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.     

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。     

基于投影寻踪的快速路交织区交通状态判别方法

为了准确判别城市快速路交织区的交通状态,实现交通控制策略的优化决策,基于投影寻踪模型与k-means聚类算法,研究了一种新的交通状态判别方法.以交通状态的量化分析为目标,考虑投影寻踪模型的特性,定义了交通状态系数;根据类内聚集度与异类间散度的分析,建立了聚类效果评价系数表达式;应用推导的改进式遗传算法,结合k-means聚类算法,计算获得最优投影方向与聚类中心;应用最优投影方向将新观测的交通流数据转化为交通状态系数,判定欧式距离最小的聚类中心,获得相对应的交通流状态.新方法克服了传统方法对专家经验的依赖性,解决了熵权法对小概率事件信息熵的过量估计问题,并改进了投影寻踪模型的聚类效果评价系数.仿真实验结果表明,新方法状态判别准确率为96.63%,较神经元网络和决策树算法分别提高了5.58% 和7.01%,能够准确判别交织区交通流状态.      

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。     

基于云模型的城市快速路交通状态评价方法研究

交通状态具有模糊性和随机性的特点。基于北京市快速路检测线圈数据,引入了基于云模型的模糊系统来评价快速路交通状态。在充分分析交通流特性的基础上,提出了交通状态划分原则、依据,评价指标,以及基于云模型的模糊综合评价方法的算法流程。为实施交通信息发布以及后期交通状态的改善提供依据。最后,以北京市快速路系统为例,进行实证研究。     

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。     

一种新的快速路交通事件综合检测算法

介绍了传统交通事件检测系统的组成及传统交通事件检测算法,在指出传统交通事件检测算法存在的主要问题的基础上,提出了一种新的快速路交通事件综合检测算法。该算法主要舍事件检测、检测学习、综合判断三部分,将加州算法、基于交通流模型优化的McMaster算法、基于统计的相邻车道数据比较算法、基于模糊聚类的事件检测算法的检测结果进行综合判断,从而得到交通事件信息。实验表明,该交通事件综合检测算法的判断准确度优于其他算法,且运算速度满足实际应用需要。     

基于样本和特征加权FCM的交通状态识别

利用交通量、速度、占有率等交通参数进行聚类识别道路交通状态,参数样本及特征对聚类结果具有不同的作用。为改进传统FCM聚类假定数据样本及特征同等重要的缺陷,选取交通量、平均速度、空间占有率3个交通参数,划分交通状态为自由流、拥堵流和阻塞流,提出基于样本和特征双加权FCM的交通状态识别方法,采用拉格朗日乘数法动态更新隶属度、样本与特征权值,进一步设计双加权FCM聚类算法。实例分析表明,与传统FCM聚类结果对比,双加权FCM聚类交通状态划分边界更清晰,样本隶属度函数值接近0/1的数量增加7%,计算效率提高1.6倍,交通状态识别结果更符合实际运行状态。     

基于改进型CTM模型的城市快速路交通事件仿真

交通事件是城市快速路拥堵的重要原因,有必要对交通事件发生后的交通流特性进行分析。为更好地适用于城市快速路交通流仿真,引入元胞密度和元胞长度2个参数,改进了传统元胞传输模型(CTM)。在Matlab上建立改进的快速路元胞传输模型,考虑不同交通密度条件下拥堵形成过程和消散机理,选取了交通事件后的交通流特征指标并定量计算。结果表明,改进的CTM模型能较好地对城市快速路交通事件仿真,不同交通密度下的交通事件引起的交通流特征有很大差异。     

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。     

基于核密度模型的上海市快速路交通事件空间自相关分析

伴随着城市快速路的发展,城市快速路交通事件发生的频次和严重程度也随之增加,对交通参与者的生命和财产安全构成了巨大的威胁,因此交通事件多发点的检测有着极大的意义。为此引入了核密度模型,寻求交通事件点之间的空间自相关性,通过特征值的聚类找出交通事件多发的路段,并提供直观的可视化密度云图,为相关管理人员后期改善措施的提出打下基础。最后根据上海市2010年4月至2012年12月间的中心城快速路交通事件数据进行了样例分析。     

基于(SAGA-FCM)-PNN的交通状态判别方法研究

为了提高城市道路交通状态判别的正确性与稳定性,研究了一种基于遗传模拟退火算法改进的FCM算法与概率神经网络(PNN)结合的短时交通流状态判别方法.针对传统FCM算法会收敛到局部最优解的问题,利用遗传模拟退火算法对其进行改进,优化算法初始聚类中心;将已分类的数据分为训练集与测试集对概率神经网络(PNN)模型进行训练与测试,通过对径向基函数的扩展速度的优化提高PN N算法的准确性;并利用厦门市城市道路地磁检测数据对模型进行实例验证及性能分析.结果表明,文中方法能够有效的实现交通状态的判别,且能够得到全局最优解;同竞争神经网络模型、GRNN模型、SVM模型相比,文中模型的交通状态判别正确率分别提高2.1%,4.5%,2.7%,且具有更好的稳定性.      

基于模糊的城市快速路交通流状态判别

“交通状态”具有外延不明确的模糊信息特征,交通流自身特征和评价主体的专业知识都不可忽视。因此,基于快速路检测线圈数据,引入了基于知识的模糊系统来判别快速路交通状态。在充分分析各种交通现象的基础上,提出了交通状态划分原则、依据,评价指标,以及状态判别的模糊集和模糊规则。该方法可以动态的显示路网的交通拥挤范围,为实施交通信息发布以及后期交通瓶颈的判别和改善提供依据。     

基于模糊的城市快速路交通流状态判别

"交通状态"具有外延不明确的模糊信息特征,交通流自身特征和评价主体的专业知识都不可忽视.因此,基于快速路检测线圈数据,引入了基于知识的模糊系统来判别快速路交通状态.在充分分析各种交通现象的基础上,提出了交通状态划分原则、依据,评价指标,以及状态判别的模糊集和模糊规则.该方法可以动态的显示路网的交通拥挤范围,为实施交通信息发布以及后期交通瓶颈的判别和改善提供依据.     

基于影响因素模糊聚类的城市干道线控研究

信号线控在中国城市目前的交通管理水平下是减少干道延误、提高车辆运行效率和道路服务水平的有效措施。文中从分析影响城市干道信号灯线控的众多因素入手,根据武汉市10条干道的交通运行状况调查数据,运用模糊聚类的方法将这些影响因素对应不同的交通运行状况进行分类,共分为四类;在此基础上,以武汉市建设大道为例,对每类交通运行状况提出了针对性的线控解决方案。     

城市快速路三维集成交通事件自动检测算法

为了及时、准确地检测交通事件并采取有效的管理手段,提高城市快速路交通管理水平,在总结现有交通事件自动检测算法优缺点的基础上,提出了一种基于二维空间和一维时间的交通流异常变化的三维集成交通事件自动检测算法(集成AID算法),并利用北京市二环快速路上现有的交通流数据及相应的交通事件信息,对提出的集成AID算法进行验证,对其有效性和实用性进行分析。结果表明:该算法能够对快速路交通事件进行有效检测,与各个维度的子算法相比,能有效提高检测率,降低误报率,能够满足实际工程应用的需求。     

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。     

一种基于视频序列的城市快速路交通状态分类方法

研发智能交通系统(ITS)是目前世界上各个国家交通运输领域技术发展的热点之一.而交通状态的有效分类和识别是ITS中主要子系统和重要功能之一.针对传统提取交通参数方法在拥堵状态下准确率偏低的情况,文中提出一种基于视频序列的城市快速路交通状态分类方法.定义并从视频序列中获取时空线序列符,该时空信息存在大量的数据冗余,因此通过主成分分析方法(PCA)进行降维与特征提取;通过主观评价方式,选取畅通和拥堵交通状态下样本输入支持向量机(SVM),根据实验仿真结果选择高斯径向基核函数作为核函数来解决特征数据非线性的问题,并通过参数调优构建出交通状态二分类的最优模型.实验表明,时空线序列符和主成分分析的方法可以很好地应用于交通状态分类当中.