CN110415523B - 一种基于车辆出行轨迹数据的信号控制子区划分方法 - Google Patents

Abstract

本发明提供了一种基于车辆出行轨迹数据的信号控制子区划分方法，该方法包括S1根据车辆轨迹数据，计算一段时间内研究区域各交叉口对之间的平均OD流量并做归一化处理，基于此构建全连通无向加权图；S2用Newman算法对路网进行划分得到划分后的初始路网子区；S3计算路段双向平均密度；S4利用自适应尺度NJW算法将路网划分为多个控制子区；S5选取能得到最好评价指标的方案为较优的控制子区划分方案。本发明提升了初始路网子区内交叉口信号控制的协调性，为后续进一步面向区域门限控制子区划分做出了初始划分方案。

Description

一种基于车辆出行轨迹数据的信号控制子区划分方法

技术领域

本发明涉及一种基于车辆出行轨迹数据的信号控制子区划分方法，属于交通运行和调度技术领域。

背景技术

路网上交通流供需在时间和空间上存在分布不均匀和不匹配的情况，为了减少交通控制系统的复杂性和提升交通控制效率，控制子区的概念被提出。控制子区，即将一个路网根据一定的规则划分成为多个相对独立的区域，然后根据每个区域的交通流特性分别实施不同的控制方案，每一个区域称为一个控制子区；根据各个控制子区的交通流特性分别实施不同的控制方案，并对各个子区内部的交叉口进行联网协调控制，能够减轻区域交通控制中心的数据处理压力，有利于提升交通控制系统的运行效率，保证交通控制的实时性。

控制子区的划分主要以交叉口关联性或者路段相似性作为依据。其中在交叉口关联性方面，HCM推荐使用Whitson模型来计算交叉口之间的关联度，Whitson模型通过引入上游交叉口最大驶入流向流量、平均驶入流向流量和行程时间等参数，综合反映路段长度、车辆行驶速度、流量、转向比等相关因素的共同作用。但是目前基于Whitson模型的研究大多主要考虑的是相邻信号交叉口之间的关联性，而很少考虑非相邻信号交叉口之间的关联性，虽然有些学者对相邻交叉口关联性进行了非常复杂的建模，考虑了流量、距离、车队离散程度等诸多因素，但是关联性公式的解释性较差，影响系数的数值和阈值的确定仅依靠经验，很难解释各种因素的相互影响机理，也很少从宏观路网的角度去考虑分析。

此外，还有从路段相似性角度出发来划分子区的方法，主要以门限控制子区为主，把相邻路段车辆密度的差异作为路段关联性指标进行划分。区域门限控制，即针对一个拥堵区域中多个子区边界上的交通流进行控制，使特定区域的累积车辆数少于拥堵阈值以保证区域内车辆高效通行或者多个区域的总通行效率最高。但是指标中仅考虑路段密度而忽略其他因素如信号的协调性，容易造成划分后的子区效果较差。而且面向门限控制的子区划分目前主要还是根据路段密度利用二路谱聚类反复迭代，过程较为繁琐且很难保证划分子区的连通性。谱聚类，即将所有的数据看作空间中的点，根据一定规则计算点与点之间边的权重，最终将聚类问题转换为图的最优划分问题，使划分后的子图内部的连接边相似，而子图间距离较远。

综上，现有技术的缺点在于：

目前子区划分多基于相邻交叉口之间的关联性，而较少兼顾非相邻交叉口之间的关联性，导致对路网内部交叉口信号控制协调性考虑不足

多数学者对相邻交叉口关联性的建模以经验模型为主，考虑流量、距离、车队离散程度等因素，但是关联性公式的解释性较差，很难解释各种因素的相互影响机理，也很少从宏观路网的角度去考虑分析。

单纯基于交叉口关联性或路段车辆密度进行子区划分容易导致划分子区的连通性差且容易将一些理想的子区拆分。

利用二路谱聚类迭代进行门限控制子区划分的方法，过程较为繁琐且很难保证划分效果。

发明内容

发明目的：针对以上需求，本发明提出一种基于车辆出行轨迹数据的信号控制子区划分方法，首先通过车辆出行轨迹数据计算出交叉口间的流量作为关联性指标，构建以交叉口为顶点、以交叉口对关联性为边权的全联通连通无向加权图，然后采用社团划分算法在考虑交叉口关联性的基础上将其划分成多个子图，使出行轨迹或出行需求集中的区域形成相对独立的初始路网子区；网络社团划分，即根据网络中顶点之间边连接的疏密和强弱程度将网络顶点划分为多个子图，使子图内边的性质具有同质性，子图间边的性质具有异质性；在此基础上，计算各路段上的车辆密度，使用谱聚类算法再将初始路网子区划分，并按照一定规则进行适当调整，最终得到最优的控制子区划分方案，本方法得到的控制子区可以为区域门限控制提供支撑。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：

一种基于车辆出行轨迹数据的信号控制子区划分方法，该方法包括如下步骤：

S1根据车辆轨迹数据，计算一段时间内研究区域各交叉口对之间的平均OD流量并做归一化处理，基于此构建全连通无向加权图；

S2用Newman算法对路网进行划分，并根据连通性和边界平整性规则对子区进行适当调整，得到划分后的初始路网子区；

S3在S2划分初始路网子区的基础上，根据各初始路网子区内有向路段空间平均行驶时间计算空间平均速度，然后结合车流量计算路段双向平均密度；

S4基于路段双向平均密度和路网拓扑信息，利用自适应尺度NJW算法将路网划分为多个控制子区；

S5反复将相邻且平均密度差异最小的两个控制子区合并，每次合并都计算评价指标，直到所有的控制子区融合成一个控制子区，在合并过程中，选取能得到最好评价指标的方案为较优的控制子区划分方案。

所述的一种基于车辆出行轨迹数据的信号控制子区划分方法，步骤S1的具体过程包括：

S11获得所述车辆轨迹数据：基于视频号牌识别设备采集，并剔除异常数据，进行出行链划分和缺失信息修补后，得到能区分车辆身份并能反映其运行轨迹的数据；

S12计算一段时间内研究区域各交叉口对之间的平均OD流量：读取处理后的一天的出行轨迹数据，计算各交叉口对的单向OD流量，方法为：

其中：

V_mn：从交叉口m到交叉口n的OD流量；

N：出行轨迹数目；

ord(m，n)_i：在出行轨迹i中是否存在交叉口对m和n，且m的次序在n之前，若存在，则ord(m，n)_i＝1，否则为0；

S13计算交叉口对之间的平均OD流量

并做归一化处理：首先求交叉口对m、n之间的平均OD流量的倒数

然后对平均OD流量倒数基于max-min标准做归一化处理，作为交叉口间的相异关联度，方法为：

其中：

V_nm：从交叉口n到交叉口m的OD流量；

r_mn：顶点m和n之间的相异关联度；

min：研究区域内交叉口平均OD流量倒数的最小值；

max：研究区域内交叉口平均OD流量倒数的最大值。

S14以交叉口为顶点，以交叉口对间相异关联度r_mn为顶点间的边权构建全连通无向加权图。

所述的一种基于车辆出行轨迹数据的信号控制子区划分方法，步骤S2的具体过程包括：

S21针对步骤S14中构建的全连通无向加权图，依次筛选出关联度最强的前k％，k为从100到1的整数，关联边构建无向加权图，利用Newman快速算法对路网进行划分，并计算理想连通子区交叉口占所有交叉口的比例；

S22选取步骤S21中理想连通子区，即子区内的相互连通且交叉口数量大于20，交叉口数占路网交叉口的比例最大的划分方案作为较优划分方案；

S23如果较优划分方案中存在一些子区内不连通的情况，则根据连通性调整规则进行调整：对于每一个非理想连通子区的边界交叉口向外搜索2步，分别统计两步搜索范围内交叉口属于各理想连通子区的频数，以频数最高的理想连通子区类别作为该边界交叉口的所属类别，重复进行以上操作直到所有非理想连通子区的交叉口都被划入某个理想连通子区内；

S24如果较优划分方案中子区的边界存在不平整的情况，则根据边界平整性调整规则进行调整：对于每一个理想连通子区的边界交叉口，统计与该交叉口相邻的交叉口所属子区类别频数，若最高频数子区类别与该交叉口相同，则该交叉子区类别不变，若最高频数子区类别与该交叉口不同，则该交叉口子区类别变为最高频数的子区类别。

所述的一种基于车辆出行轨迹数据的信号控制子区划分方法，步骤S21中所述利用Newman快速算法对路网进行划分中Newman快速算法的过程包括：

S211对于一个含有N个顶点和M条边的无向加权网络，令网络中每个顶点均为独立社团，即顶点集合，初始模块度Q为0，模块度Q的计算方法如下：

其中：

W：网络边权重之和；

w_ij：顶点i和顶点j之间边的权重；

d_i，d_j：顶点i和顶点j的度(指顶点的边连接数)；

δ(C_i，C_j)：当C_i和C_j相同时，δ(C_i，C_j)＝1，反之为0；

然后构造辅助矩阵e和辅助向量a，e的行列数和a的元素个数都表示网络中的社团数量。e和a的元素e_ij和a_i(i，j＝1，2，3，...N)初始化如下：

其中：

w_ij：连接顶点i和顶点j的边的权重；

k_i：顶点i的度；

a_i：等价于e_ij的行和(列和)；

S212尝试合并所有相邻的两个社团C_i和C_j，并计算合并后网络的模块度增量ΔQ，将使ΔQ最大的两个社团进行合并操作，将e矩阵对应两个社团的行列相加，形成新的e矩阵，并重新计算向量a，更新模块度Q＝Q+max(ΔQ)；

S213重复步骤S212，直到网络中所有的顶点合并成为一个社团；

S214选取模块度Q最大时对应的社团结构为最优划分结果。

所述的一种基于车辆出行轨迹数据的信号控制子区划分方法，步骤S4的具体过程包括：S41获取研究区域内各路段之间拓扑信息，建立路段的相似度矩阵W，路段u和v之间的相似度为：

其中：

d(u，v)：u和v的密度差的绝对值；

σ_u：路段u与其各相邻路段密度差绝对值的最大值；

σ_v：路段v与其各相邻路段密度差绝对值的最大值；

S42根据步骤S41中的相似度矩阵W计算度矩阵D，D是主对角线上的元素为W的行(列)和的对角矩阵；

S43计算拉普拉斯矩阵

进一步构造规范性拉普拉斯矩阵

其中E代表单位矩阵；

S44求L_sym的特征值和特征方程，求L_sym前k个最大特征值对应的特征向量并构造特征向量X＝[x₁…x_k]，k为事先规定的参数；S45规范化行向量，将矩阵X的行向量转变为单位向量，得到矩阵：

其中V_ij为矩阵X中元素；

S46将矩阵Y的每一行视为空间中的一个点，利用k-means算法将所有点聚成k类(k为根据路网实际情况选取的合适的值)，即k个控制子区，并将每个子区的较小的非连通部分根据相邻路段类型的频数划入频数最大的那一类中，保证各个子区内部的连通性。

所述的一种基于车辆出行轨迹数据的信号控制子区划分方法，步骤S5的具体过程包括：

S51计算每次合并结果的NS_k值，选取结果中NS_k最小的方案为较优的子区划分方案，NS_k是控制子区划分评价指标，计算方式如下：

其中：

C：子区的集合；

k：子区的数量；

NS_k(A)用于判断子区A划分的合理性，当NS_k(A)＜1时，认为子区A划分比较合理，NS_k(A)的值越小时，认为子区A划分的效果越好，计算方式如下：

NSN_k(A，B)＝min{NS_k(A，X)|X∈Neighbor(A)}；

其中：

X：与子区A相邻的其他子区；

i，j：子区A和B中的路段；

d_i，d_j：路段i和j车辆密度；

N_A，N_B：子区A和B中的路段数量_；

S52为了保证划分方案的合理性，可选取不同的初始划分数k，重复进行步骤S46聚类过程和步骤S5的合并过程，以便在在不同k值下的较优子区划分方案中，选取NS_k最小的划分方案作为最优划分方案。

有益效果：本发明提供一种基于车辆出行轨迹数据的信号控制子区划分方法。首先基于视频号牌识别数据重构车辆出行轨迹，并根据轨迹数据在考虑相邻和非相邻交叉口关联性的基础上利用Newman快速算法划分初始路网子区的方法；然后在初始路网子区的基础上根据路段车辆密度利用自适应尺度NJW算法将初始路网子区划分为若干信号控制子区的方法。

相比于其他现有技术，本发明的优点在于：

1.与传统的方法相比，本发明方法从全局的角度对路网实现划分，考虑了非相邻交叉口的关联性。

2.本发明的方法可以充分地利用车辆轨迹信息，使同一区域的交叉口间关联性较强而区域间的交叉口间关联性较弱，提升了初始路网子区内交叉口信号控制的协调性，为后续进一步面向区域门限控制子区划分做出了初始划分方案。

附图说明

图1为本发明的方法流程图。

图2为初始路网子区划分方案图。

图3为k＝11时利用自适应尺度多路谱聚类的初始划分实例图。

图4为k＝10时利用自适应尺度多路谱聚类的初始划分实例图。

图5为第8次合并结果图。

具体实施方式

下面结合附图和实施例对本发明的技术方案作进一步的说明。

一种基于车辆出行轨迹数据的信号控制子区划分方法，该方法包括如下步骤：

S1根据车辆轨迹数据，计算一段时间内研究区域各交叉口对之间的平均OD流量并做归一化处理，基于此构建全连通无向加权图；

S2用Newman算法对路网进行划分，并根据连通性和边界平整性规则对子区进行适当调整，得到划分后的初始路网子区；

S3在S2划分初始路网子区的基础上，根据各初始路网子区内有向路段空间平均行驶时间计算空间平均速度，然后结合车流量计算路段双向平均密度；

S4基于路段双向平均密度和路网拓扑信息，利用自适应尺度NJW算法将路网划分为多个控制子区；

S5反复将相邻且平均密度差异最小的两个控制子区合并，每次合并都计算评价指标，直到所有的控制子区融合成一个控制子区，在合并过程中，选取能得到最好评价指标的方案为较优的控制子区划分方案。

所述的一种基于车辆出行轨迹数据的信号控制子区划分方法，步骤S1的具体过程包括：

S11获得所述车辆轨迹数据：基于视频号牌识别设备采集，并剔除异常数据，进行出行链划分和缺失信息修补后，得到能区分车辆身份并能反映其运行轨迹的数据；

S12计算一段时间内研究区域各交叉口对之间的平均OD流量：读取处理后的一天的出行轨迹数据，计算各交叉口对的单向OD流量，方法为：

其中：

V_mn：从交叉口m到交叉口n的OD流量；

N：出行轨迹数目；

ord(m，n)_i：在出行轨迹i中是否存在交叉口对m和n，且m的次序在n之前，若存在，则ord(m，n)_i＝1，否则为0；

S13计算交叉口对之间的平均OD流量

并做归一化处理：首先求交叉口对m、n之间的平均OD流量的倒数

然后对平均OD流量倒数基于max-min标准做归一化处理，作为交叉口间的相异关联度，方法为：

其中：

V_nm：从交叉口n到交叉口m的OD流量；

r_mn：顶点m和n之间的相异关联度；

min：研究区域内交叉口平均OD流量倒数的最小值；

max：研究区域内交叉口平均OD流量倒数的最大值。

S14以交叉口为顶点，以交叉口对间相异关联度r_mn为顶点间的边权构建全连通无向加权图。

所述的一种基于车辆出行轨迹数据的信号控制子区划分方法，步骤S2的具体过程包括：

S21针对步骤S14中构建的全连通无向加权图，依次筛选出关联度最强的前k％，k为从100到1的整数，关联边构建无向加权图，利用Newman快速算法对路网进行划分，并计算理想连通子区交叉口占所有交叉口的比例；

S22选取步骤S21中理想连通子区，即子区内的相互连通且交叉口数量大于20，交叉口数占路网交叉口的比例最大的划分方案作为较优划分方案；

S23如果较优划分方案中存在一些子区内不连通的情况，则根据连通性调整规则进行调整：对于每一个非理想连通子区的边界交叉口向外搜索2步，分别统计两步搜索范围内交叉口属于各理想连通子区的频数，以频数最高的理想连通子区类别作为该边界交叉口的所属类别，重复进行以上操作直到所有非理想连通子区的交叉口都被划入某个理想连通子区内；

S24如果较优划分方案中子区的边界存在不平整的情况，则根据边界平整性调整规则进行调整：对于每一个理想连通子区的边界交叉口，统计与该交叉口相邻的交叉口所属子区类别频数，若最高频数子区类别与该交叉口相同，则该交叉子区类别不变，若最高频数子区类别与该交叉口不同，则该交叉口子区类别变为最高频数的子区类别。

所述的一种基于车辆出行轨迹数据的信号控制子区划分方法，步骤S21中所述利用Newman快速算法对路网进行划分中Newman快速算法的过程包括：

S211对于一个含有N个顶点和M条边的无向加权网络，令网络中每个顶点均为独立社团，即顶点集合，初始模块度Q为0，模块度Q的计算方法如下：

其中：

W：网络边权重之和；

w_ij：顶点i和顶点j之间边的权重；

d_i，d_j：顶点i和顶点j的度(指顶点的边连接数)；

δ(C_i，C_j)：当C_i和C_j相同时，δ(C_i，C_j)＝1，反之为0；

然后构造辅助矩阵e和辅助向量a，e的行列数和a的元素个数都表示网络中的社团数量。e和a的元素e_ij和a_i(i，j＝1，2，3，...N)初始化如下：

a_i＝k_i/(∑w_ij)

其中：

w_ij：连接顶点i和顶点j的边的权重；

ki：顶点i的度；

a_i：等价于e_ij的行和(列和)；

S212尝试合并所有相邻的两个社团C_i和C_j，并计算合并后网络的模块度增量ΔQ，将使ΔQ最大的两个社团进行合并操作，将e矩阵对应两个社团的行列相加，形成新的e矩阵，并重新计算向量a，更新模块度Q＝Q+max(ΔQ)；

S213重复步骤S212，直到网络中所有的顶点合并成为一个社团；

S214选取模块度Q最大时对应的社团结构为最优划分结果。

所述的一种基于车辆出行轨迹数据的信号控制子区划分方法，步骤S4的具体过程包括：S41获取研究区域内各路段之间拓扑信息，建立路段的相似度矩阵W，路段u和v之间的相似度为：

其中：

d(u，v)：u和v的密度差的绝对值；

σ_u：路段u与其各相邻路段密度差绝对值的最大值；

σ_v：路段v与其各相邻路段密度差绝对值的最大值；

S42根据步骤S41中的相似度矩阵W计算度矩阵D，D是主对角线上的元素为W的行(列)和的对角矩阵；

S43计算拉普拉斯矩阵

进一步构造规范性拉普拉斯矩阵

其中E代表单位矩阵；

S44求L_sym的特征值和特征方程，求L_sym前k个最大特征值对应的特征向量并构造特征向量X＝[x₁…x_k]，k为事先规定的参数；

S45规范化行向量，将矩阵X的行向量转变为单位向量，得到矩阵：

其中V_ij为矩阵X中元素；

S46将矩阵Y的每一行视为空间中的一个点，利用k-means算法将所有点聚成k类(k为根据路网实际情况选取的合适的值)，即k个控制子区，并将每个子区的较小的非连通部分根据相邻路段类型的频数划入频数最大的那一类中，保证各个子区内部的连通性。

所述的一种基于车辆出行轨迹数据的信号控制子区划分方法，步骤S5的具体过程包括：

S51计算每次合并结果的NS_k值，选取结果中NS_k最小的方案为较优的子区划分方案，NS_k是控制子区划分评价指标，计算方式如下：

其中：

C：子区的集合；

k：子区的数量；

NS_k(A)用于判断子区A划分的合理性，当NS_k(A)＜1时，认为子区A划分比较合理，NS_k(A)的值越小时，认为子区A划分的效果越好，计算方式如下：

NSN_k(A，B)＝min{NS_k(A，X)|X∈Neighbor(A)}；

其中：

X：与子区A相邻的其他子区；

i，j：子区A和B中的路段；

d_i，d_j：路段i和j车辆密度；

N_A，N_B：子区A和B中的路段数量；

S52为了保证划分方案的合理性，可选取不同的初始划分数k，重复进行步骤S46聚类过程和步骤S5的合并过程，以便在在不同k值下的较优子区划分方案中，选取NS_k最小的划分方案作为最优划分方案。

下面以具体实例来进一步说明本发明的方法：

本例选取江苏省某城市中环的核心路网，共包含170个交叉口和281条路段，路段长度介于108米至1523米之间，路段每个方向的车道数介于1个至8个之间，交通流检测器为视频号牌识别设备，数据样例如表1所示。

表1视频号牌识别设备数据样例

为了对后续算法实施提供良好的数据支撑，需要对视频号牌识别设备数据进行预处理，主要包括剔除未识别和重复的视频号牌识别设备数据，以及将号牌识别设备数据与交叉口匹配。

在处理后数据的基础上确定有向交叉口对间出行链划分时间阈值，并进行出行链划分。以2018年8月6日的视频号牌识别设备数据为例，表2展示了当日研究区域内出行轨迹的样例，该出行轨迹中包含13个轨迹点，出行从10:10:59开始至10:31:30结束。

表2车辆出行轨迹样例

然后基于最短路原则对出行轨迹中的缺失信息进行修补，在计算一天内交叉口对之间平均OD流量并作归一化处理之后形成无向加权图。

接下来尝试筛选出关联性最强的前k％关联边构建无向加权图(k从100依次取到1)，利用Newman快速算法对路网进行划分，并分别计算最优模块度和理想连通子区交叉口占比，发现k为35时构建的无向加权图划分的社团结构在实际路网中理想连通子区交叉口占比为94.7％，得到了较好的划分结果，经过子区连通性调整边界调整之后的最终结果如图2所示，为最终的初始路网子区划分方案。

在此基础上，对初始路网子区右侧的路网进行基于车辆密度分布的控制子区划分。

首先根据2018年8月6日研究区域内的轨迹数据对路段车辆密度进行估计，之后通过计算自适应尺度下的相似度矩阵W和规范性拉普拉斯矩阵L_sym，求解L_sym的特征向量和特征值，对L_sym最大的k个特征值对应的特征向量规范化，并用k-means算法将规范化的特征向量的所有行分为k类，并根据分类结果将路段分为k类。下面以k＝11为例进行控制子区划分示例说明。当k＝11时，路网的初始划分结果如图3所示，可以看到，利用自适应尺度NJW算法划分的初始小区的连通性极好，小区内部没有任何非连通的部分，此外通过该方法划分出的各小区内交叉口数量比较均衡，达到了较好的初始划分效果。在完成初始划分之后，需要对各小区进行合并，即反复将相邻子区中平均密度差异最小的两个子区合并。

合并过程中每次合并的子区和合并之前的NS_k如表3所示，可以看出随着初始子区合并的进行，NS_k朝着不断变小的趋势发展，即子区划分的效果越来越好，在k＝11时，当合并至第9次时NS_k为0.608132，此时的划分效果最优，但是最小子区内包含的路段数过少，这样不适宜展开门限控制。所以考虑不断试验改变初始子区数k的值，对k取2到21进行实验，寻找更优的子区划分方案。

表3k＝11时合并过程中NS_k变化表

最优控制子区划分需要同时考虑最小子区路段数和NS_k，本研究选取最小子区路段数大于等于25条件下NS_k最小的划分方案作为最优划分方案。

k取不同值时较优划分方案最小子区路段数大于25的方案如表4，可以看到当k＝10的时候最优NS_k最小为0.7224，且其最小子区路段数量为47，覆盖面积较大，此时的初始划分实例如图4所示。

表4不同k值时最小子区路段数大于25的最优子区划分概况

将初始子区不断合并，使同一区域内部的路段车辆密度相差较小而不同区域之间的路段车辆密度均值相差较大，确定了信号控制子区的边界，由表5可知，第8次合并NS_k值最小，所以选取此时的子区划分方案为最佳方案，划分结果如图5所示。

表5k＝10时合并过程中NS_k变化表

需要说明的是，上述实施例仅用来说明本发明的结构及其工作效果，而并不用作限制本发明的保护范围。本领域内的普通技术人员在不违背本发明思路及结构的情况下对上述实施例进行的调整或优化，仍应视作为本发明权利要求所涵盖。

Claims (5)

1.一种基于车辆出行轨迹数据的信号控制子区划分方法，其特征在于，该方法包括如下步骤：

S1根据车辆轨迹数据，计算一段时间内研究区域各交叉口对之间的平均OD流量并做归一化处理，基于此构建全连通无向加权图；

S2用Newman算法对路网进行划分，并根据连通性和边界平整性规则对子区进行适当调整，得到划分后的初始路网子区；

S3在S2划分初始路网子区的基础上，根据各初始路网子区内有向路段空间平均行驶时间计算空间平均速度，然后结合车流量计算路段双向平均密度；

S4基于路段双向平均密度和路网拓扑信息，利用自适应尺度NJW算法将路网划分为多个控制子区；

S5反复将相邻且平均密度差异最小的两个控制子区合并，每次合并都计算评价指标，直到所有的控制子区融合成一个控制子区，在合并过程中，选取能得到最好评价指标的方案为较优的控制子区划分方案；

步骤S1的具体过程包括：

S11获得所述车辆轨迹数据：基于视频号牌识别设备采集，并剔除异常数据，进行出行链划分和缺失信息修补后，得到能区分车辆身份并能反映其运行轨迹的数据；

S12计算一段时间内研究区域各交叉口对之间的平均OD流量：读取处理后的一天的出行轨迹数据，计算各交叉口对的单向OD流量，方法为：

其中：

V_mn：从交叉口m到交叉口n的OD流量；N：出行轨迹数目；

ord(m,n)_i：在出行轨迹i中是否存在交叉口对m和n，且m的次序在n之前，若存在，则ord(m,n)_i＝1，否则为0；

S13计算交叉口对之间的平均OD流量

并做归一化处理：首先求交叉口对m、n之间的平均OD流量的倒数

然后对平均OD流量倒数基于max-min标准做归一化处理，作为交叉口间的相异关联度，方法为：

其中：

V_nm：从交叉口n到交叉口m的OD流量；

r_mn：顶点m和n之间的相异关联度；

min：研究区域内交叉口平均OD流量倒数的最小值；

max：研究区域内交叉口平均OD流量倒数的最大值；

S14以交叉口为顶点，以交叉口对间相异关联度r_mn为顶点间的边权构建全连通无向加权图。

2.根据权利要求1所述的一种基于车辆出行轨迹数据的信号控制子区划分方法，其特征在于，步骤S2的具体过程包括：

S21针对步骤S14中构建的全连通无向加权图，依次筛选出关联度最强的前k％，k为从100到1的整数，关联边构建无向加权图，利用Newman快速算法对路网进行划分，并计算理想连通子区交叉口占所有交叉口的比例；

S22选取步骤S21中理想连通子区，即子区内的相互连通且交叉口数量大于20，且该子区内的交叉口数占路网交叉口的比例最大的划分方案作为较优划分方案；

S23如果较优划分方案中存在一些子区内不连通的情况，则根据连通性调整规则进行调整：对于每一个非理想连通子区的边界交叉口向外搜索2步，分别统计两步搜索范围内交叉口属于各理想连通子区的频数，以频数最高的理想连通子区类别作为该边界交叉口的所属类别，重复进行以上操作直到所有非理想连通子区的交叉口都被划入某个理想连通子区内；

S24如果较优划分方案中子区的边界存在不平整的情况，则根据边界平整性调整规则进行调整：对于每一个理想连通子区的边界交叉口，统计与该边界交叉口相邻的交叉口所属子区类别频数，若最高频数子区类别与该边界交叉口相同，则该边界交叉口子区类别不变，若最高频数子区类别与该边界交叉口不同，则该边界交叉口子区类别变为最高频数的子区类别。

3.根据权利要求2所述的一种基于车辆出行轨迹数据的信号控制子区划分方法，其特征在于，步骤S21中所述利用Newman快速算法对路网进行划分中Newman快速算法的过程包括：

S211对于一个含有N个顶点和M条边的无向加权网络，令网络中每个顶点均为独立社团，即顶点集合，初始模块度Q为0，模块度Q的计算方法如下：

其中：

W：网络边权重之和；

w_ij：顶点i和顶点j之间边的权重；

d_i，d_j：顶点i和顶点j的度(指顶点的边连接数)；

δ(C_i,C_j)：当C_i和C_j相同时，δ(C_i,C_j)＝1，反之为0；

然后构造辅助矩阵e和辅助向量a，e的行列数和a的元素个数都表示网络中的社团数量，e和a的元素e_ij和a_i(i,j＝1,2,3,…N)初始化如下：

a_i＝k_i/(∑w_ij)

其中：

w_ij：连接顶点i和顶点j的边的权重；

k_i：顶点i的度；

a_i：等价于e_ij的行和(列和)；

S212尝试合并所有相邻的两个社团C_i和C_j，并计算合并后网络的模块度增量ΔQ，将使ΔQ最大的两个社团进行合并操作，将e矩阵对应两个社团的行列相加，形成新的e矩阵，并重新计算向量a，更新模块度Q＝Q+max(ΔQ)；

S213重复步骤S212，直到网络中所有的顶点合并成为一个社团；

S214选取模块度Q最大时对应的社团结构为最优划分结果。

4.如权利要求1所述的一种基于车辆出行轨迹数据的信号控制子区划分方法，其特征在于，步骤S4的具体过程包括：

S41获取研究区域内各路段之间拓扑信息，建立路段的相似度矩阵W，路段u和v之间的相似度为

其中：

d(u,v)：u和v的密度差的绝对值；

σ_u：路段u与其各相邻路段密度差绝对值的最大值；

σ_v：路段v与其各相邻路段密度差绝对值的最大值；

S42根据步骤S41中的相似度矩阵W计算度矩阵D，D是主对角线上的元素为W的行(列)和的对角矩阵；

S43计算拉普拉斯矩阵

进一步构造规范性拉普拉斯矩阵

其中E代表单位矩阵；

S44求L_sym的特征值和特征方程，求L_sym前k个最大特征值对应的特征向量并构造特征向量X＝[x₁…x_k]，k为事先规定的参数；

S45规范化行向量，将矩阵X的行向量转变为单位向量，得到矩阵：

其中V_ij为矩阵X中元素；

S46将矩阵Y的每一行视为空间中的一个点，利用k-means算法将所有点聚成k类(k为根据路网实际情况选取的合适的值)，即k个控制子区，并将每个子区的较小的非连通部分根据相邻路段类型的频数划入频数最大的那一类中，保证各个子区内部的连通性。

5.如权利要求1所述的一种基于车辆出行轨迹数据的信号控制子区划分方法，其特征在于，步骤S5的具体过程包括：

S51计算每次合并结果的NS_k值，选取结果中NS_k最小的方案为较优的子区划分方案，NS_k是控制子区划分评价指标，计算方式如下：

其中：

C：子区的集合；

K：子区的数量；

NS_k(A)用于判断子区A划分的合理性，当NS_k(A)<1时，认为子区A划分比较合理，NS_k(A)的值越小时，认为子区A划分的效果越好，计算方式如下：

NSN_k(A,B)＝min{NS_k(A,X)|X∈Neighbor(A)}；

其中：

X：与子区A相邻的其他子区；

i，j：子区A和B中的路段；

d_i，d_j：路段i和j车辆密度；

N_A，N_B：子区A和B中的路段数量；

S52为了保证划分方案的合理性，可选取不同的初始划分数k，重复进行步骤S46聚类过程和步骤S5的合并过程，以便在在不同k值下的较优子区划分方案中，选取NS_k最小的划分方案作为最优划分方案。

Images