基于空间聚类分析的城市路网交通小区动态划分方法

摘要

一种城市路网交通小区动态划分方法，从已有的出租车GPS数据出发，对路网的交通状态参数进行估计，考虑城市交通的OD特性，采用路段拥挤度与路段关联度进行空间统计分析，分析路段之间的空间自相关模式，实现对交通小区的自动划分。本发明的有益效果经过交通仿真的实际检验：当出租车辆在路网交通量中的覆盖率到达5％时，路网交通状态的估计正确率在80％以上，在此基础上，诱导车辆避开交通拥堵区域，采取必要的控制管理策略，减少区域拥堵的规模和拥堵时间，加快拥堵的消散。本发明中采用的方法和技术简单易行，运行条件容易满足，易于在全国大中型城市中推广应用。

主权项

1.一种城市路网交通小区动态划分方法，其特征在于：从已有的出租车GPS数据出发，对路网的交通状态参数进行估计，考虑城市交通的OD特性，采用路段拥挤度与路段关联度进行空间统计分析，分析路段之间的空间自相关模式，实现对交通小区的自动划分；动态采集出租车GPS数据，通过数据预处理确定车辆在路网上的逻辑位置；每隔一个估计周期做一次路网交通状态参数估计工作，参数估计结果保存在数据库中，通过空间聚类分析算法实现对交通状态参数和空间关联矩阵的聚类分析而得到对于交通控制和交通诱导不同需求下的若干个交通小区；用实际计算与历史数据结合估计路段平均行程车速，用路段延误时间计算路段拥挤度，结合路段的空间关联矩阵，采用空间聚类分析技术进行交通小区的自动划分；具体包括以下步骤：(1)利用实际GPS数据计算路段行程车速，与历史数据结合，采用加权平均法计算路段当前的平均行程车速；(2)通过计算路段的延误时间，与按照最大限速行驶所用时间的比值，计算路段的当前拥挤度指标；(3)通过分析GIS的空间拓扑关系，计算任意两两路段间的关联关系，量化为空间关联矩阵；(4)采用空间自相关分析Moran’s I指数对路段拥挤度观测值/计算值相似性进行分析，得出路网拥挤度的空间分布模式；(5)采用专家知识库的方法对交通小区进行修正和优化；(6)定时对历史数据进行更新，采用二分平均法减少远期数据对近期数据的影响；对于路段L_j，其实时平均行程车速的算法为：$V_j^r=\underset{i=1}{\overset{N}{\Sigma }}{S}_i/\underset{i=1}{\overset{N}{\Sigma }}{T}_i$其中N为经过路段L_j的车辆数，S_i为某车在路段L_j的行驶距离，T_i为该车在路段L_j的行程时间；对路段L_j，若其平均行程车速为历史行程车速为则其行程车速V_j采用加权调和平均法计算获得：$V_j=\frac{1}{\alpha /V_j^r+(1-\alpha )/V_j^h}$其中，α∈[0，1]，为可调系数，在系统运行的初始阶段历史数据记录少，α取值偏大，取0.8，当系统运行一定时间后，将α取值调低，取0.6，到0.5，长期运行后，根据实测数据将α调到合适值；路段拥挤度λ的计算方法为：$\lambda =\frac{T_k-T_{k0}}{T_{k0}}$其中：$T_k=\frac{L_k}{{\bar{v}}_k}=\frac{L_k}{\underset{i=0}{\overset{n}{\Sigma }}{\bar{v}}_{\mathrm{ki}}/n},$$T_{k0}=\frac{L_k}{{\bar{v}}_{k0}}$式中，T_k为路段k上车辆的实际平均行程时间；T_k0为路段k上车辆按照最大限速行驶的行程时间；L_k代表路段k的实际长度；是路段k上车辆的平均行驶速度；是路段k上第i辆车的平均行驶速度；表示路段k上允许或设计的车辆的最大行驶速度；n为路段k上的车辆数；对于任意两路段观测值是否在空间上存在相似性，采用空间自相关统计量Moran’s I按下式计算：$I=\frac{n}{\underset{i=1}{\overset{n}{\Sigma }}{(x_i-\bar{x})}^2}·\frac{\underset{i=1}{\overset{n}{\Sigma }}\underset{j=1}{\overset{n}{\Sigma }}{W}_{\mathrm{ij}}(x_i-\bar{x})(x_j-\bar{x})}{\underset{i=1}{\overset{n}{\Sigma }}\underset{j=1}{\overset{n}{\Sigma }}{W}_{\mathrm{ij}}}$对路段观测值在空间上是否存在空间自相关，根据标准化以后的Moran’s I值或z值：$Z_1=\frac{I-E}{\sqrt{\mathrm{Var}\left(I\right)}}$计算，Moran’s I的取值范围为(-1，1)，在给定显著性水平下，当Moran’s I显著为正时，表示观测值之间存在显著的正相关，呈现高高积聚或低低积聚分布格局；当Moran’s I显著为负时，表示观测值之间存在显著的负相关，高低相异，呈现空间分散格局；当Moran’s I接近期望值时，表明不存在空间自相关，观测值在空间上随机排列，生成具有不同交通拥挤度的若干个交通小区。