基于FCM的無檢測(cè)器交叉口短時(shí)交通流量預(yù)測(cè)

張明輝

(長(zhǎng)安大學(xué) 信息工程學(xué)院,陜西 西安 710064)

基于FCM的無檢測(cè)器交叉口短時(shí)交通流量預(yù)測(cè)

張明輝

(長(zhǎng)安大學(xué) 信息工程學(xué)院,陜西 西安 710064)

隨著城市中的交通路網(wǎng)規(guī)模越來越大，要想達(dá)到實(shí)時(shí)、準(zhǔn)確的短時(shí)交通流量預(yù)測(cè)目標(biāo)，其中城市交通的動(dòng)態(tài)誘導(dǎo)，是解決城市交通擁堵的一個(gè)重要手段。準(zhǔn)確的短時(shí)交通流量預(yù)測(cè)是動(dòng)態(tài)交通正確誘導(dǎo)的基礎(chǔ)，尤其是無檢測(cè)器交叉口的流量預(yù)測(cè)。但是由于成本等問題，交通流量檢測(cè)設(shè)備并不能覆蓋所有交叉口，考慮到城市交通流量的高度復(fù)雜性，常規(guī)的方法難以對(duì)其進(jìn)行準(zhǔn)確預(yù)測(cè)。模糊C均值聚類分析方法是一種模糊數(shù)據(jù)挖掘方法，使用該方法對(duì)城市路網(wǎng)中各個(gè)交叉口進(jìn)行模糊聚類，獲得它們的聚類模式，由于同一模式的樣本具有高度相似性，可以使用同一模式下的有檢測(cè)器交叉口的交通流量預(yù)測(cè)無檢測(cè)器交叉口的交通流量。實(shí)驗(yàn)結(jié)果表明,該方法容易實(shí)現(xiàn)且具有較好的預(yù)測(cè)精度。

短時(shí)交通流量；預(yù)測(cè)；模糊C均值聚類；檢測(cè)器

0 引 言

隨著社會(huì)的發(fā)展，城市中的交通路網(wǎng)規(guī)模越來越大，交通擁堵現(xiàn)象日益頻繁，為解決城市交通擁堵問題，建立及時(shí)準(zhǔn)確的動(dòng)態(tài)城市交通誘導(dǎo)系統(tǒng)極為重要[1]。為了實(shí)現(xiàn)對(duì)整個(gè)路網(wǎng)的交通流量動(dòng)態(tài)誘導(dǎo)，必須獲取所有交叉口實(shí)時(shí)、準(zhǔn)確的短時(shí)交通流量數(shù)據(jù)，并對(duì)這些數(shù)據(jù)進(jìn)行分析，挖掘出有價(jià)值的信息[2]。這些交通流量數(shù)據(jù)主要是由交叉口處埋設(shè)的檢測(cè)器獲得的，但是，由于成本問題，交通流量檢測(cè)設(shè)備并不能覆蓋所有交叉口。另外，對(duì)于有檢測(cè)器的路口，由于檢測(cè)設(shè)備故障或其他原因，使得采集的數(shù)據(jù)不完整。因此獲取無檢測(cè)器交叉口的交通流量更為重要。為了達(dá)到這樣的目標(biāo)，考慮到交通流的流動(dòng)性以及交叉口間交通流較強(qiáng)的相關(guān)性[3]，利用有檢測(cè)器交叉口的交通流量信息來預(yù)測(cè)無檢測(cè)器交叉口的交通流量信息，從而為整個(gè)路網(wǎng)的短時(shí)交通流量預(yù)測(cè)提供更準(zhǔn)確完整的交通信息。

目前已有的無檢測(cè)器交叉口短時(shí)交通流量預(yù)測(cè)方法主要有主成分分析法、聚類分析法[4]、逐步回歸分析法[5]等。這些都是基于數(shù)學(xué)解析模型的，由于交通流量本身具有高度的不確定性和復(fù)雜性，決定了這種硬分類的解析模型[6]的局限性。為此，提出一種基于模糊C均值聚類的無檢測(cè)器交叉口交通流量預(yù)測(cè)算法[7]。通過西安市部分交叉口交通流量數(shù)據(jù)對(duì)該算法進(jìn)行驗(yàn)證，結(jié)果表明，該算法具有較好的準(zhǔn)確性和可行性。

1 模糊C均值聚類算法

模糊聚類是一種基于劃分的聚類算法，目的是使被劃分到同一簇的對(duì)象間的相似度最大，而不同簇間的相似度最小。自從Ruspini提出模糊劃分的概念，模糊聚類理論和方法得到了蓬勃發(fā)展，其中基于目標(biāo)函數(shù)的模糊C均值聚類算法[8]理論最為完善、應(yīng)用最為廣泛，它把聚類歸結(jié)成一個(gè)帶約束的非線性規(guī)劃問題，通過優(yōu)化求解獲得數(shù)據(jù)集的模糊劃分和聚類。

模糊C均值聚類(FCM)以誤差平方和準(zhǔn)則為基礎(chǔ)，以樣本屬于某類的隸屬度[9]來表示樣本與某類的距離。首先進(jìn)行樣本集的初始劃分，以簇心來標(biāo)定該類的平均位置，并對(duì)每個(gè)樣本點(diǎn)賦予對(duì)應(yīng)于各類的隸屬等級(jí)；通過該算法，對(duì)簇心和隸屬等級(jí)進(jìn)行更新，使樣本集的誤差和最小。設(shè)定目標(biāo)如式(1)所示:

(1)

其中,n為樣本數(shù);c為聚類類別個(gè)數(shù);uij為第i個(gè)樣本屬于第j類的隸屬度;dij為第i個(gè)樣本距離第j類聚類中心的距離，一般可設(shè)為歐氏距離。

FCM算法的具體實(shí)現(xiàn)步驟如下：

步驟1：設(shè)定聚類類別c(2≤c≤n，n為數(shù)據(jù)個(gè)數(shù))，迭代停止閾值ε，算法的迭代計(jì)數(shù)器最大值bmax，初始化隸屬度矩陣。

步驟2：計(jì)算模糊聚類中心。

(2)

步驟3：更新模糊聚類隸屬度矩陣U(b+1)。

(3)

步驟4：選擇某種合適的矩陣范數(shù)比較U(b)和U(b+1)，如果‖U(b+1)-U(b)‖≤ε，系統(tǒng)達(dá)到穩(wěn)定，終止迭代，否則令b=b+1轉(zhuǎn)到步驟2繼續(xù)執(zhí)行。

2 流量預(yù)測(cè)

交叉口檢測(cè)器分類的過程往往是一個(gè)模糊的概念[10]，在進(jìn)行分類時(shí)所依據(jù)的數(shù)據(jù)指標(biāo)也沒有一個(gè)很明確的界限，因此采用模糊理論方法[11-13]會(huì)更符合實(shí)際需求。模糊聚類方法給出的分類結(jié)果不是說事物絕對(duì)地屬于某一類或不屬于某一類，而是指明在什么程度上屬于某一類。在此可以依據(jù)相鄰各個(gè)交叉口的交通流量來對(duì)各個(gè)檢測(cè)器進(jìn)行分類，確定出無檢測(cè)器交叉口屬于哪一類，然后預(yù)測(cè)無檢測(cè)器交叉口的交通流量。其分析過程主要包括：數(shù)據(jù)的選取，數(shù)據(jù)的標(biāo)準(zhǔn)化處理，模糊聚類實(shí)現(xiàn)，結(jié)果對(duì)比分析。

2.1 數(shù)據(jù)的選取

實(shí)驗(yàn)數(shù)據(jù)取自西安市路網(wǎng)中實(shí)際交叉口檢測(cè)器檢測(cè)的交通數(shù)據(jù)。數(shù)據(jù)的采樣周期和方法相同，采樣間隔為5 min，采樣時(shí)間從2015年6月1日到2015年6月20日。數(shù)據(jù)格式如表1所示。

表1 數(shù)據(jù)格式

采用西安市18個(gè)相鄰交叉口2015年6月1日全天的交通數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)。設(shè)置各個(gè)檢測(cè)器編號(hào)為A、B、C、D、E、F、G、H、I、J、K、L、M、N、O、P、Q、R。各個(gè)檢測(cè)器在路網(wǎng)上的布局如圖1所示。假設(shè)路網(wǎng)中C交叉口為無檢測(cè)器交叉口，其他17個(gè)交叉口都有檢測(cè)器。

圖1 檢測(cè)器布局

2.2 數(shù)據(jù)的標(biāo)準(zhǔn)化處理

檢測(cè)器采集的數(shù)據(jù)有流量、速度、占有率，由于各個(gè)交叉口的交通流量具有很強(qiáng)的相關(guān)性，在此實(shí)驗(yàn)中采用各個(gè)交叉口的交通流量進(jìn)行分析。用矩陣Qmn來表示路網(wǎng)交叉口的交通流量數(shù)據(jù)，其中m表示交叉口，n表示樣本數(shù)。

(4)

2.3 糊聚類實(shí)現(xiàn)

根據(jù)選取的交叉口檢測(cè)器獲取的交通流量建立矩陣，采用VC++編程設(shè)計(jì)實(shí)現(xiàn)FCM算法進(jìn)行實(shí)驗(yàn)，設(shè)定精度為10-5，得到的聚類結(jié)果如表2所示。

表2 FCM聚類結(jié)果

在對(duì)結(jié)果進(jìn)行分析時(shí)可知，在分類數(shù)為6時(shí)，模糊聚類效果最好。

在模糊聚類分析的基礎(chǔ)上，將無檢測(cè)器交叉口類別歸屬到有檢測(cè)器的某一類中。運(yùn)用線性回歸方法[14]預(yù)測(cè)交通流量。實(shí)驗(yàn)中，假設(shè)C交叉口為無檢測(cè)器交叉口。從結(jié)果分析知道，B、C、D被歸為一類。建立回歸函數(shù)：

Qc=β0+β1Qb+β2Qd

(5)

其中，Qc為C交叉口預(yù)測(cè)的交通流量；Qb和Qd為已知B、D交叉口的交通流量。

運(yùn)用多元回歸分析，對(duì)無檢測(cè)器交叉口交通流量預(yù)測(cè)得：

Qc=6.402 63+0.401 54Qb+0.443 59Qd

(6)

2.4 結(jié)果對(duì)比分析

對(duì)基于模糊C均值的無檢測(cè)器交叉口交通流量預(yù)測(cè)算法進(jìn)行了驗(yàn)證，圖2顯示了預(yù)測(cè)值與真實(shí)值的數(shù)據(jù)對(duì)比分析。

圖2 無檢測(cè)器交叉口流量真實(shí)值與預(yù)測(cè)值對(duì)比圖(1)

從圖中可以看出，使用FCM方法預(yù)測(cè)時(shí)，預(yù)測(cè)值與真實(shí)值的數(shù)據(jù)波動(dòng)性基本一致，數(shù)據(jù)誤差相對(duì)較小，經(jīng)過計(jì)算得出預(yù)測(cè)方法的預(yù)測(cè)精度可達(dá)到84%，平均誤差為8.905 6，該預(yù)測(cè)方法的穩(wěn)定性也能得到保證。

將主成分分析法、聚類分析法在無檢測(cè)器交叉口交通流量預(yù)測(cè)中的預(yù)測(cè)值與真實(shí)值進(jìn)行數(shù)據(jù)比較，結(jié)果如圖3所示。

圖3 無檢測(cè)器交叉口流量真實(shí)值與預(yù)測(cè)值對(duì)比圖(2)

對(duì)這三種方法的預(yù)測(cè)精度和平均絕對(duì)誤差分析如表3所示。

表3 預(yù)測(cè)方法參數(shù)對(duì)比

從實(shí)驗(yàn)結(jié)果可以看出，主成分分析法和聚類分析法的預(yù)測(cè)精度比FCM方法的預(yù)測(cè)精度低，由于這兩種方法是基于數(shù)學(xué)解析模型的，在交通狀況比較復(fù)雜的情況下，預(yù)測(cè)值與真實(shí)值之間的波動(dòng)較大，影響了模型的預(yù)測(cè)精度。FCM預(yù)測(cè)法在交通狀況復(fù)雜的情況下考慮了交通流量的模糊性，能有效進(jìn)行動(dòng)態(tài)劃分，將這些交通數(shù)據(jù)分成若干個(gè)聚類模式，而且該算法經(jīng)過反復(fù)迭代或得局部最優(yōu)解，能為交通流量預(yù)測(cè)提供準(zhǔn)確的交通流量信息?；贔CM的預(yù)測(cè)方法在預(yù)測(cè)精度上比主成分分析法和聚類分析法的高，平均絕對(duì)誤差較低，在大數(shù)據(jù)量的情況下，算法運(yùn)行效率較慢，后期需要優(yōu)化提高，但是FCM方法簡(jiǎn)單、易實(shí)現(xiàn)，具有較好的工程運(yùn)用前景。

3 結(jié)束語

考慮到無檢測(cè)器交叉口交通流量預(yù)測(cè)精度不高等問題，以及交通流量的模糊特性，結(jié)合模糊聚類分析法，提出一種基于FCM的無檢測(cè)器交叉口交通流量預(yù)測(cè)方法。該方法采用同一聚類模式下有檢測(cè)器交叉口的交通流量預(yù)測(cè)無檢測(cè)器交叉口的交通流量。實(shí)驗(yàn)結(jié)果表明，提出算法具有較好的準(zhǔn)確性和可行性。

[1] 黃慧瓊.基于模糊理論的城市道路短時(shí)交通流量預(yù)測(cè)研究[J].公路工程,2016,41(1):172-175.

[2]ZhangHZ,WangJ.Applicationofdataminingonshort-termtrafficflowforecastingmodel[J].ComputerIntegratedManufacturingSystem,2008,14(4):690-695.

[3] 張郃生.交通工程學(xué)基礎(chǔ)[M].北京：人民交通出版社，2011：108-120.

[4] 王志建.基于遺傳回歸分析的無檢測(cè)器交叉口流量預(yù)測(cè)研究[D].長(zhǎng)春：吉林大學(xué),2008.

[5] 楊兆升，張 赫，李 娟.逐步回歸法在無檢測(cè)器交叉口交通流量預(yù)測(cè)中的應(yīng)用[J].吉林大學(xué)學(xué)報(bào):工學(xué)版，2002，32(4)：16-19.

[6]TchrakianTT,BasuB,O’MahonyN.Real-timetrafficflowforecastingusingspectralanalysis[J].IEEETransactionsonIntelligentTransportationSystems,2012,13(2):519-526．

[7]ZhangYunlong,YeZhirui.Short-termtrafficflowforecastingusingfuzzylogicsystemmethod[J].JournalofIntelligentTransportationSystems,2008,12(3):102-112.

[8] 高新波.模糊聚類分析與應(yīng)用[M].西安：西安電子科技大學(xué)出版社,2004.

[9] 范九倫，吳成茂.FCM算法中隸屬度的新解釋及其應(yīng)用[J].電子學(xué)報(bào),2004,32(2):350-352.

[10]ChenC，RakhaHA，McgheeCC.Dynamictraveltimepredictionusingpatternrecognition[C]//20thITSworldcongress.[s.l.]:[s.n.],2013:1102-1113.

[11] 藍(lán)紅莉.基于模糊聚類分析的公路隧道短期交通量預(yù)測(cè)[J].計(jì)算機(jī)應(yīng)用與軟件,2010,27(1):150-152.

[12] 高 勇，陳 鋒.基于模糊推理的無檢測(cè)器路口短時(shí)交通流預(yù)測(cè)[J].計(jì)算機(jī)仿真,2008,25(6):240-243.

[13] 孫 燕，陳森發(fā)，周振國.灰色系統(tǒng)理論在無檢測(cè)器交叉口交通流量預(yù)測(cè)中的應(yīng)用[J].東南大學(xué)學(xué)報(bào):自然科學(xué)版,2002,32(2):256-258.

[14] 易正俊.數(shù)理統(tǒng)計(jì)及其工程應(yīng)用[M].北京：清華大學(xué)出版社,2014.

Short-term Traffic Flow Prediction of Non-detector Intersections Based on FCM

ZHANG Ming-hui

(School of Information Engineering,Chang’an University,Xi’an 710064,China)

As the urban road network is larger and larger,in order to achieve the goal of real-time and accurate short-time traffic flow prediction,the dynamic induction of urban traffic is an important means to solve urban traffic congestion.Accurate short term traffic flow forecasting is the basis of dynamic traffic induction,especially that of the non-detector intersection.However,due to the cost and other issues,the traffic flow detector equipment does not cover all the intersection,and considering the high complexity of urban traffic flow,the conventional method is difficult to predict.Fuzzy C-means clustering analysis is a kind of fuzzy data mining method,using the freeway network in each intersection of fuzzy clustering,to get their clustering patterns.Because the same pattern sample has high similarity,the same mode of the traffic flow of detector intersection has been used to forecast the traffic flow of non-detector intersection.The experimental results show that the proposed method is easy to implement and has high prediction accuracy.

short-term traffic flow;prediction;fuzzy C-means clustering;detector

2016-06-12

2016-09-21

時(shí)間：2017-03-07

國家自然科學(xué)基金資助項(xiàng)目(50978030)；中國博士后科學(xué)基金(2012M521729)

張明輝(1990-)，男，碩士研究生，研究方向?yàn)橹悄芙煌ㄅc短時(shí)交通流量預(yù)測(cè)；導(dǎo)師:王夏黎，副教授，研究方向?yàn)閳D形圖像處理與智能交通系統(tǒng)。

http://kns.cnki.net/kcms/detail/61.1450.TP.20170307.0922.078.html

TP391

A

1673-629X(2017)04-0039-03

10.3969/j.issn.1673-629X.2017.04.009