[发明专利]基于谱聚类的城市道路交通子区划分方法

说明书

本发明提供一种基于谱聚类的城市道路交通子区划分方法，建立路网无向图，计算路网密度拉普拉斯矩阵L；根据k个特征值对应的特征向量v₁,…,v_k构建聚类基础矩阵，并实施K均值聚类算法获得k个簇；构成初始的子区；对孤立点随机合并入邻接的子区内，得到当前的子区总数；通过偏差检测识别异常值点，并通过边界调整解决最优的异常点归属问题；通过子区内外的相似度评估以及子区拆分、合并前后的相似度变化分析，对子区方案进行迭代优化，最终获得子区内节点关联度相似性最大、子区间差异性最大的道路交通路网划分方案。该方法根据节点关联度的相似特征高效、稳定地获得交通道路网络划分方案，且最大程度保障子区间的特征差异性与子区内部的特征相似性。

技术领域

本发明涉及一种基于谱聚类的城市道路交通子区划分方法。

背景技术

城市道路交通网络是具有随机特性的复杂网络，将关系紧密的交叉口和路段的集合组成子区域，并针对各子区的特征实施控制、诱导、管理、规划，能够降低道路交通系统复杂性，甚至从宏观层面达到协调优化的效果。在交通信号控制领域，动态的控制子区划分能够提高信号协同控制的稳定性和可靠性；在交通诱导领域，子区的划分为协同诱导效果的发挥提供支撑；在交通规划、交通安全分析等领域，则以静态子区划分为主，考虑土地利用、人口、经济等宏观特征。

目前在区域划分领域，谱图划分理论逐步得到应用。采用这种方法划分得到的小区内部交通流特征具有较高相似性，而各小区之间具有较大的差异性，且在划分空间上具有连续性的优点。目前普遍应用的二分谱聚类的算法，基于Laplacian非零次小特征值及其特征向量聚类得出图形分割结果，没有充分利用包含有用划分信息的其他特征向量，并且在需要分割出多个子图时必须迭代使用，具有信息丢失量大、计算效率低、不稳定的缺陷。

上述问题是在城市道路交通子区划分过程中应当予以考虑并解决的问题。

发明内容

本发明的目的是提供一种基于谱聚类的城市道路交通子区划分方法，通过多重约束条件与相似度的迭代评估，获得子区内相似度最大、子区间差异性最大的最优解，解决现有技术中存在的二分谱聚类的算法，在基于Laplacian非零次小特征值及其特征向量聚类得出图形分割结果时，没有充分利用包含有用划分信息的其他特征向量，并且在需要分割出多个子图时必须迭代使用，而出现的信息丢失量大、计算效率低、不稳定的缺陷的问题。

本发明的技术解决方案是：

一种基于谱聚类的城市道路交通子区划分方法，包括以下步骤：

S1、基于路网交叉口与路段的拓扑结构以及各节点的交通特征数据，建立路网无向图G＝(V,E)，计算路网密度拉普拉斯矩阵L；

S2、计算拉普拉斯矩阵L的除0以外前k个最小的特征值及其特征向量，其中k的初值为2；根据k个特征值对应的特征向量v1,…,vk构建聚类基础矩阵H＝[v1,…,vk]，对矩阵H的行向量实施K均值聚类算法，获得k个簇；运用方差分析检验方法检验k个群组内的交通特征关联度X，若存在显著差异，则进入步骤S3；否则，k＝k+1，重复步骤S2；

S3、由簇内的交叉口以及交叉口间存在的路段构成初始的子区；若存在孤立点，即子区内仅包含一个节点编号，则将该子区随机合并入邻接的子区内，根据合并情况统计当前的子区总数N；

S4、通过偏差检测识别异常值点，并通过边界调整解决最优的异常点归属问题；通过子区内外的相似度评估以及子区拆分、合并前后的相似度变化分析，对子区方案进行迭代优化，最终获得子区内节点关联度相似性最大、子区间差异性最大的道路交通路网划分方案。

进一步地，步骤S4具体为，

S41、若i≤N，则根据子区交叉口或路段交通特征关联度X，检测初始划分方案内各子区内关联度偏差，若存在异常值点，则转入S42，否则转入S43；其中i为子区编号，初值为1；若i＞N，结束本流程；