城市路网交通流量检测器的布设方法
【专利摘要】本发明公开了一种城市路网交通流量检测器布设方法，包括以下步骤：相关性计算；建立聚类谱系图；非自成一类子类的检测器布设及其交通流量预测；自成一类子类的检测器布设。本发明在选取目标检测器的过程中，充分考虑了各子类中检测器的相关性，这样可以避免原有技术中可能将相关性低的交叉口选为目标交叉口，并利用其去预测与之同类的其他交叉口的交通流信息的情况。因此，本发明减少了选择目标交叉口的盲目性和随意性，具有很高的科学性以及合理性，同时降低了预测方程的预测误差。由于本发明的两种方法只在城市路网中的少量的交叉口布设交通流量检测器，因此，土建成本少，工作量少，经济性好，检测精度高，可靠性好。因此，其适用性高。
【专利说明】城市路网交通流量检测器的布设方法
【技术领域】
[0001] 本发明涉及一种城市路网交通流量检测技术，特别是一种城市路网交通流量检测 器布设方法。
【背景技术】
[0002] 随着城市交通流量的迅猛增加，城市交通管理的难度在逐步增加。目前，包括发达 国家在内的世界许多国家都普遍采用智能交通控制系统，如：交通面控系统、智能运输系统 等。随着科技的进步和道路交通事业的发展，目前在我国（甚至一些世界发达国家）的一些 大中城市，其路网的密度越来越大，而且路网的节点（这里指交叉口）数目越来越多，对于 密度如此大的路网，要想实现对其的宏观管理，就必须获得路网的绝大多数（甚至是全部） 节点的交通流信息。而在这些城市普遍采用的交通面控系统中的主要交叉口都埋设了检测 器，交通流量数据的采集主要是依靠在这些交叉口埋设的检测器获得的，例如：日本东京市 大约有10000多个交叉口，而其只在其中的7000个左右交叉口埋设有检测器。而2013年美 国的洛杉矶市在全市路网中的4500个交叉口布设检测器以获取实施的交通流量信息。再 比如国内的大连市大约有上千个交叉口，而其只在城市中的大约300个交叉口埋设了检测 器以适应SCOOT系统的基本需要，南京市预计将在城市中的350个交叉口埋设检测器以适 应将要采用的交通面控系统的基本需要。如果单纯地依靠在主要路口埋设检测器来获取交 通流信息，将会耗费大量的基础建设投资，同时所得的交通流信息量还不能包括全部交叉 口的交通流信息，这样就不能够满足交通面控系统对城市路网整体的宏观管理。
[0003] 中国专利申请CN201310102977.X公开了《一种城市路网交通流量检测器的布设 方法》，该方法分别提出了两种检测器布设方法："分散式"检测器布设方法和"中心式"检 测器布设方法。其中："分散式"检测器布设方法是以各行政小区或交通区域控制中心为中 心区域，然后利用聚类分析法建立各行政小区或交通区域控制中心管辖范围内各交叉口之 间的聚类谱系图，接下来在聚类谱系图各子类中选取某一个交叉口作为布设检测器的目标 交叉口，而类中其他交叉口的交通流信息则可利用其与目标交叉口的相关性应用线性回归 方法、主成分分析法和逐步回归的方法建立各类别中交叉口交通流信息预测模型，此种方 法只适合于类似SCATS这样分层控制的自适应交通信号控制系统交通流信息采集；"中心 式"检测器布设方法是以商业中心区（CBD)或交通主管部门确定的区域作为检测器布设中 心区域，然后利用聚类分析法建立此区域管辖范围内各交叉口之间的聚类谱系图，接下来 在聚类谱系图各子类中选取某一个交叉口作为布设检测器的目标交叉口，而类中其他交叉 口的交通流信息则可利用其与目标交叉口的相关性应用线性回归方法、主成分分析法和逐 步回归的方法建立各类别中交叉口交通流信息预测模型。同时，对于新引入区域内的交叉 口同样利用聚类分析法研究其与聚类谱系图中各子类别的隶属关系，然后应用上述三种方 法建立其交通流信息预测模型。此种方法适合于类似SCOOT自适应交通信号控制系统交通 流"[目息米集。
[0004] 但是，该技术中在选择布设检测器的交叉口时没有考虑这些交叉口之间的相关 性，因而就会导致在相关性不强的交叉口中任选其一作为布设检测器的目标交叉口，这样 的选择方法就具有一定的盲目性和随意性，而且根据其建立起来的预测方程的预测精度会 很低，从而导致应用这些预测出来的交通流信息的相关应用系统（如：交通控制系统、车辆 诱导系统等）产生错误的决策。同时，该技术在建立的预测方程中有些自变量的信息是通 过预测获取的，因此其预测方程在未来预测交通流量数据时会存在重叠误差而影响预测精 度。
【发明内容】
[0005] 为解决现有技术存在的上述问题，本发明要设计一种预测精度高、运营成本低的 城市路网交通流量检测器布设方法。
[0006] 为了实现上述目的，本发明的技术方案如下：
[0007] 城市路网交通流量检测器布设方法，包括以下步骤：
[0008] A、相关性计算
[0009] 相关性计算按照不同的实时自适应交通信号控制系统进行，如果是针对SCATS系 统，则转步骤A1，如果是针对SCOOT系统，则转步骤A2 ;
[0010] A1、针对SCATS系统，检测器布设范围是以各行政小区或各区域交通控制子区为 布设中心区域。然后计算各行政小区或各区域交通控制子区内所有交叉口间的相关性。相 关系数的具体计算过程如下所示：
【权利要求】
1.城市路网交通流量检测器布设方法，其特征在于：包括以下步骤： A、相关性计算 相关性计算按照不同的实时自适应交通信号控制系统进行，如果是针对SCATS系统， 则转步骤A1，如果是针对SCOOT系统，则转步骤A2 ; A1、针对SCATS系统，检测器布设范围是以各行政小区或各区域交通控制子区为布设 中心区域；然后计算各行政小区或各区域交通控制子区内所有交叉口间的相关性；相关系 数的具体计算过程如下所示：
式中和是相关系数，Sp和是离差矩阵，其计算公式如下：
其中：xKi和yK是不同交叉口的交通流量值，该值通过交通调查获取；写和F是不同交 叉口的交通流量值的均值，其计算公式如下：
转步骤B; A2、针对SCOOT系统，检测器的布设范围是商业中心区或由交通主管部门确定检测器 布设中心区域；确定完检测器布设范围后，计算其布设范围内所有交叉口间的相关性，其具 体计算过程如下所示：
式中和是相关系数，Sp和是离差矩阵，其计算公式如下：
其中：xKdPyK是不同交叉口的交通流量值，该值通过交通调查获取；写:和f是不同交 叉口的交通流量值的均值，其计算公式如下：
B、 建立聚类谱系图 利用聚类分析法中的相似系数法对上述各个交叉口进行聚类，并建立它们之间的聚类 谱系图，图中横轴代表检测器编号，纵向连线表示距离； 相似系数法是利用各个变量间的相似系数的大小把个体逐个地合并成一些子集，直至 整个总体都在一个集合内为止；其中类间距离的度量方法为最远距离法，计算公式为：
式中：是所选区域各交叉口交通流量之间相关系数； 接着，以交叉口间的相关系数是否大于等于〇. 85作为标准将聚类谱系图中的所有交 叉口划分成若干子类；其参数〇. 85是依据统计学原理选择的，因为统计学中表明相关系数 为0. 85的两变量间有显著的相关性，正如表1所示； 表1相关关系密切程度划分表
C、 非自成一类子类的检测器布设及其交通流量预测 步骤B将所有的交叉口划分成了若干子类，这些子类进一步又分成两大类，一类称为 非自成一类子类；另一类称为自成一类子类；其中属于自成一类子类的每个子类中包含两 个及两个以上交叉口，属于自成一类子类的每个子类中只包含一个交叉口； 对于属于非自成一类子类中的每个子类，将选取其中每个两两聚类的次子类中的任意 一个交叉口作为布设检测器的目标交叉口；而子类中其他未布设检测器交叉口的交通流量 则利用其与目标交叉口的相关性，应用线性回归方法、主成分分析法或逐步回归法建立交 通流信息预测模型来获得；其中，检测器布设个数少于或等于5个的子类中未布设检测器 交叉口的交通流量信息利用线性回归方法来进行预测；检测器布设个数5个以上的子类中 未布设检测器交叉口的交通流量信息则利用主成分分析法或逐步回归法来进行预测；这三 种预测模型的计算步骤分别如下： C1、线性回归法
式中：xi是已安装检测器交叉口的交通流量；i是待预测的未安装检测器交叉口的交 通流量；bi是线性回归系数； C2、主成分分析法 C21、用雅可比方法求特征方程|R-XI| =〇的p个非负特征值入：> 入2>... > 入p > 0,式中R是相关系数矩阵，A是特征值； C22、主分量选取：
式中：a是前m个主分量的方差占全部总方差的比例； C23、利用线性回归法建立所选主分量和预测变量间的线性回归方程：
式中：\是选取的主分量是待预测的未安装检测器交叉口的交通流量；1^是线性回 归系数； C3、逐步回归分析法C31、计算贡献量：
式中：是衡量变量在所建立回归方程中的重要程度的变量，即贡献量；是正规 方程的系数矩阵的逆矩阵Cu中主对角线上的第i个元素；bi为回归系数； C32、按照贡献量次序将变量逐步引入回归方程，并利用F检验检验引入变量以及已引 入变量的显著性，若显著则留在回归方程中，否则就剔除；其中，F检验的计算公式如下：
式中：Q(1)是第1次建立的回归方程的残差平方和；n为样本个数；s为先前已引入到回 归方程中的变量个数； C33、重复步骤C32直至没有变量引进，也没有变量从方程中剔除为止； D、自成一类子类的检测器布设 所有属于自成一类子类中的交叉口由于其与其他交叉口检测器的相关系数均小于 0. 85,说明其与其他的交叉口的相关程度很低，因此这些交叉口都将作为布设检测器的目 标交叉口。
【文档编号】G08G1/065GK104408943SQ201410734801
【公开日】2015年3月11日 申请日期:2014年12月4日 优先权日:2014年12月4日
【发明者】张赫 申请人:大连海事大学