CN101751777A

CN101751777A - 基于空间聚类分析的城市路网交通小区动态划分方法

Info

Publication number: CN101751777A
Application number: CN200810203852A
Authority: CN
Inventors: 杨晓光; 李晓丹; 储浩
Original assignee: Tongji University
Current assignee: Tongji University
Priority date: 2008-12-02
Filing date: 2008-12-02
Publication date: 2010-06-23
Anticipated expiration: 2028-12-02
Also published as: CN101751777B

Abstract

一种城市路网交通小区动态划分方法，从已有的出租车GPS数据出发，对路网的交通状态参数进行估计，考虑城市交通的OD特性，采用路段拥挤度与路段关联度进行空间统计分析，分析路段之间的空间自相关模式，实现对交通小区的自动划分。本发明的有益效果经过交通仿真的实际检验：当出租车辆在路网交通量中的覆盖率到达5％时，路网交通状态的估计正确率在80％以上，在此基础上，诱导车辆避开交通拥堵区域，采取必要的控制管理策略，减少区域拥堵的规模和拥堵时间，加快拥堵的消散。本发明中采用的方法和技术简单易行，运行条件容易满足，易于在全国大中型城市中推广应用。

Description

基于空间聚类分析的城市路网交通小区动态划分方法

技术领域

本发明属于交通工程技术领域，涉及采用空间统计分析——空间聚类分析的方法，对城市路网的交通特性、交通状态、交通需求等进行分析，并将复杂交通网络解析为若干交通小区的技术，该技术可降低城市路网复杂性，为实现区域交通控制和区域交通诱导管理等复杂问题提供技术支持。

背景技术

现有交通小区划分主要面向传统的交通控制，并且目前面向交通控制的城市路网交通小区(协调控制区域)划分，大多依赖于交通工程师的经验等进行静态、定性的划分，划分指标一般采用路段或交叉口之间的关联度、路段饱和度等，考虑相邻交叉口之间的距离、流量、信号周期等因素，实施静态划分方案。准动态的交通小区划分，一般采用方案选择式，没有交通模型，如SCATS系统，控制子区可进行动态“合并”或“分离”，但需以建立完善的方案专家库为基础。空间聚类分析方法，考虑交通小区内部路段之间的物理关联性和交通关联性，以及交通特征，从数据本身出发，利用大量的实时数据和历史数据，进行统计聚类分析，划分为若干个内部关联性强、交通特征相似的交通小区，从而简化路网协调交通控制和交通诱导，便于模型的建立和策略的实施。

目前城市道路网络交通小区的研究主要集中在交通小区的应用层次，缺乏对于交通小区的动态划分理论与技术方面的研究。另外，交通小区的划分主要依据是道路网络的物理特征，缺乏对内在交通特征的研究。现有交通小区划分主要面向传统的交通控制，而随着交通控制管理研究的发展和ITS等相关技术的进步，交通控制与诱导系统已呈现整合趋势，而控制诱导一体化条件下的交通小区划分技术也值得进一步研究。

发明内容

为了使交通小区更好的服务于区域交通控制和交通诱导，实现交通小区的动态自动划分，本发明从已有的出租车GPS数据出发，对路网的交通状态参数进行估计，考虑城市交通的OD特性，采用路段拥挤度与路段关联度进行空间统计分析，分析路段之间的空间自相关模式，实现对交通小区的自动划分。

本发明解决其技术问题所采用的技术方案是：动态采集出租车GPS数据，通过数据预处理确定车辆在路网上的逻辑位置。每隔一个估计周期做一次路网交通状态参数估计工作，参数估计结果保存在数据库中，通过空间聚类分析算法实现对交通状态参数和空间关联矩阵的聚类分析而得到对于交通控制和交通诱导等不同需求下的若干个交通小区。

具体可包括以下步骤：

(1)平均行程车速估算：利用实际GPS数据计算路段行程车速，与历史数据结合，采用加权平均法计算路段当前的平均行程车速。估算过程中需要进行对原始GPS数据预处理、地图匹配等工作，然后按照一定的算法(详见后文)计算路段行程车速。

(2)历史数据更新：定时对行程车速估算历史数据进行更新，采用二分平均法减少远期数据对近期数据的影响。

(3)路段拥挤度指标计算：依据路段平均行程车速计算路段的延误时间，与按照最大限速行驶所用时间的比值，计算路段的当前拥挤度指标。

(4)空间关联矩阵计算：通过分析GIS的空间拓扑关系，计算任意两两路段间的关联关系，量化为空间关联矩阵。

(5)空间分析：采用空间自相关分析Moran’s I指数对路段拥挤度观测值(计算值)相似性进行分析，得出路网拥挤度的空间分布模式(聚集、随机、均匀)。

(6)小区的优化：采用专家知识库的方法对交通小区进行修正和优化，搜索专家库中匹配条件下的交通小区，自动或人为的对交通小区进行修正，同时更新或积累专家知识库。

本发明方法所涉及的几个重要环节：

(1)基础数据的准备

主要包括：

A、城市道路网络的电子地图静态数据整理：包括地图的坐标匹配和修正，道路的方向性处理。

地图坐标的匹配和修正是指用于计算的电子地图坐标系与GPS坐标系可能不同，需要进行实地测试或采用其他方式将两坐标系进行转换，必要时对电子地图进行修正。

道路方向性处理是针对未将道路的方向属性加以标识的电子地图。一般电子地图的道路图层只提供道路的中心线型，未将道路的方向属性加以标识，如区分同一道路的东西走向与西东走向。经过方向性处理后一条路变为两条路，分别代表同一道路的两个走向，可用面状图层表示。道路的最小单位是路段，即任意两个交叉口之间的一段路可作为一个路段，T型交叉口也算交叉口，对比较特殊的长路段，可以将路段上的重要单位开口作为一个虚拟交叉口。路段的方向由起点和终点属性确定。起点和终点用交叉口或虚拟交叉口的唯一标识(编号)表示。

B、OD采集及常用路径确定

城市路网的OD可以通过规划数据划定的小区，进行OD调查获得。根据划定的规划交通小区确定小区间的最常用路径，作为小区交通的最可能行走路径，将其中要经过的所有路段记录到数据库中。格式要求为：路径编号，路段序号，路段编号。

C、路段基本属性参数获取

道路的基本属性包括：路段名称、路段编码、路段长度、道路等级、车道数、单行线、最大限速、行驶时间。路段长度、道路等级、车道数、单行线、最大限速都可从有关部门调查获取；行驶时间是在最大限速的基础上，用路段长度除以最大限速得到，是一个静态值。

D、空间关联矩阵获取

进行路网交通小区划分，必须考虑路网中路段之间的空间拓扑关联关系，空间关联矩阵是对空间拓扑关联关系的定量化测度。可以通过GeoDa软件获取，也可通过自编程序实现。通常，若两个单元共享边界，则权重矩阵的元素W_ij＝1，否则W_ij＝0。

(2)交通状态参数估计

本发明是在可以准确获取路段平均行程车速参数的基础上展开的。路段平均行程车速可根据路段的出租车GPS原始数据，经过坐标转换、地图匹配，计算每辆车的行驶轨迹，依据某一时段的行驶距离，以及该时段的车辆数，求出路段的平均行程车速。将按照一定间隔(一般为5分钟)的路段平均行程车速参数保存到数据库中。格式为：时刻，路段编码，平均行程车速。

路段拥挤度是本发明提出的一个另一个交通状态参数，是交通小区划分的重要指标。路段拥挤度是一个实时变化量，与路段的行程时间延误成正比。通过行程时间延误与路段属性表中的行驶时间的比值计算获得。将获得的动态路段拥挤度保存在数据库中，格式要求为：时刻、路段编码、拥挤度。

(3)路网交通小区自动划分

A、根据预处理和匹配过的GPS数据，通过对行驶轨迹的分析，按照一定的时间间隔计算每个路段的平均行程车速，即经过路段的所有车辆的距离之和除以通过路段的所有时间之和；

B、根据计算的路段平均行程车速，按照相同的时间间隔，分别计算所有路段的拥挤度；

C、将动态计算的路段拥挤度与路段静态属性表整合，同时将历史拥挤度信息保存在历史数据库中；

D、以路段拥挤度和路段空间关联矩阵为划分交通小区的输入指标，采用空间自相关统计量Moran’s I指数分析路段间的关联特性；

E、依据路段关联性及其关联值，采用聚类分析的方法进行交通小区划分；

F、结合专家知识库对交通小区进行修正和优化；

G、交通小区历史数据的更新维护。影响历史数据的因素为日期、时间、路段事故状态、天气等因素。结合这几个因素生成影响因子，用以保存和方便检索历史数据。历史数据的保存格式为：交通小区编号，影响因子，小区状态。每个周期计算的结果在发布的同时也写入历史库。

本发明的有益效果是经过交通仿真的实际检验，当出租车辆在路网交通量中的覆盖率到达5％时，路网交通状态的估计正确率在80％以上，在此基础上，诱导车辆避开交通拥堵区域，减少区域拥堵的规模和拥堵时间，加快拥堵的消散。该结论表明本发明中采用的方法和技术简单易行，运行条件容易满足，易于在全国中大型城市中推广应用。

附图说明

图1是本发明实施例的系统结构图。

图2是本发明实施例的路网交通小区划分流程图。

图3是本发明实施例的空间聚类分析算法流图。

具体实施方式

下面结合附图和实施对本发明进一步说明。

本方法是一个当前实际数据结合专家经验进行路网交通小区动态自动划分的方法，其专家知识库数据的积累需要相当长的时间，而且随着专家经验的积累，划分的速度越快、结果越有用。该方法还有一个重要前提是路网静态和动态数据的采集、整理和维护，动态数据采集的粒度越细、数据越完整，划分的小区越能更好的服务于交通控制或交通诱导管理等。

如图1所示，系统包括：静态数据管理和维护模块，动态数据采集模块，动态数据到逻辑路网的映射模块，路网交通状态参数估计模块，交通小区划分算法模块，历史数据更新模块以及数据存储模块。

现结合图2说明路网交通小区的划分流程。主要说明日常维护流程和核心流程，日常维护包括静态数据的维护和动态数据的接收和处理。

1、静态数据维护

静态数据是指道路网络几何形状、网络拓扑结构等长期变化不大的数据，以及路段属性、交通管制、交通OD等相对比较稳定的数据。这些数据在初始化的时候需要花比较大的功夫，必要时需要进行交通调查。需要维护的静态数据有：

(1)路段表

其数据结构为：

编号	字段名	字段类型	字段长度	说明
编号	字段名	字段类型	字段长度	说明	1	DDLinkID	Varchar	10	路段编号(唯一)
2	FNODE	Varchar	10	路段起始节点	1	DDLinkID	Varchar	10	路段编号(唯一)
2	FNODE	Varchar	10	路段起始节点	3	TNODE	Varchar	10	路段终止节点
4	LENGTH	decimal	9	路段长度	3	TNODE	Varchar	10	路段终止节点
4	LENGTH	decimal	9	路段长度	5	ROADNAME	Varchar	50	所在道路名称
6	ROADLEVEL	Varchar	20	道路等级	5	ROADNAME	Varchar	50	所在道路名称
6	ROADLEVEL	Varchar	20	道路等级	7	LANENUM	Integer	2	车道数
8	ONEWAY	Integer	2	单行线	7	LANENUM	Integer	2	车道数
8	ONEWAY	Integer	2	单行线	9	MAXSPEED	decimal	9	最大限速
10	MINTIME	decimal	9	最小行驶时间	9	MAXSPEED	decimal	9	最大限速

相邻两个交叉口之间的路段除单行线为单一路段外，不同走向的路段编号不同，起止节点相反。

(2)交通OD常用路径表

编号	字段名	字段类型	字段长度	说明
编号	字段名	字段类型	字段长度	说明	1	PathID	varchar	10	路径编号(唯一)

编号	字段名	字段类型	字段长度	说明
编号	字段名	字段类型	字段长度	说明	2	DDLinkID	varchar	10	路段编号
3	LinkOrder	Int	4	路段次序	2	DDLinkID	varchar	10	路段编号
3	LinkOrder	Int	4	路段次序	4	LinkLength	Decimal	10.2	路段长度
5	AccLength	Decimal	10.2	累计长度	4	LinkLength	Decimal	10.2	路段长度

找出路网上的规划交通小区间的常用路径，用路段依次编号表示。路径长度以3000米左右为宜，规划交通小区分得越细，路径越多，计算结果越接近真值。

(3)空间关联矩阵

编号	字段名	字段类型	字段长度	说明
编号	字段名	字段类型	字段长度	说明	1	LINKID1	varchar	10	第一个路段编号
2	LINKID2	varchar	10	第二个路段编号	1	LINKID1	varchar	10	第一个路段编号
2	LINKID2	varchar	10	第二个路段编号	3	DEGREE	Int	4	关联值

计算所有路段间的关联关系，可以通过软件获取，也可编程获得。在道路拓扑结构不发生变化的时候，该矩阵也不发生变化。

2、动态数据接收和处理

动态数据是指出租车的GPS信息和处理后的数据。动态数据一般从出租车公司的信息中心获得，也可能直接通过Internet接收车辆上发送的实时信息。动态数据采集模块主要功能是接收来自不同信息源的出租车动态GPS信息，保存到数据库中。

动态数据的处理是指将出租车的GPS的经纬度坐标定位的物理位置映射成路网的逻辑便于随后的计算。映射方式是通过经纬度坐标、车辆方向、速度等值确定车辆所在的路段，以及距其所在路段起点的距离。处理的结果可以与采集到的信息保存在同一张表中，数据保存格式为：

编号	字段名	字段类型	字段长度	说明
编号	字段名	字段类型	字段长度	说明	1	DeviceID	varchar	10	车辆设备编号
2	SendTime	datetime	8	位置发送时刻	1	DeviceID	varchar	10	车辆设备编号
2	SendTime	datetime	8	位置发送时刻	3	RecTime	Datetime	8	接收记录时刻
4	Speed	decimal	10	当前车速	3	RecTime	Datetime	8	接收记录时刻

编号	字段名	字段类型	字段长度	说明
编号	字段名	字段类型	字段长度	说明	5	Status	Int	4	车辆状态
6	Direction	Decimal	9	车辆行驶方向	5	Status	Int	4	车辆状态
6	Direction	Decimal	9	车辆行驶方向	7	Longitude	Decimal	20.10	经度
8	Latitude	Decimal	20.10	纬度	7	Longitude	Decimal	20.10	经度
8	Latitude	Decimal	20.10	纬度	9	DDLinkID	varchar	10	路段编号
10	Distance	Decimal	10.2	本次定位距离路段起点的距离	9	DDLinkID	varchar	10	路段编号

3、路网交通小区动态划分

路网交通小区动态划分模块管理路网交通状态参数估计任务的启动和交通小区自动划分任务的启动。启动的周期可以自定义，一般为5分钟一次。每次划分的流程如图2所示：

(1)路段平均行程车速参数估计

每个路段的估计行程车速由实时计算的平均行程车速和该路段的历史行程车速共同确定。对没有车辆经过的路段，用历史值作为本估计周期的估计值，对有车辆经过的路段，采用历史值与计算值的加权调和平均值作为估计值。该计算也可以用并行计算的模式以路段作为最小计算任务将计算工作分布到多台机器上同时运算。

对于路段L_j，其实时平均行程车速V_j ^r的算法为：

V_{j}^{r} = Σ_{i = 1}^{N} S_{i} / Σ_{i = 1}^{N} T_{i}

其中N为经过路段L_j的车辆数，S_i为某车在路段L_j的行驶距离，T_i为该车在路段L_j的行程时间。

路段的历史数据需先根据当前时间及路网状态核算历史影响因子，再通过历史影响因子检索路段的历史行程时间及行程车速。

对路段L_j，若其平均行程车速为V_j ^r，历史行程车速为V_j ^h，则其行程车速V_j可采用加权调和平均法计算获得：

其中，α∈[0，1]，为可调系数，在系统运行的初始阶段历史数据记录少，α取值可偏大，如取0.8，当系统一定时间后，可将α取值调低，如取0.6，到0.5，长期运行(超过半年)后，可根据实测数据将α调到合适值。

(2)路段拥挤度估算

当获得路段平均行程车速之后，即可进行路段拥挤度的计算。

路段拥挤度λ的计算方法为：

λ = \frac{T_{k} - T_{k 0}}{T_{k 0}}

其中：

T_{k} = \frac{L_{k}}{{\overset{&OverBar;}{v}}_{k}} = \frac{L_{k}}{Σ_{i = 0}^{n} {\overset{&OverBar;}{v}}_{ki} / n},

T_{k 0} = \frac{L_{k}}{{\overset{&OverBar;}{v}}_{k 0}}

式中，T_k为路段k上车辆的实际平均行程时间；T_k0为路段k上车辆按照最大限速行驶的行程时间；L_k代表路段k的实际长度；

是路段k上车辆的平均行驶速度；

是路段k上第i辆车的平均行驶速度；

表示路段k上允许或设计的车辆的最大行驶速度；n为路段k上的车辆数。

“路段拥挤度”较明确地反映了交通状态，且最容易被人理解和接受。λ取值多少表示路段的拥挤与否，可参照我国道路交通管理评价指标中的规定转化计算得到。

(3)交通小区自动划分

依据一定时间间隔的路段拥挤度数据，采用空间聚类分析的方法进行交通小区自动划分。将满足一定距离限制、拥挤度差值限制范围内的路段聚集在一个交通小区中，采取相同的交通控制策略或交通诱导措施。

对于任意两路段观测值(计算值)是否在空间上存在相似性，可采用空间自相关统计量Moran’s I按下式计算：

I = \frac{n}{Σ_{i = 1}^{n} {(x_{i} - \overset{&OverBar;}{x})}^{2}} \cdot \frac{Σ_{i = 1}^{n} Σ_{j = 1}^{n} W_{ij} (x_{i} - \overset{&OverBar;}{x}) (x_{j} - \overset{&OverBar;}{x})}{Σ_{i = 1}^{n} Σ_{j = 1}^{n} W_{ij}}

对路段观测值(计算值)在空间上是否存在空间自相关，一般根据标准化以后的Moran’sI值(或z值)：

Z_{I} = \frac{I - E (I)}{\sqrt{Var (I)}}

Moran’s I的取值范围为(-1，1)，在给定显著性水平下，当Moran’s I显著为正时，表示观测值之间存在显著的正相关，呈现高高积聚或低低积聚分布格局；当Moran’s I显著为负时，表示观测值之间存在显著的负相关，高低相异，呈现空间分散格局；当Moran’s I接近期望值时，表明不存在空间自相关，观测值在空间上随机排列。据此，生成具有不同交通拥挤度的若干个交通小区。

(4)历史数据的更新和维护

历史数据主要考虑的因素有：

日期类型：分为工作日，节假日；

星期几：周一至周日；

时间：分为高峰，平峰，深夜三个时段，若需细分，可将1日按小时分为24个时段甚至更细；

气候：分为正常、较差、恶劣三个等级；

事故：分有/无事故。

日期和时间可以根据估计时段的时间获得，气候信息从其他系统中获取或定时人工录入。

为了加快检索的速度，历史数据的影响因素可以编码为历史影响因子，编码格式为：

日期类型	星期几	时段	气候	事故
日期类型	星期几	时段	气候	事故	1位	1位	2位	1位	1位

一般来说，距当前时间越近的历史数据与当前实际情况越接近。因此历史数据的更新采用二分平均法计算。假设路段L已经有N次的历史数据，第i次的估计行程时间为T_i，本次周期计算的估计行程时间为T₀，则最后更新的历史行程时间T为：

T = \frac{T_{0}}{2} + Σ_{i = 1}^{N} \frac{T_{i}}{2^{i}}

该路段的历史行程速度V为：

也即该路段的估计值与历史值的调和平均值。

历史数据表还需记录最近一个月的所有估计值，并计算其均值及方差用于历史数据的分析。

(5)专家经验优化交通小区

每次计算出来的路网交通小区，是完全依据数据分析和划分得到的。如果存在观测值偏差，或为了更贴近实际应用，则需要利用专家经验进行交通小区的修正和优化。利用专家库知识进行交通小区的智能优化。

专家库中的知识是以记录的形式保存。格式要求如下：交通小区编码，交通小区状态，影响因子，交通小区范围，管理对策。

Claims

1.一种城市路网交通小区动态划分方法，其特征在于：从已有的出租车GPS数据出发，对路网的交通状态参数进行估计，考虑城市交通的OD特性，采用路段拥挤度与路段关联度进行空间统计分析，分析路段之间的空间自相关模式，实现对交通小区的自动划分。

2.根据权利要求1所述的城市路网交通小区动态划分方法，其特征在于：动态采集出租车GPS数据，通过数据预处理确定车辆在路网上的逻辑位置；每隔一个估计周期做一次路网交通状态参数估计工作，参数估计结果保存在数据库中，通过空间聚类分析算法实现对交通状态参数和空间关联矩阵的聚类分析而得到对于交通控制和交通诱导等不同需求下的若干个交通小区。

3.根据权利要求1所述的城市路网交通小区动态划分方法，其特征在于：用实际计算与历史数据结合估计路段平均行程车速，用路段延误时间计算路段拥挤度，结合路段的空间关联矩阵，采用空间聚类分析技术进行交通小区的自动划分。

4.根据权利要求1所述的城市路网交通小区动态划分方法，其特征在于：利用实际GPS数据计算路段行程车速，与历史数据结合，采用加权平均法计算路段当前的平均行程车速。

5.根据权利要求1所述的城市路网交通小区动态划分方法，其特征在于：通过计算路段的延误时间，与按照最大限速行驶所用时间的比值，计算路段的当前拥挤度指标。

6.根据权利要求1所述的城市路网交通小区动态划分方法，其特征在于：通过分析GIS的空间拓扑关系，计算任意两两路段间的关联关系，量化为空间关联矩阵。

7.根据权利要求1所述的城市路网交通小区动态划分方法，其特征在于：采用空间自相关分析Moran’sI指数对路段拥挤度观测值/计算值相似性进行分析，得出路网拥挤度的空间分布模式。

8.根据权利要求1所述的城市路网交通小区动态划分方法，其特征在于：采用专家知识库的方法对交通小区进行修正和优化。

9.根据权利要求1所述的城市路网交通小区动态划分方法，其特征在于：定时对历史数据进行更新，采用二分平均法减少远期数据对近期数据的影响。