CN105551250B - 一种基于区间聚类的城市道路交叉口运行状态判别方法 - Google Patents

一种基于区间聚类的城市道路交叉口运行状态判别方法 Download PDF

Info

Publication number
CN105551250B
CN105551250B CN201610019662.2A CN201610019662A CN105551250B CN 105551250 B CN105551250 B CN 105551250B CN 201610019662 A CN201610019662 A CN 201610019662A CN 105551250 B CN105551250 B CN 105551250B
Authority
CN
China
Prior art keywords
interval
delay
traffic
queue length
intersection
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610019662.2A
Other languages
English (en)
Other versions
CN105551250A (zh
Inventor
饶文明
廖南楠
陆振波
夏井新
吕伟韬
安成川
欧吉顺
刘玲慧
王拓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201610019662.2A priority Critical patent/CN105551250B/zh
Publication of CN105551250A publication Critical patent/CN105551250A/zh
Application granted granted Critical
Publication of CN105551250B publication Critical patent/CN105551250B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G08SIGNALLING
    • G08GTRAFFIC CONTROL SYSTEMS
    • G08G1/00Traffic control systems for road vehicles
    • G08G1/01Detecting movement of traffic to be counted or controlled
    • G08G1/0104Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125Traffic data processing
    • G08G1/0133Traffic data processing for classifying traffic situation

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于区间聚类的城市道路交叉口运行状态判别方法,本方法以城市道路信号交叉口为研究对象,以饱和度、延误和排队长度作为信号交叉口状态参数,以状态参数均值和区间值作为输入数据,在传统K均值聚类方法的基础上,实现了区间数据的聚类分析,构建了基于多状态参数区间值的城市道路信号交叉口交通流运行状态识别方法。该方法可有效表征信号交叉口实际交通运行状态,确定不同类别的交通状态边界,方法具有较高的可靠性、适用性和可操作性特点,对真实全面地反映信号交叉口交通流的实时运行状态,及时准确地发现拥堵交叉口,提高城市交通管控水平具有积极的意义。

Description

一种基于区间聚类的城市道路交叉口运行状态判别方法
技术领域
本发明涉及城市道路交通精细化管理与控制领域,具体涉及一种基于区间聚类的城市道路交叉口运行状态判别方法。
背景技术
智能化的交通管理与控制已经成为缓解城市道路交通拥堵的重要手段,信号交叉口作为城市路网的重要节点,对其进行合理的交通信号控制是提高城市道路交通管理水平、提升路网运行效率的重要技术措施。城市道路信号交叉口交通流运行状态识别旨在基于交通流数据分析,真实、全面地反映信号交叉口交通流的实时运行状态,从而及时、准确地发现拥堵交叉口。准确可靠的交叉口运行状态识别为信号控制配时策略的制定和配时参数优化提供了有效依据,对于提升交通信号控制系统有效性具有重要意义。
目前城市道路信号交叉口交通流运行状态识别方法主要是定参数法和模糊评价法。定参数法选取一个或几个固定交通流参数作为评价指标,基于制定的量化标准来判别交叉口运行状态;模糊评价法是依据交叉口交通流运行状态参数建立评判对象因素集,并确定交通状态对评价集中各状态参数的隶属度;在此基础上,结合各状态参数的权重,通过合理的模糊变换,得出综合评判集从而确定信号交叉口交通状态。
定参数法在实际工程实际应用中,如城市道路交通信号控制系统(如SCOOT、SCATS、OPAC等)在信号控制配时参数优化前通过检测的实时数据对交叉口交通流运行状态进行识别分析。其中,SCATS系统直接利用饱和度(DS,Degree of Saturation)来评价信号交叉口交通饱和状态;SCOOT利用上游交叉口停车线的交通量和“线上饱和占有率”(由SCOOT系统估算的能通过交叉口停车线的排队车辆的比例)来估计交叉口的饱和程度。然而,使用平均延误和饱和度阈值判断城市道路信号交叉口交通运行状态具有一定的局限性,平均延误虽然能够较好地反映车辆在信号控制交叉口受到阻滞的程度,却无法同时反映车辆在城市道路的空间分布特征;饱和度仅能够表征信号交叉口交通供需关系,无法确切衡量道路使用者对于信号交叉口交通状态的主观感受,且良好的信号协调控制也会形成高饱和度的效果,但这并不意味着交叉口交通拥堵。
模糊理论通过构建信号交叉口交通识别模型来更深入地研究城市道路信号交叉口交通流运行状态与状态参数之间的表征关系。杨兆升等具体公开了构建信号交叉口进口道最大相位饱和度、进口道平均最大排队长度比和路段平均车速的隶属度函数实现对信号交叉口交通运行状态的模糊综合判别;Li通过分析交通拥堵状态的演变规律,针对间断交通流交通状态识别问题,并应用模糊推理方法建立了阻塞度的量化模型;鉴于传统定参数法无法体现道路使用者对信号交叉口服务感受,Lee通过构建认知公式分析模型(CulturalConsensus Analysis)确定道路使用者感受,运用模糊聚类方法判别信号交叉口的服务水平;李妲提出了一种基于模糊神经网络的、考虑驾驶员感受的信号交叉口服务水平模型,实现对混合交通流下信号交叉口的服务水平的评价。尽管基于模糊理论的信号交叉口交通运行状态判别方法虽然能够描述交通状态的模糊信息,但其判定结果的准确性很大程度上受到隶属函数及因素权重的影响,然而这些确定方法带有很强的主观和经验性。
聚类分析是数据挖掘的重要技术之一,其将样本划分为不同的类别,并捕捉不同类别样本的差异性。其中,K均值聚类分析作为目前最常用的划分聚类分析方法,该方法计算简单、适用性强,同时能够在不断迭代过程中纠正聚类错分,从而生成较为合理的聚类结果,目前已广泛应用于高速公路、城市道路路段交通状态识别方面,它能够反映出交通状态参数在同一交通状态下的相似特性以及不同状态下交通状态参数之间的转换特征。但现有采用研究时段(15分钟)内交通参数均值的方法无法表征交通流运行状态的不确定性。
发明内容
发明目的:针对城市道路信号交叉口交通流受到信号控制以及相交道路交通流干扰,使得交通流运行状态表现出一定的不确定性,因此现有方法仅仅采用状态参数均值无法确切表征交叉口交通流运行状态。本发明提出了一种基于区间聚类的城市道路交叉口运行状态判别方法。该方法以城市道路信号交叉口为研究对象,以饱和度、延误和排队长度作为信号交叉口状态参数,以状态参数均值和区间值作为输入数据,在传统K均值聚类方法的基础上,实现了区间数据的聚类分析,构建了基于多状态参数区间值的城市道路信号交叉口交通流运行状态识别方法。
技术方案:为实现上述目的,本发明采用的技术方案为:
一种基于区间聚类的城市道路交叉口运行状态判别方法,包括如下步骤:
步骤1,根据交叉口交通流参数的不确定性,选取延误、排队长度以及饱和度三参数作为交叉口交通状态判别指标。
步骤2,根据美国道路通行能力手册中城市道路信号交叉口交通流运行状态参数均值估计的解析方法对步骤1中选取的延误、排队长度以及饱和度三参数进行均值估计。
步骤3,根据交叉口车辆的延误和排队长度均服从正态分布的特点,对步骤2得到的延误和排队长度求其在1-α置信水平下的置信区间。
步骤4,对步骤3得到的延误和排队长度的置信区间进行K均值聚类分析。
步骤5,根据步骤2得到饱和度和步骤4对延误和排队长度的置信区间进行K均值聚类分析的结果判别交叉口运行状态。
所述步骤1)中,
饱和度是车道组交通需求和通行能力之间的比值;
延误包括均匀延误和增量延误两个分量,其中均匀延误为延误的期望值,增量延误可基于饱和度的不同取值表征不同的意义;
步骤2中延误的均值是均匀延误分量乘以信号协调修正系数与增量延误分量之和,延误的方差是为均匀延误分量和增量延误分量两类分量方差之和;
平均排队长度包括第一类排队长度和第二类排队长度两个分量,其中,第一类排队长度表示在车辆均匀到达假设下,红灯结束时刻车辆的平均排队长度;第二类排队长度亦可基于饱和度的不同取值表征不同的意义,在饱和度小于1时,其表示为由于部分周期过饱和产生的过饱和排队的期望,在饱和度大于1时,其表示为确定的过饱和排队和随机排队之和的期望;排队长度的均值是第一类排队长度乘以信号协调修正系数与第二类排队长度之和,排队长度的方差可以表示为两类排队长度方差之和。
所述步骤3中交叉口车辆的延误和排队长度服从正态分布:
其中,d表示车辆延误,N表示正态分布,表示车辆延误均值估计值,Var(d)表示延误的方差,Q表示车辆排队长度,表示车辆排队的均值估计值,Var(Q)表示排队长度的方差;
所述步骤3中延误和排队长度求其在1-α置信水平下的置信区间:
其中,zα/2为正态分布分位点。
所述步骤4中对延误和排队长度的置信区间进行K均值聚类分析的方法:
步骤41,进行区间数据标准化,采用Hausdorff距离分别对延误和排队长度的置信区间数据距离度量,根据中心化法对这两个数据进行数据标准化。
步骤42,根据聚类类别数目,在标准化后的数据中随机选取K个初始聚类中心Ck(=1,2,…,K)。
步骤43,计算区间数据对象Mj(=1,2,…,K)与各聚类中心Ck(=1,2,…,K)之间的距离,若对象Mj与聚类中心Ci之间的距离最小,那么将该对象归为聚类Pi类。
步骤44,根据步骤43得到的归类结果计算目标函数J,若J值收敛则聚类结束,当前类别即为最终的分类类别,转入步骤5);否则,重新计算聚类中心,转入步骤43)。
所述步骤41中的Hausdorff距离度量公式为:
U=(u1,u2,…,un)T=([a1,b1],[a2,b2],…,[an,bn])T
V=(v1,v2,…,vn)T=([α11],[α22],…,[αnn])T
其中,dH表示Hausdorff距离,U和V分别表示两个n维区间向量,c(ui)、c(vi)分别表示区间数据ui和vi的中点,描述了区间数据的集中位置;r(ui)、r(vi)分别表示区间数据ui和vi的半径,主要反映区间数据的离散程度;
区间数据A=[a1,a2],区间数据A中点区间数据A半径
中心化法标准化公式为:
其中,X表示区间数据集,X={X1,…,Xk,…,Xn},其样本观测值为区间数据集X的均值,S表示区间数据集X的标准差;x'k表示区间下限,表示区间上限。
所述步骤42中所述聚类类别数目交通状态类别,其跟据滞留排队把信号交叉口交通流运行状态划分为轻度交通状态、适度交通状态、重度交通状态以及过饱和交通状态共四种交通状态,其中,轻度交通状态的显著特征是绿灯到达率高,每周期内到达车辆在绿灯时间不能通过交叉口的车辆少于5%;适度交通状态的特征是对公平管理控制的需求,虽然存在绿灯时间不能通过交叉口的状况,但也没有交叉口某进口道排队会超过其他进口,也不会影响道路使用者的主观感受;重度交通状态的特征是车辆不能在周期绿灯时间通过交叉口的情况频繁发生,但滞留排队不会增加,交通需求也没有显著增加;过饱和状态的特征是不可控的交叉口滞留排队,其随时间不断增长,甚至会产生溢流现象。
所述聚类中心Ck,包括均值和区间半径C(R)k两部分:
其中,表示区间数据对象Yj的中点,Rj表示区间数据对象Yj的半径,Nk表示聚类类别Pk的数目,Pk表示第k个聚类类别。
所述步骤44中所述目标函数J:
其中,K表示K个类别,Nk表示聚类类别Pk的数目,Mj表示点(区间)数据对象,表示对象和聚类中心之间的距离。
所述步骤5中的判别交叉口运行状态的方法:以信号交叉口交通状态特征向量之间距离为评价标准,分析交通状态参数所属的聚类类别,从而判断城市道路交叉口运行状态。
本发明提供的一种基于区间聚类的城市道路交叉口运行状态判别方法,相比现有技术,具有以下有益效果:
该方法充分考虑交叉口交通流状态参数的不确定性,有效克服了现有方法仅仅采用状态参数均值无法确切表征因为城市道路信号交叉口交通流受到信号控制以及相交道路交通流干扰的交叉口运行状态,以及现有采用研究时段内交通参数均值的方法无法表征交通流运行状态的不确定性等弊端,可有效表征信号交叉口实际交通运行状态,确定不同类别的交通状态边界,方法具有较高的可靠性、适用性和可操作性特点,对真实全面地反映信号交叉口交通流的实时运行状态,及时准确地发现拥堵交叉口,提高城市交通管控水平具有积极的意义。
附图说明
图1为一种基于区间聚类的城市道路交叉口运行状态判别方法的流程图;
图2为实施例的一天内信号交叉口车辆延误均值和区间估计结果;
图3为实施例的一天内信号交叉口车辆排队均值和区间估计结果;
图4为实施例的基于状态参数区间值的交通状态识别结果。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
一种基于区间聚类的城市道路交叉口运行状态判别方法的流程图,如图1所示,具体包括以下步骤:
1)分析交叉口交通流参数的不确定性,选取交叉口交通状态判别的指标,以延误、排队长度以及饱和度三参数为交叉口交通状态判别指标。
2)饱和度、延误、排队长度均值估计,根据美国道路通行能力手册中城市道路信号交叉口交通流运行状态参数均值估计的解析方法进行均值估计。其中,饱和度是车道组交通需求(辆/小时)和通行能力(辆/小时)之间的比值;延误包含了均匀延误和增量延误两个分量,其中均匀延误为延误的期望值,增量延误可基于饱和度的不同取值表征不同的意义。均值是均匀延误分量乘以信号协调修正系数与增量延误分量之和,方差是为两类分量方差之和;平均排队长度包含了第一类排队长度和第二类排队长度两个分量,其中,第一类排队长度表示了在车辆均匀到达假设下,红灯结束时刻车辆的平均排队长度;第二类排队长度亦可基于饱和度的不同取值表征不同的意义,在饱和度小于1时,其表示为由于部分周期过饱和产生的过饱和排队的期望,在饱和度大于1时,其表示为确定的过饱和排队和随机排队之和的期望。均值是第一类排队长度乘以信号协调修正系数与第二类排队长度之和,方差可以表示为两类排队长度方差之和。
4)进行区间数据的K均值聚类分析;
4-1)进行区间数据标准化,采用Hausdorff距离进行区间数据距离度量,根据中心化法进行数据标准化。其中,Hausdorff距离度量公式为:
中心化法标准化公式为:
其中区间数据集集X={X1,…,Xk,…,Xn},其样本观测值式中,为区间数据集X的均值,S表示区间数据集X的标准差,x'k标准化后样本观测值的均值为0,标准差为1。
4-2)根据聚类类别数目,随机选取K个初始聚类中心Ck(=1,2,…,K)。其中,聚类类别数目,即交通状态类别,据滞留排队把信号交叉口交通流运行状态划分为轻度交通状态、适度交通状态、重度交通状态以及过饱和交通状态共四种交通状态;轻度交通状态的显著特征是绿灯到达率高,每周期内到达车辆在绿灯时间不能通过交叉口的车辆少于5%;适度交通状态的特征是对公平管理控制的需求,虽然存在绿灯时间不能通过交叉口的状况,但也没有交叉口某进口道排队会超过其他进口,也不会影响道路使用者的主观感受;重度交通状态的特征是车辆不能在周期绿灯时间通过交叉口的情况频繁发生,但滞留排队不会增加,交通需求也没有显著增加;过饱和状态的特征是不可控的交叉口滞留排队,其随时间不断增长,甚至会产生溢流现象。聚类中心Ck,由均值和区间半径C(R)k两部分组成:
其中式中,表示区间数据对象Yj的中点,Rj表示区间数据对象Yj的半径,Nk表示聚类类别Pk的数目,Pk表示第k个聚类类别。
4-3)计算区间数据对象Mj(=1,2,…,K)与各聚类中心Ck(=1,2,…,K)之间的距离,若对象Mj与聚类中心Ci之间的距离最小,那么将该对象归为聚类Pi类;
4-4)根据公式计算目标函数J,若J值收敛则聚类结束,当前类别即为最终的分类类别,转入步骤5);否则,重新计算聚类中心,转入步骤4-3)。其中,目标函数J公式:
其中Mj表示点(区间)数据对象,表示对象和聚类中心之间的距离。
5)判别交叉口运行状态。其中,以信号交叉口交通状态特征向量之间距离为评价标准,分析交通状态参数所属的聚类类别,从而判断城市道路交叉口运行状态。
实例
本实例的具体条件和计算方法如下。
(1)以昆山市长江路/同丰路路口北进口道直行车道组为例,选取2012年10月16日至10月18日3天共288条交通流数据,采集间隔为15分钟,假设该时间段内交通信号控制配时参数一定,即信号周期为120秒,直行车道组绿信比为0.3,饱和流率为1400辆/小时/车道。
(2)对该车道进行饱和度、延误、排队长度均值估计,根据美国道路通行能力手册中城市道路信号交叉口交通流运行状态参数均值估计的解析方法进行均值估计,一天内信号交叉口车辆延误和排队长度的变化规律和不确定性特征见下图2和图3。
(3)对延误、排队长度进行在80%置信水平下(α取0.2,zα/2=1.3)的区间估计,详见图2和图3所示。
(4)进行区间数据的K均值聚类分析,进行区间数据标准化,采用Hausdorff距离进行区间数据距离度量,根据四个聚类类别数目Pi,即轻度交通状态、适度交通状态、重度交通状态以及过饱和交通状态,随机选取K个初始聚类中心Ck,计算区间数据对象Mj与Ck之间的距离,若对象Mj与聚类中心Ci之间的距离最小,那么将该对象归为聚类Pi类;根据公式计算目标函数J,若J值收敛则聚类结束,当前类别即为最终的分类类别;否则,循环计算聚类中心直至聚类完成。
基于状态参数区间值的K均值聚类分析最终聚类中心见下表1:
表1
表1表示基于状态参数区间值的K均值聚类分析最终聚类中心。
(5)以信号交叉口交通状态特征向量之间距离为评价标准,分析交通状态参数所属的聚类类别,从而判断城市道路交叉口运行状态,如图4所示。
由上述可知,本发明以城市道路信号交叉口为研究对象,以饱和度、延误和排队长度作为信号交叉口状态参数,以状态参数均值和区间值作为输入数据,在传统K均值聚类方法的基础上,实现了区间数据的聚类分析,构建了基于多状态参数区间值的城市道路信号交叉口交通流运行状态识别方法。该方法充分考虑交叉口交通流状态参数的不确定性,有效克服了现有方法仅仅采用状态参数均值无法确切表征因为城市道路信号交叉口交通流受到信号控制以及相交道路交通流干扰的交叉口运行状态,以及现有采用研究时段内交通参数均值的方法无法表征交通流运行状态的不确定性等弊端,可有效表征信号交叉口实际交通运行状态,确定不同类别的交通状态边界,方法具有较高的可靠性、适用性和可操作性特点,对真实全面地反映信号交叉口交通流的实时运行状态,及时准确地发现拥堵交叉口,提高城市交通管控水平具有积极的意义。
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 (4)

1.一种基于区间聚类的城市道路交叉口运行状态判别方法,其特征在于,包括如下步骤:
步骤1,根据交叉口交通流参数的不确定性,选取延误、排队长度以及饱和度三参数作为交叉口交通状态判别指标;
步骤2,根据美国道路通行能力手册中城市道路信号交叉口交通流运行状态参数均值估计的解析方法对步骤1中选取的延误、排队长度以及饱和度三参数进行均值估计;
步骤3,根据交叉口车辆的延误和排队长度均服从正态分布的特点,对步骤2得到的延误和排队长度求其在1-α置信水平下的置信区间;
步骤4,对步骤3得到的延误和排队长度的置信区间进行K均值聚类分析;
对延误和排队长度的置信区间进行K均值聚类分析的方法:
步骤41,进行区间数据标准化,采用Hausdorff距离分别对延误和排队长度的置信区间数据距离度量,根据中心化法对这两个数据进行数据标准化;
Hausdorff距离度量公式为:
U=(u1,u2,...,un)T=([a1,b1],[a2,b2],...,[an,bn])T
V=(v1,v2,...,vn)T=([α11],[α22],...,[αnn])T
其中,dH表示Hausdorff距离,U和V分别表示两个n维区间向量,c(ui)、c(vi)分别表示区间数据ui和vi的中点,描述了区间数据的集中位置;r(ui)、r(vi)分别表示区间数据ui和vi的半径,主要反映区间数据的离散程度;
区间数据A=[a1,a2],区间数据A中点区间数据A半径
中心化法标准化公式为:
其中,X表示区间数据集,X={X1,...,Xk,...,Xn},其样本观测值 为区间数据集X的均值,S表示区间数据集X的标准差;x'k表示区间下限,表示区间上限
步骤42,根据聚类类别数目,在标准化后的数据中随机选取K个初始聚类中心Ck(=1,2,…,K);
所述聚类类别数目交通状态类别,其跟据滞留排队把信号交叉口交通流运行状态划分为轻度交通状态、适度交通状态、重度交通状态以及过饱和交通状态共四种交通状态,其中,轻度交通状态的显著特征是绿灯到达率高,每周期内到达车辆在绿灯时间不能通过交叉口的车辆少于5%;适度交通状态的特征是对公平管理控制的需求,虽然存在绿灯时间不能通过交叉口的状况,但也没有交叉口某进口道排队会超过其他进口,也不会影响道路使用者的主观感受;重度交通状态的特征是车辆不能在周期绿灯时间通过交叉口的情况频繁发生,但滞留排队不会增加,交通需求也没有显著增加;过饱和状态的特征是不可控的交叉口滞留排队,其随时间不断增长,甚至会产生溢流现象;
所述聚类中心Ck,包括均值和区间半径C(R)k两部分:
其中,表示区间数据对象Yj的中点,Rj表示区间数据对象Yj的半径,Nk表示聚类类别Pk的数目,Pk表示第k个聚类类别;
步骤43,计算区间数据对象Mj(=1,2,…,K)与各聚类中心Ck(=1,2,…,K)之间的距离,若对象Mj与聚类中心Ci之间的距离最小,那么将该对象归为聚类Pi类;
步骤44,根据步骤43得到的归类结果计算目标函数J,若J值收敛则聚类结束,当前类别即为最终的分类类别,转入步骤5);否则,重新计算聚类中心,转入步骤43);
所述目标函数J:
其中,K表示类别数目,Nk表示聚类类别Pk的数目,Mj表示区间数据对象,表示对象和聚类中心之间的距离;
步骤5,根据步骤2得到饱和度和步骤4对延误和排队长度的置信区间进行K均值聚类分析的结果判别交叉口运行状态。
2.根据权利要求1所述的基于区间聚类的城市道路交叉口运行状态判别方法,其特征在于:所述步骤1)中,
饱和度是车道组交通需求和通行能力之间的比值;
延误包括均匀延误和增量延误两个分量,其中均匀延误为延误的期望值,增量延误可基于饱和度的不同取值表征不同的意义;
平均排队长度包括第一类排队长度和第二类排队长度两个分量,其中,第一类排队长度表示在车辆均匀到达假设下,红灯结束时刻车辆的平均排队长度;第二类排队长度亦可基于饱和度的不同取值表征不同的意义,在饱和度小于1时,其表示为由于部分周期过饱和产生的过饱和排队的期望,在饱和度大于1时,其表示为确定的过饱和排队和随机排队之和的期望。
3.根据权利要求1所述的基于区间聚类的城市道路交叉口运行状态判别方法,其特征在于:所述步骤3中交叉口车辆的延误和排队长度服从正态分布:
其中,d表示车辆延误,N表示正态分布,表示车辆延误均值估计值,Var(d)表示延误的方差,Q表示车辆排队长度,表示车辆排队的均值估计值,Var(Q)表示排队长度的方差;
所述步骤3中延误和排队长度求其在1-α置信水平下的置信区间:
其中,zα/2为正态分布分位点。
4.根据权利要求1所述的基于区间聚类的城市道路交叉口运行状态判别方法,其特征在于:所述步骤5中的判别交叉口运行状态的方法:以信号交叉口交通状态特征向量之间距离为评价标准,分析交通状态参数所属的聚类类别,从而判断城市道路交叉口运行状态。
CN201610019662.2A 2016-01-13 2016-01-13 一种基于区间聚类的城市道路交叉口运行状态判别方法 Active CN105551250B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610019662.2A CN105551250B (zh) 2016-01-13 2016-01-13 一种基于区间聚类的城市道路交叉口运行状态判别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610019662.2A CN105551250B (zh) 2016-01-13 2016-01-13 一种基于区间聚类的城市道路交叉口运行状态判别方法

Publications (2)

Publication Number Publication Date
CN105551250A CN105551250A (zh) 2016-05-04
CN105551250B true CN105551250B (zh) 2018-07-17

Family

ID=55830420

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610019662.2A Active CN105551250B (zh) 2016-01-13 2016-01-13 一种基于区间聚类的城市道路交叉口运行状态判别方法

Country Status (1)

Country Link
CN (1) CN105551250B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106803347B (zh) * 2017-03-28 2019-05-17 东南大学 基于rfid数据的城市交叉口交通状态判别方法
CN108280999B (zh) * 2018-01-31 2021-03-09 迈锐数据(北京)有限公司 一种交通饱和度判定系统、方法及装置
CN109637127B (zh) * 2018-12-06 2021-08-24 北京掌行通信息技术有限公司 一种信号灯近似时长的确定方法及系统
CN109859475B (zh) * 2019-03-14 2021-08-31 江苏中设集团股份有限公司 一种基于dbscan密度聚类的交叉口信号控制方法、装置及系统
CN110009255B (zh) * 2019-04-16 2021-07-20 西南交通大学 基于三参数区间泛灰数的铁路车站能力表示方法
CN110634287B (zh) * 2019-08-26 2021-08-17 上海电科智能系统股份有限公司 一种基于边缘计算的城市交通状态精细化判别方法
CN110782659B (zh) * 2019-09-09 2021-06-01 腾讯科技(深圳)有限公司 路况确定方法、装置、服务器及存储介质
CN111210621B (zh) * 2019-12-27 2021-04-06 银江股份有限公司 基于实时路况的信号绿波协调路线优化控制方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102592453A (zh) * 2012-02-27 2012-07-18 东南大学 一种基于时间窗口的实时交通状况判别方法
CN103093619A (zh) * 2013-01-05 2013-05-08 北京世纪高通科技有限公司 基于智能交通系统的交通评价方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102592453A (zh) * 2012-02-27 2012-07-18 东南大学 一种基于时间窗口的实时交通状况判别方法
CN103093619A (zh) * 2013-01-05 2013-05-08 北京世纪高通科技有限公司 基于智能交通系统的交通评价方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
THE 2007 URBAN MOBILITY REPORT;David Schrank 等;《Texas Transportation Institute》;20070731;全文 *
Toward National Indicators of Vehicle Travel and Traffic Congestion Based on Real-Time Traffic Data;SHIH-MIAO CHIN 等;《Transportation Research Record Journal of the Transportation Research Board》;19990131;第131-139页 *
区域交通流特征提取与交通状态评估方法研究;郭伟 等;《公路交通科技》;20050731;第22卷(第7期);第101-104页 *
基于梯形白化权函数的信号交叉口服务水平评价;刘俊娟 等;《交通运输工程学报》;20090430;第9卷(第2期);第121-125页 *

Also Published As

Publication number Publication date
CN105551250A (zh) 2016-05-04

Similar Documents

Publication Publication Date Title
CN105551250B (zh) 一种基于区间聚类的城市道路交叉口运行状态判别方法
CN103996289B (zh) 一种流量-速度匹配模型及行程时间预测方法及系统
CN106205156B (zh) 一种针对部分车道车流突变的交叉口自愈合控制方法
Zhang et al. Optimizing minimum and maximum green time settings for traffic actuated control at isolated intersections
CN104778834B (zh) 一种基于车辆gps数据的城市道路交通拥堵判别方法
CN103578273B (zh) 一种基于微波雷达数据的道路交通状态估计方法
CN110634287B (zh) 一种基于边缘计算的城市交通状态精细化判别方法
CN101188064B (zh) 三维集成高速公路交通事件自动检测方法
CN108492557A (zh) 基于多模型融合的高速公路拥堵等级判断方法
Ma et al. Estimating maximum queue length for traffic lane groups using travel times from video-imaging data
CN104021671B (zh) 一种svm与模糊判断相结合的道路实时路况的判断方法
CN108428338A (zh) 交通路况分析方法、装置以及电子设备
CN102005122B (zh) 多匝道调节方法及其系统
CN105046990B (zh) 一种基于粒子群算法的相邻路口间人行道信号灯控制方法
CN105405301B (zh) 一种针对交叉口直右汇流冲突的右转信号感应控制方法
CN112885088B (zh) 一种基于动态交通流的多匝道协调控制方法
CN104574968B (zh) 一种临界交通状态参数的确定方法
CN108665715A (zh) 一种路口智能交通研判和信号优化方法
CN111260922A (zh) 一种基于拥堵态势分级的匝道控制方法
CN106803347B (zh) 基于rfid数据的城市交叉口交通状态判别方法
CN101783074A (zh) 一种城市道路交通流状态实时判别方法及系统
CN106530757A (zh) 一种高架匝道智能信号调控方法
CN102289937B (zh) 基于停车线检测器的城市地面道路交通状态自动判别方法
CN109615885A (zh) 一种智能交通信号控制方法、装置及系统
CN109255948A (zh) 一种基于卡尔曼滤波的分车道车流比例预测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP02 Change in the address of a patent holder
CP02 Change in the address of a patent holder

Address after: 210093 Nanjing University Science Park, 22 Hankou Road, Gulou District, Nanjing City, Jiangsu Province

Patentee after: Southeast University

Address before: 211103 No. 59 Wan'an West Road, Dongshan Street, Jiangning District, Nanjing City, Jiangsu Province

Patentee before: Southeast University