CN103839409A - 基于多断面视觉传感聚类分析的交通流状态判别方法 - Google Patents

Abstract

基于多断面视觉传感聚类分析的交通流状态判别方法，通过道路边设置的PTZ视频摄像机获取交通流数据，根据获得的交通流数据，采用聚类分析的方法判断高速公路道路交通流状态。本发明利用易于获取的交通流数据：速度和流量，结合上下游交通流数据进行聚类分析，获得的聚类结果较为清晰，具有一定的容错性。在实际应用中，可以根据具体情况修改聚类数目，获得简化聚类结果。本发明给出适合当前高速公路特点的交通状况划分方法和关键数据，比较准确和全面地反映交通流的运行情况。

Description

基于多断面视觉传感聚类分析的交通流状态判别方法

技术领域

本发明属于数据挖掘技术领域，涉及对交通数据进行交通状态的自动判别，为一种基于聚类分析的交通流状态判别方法。

背景技术

近年来，交通拥挤严重影响了城市的可持续发展和人们的日常工作与生活，如何缓解拥挤已成为世界各国共同关注的焦点和亟需解决的重要问题。实际上，路网并不是在所有时间和地点上都是满负荷运行的，若能够及时获得路网上的交通信息、准确地掌握路网的交通状态，并依此进行科学的交通管理和控制决策，充分利用道路交通系统的时空资源，则可在不增加道路设施的情况下，提高路网的运行效率和安全性。由上述分析可见，如何准确的把握路网交通运行状态以便制定高效的交通管理控制方案以及合理的出行方案是提高路网运行效率的关键所在。

交通运行状态判别主要是通过描述交通流特性的交通流数据和数据的变化规律来反映交通流的运行情况。用于描述交通状态的交通流数据可以分为宏观数据和微观数据。其中宏观数据用于描述交通流作为一个整体表现出来的运行状态特性，主要包括交通量、速度、交通密度和占有率。

到目前为止，各国尚无统一的关于交通运行状态划分的量化定义，已有的研究成果多现于各种工程应用规范中，运用不同的交通数据从定量的角度对交通状态进行描述。

美国在道路交通服务水平（LOS）的研究中，通过车速度、行程时间、行驶自由度、安全性指标来综合评判道路的服务水平，根据平均运行速度、道路负荷系数等指标，将交通服务水平划分为A-F六个等级^[1]，如表1所示。

另外，在美国的各大城市也有着各自的状态划分标准。华盛顿州交通运输部对拥堵程度的定义^[2]为：在高速公路上平均行驶速度不足40英里/小时即为拥堵状态，不足35英里/小时即为严重拥堵状态。而联邦公路局采用的评价标准^[3]为：不足45英里/小时的平均行驶速度为拥堵状态，不足30英里/小时为严重拥堵状态。

日本对城市高速公路的交通拥堵定义^[4]为：车辆行驶速度在40公里/小时以下或者频繁停车、启动的车列长度在1公里以上且持续时间在15分钟以上的一种交通状态。

我国公安部在2002年的《城市交通管理评价指标体系》中，将拥堵程度划分为四个等级^[5]：城市主干路上机动车的平均行驶速度不低于30km/h定义为畅通状态；城市主干路上机动车的平均行驶速度低于30km/h，但高于20km/h定义为轻度拥堵状态；城市主干路上机动车的平均行驶速度低于20km/h，但高于10km/h定义为拥堵状态；城市主干路上机动车的平均行驶速度低于10km/h定义为严重拥堵状态。

表1美国高速公路服务水平划分

随着人工智能技术的发展与完善，各种新技术、新方法不断出现，这些理论和技术的有机结合，为创建新型的交通状态判别算法提供了新思路和新途径。数据挖掘是在庞大而复杂的数据集中发现和提取先前未知、有效的模式及关系的过程，所提取的信息有助于建立一个分类模型或者识别数据集中未知的趋势和关系。利用模式识别，特别是聚类方法，对高速公路交通流的研究可以在不同的条件下提供信息。可以帮助管理者对目前的交通状况得出一个准确的估计，进行管理控制。

文献^[6]研究了取自肯塔基州的I-64高速公路数据，并应用了数据挖掘的算法。结果表明，选择两个聚类变量，密度和速度，前者对聚类结果的影响更加显着。在交通流状态识别的基础上，分析了在不同交通数据下的交通流基本关系。他们使用K-means聚类方法来定义交通流状态，并提出以密度和速度作为输入变量将数据分为五类的模型。

文献^[7]从加州的PeMS系统获得数据，并开发了一个嵌套的聚类技术用来分析高速公路的运行状态。该方法定义最优的聚类数从而显示不同的流的阶段。该方法使用的变量为流量、速度和占有率。

文献^[8]基于速度和密度的关系，提出了一种K-means算法对交通数据集进行分类，分为两个或者三个簇群以提供一个自然的工具来估计多区域交通模型的断点。该作者并没有使用其他的分类方法来比较他们的性能。文献^[9]使用了神经网络的模式识别方法以分类交通流状况，以便制定适用于中国的公路交通的方法。

文献^[10]阐述了一个基于LOS准则的改进方法用于实时高速公路分析。该研究选取了美国加利福尼亚州的Irvine市的一段高速公路，通过指定的中值速度来作为有效量。该有效量从每辆车的信号和通过Irvine市的情况来确定，并通过K-means和模糊方法来进行和LOS的比较。文献^[11]开发了一种混合模糊神经网络的应用来预测短时高速公路车流量。采用模糊C均值方法聚类交通流状况，并为后续的预测模型提供信息。

在交通流状态的分类过程中，对交通状态的判别往往不是很精确的概念，而是拥挤，畅通等模糊概念^[12]。描述道路的宏观交通流数据有流量、速度和密度等基本数据，传统的单独根据单一的交通流变量来判断该路段的交通运行状态是不够全面的，不能完全地反映实际情况^[13]。例如，同样的交通流量很低可以对应拥挤或者畅通两种状态。速度为零，可以对应无车辆通过的畅通状态，或者堵死的拥挤状态。而且不同高速公路受道路几何形状、限速和驾驶员行为等影响，不同的道路设定的判别数据应有所不同^[14]。

[1]Traffic and Transportation Studies2010[M].ASCE Publications,2010.

[2]Manual B D.Washington State Department of Transportation[J].Program Development Division,Olympia,WA,2002.

[3]Lindley J A.Quantification of Urban Freeway Congestion and Analysis of Remedial Measures.FinalReport[R].1986.

[4]Okamura H,Watanabe S,Watanabe T.An Empirical Study on the Capacity of Bottlenecks on theBasic Suburban Expressway Sections in Japan[C]//Proceedings of the4th International Symposium onHighway Capacity,TRB Circular EC.2000,18.

[5]冷欢平.城市路网交通状态评价研究[D].吉林大学,2008.

[6]Xia J,Chen M.Defining Traffic Flow Phases Using Intelligent Transportation Systems GeneratedData[J].Journal of Intelligent Transportation Systems,2007,11(1):15-24.

[7]Xia J,Chen M.A Nested Clustering Technique for Freeway Operating Condition Classification[J].Computer-Aided Civil and Infrastructure Engineering,2007,22(6):430-437.

[8]Sun L,Zhou J.Development of Multiregime Speed-density Relationships by Cluster Analysis[J].Transportation Research Record:Journal of the Transportation Research Board,2005,1934(1):64-71.

[9]Yang H,Qiao F.Neural Network Approach to Classification of Traffic Flow States[J].Journal ofTransportation Engineering,1998,124(6):521-525.

[10]Oh C,Tok A,Ritchie S G.Real-time Freeway Level of Service Using Inductive-signature-basedVehicle Reidentification System[J].Intelligent Transportation Systems,IEEE Transactions on,2005,6(2):138-146.

[11]Park B B.Hybrid Neuro-fuzzy Application in Short-term Freeway Traffic Volume Forecasting[J].Transportation Research Record:Journal of the Transportation Research Board,2002,1802(1):190-196.

[12]陈德望.基于模糊聚类的快速路交通流状况分类[J].交通运输系统工程与信息,2005,1(1):62-67.

[13]杨兆升,张茂雷.基于模糊综合评判的道路交通状态分析模型[J].公路交通科技,2010,27(9):121-126.

[14]郭伟,姚丹亚,付毅,等.区域交通流特征提取与交通状态评估方法研究[J].公路交通科技,2005,22(7):101-104.

[15]孙吉贵,刘杰,赵连宇.聚类算法研究[J].软件学报,2008,19(1):48-61.

[16]Azimi M,Zhang Y.Categorizing Freeway Flow Conditions by Using Clustering Methods[J].Transportation Research Record:Journal of the Transportation Research Board,2010,2173(1):105-114.

[17]Hastie T,Tibshirani R,Friedman J,et al.The Elements of Statistical Learning:Data Mining,Inferenceand Prediction[J].The Mathematical Intelligencer,2005,27(2):83-85.

[18]Dunn J C.A Fuzzy Relative of the ISODATA Process and Its Use in Detecting CompactWell-separated Clusters[J].1973.

[19]Baraldi A,Blonda P.A Survey of Fuzzy Clustering Algorithms for Pattern Recognition.I[J].Systems,Man,and Cybernetics,Part B:Cybernetics,IEEE Transactions on,1999,29(6):778-785.

[20]http://pems.dot.ca.gov/

[21]沈舒,吴聪,李勃,陈启美.基于优化SVM的高速公路交通事件检测[J].电子测量技术,2012,35(5):40-44.

[22]李琳.高速公路网交通流运行态势评估技术研究[D].长安大学,2011.

发明内容

本发明要解决的问题是：现有的交通流状态判别方法所采用的交通数据大多来自于环形线圈检测器，但线圈损坏严重、设备工作环境恶劣导致获得的交通数据准确度低。此外，现有的数据分析方法往往是对各个检测点的单一交通变量进行聚类，聚类结果信息单一，模糊不清，无法直接对应反映出道路的状况；部分方法对多个交通变量进行聚类，但所要求的输入变量为占有率、密度等，难于快速直接获取，对道路状况的判断容易存在延迟，并且现有聚类方法的聚类数目固定，不能根据实际情况进行改变。另外，现有的交通流数据分析方法都是基于独立的各检测点交通流数据，受噪声影响大，容易产生误判。

本发明的技术方案为：基于多断面视觉传感聚类分析的交通流状态判别方法，在道路上设置视频检测点，每个视频检测点作为一个断面，通过视频检测获取各断面的交通流数据，采用聚类分析的方法判断高速公路道路交通流状态，包括以下步骤：

1）模型训练：以视频检测点获取的历史交通流数据为基础，每个断面及其上下游相邻断面的交通流数据构成一个特征数据组，对特征数据组进行聚类；其中，聚类时首先根据交通流状态的划分需求设定聚类的个数，不同类交通流状态具有各自的特点，特征数据组按聚类个数进行聚类，采用的聚类算法包括K均值聚类算法和模糊C均值算法，聚类完成后依据所述特点将聚类结果对应到不同的交通流状态，得到判断模型；

2）判断所属交通运行状态：根据道路断面的实时交通流数据和判断模型，通过当前断面及其上下游断面的交通流数据，利用模式识别的方法，通过隶属度矩阵进行运算，判别相应时刻当前断面所属的交通流状态。

视频检测点通过PTZ视频摄像机获取交通流数据。

进一步的，视频检测点还设有红外摄像机和激光轮廓仪。

作为优选方式，断面的交通流数据为车辆的速度和流量，当前断面及其上下游的车辆速度和流量构成向量用于聚类分析以及模式识别。

现有的交通流分析都是以单断面为基础的状态分析，只对某一点的某一个交通流数据进行聚类，这种方式存在两个问题，一是判断结果直接依赖于检测点的数据准确性，容易受到干扰，二是对于一个断面，交通流量很低可以对应拥挤或者畅通两种状态，速度为零可以对应无车辆通过的畅通状态，或者堵死的拥挤状态，也就是断面的交通流数据无法有效对应实际的交通流状态。本发明通过视频检测获取交通流数据，准确度高。断面指垂直于车辆行驶方向的一个截面，一个视频检测点对应一个断面，断面与上下游的交通流数据，是指当前断面与上下游距离最近的两个断面的交通流数据，也即三个摄像头检测的交通流数据。本发明基于多断面视觉传感聚类分析，将当前断面和上下游断面交通流数据一起作为输入进行分析，并选择车辆的速度和流量同时进行分析。在实施时，考虑交调数据以及上下游断面与当前断面的距离修改影响系数k_u和k_d，当前断面及其上下游的车辆速度和流量构成向量为：

X=[K_uv_u,K_uf_u,v_c,f_c,K_dv_d,K_df_d],(-1≤K_u≤1,-1≤K_d≤1)  (1)

式中，v_u和f_u表示上游断面的车辆速度和流量，v_c和f_c表示当前断面的车辆速度和流量，v_d和f_d表示下游断面的车辆速度和流量，K_u为上游断面的影响系数，K_d为下游断面的影响系数。

为不失一般性，令

X=[x₁,x₂,...,x_n],(d=6)  (2)

式（2）的d维向量即为模型训练中进行聚类的特征数据组。一般高速公路每两公里布置一个摄像头。如果上下游距离较远时，相应的影响系数将会减小；如果没有摄像头，影响系数置0。影响系数K_u和K_d可根据历史交通流数据和由交调数据计算来的LOS等级得出：通过遍历可能的K_u和K_d，选取能达到最佳的聚类结果的值作为影响系数K_u和K_d。

本发明是基于多断面多数据的的交通流判别方法，对于上面提到的现有技术的两个问题都能够有效解决，视频检测相比现有的线圈检测本身就提高了数据的准确性，而多断面多数据的分析判断方法克服了现有技术在判断时的片面性，而且相比单断面的方法而言拥有更好的容错性。例如，由于所测断面受到噪声影响导致原本顺畅的道路误判为堵塞，而根据其上下游数据可知该点并未出现堵塞。

本发明利用摄像机获取的交通流数据：速度和流量，结合上下游断面，进行聚类分析，有效地避免了数据采集过程中的错误带来的聚类错误。在实际应用中，可以根据具体情况修改聚类数目，获得简化聚类结果。

本发明结合高速公路实测交通流数据，利用模糊聚类、K-means等算法对断面及上下游速度和流量的二维向量进行聚类分析，给出适合当前高速公路特点的交通状况划分方法和关键数据，相比现有技术限于某个检测点的检测分析，本发明的分析对象为三个断面划分出的一段道路，能够更加准确和全面地反映道路的交通流的运行情况。

附图说明

图1为本发明方法的流程图。

图2为本发明实施例数据监测点采集的每五分钟的车流量的数据曲线。

图3为本发明实施例数据监测点采集的每五分钟的平均车速的数据曲线。

图4为本发明实施例数据监测点采集的每五分钟的占有率的数据曲线。

图5为本发明实施例采用的聚类算法的聚类分析结果示意图，其中(a)为VDS718421的K-means聚类结果，(b)为VDS718421的Fcm聚类结果，(c)为VDS773258的K-means聚类结果，(d)为VDS773258的Fcm聚类结果，(e)为VDS763458的K-means聚类结果，(f)为VDS763458的Fcm聚类结果。

图6为本发明实施例对占有率数据经模糊C均值算法聚类后的占有率频率图，其中(a)为VDS718421的占有率分布，(b)为VDS773258的占有率分布，(c)为VDS763458的占有率分布。

图7为本发明实施例中对各数据采集点的模糊C均值算法聚类结果和占有率分布图，其中(a)为VDS718421的Fcm聚类结果，(b)为VDS718421各类别的占有率分布，(c)为VDS773258的Fcm聚类结果，(d)为VDS773258各类别的占有率分布，(e)为VDS763458的Fcm聚类结果，(f)为VDS763458各类别的占有率分布。

具体实施方式

本发明基于聚类分析的运行状态判别方法流程如图1所示，通过道路边PTZ视频摄像机获取交通流数据，在光线条件不好时结合红外摄像机和激光轮廓仪，根据获得的数据，采用聚类分析的方法判断交通流状态，整个过程包括以下步骤：

1）视频交通流数据检测：通过软件在视频图像上按车道设置虚拟检测器当车辆通过虚拟检测器时，就会产生1个检测信号，再经过软件数字化处理并计算得到所需的交通流数据，如车型、车流量、车速、车距、占有率等^[21]；

2）特征数据选取：建立一个科学、客观的评估指标体系是进行综合评价的前提和基础，而评价指标的选取将直接影响到综合评价的结果。如果评价指标过少，会缺乏一定的代表性；如果指标过多，可能存在部分重复性指标。因此，为了能够得到尽可能全面、准确和客观的评价结论，应遵循科学性、系统性、可行性、相对独立性、可比性去选择基本的评价指标^[22]。

检测器采集得到的交通流数据和经过计算得到的交通流数据是交通状态评估的基本指标，主要包括车流量、占有率、平均车速、饱和度、车辆行驶时间等等。综合考虑以上基本评价指标进行筛选。

考虑到评价指标间的相对独立性，车流量和饱和度为线性关系，占有率和交通密度可以相互换算得到，平均行程时间可以通过平均车速计算得到。结合我国高速公路的现状，综合各方面考虑，本发明选取车速和流量两个指标作为高速公路路段运行状况评价的基本指标。

3）模型训练：以道路上视频检测点获取的历史交通流数据为基础，每个断面及其上下游相邻断面的交通流数据构成一个特征数据组，对特征数据组进行聚类，也就是对一个断面及其上下游相邻断面的速度和流量构成的向量进行聚类分析；当前断面及其上下游的车辆速度和流量构成向量为：

X=[K_uv_u,K_uf_u,v_c,f_c,K_dv_d,K_df_d],(-1≤K_u≤1,-1≤K_d≤1)  (3)

式中，v_u和f_u分别表示上游断面的车辆速度和流量，v_c和f_c分别表示当前断面的车辆速度和流量，v_d和f_d分别表示下游断面的车辆速度和流量，K_u为上游断面的影响系数，K_d为下游断面的影响系数，其中影响系数随上下游断面与当前断面的距离增大而减小，如果当前断面的上游或下游没有摄像头，对应的影响系数置0，在模型训练步骤中，根据聚类效果确定影响系数的值。

不失一般性，令

X=[x₁,x₂,...,x_n],(d=6)  (4)

式（2）的d=6表示d维向量，即n=d=6，X为模型训练中进行聚类的特征数据组。影响系数K_u和K_d根据历史交通流数据和由交调数据计算来的LOS等级得出：通过遍历可能的K_u和K_d，选取能达到最佳的聚类结果的值作为影响系数K_u和K_d。

其中，聚类时首先设定道路的不同交通流状态各自的特点，根据所述特点确定聚类时的状态分类，也就是聚类的个数，特征数据组按聚类个数进行聚类，使得特征数据组在同一种交通流状态下具有相似性，不同交通流状态之间具有相异性，采用的聚类算法包括K均值聚类算法（K-means算法）^[17]和模糊C均值算法（Fuzzy C-means,Fcm）^[18]，聚类完成后依据所述特点将聚类结果对应到不同的交通流状态，得到判断模型；

31）K-means算法

K-means算法在初始化的时候需要知道聚类个数K。确定好K后，算法通过设置K个随机点作为聚类中心或质心来初始化。然后假设每个观察点到最近的质心，并重新计算新的聚类质心。重复这个过程，最小化目标函数。算法一直计算到没有更小的值为止。最常用的一种目标测量是欧几里德距离，如果距离是欧几里德距离计算，K-means聚类方法的目标函数如表达式(3)所示。

$\arg \min {\mathrm{\Σ}}_{i=1}^K{\mathrm{\Σ}}_{j=1}^{n_i}{\left|\right|x_j-c_i||}^2---\left(5\right)$

式中，K为聚类的个数，n_i为簇i中观察点的数量，一个观察点对应一个断面，x_j为簇i中第j个观察点向量，观察点向量即指断面及其上下游断面的速度和流量构成的向量，c_i为簇i的质心。每次算法迭代，簇i的质心更新计算方法如式(4)所示。

$c_i=\frac{1}{n_i}{\mathrm{\Σ}}_{j=1}^{n_i}{x}_j---\left(6\right)$

K-means聚类算法，对n个断面对应的特征数据组进行聚类，如下所示：

a)初始化，随机指定K个聚类中心(c1,c2,...,cK)；

b)分配x_j，对每一个x_j，找到离它最近的聚类中心c_w，w=1,...,K，并将其分配到c_w所标明的类；

c)修正c_w，将每一个c_w移动到其标明的类的中心；

d)计算偏差， $D={\mathrm{\Σ}}_{j=1}^n\left[{\min }_{i=1,...,K}d{(x_j,c_i)}^2\right];$

e)判断D是否收敛，如果D值收敛，则return(c1,c2,...,cK)并终止本算法；否则，返回步骤b)。

基于目标函数，这个方法减少了到组内观测点的平均距离。并且，最终获得事先指定好的聚类个数以及被指定属于该聚类的数据点。

32）模糊C均值算法

模糊C均值算法受益于模糊逻辑的概念。该算法是更一般的K-means算法。在K-means算法中，不管它是否属于一个聚类和0，算法分配一个隶属度为1的点。然而在模糊C均值聚类过程中，每一个点不是完全属于一个单一的聚类，而有一个介于0和1之间的隶属聚类群。因此，相对于边界点而言，靠近质心的点有一个更大的隶属度。所有点的隶属度之和为1。模糊C均值算法的初始化方法和K-means方法类似。然后，算法给聚类里面的每个点随机分配一个系数。模糊C-均值聚类方法的目标函数表达式如式(5)所示。

$\arg \min {\mathrm{\Σ}}_{i=1}^K{\mathrm{\Σ}}_{j=1}^{n_i}{u_{\mathrm{ji}}^m\left|\right|v_j-c_i||}^2,(1\≤m\≤\∞)---\left(7\right)$

式中，K为聚类的个数，n_i为簇i中观察点的数量，u_ij为簇i中v_j的隶属度，m为大于1的实数，v_j为d维向量，表示簇i中第j个观察点向量，c_i为聚类i的质心。

下一步中，计算聚类的质心，每个点被重复分配系数直到没有改进。模糊算法通过上面提到的等式迭代计算而被管理。迭代过程中不停地更新隶属度u_ij和质心c_i，如式(6)和(7)所示。

$u_{\mathrm{ji}}=\frac{1}{{\mathrm{\Σ}}_{n=1}^{n_i}{\left(\frac{\left|\right|v_j-c_i\left|\right|}{\left|\right|v_j-c_n\left|\right|}\right)}^{\frac{1}{m-1}}}---\left(8\right)$

$c_i=\frac{{\mathrm{\Σ}}_{i=2}^K{u}_{\mathrm{ji}}^m{v}_j}{{\mathrm{\Σ}}_{i=2}^K{u}_{\mathrm{ji}}^m}---\left(9\right)$

这个迭代算法一直持续到

${\max }_{\mathrm{ji}}|u_{\mathrm{ji}}^{p+1}-u_{\mathrm{ji}}^p|\mathrm{\&theta;}<\mathrm{\&epsiv;}---\left(10\right)$

式(8)中ε是最终标准，在0和1之间，p是迭代步数。

参考美国PeMS系统，本发明在聚类时将交通流状态设置为7类并得到了合理的结果。但是在现实生活中，出行者往往无需知道确切的交通状态，只需要知道交通流状态的大概分类即可。本发明也可以适应实际生活需求，将交通流分为3个状态。

4）判断所属交通运行状态：根据道路断面的实时交通流数据和判断模型，通过当前断面及其上下游断面的交通流数据，利用模式识别的方法，通过隶属度矩阵进行运算，判别相应时刻当前断面所属的交通流状态。对当前断面进行判断时，根据当前断面及其上下游断面的速度和流量，利用模式识别的方法，判别相应时刻断面所属的交通流状态。

所谓隶属度：若对论域（研究的范围）U中的任一元素x，都有一个数A(x)∈[0,1]与之对应，则称A为U上的模糊集，A(x)称为x对A的隶属度。当x在U中变动时，A(x)就是一个函数，称为A的隶属函数。隶属度A(x)越接近于1，表示x属于A的程度越高，A(x)越接近于0表示x属于A的程度越低。用取值于区间[0,1]的隶属函数A(x)表征x属于A的程度高低。在本发明中，每个交通流状态均有一个隶属度值，而这些隶属度值则构成一个隶属度矩阵。隶属度矩阵为现有技术，这里不再详述。

本发明具体实施时主要包括离线训练和实时判别两个部分。下面通过具体实施例来说明本发明的实施及其效果。

(1)数据源信息

数据来源于视频交通流数据采集系统，这里为了说明选取美国加州公路局的PeMS系统^[20]的数据，选取地点为美国加州洛杉矶市周围的高速公路。时间从2013年3月4日至2013年3月17日，选取其中78个检测器，实时采集的30s时间间隔的环形线圈检测数据经过PeMS系统整合得到的间隔为5分钟的连续数据，包含流量、车速、占有率等，每个采集点共4032条数据记录，包含车流高峰与空闲时刻，以及工作日与周末。流量和车速用于聚类分析，占有率用于展示聚类分析的结果，说明分类结果的合理性。但是仅仅根据占有率一个指标是无法准确地分析出结果的。

对数据采集点VDS718421一周不同时间和工作日的平均交通流情况作图，阐述宏观交通流的三个重要数据：每五分钟的车流量、平均车速和占有率的数据曲线，如图2，图3和图4所示。由图可知，高速公路上最小和最大的流量分别在凌晨3点左右和上午9点左右。最小和最大的速度分别发生在下午18点左右和夜晚23点左右。而最小和最大的占有率分别在凌晨2点左右和下午18点左右。正如图所示，交通流在每天不同时段发生改变（峰值和谷值），有着不同的特征包括堵塞、正常、通畅，此数据比较全面和适合对交通流状态进行分类。

(2)聚类算法对比

PeMS系统采用速度指标来划分路段的交通运行状况，每5分钟更新一次，划分为七个级别。从上文分析中可知，描述道路的宏观交通流数据有流量、速度和占有率等基本数据，传统的单独根据单一的交通流变量来判断该路段的交通运行状态是不够全面的，不能完全地反映实际情况。

本实施例中选取每5分钟的流量、平均速度作为特征变量，运用K-means和模糊C均值算法进行聚类分析。根据PeMS分类级别，将高速公路段上面的交通状态被分为7个层次：Ⅰ到Ⅶ。选择数据采集点VDS718421、VDS773258和VDS763458，数据包含了欠饱和与过饱和的交通流状态，如图5所示。

变量标准化后，图5中(a)、(c)和(e)为用K-means算法将数据进行聚类分析，(b)、(d)和(f)是Fcm聚类方法输出的结果。从速度-流量图中可以看出，K-means算法，在自由流区域（流量较小、车速较快）中，划分为4-5个类别，而在拥挤流区域（流量较大、车速较低）和同步流区域（介于自由流与拥挤流之间）时划分较粗。Fcm算法在自由流区域、同步流区域、拥挤流区域中，各分为2-3个类别，重点关注同步流与拥挤流状态的分类及变化，在流量和速度的尺度上类别的划分较均匀，较为合理，每个数据采集点聚类分析的各类别（Ⅰ到Ⅶ）的流量-速度取值范围及质心如表2、表3和表4所示。

从图5、表2、表3和表4中的速度-流量关系中以看出，若采取单一指标流量进行分类，不能区分同步流和拥挤流，即在流量较大时不能判别道路是否处于拥堵；若采取单一指标速度进行分类，同样的平均车速可能处于不同流区域，无法判断车流量的变化，对车道剩余容量以及后续控制都不能提供有效信息。

同时，从速度-流量关系中，可以发现，图5、表2、表3和表4中三个数据采集点流量、速度的变量数值分布和范围也不同，受道路驾驶条件影响，不同的道路设定的判别数据应有所不同。而采用聚类分析的方法可以不用设置判别数据，分析中发现各采集点变量数据的分布及特点，进行状态划分。

表2VDS718421各类别流量-速度取值范围及质心

表3VDS773258各类别流量-速度取值范围及质心

表4VDS763458各类别流量-速度取值范围及质心

占有率频率图如图6所示，不同类别的占有率分布各有不同，自由流区域的占有率主要分布在0～0.08，拥挤流主要分布在0.1以上。不同类别之间的有一小部分重叠，重叠的主要原因是聚类的计算是基于流量和速度的。

(3)判别等级简化

上述判别级等级根据速度-流量图分为七个级别（Ⅰ到Ⅶ），反应了交通流的变化及特点。而在实际应用中，若只对道路情况进行宏观了解，可减少判别等级，使得判别结果更易理解，简明扼要。

根据三相交通流理论的自由流、同步流和拥挤流区域划分，将交通流状态等级简化为三个等级：A畅通，用绿色表示；B轻微拥堵，用黄色表示；C拥堵，用红色表示。各数据采集点的Fcm算法聚类结果和占有率分布如图7所示。

从图5和图7对比中可以看出，A等级主要分布在Ⅰ和Ⅱ类别中，B等级主要分布在Ⅲ、Ⅳ和Ⅴ类别中，C等级主要分布在Ⅵ和Ⅶ类别中，每个等级的占有率分布各有不同，取值范围存在一些交叉，各等级的流量-速度取值范围及质心如表5所示，从对比可以看出，分类的结果较为合理，简明扼要。

表5各类别流量-速度取值范围及质心

Claims (4)

1.基于多断面视觉传感聚类分析的交通流状态判别方法，其特征是在道路上设置视频检测点，每个视频检测点作为一个断面，通过视频检测获取各断面的交通流数据，采用聚类分析的方法判断高速公路道路交通流状态，包括以下步骤：

1）模型训练：以视频检测点获取的历史交通流数据为基础，每个断面及其上下游相邻断面的交通流数据构成一个特征数据组，对特征数据组进行聚类；其中，聚类时首先根据交通流状态的划分需求设定聚类的个数，不同类交通流状态具有各自的特点，特征数据组按聚类个数进行聚类，采用的聚类算法包括K均值聚类算法和模糊C均值算法，聚类完成后依据所述特点将聚类结果对应到不同的交通流状态，得到判断模型；

2）判断所属交通运行状态：根据道路断面的实时交通流数据和判断模型，通过当前断面及其上下游断面的交通流数据，利用模式识别的方法，通过隶属度矩阵进行运算，判别相应时刻当前断面所属的交通流状态。

2.根据权利要求1所述的基于多断面视觉传感聚类分析的交通流状态判别方法，其特征是视频检测点通过PTZ视频摄像机获取交通流数据。

3.根据权利要求2所述的基于多断面视觉传感聚类分析的交通流状态判别方法，其特征是视频检测点还设有红外摄像机和激光轮廓仪。

4.根据权利要求1-3任一项所述的基于多断面视觉传感聚类分析的交通流状态判别方法，其特征是断面的交通流数据为车辆的速度和流量，将当前断面及其上下游的车辆速度和流量构成的向量用于聚类分析以及模式识别，考虑交调数据以及上下游断面与当前断面的距离确定影响系数k_u和k_d，当前断面及其上下游的车辆速度和流量构成向量为：

X=[K_uv_u,K_uf_u,v_c,f_c,K_dv_d,K_df_d],(-1≤K_u≤1,-1≤K_d≤1)  (1)

式中，v_u和f_u分别表示上游断面的车辆速度和流量，v_c和f_c分别表示当前断面的车辆速度和流量，v_d和f_d分别表示下游断面的车辆速度和流量，K_u为上游断面的影响系数，K_d为下游断面的影响系数，其中影响系数随上下游断面与当前断面的距离增大而减小，如果当前断面的上游或下游没有摄像头，对应的影响系数置0，在模型训练步骤中，根据聚类效果确定影响系数的值。

Images