CN114783179A - 基于状态矢量的拥堵聚类判别方法 - Google Patents

Abstract

本发明公开了基于状态矢量的拥堵聚类判别方法，一种基于灰色关联和欧式距离相结合的等级聚类方法来综合评价路段交通拥堵状态。通过对出租车GPS轨迹点数据进行矢量提取来获得车辆的状态矢量序列，进而计算得到各个路段T时间段的交通流速度、车流量和路段状态矢量数量，利用上面三个交通流参数来综合评估每个路段的交通拥堵等级。

Description

基于状态矢量的拥堵聚类判别方法

技术领域

本发明属于交通拥堵评价技术领域，提出一种基于灰色关联和欧式距离相结合的等级聚类方法，并将之应用于判别道路交通拥堵状态。

背景技术

随着我国经济的不断发展，我国城市化的进程逐渐加快，机动车辆数量快速增长，城市道路交通量迅速增加。而道路交通基础设施建设缓慢，交通管理水平相对落后，交通意识难以跟上形势的发展，这导致我国各大中城市普遍出现了严重的交通拥堵。虽然各城市加大了对交通基础设施的投资，但城市交通拥堵问题并没有得到明显缓解，相反，伴随着私人小汽车的快速增长，城市交通需求与交通供给之间的矛盾日趋尖锐，道路交通拥堵现象越来越严重^[1]。

为了从交通拥堵发生的根源上找出缓解城市交通拥堵，保持城市畅通的有效方法，除了对城市交通拥堵特征分析以外，有必要确定适当的拥堵评价方法，根据具体交通指标参数对拥堵进行评价。

近年来，车载GPS发展迅速，产生大量的时空数据。许多研究基于GPS浮动车数据(FCD)来获得流量、速度等交通流参数，从而对拥堵状态进行评价。然而，在物联网系统中，感知数据是频繁采集并上传的，造成了繁重的数据计算与存储负担。而监测车辆的轨迹状态通常是保持不变或根据一定的模式均匀变化。任付杰等^[2]提出将监控对象的状态变化模式称为“状态矢量”，并根据贝塞尔曲线拟合得到了状态矢量序列。通过状态矢量来表示车辆运行轨迹，不仅有效降低了矢量存储层中数据更新的速度，大大减少了数据查询与分析等操作所涉及的数据量，并且可以获得速度、流量等基本交通量参数，从而进行路段拥堵状态评价。

目前，许多聚类方法已被广泛使用。K-means算法和Fuzzy C-Means(FCM)算法是常用的聚类算法。但K-means算法和Fuzzy C-Means(FCM)算法无法区分聚类属于哪个等级。zhang等^[3]提出了灰色关联度等级聚类算法(GMRC)来判断聚类的优先级。

现有的拥堵评价指标多数情况是设定阈值来判断路段拥堵情况，从而将拥堵等级划分为3-5个等级。但人为设定拥堵阈值对拥堵判定的主观性太强。为此，提出一种基于灰色关联和欧式距离相结合的等级聚类方法，无需人为设定阈值就可判定道路交通拥堵状态。

发明内容

本发明提供一种基于灰色关联和欧式距离相结合的等级聚类方法来综合评估路段交通拥堵状态。通过对出租车GPS轨迹点数据进行状态矢量提取来获得车辆的状态矢量序列，进而计算得到各个路段T时间段的交通流速度、车流量和路段状态矢量数量，利用上面三个交通流参数来综合评估每个路段的交通拥堵等级。

本发明方法的基本原理如下：本发明将收集得到的出租车GPS轨迹数据提取为状态矢量序列，利用矢量序列计算出各个路段T时间段的交通流速度、车流量和路段状态矢量数量，并根据三个交通流参数的特点进行归一化，最后提出了一种基于灰色关联和欧式距离相结合的等级聚类方法来获得各个路段的交通拥堵等级。

基于状态矢量的拥堵聚类判别方法，其发明包括以下步骤：

步骤一：收集出租车GPS轨迹数据集和路段交通状态数据集，出租车GPS轨迹数据集的字段包括出租车位置坐标、时间、瞬时速度等信息，路段交通状态数据集的字段包括路段名称、交通拥堵等级、路段位置范围等信息。

步骤二：利用三阶贝赛尔曲线提取到车辆的状态矢量序列。根据状态矢量序列信息计算得到各个路段T时间段的交通流速度、车流量和路段状态矢量数量，交通流速度为道路上车辆的平均速度，单位为km/h；车流量为单位时间内通过某一路段的车辆数量；路段上监控车辆的状态矢量数量的多少在一定程度上反映了路段交通拥堵状况。路段交通越拥堵，路段状态矢量越多。

步骤三：由于单一的指标不足以来描述交通拥堵状态，因此利用交通流速度、车流量和路段状态矢量数这三个交通参数，提出了一种基于灰色关联和欧式距离相结合的等级聚类方法来综合评估交通拥堵状态。

(1)定义比较序列X＝{X_iX_i＝(X_i1,X_i2,X_i3)}，i∈N。X_i表示第i个路段对象，每个对象有三个属性：交通流速度、车流量、路段状态矢量个数。参考序列Y＝{Y_i|Y_i＝(Y_i1,Y_i2,Y_i3)}(i＝1,2,...,p)，将交通流属性信息(当道路为畅通状态或车辆以自由流速度行驶时)作为参考序列。

(2)从比较序列中提取一组最优序列作为最优参考序列。根据三个交通流指数的特点，最优参考序列定义为X₀＝{X₀₁,X₀₂,X₀₃}。

由于交通流速度的值越大，道路交通越畅通。因此X₀₁定义如下：

X_0j＝maxX_ij(i∈N,j＝1) (1)

由于车流量越小，道路交通越畅通。因此X₀₂定义如下：

X_0j＝minX_ij(i∈N,j＝2) (2)

由于路段状态矢量个数值越小，道路交通越畅通。因此X₀₃定义如下：

X_0j＝minX_ij(i∈N,j＝3) (3)

(3)由于不同交通流参数单位不同，根据不同交通流参数的特点将范围缩小为(0,1)。

交通流速度归一化处理如下：

车流量和路段状态矢量个数归一化处理如下：

归一化得到(p+1)个矩阵，将(p+1)个矩阵命名为：A₀,A₁,...,A_p。

(4)分别计算最优参考序列X₀和比较序列集X_i的灰色关联度和欧式距离。同样，当X_i为参考序列，X_j为比较序列，可以计算X_i和X_j的灰色关联度γ_ij和欧式距离d_ij。

灰色关联度计算公式为：

欧式距离计算公式为：

(5)根据灰色关联度计算得到灰色关联相似矩阵G，其中矩阵元素g_ij＝(γ_ij+γ_ij)/2。将欧式距离矩阵每一行元素进行归一化，欧式距离值越大，说明在位置上间隔越远，相似度越低，根据这一特点对欧式距离进行归一化。

(6)基于灰色关联相似矩阵和欧式距离矩阵构造了一种新的相对贴近度s_ij，得到贴近度矩阵S，基于最优参考序列得到的贴近度矩阵为S₀。

贴近度计算公式为：

s_ij＝α*g_ij+β*d_ij (11)

步骤四：根据贴近度构造了最大相似树；其次，基于S₀可以获得X_i和X_j的贴近度，可以进一步构造带有贴近度的最大相似树，其中α_i代表X_i和X_j的贴近度。

步骤五：建立决策表系统，计算各个聚类成员的信息熵。

信息熵权重I(c_h,D)计算公式为：

I(c,D)＝H(D)-H(D|{c}) (12)

其中，i＝1,2,...k(k为聚类数)。RC_i表示聚类成员c的第i个聚类，|RC_i|表示第i个聚类结果中路段的数量，|X|＝n。信息熵权重I(c_h,D)表示集群成员c_h对于决策结果D的重要程度。

步骤六：计算聚类成员的相对权重，设E_h＝I(c_h,D)，则每个集群成员的相对权重为：

步骤七：根据相对权重计算每个路段对象X_i在每个聚类等级j中出现的概率

选择概率最大的聚类等级Level(X_i)。

步骤八：最终的聚类结果C＝{C¹,C²,...,C^k}，C^k包括所有路段对象中拥堵等级为k的路段。

C^k＝{X_i|Level(X_i)＝k,X_i∈X} (20)

聚类等级对应道路交通拥堵程度等级，k＝1表示道路交通拥堵状态为畅通。

步骤九：构造能同时反映出类内距离和类间距离的准则函数，获取到类的隶属度等级。

隶属度函数描述如下：S_XY表示路段对象X与路段对象Y的贴近度，C的类内紧凑度为S_w(C)为：

C的类间分离度为S_B(C)为：

因此，隶属度函数为：

V_S(C)＝S_w(C_k)+S_B(C_k) (23)

道路交通拥堵最优聚类结果从数值上反映为隶属度函数取得最大值。

附图说明

图1为本发明所涉及的基于S₀所构建的最大相似树示意图。

图2为本发明所涉及的基于S₀所构建的带有贴近度的最大相似树示意图

图3为本发明提供的出租车GPS轨迹数据处理流程图。

图4为本发明提供的状态矢量提取流程图。

图5为本发明提供的基于灰色关联和欧式距离相结合的等级聚类方法流程图。

图6为本发明实施流程示意图。

具体实施方式

下面结合相关附图对本发明进行解释和阐述：

本发明采用的数据集是出租车GPS轨迹数据和同时期路段交通状态数据，基于状态矢量提取流程图如附图4所示，基于灰色关联和欧式距离相结合的等级聚类方法流程图如附图5所示，本发明实现包含以下几个步骤。

步骤一：收集出租车GPS轨迹数据以及同时期路段交通状态数据，其GPS轨迹数据的字段包括出租车的车牌号，生成时间，经纬度，速度，车辆状态等信息，如表1所示。

表1出租车GPS轨迹数据集

步骤二：对出租车数据如附图3流程所示进行预处理，对GPS轨迹数据如附图4所示进行矢量提取，利用三阶贝赛尔曲线拟合方法得到车辆状态矢量序列。设置路段长度范围为1km，时间段T为5min，根据状态矢量序列得到路段平均速度、车流量、路段状态矢量个数。

步骤三：根据三个参数的自身特点，从路段信息集合中选取一组最优序列，对(n+1)组比较序列进行归一化，计算(p+1)组参考序列与比较序列的灰色关联度和欧式距离，根据灰色关联度计算灰色关联相似度，将欧式距离和灰色关联相似度结合起来，得到一种新的贴近度。

步骤四：附图1为基于S₀第一行元素所得到的最大相似树，附图2为基于S₀第一行元素所得到的带有贴近度的最大相似树，设立孤立系数为0.7，当贴近度小于孤立系数且相邻分支出现较大差异时，则对最大相似树进行剪枝，使它水平方向上得到k个聚类结果。将第一个聚类看作第一级(畅通)，第四个聚类为第四级(严重拥堵)。因此，有(p+1)组参考序列，可以获得(p+1)个聚类成员集合。

步骤五：建立以p个聚类成员集合为条件属性的决策表，由最优参考序列而获得的聚类结果作为决策属性，计算出各个集群成员的信息熵。

步骤六：计算每个集群成员的相对权重。

步骤七：计算每个聚类结果中每个路段对象出现的概率，选择使概率最大化并得到每个路段的拥堵聚类等级。

步骤八：将道路拥堵状态分为四个等级，即畅通、轻度拥堵、拥堵和重度拥堵。因此，最后可获得四个聚类结果，可以从聚类结果中获得每个路段的拥堵状态等级。

步骤九：构造隶属度函数来评价聚类结果的优劣，通过隶属度函数的值来选取孤立系数。

本发明基于状态矢量的思想提出了一种判别交通拥堵状态的聚类算法，其目的在于为交通拥堵管理、道路交通系统优化方案提供决策依据，对提高出行效率、缓解城市交通拥堵、促进城市的可持续发展有重要的意义。通过矢量提取算法与基于灰色关联和欧氏距离的等级聚类方法，从状态矢量的角度来获取交通流的参数(平均速度、车流量)，并结合路段矢量个数来评价路段的拥堵程度，该方法可使出行者对拥堵程度有更直观的认识，对于合理引导公众出行、方便人们的生活具有重要意义。

Claims (1)

1.基于状态矢量的拥堵聚类判别方法，其特征在于：该方法包括以下步骤：

步骤一：收集出租车GPS轨迹数据集和路段交通状态数据集，出租车GPS轨迹数据集的字段包括出租车位置坐标、时间、瞬时速度信息，路段交通状态数据集的字段包括路段名称、交通拥堵等级、路段位置范围信息；

步骤二：利用三阶贝赛尔曲线提取到车辆的状态矢量序列；根据状态矢量序列信息计算得到各个路段T时间段的交通流速度、车流量和路段状态矢量数量，交通流速度为道路上车辆的平均速度；车流量为单位时间内通过某一路段的车辆数量；路段上监控车辆的状态矢量数量反映路段交通拥堵状况；路段交通越拥堵，路段状态矢量越多；

步骤三：由于单一的指标不足以来描述交通拥堵状态，利用交通流速度、车流量和路段状态矢量数这三个交通参数，提出一种基于灰色关联和欧式距离相结合的等级聚类方法来综合评估交通拥堵状态；

(1)定义比较序列X＝{X_i|X_i＝(X_i1，X_i2，X_i3)}，i∈N；X_i表示第i个路段对象，每个对象有三个属性：交通流速度、车流量、路段状态矢量个数；参考序列Y＝{Y_i|Y_i＝(Y_i1，Y_i2，Y_i3)}，将交通流属性信息作为参考序列；

(2)从比较序列中提取一组最优序列作为最优参考序列；根据三个交通流指数的特点，最优参考序列定义为X₀＝{X₀₁，X₀₂，X₀₃}；

由于交通流速度的值越大，道路交通越畅通；因此X₀₁定义如下：

X_0j＝maxX_ij(i∈N，j＝1) (1)

由于车流量越小，道路交通越畅通；因此X₀₂定义如下：

X_0j＝minX_ij(i∈N，j＝2) (2)

由于路段状态矢量个数值越小，道路交通越畅通；因此X₀₃定义如下：

X_0j＝minX_ij(i∈N，j＝3) (3)

(3)由于不同交通流参数单位不同，根据不同交通流参数的特点将范围缩小为(0，1)；

交通流速度归一化处理如下：

车流量和路段状态矢量个数归一化处理如下：

归一化得到(p+1)个矩阵，将(p+1)个矩阵命名为：A₀，A₁，...，A_p；

(4)分别计算最优参考序列X₀和比较序列集X_i的灰色关联度和欧式距离；同样，当X_i为参考序列，X_j为比较序列，可以计算X_i和X_j的灰色关联度γ_ij和欧式距离d_ij；

灰色关联度计算公式为：

欧式距离计算公式为：

(5)根据灰色关联度计算得到灰色关联相似矩阵G，其中矩阵元素g_ij＝(γ_ij+γ_ji)/2；将欧式距离矩阵每一行元素进行归一化，欧式距离值越大，说明在位置上间隔越远，相似度越低，根据这一特点对欧式距离进行归一化；

(6)基于灰色关联相似矩阵和欧式距离矩阵构造了一种新的相对贴近度s_ij，得到贴近度矩阵S，基于最优参考序列得到的贴近度矩阵为S₀；

贴近度计算公式为：

s_ij＝α*g_ij+β*d_ij (11)

步骤四：根据贴近度构造了最大相似树；基于S₀获得X_i和X_j的贴近度，可以进一步构造带有贴近度的最大相似树，其中α_i代表X_i和X_j的贴近度；

步骤五：建立决策表系统，计算各个聚类成员的信息熵；

信息熵权重I(c_h，D)计算公式为：

I(c，D)＝H(D)-H(D|{c}) (12)

其中，i＝1，2，...k，k为聚类数；RC_i表示聚类成员c的第i个聚类，|RC_i|表示第i个聚类结果中路段的数量，|X|＝n；信息熵权重I(c_h，D)表示集群成员c_h对于决策结果D的重要程度；

步骤六：计算聚类成员的相对权重，设E_h＝I(c_h，D)，则每个集群成员的相对权重为：

步骤七：根据相对权重计算每个路段对象X_i在每个聚类等级j中出现的概率

选择概率最大的聚类等级Level(X_i)；

步骤八：最终的聚类结果C＝{C¹，C²，...，C^k}，C^k包括所有路段对象中拥堵等级为k的路段；

C^k＝{X_i|Level(X_i)＝k，X_i∈X} (20)

聚类等级对应道路交通拥堵程度等级，k＝1表示道路交通拥堵状态为畅通；

步骤九：构造能同时反映出类内距离和类间距离的准则函数，获取到类的隶属度等级；

隶属度函数描述如下：S_XY表示路段对象X与路段对象Y的贴近度，C的类内紧凑度为S_w(C)为：

C的类间分离度为S_B(C)为：

因此，隶属度函数为：

V_S(C)＝S_w(C_k)+S_B(C_k) (23)

道路交通拥堵最优聚类结果从数值上反映为隶属度函数取得最大值。

Images