﻿ 交通拥堵形态的聚类判别实现

# 交通拥堵形态的聚类判别实现The Clustering and Discrimination of Traffic Congestion Form Is Realized

Abstract: Drivers don’t know the full picture of road conditions in the urban road network, so it is very likely to delay the journey when driving into the congested road sections. Predicting the real-time road conditions can avoid the congested road sections and reach the destination as soon as possible. In the driving process, it is necessary to observe the front, so voice broadcast is necessary, but it is not conducive to the driver’s grasp of the whole picture and the broadcast is not timely enough. In this paper, through clustering analysis method, the congestion distribution in the road network is highly summarized and accurately expressed, so that the machine can automatically recognize and push the expression information in a limited time, avoiding the formation of information for the driver Interference. It is beneficial for the driver to master the full view of the road ahead in a limited period of time.

1. 引言

Figure 1. Section is summarized as the overall description

2. 拥堵形态的人工智能判别

2.1. 拥堵形态分类与特征描述

1) 节点性拥堵

2) 线性拥堵

3) 区域性拥堵

2.2. 基于聚类分析归并拥堵形态

2.2.1. 基于Q型聚类测段分解

Figure 2. Cluster analysis and regression results of the road test sections

2.2.2. 聚类相关参数选择

2.2.3. 算法流程

K-均值聚类支持函数算法主要有以下几个函数，第一个loadDataSet()，此函数方法是将数据导入算法中，并将数据存入dM矩阵中，第二个distEclud()，用来计算计算欧式距离，最后一个randCent()，该函数主要是建立一个集合去存放产生的随机质心，并构建算法使用的数据集。关于质心的选取必须要数据集的范围之内，因此可以通过查找每一个数据集的边界大小来完成此项工作。

Figure 3. K-mean clustering algorithm flow

2.3. 基于回归算法识别拥堵形态

Logistic回归的一般过程为收集数据，准备数据，分析数据，训练算法，测试算法，使用算法。要使Logistic回归能接受所有的输入然后预测出分类结果，需要使用海维塞德阶跃函数(Heaviside step function)，但是该函数从0到1时间过快，因此过程非常难处理。但是经过研究发现Sigmoid函数具有海维塞德阶跃函数类似性质，并且在跳跃时更容易处理，因此选用Sigmoid函数。

2.3.1. 确定回归系数

Figure 4. Gradient ascending flow

2.3.2. 设定Sigmoid函数

$\sigma \left(z\right)=\frac{1}{1+{\text{e}}^{-z}}$ (1)

$z={w}_{0}{x}_{0}+{w}_{1}{x}_{1}+{w}_{2}{x}_{2}+\cdots +{w}_{n}{x}_{n}$ (2)

$w:=w+\alpha {\nabla }_{w}f\left(w\right)$ (3)

2.3.3. 算法流程

Figure 5. Decision boundary flow

Figure 6. The Logistic regression classification process

3. 算例分析

3.1. 实验过程

3.2. 测试结果

3.2.1. 聚类实验

Table 1. Congestion value data

3.2.2. 形态识别

(a) 节点拥堵 (b) 线性拥堵 (c)区域拥堵

Figure 7. Congestion clustering and morphological analysis

4. 结论

[1] 刁爱霞, 麻存瑞. 以兰州为例分析城市道路交通拥堵原因及相应对策[J]. 交通技术, 2013, 2(2): 91-98.
http://dx.doi.org/10.12677/OJTT.2013.22017

[2] 牛凯, 罗瑞琪, 齐庆祥. 基于BP神经网络的城市交通拥堵等级预测[J]. 天津建设科技, 2021, 31(5): 7-9.

[3] 袁浩, 任杰, 杨睿, 朱彤, 李博超. 考虑空间异质性的城市建成环境对交通拥堵状态的影响[J]. 武汉理工大学学报, 2021, 8(10): 841-844.

[4] 韦清波, 何兆成, 郑喜双, 等. 考虑多因素的城市道路交通拥堵指数预测研究[J]. 交通运输系统工程与信息, 2017, 17(1): 74-81.

[5] 刘张, 李坚, 王超, 等. 基于复杂城市道路网络的交通拥堵预测模型[J]. 电子科技大学学报, 2016, 45(1): 17-25.

[6] 晏雨婵, 白璘, 武奇生, 等. 基于多指标模糊综合评价的交通拥堵预测与评估[J]. 计算机应用研究, 2019, 36(12): 3697-3700+3704.

[7] 姚志洪, 蒋阳升, 王逸, 等. 车联网环境下的动态异质交通流车队离散模型[J]. 北京交通大学学报, 2019, 43(2): 107-116.

[8] 陈清元. 车联网环境下宏微观交通流参数融合的交通事件检测研究[D]: [硕士学位论文]. 重庆: 重庆大学, 2017.

[9] 杨连坤. 基于深度学习的城市道路交通状态评估[J]. 信息技术与信息化, 2021(2): 21-24.

[10] 邹延权. 城市建成环境对出行O-D时空分布影响研究[D]: [硕士学位论文]. 大连: 大连理工大学, 2019.

Top