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．     

基于多参数状态时间序列的交通状态预测方法

利用多个参数描述交通状态时,交通流数据表现为多维空间数据。提出了将属于每个状态的多维空间数据转换为一维时间序列的方法,对于此状态时间序列采用BP神经网络进行了下1个时段的交通状态预测。实验结果表明,多参数状态时间序列比单个参数时间序列能更准确地描述交通流状态变化过程,且算法简单,具有较强的预测实时性。     

���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。