CN114639238A - 基于归一化谱聚类算法的城市快速路交通状态估计方法 - Google Patents

基于归一化谱聚类算法的城市快速路交通状态估计方法 Download PDF

Info

Publication number
CN114639238A
CN114639238A CN202210167107.XA CN202210167107A CN114639238A CN 114639238 A CN114639238 A CN 114639238A CN 202210167107 A CN202210167107 A CN 202210167107A CN 114639238 A CN114639238 A CN 114639238A
Authority
CN
China
Prior art keywords
cluster
data
follows
traffic state
similarity
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.)
Granted
Application number
CN202210167107.XA
Other languages
English (en)
Other versions
CN114639238B (zh
Inventor
任刚
赵铁聪
宋建华
陈维翰
李大韦
李豪杰
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN202210167107.XA priority Critical patent/CN114639238B/zh
Publication of CN114639238A publication Critical patent/CN114639238A/zh
Application granted granted Critical
Publication of CN114639238B publication Critical patent/CN114639238B/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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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
    • G06F18/2323—Non-hierarchical techniques based on graph theory, e.g. minimum spanning trees [MST] or graph cuts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Remote Sensing (AREA)
  • Discrete Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于归一化谱聚类算法的城市快速路交通状态估计方法，包括以下步骤：(1)对获取的城市快速路GPS数据进行预处理；(2)选定城市快速路交通运行状态的参数数据；(3)利用归一化谱聚类算法对交通流特征参数进行聚类划分并输出聚类结果确定交通估计状态；(4)利用轮廓系数SC对归一化谱聚类算法效果进行评价。本发明基于归一化谱聚类算法，通过引入新的速度离散概念和归一化拉普拉斯矩阵，能更加准确地对城市快速路交通状态进行精准估计，并在估计之后采用轮廓系数SC对整个估计结果进行效果评价，更完成整个估计过程。

Description

基于归一化谱聚类算法的城市快速路交通状态估计方法
技术领域
本发明涉及智能交通状态估计领域，尤其涉及一种基于归一化谱聚类算法的城市快速路交通状态估计方法。
背景技术
城市快速路是城市的快速交通走廊，设置中央分割带减少对向车流干扰，全部或部分采用立体交叉与控制出入，使得进入快速路的车辆能够安全、快速、高效地行驶。城市快速路巨大的服务潜力也对其自身的服务能力提出了更高的要求，对城市快速路交通状态的精准估计可以为道路管理人员和旅行者提供更有效和精确的信息，进行交通管控和路线优化，减少旅行者交通出行时间成本、提升城市综合交通运行效率。
交通状态即指交通流的总体运行状况，交通状态与交通流参数之间是一种映射关系，随着交通状态的不断变化，交通流特征参数也随之变化，对于不同的交通流参数特征，也对应不同的道路交通状态。在大部分的研究中，往往采用平均速度，流量，占有率等参数，借助这些参数衡量交通状态的近似范围。在实际道路条件下，平均速度衡量的是整个路段的整体情况，但是交通流中车辆之间的速度都存在差异，便产生车速的离散现象，尤其是差异较为明显时这种现象就更加显著，研究中使用车速离散度进行描述。由车速离散现象引发的加速、减速以及超车和变道行为，显著地改变了整个交通状态，使交通流从稳定趋向紊乱。所以将车速离散度作为交通状态表征参数能更全面地反应交通状态和交通参数之间的关系，也能精准对交通状态进行估计。
发明内容
发明目的：针对宏观交通流参数难以精确反映单个车辆对交通运行的作用，从而影响整个交通状态估计结果准确性的问题，本发明提出一种基于归一化谱聚类算法的城市快速路交通状态估计方法，实现对交通状态更精确的估计。
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：一种基于归一化谱聚类算法的城市快速路交通状态估计方法，包括以下步骤：
(1)获取城市快速路GPS数据并进行预处理：包括去除冗余数据，GPS数据时间排序，地图匹配，数据选取处理；
(2)进行交通参数选定：计算目标路段的平均速度，速度离散度，作为交通状态估计的表征参数；
(3)将表征参数平均速度和速度离散度作为二维数据点，利用归一化谱聚类算法对数据点进行聚类分析；
(4)运用轮廓系数对聚类效果即交通状态估计效果进行评价，比较每个聚类簇中轮廓系数均值的最大值即得到最终的聚类评价效果。
进一步的，所述步骤(2)中，按照以下公式计算某一时间段内的速度离散度：
Figure BDA0003516759480000021
其中，Vdt表示t时间内的车速离散度；n表示t时间内的目标车辆数；vi表示车速；
Figure BDA0003516759480000022
表示t时间内的平均速度；σ1表示t时间内的速度标准差。
进一步的，所述步骤(3)中，利用归一化谱聚类算法对选取的表征参数进行聚类划分，步骤如下：
(1)定义谱聚类算法和交通状态估计之间的关系：
定义数据集S＝(G,E)，其中
Figure BDA0003516759480000023
表示相关点，即数据点，E是点与点之间的边，用于描述两个数据点之间的相关关系，用相似度wij表示边的权重；
(2)确定图论划分准则为多路NCUT切图：
将目标数据集划分为k个集合，使得子簇间的相似度最小，子簇内的相似度最大；构造目标函数如下：
Figure BDA0003516759480000024
其中，
Figure BDA0003516759480000025
表示集合Ai与其补集
Figure BDA0003516759480000026
之间的关系，具体表示为Ai与其补集
Figure BDA0003516759480000027
之间的相似度
Figure BDA0003516759480000028
vol(Ai)表示隶属集合Ai的所有数据点的权重之和；
Figure BDA0003516759480000029
其中，n表示集合Ai的数据点数；
(3)使用n维空间中的欧几里得距离和高斯核函数定义数据点间的相似度wij，其公式如下：
Figure BDA00035167594800000210
其中，w(Xi,Xj)表示第i,j个数据点Xi,Xj之间的相似度，
Figure BDA00035167594800000211
σ2是高斯核函数的核；
(4)使用全连接法构建邻接矩阵W，wij是矩阵W中的元素：
Figure BDA00035167594800000212
(5)定义每一个数据点和与它相联的所有边的相似度之和di，公式如下：
Figure BDA0003516759480000031
Figure BDA0003516759480000032
(6)构建对角矩阵D，公式如下：
Figure BDA0003516759480000033
(7)构建归一化拉普拉斯矩阵Lsym，公式如下：
Lsym＝D-1/2LD-1/2＝E-D-1/2WD-1/2
其中，L＝D-W，E表示单位向量；对于Lsym，0是其最小的特征向量且对应的特征值是D-1/2E；
(8)计算矩阵Lsym的特征向量和对应的特征值，按照特征值从小到大的顺序选择k个最小特征值和其对应的特征向量；k个特征向量构成矩阵U；
(9)对矩阵U的每一行进行归一化处理得到矩阵N，表示如下：
Figure BDA0003516759480000034
其中，Nij是矩阵N中的元素，uij是矩阵U中的元素；
(10)将行向量ni∈N作为K-means算法的聚类中心，利用K-means算法进行聚类，获得聚类结果C1,C2,…,Ck，其中每一种聚类结果包含的数据点集合表示为A1,A2,...,Ak。
进一步的，所述步骤(4)中，运用轮廓系数SC对归一化谱聚类算法效果进行评价，具体步骤如下：
(1)计算聚类之后每个簇内数据点的轮廓系数，具体公式如下：
Figure BDA0003516759480000035
其中，Si m表示第i个簇内第m个数据点的轮廓系数，-1<Si m<1，其值越接近1表明该簇的聚类结果越优越，越接近-1聚类效果越差，当Si m＝0时，表明该数据点位于两个簇的边界；Ci表示第i类簇，|Ci|表示Ci中数据点个数；am表示Ci中数据点m和内部簇中其他点的平均相似度，bm表示Ci中数据点m与外部簇中的点的最小相似度；
Figure BDA0003516759480000036
Figure BDA0003516759480000041
(2)计算每个簇内轮廓系数Si m的均值
Figure BDA0003516759480000042
并比较k个簇中轮廓系数均值的最大值即得到最终的聚类评价效果SC：
Figure BDA0003516759480000043
其中
Figure BDA0003516759480000044
表示第k个簇内所有数据点的轮廓系数的均值。
有益效果：与现有技术相比，本发明的技术方案具有以下有益的技术效果：
在大部分的研究中，往往采用平均速度，流量，占有率等宏观参数衡量交通状态的近似范围，本发明将速度离散度引入考虑范围能从单个车辆的角度表征微观情况对整体的反应，也是对宏观交通参数的补充，更合理地表达不同层次的参数对状态的作用，从而精确地完成交通状态估计；谱聚类算法是近些年机器学习领域的热门研究问题，归一化谱聚类能收敛于全局最优解和实现简单的同时能提供不同于非规划谱聚类的特征向量，实现更好的估计效果。
本发明的基于归一化谱聚类算法的城市快速路交通状态估计方法，将以实际的出租车GPS检测到交通数据作为基础数据，以定义的速度离散度和平均速度作为表征参数，根据交通状态划分原则，即每种交通状态下速度和离散度的相似程度，利用归一化谱聚类算法实现不同交通状态之间表征参数差异最大，相同交通状态中表征参数最相近，最终实现城市快速路交通状态更加精确的估计。
附图说明
图1是本发明方法流程图；
图2是GPS数据处理流程图；
图3是归一化谱聚类算法图。
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。
本发明所述的基于归一化谱聚类算法的城市快速路交通状态估计方法，采用了定义的速度离散度和归一化谱聚类方法，用于克服宏观交通流参数难以精确反映单个车辆对交通运行的作用，从而影响整个交通状态估计结果准确性的问题，以及对非归一化谱聚类算法的改进问题，具体流程如图1所示，包括以下步骤：
(1)获取城市快速路GPS数据并进行预处理：包括去除冗余数据，GPS数据时间排序，地图匹配，数据选取处理；本实施例数据处理流程如图2；
(2)进行交通参数选定：计算目标路段的平均速度，速度离散度，作为交通状态估计的表征参数；
(3)将表征参数平均速度和速度离散度作为二维数据点，利用归一化谱聚类算法对数据点进行聚类分析；
(4)运用轮廓系数对聚类效果即交通状态估计效果进行评价，比较每个聚类簇中轮廓系数均值的最大值即得到最终的聚类评价效果。
所述步骤(2)中，按照以下公式计算某一时间段内的速度离散度：
Figure BDA0003516759480000051
其中，Vdt表示t时间内的车速离散度；n表示t时间内的目标车辆数；vi表示车速；
Figure BDA00035167594800000511
表示t时间内的平均速度；σ1表示t时间内的速度标准差。
所述步骤(3)中，利用归一化谱聚类算法对选取的表征参数进行聚类划分，算法流程如图3所示，步骤如下：
(1)定义谱聚类算法和交通状态估计之间的关系：
定义数据集S＝(G,E)，其中
Figure BDA0003516759480000052
表示相关点，即数据点，E是点与点之间的边，用于描述两个数据点之间的相关关系，用相似度wij表示边的权重；
(2)确定图论划分准则为多路NCUT切图：
将目标数据集划分为k个集合，使得子簇间的相似度最小，子簇内的相似度最大；构造目标函数如下：
Figure BDA0003516759480000053
其中，
Figure BDA0003516759480000054
表示集合Ai与其补集
Figure BDA0003516759480000055
之间的关系，具体表示为Ai与其补集
Figure BDA0003516759480000056
之间的相似度
Figure BDA0003516759480000057
vol(Ai)表示隶属集合Ai的所有数据点的权重之和；
Figure BDA0003516759480000058
其中，n表示集合Ai的数据点数；
(3)使用n维空间中的欧几里得距离和高斯核函数定义数据点间的相似度wij，其公式如下：
Figure BDA0003516759480000059
其中，w(Xi,Xj)表示第i,j个数据点Xi,Xj之间的相似度，
Figure BDA00035167594800000510
σ2是高斯核函数的核；
(4)使用全连接法构建邻接矩阵W，wij是矩阵W中的元素：
Figure BDA0003516759480000061
(5)定义每一个数据点和与它相联的所有边的相似度之和di，公式如下：
Figure BDA0003516759480000062
Figure BDA0003516759480000063
(6)构建对角矩阵D，公式如下：
Figure BDA0003516759480000064
(7)构建归一化拉普拉斯矩阵Lsym，公式如下：
Lsym＝D-1/2LD-1/2＝E-D-1/2WD-1/2
其中，L＝D-W，E表示单位向量；对于Lsym，0是其最小的特征向量且对应的特征值是D-1/2E；
(8)计算矩阵Lsym的特征向量和对应的特征值，按照特征值从小到大的顺序选择k个最小特征值和其对应的特征向量；k个特征向量构成矩阵U；
(9)对矩阵U的每一行进行归一化处理得到矩阵N，表示如下：
Figure BDA0003516759480000065
其中，Nij是矩阵N中的元素，uij是矩阵U中的元素；
(10)将行向量ni∈N作为K-means算法的聚类中心，利用K-means算法进行聚类，获得聚类结果C1,C2,…,Ck，其中每一种聚类结果包含的数据点集合表示为A1,A2,...,Ak。
所述步骤(4)中，运用轮廓系数SC对归一化谱聚类算法效果进行评价，具体步骤如下：
(1)计算聚类之后每个簇内数据点的轮廓系数，具体公式如下：
Figure BDA0003516759480000066
其中，Si m表示第i个簇内第m个数据点的轮廓系数，-1<Si m<1，其值越接近1表明该簇的聚类结果越优越，越接近-1聚类效果越差，当Si m＝0时，表明该数据点位于两个簇的边界；Ci表示第i类簇，|Ci|表示Ci中数据点个数；am表示Ci中数据点m和内部簇中其他点的平均相似度，bm表示Ci中数据点m与外部簇中的点的最小相似度；
Figure BDA0003516759480000071
Figure BDA0003516759480000072
(2)计算每个簇内轮廓系数Si m的均值
Figure BDA0003516759480000073
并比较k个簇中轮廓系数均值的最大值即得到最终的聚类评价效果SC：
Figure BDA0003516759480000074
其中
Figure BDA0003516759480000075
表示第k个簇内所有数据点的轮廓系数的均值。

Claims (4)

1.基于归一化谱聚类算法的城市快速路交通状态估计方法，其特征在于：该方法包括以下步骤：
(1)获取城市快速路GPS数据并进行预处理：包括去除冗余数据，GPS数据时间排序，地图匹配，数据选取处理；
(2)进行交通参数选定：计算目标路段的平均速度，速度离散度，作为交通状态估计的表征参数；
(3)将表征参数平均速度和速度离散度作为二维数据点，利用归一化谱聚类算法对数据点进行聚类分析；
(4)运用轮廓系数对聚类效果即交通状态估计效果进行评价，比较每个聚类簇中轮廓系数均值的最大值即得到最终的聚类评价效果。
2.根据权利要求1所述的城市快速路交通状态估计方法，其特征在于：所述步骤(2)中，按照以下公式计算某一时间段内的速度离散度：
Figure FDA0003516759470000011
其中，Vdt表示t时间内的车速离散度；n表示t时间内的目标车辆数；vi表示车速；
Figure FDA0003516759470000012
表示t时间内的平均速度；σ1表示t时间内的速度标准差。
3.根据权利要求1或2所述的城市快速路交通状态估计方法，其特征在于：所述步骤(3)中，利用归一化谱聚类算法对选取的表征参数进行聚类划分，步骤如下：
(1)定义谱聚类算法和交通状态估计之间的关系：
定义数据集S＝(G,E)，其中
Figure FDA0003516759470000013
表示相关点，即数据点，E是点与点之间的边，用于描述两个数据点之间的相关关系，用相似度wij表示边的权重；
(2)确定图论划分准则为多路NCUT切图：
将目标数据集划分为k个集合，使得子簇间的相似度最小，子簇内的相似度最大；构造目标函数如下：
Figure FDA0003516759470000014
其中，
Figure FDA0003516759470000015
表示集合Ai与其补集
Figure FDA0003516759470000016
之间的关系，具体表示为Ai与其补集
Figure FDA0003516759470000017
之间的相似度
Figure FDA0003516759470000018
vol(Ai)表示隶属集合Ai的所有数据点的权重之和；
Figure FDA0003516759470000019
其中，n表示集合Ai的数据点数；
(3)使用n维空间中的欧几里得距离和高斯核函数定义数据点间的相似度wij，其公式如下：
Figure FDA0003516759470000021
其中，w(Xi,Xj)表示第i,j个数据点Xi,Xj之间的相似度，
Figure FDA0003516759470000022
σ2是高斯核函数的核；
(4)使用全连接法构建邻接矩阵W，wij是矩阵W中的元素：
Figure FDA0003516759470000023
(5)定义每一个数据点和与它相联的所有边的相似度之和di，公式如下：
Figure FDA0003516759470000024
Figure FDA0003516759470000025
(6)构建对角矩阵D，公式如下：
Figure FDA0003516759470000026
(7)构建归一化拉普拉斯矩阵Lsym，公式如下：
Lsym＝D-1/2LD-1/2＝E-D-1/2WD-1/2
其中，L＝D-W，E表示单位向量；对于Lsym，0是其最小的特征向量且对应的特征值是D-1/ 2E；
(8)计算矩阵Lsym的特征向量和对应的特征值，按照特征值从小到大的顺序选择k个最小特征值和其对应的特征向量；k个特征向量构成矩阵U；
(9)对矩阵U的每一行进行归一化处理得到矩阵N，表示如下：
Figure FDA0003516759470000027
其中，Nij是矩阵N中的元素，uij是矩阵U中的元素；
(10)将行向量ni∈N作为K-means算法的聚类中心，利用K-means算法进行聚类，获得聚类结果C1,C2,…,Ck，其中每一种聚类结果包含的数据点集合表示为A1,A2,...,Ak。
4.根据权利要求3所述的城市快速路交通状态估计方法，其特征在于：所述步骤(4)中，运用轮廓系数SC对归一化谱聚类算法效果进行评价，具体步骤如下：
(1)计算聚类之后每个簇内数据点的轮廓系数，具体公式如下：
Figure FDA0003516759470000031
其中，Si m表示第i个簇内第m个数据点的轮廓系数，-1<Si m<1，其值越接近1表明该簇的聚类结果越优越，越接近-1聚类效果越差，当Si m＝0时，表明该数据点位于两个簇的边界；Ci表示第i类簇，|Ci|表示Ci中数据点个数；am表示Ci中数据点m和内部簇中其他点的平均相似度，bm表示Ci中数据点m与外部簇中的点的最小相似度；
Figure FDA0003516759470000032
Figure FDA0003516759470000033
(2)计算每个簇内轮廓系数Si m的均值
Figure FDA0003516759470000034
并比较k个簇中轮廓系数均值的最大值即得到最终的聚类评价效果SC：
Figure FDA0003516759470000035
其中
Figure FDA0003516759470000036
表示第k个簇内所有数据点的轮廓系数的均值。
CN202210167107.XA 2022-02-23 2022-02-23 基于归一化谱聚类算法的城市快速路交通状态估计方法 Active CN114639238B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210167107.XA CN114639238B (zh) 2022-02-23 2022-02-23 基于归一化谱聚类算法的城市快速路交通状态估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210167107.XA CN114639238B (zh) 2022-02-23 2022-02-23 基于归一化谱聚类算法的城市快速路交通状态估计方法

Publications (2)

Publication Number Publication Date
CN114639238A true CN114639238A (zh) 2022-06-17
CN114639238B CN114639238B (zh) 2023-02-14

Family

ID=81946661

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210167107.XA Active CN114639238B (zh) 2022-02-23 2022-02-23 基于归一化谱聚类算法的城市快速路交通状态估计方法

Country Status (1)

Country Link
CN (1) CN114639238B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115438402A (zh) * 2022-08-22 2022-12-06 武汉大学 基于岩-机互馈感知关系的tbm掘进岩体条件实时预测方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106067248A (zh) * 2016-05-30 2016-11-02 重庆大学 一种考虑速度离散特性的高速公路交通状态估计方法
CN107067729A (zh) * 2017-06-30 2017-08-18 广东工业大学 一种城市道路交通安全状态评估方法
CN111260933A (zh) * 2020-02-11 2020-06-09 北京交通大学 用于高分辨率机动车动态排放清单的小时交通量测算方法
CN111383452A (zh) * 2019-12-03 2020-07-07 东南大学 一种城市路网短期交通运行状态估计与预测方法
CN111462490A (zh) * 2020-04-03 2020-07-28 海信集团有限公司 一种基于多级子区划分的路网可视化方法及装置
CN112543427A (zh) * 2020-12-01 2021-03-23 江苏欣网视讯软件技术有限公司 基于信令轨迹及大数据分析识别城市交通走廊的方法与系统
CN113393079A (zh) * 2021-05-07 2021-09-14 杭州数知梦科技有限公司 一种基于公交数据的交通小区划分方法
CN114004271A (zh) * 2021-09-14 2022-02-01 浙江浙石油综合能源销售有限公司 一种基于树状基学习器的混合特征数据聚类方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106067248A (zh) * 2016-05-30 2016-11-02 重庆大学 一种考虑速度离散特性的高速公路交通状态估计方法
CN107067729A (zh) * 2017-06-30 2017-08-18 广东工业大学 一种城市道路交通安全状态评估方法
CN111383452A (zh) * 2019-12-03 2020-07-07 东南大学 一种城市路网短期交通运行状态估计与预测方法
CN111260933A (zh) * 2020-02-11 2020-06-09 北京交通大学 用于高分辨率机动车动态排放清单的小时交通量测算方法
CN111462490A (zh) * 2020-04-03 2020-07-28 海信集团有限公司 一种基于多级子区划分的路网可视化方法及装置
CN112543427A (zh) * 2020-12-01 2021-03-23 江苏欣网视讯软件技术有限公司 基于信令轨迹及大数据分析识别城市交通走廊的方法与系统
CN113393079A (zh) * 2021-05-07 2021-09-14 杭州数知梦科技有限公司 一种基于公交数据的交通小区划分方法
CN114004271A (zh) * 2021-09-14 2022-02-01 浙江浙石油综合能源销售有限公司 一种基于树状基学习器的混合特征数据聚类方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
邬群勇等: "基于多源轨迹数据的城市交通状态精细划分与识别", 《交通运输系统工程与信息》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115438402A (zh) * 2022-08-22 2022-12-06 武汉大学 基于岩-机互馈感知关系的tbm掘进岩体条件实时预测方法及装置

Also Published As

Publication number Publication date
CN114639238B (zh) 2023-02-14

Similar Documents

Publication Publication Date Title
CN107862864B (zh) 基于驾驶习惯和交通路况的行驶工况智能预测估计方法
CN106371610B (zh) 一种基于脑电信号的驾驶疲劳的检测方法
CN111444767B (zh) 一种基于激光雷达的行人检测和追踪方法
CN111192284A (zh) 一种车载激光点云分割方法及系统
CN104091321A (zh) 适用于地面激光雷达点云分类的多层次点集特征的提取方法
CN111791090B (zh) 一种基于边缘计算与粒子群算法的刀具寿命磨损判定方法
CN108388915A (zh) 一种利用聚类自动提取结构模态参数的方法
CN110386144B (zh) 一种对驾驶人制动意图进行辨识的ghmm/ggap-rbf混合模型及辨识方法
US20220051052A1 (en) Ground extraction method for 3d point clouds of outdoor scenes based on gaussian process regression
CN113484875B (zh) 一种基于混合高斯排序的激光雷达点云目标分级识别方法
CN104794496A (zh) 一种改进mRMR算法的遥感特征优选算法
CN111444769A (zh) 一种基于多尺度自适应随机森林的激光雷达检测人腿方法
CN114639238B (zh) 基于归一化谱聚类算法的城市快速路交通状态估计方法
CN101710422A (zh) 基于全局流形原型聚类算法与分水岭算法的图像分割方法
CN113327272A (zh) 一种基于相关滤波的鲁棒性长时跟踪方法
CN114299607A (zh) 一种基于自动驾驶汽车的人车碰撞危险度分析方法
CN115092165A (zh) 一种基于聚类模型的不同循环工况下驾驶员风格辨识方法
CN113581188A (zh) 一种基于车联网数据的商用车驾驶员驾驶风格识别方法
CN111421386A (zh) 一种基于流形学习方法的微铣削刀具磨损状态监测方法
Hasan et al. Multistrategy self-organizing map learning for classification problems
CN114359604A (zh) 一种基于多飞行器轨迹数据的队形识别模型构建方法
CN106991817B (zh) 多级路网路段交通容量确定方法
KR100895261B1 (ko) 평형기반 서포트 벡터를 이용한 귀납적이고 계층적인군집화 방법
CN114022705B (zh) 一种基于场景复杂度预分类的自适应目标检测方法
CN113077473A (zh) 三维激光点云路面分割方法、系统、计算机设备及介质

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