CN110610186A - 一种基于aco-fcm聚类算法的路网分区及其评估方法 - Google Patents
一种基于aco-fcm聚类算法的路网分区及其评估方法 Download PDFInfo
- Publication number
- CN110610186A CN110610186A CN201910335511.1A CN201910335511A CN110610186A CN 110610186 A CN110610186 A CN 110610186A CN 201910335511 A CN201910335511 A CN 201910335511A CN 110610186 A CN110610186 A CN 110610186A
- Authority
- CN
- China
- Prior art keywords
- road network
- clustering
- road
- fcm
- aco
- 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.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 77
- 238000005192 partition Methods 0.000 title claims abstract description 49
- 238000011156 evaluation Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000000638 solvent extraction Methods 0.000 claims abstract description 29
- 230000019637 foraging behavior Effects 0.000 claims abstract description 5
- 239000003016 pheromone Substances 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000007667 floating Methods 0.000 claims description 11
- 241000257303 Hymenoptera Species 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000007704 transition Effects 0.000 claims description 6
- 238000010348 incorporation Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 abstract description 11
- 230000007547 defect Effects 0.000 abstract description 5
- 230000006855 networking Effects 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000011158 quantitative evaluation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241000270295 Serpentes Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- 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
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及神经网络技术方法领域,更具体地,涉及一种基于ACO‑FCM聚类算法的路网分区及其评估方法,具体步骤如下:(1)利用基于蚁群觅食行为的ACO算法,确定初始聚类中心;(2)在步骤(1)之后,利用FCM聚类算法进行二次聚类;(3)在步骤(2)之后,最终确定路网子区。本发明提供一种基于ACO‑FCM聚类算法的路网分区方法,弥补FCM算法的不足,并搭建的车联网仿真模型,分别采用FCM、ACO‑FCM等2种聚类算法对路网进行分区,最后对路网分区结果进行基于MFD的定量评价。
Description
技术领域
本发明涉及神经网络技术方法领域,更具体地,涉及一种基于ACO-FCM聚类算法的路网分区及其评估方法。
背景技术
城市交通信号控制系统负责管理与控制整个城市路网,为了提高城市路网的交通控制效果,有必要进行路网分区。路网分区最初使用静态划分方法,即根据路网历史数据(如交通流量、交通密度、路网结构、路网大小)对路网进行分区。静态划分方法易于实现,对交通流变化不大的路网是可行的,但一旦交通流随机变化较大时,需要投入大量的人力物力重新获取交通数据。部分学者研究了动态路网分区方法。如基于树生长算法的路网动态分区方法,基于交通分配均衡的路网分区模型,基于交通堵塞的路网分区路径选择模型,基于关联度的路网动态分区方法,归一化分割算法(Ncut法),基于蛇集的路网动态划分方法,基于路段连通性和区域生长技术的路网分区算法。路网分区其实是将密度接近的路段划分在一起,因此,部分学者采用聚类算法进行路网动态分区。如基于空间统计聚类算法的路网子区自动划分方法,基于加权模糊聚类的路网分区方法,基于谱聚类的路网动态分区方法,基于加权平均距离聚类方法的路网分区方法,基于二维图论聚类算法的路网子区合并模型,基于改进的Newman聚类算法的路网分区方法,基于改进FCM算法的路网分区方法。其中FCM聚类方法依赖于初始聚类中心或隶属度矩阵,所得的结果容易陷入局部最优解。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于ACO-FCM聚类算法的路网分区及其评估方法,弥补FCM算法的不足,并搭建的车联网仿真模型,分别采用FCM、ACO-FCM等2种聚类算法对路网进行分区,最后对路网分区结果进行基于MFD的定量评价。
为解决上述技术问题,本发明采用的技术方案是:
提供一种基于ACO-FCM聚类算法的路网分区方法,具体步骤如下:
(1)利用基于蚁群觅食行为的ACO算法,确定初始聚类中心;
(2)在步骤(1)之后,利用FCM聚类算法进行二次聚类;
(3)在步骤(2)之后,最终确定路网子区。
优选地,在步骤(1)中,确定初始聚类中心的具体的步骤如下:
(a)初始化相关参数:在车联网环境下实时采集路段中心经纬度、路段平均速度、路段平均密度等样本数据,形成路网数据集合X={(xi1,xi2,xi3,xi4)|i=1,2,L,n},其中xi1表示第i路段的中心经度,xi2表示第i路段的中心纬度,xi3表示第i路段的平均速度,xi4表示第i路段的平均密度},每个路段可以当做单个蚂蚁;
(b)在步骤(a)之后,随机选择c个路段样本为初始聚类中心,蚂蚁路段需聚类到c个聚类中心cj,xi到cj的欧氏距离公式如下:
式中,P——权重因子,可根据路段参数对路网分区的影响程度而设定;
(c)在步骤(b)之后,定义r为聚类半径,蚂蚁路段xi到初始聚类中心cj路径上的信息素为:
(d)在步骤(c)之后,蚂蚁路段xi选择路网子区聚类中心cj的概率为:
S∈{xs|dsj≤r,s=1,2,L,N} (4)
式中,s——已分布在聚类中心cj内的蚂蚁;
α——蚂蚁在聚类过程信息素,可设置为α=1;
β——启发引导函数对路径选择的影响因子,可设置为β=2;
ηij——启发式引导函数,反映路段与聚类中心的相似度,其公式如下:
蚂蚁路段在选择路网子区聚类中心过程中,计算转移概率Pij,选取转移概率最大的Pmax,将xi并入cj内,并更新信息素πij(t+1),其更新公式如下:
πij(t+1)=(1-ρ)πij(t)+ρΔπij(t) (6)
式中,ρ——信息素的衰减系数;
Δπij(t)——在循环路径上信息素的增量;
(e)在步骤(d)之后,更新路网子区聚类中心为:
式中,J——内蚂蚁的个数;
计算总体偏离误差:
(f)在步骤(e)之后,当D小于预先设置的参数ε或者达到最大迭代次数,则输出聚类中心和聚类个数c,否则继续进行迭代,进入步骤(b),直至满足条件。
优选地,在步骤(2)中,利用FCM聚类算法进行二次聚类的具体步骤如下:
(A)以聚类中心和聚类个数c为初始聚类中心和初始聚类数;
(B)在步骤(A)之后,给出初始隶属度矩阵U0;
(C)在步骤(B)之后,计算新的聚类中心vi和新的隶属度矩阵U;
(D)在步骤(C)之后,对两次迭代之间隶属度矩阵进行比较,如果||U(k+1)-U(k)||≤e或达到迭代次数,则停止迭代,输出聚类结果;否则继续迭代。
优选地,在步骤(C)中,隶属度矩阵和聚类中心的公式如下:
式中,U——样本数据的隶属度矩阵;
V——聚类中心集合;
m——每个样本的隶属度指数,一般取m=1.5~2.5;
vi——第i个聚类中心。
本发明还提供一种根据所述的基于ACO-FCM聚类算法的路网分区方法的路网评估方法,具体步骤如下:
S1:确定各分区的路网MFD;采用FCD估测法得到各分区的MFD,然后进行函数拟合。
S2:在步骤S1之后,计算误差平方和(Sum of Squaresfor Error,SSE),SSE是指所有数据点实际值与其拟合值之差的平方和,其公式如下:
式中,yi——第i个数据点的实际值;
——第i个数据点的拟合值;
n——数据点总数;
S3:在步骤S2之后,计算确定系数R-Square,回归平方和与总偏差平方和之比称为确定系数R-Square,它反映了数据点的拟合程度,其公式如下:
式中,SSR——回归平方和,
SST——总偏差平方和,
S4:在步骤S3之后,分析各分区MFD的拟合程度,当SSE越小,R-square越接近1时,表现为MFD散射性更低,拟合曲线明显,说明路网分区内部存在更加均匀的交通流密度,分区结果合理性更高;反之,当SSE越大,R-square越小时,表现为MFD散射性较高,拟合曲线不明显,说明路网分区内部交通流密度差异加大,分区结果不合理。
与现有技术相比,本发明的有益效果是:
本发明提出一种基于ACO-FCM聚类算法的路网分区及其评估方法,以弥补FCM算法的不足,并搭建的车联网仿真模型,分别采用FCM、ACO-FCM等2种聚类算法对路网进行分区,最后对路网分区结果进行基于MFD的定量评价,确定最优算法。
附图说明
图1为实施例基于ACO-FCM聚类的路网分区流程图。
图2为仿真实验区域布局图。
图3为实施例广州天河区核心路网MFD三维图。
图4为路网仿真时段的划分结果示意图。
图5为过饱和状态下基于FCM聚类算法的路网分区结果二维图。
图6为过饱和状态下基于ACO-FCM聚类算法的的路网分区结果二维图。
图7为FCM算法下分区1的MFD图。
图8为FCM算法下分区2的MFD图。
图9为FCM算法下分区3的MFD图。
图10为1FCM算法下分区4的MFD图。
图11为ACO-FCM算法下分区1的MFD图。
图12为ACO-FCM算法下子区2的MFD图。
图13为ACO-FCM算法下分区3的MFD图。
图14为ACO-FCM算法下分区4的MFD图。
图15为两种聚类算法下路网分区MFD拟合数据的SSE图。
图16为两种聚类算法下路网分区MFD拟合数据的R-square图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明。其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本专利的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
实施例
如图1至16所示为本发明一种基于ACO-FCM聚类算法的路网分区及其评估方法的实施例,具体步骤如下:
(1)利用基于蚁群觅食行为的ACO算法,确定初始聚类中心;
(2)在步骤(1)之后,利用FCM聚类算法进行二次聚类;
(3)在步骤(2)之后,最终确定路网子区。
其中,在步骤(1)中,确定初始聚类中心的具体的步骤如下:
(a)初始化相关参数:在车联网环境下实时采集路段中心经纬度、路段平均速度、路段平均密度等样本数据,形成路网数据集合X={(xi1,xi2,xi3,xi4)|i=1,2,L,n},其中xi1表示第i路段的中心经度,xi2表示第i路段的中心纬度,xi3表示第i路段的平均速度,xi4表示第i路段的平均密度},每个路段可以当做单个蚂蚁;
(b)在步骤(a)之后,随机选择c个路段样本为初始聚类中心,蚂蚁路段需聚类到c个聚类中心cj,xi到cj的欧氏距离公式如下:
式中,P——权重因子,可根据路段参数对路网分区的影响程度而设定;
(c)在步骤(b)之后,定义r为聚类半径,蚂蚁路段xi到初始聚类中心cj路径上的信息素为:
(d)在步骤(c)之后,蚂蚁路段xi选择路网子区聚类中心cj的概率为:
S∈{xs|dsj≤r,s=1,2,L,N} (4)
式中,s——已分布在聚类中心cj内的蚂蚁;
α——蚂蚁在聚类过程信息素,可设置为α=1;
β——启发引导函数对路径选择的影响因子,可设置为β=2;
ηij——启发式引导函数,反映路段与聚类中心的相似度,其公式如下:
蚂蚁路段在选择路网子区聚类中心过程中,计算转移概率Pij,选取转移概率最大的Pmax,将xi并入cj内,并更新信息素πij(t+1),其更新公式如下:
πij(t+1)=(1-ρ)πij(t)+ρΔπij(t) (6)
式中,ρ——信息素的衰减系数;
Δπij(t)——在循环路径上信息素的增量;
(e)在步骤(d)之后,更新路网子区聚类中心为:
式中,J——内蚂蚁的个数;
计算总体偏离误差:
(f)在步骤(e)之后,当D小于预先设置的参数ε或者达到最大迭代次数,则输出聚类中心和聚类个数c,否则继续进行迭代,进入步骤(b),直至满足条件。
其中,比利时学者Marco Dorigo在1992年提出了蚁群算法(Ant ColonyOptimization,ACO),该算法是一种启发式全局优化智能算法,其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。主要应用在组合优化、数据挖掘,机器人协作问题求解,群体智能,聚类分析,网络路由优化等领域。
其基本思路是蚂蚁在选择食物的过程中,各个蚂蚁会随机选择一条路径开始寻找食物,当某只蚂蚁找到食物后,会向周围环境散发一种信息素,信息素具有一定的时效性,其它蚂蚁会感知一定范围内的信息素,根据信息素的浓度做出路径选择,信息素越浓,说明路径越近,就能够吸引更多的蚂蚁。有些蚂蚁也会另外开辟路径,当新发现的路径比原来的更短,渐渐地会吸引更多的蚂蚁到更短路径来,最后可能会找到一条最短的路径被蚂蚁重复使用。
ACO算法具有较强的正反馈能力、全局性且与其它算法能高度融合等优点,尤其是其分布式并行计算机制和优化模糊聚类的特点,有学者将蚂蚁寻找食物的过程当做是一个以为食物源为中心的聚类过程,提出了基于觅食行为的蚁群聚类分析方法,弥补FCM算法随机选取初始聚类中心的不足。
另外,模糊C-均值聚类算法(Fuzzy C-Means Algorithm,FCM聚类算法)由Bezdek在1981年所提出,是一种基于目标函数最优的模糊聚类方法,该算法依据样本数据隶属于某一聚类的隶属度,将样本数据划分为若干聚类,主要用于图像分割、实际数据分类等领域。
另外,在步骤(2)中,利用FCM聚类算法进行二次聚类的具体步骤如下:
(A)以聚类中心和聚类个数c为初始聚类中心和初始聚类数;
(B)在步骤(A)之后,给出初始隶属度矩阵U0;
(C)在步骤(B)之后,计算新的聚类中心vi和新的隶属度矩阵U;
(D)在步骤(C)之后,对两次迭代之间隶属度矩阵进行比较,如果||U(k+1)-U(k)||≤e或达到迭代次数,则停止迭代,输出聚类结果;否则继续迭代。
其中,在步骤(C)中,隶属度矩阵和聚类中心的公式如下:
式中,U——样本数据的隶属度矩阵;
V——聚类中心集合;
m——每个样本的隶属度指数,一般取m=1.5~2.5;
vi——第i个聚类中心。
本发明还提供一种根据所述的基于ACO-FCM聚类算法的路网分区方法的路网评估方法,具体步骤如下:
S1:确定各分区的路网MFD;采用FCD估测法得到各分区的MFD,然后进行函数拟合。
S2:在步骤S1之后,在步骤S1之后,计算误差平方和(Sum of Squaresfor Error,SSE),SSE是指所有数据点实际值与其拟合值之差的平方和,其公式如下:
式中,yi——第i个数据点的实际值;
——第i个数据点的拟合值;
n——数据点总数;
S3:在步骤S2之后,计算确定系数R-Square,回归平方和与总偏差平方和之比称为确定系数R-Square,它反映了数据点的拟合程度,其公式如下:
式中,SSR——回归平方和,
SST——总偏差平方和,
S4:在步骤S3之后,分析各分区MFD的拟合程度,当SSE越小,R-square越接近1时,表现为MFD散射性更低,拟合曲线明显,说明路网分区内部存在更加均匀的交通流密度,分区结果合理性更高;反之,当SSE越大,R-square越小时,表现为MFD散射性较高,拟合曲线不明显,说明路网分区内部交通流密度差异加大,分区结果不合理。
另外,Godfrey(1969)最早提出了MFD的概念,但直到2007年Daganzo和Geroliminis才详细地阐述了MFD的相关理论。依据MFD相关理论,MFD是路网的固有属性,只与路网的结构形状和大小相关,它表现为路网加权交通流量与路网加权交通密度之间的普遍联系,是一条一元三次的非对称性曲线。Nagle(2014)在Edie(1963)的基础上,给出了基于浮动车数据(FCD)的路网MFD的FCD估测法估测方法,其公式如下:
式中:kw——利用浮动车数据估算的路网交通密度(veh/km);
qw——利用浮动车数据估算的路网交通流量(veh/h);
ρ——浮动车在路网中的覆盖率;
m′——采集周期T内记录的浮动车数;
n——路网中路段总数;
t′j——采集周期T内第j浮动车的行驶时间(s);
li——第i路段的长度(m);
T——采集周期(s);
d′j——采集周期T内第j辆车的行驶距离(m);
密度接近的路网中存在清晰可见且低散射性的MFD,因此利用误差平方和与确定系数可评价路网分区结果的合理性。
具体地:
以广州市天河区实际路网作为研究对象,如图2所示,利用路网布局图,交通流量,信号配时等交通数据,搭建基于Vissim软件的车联网仿真平台。
将联网车设置从1-20%按1%递增,分别进行20次仿真,建立了联网车覆盖率与路网MFD估测精度的函数关系,由函数可知,当联网车覆盖率≥42%时,路网的MFD估测精度可达到97%。因此,将联网车覆盖率设置为42%,每隔15秒上传联网车数据,仿真时间为32400s。在EXCEL中利用VB编程实现FCD估测法,导入联网车数据文件(*.fzp),每隔120s,统计路网MFD参数:qw、kw,最后绘制路网MFD,如图3所示。
采用谱聚类算法对样本数据(如仿真时间、路网加权交通密度)进行聚类分析,将路网仿真时段划分4个阶段,包括低峰时段、平峰时段、高峰时段、过饱和时段,如图4所示。
以过饱和状态下的路网分区为例,分析过饱和状态下FCM算法和ACO-FCM算法等2种聚类算法的路网分区结果。分别采用FCM算法和ACO-FCM算法对过饱和状态下的路段交通仿真数据(如路段中心点XY坐标、路段平均密度、路段平均速度)进行聚类分析,得到路网分区结果,如图5至图6所示。
由图5至图6可知,两种算法均将整个路网分成了4个子区,但从表面上看,无法评价两种算法的划分结果优劣,需要进行定量评价。
依据上述路网分区结果,筛选出路网分区所包含的路段,采用FCD法估测各路网分区的路网加权交通流量和路网加权交通密度,绘制各路网分区的MFD,如图7至图14所示。
从各路网分区的MFD图像变化来看,仅能定性地评价路网分区结果,无法判别两种算下分区结果的优劣,需进一步对路网分区结果进行基于MFD的定量评价。首先对各路网分区的MFD进行多项式函数拟合,经整理统计后,得到FCM算法和ACO-FCM算法下各路网分区MFD的拟合函数表达式,如表1所示。
表1两种算法下路网分区MFD的拟合函数
统计得到各分区数据点的SSE和R-square,如图15和图16所示,由图15-16可知,两种算法下的分区2和分区4的MFD拟合效果最好(R-square均超过0.9)。采用ACO-FCM算法后,分区1、分区2和分区4的路网MFD的SSE和R-square均优于FCM算法,分区3因路网差异较大,不具备可比性。可见ACO-FCM聚类算法优于FCM聚类算法。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (6)
1.一种基于ACO-FCM聚类算法的路网分区方法,其特征在于,具体步骤如下:
(1)利用基于蚁群觅食行为的ACO算法,确定初始聚类中心;
(2)在步骤(1)之后,利用FCM聚类算法进行二次聚类;
(3)在步骤(2)之后,最终确定路网子区。
2.根据权利要求1所述的基于ACO-FCM聚类算法的路网分区方法,其特征在于,在步骤(1)中,确定初始聚类中心的具体步骤如下:
(a)初始化相关参数:在车联网环境下实时采集路段中心经纬度、路段平均速度、路段平均密度样本数据,形成路网数据集合X={(xi1,xi2,xi3,xi4)|i=1,2,L,n},其中xi1表示第i路段的中心经度,xi2表示第i路段的中心纬度,xi3表示第i路段的平均速度,xi4表示第i路段的平均密度},每个路段可以当做单个蚂蚁;
(b)在步骤(a)之后,随机选择c个路段样本为初始聚类中心,蚂蚁路段需聚类到c个聚类中心cj,xi到cj的欧氏距离公式如下:
式中,P——权重因子,可根据路段参数对路网分区的影响程度而设定;
(c)在步骤(b)之后,定义r为聚类半径,蚂蚁路段xi到初始聚类中心cj路径上的信息素为:
(d)在步骤(c)之后,蚂蚁路段xi选择路网子区聚类中心cj的概率为:
S∈{xs|dsj≤r,s=1,2,L,N} (4)
式中,s——已分布在聚类中心cj内的蚂蚁;
α——蚂蚁在聚类过程信息素,可设置为α=1;
β——启发引导函数对路径选择的影响因子,可设置为β=2;
ηij——启发式引导函数,反映路段与聚类中心的相似度,其公式如下:
蚂蚁路段在选择路网子区聚类中心过程中,计算转移概率Pij,选取转移概率最大的Pmax,将xi并入cj内,并更新信息素πij(t+1),其更新公式如下:
πij(t+1)=(1-ρ)πij(t)+ρΔπij(t) (6)
式中,ρ——信息素的衰减系数;
Δπij(t)——在循环路径上信息素的增量;
(e)在步骤(d)之后,更新路网子区聚类中心为:
式中,J——内蚂蚁的个数;
计算总体偏离误差:
(f)在步骤(e)之后,当D小于预先设置的参数ε或者达到最大迭代次数,则输出聚类中心和聚类个数c,否则继续进行迭代,进入步骤(b),直至满足条件。
3.根据权利要求2所述的基于ACO-FCM聚类算法的路网分区方法,其特征在于,在步骤(2)中,利用FCM聚类算法进行二次聚类的具体步骤如下:
(A)以聚类中心和聚类个数c为初始聚类中心和初始聚类数;
(B)在步骤(A)之后,给出初始隶属度矩阵U0;
(C)在步骤(B)之后,计算新的聚类中心vi和新的隶属度矩阵U;
(D)在步骤(C)之后,对两次迭代之间隶属度矩阵进行比较,如果||U(k+1)-U(k)||≤e或达到迭代次数,则停止迭代,输出聚类结果;否则继续迭代。
4.根据权利要求3所述的基于ACO-FCM聚类算法的路网分区方法,其特征在于,在步骤(C)中,隶属度矩阵和聚类中心的公式如下:
式中,U——样本数据的隶属度矩阵;
V——聚类中心集合;
m——每个样本的隶属度指数,一般取m=1.5~2.5;
vi——第i个聚类中心。
5.一种对权利要求4所述的基于ACO-FCM聚类算法的路网分区方法的评估方法,其特征在于,具体步骤如下:
S1:确定各分区的路网MFD;采用FCD估测法得到各分区的MFD,然后进行函数拟合。
S2:在步骤S1之后,计算误差平方和SSE,SSE是指所有数据点实际值与其拟合值之差的平方和,其公式如下:
式中,yi——第i个数据点的实际值;
——第i个数据点的拟合值;
n——数据点总数;
S3:在步骤S2之后,计算确定系数R-Square,回归平方和与总偏差平方和之比称为确定系数R-Square,它反映了数据点的拟合程度,其公式如下:
式中,SSR——回归平方和,
SST——总偏差平方和,
S4:在步骤S3之后,分析各分区MFD的拟合程度,当SSE越小,R-square越接近1时,表现为MFD散射性更低,拟合曲线明显,表明路网分区内部存在更加均匀的交通流密度,分区结果合理性更高;反之,当SSE越大,R-square越小时,表现为MFD散射性较高,拟合曲线不明显,表明路网分区内部交通流密度差异加大,分区结果不合理。
6.根据权利要求5所述的基于ACO-FCM聚类算法的路网分区方法的评估方法,其特征在于,在步骤(1)中,FCD估测法的公式如下:
式中:kw——利用浮动车数据估算的路网交通密度(veh/km);
qw——利用浮动车数据估算的路网交通流量(veh/h);
ρ——浮动车在路网中的覆盖率;
m′——采集周期T内记录的浮动车数;
n——路网中路段总数;
t′j——采集周期T内第j浮动车的行驶时间(s);
li——第i路段的长度(m);
T——采集周期(s);
d′j——采集周期T内第j辆车的行驶距离(m)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910335511.1A CN110610186A (zh) | 2019-04-24 | 2019-04-24 | 一种基于aco-fcm聚类算法的路网分区及其评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910335511.1A CN110610186A (zh) | 2019-04-24 | 2019-04-24 | 一种基于aco-fcm聚类算法的路网分区及其评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110610186A true CN110610186A (zh) | 2019-12-24 |
Family
ID=68889567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910335511.1A Pending CN110610186A (zh) | 2019-04-24 | 2019-04-24 | 一种基于aco-fcm聚类算法的路网分区及其评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110610186A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160465A (zh) * | 2019-12-30 | 2020-05-15 | 广东工业大学 | 一种面向宏观基本图的多模式交通路网分区方法 |
CN111598335A (zh) * | 2020-05-15 | 2020-08-28 | 长春理工大学 | 一种基于改进谱聚类算法的交通区域划分方法 |
CN115269180A (zh) * | 2022-07-18 | 2022-11-01 | 苏州大学 | 一种基于车辆地理位置感知的lcd任务分发方法及系统 |
CN115691138A (zh) * | 2022-11-02 | 2023-02-03 | 东南大学 | 一种路网子区划分及子区边界流量控制方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103680158A (zh) * | 2013-10-14 | 2014-03-26 | 长沙理工大学 | 基于c-均值模糊聚类分析的控制子区动态划分方法 |
CN105528457A (zh) * | 2015-12-28 | 2016-04-27 | 重庆云途交通科技有限公司 | 一种基于大数据技术的交通信息提取和查询方法 |
CN106897376A (zh) * | 2017-01-19 | 2017-06-27 | 四川用联信息技术有限公司 | 基于蚁群的模糊c均值算法实现关键词优化 |
CN108597227A (zh) * | 2018-05-29 | 2018-09-28 | 重庆大学 | 高速公路收费站下道交通流量预测方法 |
CN109272746A (zh) * | 2018-08-20 | 2019-01-25 | 广东交通职业技术学院 | 一种基于bp神经网络数据融合的mfd估测方法 |
CN109509196A (zh) * | 2018-12-24 | 2019-03-22 | 广东工业大学 | 一种基于改进的蚁群算法的模糊聚类的舌诊图像分割方法 |
-
2019
- 2019-04-24 CN CN201910335511.1A patent/CN110610186A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103680158A (zh) * | 2013-10-14 | 2014-03-26 | 长沙理工大学 | 基于c-均值模糊聚类分析的控制子区动态划分方法 |
CN105528457A (zh) * | 2015-12-28 | 2016-04-27 | 重庆云途交通科技有限公司 | 一种基于大数据技术的交通信息提取和查询方法 |
CN106897376A (zh) * | 2017-01-19 | 2017-06-27 | 四川用联信息技术有限公司 | 基于蚁群的模糊c均值算法实现关键词优化 |
CN108597227A (zh) * | 2018-05-29 | 2018-09-28 | 重庆大学 | 高速公路收费站下道交通流量预测方法 |
CN109272746A (zh) * | 2018-08-20 | 2019-01-25 | 广东交通职业技术学院 | 一种基于bp神经网络数据融合的mfd估测方法 |
CN109509196A (zh) * | 2018-12-24 | 2019-03-22 | 广东工业大学 | 一种基于改进的蚁群算法的模糊聚类的舌诊图像分割方法 |
Non-Patent Citations (2)
Title |
---|
周新华 等: "一种基于蚁群算法的模糊C均值聚类", 《控制工程》 * |
王晓轩: "基于聚类的城市交通路网分区和交通状态判别", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160465A (zh) * | 2019-12-30 | 2020-05-15 | 广东工业大学 | 一种面向宏观基本图的多模式交通路网分区方法 |
CN111160465B (zh) * | 2019-12-30 | 2022-07-05 | 广东工业大学 | 一种面向宏观基本图的多模式交通路网分区方法 |
CN111598335A (zh) * | 2020-05-15 | 2020-08-28 | 长春理工大学 | 一种基于改进谱聚类算法的交通区域划分方法 |
CN115269180A (zh) * | 2022-07-18 | 2022-11-01 | 苏州大学 | 一种基于车辆地理位置感知的lcd任务分发方法及系统 |
CN115691138A (zh) * | 2022-11-02 | 2023-02-03 | 东南大学 | 一种路网子区划分及子区边界流量控制方法 |
CN115691138B (zh) * | 2022-11-02 | 2023-09-26 | 东南大学 | 一种路网子区划分及子区边界流量控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110610186A (zh) | 一种基于aco-fcm聚类算法的路网分区及其评估方法 | |
CN111081016B (zh) | 一种基于复杂网络理论的城市交通异常识别方法 | |
Wen et al. | A hybrid temporal association rules mining method for traffic congestion prediction | |
Van Der Pol | Deep reinforcement learning for coordination in traffic light control | |
CN104121908B (zh) | 一种延时路径规划的方法和系统 | |
CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
CN114881356A (zh) | 基于粒子群算法优化bp神经网络的城市交通碳排预测方法 | |
CN109635914A (zh) | 基于混合智能遗传粒子群的优化极限学习机轨迹预测方法 | |
Park et al. | Learning user preferences of route choice behaviour for adaptive route guidance | |
CN110490365B (zh) | 一种基于多源数据融合预测网约车订单量的方法 | |
CN112101132B (zh) | 一种基于图嵌入模型和度量学习的交通状况预测方法 | |
CN113609240A (zh) | 基于海量卡口数据的车辆出行轨迹重构方法 | |
CN116592903B (zh) | 车路协同环境下群体偏好的生态驾驶路径实时规划方法 | |
CN117313931A (zh) | 一种基于火灾场景下地铁站台乘客疏散时间的预测方法 | |
Provoost et al. | Short term prediction of parking area states using real time data and machine learning techniques | |
JP6334687B2 (ja) | 正確な自動車道路速度制御を行う方法およびコンピュータプログラム製品 | |
CN115907238A (zh) | 基于改进猎食者优化算法的多目标应急物资中心选址方法 | |
Kponyo et al. | A distributed intelligent traffic system using ant colony optimization: a NetLogo modeling approach | |
Wen et al. | Modeling human driver behaviors when following autonomous vehicles: An inverse reinforcement learning approach | |
CN113312442B (zh) | 一种智慧城市电子地图生成方法和系统 | |
CN115798212A (zh) | 一种基于出租车轨迹的交通拥堵检测方法 | |
Laraki et al. | A large-scale and data-based road traffic flow estimation method leveraging topography information and population statistics | |
Dorosan et al. | Use of machine learning in understanding transport dynamics of land use and public transportation in a developing city | |
Waury et al. | Assessing the accuracy benefits of on-the-fly trajectory selection in fine-grained travel-time estimation | |
Prathilothamai et al. | Traffic prediction system using IoT cluster based evolutionary under sampling approach |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191224 |