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。     

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.     

基于车牌识别数据的城市路网运行状态识别方法实践

采用城市车牌识别数据进行路网运行状态观测和分析,设计了基于车牌识别数据的交通卡口聚类算法、车辆轨迹还原算法及速度分类树算法,建立了路网运行状态识别模型,结合乌鲁木齐的城市交通路网形态和车辆构成特征,通过与出租车GPS统计数据的对比和融合分析,研究了乌鲁木齐市的交通出行特征、路网运行速度与流量变化规律,以及路网运行与常发拥堵路段的关系,提出了一种利用车牌识别数据进行城市路网运行状态识别的方法。     

考虑连接性的路网划分算法

针对传统K均值聚类算法在非均质路网划分应用中的不足,将路网连接性融入算法,解决其在路网划分应用中聚类结果不连续的问题.先使用最大最小距离算法确定初始聚类中心和路段差异性,并以聚类评价指标ANSK确定K值;然后统计连续时间间隔下路网划分结果的动态频数,合并和拆分不稳定的“噪声”路段,提高划分子区内路网的紧凑性.最后,基于现实路网中的车牌照自动识别实测数据,对改进的聚类方法进行了验证.将算法得到的划分效果与K均值聚类算法和Ncut算法进行对比,并对子区做宏观基本图分析.结果表明,改进后的K均值聚类算法在保证自身原有聚类优势下,可以有效实现连接性约束下的路网划分.     

基于改进的FCM在人脑MR图像分割中的应用

为解决模糊C-均值聚类（FCM）算法在医学图像分割中存在计算量大、运行时间过长以及样本集不理想会导致不好的聚类结果的问题,提出了相应的改进算法．利用收敛速度快的K均值聚类法得到的聚类中心作为FCM算法的初始聚类中心,并将样本对于各个聚类的隶属度之和为1这一约束条件,改变为所有样本对各类的隶属度总和等于样本总数．实验表明,该方法用于人脑磁共振图像分割时,运行速度提高了近3倍,分割准确度明显得到提高．     

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.     

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。     

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。     

城市轨道交通行人通道交通状态识别研究

提出了一种基于支持向量机,利用行人交通流参数,实现城市轨道交通人行通道处交通状态识别的方法。采用FCM算法实现了4种行人交通状态的聚类分析与定义;建立SVM多类分类器模型。并分别采用线性可分和非线性两种SVM分类器以及多项式、高斯径向基、sigmoid等3种核函数,应用于行人通道交通状态识别中,进而通过实际采集数据集合,对其有效性进行对比分析。研究表明:设计的算法具有良好的识别性能,RBF核函数SVM模型的总体识别效果相比最好,正确率均在85%以上,说明行人交通参数在该核函数转化的高维空间具备良好的线性可分;线性可分对畅通状态识别效果相对最好,正确率为98%;多项式核函数对稳定状态识别效果相对最好,正确率为93%;sigmoid核函数的总体识别效果相比最稳定,正确率均在85%~92%。     

基于数据可视化的区域交通状态特征评价方法

引入交通拥堵时空累积指标对区域交通运行状态进行判别与定量分析, 建立拥堵源与拥堵评价点之间的函数关系以构建可视化模型, 利用梯度方向直方图与主成分分析法对交通运行状态数据进行特征提取, 并利用高斯混合聚类方法对特征数据进行聚类, 划分区域交通拥堵的空间分布模式。选择了广州23 478辆出租车, 得到了509 376个数据样本, 并对交通路网拥堵模式进行识别和划分, 分析和评价了城市交通拥堵分布特性。试验结果表明: 3个样本的拥堵强度平均值分别为0.558、0.559、0.559, 交通拥堵聚集度指标分别为3.518、3.121、2.800, 3个样本的整体路网拥堵强度相同, 但是空间拥堵分布有较大差异; 广州在拥堵等级为6时的3种拥堵模式的主要聚集区域数分别为2、4、3个, 符合实际调查结果。可见, 本文提出的方法能更科学直观地描述区域交通拥堵程度和分布情况以及空间层面上的城市区域交通运行规律。     

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...     

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.     

城市居民出行次数变权预测方法

传统居民出行生成次数采用线性回归分析现状数据,建立居民特征变量与出行次数间的关系,但并未区分样本权重,预测结果受样本点波动影响较大。因此,论文考虑对不同的样本点施加不同权重,以区分不同样本点对预测结果的影响程度,并以最小二乘参数估计法为基础,采用Robust估计中的Welsch方法构造样本点权重值,通过迭代运算确定样本权重系数,进而建立样本权重变化的预测方法。研究表明,变权预测方法可应用于样本量大、变量众多,并难以准确识别样本有效性的情况。预测结果有效地避免了数据波动对预测结论的干扰,可更贴近居民出行次数的变化趋势。     

基于数据驱动的区域交通TOD时段识别方法研究

提出了一种基于数据驱动的T OD时段识别方法,对区域不同路口、不同流向、不同时刻的交通流数据,采用多元相关分析、主成分分析等在空间尺度上识别出路网的关键路口和关键交通流向,采用层次聚类在时间尺度上识别出不同的交通状态和各T OD时段。以9个道路交叉口流量数据为应用实例,获取其中6个不同路口方向为关键交通流,并将不同时刻观测值聚类为5种不同的交通状态,进而识别出1 d的8个 T OD时段,每个时段分别代表干线或区域高、中、低等不同流量时期,表明了该方法的有效性。     

城市路网模块结构探测及Hub路段诊断算法

为了剖析城市路网拓扑结构的复杂性,识别路网中的关键路段,根据模块结构理论,分析了城市路网的聚类特性,提出了一种适用于城市路网模块结构划分和Hub路段诊断的算法——GN-T算法.该算法通过逐条移除介值最大的路段实现模块结构的划分,从而诊断出路网中的Hub路段.为确定模块结构的最佳划分,提出了一个改进的模块度函数.以武昌区路网为例对该算法进行验证,结果显示:武昌区路网模块度的最大值为0.41,表明该路网具有明显的模块结构特性;利用该算法诊断出的Hub路段与实际情况相符,证明了该算法的有效性和实用性.      

基于轨迹压缩的航空器飞行轨迹聚类研究

为准确掌握终端区航空器飞行模式,有效评估、优化飞行程序,首先,针对飞行轨迹点的时空特性,提出基于时间比的自上向下算法压缩轨迹;其次,结合轨迹点的速度和航向特征,建立基于多维属性特征的轨迹相似性模型;最后,应用禁忌粒子群(TSPSO)算法改进和优化模糊C-均值聚类(FCM)算法,并结合终端区的真实飞行轨迹数据对改进聚类算法进行验证.结果表明:轨迹压缩技术极大地降低了计算开销;与传统的FCM算法相比,改进后的聚类算法可以得到更优的满意解,提高飞行轨迹聚类效果.     

自行小车悬挂输送系统无线定位算法

针对WKNN算法中未知节点的定位中邻近参考点参数固定、定位不灵活且误差较大的问题,提出了基于RSSI的加权近邻改进算法.首先对RSSI值进行高斯滤波处理,通过FCM聚类确定未知节点所属类别,采用隶属度阈值对聚类结果进行修正.然后根据FCM的聚类子样本数设定WKNN算法的近邻值,实现了WKNN算法的自适应计算.实验结果表...     

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%.