基于集群智能的高速公路交通状态识别算法

doi:10.3976/j.issn.1002-4026.2022.03.009

山东科学 ›› 2022, Vol. 35 ›› Issue (3): 72-81.doi: 10.3976/j.issn.1002-4026.2022.03.009

基于集群智能的高速公路交通状态识别算法

曾朝晖¹(),王江锋^1,^*(),教欣萍¹,熊慧媛¹,龚希志^1,²

1.北京交通大学交通运输学院综合交通运输大数据应用技术交通运输行业重点实验室,北京 100044
2.河南省交通规划设计研究院股份有限公司,河南郑州450000

收稿日期:2021-04-28 出版日期:2022-06-20 发布日期:2022-06-10
通信作者: 王江锋 E-mail:19120944@bjtu.edu.cn;wangjiangfeng@bjtu.edu.cn
作者简介:曾朝晖(1997—),男,硕士研究生,研究方向为智能交通。E-mail: 19120944@bjtu.edu.cn
基金资助:
国家重点研发计划(2019YFF0301403);国家自然科学基金(61973028);河南省交通厅科技项目(2020G3)

Highway traffic state recognition based on swarm intelligence

ZENG Zhao-hui¹(),WANG Jiang-feng^1,^*(),JIAO Xin-ping¹,XIONG Hui-yuan¹,GONG Xi-zhi^1,²

1. The MOT Key Laboratory of Transport Industry of Big Data Application Technologies for Comprehensive Transport, School of Traffic and Transportation,Beijing Jiaotong University, Beijing 100044, China
2. Henan Transportation Planning and Design Institute Co., Ltd., Henan 450000, China

Received:2021-04-28 Online:2022-06-20 Published:2022-06-10
Contact: Jiang-feng WANG E-mail:19120944@bjtu.edu.cn;wangjiangfeng@bjtu.edu.cn

摘要/Abstract

摘要：

针对传统交通状态识别算法仅考虑交通参数个体特征差异而存在识别率较低的问题,引入集群智能概念,提出了既考虑交通参数个体特征差异,又考虑个体参数所蕴含的群体特征差异性的高速公路交通状态识别算法。由于模糊C均值聚类算法(fuzzy C-means algorithm,FCM)在交通状态识别泛化能力上存在收敛缓慢的不足,基于反向学习策略以及鲸鱼优化算法(whale optimization algorithm,WOA),考虑个体交通参数所蕴含的集群行为增强了交通状态初始聚类中心种群的多样性,设计了一种具有良好的全局搜索能力集群智能的高速公路交通状态识别算法,融合了反向学习、WOA和FCM算法,克服了FCM识别算法容易陷入局部最优的局限。实证分析结果表明,所提出的交通状态识别算法具有良好的识别效果,准确率达到92%,且收敛速度较FCM算法更快。

关键词: 高速公路, 交通状态, 模式识别, 鲸鱼算法, 模糊聚类, 反向学习

Abstract:

To solve the problem of low recognition rate in traditional traffic state recognition algorithms that only consider the differences in individual characteristics of traffic parameters, the concept of swarm intelligence is introduced. A highway traffic state recognition algorithm that considers the differences in individual characteristics of traffic parameters as well as the differences in group characteristics contained in individual parameters is proposed. Because the fuzzy C-means algorithm (FCM) has the disadvantage of slow convergence in the generalization ability of traffic state recognition, the opposition-based learning strategy and whale optimization algorithm (WOA) are adopted. Considering the individual traffic parameters that contain the cluster behavior to enhance the diversity of the initial clustering center population of the traffic state, a swarm intelligence-based highway traffic state recognition algorithm OWF with good global search ability is designed, which incorporates reverse learning along with the WOA and FCM algorithms and overcomes the problem that the FCM recognition algorithm is prone to local optima. Empirical analysis results show that the proposed traffic state recognition algorithm has a good recognition effect, with an accuracy rate of 92%, and the convergence speed is greater than that of the FCM algorithm.

Key words: :highway, traffic state, pattern recognition, WOA, FCM, opposition-based learning

中图分类号:

U491

曾朝晖,王江锋,教欣萍,熊慧媛,龚希志. 基于集群智能的高速公路交通状态识别算法[J]. 山东科学, 2022, 35(3): 72-81.

ZENG Zhao-hui,WANG Jiang-feng,JIAO Xin-ping,XIONG Hui-yuan,GONG Xi-zhi. Highway traffic state recognition based on swarm intelligence[J]. Shandong Science, 2022, 35(3): 72-81.

图/表 14

表1

图1

图2

图3

表2

表3

表4

图4

图5

表5

图6

表6

图7

图8

参考文献 13

[1]	PAYNE H J, TIGNOR S C. Freeway Incident Detection Algorithms Based on Decision Trees with States[C]// 57th Annual Meeting of the Transportation Research Board. Washington D.C., USA: Transportation Research Record, 1978.
[2]	PERSAUD B N, HALL F L. Catastrophe theory and patterns in 30-second freeway traffic data: implications for incident detection[J]. Transportation Research Part A: General, 1989, 23(2): 103-113.DOI: 10.1016/0191-2607(89)90071-X. doi: 10.1016/0191-2607(89)90071-X
[3]	邬群勇, 胡振华, 张红. 基于多源轨迹数据的城市交通状态精细划分与识别[J]. 交通运输系统工程与信息, 2020, 20(1): 83-90. DOI: 10.16097/j.cnki.1009-6744.2020.01.013. doi: 10.16097/j.cnki.1009-6744.2020.01.013
[4]	曹洁, 张丽君, 侯亮, 等. 基于信息熵加权的FCM交通状态识别研究[J]. 计算机应用与软件, 2018, 35(10): 68-73.DOI: 10.3969/j.issn.1000-386x.2018.10.013. doi: 10.3969/j.issn.1000-386x.2018.10.013
[5]	LUO R Q, ZHONG X, ZHONG L, et al. Research on the intelligent judgment of traffic congestion in intelligent traffic based on pattern recognition technology[J]. Cluster Computing, 2019, 22(5): 12581-12588. DOI: 10.1007/s10586-017-1684-8. doi: 10.1007/s10586-017-1684-8
[6]	高林, 刘英, 盛子豪. 随机森林算法在交通状态判别中的应用[J]. 实验技术与管理, 2017, 34(4): 43-46. DOI: 10.16791/j.cnki.sjg.2017.04.012. doi: 10.16791/j.cnki.sjg.2017.04.012
[7]	常丽君, 郑黎黎, 杨帆. 基于(SAGA-FCM)-PNN的交通状态判别方法研究[J]. 交通信息与安全, 2019, 37(2): 120-127. DOI: 10.3963/j.issn.1674-4861.2019.02.017. doi: 10.3963/j.issn.1674-4861.2019.02.017
[8]	李巧茹, 郝恩强, 陈亮, 等. 遗传算法优化支持向量机的城市交通状态识别[J]. 重庆交通大学学报(自然科学版), 2020, 39(8): 1-5.
[9]	ZHANG L L, WANG L, ZHAO Q, et al. Traffic state identification of intersection based on semi-supervised hash algorithm[J]. Journal of Transportation Systems Engineering and Information Technology, 2020, 20(1): 75-82.
[10]	Transportation Research Board. Highway Capacity Manual[R]. Washington, D.C.,USA: National Research Council, 2000.
[11]	TIZHOOSH H R. Opposition-based learning: a new scheme for machine intelligence[C]∥International Conference on International Conference on Computational Intelligence for Modelling, Control & Automation and International Conference on Intelligent Agent, Web Technologies and Internet Commerce. Vienna, Austria: IEEE, 2005: 695-701.DOI: 10.1109/CIMCA.2005.1631345. doi: 10.1109/CIMCA.2005.1631345
[12]	郭新辰, 郗仙田, 樊秀玲, 等. 基于半监督的模糊C-均值聚类算法[J]. 吉林大学学报(理学版), 2015, 53(4): 705-709. DOI: 10.13413/j.cnki.jdxblxb.2015.04.21. doi: 10.13413/j.cnki.jdxblxb.2015.04.21
[13]	宫改云, 高新波, 伍忠东. FCM聚类算法中模糊加权指数m的优选方法[J]. 模糊系统与数学, 2005, 19(1): 143-148. DOI: 10.3969/j.issn.1001-7402.2005.01.025. doi: 10.3969/j.issn.1001-7402.2005.01.025

服务水平等级	密度/(pcu·km^-1)	时间占有率/%	交通状态S_i(i=1,2,3,4)
一级	8	3.2	S₁
二级	19	7.6	S₂
三级	26	10.4	S₃
四级	42	50.4	S₄

时间序列	监控时间	车道编号	每5 min交通量/辆	速度/(km·h^-1)	时间占有率/%
1	00:00:00	1	15	49	1.00
1	00:00:00	2	41	66	4.50
1	00:00:00	3	7	34	0.50
2	00:05:00	1	12	15	7.00
2	00:05:00	2	22	63	38.00
2	00:05:00	3	7	38	2.25
3	00:10:00	1	14	18	10.00
3	00:10:00	2	—	—	—

参数名称	取值	取值说明
聚类类别数c	4	交通状态类别
模糊指数m	2	参考文献[13]
误差阈值ε	0.000 01	—
种群规模N	50	交通状态种群
搜索空间维度D	3	交通参数种类
最大迭代次数t_max	100	—

交通状态	聚类中心	每5 min交通量/辆	速度/(km·h^-1)	时间占有率/%
S₁	c₁	34.904	63.050	1.371
S₂	c₂	125.915	67.419	6.857
S₃	c₃	195.902	67.099	9.347
S₄	c₄	168.148	13.886	47.139

交通状态	聚类中心	每5 min交通量/辆	速度/(km·h^-1)	时间占有率/%
S₁	c₁	34.904	63.049	1.371
S₂	c₂	125.908	67.418	6.857
S₃	c₃	195.898	67.100	9.347
S₄	c₄	168.172	13.887	47.137

基于集群智能的高速公路交通状态识别算法

Highway traffic state recognition based on swarm intelligence

RichHTML

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 13

相关文章 10

Metrics

本文评价

推荐阅读 0

交通状态	聚类中心	每5 min交通量/辆	速度/(km·h^-1)	时间占有率/%
S₁	c₁	31.900	61.733	1.221
S₂	c₂	133.064	68.039	6.832
S₃	c₃	207.694	66.228	10.581
S₄	c₄	165.868	13.165	48.756

[1]	姜晓东, 王磊磊, 孙鹏, 杨光, 耿俊琪, 王家文, 黄胜, 渠帅, 王晨, 尚盈. 基于生成对抗网络的有载调压开关故障检测研究[J]. 山东科学, 2023, 36(6): 68-73.
[2]	董贯雷, 姜晓东, 孙鹏, 杨光, 耿俊琪, 王家文, 渠帅, 黄胜, 王晨, 尚盈. 基于分布式光纤传感系统的有载变压器故障检测技术研究[J]. 山东科学, 2023, 36(5): 52-59.
[3]	程思洁, 邵晓明, 李镇, 王江锋. 基于双层规划模型的高速公路差异化收费定价研究[J]. 山东科学, 2023, 36(5): 93-101.
[4]	刘春生, 曹蓉, 王晓晗, 赵鹤然, 贾健民. 基于门架数据的高速公路运行状态评价研究[J]. 山东科学, 2023, 36(3): 100-107.
[5]	熊文磊, 庄稼丰, 马天奕. 基于客货分离的十车道高速公路车道管理适用条件研究[J]. 山东科学, 2023, 36(1): 107-114.
[6]	陈伦，谷远利，陆文琦. 基于模糊综合评价的城市快速路交通状态判别研究[J]. 山东科学, 2017, 30(5): 62-69.
[7]	胡进宝，孟晓雨，高卫东. 基于改进城市引力模型的高速公路社会经济适应性研究——以宁武高速公路为例[J]. 山东科学, 2016, 29(4): 68-74.
[8]	夏萍萍，魏丽英，马壮林. 基于负二项回归模型的高速公路交通事故影响因素分析[J]. J4, 2013, 26(4): 79-84.
[9]	童健，贾元华. 基于灰色模糊聚类分析的城乡道路客运一体化区域发展研究[J]. J4, 2012, 25(5): 98-103.
[10]	周微，贾元华，陈峰. 高速公路城市化路段短时交通量预测方法研究[J]. J4, 2012, 25(4): 53-57.