基于密度聚类的交通小区划分方法研究

合集下载

交通小区的理论分析和划分方法研究

项目组织机构及项目主要管理人员名单见附表。
职务项目经理材料员施工员
姓名性别
男
职称
工程师
助工高志春
尚文琴
吴小茹
男
男助工
安全员质检员专职安全
员雷明录
范雄飞
男
男
助工
助工郝卫星男技术员项目组织机构图
项目经理
项目副经理项目总工程师
财务部办公室
工程项目部技术
质量
部
计统
预算
部
材料
设备
部
专职安全员专职质量员
施工作业班组
作者:宋亮
学位授予单位:长安大学
被引用次数:2次
1.吴昊灵国外交通规划发展回顾与我国交通规划现状分析[期刊论文]-现代科技(现代物业下旬刊) 2010(04)
2.马超群,王瑞,王玉萍,严宝杰,陈宽民基于区内出行比例的城市交通小区半径计算方法[期刊论文]-交通运输工程学报 2007(01)
3.李晓丹,杨晓光,陈华杰城市道路网络交通小区划分方法研究[期刊论文]-计算机工程与应用 2009(05)
增强职工的环保意识,节约用水,严禁水管出现跑、冒、滴、漏象,临时用水及消防平面布置见附图。
第三章施工进度计划及措施
3.1工期目标
本工程我们经仔细研究,并结合我单位实际,在保证安全、质量的前提下用180日历天完成全部施工任务,并争取提前竣工。
3.2工期保证措施
本工程按我单位较成熟的项目法管理体制,建立规范化的项目体系,实行项目经理负责制,成立本工程项目经理部,实行项目法施工,对本工程行使计划、组织、指挥、协调、施工、监督六项基本职能,配备有力的管理层,选择能打仗、并有大型建筑施工阶段组成作业层,承担本工程施工任务。

基于POI空间聚类的交通小区划分方法改进

Ｋｅｙｗｏｒｄｓ：ｅｎｖｉｒｏｎｍｅｎｔａｌｂｅｈａｖｉｏｒ，ｗｅｓｔｅｒｎＳｉｃｈｕａｎｆｏｒｅｓｔｐｌａｔｅ，ｎｅｗｃｏｕｎｔｒｙｓｉｄｅ，ｐｕｂｌｉｃｓｐａｃｅ
Ａｂｓｔｒａｃｔ：Ｂａｓｅｄｏｎｔｈｅｔｈｅｏｒｙｏｆｅｎｖｉｒｏｎｍｅｎｔａｌｂｅｈａｖｉｏｒ，ｔｈｉｓｐａｐｅｒｓｔｕｄｉｅｓｔｈｅｉｓｓｕｅｓｒｅｌａｔｅｄｔｏｔｈｅｌａｙｏｕｔｏｆｐｕｂｌｉｃｓｐａｃｅｉｎｔｈｅｗｅｓｔｅｒｎＳｉｃｈｕａｎ
ｆｏｒｅｓｔｕｎｄｅｒｔｈｅｂａｃｋｇｒｏｕｎｄｏｆｎｅｗｒｕｒａｌｃｏｎｓｔｒｕｃｔｉｏｎ．ＴａｋｉｎｇｔｈｅｈｉｇｈｖｉｌｌａｇｅｖｉｌｌａｇｅｏｆＸｉｎｆａｎＴｏｗｎａｓｔｈｅｒｅｓｅａｒｃｈｏｂｊｅｃｔ，ｔｈｅｏｂｓｅｒｖａｔｉｏｎａｎｄ
为圆心，以ｈ为半径的圆形范围内的第ｉ个ＰＯＩ的位置。
２实例分析
ｎｎ
∑ ∑ Ａ
ｋｉ，ｊ
槡Ｌ（ｄ）＝
ｉ＝１ｊ＝１，ｊ≠ｉ
πｎ（ｎ－１）
（１）
其中，ｄ为距离；ｎ为要素的总数目；Ａ为要素的总面积；ｋｉ，ｊ为
权重。如果没有边校正，当ｉ与ｊ之间距离小于ｄ时，则权重将等
本文以南京市鼓楼区作为研究对象，在交通小区划分的基本原则基础上选择鼓楼区各街道围合的封闭区域作为初始划分交通小区方案，共计１４８个，如图２所示。在运用本文提出的方法对ＰＯＩ进行聚类分析后，给出一个最终划分方案，研究框架如图３所示。
交通小区的划分是将交通需求的产生、吸引与一定区域的变化［３］。Ｒｉｐｌｅｙ’ｓＬ函数曲线如图１所示。
社会经济指标联系起来，将交通需求在空间上的流动用交通分布图描述出来，全面了解交通源与交通源之间的交通流。传统

基于出租车GPS数据聚类分析的交通小区动态划分方法研究

基于出租车GPS数据聚类分析的交通小区动态划分方法研究1. 本文概述你需要明确文章的研究背景和目的。

在这个段落中，你可以简要介绍交通小区的概念以及为什么动态划分交通小区对于城市交通管理和规划至关重要。

接着，你可以提到出租车GPS数据作为一种新兴的数据源，如何为交通小区的动态划分提供了新的视角和可能性。

你应该概述本文的主要研究内容和方法。

可以提及你将使用哪些数据预处理和聚类算法来分析出租车GPS数据，并简述这些方法如何帮助实现交通小区的动态划分。

你可以在概述中提及本文的预期成果和贡献。

例如，你可能期望通过研究提出一种新的交通小区划分方法，这种方法能够更准确地反映城市交通的实际动态，并为交通管理和规划提供更有价值的信息。

随着城市交通系统的日益复杂，有效的交通管理和规划变得尤为重要。

交通小区作为城市交通分析的基本单元，其合理划分对于理解交通流分布、优化交通资源配置具有重要意义。

传统的交通小区划分方法往往依赖于静态数据和经验判断，难以适应城市交通流的动态变化。

近年来，随着出租车GPS数据的广泛应用，我们有机会从新的视角审视交通小区的动态划分问题。

本文旨在探索基于出租车GPS数据的交通小区动态划分方法，以期为城市交通管理提供更为精准的决策支持。

通过收集和预处理城市出租车GPS数据，本文将采用先进的数据挖掘技术和聚类算法，对交通流模式进行深入分析。

研究将重点关注如何从动态数据中提取有意义的交通小区边界，并评估不同划分方法对交通流预测和规划的潜在影响。

最终，本文期望提出一种创新的交通小区动态划分框架，不仅能够提高划分的准确性和实用性，还能够为城市交通研究领域带来新的理论和实践贡献。

2. 相关理论与方法GPS技术简介：全球定位系统（GPS）的工作原理及其在交通领域中的应用。

出租车GPS数据特性：出租车GPS数据的类型、特点，包括其时间戳、经纬度、速度等信息。

聚类分析方法：介绍聚类分析的基本概念、类型（如Kmeans、层次聚类等）及其在数据分析中的应用。

城市路网交通小区划分方法比较

交通小区划分思路图
空间聚类分析方法划分交通小区空间聚类分析方法划分交通小区
• 空间聚类分析方法，考虑交通小区内部路段之间的物理关联性和交通关联性，及实际交通特征，从数据本身出发，利用大量的实时和历史数据，进行统计聚类分析，划分为若干个内部关联性强、交通特征相似的交通小区。
交通关联度计算交通关联度计算
k =1 r
aik {k ∈ (1,2 ⋅ ⋅n); i ∈ (1,2,⋅ ⋅ n)} 表示对象 Oi 的第ｋ个属性值 Ak
max dif = max dif (i, j )
1≤i , j ≤ n
任意两个数据 Oi与
O j之间的相似度定义如下：
I c = sim(i, j ) = max dif − dif (i, j )
1 n ⋅ Qmax 1 I= ( n − 1) n −1 1+ t Qi ∑
i =1
• I -交叉口群连线间的关联度指数 • n -来自上游交叉口的车流驶入的分支数 • qmax -来自上游交叉口的主线方向的直行车流量最大值 • t -车辆在两交叉口间的行程时间 • ∑q i -到达下游交叉口的交通量总和 • 对于普通四路交叉口而言,n=3
3.3基于区内出行比例的交通小区划分方法基于区内出行比例的交通小区划分方法
• 以区内出行比例作为约束条件，分析当小区半径为R，出行距离为H时区内出行比例，结合整个区域产生区内出行的比例，最后选择合理的R的范围，将区内出行控制在可接受比例内。
3.4对手机话务量的聚类分析方法对手机话务量的聚类分析方法
主要是对同一小区内的交叉口进行协调控制，在交通路网拓扑结构特点的分析基础上,采取动态划分与静态划分相结合的交通小区划分策略,以形成小区划分算法。通过关联度变化得到划分结果 1. 在长度较长的道路路段上,车队在行驶过程中会发生离散现象,交通关联度也会随之变小 2. 由于道路沿线支路交叉口及单位车辆出入口驶入驶出车流的影响,下游停车线车辆的到达会呈现随机的状态,也将影响交通关联程度 3. 采用美国《交通控制系统手册》推荐的相邻交叉口之间路段关联度计算模型进行划分

基于POI功能识别与聚类分析的交通小区划分方法的改进——以天津市和平区为例

其中，为某大类下中类的个数，为该中类与第个中类进行比较的赋值。
针对小类的权重系数，采取层次分析法进行权重赋值，采用百分制。
将POI的大类、中类、小类权重系数综合起来即为综合权重系数：
其中，第个POI点的分值；第类POI点的分值；为第类POI的综合权重系数。
2.3 POI功能识别各小区内的POI种类、数量都各不相同，故不能采用传统的描述统计判别其主导功能。因此引入TF-IDF模型算法，来识别各区的主要功能。 TF-IDF具有良好的分类能力，赵家瑶等学者采用TF-IDF算
132 建筑与装饰2021年1月下
Construction & Decoration
城乡规划
法，对北京重要交通枢纽空间的城市功能进行识别。研究方法是将区域内某类POI的分值看作一个词语，全部
POI分值总和看作整篇文章[4]。计算各小区内各类POI分值所占的权重，权重最高的POI类
别则为该小区的主要功能。若权重最高的值小于0.1，则认为该小区为无明显主导功能。
为避免数据描述过于复杂，选取中类数据为统计对象，来
描述各初始小区的POI分布特征，则：
其中，为POI中类数据的综合权重系数；为该中类下的小类POI的综合权重系数[3]。
得到各类POI的综合权重系数后，可进行各小区的POI点密度分数计算：
其中，为各小区的POI点密度分数；为各小区的POI数量；为各小区的面积。上文已对各POI赋予了综合权重系数，则对此公式的进行修正：
表1 POI分类及权重系数一览表
大类（）
类型
权重
工作
0.34
生活
0.48
游憩
0.08
交通

聚类算法在交通流分析中的应用研究

聚类算法在交通流分析中的应用研究随着城市交通的日益繁忙和交通工具的不断增加，交通流分析日益成为研究的重点。

聚类分析以其在数据降维、分类和预测等方面的优异表现，在交通流分析中得到了广泛应用。

本文将从聚类算法在交通流分析中的应用研究出发，探讨聚类算法（包括k-means、DBSCAN、谱聚类等）在交通流量和路况预测方面的应用，丰富交通流分析研究领域的内容，为城市交通管理提供参考。

第一部分：简介交通流分析研究起源于十九世纪末的交通运输工程学，当时交通流量主要考虑的是车流量与车辆速度。

如今，随着信息技术的发展以及交通设备、数据采集设备的应用，交通流量分析已经升级为平面、立体交通流量分布、路况监测等方面的预测和研究。

由于交通流入住的不稳定性，交通监测不可避免地涉及到一定的不确定性，同时在数据预测中，传统的线性模型由于其拟合不足、过度拟合等缺陷，经常出现误差较大的问题。

本文第一部分将介绍聚类算法在交通流分析中的应用研究，说明聚类算法的特点和应用场景。

第二部分：聚类算法的基本理论及算法实现聚类算法是一种无监督学习方法，常用于将样本划分成若干组（聚类），使得组内差异尽可能小，而组间差异尽可能大。

聚类算法（k-means、DBSCAN、谱聚类等）的基本理论及算法实现也有较大区别。

在选取聚类算法时，需结合需求，进行分类考虑。

本文第二部分将介绍k-means、DBSCAN、谱聚类的基础理论和算法实现，并探讨它们在交通流分析中的应用。

第三部分：聚类算法在交通流量预测中的应用在交通流量预测方面，聚类算法也得到了广泛应用。

交通流量预测的研究主要分为两个方面：一是通过历史交通数据预测未来的交通流量，二是通过实时数据预测畅通的交通路线。

而聚类算法在这两方面都有应用。

(1) 历史交通数据分析预测：通过对历史交通数据进行预测，可以初步预测未来交通的流量及拥挤程度，从而为城市交通规划、交通计算提供依据。

聚类算法被广泛应用于交通流量预测中，通过对历史数据的聚类处理，得到具有代表性的交通流量模型，从而增强预测效果，提高预测精度。

基于密度聚类的交通小区划分方法研究

基于密度聚类的交通小区划分方法研究发表时间：2018-10-29T16:36:59.353Z 来源：《防护工程》2018年第15期作者：何潇[导读] 提出在交通小区划分时，以密度聚类法为算法，提出一种有利于准确构建城市群交通模型的交通小区划分方法，同时对在交通小区划分时涉及到的城市群交通数据挖掘提出优化方法。

何潇甘肃综合铁道工程承包公司摘要：本文以城市群为研究对象，针对城市群进行四阶段交通需求预测的基础研究，提出在交通小区划分时，以密度聚类法为算法，提出一种有利于准确构建城市群交通模型的交通小区划分方法，同时对在交通小区划分时涉及到的城市群交通数据挖掘提出优化方法。

关键词：交通小区划分；四阶段交通需求预测；密度聚类法1引言目前，城市群区域的交通需求预测一般按照行政区划分交通小区，虽有利于调查资料的数据的收集，但由于各行政区之间的经济、人口、交通吸引量和发生量存在明显差异，按照城市群四阶段交通需求预测要求，应当划分出适合预测区域交通需求的交通小区，减少交通调查及研究的难度，减少工作量。

交通小区的划分是为了方便研究交通源之间的交通需求关系而采用的集计方法，交通小区划分越细致，反映现实的精准度越高。

但如果交通小区划分过于细致，会增加交通调查研究的难度，工作量巨大。

因此如何把握城市区交通需求预测的精准度是交通小区划分的重要问题。

2城市群出行需求的系统分析机理2.1城市群交通需求理论描述城市群区域综合交通需求预测，重点研究预测中心城市之间以及中心城市对外的综合运输需求，通常要把城市群内相关城市作为研究的整体，着重分析预测中心城市之间 “内—外”、“外—外”交通需求的规模、客货运量、交通量等。

在交通需求预测过程中，既要对各类运输方式的交通需求进行预测，更要统筹规划城市扩张、城际联系、运输、出行等各种交通需求[1]。

2.2既有区域交通需求预测方法总结区域交通需求预测国内研究较少，国外大都采用自上而下和自下而上相结合的过程，通过大区域模型和次区域模型综合分析建立区域交通需求预测模型[2]。

基于聚类分析的交通小区划分方法的改进

ＡｂｔａｔＴｈｒｒａｙｒｓｍｂａｃｓａｏｔｈｒｆｃｚｎｂｕａｄｕｓ，ｕｃｉｎａｄｎｔｒ，Ｏｗｅｃｓｈｕｚｓｒｃ：ｅｅａｅｍｎｅｅｌｅｂｕｅＴａｆｏｅａｏｔｌｅｆｎｔｎｔｉｎｏｎａｕｅＳａｕｅｔｅｆｚｙｎ
摘要：不同交通小区之间的土地利用、功能与性质存在着很多相似之处，引进 “ 物以类聚”的思想，利用聚类分析方法对相似交通小区进行重新划分，大大减少工作量，而且精确度又相差不大。关键词：交通小区；聚类分析；改进中图分类号：Ｕ９４１文献标识码：Ａ文章编号：１７．０（０７０．０５０６１４０２０）７００．３３
下【．２】
（）同质性——分区内土地使用、经济、社会等特１
性尽量使其一致；（）尽量以铁路、河川等天然屏障作为分区界限；２
１交通小区的概念 ¨ 】
交通小区是指为了全面了解交通源与交通源之间的交
通流时，不可能对每个交通源单独进行研究而将交通源
ＩｐｏｅｅｔｏｅＭｅｈｄａｏｔｈｅＰａｔｔｏｆｒｆｃＺｏｅｍｒｖｍｎｆｈｔｏｂｕｒｉｉｎｏａｆｎｔｔＴｉ
ＹＡＮＧＬＩＨａ．ｈｕＢｏ，Ｕｉｚｏ。
（．ｌｇｆｒｆｃａｄＴａｓｏｔｔｎＳｕｈｓＪｏｏｇＵｎｖｒｉ，ｅｇｕ６０３，ｈｎ；．Ｈｇｆｒｆｃａｄ１ＣｏｌｅＴａｆｎｒｎｐｒｉ，ｏｔｗｅｔｉｔｎｉｅｓｙＣｈｎｄ１０１Ｃｉａ２ＣｏｅｅｏＴａｆｅｏｉａｏａｔｉｎＴａｓｒｔｎＣｈｎｑｎａｔｎｉｅｓｙＣｏｇｉｇ４０７，ｉａｒｐｔｉ，ｏｇｉｇＪｏｏｇＵｎｖｒｉ，ｈｎｑｎ００４Ｃｈｎ）ｎｏａｏｉｔ

交通小区划分方法

交通小区划分方法嘿，咱今儿就来唠唠交通小区划分方法这档子事儿。

你说交通小区划分重要不？那可太重要啦！就好比你要整理一屋子的东西，得先把不同类别的东西分开摆放，这样你找起来才方便呀，交通小区划分也是这个理儿。

想象一下，一个城市就像一个大拼图，交通小区就是把这个大拼图分成一小块一小块的。

那怎么分呢？这可得好好琢磨琢磨。

首先啊，得考虑人口密度吧。

人多的地方，交通需求肯定大呀，那就得单独划成一个小区，重点关注。

比如说那些繁华的商业区、居民区，那都是重点划分对象。

再说说功能分区。

像学校、医院、工厂这些地方，都有各自独特的交通特点和需求。

学校周边上下学的时候那叫一个热闹，医院随时可能有急救车要进出，工厂上下班也有大量人员流动，能不单独划出来吗？还有道路网络也很关键呀！那些主干道、次干道把城市分成了不同的区域，咱就可以顺着这些道路来划分小区。

就像切蛋糕一样，沿着线条切，多整齐呀！另外，行政区划也可以作为一个参考呀。

每个行政区都有自己的管理范围和特点，按照这个来划分小区，也能方便管理和规划呢。

你看，划分交通小区就像是给城市做一个精细的规划布局。

这可不是随随便便就能搞定的事儿，得综合考虑各种因素呢。

而且呀，划分好了交通小区，好处可多了去了。

咱可以更准确地了解每个小区的交通状况，知道哪里拥堵，哪里需要改善。

这样在做交通规划的时候就能有的放矢，不会瞎忙活啦。

就好比医生看病，得先知道病人哪里不舒服，才能对症下药呀。

交通小区划分就是给城市交通这个“病人”做诊断呢。

那要是划分得不好会咋样呢？哎呀，那可就麻烦啦！可能会导致交通规划不合理，该改善的地方没改善到，不该投入的地方却浪费了资源。

这不是瞎折腾嘛！所以说呀，交通小区划分这事儿可不能马虎，得认真对待，多花点心思。

让我们的城市交通变得更顺畅、更有序，大家出行也更方便、更舒心。

总之，交通小区划分是城市交通规划中非常重要的一环，咱得重视起来，用合适的方法把它做好，让我们的城市变得更美好！。

基于出租车GPS数据聚类分析的交通小区动态划分方法研究

基于出租车GPS数据聚类分析的交通小区动态划分方法研究物流技术2010年5月刊（总第216期）1引言一个完整的城市交通系统非常庞大、复杂，这种情况使得数学建模、交通问题分析求解的困难、复杂度提高。

将完整的城市交通系统按照交通流向、路网布局等特性划分为若干交通小区，然后对不同的交通小区进行数学建模，可以有效地降低这种复杂性。

目前对于交通小区的研究主要集中在应用层次，在交通小区的动态划分理论与技术方面的研究有所缺乏。

本文针对交通出行数据的空间分布特征，利用K-M eans 空间聚类算法进行交通小区的自动划分，为城市交通系统的管理、控制及规划提供技术支持。

2问题的提出2.1交通小区概念交通小区是具有一定交通关联度和相似度的节点或连线的集合，反映了城市路网交通特征的时空变化特性。

交通小区具有同质性、关联性、动态性、稳定性、自组织性等特性[1]。

交通小区的划分是分析城市交通网络的一个很好的方式,因为交通小区内具有相似的交通特征和较强的交通关联性。

交通小区的划分与该城市的人口、面积、经济特征、产业结构等密切相关[2]，并在一定程度上反应了一个城市的吸引力。

一般来说，交通小区的划分应该遵循以下原则[3]：（1）同质性，分区内的经济、社会等特性尽量一致。

（2）小区划分尽量不打破行政区的划分，以便可以利用行政区的统计资料。

（3）分区数量适当，中等城市不超过50个，大城市最多不超过100-150个。

数量太多将加重规划的工作量，数量太少又会降低调查和分析的精度。

（4）对于已做过OD 调查的城市，最好维持原已划分的小区。

2.2交通小区划分概况国内部分城市在不同时期的交通小区的平均面积见表1。

可以看出，单个小区的平均面积有逐年变小的趋势，划分小区基于出租车GPS 数据聚类分析的交通小区动态划分方法研究吕玉强，秦勇，贾利民，董宏辉，贾献博，孙智源（北京交通大学轨道交通控制与安全国家重点实验室，北京100044）[摘要]对交通出行数据进行优化，抽取出租车载客过程中乘客上下车的GPS 位置坐标。

交通小区在交通规划中若干技术问题的研究

交通小区在交通规划中若干技术问题的研究摘要：本文主要是对交通小区在交通规划中若干技术问题的研究，从划分交通小区的目的和原理出发，对交通小区划分的原理和理论进行研究，最后阐述了划分交通小区的方法。

关键词：交通小区；交通规划交通小区在一定程度上可以反映一个城市路网交通的特征途，它会随着关联度、相似度和时间的改变而发生变化。

交通小区的划分最早就是在交通规划领域中提出来的，它主要以住宅群众或者道路来划分界线，是出行调查和搜集团交通数据的基本单元。

划分交通小区的目的是为了对城市网中交通起讫点的位置进行定义，以及预测交通小区之间的出行量。

一、交通小区的划分目的（一）划分交通小区的目的交通小区可以定义为一个基本空间单位，主要是研究交通生成和分布。

将交通调查的空间范围分成若干的交通小区是为了方便对机动车出行的起止点的事分布情况进行分析研究。

城市居民进行出行调查有以下目的：了解城市的交通需求情况、弄清楚交通系统中交的发生和发展规律、提供建立交通信息数据说库的基础资料、提供未来交通需求预测依据、提供交通规划和管理解方案制订的依据。

每个交通源的单独研究，其调查、分析和预测是有困难的，因为工作量大，难以保证精确。

因此，为了方便调查，将交通知源分成了若干小区，就产生了交通小区，它的大小和划分的得当与否会直接影响度到了交通的调查、分析和预测工作，影响交通规划成功与否。

划分交通小区的目的：(1)在保证交通调查精度的同时，尽量减少工作量，提高交通调查的可行性，降低分析和预测的难度。

(2)分析交通的产生、吸引和区域社会儿经济指标准之间的规律。

(3)用交通小区间的交通分布图来直观察家反应交通知需求的分布。

(4)为交通流提供数据支持。

从上面可以看出，不同目的的OD调查能交通小区的精细程度划分要求是不一样的，划分交通小区要始终围绕OD调查的目的和交通出行的特征途来进行。

还需要注意的就是，为了让不相同性质的交通出行归属相对应交通小区，在不影响OD调查止标的情况下减肥少交通小区的数量，需要深入的研究交通出行的规律。

基于密度聚类的多向行人流群集区域分布比较

山东科学ＳＨＡＮＤＯＮＧＳＣＩＥＮＣＥ第３４卷第５期２０２１年１０月出版Ｖｏｌ.３４Ｎｏ.５Ｏｃｔ.２０２１收稿日期:２０２０￣１２￣２０基金项目:国家自然科学基金(７１８９０９７２ꎬ７２０２１００１)作者简介:孙悦朋(１９９６ )ꎬ硕士研究生ꎬ研究方向为复杂系统建模与分析ꎬ行人交通ꎮＥ￣ｍａｉｌ:ｉｍｕｃｓ＿ｓｙｐ＠１６３.ｃｏｍ∗通信作者ꎬ郭仁拥(１９８０ )ꎬ男ꎬ博士ꎬ教授ꎬ研究方向为交通行为建模与分析ꎮＴｅｌ:151****6375ꎬE￣mail:buaa＿guorenyong＠１２６.ｃｏｍ基于密度聚类的多向行人流群集区域分布比较孙悦朋１ꎬ郭仁拥２∗ꎬ于涛１(１.内蒙古大学计算机学院ꎬ内蒙古呼和浩特０１００２１ꎻ２.北京航空航天大学经济管理学院ꎬ北京１００１９１)摘要:为预防公共场所的行人安全事故ꎬ优化和改善人群安全管理ꎬ基于情景实验的数据ꎬ利用密度峰值算法和具有噪声的密度聚类算法ꎬ从不同时刻分布变化的角度ꎬ分别选取单走廊双向行人流㊁９０ʎ和１２０ʎ交叉路口的行人流场景研究行人流群集区域的分布状态ꎬ并比较了两种算法的聚类效果和参数差异ꎬ得出场景实验数据中行人流群集区域的分布规律和变化特征ꎮ研究发现聚类簇在３个场景的行人移动过程中均是动态变化的ꎬ不会处在某个稳定的聚类状态ꎮ使用该方法识别密集人群的潜在群集区域及位置ꎬ可以观察场景内安全隐患区域ꎬ提前在这些区域放置引导疏散设施ꎬ同时做好全路段防护ꎬ提高行人群集疏散的效率及安全性ꎮ关键词:交通安全ꎻ多向行人流ꎻ局部群集区域分布ꎻ聚类ꎻ密度峰值算法ꎻ密度聚类算法中图分类号:Ｕ４９１.２＋６５㊀㊀㊀文献标志码:Ａ㊀㊀㊀文章编号:１００２￣４０２６(２０２１)０５￣００６４￣１１开放科学(资源服务)标志码(ＯＳＩＤ):ＣｏｍｐａｒｉｓｏｎａｍｏｎｇｔｈｅｃｏｌｌｅｃｔｉｏｎｒｅｇｉｏｎｄｉｓｔｒｉｂｕｔｉｏｎｓｏｆｍｕｌｔｉｄｉｒｅｃｔｉｏｎａｌｐｅｄｅｓｔｒｉａｎｆｌｏｗｓｂａｓｅｄｏｎｄｅｎｓｉｔｙｃｌｕｓｔｅｒｉｎｇＳＵＮＹｕｅ￣ｐｅｎｇ１ꎬＧＵＯＲｅｎ￣ｙｏｎｇ２∗ꎬＹＵＴａｏ１(１.ＣｏｌｌｅｇｅｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅꎬＩｎｎｅｒＭｏｎｇｏｌｉａＵｎｉｖｅｒｓｉｔｙꎬＨｏｈｈｏｔ０１００２１ꎬＣｈｉｎａꎻ２.ＳｃｈｏｏｌｏｆＥｃｏｎｏｍｉｃｓａｎｄＭａｎａｇｅｍｅｎｔꎬＢｅｉｈａｎｇＵｎｉｖｅｒｓｉｔｙꎬＢｅｉｊｉｎｇ１００１９１ꎬＣｈｉｎａ)ＡｂｓｔｒａｃｔʒＴｏｐｒｅｖｅｎｔｐｅｄｅｓｔｒｉａｎｓａｆｅｔｙａｃｃｉｄｅｎｔｓａｎｄｏｐｔｉｍｉｚｅａｎｄｈｅｌｐｃｒｏｗｄｓｅｃｕｒｉｔｙｍａｎａｇｅｍｅｎｔｉｎｐｕｂｌｉｃｐｌａｃｅｓꎬｔｈｅｃｏｌｌｅｃｔｉｏｎｒｅｇｉｏｎｄｉｓｔｒｉｂｕｔｉｏｎｓｏｆｃｒｏｗｄａｒｅｓｔｕｄｉｅｄａｔｔｈｒｅｅｃｏｍｍｏｎｍｕｌｔｉｄｉｒｅｃｔｉｏｎａｌｆｌｏｗｉｎｔｅｒｓｅｃｔｉｏｎｓｏｆ９０ʎꎬ１２０ʎａｎｄｓｉｎｇｌｅｃｏｒｒｉｄｏｒｔｗｏ￣ｗａｙｐｅｄｅｓｔｒｉａｎｆｌｏｗｕｓｉｎｇｔｈｅｄｅｎｓｉｔｙ￣ｂａｓｅｄｓｐａｔｉａｌｃｌｕｓｔｅｒｉｎｇｏｆａｐｐｌｉｃａｔｉｏｎｓｗｉｔｈｎｏｉｓｅ(ＤＢＳＣＮ)ａｌｇｏｒｉｔｈｍｓａｔｄｉｆｆｅｒｅｎｔｔｉｍｅｓｂａｓｅｄｏｎａｄａｔａｓｅｔｆｒｏｍｓｃｅｎａｒｉｏｅｘｐｅｒｉｍｅｎｔｓ.Ｍｏｒｅｏｖｅｒꎬｔｈｅｃｌｕｓｔｅｒｉｎｇｅｆｆｅｃｔａｎｄｐａｒａｍｅｔｅｒｄｉｆｆｅｒｅｎｃｅｏｆｔｈｅｔｗｏａｌｇｏｒｉｔｈｍｓａｒｅｃｏｍｐａｒｅｄ.Ｓｔｕｄｙｒｅｓｕｌｔｓｓｈｏｗｔｈｅｃｏｌｌｅｃｔｉｏｎｒｅｇｉｏｎｄｉｓｔｒｉｂｕｔｉｏｎｐａｔｔｅｒｎｓａｎｄｃｈａｒａｃｔｅｒｉｓｔｉｃｃｈａｎｇｅｓｏｆｔｈｅｃｒｏｗｄ.Ｔｈｅｃｌｕｓｔｅｒｓｃａｎｎｏｔｒｅｍａｉｎｉｎａｓｔａｂｌｅｃｌｕｓｔｅｒｉｎｇｓｔａｔｅｂｕｔｖａｒｙｄｙｎａｍｉｃａｌｌｙｉｎ３ｓｕｂｊｅｃｔｓｃｅｎａｒｉｏｓ.Ｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｃａｎｂｅｕｓｅｄｔｏｉｄｅｎｔｉｆｙｐｏｔｅｎｔｉａｌｌｏｃａｔｉｏｎｓｏｆｃｒｏｗｄꎬｏｂｓｅｒｖｅｈｉｄｄｅｎｄａｎｇｅｒａｒｅａｓꎬｐｒｏｖｉｄｅｅｖａｃｕａｔｉｏｎｆａｃｉｌｉｔｉｅｓｉｎａｄｖａｎｃｅｉｎｓｕｃｈａｒｅａｓꎬａｎｄｐｒｏｔｅｃｔｔｈｅｅｎｔｉｒｅｓｅｃｔｉｏｎｔｏｉｍｐｒｏｖｅｔｈｅｅｆｆｉｃｉｅｎｃｙａｎｄｓａｆｅｔｙｏｆｔｈｅｅｖａｃｕａｔｉｏｎｐｒｏｃｅｓｓ.ＫｅｙｗｏｒｄｓʒｔｒａｆｆｉｃｓａｆｅｔｙꎻｍｕｌｔｉｄｉｒｅｃｔｉｏｎａｌｐｅｄｅｓｔｒｉａｎｆｌｏｗꎻｌｏｃａｌｃｏｌｌｅｃｔｉｏｎｒｅｇｉｏｎｄｉｓｔｒｉｂｕｔｉｏｎꎻｃｌｕｓｔｅｒｉｎｇꎻｄｅｎｓｉｔｙｐｅａｋａｌｇｏｒｉｔｈｍꎻＤＢＳＣＡＮａｌｇｏｒｉｔｈｍ㊀㊀在城市中ꎬ许多行人群集的公共场所容易出现人群移动缓慢的现象ꎬ甚至出现由拥挤导致的挤压踩踏事故及其他意外情况ꎬ造成一定的人员伤亡和财产损失ꎮ行人的群集不仅是影响行人疏散的重要因素ꎬ同时也是影响场景设施(如商店㊁广告牌㊁指示牌等)布置的首要参照对象ꎮ因此ꎬ行人群集及其安全管理与控制成为目前行人交通中的一个主要研究方向ꎮ行人群集既影响疏散过程也影响行人集结过程ꎬ是人群安全的直接影响因素ꎮ在现实生活中ꎬ大量行人进出公共空间ꎬ产生双向或交叉的行人流ꎬ而局部群集区域往往被忽视ꎬ局部行人密度增大产生的相互作用力足以压弯栅栏ꎮ如果忽略局部群集区域加之空间内布局不合理ꎬ导致行人流分配不合理ꎬ可能造成局部拥堵和局部的行人挤压事故ꎮ显然ꎬ关注局部群集区域比较重要ꎬ研究不同多向流场景中行人局部群集区域的分布规律ꎬ可以为行人移动和聚集研究提供参考ꎬ特别是在人群分析㊁人群安全管理与控制等方面有一定的借鉴意义ꎮ相关学者对于群集研究主要是进行建模分析ꎬ可以直接仿真群集状态ꎮＧａｚｉ等[１]提出了具有吸引和排斥功能的群集模型ꎬ可以表征一个群体内的群体凝聚力㊁大小和最终运动状态ꎮ业内专家对场所内设施摆放对行人疏散的影响进行了相关研究ꎮ陈亮等[２]使用建立的元胞自动机模型研究教室桌椅对学生疏散的影响ꎬ以利于教室内桌椅结构设计ꎮＷａｎｇ等[３]在基于ａｇｅｎｔ的ＣｉｔｙＦｌｏｗ￣Ｕ模型上引入吸引力因素研究人群的聚集ꎬ从ａｇｅｎｔ的内部需求和外部刺激两种角度分析并进行仿真ꎬ适用于街道设施的摆放ꎮ向南等[４]将行人个体间的情感传递采用热传导方式加入到社会力模型中来研究行人聚集ꎬ结果表明情感传递能增强人群聚集的控制性ꎮ除建模仿真外ꎬ还有学者利用仿真软件进行分析ꎬ如陈明钿等[５]使用Ｌｅｇｉｏｎ行人仿真软件对地铁站进行评价分析ꎬ发现客流瓶颈拥堵区域ꎮ人群的群集研究建模分析与仿真可以促进人群安全管理ꎬ但利用的是模拟数据ꎬ很少利用情景实验数据进行分析ꎮ利用机器学习方法进行交叉口道路交通状态[６]㊁行人群集状态分析也成为许多学者的研究方向ꎮ于瑞康等[７]利用线性回归分析信号交叉口行人空间分布与车辆冲突行为ꎬ发现车辆延误受人群分布距离的影响ꎮ张琳琳等[８]利用基于遍历的ｋ￣ｍｅａｎｓ聚类法分析交通模式特点和分布ꎬ实现道路交通状况的评价ꎮ杨骁路等[９]通过模糊Ｃ聚类将城市快速路交通流数据划分为自由流㊁拥挤流和阻塞流三种状态ꎮＡｎｔｏｎｉｎｉ等[１０]提出将聚类技术应用到行人轨迹的聚类中ꎬ用于视频跟踪中的行人计数ꎬ减少与场景中真实行人数量的偏差ꎮ于泉等[１１]定义行人群集ꎬ提出群集半径的概念ꎬ利用ｋ￣ｍｅａｎｓ聚类算法和向前搜索方法对信号交叉口行人群集进行研究ꎮＳａｈａｎｉ等[１２]将遗传规划聚类对人行道的行人服务水平(ＰＬＯＳ)值进行分类ꎬ提供ＰＬＯＳ评分范围ꎬ提出的ＰＬＯＳ模型可以评估特定人行道的行人通行适应程度ꎮ综上所述ꎬ现有研究中ꎬ基于多向行人流场景如地下通道㊁室内走廊等的情景实验数据使用聚类方法研究局部群集区域的较少ꎬ使用聚类方法来识别场景内人群局部群集区域ꎬ将有助于提高类似场景的人群疏散安全与效率ꎮ首先ꎬ在现实生活中行人数据采集比较困难ꎬ特殊的情景实验及其所需实验参与者的特殊行为还会导致实验参与者意外事故发生ꎮ而在室内进行的基本行人流场景的情景实验为行人流研究提供了实证方法ꎬ场景可以体现现实生活中大部分建筑结构等公共空间的常见场景ꎬ具有代表性ꎬ对实际生活中行人流管理有一定的参考价值ꎮ其次ꎬ在实际的行人流场景中ꎬ行人是移动的ꎬ行人在每个时间段的移动产生的状态与上一时间段的状态是不同的ꎮ在基本的场景中ꎬ将聚类方法应用到行人研究中可以对行人局部群集区域进行识别并发现分布规律ꎬ管理者可以提前对这些区域进行防范并及时疏导ꎬ因此可以作为制定人群安全管理策略和空间设施布局的重要依据ꎮ本文基于情景实验的数据ꎬ利用密度峰值算法和具有噪声的密度聚类算法(ｄｅｎｓｉｔｙ￣ｂａｓｅｄｓｐａｔｉａｌｃｌｕｓｔｅｒｉｎｇｏｆａｐｐｌｉｃａｔｉｏｎｓｗｉｔｈｎｏｉｓｅꎬＤＢＳＣＡＮ)进行分析ꎬ分别选取单走廊双向行人流㊁９０ʎ和１２０ʎ交叉路口的行人流场景ꎬ研究了不同场景和不同时刻下的行人群集分布规律ꎬ并根据分布规律和群集区域提供人群安全性策略的比较分析ꎮ１㊀聚类方法与场景数据１.１㊀聚类算法１.１.１㊀基于距离的聚类算法聚类算法主要有划分法㊁层次法㊁密度算法㊁图聚类等ꎬ对应的具体算法有ｋ￣ｍｅａｎｓ算法㊁ｋ￣ｍｅｄｏｉｄｓ算法㊁ＤＢＳＣＡＮ算法等ꎮ本文选用基于距离的聚类算法ｋ￣ｍｅａｎｓ算法与ｋ￣ｍｅｄｏｉｄｓ算法的比较如表１所示ꎬ两种算法都需要随机选取初始聚类中心ꎮ但是实际行人行走过程包括情景实验ꎬ特别是多向行人流情况下ꎬ行人之间会有距离的产生ꎬ也有可能形成分层拉链等现象ꎬ而且由于行人活动的自由度和随意性ꎬ其行走方向是对冲交织的ꎬ自组织的群集不能事先预料到ꎬ局部群集区域不一定在固定地点产生ꎬ如果人为选定初始聚类中心可能会导致与实际不符的情况[１３]ꎮｋ￣ｍｅａｎｓ算法和ｋ￣ｍｅｄｏｉｄｓ算法输出结果都是用户预先确定需要簇的数量ꎬ但是行人移动产生的群集会变化ꎬ不同时刻产生的现象也会不同ꎬ所以簇数量不能预先指定ꎮ表１显示的ｋ￣ｍｅａｎｓ和ｋ￣ｍｅｄｏｉｄｓ算法在处理方式上也不适用于行人ꎬ因为行人移动过程与其周围行人的距离是不断变化的ꎬ不是固定的数据ꎮ另外ꎬ从表１看出ꎬｋ￣ｍｅｄｏｉｄｓ算法的计算复杂度很高ꎬ因此上述两种方法不适用于行人群集的数据分析ꎮ表１㊀ｋ￣ｍｅａｎｓ算法和ｋ￣ｍｅｄｏｉｄｓ算法的比较ｋ￣ｍｅａｎｓ算法随机选取ｋ个对象作为ｋ个簇的中心用户预先指定需要簇的数量ｋ利用均值或加权均值得出新的聚类中心点Ｏ(ｎｋｔ)ꎬｎ为样本数量ｋ￣ｍｅｄｏｉｄｓ算法随机选取ｋ个对象作为ｋ个簇的中心用户预先指定需要簇的数量ｋ按距离把接近簇中心点的对象划归为簇ꎬ利用代价函数更新簇中心点Ｏ(ｋ(ｎ－ｋ)２)ꎬｎ为样本数量１.１.２㊀基于密度的聚类算法基于密度的聚类算法主要有ＤＢＳＣＡＮ算法和密度峰值算法ꎮＤＢＳＣＡＮ算法是根据参数ｒ㊁Ｍｍｉｎ来进行聚类ꎬ定义ｒ为半径ꎬ以某一数据点Ｎ为圆心ꎬ在半径ｒ的圆的邻域内包含数据点的个数为Ｍꎬ给定参数Ｍｍｉｎ为最少包含个数ꎬ如果Ｍ大于等于Ｍｍｉｎꎬ则Ｎ为核心点[１４]ꎮ不同于ｋ￣ｍｅａｎｓ和ｋ￣ｍｅｄｏｉｄｓ算法ꎬＤＢＳＣＡＮ计算复杂度低ꎬ不需要随机初始化中心点ꎬ可以划分出高密度的区域利于观察ꎮ通过参数ｒ㊁Ｍｍｉｎ来判断这个点是中心点㊁边缘点还是噪声点ꎬ找出的簇是否满足密度可达关系的样本集合ꎮＤＢＳＣＡＮ算法:输入数据集Ｄ㊁给定参数ｒ和Ｍｍｉｎ的值ꎬ输出达到密度要求所生成簇的集合及聚类核心ꎮ算法中检测邻域内点的数目首先需要测试距离ꎬ这里采用欧式距离ꎬ根据两个行人坐标(二维)来计算ꎮ具体步骤如下:(１)在数据集Ｄ中选取一个未被处理过的点ｐꎬ判断ｐ是否为核心点ꎬ若是ꎬ执行步骤２ꎮ(２)若该点为核心点ꎬ则找出密度可达点并标记ꎬ从而形成聚类簇ꎮ若不是核心点ꎬ则继续判断下一个点ꎮ(３)重复上述步骤ꎬ直到所有点均判断完毕ꎮ密度峰值算法[１５]同样是基于密度的聚类算法ꎬ主要思想是寻找低密度区域分离的高密度区域ꎬ将具有较大距离且同时具有较高局部密度的点定义为聚类中心ꎮ由于ＤＢＳＣＡＮ算法中的ｒ和Ｍｍｉｎ两个参数需要人为确定ꎬ本文利用密度峰值算法得出的二维非典型多维标度图来作为ＤＢＳＣＡＮ算法参数选择和结果的参考ꎮ之所以称为非典型ꎬ是因为密度峰值算法得出的多维标度图不完全符合经典多维标度的基于欧式距离的假设ꎬ视频中行人移动轨迹可以看作连续点ꎬ本文的密度峰值算法采用高斯核来计算局部密度[１５￣１６]ꎮ同时ꎬ本文使用两种聚类算法进行分析并得出的聚类结果图是基于多向行人流移动的不同时刻图ꎬ旨在发现局部群集区域ꎬ因此没有考虑行人具体的微观行为动作ꎮ１.２㊀场景数据本文从网站行人动力学数据档案(ｐｅｄ.ｆｚ￣ｊｕｅｌｉｃｈ.ｄｅ/ｄａｔａｂａｓｅ)中选取实验情景和对应的数据ꎬ情景实验数据是由ＢａＳｉＧｏ项目试验提供ꎬ该实验数据作为模型验证和行人流分析参考数据已被许多研究者引用ꎮ数据为行人二维坐标数据ꎬ不仅可以方便计算和反映行人间的距离ꎬ而且利于密度聚类算法的计算ꎬ结果图比较直观ꎮ选取场景为单走廊双向行人流㊁９０ʎ交叉路口和１２０ʎ交叉路口３个代表性的场景ꎬ情景实验中行人常态化行走ꎬ可以表示一般的行人行走状态ꎮ实验场景的基本数据特征和场景示例如表２和图１所示ꎮ为方便观察ꎬ图１的右边为简化图ꎬ箭头表示行人的行走方向ꎻ红色圆点标记的是入口处ꎬ图１(ｂ)中的４个入口和图１(ｃ)中３个入口设置方式均相同ꎬ这里只是标记了图像中可见部分ꎮ入口设计是为了不阻碍流入ꎬ受试行人通过交叉口后ꎬ可以从入口两旁的侧出口出去ꎮ具体场景细节可参考文献[１７￣１８]ꎮ每个实验场景中的行人轨迹数据是实验者利用ＰｅＴｒａｃｋ[１９￣２０]软件提前获得的ꎮ表２㊀实验场景基本数据单走廊双向行人流ＢＩ＿ｃｏｒｒ＿４００＿Ｂ＿１０４４７３６９０ʎ交叉路口ＣＲＯＳＳ＿９０＿Ａ＿５１.５４３３７１２０ʎ交叉路口ＣＲＯＳＳ＿１２０＿Ａ＿５２.４４８１４图１㊀３个实验场景示意图Ｆｉｇ.１㊀Ｓｃｈｅｍａｔｉｃｄｉａｇｒａｍｓｏｆｔｈｒｅｅｓｃｅｎａｒｉｏｓ２㊀实验结果的比较分析由于ＤＢＳＣＡＮ算法参数配置不方便ꎬ参考密度峰值算法得出二维非典型多维标度图(图中每种颜色代表一类簇行人)ꎬ来观察人群分布效果ꎮＹｏｕ等[２１]在收集公共场所行人实验数据中定义小团体行人为１~３人ꎬ李芳等[２２]提出地铁车站乘客小团体通常在２~５人ꎮ从人群安全管理角度考虑ꎬ任常兴等[２３]提到的日本建设省调查显示５人/ｍ２时ꎬ行人可以接触到旁边人的衣物ꎬ通过计算显示３.８人/ｍ２或以上ꎬ可能会造成行人拥挤ꎬ而９人/ｍ２会使得行人不能自由活动ꎬ属于行人最大忍耐值ꎮ因此为了观察到局部群集ꎬ文中设置ＤＢＳＣＡＮ中的参数Ｍｍｉｎ为３或４ꎬ这样既可以保留较小类簇ꎬ又不至于因为Ｍｍｉｎ设置过大而出现多簇全覆盖和中型簇合并为大簇的现象ꎮ同时ꎬ以局部群集的角度进行聚类观察ꎬ不仅能观察出群集分布规律ꎬ还能发现一些密度峰值图看不到的聚类簇ꎬ为使用本实验数据集进行密度聚类研究行人小群体运动等的学者提供参考ꎮ半径ｒ的确定根据数据中每个行人坐标的平均距离和二维非典型多维标度图的显示结果来调整ꎮ同时ꎬ因为情景实验数据在某个时刻(或某帧)时数据量不大ꎬ数据较离散ꎬ密度峰值聚类得出的结果图适合观察的人群分布与ＤＢＳＣＡＮ算法的结果可能会有差别ꎮ所以下面将分别对三个场景的实验结果利用两种聚类算法进行比较分析ꎬ每个场景截取不同时刻对应帧的画面的数据ꎮ２.１㊀单走廊双向行人流单走廊双向行人流也即１８０ʎ双向交叉行人流ꎮ实验选取该场景４０㊁１１０㊁１８０㊁２５０ｓ对应帧的行人数据作为实验数据ꎬ由密度峰值法得出的二维非典型多维标度图和ＤＢＳＣＡＮ聚类结果图ꎬ见图２(右图横纵坐标分别对应行人位置ｘ㊁ｙ坐标ꎬ下同)ꎬＭｍｉｎ＝４ꎬ每个图像对应人数为６２㊁７９㊁８５㊁９７ꎮ注:ａ~ｄ中的左图均为由密度峰值法得出的二维非典型多维标度图ꎬ右图均为ＤＢＳＣＡＮ聚类结果图ꎮ图２㊀单走廊双向行人流聚类结果Ｆｉｇ.２㊀Ｃｌｕｓｔｅｒｉｎｇｒｅｓｕｌｔｓｏｆｂｉｄｉｒｅｃｔｉｏｎａｌｐｅｄｅｓｔｒｉａｎｆｌｏｗａｔａｓｉｎｇｌｅｃｏｒｒｉｄｏｒ图２的密度峰值聚类结果图显示ꎬ在情景实验的４０ｓ时ꎬ行人刚进入实验场地ꎬ双向行人流刚汇合在一起ꎬ局部群集主要出现在交汇处ꎬ即图２(ａ)的浅蓝色点ꎮ在入口附近ꎬ由两个方向而来的行人(橘黄和浅绿色点)靠近通道两侧但较稀疏ꎮ１１０ｓ时行人数量增多ꎬ人群被分为两个部分ꎬ即图２(ｂ)中红色和绿色的点ꎮ１８０ｓ时人数继续增多ꎬ分布状态出现变化ꎬ很明显分为两部分(红色和浅蓝色点)ꎬ只有小部分行人(黄色点)在中间靠墙壁一侧ꎮ２５０ｓ时ꎬ进入场地的人数继续增多但簇的数目减少ꎬ较大的群集区域出现在黄色点部分ꎮ因此ꎬ较大的群集区域出现在双向行人流刚开始汇合阶段即中间部分ꎮ随着人数增多ꎬ中间部分缩小ꎬ较大群集区域向两侧移动出现分层ꎮ但人数继续增多至受试行人移动后期ꎬ较大群集区域出现在单侧ꎮ图２的ＤＢＳＣＡＮ结果显示ꎬ４０ｓ时ꎬ因为比较稀疏ꎬ符合ＤＢＳＣＡＮ的密度可达的簇出现在中间部分ꎮ１１０ｓ时则出现在图像的左下角ꎬ１８０ｓ时仍出现在左下角ꎬ但范围扩大ꎮ２５０ｓ时左下角范围缩小ꎬ右上角范围扩大ꎮ所以ꎬ行人局部群集区域从双向行人流汇合中间部分开始ꎬ随着人数增多ꎬ行人运动一段时间后ꎬ行人局部群集区域向左下角转移ꎬ人数断续增多后也出现在右上角ꎮ２.２㊀９０ʎ交叉路口实验选取场景２５㊁６５㊁７５㊁１０５ｓ对应帧的实验数据ꎬ对应人数分别为６０㊁１３８㊁１５０㊁１６６ꎮ但由于本场景的特殊性和每个实验场景提取行人数据的方法不同ꎬ因此ＤＢＳＣＡＮ参数也会适当做些调整ꎬ这里Ｍｍｉｎ＝３ꎬ结果见图３ꎮ注:ａ~ｄ中的左图均为由密度峰值法得出的二维非典型多维标度图ꎬ右图均为ＤＢＳＣＡＮ聚类结果图ꎮ图３㊀９０ʎ交叉路口聚类结果Ｆｉｇ.３㊀Ｃｌｕｓｔｅｒｉｎｇｒｅｓｕｌｔｓａｔａ９０ʎｉｎｔｅｒｓｅｃｔｉｏｎ从图３的密度峰值图看出ꎬ２５ｓ时来自４个方向的行人刚汇合交织在一起ꎬ人数较少且分散ꎬ因此较大群集区域集中在路口的交叉部分ꎮ６５ｓ时ꎬ人数增至１３８人ꎬ出现局部群集区域即图３(ｂ)中绿色点ꎬＡ通道与Ｂ通道转弯处ꎮ７５ｓ时人数１５０人ꎬ交叉处局部群集区域几乎消失ꎬ而较大群集区域出现在左侧出入口处的橘黄色点部分ꎬ说明此时行人在左侧出入口处活动较多ꎮ１０５ｓ时人数为１６６人ꎬ以黄色点和深蓝色点代表的部分出现在两侧ꎮ７５ｓ和１０５ｓ出现的这种情况可能有两个原因ꎬ视频中可明显看出此时路口交叉部分人数比前面时段要更群集ꎬ但本文为观察局部群集区域ꎬ降低了密度峰值的选取ꎻ另外ꎬ由于数据提取存在误差ꎬ一些行人数据实验者没有完全提取出来ꎬ导致出现如图的聚类结果ꎮ总之ꎬ结果图表明ꎬ数据分散会直接影响聚类效果ꎮ其次ꎬ较大群集区域很明显集中在交叉路口处ꎬ且人数越多ꎬ范围越大ꎬ因此从宏观上看变化较小ꎮ从图３的ＤＢＳＣＡＮ结果来看ꎬ其会出现与密度峰值图不一样且没有观察到的现象ꎮ２５ｓ时ꎬ出现在交叉口的簇为长条状ꎬ而在６５ｓ时其出现在Ａ通道口和Ｂ通道口相互穿梭转弯的地方ꎮ７５ｓ时密度可达的簇有３部分且呈现Ｔ字状ꎬ但靠近Ａ通道和Ｂ通道ꎮ１０５ｓ时ꎬ密度可达的簇出现在靠近Ａ通道和Ｃ通道转弯的地方ꎬ呈近似拱状ꎬ说明此时行人可能正在发生避让冲突ꎮ另一方面ꎬ在多向流交叉口场景中ꎬ行人在通过转弯处时ꎬ并不一定严格按队列排队行走ꎬ由于来自不同方向行人产生路径选择ꎬ行人会根据前方拥堵程度判断从哪个出口出去ꎬ从而易形成由行人组成的瓶颈 ꎬ又由于交叉口的形状为十字型ꎬ所以新进入交叉口的行人会形成近似拱状ꎮ２.３㊀１２０ʎ交叉路口１２０ʎ交叉路口场景由于实验录像时间较长ꎬ人数多ꎬ为了方便观察ꎬ选取３５㊁６０㊁１２０㊁１８０㊁２４０㊁３００㊁３３５ｓ等７个时刻的实验数据ꎬ对应人数分别为１２２㊁１６３㊁２１０㊁２３７㊁２２７㊁２１０㊁１２５ꎬ这里Ｍｍｉｎ＝４ꎮ聚类结果见图４ꎮ图４左图的密度峰值聚类结果显示３５ｓ时行人进入场地汇合ꎬ局部群集区域集中在交叉中心处ꎮ６０ｓ时人数增多ꎬ出现较大群集区域(橘黄色点)ꎬ但局部群集区域出现在两个转弯处ꎮ而在１２０ｓ时人数继续增加后ꎬ较大群集区域出现在Ｂ通道(蓝色点)ꎬ且局部群集区域明显变少ꎮ１８０ｓ时人数达到最多ꎬ此时交叉中心形成群集区域(黄色点)ꎮ２４０㊁３００ｓꎬ场地中人数减少ꎬ局部群集区域出现变化ꎬ到３３５ｓ行人流移动后期ꎬ行人减至１２５人ꎬ出现图中３个局部群集区域ꎬ此时受试行人行走不受阻碍ꎮ由此看出ꎬ行人多集中在转弯处和交叉中心ꎻ随着实验时间推移ꎬ人数增加ꎬ局部群集区域出现先明显聚集和数量增多后逐渐减少的变化ꎮ但是ꎬ在实验刚开始和接近尾声时且人数相差较小的情况下ꎬ受试行人行走所受影响较小ꎬ密度峰值算法发现的群集区域不紧密ꎮ注:ａ~ｇ中左图均为由密度峰值法得出的二维非典型多维标度图ꎬ右图均为ＤＢＳＣＡＮ聚类结果图ꎮ图４㊀１２０ʎ交叉路口聚类结果Ｆｉｇ.４㊀Ｃｌｕｓｔｅｒｉｎｇｒｅｓｕｌｔｓａｔａ１２０ʎｉｎｔｅｒｓｅｃｔｉｏｎ图４右图ＤＢＳＣＡＮ聚类结果显示更为形象一些ꎮ３５ｓ时与密度峰值结果图相似ꎬ但交叉中心形成两个簇ꎮ６０ｓ时出现图４(ｂ)中３个大簇两个小簇ꎬ且其中两个大簇出现在转弯处ꎬ一个大簇出现在靠近Ｃ通道出入口处ꎬ这与其左边的密度峰值结果图略有不同ꎮ１２０ｓ时ꎬＢ通道出入口处出现群集簇且出现在一侧ꎬＡ通道出入口处出现小簇ꎮ１８０ｓ时ꎬ表征群集的簇出现在通道交叉地方ꎮ２４０ｓ时３个通道在临近交叉口各形成一个簇ꎬＢ通道出入口处此时出现一个小簇ꎮ３００ｓ时ꎬＢ通道出入口处变成大簇(可参考左图绿色点)ꎬＢ通道靠近交叉口处出现长条状簇(可参考左图红色点附近)ꎮ３３５ｓ人数减少ꎬ但Ｂ通道靠近交叉口处的簇仍然存在且趋于拱状ꎬ靠近墙壁一侧ꎮ由此ꎬ密度可达的簇集中在交叉中心处分成两部分且贴近于转弯处ꎮ随着人数增加和时间推移ꎬＢ通道处出现簇ꎬ交叉中心处的簇仍存在ꎮ但是继续随时间推移ꎬ人数下降ꎬ交叉中心处的大簇被分解ꎬ但Ｂ通道仍然存在小簇ꎮ２.４㊀方法与场景的比较与分析基于表１和聚类结果ꎬ从方法来看ꎬ密度峰值算法可以观察较为宏观的部分ꎬ且聚类效果受提取视频中数据影响ꎬ其数据集量大且离散较小ꎬ结果会更好ꎮ而ＤＢＳＣＡＮ算法可以根据输入的参数发现局部群集区域ꎬ得到结果与密度峰值算法略有不同ꎮ使用ＤＢＳＣＡＮ算法ꎬ发现相同Ｍｍｉｎ值下ꎬ３个场景半径ｒ各不相同ꎬ且每个场景不同时刻的半径ｒ也不尽相同ꎬ具体如表３所示ꎮ说明３个场景人群状态各异ꎬ相同的Ｍｍｉｎ和ｒ不适用于统一的人群管理模式或策略ꎮ由表３可以看出ꎬ１２０ʎ交叉路口场景由于数据量大ꎬ提取数据准确率高ꎬ但是每个场景中的ｒ在一定的范围内变化ꎬ表明人群密集状态下行人间距虽然变化幅度小ꎬ但是仍然存在变化ꎬ因此人群管理者需提前注意区域内行人间的距离ꎬ防止突变ꎮ从场景来看ꎬ３个场景通道的宽度都相同ꎬ入口数量和宽度不同ꎬ而３个场景聚类结果各异ꎬ参数选取各异ꎬ因为行人在不同场景行走状态会有差别ꎬ所以要根据不同的场景选取合适的参数ꎬ但应用密度聚类在３个场景中均能分别找出其局部群集区域ꎬ说明密度聚类较为适应不同场景ꎮ如表４所示ꎬ３个场景中的受试行人均在起初交汇处群集ꎬ３个场景局部群集区域位置有差别ꎮ这里存在一个最重要的关注点ꎬ由图２~４的３个场景的ＤＢＳＣＡＮ结果图看出ꎬ聚类簇的出现随行人移动和时间推移是动态变化的ꎬ即聚类的簇不在固定地方出现ꎬ说明行人移动整个过程都会因为外部因素出现不同规模的聚集ꎬ因此人群管理者必须要注重全路段的管理和防护ꎮ在行人集结过程中ꎬ根据局部群集区域分布规律和区域位置合理设置导向与吸引标志ꎬ从而利于人群在场所空间合理分布ꎬ减少安全隐患ꎮ表３㊀ＤＢＳＣＡＮ在不同场景下参数表单走廊双向行人流４１１０６５１８０７０２５０６１９０ʎ交叉路口３２５５５６５４０７５４０１０５３９/４０１２０ʎ交叉路口４３５０.７２６００.６５１２００.５６１８００.５２４００.５５３０００.５５３３５０.５８表４㊀不同场景群集区域主要位置单走廊双向行人流靠近出入口的两侧９０ʎ交叉路口交叉中心ꎬ通道与通道的转弯处通道与通道的转弯处１２０ʎ交叉路口通道出入口处和出入口处的一侧靠近交叉中心处(交叉最中心常出现近似空心 )２.５㊀多向流行人安全性策略比较分析通道空间受限㊁人群快速聚集㊁疏散措施无力是场景内聚集人群出现恐慌㊁拥挤甚至发生踩踏事件的主要原因ꎮ生活场景中ꎬ人群聚集的火车站㊁地铁站通道及室内通道多为上述交叉路口ꎬ通常会在通道中设置导流栏杆来疏散人流ꎬ划分双向或多向行人区域ꎻ而室内人行通道如学校教室㊁走廊㊁楼梯等场所ꎬ因为空间条件及适用性限制ꎬ不能做分流ꎬ只能依靠限流㊁疏散标志来保障安全ꎮ本文实验采用的聚类方法ꎬ可以快速定位场景内局部群集区域ꎬ根据群集区域的位置和变化规律ꎬ采取相应的安全策略ꎬ指导人群有序集结并快速疏散ꎬ有效提高聚集人群的安全性和疏散的效率ꎮ如表４所示ꎬ群集区域即为安全性极低㊁事故多发区域ꎮ若不能划分行人区域ꎬ可在这些区域的入口进行限流ꎬ识别进出人数ꎬ实时显示通道内人数的变化ꎬ并设置入口可通行人数及通行间隔时间ꎮ在接近群集区域之前路段设置提醒㊁导向标志ꎬ避免局部拥堵及突发事件ꎬ来提高行人移动效率ꎮ９０ʎ㊁１２０ʎ交叉路口局部的群集区域多是围绕交叉中心分布ꎬ因此人群管理者应加强对交叉中心周围的管理和防护ꎬ可以在交叉中心放置分流设施ꎬ提前在通道中以实时视频或者拥堵程度灯牌等方式预警ꎬ具体策略见表５ꎮ除表４群集区域主要位置的管理外ꎬ由于图２~４中聚类簇的动态变化ꎬ还需行人移动过程的全路段防护ꎬ室内通道特别是学校走廊㊁楼梯间等场所ꎬ在地面㊁墙面及棚顶要全路段设置指示标识ꎬ要根据情况分时㊁错峰通行ꎬ高峰期安排专人进行人群疏导ꎬ以避免挤压和踩踏事件等危险事故发生ꎮ表５㊀不同区域对应安全策略出入口９０ʎ和１２０ʎ交叉路口㊁单走廊双向行人流设置分流栏杆ꎻ通行人数及时间限制交叉中心１２０ʎ交叉路口㊁单走廊双向行人流设置分流栏杆ꎻ放置实时视频㊁拥堵程度指示灯牌通道的转弯处１２０ʎ交叉路口㊁单走廊双向行人流张贴转向标志(地面㊁墙壁)ꎻ放置凸面镜出入口处的一侧９０ʎ和１２０ʎ交叉路口㊁单走廊双向行人流张贴引导标志(地面㊁墙壁)靠近交叉中心处１２０ʎ交叉路口㊁单走廊双向行人流张贴分流引导标识(地面㊁墙壁)全路段９０ʎ和１２０ʎ交叉路口㊁单走廊双向行人流分时㊁错峰通行ꎻ专人疏导３㊀结论本文利用基于密度的聚类方法密度峰值算法和ＤＢＳＣＡＮ算法对实际情景实验数据进行聚类分析ꎬ以局部群集区域角度研究了单走廊双向行人流㊁９０ʎ交叉路口㊁１２０ʎ交叉路口三个场景的群集区域的时空分布规律ꎮ通过实验对两种聚类算法结果进行了比较分析ꎬ由于数据的特性ꎬ密度峰值算法只能观察较宏观的分布规律ꎬ而ＤＢＳＣＡＮ算法则可以根据参数的调整观察较微观的群集区域分布规律ꎮ在每个场景中ꎬＤＢＳＣＡＮ算法中的参数也存在变化ꎬ特别是半径ｒ会在一定范围内变化ꎮ本实验方法可以识别密集人群移动中的潜在群集的关键区域或关键位置ꎮ实验结果与分析表明:(１)在行人流长时间过渡状态中ꎬ表征局部的聚类簇出现变动ꎬ后期只有少数的局部的聚类簇存在(但会存在少数大聚类区域)ꎬ说明三个场景的行人流不会处在某个稳定的聚类划分状态ꎬ而且群集区域有向外扩散的特点ꎻ(２)人群数量在不断增加的状态下会出现集簇式分布ꎻ(３)管理上不仅要关注局部群集区域的防护ꎬ更要关注全路段的防护ꎻ(４)不同场景的局部群集区域和场景的安全管理策略存在差异ꎮ公共场所人群流动不可忽略局部群集区域ꎬ人群管理可根据本文的聚类方法来获取局部群集区域的定位ꎬ提前采取对应策略并进行安全方案㊁突发事件预案制定ꎬ将极大地提高公共场所的安全性ꎬ提升人群疏散的效率ꎮ同时ꎬ在现实生活中ꎬ在保证人群管理安全的前提下ꎬ上述三种场景中的局部群集区域同样对商业广告张贴和共享交通设施部署㊁特殊空间(比如校园)功能区的安排具有参考价值ꎮ本研究为行人移动或聚集情况下的人群管理以及使用本实验数据进行聚类研究提供参考ꎮ本实验数据。

基于密度的DBSCAN聚类算法的研究及应用_冯少荣

ＦＥＮＧＳｈａｏ－Ｒｏｎｇ，ＸＩＡＯＷｅｎ－Ｊｕｎ．ＲｅｓｅａｒｃｈａｎｄａｐｐｌｉｃａｔｉｏｎｏｆＤＢＳＣＡＮｃｌｕｓｔｅｒｉｎｇａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｄｅｎｓｉｔｙ．ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ，２００７，４３（２０）：２１６－２２１．
２．２方法的可行性论证
２．２．１ＤＢＳＣＡＮ算法的特点［４０－４３］ＤＢＳＣＡＮ算法是一种基于密度的空间聚类算法。该算法利
用基于密度的聚类（或者类ｃｌｕｓｔｅｒ）概念，即要求聚类空间中的一定区域内所包含对象（点或其它空间对象）的数目不小于某一给定阈值。ＤＢＳＣＡＮ算法的显著优点是聚类速度快，且能够有效处理噪声点（ｏｕｔｌｉｅｒｓ）和发现任意形状的空间聚类。但是，由于它直接对整个数据库进行操作，且进行聚类时使用了一个全局性的表征密度的参数，因此也具有两个比较明显的弱点ｈｅＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＦｕｊｉａｎＰｒｏｖｉｎｃｅｏｆＣｈｉｎａｕｎｄｅｒＧｒａｎｔＮｏ．Ａ０３１０００８）；福建省高新技术研究开放计划重点项目（Ｎｏ．２００３Ｈ０４３）。
作者简介：冯少荣（１９６４－），男，副教授，在职博士研究生，主要研究方向：并行分布数据库、数据仓库、数据挖掘；肖文俊（１９５０－），男，教授，博士生导师，主要研究方向：网络理论和并行分布式算法，网络和复杂系统及其应用，并行分布式计算及其应用，大规模数据处理。
来的结果是，较稀的类被划分成多个性质相似的类；与此相反，若根据较稀的那些类来选取较大的 ε值，那么离得较近而密度较大的那些类将很可能被合并为同一个类，它们之间的差异也就因为选取较大的 ε值而被忽略。很明显，在上述两种情况下，其实很难选取一个合适的 ε值来进行聚类且得到比较准确的聚类结果。２．２．２在实际中的解决参数问题的讨论［４０－４３］

城市道路网络交通小区划分方法研究

1 n-1
（
n·Qmax
n
-1）11+t
ΣQi
i=1
（1）
其中：n 为上游交叉口的流入流向数；Qi 为上游交叉口第 i 流入
流向流量；Qmax 为上游交叉口最大流入流向流量；t 代表车流从
上游交叉口进口停车线至下游交叉口进口车辆排队尾（进口有
车辆排队时）或者进口停车线（进口无车辆排队时）的平均行驶
时间，以分钟为单位。
对于点状实体，如交叉口间的空间接近性，主要是采用基
于密度和距离的方法。基于密度的方法是以聚集性为基础，它
用所定义的规则区域中的点的密度或频率分布的各种特征研
究点分布的空间模式；基于距离的方法以分散性为基础，通过
测度最近邻点的距离分析点的空间分布模式。前者描述的是某
个参数均值的总体变化性，称为一阶效应（first order）；后者表
城市交通系统是一个离散、强耦合、非线性、并具有随机特性的复杂大系统[1]。ITS 环境下，交通信息和交通行为的互动使得动态的、开放的交通系统变得更加复杂。降低交通系统复杂性对交通问题的建模解析、优化求解都有非常重要的意义。交通小区即是将复杂交通网络解耦为若干个交通区域，针对每个区域对控制和诱导目标进行建模，从宏观角度对交通区域进行协调优化。因此，交通小区划分在降低系统复杂性方面具有重要的意义。值得说明的是：本文的交通小区不同于传统交通规划领域的交通小区概念，将在下文具体阐述。
现为连线或节点之间是否相邻，在数学中用空间邻接矩阵或权
重矩阵表示，取值为 0 表示连线或节点不相邻，取值为 1 表示
连线或节点相邻；交通关联特征用 IT 表示，一般表现为连线或
节点之间交通参数的关联程度，取值越大关联度越大。