[发明专利]基于多断面视觉传感聚类分析的交通流状态判别方法

说明书

技术领域

本发明属于数据挖掘技术领域，涉及对交通数据进行交通状态的自动判别，为一种基于聚类分析的交通流状态判别方法。

背景技术

近年来，交通拥挤严重影响了城市的可持续发展和人们的日常工作与生活，如何缓解拥挤已成为世界各国共同关注的焦点和亟需解决的重要问题。实际上，路网并不是在所有时间和地点上都是满负荷运行的，若能够及时获得路网上的交通信息、准确地掌握路网的交通状态，并依此进行科学的交通管理和控制决策，充分利用道路交通系统的时空资源，则可在不增加道路设施的情况下，提高路网的运行效率和安全性。由上述分析可见，如何准确的把握路网交通运行状态以便制定高效的交通管理控制方案以及合理的出行方案是提高路网运行效率的关键所在。

交通运行状态判别主要是通过描述交通流特性的交通流数据和数据的变化规律来反映交通流的运行情况。用于描述交通状态的交通流数据可以分为宏观数据和微观数据。其中宏观数据用于描述交通流作为一个整体表现出来的运行状态特性，主要包括交通量、速度、交通密度和占有率。

到目前为止，各国尚无统一的关于交通运行状态划分的量化定义，已有的研究成果多现于各种工程应用规范中，运用不同的交通数据从定量的角度对交通状态进行描述。

美国在道路交通服务水平（LOS）的研究中，通过车速度、行程时间、行驶自由度、安全性指标来综合评判道路的服务水平，根据平均运行速度、道路负荷系数等指标，将交通服务水平划分为A-F六个等级^[1]，如表1所示。

另外，在美国的各大城市也有着各自的状态划分标准。华盛顿州交通运输部对拥堵程度的定义^[2]为：在高速公路上平均行驶速度不足40英里/小时即为拥堵状态，不足35英里/小时即为严重拥堵状态。而联邦公路局采用的评价标准^[3]为：不足45英里/小时的平均行驶速度为拥堵状态，不足30英里/小时为严重拥堵状态。

日本对城市高速公路的交通拥堵定义^[4]为：车辆行驶速度在40公里/小时以下或者频繁停车、启动的车列长度在1公里以上且持续时间在15分钟以上的一种交通状态。

我国公安部在2002年的《城市交通管理评价指标体系》中，将拥堵程度划分为四个等级^[5]：城市主干路上机动车的平均行驶速度不低于30km/h定义为畅通状态；城市主干路上机动车的平均行驶速度低于30km/h，但高于20km/h定义为轻度拥堵状态；城市主干路上机动车的平均行驶速度低于20km/h，但高于10km/h定义为拥堵状态；城市主干路上机动车的平均行驶速度低于10km/h定义为严重拥堵状态。

表1美国高速公路服务水平划分

随着人工智能技术的发展与完善，各种新技术、新方法不断出现，这些理论和技术的有机结合，为创建新型的交通状态判别算法提供了新思路和新途径。数据挖掘是在庞大而复杂的数据集中发现和提取先前未知、有效的模式及关系的过程，所提取的信息有助于建立一个分类模型或者识别数据集中未知的趋势和关系。利用模式识别，特别是聚类方法，对高速公路交通流的研究可以在不同的条件下提供信息。可以帮助管理者对目前的交通状况得出一个准确的估计，进行管理控制。

文献^[6]研究了取自肯塔基州的I-64高速公路数据，并应用了数据挖掘的算法。结果表明，选择两个聚类变量，密度和速度，前者对聚类结果的影响更加显着。在交通流状态识别的基础上，分析了在不同交通数据下的交通流基本关系。他们使用K-means聚类方法来定义交通流状态，并提出以密度和速度作为输入变量将数据分为五类的模型。

文献^[7]从加州的PeMS系统获得数据，并开发了一个嵌套的聚类技术用来分析高速公路的运行状态。该方法定义最优的聚类数从而显示不同的流的阶段。该方法使用的变量为流量、速度和占有率。

文献^[8]基于速度和密度的关系，提出了一种K-means算法对交通数据集进行分类，分为两个或者三个簇群以提供一个自然的工具来估计多区域交通模型的断点。该作者并没有使用其他的分类方法来比较他们的性能。文献^[9]使用了神经网络的模式识别方法以分类交通流状况，以便制定适用于中国的公路交通的方法。