[發(fā)明專利]一種基于層次聚類法的高速公路擁堵判斷方法及裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 202110642181.8
• 申請(qǐng)日: 2021-06-09
• 公開(kāi)（公告）號(hào): CN113380032B
• 公開(kāi)（公告）日: 2022-08-02
• 發(fā)明（設(shè)計(jì)）人: 孫棣華;趙敏;田禾
• 申請(qǐng)（專利權(quán)）人: 重慶大學(xué)
• 主分類號(hào): G08G1/01
• 分類號(hào): G08G1/01
• 代理公司: 北京匯澤知識(shí)產(chǎn)權(quán)代理有限公司 11228
• 代理人: 武君

本發(fā)明公開(kāi)了一種基于層次聚類法的高速公路擁堵判斷方法，包括：獲取歷史交通參數(shù)，所述歷史交通參數(shù)包括：檢測(cè)斷面的車流量、平均速度、占有率；對(duì)所述歷史交通參數(shù)進(jìn)行聚類，得到擁堵數(shù)據(jù)集和非擁堵數(shù)據(jù)集；對(duì)所述擁堵數(shù)據(jù)集進(jìn)行聚類，得到常發(fā)性擁堵數(shù)據(jù)集和偶發(fā)性擁堵數(shù)據(jù)集；獲取實(shí)時(shí)交通參數(shù)，并基于擁堵數(shù)據(jù)集中心、非擁堵數(shù)據(jù)中心、常發(fā)性擁堵數(shù)據(jù)集中心和偶發(fā)性擁堵數(shù)據(jù)集中心進(jìn)行擁堵判斷。本發(fā)明充分考慮上下游檢測(cè)斷面交通參數(shù)相似性、差異性、突變性的高速公路擁堵判別技術(shù)，不僅能夠較好的判別擁堵發(fā)生，并能進(jìn)一步判別擁堵為常發(fā)性或偶發(fā)性，可適用于對(duì)高速路上的擁堵的判別。

技術(shù)領(lǐng)域

本發(fā)明涉及到交通數(shù)據(jù)分析及處理領(lǐng)域，具體涉及一種基于層次聚類法的高速公路擁堵判斷方法及裝置，可適用于高速公路的擁堵判斷，并能判別常發(fā)性擁堵與偶發(fā)性擁堵。

背景技術(shù)

近年來(lái)，人均擁有車輛數(shù)爆發(fā)增長(zhǎng)，車輛增長(zhǎng)的速率遠(yuǎn)超與高速公路路網(wǎng)的延伸建設(shè)速度，路面超飽和度的現(xiàn)象持續(xù)增大，也大大增長(zhǎng)了高速公路出現(xiàn)異常事件的幾率。

高速公路的擁堵檢測(cè)是交通控制與誘導(dǎo)的重要基礎(chǔ)。高速公路發(fā)生擁堵的情況一般分為兩種，分別分為常發(fā)性擁堵與偶發(fā)性擁堵，常發(fā)性擁堵表現(xiàn)為該路段在某時(shí)段車流量急劇上升致使超過(guò)道路運(yùn)行負(fù)荷所引起的擁堵，如早高峰、晚高峰情形。偶發(fā)性擁堵是異常事件的發(fā)生所導(dǎo)致的，異常事件發(fā)生時(shí)將會(huì)產(chǎn)生一個(gè)道路瓶頸，若此時(shí)該路段車流量較大時(shí)，會(huì)對(duì)事件發(fā)生的路段的車輛行駛狀況產(chǎn)生較大的影響，而我們可以根據(jù)這些影響并結(jié)合該路段的檢測(cè)設(shè)備對(duì)異常事件進(jìn)行檢測(cè)。

現(xiàn)階段事件檢測(cè)算法最常用的便是加州算法及其改進(jìn)變形的算法，如加州7#算法和及加州8#算法，為雙截面異常事件檢測(cè)算法，根據(jù)路段中發(fā)生交通事件會(huì)造上游檢測(cè)斷面占有率增高，下游檢測(cè)斷面占有率下降這一事實(shí)，通過(guò)三個(gè)門限值來(lái)進(jìn)行判別交通是否擁堵。McMaster算法根據(jù)突變理論，建立流量-占有率圖，通過(guò)門限曲線的劃分來(lái)判斷交通狀態(tài)，其不僅可以判別出擁堵和非擁堵，而且還可判斷偶發(fā)性擁堵和常發(fā)性擁堵。

上述研究主要依據(jù)經(jīng)典的交通流理論，并結(jié)合模式識(shí)別和數(shù)據(jù)統(tǒng)計(jì)技術(shù)進(jìn)行研究，其思想主要為對(duì)數(shù)據(jù)中的異常數(shù)據(jù)進(jìn)行識(shí)別從而實(shí)現(xiàn)對(duì)交通事件的檢測(cè)，其共性的缺點(diǎn)算法參數(shù)標(biāo)定困難，且各路段適用性不強(qiáng)。

近年來(lái)，隨著人工智能技術(shù)的發(fā)展與進(jìn)步，隨著數(shù)據(jù)的數(shù)量變多、質(zhì)量變好，部分交通學(xué)者們開(kāi)始引入人工智能技術(shù)解決交通問(wèn)題，一部分學(xué)者認(rèn)為僅是單純的使用交通三參數(shù)，即流量、速度、密度無(wú)法有效的區(qū)分出常發(fā)性擁堵與偶發(fā)性擁堵，所以需要設(shè)計(jì)新的特征參數(shù)來(lái)對(duì)擁堵性質(zhì)進(jìn)行判別。2010年清華大學(xué)蒲世林等人，通過(guò)設(shè)計(jì)新的特征來(lái)對(duì)數(shù)據(jù)集進(jìn)行分類，可直接區(qū)分出正常、常發(fā)性擁堵、偶發(fā)性擁堵。2014年秦韜根據(jù)提取出的特征參數(shù)結(jié)合bp神經(jīng)網(wǎng)絡(luò)算法對(duì)城市局部偶發(fā)性擁堵和常發(fā)性擁堵進(jìn)行了判別，效果較好。

人工智能算法由于對(duì)數(shù)據(jù)充分的挖掘利用，能夠達(dá)到模式識(shí)別、歷史對(duì)比法等無(wú)法達(dá)到的效果，但也有缺陷：一是算法特征選取也尤為關(guān)鍵，否則將會(huì)對(duì)擁堵性質(zhì)判別造成較大的影響；二是為了更好的區(qū)分常發(fā)性擁堵與偶發(fā)性擁堵，通常會(huì)選取多個(gè)特征，但是特征數(shù)量的增加會(huì)導(dǎo)致“維數(shù)災(zāi)難”，使運(yùn)算量驟增。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明提出一種基于層次聚類法的高速公路擁堵判斷方法及裝置，用于解決現(xiàn)有技術(shù)中的至少一個(gè)缺陷。

本發(fā)明的目的是通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn)的：一種基于層次聚類法的高速公路擁堵判斷方法，該方法包括：

獲取歷史交通參數(shù)，所述歷史交通參數(shù)包括：檢測(cè)斷面的車流量、平均速度、占有率；

對(duì)所述歷史交通參數(shù)進(jìn)行聚類，得到擁堵數(shù)據(jù)集和非擁堵數(shù)據(jù)集；

對(duì)所述擁堵數(shù)據(jù)集進(jìn)行聚類，得到常發(fā)性擁堵數(shù)據(jù)集和偶發(fā)性擁堵數(shù)據(jù)集；

獲取實(shí)時(shí)交通參數(shù)，并基于擁堵數(shù)據(jù)集中心、非擁堵數(shù)據(jù)中心、常發(fā)性擁堵數(shù)據(jù)集中心和偶發(fā)性擁堵數(shù)據(jù)集中心進(jìn)行擁堵判斷。