CN109697851B - 基于afcm-l2的城市道路交通状态判别方法及系统 - Google Patents

基于afcm-l2的城市道路交通状态判别方法及系统 Download PDF

Info

Publication number
CN109697851B
CN109697851B CN201910024063.3A CN201910024063A CN109697851B CN 109697851 B CN109697851 B CN 109697851B CN 201910024063 A CN201910024063 A CN 201910024063A CN 109697851 B CN109697851 B CN 109697851B
Authority
CN
China
Prior art keywords
traffic state
traffic
fuzzy clustering
parameter data
state
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
CN201910024063.3A
Other languages
English (en)
Other versions
CN109697851A (zh
Inventor
吴紫恒
王兵
周芳
刘磊
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.)
Anhui University of Technology AHUT
Original Assignee
Anhui University of Technology AHUT
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 Anhui University of Technology AHUT filed Critical Anhui University of Technology AHUT
Priority to CN201910024063.3A priority Critical patent/CN109697851B/zh
Publication of CN109697851A publication Critical patent/CN109697851A/zh
Application granted granted Critical
Publication of CN109697851B publication Critical patent/CN109697851B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

公开了一种基于AFCM‑L2的城市道路交通状态判别方法及系统。该方法可以包括：步骤1：获取交通流历史参数数据；步骤2：进行交通状态聚类处理，确定多个最优交通状态模糊聚类中心；步骤3：通过隶属度将交通流历史参数数据划分为c个交通状态数据集；步骤4：以距离最小的最优交通状态模糊聚类中心所属于的交通状态数据集为实时交通流参数数据的状态判别信息。本发明通过交通状态模糊聚类中心，对实时交通流参数数据的交通状态进行判别估计，确定实时交通流参数数据的交通状态，增强交通状态聚类效果的准确性和稳定性，为城市道路交通管理者和使用者提供最佳的交通管控措施和出行计划。

Description

基于AFCM-L2的城市道路交通状态判别方法及系统
技术领域
本发明涉及智能交通系统领域，更具体地，涉及一种基于AFCM-L2的城市道路交通状态判别方法及系统。
背景技术
城市道路交通状态实时判别是城市道路智能交通系统合理管控的基础。城市道路交通状态很难用确切的数字来进行量化，是一个主观性很强的感官量，人们往往使用“拥堵”、“畅通”等不确定的、模糊的语言描述交通状态。因为模糊理论在主观事物模糊逻辑描述方面具有非常大的优势，因此模糊聚类算法被广泛应用于交通状态判别且取得了良好的效果。然而，进行交通拥堵状态自动识别时，由于传统模糊聚类算法一视同仁地对待每个数据点、对离群点敏感、易陷入局部最优。因此，有必要开发一种基于AFCM-L2的城市道路交通状态判别方法及系统。
公开于本发明背景技术部分的信息仅仅旨在加深对本发明的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明提出了一种基于AFCM-L2的城市道路交通状态判别方法及系统，其能够通过交通状态模糊聚类中心，对实时交通流参数数据的交通状态进行判别估计，确定实时交通流参数数据的交通状态，增强交通状态聚类效果的准确性和稳定性，为城市道路交通管理者和使用者提供最佳的交通管控措施和出行计划。
根据本发明的一方面，提出了一种基于AFCM-L2的城市道路交通状态判别方法。所述方法可以包括：步骤1：获取交通流历史参数数据；步骤2：根据预设分类数量c对交通状态进行分类，运行模糊聚类算法AFCM-L2对所述交通流历史参数数据进行交通状态聚类处理，确定多个最优交通状态模糊聚类中心；步骤3：根据所述多个最优交通状态模糊聚类中心，通过隶属度将所述交通流历史参数数据划分为c个交通状态数据集；步骤4：获取实时交通流参数数据，计算所述实时交通流参数数据与多个最优交通状态模糊聚类中心的距离，以所述距离最小的最优交通状态模糊聚类中心所属于的交通状态数据集为所述实时交通流参数数据的状态判别信息。
优选地，所述交通流历史参数数据包括：交通流量、速度、时间占有率。
优选地，所述预设分类数量为4。
优选地，所述交通状态包括畅通、平稳、拥堵、堵塞。
优选地，步骤2中所述模糊聚类算法AFCM-L2包括：步骤201：设定初始交通状态模糊聚类中心的集合V(0)＝[v1,v2,v3,v4]T，预设分类数量c＝4，循环截止误差ε＝1e-5，初始循环次数t＝1，最大循环次数T；步骤202：针对第t次循环，建立目标函数，计算使所述目标函数最小的隶属度uik与样本权值wk，进而计算交通状态模糊聚类中心vi，获得第t次迭代的交通状态模糊聚类中心的集合；步骤203：判断||V(t)-V(t-1)||≤ε是否成立，其中，V(t)为第t次迭代的交通状态模糊聚类中心的集合，V(t-1)为第t-1次迭代的交通状态模糊聚类中心的集合，成立则循环终止，确定V(t)为最优交通状态模糊聚类中心，不成立则进入步骤204；步骤204：判断t≥T是否成立，成立则循环终止，确定V(t)为最优交通状态模糊聚类中心，不成立则循环次数t加1，重复步骤202-204。
优选地，所述目标函数为：
Figure GDA0003202830960000031
其中，X为交通流历史参数数据的集合，n为X中的数据个数，V为交通状态模糊聚类中心的集合，V＝[v1 v2... vc]T，U为隶属度矩阵，uik为交通流历史参数数据xk隶属于类别i的程度，wk为样本权值，λ、β为正则化系数，d(xk,vi)为交通流历史参数数据xk与交通状态模糊聚类中心vi之间的距离，d(xk,vi)＝||xk-vi||2，
Figure GDA0003202830960000032
Figure GDA0003202830960000033
1≤i≤c，1≤k≤n。
优选地，通过公式(2)计算所述隶属度uik：
Figure GDA0003202830960000034
优选地，通过公式(3)计算样本权值wk：
Figure GDA0003202830960000035
优选地，通过公式(4)计算交通状态模糊聚类中心vi：
Figure GDA0003202830960000036
根据本发明的另一方面，提出了一种基于AFCM-L2的城市道路交通状态判别系统，其特征在于，该系统包括：存储器，存储有计算机可执行指令；处理器，所述处理器运行所述存储器中的计算机可执行指令，执行以下步骤：步骤1：获取交通流历史参数数据；步骤2：根据预设分类数量c对交通状态进行分类，运行模糊聚类算法AFCM-L2对所述交通流历史参数数据进行交通状态聚类处理，确定多个最优交通状态模糊聚类中心；步骤3：根据所述多个最优交通状态模糊聚类中心，通过隶属度将所述交通流历史参数数据划分为c个交通状态数据集；步骤4：获取实时交通流参数数据，计算所述实时交通流参数数据与多个最优交通状态模糊聚类中心的距离，以所述距离最小的最优交通状态模糊聚类中心所属于的交通状态数据集为所述实时交通流参数数据的状态判别信息。
优选地，所述交通流历史参数数据包括：交通流量、速度、时间占有率。
优选地，所述预设分类数量为4。
优选地，所述交通状态包括畅通、平稳、拥堵、堵塞。
优选地，步骤2中所述模糊聚类算法AFCM-L2包括：步骤201：设定初始交通状态模糊聚类中心的集合V(0)＝[v1,v2,v3,v4]T，预设分类数量c＝4，循环截止误差ε＝1e-5，初始循环次数t＝1，最大循环次数T；步骤202：针对第t次循环，建立目标函数，计算使所述目标函数最小的隶属度uik与样本权值wk，进而计算交通状态模糊聚类中心vi，获得第t次迭代的交通状态模糊聚类中心的集合；步骤203：判断||V(t)-V(t-1)||≤ε是否成立，其中，V(t)为第t次迭代的交通状态模糊聚类中心的集合，V(t-1)为第t-1次迭代的交通状态模糊聚类中心的集合，成立则循环终止，确定V(t)为最优交通状态模糊聚类中心，不成立则进入步骤204；步骤204：判断t≥T是否成立，成立则循环终止，确定V(t)为最优交通状态模糊聚类中心，不成立则循环次数t加1，重复步骤202-204。
优选地，所述目标函数为：
Figure GDA0003202830960000051
其中，X为交通流历史参数数据的集合，n为X中的数据个数，V为交通状态模糊聚类中心的集合，V＝[v1 v2... vc]T，U为隶属度矩阵，uik为交通流历史参数数据xk隶属于类别i的程度，wk为样本权值，λ、β为正则化系数，d(xk,vi)为交通流历史参数数据xk与交通状态模糊聚类中心vi之间的距离，d(xk,vi)＝||xk-vi||2，
Figure GDA0003202830960000052
Figure GDA0003202830960000053
1≤i≤c，1≤k≤n。
优选地，通过公式(2)计算所述隶属度uik：
Figure GDA0003202830960000054
优选地，通过公式(3)计算样本权值wk：
Figure GDA0003202830960000055
优选地，通过公式(4)计算交通状态模糊聚类中心vi：
Figure GDA0003202830960000056
其有益效果在于：从数据各异的本质出发，引入度量各个数据不同重要性的权重值，自动调整其权重使得更重要的数据具有相对较大的权重值，并通过在目标函数中添加了隶属度平滑约束和数据重要性权值的正则化项，有效地提高对重叠类别数据的辨识能力，保证了各数据权重的不确定性，使更多数据参于聚类过程，提高了聚类的精度。
本发明的方法和装置具有其它的特性和优点，这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的，或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述，这些附图和具体实施方式共同用于解释本发明的特定原理。
附图说明
通过结合附图对本发明示例性实施例进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，其中，在本发明示例性实施例中，相同的参考标号通常代表相同部件。
图1示出了根据本发明的基于AFCM-L2的城市道路交通状态判别方法的步骤的流程图。
具体实施方式
下面将参照附图更详细地描述本发明。虽然附图中显示了本发明的优选实施例，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了使本发明更加透彻和完整，并且能够将本发明的范围完整地传达给本领域的技术人员。
图1示出了根据本发明的基于AFCM-L2的城市道路交通状态判别方法的步骤的流程图。
在该实施例中，根据本发明的基于AFCM-L2的城市道路交通状态判别方法可以包括：步骤1：获取交通流历史参数数据；步骤2：根据预设分类数量c对交通状态进行分类，运行模糊聚类算法AFCM-L2对交通流历史参数数据进行交通状态聚类处理，确定多个最优交通状态模糊聚类中心；步骤3：根据多个最优交通状态模糊聚类中心，通过隶属度将交通流历史参数数据划分为c个交通状态数据集；步骤4：获取实时交通流参数数据，计算实时交通流参数数据与多个最优交通状态模糊聚类中心的距离，以距离最小的最优交通状态模糊聚类中心所属于的交通状态数据集为实时交通流参数数据的状态判别信息。
在一个示例中，交通流历史参数数据包括：交通流量、速度、时间占有率。
在一个示例中，预设分类数量为4。
在一个示例中，交通状态包括畅通、平稳、拥堵、堵塞。
在一个示例中，步骤2中模糊聚类算法AFCM-L2包括：步骤201：设定初始交通状态模糊聚类中心的集合V(0)＝[v1,v2,v3,v4]T，预设分类数量c＝4，循环截止误差ε＝1e-5，初始循环次数t＝1，最大循环次数T；步骤202：针对第t次循环，建立目标函数，计算使目标函数最小的隶属度uik与样本权值wk，进而计算交通状态模糊聚类中心vi，获得第t次迭代的交通状态模糊聚类中心的集合；步骤203：判断||V(t)-V(t-1)||≤ε是否成立，其中，V(t)为第t次迭代的交通状态模糊聚类中心的集合，V(t-1)为第t-1次迭代的交通状态模糊聚类中心的集合，成立则循环终止，确定V(t)为最优交通状态模糊聚类中心，不成立则进入步骤204；步骤204：判断t≥T是否成立，成立则循环终止，确定V(t)为最优交通状态模糊聚类中心，不成立则循环次数t加1，重复步骤202-204。
在一个示例中，目标函数为：
Figure GDA0003202830960000081
其中，X为交通流历史参数数据的集合，n为X中的数据个数，V为交通状态模糊聚类中心的集合，V＝[v1 v2... vc]T，U为隶属度矩阵，uik为交通流历史参数数据xk隶属于类别i的程度，wk为样本权值，即交通流历史参数数据xk对目标函数的影响程度，λ、β为正则化系数，d(xk,vi)为交通流历史参数数据xk与交通状态模糊聚类中心vi之间的距离，d(xk,vi)＝||xk-vi||2，
Figure GDA0003202830960000082
Figure GDA0003202830960000083
1≤i≤c，1≤k≤n。
在一个示例中，通过公式(2)计算隶属度uik：
Figure GDA0003202830960000084
在一个示例中，通过公式(3)计算样本权值wk：
Figure GDA0003202830960000085
在一个示例中，通过公式(4)计算交通状态模糊聚类中心vi：
Figure GDA0003202830960000086
具体地，根据本发明的基于AFCM-L2的城市道路交通状态判别方法可以包括：
步骤1：获取交通流历史参数数据，包括交通流量、速度、时间占有率；
步骤2：根据预设分类数量c将交通状态分类，包括畅通、平稳、拥堵、堵塞，运行模糊聚类算法AFCM-L2对交通流历史参数数据进行交通状态聚类处理，确定多个最优交通状态模糊聚类中心；
其中，步骤2中模糊聚类算法AFCM-L2包括：
步骤201：设定初始交通状态模糊聚类中心的集合V(0)＝[v1,v2,v3,v4]T，预设分类数量c＝4，循环截止误差ε＝1e-5，初始循环次数t＝1，最大循环次数T；
步骤202：针对第t次循环，建立目标函数为公式(1)，为了求约束条件下目标函数极值，引入拉格朗日系数构造新的函数为公式(4)：
Figure GDA0003202830960000091
其中，φ1、φ2为拉格朗日乘子，令
Figure GDA0003202830960000092
Figure GDA0003202830960000093
Figure GDA0003202830960000094
计算使目标函数最小的隶属度uik与样本权值wk，即通过公式(2)计算使目标函数最小的隶属度uik，通过公式(3)计算使目标函数最小的样本权值wk，进而通过公式(4)计算交通状态模糊聚类中心vi，获得第t次迭代的交通状态模糊聚类中心的集合；
步骤203：判断||V(t)-V(t-1)||≤ε是否成立，其中，V(t)为第t次迭代的交通状态模糊聚类中心的集合，V(t-1)为第t-1次迭代的交通状态模糊聚类中心的集合，成立则循环终止，确定V(t)为最优交通状态模糊聚类中心，不成立则进入步骤204；
步骤204：判断t≥T是否成立，成立则循环终止，确定V(t)为最优交通状态模糊聚类中心，不成立则循环次数t加1，重复步骤202-204。
步骤3：根据多个最优交通状态模糊聚类中心，通过隶属度将交通流历史参数数据划分为4个交通状态数据集；
步骤4：获取实时交通流参数数据，通过公式(5)计算实时交通流参数数据与多个最优交通状态模糊聚类中心的距离：
Figure GDA0003202830960000101
其中，
Figure GDA0003202830960000102
为实时交通流参数数据与多个最优交通状态模糊聚类中心的距离，
Figure GDA0003202830960000103
为实时交通流参数数据，
Figure GDA0003202830960000104
为最优交通状态模糊聚类中心，以距离最小的最优交通状态模糊聚类中心所属于的交通状态数据集为实时交通流参数数据的状态判别信息。
本方法通过交通状态模糊聚类中心，对实时交通流参数数据的交通状态进行判别估计，确定实时交通流参数数据的交通状态，增强交通状态聚类效果的准确性和稳定性，为城市道路交通管理者和使用者提供最佳的交通管控措施和出行计划。
应用示例
为便于理解本发明实施例的方案及其效果，以下给出一个具体应用示例。本领域技术人员应理解，该示例仅为了便于理解本发明，其任何具体细节并非意在以任何方式限制本发明。
根据本发明的基于AFCM-L2的城市道路交通状态判别方法可以包括：
步骤1：获取交通流历史参数数据，选择特定路况条件下、一段时间、全面涵盖了所有交通状态运行状况的交通流历史参数数据，包括交通流量、速度、时间占有率；
步骤2：根据预设分类数量c＝4，将交通状态分为4类，包括畅通、平稳、拥堵、堵塞，运行模糊聚类算法AFCM-L2对交通流历史参数数据进行交通状态聚类处理，确定多个最优交通状态模糊聚类中心；
其中，步骤2中模糊聚类算法AFCM-L2包括：
步骤201：设定初始交通状态模糊聚类中心的集合V(0)＝[v1,v2,v3,v4]T，循环截止误差ε＝1e-5，初始循环次数t＝1，最大循环次数T；
步骤202：针对第t次循环，建立目标函数为公式(1)，为了求约束条件下目标函数极值，引入拉格朗日系数构造新的函数为公式(4)，令
Figure GDA0003202830960000111
Figure GDA0003202830960000112
Figure GDA0003202830960000113
计算使目标函数最小的隶属度uik与样本权值wk，即通过公式(2)计算使目标函数最小的隶属度uik，通过公式(3)计算使目标函数最小的样本权值wk，进而通过公式(4)计算交通状态模糊聚类中心vi，获得第t次迭代的交通状态模糊聚类中心的集合；
步骤203：判断||V(t)-V(t-1)||≤ε是否成立，其中，V(t)为第t次迭代的交通状态模糊聚类中心的集合，V(t-1)为第t-1次迭代的交通状态模糊聚类中心的集合，成立则循环终止，确定V(t)为最优交通状态模糊聚类中心，不成立则进入步骤204；
步骤204：判断t≥T是否成立，成立则循环终止，确定V(t)为最优交通状态模糊聚类中心，不成立则循环次数t加1，重复步骤202-204。
步骤3：根据多个最优交通状态模糊聚类中心的集合
Figure GDA0003202830960000114
v1为畅通聚类中心，v2为平稳聚类中心，v3为拥堵聚类中心，v4为堵塞聚类中心，vij为不同交通状态下不同交通参数的聚类中心值，i为交通状态，j为交通流历史参数数据，包括交通流量、速度、时间占有率，通过隶属度将交通流历史参数数据划分为4个交通状态数据集；
步骤4：获取实时交通流参数数据，通过公式(5)计算实时交通流参数数据与多个最优交通状态模糊聚类中心的距离，以距离最小的最优交通状态模糊聚类中心所属于的交通状态数据集为实时交通流参数数据的状态判别信息。
综上所述，本发明通过交通状态模糊聚类中心，对实时交通流参数数据的交通状态进行判别估计，确定实时交通流参数数据的交通状态，增强交通状态聚类效果的准确性和稳定性，为城市道路交通管理者和使用者提供最佳的交通管控措施和出行计划。
本领域技术人员应理解，上面对本发明的实施例的描述的目的仅为了示例性地说明本发明的实施例的有益效果，并不意在将本发明的实施例限制于所给出的任何示例。
根据本发明的实施例，提供了一种基于AFCM-L2的城市道路交通状态判别系统，其特征在于，该系统包括：存储器，存储有计算机可执行指令；处理器，所述处理器运行所述存储器中的计算机可执行指令，执行以下步骤：步骤1：获取交通流历史参数数据；步骤2：根据预设分类数量c对交通状态进行分类，运行模糊聚类算法AFCM-L2对交通流历史参数数据进行交通状态聚类处理，确定多个最优交通状态模糊聚类中心；步骤3：根据多个最优交通状态模糊聚类中心，通过隶属度将交通流历史参数数据划分为c个交通状态数据集；步骤4：获取实时交通流参数数据，计算实时交通流参数数据与多个最优交通状态模糊聚类中心的距离，以距离最小的最优交通状态模糊聚类中心所属于的交通状态数据集为实时交通流参数数据的状态判别信息。
在一个示例中，交通流历史参数数据包括：交通流量、速度、时间占有率。
在一个示例中，预设分类数量为4。
在一个示例中，交通状态包括畅通、平稳、拥堵、堵塞。
在一个示例中，步骤2中模糊聚类算法AFCM-L2包括：步骤201：设定初始交通状态模糊聚类中心的集合V(0)＝[v1,v2,v3,v4]T，预设分类数量c＝4，循环截止误差ε＝1e-5，初始循环次数t＝1，最大循环次数T；步骤202：针对第t次循环，建立目标函数，计算使目标函数最小的隶属度uik与样本权值wk，进而计算交通状态模糊聚类中心vi，获得第t次迭代的交通状态模糊聚类中心的集合；步骤203：判断||V(t)-V(t-1)||≤ε是否成立，其中，V(t)为第t次迭代的交通状态模糊聚类中心的集合，V(t-1)为第t-1次迭代的交通状态模糊聚类中心的集合，成立则循环终止，确定V(t)为最优交通状态模糊聚类中心，不成立则进入步骤204；步骤204：判断t≥T是否成立，成立则循环终止，确定V(t)为最优交通状态模糊聚类中心，不成立则循环次数t加1，重复步骤202-204。
在一个示例中，步骤2中模糊聚类算法AFCM-L2的目标函数为：
Figure GDA0003202830960000131
其中，X为交通流历史参数数据的集合，n为X中的数据个数，V为交通状态模糊聚类中心的集合，V＝[v1 v2... vc]T，U为隶属度矩阵，uik为交通流历史参数数据xk隶属于类别i的程度，wk为样本权值，即交通流历史参数数据xk对目标函数的影响程度，λ、β为正则化系数，d(xk,vi)为交通流历史参数数据xk与交通状态模糊聚类中心vi之间的距离，d(xk,vi)＝||xk-vi||2，
Figure GDA0003202830960000132
Figure GDA0003202830960000133
1≤i≤c，1≤k≤n。
在一个示例中，通过公式(2)计算隶属度uik：
Figure GDA0003202830960000141
在一个示例中，通过公式(3)计算样本权值wk：
Figure GDA0003202830960000142
在一个示例中，通过公式(4)计算交通状态模糊聚类中心vi：
Figure GDA0003202830960000143
本系统通过交通状态模糊聚类中心，对实时交通流参数数据的交通状态进行判别估计，确定实时交通流参数数据的交通状态，增强交通状态聚类效果的准确性和稳定性，为城市道路交通管理者和使用者提供最佳的交通管控措施和出行计划。
本领域技术人员应理解，上面对本发明的实施例的描述的目的仅为了示例性地说明本发明的实施例的有益效果，并不意在将本发明的实施例限制于所给出的任何示例。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。

Claims (5)

1.一种基于AFCM-L2的城市道路交通状态判别方法，其特征在于，包括：
步骤1：获取交通流历史参数数据；
步骤2：根据预设分类数量c对交通状态进行分类，运行模糊聚类算法AFCM-L2对所述交通流历史参数数据进行交通状态聚类处理，确定多个最优交通状态模糊聚类中心；
步骤3：根据所述多个最优交通状态模糊聚类中心，通过隶属度将所述交通流历史参数数据划分为c个交通状态数据集；
步骤4：获取实时交通流参数数据，计算所述实时交通流参数数据与多个最优交通状态模糊聚类中心的距离，以所述距离最小的最优交通状态模糊聚类中心所属于的交通状态数据集为所述实时交通流参数数据的状态判别信息；
其中，步骤2中所述模糊聚类算法AFCM-L2包括：
步骤201：设定初始交通状态模糊聚类中心的集合V(0)＝[v1,v2,v3,v4]T，预设分类数量c＝4，循环截止误差ε＝1e-5，初始循环次数t＝1，最大循环次数T；
步骤202：针对第t次循环，建立目标函数，计算使所述目标函数最小的隶属度uik与样本权值wk，进而计算交通状态模糊聚类中心vi，获得第t次迭代的交通状态模糊聚类中心的集合；
步骤203：判断||V(t)-V(t-1)||≤ε是否成立，其中，V(t)为第t次迭代的交通状态模糊聚类中心的集合，V(t-1)为第t-1次迭代的交通状态模糊聚类中心的集合，成立则循环终止，确定V(t)为最优交通状态模糊聚类中心，不成立则进入步骤204；
步骤204：判断t≥T是否成立，成立则循环终止，确定V(t)为最优交通状态模糊聚类中心，不成立则循环次数t加1，重复步骤202-204；
其中，所述目标函数为：
Figure FDA0003202830950000021
其中，X为交通流历史参数数据的集合，n为X中的数据个数，V为交通状态模糊聚类中心的集合，V＝[v1 v2...vc]T，U为隶属度矩阵，uik为交通流历史参数数据xk隶属于类别i的程度，wk为样本权值，λ、β为正则化系数，d(xk,vi)为交通流历史参数数据xk与交通状态模糊聚类中心vi之间的距离，d(xk,vi)＝||xk-vi||2，
Figure FDA0003202830950000022
1≤i≤c，1≤k≤n；
其中，通过公式(2)计算所述隶属度uik：
Figure FDA0003202830950000023
其中，通过公式(3)计算样本权值wk：
Figure FDA0003202830950000024
其中，通过公式(4)计算交通状态模糊聚类中心vi：
Figure FDA0003202830950000031
2.根据权利要求1所述的一种基于AFCM-L2的城市道路交通状态判别方法，其特征在于，所述交通流历史参数数据包括：交通流量、速度、时间占有率。
3.根据权利要求1所述的一种基于AFCM-L2的城市道路交通状态判别方法，其特征在于，所述预设分类数量为4。
4.根据权利要求3所述的一种基于AFCM-L2的城市道路交通状态判别方法，其特征在于，所述交通状态包括畅通、平稳、拥堵、堵塞。
5.一种基于AFCM-L2的城市道路交通状态判别系统，其特征在于，该系统包括：
存储器，存储有计算机可执行指令；
处理器，所述处理器运行所述存储器中的计算机可执行指令，执行以下步骤：
步骤1：获取交通流历史参数数据；
步骤2：根据预设分类数量c对交通状态进行分类，运行模糊聚类算法AFCM-L2对所述交通流历史参数数据进行交通状态聚类处理，确定多个最优交通状态模糊聚类中心；
步骤3：根据所述多个最优交通状态模糊聚类中心，通过隶属度将所述交通流历史参数数据划分为c个交通状态数据集；
步骤4：获取实时交通流参数数据，计算所述实时交通流参数数据与多个最优交通状态模糊聚类中心的距离，以所述距离最小的最优交通状态模糊聚类中心所属于的交通状态数据集为所述实时交通流参数数据的状态判别信息；
其中，步骤2中所述模糊聚类算法AFCM-L2包括：
步骤201：设定初始交通状态模糊聚类中心的集合V(0)＝[v1,v2,v3,v4]T，预设分类数量c＝4，循环截止误差ε＝1e-5，初始循环次数t＝1，最大循环次数T；
步骤202：针对第t次循环，建立目标函数，计算使所述目标函数最小的隶属度uik与样本权值wk，进而计算交通状态模糊聚类中心vi，获得第t次迭代的交通状态模糊聚类中心的集合；
步骤203：判断||V(t)-V(t-1)||≤ε是否成立，其中，V(t)为第t次迭代的交通状态模糊聚类中心的集合，V(t-1)为第t-1次迭代的交通状态模糊聚类中心的集合，成立则循环终止，确定V(t)为最优交通状态模糊聚类中心，不成立则进入步骤204；
步骤204：判断t≥T是否成立，成立则循环终止，确定V(t)为最优交通状态模糊聚类中心，不成立则循环次数t加1，重复步骤202-204；
其中，所述目标函数为：
Figure FDA0003202830950000041
其中，X为交通流历史参数数据的集合，n为X中的数据个数，V为交通状态模糊聚类中心的集合，V＝[v1 v2...vc]T，U为隶属度矩阵，uik为交通流历史参数数据xk隶属于类别i的程度，wk为样本权值，λ、β为正则化系数，d(xk,vi)为交通流历史参数数据xk与交通状态模糊聚类中心vi之间的距离，d(xk,vi)＝||xk-vi||2，
Figure FDA0003202830950000051
1≤i≤c，1≤k≤n；
其中，通过公式(2)计算所述隶属度uik：
Figure FDA0003202830950000052
其中，通过公式(3)计算样本权值wk：
Figure FDA0003202830950000053
其中，通过公式(4)计算交通状态模糊聚类中心vi：
Figure FDA0003202830950000054
CN201910024063.3A 2019-01-10 2019-01-10 基于afcm-l2的城市道路交通状态判别方法及系统 Active CN109697851B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910024063.3A CN109697851B (zh) 2019-01-10 2019-01-10 基于afcm-l2的城市道路交通状态判别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910024063.3A CN109697851B (zh) 2019-01-10 2019-01-10 基于afcm-l2的城市道路交通状态判别方法及系统

Publications (2)

Publication Number Publication Date
CN109697851A CN109697851A (zh) 2019-04-30
CN109697851B true CN109697851B (zh) 2022-01-18

Family

ID=66232638

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910024063.3A Active CN109697851B (zh) 2019-01-10 2019-01-10 基于afcm-l2的城市道路交通状态判别方法及系统

Country Status (1)

Country Link
CN (1) CN109697851B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110379163B (zh) * 2019-07-26 2020-09-08 银江股份有限公司 一种基于轨迹数据的车辆异常减速区域检测方法及系统
CN112927499A (zh) * 2021-01-20 2021-06-08 中冶南方城市建设工程技术有限公司 一种基于fcm和kelm的道路施工期路段交通状态判别方法
CN114779795B (zh) * 2022-06-21 2022-09-20 山东金宇信息科技集团有限公司 一种基于轨道机器人的事故疏通方法、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090254989A1 (en) * 2008-04-03 2009-10-08 Microsoft Corporation Clustering botnet behavior using parameterized models
CN102592447A (zh) * 2011-12-20 2012-07-18 浙江工业大学 一种基于fcm的区域路网的道路交通状态判别方法
CN106203856A (zh) * 2016-07-18 2016-12-07 交通运输部公路科学研究所 一种组合主成分分析和模糊c均值聚类的车辆行驶工况制定方法
CN106652460A (zh) * 2017-03-08 2017-05-10 吉林大学 一种高速公路交通状态判别方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090254989A1 (en) * 2008-04-03 2009-10-08 Microsoft Corporation Clustering botnet behavior using parameterized models
CN102592447A (zh) * 2011-12-20 2012-07-18 浙江工业大学 一种基于fcm的区域路网的道路交通状态判别方法
CN106203856A (zh) * 2016-07-18 2016-12-07 交通运输部公路科学研究所 一种组合主成分分析和模糊c均值聚类的车辆行驶工况制定方法
CN106652460A (zh) * 2017-03-08 2017-05-10 吉林大学 一种高速公路交通状态判别方法及系统

Also Published As

Publication number Publication date
CN109697851A (zh) 2019-04-30

Similar Documents

Publication Publication Date Title
CN112085947B (zh) 一种基于深度学习和模糊聚类的交通拥堵预测方法
CN109697851B (zh) 基于afcm-l2的城市道路交通状态判别方法及系统
CN101216998B (zh) 基于模糊粗糙集的证据理论城市交通流信息融合方法
CN104809877B (zh) 基于特征参数加权gefcm算法的高速公路地点交通状态估计方法
Crespo et al. A methodology for dynamic data mining based on fuzzy clustering
Twomey et al. Validation and verification
Ji et al. Cost estimation model for building projects using case-based reasoning
CN108846512B (zh) 基于择优分类的水质预测方法
CN111612261B (zh) 基于区块链的金融大数据分析系统
Gruhl et al. A building block for awareness in technical systems: Online novelty detection and reaction with an application in intrusion detection
US8615478B2 (en) Using affinity measures with supervised classifiers
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
Jabari et al. Sparse travel time estimation from streaming data
CN110197586A (zh) 一种基于多源数据的高速公路路段拥堵检测方法
CN109446881A (zh) 一种基于异构数据的高速公路路段交通状态检测方法
US20020196975A1 (en) Population mixture modeling with an indeterminate number of sub-populations
CN113947259A (zh) 一种基于gru神经网络的不同风格驾驶员车速预测方法
Yıldırım et al. Robust Mahalanobis distance based TOPSIS to evaluate the economic development of provinces
Satapathy et al. Particle swarm optimized multiple regression linear model for data classification
CN106875681A (zh) 一种交通拥塞趋势预测方法及系统
US20200160148A1 (en) Machine learning models for predicting time in traffic
CN106778252B (zh) 基于粗糙集理论与waode算法的入侵检测方法
Wang et al. Dynamic traffic prediction based on traffic flow mining
CN107894970A (zh) 航站楼出港人数的预测方法和系统
Wang et al. Sugeno model, fuzzy discretization, and the EM algorithm

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant