一种基于聚类和图卷积网络的路网交通状态判别方法技术

一种基于k

【技术实现步骤摘要】
一种基于聚类和图卷积网络的路网交通状态判别方法


[0001]本专利技术涉及一种路网交通状态判别方法，属于交通状态判别

技术背景
[0002]随着我国经济水平的不断提高，城市中机动车的数量呈现急剧上涨的趋势，导致交通流量大幅提高，与之相比，我国城市道路的建设却显得相对缓慢。在两者矛盾激化下，交通拥堵已经成为城市中的常发性问题，严重影响城市经济的发展和居民的生活体验。为了缓解交通拥堵问题，需要对城市交通进行科学精细的管理。对路网交通状态判别方法的研究，能够让交通管理者更好地了解路网整体的交通状态，从而采取合适的交通管理措施，在交通控制、交通诱导和交通管理等方面具有重要的意义。
[0003]目前，关于交通状态判别的研究方法主要有建立交通状态评估参数模型、模糊聚类算法和机器学习等。其中，机器学习相比于其它方法，对数据具有更好的拟合能力，尤其是无监督学习与有监督学习相结合的方法，能够更好地保证交通状态判别的实时性和准确度。常用的机器学习算法有k近邻、支持向量机和深度学习等方法，其中，相比于k近邻和支持向量机，深度学习具有更强的特征提取的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于聚类和图卷积网络的路网交通状态判别方法，其特征在于，包括以下步骤：1)选择目标路网，将其划分为n个路段；将一天24小时平均划分为k个时间段，通过传感器设备获取每个路段在每个时间段的平均流量，累计获取j天的路网交通流数据；2)以路段为节点，以路段的平均流量为节点特征构建路网拓扑结构数据的特征矩阵，并用该特征矩阵作为路网当前时间段的交通状态的划分依据；根据路段之间是否相邻构建路网拓扑结构数据的邻接矩阵；3)使用k
‑
means++算法对反映路网交通状态的特征矩阵进行聚类，从而实现对不同时间段路网交通状态等级的划分，得到具有交通状态标签的路网拓扑结构数据样本；4)构建基于图卷积神经网络的路网交通状态判别决策模型；5)将步骤3)中得到的样本数据划分为训练数据集和测试数据集，用训练数据集训练步骤4)中搭建的路网交通状态判别决策模型，以测试数据集对模型路网交通状态判别的准确性进行评估。2.如权利要求1所述的一种基于聚类和图卷积网络的路网交通状态判别方法，其特征在于：在步骤1)中，将每天按一定时间间隔划分为k个时间段，k的选取应反映出一天中路网存在的所有不同交通状态；获取j天路网交通流数据，j为365天。3.如权利要求1所述的一种基于聚类和图卷积网络的路网交通状态判别方法，其特征在于：在步骤3)中，使用k
‑
means++聚类算法对路网交通状态等级进行划分，其具体步骤如下：3.1)对样本数据作归一化处理，将样本数据归一化到区间[0,1]，归一化公式如下：y
i,j
＝(x
i,j
‑
x
i,min
)/(x
i,max
‑
x
i,min
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)式中，y
i,j
表示样本数据集中第i个样本数据(特征向量)的第j个元素归一化后的标准值；x
i,j
表示第i个样本数据的第j个元素的原始值；x
i,max
和x
i,min
分别表示第i个样本数据的元素的最大值和最小值；3.2)确定聚类个数K，K表示路网交通状态划分等级级别的个数；3.3)从样本数据集中随机选取一个样本作为初始聚类中心c1，计算每个样本数据与当前已有聚类中心之间的最短距离；接着计算每个样本被选取为下一个聚类中心的概率P
i
，从而确定下一个聚类中心c2，P
i
的计算公式如下：式中，P
i
表示第i个样本被选为初始聚类中心的概率；x

【专利技术属性】
技术研发人员：郭海锋，刘瑞，吴铨力，程茂恒，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：