基于模糊C均值聚类的城市道路交通状态判别

根据城市道路交通流特性,针对同一交通状态下交通流参数分散在一个二维区域的现象,将交通流划分为4个状态,讨论了不同状态之间的转变情况;针对城市道路交通状态存在模糊性的特点,以流量、速度、占有率作为样本数据的特征属性,提出了基于模糊C均值聚类(FCM)的交通状态实时判别方法,该方法首先采用模糊聚类技术对历史数据进行分类,得到不同交通状态的聚类中心,然后对新观测到的交通数据所属类别进行实时判别以确定交通状态。以赣州市文明大道为实例进行分析,其结果与实测交通运行状况结果一致,验证了方法的有效性。     

基于GA-KFCM算法的高速公路交通运行状态评价研究

为提升高速公路交通运行状态评价的效果,提出GA-KFCM(genetic algorithm-kernel fuzzy C-means,基于遗传算法改进的核模糊C均值)聚类算法,并结合实例数据对不同方案的分类效果开展验证分析。首先,分析高速公路交通运行状态评价的范围及等级;然后,提出核函数改进的KFCM(kernel fuzzy C-means,核模糊C均值)聚类算法。在此基础上,采用遗传算法弥补初始化聚类中心随机的缺陷,考虑到在选取不同参数时判别模型的差异较大,结合实例数据对改进前后模型的交通运行状态开展聚类分析,并采用综合指标评估不同试验方案的优劣。试验结果表明：与FCM(fuzzy C-means,模糊C均值)聚类算法相比,GA-KFCM算法的聚类效果提升5倍左右;三维交通参数的交通运行状态判别可靠度最高。     

基于投影寻踪动态聚类的快速路交通状态判别

为了提高快速路交通运行状态的判别精度,利用地点交通参数与交通状态之间的映射关系,提出了基于投影寻踪动态聚类模型的快速路交通状态判别方法.该方法综合投影寻踪技术和动态聚类方法构造投影指标函数,采用混合蛙跳算法优化投影指标函数的投影方向获得最佳投影方向,并利用仿真数据标定了交通状态判别阈值.结合仿真数据和实测数据进行了实验验证和对比分析.实验结果表明,投影寻踪动态聚类模型能够有效提高快速路交通状态判别精度,平均判别率为97.01%,平均误判率为0.86%,平均判别精度分别比BP神经网络模型和模糊C均值聚类模型方法提高了8.9%和4.5%.      

基于网格模型与K-Means算法的交通状态演变特征

为利用海量网约车轨迹数据实现对城市交通状态的高效识别与分类,对成都市网约车轨迹数据进行预处理,构建城市交通状态识别网格模型,根据模型判别网格的交通状态。利用K-Means聚类算法对不同时段的交通状态进行聚类,并将交通状态分为持续畅通型、轻度缓行型、持续缓行型、持续拥堵型4种类型,从时间维度和空间维度分析不同网格的交通状态演变特征。结果表明:研究区域内交通状态相对稳定,持续拥堵区域分散,持续缓行区域较为集中。基于网格模型与K-Means算法的交通状态识别方法能够实现对交通状态的快速判别与聚类,可实现对不同城市交通状态的识别。     

基于时空自相关的道路交通状态聚类方法

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.     

基于模糊聚类的城市快速路交通流状态划分

针对城市快速路交通流状态分类的问题,提出了一种改进的模糊C均值(FCM)算法。结合层次聚类算法和FCM聚类算法,运用层次聚类算法得到最佳聚类数和初始聚类中心,并通过Relief F特征加权对影响交通状态的不同特征指标赋予相应的权值,最终用FCM算法再次聚类得出交通流状态的分类结果。以VISSIM为工具,对该方法进行了模拟。对比分析结果显示,所提出的方法能够提高城市快速路交通流状态分类的效果。     

基于模糊聚类的城市快速路交通流状态划分

针对城市快速路交通流状态分类的问题,提出了一种改进的模糊C均值(FCM)算法.结合层次聚类算法和FCM聚类算法,运用层次聚类算法得到最佳聚类数和初始聚类中心,并通过Relief F特征加权对影响交通状态的不同特征指标赋予相应的权值,最终用FCM算法再次聚类得出交通流状态的分类结果.以VISSIM为工具,对该方法进行了模拟.对比分析结果显示,所提出的方法能够提高城市快速路交通流状态分类的效果.     

单向非机动道路内混合自行车交通状态判别

为准确判别单向共享非机动道路内混合自行车交通流的状态,以流量和密度为表征指标,将模糊C均值聚类方法应用于状态判别,并采用统计回归方法分析道路特征参数、车辆特征参数和骑行者特征参数对交通流状态聚类中心的影响。结合杭州实测数据,将混合自行车交通流状态划分为畅通、稳定通行和拥挤3种状态,分别建立各状态下聚类中心流量和密度与车道宽度、电动自行车占比、男性骑行者占比3个特征参数之间的回归关系模型。结果表明,在稳定通行和拥挤状态下,聚类中心的流量都与车道宽度呈线性相关,稳定通行状态下的密度与电动自行车占比呈线性相关。     

����ģ������Ŀ���·��ͨ��״������

人们对交通流状况的判断常常是比较模糊的,本文根据实测快速路交通流数 据,利用模糊聚类的方法对交通流状况的分类进行了研究,分别把交通流分成了2类、3类和6类.论文对实验结果进行了分析,并给出了适用于北京快速路交通流状况分类的一些关键参数.分析结果表明:用模糊聚类进行交通流状况分类是一种可行的方法;速度对交通流分类的影响最大,其次是占有率,流量的作用最低;除了在速度很高、速度很低或者占有率很大的情况下可直接判断交通流状况,其他情况下需要根据交通流三个变量来综合判断.     

基于改进FCM聚类算法的高速公路交通状态识别

为有效识别高速公路交通状态,提高路网服务水平,基于改进的模糊C均值(Fuzzy CMeans, FCM)聚类算法对高速公路交通数据进行分析。首先,采用熵权法确定交通流量、空间占有率、平均速度和路网充裕度4个交通状态分类指标的权重,并对每个样本赋予不同的加权系数。然后,将样本权重计算纳入算法迭代过程,进而实现高速公路交通状态识别。最后,比较改进FCM算法与传统FCM算法的目标函数值、迭代次数及运行时间,结果表明:与传统FCM算法相比,改进FCM算法的目标函数值较小,迭代次数较少,运行时间较短,在数据中表现出更好的适应性;由改进FCM算法得到的聚类结果能准确、全面地反映交通数据的变化情况,实现道路交通状态的有效识别。     

交通状态划分的参数权重聚类方法研究

由于交通流量、速度、占有率或密度等参数在交通状态划分中作用不同,本文提出了基于参数权重聚类的交通状态划分方法.根据交通参数数据的相似性,应用基于加权欧氏距离的相似性度量方法构建了交通参数评价函数,并用梯度下降法极小化评价函数对交通参数权重进行求解.将交通参数权重应用于模糊C均值聚类算法（FCM）,得到基于参数权重的FCM道路交通状态划分方法.应用提出的模型对选取的实际交通参数数据进行交通状态划分,并与基于欧式距离的FCM状态划分结果对比.研究结果表明,本文提出的方法提高了交通状态划分精度,更接近交通实际运行状况.     

城市快速路路段交通流状态评估方法

交通流状态分类对于选择交通控制和诱导策略有非常重要的作用,不同的快速路路段设定的交通流参数临界值及变化特性会有所不同．本文考虑到交通流参数对交通流状态判别的影响程度,给出了一种基于加权欧氏距离的相似性度量方法,并确定了交通流状态判别的关键参数．根据整个路段的交通流数据,通过聚类分析构造最小距离分类器,把个别路段的交通流数据作为样本数据．进行了对个别路段的状态评估．实证分析结果表明：在交通流状态判别过程中,密度是最关键的参数：基于最小距离分类的个别路段的状态评估结果与实际情况非常类似,这将为交通控制和管理提供决策依据．     

城市道路车辆分类及折算系数研究

城市道路上交通构成复杂,对交通流进行研究时希望能够有一个统一的标准来计量道路上行驶的车辆。车辆折算系数是指将混合车流中的各种车型转化成标准车的当量值,是道路规划与设计中的重要指标之一。由于该系数在不同地点和时间的交通流状况下不尽相同,就需要一种调查简单而结果又合理的计算方法。从定义各类型车辆所占用的动态空间瞬时车道占有率入手,提出了以车辆瞬时占用车道长度与速度的比值为参数,基于模糊动态聚类对车辆进行分类的方法。并利用该方法对城市主干路上的交通调查数据进行了计算,将车辆进行合理的分类,并根据最佳分类的聚类中心值给出了城市道路上的车辆折算系数,最后分析了城市道路上各种车辆折算系数的特点。     

基于浮动车速度波动特征的交通状态识别

为实现路段交通状态的准确判别,解决单参数无法直接识别道路交通状态问题,本文利用高频浮动车速度数据,使用灰度共生矩阵特征值对比度和逆方差表示车辆行驶的波动特征。基于城市道路交通状态变化的动态性与连续性,围绕固定时间窗口内车辆的平均车速、对比度和逆方差,采用FCM (Fuzzy c-means)算法进行聚类分析,得到畅通、平稳、拥挤和阻塞这4种状态阈值。提出基于多维高斯隐马尔可夫模型的交通状态识别方法,分别以3,5,6 min固定时间窗口训练模型。模型状态转移矩阵表明,时间窗口越小其保持原有交通状态的可能性越大,时间窗口越大交通状态突变的可能性越大。使用不同序列长度对比3种时间窗口在测试集中的识别精度,结果表明,随着序列长度的变化,精度显示出先升高后降低的趋势,且固定时间窗口越大,不同序列长度的识别精度变化越均匀。最后利用5 min固定时间窗口划分数据使用本文方法和支持向量机以及随机森林分别进行道路交通状态识别,综合精度分别为92.00%、84.89%、88.48%,同时本文方法在查准率、召回率和F1度量(F1-score)指标均优于其他两个模型,说明道路车速的波动特征可以很好地反映道路交...     

车联网环境下公交路径交通状态估计方法研究

传统感应线圈的交通状态估计方法已无法满足准确性和实时性的状态估计需要,为此提出了基于联网公交车辆实时速度的交通状态估计模型。所提模型借助实时信息采集系统的高效性和准确性的优势,对道路交通运行状态进行估计,同时利用卡尔曼滤波算法对交通状态变量进行更新。基于历史观测数据对更新后的交通状态变量进行修正,进而得到交通状态的估计值。通过采集数据并进行大量的实验,研究结果表明：基于联网公交实时速度的状态估计模型,在各种交通环境条件和占有率下,估计值误差指数（变异系数） 均小于15%,最大仅为13.15%;状态估计修正模型与状态估计模型相比,估计值误差指数下降了2%,总体误差优化性能提升了11.87%。在确保实时性和高效性的同时,基于联网公交车辆实时速度的交通状态估计模型解决了传统道路交通状态估计方法准确性低的问题。     

基于粒计算的交通流参数预测

交通流参数预测是交通流诱导和交通信息发布的重要依据.以信息颗粒为基 础数据分析单元,针对以往模糊时间序列模型存在的缺陷,提出一种新方法构建模糊时 间序列模型,该方法在挖掘数据内在信息关联的基础上,考虑时间变量影响下分析动态 可变的区域间隔长度.此方法主要特点是基于Gath-Geva 模糊聚类的时间序列分割,利用 模糊分割构造信息颗粒,以信息颗粒为数据单元,通过粒计算分析交通流参数动态变化 趋势.实验结果表明,基于粒计算的交通流参数预测可以预测合理的交通流参数置信区 间,比传统的参数数值预测可靠度更高,对于交通状态的动态分析具有指导意义.     

面向诱导的交通状态概率预报技术

为了获取准确客观的交通流运行状态信息,满足交通诱导的需求,综合考虑城市道路中交通流演变的随机性和复杂性,以及实时交通状态判别本身具有的不确定性,通过分析交通状态和影响因素之间的映射关系,提出了一种交通状态概率预报的Logistic回归模型. 该模型借助Logistic回归方法探讨交通状态和交通参数之间的函数关系,并对下一时段交通状态及其发生的概率进行预报. 最后结合实际数据,进行了不同预报时长的分级交通状态的概率预报实验,独立样本检验结果表明,该模型预报准确率高,稳定性好.     

基于多源轨迹数据的城市交通状态精细划分与识别

针对基于路段的城市交通状态分析方法的不足，本文利用公交车和出租车轨迹数据提出了城市交通状态精细划分和识别方法，实现城市交通状态分析.对两种轨迹点的速度值和空间位置值分别进行归一化处理，以此为属性数据，通过迭代计算轮廓系数确定k 值完成轨迹点聚类，结合二次处理方法对类簇进行拆分和融合以划分道路交通状态；在特征级建立多源数据融合方法，实现交通状态速度值计算；以归一化后的速度值为属性数据，通过聚类将样本分为4类对应4种城市交通流状态层级.实验表明，本文方法能够实现道路交通状态精细划分，能有效地识别出道路局部位置的交通状态，进而可为城市道路交通管理提供决策支持.     

阻塞流状态下城市快速路交通流时空特性

根据时间序列中的自相关函数法,判断交通流量、时间占有率与平均速度的时间序列的平稳性。根据混沌分析中的G-P算法,将非平稳的交通流参数时间序列转化为平稳的交通流参数时间序列。引入了互相关系数的概念,在阻塞流状态下,计算了上游断面对观测断面以及观测断面对下游断面的互相关系数,并应用K-S检验判断阻塞流状态下城市快速路进出口匝道的车辆到达特性。研究结果表明:交通流量和时间占有率属于非平稳时间序列,平均速度属于平稳时间序列;当时间延迟分别取2、3、5min时,在阻塞流状态下,重构的交通流量相空间嵌入维数为4;观测断面的交通流参数不仅受相邻上游断面交通流参数传递的影响,而且也受相邻下游断面交通流参数回溯的影响;在阻塞流状态下,城市快速路进出口匝道车辆到达特性符合负二项分布。