[发明专利]一种基于SOM-PAM聚类算法的路网动态划分方法

摘要

基于SOM‑PAM聚类算法的交通子区动态划分方法，首先对交叉口数据进行预处理并将其用于交叉口交通流状态矩阵数据集的构建；然后利用SOM神经网络对交叉口进行路网子区的初划分；接着根据路网的拓扑结构和交通流特性识别初划分子区的关键交叉口；最后构建相邻交叉口关联度模型，将关键交叉口的关键关联度作为PAM算法的中心点，利用初划分的子区数目完成对路网的二次划分。本发明解决了现有部分方法无法充分挖掘交叉口交通流特性和阈值设置无法界定的缺点，充分利用了交通流状态中的静态特性和动态特性，通过SOM神经网络和PAM算法的二次聚类有效提高了交通流预测的精度和效率。

主权项

1.一种基于SOM‑PAM聚类算法的交通子区动态划分方法，包括以下步骤：1)通过传感器设备，采集交叉口交通流数据，获得交叉口交通流数据样本集；2)结合实际情况对SOM神经网络进行初始化，并将所述采集的交叉口交通流数据样本集带入SOM神经网络模型进行计算，获得路网的初次划分结果；SOM神经网络聚类迭代过程包括以下步骤：(2.1)神经网络初始化，初始化权向量，领域函数和学习率，对输入向量和权向量进行归一化处理；M(t)＝a‑a*t/m   (1)η(t)＝e^‑M(t)*(0.3/(t+1))    (2)式中：M(t)代表领域函数，t代表迭代次数，a和m分别代表初始的领域距离和总迭代次数，η(t)代表学习率函数，x′_i和w′_j分别代表输入向量和权向量的归一化的值，||x_i||和||w_j||分别代表输入向量和权向量的欧式范数；(2.2)计算映射层的权向量和输入向量的欧式距离；(2.3)通过距离最小原则确定获胜神经元，并调整权值；w'_j(t+1)＝w'_j(t)+η(t)M(t)(x_i‑w'_j(t))   (4)(2.4)更新学习率和领域函数并对更新过后的权值归一化，返回步骤(2.2)直到获胜神经元不变或学习率为零。3)在步骤2)基础上，通过路网拓扑结构和交通流特性对交叉口进行等级排序，识别路网初次划分子区中的关键交叉口；通过计算交叉口的关键度进行排序得到关键交叉口，交叉口i的关键度ε_i的计算公式为：式中：a₁代表交叉口i的拓扑值所占权重，表示交叉口i拓扑值排序等级，a₂代表交叉口流量所占权重(a₁+a2＝1)，代表交叉口i的流量排序等级。4)通过采集的交叉口交通流数据建立相邻交叉口关联度样本集，再通过步骤3)的关键交叉口得到关键关联度；相邻交叉口i和j有关流量，周期和密度的关联度I_q(i,j)，I_c(i,j)和I_d(i,j)，其方程式如(6)(7)(8)所示：式中：T代表交叉口间的行程时间，q_max代表上游交叉口最大交通量，代表下游交叉口进口道车道组交通流量，n代表交叉口进口道上游关联流向数，C_i和C_j分别代表交叉口i和j的周期时长，Q_ij代表交叉口间的路段流量，L_ij代表交叉口间的间距。5)将步骤1)和步骤4)中的子区数目和关键关联度作为输入聚类数目和聚类中心点，并将步骤4)的相邻交叉口关联度样本集带入PAM模型进行计算，聚类中心对应的类即为当前路网动态划分的子区；PAM聚类算法的聚类迭代过程包括以下步骤：(5.1)将步骤2)得到子区数目k作为聚类数目，步骤3)的关键关联度作为初始聚类中心；(5.2)计算除去类中心的样本点与这k个类中心的距离d(X,C)；(5.3)更换聚类中心后，计算前后d(X,C)的差值，若差值不再发生变化，则算法结束，否则返回步骤(5.2)，继续进行计算，直到差值不再发生变化。