基于改进K-Means算法的交叉口影响路段行程速度估计

基于低频、低覆盖率、数据来源多样的GPS浮动车数据,在现有数据预处理方法的基础上,以交叉口影响路段数据点为研究对象,研究出更合理且准确获得交通参数的技术方案。GPS浮动车数据由于其具有全天候、多覆盖等特性,能够实时监测交通参数,估计交通状态。为克服数据本身缺陷,使数据能有效利用,精确得到交通参数,本研究获取短时内路段所有数据点代表整体状态。首先基于数据的特性和在路段分布的节律,利用曲线拟合及拉格朗日中值定理确定交叉口的影响范围;其次在该范围内利用改进K-Means聚类方法,确定初始聚类中心,并以有效性指数作为优化目标确定聚类数;在此基础上分配权重,结合交叉口影响范围外的数据点,对整个交叉口影响路段的行程速度进行估计。用杭州市局部路网中GPS数据进行案例分析,验证技术方案。通过实地调查获取实验真实值,分别讨论了在主、次干路路段本方案估计差异,并与传统模型进行了对比分析。分析表明,该方法得到的路段行程速度估计值与真实值较为接近,误差较小,在城市主干路和次干路中的误差分别为4.1%和9.5%,比传统模型误差更小更稳定,能较好地满足城市智能交通控制系统对于交通参数的精度要求。