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.