基于C-均值模糊聚类分析的控制子区动态划分方法

摘要

本发明公开了一种基于C-均值模糊聚类分析的区域信号协调控制的子区动态划分方法，首先从交叉口距离、信号控制周期、交通流连续性和离散性指标等四个方面构建控制子区划分指标体系；然后分两层进行控制子区的划分，第一层对子区交叉口进行初选，排除周期差距大、相距远的交叉口；第二层是基于C-均值模糊聚类分析进行的，计算各交叉口相关指标值后基于C-均值模糊聚类分析实时聚类交叉口，采用的指标包括与距离相关的静态指标以及信号周期、交通流离散性和交通流连续性等动态指标。该方法基于C-均值模糊聚类分析实时划分控制子区，不受子区划分指标个数、指标类型的限制，满足了实时交通控制的需要。

主权项

1.一种基于C-均值模糊聚类分析的控制子区动态划分方法，其特征在于，分两层进行子区划分，第一层对子区交叉口进行初选；第二层首先计算各交叉口的指标值，然后基于C-均值模糊聚类分析实时聚类交叉口；具体步骤为：步骤1：计算指标值，根据子区划分指标体系，计算各交叉口的指标值；进行第一层划分，剔除不满足要求的交叉口；归一化处理交叉口指标值，消除量纲影响；其中交叉口k的m个指标值x_k为x_k＝(x_1k,x_2k,...,x_mk)，k＝1,2,...,p，p为拟协调控制区域的交叉口的数量，交叉口集X＝(X₁,X₂,...,X_p)，交叉口集包含g个子类，子类中心为f＝(f₁,f₂,...,f_g)，子类中心指标值可表示为f_i＝(f_1i,f_2i,...,f_mi)，i＝1,2,...,g；步骤2：初始分区，根据交叉口类型、流量、相交道路等级确定核心交叉口；以核心交叉口为中心，初步划分所有交叉口，形成g个子区；以核心交叉口的指标值为初始聚类中心f_i⁰；给定各交叉口属于g区的权重，即隶属度矩阵u⁰，u⁰＝(u⁰_ik)_g×p，u⁰_ik∈[0,1]，且步骤3：迭代，更新优化聚类中心和基于熵值法重新计算隶属度矩阵；步骤4：判断收敛性，当隶属度矩阵u^l满足收敛标准，则停止迭代，如果不满足，则重复步骤3；步骤5：划分子区，经过上述4个步骤，可获得聚类中心和隶属度两个序列U＝(u¹,u²,...,u^l)，F＝(f¹,f²,...,f^l)，从这两个序列中获得指标值J(u,f)最小的(u*,f*)，指标值J(u,f)定义如下：$J(u,f)=\underset{k=1}{\overset{m}{\Sigma }}\underset{i=1}{\overset{g}{\Sigma }}{\left(u_{\mathrm{ik}}\right)}^{\alpha }{\left|\right|x_k-f_i\left|\right|}^2$根据(u*,f*)，得到控制子区划分；其中J(u,f)是样本x_k与各聚类中心f_i的距离的加权平方和，权值为交叉口X_k隶属于类i的隶属度u_ik的α次方；J(u,f)采用平方误差聚类准则，样本的最佳模糊划分是J(u,f)的最小方差稳定点，该稳定点即为min{J(u,f)}对应点。步骤6：延误分析，根据子区划分结果，进行延误分析，验证基于C-均值模糊聚类分析进行子区划分的有效性。