交通状态模式识别研究

Vol 20 No 2公 路 交 通 科 技2003年4月JOURNAL OF HIGHWAY AND TRANSPORTATION RESE ARCH AND DE VELOPMENT

文章编号:1002 0268(2003)02 0063 05

交通状态模式识别研究

任江涛,欧晓凌,张 毅,胡东成

(清华大学自动化系,北京 100084)

摘要:在网络层次上进行区域交通信号控制、交通分配和路径诱导是缓解交通堵塞的有效途径之一。大量的实践经验表明,无论是在城市交通网络,还是在高速公路网络中,网络的状态可分为数量有限且不同类型的模式,并且这些模式不断重复出现。而针对不同的交通网络状态模式,可以通过理论分析或仿真研究等途径,求解用于进行区域信号控制、交通分配及路径诱导的优化控制参数及控制策略。当系统识别出网络处于某种模式时,就可参照事先确定的优化参数及策略进行交通控制和诱导,以缓解交通拥塞,提高交通系统的运行效率。本文基于对交通网络状态模式识别问题及其应用的重要性的认识,应用模式识别的理论和方法,对交通网络状态模式识别问题进行了一些初步研究。

关键词:交通网络状态模式;模式识别;支持向量机

中图分类号:U491 13 文献标识码:A

Pa ttern Recognition of Traffic States

RE N Jiang tao,OU Xiao ling,Z HANG Yi,H U Dong chen g

(Department of Automation,Tsinghua Universi ty,Beijing 100084,China)

Abstract:Real time network level si gnal control,traffic assignment and route guidance is promising approaches for alleviating conges tion Based on our experience,we can know that a li mited number of network level traffic patterns are often recurrent no matter in urban traffic networks,nor in highway networks Different opti mal sets of control parameters and strateg ies for area wide signal control,traffic assi gnment and rou te guidance can be determined according to different traffic patterns using many methods,such as theory analysis and si mulation Because of the importance of pattern recogni tion of network level traffic pattern in traffic control and other applications,we do some elementary research on the topic based on the theories and methods of pattern recognition area

Key words:Network level traffic pattern;Pattern recognition;S VM

0 引言

当前,智能交通系统的研究和开发越来越受到重视,特别是随着信息技术在智能交通领域的应用和发展,取得了越来越多的理论和应用成果。信息理论和技术,如人工智能、模式识别、控制理论等,正广泛地应用于智能交通系统的各个研究领域。

实时区域交通信号控制、交通分配和路径诱导是缓解交通拥塞的有效途径之一。正是信息的采集、传输、存储、分析处理及应用,实现了交通管理从简单静态管理到智能动态管理的转变,从而实现了大交通系统的动态优化运行,有效地满足了人们的交通系统发展的需求。

大量的实践经验表明,无论是在城市交通网络,还是在高速公路网络中,网络的状态可分为不同类型的模式,并且这些模式不断重复出现。而针对不同的交通网络状态模式,可以通过理论分析或仿真研究等途径,求解用于进行区域信号控制、交通分配及路径诱导的优化控制参数及控制策略。当系统识别出网络处于某种模式时,就可参照事先确定的优化参数及策略进行交通控制和诱导,以缓解交通拥塞,提高交通系统的运行效率。当前,对交通网络状态模式的研究,正获得越来越多的重视。

为了有效地实现基于网络状态模式的区域交通信号控制,文献[1]提出了基于人工神经网络的交通网络状态模式聚类方法。在此研究中,一个拥有6个

交叉路口和7个路段的简单路网作为研究对象,而ART1网络则被用于实现对此网络在不同时段状态的聚类分析,产生不同的模式。

文献[2]提出了一个基于案例推理的实时交通流管理系统。实际上,此文所定义的案例等价于模式。此系统通过对当前时刻与预测出的下一时刻的交通流数据的分析,将不同典型的交通网络状态定义为不同的案例(模式),然后针对不同的案例求解、存储最优的交通分配策略于系统中。实验研究表明此系统可实时运行,并取得了良好的效果。

交通模式的概念甚至可应用于交通流预测的研究。例如,文献[3]提出了一种基于非线性时间序列分析的交通流速度预测方法。虽然此文没有明确指出,但此方法实质上利用了交通流速度时间序列模式的相似性及反复出现的特性来实现速度预测的。

综上所述,交通模式的概念已逐渐成为交通研究者的共识,并逐步成为研究中的热点问题。而对交通模式的研究包含特征选择和提取、分类、学习和训练、识别及预测等多个方面,本文主要讨论交通网络状态模式识别问题。

1 交通网络状态模式的定义

对交通网络状态来说,模式的定义和划分就是将由多个不同的交通网络状态样本组成的集合划分为若干个子集,并且这些子集具有一定的物理意义,目前有2种方法。一类是基于先验知识的分类方法,即事先知道样本的类别,也可视为有监督的分类,主要由交通领域专家根据定性和定量分析,依据其经验实现交通网络状态模式的划分,如是否发生交通事故就是一个很强的模式划分标准;另一类为无监督的分类,即采用样本间相似性度量将样本集自动划分为一定类别的聚类分析方法,如文献[1]就采用自适应共谐振神经网络实现交通网络状态的聚类。

聚类分析是根据特定的相似性度量将一个数据集分成一定数目的子集,合理的聚类结果通常要求每个类内部的数据样本具有较大的相似性,而不同子集之间的数据相似性较小(数据样本的紧致性)。而对于交通研究来说,就需要将不同时段的网络交通状态分为若干个具有一定物理意义的类别。当前聚类分析方法有很多,如C均值法、SOM、ART等,这些方法都各有其优势和局限性。

分类的复杂性,在于没有纯客观的分类标准,因为任何分类都是带有主观性的。模式识别是大脑中的功能,其主观性是不可避免的。分类问题不单纯是数学问题,还需要一定的先验知识。而对于交通状态模式的分类问题,由于分出的类别需要具有一定的物理意义,而此物理意义在很大程度上是根据主观需要来定义的。

因此,对交通状态模式分类,需要有监督分类方法和无监督分类方法的结合。无监督分类方法过于依赖特征提取和相似性度量的定义,一般没有结合专家知识,而在一般情况下,结合专家知识对提高交通模式的分类有效性是非常重要的。因为分出来的模式需要具有一定的意义,以有利于进行交通信号控制和路径诱导。而是否有意义,有什么样的意义,需要运用交通领域的专业知识进行主观判断。而为了提高分类的效率,首先应该进行无监督分类;在已分出类别的基础上,再利用主观判断进行进一步的细分。

例如,通过对北京市某一路网1个月的交通流数据的统计分析,并考察重点拥塞路段的空间分布,发现这些重点拥塞路段主要集中在两个区域,即图1中A和B。根据这个发现,可以建立如下的交通网络状态模式定义准则:模式1,区域A和B同时拥塞;模式2,区域A拥塞但B不拥塞;模式3,区域B拥塞但A不拥塞;模式4,区域A和B

都不拥塞。

图1 路网及重点拥塞区域示意图

基于这些准则,就可以将此区域的交通网络状态样本划分为各个具有一定物理意义的子集,从而形成若干个交通网络状态模式类。

2 交通网络状态模式识别

首先从模式识别的观点来看如何实现交通网络状态的模式识别。模式识别的一般过程为特征选择和提取、分类、学习和训练、识别和预测。下面结合交通网络状态模式识别的具体特点和要求,分别就这些过程进行简要的论述[5]。

特征选择和提取的基本任务就是从许多特征中找出能最有效地实现分类和识别的特征。从交通网络状态模式识别的角度来说,就是从车流量、平均车速、

公路交通科技 2003年 第2期