CN103116697A - 基于灰色聚类分析的道路平面交叉口多目标综合评价方法 - Google Patents

Abstract

本发明公开了一种基于灰色聚类分析的道路平面交叉口多目标综合评价方法，该方法包括确定评价准则并定义各级灰类、建立评价矩阵、建立指标阈值矩阵、构造白化函数并建立评价准则模型、标定聚类权、计算各个评价单元对于各个灰类的聚类系数、构造聚类向量并聚类并在聚类向量中选出最大值以判断各评价对象属于哪一灰类等步骤，该方法在分析交叉口各种交通参与者服务水平的基础上，将灰色聚类法应用于平面交叉口运行状况进行多目标综合评价，结合我国混行交通模式，综合考虑信号交叉口的不同交通参与者的服务水平，能够克服传统的以单一交通方式为研究对象的评价方法的不足，在判断交叉口运行状况、分析交通系统症结方面具有实际的工程运用价值。

Description

基于灰色聚类分析的道路平面交叉口多目标综合评价方法

技术领域

本发明涉及一种混合交通条件下的城市道路平面交叉口设计综合评价方法，具体涉及一种基于灰色聚类分析的道路平面交叉口多目标综合评价方法。

背景技术

近年来，随着道路交通管理水平的提升，我国在城市道路平面交叉口评价的研究方面取得了很大的进步，但目前仍主要集中在单一的交叉口的畅通性或安全性评价，而在道路平面交叉口综合评价方面的研究较为薄弱。并且由于多种交通方式混行的特殊国情，以及我国通行能力优先、对非机动车和行人权益重视不够等问题，要将综合最优化设计的理念用于我国城市道路交叉口设计评价，尚有需多问题需要进一步研究及讨论。因此，建立适应我国国情的城市道路交叉口综合评价体系和评价方法，具有较高的社会效益和实用价值。

灰色聚类分析是将聚类对象于不同聚类指标所拥有的白化函数，按不同灰类进行归纳，从而判断聚类对象属哪一灰类的灰色统计方法。灰色聚类法适合于分类和评价复杂的、信息不完全的系统，它的优点是在数据有限的情况下，能减少研究者的主观因素影响，并提供可靠的分析结果。

发明内容

发明目的：为了克服传统的以效率为主或以安全为主的单一评价方法的不足，本发明综合考虑不同类型道路使用者的交通需求，提供一种适用于我国混合交通条件下的城市道路平面交叉口多目标变权综合评价方法，即一种基于灰色聚类分析的道路平面交叉口多目标综合评价方法。

技术方案：为实现上述目的，本发明的一种基于灰色聚类分析的道路平面交叉口多目标综合评价方法，包括以下步骤：

1）确定评价准则，定义各级灰类：评价准则包括效率指标和安全指标两大类，评价等级拟定为优、良、中、差四级灰类，构造各评价等级对应的效率及安全指标区间；

2）建立评价矩阵：根据现场调查数据建立评估样本矩阵，并对其进行无量纲化处理；

3）建立指标阈值矩阵：根据不同灰类水平的指标阈值建立指标阈值矩阵，并对其进行无量纲化处理；

4）构造白化函数，并建立评价准则模型：对于“小于型”、“区间型”和“大于型”三种数据型式分别构造相应的白化函数，白化函数的形状假定为线性函数，并且所有白化函数的值都在[0,1]闭区间中；

5）标定聚类权：根据白化函数的阈值计算各评价指标属于各灰类的权重，以确定评价因素的权向量；

6）计算各个评价单元对于各个灰类的聚类系数；

7）构造聚类向量并聚类，在聚类向量中选出最大值，以判断各评价对象属于哪一灰类。

有益效果：本发明的一种基于灰色聚类分析的道路平面交叉口多目标综合评价方法，在分析交叉口各种交通参与者服务水平的基础上，将灰色聚类法应用于平面交叉口运行状况进行多目标综合评价。本发明结合我国混行交通模式，综合考虑交叉口的不同交通参与者的服务水平，能够克服传统的以单一交通方式为研究对象的评价方法的不足，在判断交叉口运行状况、分析交通系统症结方面具有实际的工程运用价值。

附图说明

图1为城市道路交叉口综合评价指标体系示意图；

图2为本发明的流程图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

如图1和图2所示，本发明的一种基于灰色聚类分析的道路平面交叉口多目标综合评价方法，包括以下步骤：

1）确定评价准则，定义各级灰类：评价准则包括效率指标和安全指标两大类，评价等级拟定为优、良、中、差四级灰类，参照国内外相关研究成果构造各评价等级对应的效率及安全指标区间；2）建立评价矩阵：根据现场调查数据建立评估样本矩阵，并对其进行无量纲化处理；3）建立指标阈值矩阵：根据不同灰类水平的指标阈值建立指标阈值矩阵，并对其进行无量纲化处理；4）构造白化函数，并建立评价准则模型：对于“小于型”、“区间型”和“大于型”三种数据型式分别构造相应的白化函数，白化函数的形状一般假定为线性函数，并且所有白化函数的值都在[0,1]闭区间中；5）标定聚类权：根据白化函数的阈值计算各评价指标属于各灰类的权重，以确定评价因素的权向量；6）计算各个评价单元对于各个灰类的聚类系数；7）构造聚类向量并聚类，在聚类向量中选出最大值，以判断各评价对象属于哪一灰类。

以下，结合具体实施例对本发明的方法进行详细说明：

一种基于灰色聚类分析的道路平面交叉口多目标综合评价方法，包括以下步骤：

1）确定评价准则，定义各级灰类。如图1所示，交叉口综合评价指标体系中的评价准则包括效率指标和安全指标两大类。效率指标采用各种交通方式（机动车、非机动车、行人）的服务水平（LOS），其计算方式参照美国2010年新版《道路通行能力手册》；安全指标采用各种交通方式发生冲突的比率，即冲突率（CR）。评价等级拟定为优、良、中、差四级灰类，各评价等级对应效率及安全指标范围如表1所示。

表1评价准则及灰类特征值

2）建立评价矩阵。

构造评价指标i(i=1,2,……,m)的白化函数，将聚类对象(被评价单元)k(k=1,2,……,n)划分为4个灰类(j=1,2,3,4)，其中灰类j=1，2，3，4分别表示优、良、中、差四种状态，指标LOS_M，LOS_B，LOS_P及CR_M，CR_B，CR_P（i=1,2,…6）分别表示机动车、非机动车、行人的服务水平和冲突率6个指标。记D_ki ⁰为评估样本矩阵，则：

$D^0=\left(\begin{array}{cccc}{d}_{11}^0& d_{12}^0& \·\·\·& d_{1m}^0\\ d_{21}^0& d_{22}^0& \·\·\·& d_{2m}^0\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ d_{n1}^0& d_{n2}^0& \·\·\·& d_{\mathrm{nm}}^0\end{array}\right)$

其中，d_ki ⁰表示第k个交叉口第i个评价指标的值。

在此基础上采用公式对初始数据矩阵D_ij ⁰进行无量纲化处理，

$d_{\mathrm{ki}}=\frac{d_{\mathrm{ki}}^0}{\underset{1\≤j\≤p}{\max }\left\{{\mathrm{\λ}}_{\mathrm{ij}}^0\right\}}$

由此可得无量纲化矩阵D：

$D=\left(\begin{array}{cccc}{d}_{11}& d_{12}& \·\·\·& d_{1m}\\ d_{21}& d_{22}& \·\·\·& d_{2m}\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ d_{n1}& d_{n2}& \·\·\·& d_{\mathrm{nm}}\end{array}\right)$

3）建立指标阈值矩阵

令λ_ij ⁰为第i个评价指标于对j级分类的阈值，则：

${\mathrm{\λ}}^0=\left(\begin{array}{cccc}{\mathrm{\λ}}_{11}^0& {\mathrm{\λ}}_{12}^0& \·\·\·& {\mathrm{\λ}}_{1m}^0\\ {\mathrm{\λ}}_{21}^0& {\mathrm{\λ}}_{22}^0& \·\·\·& {\mathrm{\λ}}_{2p}^0\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ d_{m1}^0& d_{m2}^0& \·\·\·& d_{\mathrm{mp}}^0\end{array}\right)$

同样对初始指标阈值矩阵λ⁰进行无量纲化处理，可得无量纲化矩阵λ：

$\mathrm{\λ}=\left(\begin{array}{cccc}{d}_{11}& d_{12}& \·\·\·& d_{1p}\\ d_{21}& d_{22}& \·\·\·& d_{2p}\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ d_{m1}& d_{m2}& \·\·\·& d_{\mathrm{mp}}\end{array}\right)$

式中，λ_ij为无量纲处理后第i个评价指标于对j级分类的阈值。

4）构造白化函数，并建立评价准则模型。

令f_ij为第i个指标第j灰类的白化函数，用白化函数f_ij(d_ki)来描述灰类水平并作为判断参数d_ki类别的权函数。依据“小于型”、“区间型”和“大于型”三种数据型式分别构造相应的白化函数，白化函数的形状一般假定为线性函数，并且所有白化函数的值都在[0,1]闭区间中。白化函数构造如下：

a）小于型 $(0<{\mathrm{\&lambda;}}_{\mathrm{ij}}<{\underset{\&OverBar;}{\mathrm{\&CirclePlus;}}}_{\mathrm{ij}})$

$f_{\mathrm{ij}}\left(d_{\mathrm{ki}}\right)=\left\{\begin{array}{cc}1& d_{\mathrm{ki}}\&Element;[0,{\mathrm{\&lambda;}}_{\mathrm{ij}}]\\ \frac{\underset{\&OverBar;}{\&CirclePlus;}{\mathrm{\&lambda;}}_{\mathrm{ij}}-d_{\mathrm{ki}}}{\underset{\&OverBar;}{\&CirclePlus;}{\mathrm{\&lambda;}}_{\mathrm{ij}}-{\mathrm{\&lambda;}}_{\mathrm{ij}}}& d_{\mathrm{ki}}\&Element;[{\mathrm{\&lambda;}}_{\mathrm{ij}},\underset{\&OverBar;}{\mathrm{\&CirclePlus;}}{\mathrm{\&lambda;}}_{\mathrm{ij}}]\\ 0& d_{\mathrm{ki}}\&NotElement;[0,\underset{\&OverBar;}{\mathrm{\&CirclePlus;}}{\mathrm{\&lambda;}}_{\mathrm{ij}}]\end{array}\right.$

b）区间型 $(\underset{\&OverBar;}{\mathrm{\&CirclePlus;}}{\mathrm{\&lambda;}}_{\mathrm{ij}}<{\mathrm{\&lambda;}}_{\mathrm{ij}}<\stackrel{\&OverBar;}{\mathrm{\&CirclePlus;}}{\mathrm{\&lambda;}}_{\mathrm{ij}})$

$f_{\mathrm{ij}}\left(d_{\mathrm{ki}}\right)=\left\{\begin{array}{cc}\frac{d_{\mathrm{ki}}-\underset{\&OverBar;}{\&CirclePlus;}{\mathrm{\&lambda;}}_{\mathrm{ij}}}{{\mathrm{\&lambda;}}_{\mathrm{ij}}-\underset{\&OverBar;}{\&CirclePlus;}{\mathrm{\&lambda;}}_{\mathrm{ij}}}& d_{\mathrm{ki}}\mathrm{\&Element;}[\underset{\&OverBar;}{\mathrm{\&CirclePlus;}}{\mathrm{\&lambda;}}_{\mathrm{ij}},{\mathrm{\&lambda;}}_{\mathrm{ij}}]\\ \frac{\stackrel{\&OverBar;}{\&CirclePlus;}{\mathrm{\&lambda;}}_{\mathrm{ij}}-d_{\mathrm{ki}}}{\stackrel{\&OverBar;}{\&CirclePlus;}{\mathrm{\&lambda;}}_{\mathrm{ij}}-{\mathrm{\&lambda;}}_{\mathrm{ij}}}& d_{\mathrm{ki}}\&Element;[{\mathrm{\&lambda;}}_{\mathrm{ij}},\stackrel{\&OverBar;}{\mathrm{\&CirclePlus;}}{\mathrm{\&lambda;}}_{\mathrm{ij}}]\\ 0& d_{\mathrm{ki}}\&NotElement;[\underset{\&OverBar;}{\mathrm{\&CirclePlus;}}{\mathrm{\&lambda;}}_{\mathrm{ij}},\stackrel{\&OverBar;}{\mathrm{\&CirclePlus;}}{\mathrm{\&lambda;}}_{\mathrm{ij}}]\end{array}\right.$

c）大于型 $({\mathrm{\&lambda;}}_{\mathrm{ij}}>\stackrel{\&OverBar;}{\mathrm{\&CirclePlus;}}{\mathrm{\&lambda;}}_{\mathrm{ij}})$

$f_{\mathrm{ij}}\left(d_{\mathrm{ki}}\right)=\left\{\begin{array}{cc}1& d_{\mathrm{ki}}\&Element;[{\mathrm{\&lambda;}}_{\mathrm{ij}},\&infin;]\\ \frac{d_{\mathrm{ji}}-\underset{\&OverBar;}{\&CirclePlus;}{\mathrm{\&lambda;}}_{\mathrm{ij}}}{{\mathrm{\&lambda;}}_{\mathrm{ij}}-\underset{\&OverBar;}{\&CirclePlus;}{\mathrm{\&lambda;}}_{\mathrm{ij}}}& d_{\mathrm{ki}}\&Element;[\stackrel{\&OverBar;}{\mathrm{\&CirclePlus;}}{\mathrm{\&lambda;}}_{\mathrm{ij}},{\mathrm{\&lambda;}}_{\mathrm{ij}},]\\ 0& d_{\mathrm{ki}}\&NotElement;[\stackrel{\&OverBar;}{\mathrm{\&CirclePlus;}}{\mathrm{\&lambda;}}_{\mathrm{ij}},\&infin;]\end{array}\right.$

5）标定聚类权

记评价因素的权向量为η={η₁,η₂…,η_m}，其中η_i代表评价指标i的权重子集，η_ij为第i项指称属于灰类j的权重，可按下式计算：

$n_{\mathrm{ij}}=\frac{{\mathrm{\&lambda;}}_{\mathrm{ij}}}{\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_{\mathrm{ij}}};$ $\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_{\mathrm{ij}}=1$

6）计算聚类系数。第k个评价单元对于第j个灰类的聚类系数计算方法如下：

${\mathrm{\&sigma;}}_{\mathrm{ki}}=\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{f}_{\mathrm{ij}}\left(d_{\mathrm{ki}}\right){\mathrm{\&eta;}}_{\mathrm{ij}}$

7）构造聚类向量并聚类。

对于灰类j=1，2，…，p，被评价单元k有聚类向量σ_k：

σ_k={σ_k1,σ_k2,...,σ_kp}

在聚类向量中选出最大值，以判断单元k属于哪一类。

本发明的一种基于灰色聚类分析的道路平面交叉口多目标综合评价方法，在分析交叉口各种交通参与者服务水平的基础上，将灰色聚类法应用于平面交叉口运行状况进行多目标综合评价。该方法结合我国混行交通模式，综合考虑信号交叉口的不同交通参与者的服务水平，能够克服传统的以单一交通方式为研究对象的评价方法的不足。因而，本方法在判断交叉口运行状况、分析交通系统症结方面具有实际的工程运用价值。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (1)

1.一种基于灰色聚类分析的道路平面交叉口多目标综合评价方法，其特征在于包括以下步骤：

1）确定评价准则，定义各级灰类：评价准则包括效率指标和安全指标两大类，评价等级拟定为优、良、中、差四级灰类，构造各评价等级对应的效率及安全指标区间；

2）建立评价矩阵：根据现场调查数据建立评估样本矩阵，并对其进行无量纲化处理；

3）建立指标阈值矩阵：根据不同灰类水平的指标阈值建立指标阈值矩阵，并对其进行无量纲化处理；

4）构造白化函数，并建立评价准则模型：对于“小于型”、“区间型”和“大于型”三种数据型式分别构造相应的白化函数，白化函数的形状假定为线性函数，并且所有白化函数的值都在[0,1]闭区间中；

5）标定聚类权：根据白化函数的阈值计算各评价指标属于各灰类的权重，以确定评价因素的权向量；

6）计算各个评价单元对于各个灰类的聚类系数；

7）构造聚类向量并聚类，在聚类向量中选出最大值，以判断各评价对象属于哪一灰类。

Images