时刻的训练数据； 表示(i*Δt)时刻的基准数据；S(i*Δt)表示(i*Δt)时刻训练数据与基准数据的差值数据； 表示模态Mgh下、Δt到(m*Δt)时段训练数据和 基准数据的差值数据； 表示模态Mgh下、Δt到(m*Δt)时段阈值处理后的差值数据；

表示Δt到(m*Δt)时段选取的阈值； (n)为在模态Mgh下、Δt到(m*Δt)时段的阈值处理的LZW编码后的差值数据；S’(n)为模态Mgh下、Δt到(m*Δt)时段压缩后的第n个数据；m表示在模态Mgh下、Δt到(m*Δt)时段的压缩前差值数据的数量；w表示LZW编码；n表示在模态Mgh下、Δt到(m*Δt)时段的选取的阈值对应差值数据压缩后的数量；压缩比为

4.如权利要求3所述的一种基于LZW编码的道路交通数据压缩方法，其特征在于：所述步骤3)中，提取道路交通实时数据，基于同一模态Mgh的道路交通基准数据，获取道路交通差值数据，其一般表达式如下：其中， 为模态Mgh下、(i*Δt)时刻的实时数据；MS(i*Δt)为模态Mgh下、(i*Δt)时刻的实时数据与基准数据的差值数据； 为模态Mgh下、Δt到(m*Δt)时段的道路交通实时数据和基准数据的差值数据。

5.如权利要求4所述的一种基于LZW编码的道路交通数据压缩方法，其特征在于：所述步骤4)中，基于LZW编码实现道路交通差值数据压缩，将训练的最佳阈值引入到同一模态Mgh的测试数据和基准数据的差值数据中，结合LZW编码，实现差值数据的压缩，其一般表达式如下：其中， 表示最优阈值； 为在模态Mgh下、Δt到(m*Δt)时段经最佳阈值

处理后的差值数据；m表示在模态Mgh下、Δt到(m*Δt)时段的压缩前差值数据的数量；

表示模态Mgh下、Δt到(m*Δt)时段的压缩后的差值数据；Tn表示模态Mgh下、Δt到(m*Δt)时段的差值数据压缩后的数量；MS’(Tn)表示模态Mgh下、Δt到(m*Δt)时段压缩后的第Tn个数据；压缩比为

6.如权利要求5所述的一种基于LZW编码的道路交通数据压缩方法，其特征在于：所述步骤5)中，基于LZW解码实现道路交通差值数据重构，结合基准数据，实现测试数据的解压缩，其一般表达式如下：其中，w’表示LZW的反解码； 为在模态Mgh下、Δt到(m*Δt)时段解码后的道路交通实时数据和基准数据的差值数据；  表示在模态Mgh下、Δt到(m*Δt)时段的重构的实时数据。

说明书

一种基于LZW编码的道路交通数据压缩方法

技术领域

[0001] 本发明属于道路交通数据处理领域，涉及道路交通数据的分析与压缩，是一种道路交通数据的压缩方法。

背景技术

[0002] 随着智能交通系统数据采集技术的不断发展，基于连续采集得到的智能交通数据，交通领域即将面临海量数据问题，必须对其进行有效的数据压缩,才能进行处理、分析和存储。

[0003] 交通流数据的内在特征主要包括：周期性、相似性、相关性等。邻近路段的交通流之间存在着复杂的时空关联关系，往往相似性较高，同一交通流在时间上表现出极强的相关性与周期性。这些相似性表明数据中存在大量的冗余信息。

[0004] 基于交通流相似性的特征，目前已有多种方法应用到道路交通数据压缩领域中。主要包括：主成分分析法(PCA)、独立成分分析(ICA)、预测编码与字典编码串联法、基于小波(包)变换方法、人工神经网络等方法。其主要利用变换域的思想，将道路交通数据进行多尺度变换并进行相关处理，实现数据的压缩，并且取得较好的效果。但是算法实现较为复杂。

发明内容

[0005] 为了克服已有道路交通数据压缩方法的算法复杂、处理速度较慢的不足，本发明提供一种简化算法、提升处理速度的基于LZW编码的道路交通数据压缩方法。

[0006] 本发明解决其技术问题所采用的技术方案是：

[0007] 一种基于LZW编码的道路交通数据压缩方法，所述方法包括如下步骤：

[0008] 1)建立道路交通特征参考序列，获取不同模态下的道路交通基准数据；

[0009] 2)提取道路交通训练数据，基于同一模态下的道路交通基准数据，获取道路交通差值数据，选取道路交通差值数据的最优阈值；

[0010] 3)提取道路交通实时数据，基于同一模态下的道路交通基准数据，获取道路交通差值数据；

[0011] 4)基于LZW编码实现道路交通差值数据压缩；

[0012] 5)基于LZW解码实现道路交通数据重构。

[0013] 进一步，所述步骤1)中，建立道路交通特征参考序列，获取不同模态下的道路交通基准数据，包括如下步骤：

[0014] 1.1)设计道路交通特征参考序列的结构

[0015] 设定道路交通状态数据的采集周期是Δt，则道路交通信息模板的时间格式如图1所示。

[0016] 道路交通特征参考序列的表格式如表1和表2所示。

[0017] 表1.道路交通特征参考序列信息表

[0018]

[0019] 1.2)通过相关的数据预处理，建立道路交通运行特征参考序列

[0020] 道路交通运行模态的划分分为两个层次：路网层和路段层，设定路网层的交通运行模态的划分标识将道路的交通运行模态划分为g种子模态，路段层的交通运行模态的划分标识将道路的交通运行模态划分为h种子模态，则道路的交通运行模态一共划分为g×h种，记为集合Mode＝{M11，M12，…，Mgh}，其中g和h的取值根据所选交通运行模态的划分标识确定；

[0021] 获取目标路段的具有代表性的道路交通状态数据，并进行数据预处理，将经过数据预处理后的道路交通状态数据输入道路交通特征参考序列中，从而建立道路交通特征参考序列。

[0022] 再进一步，所述步骤2)中，提取道路交通训练数据，基于同一模态Mgh的道路交通基准数据，获取道路交通差值数据进行LZW编码，基于压缩比，训练道路交通差值数据的最优阈值，其一般表达式如下：

[0023]

[0024]

[0025]

[0026]

[0027]

[0028] 其中，Mgh为模态；Δt为道路交通状态数据的采集周期；(i*Δt)为第i个道路交通状态数据采集周期，0≤i≤N，N表示每天采集的交通信息的条数； 表示(i*Δt)时刻的训练数据； 表示(i*Δt)时刻的基准数据；S(i*Δt)表示(i*Δt)时刻训练数据与基准数据的差值数据； 表示模态Mgh下、Δt到(m*Δt)时段训练数据和基准数据的差值数据； 表示模态Mgh下、Δt到(m*Δt)时段阈值处理后的差值数据；表示Δt到(m*Δt)时段选取的阈值； 为在模态Mgh下、Δt到(m*Δt)时段
的阈值处理的LZW编码后的差值数据；S’(n)为模态Mgh下、Δt到(m*Δt)时段压缩后的第n个数据；m表示在模态Mgh下、Δt到(m*Δt)时段的压缩前差值数据的数量；w表示LZW编码；n表示在模态Mgh下、Δt到(m*Δt)时段的选取的阈值对应差值数据压缩后的数量；压缩比为[0029] 更进一步，所述步骤3)中，提取道路交通实时数据，基于同一模态Mgh的道路交通基准数据，获取道路交通差值数据，其一般表达式如下：

[0030]

[0031]

[0032] 其中， 为模态Mgh下、(i*Δt)时刻的实时数据；MS(i*Δt)为模态Mgh下、(i*Δt)时刻的实时数据与基准数据的差值数据； 为模态Mgh下、Δt到(m*Δt)时段的道路交通实时数据和基准数据的差值数据。

[0033] 所述步骤4)中，基于LZW编码实现道路交通差值数据压缩，将训练的最佳阈值引入到同一模态Mgh的测试数据和基准数据的差值数据中，结合LZW编码，实现差值数据的压缩，其一般表达式如下：

[0034]

[0035]

[0036]

[0037] 其中， 表示最优阈值； 为在模态Mgh下、Δt到(m*Δt)时段经最佳阈值处理后的差值数据；m表示在模态Mgh下、Δt到(m*Δt)时段的压缩前差值数据的数量； 表示模态Mgh下、Δt到(m*Δt)时段的压缩后的差值数据；Tn表示模态Mgh下、Δt到(m*Δt)时段的差值数据压缩后的数量；MS’(Tn)表示模态Mgh下、Δt到(m*Δt)时段压缩后的第Tn个数据；压缩比为

[0038] 所述步骤5)中，基于LZW解码实现道路交通差值数据重构，结合基准数据，实现测试数据的解压缩，其一般表达式如下：

[0039]

[0040]

[0041] 其中，w’表示LZW的反解码； 为在模态Mgh下、Δt到(m*Δt)时段解码后的道路交通实时数据和基准数据的差值数据； 表示在模态Mgh下、Δt到(m*Δt)时段的重构的实时数据。

[0042] 本发明的技术构思为：提出了一种基于LZW编码的道路交通数据压缩方法，充分利用了同一交通流在时间上表现出极强的相关性与周期性的特点。提取同一时间段的道路交通数据，并将之分为基准数据、训练数据和实时数据。对训练数据和基准数据的差值数据进行阈值化处理，将处理后的差值数据进行LZW编码实现数据压缩。基于压缩比，选取最佳阈值。利用最佳阈值对基准数据和实时数据的差值数据进行阈值化处理，将处理后的差值数据进行LZW编码实现数据压缩。通过LZW反编码实现差值数据的重构，结合基准数据，实现实时数据的重构。

[0043] 本方法仅在数据之间作减法处理，实现简单，不需要进行大量复杂的数据计算，可以有效的提高处理速度。

[0044] 本发明的有益效果主要表现在：通过将同一模态Mgh的道路交通训练数据和基准数据的差值数据进行阈值化处理，结合LZW编码技术，实现差值数据的压缩，根据差值数据的压缩比，确定最佳阈值。通过将最佳阈值引入到同一模态Mgh的实时数据和基准数据的差值数据当中，实现差值数据的阈值化处理，结合LZW编码技术，实现差值数据的压缩，间接实现道路交通实时数据的压缩。通过对压缩后的差值数据进行LZW解码技术，获得重构的差值数据，结合基准数据，实现实时数据的重构。

附图说明

[0045] 图1是道路交通信息模板的时间格式的示意图。

[0046] 图2是道路交通运行模态划分示意图。

[0047] 图3是基于LZW编码的道路交通数据压缩方法的流程图。

[0048] 图4是基于LZW解码的道路交通数据重构方法的流程图。

具体实施方式

[0049] 下面结合附图对本发明作进一步描述。

[0050] 参照图1～与4，一种基于LZW编码的道路交通数据压缩方法，包括以下步骤：

[0051] 1)建立道路交通特征参考序列，获取不同模态下的道路交通基准数据，包括如下步骤：

[0052] 1.1)设计道路交通特征参考序列的结构

[0053] 设定道路交通状态数据的采集周期是Δt，则道路交通信息模板的时间格式如图1所示。

[0054] 道路交通特征参考序列的信息表和描述表分别如表1和表2所示：

[0055]

[0056] 表1

[0057]

[0058] 表2

[0059] 1.2)通过相关的数据预处理，建立道路交通运行特征参考序列

[0060] 道路交通运行模态是指道路交通系统运行所呈现出的基本形态。道路交通运行模态的划分是指将道路交通系统的运行形态分为几个具有典型特征、有区别的基本形态的过程或行为。道路交通运行模态的划分可以分为两个层次：路网层和路段层。设定路网层的交通运行模态的划分标识将道路的交通运行模态划分为g种子模态，路段层的交通运行模态的划分标识将道路的交通运行模态划分为h种子模态，则道路的交通运行模态一共划分为g×h种，记为集合Mode＝{M11，M12，…，Mgh}，其中g和h的取值根据所选交通运行模态的划分标识确定。路网层的交通运行模态的划分标识，主要是指不同日期对道路交通运行模态的影响因素。其中，日期标识又可以分为工作日、节假日、月份等；路段层的交通运行模态的划分标识，主要是指路段所处具体的外界环境对具体路段交通运行模态的影响因素。外界环境标识又可分为天气、路段基础设施服役状态等。其示意图如图2所示。

[0061] 获取目标路段的具有代表性的道路交通状态数据，并进行数据预处理，将经过数据预处理后的不同模态的道路交通状态数据输入道路交通特征参考序列中，从而建立道路交通特征参考序列。

[0062] 2)提取道路交通训练数据，基于同一模态Mgh的道路交通基准数据，获取道路交通差值数据并进行LZW编码，训练道路交通差值数据的最优阈值，其一般表达式如下：

[0063]

[0064]

[0065]

[0066]

[0067]

[0068] 其中，Mgh为模态；Δt为道路交通状态数据的采集周期；(i*Δt)为第i个道路交通状态数据采集周期，0≤i≤N，N表示每天采集的交通信息的条数； 表示(i*Δt)时刻的训练数据； 表示(i*Δt)时刻的基准数据；S(i*Δt)表示(i*Δt)时刻训练数据与基准数据的差值数据； 表示模态Mgh下、Δt到(m*Δt)时段训练数据和基准数据的差值数据； 表示模态Mgh下、Δt到(m*Δt)时段阈值处理后的差值数据；表示Δt到(m*Δt)时段选取的阈值； 为在模态Mgh下、Δt到(m*Δt)时段
的阈值处理的LZW编码后的差值数据；S’(n)为模态Mgh下、Δt到(m*Δt)时段压缩后的第n个数据；m表示在模态Mgh下、Δt到(m*Δt)时段的压缩前差值数据的数量；w表示LZW编码；n表示在模态Mgh下、Δt到(m*Δt)时段的选取的阈值对应差值数据压缩后的数量；压缩比为[0069] 3)提取道路交通实时数据，基于同一模态Mgh下的道路交通基准数据，获取道路交通差值数据，其一般表达式如下：

[0070]

[0071]

[0072] 其中， 为模态Mgh下、(i*Δt)时刻的实时数据；MS(i*Δt)为模态Mgh下、(i*Δt)时刻的实时数据与基准数据的差值数据； 为模态Mgh下、Δt到(m*Δt)时段的道路交通实时数据和基准数据的差值数据。

[0073] 4)基于LZW编码实现道路交通差值数据压缩，将训练的最优阈值引入到实时数据和基准数据的差值数据中，实现差值数据的压缩，一般表达式如下：

[0074]

[0075]

[0076]

[0077] 其中， 表示最优阈值； 为在模态Mgh下、Δt到(m*Δt)时段经最佳阈值处理后的差值数据；m表示在模态Mgh下、Δt到(m*Δt)时段的压缩前差值数据的数量； 表示模态Mgh下、Δt到(m*Δt)时段的压缩后的差值数据；Tn表示模态Mgh下、Δt到(m*Δt)时段的差值数据压缩后的数量；MS’(Tn)表示模态Mgh下、Δt到(m*Δt)时段压缩后的第Tn个数据；压缩比为

[0078] 参照图4，基于LZW解码的道路交通数据重构步骤：

[0079] 基于LZW解码实现道路交通数据重构，针对压缩后的差值数据进行LZW解码，获取道路交通基准数据和实时数据的差值数据，结合基准数据，实现实时数据的解压缩，其一般表达式如下：

[0080]

[0081]

[0082] 其中，w’表示LZW的反解码； 为在模态Mgh下、Δt到(m*Δt)时段解码后的道路交通实时数据和基准数据的差值数据；CSMMgh(m)表示在模态Mgh下、Δt到(m*Δt)时段的重构的实时数据。

[0083] 实例:一种基于LZW编码的道路交通数据压缩方法，包括以下步骤：

[0084] 1)建立道路交通特征参考序列，获取不同模态下的道路交通基准数据[0085] 由于同一路段、对应时间的道路交通流具有相似性，故选择北京经典二环路段的道路交通数据进行算法应用及验证，具体路段如表3所示。

[0086]

[0087]

[0088] 表3

[0089] 提取2011年6月份四天(18、19、25、26)的道路交通数据建立道路交通特征参考序列。道路交通状态数据的获取间隔Δt为2min。

[0090] 将18、19日的同一模态的道路交通数据分别作为基准数据集和训练数据，进行算法参数设定。将25、26日的道路交通数据作为实验数据集，进行算法验证。

[0091] 2)提取道路交通训练数据，基于同一模态Mgh下的道路交通基准数据，获取道路交通差值数据，选取道路交通差值数据的最优阈值

[0092] 对训练数据和基准数据的差值数据进行阈值化处理，分别选取基准数据的不同百分比作为阈值，训练道路交通差值数据的最优阈值，其一般步骤如下：

[0093]

[0094]

[0095]

[0096]

[0097]

[0098] 其中，Mgh为模态；Δt为道路交通状态数据的采集周期；(i*Δt)为第i个道路交通状态数据采集周期，0≤i≤N，N表示每天采集的交通信息的条数； 表示(i*Δt)时刻的训练数据； 表示(i*Δt)时刻的基准数据；S(i*Δt)表示(i*Δt)时刻训练数据与基准数据的差值数据； 表示模态Mgh下、Δt到(m*Δt)时段训练数据和基准数据的差值数据； 表示模态Mgh下、Δt到(m*Δt)时段阈值处理后的差值数据；表示Δt到(m*Δt)时段选取的阈值； 为在模态Mgh下、Δt到(m*Δt)时段
的阈值处理的LZW编码后的差值数据；S’(n)为模态Mgh下、Δt到(m*Δt)时段压缩后的第n个数据；m表示在模态Mgh下、Δt到(m*Δt)时段的压缩前差值数据的数量；w表示LZW编码；n表示在模态Mgh下、Δt到(m*Δt)时段的选取的阈值对应差值数据压缩后的数量；压缩比为[0099] 3)提取道路交通实时数据，基于同一模态Mgh的道路交通基准数据，获取道路交通差值数据，其一般步骤如下：

[0100]

[0101]

[0102] 其中， 为模态Mgh下、(i*Δt)时刻的实时数据；MS(i*Δt)为模态Mgh下、(i*Δt)时刻的实时数据与基准数据的差值数据； 为模态Mgh下、Δt到(m*Δt)时段的道路交通实时数据和基准数据的差值数据。

[0103] 4)基于LZW编码实现道路交通差值数据压缩

[0104] LZW编码是一种基于字典编码的无损数据压缩方法。通过建立一个字符串表，用较短的码字表示较长的码字，实现数据压缩的目的。在动态的建立串表的同时，字符串和码字之间逐渐建立关系。在后续的字符串与串表进行比较，不断完善和壮大串表。生成的串表不需要随着数据一块进行存储，在解压缩的过程中，仍然能够重建一个完整相同的串表，从而进一步提高压缩效率。

[0105] 将训练的最佳阈值引入到同一模态M的实时数据和基准数据的差值数据中，进行LZW编码，间接实现实时数据的压缩，其一般步骤如下：

[0106]

[0107]

[0108]

[0109] 其中， 表示最优阈值； 为在模态Mgh下、Δt到(m*Δt)时段经最佳阈值处理后的差值数据；m表示在模态Mgh下、Δt到(m*Δt)时段的压缩前差值数据的数量； 表示模态Mgh下、Δt到(m*Δt)时段的压缩后的差值数据；Tn表示模态Mgh下、Δt到(m*Δt)时段的差值数据压缩后的数量；MS’(Tn)表示模态Mgh下、Δt到(m*Δt)时段压缩后的第Tn个数据；压缩比为

[0110] 5)基于LZW解码实现道路交通数据重构

[0111] 针对压缩后的差值数据进行LZW解码，获取道路交通基准数据和实时数据的差值数据，结合基准数据，实现实时数据的解压缩，其一般表达式如下：

[0112]

[0113]

[0114] 其中，w’表示LZW的反解码； 为在模态Mgh下、Δt到(m*Δt)时段解码后的道路交通实时数据和基准数据的差值数据； 表示在模态Mgh下、Δt到(m*Δt)时段的重构的实时数据。

[0115] 6)基于LZW编码的道路交通数据压缩的参数确定

[0116] 在基于周期性道路交通数据的LZW编码数据压缩过程中，设计到有以下几个参数：其中， 可以由 和per获
取， 可以由 决定，这里所做的参数设定只是对基于周期性道路交通数据的LZW编码数据压缩的大概影响分析。

[0117] 由于这些参数对算法的精度各有影响，单独分析每个参数对算法精度的影响并不能确保算法的最优，因此在进行算法分析时应该同时考虑所有参数对该道路交通数据压缩的影响。

[0118] 引入重构数据的绝对平均相对误差、对参数对算法精度的影响进行分析：

[0119]

[0120] 其中， 为在模态Mgh下、Δt到(m*Δt)时段重构后的实时数据值，为在模态Mgh下、Δt到(m*Δt)时段的原始实时数据。NAME为重构数据的绝对平均相对误差。

[0121] 即对于不同的( Per)，存在与之对应的NMAE。故存在如下等式：

[0122]

[0123] 即( Per)与NMAE存在某种分布关系f，寻找NMAE最小时对应的( Per)，即为最优参数设定过程。故可以得到如下模型：

[0124]

[0125] 最终( Per)的取值可以通过道路交通基准数据和训练数据的训练确定。

[0126] 7)实验结果

[0127] 基于同一模态的道路交通基准数据和训练数据，获取最优参数(Per)。本实验结果主要针对路段的车流量值进行压缩。提取道路交通实时数据，基于LZW编码的道路交通数据压缩方法，实现实时数据的压缩。

[0128] 选取压缩比(CR)、绝对误差(AE)、对误差百分比(marerr)、误差标准差(σ)作为道路交通流预测精度的指标，其计算公式分别如下所示：

[0129]

[0130]

[0131]

[0132]

[0133] 其中，

[0134]

[0135]

[0136] 其中， 为模态Mgh下、Δt到(m*Δt)时段的压缩比；CMa为压缩前数据数量，CMb为压缩后的数据数量， 为模态Mgh下、Δt到(m*Δt)时段实时数据与重构后的实时数据的误差值， 为平均误差。

[0137] 实验路段2011年6月25、26日流量值的压缩结果统计分析如下表4、表5所示。

[0138]路段ID CR AE marerr(％) σ
HI7000d 5.41 7.39 6.66 10.81
HI2075a 5.26 6.79 7.23 10.44
HI3002b 5.71 6.45 6.84 9.29

[0139] 表4

[0140]路段ID CR AE marerr(％) σ
HI7000d 5.45 7.23 6.55 10.58
HI2075a 5.11 5.69 5.94 9.65
HI3002b 5.45 6.28 6.56 9.73

[0141] 表5。