基于模糊聚类分析的高速公路交通状态识别研究

摘要

由于经济的快速发展，高速公路需求迅速扩大，高速公路的管理面临着越来越拥堵的车流和大量的实测数据资源被浪费的问题，管理层得不到可靠、及时、有效的数据支持以及乘客无法及时了解高速公路交通状态，在一定程度上阻碍了高速公路的发展。为了满足与日俱增的高速公路交通需求和经济快速发展的需求，高速公路的管理需要进一步实现智能化，对高速公路路段的交通状态有更加精准的掌控，这首先需要一种对高速公路交通状态进行可靠、及时有效的主动检测方法。
　　影响高速公路交通状态的因素有很多，包括人、车、路、外部环境等因素，基于模糊聚类分析的高速公路交通状态识别综合考虑了以上诸多因素对交通数据进行识别，具有良好的交通状态辨识能力。另外，由于不同地域的高速公路路段通行能力不同，设置固定的交通拥挤阀值很难准确描述不同高速公路交通状态，而基于模糊聚类分析算法的交通状态识别方法是对不同高速公路交通状态进行分类，具有良好的适应性。文中对此方法进行深入的探讨。
　　目前针对高速公路的主动检测设备有很多，本文根据多种检测设备所得数据进行综合考虑，采用适用性比较强的三种数据进行算法识别，然后利用模糊聚类分析方法对目标路段历史数据进行交通状态类别的分类得到聚类中心，再利用实测数据和聚类中心的欧式距离进行模糊判别得到高速公路实时交通状态，从而有效挖掘高速公路被闲置的交通数据，为高速公路管理部门提供可靠、及时的交通状态数据，为乘客出行提供方便的出行决策信息，满足道路使用者的出行需求。
　　此外，本文针对模糊聚类分析法本身存在的问题，提出利用模拟退火算法和遗传算法对模糊聚类分析算法进行优化。主要的步骤是，首先利用模拟退火算法和遗传算法对随机分配的初始聚类中心进行全局寻优，得到最优解的附近值或者近似值，然后将得到的解作为模糊聚类分析算法的初始聚类中心，最后，利用模糊聚类分析算法以经过模拟退火和遗传算法寻优得出的聚类中心作为初始聚类中心进行局部寻优迭代。实验证明，本文提出的改进后的模糊聚类算法能够有效地克服传统模糊聚类分析算法过度依赖初始聚类中心而导致的结果不稳定、容易陷入局部最优等缺点，提高了对高速公路交通状态的识别率和及时性，具有一定的实用价值。

目录

声明

摘要

1 绪论

1．1 研究背景

1．2 国内外研究动态

1．2．1 国外研究动态

1．2．2 国内研究动态

1．3 研究目的和意义

1．3．1 论文研究的目的

1．3．2 论文研究的意义

1．4 该领域目前存在的问题

1．5 本文的思路与结构框架

1．5．1 本文各章研究内容

1．5．2 本文研究思路

1．6 本章小结

2 高速公路交通状态识别算法的标准体系的建立

2．1 模糊聚类算法交通参数的选取

2．1．1 高速公路基本路段及交通状态

2．1．2 高速公路交通流特征参数的分析

2．2 高速公路交通状态的分类标准

2．3 我国高速公路的交通流组成

2．4 基于模糊聚类分析的交通状态度量标准

2．5 本章小结

3 模糊理论在高速公路交通状态识别中的应用

3．1 交通状态识别算法概述

3．1．1 传统算法概述

3．1．2 传统算法比较

3．2 基于模糊聚类分析的交通状态识别

3．2．1 模糊聚类分析

3．2．2 交通状态聚类FCM算法流程分析

3．3 FCM算法应用于高速公路状态识别存在的问题

3．4 本章小结

4 SAGA-FCM算法和模糊模型识别

4．1 模拟退火算法

4．1．1 概述

4．1．2 算法实现

4．2 遗传算法

4．2．1 概述

4．2．2 算法实现

4．3 基于模拟退火遗传的组合算法对初始聚类中心选择过程的优化

4．3．1 SAGA概述

4．3．2 模拟退火遗传算法选取聚类中心的基本流程：

4．4 基于模拟退火遗传算法的模糊C-均值聚类分析(SAGA-FCM)

4．5 基于SAGA-FCM算法的模糊模型识别

4．5．1 闵可夫斯基距离

4．5．2 模糊模型识别原则

4．6 本章小结

5 实例分析

5．1．1 数据的选取和处理

5．1．2 两种算法的程序准备

5．1．3 收敛速度的比较

5．1．4 目标函数值稳定性比较

5．2．1 两两参数验证分析

5．2．2 识别模型实例验证

5．3 本章小结

6 总结与展望

6．1 总结

6．2 展望

致谢

参考文献

攻读学位期间的研究成果