《ITS城市道路交通状态判别》由会员分享，可在线阅读，更多相关《ITS城市道路交通状态判别（35页珍藏版）》请在金锄头文库上搜索。
1、word城市道路交通状态判别方法研究摘要随着社会经济的快速开展，道路车辆不断增多，道路交通需求增长迅速，道路交通状况正变得日益严峻。恶性交通事故与交通拥挤的迅速增加，不但严重威胁人民生命和财产的安全，也给道路交通的运行效率带来了严重影响。为了提高道路交通的安全性和运行效率，世界各国尤其是兴旺国家不断研究运用先进技术对道路交通运行状态进展监控，出现了各种以不同设备为手段的交通监控系统。而要充分利用这些先进的交通检测手段为城市交通服务就需要适合的交通状态判别方法。本文基于此目的，分析了国外相关课题的研究现状，对交通流参数、道路交通状态分析与目前已有判别方法进展了研究。首先重点分析了经典的加州算法、
2、McMaster 算法、指数平滑法、标准偏差法，并对算法作出了比拟分析；然后针对已有研究成果在城市道路交通状态判别上的不足，在已有研究成果根底上，以聚类分析为方法，建立利用定点检测线圈数据进展交通状态判别的方法，并通过实际案例分析证明了方法的有效性。本论文的研究成果可为交通管理者实时了解路网交通状态变化的信息，与时采取对策，疏导交通、减少拥挤，提高交通安全保障，使有限的路网时空资源发挥效率而提供帮助。关键词：智能交通系统；道路交通状态；交通状态判别；聚类分析；环形检测线圈数据；目录1绪论1研究的背景、目的与意义11.2 国外研究进展2国研究现状3各种算法优缺点比拟5论文研究的主要容62 城市道
3、路交通状态分类、指标和交通参数研究7我国关于交通拥挤的量化定义7交通流参数8根本的交通参数的选取83基于聚类分析的交通状态判别方法103.1 研究方法的选择103.2 聚类分析方法介绍103.3 聚类分析算法的特征数据样本123.4 原始数据规约153.5 对丢失根底数据的处理154案例分析164.1 交通根底数据说明164.2 交通状态聚类分析结果164.2 判别结果175 总结与展望19参考文献20致22附录23附录A经处理后的交通根底数据表23附录B经处理后的交通根底数据表26附录C经处理后的交通根底数据表30附录D经处理后的交通根底数据表33附录E经处理后的交通根底数据表37 / 1绪
4、论随着在智能交通管理系统的不断开展，出现了各种交通状态实时判别方法。大多的交通状态判别系统都包括数据获取，数据准备，数据比拟，实时状态判断等。交通状态判别即是要实现将采集到的根底数据经过处理后与一个既定的交通状态判别标准进展比拟，从而判别出定性交通状况，判别结果可作为交通管理者决策时的参考依据。现实中，交通系统是一个随时间不断变化的时变系统，交通流的根本特征不仅每时每刻都在发生着量变,而且在一个相当长的时期,不断积累的量变会带来整个交通系统交通流特征的质变，质变的发生意味着交通定性状态的改变。1.1研究的背景、目的与意义随着经济的高速开展和社会进步脚步的加快，城市人口剧增，汽车的数量增长越来越
5、快，城市路网的通行能力已经无法满足日益增长的交通需求，交通拥挤和堵塞现象变得越来越严重，交通事故，交通污染，能源消耗等各种引发出来的问题已经俨然成为世界各国特别是兴旺国家所面临和必须解决的重大问题，智能交通系统ITS，Intelligent Transportation System通过对传统的变革，提升交通系统的信息化、智能化、集成化和网络化，保障人、车、路与环境之间的相互交流，进而提高交通系统的效率、安全性、机动性、经济性、可达性达到保护环境，降低能耗的作用，ITS已经成为国际上公认解决上述交通问题的根本途径，越来越受到国外政府、专家、学者等的重视和广泛应用。 在智能交通系统中，各种交通判
6、别算法通常都是用来对道路环境中的实时交通状态判别，通过这些算法，可以通过对道路根底信息采集系统采集到的交通数据进展分析，通过一定数学方法处理，根据变化的趋势得到目前交通系统的运行情况，系统将得到的根底数据经过一定处理后与一个既定的交通状态判别标准进展比拟，从而能够判别目前交通系统处于何种状态，即实现对实时获得的交通监控数据进展处理，得到交通状态定性判别结果。当这个判别结果提供到交通系统管理者和决策者手中时，他们就可以针对不同情况制定相应的交通控制、管理和诱导措施。本文的研究目的即是要在已有研究的根底上，提出可利用定点检测线圈数据实现城市道路交通定性状态判别的方法。1.2 国外研究进展Thanc
7、anamootoo 和 Bell1988研究了一种用于城市主干道交通事件检测的算法，这种算法采用的指标是占有率参数。在这种算法中，使用指数平滑方法来估计每个信号周期单个车道上下游位置占有率的预测值，然后将其与阈值比拟来确定下游事件的发生。后来，Bretherton 和 Bowen1991依托MONOICAMonitoring Incidents and Congestion Automatically，MONICA项目，在 Bell 算法的根底上，设计了一个改良算法。这种算法使用流量和占有率数据作为事件检测的指标值。由于交通流量在路段上的不守恒性，导致 ACI算法的效果并不是很理想1。Ivan
8、 et al.1993-1997使用人工神经网络技术和数据融合技术处理来自固定检测器、移动检测器和人工报告三种数据源的数据来确定事件的发生。固定检测器算法处理 5 分钟和 7 分钟时间间隔的平均占有率和平均流量数据，然后将当前值与历史值进展比拟，最后利用判别函数确定每个检测区的交通状态；移动检测器算法利用探测车来报告路段行程时间，计算行程时间比率和速度比率，最后仍利用判别函数确定事件是否发生；人工报告利用现场对事件的定性描述来提供影响交通流运行的某些事件信息。结果明确，虽然 7 分钟作为数据采样的时间间隔可以很好地减少交通参数受信号的周期性影响，算法得到了较好的效果，但却存在算法检测事件所需时
9、间过长的问题2,3,4。Khan and Ritchie (1998)提出了模块化的神经网络结构，该结构将复杂的任务分解成几个子模型，其中每个子模型就是一个神经网络，通常为一个多层前馈神经网络Multi-Layer feedforward Perceptron，MLP网络。每个子模型完成一项子任务，他们独立完成自己的训练过程和任务；子模型的匹配通过误差函数在模型之间进展竞争，每个子模型和整个网络有一样的输入和输出，最后的输出 Y 是各个 y 的线性加权。在这个网络的训练中，如果有一个网络训练出了最好的结果，如此将这个网络的权重立即增大到 1，其他网络的权重立即减少到 0，用这样的方法选择适宜的
10、子模型。最后利用来自加州和洛杉矶两个城市主干道的实测数据和模拟数据对基于 MLP 的多模型算法、基于 MLP 的单模型算法、模式分析算法、贝叶斯算法进展比拟分析，得出基于 MLP 的多模型算法效果要好于其他的算法。这个方法的优点是在现实世界中某种数据源数据缺乏的情况下，方法仍旧是适用的。但是这个模型使用 15 分钟间隔数据进展测试的，测试结果明确平均检测时间最好可达 1.63 个信号周期长度，对于实时的事件检测而言，这个算法的检测时间太长5。Luk 和 Chung2001指出，高速公路交通流通常比拟稳定，在发生交通事件时交通流会发生较大的变化，而这种变化一般能被检测器检测到并与时送到交通控制中
11、心。而城市道路交通流比拟复杂，因此文章对城市主干路与高速公路发生事件前后交通流的变化特性进展了研究，提出了一种条件概率算法用于判别城市主干路上交通事件的发生。最后通过验证得出，检测器位于事件发生地点上游位置比检测器位于事件发生地点下游位置更容易检测到事件的发生，其中占有率和速度最能反映交通状态的变化6。Fang Yuan 和 Ruey Long Cheu2003将支持向量机SVM技术应用到交通事件检测中，分别运用主干路网的模拟数据和加利福尼亚的 I-880 高速公路实测数据进展测试，并与多层前反应神经网络测试结果比拟7。Y. Li 和2004提出一种基于浮动车的高速公路交通事件检测算法，该算法
12、基于平均行程时间和相邻两时段平均行程时间差双变量分析模型而设计，模型建立的前提是当道路上发生交通事件时，其交通容量的改变所引发的路段行程时间急剧增加幅度要比正常交通需求情况下路段行程时间大许多。该算法的研究对象为高速公路，对城市道路的研究可以借鉴该思想8。Yaser2006根据城市道路交通流的特点，提出在城市道路通流的动态不确定性即为模糊性更强，更适合用模糊数学法进展交通状态的判别。因此文章综合考虑了城市道路的几何因素和交通因素，采用模拟数据和模糊逻辑法，进展交通事件的判别。该方法消除了传统算法由于采用阈值而引起的临界决策问题，但是确定各个模糊集的隶属函数是一项至关重要的工作，隶属函数适宜与否
13、，直接影响到检测率和误报率9。目前，对于城市道路交通状态判别算法的研究，国还处于对国外研究思路和方法的介绍、研究、验证阶段。从20世纪70年代早期,关于道路实时交通状态判别算法的研究逐渐开展起来,截至目前,各个领域的专家学者对这些研究都表示了浓厚的兴趣。这些算法的研究包括比拟算法、时间序列分析法、Mc-Master算法、人工智能方法、Macroscopic算法、参数标定方法等。在比拟算法中,交通状态的判别是根据比拟一对交通流状态数据得出的，这一对交通流状态数据可能是根底的占有率数据,它们分别来自上下游路段相邻的一组检测器。时间序列建模技术应用到交通状态自动判别中标志着时间序列分析算法的诞生,郭
14、恒明2001根据城市道路交通流是连续流、交通流的波动性较大的特点，为了提高检测精度、降低误报率、缩短检测时间，要求在城市道路路段上、下游交叉口停车线附近与路段中间按一定间距分别布设环形线圈检测器，据此设计了交通异常累计占有率检测算法来判别城市道路上发生的交通异常。该方法指出如果该路段上所有相邻两检测器的累积占有率差的和超过一定的阈值，明确该路段发生了交通异常。但是该算法中阈值的选择关系到该算法的效果，同时该方法没有对检测器的布设间距进展研究10。周伟、罗石贵2001提出了一种基于模糊综合识别的交通事件检测算法，确定了流量、速度、上下游占有率各模糊集的隶属函数，并运用实际数据进展验证，该算法既可
15、以检测拥挤，还能够确定拥挤成因11。兆升等2003对传统不确定性推理融合算法进展了比拟，提出应用模糊综合决策模型来进展多目标多传感器的信息融合，以解决交通事件中多传感器的交通事件识别问题，具有信息损失少、计算量少、实用性强等特点12。戴红2005将模糊模式识别方法应用于城市主干道的交通状态判别上，使用速度、占有率、信号交叉口平均每车停车延误 3 个交通参数进展多因素模糊模式识别评判交通状态，同时将交通状态分为畅通、正常、拥挤、堵塞四个等级13；但是如何确定隶属函数仍是在进展交通状态判别时面临的一个难点。皮晓亮、晓光等(2006)结合数据预备技术、交通工程技术对环形线圈采集的一个月的历史交通流数据(流量，速度，占有率)进展融合挖掘，最后给出畅通流、稳定流、拥挤流、堵塞流四种交通状态下的聚类矩阵，其中的每一列即代表每种交通状态的划分标准14；该文中没有明确指出检测器的位置，只是确定了交通状态的划分标准，并没有利用该标准进展道路交通状态的判别，这种交通状态标准确实定方法的有效性有待于进一步的研究。桂艳等人2006为了从海量动态交通数据中快速识别路网中存在的交通拥挤，通过分析拥挤的特征模式和各种数据挖掘技术的特点后，设计了一种适用于城市道路的交通拥挤自动识别方法；该方法将占有率、速度和流量三个根底交通流参数进展组合得到新的特征变量作为多层前馈神经网络模型的输入向量，将交通拥
