The invention discloses a method for dividing urban traffic control sub-areas based on fast global K_means spectral clustering, which relates to the field of urban traffic sub-areas dividing. The basic idea of the method is to select the road network to be studied according to the traffic correlation degree between adjacent signal intersections in the road network. 1) To obtain the road topological structure and traffic flow data of the road network, and to establish the undirected road network. Fig. 2) Establish clustering feature matrix by calculating the Laplacian matrix L of road network density and the eigenvectors corresponding to its first k minimum eigenvalues; 3) implement fast global K means clustering algorithm for clustering feature matrix X, divide intersections in the same cluster into the same sub-region; 4) Judge the number of intersections in the sub-region after clustering.
【技术实现步骤摘要】
基于快速全局K-means谱聚类的城市交通控制子区的划分方法
本专利技术涉及城市交通子区划分领域,具体为一种基于快速全局K-means谱聚类的城市交通控制子区的划分方法。
技术介绍
随着社会经济的发展,城市机动车保有量在逐年增加,造成高峰时段城市路网中某些信号交叉口时常出现交通拥堵的现象,导致相应地平均出行时间上升,同时也可能会影响与之相邻的路段或者交叉口出现拥堵现象导致交通瘫痪,极大地影响了人们的出行和生活。城市路网因其不同的地理位置和特殊的交通特征,呈现出数量庞大、结构复杂等特征,对整个区域的路网进行信号协调控制其实现难度大且不具备合理性,已有的相关研究表明,将城市路网划分成可以进行协调控制的交通子区,能够充分发挥交通信号控制方案的作用,有效提高城市路网的运行效率。目前在城市交通子区划分领域,谱聚类方法的应用比较广泛,谱聚类后得到的交通子区内部交通流特征具有较高的相似性,而各子区之间的交通流特征具有较大的差异性;但谱聚类一般是与传统K-means方法结合使用,其聚类结果的准确性依赖于初始聚类中心的选择,且最终的聚类结果不是全局最优解;本专利技术将谱聚类与快速全局K-means聚类算法结合起来进行交通控制子区划分,快速全局K-means算法是采用一种增量式的方法确定聚类中心,不仅可以解决传统K-means聚类因随机选择原始聚类中心而导致聚类结果不准确的问题,而且也可以避免将噪音点作为聚类中心,减少计算时间复杂度,实现交通子区的快速划分,便于针对不同子区信号控制方案的实施,有效地缓解城市道路拥堵问题。
技术实现思路
本专利技术为了解决现有城市交通控制子区划分效 ...
【技术保护点】
1.一种基于快速全局K‑means谱聚类的城市交通控制子区的划分方法,其特征在于:包括以下步骤:1)选择将要研究的路网,建立路网无向图G=(V,E);1.1)选择待研究路网G,获取该路网的道路拓扑结构,在交叉口的进口道和出口道位置设计安装检测器,获取相邻交叉口i驶入交叉口j的车流分支数h,相邻交叉口i到交叉口j的平均行程时间T,相邻交叉口i到交叉口j的车流量Q,相邻交叉口i到交叉口j的车道数N;1.2)基于获取的道路拓扑结构以及实际交通流数据,计算相邻交叉口之间的交通关联度,相邻交叉口i和交叉口j之间的交通关联度计算公式如下:
【技术特征摘要】
1.一种基于快速全局K-means谱聚类的城市交通控制子区的划分方法,其特征在于:包括以下步骤:1)选择将要研究的路网,建立路网无向图G=(V,E);1.1)选择待研究路网G,获取该路网的道路拓扑结构,在交叉口的进口道和出口道位置设计安装检测器,获取相邻交叉口i驶入交叉口j的车流分支数h,相邻交叉口i到交叉口j的平均行程时间T,相邻交叉口i到交叉口j的车流量Q,相邻交叉口i到交叉口j的车道数N;1.2)基于获取的道路拓扑结构以及实际交通流数据,计算相邻交叉口之间的交通关联度,相邻交叉口i和交叉口j之间的交通关联度计算公式如下:其中,wij是相邻交叉口i与交叉口j之间的交通关联度;If为路段流量不均衡系数;h为来自上游交叉口的车流驶入的分支数;为到达下游交叉口的车流量总和;Qmax为来自上游交叉口车流驶入分支中最大的车流量,为Qs中的最大值;T为车辆在两个相邻交叉口之间的平均行程时间;N为由上游交叉口驶向下游交叉口的车道数;1.3)将路网G内的信号交叉口用顶点V表示,相邻交叉口之间的路段用边E表示,则所研究的路网G可以用有权重的无向图G=(V,E)表示,其中,V={V1,V2,...,Vn}是路网G中所有信号交叉口的集合,Vi表示第i个交叉口;E={E12,E23,...,Eij}是连接路网G中两个相邻信号交叉口的所有路段的集合,Eij表示连接相邻交叉口i与交叉口j之间的路段,其上的权重wij表示相邻交叉口i与交叉口j之间的关联度;2)根据步骤1)中得到的相邻信号交叉口之间的关联度信息,计算路网G的密度拉普拉斯矩阵L,构建聚类特征矩阵X:2.1)对于路网G中任意一个信号交叉口i,交叉口i的加权度值di定义为与交叉口i相邻的所有交叉口关联度之和,即:用加权度值di构造一个对角矩阵D,对角矩阵D为路网G的度矩阵,其对角线上的元素就是各交叉口对应的加权度值di;2.2)拉普拉斯矩阵L可表示为L=D-W,其中,矩阵W={wij}n×n为权值矩阵,其元素wij为相邻交叉口i与交叉口j之间的关联度;若两个信号交叉口是不相邻的,则其对应位置的元素为零;2.3)将拉普拉斯矩阵L标准化后得矩阵计算标准化后拉普拉斯矩阵L’的特征值λ={λ1,λ2,...,λn},将特征值λi按正序排列,计算其前k个特征值对应的特征向量x1,x2,...,xk,构建聚类特征矩阵X={x1,x2,...,xk};3)对聚类特征矩阵X...
【专利技术属性】
技术研发人员:闫飞,王昆,阎高伟,张曼,丁洁,
申请(专利权)人:太原理工大学,
类型:发明
国别省市:山西,14
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。