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.     

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FCM聚类分析模型的中小城市交通发展模式研究

文章针对江苏省中小城市的交通发展模式进行了研究,采用FCM聚类分析模型对江苏省城市进行规模聚类,通过选定相关指标,利用Matlab软件将13个城市划分为5个类别,分析中小城市与大城市在交通特征上的区别,着重针对中小城市的发展模式提出相关建议。     

基于模糊C均值聚类的城市道路交通状态判别

为及时判别城市道路交通状态,考虑城市道路交通特征的差异性和交通流的波动特性,对状态指标的合理性进行分析;将交通状态划分为畅通、缓行、拥堵、阻塞4类,提出一种基于模糊C均值聚类（FC M ）判别城市道路交通状态的算法。选取车速、流量、占有率作为交通状态判断指标,根据不同指标设计3种方案,用MATLAB模糊逻辑工具箱分析出仿真数据的聚类中心,对不同指标组合下的各样本交通状态进行判断,验证算法判别的可行性。结果表明,以速度、流量、占有率为参数的FCM算法能较好地判别城市道路交通状态,精度较高。     

信号交叉口行人自行车交通强度状态划分研究

混合交通是造成交叉口拥堵和交通事故的重要原因之一.为了便于有效的研究交叉口混合交通信号控制策略及交叉口交通仿真,提出了信号交叉口人行横道绿灯时间行人自行车交通强度状态划分方法.分析了交叉口人行横道绿灯放行的交通特性,定义了人行横道绿灯放行时刻行人自行车聚集群的概念.从信号交叉口人行横道的"时空资源"利用角度,提出了划分人行横道绿灯时间行人自行车交通强度状态概念及必要性,选取了行人自行车绿灯时间通过流率、绿灯时间利用率以及行人自行车绿灯时间的空间占有率三个指标作为强度划分依据,选取K均值聚类为强度状态划分方法,对人行横道绿灯时刻行人自行车交通强度状态划分为三类,分别为低强度、中等强度和高强度.结合北京市平乐园交叉口为例,进行了行人自行车交通强度状态划分.     

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%.      

走廊层面交通小区划分方法的优化

基于公交客运走廊划分的交通小区，可为走廊公交线网优化提供更为符合公交乘客出行特征的需求分析和预测基础.本研究针对公交客运走廊特点，将走廊划分为直接影响区和间接影响区，提出分层次的交通小区划分理论.针对走廊不同影响区在需求预测和分析中对结果精度要求的不同，基于大数据选取更加适合公交走廊交通小区划分的聚类指标，提出直接影响区细分和间接影响区合并的划分方法，并通过引入聚类因子初步确定聚类数目和交通小区中心对传统聚类方法进行改进，克服了传统聚类方法随机选取聚类数目和中心而影响聚类精度的不足.最后，基于多源异构大数据对广渠路走廊进行实例验证，结果表明，本研究提出的分层次小区划分方法较传统方法在适用于公交客运走廊需求分析和预测划分精度方面更优.     

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.     

多变量聚类分析的高速公路交通流状态实时评估

针对交通状态单变量判断传统方法的不足,本文建立了基于多变量聚类分析的高速公路交通流状态实时评估方法.结合实际交通流数据,利用模糊聚类、K均值聚类等算法对速度、流量等向量进行聚类分析,给出适合当前高速公路特点的交通状况划分方法和关键参数.本文方法能够实时、准确、全面地反映交通流的运行情况,为制定高效的交通管理控制方案及合理的出行方案提供数据基础.     

���ھ�������ij��н�ͨ·�λ����о�

根据交通流特性的相似性进行交通路段划分对城市交通管理和控制具有重要作用。交通流数据具有时间序列特征,相似性度量问题是时间序列聚类中的最基本的问题之一。本文为交通流数据聚类给出了一种基于灰色关联的相似性度量方法,通过比较试验确定了它具有较高的聚类精度。在每个时段时间序列间的相似性差异、在某一个时段的异常数据等会影响到在整个时间区间的交通流数据聚类,为此本文提出了一种基于时段划分的交通流数据聚类方法。这个方法首先对每个时段数据进行聚类,然后采用最大频繁项集方法得到最终聚类结果（即交通路段划分）,实例证明了方法的有效性。     

Pattern-Based Study on Urban Transportation System State Classification and Properties

In this paper, the authors propose a novel pattern-based approach to model the classification and transition properties of traffic flow. First, fuzzy-set classification method is utilized to divide the traffic states, where the states are partitioned into a number of patterns. Then, fuzzy qualitative reasoning is applied to analyze the transitions between these states. Based on the probability of transition, stability of the traffic states is further investigated. Finally, a case study on urban transportation system is performed to demonstrate the usage of the proposed approach.     

����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.     

模糊状态下装卸机械系统的可靠性分析

本文分析了装卸机械系统状态的模糊性，定义了系统的模糊状态，导出了系统模糊状态的转移公式，建立了模糊状态下系统可靠度的计算理论，并以集装箱吊运机为例，计算其在模糊状态下的可靠度。     

基于MFCM的改进聚类算法及其在交通中的应用

在交通流状态模糊化的过程中,对已有的交通模糊控制研究引入了太多的主观因素.为了解决这个问题,提出了一种基于MFCM算法的分级递减聚类算法,利用MFCM算法寻找类中心,再自适应确定该类中心的隶属度阈值,将聚类进行分级处理,实现未知类别数数据集的聚类.将改进算法应用到交通流状态聚类中,可以更科学地确定交通流状态的聚类数和各类模糊隶属度函数的结构等,最后,通过算例,说明了该算法对于未知聚类数及服从高斯分布的数据集具有聚类效果好、收敛速度快的特点.     

����boosting �㷨�Ľ�ͨ�¼����

提出一种新颖的基于boosting模糊分类的交通事件检测方法。该方法利用Boosting方法和遗传算法以迭代形式获取一组模糊规则及规则对应的权值，分类器以加权投票方式进行分类决策。运用Matlab 进行了仿真分析，结果表明提出的交通事件检测算法利用较少样本数据即可快速实现交通事件检测。     

基于集对分析的道路交通拥堵判定

基于集对分析原理提出了道路交通拥堵判定的新方法——集对分析法,给出了集对分析法的基本思路和交通拥堵判定步骤。该方法考虑了交通状态分级标准的模糊性,同时避免了差异不确定系数的取值,应用于成都市某路段交通拥堵状态的判定,结果表明,该方法概念清晰、结构简单、计算简单、易操作、可行有效。     

���ڽ�ͨ���ϵij���ͻ���¼��ּ�

合理划分突发事件等级,是应急管理人员迅速、科学调度资源和人员的基础依据,是预案编制的首要前提,也是突发事件应急管理的关键技术.已有的突发事件分级研究重点是事后分级,没有考虑事件发生时的交通保障能力,这会导致分级出现偏差,对应急处置意义不大.此外,大部分研究都是定性的.本文提出了突发事件中分级的定量模型.考虑应急救援的交通保障能力,从突发事件性质,突发事件对社会的影响,以及交通保障能力三个方面提出了突发事件分级的评价指标,接着用模糊层次分析法计算各因素的优先权重,最后以火灾为例验证了提出的模型.     

高速公路基本路段交通运行状态评价

基于高速公路基本路段的特性选取适当的指标对高速公路基本路段交通运行状态进行评价,并根据相关标准给出分级标准。通过加权平均法得到各指标的权重,采用线性分析法得到隶属度,最终建立模糊综合评价模型,为高速公路运行管理提供科学依据。     

基于3DCNN-DNN 的高空视频交通状态预测

为使用高空视频识别和预测道路交通状态，提出基于三维卷积神经网络-深度神经网络(3DCNN-DNN)的交通状态预测方法. 将道路切分为D 个路段，每个路段视频片段时长 m s，基于典型3DCNN结构C3D识别路段视频片段交通状态；建立道路? 个历史时段、D 个路段的交通状态矩阵Φ ，将道路交通状态预测问题转化为以Φ 为输入，有限交通状态为输出的分类问题，构建基于DNN的短时交通状态预测模型原型；建立交通视频数据集，对DNN预测模型原型的隐藏层数量、神经元数量及训练批大小进行测试优化，提出有4 隐藏层，各层神经元数量为64/128/128/64，训练批大小为64 的优化模型DNN*.测试结果表明：C3D视频交通态识别平均F1 值为95.71%，DNN*道路交通状态预测准确率为91.18%，比DNN线性分类、KMeans 、KNN、SVM和线性分类分别高6.86%、57.85%、62.26%、26.47%、43.14%；C3D能提供准确的交通状态矩阵，3DCNN-DNN可有效识别和预测道路视频交通状态.