CN107833463B - 基于二维聚类的交通信号时段划分方法及系统 - Google Patents

Abstract

本发明提出一种基于二维聚类的交通信号时段划分方法及系统，该方法包括：采集一交叉路口的交通流量数据；根据所述交通流量数据确定一总流量序列，基于所述总流量序列中的流量变化情况进行划分处理，将总流量序列分割为若干子序列，得到若干时间段，作为第一划分点集合V1；基于所述交叉路口的分方向及所述交通流量数据，计算各个方向在各个时间段的分流量向量，确定各个时间段的分流量向量的和向量角度，将和向量角度与判断阈值进行比较，根据比较结果确定若干时间段，作为第二划分点集合V2；对所述第一划分点集合V1和第二划分点集合V2进行并集处理，得到总集合V，基于所述总集合V进行时段划分。克服提取单一参数造成划分失败的问题。

Description

基于二维聚类的交通信号时段划分方法及系统

技术领域

本发明涉及交通数据处理技术领域，尤其涉及的是一种基于二维聚类的交通信号时段划分方法及系统。

背景技术

交叉口信号灯合理配时是缓解城市交通拥堵的主要手段之一。交通信号分时段控制根据流量变化合理配置不同时段的配时方案，在定时控制系统、自适应控制系统中应用广泛。

现有的配时技术中，仅仅针对总流量进行聚类分析，通常具有三种配时方案，分别为中间波谷一种，两侧波峰一种，两段下降曲线一种。然而，当用该配时方案来看待东西方向和南北方向两个分流量时，显然这种时段划分算法是错误的。在实际工程中，以主观经验对交叉口进行时段划分，往往会造成交通时段划分的失败。针对总流量或者周期时段划分，有几点不足：

(1)周期、绿信比等参数需要大量的计算且计算复杂，难以操作；

(2)总流量甚至信号周期相似而各流向流量分布相差较大且不稳定时，例如在平峰时段东西方向的流量呈现递减趋势而南北方向呈现递增趋势，而平峰时段的总流量基本恒定，两流向的交通量差异性明显，因而将所有平峰时段归为一个信号配时时段是不合理的。

发明内容

本发明所要解决的技术问题是提供一种基于二维聚类的交通信号时段划分方法及系统，克服提取单一参数造成划分失败的问题。

为解决上述问题，本发明提出一种基于二维聚类的交通信号时段划分方法，包括以下步骤：

S1：采集一交叉路口的交通流量数据；

S2：根据所述交通流量数据确定一总流量序列，基于所述总流量序列中的流量变化情况进行划分处理，将所述总流量序列分割为若干子序列，得到若干时间段，作为第一划分点集合V1；

S3：基于所述交叉路口的分方向及所述交通流量数据，计算各个方向在各个时间段的分流量向量，确定各个时间段的分流量向量的和向量角度，将和向量角度与判断阈值进行比较，根据比较结果确定若干时间段，作为第二划分点集合V2；

S4：对所述第一划分点集合V1和第二划分点集合V2进行并集处理，得到总集合V，基于所述总集合V进行时段划分。

根据本发明的一个实施例，所述步骤S2包括以下步骤：

以基于时间序列分割算法寻找拐点的方式，将总流量序列分割成两个子序列，并基于分治递归策略，对分割后的每个子序列再进行二分处理，直到分割的全部子序列的长度小于最小分割长度阈值终止迭代；得到一系列非等分的子序列及对应的时间段，将所述对应的时间段作为第一划分点集合V1。

根据本发明的一个实施例，所述基于时间序列分割算法寻找拐点的步骤包括：

S221：求出本次序列的总流量在各个时间段的平均值

即：

其中，k表示本次序列中的时间段的个数，S为本次序列的总流量；

S222：计算本次序列内在各时间段下的累积和，并判断是否为拐点，即： S′_i＝0，i＝0

计算：

其中，S’_i表示本次序列内在时间段i 内的累积和，S’_i-1表示本次序列内在时间段i-1内的累积和，

判断，当|S'_p|＝max{|S′_i|,i＝1,2,.......k}时，|S′_p|对应的时间段t_i记为所述拐点。

根据本发明的一个实施例，所述步骤S3包括以下步骤：

S301：将所述交叉路口构建为有四个方向的模型，将某一特定时间内在该交叉路口的总流量分解为四个方向的分流量；

S302：以一定时长将时间划分为k2个时间段，计算在该各时间段下的各个方向的分流量向量：

其中，S_i＝n_i+s_i+e_i+w_i，

t_i表示第i个时间段，i＝1～k2；

表示该时间段t_i内的和向量；

表示在该时间段t_i内各个方向的分流量向量；n_i，s_i，e_i，w_i在该时间段t_i内各个方向的分流量；S表示在某一特定时间内在该交叉路口的总流量，S_i表示时间段t_i内的总流量；

S303：计算在各个时间段t_i内的和向量

的角度θ_i：

S304：以δ₁为和向量角度的判断阈值，当和向量角度的变化超过δ₁时，记录对应的时间段t_i，得到第二划分点集合V2。

根据本发明的一个实施例，在所述步骤S303中，如果时间段t_i内的总流量>β，则和向量角度设置为计算的θ_i，否则和向量角度＝0，β为大流量阈值。

根据本发明的一个实施例，所述步骤S4包括：

S41：对所述第一划分点集合V1和第二划分点集合V2进行并集处理，得到总集合V，V＝V₁∪V₂；

S42：对所述总集合V中的时间段进行合并处理，更新总集合V；

S43：根据实际情况设定不同参数值来重复前面的步骤，而得到不同的总集合V，通过评价函数进行定量比较，从而确定一最佳总集合V。

根据本发明的一个实施例，所述步骤S42包括以下步骤：

S421：从总集合V中寻找最短的时间段，若存在时间段宽度小于等于第一预设宽度，则转S422；否则，终止；

S422：若所找最短的时间段在首尾边界处，则直接将其与相邻的时间段合并；否则，比较所找最短的时间段的相邻时间段的宽度，若存在相邻时间段宽度小于等于第二预设宽度，则将所找最短的时间段与相邻时间段中较短的时间段合并，转S421；否则，转S423；

S423：将所找得的时间段的总流量均值

和角度均值

与相邻时间段的总流量均值

和角度均值

作比较，如果

且

σ、μ分别为流量均值差值阈值、角度均值差值阈值，则将所找得的时间段与相邻时间段合并，否则转S421。

根据本发明的一个实施例，所述步骤S43包括：根据实际情况设定向量长度和向量角度参数的权重，而得到不同的总集合V，通过如下评价函数

进行定量比较，从而确定一最佳总集合V：

T为总时长；l为一个方案下的时间段个数；

为和向量角度的均值；α、β2 为向量长度和向量角度参数的权重；S_i为第i个时间段的总流量；

为总流量在各个时间段的平均值；θ_i为第i个时间段的和向量角度；θ_j为第j个时间段的和向量角度；S_j为第j个时间段的总流量；t_j为第j个时间段。

本发明还提供一种基于二维聚类的交通信号时段划分系统，包括：

数据采集模块，执行采集一交叉路口的交通流量数据；

第一集合计算模块，执行将所述交通流量数据作为总流量序列，基于所述总流量序列中的流量变化情况进行划分处理，将所述总流量序列分割为若干子序列，得到若干时间段，作为第一划分点集合V1；

第二集合计算模块，执行基于所述交叉路口的分方向及所述交通流量数据，计算各个方向在各个时间段的分流量向量，确定各个时间段的分流量向量的和向量角度，将和向量角度与判断阈值进行比较，根据比较结果确定若干时间段，作为第二划分点集合V2；

集合处理模块，执行对所述第一划分点集合V1和第二划分点集合V2进行并集处理，得到总集合V，基于所述总集合V进行时段划分。

采用上述技术方案后，本发明相比现有技术具有以下有益效果：

将交叉口各流向交通流定义成总流量与和向量角度两个参数，通过对总流量与和向量角度进行二维聚类分析，最后合并两个时间段划分点的集合，不仅计算简单，易于操作，可以在总流量相似的情况下，区分各分流量的差异，克服提取单一参数造成划分失败的问题，为模式匹配奠定基础；

二维分析算法与传统时段划分方法相比，在交通压力中强程度的十字交叉口分时段控制的整体延误下降10.3％；同时通过实地检测，交通流量波动巨大的十字交叉口越是处于高强度交通压力下，其整体延误下降越明显。

附图说明

图1为本发明一实施例的基于二维聚类的交通信号时段划分方法的流程示意图；

图2为本发明一实施例的某一交叉路口的总流量变化曲线图；

图3a为本发明一实施例的某一交叉路口的和向量角度变化曲线图；

图3b为本发明一实施例的某一交叉路口的过滤后的向和量角度变化曲线图；

图4为本发明一实施例的某一交叉路口根据总流量变化曲线绘制的时间段划分示意图；

图5为本发明一实施例的某一交叉路口根据向量角度变化曲线绘制的时间段划分示意图；

图6为本发明一实施例的某一交叉路口根据合并集绘制的时间段划分示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。

在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施的限制。

参看图1，在一个实施例中，基于二维聚类的交通信号时段划分方法，包括以下步骤：

S1：采集一交叉路口的交通流量数据；

S2：根据所述交通流量数据确定一总流量序列，基于所述总流量序列中的流量变化情况进行划分处理，将所述总流量序列分割为若干子序列，得到若干时间段，作为第一划分点集合V1；

S3：基于所述交叉路口的分方向及所述交通流量数据，计算各个方向在各个时间段的分流量向量，确定各个时间段的分流量向量的和向量角度，将和向量角度与判断阈值进行比较，根据比较结果确定若干时间段，作为第二划分点集合V2；

S4：对所述第一划分点集合V1和第二划分点集合V2进行并集处理，得到总集合V，基于所述总集合V进行时段划分。

下面对本发明的基于二维聚类的交通信号时段划分方法进一步进行描述，但不应以此为限。

在步骤S1中，采集一交叉路口的交通流量数据，优选为十字路口。其中，为确保交叉口数据采集的准确性，可以采用地磁检测和电子警察两种方式来采集交通流量数据，该交通流量数据包括总流量及各个方向上的分流量。采集的数据可以首先进行保存，后续处理时调取即可。

接着执行步骤S2，根据所述交通流量数据确定一总流量序列，即将总流量进行数字化处理，以时间段作为序列中流量点的序号，按照时间顺序先后排成一列，先将总流量分用k个时间段来划分，可以是均分。基于总流量序列中的流量变化情况进行划分处理，将所述总流量序列分割为若干子序列，得到若干时间段，作为第一划分点集合V1。流量变化情况是指序列中，后一部分流量和前一部分相比发生了变化。

在一个实施例中，步骤S2包括以下步骤：以基于时间序列分割算法寻找拐点的方式，首先将总流量序列分割成两个子序列，可以将原始流量序列分割成具有明显物理意义的两个子序列，接着结合分治递归策略，用寻找拐点非方式而对分割后的每个子序列进行二分法处理，直到分割的全部子序列的长度小于最小分割长度阈值终止迭代，对每个子序列的基于拐点进行二分均基于时间序列分割算法寻找拐点来实现；从而将总流量序列进行了分割，得到一系列非等分的子序列及对应的时间段，此时该对应的时间段是从原始时间段中挑选出来的时间段，将所述对应的时间段作为第一划分点集合V1。

进一步的，所述基于时间序列分割算法寻找拐点的步骤包括：

S221：求出本次序列的总流量在各个时间段的平均值

即：

其中，k表示本次序列中的时间段的个数，S为总流量；

S222：计算本次序列内在各时间段下的累积和，并判断是否为拐点，即：

S′_i＝0，i＝0

计算：

其中，S’_i表示本次序列内在时间段i 内的累积和，S’_i-1表示本次序列内在时间段i-1内的累积和，

判断，当|S'_p|＝max{|S′_i|,i＝1,2,.......k}时，|S′_p|对应的时间段t_i记为所述拐点。

上述的基于时间序列分割算法寻找拐点，对于总流量序列的分割及进一步的子序列的分割，均适用。

当|S'_p|＝max{|S′₁|,……,|S′_i|,i＝1,2,······k}时，此处的S'_p为在集合{|S′₁|,……,|S′_i|,i＝1,2,······k} 中的最大值，一共进行k次的寻找最大值的过程。在递归过程中，如果同一个 S'_p被重复寻找到，只记录一次S'_p对应的时间段t_i记为拐点。最终得到拐点集合为{S'_p1,S'_p2,……,S'_pl}对应的{t_p1,t_p2,……,t_pl}，l为拐点个数，作为第一划分点集合V1。

接着执行步骤S3，基于所述交叉路口的分方向及所述交通流量数据，计算各个方向在各个时间段的分流量向量。在交叉路口为十字路口的情况下，可以建立以交通流量为单位的二维直角坐标系，n,s,w,e表示各个方向的分流量，其中n,s,w,e均为正值。可以以固定时间长度来对时间段做初步划分，根据实际情况，我们一般以15为一时间段，对交通参数进行处理，从而可以确定各个时间段的分流量向量，根据各个时间段的分流量向量可以确定对应的和向量角度，将和向量角度与判断阈值进行比较，根据比较结果确定若干时间段，作为第二划分点集合V2。

在一个实施例中，步骤S3可以包括以下步骤：

S301：将所述交叉路口构建为有四个方向的模型，将某一特定时间内在该交叉路口的总流量分解为四个方向的分流量；

S302：以一定时长将时间划分为k2个时间段，计算在该各时间段下的各个方向的分流量向量：

其中，S_i＝n_i+s_i+e_i+w_i，

t_i表示第i个时间段，i＝1～k2；

表示该时间段t_i内的和向量；

表示在该时间段t_i内各个方向的分流量向量；n_i，s_i，e_i，w_i在该时间段t_i内各个方向的分流量(标量)；S表示在某一特定时间内在该交叉路口的总流量(标量)，S_i表示时间段t_i内的总流量(标量)；

S303：计算在各个时间段t_i内的和向量

的角度θ_i：

S304：以δ₁为和向量角度的判断阈值，当和向量角度的变化超过δ₁时，记录对应的时间段t_i，得到第二划分点集合V2。总流量图如图2所示，根据本实施例绘制的图形如图3a所示。

从上述实施例中θ_i的计算公式，可以看出总流量的绝对数值的微小变化也有可能引起和向量角度的剧烈波动，这是因为总流量对于该时间段的相对变化量是十分巨大的，从而有可能造成和向量的严重失真。

因发现不同时段总流量变化过大，这导致根据总流量划分时段效果不理想，本发明进一步提出针对大流量时段的信号控制时段细分方法，规定“当总流量小于某一特定量时，和向量角度不参与最终聚类分析”。

具体来说，进一步的，在所述步骤S303中，如果时间段t_i内的总流量>β，则和向量角度设置为计算的θ_i，否则和向量角度＝0，β为大流量阈值。

如果总流量>β，过滤后的和向量角度保持上述实施例中计算的结果，否则设置为和向量角度＝0。总流量在200处，出现了急剧上升的趋势，大流量阈值β暂定为200，但不限于此。设置大流量阈值β比较是为了防止放大向量的波动对特殊时间段微小总流量的干扰。这样根据处理后放大和向量角度在特定时间内的连续变化，画出曲线变化图，如图3b所示。本实施例以δ₁为和向量角度的判断阈值，当和向量角度的变化超过δ₁时，记录此时的时间段t_i为时段划分点，加入时间段分割点集，最终将该集合作为第二划分点集合V2。

接着执行步骤S4，对所述第一划分点集合V1和第二划分点集合V2进行并集处理，得到总集合V，基于所述总集合V进行时段划分。对基于总流量选取时间段得到的集合与基于和向量角度选取时间段得到的集合进行合并，其中，时间段重复的时间段只取一个。由于两个集合选取的时间段都是基于总流量的时间段，因而时间段的整体划分基准是一样的，例如一个时间段的宽度为 15min，因而两个集合中，要么存在相同的时间段，要么是完全不重合的时间段。两个集合选取的时间段图形如图4和图5所示，最终合并之后的时间段图形如图6所示。

在一个实施例中，所述步骤S4包括：

S41：对所述第一划分点集合V1和第二划分点集合V2进行并集处理，得到总集合V，V＝V₁∪V₂；

S42：对所述总集合V中的时间段进行合并处理，更新总集合V；

S43：根据实际情况设定不同参数值来重复前面的步骤，而得到不同的总集合V，通过评价函数进行定量比较，从而确定一最佳总集合V。

进一步的，所述步骤S42包括以下步骤：

S421：从总集合V中寻找最短的时间段，若存在时间段宽度小于等于第一预设宽度，则转S422；否则，终止；

S422：若所找最短的时间段在首尾边界处，则直接将其与相邻的时间段合并；否则，比较所找最短的时间段的相邻时间段的宽度，若存在相邻时间段宽度小于等于第二预设宽度，则将所找最短的时间段与相邻时间段中较短的时间段合并，转S421；否则，转S423；

S423：将所找得的时间段的总流量均值

和角度均值

与相邻时间段的总流量均值

和角度均值

作比较，如果

且

σ、μ分别为流量均值差值阈值、角度均值差值阈值，则将所找得的时间段与相邻时间段合并，否则转S421。

例如，在初始时将时间段的长度均设为15min，当然也可以是其他值，但是在实际交通中，15分钟就切换交通信号的话，频率过高，因而对时间段进行合理的合并，可以得到更好的切换频次。第一预设宽度和第二预设宽度例如都设置为30min，或者更长。

由于在实际过程中，人为地设立了一些判断系数，例如是和向量角度的判断阈值δ₁、大流量阈值β、合并规则等等，根据实际情况，可以选择不同的取值，导致会得到不止一种的方案，也就是说，会有多个总集合V。通过设立评价函数，本发明还进一步对多个方案进行定量的比较，最终得到最佳方案。

进一步的，所述步骤S43包括：根据实际情况设定向量长度和向量角度参数的权重，而得到不同的总集合V，通过如下评价函数

进行定量比较，从而确定一最佳总集合V：

T为总时长；l为一个方案下集合V中的时间段个数；

为和向量角度的均值；α、β2为向量长度和向量角度参数的权重；S_i为第i个时间段的总流量；

为总流量在各个时间段的平均值；θ_i为第i个时间段的和向量角度；θ_j为第 j个时间段的和向量角度；S_j为第j个时间段的总流量；t_j为第j个时间段。

通过比较不同方案的评价函数

最小者为最优方案。每次评价函数

的计算，都是针对一个总集合V进行的，评价函数

越小，表明该总集合V的时间段划分最合理，保证各个时间段的流量及和向量角度越趋近。

最佳总集合V中的时间段用来确定信号时段的划分点。在实际的工程中，一天交叉口配时方案一般最多为4-5种，也就是说最终的时间段大概是2-3个小时长短的。通过本发明 实施例以上的合并规则，每一个时间段的时长大约为1-3个小时，可以将最佳总集合V中的时间段的起点，作为不同信号方案切换的时间点。

下面通过一具体实施例进行说明。

本实施例中，选择苏州工业园区该区域107个交叉路口作为数据采集点。采用地磁检测和电子警察两种方法进行数据采集，如下表一，从起始时间00:00 到终止时间23:59，每间隔15min检测一次交通数据。

类别	数据
		起始时间	00：00
终止时间	23：59
		检测间隔	15min

表一

根据实际情况，运用本发明实施例的时间段划分方法，借助synchro 7软件，对苏州工业园区的107个交叉口进行仿真验证。

在本次的实验仿真中，由交通总流量和向量角度两种方法确定的时间段划分中，使用synchro 7对每个划分时间段进行系统自动的配时优化、周期优化、和绿信比优化。以06号交叉口和23号交叉口为例，介绍仿真过程。

06号交叉口，根据总流量可以分为A、B、C、D、E五个时段，

表二 06号交叉口，根据向量角度可以分为A、B、C、D、E、F六个时段，

时段编号	起止时间	单位小时停车时间/h	时段时长/h	总停车时间/h
					A	6:45-9:15	7.25	2.5	18.125
B	9:15-13:15	2.9	4.00	11.6
					C	13：15-15:45	4.0	2.5	10
D	15:45-20:00	5.8	4.25	24.65
					E	20:00-22:15	4.0	2.25	9.00
F	22:15-6:45	1.4	8.5	11.9
					合计			24	85.275

表三

根据表二和表三，停车时间较传统的方法减少了5.05小时，对于被改变的时段B而言，停车时间至少减少了23％。

23号交叉口，根据总流量可以分为A、B、C、D、E五个时段，

时段编号	起止时间	单位小时停车时间/h	时段时长/h	总停车时间/h
					A	7:15-9:15	5.0	2.0	10.00
B	9:15-15:45	3.9	6.5	25.35
					C	15:45-19:30	6.7	3.75	25.125
D	19:30-21:45	3.8	2.25	8.55
					E	21:45-7:15	0.9	9.5	8.55
合计			24	77.575

表四23号交叉口，根据向量角度可以分为A、B、C、D、E、F六个时段，

表五

根据表四和表五，停车时间较传统的方法减少了5.4小时，对于被改变的时间段B而言，停车时间至少减少了27％。

仿真总结：从交叉口的总流量和由各个分流量建立的向量角度，建立新的交叉口交通信号时段划分方法，避免了总流量交通信号时段划分算法无法分辨相同总流量下、分流量不同的情况，通过结合建立向量角度这一判断模型，可以得到更加合理的交通信号时段划分结果。

经实例研究和Synchro 7仿真实验，采用新的时段划分方法，交叉口的停车时间，可以在原有的时段划分上减少20％～30％。

本发明还提供一种基于二维聚类的交通信号时段划分系统，包括：

数据采集模块，执行采集一交叉路口的交通流量数据；

第一集合计算模块，执行将所述交通流量数据作为总流量序列，基于所述总流量序列中的流量变化情况进行划分处理，将所述总流量序列分割为若干子序列，得到若干时间段，作为第一划分点集合V1；

第二集合计算模块，执行基于所述交叉路口的分方向及所述交通流量数据，计算各个方向在各个时间段的分流量向量，确定各个时间段的分流量向量的和向量角度，将和向量角度与判断阈值进行比较，根据比较结果确定若干时间段，作为第二划分点集合V2；

集合处理模块，执行对所述第一划分点集合V1和第二划分点集合V2进行并集处理，得到总集合V，基于所述总集合V进行时段划分。

关于本发明的基于二维聚类的交通信号时段划分系统的具体内容可以参看前述实施例中关于基于二维聚类的交通信号时段划分方法部分的具体描述，在此不再赘述。

本发明虽然以较佳实施例公开如上，但其并不是用来限定权利要求，任何本领域技术人员在不脱离本发明的精神和范围内，都可以做出可能的变动和修改，因此本发明的保护范围应当以本发明权利要求所界定的范围为准。

Claims (9)

1.一种基于二维聚类的交通信号时段划分方法，其特征在于，包括以下步骤：

S1：采集一交叉路口的交通流量数据；

S2：根据所述交通流量数据确定一总流量序列，基于所述总流量序列中的流量变化情况进行划分处理，将所述总流量序列分割为若干子序列，得到若干子序列对应的时间段，作为第一划分点集合V1；

S3：基于所述交叉路口的分方向及所述交通流量数据，计算各个方向在各个子序列对应的时间段的分流量向量，确定各个子序列对应的时间段的分流量向量的和向量角度，将和向量角度与判断阈值进行比较，根据比较结果确定若干时间段，作为第二划分点集合V2；

S4：对所述第一划分点集合V1和第二划分点集合V2进行并集处理，得到总集合V，基于所述总集合V进行时段划分。

2.如权利要求1所述的基于二维聚类的交通信号时段划分方法，其特征在于，所述步骤S2包括以下步骤：

以基于时间序列分割算法寻找拐点的方式，将总流量序列分割成两个子序列，并基于分治递归策略，对分割后的每个子序列再进行二分处理，直到分割的全部子序列的长度小于最小分割长度阈值终止迭代；得到一系列非等分的子序列及对应的时间段，将所述对应的时间段作为第一划分点集合V1。

3.如权利要求2所述的基于二维聚类的交通信号时段划分方法，其特征在于，所述基于时间序列分割算法寻找拐点的步骤包括：

S221：求出本次序列的总流量在各个时间段的平均值

即：

其中，k表示本次序列中的时间段的个数，S表示在某一特定时间内在该交叉路口的总流量；

S222：计算本次序列内在各时间段下的累积和，并判断是否为拐点，即：

计算：

其中，S’_i表示本次序列内在时间段i内的累积和，S’_i-1表示本次序列内在时间段i-1内的累积和，S_i为第i个时间段的总流量；

判断，当|S'_p|＝max{|S′_i|,i＝1,2,.......k}时，|S′_p|对应的时间段t_i记为所述拐点。

4.如权利要求1所述的基于二维聚类的交通信号时段划分方法，其特征在于，所述步骤S3包括以下步骤：

S301：将所述交叉路口构建为有四个方向的模型，将某一特定时间内在该交叉路口的总流量分解为四个方向的分流量；

S302：以一定时长将时间划分为k2个时间段，计算在该各时间段下的各个方向的分流量向量：

其中，S_i＝n_i+s_i+e_i+w_i，

t_i表示第i个时间段，i＝1～k2；

表示该时间段t_i内的和向量；

表示在该时间段t_i内各个方向的分流量向量；n_i，s_i，e_i，w_i在该时间段t_i内各个方向的分流量；S表示在某一特定时间内在该交叉路口的总流量，S_i表示时间段t_i内的总流量；

S303：计算在各个时间段t_i内的和向量

的角度θ_i：

S304：以δ₁为和向量角度的判断阈值，当和向量角度的变化超过δ₁时，记录对应的时间段t_i，得到第二划分点集合V2。

5.如权利要求4所述的基于二维聚类的交通信号时段划分方法，其特征在于，在所述步骤S303中，如果时间段t_i内的总流量>β，则和向量角度设置为计算的θ_i，否则和向量角度＝0，β为大流量阈值。

6.如权利要求1所述的基于二维聚类的交通信号时段划分方法，其特征在于，所述步骤S4包括：

S41：对所述第一划分点集合V1和第二划分点集合V2进行并集处理，得到总集合V，V＝V₁∪V₂；

S42：对所述总集合V中的时间段进行合并处理，更新总集合V；

S43：根据实际情况设定不同参数值来重复步骤S41和S42，而得到不同的总集合V，通过评价函数进行定量比较，从而确定一最佳总集合V。

7.如权利要求6所述的基于二维聚类的交通信号时段划分方法，其特征在于，所述步骤S42包括以下步骤：

S421：从总集合V中寻找最短的时间段，若存在时间段宽度小于等于第一预设宽度，则转S422；否则，终止；

S422：若所找最短的时间段在首尾边界处，则直接将其与相邻的时间段合并；否则，比较所找最短的时间段的相邻时间段的宽度，若存在相邻时间段宽度小于等于第二预设宽度，则将所找最短的时间段与相邻时间段中较短的时间段合并，转S421；否则，转S423；

S423：将所找得的时间段的总流量均值

和角度均值

与相邻时间段的总流量均值

和角度均值

作比较，如果

且

σ、μ分别为流量均值差值阈值、角度均值差值阈值，则将所找得的时间段与相邻时间段合并，否则转S421。

8.如权利要求6所述的基于二维聚类的交通信号时段划分方法，其特征在于，所述步骤S43包括：根据实际情况设定向量长度和向量角度参数的权重，而得到不同的总集合V，通过如下评价函数

进行定量比较，从而确定一最佳总集合V：

T为总时长；l为一个方案下的时间段个数；

为和向量角度的均值；α、β2为向量长度和向量角度参数的权重；S_i为第i个时间段的总流量；

为总流量在各个时间段的平均值；θ_i为第i个时间段的和向量角度；θ_j为第j个时间段的和向量角度；S_j为第j个时间段的总流量；t_j为第j个时间段；k表示本次序列中的时间段的个数。

9.一种基于二维聚类的交通信号时段划分系统，其特征在于，包括：

数据采集模块，执行采集一交叉路口的交通流量数据；

第一集合计算模块，执行将所述交通流量数据作为总流量序列，基于所述总流量序列中的流量变化情况进行划分处理，将所述总流量序列分割为若干子序列，得到若干子序列对应的时间段，作为第一划分点集合V1；

第二集合计算模块，执行基于所述交叉路口的分方向及所述交通流量数据，计算各个方向在各个子序列对应的时间段的分流量向量，确定各个子序列对应的时间段的分流量向量的和向量角度，将和向量角度与判断阈值进行比较，根据比较结果确定若干时间段，作为第二划分点集合V2；

集合处理模块，执行对所述第一划分点集合V1和第二划分点集合V2进行并集处理，得到总集合V，基于所述总集合V进行时段划分。

Images