一种基于区间聚类的城市道路交叉口运行状态判别方法
【技术领域】
[0001] 本发明涉及城市道路交通精细化管理与控制领域，具体涉及一种基于区间聚类的 城市道路交叉口运行状态判别方法。
【背景技术】
[0002] 智能化的交通管理与控制已经成为缓解城市道路交通拥堵的重要手段，信号交叉 口作为城市路网的重要节点，对其进行合理的交通信号控制是提高城市道路交通管理水 平、提升路网运行效率的重要技术措施。城市道路信号交叉口交通流运行状态识别旨在基 于交通流数据分析，真实、全面地反映信号交叉口交通流的实时运行状态，从而及时、准确 地发现拥堵交叉口。准确可靠的交叉口运行状态识别为信号控制配时策略的制定和配时参 数优化提供了有效依据，对于提升交通信号控制系统有效性具有重要意义。
[0003] 目前城市道路信号交叉口交通流运行状态识别方法主要是定参数法和模糊评价 法。定参数法选取一个或几个固定交通流参数作为评价指标，基于制定的量化标准来判别 交叉口运行状态;模糊评价法是依据交叉口交通流运行状态参数建立评判对象因素集，并 确定交通状态对评价集中各状态参数的隶属度;在此基础上，结合各状态参数的权重，通过 合理的模糊变换，得出综合评判集从而确定信号交叉口交通状态。
[0004] 定参数法在实际工程实际应用中，如城市道路交通信号控制系统（如SC00T、 SCATS、0PAC等)在信号控制配时参数优化前通过检测的实时数据对交叉口交通流运行状态 进行识别分析。其中，SCATS系统直接利用饱和度(DS，Degree of Saturation)来评价信号 交叉口交通饱和状态；S⑶0T利用上游交叉口停车线的交通量和"线上饱和占有率"（由 SCOOT系统估算的能通过交叉口停车线的排队车辆的比例）来估计交叉口的饱和程度。然 而，使用平均延误和饱和度阈值判断城市道路信号交叉口交通运行状态具有一定的局限 性，平均延误虽然能够较好地反映车辆在信号控制交叉口受到阻滞的程度，却无法同时反 映车辆在城市道路的空间分布特征;饱和度仅能够表征信号交叉口交通供需关系，无法确 切衡量道路使用者对于信号交叉口交通状态的主观感受，且良好的信号协调控制也会形成 高饱和度的效果，但这并不意味着交叉口交通拥堵。
[0005] 模糊理论通过构建信号交叉口交通识别模型来更深入地研究城市道路信号交叉 口交通流运行状态与状态参数之间的表征关系。杨兆升等具体公开了构建信号交叉口进口 道最大相位饱和度、进口道平均最大排队长度比和路段平均车速的隶属度函数实现对信号 交叉口交通运行状态的模糊综合判别;Li通过分析交通拥堵状态的演变规律，针对间断交 通流交通状态识别问题，并应用模糊推理方法建立了阻塞度的量化模型；鉴于传统定参数 法无法体现道路使用者对信号交叉口服务感受，Lee通过构建认知公式分析模型(Cultural Consensus Analysis)确定道路使用者感受，运用模糊聚类方法判别信号交叉口的服务水 平;李妲提出了一种基于模糊神经网络的、考虑驾驶员感受的信号交叉口服务水平模型，实 现对混合交通流下信号交叉口的服务水平的评价。尽管基于模糊理论的信号交叉口交通运 行状态判别方法虽然能够描述交通状态的模糊信息，但其判定结果的准确性很大程度上受 到隶属函数及因素权重的影响，然而这些确定方法带有很强的主观和经验性。
[0006] 聚类分析是数据挖掘的重要技术之一，其将样本划分为不同的类别，并捕捉不同 类别样本的差异性。其中，K均值聚类分析作为目前最常用的划分聚类分析方法，该方法计 算简单、适用性强，同时能够在不断迭代过程中纠正聚类错分，从而生成较为合理的聚类结 果，目前已广泛应用于高速公路、城市道路路段交通状态识别方面，它能够反映出交通状态 参数在同一交通状态下的相似特性以及不同状态下交通状态参数之间的转换特征。但现有 采用研究时段(15分钟）内交通参数均值的方法无法表征交通流运行状态的不确定性。
【发明内容】
[0007] 发明目的:针对城市道路信号交叉口交通流受到信号控制以及相交道路交通流干 扰，使得交通流运行状态表现出一定的不确定性，因此现有方法仅仅采用状态参数均值无 法确切表征交叉口交通流运行状态。本发明提出了一种基于区间聚类的城市道路交叉口运 行状态判别方法。该方法以城市道路信号交叉口为研究对象，以饱和度、延误和排队长度作 为信号交叉口状态参数，以状态参数均值和区间值作为输入数据，在传统K均值聚类方法的 基础上，实现了区间数据的聚类分析，构建了基于多状态参数区间值的城市道路信号交叉 口交通流运行状态识别方法。
[0008] 技术方案:为实现上述目的，本发明采用的技术方案为：
[0009] -种基于区间聚类的城市道路交叉口运行状态判别方法，包括如下步骤：
[0010] 步骤1，根据交叉口交通流参数的不确定性，选取延误、排队长度以及饱和度三参 数作为交叉口交通状态判别指标。
[0011] 步骤2,根据美国道路通行能力手册中城市道路信号交叉口交通流运行状态参数 均值估计的解析方法对步骤1中选取的延误、排队长度以及饱和度三参数进行均值估计。
[0012] 步骤3,根据交叉口车辆的延误和排队长度均服从正态分布的特点，对步骤2得到 的延误和排队长度求其在l-α置信水平下的置信区间。
[0013] 步骤4,对步骤3得到的延误和排队长度的置信区间进行Κ均值聚类分析。
[0014] 步骤5,根据步骤2得到饱和度和步骤4对延误和排队长度的置信区间进行Κ均值聚 类分析的结果判别交叉口运行状态。
[0015] 所述步骤1)中，
[0016] 饱和度是车道组交通需求和通行能力之间的比值；
[0017] 延误包括均匀延误和增量延误两个分量，其中均匀延误为延误的期望值，增量延 误可基于饱和度的不同取值表征不同的意义；
[0018] 步骤2中延误的均值是均匀延误分量乘以信号协调修正系数与增量延误分量之 和，延误的方差是为均勾延误分量和增量延误分量两类分量方差之和；
[0019] 平均排队长度包括第一类排队长度和第二类排队长度两个分量，其中，第一类排 队长度表示在车辆均匀到达假设下，红灯结束时刻车辆的平均排队长度;第二类排队长度 亦可基于饱和度的不同取值表征不同的意义，在饱和度小于1时，其表示为由于部分周期过 饱和产生的过饱和排队的期望，在饱和度大于1时，其表示为确定的过饱和排队和随机排队 之和的期望;排队长度的均值是第一类排队长度乘以信号协调修正系数与第二类排队长度 之和，排队长度的方差可以表示为两类排队长度方差之和。
[0020]所述步骤3中交叉口车辆的延误和排队长度服从正态分布：
[0023] 其中，d表示车辆延误，N表示正态分布，3表示车辆延误均值估计值，Var(d)表示 延误的方差，Q表示车辆排队长度，&表示车辆排队的均值估计值，Var(Q)表示排队长度的 方差；
[0024]所述步骤3中延误和排队长度求其在l-α置信水平下的置信区间：
[0027]其中，Ζα/2为正态分布分位点。
[0028]所述步骤4中对延误和排队长度的置信区间进行Κ均值聚类分析的方法：
[0029]步骤41，进行区间数据标准化，采用Hausdorff距离分别对延误和排队长度的置信 区间数据距离度量，根据中心化法对这两个数据进行数据标准化。
[0030]步骤42,根据聚类类别数目，在标准化后的数据中随机选取K个初始聚类中心Ck (=1，2,…，K)〇
[0031 ]步骤43，计算区间数据对象Mj ( = 1，2，…，Κ)与各聚类中心Ck( = 1，2，…，Κ)之间的 距离，若对象吣与聚类中心匕之间的距离最小，那么将该对象归为聚类Pi类。
[0032]步骤44,根据步骤43得到的归类结果计算目标函数J，若J值收敛则聚类结束，当前 类别即为最终的分类类别，转入步骤5);否则，重新计算聚类中心，转入步骤43)。
[0033] 所述步骤41中的Hausdorff距离度量公式为：
[0035] U= (ui，U2,…，un)T= ([ai，bi]，[a2，b2]，…，[an，bn] )τ;
[0036] V= (vi，V2, ···，Vn)T= ([αι,βι]，[α2，β2]，…，[αη，βη] )τ，
[0037] 其中，dH表示Hausdorff距离，U和V分别表示两个η维区间向量，c(m)、c(Vi)分别表 示区间数据udPVl的中点，描述了区间数据的集中位置;r(m)、r(Vl)分别表示区间数据m和 Vl的半径，主要反