交通狀態(tài)判別(共14頁)

1、智能交通作業(yè)2 PAGE PAGE 17基于京津塘高速數(shù)據(jù)的K-mean交通狀態(tài)判別方法(fngf)的研究 摘要(zhiyo)：近年來，隨著道路網(wǎng)絡(luò)的逐步成熟和道路交通需求量的進(jìn)一步增加，與交通事件無關(guān)的常發(fā)性交通擁擠越來越嚴(yán)重。交通高峰期的持續(xù)時(shí)間不斷(bdun)延長，高峰期出現(xiàn)交通擁擠的路段不斷增加，嚴(yán)重影響了道路交通的安全性和運(yùn)行效率，因此，常發(fā)性交通擁擠也逐漸成為交通監(jiān)控的重要內(nèi)容之一。以發(fā)現(xiàn)道路上的突發(fā)交通事件為目的AID方法研究，已經(jīng)擴(kuò)展成為對(duì)道路上所有交通擁擠狀態(tài)自動(dòng)判別方法的研究。并且，交通狀態(tài)判別有重要的意義所在，它可以對(duì)交通管理者實(shí)時(shí)了解路網(wǎng)交通狀態(tài)變化的信息，及時(shí)采取對(duì)策

2、，疏導(dǎo)交通、減少(jinsho)擁擠，提高交通安全保障，使有限的路網(wǎng)時(shí)空資源發(fā)揮最大的效率而提供幫助。京津塘高速是連接北京和天津的主要道路交通干道，承擔(dān)了兩個(gè)城市間的大部分道路交通運(yùn)輸，它的交通狀態(tài)在相當(dāng)程度上反應(yīng)了兩城市之間交通狀態(tài)與出行質(zhì)量。本文以京津塘高速某段下行行車道線圈傳感器數(shù)據(jù)為基礎(chǔ)，研究了基于K-mean的交通狀態(tài)判別方法研究交通狀態(tài)預(yù)測方法，主要的研究工作如下：文章首先對(duì)京津塘高速公路2009年4月的下行行車道交通數(shù)據(jù)用excel進(jìn)行了處理，并應(yīng)用K-mean分析方法對(duì)此交通流基礎(chǔ)特征數(shù)據(jù)進(jìn)行分析，最后用matlab編程實(shí)現(xiàn)，得到用于交通狀態(tài)判斷的參照標(biāo)準(zhǔn)，并畫出關(guān)于車流量，車

3、流密度和平均速度的數(shù)據(jù)圖，以及它們?nèi)咧g的三維關(guān)系圖。關(guān)鍵詞：道路交通狀態(tài)；自動(dòng)判別；智能交通系統(tǒng)一、引言(ynyn)如何應(yīng)對(duì)城市現(xiàn)代化帶來的交通問題，是城市交通管理者面對(duì)的需要解決的十分迫切的問題。國內(nèi)外實(shí)踐經(jīng)驗(yàn)證明，單純依靠修建道路基礎(chǔ)設(shè)施是不能很好的解決城市交通問題，現(xiàn)代化的交通管理起著非常(fichng)重要的作用。發(fā)達(dá)國家交通經(jīng)驗(yàn)實(shí)踐表明，采用智能交通系統(tǒng)(ITS)是解決(jiju)交通擁堵、減少交通事故、防止交通污染、提高交通管理水平的最有效的方法和手段。交通狀態(tài)分析和判別能夠從全局角度實(shí)時(shí)地反應(yīng)路網(wǎng)的服務(wù)水平，是交通控制系統(tǒng)與交通流誘導(dǎo)系統(tǒng)協(xié)同的重要依據(jù)。首先，由于它反映了交通

4、流客觀運(yùn)行狀態(tài)可以向交通管理者提供準(zhǔn)確地交通運(yùn)行狀況信息，并可以作為交通控制系統(tǒng)的輸人參數(shù)優(yōu)化區(qū)域路網(wǎng)；其次，由于交通狀態(tài)能夠反映出行者的心理，在確定誘導(dǎo)策略及發(fā)布交通信息時(shí)，科學(xué)地進(jìn)行交通狀態(tài)分析可以更好的被出行者所接受。交通狀態(tài)的判別可以對(duì)道路基礎(chǔ)信息采集系統(tǒng)采集到的各類交通數(shù)據(jù)進(jìn)行分析，根據(jù)他們的變化趨勢得出目前交通系統(tǒng)的運(yùn)行狀況。通常來說，一個(gè)交通狀態(tài)判別系統(tǒng)包括數(shù)據(jù)獲取、數(shù)據(jù)準(zhǔn)備、數(shù)據(jù)規(guī)約、數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)比較、實(shí)時(shí)狀態(tài)判斷等過程。在這個(gè)過程中，系統(tǒng)將采集到的基礎(chǔ)數(shù)據(jù)經(jīng)過一定處理后與一個(gè)既定的交通狀態(tài)判斷標(biāo)準(zhǔn)進(jìn)行比較，從而判別出目前交通系統(tǒng)處于何種狀態(tài)。得到以密度為主要參數(shù)的判別結(jié)果后

5、將其提供給交通系統(tǒng)的管理者和決策者，他們針對(duì)不同的情況做出相應(yīng)的交通控制、管理和誘導(dǎo)措施。二、背景 近年來，隨著道路網(wǎng)絡(luò)的逐步成熟和道路交通需求量的進(jìn)一步增加，與交通事件無關(guān)的常發(fā)性交通擁擠越來越嚴(yán)重。交通高峰期的持續(xù)時(shí)間不斷延長，高峰期出現(xiàn)交通擁擠的路段不斷增加，嚴(yán)重影響(yngxing)了道路交通的安全性和運(yùn)行效率，因此，常發(fā)性交通(jiotng)擁擠也逐漸成為交通監(jiān)控的重要內(nèi)容之一。以發(fā)現(xiàn)道路上的突發(fā)交通事件(shjin)為目的AID方法研究，已經(jīng)擴(kuò)展成為對(duì)道路上所有交通擁擠狀態(tài)自動(dòng)判別方法的研究。進(jìn)行交通狀態(tài)判別，其意義在于對(duì)交通管理者實(shí)時(shí)了解路網(wǎng)交通狀態(tài)變化的信息，及時(shí)采取對(duì)策，疏導(dǎo)

6、交通、減少擁擠，提高交通安全保障，使有限的路網(wǎng)時(shí)空資源發(fā)揮最大的效率而提供幫助。國外最早開發(fā)并投入使用的道路交通狀態(tài)判別算法是以判別突發(fā)交通事件為主要功能的加利福尼亞算法。這種算法開發(fā)于19651970年之間，最初用于洛杉磯公路管理控制中心。加州算法通過比較鄰近監(jiān)測站之間的交通參數(shù)數(shù)據(jù)，主要是比較環(huán)行線圈檢測器獲得到占有率數(shù)據(jù)，對(duì)可能存在的突發(fā)交通事件進(jìn)行判別。經(jīng)過實(shí)踐和進(jìn)一步的深入研究，開發(fā)了10種基于最初的加州算法的改進(jìn)算法，其中加州#7算法和加州#8算法效果最好。Cook(1974)開發(fā)了一種雙指數(shù)平滑(DES)算法，用于對(duì)突發(fā)交通事件的判別。這種方法以交通參數(shù)數(shù)據(jù)的雙指數(shù)平滑值作為預(yù)測

7、值，通過比較交通參數(shù)數(shù)據(jù)的預(yù)測值和實(shí)測值來構(gòu)造一個(gè)跟蹤信號(hào)，當(dāng)該跟蹤信號(hào)超過預(yù)定的閾值時(shí)，可觸發(fā)突發(fā)交通事件警報(bào)。Persaud(1990)根據(jù)突變理論開發(fā)了McMaster算法。使用大量的擁擠和非擁擠交通狀態(tài)下的流量-占有率歷史數(shù)據(jù)，開發(fā)一個(gè)流量-占有率分布關(guān)系模板，通過將觀測數(shù)據(jù)之間的關(guān)系與模板進(jìn)行兩次比較，判斷是否發(fā)生了交通擁擠以及發(fā)生的是偶發(fā)性擁擠還是常發(fā)性擁擠，這種算法第一次將過大交通需求引起的常發(fā)性擁擠作為分析判斷的對(duì)象。Blosseville、Morin (1993)發(fā)現(xiàn)使用視頻圖像處理進(jìn)行突發(fā)交通事件判別比基于感應(yīng)線圈的判別算法有很多獨(dú)特的優(yōu)點(diǎn)。感應(yīng)線圈只能采集某一地點(diǎn)的交通流

8、數(shù)據(jù)，而視頻圖像處理技術(shù)還可以提供更有用的交通流信息。除了可以提供形成時(shí)間、平均行程速度和停止車輛信息外，這種技術(shù)還可以準(zhǔn)確地發(fā)現(xiàn)發(fā)生在路肩上的事件。數(shù)據(jù)挖掘(Data Mining，DM)是20世紀(jì)末興起的數(shù)據(jù)分析技術(shù)，可以從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的數(shù)據(jù)中，提取出隱含(yn hn)在其中的，人們事先不知道的，但又是潛在有用的信息和知識(shí)。聚類方法是適合交通狀態(tài)數(shù)據(jù)分類的一種數(shù)據(jù)挖掘方法。基于聚類分析的交通狀態(tài)量化方法是根據(jù)交通檢測器所采集道路上交通流的基礎(chǔ)數(shù)據(jù)為基礎(chǔ)，通過對(duì)這些數(shù)據(jù)的分析處理，運(yùn)用交通工程理論和數(shù)據(jù)挖掘等技術(shù)，從它們的基礎(chǔ)交通數(shù)據(jù)中找出這些道路各自的特點(diǎn)，最后

9、由聚類分析方法，根據(jù)每種交通狀態(tài)其中的樣本具有的一定的相似性和不同狀態(tài)之間的樣本具有相異性，得到適合不同道路的合理交通狀態(tài)分類。也是本文后面將要采用的算法。綜上所述，早期的判別算法主要以突發(fā)交通事件為研究對(duì)象，大部分都以感應(yīng)線圈采集的交通流量、占有率和地點(diǎn)速度等交通數(shù)據(jù)為基礎(chǔ)，所采用的數(shù)據(jù)技術(shù)主要包括決策樹、動(dòng)機(jī)分析、平滑濾波等常規(guī)方法。隨著時(shí)間的推移，交通狀態(tài)判別的研究內(nèi)容和研究手段都有了很大的變化。一方面，交通需求與交通供給之間的矛盾不斷深化，常發(fā)性交通擁擠也成為交通管理的重點(diǎn)之一；另一方面，信息(xnx)采集技術(shù)和信息處理技術(shù)的進(jìn)步，為判別方法研究提供了更有力的技術(shù)基礎(chǔ)。經(jīng)過近40年的發(fā)

10、展，模糊理論、專家系統(tǒng)、模式識(shí)別、人工神經(jīng)網(wǎng)絡(luò)等人工智能技術(shù)(jsh)已經(jīng)成為交通狀態(tài)判別算法設(shè)計(jì)的重要手段。三、數(shù)據(jù)處理與分析1. 交通流參數(shù)交通流是整體的、宏觀的概念，通過對(duì)大量觀測數(shù)據(jù)的分析，發(fā)現(xiàn)交通流具有一定的特征性傾向，為此提出了交通流特性的概念。交通流特性是指交通流運(yùn)行狀態(tài)的定性、定量特征。用來描述和反映交通流特性的物理量稱為交通流參數(shù)。用于描述交通狀態(tài)的交通流參數(shù)主要包括交通量、速度、交通密度、占有率等。（1）交通量交通量(volume)又稱流量，是指單位時(shí)間內(nèi)，通過道路指定地點(diǎn)或斷面的車輛數(shù)。交通量不是一個(gè)靜止(jngzh)不變的量，具有隨時(shí)間和空間變化而變化的特征。度量城市交

11、通特性的一種方法是在道路系統(tǒng)內(nèi)一系列的位置上觀察交通量在時(shí)間和空間上的變化規(guī)律，并繪出交通流等值圖。當(dāng)交通量超過某一水平時(shí)，就認(rèn)為發(fā)生擁擠。然而，這種判斷存在的問題是同一流量水平可以對(duì)應(yīng)兩種截然不同的交通狀態(tài)，因此這種參數(shù)應(yīng)該與其它方法相結(jié)合，而不是單獨(dú)使用。（2）速度(sd)速度是描述交通流狀態(tài)的第二個(gè)基本參數(shù)，它是指車輛在單位時(shí)間(shjin)內(nèi)通過的距離。由于道路交通流是由多種車輛組成的復(fù)雜系統(tǒng)，因此存在多種速度概念。從微觀上看，每個(gè)車輛都有瞬時(shí)速度和在特定時(shí)間段內(nèi)的平均行駛速度和平均行程速度。瞬時(shí)速度(也稱為即時(shí)速度、地點(diǎn)速度)是車輛通過某一地點(diǎn)時(shí)(或在某一時(shí)刻)的瞬間速度，可用作道路

12、設(shè)計(jì)、交通管制和規(guī)劃的依據(jù)。單個(gè)車輛的平均行駛速度是指車輛通過特定長度路段時(shí)路段長度與所用的行駛時(shí)間之比，其中，行駛對(duì)象不包括由于各種原因發(fā)生的車輛停駛時(shí)闖。由于車輛的平均行駛速度不考慮車輛在運(yùn)行過程中的停車延誤，不能準(zhǔn)確反映車輛的運(yùn)行特性，因此這個(gè)概念很少得到實(shí)際應(yīng)用。車輛的平均行程速度則是指車輛通過特定長度路段時(shí)路段長度與所用的全部時(shí)間之比。由于考慮了可能產(chǎn)生的停車延誤，所以這種速度概念能夠更好地體現(xiàn)車輛在特定路段、特定時(shí)間段的運(yùn)行狀態(tài)。從宏觀來看，交通流的平均速度有在特定地點(diǎn)的時(shí)間平均速度(平均地點(diǎn)速度)和在特定路段上的區(qū)間平均速度(平均行程速度)之分。時(shí)間平均速度是在觀測時(shí)間內(nèi)通過某截

13、面所有車輛地點(diǎn)速度的算術(shù)平均值，而區(qū)間平均速度是觀測距離與車輛通過該距離所用平均行程時(shí)間的商。前者體現(xiàn)了交通流在特定觀測地點(diǎn)處的運(yùn)行狀況，后者體現(xiàn)了交通流在特定路段空間上的運(yùn)行狀況，當(dāng)這兩種速度值明顯低于正常值時(shí)，表明觀測地點(diǎn)或觀測路段的交通處于擁擠狀態(tài)。（3）交通流密度(md)交通流密度是指在某一瞬間，單位道路長度(chngd)上存在的車輛數(shù)，即 K=N/L式中：K交通(jiotng)密度(輛km車道)；N車輛數(shù)(輛)；L觀測路段長度(km)。在通常情況下，交通流量大，交通密度也大。但當(dāng)?shù)缆方煌ㄊ謸頂D、車流處于停滯狀態(tài)時(shí)，交通流量近似等于零，而此時(shí)的交通密度卻接近于最大值。因此，單純使用交

14、通流量指標(biāo)難以表示交通流的實(shí)際狀態(tài)，而采用交通密度指標(biāo)能夠做出較好的評(píng)價(jià)。盡管交通密度能夠直觀地表明交通狀態(tài)的性質(zhì)，但由于數(shù)據(jù)的采集難度大，這個(gè)參數(shù)的實(shí)際應(yīng)用是很有限的。（4）占有率占有率包括空間占有率和時(shí)間占有率兩個(gè)概念。在道路的一定路段上，車輛總長度與路段總長度之比稱為空間占有率，通常以百分?jǐn)?shù)表示?？臻g占有率直接反映了交通密度的高低，但更能表明道路被實(shí)際占用的情況。與交通密度相似，由于這個(gè)交通參數(shù)數(shù)據(jù)的直接獲取存在較大的難度，因此實(shí)際上一般不被采用。時(shí)間占有率是指在一定的觀測時(shí)間T內(nèi)，交通檢測器被車輛占用的時(shí)間總和與觀測時(shí)間長度的比值。2. 原始數(shù)據(jù)的Excel處理我們小組選擇了京津塘高速

15、2009年4月中，下行行車道的一組數(shù)據(jù)，其中，共有43037組數(shù)據(jù)，包含了從4月1號(hào)到4月30號(hào)的每天從早上0點(diǎn)到晚上24點(diǎn)每隔1分鐘所測的所有數(shù)據(jù)。其中可能會(huì)由于通信中斷、設(shè)備暫時(shí)性故障等軟件或硬件方面的原因產(chǎn)生一些錯(cuò)誤的非正常數(shù)據(jù)（如車道占有率為100%，車流量卻為0的情況）。為避免其影響分析過程及結(jié)果，需要對(duì)其進(jìn)行篩選、剔除。經(jīng)處理后，最后保留了40811組數(shù)據(jù)（處理后的數(shù)據(jù)表格已附在作業(yè)文件夾中）。對(duì)剩下的這些數(shù)據(jù)，分別計(jì)算所對(duì)應(yīng)的每分鐘時(shí)刻的車流量，平均速度和密度，計(jì)算公式分別如下：車流量 公式(gngsh)為： 畫出車流量對(duì)時(shí)間變化(binhu)曲線：（2）平均速度(pn jn s

16、 d)公式為： 畫出平均速度對(duì)時(shí)間變化曲線：（3）密度(md)在上述步驟中已經(jīng)得出了車流量與平均速度，可以直接用這兩個(gè)參數(shù)相比計(jì)算出一個(gè)(y )密度參數(shù)： 但是由于平均速度計(jì)算時(shí)誤差很大所以仍要由車道(chdo)占有率計(jì)算密度2，二者取加權(quán)平均。普通車長取4.3米，卡車平均車長取10.75米。先計(jì)算不同時(shí)間段的加權(quán)平均車長length，再由此計(jì)算密度2。 算得密度1與密度2后觀察發(fā)現(xiàn)，不同時(shí)間段內(nèi)二者的比值變化不大，所以相比后求得平均比例系數(shù)4.314，然后使用如下公式計(jì)算平均密度：畫出平均速度對(duì)時(shí)間變化曲線：經(jīng)過(jnggu)數(shù)據(jù)綜合，也畫出了一下三幅圖：1車流量和平均速度(pn jn s

17、d)的關(guān)系圖2平均速度(pn jn s d)與密度關(guān)系圖3.密度(md)與車流量關(guān)系圖3. 聚類分析本文采用的是kmean聚類分析方法。kmean算法接受輸入量 k ,本文中將(zhngjing)k取為3。將數(shù)據(jù)對(duì)象劃分為 3個(gè)聚類自由行駛、正常行駛、擁擠行駛。以便使得所獲得的聚類滿足同一聚類中的對(duì)象相似度較高，而不同聚類中的對(duì)象相似度較小。聚類相似度是利用各聚類中對(duì)象的均值(jn zh)所獲得一個(gè)“中心對(duì)象”（引力中心）來進(jìn)行計(jì)算的，采用均方差作為標(biāo)準(zhǔn)測度函數(shù)。密度，車流量和平均速度的三維關(guān)系圖如下：（x、y、z軸分別對(duì)應(yīng)密度、車流量、平均速度）四、結(jié)論(jiln)與展望通過對(duì)給定的下行車道

18、行車道的40811組數(shù)據(jù)進(jìn)行分析處理，得出每組數(shù)據(jù)的密度，車流量及平均速度，并用K-mean Cluster聚類分析的方法對(duì)數(shù)據(jù)進(jìn)行了處理，得到聚類中心4.6024；10.0722；23.9078，并以此劃分臨界狀態(tài)，得到適用于此感應(yīng)線圈所在路段的交通(jiotng)狀態(tài)評(píng)價(jià)。 經(jīng)過此次的學(xué)習(xí)，使我收獲了不少，但也產(chǎn)生了如下(rxi)的一些設(shè)想：1近年來，關(guān)于道路交通狀態(tài)判別已建立和發(fā)展了不少算法，但到目前為止，并沒有一種算法完全優(yōu)于其它算法。這是由于不同的算法適用于不同的情況。因此根據(jù)不同的情況選擇適合的判別算法顯得尤為關(guān)鍵。另外，將不同的算法加以組合，以提高運(yùn)行效果也是重要的研究方向。2關(guān)

19、于路段交通狀態(tài)判別方法和技術(shù)的研究已取得了大量的成果，而關(guān)于城市路網(wǎng)交通狀態(tài)判別方法的研究還是一個(gè)比較新的課題，也更為復(fù)雜，需要在理論、方法以及檢測手段上進(jìn)行大量的研究與實(shí)踐，為先進(jìn)交通管理系統(tǒng)及先進(jìn)出行者信息系統(tǒng)提供(tgng)更加快速、可靠、有效的參考信息。3隨著社會(huì)經(jīng)濟(jì)的發(fā)展，科技水平的提高，交通探測裝置及技術(shù)正越來越豐富而有效，密切關(guān)注這些技術(shù)的發(fā)展，提出切合的判別方法，可以更為有效的進(jìn)行交通管理及決策，正是未來(wili)城市道路交通狀態(tài)判別發(fā)展的重要方向。參考文獻(xiàn)：1 黃衛(wèi).陳里得 智能(zh nn)運(yùn)輸系統(tǒng)(ITS)概論.1999.2 HYPERLINK /paper.aspx?

20、f=detail&q=%e4%bd%9c%e8%80%85%3a%22%e7%8e%8b%e5%8a%9b%22+DBID%3aWF_QK 王 力. HYPERLINK /paper.aspx?f=detail&q=%e4%bd%9c%e8%80%85%3a%22%e5%bc%a0%e6%b5%b7%22+DBID%3aWF_QK 張 海. HYPERLINK /paper.aspx?f=detail&q=%e4%bd%9c%e8%80%85%3a%22%e8%8c%83%e8%80%80%e7%a5%96%22+DBID%3aWF_QK 范耀祖 移動(dòng)式道路交通狀態(tài)模糊評(píng)價(jià)方法研究. HYPERLINK /periodical-xtfzxb.aspx 系 統(tǒng)仿真學(xué)報(bào). HYPERLINK /periodical/xtfzxb/2008-1.aspx 2008年 1期.3 袁浩 HYPERLINK /Periodical_jsjgcysj200909064.aspx t _bl