[發(fā)明專利]一種基于SOM-PAM聚類算法的路網動態(tài)劃分方法

在審

• 申請?zhí)枺?/td>: 201910238795.2
• 申請日: 2019-03-27
• 公開（公告）號: CN110111561A
• 公開（公告）日: 2019-08-09
• 發(fā)明（設計）人: 郭海鋒;黃紀勇;喬洪帥;王奇;劉玉新;楊憲贊
• 申請（專利權）人: 浙江工業(yè)大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G06K9/62
• 代理公司: 杭州天正專利事務所有限公司 33201
• 代理人: 王兵;黃美娟

1.一種基于SOM-PAM聚類算法的交通子區(qū)動態(tài)劃分方法，包括以下步驟：

1)通過傳感器設備，采集交叉口交通流數據，獲得交叉口交通流數據樣本集；

2)結合實際情況對SOM神經網絡進行初始化，并將所述采集的交叉口交通流數據樣本集帶入SOM神經網絡模型進行計算，獲得路網的初次劃分結果；SOM神經網絡聚類迭代過程包括以下步驟：

(2.1)神經網絡初始化，初始化權向量，領域函數和學習率，對輸入向量和權向量進行歸一化處理；

M(t)＝a-a*t/m (1)

η(t)＝e^-M(t)*(0.3/(t+1)) (2)

式中：M(t)代表領域函數，t代表迭代次數，a和m分別代表初始的領域距離和總迭代次數，η(t)代表學習率函數，x′_i和w′_j分別代表輸入向量和權向量的歸一化的值，||x_i||和||w_j||分別代表輸入向量和權向量的歐式范數；

(2.2)計算映射層的權向量和輸入向量的歐式距離；

(2.3)通過距離最小原則確定獲勝神經元，并調整權值；

w'_j(t+1)＝w'_j(t)+η(t)M(t)(x_i-w'_j(t)) (4)

(2.4)更新學習率和領域函數并對更新過后的權值歸一化，返回步驟(2.2)直到獲勝神經元不變或學習率為零。

3)在步驟2)基礎上，通過路網拓撲結構和交通流特性對交叉口進行等級排序，識別路網初次劃分子區(qū)中的關鍵交叉口；通過計算交叉口的關鍵度進行排序得到關鍵交叉口，交叉口i的關鍵度ε_i的計算公式為：

式中：a₁代表交叉口i的拓撲值所占權重，表示交叉口i拓撲值排序等級，a₂代表交叉口流量所占權重(a₁+a2＝1)，代表交叉口i的流量排序等級。

4)通過采集的交叉口交通流數據建立相鄰交叉口關聯度樣本集，再通過步驟3)的關鍵交叉口得到關鍵關聯度；相鄰交叉口i和j有關流量，周期和密度的關聯度I_q(i,j)，I_c(i,j)和I_d(i,j)，其方程式如(6)(7)(8)所示：

式中：T代表交叉口間的行程時間，q_max代表上游交叉口最大交通量，代表下游交叉口進口道車道組交通流量，n代表交叉口進口道上游關聯流向數，C_i和C_j分別代表交叉口i和j的周期時長，Q_ij代表交叉口間的路段流量，L_ij代表交叉口間的間距。

5)將步驟1)和步驟4)中的子區(qū)數目和關鍵關聯度作為輸入聚類數目和聚類中心點，并將步驟4)的相鄰交叉口關聯度樣本集帶入PAM模型進行計算，聚類中心對應的類即為當前路網動態(tài)劃分的子區(qū)；PAM聚類算法的聚類迭代過程包括以下步驟：

(5.1)將步驟2)得到子區(qū)數目k作為聚類數目，步驟3)的關鍵關聯度作為初始聚類中心；

(5.2)計算除去類中心的樣本點與這k個類中心的距離d(X,C)；

(5.3)更換聚類中心后，計算前后d(X,C)的差值，若差值不再發(fā)生變化，則算法結束，否則返回步驟(5.2)，繼續(xù)進行計算，直到差值不再發(fā)生變化。

2.如權利要求1所述，其特征在于：在步驟1)中，實驗環(huán)境不限于多個地區(qū)、多個季節(jié)、多種天氣以及一天中的多個時間段；所述的傳感器設備包括但不限于地磁傳感器、微波傳感器、線圈傳感器以及此類的相關設備。