二分K-FCM结合算法在交通运行状态判别中的应用

正确判别交通运行状态是交通运营管理的理论依据。以高速公路交通状态判别为研究对象,综合考虑交通流三参数(流量、速度、占有率)的基础上,应用模糊C均值(FCM)与二分K均值结合算法对交通运行状态进行判别。首先,对交通数据集分布特征及交通运行状态特征进行分析,确定以V05~V85为最小欧氏距离判别的数据范围。其次,为解决算法收敛较慢及任意初始化质心对聚类结果的不良影响,对传统模糊C均值聚类算法进行了改进,将运行二分K均值算法的聚类结果矩阵作为FCM的初始聚类中心。经检验,改进的FCM可以有效减少算法迭代次数,得到的目标路段交通状态判别矩阵能较精准地划分高速公路不同的交通状态。     

基于特征熵权与样本加权的大跨桥梁多车道交通荷载聚类模型

为满足交通流荷载作用下大跨桥梁结构评估的需要,研究了基于荷载参数特征的交通流状态划分方法。首先,基于实测交通流数据,按照车道属性统计分析得到交通流的单位小时特征参数样本,选择单位小时内车型比例、车头间距及交通流速度作为交通流状态划分的参考特征;其次,改进经典k-means聚类算法以增强其对高维、复杂交通流荷载分类的鲁棒性,即通过引入特征熵值来表征各特征参数对聚类效果的重要性,同时计算样本点与周围样本点的接近程度来赋予样本点权值,以削弱样本离散性对聚类质量的不利影响;最后,通过聚类算法得到11种具有不同参数特征的交通流荷载,分析了其作用下某大跨斜拉桥拉索应力响应及造成的疲劳损伤。结果表明：改进算法的聚类质量指标比原始k-means算法提高了40%以上,对交通流状态划分具有良好的适用性;通过算法得到的不同类别的交通流荷载的特征参数差异性明显,其占有率也大不相同,同一类别的交通流荷载各样本特征参数聚拢效果良好;同车道内不同类别的交通流荷载的拉索等效应力差别较大,其变异系数均在0.2以上,尤其在考虑了不同交通流荷载模型的占有率后,这种差异性进一步增大。上述结果表明该交通流荷载聚类与模拟方法是有...     

降雪天气下高速公路交通流状态划分

为了给降雪天气下高速公路交通管理者提供合理、准确的交通状态信息,提出了一种可用于高速公路降雪天气下交通状态划分方法。考虑到高速公路交通状态分类存在模糊性的特点,以速度、密度作为样本数据的特征属性,提出了改进的模糊C均值聚类(FCM)的交通状态分类方法。针对传统算法要求事先确定交通状态划分的数目c存在的缺陷,利用自适应函数求得聚类数c。以乌鲁木齐市机场高速公路为实例进行分析,获得降雪天气下交通流状态的划分结果。     

车路协同环境下驾驶员行为识别方法研究

本文中提出了一种介于车辆操纵稳定性和智能交通系统的驾驶员行为识别方法。首先通过微观仿真软件实现不同行驶状态下局部路网仿真,获取大量基本仿真数据,根据汽车动力学理论,实现基本行驶参数到行驶状态参数的转化;然后应用邻域粗糙集来进行特征约简,再使用总体平均经验模态分解(EEMD)、相关系数法和样本熵相结合的方法进行样本数据挖掘,将得到的样本熵数值作为聚类的特征向量;最后将特征向量输入GG模糊聚类进行聚类,利用微观交通软件和UC-Win/Road驾驶模拟器仿真得到的样本,采用最小平均贴近度择近原则实现驾驶行为识别验证,并根据最大贴近度和次最大贴近度计算待测样本属于某类驾驶行为的隶属度。实验表明,该方法取得了良好的识别效果。     

基于改进模糊聚类算法的快速路交通状态分类评价

基于城市快速路实时交通信息发布出发,对其交通状态进行了有效分类。研究首先在选取分类指标时,在传统分类指标流量、速度、占有率的基础上增加了新的分类指标——路网宽裕度。并运用模糊聚类的思想对交通状态进行聚类分析,对传统模糊聚类算法进行了适当改进,从而增加了方法的创新性。案例分析结果表明,研究所提的分类指标及改进算法是可行的,可对城市快速路的交通状态进行较为有效的分类。     

基于模糊聚类和判别分析的交通状态提取算法

针对交通状态的模糊性和不确定性,在综合考虑交通流3个参数（流量、速度、占有率）的基础上,设计了城市道路交通状态提取算法。采用模糊聚类技术,对覆盖所有交通状态的历史数据进行聚类分析;根据聚类结果,对交通数据进行判别分析,判断其所属交通状态;用实测交通数据进行了状态提取实验,并和问卷调研的统计结果进行了对比分析,结果表明该方法能够有效地进行交通状态的提取,可以准确反应道路使用者的真实感觉。     

基于数据分布特征的城市道路拥堵判别算法改进

针对传统模糊c算法与阈值两种交通流状态划分方法的适用性不足,分析了交通流数据的分布特征,并在二维空间的城市道路以各状态离散性变化差异作为参考进行状态的划分,在FCM算法的基础上加入历史先验数据与后验概率进行初始聚类中心的优化,并以对不同维度数据之间变化关系与离散性更加敏感的马氏距离代替传统欧式距离进行改进,并在最终的结果单值化时不再采用整数使结果更加接近实际交通运行状况。并使用实验数据进行算法验证,判别结果与数据表现更加接近,验证了方法的稳定性与有效性。     

基于模糊C均值聚类的快速路交通流相态划分

交通相态的识别问题是智能交通系统里一个关键问题,基于模糊C均值聚类分析可以很好地解决这种没有先验知识情况下的分类问题。文中介绍了三相流理论,根据我国实测快速路交通流数据,利用模糊C均值聚类方法对交通流相态的分类进行了研究,实现了一种交通相态的划分方法,研究结果表明：该方法能够识别出三相流理论中的自由流和同步流状态。     

基于聚类算法的交通网络节点重要性评价方法研究

评估交通网络中节点的重要性,识别出对网络效率起着重要作用的关键节点,对于预防和降低交通拥堵和交通事故等事件对路网整体效率的影响具有重要意义.为识别出关键节点,研究了一种基于聚类算法的交通网络节点重要性评价方法:将道路交通网络抽象为无向加权网络,以节点介数、节点交通量和PageRank值作为节点重要性评价指标,利用基于K-Means算法和随机森林加权的改进FCM算法确定交通网络节点重要性,适用于中小城市道路交通网络.实证分析表明,改进算法的聚类性能明显提高,目标函数值和迭代次数分别降低88.70%和61.54%,同时算法误判率也仅为5.50%,验证了所提出的方法可以更为客观地刻画交通网络节点重要性程度,更为准确地动态辨识出关键节点.      

基于速度分类算法的交通事件视频检测系统设计

提出基于速度分类算法的交通事件实时视频检测方法,并对交通量检测方法、车辆跨道处理、速度检测、交通状况检测及交通事件识别等进行了研究.在车辆检测与跟踪的基础上,可实现车辆停止、慢行、车道变换次数和车流拥挤等交通事件识别功能,通过自动检测车辆避障、车道变换、超速、慢速、停止和交通阻塞等事件,获得交通流量、占有率、排队长度、车型和平均车速等交通参数.与传统交通事件检测系统相比,具有直观方便、费用低等优点.      

基于模糊理论的高速公路交通事件的自动检测

根据交通流量、速度和占有率,构造不同交通流状态的隶属函数,根据最大隶属度原则进行交通流状态的识别;利用支持向量机的全局优化、适应性强、泛化性能好等优点,针对实时交通流数据的随机性、高维、非线性和时变等特性,将模糊支持向量机(FSVM)应用于高速公路交通事件检测问题中。在识别阶段利用60组实测数据训练模糊支持向量机,利用60组实测数据进行测试,测试结果表明,利用FSVM进行交通事件检测,识别率达到96.7%,从而验证本文的方法是切实可行的。     

干道交通状态识别及演变机理研究

为减少城市交通拥挤、避免交通瘫痪、保障出行安全,在综合分析交通信息采集技术、交通状态识别、交通状态演变研究现状的基础上,对干道交通状态识别及演变机理进行分析,建立适用于精细化交通管控的城市道路交通状态识别及预测框架,主要包括基于深度学习结合视频跟踪算法提取交通参数、基于路段单元运用堆叠式稀疏自编码结合K-均值聚类对车道和路段交通状态进行精准判别、基于LSTM循环神经网络与3D-CNN卷积神经网络对交通状态进行预测;最后提出干道交通状态识别与预测面临的挑战和研究方向。     

基于两阶段K-means聚类的道路运行状况评价方法

为有效评价道路运行状况,通过分析车辆在行驶过程中运行状态的变化,研究了一种基于两阶段K-means聚类(TSKC)的道路运行状况评价方法.针对K-means聚类数选取的任意性和聚类中心选取的随机性问题,提出基于遍历的K-means聚类方法,采用类吸引度确定聚类数和初始中心,并以此为初始条件进行第二阶段K-means聚类,得到交通模式.提出模式吸引度、路段评价指数、分布均衡度,并用这些指标来评价路段交通运行状况.以北京市朝阳区北辰东路为例进行验证,结果表明,该方法比传统道路评价方法更细致、全面、直观地描绘了车辆状态的演变过程和交通模式的分布情况,具有良好的实用性.      

基于数据驱动的城市快速路段拥堵状态辨识及诱导对象选择方法

交通诱导实施效果不佳的主要原因之一是具有差异性出行特征的出行者无法接受单一的诱导方案。针对城市快速路高峰时段拥堵问题, 研究了考虑车辆出行特征差异的交通诱导对象精准识别方法, 以保障诱导方案的实施效果。利用高德路况数据提取拥堵路段, 根据拥堵路段与相邻路段交通状态的相关性提出拥堵源路段识别方法; 利用车牌识别数据提取使用快速路车辆的出行特征, 包括快速路出行强度、地面道路出行强度、快速路出发时刻离散度和快速路路径选择多样性; 采用K-means++算法对车辆出行特征进行聚类, 识别出显著影响道路交通状态的出行者, 并为出行者推荐适合其出行特征的错峰或绕行诱导方案。以苏州快速路为例, 研究发现: 针对拥堵源路段的交通诱导能有效改善拥堵路段的交通状态; 类型3车辆(高频出行且易绕行)占单月工作日早高峰所有使用快速路车辆总数的14%, 却占单日早高峰总交通量的51%, 是重点诱导对象; 通过精准识别, 可推荐诱导车辆数占总车辆数的47%。      

基于GA模糊聚类的城市快速路交通流状态划分

采用基于遗传算法的模糊聚类划分城市快速路交通流状态,借助模糊相关度函数分析聚类结果的有效性,以寻找交通流状态的最佳分类数。遗传算法的引入,有效改善了传统模糊聚类对初始化敏感以及容易陷入局部最优解的问题。经上海市城市快速路实测数据验证,此算法对交通流状态的划分具有可行性,且聚类有效性分析能够合理确定交通流状态最佳分类数。上述研究成果可用于城市快速路交通信息发布、服务水平评价以及交通设施的控制与管理。     

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。     

基于遗传算法的FCM聚类分析在边坡稳定性评价中的应用

FCM聚类分析在边坡稳定性评价研究中已得到广泛的应用,但传统的FCM算法存在着对初始聚类中心值敏感的问题。引入遗传算法来克服这个问题,提出了基于遗传算法的FCM聚类分析。以具体实例,采用基于遗传算法的FCM聚类分析对边坡进行稳定性评价,然后进行模式识别。研究结果表明:基于遗传算法的FCM聚类分析,克服了传统FCM聚类分析对初始聚类中心敏感的问题,其结果明显好于传统的FCM聚类分析。     

基于视频检测技术的城市快速路交通状态分析研究

基于视频检测技术采集得到的北京城市快速路交通特征参数,对城市快速路交通状态进行分析研究.选择车辆行驶速度和速度方差作为城市快速路交通状态分析的决策变量,根据城市快速路交通流特征将交通状态分为自由流、谐动流、同步流和拥堵,利用模糊C均值聚类算法建立交通状态辨识算法,算法经验证表明其有效可行.     

利用放电电压平台的FCM电池分选方法

针对电池分选成组后的一致性问题,在分析电池容量衰减与放电电压曲线关系的基础上,采用模糊C均值聚类算法,提出一种基于放电电压平台的FCM电池分选方法。该方法选取单体电池放电电压平台的3个特征点作为样本,再将标准化后的样本集作为算法的分类对象,最后以聚类有效性函数判定最优分类结果。全寿命实验的结果表明,采用分选方法得到的电池组动态一致性好,循环寿命衰减率降低,在500次循环寿命测试后健康度仍保持在90%以上。所提出的分选方法分选效率高,适用于数量较大的电池样本,可有效识别组内电池样本的一致性和生产质量,实现电池的多场合利用和效率最大化。     

最短路-最大流交通分配法

为确定公路网各路段交通量,在最短路交通分配法的基础上,引入了求最短路上最大流的分析技术,提出了最短路上最大流交通分配计算方法。依据对公路网中不同路段初定的技术等级所具备的最大服务交通量和拥挤度的要求,确定出该路段的容许交通量,当路段所分配到的交通量累计达到这一量值时,及时地对路段技术等级进行调整,进而对该路段的路权与容许交通量进行适时的调整。算例表明:该计算方法有效地提高了交通分配过程中有关路权处理的整体质量,较现行的最短路交通分配法和交通容量限制分配法的分配结果更趋合理。