ITS城市道路交通狀態(tài)判別

/城市道路交通狀態(tài)判別方法研究摘要隨著社會經(jīng)濟的快速發(fā)展，道路車輛不斷增多，道路交通需求增長迅速，道路交通狀況正變得日益嚴峻。惡性交通事故與交通擁擠的迅速增加，不但嚴重威脅人民生命和財產(chǎn)的安全，也給道路交通的運行效率帶來了嚴重影響。為了提高道路交通的安全性和運行效率，世界各國尤其是發(fā)達國家不斷研究運用先進技術對道路交通運行狀態(tài)進行監(jiān)控，出現(xiàn)了各種以不同設備為手段的交通監(jiān)控系統(tǒng)。而要充分利用這些先進的交通檢測手段為城市交通服務就需要適合的交通狀態(tài)判別方法。本文基于此目的，分析了國內(nèi)外相關課題的研究現(xiàn)狀，對交通流參數(shù)、道路交通狀態(tài)分析與目前已有判別方法進行了研究。首先重點分析了經(jīng)典的加州算法、McMaster算法、指數(shù)平滑法、標準偏差法，并對算法作出了比較分析；然后針對已有研究成果在城市道路交通狀態(tài)判別上的不足，在已有研究成果基礎上，以聚類分析為方法，建立利用定點檢測線圈數(shù)據(jù)進行交通狀態(tài)判別的方法，并通過實際案例分析證明了方法的有效性。本論文的研究成果可為交通管理者實時了解路網(wǎng)交通狀態(tài)變化的信息，與時采取對策，疏導交通、減少擁擠，提高交通安全保障，使有限的路網(wǎng)時空資源發(fā)揮效率而提供幫助。關鍵詞：智能交通系統(tǒng)；道路交通狀態(tài)；交通狀態(tài)判別；聚類分析；環(huán)形檢測線圈數(shù)據(jù)；目錄1緒論 11.1研究的背景、目的與意義 11.2國外研究進展 21.3國內(nèi)研究現(xiàn)狀 31.4各種算法優(yōu)缺點比較 51.5論文研究的主要內(nèi)容 62城市道路交通狀態(tài)分類、指標和交通參數(shù)研究 72.1我國關于交通擁擠的量化定義 72.2交通流參數(shù) 82.3基本的交通參數(shù)的選取 83基于聚類分析的交通狀態(tài)判別方法 103.1研究方法的選擇 103.2聚類分析方法介紹 103.3聚類分析算法的特征數(shù)據(jù)樣本 123.4原始數(shù)據(jù)規(guī)約 153.5對丟失基礎數(shù)據(jù)的處理 154案例分析 164.1交通基礎數(shù)據(jù)說明 164.2交通狀態(tài)聚類分析結(jié)果 164.2判別結(jié)果 175總結(jié)與展望 19參考文獻 20致謝 22附錄 23附錄A經(jīng)處理后的交通基礎數(shù)據(jù)表 23附錄B經(jīng)處理后的交通基礎數(shù)據(jù)表 26附錄C經(jīng)處理后的交通基礎數(shù)據(jù)表 30附錄D經(jīng)處理后的交通基礎數(shù)據(jù)表 33附錄E經(jīng)處理后的交通基礎數(shù)據(jù)表 371緒論隨著在智能交通管理系統(tǒng)的不斷發(fā)展，出現(xiàn)了各種交通狀態(tài)實時判別方法。大多的交通狀態(tài)判別系統(tǒng)都包括數(shù)據(jù)獲取，數(shù)據(jù)準備，數(shù)據(jù)比較，實時狀態(tài)判斷等。交通狀態(tài)判別即是要實現(xiàn)將采集到的基礎數(shù)據(jù)經(jīng)過處理后與一個既定的交通狀態(tài)判別標準進行比較，從而判別出定性交通狀況，判別結(jié)果可作為交通管理者決策時的參考依據(jù)。現(xiàn)實中，交通系統(tǒng)是一個隨時間不斷變化的時變系統(tǒng)，交通流的基本特征不僅每時每刻都在發(fā)生著量變,而且在一個相當長的時期內(nèi),不斷積累的量變會帶來整個交通系統(tǒng)交通流特征的質(zhì)變，質(zhì)變的發(fā)生意味著交通定性狀態(tài)的改變。1.1研究的背景、目的與意義隨著經(jīng)濟的高速發(fā)展和社會進步腳步的加快，城市人口劇增，汽車的數(shù)量增長越來越快，城市路網(wǎng)的通行能力已經(jīng)無法滿足日益增長的交通需求，交通擁擠和堵塞現(xiàn)象變得越來越嚴重，交通事故，交通污染，能源消耗等各種引發(fā)出來的問題已經(jīng)儼然成為世界各國特別是發(fā)達國家所面臨和必須解決的重大問題，智能交通系統(tǒng)（ITS，IntelligentTransportationSystem）通過對傳統(tǒng)的變革，提升交通系統(tǒng)的信息化、智能化、集成化和網(wǎng)絡化，保障人、車、路與環(huán)境之間的相互交流，進而提高交通系統(tǒng)的效率、安全性、機動性、經(jīng)濟性、可達性達到保護環(huán)境，降低能耗的作用，ITS已經(jīng)成為國際上公認解決上述交通問題的根本途徑，越來越受到國內(nèi)外政府、專家、學者等的重視和廣泛應用。在智能交通系統(tǒng)中，各種交通判別算法通常都是用來對道路環(huán)境中的實時交通狀態(tài)判別，通過這些算法，可以通過對道路基礎信息采集系統(tǒng)采集到的交通數(shù)據(jù)進行分析，通過一定數(shù)學方法處理，根據(jù)變化的趨勢得到目前交通系統(tǒng)的運行情況，系統(tǒng)將得到的基礎數(shù)據(jù)經(jīng)過一定處理后與一個既定的交通狀態(tài)判別標準進行比較，從而能夠判別目前交通系統(tǒng)處于何種狀態(tài)，即實現(xiàn)對實時獲得的交通監(jiān)控數(shù)據(jù)進行處理，得到交通狀態(tài)定性判別結(jié)果。當這個判別結(jié)果提供到交通系統(tǒng)管理者和決策者手中時，他們就可以針對不同情況制定相應的交通控制、管理和誘導措施。本文的研究目的即是要在已有研究的基礎上，提出可利用定點檢測線圈數(shù)據(jù)實現(xiàn)城市道路交通定性狀態(tài)判別的方法。1.2國外研究進展Thancanamootoo和Bell（1988）研究了一種用于城市主干道交通事件檢測的算法，這種算法采用的指標是占有率參數(shù)。在這種算法中，使用指數(shù)平滑方法來估計每個信號周期內(nèi)單個車道上下游位置占有率的預測值，然后將其與閾值比較來確定下游事件的發(fā)生。后來，Bretherton和Bowen（1991）依托MONOICA（MonitoringIncidentsandCongestionAutomatically，MONICA）項目，在Bell算法的基礎上，設計了一個改進算法。這種算法使用流量和占有率數(shù)據(jù)作為事件檢測的指標值。由于交通流量在路段上的不守恒性，導致ACI算法的效果并不是很理想[1]。Ivanetal.（1993-1997）使用人工神經(jīng)網(wǎng)絡技術和數(shù)據(jù)融合技術處理來自固定檢測器、移動檢測器和人工報告三種數(shù)據(jù)源的數(shù)據(jù)來確定事件的發(fā)生。固定檢測器算法處理5分鐘和7分鐘時間間隔內(nèi)的平均占有率和平均流量數(shù)據(jù)，然后將當前值與歷史值進行比較，最后利用判別函數(shù)確定每個檢測區(qū)內(nèi)的交通狀態(tài)；移動檢測器算法利用探測車來報告路段行程時間，計算行程時間比率和速度比率，最后仍利用判別函數(shù)確定事件是否發(fā)生；人工報告利用現(xiàn)場對事件的定性描述來提供影響交通流運行的某些事件信息。結(jié)果表明，雖然7分鐘作為數(shù)據(jù)采樣的時間間隔可以很好地減少交通參數(shù)受信號的周期性影響，算法得到了較好的效果，但卻存在算法檢測事件所需時間過長的問題[2,3,4]。KhanandRitchie(1998)提出了模塊化的神經(jīng)網(wǎng)絡結(jié)構(gòu)，該結(jié)構(gòu)將復雜的任務分解成幾個子模型，其中每個子模型就是一個神經(jīng)網(wǎng)絡，通常為一個多層前饋神經(jīng)網(wǎng)絡（Multi-LayerfeedforwardPerceptron，MLP）網(wǎng)絡。每個子模型完成一項子任務，他們獨立完成自己的訓練過程和任務；子模型的匹配通過誤差函數(shù)在模型之間進行競爭，每個子模型和整個網(wǎng)絡有相同的輸入和輸出，最后的輸出Y是各個y的線性加權(quán)。在這個網(wǎng)絡的訓練中，如果有一個網(wǎng)絡訓練出了最好的結(jié)果，則將這個網(wǎng)絡的權(quán)重立即增大到1，其他網(wǎng)絡的權(quán)重立即減少到0，用這樣的方法選擇合適的子模型。最后利用來自加州和洛杉磯兩個城市主干道的實測數(shù)據(jù)和模擬數(shù)據(jù)對基于MLP的多模型算法、基于MLP的單模型算法、模式分析算法、貝葉斯算法進行比較分析，得出基于MLP的多模型算法效果要好于其他的算法。這個方法的優(yōu)點是在現(xiàn)實世界中某種數(shù)據(jù)源數(shù)據(jù)缺乏的情況下，方法仍舊是適用的。但是這個模型使用15分鐘間隔數(shù)據(jù)進行測試的，測試結(jié)果表明平均檢測時間最好可達1.63個信號周期長度，對于實時的事件檢測而言，這個算法的檢測時間太長[5]。Luk和Chung（2001）指出，高速公路交通流通常比較穩(wěn)定，在發(fā)生交通事件時交通流會發(fā)生較大的變化，而這種變化一般能被檢測器檢測到并與時送到交通控制中心。而城市道路交通流比較復雜，因此文章對城市主干路與高速公路發(fā)生事件前后交通流的變化特性進行了研究，提出了一種條件概率算法用于判別城市主干路上交通事件的發(fā)生。最后通過驗證得出，檢測器位于事件發(fā)生地點上游位置比檢測器位于事件發(fā)生地點下游位置更容易檢測到事件的發(fā)生，其中占有率和速度最能反映交通狀態(tài)的變化[6]。FangYuan和RueyLongCheu（2003）將支持向量機（SVM）技術應用到交通事件檢測中，分別運用主干路網(wǎng)的模擬數(shù)據(jù)和加利福尼亞的I-880高速公路實測數(shù)據(jù)進行測試，并與多層前反饋神經(jīng)網(wǎng)絡測試結(jié)果比較[7]。Y.Li和M.McDonald（2004）提出一種基于浮動車的高速公路交通事件檢測算法，該算法基于平均行程時間和相鄰兩時段平均行程時間差雙變量分析模型而設計，模型建立的前提是當?shù)缆飞习l(fā)生交通事件時，其交通容量的改變所引發(fā)的路段行程時間急劇增加幅度要比正常交通需求情況下路段行程時間大許多。該算法的研究對象為高速公路，對城市道路的研究可以借鑒該思想[8]。Yaser（2006）根據(jù)城市道路交通流的特點，提出在城市道路中交通流的動態(tài)不確定性（即為模糊性）更強，更適合用模糊數(shù)學法進行交通狀態(tài)的判別。因此文章綜合考慮了城市道路的幾何因素和交通因素，采用模擬數(shù)據(jù)和模糊邏輯法，進行交通事件的判別。該方法消除了傳統(tǒng)算法由于采用閾值而引起的臨界決策問題，但是確定各個模糊集的隸屬函數(shù)是一項至關重要的工作，隸屬函數(shù)合適與否，直接影響到檢測率和誤報率[9]。1.3國內(nèi)研究現(xiàn)狀目前，對于城市道路交通狀態(tài)判別算法的研究，國內(nèi)還處于對國外研究思路和方法的介紹、研究、驗證階段。從20世紀70年代早期,關于道路實時交通狀態(tài)判別算法的研究逐漸開展起來,截至目前,各個領域的專家學者對這些研究都表示了濃厚的興趣。這些算法的研究包括比較算法、時間序列分析法、Mc-Master算法、人工智能方法、Macroscopic算法、參數(shù)標定方法等。在比較算法中,交通狀態(tài)的判別是根據(jù)比較一對交通流狀態(tài)數(shù)據(jù)得出的，這一對交通流狀態(tài)數(shù)據(jù)可能是基礎的占有率數(shù)據(jù),它們分別來自上下游路段相鄰的一組檢測器。時間序列建模技術應用到交通狀態(tài)自動判別中標志著時間序列分析算法的誕生,郭恒明（2001）根據(jù)城市道路交通流是間斷流、交通流的波動性較大的特點，為了提高檢測精度、降低誤報率、縮短檢測時間，要求在城市道路路段上、下游交叉口停車線附近與路段中間按一定間距分別布設環(huán)形線圈檢測器，據(jù)此設計了交通異常累計占有率檢測算法來判別城市道路上發(fā)生的交通異常。該方法指出如果該路段上所有相鄰兩檢測器的累積占有率差的和超過一定的閾值，表明該路段發(fā)生了交通異常。但是該算法中閾值的選擇關系到該算法的效果，同時該方法沒有對檢測器的布設間距進行研究[10]。周偉、羅石貴（2001）提出了一種基于模糊綜合識別的交通事件檢測算法，確定了流量、速度、上下游占有率各模糊集的隸屬函數(shù)，并運用實際數(shù)據(jù)進行驗證，該算法既可以檢測擁擠，還能夠確定擁擠成因[11]。楊兆升等（2003）對傳統(tǒng)不確定性推理融合算法進行了比較，提出應用模糊綜合決策模型來進行多目標多傳感器的信息融合，以解決交通事件中多傳感器的交通事件識別問題，具有信息損失少、計算量少、實用性強等特點[12]。戴紅（2005）將模糊模式識別方法應用于城市主干道的交通狀態(tài)判別上，使用速度、占有率、信號交叉口平均每車停車延誤3個交通參數(shù)進行多因素模糊模式識別評判交通狀態(tài)，同時將交通狀態(tài)分為暢通、正常、擁擠、堵塞四個等級[13]；但是如何確定隸屬函數(shù)仍是在進行交通狀態(tài)判別時面臨的一個難點。皮曉亮、楊曉光等(2006)結(jié)合數(shù)據(jù)預備技術、交通工程技術對環(huán)形線圈采集的一個月的歷史交通流數(shù)據(jù)(流量，速度，占有率)進行融合挖掘，最后給出暢通流、穩(wěn)定流、擁擠流、堵塞流四種交通狀態(tài)下的聚類矩陣，其中的每一列即代表每種交通狀態(tài)的劃分標準[14]；該文中沒有明確指出檢測器的位置，只是確定了交通狀態(tài)的劃分標準，并沒有利用該標準進行道路交通狀態(tài)的判別，這種交通狀態(tài)標準的確定方法的有效性有待于進一步的研究。姜桂艷等人（2006）為了從海量動態(tài)交通數(shù)據(jù)中快速識別路網(wǎng)中存在的交通擁擠，通過分析擁擠的特征模式和各種數(shù)據(jù)挖掘技術的特點后，設計了一種適用于城市道路的交通擁擠自動識別方法；該方法將占有率、速度和流量三個基礎交通流參數(shù)進行組合得到新的特征變量作為多層前饋神經(jīng)網(wǎng)絡模型的輸入向量，將交通擁擠指數(shù)（[0，1]）作為輸出向量，最后用實測數(shù)據(jù)和模擬數(shù)據(jù)分別對基于不同閾值的神經(jīng)網(wǎng)絡算法進行了驗證，擁擠識別率都在85%以上，擁擠誤識率在2%以上[15]；然而對擁擠產(chǎn)生的原因仍需要人工觀察交通參數(shù)的變化才能獲得。莊斌等（2006）針對中國城市道路中存在的交通擁擠現(xiàn)象，通過對城市道路路段上環(huán)形線圈采集到的交通流量和占有率數(shù)據(jù)進行對比性分析和統(tǒng)計推導，提出了交通擁擠現(xiàn)象出現(xiàn)與消散過程的相對增量判別準則。該準則指出，當流量的相對增量大于占有率相對增量時，車流趨于消散；當流量的相對增量小于占有率相對增量時，車流趨于擁擠。當然該準則成立的必要條件是車流在正常運行狀態(tài)下，流量的相對增量等于占有率相對增量[16]，但是在該判別算法中要求在一個路段的上游和下游分別安有環(huán)形線圈檢測器。肖永來（2006）針對現(xiàn)有城市道路中的信號控制系統(tǒng)主要以SCATS（SydneyCo-ordinatedAdaptiveTrafficSystem，SCATS）為主，提出了基于路段車流密度、上游交叉口的平均占有率和下游交叉口的關鍵綠燈相位飽和度為指標的交通狀態(tài)判別方法；由于基于SCATS系統(tǒng)的固定交通檢測器都不能直接提供這些參數(shù)，因此需要根據(jù)相應的公式標定，其中涉與到的交通參數(shù)較多，有可能出現(xiàn)較大的誤差，且此論文只是提供了一個判別的思路并沒有對該方法進行實例驗證[17]。路加（2003）通過繪制速度（V）-地理位置（D）坐標圖來體現(xiàn)不同地點的速度變化信息，并通過速度的變化判斷交通擁擠的性質(zhì)；常發(fā)性交通擁擠最顯著的特點是車流速度變化緩慢；偶發(fā)性交通擁擠最顯著的特點是由于事故等隨機因素的影響，在城市道路某一個地點發(fā)生交通瓶頸后，上游車輛難以暢通通過，造成排隊現(xiàn)象，在V-D坐標圖中表現(xiàn)為事故以左的區(qū)域車輛行駛速度很低，而且車輛密度很大；而通過此瓶頸后車輛速度大幅提高，車流密度明顯降低，在D-V坐標圖中表現(xiàn)為在事故以右的區(qū)域，車輛速度大幅提升，同時車輛密度要比事故以左的區(qū)域小得多；最后利用道路上的流量比和行駛效率兩個指標，利用模糊推理系統(tǒng)對擁擠度進行計算[18]。姜桂艷（2004）提出在能夠可靠地獲得交通流平均行程時間（平均行程速度）數(shù)據(jù)的情況下，通過將其與閾值（預測值）進行比較，以實現(xiàn)對道路擁擠或非擁擠交通狀態(tài)的判別，同時還能對常發(fā)性擁擠和偶發(fā)性擁擠進行區(qū)分[19]。但是該方法只適用于區(qū)分擁擠或非擁擠兩種交通狀態(tài)，如果將交通狀態(tài)進行更細致的劃分，該方法就需要進行改進；同時該方法中閾值的確定關系到交通狀態(tài)判別結(jié)果的可靠性，也是該方法的一個難點。1.4各種算法優(yōu)缺點比較各種算法優(yōu)缺點比較見表1-1。表1-1各種ACI算法優(yōu)缺點比較判別算法優(yōu)缺點加州算法基本算法該算法已經(jīng)應用，收到良好效果，此算法的不足之處是不能鑒別擁擠的性質(zhì)，且誤報率較高。加州#7算法加州#8算法綜合算法改進的McMaster算法該算法既能判別擁擠的發(fā)生，也能判別擁擠發(fā)生的原因，但要想準確地確定三條臨界曲線比較困難，可能會出現(xiàn)比較大的誤報。指數(shù)平滑法該算法使用簡便，但單個采樣周期內(nèi)可能出現(xiàn)高頻噪聲，出現(xiàn)很高的誤報；通過調(diào)整平滑系數(shù)以達到良好效果比較困難。正態(tài)偏差法該算法使用也比較簡便，但看不出交通變量的變化趨勢，誤差很大。DS-ANN算法檢測率、誤報率和平均檢測時間方面均比較理想，但訓練數(shù)據(jù)對真實的歷史數(shù)據(jù)依賴性強，算法的可移植性較差，已訓練好的神經(jīng)網(wǎng)絡的結(jié)構(gòu)對不同的地點可能不實用?；谝苿訖z測器的判別算法能夠獲得路網(wǎng)狀態(tài)信息，技術擴展性較好，是目前研究方向的主流。1.5論文研究的主要內(nèi)容各章的具體內(nèi)容如下：第一章：對以往研究成果進行歸納總結(jié)，對已有判別方法的優(yōu)缺點進行比較，明確論文進一步研究的方向和內(nèi)容；第二章：城市道路交通狀態(tài)分類與指標研究。提出以道路固定檢測線圈數(shù)據(jù)為基礎，適用于城市道路交通狀態(tài)表征的分類方法和指標。第三章：交通狀態(tài)自動判別方法研究。主要設計基于聚類分析方法的交通狀態(tài)判別方法，給出計算步驟與流程圖。第四章：以交通管理部門采集的固定線圈檢測數(shù)據(jù)為例，證明聚類分析方法的可行性和有效性；第五章：對全文進行總結(jié)與展望。本章小結(jié)：本章主要是闡述了該課題的研究背景、目的和意義以與總結(jié)國內(nèi)外在交通狀態(tài)判別方面的已有研究成果，同時對以往的算法進行比較分析，引出論文的主要研究內(nèi)容和方向。2城市道路交通狀態(tài)分類、指標和交通參數(shù)研究2.1我國關于交通擁擠的量化定義根據(jù)我國公安部2002年公布的相關標準，目前我國相關交通管理部門對城市道路交通狀態(tài)的量化定義主要運用主干道上的機動車平均速度大小來描述其擁擠程度[20]具體定義如下：(l)暢通:城市主干道上機動車的平均速度不低于30km/h;(2)輕度擁擠:城市主干道上機動車的飛卜均形成速度低于30km/h，但高于2Okm/h:(3)擁擠:城市主干道上機動車的平均行程速度低于20km/h，但高于10km/h;(4)嚴重擁擠:城市主干道上機動車的平均行程速度低于10km/h。公安部關于交通擁擠的定量描述具有較高的可操作性，可直接用于道路交通狀態(tài)的判別。但是在實際應用中還需要解決兩個問題:第一，給出其它道路類型的量化定義;第二，能夠直接得到或者可以估計得到路段上的平均行程速度或平均行程時間。根據(jù)北京城市道路交通的實際運行狀況，市交管局目前在判別交通狀態(tài)的時候主要依據(jù)平均速度或者流量，把交通狀態(tài)區(qū)分為暢通、車流量大和交通擁堵三個級別，具體的量化標準如下:(l)暢通:快速路和聯(lián)絡線平均速度高于50km/h，有信號燈的主干道平均交通速度大于20km/h;或者快速路的斷面檢測周期內(nèi)(每兩分鐘)流量小于180veh，主干道斷面流量小于50veh;(2)車流量大:城市快速路和聯(lián)絡線上機動車的平均行程速度高于20km/h，但低于50km/h，主干道的平均速度高于10km/h，但低于20km/h;快速路和聯(lián)絡線檢測周期內(nèi)斷面交通流量大于180veh小于250veh，主干道檢測周期內(nèi)斷面交通流量大于50veh小于100veh;(3)擁擠:城市快速路和聯(lián)絡線上機動車的平均行程速度低于20km/h，主干道的平均速度低于10km/h;快速路和聯(lián)絡線周期內(nèi)斷面交通流量大于250veh，主干道檢測周期內(nèi)斷面交通流量大于100veh。本文為了研究的效果能更直觀，對交通狀態(tài)劃分為兩類：暢通交通流、擁擠交通流。2.2交通流參數(shù)以與相互關系在道路上通行的大量行人和車輛在整體上具有類似流體的特點和特性，在交通工程中把在道路上通行的人流和車流統(tǒng)稱為交通流（TrafficStream或TrafficFlow）。一般在交通工程學中討論的交通流主要指車流[22]是整體的、宏觀的概念，通過對大量觀測數(shù)據(jù)的分析，發(fā)現(xiàn)交通流具有一定的特征性傾向，為此提出了交通流特性的概念。交通流特性是指交通流運行狀態(tài)的定性、定量特征。用來描述和反映交通流特性的物理量稱為交通流參數(shù)。用于描述交通狀態(tài)的交通流參數(shù)分為宏觀參數(shù)和微觀參數(shù)。其中，宏觀參數(shù)用于描述交通流作為一個整體表現(xiàn)出來的運行狀態(tài)特性，主要包括交通量、速度、交通密度、占有率、排隊長度；微觀參數(shù)用于描述交通流中彼此相關的車輛之間的運行狀態(tài)特性，包括車頭時距和車頭間距。道路交通狀態(tài)指標體系應該以各種交通參數(shù)為基礎,因此,這里對各種常用的交通參數(shù)進行簡要介紹。交通量:是指單位時間內(nèi),通過道路某一地點或某一斷面的實際交通參與者(含車輛、行人、自行車等)的數(shù)量,又稱交通流量或流量。如果不加說明,通常是指單位時間內(nèi)通過道路某一地點或某一斷面往來兩個方向車輛數(shù),也稱為交通流量。車頭間距:在同向行駛的一列車隊中,兩連續(xù)車輛車頭間的距離。行程車速:是車輛行駛路程與通過該路程所需的總時間(包括停車時間)之比。地點車速:是車輛通過某一地點時的瞬時車速,因此觀測時距離取值應盡可能短,通常以20～25m為宜,用作道路設計、交通管制和規(guī)劃資料。交通密度:指在單位長度車道上,某一瞬時所存在的車輛數(shù),一般用“輛/km/車道”表示。排隊長度:交叉口等候排隊車輛占有的路段長度。占有率:定義為車輛占有長度總和與路段長度的比值,在一條已知的路段上,采用直接的方法來測量車輛長度的總和是行不通的。但是可以通過時間量測來計算該值。其公式為:occupy=（2-1）式中:occupy為占有率，ti為第i個時間間隔,車輛停留在檢測器上的平均時間;T為觀測總時間。2.3交通參數(shù)關系圖圖2-1流量-占有率關系圖圖2-2速度-占有率關系圖圖2-3速度-流量關系圖2.4基本的交通參數(shù)的選取根據(jù)姜桂艷等人對交通狀態(tài)判別時所采用的交通參數(shù)選取調(diào)查可以得到表2-1結(jié)果[23]。此調(diào)查的對象主要是交通管理者、交通研究者、交通規(guī)劃者、交通出行者，按照這個調(diào)查群體來說，此次問卷調(diào)查已經(jīng)很好的覆蓋了城市交通系統(tǒng)中包括研究、規(guī)劃、管理、出行在內(nèi)的各方參與者。全面的調(diào)查對象所得出的結(jié)果也因此具備很好的代表性和普遍性。在進行實時交通狀態(tài)判別取交通參數(shù)的有很多決定因素，例如考慮到大家的熟悉程度，和目前設備能提供的數(shù)據(jù)，以與判別算法要求等，本節(jié)將根據(jù)上述選取原則，綜合考慮實際調(diào)查使用情況，結(jié)合交通管理部門能夠提供的數(shù)據(jù)和本文運用的聚類分析方法所需數(shù)據(jù)這些因素。一般通過調(diào)查或者檢測可以得到的基本的交通參數(shù)有車速、流量、占有率、延誤、排隊長度等。據(jù)這些參數(shù)在交通狀態(tài)判別中的作用對交通出行的參與者進行實際問卷調(diào)查，可以很好的反映出大家對各個參數(shù)的認可和認知程度。表2-1交通參數(shù)使用情況調(diào)查交通參數(shù)正在使用的比例（%）推薦使用的比例（%）車速8975流量7560占有率7485服務水平1724延誤34排隊長度34排隊持續(xù)時間33根據(jù)上表的調(diào)查結(jié)果可以看出，對于各類參與調(diào)查對象來說，車速是最能直觀反映交通狀態(tài)的指標，所以認可度也是所有指標里面最高的，其次，流量和占有率這兩個交通基本參數(shù)也比其他參數(shù)中使用比例和推薦使用比例明顯高。由于城市道路狀況的隨機性，每個城市道路的交通狀況和流量都有差異，結(jié)合本文所研究的方法和上文和表中調(diào)查所得結(jié)論，本文采取的研究指標是：流量，速度和占有率。本章小結(jié)：本章主要是城市道路交通狀態(tài)分類、指標交通參數(shù)的研究，同時對利用通過本章的學習了解，明確各個指標的分類和定義，為下一章聚類分析方法所需指標做準備。3基于聚類分析的交通狀態(tài)判別方法3.1研究方法的選擇第一章介紹各種算法的歷史進程，在這里不做贅述，將經(jīng)典的ACI算法判別準確率，誤判率等進行比較[23]。表3-1經(jīng)典ACI算法的性能對比判別算法判別率(%)誤判率（%）加州算法基本算法821.73加州#7算法670.134加州#8算法680.177綜合算法860.05改進的McMaster算法680.0018指數(shù)平滑法921.87正態(tài)偏差法921.3DS-ANN算法930.0012從上表可以看出，加州算法系列中，綜合算法的效果最好，但是判別率也不太高，改進的McMaster：算法誤判率很低，但判別率也偏低，指數(shù)平滑法和正態(tài)偏差法的判別率較高，但其誤判率也很，而DS-ANN算法雖然判別率高，誤判率低但是并不適用于所以道路樣本。但是從總體上看，這些經(jīng)典的ACI算法的判別效果還是比較有限，最高的擁擠判別率也只有92%，但是其對應的誤判率卻達到了1.3%;最低誤判率的McMaster;算法判別率卻又只有68%，這對于目前交通管理的現(xiàn)代化要求還是不夠完善。因此，設計出具有較高判別率、同時誤判率又較低的新算法對于交通管理和現(xiàn)代化的城市發(fā)展都是非常必要的，而聚類分析方法具有如下特點:（1）綜合性：聚類分析可以利用多個變量的信息對樣本進行分類，克服單一指標分類的弊端。（2）形象性：聚類分析可以利用聚類圖直觀地表現(xiàn)其分類形態(tài)，與類與類之間的內(nèi)在關系。（3）伸縮性：對聚類復雜類型數(shù)據(jù)有效。（4）客觀性：聚類分析結(jié)果克服主觀因素，比傳統(tǒng)分類方法更客觀、細致、全面和合理[24,25],綜合上面聚類分析方法的特點，本文將運用聚類分析方法來判別交通狀態(tài)。3.2聚類分析方法介紹聚類分析方法是適合于對交通狀態(tài)數(shù)據(jù)分類的一種數(shù)據(jù)挖掘方法?；诰垲惙治龅慕煌顟B(tài)量化方法是以交通檢測器所采集道路上交通流的基礎數(shù)據(jù)為基礎,,運用交通工程理論和數(shù)據(jù)挖掘等技術,在對數(shù)據(jù)進行修復和處理后，對他們進行聚類分析,根據(jù)同種交通狀態(tài)交通狀態(tài)判別指標(流量,速度,占有率)的相似性和不同狀態(tài)之間的相異性,得到適合不同道路的合理交通狀態(tài)分類。K—MeansCluster聚類分析方法對于大規(guī)模數(shù)據(jù)集的應用占有優(yōu)勢。它包括硬K—均值算法(Hcm)和模糊K—均值算法(Fcm)。其中Hcm算法是Fcm算法的一個特例。Fcm目標函數(shù)為:(U,V)= ‖xi-vi‖2（3-1）其約束條件為:cj1ni1式中：n———環(huán)形線圈檢測器采集的交通信息集經(jīng)過數(shù)據(jù)規(guī)約后得到三個特征(流量,速度,占有率)的樣本個數(shù);c———聚類中心數(shù),即為兩種(暢通交通流、擁擠交通流);uij———矩陣的第i行第j列,代表第j個樣本對第I個聚類中心的隸屬程度;V={v1，v2}———聚類中心矩陣,代表兩種交通狀態(tài);‖xi-vi‖———第j組數(shù)據(jù)對于第i類聚類中心的距離;m———模糊指數(shù),目的是加強xi屬于各類的從屬程度的對比度。Fcm算法的基本步驟為:(1)隨機選擇一個兩個類的初始劃分矩陣U,它可以是硬劃分,也可以是軟劃分。然后計算這二個類的重心。(2)通過把樣本分配給與其重心距離最近的類生成一個新的分區(qū)。(3)用類的重心來計算新類的中心距離。(4)重復步驟2和步驟3直到求出目標函數(shù)的最優(yōu)解。圖3-1為聚類分析方法對交通狀態(tài)判別的流程圖：基礎數(shù)據(jù)準備基礎數(shù)據(jù)準備輸入樣本，類別數(shù)C隨機選取C個聚類中心按最短距離原則聚類計算各類新的中心輸出結(jié)果結(jié)束聚類1聚類2待判定樣本進行模式識別交通狀態(tài)分類聚類結(jié)果滿意嗎聚類中心有無變化是否否是圖3-1聚類分析方法對交通狀態(tài)判別的流程圖3.3聚類分析算法的特征數(shù)據(jù)樣本聚類分析法的特征數(shù)據(jù)樣本,分別見圖3-2、圖3-3、圖3-4、圖3-5所示：圖3-2顯示的是堵塞交通流特征數(shù)據(jù)，從中可以看出在此交通狀態(tài)下流量偏中，速度較小，占有率較高，圖3-3顯示的是暢通交通流特征數(shù)據(jù)，從中可以看出在此交通狀態(tài)下流量較小，速度較高，占有率很低，圖3-4顯示的是擁堵交通流特征數(shù)據(jù)，從中可以看出在此交通狀態(tài)下流量較大，速度偏中，占有率較高，圖3-5顯示的是穩(wěn)定交通流特征數(shù)據(jù)，從中可以看出在此交通狀態(tài)下流量偏中，速度較高，占有率偏中。圖3-2堵塞交通流數(shù)據(jù)樣本示意圖圖3-3暢通交通流數(shù)據(jù)樣本示意圖圖3-4擁擠交通流數(shù)據(jù)樣本示意圖圖3-5穩(wěn)定交通流數(shù)據(jù)樣本示意圖圖3-6速度、流量和占有率三圍關系圖根據(jù)圖3-6與圖3-2、圖3-3、圖3-4、圖3-5對比可知，本論文采用的數(shù)據(jù)樣本涵蓋了交通流狀態(tài)的所有特征。根據(jù)本文所采用的數(shù)據(jù)樣本，對時間和速度兩個變量做成二維圖如下：3-7速度隨時間推移二維關系圖從上圖可以看出，根據(jù)公安部02年對交通狀態(tài)的判別文件，本論文所采用的數(shù)據(jù)樣本擁有公安部所有的判別狀態(tài)分類。3.4原始數(shù)據(jù)規(guī)約通常許多大型數(shù)據(jù)集存在數(shù)據(jù)高維度引起的數(shù)據(jù)超負問題,這種問題如果得不到適當?shù)脭?shù)據(jù)維度規(guī)約,會使數(shù)據(jù)挖掘方法不適用或難以得出理想結(jié)果。因此通過數(shù)據(jù)維度規(guī)約的工作,預處理的數(shù)據(jù)集的3個主要維度通常以平面文件的形式出現(xiàn),即列(特征),行(樣本)和特征的值。環(huán)形線圈檢測器采集的交通信息原始數(shù)據(jù)集恰好符合數(shù)據(jù)挖掘預處理數(shù)據(jù)集的3個主要維度。3.5對丟失基礎數(shù)據(jù)的處理對于環(huán)形線圈檢測器實時采集的交通數(shù)據(jù),一般情況下能夠使完整數(shù)據(jù)案例可能性比較小。可能由于由于環(huán)形線圈檢測器有時非正常工作狀態(tài)、通訊的網(wǎng)絡障礙等等原因情況下,都會導致數(shù)據(jù)丟失的情況。而本文中的所用的數(shù)據(jù)挖掘方法對數(shù)據(jù)丟失處理采用去除所有丟失樣本,因為所得交通基礎數(shù)據(jù)容量大,所以缺少少量的樣本不會對算法產(chǎn)生影響。本章小結(jié)：在本章中，介紹了聚類分析方法的原理，設計了聚類分析進行交通狀態(tài)判別的計算步驟與流程圖。4案例分析4.1交通基礎數(shù)據(jù)說明數(shù)據(jù)來源：本論文采用的五組數(shù)據(jù)都是交通管理部門通過固定檢測線圈采取的交通基礎數(shù)據(jù)。數(shù)據(jù)格式：包括不同天6：00-19:00的流量、占有率、速度數(shù)據(jù)。詳見附錄A，B，C，D，E。4.2交通狀態(tài)聚類分析結(jié)果由于選擇1min或2min為數(shù)據(jù)周期時，車流量數(shù)值范圍波動較大，過大的隨機性和不確定性不適合對交通流進行連續(xù)分析，因此選用5min為數(shù)據(jù)周期進行分析。根據(jù)連續(xù)五天道路線圈檢測得到的數(shù)據(jù)，通過SPSS軟件對交通管理部門提供的數(shù)據(jù)A,B,C,D,E進行聚類分析，得到以下五組聚類結(jié)果，分別如表1，表2,，表3，表4,、，表5所示。對以下五個表格所提供的信息進行分析，可以得到交通狀態(tài)判別指標標準，以便于交通管理部門決策者對道路交通狀態(tài)進行實時監(jiān)控從而有效管理交通運行。均值聚類分析結(jié)果如下表格：表1附錄A聚類分析結(jié)果最終聚類中心12流量306437速度58.7542.14占有率7.9720.88根據(jù)速度、流量和占有率數(shù)據(jù)分析得知，聚類1為暢通交通流，聚類2為擁擠交通流。表2附錄B聚類分析結(jié)果最終聚類中心12流量370.6234.270833333333速度58.264.248667156217占有率8.7703405017925.2根據(jù)速度、流量和占有率數(shù)據(jù)分析得知，聚類1和聚類2都為暢通交通流，參照圖3-7可以得知，該時間段速度數(shù)據(jù)不存在擁擠交通狀態(tài)，同時也驗證了方法的可行性。表3附錄C聚類分析結(jié)果最終聚類中心12流量173345速度61.9800468983859.47771954866占有率3.9381944444447.990740740741根據(jù)速度、流量和占有率數(shù)據(jù)分析得知，聚類1和聚類2都為暢通交通流，參照圖3-7可以得知，該時間段速度數(shù)據(jù)不存在擁擠交通狀態(tài)，同時也驗證了方法的可行性。表4附錄D聚類分析結(jié)果最終聚類中心12流量302445速度58.94306763608235.352111053654占有率7.26774376417225.259291187739

根據(jù)速度、流量和占有率數(shù)據(jù)分析得知，聚類1為暢通交通流，聚類2為擁擠交通流。表5附錄E聚類分析結(jié)果最終聚類中心12流量414.864077669903281.641509433962速度42.77992135390759.598781151013占有率20.107.59根據(jù)速度、流量和占有率數(shù)據(jù)分析得知，聚類1為擁擠交通流，聚類2為暢通交通流。系統(tǒng)聚類分析結(jié)果：系統(tǒng)聚類分析匯總表案例群集案例群集案例群集案例群集案例群集06:00106:00106:00106:00106:00106:05106:05106:05106:05106:05106:10106:10106:10106:10106:10106:15106:15106:15106:15106:15106:20106:20106:20106:20106:20106:25106:25106:25106:25106:25106:30106:30106:30106:30106:30106:35106:35106:35106:35106:35106:40106:40106:40106:40106:40106:45106:45106:45106:45106:45106:50106:50106:50106:50106:50106:55106:55106:55106:55106:55107:00107:00107:00107:00107:00107:05107:05107:05107:05107:05107:10107:10107:10107:10107:10107:15207:15107:15107:15107:15107:20207:20107:20107:20207:20207:25207:25107:25107:25207:25207:30207:30107:30107:30207:30207:35207:35207:35107:35207:35207:40207:40107:40107:40207:40207:45207:45207:45107:45207:45207:50207:50207:50107:50207:50207:55207:55207:55107:55207:55208:00208:00208:00108:00208:00208:05208:05208:05108:05208:05108:10208:10208:10108:10208:10108:15208:15208:15108:15208:15108:20208:20208:20108:20208:20208:25208:25208:25108:25208:25208:30208:30208:30108:30208:30208:35208:35208:35108:35208:35208:40208:40208:40108:40208:40208:45108:45208:45108:45108:45208:50108:50208:50108:50208:50208:55108:55208:55108:55208:55209:00109:00209:00109:00209:00209:05109:05209:05109:05209:05209:10109:10209:10109:10209:10209:15109:15209:15109:15209:15209:20109:20209:20109:20209:20209:25109:25209:25109:25209:25209:30209:30209:30109:30209:30209:35209:35209:35109:35209:35209:40209:40209:40109:40209:40209:45209:45209:45109:45209:45209:50209:50209:50109:50209:50209:55209:55209:55109:55209:55210:00210:00210:00110:00210:00210:05210:05210:05110:05210:05210:10210:10210:10110:10210:10210:15210:15210:15110:15110:15210:20210:20210:20110:20110:20210:25210:25210:25110:25110:25210:30210:30210:30110:30110:30210:35210:35210:35110:35110:35210:40210:40210:40110:40110:40110:45210:45210:45110:45110:45110:50110:50210:50110:50110:50110:55110:55210:55110:55110:55111:00111:00211:00111:00111:00111:05111:05211:05111:05111:05111:10111:10211:10111:10111:10111:15111:15211:15111:15111:15111:20111:20211:20111:20111:20111:25111:25211:25111:25111:25111:30111:30211:30111:30111:30111:35111:35211:35111:35111:35111:40111:40211:40111:40111:40111:45111:45211:45111:45111:45111:50111:50211:50111:50111:50111:55111:55211:55111:55111:55112:00112:00212:00112:00112:00112:05112:05212:05112:05112:05112:10112:10212:10112:10112:10112:15112:15212:15112:15112:15112:20112:20212:20112:20112:20112:25112:25212:25112:25112:25112:30112:30212:30112:30112:30112:35112:35212:35112:35112:35112:40112:40212:40112:40112:40112:45112:45212:45112:45112:45112:50112:50212:50112:50112:50112:55112:55212:55112:55112:55113:00113:00213:00113:00113:00113:05113:05213:05113:05113:05113:10113:10213:10113:10113:10113:15113:15213:15113:15113:15113:20113:20213:20113:20113:20113:25113:25213:25113:25113:25113:30113:30213:30113:30113:30113:35113:35213:35113:35113:35113:40113:40213:40113:40113:40113:45113:45213:45113:45113:45113:50113:50213:50113:50113:50113:55113:55213:55113:55113:55114:00114:00214:00114:00114:00114:05114:05214:05114:05114:05114:10114:10214:10114:10114:10114:15114:15214:15114:15114:15114:20114:20214:20114:20114:20114:25114:25214:25114:25114:25114:30114:30214:30114:30114:30114:35114:35214:35114:35114:35114:40114:40214:40214:40114:40114:45114:45214:45114:45114:45114:50114:50214:50114:50114:50114:55114:55214:55114:55114:55115:00115:00215:00115:00115:00115:05115:05215:05115:05115:05115:10115:10215:10115:10115:10115:15115:15215:15115:15115:15115:20115:20115:20115:20115:20115:25115:25115:25115:25115:25115:30115:30215:30115:30115:30115:35115:35215:35115:35115:35115:40115:40215:40115:40115:40115:45115:45215:45115:45115:45115:50115:50215:50115:50115:50115:55115:55215:55115:55115:55116:00116:00216:00116:00116:00116:05116:05116:05116:05116:05116:10116:10216:10116:10116:10116:15116:15216:15116:15116:15116:20116:20216:20116:20116:20116:25116:25216:25116:25116:25116:30116:30216:30116:30116:30116:35116:35216:35116:35116:35116:40116:40216:40116:40116:40116:45116:45216:45116:45116:45116:50116:50216:50116:50116:50116:55116:55216:55116:55116:55117:00117:00217:00117:00117:00117:05117:05217:05117:05117:05117:10117:10217:10117:10117:10117:15117:15217:15117:15117:15117:20117:20217:20117:20117:20117:25117:25217:25117:25117:25117:30117:30217:30117:30117:30117:35117:35217:35117:35117:35117:40117:40217:40117:40117:40117:45117:45217:45117:45117:45117:50117:50217:50117:50117:50117:55117:55217:55117:55117:55118:00118:00118:00118:00118:00118:05118:05118:05118:05118:05118:10118:10118:10118:10118:10118:15118:15218:15118:15118:15118:20118:20118:20118:20118:20118:25118:25118:25118:25118:25118:30118:30118:30118:30118:30118:35118:35118:35118:35118:35118:40118:40118:40118:40118:40118:45118:45118:45118:45118:45118:50118:50118:50118:50118:50118:55118:55118:55118:55118:551通過系統(tǒng)聚類方法對五天的基礎交通數(shù)據(jù)的分析：附錄A擁擠時間段出現(xiàn)在7:15-8：40,9:30-10:45。附錄B和C結(jié)合圖3-7這兩天速度曲線和聚類分析結(jié)果可知，不存在擁擠時間段。附錄D擁擠時間段出現(xiàn)在7:20-10:10。附錄E擁擠時間段出現(xiàn)在7:20-10:35。而上述的判別結(jié)果結(jié)合對附錄A、B、C、D、E數(shù)據(jù)對比，可以得知，判斷結(jié)果很準確，充分說明了方法的可行性。本章小結(jié)：本章以固定檢測線圈數(shù)據(jù)作為信息來源，應用第三章的方法，通過聚類分析方法進行分析，對基礎數(shù)據(jù)進行了交通狀態(tài)判別，驗證了方法的可行性和有效性。5總結(jié)與展望本文介紹的方法是基于道路上實時采集的固定檢測線圈數(shù)據(jù)得到對交通狀態(tài)的判別結(jié)果。在交通狀態(tài)分類標準劃分制定過程中，將交通狀態(tài)的兩個等級:暢通交通流，擁擠交通流；以流量、速度、占有率為參數(shù)建立了交通狀態(tài)判別指標集合；基于聚類分析方法，實現(xiàn)了交通狀態(tài)的判別，得到了進行聚類分析后交通狀態(tài)的判定，同時，也對五組交通基礎數(shù)據(jù)交通狀態(tài)進行判別，而且得出了交通擁擠的時間段，同時對數(shù)據(jù)進行比較分析，可以很清楚的知道，判別的結(jié)果準確率很高，說明了論文所采用的方法的有效性，同時，運用論文上述的方法，可以為實時道路交通狀態(tài)的判別提供了可靠的判別方法。但是，該方法的實施對硬件技術和軟件環(huán)境也有相應要求和基本運行條件的約束，相應道路上采集的基礎數(shù)據(jù)要求包括所有可能的交通流特征的信息。隨著我國智能交通系統(tǒng)(ITS)的大力發(fā)展，數(shù)據(jù)挖掘分析是交通發(fā)展的必然方向。參考文獻[1]Jiuh-BiingSheu，StephenG．Ritchie．Anewmethodologyforincidentdetectionandcharacterizationonsurfacestreets[J]．TransportationResearchPartC6(1998)315-335．TRB，NationalResearchCouncil，WashingtonD．C．，1998．[2]Jung-TaekLee．Incidentdetectionalgorithmdevelopmentonsignalizedurbanarterialstreets[D]．MichiganStateUniversity，1997．[3]JohnN.Ivan．Neuralnetworkrepresentationsforarterialstreetincidentdetectiondatafusion[J]．TransportationResearchPartCvol.5.No:3/4．Pp.245-254，1997．[4]IVANJ.N.SETHV．DataFusionofFixedDetectorandProbeVehicleDataforIncidentDetection．Computer-aidedcivilandinfrastructureengineering，1998，vol.13，n°5，pp.329-337．[5]KimThomasandHusseinDia．Aneuralnetworkmodelforarterialincidentdetectionusingprobevehicleandfixeddetectordata[J]．CAITA2000．[6]Luk，JYK;Chung，ECS．CHARACTERIZATIONOFINCIDENTSONANURBANARTERIALROAD．JournalofAdvancedTransportationVol.35No.1，20010000，pp.67-92．[7]Yuan.F.，Cheu.R.L．Incidentdetectionusingsupportvectormachines．TransportationResearchPartC:EmergingTechnologies2003，11(3)，309–328．[8]Y.LiandM.Mcdonald．Motorwayincidentdetectionusingprobevehicles[J]，ProceedingsoftheInstitutionofCivilEngineers，2004，Transport(158):11-15．[9]YaserE．Hawas．Afuzzy-basedsystemforincidentdetectioninurbanstreetnetworks．TransportationResearchPartC15(2007)69–95．[10]郭恒明，張鵬飛．基于環(huán)形線圈的城市道路路段交通異常自動檢測方法研究[J]．智能交通上海公路，2001，4：31-34．[11]周偉，羅石貴．基于模糊綜合識別的事件檢測算法[J]．西安公路交通大學學報，2001，21(2):70-73．[12]楊兆升，楊慶芳，馮金巧．基于模糊綜合推理的道路交通事件識別算法[J]．公路交通科技，2003，20(4):92-94．[13]戴紅．基于模糊模式識別的城市道路交通狀態(tài)檢測算法[J]．吉林工程技術師范學院學報，2005，21（3）：41-45．[14]皮曉亮，楊曉光，孫亞．基于環(huán)形線圈檢測器采集信息的交通狀態(tài)分類方法應用研究[J]．華東公路，2006，1:33-38．[15]姜桂艷，冮龍暉，王江鋒．城市快速路交通擁擠識別方法[J]．交通運輸工程學報，2006，6（3）：87-91．[16]莊斌，楊曉光，李克平．道路交通擁擠事件判別準則與檢測算法[J]．中國公路學報，2006，19（3）：82-86．[17]肖永來．基于SCATS采集數(shù)據(jù)的城市道路交通狀態(tài)判別技術研究[J]．中國交通信息產(chǎn)業(yè)，2005，6：39-41．[18]路加．交通擁擠的度量方法與基于浮動車的交通擁擠檢測[D]．清華大學自動化系，2003，12．[19]姜桂艷，丁同強．交通工程學[M]．北京：國防工業(yè)出版社，2007．[20]中國公路學會《交通工程手冊》編委會．交通工程手冊[M]．北京：人民交通出版社，1998．[21]姜桂艷．道路交通狀態(tài)判別技術與應用[M]．北京：人民交通出版社，2004[22]李江.交通工程學[M].北京.人民交通出版社.2002.7.[23]姜桂艷．道路交通狀態(tài)判別技術與應用[M]．北京：人民交通出版社，2004[24]陳志軍.第10講_聚類分析法預測網(wǎng)址：.Slide45[25]范先立.區(qū)域交通狀態(tài)聚類分析[D].中山大學,2005,4:48-12附錄附錄A經(jīng)處理后的交通基礎數(shù)據(jù)表時間流量(輛)速度(km/h)占有率(%)6:00104.0060.252.056:05120.0063.772.406:10156.0068.183.086:15169.0063.733.456:20193.0069.583.936:25218.0068.384.556:30240.0065.555.476:35288.0064.186.356:40381.0062.338.656:45380.0063.308.986:50380.0062.858.826:55450.0059.8710.387:00500.0056.0012.687:05489.0057.8311.557:10496.0056.3812.387:15563.0038.2523.337:20539.0026.8531.187:25529.0024.6732.627:30528.0028.2729.407:35549.0025.1533.057:40525.0025.5232.007:45530.0025.4233.887:50538.0025.6832.357:55529.0024.1833.278:00542.0027.5230.578:05521.0031.8826.938:10527.0031.1325.908:15501.0027.1230.638:20526.0035.2723.078:25500.0031.5225.028:30525.0032.2324.438:35506.0025.7731.538:40471.0037.3320.478:45483.0056.8211.838:50416.0060.309.838:55477.0050.9713.559:00375.0061.128.839:05426.0054.7011.039:10420.0058.3810.009:15368.0055.988.929:20413.0046.2715.439:25366.0049.4812.839:30407.0039.9720.179:35474.0023.1731.039:40437.0020.0834.839:45407.0014.4044.809:50387.0015.2745.589:55412.0015.4544.7210:00434.0021.1535.3210:05402.0014.6242.1810:10367.0015.7244.8010:15398.0017.3341.281