基于改進(jìn)k-means算法的交叉口影響路段行程速度估計

《基于改進(jìn)k-means算法的交叉口影響路段行程速度估計》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在應(yīng)用文檔-天天文庫。

1、基于改進(jìn)K-Means算法的交叉口影響路段行程速度估計錢蕾韓印姚佼上海理工大學(xué)管理學(xué)院棊于低頻、低覆蓋率、數(shù)據(jù)來源多樣的GPS浮動車數(shù)據(jù)，在現(xiàn)有數(shù)據(jù)預(yù)處理方法的基礎(chǔ)上，以交叉口影響路段數(shù)據(jù)點(diǎn)為研宂對象，研宂出更合理且準(zhǔn)確獲得交通參數(shù)的技術(shù)方案。GPS浮動車數(shù)據(jù)由于其具有全天候、多覆蓋等特性，能夠?qū)崟r監(jiān)測交通參數(shù)，估計交通狀態(tài)。為克服數(shù)據(jù)木身缺陷，使數(shù)據(jù)能有效利用，精確得到交通參數(shù)，本研宄獲取短時內(nèi)路段所有數(shù)據(jù)點(diǎn)代表整體狀態(tài)。首先基于數(shù)據(jù)的特性和在路段分布的節(jié)律，利用曲線擬合及拉格朗口屮值定理確定交叉門的影響范圍;其次在該范圍內(nèi)利用

2、改進(jìn)K-Means聚類方法，確定初始聚類中心，并以有效性指數(shù)作為優(yōu)化目標(biāo)確定聚類數(shù);在此基礎(chǔ)上分配權(quán)重，結(jié)合交叉口影響范圍外的數(shù)據(jù)點(diǎn)，對整個交叉口影響路段的行程速度進(jìn)行估計。用杭州市局部路網(wǎng)中GPS數(shù)據(jù)進(jìn)行案例分析，驗(yàn)證技術(shù)方案。通過實(shí)地調(diào)查獲取實(shí)驗(yàn)真實(shí)值，分別討論了在主、次干路路段本方案估計差異，并與傳統(tǒng)模型進(jìn)行了對比分析。分析表明，該方法得到的路段行程速度估計值與真實(shí)值較為接近，誤差較小，在城市主干路和次干路中的誤差分別為4.1%和9.5%,比傳統(tǒng)模型誤差更小更穩(wěn)定，能較好地滿足城市智能交通控制系統(tǒng)對于交通參數(shù)的精度要求。關(guān)鍵

3、詞：交通工程;路段行程速度;K-Means聚類;低頻浮動車數(shù)據(jù);聚類有效性指數(shù);其中，低頻浮動車數(shù)據(jù)分析是在交通大數(shù)據(jù)背景下重要的微觀小樣本機(jī)理分析，與交通大數(shù)據(jù)態(tài)勢分析相互嵌套m。雖然采樣頻率較低，但是由于浮動車數(shù)量大和不間斷運(yùn)營，能在滿足對車輛安全監(jiān)控、對數(shù)據(jù)存儲成本降低的同時，進(jìn)行城市路網(wǎng)中全天時天候的信息采集。在交通信息中，路段平均行程速度是路段交通狀態(tài)判定的重要指標(biāo)，更是整個智能交通系統(tǒng)中重要的基礎(chǔ)參數(shù)。基于浮動車數(shù)據(jù)，在道路參數(shù)估計方面如路段平均行程速度的估計一直不乏研究者探討。傳統(tǒng)的對浮動車數(shù)據(jù)的處理研宂多針對理想的

4、高頻采樣數(shù)據(jù)，或僅對車列數(shù)據(jù)進(jìn)行處理［2-10］，運(yùn)用的方法有:均值法、積分模型法、神經(jīng)網(wǎng)絡(luò)、模糊推理等方法。積分模型法研究較多，分為速度-時間積分模型和坐標(biāo)-時間內(nèi)插模型［5-6］。隨著人工智能算法的應(yīng)用，對單一浮動車交通參數(shù)估計出現(xiàn)了利用BP神經(jīng)網(wǎng)絡(luò)、模糊推理M等方法。但是，高頻數(shù)據(jù)不易得到;而II盡管為高頻數(shù)據(jù)，但在單列數(shù)據(jù)點(diǎn)屮仍存在著需要分類討論匹配后的數(shù)據(jù)點(diǎn)個數(shù)、位置與不同交叉口路段的兒何關(guān)系，需要考慮的情形多且易疏漏。近些年，隨著大數(shù)據(jù)的研宄與應(yīng)用，聚類分析在決策精細(xì)化中越來越重要。短時交通流通常研宄在5~30min內(nèi)

5、交通流狀態(tài)的變化情況UU，應(yīng)用聚類方法對短時交通流中的浮動車數(shù)據(jù)提取交通參數(shù)，更為貼近實(shí)際交通情況［12-15］，而H浮動車的數(shù)據(jù)點(diǎn)數(shù)量大大增加更有利于聚類分析:把雜亂的數(shù)據(jù)點(diǎn)集分組為由類似的對象組成的多個類，可以使數(shù)據(jù)更具代表性，更好地利用數(shù)據(jù)特征，更及時準(zhǔn)確地表征短時交通狀態(tài)。但目前研究中處理浮動車數(shù)據(jù)時較少考慮不同聚類算法存在的弊端，較少把路段交通特征和數(shù)據(jù)點(diǎn)特征結(jié)合起來。因此本研宄沿用短時交通流背景下的聚類分析處理，并加以改進(jìn)。以短時間（5min）為研究單位，對短時內(nèi)所有有效數(shù)據(jù)點(diǎn)進(jìn)行累積曲線擬合后聚類處理，成為能快速準(zhǔn)確

6、計算出實(shí)時路段行程速度的方法。在聚類分析時，考慮初始聚類中心重耍性、聚類有效性評價、聚類個數(shù)的最優(yōu)選取等問題進(jìn)行研究。最后，以杭州城市交通為例，利用低頻采樣（^30s）的混合車輛（能釆集到GPS數(shù)據(jù)的所有車輛，以出祖車為主，包括公交車、客貨運(yùn)車以及部分私人小汽車）浮動車數(shù)據(jù)進(jìn)行試驗(yàn)驗(yàn)證。1交叉口影響路段中交叉口多響范交叉UI影響路段，如圖1所示，通過路段劃分和子路段劃分后II虹，大多數(shù)路段都受到交叉口上游的影響，車輛行駛過程中表現(xiàn)出來“平穩(wěn)行駛-交叉口排隊(duì)”節(jié)律，故把交叉門影響路段劃分為交叉門影響范圍和平穩(wěn)行駛范圍。并對5min內(nèi)

7、所有數(shù)據(jù)點(diǎn)進(jìn)行地閣匹配。從中不難看出，對于數(shù)據(jù)點(diǎn)的數(shù)量和密度，在交義口影響范圍內(nèi)明顯大于不受影響的車輛平穩(wěn)行駛范圍。以距交叉口的距離為x軸，自交叉U附近第一個數(shù)據(jù)點(diǎn)算起的數(shù)據(jù)點(diǎn)累積數(shù)量為y軸建立路段數(shù)據(jù)累積圖（如圖2所示），更為直觀體現(xiàn)該規(guī)律。另外，通過觀察數(shù)據(jù)集瞬吋速度發(fā)現(xiàn)，在車輛平穩(wěn)行駛范圍內(nèi)數(shù)據(jù)點(diǎn)較少但是和對穩(wěn)定，但在交義口影響范圍內(nèi)，受交叉U信控的影響，GPS返回的瞬時速度變化很大，經(jīng)常出現(xiàn)速度為0的情況，數(shù)據(jù)點(diǎn)多而復(fù)雜，需要對其進(jìn)行聚類處理。圖1交叉口上游影響范圍示意圖圖Fig.1Influencingrangeofin

8、tersectionupstream在聚類處理之前，首先要確定交叉U影響的具體范圍長度:利用樣木數(shù)據(jù)特性，通過浮動車數(shù)據(jù)量隨距離的累積過程，用TBMSPSS22.0數(shù)據(jù)分析軟件中幾種常用擬合模型UZ1分別擬合后發(fā)現(xiàn)擬合效果最好的模型。經(jīng)過多個交叉門