基于多断面视觉传感聚类分析的交通流状态判别方法
【专利摘要】基于多断面视觉传感聚类分析的交通流状态判别方法，通过道路边设置的PTZ视频摄像机获取交通流数据，根据获得的交通流数据，采用聚类分析的方法判断高速公路道路交通流状态。本发明利用易于获取的交通流数据：速度和流量，结合上下游交通流数据进行聚类分析，获得的聚类结果较为清晰，具有一定的容错性。在实际应用中，可以根据具体情况修改聚类数目，获得简化聚类结果。本发明给出适合当前高速公路特点的交通状况划分方法和关键数据，比较准确和全面地反映交通流的运行情况。
【专利说明】基于多断面视觉传感聚类分析的交通流状态判别方法
【技术领域】
[0001]本发明属于数据挖掘【技术领域】，涉及对交通数据进行交通状态的自动判别，为一种基于聚类分析的交通流状态判别方法。
【背景技术】
[0002]近年来，交通拥挤严重影响了城市的可持续发展和人们的日常工作与生活，如何缓解拥挤已成为世界各国共同关注的焦点和亟需解决的重要问题。实际上，路网并不是在所有时间和地点上都是满负荷运行的，若能够及时获得路网上的交通信息、准确地掌握路网的交通状态，并依此进行科学的交通管理和控制决策，充分利用道路交通系统的时空资源，则可在不增加道路设施的情况下，提高路网的运行效率和安全性。由上述分析可见，如何准确的把握路网交通运行状态以便制定高效的交通管理控制方案以及合理的出行方案是提闻路网运行效率的关键所在。
[0003]交通运行状态判别主要是通过描述交通流特性的交通流数据和数据的变化规律来反映交通流的运行情况。用于描述交通状态的交通流数据可以分为宏观数据和微观数据。其中宏观数据用于描述交通流作为一个整体表现出来的运行状态特性，主要包括交通量、速度、交通密度和占有率。
[0004]到目前为止，各国尚无统一的关于交通运行状态划分的量化定义，已有的研究成果多现于各种工程应用规范中，运用不同的交通数据从定量的角度对交通状态进行描述。
[0005]美国在道路交通服务水平(L0S)的研究中，通过车速度、行程时间、行驶自由度、安全性指标来综合评判道路的服务水平，根据平均运行速度、道路负荷系数等指标，将交通服务水平划分为A-F六个等级[1]，如表I所示。
[0006]另外，在美国的各大城市也有着各自的状态划分标准。华盛顿州交通运输部对拥堵程度的定义[2]为:在高速公路上平均行驶速度不足40英里/小时即为拥堵状态，不足35英里/小时即为严重拥堵状态。而联邦公路局采用的评价标准[3]为:不足45英里/小时的平均行驶速度为拥堵状态，不足30英里/小时为严重拥堵状态。
[0007]日本对城市高速公路的交通拥堵定义[4]为:车辆行驶速度在40公里/小时以下或者频繁停车、启动的车列长度在I公里以上且持续时间在15分钟以上的一种交通状态。
[0008]我国公安部在2002年的《城市交通管理评价指标体系》中，将拥堵程度划分为四个等级M:城市主干路上机动车的平均行驶速度不低于30km/h定义为畅通状态；城市主干路上机动车的平均行驶速度低于30km/h，但高于20km/h定义为轻度拥堵状态；城市主干路上机动车的平均行驶速度低于20km/h，但高于10km/h定义为拥堵状态；城市主干路上机动车的平均行驶速度低于10km/h定义为严重拥堵状态。
[0009]表I美国高速公路服务水平划分
[0010]
【权利要求】
1.基于多断面视觉传感聚类分析的交通流状态判别方法，其特征是在道路上设置视频检测点，每个视频检测点作为一个断面，通过视频检测获取各断面的交通流数据，采用聚类分析的方法判断高速公路道路交通流状态，包括以下步骤: 1)模型训练:以视频检测点获取的历史交通流数据为基础，每个断面及其上下游相邻断面的交通流数据构成一个特征数据组，对特征数据组进行聚类；其中，聚类时首先根据交通流状态的划分需求设定聚类的个数，不同类交通流状态具有各自的特点，特征数据组按聚类个数进行聚类，采用的聚类算法包括K均值聚类算法和模糊C均值算法，聚类完成后依据所述特点将聚类结果对应到不同的交通流状态，得到判断模型； 2)判断所属交通运行状态:根据道路断面的实时交通流数据和判断模型，通过当前断面及其上下游断面的交通流数据，利用模式识别的方法，通过隶属度矩阵进行运算，判别相应时刻当前断面所属的交通流状态。
2.根据权利要求1所述的基于多断面视觉传感聚类分析的交通流状态判别方法，其特征是视频检测点通过PTZ视频摄像机获取交通流数据。
3.根据权利要求2所述的基于多断面视觉传感聚类分析的交通流状态判别方法，其特征是视频检测点还设有红外摄像机和激光轮廓仪。
4.根据权利要求1-3任一项所述的基于多断面视觉传感聚类分析的交通流状态判别方法，其特征是断面的交通流数据为车辆的速度和流量，将当前断面及其上下游的车辆速度和流量构成的向量用于聚类分析以及模式识别，考虑交调数据以及上下游断面与当前断面的距离确定影响系数ku和kd，当前断面及其上下游的车辆速度和流量构成向量为:
X= [Kuvu, Kufu, vc, fc, Kdvd, Kdfd]，(-1 ≤ Ku ≤ 1，-1 ≤ Kd ≤ 1) (1) 式中，Vu和fu分别表示上游断面的车辆速度和流量，vc和f。分别表示当前断面的车辆速度和流量，vd和fd分别表示下游断面的车辆速度和流量，Ku为上游断面的影响系数，Kd为下游断面的影响系数，其中影响系数随上下游断面与当前断面的距离增大而减小，如果当前断面的上游或下游没有摄像头，对应的影响系数置O，在模型训练步骤中，根据聚类效果确定影响系数的值。
【文档编号】G08G1/01GK103839409SQ201410069892
【公开日】2014年6月4日 申请日期:2014年2月27日 优先权日:2014年2月27日
【发明者】许榕, 蒋士正, 吴聪, 缪李囡, 王双, 阮雅端, 陈启美 申请人:南京大学