[发明专利]一种基于区间聚类的城市道路交叉口运行状态判别方法

摘要

本发明公开了一种基于区间聚类的城市道路交叉口运行状态判别方法，本方法以城市道路信号交叉口为研究对象，以饱和度、延误和排队长度作为信号交叉口状态参数，以状态参数均值和区间值作为输入数据，在传统K均值聚类方法的基础上，实现了区间数据的聚类分析，构建了基于多状态参数区间值的城市道路信号交叉口交通流运行状态识别方法。该方法可有效表征信号交叉口实际交通运行状态，确定不同类别的交通状态边界，方法具有较高的可靠性、适用性和可操作性特点，对真实全面地反映信号交叉口交通流的实时运行状态，及时准确地发现拥堵交叉口，提高城市交通管控水平具有积极的意义。

主权项

1.一种基于区间聚类的城市道路交叉口运行状态判别方法，其特征在于,包括如下步骤：步骤1，根据交叉口交通流参数的不确定性，选取延误、排队长度以及饱和度三参数作为交叉口交通状态判别指标；步骤2，根据美国道路通行能力手册中城市道路信号交叉口交通流运行状态参数均值估计的解析方法对步骤1中选取的延误、排队长度以及饱和度三参数进行均值估计；步骤3，根据交叉口车辆的延误和排队长度均服从正态分布的特点，对步骤2得到的延误和排队长度求其在1‑α置信水平下的置信区间；步骤4，对步骤3得到的延误和排队长度的置信区间进行K均值聚类分析；对延误和排队长度的置信区间进行K均值聚类分析的方法：步骤41，进行区间数据标准化，采用Hausdorff距离分别对延误和排队长度的置信区间数据距离度量，根据中心化法对这两个数据进行数据标准化；Hausdorff距离度量公式为：U＝(u1,u2,...，un)T＝([a1,b1],[a2,b2],...，[an,bn])T；V＝(v1,v2,...，vn)T＝([α1,β1],[α2,β2],...，[αn,βn])T，其中，dH表示Hausdorff距离，U和V分别表示两个n维区间向量，c(ui)、c(vi)分别表示区间数据ui和vi的中点，描述了区间数据的集中位置；r(ui)、r(vi)分别表示区间数据ui和vi的半径，主要反映区间数据的离散程度；区间数据A＝[a₁,a₂],区间数据A中点区间数据A半径中心化法标准化公式为：其中，X表示区间数据集，X＝{X₁，...,X_k,...,X_n}，其样本观测值为区间数据集X的均值，S表示区间数据集X的标准差；x'_k表示区间下限，表示区间上限步骤42，根据聚类类别数目，在标准化后的数据中随机选取K个初始聚类中心Ck(＝1,2,…，K)；所述聚类类别数目交通状态类别，其跟据滞留排队把信号交叉口交通流运行状态划分为轻度交通状态、适度交通状态、重度交通状态以及过饱和交通状态共四种交通状态，其中，轻度交通状态的显著特征是绿灯到达率高，每周期内到达车辆在绿灯时间不能通过交叉口的车辆少于5％；适度交通状态的特征是对公平管理控制的需求，虽然存在绿灯时间不能通过交叉口的状况，但也没有交叉口某进口道排队会超过其他进口，也不会影响道路使用者的主观感受；重度交通状态的特征是车辆不能在周期绿灯时间通过交叉口的情况频繁发生，但滞留排队不会增加，交通需求也没有显著增加；过饱和状态的特征是不可控的交叉口滞留排队，其随时间不断增长，甚至会产生溢流现象；所述聚类中心C_k，包括均值和区间半径C(R)_k两部分：其中，表示区间数据对象Y_j的中点，R_j表示区间数据对象Y_j的半径，N_k表示聚类类别P_k的数目，P_k表示第k个聚类类别；步骤43，计算区间数据对象Mj(＝1,2,…，K)与各聚类中心Ck(＝1,2,…，K)之间的距离，若对象Mj与聚类中心Ci之间的距离最小，那么将该对象归为聚类Pi类；步骤44，根据步骤43得到的归类结果计算目标函数J，若J值收敛则聚类结束，当前类别即为最终的分类类别，转入步骤5)；否则，重新计算聚类中心，转入步骤43)；所述目标函数J：其中，K表示类别数目，N_k表示聚类类别P_k的数目，M_j表示区间数据对象，表示对象和聚类中心之间的距离；步骤5，根据步骤2得到饱和度和步骤4对延误和排队长度的置信区间进行K均值聚类分析的结果判别交叉口运行状态。