基于归一化谱聚类算法的城市快速路交通状态估计方法技术

本发明专利技术公开了一种基于归一化谱聚类算法的城市快速路交通状态估计方法，包括以下步骤：(1)对获取的城市快速路GPS数据进行预处理；(2)选定城市快速路交通运行状态的参数数据；(3)利用归一化谱聚类算法对交通流特征参数进行聚类划分并输出聚类结果确定交通估计状态；(4)利用轮廓系数SC对归一化谱聚类算法效果进行评价。本发明专利技术基于归一化谱聚类算法，通过引入新的速度离散概念和归一化拉普拉斯矩阵，能更加准确地对城市快速路交通状态进行精准估计，并在估计之后采用轮廓系数SC对整个估计结果进行效果评价，更完成整个估计过程。更完成整个估计过程。更完成整个估计过程。

【技术实现步骤摘要】
基于归一化谱聚类算法的城市快速路交通状态估计方法


[0001]本专利技术涉及智能交通状态估计领域，尤其涉及一种基于归一化谱聚类算法的城市快速路交通状态估计方法。

技术介绍

[0002]城市快速路是城市的快速交通走廊，设置中央分割带减少对向车流干扰，全部或部分采用立体交叉与控制出入，使得进入快速路的车辆能够安全、快速、高效地行驶。城市快速路巨大的服务潜力也对其自身的服务能力提出了更高的要求，对城市快速路交通状态的精准估计可以为道路管理人员和旅行者提供更有效和精确的信息，进行交通管控和路线优化，减少旅行者交通出行时间成本、提升城市综合交通运行效率。
[0003]交通状态即指交通流的总体运行状况，交通状态与交通流参数之间是一种映射关系，随着交通状态的不断变化，交通流特征参数也随之变化，对于不同的交通流参数特征，也对应不同的道路交通状态。在大部分的研究中，往往采用平均速度，流量，占有率等参数，借助这些参数衡量交通状态的近似范围。在实际道路条件下，平均速度衡量的是整个路段的整体情况，但是交通流中车辆之间的速度都存在差异，便产生车速的离散现象，尤其是差异较为明显时这种现象就更加显著，研究中使用车速离散度进行描述。由车速离散现象引发的加速、减速以及超车和变道行为，显著地改变了整个交通状态，使交通流从稳定趋向紊乱。所以将车速离散度作为交通状态表征参数能更全面地反应交通状态和交通参数之间的关系，也能精准对交通状态进行估计。

技术实现思路

[0004]专利技术目的：针对宏观交通流参数难以精确反映单个车辆对交通运行的作用，从而影响整个交通状态估计结果准确性的问题，本专利技术提出一种基于归一化谱聚类算法的城市快速路交通状态估计方法，实现对交通状态更精确的估计。
[0005]技术方案：为实现本专利技术的目的，本专利技术所采用的技术方案是：一种基于归一化谱聚类算法的城市快速路交通状态估计方法，包括以下步骤：
[0006](1)获取城市快速路GPS数据并进行预处理：包括去除冗余数据，GPS数据时间排序，地图匹配，数据选取处理；
[0007](2)进行交通参数选定：计算目标路段的平均速度，速度离散度，作为交通状态估计的表征参数；
[0008](3)将表征参数平均速度和速度离散度作为二维数据点，利用归一化谱聚类算法对数据点进行聚类分析；
[0009](4)运用轮廓系数对聚类效果即交通状态估计效果进行评价，比较每个聚类簇中轮廓系数均值的最大值即得到最终的聚类评价效果。
[0010]进一步的，所述步骤(2)中，按照以下公式计算某一时间段内的速度离散度：
[0011][0012]其中，V
dt
表示t时间内的车速离散度；n表示t时间内的目标车辆数；v
i
表示车速；表示t时间内的平均速度；σ1表示t时间内的速度标准差。
[0013]进一步的，所述步骤(3)中，利用归一化谱聚类算法对选取的表征参数进行聚类划分，步骤如下：
[0014](1)定义谱聚类算法和交通状态估计之间的关系：
[0015]定义数据集S＝(G,E)，其中表示相关点，即数据点，E是点与点之间的边，用于描述两个数据点之间的相关关系，用相似度w
ij
表示边的权重；
[0016](2)确定图论划分准则为多路NCUT切图：
[0017]将目标数据集划分为k个集合，使得子簇间的相似度最小，子簇内的相似度最大；构造目标函数如下：
[0018][0019]其中，表示集合A
i
与其补集之间的关系，具体表示为A
i
与其补集之间的相似度vol(A
i
)表示隶属集合A
i
的所有数据点的权重之和；
[0020][0021]其中，n表示集合A
i
的数据点数；
[0022](3)使用n维空间中的欧几里得距离和高斯核函数定义数据点间的相似度w
ij
，其公式如下：
[0023][0024]其中，w(X
i
,X
j
)表示第i,j个数据点X
i
,X
j
之间的相似度，σ2是高斯核函数的核；
[0025](4)使用全连接法构建邻接矩阵W，w
ij
是矩阵W中的元素：
[0026][0027](5)定义每一个数据点和与它相联的所有边的相似度之和d
i
，公式如下：
[0028][0029][0030](6)构建对角矩阵D，公式如下：
[0031][0032](7)构建归一化拉普拉斯矩阵L
sym
，公式如下：
[0033]L
sym
＝D
‑
1/2
LD
‑
1/2
＝E
‑
D
‑
1/2
WD
‑
1/2
[0034]其中，L＝D
‑
W，E表示单位向量；对于L
sym
，0是其最小的特征向量且对应的特征值是D
‑
1/2
E；
[0035](8)计算矩阵L
sym
的特征向量和对应的特征值，按照特征值从小到大的顺序选择k个最小特征值和其对应的特征向量；k个特征向量构成矩阵U；
[0036](9)对矩阵U的每一行进行归一化处理得到矩阵N，表示如下：
[0037][0038]其中，N
ij
是矩阵N中的元素，u
ij
是矩阵U中的元素；
[0039](10)将行向量n
i
∈N作为K
‑
means算法的聚类中心，利用K
‑
means算法进行聚类，获得聚类结果C1,C2,
…
,C
k
，其中每一种聚类结果包含的数据点集合表示为A1,A2,...,A
k
。
[0040]进一步的，所述步骤(4)中，运用轮廓系数SC对归一化谱聚类算法效果进行评价，具体步骤如下：
[0041](1)计算聚类之后每个簇内数据点的轮廓系数，具体公式如下：
[0042][0043]其中，S
im
表示第i个簇内第m个数据点的轮廓系数，
‑
1<S
im
<1，其值越接近1表明该簇的聚类结果越优越，越接近
‑
1聚类效果越差，当S
im
＝0时，表明该数据点位于两个簇的边界；C
i
表示第i类簇，|C
i
|表示C
i
中数据点个数；a
m
表示C
i
中数据点m和内部簇中其他点的平均相似度，b
m
表示C
i
中数据点m与外部簇中的点的最小相似度；<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于归一化谱聚类算法的城市快速路交通状态估计方法，其特征在于：该方法包括以下步骤：(1)获取城市快速路GPS数据并进行预处理：包括去除冗余数据，GPS数据时间排序，地图匹配，数据选取处理；(2)进行交通参数选定：计算目标路段的平均速度，速度离散度，作为交通状态估计的表征参数；(3)将表征参数平均速度和速度离散度作为二维数据点，利用归一化谱聚类算法对数据点进行聚类分析；(4)运用轮廓系数对聚类效果即交通状态估计效果进行评价，比较每个聚类簇中轮廓系数均值的最大值即得到最终的聚类评价效果。2.根据权利要求1所述的城市快速路交通状态估计方法，其特征在于：所述步骤(2)中，按照以下公式计算某一时间段内的速度离散度：其中，V
dt
表示t时间内的车速离散度；n表示t时间内的目标车辆数；v
i
表示车速；表示t时间内的平均速度；σ1表示t时间内的速度标准差。3.根据权利要求1或2所述的城市快速路交通状态估计方法，其特征在于：所述步骤(3)中，利用归一化谱聚类算法对选取的表征参数进行聚类划分，步骤如下：(1)定义谱聚类算法和交通状态估计之间的关系：定义数据集S＝(G,E)，其中表示相关点，即数据点，E是点与点之间的边，用于描述两个数据点之间的相关关系，用相似度w
ij
表示边的权重；(2)确定图论划分准则为多路NCUT切图：将目标数据集划分为k个集合，使得子簇间的相似度最小，子簇内的相似度最大；构造目标函数如下：其中，表示集合A
i
与其补集之间的关系，具体表示为A
i
与其补集之间的相似度vol(A
i
)表示隶属集合A
i
的所有数据点的权重之和；其中，n表示集合A
i
的数据点数；(3)使用n维空间中的欧几里得距离和高斯核函数定义数据点间的相似度w
ij
，其公式如下：
其中，w(X
i
,X
j
)表示第i,j个数据点X
i
,X
j
之间的相似度，σ2是高斯核函数的核；(4)使用全连接法构建邻接矩阵W，w
ij
是矩阵W中的元素：(5)定义每一个数据点和与它相联的所有边的相似度之和d
i
，公式如下：，公式如下：(6)构建对角矩阵D，公式如下：(7)构建归一化拉普拉斯矩阵L
sym
，公式如下：L
sym...

【专利技术属性】
技术研发人员：任刚，赵铁聪，宋建华，陈维翰，李大韦，李豪杰，
申请(专利权)人：东南大学，
类型：发明
国别省市：