基于MFD和譜聚類的路網(wǎng)交通狀態(tài)判別方法與仿真

魏文鈺 歐陽志濠 劉綺森 梁逸龍 蔡立椿

摘 ?要：宏觀基本圖可從宏觀層面對路網(wǎng)交通狀態(tài)進行判別，但只能判別路網(wǎng)交通是否處于過飽和狀態(tài)，無法進一步劃分路網(wǎng)交通狀態(tài)，而譜聚類算法能有效地對樣本數(shù)據(jù)進行分類。鑒于此，文章提出基于宏觀基本圖和譜聚類的路網(wǎng)交通狀態(tài)判別方法，首先利用浮動車估測法得到路網(wǎng)宏觀基本圖，然后依據(jù)譜聚類算法，對路網(wǎng)宏觀基本圖進行聚類分析，從而將路網(wǎng)交通狀態(tài)劃分為四個等級（低峰、平峰、高峰、過飽和）。為了驗證算法的有效性，以廣州市越秀區(qū)北京路周邊路網(wǎng)為例，建立基于VISSIM的微觀交通仿真模型，設(shè)定浮動車比例為30%，估測路網(wǎng)宏觀基本圖，然后在MATLAB中實現(xiàn)譜聚類算法，將路網(wǎng)交通劃分為四種交通狀態(tài)。研究的算法能夠有效地對路網(wǎng)交通狀態(tài)進行細分，為后續(xù)對路網(wǎng)交通進行精細化管理與控制奠定了基礎(chǔ)。

關(guān)鍵詞：交通工程;路網(wǎng)交通狀態(tài)判別;宏觀基本圖;譜聚類;VISSIM交通仿真

中圖分類號：TP391.4 ? ? ?文獻標識碼：A 文章編號：2096-4706（2020）04-0113-03

Abstract：Macroscopic Fundamental Diagrams can distinguish the traffic state of road network from macroscopic level，but can only judge whether the road network traffic is too saturated，can not further divide the traffic state of the road network，and the spectral clustering algorithm can effectively classify the sample data. In view of this，this paper proposes a road network traffic state discrimination method based on macroscopic basic graph and spectral clustering，first using the floating vehicle estimation method to obtain the macroscopic basic map of the road network，and then according to the spectral clustering algorithm，the macroscopic basic map of the road network is cluster analysis，so as to divide the traffic state of the road network into four grades（low peak，flat peak，peak，supersaturation）. In order to verify the effectiveness of the algorithm，taking the road network around Beijing Road in Guangzhou Yuexiu District as an example，using VISSIM traffic simulation software，the simulation model of regional road network micro-traffic is established，and the proportion of floating vehicle is set as 30%，estimate the macroscopic basic map of the road network，and then realize the spectral clustering algorithm in MATLAB，which divides the road network into 4 kinds of traffic states. This algorithm can effectively subdivide the traffic state of the road network，which lays a foundation for the fine management and control of road network traffic in the next way.

Keywords：traffic engineering;road network traffic status discrimination;macroscopic fundamental diagrams;spectral clustering;VISSIM traffic simulation

0 ?引 ?言

路網(wǎng)交通狀態(tài)客觀反映路網(wǎng)交通運行情況，是提升城市交通控制與管理效率的關(guān)鍵所在。路網(wǎng)交通狀態(tài)判別方法一直是智能交通領(lǐng)域的研究熱點。近期研究表明，基于宏觀基本圖的交通判別方法可以從宏觀層面對路網(wǎng)交通狀態(tài)進行判別，但只能判別路網(wǎng)交通是否處于過飽和狀態(tài)，無法進一步劃分路網(wǎng)交通狀態(tài)。筆者長期從事交通數(shù)據(jù)挖掘方面的研究，參與多項交通數(shù)據(jù)挖掘方面的項目，熟悉掌握各類聚類分析方法。其中譜聚類算法（Spectral Clustering）是機器學(xué)習(xí)領(lǐng)域的研究熱點，它是一種基于譜圖理論的點對聚類算法，將數(shù)據(jù)聚類問題轉(zhuǎn)化為圖的最優(yōu)劃分問題。譜聚類算法可以從宏觀層面對路網(wǎng)的交通狀態(tài)進行判別，能更加全面和準確地判別交通狀況。譜聚類算法也經(jīng)常被交通領(lǐng)域的學(xué)者用于分析交通流狀況。但是未見相關(guān)文獻將宏觀基本圖與譜聚類算法相結(jié)合，對路網(wǎng)進行交通狀態(tài)判別。因此，本文提出基于宏觀基本圖和譜聚類的路網(wǎng)交通狀態(tài)判別方法，對路網(wǎng)交通狀態(tài)做進一步劃分。

1 ?宏觀基本圖與譜聚類算法

1.1 ?宏觀基本圖

2 ?實驗分析

2.1 ?建立路網(wǎng)微觀仿真模型

根據(jù)實地調(diào)查的交通流數(shù)據(jù)，在VISSIM交通仿真軟件建立仿真模型。首先導(dǎo)入路網(wǎng)布局圖，然后按照實際路網(wǎng)繪制路網(wǎng)模型，輸入實際交通流量，并對車流進行分配和路徑誘導(dǎo)，在車輛中添加FCD（浮動車），其比例為30%;然后根據(jù)此路網(wǎng)中各個交叉口交通信號燈的實際信號周期，輸入信號燈周期、設(shè)置路口紅綠燈位置，并在每個轉(zhuǎn)彎處都添加減速帶;隨后設(shè)置收集浮動車數(shù)據(jù)，其中包括每輛浮動車的數(shù)據(jù)采集的周期、速度、行駛時間、行駛距離等等。其中每15 s獲取一次數(shù)據(jù)，整個路網(wǎng)運行86 400 s，完成路網(wǎng)仿真模型建立，如圖1所示。

2.2 ?宏觀基本圖估測

本文利用浮動車數(shù)據(jù)估測法，根據(jù)實際交通流量，在VISSIM仿真軟件繪制仿真模型時，添加了FCD（浮動車），將整個路網(wǎng)進行了仿真運行（運行86 400 s），得出FZP文件。將FZP文件導(dǎo)入到Excel中，通過代碼生成加權(quán)交通流量（qw）和加權(quán)交通密度（kw），生成宏觀基本圖，如圖2，其擬合函數(shù)為：y=0.008 5x3-0.981x2+34.41x+63.355。

2.3 ?譜聚類算法分析

在基于宏觀基本圖數(shù)據(jù)的前提下，將得知的加權(quán)交通流量（qw）和加權(quán)交通密度（kw）這兩個關(guān)鍵數(shù)據(jù)，導(dǎo)入MATLAB編程軟件中，并導(dǎo)入程序代碼，生成譜聚類圖，如圖3所示，隨后加以分析。

根據(jù)譜聚類算法可以將路網(wǎng)交通狀態(tài)劃分為低峰、平峰、高峰、過飽和等4種交通狀態(tài)，并將劃分交通狀態(tài)的過程用MATLAB實現(xiàn)并進行可視化顯示，具體的交通狀態(tài)劃分結(jié)果如圖3所示，其中不同的交通狀態(tài)劃分用不同的顏色進行區(qū)分。當加權(quán)交通密度kw的范圍在0～6 veh/km時，此時路網(wǎng)交通狀態(tài)劃分為低峰級，路網(wǎng)來往車輛少，此時路網(wǎng)交通狀態(tài)暢通;當加權(quán)交通密度kw的范圍在6～9 veh/km時，此時路網(wǎng)交通狀態(tài)劃分為平峰級，路網(wǎng)來往車輛雖稍微多，但不至于出現(xiàn)擁堵;當加權(quán)交通密度kw的范圍在9～20 veh/km時，此時路網(wǎng)交通狀態(tài)劃分為高峰級，路網(wǎng)來往車輛多，有擁堵情況;當加權(quán)交通密度kw的范圍在20 veh/km以上時，此時路網(wǎng)交通狀態(tài)劃分為過飽和級，路網(wǎng)來往車輛非常多，路面十分擁堵。因此，譜聚類算法可以比較清晰地看出路網(wǎng)是否擁堵，可以有效地對路網(wǎng)交通狀態(tài)進行判別。

3 ?結(jié) 論

本文主要對城市路網(wǎng)交通狀態(tài)判別進行研究，提出了基于宏觀基本圖和譜聚類算法的路網(wǎng)交通狀態(tài)判別方法，并通過實際數(shù)據(jù)的實驗分析證明了該算法的有效性，最終結(jié)果表明，本文算法可以清晰地將路網(wǎng)交通狀態(tài)劃分為不同的交通狀態(tài)，交通管理者可以從宏觀層面出發(fā)，利用路網(wǎng)狀態(tài)變化信息，及時對擁堵的交通流進行疏導(dǎo)，減少交通事故，使交通安全可以得到保障，讓有限的路網(wǎng)時空資源發(fā)揮最大的效益，對緩解城市交通擁堵具有一定的實用性。為后續(xù)進行路網(wǎng)精細化交通管理與控制奠定了基礎(chǔ)。與此同時，因城市交通系統(tǒng)具有復(fù)雜性及實時交通流具有多變性，本次研究尚有許多不足之處有待改進。如本次研究的MFD在采用浮動車數(shù)據(jù)估測法時，設(shè)置的浮動車比例為15%，跟實際交通狀況有一定的誤差，可在減少與實際交通狀況的誤差方面進一步研究，使數(shù)據(jù)更準確。

參考文獻：

[1] NAGLE A，GAYAH V. Accuracy of Networkwide Traffic States Estimated from Mobile Probe Data [J].Transportation Research Record Journal of the Transportation Research Board，2014（2421）：1-11.

[2] 林曉輝，徐建閩.基于自適應(yīng)加權(quán)平均的路網(wǎng)MFD估測融合方法 [J].交通運輸系統(tǒng)工程與信息，2018，18（6）：102-109.

[3] 劉仲民.基于圖論的圖像分割算法的研究 [D].蘭州：蘭州理工大學(xué)，2018.

[4] 商強，林賜云，楊兆升，等.基于譜聚類與RS-KNN的城市快速路交通狀態(tài)判別 [J].華南理工大學(xué)學(xué)報（自然科學(xué)版），2017，45（6）：52-58.

作者簡介：魏文鈺（1999.01-），女，漢族，廣東廣州人，研究方向：交通控制與仿真。