一種基于區(qū)間聚類的城市道路交叉口運行狀態(tài)判別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及城市道路交通精細(xì)化管理與控制領(lǐng)域,具體涉及一種基于區(qū)間聚類的 城市道路交叉口運行狀態(tài)判別方法。
【背景技術(shù)】
[0002] 智能化的交通管理與控制已經(jīng)成為緩解城市道路交通擁堵的重要手段,信號交叉 口作為城市路網(wǎng)的重要節(jié)點,對其進(jìn)行合理的交通信號控制是提高城市道路交通管理水 平、提升路網(wǎng)運行效率的重要技術(shù)措施。城市道路信號交叉口交通流運行狀態(tài)識別旨在基 于交通流數(shù)據(jù)分析,真實、全面地反映信號交叉口交通流的實時運行狀態(tài),從而及時、準(zhǔn)確 地發(fā)現(xiàn)擁堵交叉口。準(zhǔn)確可靠的交叉口運行狀態(tài)識別為信號控制配時策略的制定和配時參 數(shù)優(yōu)化提供了有效依據(jù),對于提升交通信號控制系統(tǒng)有效性具有重要意義。
[0003] 目前城市道路信號交叉口交通流運行狀態(tài)識別方法主要是定參數(shù)法和模糊評價 法。定參數(shù)法選取一個或幾個固定交通流參數(shù)作為評價指標(biāo),基于制定的量化標(biāo)準(zhǔn)來判別 交叉口運行狀態(tài);模糊評價法是依據(jù)交叉口交通流運行狀態(tài)參數(shù)建立評判對象因素集,并 確定交通狀態(tài)對評價集中各狀態(tài)參數(shù)的隸屬度;在此基礎(chǔ)上,結(jié)合各狀態(tài)參數(shù)的權(quán)重,通過 合理的模糊變換,得出綜合評判集從而確定信號交叉口交通狀態(tài)。
[0004] 定參數(shù)法在實際工程實際應(yīng)用中,如城市道路交通信號控制系統(tǒng)(如SC00T、 SCATS、0PAC等)在信號控制配時參數(shù)優(yōu)化前通過檢測的實時數(shù)據(jù)對交叉口交通流運行狀態(tài) 進(jìn)行識別分析。其中,SCATS系統(tǒng)直接利用飽和度(DS,Degree of Saturation)來評價信號 交叉口交通飽和狀態(tài);S⑶0T利用上游交叉口停車線的交通量和"線上飽和占有率"(由 SCOOT系統(tǒng)估算的能通過交叉口停車線的排隊車輛的比例)來估計交叉口的飽和程度。然 而,使用平均延誤和飽和度閾值判斷城市道路信號交叉口交通運行狀態(tài)具有一定的局限 性,平均延誤雖然能夠較好地反映車輛在信號控制交叉口受到阻滯的程度,卻無法同時反 映車輛在城市道路的空間分布特征;飽和度僅能夠表征信號交叉口交通供需關(guān)系,無法確 切衡量道路使用者對于信號交叉口交通狀態(tài)的主觀感受,且良好的信號協(xié)調(diào)控制也會形成 高飽和度的效果,但這并不意味著交叉口交通擁堵。
[0005] 模糊理論通過構(gòu)建信號交叉口交通識別模型來更深入地研究城市道路信號交叉 口交通流運行狀態(tài)與狀態(tài)參數(shù)之間的表征關(guān)系。楊兆升等具體公開了構(gòu)建信號交叉口進(jìn)口 道最大相位飽和度、進(jìn)口道平均最大排隊長度比和路段平均車速的隸屬度函數(shù)實現(xiàn)對信號 交叉口交通運行狀態(tài)的模糊綜合判別;Li通過分析交通擁堵狀態(tài)的演變規(guī)律,針對間斷交 通流交通狀態(tài)識別問題,并應(yīng)用模糊推理方法建立了阻塞度的量化模型;鑒于傳統(tǒng)定參數(shù) 法無法體現(xiàn)道路使用者對信號交叉口服務(wù)感受,Lee通過構(gòu)建認(rèn)知公式分析模型(Cultural Consensus Analysis)確定道路使用者感受,運用模糊聚類方法判別信號交叉口的服務(wù)水 平;李妲提出了一種基于模糊神經(jīng)網(wǎng)絡(luò)的、考慮駕駛員感受的信號交叉口服務(wù)水平模型,實 現(xiàn)對混合交通流下信號交叉口的服務(wù)水平的評價。盡管基于模糊理論的信號交叉口交通運 行狀態(tài)判別方法雖然能夠描述交通狀態(tài)的模糊信息,但其判定結(jié)果的準(zhǔn)確性很大程度上受 到隸屬函數(shù)及因素權(quán)重的影響,然而這些確定方法帶有很強的主觀和經(jīng)驗性。
[0006] 聚類分析是數(shù)據(jù)挖掘的重要技術(shù)之一,其將樣本劃分為不同的類別,并捕捉不同 類別樣本的差異性。其中,K均值聚類分析作為目前最常用的劃分聚類分析方法,該方法計 算簡單、適用性強,同時能夠在不斷迭代過程中糾正聚類錯分,從而生成較為合理的聚類結(jié) 果,目前已廣泛應(yīng)用于高速公路、城市道路路段交通狀態(tài)識別方面,它能夠反映出交通狀態(tài) 參數(shù)在同一交通狀態(tài)下的相似特性以及不同狀態(tài)下交通狀態(tài)參數(shù)之間的轉(zhuǎn)換特征。但現(xiàn)有 采用研究時段(15分鐘)內(nèi)交通參數(shù)均值的方法無法表征交通流運行狀態(tài)的不確定性。
【發(fā)明內(nèi)容】
[0007] 發(fā)明目的:針對城市道路信號交叉口交通流受到信號控制以及相交道路交通流干 擾,使得交通流運行狀態(tài)表現(xiàn)出一定的不確定性,因此現(xiàn)有方法僅僅采用狀態(tài)參數(shù)均值無 法確切表征交叉口交通流運行狀態(tài)。本發(fā)明提出了一種基于區(qū)間聚類的城市道路交叉口運 行狀態(tài)判別方法。該方法以城市道路信號交叉口為研究對象,以飽和度、延誤和排隊長度作 為信號交叉口狀態(tài)參數(shù),以狀態(tài)參數(shù)均值和區(qū)間值作為輸入數(shù)據(jù),在傳統(tǒng)K均值聚類方法的 基礎(chǔ)上,實現(xiàn)了區(qū)間數(shù)據(jù)的聚類分析,構(gòu)建了基于多狀態(tài)參數(shù)區(qū)間值的城市道路信號交叉 口交通流運行狀態(tài)識別方法。
[0008] 技術(shù)方案:為實現(xiàn)上述目的,本發(fā)明采用的技術(shù)方案為:
[0009] -種基于區(qū)間聚類的城市道路交叉口運行狀態(tài)判別方法,包括如下步驟:
[0010] 步驟1,根據(jù)交叉口交通流參數(shù)的不確定性,選取延誤、排隊長度以及飽和度三參 數(shù)作為交叉口交通狀態(tài)判別指標(biāo)。
[0011] 步驟2,根據(jù)美國道路通行能力手冊中城市道路信號交叉口交通流運行狀態(tài)參數(shù) 均值估計的解析方法對步驟1中選取的延誤、排隊長度以及飽和度三參數(shù)進(jìn)行均值估計。
[0012] 步驟3,根據(jù)交叉口車輛的延誤和排隊長度均服從正態(tài)分布的特點,對步驟2得到 的延誤和排隊長度求其在l-α置信水平下的置信區(qū)間。
[0013] 步驟4,對步驟3得到的延誤和排隊長度的置信區(qū)間進(jìn)行Κ均值聚類分析。
[0014] 步驟5,根據(jù)步驟2得到飽和度和步驟4對延誤和排隊長度的置信區(qū)間進(jìn)行Κ均值聚 類分析的結(jié)果判別交叉口運行狀態(tài)。
[0015] 所述步驟1)中,
[0016] 飽和度是車道組交通需求和通行能力之間的比值;
[0017] 延誤包括均勻延誤和增量延誤兩個分量,其中均勻延誤為延誤的期望值,增量延 誤可基于飽和度的不同取值表征不同的意義;
[0018] 步驟2中延誤的均值是均勻延誤分量乘以信號協(xié)調(diào)修正系數(shù)與增量延誤分量之 和,延誤的方差是為均勾延誤分量和增量延誤分量兩類分量方差之和;
[0019] 平均排隊長度包括第一類排隊長度和第二類排隊長度兩個分量,其中,第一類排 隊長度表示在車輛均勻到達(dá)假設(shè)下,紅燈結(jié)束時刻車輛的平均排隊長度;第二類排隊長度 亦可基于飽和度的不同取值表征不同的意義,在飽和度小于1時,其表示為由于部分周期過 飽和產(chǎn)生的過飽和排隊的期望,在飽和度大于1時,其表示為確定的過飽和排隊和隨機排隊 之和的期望;排隊長度的均值是第一類排隊長度乘以信號協(xié)調(diào)修正系數(shù)與第二類排隊長度 之和,排隊長度的方差可以表示為兩類排隊長度方差之和。
[0020]所述步驟3中交叉口車輛的延誤和排隊長度服從正態(tài)分布:
[0023] 其中,d表示車輛延誤,N表示正態(tài)分布,3表示車輛延誤均值估計值,Var(d)表示 延誤的方差,Q表示車輛排隊長度,&表示車輛排隊的均值估計值,Var(Q)表示排隊長度的 方差;
[0024]所述步驟3中延誤和排隊長度求其在l-α置信水平下的置信區(qū)間:
[0027]其中,Ζα/2為正態(tài)分布分位點。
[0028]所述步驟4中對延誤和排隊長度的置信區(qū)間進(jìn)行Κ均值聚類分析的方法:
[0029]步驟41,進(jìn)行區(qū)間數(shù)據(jù)標(biāo)準(zhǔn)化,采用Hausdorff距離分別對延誤和排隊長度的置信 區(qū)間數(shù)據(jù)距離度量,根據(jù)中心化法對這兩個數(shù)據(jù)進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化。
[0030]步驟42,根據(jù)聚類類別數(shù)目,在標(biāo)準(zhǔn)化后的數(shù)據(jù)中隨機選取K個初始聚類中心Ck (=1,2,…,K)〇
[0031 ]步驟43,計算區(qū)間數(shù)據(jù)對象Mj ( = 1,2,…,Κ)與各聚類中心Ck( = 1,2,…,Κ)之間的 距離,若對象吣與聚類中心匕之間的距離最小,那么將該對象歸為聚類Pi類。
[0032]步驟44,根據(jù)步驟43得到的歸類結(jié)果計算目標(biāo)函數(shù)J,若J值收斂則聚類結(jié)束,當(dāng)前 類別即為最終的分類類別,轉(zhuǎn)入步驟5);否則,重新計算聚類中心,轉(zhuǎn)入步驟43)。
[0033] 所述步驟41中的Hausdorff距離度量公式為:
[0035] U= (ui,U2,…,un)T= ([ai,bi],[a2,b2],…,[an,bn] )τ;
[0036] V= (vi,V2, ···,Vn)T= ([αι,βι],[α2,β2],…,[αη,βη] )τ,
[0037] 其中,dH表示Hausdorff距離,U和V分別表示兩個η維區(qū)間向量,c(m)、c(Vi)分別表 示區(qū)間數(shù)據(jù)udPVl的中點,描述了區(qū)間數(shù)據(jù)的集中位置;r(m)、r(Vl)分別表示區(qū)間數(shù)據(jù)m和 Vl的半徑,主要反