城市路口交通状态判别方法研究

任其亮，王世能，王 坤，詹家凤，曾 柯

(重庆交通大学 交通运输学院，重庆 400074)



城市路口交通状态判别方法研究

任其亮，王世能，王 坤，詹家凤，曾 柯

(重庆交通大学 交通运输学院，重庆 400074)

为客观、有效地评价城市路口交通状态，选择平均最大排队长度、饱和度、平均车辆延误、速度比等4个对城市路口交通状态变化最为敏感且容易获取的参数作为评价指标，选取Relief F算法对所选取的评价指标进行权值判定，设计了基于模糊FCM 聚类的综合判别模型，并借助VISSIM交通仿真软件对路口交通流状态进行了仿真。结果表明：改进的W-FCM判别方法相比于传统的神经网络判别法，总体误判代价降低了47.5%，判别精度提升至96.7%，改进的判别方法具有较强的可行性。

交通运输工程；城市路口；交通状态；排队长度；W-FCM聚类算法

0 引 言

对城市道路交通流状态进行科学评判，对于提前预估并进行城市交通拥堵的疏导决策方案具有极为重要的理论和应用价值。20世纪80年代以来，已有很多学者在道路交通状态判别方面进行了大量研究，并取得了重要的成果。刘海青等[1]提出了一种基于主成分分析和模糊综合评价相结合的定量评价模型；张晓亮等[2]提出了基于FCM-粗糙集的城市快速路交通状态判别模型；祁宏生等[3]建立了基于合理路径集的路网分析模型，模型选用的参数大多为交通流的宏观参数及其衍生参数，所选参数都能直接或间接地反映道路交通运行状况，从而有效地对交通流状态做出判断；陈义华等[4]设计了一种基于模糊综合评判的交通状态判别模型，用于对路段和路口进行交通状态判别；窦慧丽等[5]通过对交通流的分类研究，提出在速度很高、速度很低、占有率很大等3种情况下可直接判断道路交通流状况，其中速度对交通流分类的影响最大，其次是占有率，流量的作用最低，其他情况需要根据交通流变量来综合判断。

现有研究对判别城市道路交通状态具有较强的指导作用，但同时笔者发现存在如下一些问题有待改善。首先，现有的一些评价方法存在一些问题，例如：针对以往的基于经验风险最小化的神经网络等[6]学习方法存在的网络结构难以确定、过学习、欠学习以及局部最小等问题；传统的基于支持向量机的聚类分析方法[7](Support Vector Machine，SVM)，当样本规模较大、维数较高、类别数较多、分布不规则且存在噪声数据干扰时,聚类分析模型存在训练速度较慢、参数敏感且难以找到合适的簇原型来提升簇标定的效率和准确率等问题，最终对交通状态的判别结果在精度上难以满足实际需求。其次，在聚类中心和判别指标的选取、赋权上存在着如下几点问题：①选取的评价指标过多且具有一定的相关性，这样模型既欠缺实用性又增加了计算量；②在做聚类分析时，聚类中心的选取过于主观；③确定评价指标权重时部分研究采用专家打分法或经验值法，不够客观；④现有研究成果主要运用于城市道路路段交通状态的判别，而对路口交通状态的判别模型尚需进一步深入研究。再次，在算法上有以下几个方面需要改进，例如: K-means聚类的最终结果会受初始中心的影响过于敏感，同时算法过于依赖于用户指定的k值；各聚类间线性不可分时，K-means算法就会失效。模糊C-均值聚类算法[8]规定了每个样本对各个隶属度的和必须为1，然而，实际隶属度值并不总是能与直观上的隶属度相一致；而且最优解以及对初始化敏感等问题，在处理大量的实时交通流数据时存在一定弊端。

笔者采用改进的模糊C均值聚类算法—FCM 聚类加权指数算法(W-FCM)对城市路口交通状态进行判别研究。

1 城市路口交通状态划分

1.1 城市路口交通状态判别指标选取

用于描述城市路口交通状态的参数指标有通行能力、延误、排队长度、平均运行速度、时间占有率、饱和度等近20个，因各个指标之间存在着互相的联系，因此，判别指标并非越多越好，关键在于选取的指标在交通状态判别中所起作用的大小，以及指标获取的难易程度和量化难度。选取平均最大排队长度、饱和度、平均车辆延误、速度比等4个对路口交通状态最敏感且容易获取的指标作为路口交通状态的判别指标。

排队长度是指在交通间断点处需要排队等待的车辆占用的路段长度。排队长度是衡量交通拥挤程度的直观指标，对评价路口的运行状况、衡量交通拥挤的严重程度具有重要意义。一般来说，交叉口的车辆排队长度与城市路网的交通拥挤程度呈正比[9]：

(1)

式中：Qi为第i机动车进口道的交通量；R为红灯时间。

2)饱和度α

在此，饱和度是指当前整个道路交叉口的交通流量占正常通行时路口容量上限的比重，并非同一时段下交叉口各相位饱和度之和。理论上讲，交叉口饱和度值在小于1的情况下都能满足车流的通行，而在实际运行中，当交叉口饱和度值接近于1时，路口的交通运行状况将迅速恶化。同时交通流状态也将逐渐拥挤，甚至造成交通阻塞。

饱和度由路口的交通流量除以该路口的通行能力而得，可按式(2)计算：

(2)

式中：α为饱和度；n为路口机动车进口道数；qi为第i机动车进口道的饱和度；其他符号含义同前。

3)路口平均车辆延误D

平均车辆延误是指车辆在交叉口处由于排队等待而产生的时间损失平均值。车辆延误是判断交通状态最直观的指标之一。路口平均每辆车的延误D可按式(3)计算：

(3)

式中：D为路口平均车辆延误，s/辆；VI表示引道I的流量，pcu/h；dI为每条引道的延误，s/辆。

其中，每条引道的延误：

(4)

每条车道的延误：

(5)

式中：di为引道I上第i条车道的延误，s/辆；vi为引道I上第i条车道的车流量,pcu/h；Tc为信号周期时长，s；g/T为车道所属信号相位的绿信比；x指该车道的饱和度；C指该车道的通行能力。

4)速度比E

速度比是指车辆在交叉口行驶速度与相应路段上的区间平均速度的比值。速度比能直观地反映车辆在交叉口处的刹车情况，同时也反映了交叉口的交通畅通程度。速度比越小，则交通越畅通；反之，则越拥堵，见式(6)：

(6)

式中：Vc为机动车通过路口的行驶速度，km/h；V指机动车在上游路段的区间平均速度，km/h。

1.2 城市路口交通状态分级

笔者依据路口的交通流特性以及拥堵强度，将路口交通流状态划分为4类: 自由流、稳定流、拥挤流、堵塞流。

自由流表示道路的使用者可以自由或较自由地选择行车速度并以设计速度行驶，受交通流中其他车辆的影响很小；稳定流表示道路中交通流密度较大，但仍处于稳定交通流状态；拥挤流表示交通需求接近路口的交通容量，车辆在道路上缓慢行驶的交通现象；堵塞流表示道路交通流处于强制流或间断阻塞流状态，车辆需要一次或几次停车才能经过城市路口的交通现象。

结合美国《道路通行能力手册》和《交通工程学》对上述4种交通状态的判别指标：平均最大排队长度、饱和度、平均车辆延误、速度比的建议值如表1。

表1 交通状态的判别指标建议值

2 城市路口交通状态判别W-FCM 聚类模型

2.1 聚类模型

由于样本数据量较大，K-means聚类算法[10]对大型数据集的处理效率较高，在此运用K-means聚类算法获取初始聚类中心。然而传统的聚类方法较少考虑特征权值，即使考虑权值，选用的权值分析方法多半带有相应的主观性。Relief F算法[11]加权能够避免主观臆断的干扰，为此，笔者选用Relief F算法对选取的特征值进行赋权，以解决判别指标权值取值不当对聚类产生的负面影响。然后利用改进的W-FCM进行交通状态聚类分析。改进的W-FCM聚类算法流程如图1。

图1 W-FCM算法流程

设有n个被分类对象样本，样本集为X=(x1，x2，…，xn)，每个xi有m个特性指标(m=4)，即可表示为特性指标向量xi=(xi1，xi2，xi3，xi4)。于是，n个被分类样本的特性指标矩阵可表示为：

式中：Xij表示第i个样本中的第j个特性指标；矩阵的第1列为最大平均排队长度，第2列为饱和度，第3列为路口平均车辆延误，第4列为速度比；每1行代表一个样本。

利用K-means聚类法得到聚类数C和最终初始聚类中心V0=(v1，v2，…，vC)。通过ReliefF算法计算样本集合X=(x1，x2，…，xn)中各特征指标的权重，m个特征指标的权重向量为W=(w1，w2，…，wm)，改进后W-FCM算法的目标函数可定义如下：

(7)

式中：Wt为数据样本第t维特征的权重。

2.2 W-FCM算法实现

W-FCM聚类算法是基于传统的模糊C-均值聚类，在此基础上选取更准确的初始聚类中心和对判别指标进行客观加权改进而来，具体实现步骤如下：

Step1:输入样本分类数C，进行一次K-means聚类，得出初始聚类中心V0=(v1，v2，…，vC)；

Step2：通过Relie F算法计算得出特征权重向量W=(w1，w2，…，wt)；

Step3：设置模糊参数q和标定迭代停止阈值ε；

Step4：以式(8)计算以及更新模糊分类矩阵R(l);

(8)

Step5：更新聚类中心V(l+1)；

(9)

Step6：对比V(l)与V(l+1)，根据设定的迭代终止阈值ε，若‖V(l+1)-V(l)‖<ε，则迭代终止。V*=V(l+1)为最终所求聚类中心；否则，l=l+1，转入Step4继续迭代。

3 实例仿真

3.1 改进W-FCM算法与传统聚类算法对比

为验证以上模型的实用性，对重庆市学府大道与海峡路交叉口交通状态进行判别应用。数据采集时间涵盖工作日和节假日，采集时段上涵盖早、晚高峰期和平峰期，数据采集时间间隔为5 min，总共采集交通数据300组。单组数据记录包括平均最大排队长度、饱和度、平均车辆延误、速度比4个指标参数，样本分训练样本集150组、测试样本集150组。实验结果在SPSS和VISSIM5.0环境下仿真获得，聚类分为：自由流、稳定流、拥挤流、堵塞流4类。根据样本集数据量选取模糊指数q=1.8[12]，迭代终止阈值为0.02。表2为采集的学府大道与海峡路交叉口的交通参数。

表2 重庆学府大道与海峡路交叉口交通参数

对表2中交通参数进行归一化、标准化处理，实验采用K-means聚类、FCM聚类和改进的W-FCM聚类对训练样本聚类出4种交通状态的聚类中心，然后利用以上3种聚类算法对测试样本集进行仿真实验，分别输出聚类结果进行精度对比。

1)K-means作初始聚类，得出交通状态分类数C=4以及最终初始聚类中心为：

2)FCM聚类算法的聚类中心为：

3)经ReliefF对判别指标加权处理得到所选取4个指标参数(最大平均排队长度，饱和度，平均车辆延误，速度比)的权重向量W=(0.19，0.23，0.31，0.27)。将权重向量和最终初始聚类中心V0代入W-FCM聚类算法流程循环迭代，得到的聚类中心为：

上述聚类中心矩阵中，第1列表示自由流的聚类中心，第2列表示稳定流的聚类中心，第3列表示拥挤流聚类中心，第4列表示堵塞流聚类中心。

通过实验，对比K-means聚类法 、FCM聚类法、W-FCM聚类法3种聚类方法的聚类结果情况，如表3。

表3 K-means，FCM，W-FCM聚类结果分析

由表3可见，基于FCM改进的W-FCM聚类效果精度高达96.7%比传统的FCM聚类高出6.4%、比K-means聚类高出8.5%，原因在于该算法选取合适的初始聚类中心，并选用Relief F算法对判别指标进行客观赋值。克服了最优解以及对初始化敏感等问题，能够处理大量的交通数据。

3.2 改进W-FCM聚类方法与其他评价方法对比

将本次试验采集到的原始交通数据分别带入改进的W-FCM聚类方法模型、传统的基于支持向量机的聚类分析模型和基于神经网络的交通状态判别模型进行运算，对最终的评价结果进行比较分析。

3.2.1 W-FCM与SVM分类效果比较

图2中，SVM为传统的基于支持向量机的聚类评价方法，W-FCM为本次研究改进的模糊C均值聚类评价方法。通过改进的W-FCM分类方法和传统的基于支持向量机分类方法的横向比较，从单纯通过W-FCM聚类评价方法对原始交通数据进行分类效果看，使用W-FCM分类精度比传统的基于支持向量机分类有较大的提升。

图2 W-FCM聚类方法与SVM聚类方法对比

3.2.2 W-FCM与基于神经网络的交通状态分类效果比较

通过横向比较两种分类评价方法总体误判代价，得出改进模糊聚类方法(W-FCM)的优越性，见表4。

表4 给定的代价矩阵

将本次试验采集的原始交通数据带入两种聚类分析方法进行聚类分析，结果如表5。

由表5可以看出，改进的W-FCM聚类方法相比神经网络，总体误判代价降低了47.5%，同时误判组数减少了33.3%，在一定程度上提高了交通状态判别的精度。

通过实验研究，说明了改进W-FCM聚类方法选取合适的初始聚类中心，并选用Relief F算法对判别指标进行客观赋值。克服了最优解以及对初始化敏感等问题，提高了分类的准确度，验证了运用改进的W-FCM聚类方法进行道路交通状态分类是可行的。

4 结 语

将改进的W-FCM聚类算法应用于城市路口的交通状态判别，通过实例仿真结果与一些既有传统聚类算法和评价方法进行比较分析，表明改进的聚类算法明显提高城市路口交通状态的聚类精度，降低了总体误判代价。模型很好地体现了交通状态的连续渐变性质，切实地反映人们对交通运行状况的感受，从而更有效地判别城市路口交通状态，同时也为交通缓堵提供了一个有效的依据。

在本次判别研究中，关于模型中的模糊指数q没有进行专门的分析，而是结合样本的数据量和样本数据的性质沿用了前人的研究成果，关于参数q的优选仍有待于进一步的研究。

[1] 刘海青,杨立才,吴磊,等.基于Fuzzy-PCA的城市区域交通拥挤评价方法[J].山东大学学报:工学版,2012,42(6):56-62. Liu Haiqing,Yang Licai,Wu lei,et al.Regional traffic congestion evaluation based on Fuzzy-PCA [J].Journal of Shandong University:Engineering Science,2012,42(6):56-62.

[2] 张晓亮,张可,刘浩,等.基于FCM-粗糙集的城市快速路交通状态判别[J].系统工程,2010,28(8):75-80. Zhang Xiaoliang,Zhang Ke,Liu Hao,et al.Identification of urban expressway traffic state based on FCM-Rough sets [J].Systems Engineering,2010,28(8):75-80.

[3] 祁宏生,王殿海,徐程.基于合理路径的拥挤路网交通状态分析方法[J].西南交通大学学报,2011,46(1):175-181. Qi Hongsheng,Wang Dianhai,Xu Cheng.Method for congested traffic network state analysis based on reasonable routes [J].Journal of Southwest Jiaotong University,2011,46(1):175-181.

[4] 陈义华,晏承玲.基于FAHP 和模糊综合评判的交通状态判别模型[J].重庆理工大学学报:自然科学版,2012,26(11):109-114. Chen Yihua,Yan Chengling.A model for traffic state recognition based on FAHP and Fuzzy comprehensive evaluation [J].Journal of Chongqing University of Technology:Natural Science,2012,26(11):109-114.

[5] 窦慧丽,王国华.基于模糊聚类和判别分析的交通状态提取算法[J].交通信息与安全,2010,28(2):13-15. Dou Huili,Wang Guohua.Algorithm of traffic state extraction based on fuzzy clustering and discriminant analysis [J].Journal of Transport Information and Safety,2010,28(2):13-15.

[6] Wang Yibing,Papageorgiou M.Real-time freeway traffic state estimation based on extended Kalman filter:a general approach [J].Transportation Research:Part B:Methodological,2005,39(2):141-167.

[7] Joseph J F C,Lee B S,Das A,et al.Cross-layer detection of sinking behavior in wireless Ad Hoc networks using SVM and FDA [J].IEEE Transactions on Dependable and Secure Computing,2011,8(2):233-245.

[8] Nefti S,Oussalah M,Kaymak U.A new fuzzy set merging technique using inclusion-based fuzzy clustering [J].IEEE Transactions on Fuzzy Systems,2008,16(1):145-161.

[9] 任其亮,肖裕民.城市路网交通拥堵H-Fuzzy 评判方法研究[J].重庆交通大学学报:自然科学版,2008,27(5):763-766. Ren Qiliang,Xiao Yumin.Research on H-Fuzzy evaluation method for traffic congestion of city road-network [J].Journal of Chongqing Jiaotong University:Natural Science,2008,27(5):763-766.

[10] 周世兵,徐振源,唐旭清.K-means算法最佳聚类数确定方法[J].计算机应用,2010,30(8):1995-1998. Zhou Shibing,Xu Zhenyuan,Tang Xuqing.Method for determine optimal number of clusters in K-means clustering algorithm [J].Journal of Computer Applications,2010,30(8):1995-1998.

[11] 李晓岚.基于Relief特征选择算法的研究与应用[D].大连:大连理工大学,2013. Li Xiaolan.Selection and Application Characteristics Algorithm Relief [D].Dalian:Dalian University of Technology,2013.

[12] 肖满生,张居武.一种基于子集测度的FCM聚类加权指数计算方法[J].模糊系统与数学,2013,27(2):136-141. Xiao Mansheng,Zhang Juwu.The weighted exponent calculation method of FCM clustering based on subset measuring [J].Fuzzy Systems and Mathematics,2013,27(2):136-141.

Identification Method of Traffic State in Urban Intersection

Ren Qiliang, Wang Shineng, Wang Kun, Zhan Jiafeng, Zeng Ke

(School of Traffic & Transportation, Chongqing Jiaotong University, Chongqing 400074, China)

In order to objectively and effectively evaluate the traffic state of urban intersection, the parameters were chosen as the evaluation indexes, including the average maximum queue length, saturation, average vehicle delay and velocity ratio, which were the most sensitive evaluating indicators to the traffic state of urban interaction and also easy to be obtained. Relief F algorithm was selected to determine the weights of the selected evaluation indexes, and a comprehensive identification model based on fuzzy clustering FCM was designed. And then the traffic flow state at urban intersection was simulated by VISSIM traffic simulation software. The results show that compared with the traditional neural network method, the total error cost of the improved W-FCM method is reduced by 47.5% and the accuracy is improved to 96.7%. The improved identification method has a strong feasibility.

traffic and transportation engineering; urban intersection; traffic state; queue length; W-FCM

10.3969/j.issn.1674-0696.2015.06.21

2014-03-10；

2014-07-27

重庆市教委自然科学研究项目(KJ130422)；中国博士后科研基金(20110490809)

任其亮(1978—)，男，山东莱芜人，教授，博士后，主要从事城市交通方面的研究。E-mail: cqrql@126.com。

王世能(1988—)，男，贵州黔东南人，硕士研究生，主要从事城市交通方面的研究。E-mail:511064021@qq.com。

U491

A

1674-0696(2015)06-111-05