一種基于區間聚類的城市道路交叉口運行狀態判別方法
【技術領域】
[0001] 本發明涉及城市道路交通精細化管理與控制領域，具體涉及一種基于區間聚類的 城市道路交叉口運行狀態判別方法。
【背景技術】
[0002] 智能化的交通管理與控制已經成為緩解城市道路交通擁堵的重要手段，信號交叉 口作為城市路網的重要節點，對其進行合理的交通信號控制是提高城市道路交通管理水 平、提升路網運行效率的重要技術措施。城市道路信號交叉口交通流運行狀態識別旨在基 于交通流數據分析，真實、全面地反映信號交叉口交通流的實時運行狀態，從而及時、準確 地發現擁堵交叉口。準確可靠的交叉口運行狀態識別為信號控制配時策略的制定和配時參 數優化提供了有效依據，對于提升交通信號控制系統有效性具有重要意義。
[0003] 目前城市道路信號交叉口交通流運行狀態識別方法主要是定參數法和模糊評價 法。定參數法選取一個或幾個固定交通流參數作為評價指標，基于制定的量化標準來判別 交叉口運行狀態;模糊評價法是依據交叉口交通流運行狀態參數建立評判對象因素集，并 確定交通狀態對評價集中各狀態參數的隸屬度;在此基礎上，結合各狀態參數的權重，通過 合理的模糊變換，得出綜合評判集從而確定信號交叉口交通狀態。
[0004] 定參數法在實際工程實際應用中，如城市道路交通信號控制系統（如SC00T、 SCATS、0PAC等)在信號控制配時參數優化前通過檢測的實時數據對交叉口交通流運行狀態 進行識別分析。其中，SCATS系統直接利用飽和度(DS，Degree of Saturation)來評價信號 交叉口交通飽和狀態；S⑶0T利用上游交叉口停車線的交通量和"線上飽和占有率"（由 SCOOT系統估算的能通過交叉口停車線的排隊車輛的比例）來估計交叉口的飽和程度。然 而，使用平均延誤和飽和度閾值判斷城市道路信號交叉口交通運行狀態具有一定的局限 性，平均延誤雖然能夠較好地反映車輛在信號控制交叉口受到阻滯的程度，卻無法同時反 映車輛在城市道路的空間分布特征;飽和度僅能夠表征信號交叉口交通供需關系，無法確 切衡量道路使用者對于信號交叉口交通狀態的主觀感受，且良好的信號協調控制也會形成 高飽和度的效果，但這并不意味著交叉口交通擁堵。
[0005] 模糊理論通過構建信號交叉口交通識別模型來更深入地研究城市道路信號交叉 口交通流運行狀態與狀態參數之間的表征關系。楊兆升等具體公開了構建信號交叉口進口 道最大相位飽和度、進口道平均最大排隊長度比和路段平均車速的隸屬度函數實現對信號 交叉口交通運行狀態的模糊綜合判別;Li通過分析交通擁堵狀態的演變規律，針對間斷交 通流交通狀態識別問題，并應用模糊推理方法建立了阻塞度的量化模型；鑒于傳統定參數 法無法體現道路使用者對信號交叉口服務感受，Lee通過構建認知公式分析模型(Cultural Consensus Analysis)確定道路使用者感受，運用模糊聚類方法判別信號交叉口的服務水 平;李妲提出了一種基于模糊神經網絡的、考慮駕駛員感受的信號交叉口服務水平模型，實 現對混合交通流下信號交叉口的服務水平的評價。盡管基于模糊理論的信號交叉口交通運 行狀態判別方法雖然能夠描述交通狀態的模糊信息，但其判定結果的準確性很大程度上受 到隸屬函數及因素權重的影響，然而這些確定方法帶有很強的主觀和經驗性。
[0006] 聚類分析是數據挖掘的重要技術之一，其將樣本劃分為不同的類別，并捕捉不同 類別樣本的差異性。其中，K均值聚類分析作為目前最常用的劃分聚類分析方法，該方法計 算簡單、適用性強，同時能夠在不斷迭代過程中糾正聚類錯分，從而生成較為合理的聚類結 果，目前已廣泛應用于高速公路、城市道路路段交通狀態識別方面，它能夠反映出交通狀態 參數在同一交通狀態下的相似特性以及不同狀態下交通狀態參數之間的轉換特征。但現有 采用研究時段(15分鐘）內交通參數均值的方法無法表征交通流運行狀態的不確定性。
【發明內容】
[0007] 發明目的:針對城市道路信號交叉口交通流受到信號控制以及相交道路交通流干 擾，使得交通流運行狀態表現出一定的不確定性，因此現有方法僅僅采用狀態參數均值無 法確切表征交叉口交通流運行狀態。本發明提出了一種基于區間聚類的城市道路交叉口運 行狀態判別方法。該方法以城市道路信號交叉口為研究對象，以飽和度、延誤和排隊長度作 為信號交叉口狀態參數，以狀態參數均值和區間值作為輸入數據，在傳統K均值聚類方法的 基礎上，實現了區間數據的聚類分析，構建了基于多狀態參數區間值的城市道路信號交叉 口交通流運行狀態識別方法。
[0008] 技術方案:為實現上述目的，本發明采用的技術方案為：
[0009] -種基于區間聚類的城市道路交叉口運行狀態判別方法，包括如下步驟：
[0010] 步驟1，根據交叉口交通流參數的不確定性，選取延誤、排隊長度以及飽和度三參 數作為交叉口交通狀態判別指標。
[0011] 步驟2,根據美國道路通行能力手冊中城市道路信號交叉口交通流運行狀態參數 均值估計的解析方法對步驟1中選取的延誤、排隊長度以及飽和度三參數進行均值估計。
[0012] 步驟3,根據交叉口車輛的延誤和排隊長度均服從正態分布的特點，對步驟2得到 的延誤和排隊長度求其在l-α置信水平下的置信區間。
[0013] 步驟4,對步驟3得到的延誤和排隊長度的置信區間進行Κ均值聚類分析。
[0014] 步驟5,根據步驟2得到飽和度和步驟4對延誤和排隊長度的置信區間進行Κ均值聚 類分析的結果判別交叉口運行狀態。
[0015] 所述步驟1)中，
[0016] 飽和度是車道組交通需求和通行能力之間的比值；
[0017] 延誤包括均勻延誤和增量延誤兩個分量，其中均勻延誤為延誤的期望值，增量延 誤可基于飽和度的不同取值表征不同的意義；
[0018] 步驟2中延誤的均值是均勻延誤分量乘以信號協調修正系數與增量延誤分量之 和，延誤的方差是為均勾延誤分量和增量延誤分量兩類分量方差之和；
[0019] 平均排隊長度包括第一類排隊長度和第二類排隊長度兩個分量，其中，第一類排 隊長度表示在車輛均勻到達假設下，紅燈結束時刻車輛的平均排隊長度;第二類排隊長度 亦可基于飽和度的不同取值表征不同的意義，在飽和度小于1時，其表示為由于部分周期過 飽和產生的過飽和排隊的期望，在飽和度大于1時，其表示為確定的過飽和排隊和隨機排隊 之和的期望;排隊長度的均值是第一類排隊長度乘以信號協調修正系數與第二類排隊長度 之和，排隊長度的方差可以表示為兩類排隊長度方差之和。
[0020]所述步驟3中交叉口車輛的延誤和排隊長度服從正態分布：
[0023] 其中，d表示車輛延誤，N表示正態分布，3表示車輛延誤均值估計值，Var(d)表示 延誤的方差，Q表示車輛排隊長度，&表示車輛排隊的均值估計值，Var(Q)表示排隊長度的 方差；
[0024]所述步驟3中延誤和排隊長度求其在l-α置信水平下的置信區間：
[0027]其中，Ζα/2為正態分布分位點。
[0028]所述步驟4中對延誤和排隊長度的置信區間進行Κ均值聚類分析的方法：
[0029]步驟41，進行區間數據標準化，采用Hausdorff距離分別對延誤和排隊長度的置信 區間數據距離度量，根據中心化法對這兩個數據進行數據標準化。
[0030]步驟42,根據聚類類別數目，在標準化后的數據中隨機選取K個初始聚類中心Ck (=1，2,…，K)〇
[0031 ]步驟43，計算區間數據對象Mj ( = 1，2，…，Κ)與各聚類中心Ck( = 1，2，…，Κ)之間的 距離，若對象吣與聚類中心匕之間的距離最小，那么將該對象歸為聚類Pi類。
[0032]步驟44,根據步驟43得到的歸類結果計算目標函數J，若J值收斂則聚類結束，當前 類別即為最終的分類類別，轉入步驟5);否則，重新計算聚類中心，轉入步驟43)。
[0033] 所述步驟41中的Hausdorff距離度量公式為：
[0035] U= (ui，U2,…，un)T= ([ai，bi]，[a2，b2]，…，[an，bn] )τ;
[0036] V= (vi，V2, ···，Vn)T= ([αι,βι]，[α2，β2]，…，[αη，βη] )τ，
[0037] 其中，dH表示Hausdorff距離，U和V分別表示兩個η維區間向量，c(m)、c(Vi)分別表 示區間數據udPVl的中點，描述了區間數據的集中位置;r(m)、r(Vl)分別表示區間數據m和 Vl的半徑，主要反