基于时空自相关的道路交通状态聚类方法

交通运输系统工程与信息 ›› 2016, Vol. 16 ›› Issue (2): 57-63.

• 智能交通系统与信息技术 • 上一篇下一篇

基于时空自相关的道路交通状态聚类方法

韦伟，毛保华*，陈绍宽，周洋帆

北京交通大学城市交通复杂系统理论与技术教育部重点实验室，北京100044

收稿日期:2015-11-03 修回日期:2015-12-28 出版日期:2016-04-25 发布日期:2016-04-25
作者简介:韦伟（1989-），男，贵州清镇人，博士生.
基金资助:
国家自然科学基金重点项目/The National Natural Science Foundation of China(71131001)；国家基础研究计划项目/ National Basic Research Program of China(2012CB725406).

Urban Traffic Status Clustering Method Based on Spatio-temporal Autocorrelation

WEIWei，MAO Bao-hua，CHEN Shao-kuan，ZHOU Yang-fan

MOE Key Laboratory for Urban Transportation Complex Systems Theory and Technology, Beijing Jiaotong University, Beijing 100044, China

Received:2015-11-03 Revised:2015-12-28 Online:2016-04-25 Published:2016-04-25

摘要/Abstract

摘要：

城市道路交通状态的识别对交通管理部门进行交通管理控制、出行诱导，以及道路设施改造具有重要意义.本文运用时空Moran 散点图探索城市道路交通的时空关联性，并据此构建一种基于时空自相关预分类的道路交通状态层次聚类方法.运用本文所提出的聚类算法，以北京市二环快速路外环方向的路段为例，进行聚类研究，并分析了各类型路段的交通状态时空特性.案例研究表明，所提出聚类算法能对道路交通状态进行有效判断，充分反映交通需求与路网结构之间的内在匹配关系.特别是畅通异质和拥堵异质两种交通状态的提出，为识别高峰时段路网中的瓶颈路段和能力富余路段提供了一种新的思路和方法，进而可为完善路网、缓解拥堵及制定交通管理措施提供依据.

关键词: 智能交通, 交通状态分类, 层次聚类, 城市道路交通, 时空自相关

Abstract:

Traffic condition identification through data mining is a crucial issue for Advanced Traffic Management Systems (ATMS). Spatio- temporal Moran scatterplot is used to study traffic status of urban road network in this paper. And accordingly, a hierarchical clustering algorithm considering presort of traffic status based on spatio-temporal autocorrelation is constructed. Finally, in order to demonstrate the feasibility and effectiveness of proposed hierarchical clustering algorithm, the clustering and classification for roads of the Second Ring freeway of Beijing are conducted. The results show that the proposed method can effectively reveal the spatio- temporal characteristics of different classes of roads and the relation of traffic demand to road network facilities. Especially, the introduction of heterogeneous congested and uncongested traffic in this paper makes it convenient and effective to recognize road sections with traffic dredging or bottleneck effect in the road network, which can provide foundations for infrastructure reform, congestion alleviating and traffic management measures formulating.

Key words: intelligent transportation, traffic status classification, hierarchical clustering, urban road traffic, spatio-temporal autocorrelation

中图分类号:

U491.2

韦伟，毛保华，陈绍宽，周洋帆. 基于时空自相关的道路交通状态聚类方法[J]. 交通运输系统工程与信息, 2016, 16(2): 57-63.

WEIWei，MAO Bao-hua，CHEN Shao-kuan，ZHOU Yang-fan. Urban Traffic Status Clustering Method Based on Spatio-temporal Autocorrelation[J]. Journal of Transportation Systems Engineering and Information Technology, 2016, 16(2): 57-63.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.tseit.org.cn/CN/abstract/abstract19179.shtml

http://www.tseit.org.cn/CN/Y2016/V16/I2/57

参考文献

[1] 王劲峰. 空间分析[M]. 北京:科学出版社，2006：76-78. [WANG J F. Spatial analysis[M]. Beijing: Science Press, 2006: 76-78.]

[2] 王佳璆. 时空序列数据分析与建模[D]. 广州：中山大学地理科学与规划学院，2008：44-45. [WANG J Q.Space-time series data analysis and modeling[D].
Guangzhou: SunYat-Sen University， School of Geography and Planning, 2008: 44-45.]
[3] 邓敏，刘启亮. 时空聚类分析的普适性方法[J]. 中国科学：信息科学，2012，42(1)：111-124. [DENG M, LIU Q L. A general method of spatio- temporal clustering
analysis[J]. Science China-Information Sciences, 2012,42(1): 111-124.]
[4] 赵玲，王佳璆，等. 基于行车时间的道路网络时空自相关模型研究[J]. 中南大学学报(自然科学版)，2012，43(10)：4114-4122. [ZHAO L, WANG J Q, et al. Spatialtemporal
autocorrelation model of road network based on travelling time[J]. Journal of Central South University（Science and Technology）, 2012, 43(10): 4114-4122.]
[5] 陈绍宽，韦伟，等. 基于改进时空Moran's I指数的道路交通状态特征分析[J]. 物理学报，2013，62(14)：148901. [CHEN S K, WEI W, et al. Analysis on urban
traffic status based on improved spatio- temporal Moran's I[J]. Acta Phys. Sin, 2013, 62(14): 148901.]
[6] López-hernández F A, Chasco C. Time-trend in spatial dependence: specification strategy in the first- order spatial autoregressive model[J]. Estudios de Economia Aplicada, 2007, 25(2): 631-650.

[7] Cliff A D, Ord J K. Spatial processes: Models and applications[M]. London: Pion Limited, 1981: 256-260.
[8] Hardisty F, Klippel A. Analysing spatio- temporal autocorrelation with lista- viz[J]. Geographical Information Science, 2010, 24(10): 1515-1526.
[9] Pfeifer P E, Deutsch J A. Three-stage iterative procedure for space- time modeling[J]. Technometrics,1980, 22(1): 35-47.
[10] Kamarianakis Y, Prastacos P. Space-time modeling of traffic flow[J]. Computers and Geosciences, 2005, 3l(2):119-133.
[11] Black W R. Network autocorrelation in transportation network and flow systems[J]. Geographical Analysis,1992, 24(3): 207-222.
[12] Chandra S R, A1-Deek H. Cross-correlation analysis and multivariate prediction of spatial time series of freeway traffic speeds[J]. Transportation Research
Record: Journal of the Transportation Research Board,2008, 2061(9): 64-76.
[13] 赵婷婷，张毅，等. 城市路网交通流的空间互相关性[J]. 清华大学学报（自然科学版），2011，51(3)：313-317. [ZHAO T T, ZHANG Y, et al. Spatial cross correlations of traffic flows on urban road networks[J].Journal of Tsinghua University （Science and Technology）, 2011, 51(3): 313-317.]
[14] Prasannakumar V, Vijith H, et al. Spatio- temporal clustering of road accidents: GIS based analysis and assessment[C]. International Conference: Spatial Thinking and Geographic Information Sciences 2011,Procedia Social and Behavioral Sciences 21: 317-325.
[15] Moons E, Brijs T, Wets G. Identifying hazardous road locations: Hot spots versus hot zones[J]. Transactions on Computational Science VI, 2009, Lecture Notes in Computer Science 5730: 288-300.
[16] 温惠英，邢康，等. 基于Moran 模型的道路交通事故空间自相关特征分析[J]. 交通与计算机，2008，3(26)：31- 37. [WEN H Y, XING K, et al. Spatial autocorrelation analysis of road traffic accidents based on moran model[J]. Computer and Communications,2008, 3(26): 31-37.]

基于时空自相关的道路交通状态聚类方法

Urban Traffic Status Clustering Method Based on Spatio-temporal Autocorrelation

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

[1]	郭烈, 胥林立, 秦增科, 王旭. 自动驾驶接管影响因素分析与研究进展[J]. 交通运输系统工程与信息, 2022, 22(2): 72-90.
[2]	徐猛, 刘涛, 钟绍鹏, 姜宇. 城市智慧公交研究综述与展望[J]. 交通运输系统工程与信息, 2022, 22(2): 91-108.
[3]	程君, 张立炎, 陈启宏. 一种基于地图辅助的自动驾驶视-惯融合定位方法[J]. 交通运输系统工程与信息, 2022, 22(2): 117-126.
[4]	王国栋, 刘立, 孟宇, 马智萍, 郑淏清, 顾青, 白国星. 一体式车辆避撞轨迹规划与跟踪控制[J]. 交通运输系统工程与信息, 2022, 22(2): 127-136.
[5]	马东方, 陈曦, 吴晓东, 金盛. 基于强化学习的干线信号混合协同优化方法[J]. 交通运输系统工程与信息, 2022, 22(2): 145-153.
[6]	许波桅, 王玲玲, 李军军. 自动化码头多级作业超网络延误传导特性研究[J]. 交通运输系统工程与信息, 2022, 22(2): 280-289.
[7]	田会娟, 刘嘉伟, 翟佳豪, 邓琳琳. 基于多入侵线的视频车速检测方法[J]. 交通运输系统工程与信息, 2022, 22(1): 49-56.
[8]	贾彦峰, 曲大义, 赵梓旭, 王韬, 宋慧. 基于安全势场的网联自主车辆跟驰行为决策及模型[J]. 交通运输系统工程与信息, 2022, 22(1): 85-97.
[9]	刘文, 汪文博. 基于秩最小化矩阵去噪的船舶轨迹重构方法[J]. 交通运输系统工程与信息, 2022, 22(1): 106-114.
[10]	赵建东, 陈溱, 焦彦利, 张凯丽, 韩明敏. 重点营运车辆的异常驾驶行为识别研究[J]. 交通运输系统工程与信息, 2022, 22(1): 282-291.
[11]	徐东伟, 彭航, 商学天, 魏臣臣, 杨艳芳. 基于图自编码-生成对抗网络的路网数据修复[J]. 交通运输系统工程与信息, 2021, 21(6): 33-41.
[12]	游峰, 梁健中, 曹水金, 肖智豪, 吴镇江, 王海玮. 面向多目标跟踪的密集行人群轨迹提取和运动语义感知[J]. 交通运输系统工程与信息, 2021, 21(6): 42-54.
[13]	王福建, 俞佳浩, 赵锦焕, 梅振宇. 基于站点实时关联度的短时公交客流预测方法[J]. 交通运输系统工程与信息, 2021, 21(6): 131-144.
[14]	张毅, 姚丹亚, 李力, 裴华鑫, 晏松, 葛经纬. 智能车路协同系统关键技术与应用[J]. 交通运输系统工程与信息, 2021, 21(5): 40-51.
[15]	龙建成, 郭嘉琪. 动态交通分配问题研究回顾与展望[J]. 交通运输系统工程与信息, 2021, 21(5): 125-138.