交通状态判别

基于京津塘高速数据的K-mean交通状态判

别方法的研究

摘要：近年来，随着道路网络的逐步成熟和道路交通需求量的进一步增加，与交通事件无关的常发性交通拥挤越来越严重。交通高峰期的持续时间不断延长，高峰期出现交通拥挤的路段不断增加，严重影响了道路交通的安全性和运行效率，因此，常发性交通拥挤也逐渐成为交通监控的重要内容之一。以发现道路上的突发交通事件为目的AID方法研究，已经扩展成为对道路上所有交通拥挤状态自动判别方法的研究。并且，交通状态判别有重要的意义所在，它可以对交通管理者实时了解路网交通状态变化的信息，及时采取对策，疏导交通、减少拥挤，提高交通安全保障，使有限的路网时空资源发挥最大的效率而提供帮助。

京津塘高速是连接北京和天津的主要道路交通干道，承担了两个城市间的大部分道路交通运输，它的交通状态在相当程度上反应了两城市之间交通状态与出行质量。

本文以京津塘高速某段下行行车道线圈传感器数据为基础，研究了基于

K-mean的交通状态判别方法研究交通状态预测方法，主要的研究工作如下：文章首先对京津塘高速公路2009年4月的下行行车道交通数据用excel进行了处理，并应用K-mean分析方法对此交通流基础特征数据进行分析，最后用matlab编程实现，得到用于交通状态判断的参照标准，并画出关于车流量，车流密度和平均速度的数据图，以及它们三者之间的三维关系图。

关键词：道路交通状态；自动判别；智能交通系统

一、引言

如何应对城市现代化带来的交通问题，是城市交通管理者面对的需要解决的十分迫切的问题。国内外实践经验证明，单纯依靠修建道路基础设施是不能很好的解决城市交通问题，现代化的交通管理起着非常重要的作用。发达国家交通经验实践表明，采用智能交通系统(ITS)是解决交通拥堵、减少交通事故、防止交通污染、提高交通管理水平的最有效的方法和手段。

交通状态分析和判别能够从全局角度实时地反应路网的服务水平，是交通控制系统与交通流诱导系统协同的重要依据。首先，由于它反映了交通流客观运行状态可以向交通管理者提供准确地交通运行状况信息，并可以作为交通控制系统的输人参数优化区域路网；其次，由于交通状态能够反映出行者的心理，在确定诱导策略及发布交通信息时，科学地进行交通状态分析可以更好的被出行者所接受。交通状态的判别可以对道路基础信息采集系统采集到的各类交通数据进行分析，根据他们的变化趋势得出目前交通系统的运行状况。通常来说，一个交通状态判别系统包括数据获取、数据准备、数据规约、数据转换、数据比较、实时状态判断等过程。在这个过程中，系统将采集到的基础数据经过一定处理后与一个既定的交通状态判断标准进行比较，从而判别出目前交通系统处于何种状态。得到以密度为主要参数的判别结果后将其提供给交通系统的管理者和决策者，他们针对不同的情况做出相应的交通控制、管理和诱导措施。

二、背景

近年来，随着道路网络的逐步成熟和道路交通需求量的进一步增加，与交通事件无关的常发性交通拥挤越来越严重。交通高峰期的持续时间不断延长，高峰期出现交通拥挤的路段不断增加，严重影响了道路交通的安全性和运行效率，因此，常发性交通拥挤也逐渐成为交通监控的重要内容之一。以发现道路上的突发交通事件为目的AID方法研究，已经扩展成为对道路上所有交通拥挤状态自动判别方法的研究。进行交通状态判别，其意义在于对交通管理者实时了解路网交通状态变化的信息，及时采取对策，疏导交通、减少拥挤，提高交通安全保障，使有限的路网时空资源发挥最大的效率而提供帮助。

国外最早开发并投入使用的道路交通状态判别算法是以判别突发交通事件

为主要功能的加利福尼亚算法。这种算法开发于1965～1970年之间，最初用于洛杉矶公路管理控制中心。加州算法通过比较邻近监测站之间的交通参数数据，主要是比较环行线圈检测器获得到占有率数据，对可能存在的突发交通事件进行判别。经过实践和进一步的深入研究，开发了10种基于最初的加州算法的改进算法，其中加州#7算法和加州#8算法效果最好。

Cook(1974)开发了一种双指数平滑(DES)算法，用于对突发交通事件的判别。这种方法以交通参数数据的双指数平滑值作为预测值，通过比较交通参数数据的预测值和实测值来构造一个跟踪信号，当该跟踪信号超过预定的阈值时，可触发突发交通事件警报。

Persaud(1990)根据突变理论开发了McMaster算法。使用大量的拥挤和非拥挤交通状态下的流量--占有率历史数据，开发一个流量--占有率分布关系模板，通过将观测数据之间的关系与模板进行两次比较，判断是否发生了交通拥挤以及发生的是偶发性拥挤还是常发性拥挤，这种算法第一次将过大交通需求引起的常发性拥挤作为分析判断的对象。

Blosseville、Morin (1993)发现使用视频图像处理进行突发交通事件判别比基于感应线圈的判别算法有很多独特的优点。感应线圈只能采集某一地点的交通流数据，而视频图像处理技术还可以提供更有用的交通流信息。除了可以提供形成时间、平均行程速度和停止车辆信息外，这种技术还可以准确地发现发生在路肩上的事件。

数据挖掘(Data Mining，DM)是20世纪末兴起的数据分析技术，可以从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取出隐含在其中的，人们事先不知道的，但又是潜在有用的信息和知识。聚类方法是适合交通状态数据分类的一种数据挖掘方法。基于聚类分析的交通状态量化方法是根据交通检测器所采集道路上交通流的基础数据为基础，通过对这些数据的分析处理，运用交通工程理论和数据挖掘等技术，从它们的基础交通数据中找出这些道路各自的特点，最后由聚类分析方法，根据每种交通状态其中的样本具有的一定的相似性和不同状态之间的样本具有相异性，得到适合不同道路的合理交通状态分类。也是本文后面将要采用的算法。

综上所述，早期的判别算法主要以突发交通事件为研究对象，大部分都以感

应线圈采集的交通流量、占有率和地点速度等交通数据为基础，所采用的数据技术主要包括决策树、动机分析、平滑滤波等常规方法。随着时间的推移，交通状态判别的研究内容和研究手段都有了很大的变化。一方面，交通需求与交通供给之间的矛盾不断深化，常发性交通拥挤也成为交通管理的重点之一；另一方面，信息采集技术和信息处理技术的进步，为判别方法研究提供了更有力的技术基础。经过近40年的发展，模糊理论、专家系统、模式识别、人工神经网络等人工智能技术已经成为交通状态判别算法设计的重要手段。

三、数据处理与分析

1. 交通流参数

交通流是整体的、宏观的概念，通过对大量观测数据的分析，发现交通流具有一定的特征性倾向，为此提出了交通流特性的概念。交通流特性是指交通流运行状态的定性、定量特征。用来描述和反映交通流特性的物理量称为交通流参数。用于描述交通状态的交通流参数主要包括交通量、速度、交通密度、占有率等。

（1）交通量

交通量(volume)又称流量，是指单位时间内，通过道路指定地点或断面的车辆数。交通量不是一个静止不变的量，具有随时间和空间变化而变化的特征。度量城市交通特性的一种方法是在道路系统内一系列的位置上观察交通量在时间和空间上的变化规律，并绘出交通流等值图。当交通量超过某一水平时，就认为发生拥挤。然而，这种判断存在的问题是同一流量水平可以对应两种截然不同的交通状态，因此这种参数应该与其它方法相结合，而不是单独使用。

（2）速度

速度是描述交通流状态的第二个基本参数，它是指车辆在单位时间内通过的距离。由于道路交通流是由多种车辆组成的复杂系统，因此存在多种速度概念。

从微观上看，每个车辆都有瞬时速度和在特定时间段内的平均行驶速度和平均行程速度。瞬时速度(也称为即时速度、地点速度)是车辆通过某一地点时(或在某一时刻)的瞬间速度，可用作道路设计、交通管制和规划的依据。单个车辆