基于模糊聚類分析的高速公路狀態(tài)識別研究

何亞龍

摘 要：高速公路交通狀態(tài)的識別具有一定的主觀性和模糊性，本文綜合考慮對交通流影響較大的三個因素（流量、速度、占有率（由于密度不好直接測取，所以用占有率代替））的基礎(chǔ)上，提出了基于模糊聚類分析的高速公路交通狀態(tài)識別算法。首先對所有的高速公路交通數(shù)據(jù)進(jìn)行聚類分析，判別其所屬的交通類別；再用實(shí)測數(shù)據(jù)進(jìn)行高速公路狀態(tài)識別，結(jié)果表明該方法能夠有效的對高速公路交通狀態(tài)進(jìn)行識別，具有一定的實(shí)際意義。

關(guān)鍵詞：模糊聚類分析；交通流數(shù)據(jù)；交通狀態(tài)識別

DOI：10.16640/j.cnki.37-1222/t.2018.06.188

0 引言

隨著近些年高速公路擁擠程度的不斷加劇，利用可靠的交通控制技術(shù)緩解交通擁堵已成共識[1]。高速公路獲取了大量的檢測數(shù)據(jù)，但是目前還缺乏可靠的數(shù)據(jù)挖掘算法來合理利用這些數(shù)據(jù)，導(dǎo)致這些數(shù)據(jù)存在閑置浪費(fèi)的現(xiàn)象，因此，開發(fā)關(guān)于高速公路交通狀態(tài)信息提取識別的算法是非常有必要的。

國內(nèi)外的學(xué)者對高速公路交通狀態(tài)的研究已經(jīng)取得了很多成果，但是，到目前為止，對于高速公路交通狀態(tài)的研究都是把高速公路交通擁擠歸到交通異常事件里，也就是說目前采用的方法多數(shù)都是基于交通異常事件檢測原理來研究高速公路交通擁擠的[2]。而高速公路交通狀態(tài)的判別本身具有模糊性，傳統(tǒng)的基于交通異常事件的檢測方法已經(jīng)無法滿足現(xiàn)代交通狀態(tài)識別的需求。鑒于此，在交通狀態(tài)分類中，利用模糊聚類的方法對高速公路交通流進(jìn)行分類是比較合理的[3]。

本文將在綜合考慮對道路交通流影響最大的三個參數(shù)的基礎(chǔ)上，提出高速公路基本路段的交通狀態(tài)識別算法。下面利用某高速公路的實(shí)測數(shù)據(jù)進(jìn)行了狀態(tài)識別實(shí)驗(yàn)，并對算法識別的結(jié)果進(jìn)行分析。

1 高速公路交通狀態(tài)識別算法及算例分析

1.1 數(shù)據(jù)準(zhǔn)備

由于本文所采用的FCM模糊聚類算法是對局部數(shù)據(jù)進(jìn)行最小尋優(yōu)算法，因此，本文需要對所測路段進(jìn)行所有狀態(tài)的數(shù)據(jù)搜集，其中包括了暢通狀態(tài)，擁擠狀態(tài)和中間的狀態(tài)數(shù)據(jù)[4]。

本文將采用某高速公路基本路段的監(jiān)測數(shù)據(jù)，檢測時間是2016年6月7日至2016年6月14日，所檢測的數(shù)據(jù)里包含有正常工作日6天和節(jié)假日2天。所檢測的原始數(shù)據(jù)包括交通量、速度和占有率。并且為了方便計算數(shù)據(jù)，采用了車流量比較多的時間段（7：00～20：00）之間的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，總共檢測得到1332個檢測數(shù)據(jù)，其中檢測的時間間隔是3分鐘。本次實(shí)驗(yàn)將交通狀態(tài)分為暢通、平穩(wěn)和擁擠三個基本狀態(tài)。

1.2 交通流數(shù)據(jù)模糊聚類分析

根據(jù)前7d所檢測到的數(shù)據(jù)通過FCM模糊聚類分析分別得出表示暢通、平穩(wěn)、擁擠的3種分類的聚類中心：[30.375 80.543 249.320] ，[56.738 15.998 29.897]，[37.978 540.879 19.689] ，其中每個聚類中心的3個數(shù)分別表示交通流量、占有率和時間平均速度。

由前7d的數(shù)據(jù)中隨機(jī)抽取5個樣本進(jìn)行分析，如表1所示，并且對表中的數(shù)據(jù)進(jìn)行和結(jié)果進(jìn)行分析。

注：U1、U2、U3分別為暢通、平穩(wěn)、擁堵3類別的隸屬度。

1.3 交通狀態(tài)決策判別

為了識別新測交通數(shù)據(jù)所反映的交通狀態(tài)：根據(jù)得到的聚類中心，將第8d所測得的數(shù)據(jù)作為實(shí)測數(shù)據(jù)進(jìn)行最小歐式距離原則進(jìn)行模糊判別，并且隨機(jī)抽取5組數(shù)據(jù)，其中平峰數(shù)據(jù)3個，高峰數(shù)據(jù)2個，分別計算到3個聚類中心的歐氏距離，判別結(jié)果見表2：

注：D1、D2、D3分別為檢測數(shù)據(jù)到暢通、平穩(wěn)、擁堵3類別聚類中心的歐氏距離。

1.4 實(shí)驗(yàn)結(jié)果分析

從表1和表2進(jìn)一步分析可以看出：

（1）運(yùn)用模糊聚類分析法對高速公路基本路段的交通狀態(tài)進(jìn)行識別是有效的，可以看出在三個參數(shù)中，時間平均速度對高速公路交通流的分類影響最大，其次是占有率，交通量的影響最小。

（2）當(dāng)高速公路的交通流速度較高時（大于70km/h），其交通狀態(tài)屬于暢通類別；而當(dāng)高速公路的交通流速度很低時（小于20km/h），其交通狀態(tài)屬于擁擠類別；介于中間的速度范圍時，則需要綜合考慮速度、流量和占有率三個因素進(jìn)行綜合識別[5]。

（3）單獨(dú)用其中的一個或者兩個參數(shù)對高速公路交通狀態(tài)進(jìn)行模糊聚類分析是難以判別的，因?yàn)橥桓咚俟方煌髁繉?yīng)的交通狀態(tài)有很多中，不確定性比較大。

表2中出現(xiàn)了兩個擁擠狀態(tài)判別和三個暢通狀態(tài)判別，其中兩個擁擠狀態(tài)對應(yīng)的時間分別為07：28和17：29，這兩個時間點(diǎn)剛好是早高峰和晚高峰的時間點(diǎn)，可見，本文提出的模糊聚類分析法對高速公路交通狀態(tài)的識別方法符合實(shí)際情況。

2 結(jié)束語

本文針對高速公路交通狀態(tài)的識別具有模糊性這一特點(diǎn)，提出了運(yùn)用模糊聚類分析和判別的數(shù)學(xué)算法來對高速公路基本路段的交通狀態(tài)進(jìn)行分類和狀態(tài)識別。首先利用歷史數(shù)據(jù)得到聚類中心，再根據(jù)算得的聚類中心進(jìn)行基于最小歐式距離原則的交通狀態(tài)的判別，最終實(shí)現(xiàn)目標(biāo)路段高速公路交通狀態(tài)識別的目的。

通過該算法進(jìn)行的實(shí)驗(yàn)結(jié)果表明，采用模糊聚類和判別分析高速公路基本路段的交通狀態(tài)是可行的，能夠有效的反映高速公路的擁堵程度。

參考文獻(xiàn)：

[1]姜桂艷.道路交通狀態(tài)判別技術(shù)與應(yīng)用[M].北京：人民交通出版

社，2004.

[2]Coifman B.Identifying the onset of congestion rapidly with existing traffic detectors I JI.Transportalion Research，2003，37（03）：

277-291.

[3]陳德望.基于模糊聚類的快速路交通流狀況分類[J].交通運(yùn)輸系統(tǒng)工程與信息，2005，5（01）：62-67

[4]于秀林，任雪松.多元統(tǒng)計分析[M].北京：中國統(tǒng)計出版社，1999

[5]皮曉亮，王正，韓皓.基于環(huán)形線圈檢測器采集信息的交通狀態(tài)分類方法應(yīng)用研究[J].公路交通科技，2006，23（04）：115-119.

[6]勞云騰，楊曉光，云關(guān)萍等.交通狀態(tài)檢測方法的評價研究[J].交通與計算機(jī)，2006，24（06）：74-77.