CN110197584A - 基于区域检测器的高速公路交通状态评价方法 - Google Patents

Abstract

本发明涉及基于区域检测器的高速公路交通状态评价方法。本发明运用两种聚类算法结合的方法确定数据的分类中心。将高速公路交通状态分为5类。根据实时数据到5个状态中心的距离判断所属状态。采用区域检测器所得参数通过聚类方法对高速公路交通状态进行定义。区域检测器对车辆在道路上的行驶状态可以更加准确的表征，为高速公路交通运行状态分析提供了更可靠的数据来源，可以更加实时准确地确定高速公路交通状态，进一步为高速公路管理部门提供决策支持。

Description

基于区域检测器的高速公路交通状态评价方法

技术领域

本发明设计是一种评价方法，尤其是涉及基于区域检测器的高速公路交通状态评价方法。

背景技术

国内外对高速公路交通运行状态的研究，主要是根据由交通检测器获得的部分参数设计了多种交通事件判别算法；或者基于地点交通参数来进行点状态估计。交通事件判别技术仅能够对高速公路突发的交通事件进行时间和空间位置确定，且有时间滞后性；而离散的交通状态点估计不能直观全面反映基本路段的交通状态。若能够对高速公路交通运行状态的变化过程进行实时监控，这样既能准确实时的对偶发性的交通事件进行识别，又能掌握高速公路交通状态时空变化特征。

随着高速公路上车流量的增多，车辆超车和跟驰现象明显，单一的断面参数无法准确表征车辆在道路上行驶状况。区域检测器可以追踪车辆，检测范围为100米，得到车辆在检测区域内连续的速度变化和行驶轨迹；同时可以分不同车型检测交通量，分车道统计交通流区间平均速度、时间占用率。将此检测器称为区域检测器。根据区域检测器所能得到的关于车辆在检测区间内速度变化等交通参数数据，建立高速公路交通状态判定模型。

为了充分发挥区域检测器的数据采集优势，先采用区域检测器可以得到的道路交通密度、车辆在检测区域内的平均速度以及车辆在检测区域内发生的速度变化作为表征道路交通状态的参数。

区域检测器可以检测到区域内的车辆存在，根据检测区域内的车辆数和检测区域长度得到道路交通密度；区域检测器可以追踪每辆车在检测区域内实时的位置信息，所以可计算得到车辆在检测区域内行驶的平均速度以及发生的速度变化。

发明内容

鉴于现有技术的不足，本发明的目的在于提供一种基于区域检测器的高速公路交通状态评价方法，该模型采用区域检测器所得参数通过聚类方法对高速公路交通状态进行定义。区域检测器对车辆在道路上的行驶状态可以更加准确的表征，为高速公路交通运行状态分析提供了更可靠的数据来源，可以更加实时准确地确定高速公路交通状态，进一步为高速公路管理部门提供决策支持。

为了实现本发明目的，所采用的技术方案为：

运用两种聚类算法结合的方法确定数据的分类中心。将高速公路交通状态分为5类。根据实时数据到5个状态中心的距离判断所属状态。

聚类的快速搜索和发现密度峰算法如下：

(1)算法思想

CBFSAFODP算法基于这样的设想：类簇中心被具有较低局部密度的邻居点包围，且与具有更高密度的任何点都有相对较大的距离。对于每一个数据点需要计算两个量(ρ_i和δ_i)来刻画聚类中心。

ρ_i--第i个样本的局部密度。

δ_i--第i个样本点与局部密度高于该点的所有点的距离中的最小值。

(2)算法聚类中心的选取

S＝{x_i|x_i∈R，i＝I_S}，I_S＝{1，2，...，n}，C_z(z＝1，2，...，k)表示聚类中心。

S--样本空间。

x_i--第i个样本参数。

R--数据总空间。

I_S--样本序数空间。

C_z--第z个聚类中心。

样本x_i与x_j之间的欧氏距离：

d_ij--数据点x_i与x_j之间的欧式距离。

x_i--第i个样本参数。

x_j--第j个样本参数。

x_i局部密度ρ_i：包括Cut-off kernel和Gaussian kernel两种计算方式。

Cut-off kernel：ρ_i＝∑_jχ(d_ij-d_c) (2)

ρ_i--样本x_i的局部密度。

χ--如果a<0，那么χ(a)＝1，否则χ(a)＝0。

d_c--截断距离，根据大量实验表明，d_c一般取聚类中所有数据点之间相互距离按升序排列的2％位置的距离数值定义为d_c。

ρ_i其实就是与x_i点的距离小于d_c的点的个数(不包括自己)，这意味着对于大数据集，分析结果对于d_c的选择具有很好的鲁棒性。

Gaussian kernel：

ρ_i--样本x_i的局部密度。

I_S--样本序数空间，I_S＝{1，2，...，n}。

d_ij--数据点x_i与x_j之间的欧式距离。

d_c--截断距离。

对比定义可知，Cut-off kernel为离散值，Gaussian kernel为连续值。相对而言，后者产生冲突的概率较小，即不同数据点具有相同局部密度之概率更小。

(3)数据点x_i的δ_i是点到任何比其密度大的点的距离的最小值。

设表示的一个降序排列下标序，即它满足

q_t--ρ_i的下标序列。

ρ_i--局部密度。

则可定义如下：

--数据点的δ值。

--数据点和数据点的欧式距离。

--数据点和数据点的欧式距离。

r，t--q的下标序。

(4)对于S中的每一数据点x_i，可计算出(ρ_i，δ_i)，i∈I_S。给出一种确定聚类中心个数的方法：

γ_i＝ρ_iδ_i i∈I_S (5)

γ_i--一个将ρ值和δ值综合考虑的量。

显然，γ值越大，越有可能是聚类中心。因此，只需对进行降序排列，然后从前往后截取若干个数据点作为聚类中心。

K-mean算法

(1)K-mean算法的思想

K-mean算法是以k为参数，把n个数据对象分为k个簇，每个簇内的数据对象具有较高的相似度，而不同簇之间具有相对较低的相似度。相似度是通过计算一个簇内数据对象的平均值得来的，相似度的定义是划分关键，本文中是计算数据对象之间的欧式距离。K-mean算法的基本思想是：首先在n个数据对象中随机地选择k个对象作为初始聚类中心；接着按最小距离原则来计算每个数据对象到聚类中心的距离，将其赋给最近的簇。然后，重新计算每个簇的平均值，计算收敛函数，直到各个聚类的中心不再变化，算法则终止。否则，重复上述过程。

(2)K-mean算法的一般过程

输入：簇的数目k以及n个数据对象的数据集。

输出：E不变时满足目标函数值最小的k个簇。

Step1 从给出的n个数据对象中随机选出k个对象作为初始聚类中心来执行；

Step2 计算数据对象与各个簇的聚类中心的距离，将每个数据对象赋给与其距离最近的簇；

Step3 重新计算每个新簇的均值，作为新的簇的聚类中心，

m_z--表示第z个簇数据对象个数。

C_z--表示第z个簇。

x--数据对象。

Step4 计算E值；

E--收敛函数。

k--簇的数量。

--表示簇C_z的聚类中心。

C_z--表示第z个簇。

Step5 直到E不再发生变化时，算法终止；否则转向Step2。

组合算法描述

输入：待聚类的n个数据对象的数据集。

输出：满足目标函数最小的k个簇。

Step1 使用计算数据对象欧式距离

Step2 确定截断距离d_c，计算的距离d_ij(i＜j)共有M＝n(n-1)/2个进行升序排列；设得到的序列为d₁≤d₂≤…≤d_M，取该序列前百分之二的数，利用round函数是按指定的位数对数值进行四舍五入；

M--计算得到的欧式距离d_ij(i＜j)的个数。

n--数据点的个数。

Step3 根据式(3)，本文选择Gaussian kernel来计算并生成其降序排列下标序

Step4 根据式(4)计算出

Step5 令γ_i＝ρ_iδ_i i∈I_S，γ值越大，越有可能是聚类中心；

γ_i--一个将ρ值和δ值综合考虑的量。

Step6 确定聚类中心与k的值；

C_z--第z个聚类中心。

k--聚类中心的个数。

Step7 计算数据对象与各个簇的聚类中心的距离，将每个数据对象赋给与其距离最近的簇；

Step8 根据式(5)重新计算每个新簇的均值，作为新的簇的聚类中心；

Step9 根据式(6)计算E值；

Step10 直到E不再发生变化时，算法终止；否则转向Step7。

状态判定

收集实时采集的交通参数，计算数据点到各状态中心的距离，选择距离最小的状态中心为此实时数据点的交通状态。

d_z--数据点到第z个状态中心的距离。

x--实时的数据点参数。

C_z--第z个状态中心。

具体实施方式

为了进一步的说明本发明的技术方案，在此具体实施进行说明。

1、参数选择：

对交通状态判定的指标的选取，首先考虑交通三参数：流量、速度和密度。

(1)流量

交通量是指单位时间内通过道路某一地点或某一截面的实际车辆数，又称交通流量或流量。交通量是一个动态变量，随时间和空间变化而变化。在实际应用当中，最常用的是日交通量和小时交通量。

高速公路交通量在时空和方向分布上的不均匀，是造成车速下降、交通事故增加、车辆延误增加、交通拥挤的主要原因之一，从而导致高速公路的服务交通量下降和车流运行服务水平降低。通过调查发现，某一地点或截面的交通量具有一定的变化规律，即当交通量超过某一水平时，就认为发生拥挤，以此判定该路段的交通运行状态。然而，同一流量水平可以对应两种截然不同的交通状态，例如交通量为零时，可能为畅通也可能为拥堵，因此交通量参数应该与其它参数或方法相结合，而不是单独使用。

流量记录的一般是统计量，即一定时间段内车辆通过的数量，并将单位换算成辆/小时。其表征的是时间段内的平均交通状况，其对实时交通状态的代表性较差。

(2)速度

车速可用l/t形式表示，其中根据，l和t的不同取值，可定义不同的车速，如地点车速、行程车速等。

l--车辆行驶距离。

t--车辆行驶时间。

高速公路实行全封闭、全立交，车辆分方向、分车道行驶，受外界的干扰因素较少，因此行驶车速一般比其他等级公路较高，车速分布特性也较明显。

为充分发挥区域检测器速度采集的优势，采用车辆在检测区域内的平均速度和通过区域所发生的速度变化作为表征速度特征的参数。

(3)密度

密度是指特定长度道路上瞬间存在的车辆数，有最佳密度、零密度和阻塞密度三个特征值。断面检测器只能通过相邻两个检测器的数据得到实时的密度值，密度值会随着观测时间和检测器间距的变化而变化。区域检测器可以通过一个检测器得到实时的密度值，不会受检测器布设间距的变化而变化。

最后，选择区域检测器采集得到的车辆速度V、速度变化ΔV和车流密度K作为表征交通状态的三个特征参数。

2、实验数据：

通过vissim仿真软件得到区域检测器的原始数据，通过数据处理得到密度、车辆速度及车辆速度变化这三个参数的数据。

3、状态中心确定

输入：待聚类的n个数据对象的数据集。

输出：满足目标函数最小的k个簇。

Step1 计算数据对象欧式距离d_ij，并令将其补成满矩阵；其中d_ij的计算公式为：

d_ij--数据点i和数据点j的欧式距离。

V--数据点的速度值。

ΔV--数据点的速度变化值。

K--数据点的密度值。

Step2 确定截断距离d_c，计算的距离d_ij(i＜j)共有M＝n(n-1)/2个进行升序排列；设得到的序列为d₁≤d₂≤…≤d_M，取该序列前百分之二的数，利用round函数是按指定的位数对数值进行四舍五入；

M--计算得到的欧式距离d_ij(i＜j)的个数。

n--数据点的个数。

Step3 本文选择Gaussian kernel来计算并生成其降序排列下标序

的集合。

降序排列下标序的集合。

Gaussian kernel:

ρ_i--样本x_i的局部密度。

I_S--样本序数空间，I_S＝{1，2，...，n}。

d_ij--数据点x_i与x_j之间的欧式距离。

d_c--截断距离。

q_i满足：

Step4 计算出

的集合。

δ_i的计算公式如下：

--数据点的δ值。

--数据点和数据点的欧式距离。

--数据点和数据点的欧式距离。

r，t--q的下标序。

Step5 令γ_i＝ρ_iδ_i i∈I_S，γ值越大，越有可能是聚类中心；

γ_i--一个将ρ值和δ值综合考虑的量。

Step6 确定聚类中心与k的值；

在此将k的值定为5。

Step7 计算数据对象与各个簇的聚类中心的距离，将每个数据对象赋给与其距离最近的簇；

数据点到各聚类中心的距离的计算公式为：

d_z--数据点到第z个状态中心的距离。

x--实时的数据点参数。

C_z--第z个状态中心。

Step8 重新计算每个新簇的均值，作为新的簇的聚类中心；

计算公式如下：

m_z--表示第z个簇数据对象个数。

C_z--表示第z个簇。

x--数据对象。

Step9 计算E值；

E--收敛函数。

k--簇的数量。

--表示簇C_z的聚类中心。

C_z--表示第z个簇。

Step10 直到E不再发生变化时，算法终止；否则转向Step7。

4、交通状态判定

收集实时采集的交通参数，计算数据点到各状态中心的距离，选择距离最小的状态中心为此实时数据点的交通状态。

d_z--为数据点到第z个状态中心的距离。

x--为数据点参数。

C_z--为第z个状态中心。

根据下表中的状态中心对实时数据进行状态划分：

本发明不局限于上述最佳实施方式，任何人在本发明的启示下都可得出其他各种形式的产品，但不论在其形状或结构上作任何变化，凡是具有与本申请相同或相近似的技术方案，均落在本发明的保护范围之内。

Claims (1)

1.基于区域检测器的高速公路交通状态评价方法，其特征在于步骤如下：

(一)选择区域检测器采集得到的车辆速度V、速度变化ΔV和车流密度K作为表征交通状态的三个特征参数，并先做如下准备工作：

(1)对于每一个数据点需要计算两个量即ρ_i和δ_i来刻画聚类中心；

ρ_i--第i个样本的局部密度；

δ_i--第i个样本点与局部密度高于该点的所有点的距离中的最小值；

(2)算法聚类中心的选取

S＝{x_i|x_i∈R，i＝I_S}，I_S＝{1，2，...，n}，C_z(z＝1，2，...，k)表示聚类中心；

S--样本空间；

x_i--第i个样本参数；

R--数据总空间；

I_S--样本序数空间；

C_z--第z个聚类中心；

样本x_i与x_j之间的欧氏距离：

d_ij--数据点x_i与x_j之间的欧式距离；

x_i--第i个样本参数；

x_j--第j个样本参数；

计算x_i局部密度ρ_i：

Gaussian kernel：

ρ_i--样本x_i的局部密度；

I_S--样本序数空间，I_S＝{1，2，...，n}；

d_ij--数据点x_i与x_j之间的欧式距离；

d_c--截断距离；

(3)数据点x_i的δ_i是点到任何比其密度大的点的距离的最小值；

设表示的一个降序排列下标序，即它满足

q_t--ρ_i的下标序列；

ρ_i--局部密度；

定义如下：

δ_qt--数据点的δ值；

--数据点和数据点的欧式距离；

--数据点和数据点的欧式距离；

r，t--q的下标序；

(4)对于S中的每一数据点x_i，计算出(ρ_i，δ_i)，i∈I_S；给出一种确定聚类中心个数的方法：

[0049]γ_i＝ρ_iδ_i i∈I_s (5)

[0050]γ_i--一个将ρ值和δ值综合考虑的量；

对进行降序排列，然后从前往后截取若干个数据点作为聚类中心；

(2)K-mean算法

输入：簇的数目k以及n个数据对象的数据集；

输出：E不变时满足目标函数值最小的k个簇；

Step1从给出的n个数据对象中随机选出k个对象作为初始聚类中心来执行；

Step2计算数据对象与各个簇的聚类中心的距离，将每个数据对象赋给与其距离最近的簇；

Step3重新计算每个新簇的均值，作为新的簇的聚类中心，

m_z--表示第z个簇数据对象个数；

C_z--表示第z个簇；

x--数据对象；

Step4计算E值；

E--收敛函数；

k--簇的数量；

--表示簇C_z的聚类中心；

C_z--表示第z个簇；

Step5直到E不再发生变化时，算法终止；否则转向Step2；

(二)进行组合算法：

输入：待聚类的n个数据对象的数据集；

输出：满足目标函数最小的k个簇；

Step1使用计算数据对象欧式距离d_ij，

Step2确定截断距离d_c，计算的距离d_ij(i＜j)共有M＝n(n-1)/2个进行升序排列；设得到的序列为d₁≤d₂≤…≤d_M，取该序列前百分之二的数，利用round函数是按指定的位数对数值进行四舍五入；

M--计算得到的欧式距离d_ij(i＜j)的个数；

n--数据点的个数；

Step3根据式(3)，选择Gaussian kernel来计算并生成其降序排列下标序

Step4根据式(4)计算出

Step5令γ_i＝ρ_iδ_ii∈I_S，γ值越大，越有可能是聚类中心；

γ_i--一个将ρ值和δ值综合考虑的量；

Step6确定聚类中心与k的值；

C_z--第z个聚类中心；

k--聚类中心的个数；

Step7计算数据对象与各个簇的聚类中心的距离，将每个数据对象赋给与其距离最近的簇；

Step8根据式(5)重新计算每个新簇的均值，作为新的簇的聚类中心；

Step9根据式(6)计算E值；

Step10直到E不再发生变化时，算法终止；否则转向Step7；

(三)状态判定

收集实时采集的交通参数，计算数据点到各状态中心的距离，选择距离最小的状态中心为此实时数据点的交通状态；

d_z--数据点到第z个状态中心的距离；

x--实时的数据点参数；

C_z--第z个状态中心。