基于FCM的城市快速路交通状态动态识别研究
|
摘要
由于人类社会的不断发展,城市不断扩张,社会经济飞速发展,城市交通问题成为全球性问题。恰当分析道路交通,掌握实时的交通信息,不仅是交通管理者及时了解路网运行情况、及时消散突发性堵塞的基本途径,也使对交通参与者进行诱导逐渐成为可能和必要,使其避开交通拥堵、减少不必要的路上时间消耗,从而改善路网运行状况、提高道路有效使用率。现在我国很多大中城市已经具备一定规模的交通信息采集系统,采集了大量的交通数据。因此,如何从大量的交通数据中提取有用的交通信息,对交通状态进行实时的识别具有一定的研究价值。
目前,城市交通绝大部分是由占城市路网主导地位的城市快速路承担,城市路网的交通状态和出行质量很大程度上是由快速路交通状态反应出来的。本文以数据信息采集系统测得的实际数据,对分类和识别快速路交通状态的方法进行研究。主要内容有以下几点：
第一,分析和选择了影响城市快速路交通流的特征参数；对城市快速路交通流数据的采集和预处理进行了研究；并根据实际采得的交通数据对交通流进行了时间特性分析,为交通状态的分类和识别提供了理论支持和数据基础。
第二,针对城市快速路交通状态具有模糊性、随机性、不确定性的特点,在总结分析了前人运用模糊聚类分析进行交通流状态判别之后,研究基于FCM的城市快速路交通状态判别方法,解决了FCM算法对初始聚类中心过于敏感的问题、确定了最佳聚类数、权重系数m的取值。
最后,论文运用MATLAB语言实现改进FCM算法与传统FCM算法对微波传感器测得的实际交通流数据进行分类,根据聚类有效性函数取值的大小,对不同分类数得到的结果进行排序,可供人们根据实际情况选择最佳的分类数,而不是只看理论值。利用分类所得的各个交通状态聚类中心对未分类的一个检测点的交通流数据进行交通状态识别。最后,利用误判率交叉识别方法检验算法误判率,并与传统的FCM算法相比较。结果表明,在交通状态识别方面,论文研究的算法识别率高于传统FCM算法,可信度较高。
Due to the continuous development of human society, Urban sprawl, the rapid development of Socio-economic, Urban transport problems become global issues. The identification of road traffic state in a timely manner, traffic managers can real-time grasp the overall operation of the road, on the other hand could induce travel traffic participants, so as to keep away from traffic jams, reducing travel time, improving the operating conditions of the road network, improve the effective utilization of road. Many large and medium-sized cities in China already have a certain scale of traffic information collection system, collecting a large quantity of traffic data. How to extract useful traffic information from a large quantity of traffic data, real-time identification of the traffic state has certain research value.
Currently, the urban expressway is a majority part of the urban road network, undertaking the most dominant of traffic travel of city, urban road network traffic status and travel quality are largely reacted by Freeway state. In this paper, by using of a microwave sensor data, I make some research on freeway traffic state identification methods. Following to main content:
Foremost, analysis, select the parameters that affect the urban freeway; researching urban freeway traffic flow data acquisition and pre-processing, according to the actual mined traffic data analysis the time characteristics of traffic flow, provides a theoretical support and data base for the classification and identification of traffic state.
Secondly, urban freeway state has many characteristics, such as fuzziness, randomness, uncertainty. After summarizes and analyzes the previous using of fuzzy clustering analysis discriminate the state of the traffic flow, researching the method that based on FCM to discriminate urban freeway traffic state, Solving FCM is sensitive to the initial cluster centers and determined the optimal number of clusters and the value of the weight coefficient.
Ultimate, papers using MTLAB algorithm to classify the microwave sensors measured the actual traffic flow data, identification the state of unsorted traffic flow data from the transport state cluster center, cross-identification methods for testing algorithm false positives, compared with the traditional FCM algorithm. The results show that the thesis is accurate and the credibility is higher than traditional algorithms.
目前,城市交通绝大部分是由占城市路网主导地位的城市快速路承担,城市路网的交通状态和出行质量很大程度上是由快速路交通状态反应出来的。本文以数据信息采集系统测得的实际数据,对分类和识别快速路交通状态的方法进行研究。主要内容有以下几点：
第一,分析和选择了影响城市快速路交通流的特征参数；对城市快速路交通流数据的采集和预处理进行了研究；并根据实际采得的交通数据对交通流进行了时间特性分析,为交通状态的分类和识别提供了理论支持和数据基础。
第二,针对城市快速路交通状态具有模糊性、随机性、不确定性的特点,在总结分析了前人运用模糊聚类分析进行交通流状态判别之后,研究基于FCM的城市快速路交通状态判别方法,解决了FCM算法对初始聚类中心过于敏感的问题、确定了最佳聚类数、权重系数m的取值。
最后,论文运用MATLAB语言实现改进FCM算法与传统FCM算法对微波传感器测得的实际交通流数据进行分类,根据聚类有效性函数取值的大小,对不同分类数得到的结果进行排序,可供人们根据实际情况选择最佳的分类数,而不是只看理论值。利用分类所得的各个交通状态聚类中心对未分类的一个检测点的交通流数据进行交通状态识别。最后,利用误判率交叉识别方法检验算法误判率,并与传统的FCM算法相比较。结果表明,在交通状态识别方面,论文研究的算法识别率高于传统FCM算法,可信度较高。
Due to the continuous development of human society, Urban sprawl, the rapid development of Socio-economic, Urban transport problems become global issues. The identification of road traffic state in a timely manner, traffic managers can real-time grasp the overall operation of the road, on the other hand could induce travel traffic participants, so as to keep away from traffic jams, reducing travel time, improving the operating conditions of the road network, improve the effective utilization of road. Many large and medium-sized cities in China already have a certain scale of traffic information collection system, collecting a large quantity of traffic data. How to extract useful traffic information from a large quantity of traffic data, real-time identification of the traffic state has certain research value.
Currently, the urban expressway is a majority part of the urban road network, undertaking the most dominant of traffic travel of city, urban road network traffic status and travel quality are largely reacted by Freeway state. In this paper, by using of a microwave sensor data, I make some research on freeway traffic state identification methods. Following to main content:
Foremost, analysis, select the parameters that affect the urban freeway; researching urban freeway traffic flow data acquisition and pre-processing, according to the actual mined traffic data analysis the time characteristics of traffic flow, provides a theoretical support and data base for the classification and identification of traffic state.
Secondly, urban freeway state has many characteristics, such as fuzziness, randomness, uncertainty. After summarizes and analyzes the previous using of fuzzy clustering analysis discriminate the state of the traffic flow, researching the method that based on FCM to discriminate urban freeway traffic state, Solving FCM is sensitive to the initial cluster centers and determined the optimal number of clusters and the value of the weight coefficient.
Ultimate, papers using MTLAB algorithm to classify the microwave sensors measured the actual traffic flow data, identification the state of unsorted traffic flow data from the transport state cluster center, cross-identification methods for testing algorithm false positives, compared with the traditional FCM algorithm. The results show that the thesis is accurate and the credibility is higher than traditional algorithms.
引文
[1]顾超然.基于模糊c聚类算法的交通状态判别研究[D].北京交通大学硕士学位论文,2012.
[2]姜桂艳.道路交通状态判别技术与应用[M].北京：人民交通出版社,2004.
[3]唐金芝.数据融合技术在高速公路交通事件检测中的应用[D].吉林大学硕士学位论文,2007.
[4]刘燕.城市道路交通状态辨识及决策方法研究[D].合肥工业大学硕士学位论文,2011.
[5]於毅.城市道路交通流状态判别研究方法[D].北京交通大学硕士学位论文,2006.
[6]韦旭棉.基于固定检测器的高速公路自动事件检测算法研究[D].山东大学硕士学位论文,2011.
[7]Karl E Petty, Michael Ostland et al. A New Methodology for Evaluating Incident Detection Algorithms [J].Transportation Research Part C:Emerging technologies, 2002 Voi.10,No.3:189.204.
[8]Levin M, Krause GM. Incident detection:A Bayesian approach [J].Transportation Research Record 1978:52.58.
[9]蔡晓禹.城市快速路自动事故检测方法研究[D].同济大学土木工程学院博士学位论文,2007.
[10]Chew, R. L, and Ritchie, S. G. Automatic Detection of Lane-blocking Freeway Incidents Using Artificial Neural Networks [J].Transportation Research Part C, 1965(6):371-388.
[11]蔡志理.高速公路交通事件检测及交通疏导技术研究[D].吉林大学博士学位论文,2007.
[12]达庆东,姜学锋.基于流量—占有率检测数据的交通状态划分[J].道路交通与安全,2002,3(5).
[13]裴瑞平,梁新荣,刘智勇.基于小波变换和LS. SVM的事件检测算法[J].计算机工程与应用,2007,43(1)：229.231.
[14]张存保,杨晓光,严新平.基于浮动车的高速公路交通事件自动判别方法研究[J].武汉理工大学学报(交通科学与工程版),2006,30(6)：973.975.
[15]赵风波,孙敏.基于模糊聚类分析的交通状态识别方法[J].微型电脑,2006,22(6)：9-11.
[16]任其亮,谢晓松.基于遗传动态模糊聚类的道路交通状态判别方法[J].交通运输工程与信息学报,2007,5(3)：13-15,25.
[17]杨兆升,姜桂艳.城市交通流实时自适应预报与故障在线检测系统设计[J].中国公路学报,1998,11：97-101.
[18]姜紫峰,刘小坤.基于神经网络的交通事件检测算法[J].西安公路交通大学学报,2000,20(003)：67-69.
[19]赵娜乐,于雷,陈旭梅,郭继孚,温慧敏.北京城市快速路交通流特性多维度研究[J],北京交通大学学报,(自然科学版),2010,6(34)：35-39.
[20]李孝圭.城市快速道路的功能要求与建设标准.天津市政工程.1996.8(3).
[21]刘桂生.城市快速路系统规划设计,城市道桥与防洪.2000.3.
[22]李宏海.城市快速路出口处辅路信号控制系统效益评估研究[D].北京：交通部公路科学研究院硕士论文,2007.
[23]彭信林.城市快速路交通状态预测研究[D].上海交通大学硕士学位论文,2008.
[24]邵春福,赵熠,吴戈.道路交通数据采集技术研究展望.现代交通技术,2006,6：66-70.
[25]李勇伶.服务于城市交通控制系统的交通数据处理技术研究[D].长安大学硕士学位论文,2008.
[26]金逸文.城市快速路交通流数据修复方法研究[D].上海交通大学硕士学位论文,2008.
[27]孙晓亮.面向城市快速路的道路交通状态预测方法的研究[D].北京交通大学硕士学位论文,2009.
[28]劳云腾,杨晓光,云美萍,刘竞宇.交通状态的检测方法研究[J].交通与计算机,2006,24(6)：74-77.
[29]王春娥.基于数据融合的城市道路交通状态判别算法研究[[)].吉林大学硕士学位论文,2008.
[30]崔红梅.基于改进粒子群算法的C均值聚类算法研究[D].南京师范大学硕士学位论,2007.
[31]叶海军.模糊聚类分析技术及其应用研究[D].合肥工业大学硕士学位论文,2006.
[32]王璇,翁小雄.基于模糊C均值聚类的快速路交通流相态划分[J].交通信息与安全,2009,27(1)：149-152.
[33]宫改云.FCM算法参数研究及其应用[D].西安电子科技大学硕士学位论文,2004.
[34]岳立,吴建乐,丁宏飞.基于模糊c均值算法的城市快速路交通状态识别[J].西南民族大学学报(自然科学版),2012,38(6)：905-909.
[35]姜桂艳,郭海峰,吴超滕.基于感应线圈数据的城市道路交通状态判别方法[J]吉林大学学报(工学版),2008,38：37-42.
[36]Bezdek J C. A Physical Interpretation of Fuzzy ISODATA [J]. IEEE Trans SMC, 1976,6(3):387-390.
[37]Bezdek J C. Pattern Recognition with Fuzzy Objective Function Algorithms[M]. New. York:Plenum Press,1981.
[38]Bezdek J C, Hathaway R J, et al.Convergence and Theory for Fuzzy C-means Clustering:Counterexamples and Repairs[J]. IEEE Trans PAMI,1987,17(5): 873-87.
[39]宫改云,高新波,伍忠东.FCM聚类算法中模糊加权指数的优选方法[J].模糊系统与数学,2005,19(1)：143-148.
[40]高新波,裴继红,谢维信.模糊c均值聚类算法中加权指数的研究[J].电子学报,2000,4(28)：80-83.
[41]Pal N R, Bezdek J C. On Clustering for the Fuzzy C-means Model [J]. IEEE Trans FS,1995,3(3):370-379.
[42]杨润玲.基于FCM的自动图像分割方法研究[D].西安电子科技大学硕士学位论文,2006.
[43]于剑,程乾生.模糊聚类方法中的最佳聚类数的搜索范围[J].中国科学,2002,2(32)：274-280.
[44]Chiu S L. Fuzzy model identification based on cluster estimation [J] Journal of Intelligent and Fuzzy System,1994,2(3):267-278.
[45]裴继红,范九伦,谢维信.聚类中心的初始化方法田.电子科学学刊,1999,921(3)：320-325.
[46]X. L. Xie, GA, Beni. Validyti measure for fuzzy clustering [J]. IEEE Trans. Pattern And Machine Intelligence,1982,3(8):357-363.
[47]马毅林.基于非参数回归的路网短时交通状态预测[D].北京交通大学硕士学位论文,2008.
[2]姜桂艳.道路交通状态判别技术与应用[M].北京：人民交通出版社,2004.
[3]唐金芝.数据融合技术在高速公路交通事件检测中的应用[D].吉林大学硕士学位论文,2007.
[4]刘燕.城市道路交通状态辨识及决策方法研究[D].合肥工业大学硕士学位论文,2011.
[5]於毅.城市道路交通流状态判别研究方法[D].北京交通大学硕士学位论文,2006.
[6]韦旭棉.基于固定检测器的高速公路自动事件检测算法研究[D].山东大学硕士学位论文,2011.
[7]Karl E Petty, Michael Ostland et al. A New Methodology for Evaluating Incident Detection Algorithms [J].Transportation Research Part C:Emerging technologies, 2002 Voi.10,No.3:189.204.
[8]Levin M, Krause GM. Incident detection:A Bayesian approach [J].Transportation Research Record 1978:52.58.
[9]蔡晓禹.城市快速路自动事故检测方法研究[D].同济大学土木工程学院博士学位论文,2007.
[10]Chew, R. L, and Ritchie, S. G. Automatic Detection of Lane-blocking Freeway Incidents Using Artificial Neural Networks [J].Transportation Research Part C, 1965(6):371-388.
[11]蔡志理.高速公路交通事件检测及交通疏导技术研究[D].吉林大学博士学位论文,2007.
[12]达庆东,姜学锋.基于流量—占有率检测数据的交通状态划分[J].道路交通与安全,2002,3(5).
[13]裴瑞平,梁新荣,刘智勇.基于小波变换和LS. SVM的事件检测算法[J].计算机工程与应用,2007,43(1)：229.231.
[14]张存保,杨晓光,严新平.基于浮动车的高速公路交通事件自动判别方法研究[J].武汉理工大学学报(交通科学与工程版),2006,30(6)：973.975.
[15]赵风波,孙敏.基于模糊聚类分析的交通状态识别方法[J].微型电脑,2006,22(6)：9-11.
[16]任其亮,谢晓松.基于遗传动态模糊聚类的道路交通状态判别方法[J].交通运输工程与信息学报,2007,5(3)：13-15,25.
[17]杨兆升,姜桂艳.城市交通流实时自适应预报与故障在线检测系统设计[J].中国公路学报,1998,11：97-101.
[18]姜紫峰,刘小坤.基于神经网络的交通事件检测算法[J].西安公路交通大学学报,2000,20(003)：67-69.
[19]赵娜乐,于雷,陈旭梅,郭继孚,温慧敏.北京城市快速路交通流特性多维度研究[J],北京交通大学学报,(自然科学版),2010,6(34)：35-39.
[20]李孝圭.城市快速道路的功能要求与建设标准.天津市政工程.1996.8(3).
[21]刘桂生.城市快速路系统规划设计,城市道桥与防洪.2000.3.
[22]李宏海.城市快速路出口处辅路信号控制系统效益评估研究[D].北京：交通部公路科学研究院硕士论文,2007.
[23]彭信林.城市快速路交通状态预测研究[D].上海交通大学硕士学位论文,2008.
[24]邵春福,赵熠,吴戈.道路交通数据采集技术研究展望.现代交通技术,2006,6：66-70.
[25]李勇伶.服务于城市交通控制系统的交通数据处理技术研究[D].长安大学硕士学位论文,2008.
[26]金逸文.城市快速路交通流数据修复方法研究[D].上海交通大学硕士学位论文,2008.
[27]孙晓亮.面向城市快速路的道路交通状态预测方法的研究[D].北京交通大学硕士学位论文,2009.
[28]劳云腾,杨晓光,云美萍,刘竞宇.交通状态的检测方法研究[J].交通与计算机,2006,24(6)：74-77.
[29]王春娥.基于数据融合的城市道路交通状态判别算法研究[[)].吉林大学硕士学位论文,2008.
[30]崔红梅.基于改进粒子群算法的C均值聚类算法研究[D].南京师范大学硕士学位论,2007.
[31]叶海军.模糊聚类分析技术及其应用研究[D].合肥工业大学硕士学位论文,2006.
[32]王璇,翁小雄.基于模糊C均值聚类的快速路交通流相态划分[J].交通信息与安全,2009,27(1)：149-152.
[33]宫改云.FCM算法参数研究及其应用[D].西安电子科技大学硕士学位论文,2004.
[34]岳立,吴建乐,丁宏飞.基于模糊c均值算法的城市快速路交通状态识别[J].西南民族大学学报(自然科学版),2012,38(6)：905-909.
[35]姜桂艳,郭海峰,吴超滕.基于感应线圈数据的城市道路交通状态判别方法[J]吉林大学学报(工学版),2008,38：37-42.
[36]Bezdek J C. A Physical Interpretation of Fuzzy ISODATA [J]. IEEE Trans SMC, 1976,6(3):387-390.
[37]Bezdek J C. Pattern Recognition with Fuzzy Objective Function Algorithms[M]. New. York:Plenum Press,1981.
[38]Bezdek J C, Hathaway R J, et al.Convergence and Theory for Fuzzy C-means Clustering:Counterexamples and Repairs[J]. IEEE Trans PAMI,1987,17(5): 873-87.
[39]宫改云,高新波,伍忠东.FCM聚类算法中模糊加权指数的优选方法[J].模糊系统与数学,2005,19(1)：143-148.
[40]高新波,裴继红,谢维信.模糊c均值聚类算法中加权指数的研究[J].电子学报,2000,4(28)：80-83.
[41]Pal N R, Bezdek J C. On Clustering for the Fuzzy C-means Model [J]. IEEE Trans FS,1995,3(3):370-379.
[42]杨润玲.基于FCM的自动图像分割方法研究[D].西安电子科技大学硕士学位论文,2006.
[43]于剑,程乾生.模糊聚类方法中的最佳聚类数的搜索范围[J].中国科学,2002,2(32)：274-280.
[44]Chiu S L. Fuzzy model identification based on cluster estimation [J] Journal of Intelligent and Fuzzy System,1994,2(3):267-278.
[45]裴继红,范九伦,谢维信.聚类中心的初始化方法田.电子科学学刊,1999,921(3)：320-325.
[46]X. L. Xie, GA, Beni. Validyti measure for fuzzy clustering [J]. IEEE Trans. Pattern And Machine Intelligence,1982,3(8):357-363.
[47]马毅林.基于非参数回归的路网短时交通状态预测[D].北京交通大学硕士学位论文,2008.