[发明专利]基于区域检测器的高速公路交通状态评价方法

权利要求书

1.基于区域检测器的高速公路交通状态评价方法，其特征在于步骤如下：

(一)选择区域检测器采集得到的车辆速度V、速度变化ΔV和车流密度K作为表征交通状态的三个特征参数，并先做如下准备工作：

(1)对于每一个数据点需要计算两个量即ρ_i和δ_i来刻画聚类中心；

ρ_i--第i个样本的局部密度；

δ_i--第i个样本点与局部密度高于该点的所有点的距离中的最小值；

(2)算法聚类中心的选取

S＝{x_i|x_i∈R，i＝I_S}，I_S＝{1，2，...，n}，C_z(z＝1，2，...，k)表示聚类中心；

S--样本空间；

x_i--第i个样本参数；

R--数据总空间；

I_S--样本序数空间；

C_z--第z个聚类中心；

样本x_i与x_j之间的欧氏距离：

d_ij--数据点x_i与x_j之间的欧式距离；

x_i--第i个样本参数；

x_j--第j个样本参数；

计算x_i局部密度ρ_i：

Gaussian kernel：

ρ_i--样本x_i的局部密度；

I_S--样本序数空间，I_S＝{1，2，...，n}；

d_ij--数据点x_i与x_j之间的欧式距离；

d_c--截断距离；

(3)数据点x_i的δ_i是点到任何比其密度大的点的距离的最小值；

设表示的一个降序排列下标序，即它满足

q_t--ρ_i的下标序列；

ρ_i--局部密度；

定义如下：

δ_qt--数据点的δ值；

--数据点和数据点的欧式距离；

--数据点和数据点的欧式距离；

r，t--q的下标序；

(4)对于S中的每一数据点x_i，计算出(ρ_i，δ_i)，i∈I_S；给出一种确定聚类中心个数的方法：

[0049]γ_i＝ρ_iδ_i i∈I_s (5)

[0050]γ_i--一个将ρ值和δ值综合考虑的量；

对进行降序排列，然后从前往后截取若干个数据点作为聚类中心；

(2)K-mean算法

输入：簇的数目k以及n个数据对象的数据集；

输出：E不变时满足目标函数值最小的k个簇；

Step1从给出的n个数据对象中随机选出k个对象作为初始聚类中心来执行；

Step2计算数据对象与各个簇的聚类中心的距离，将每个数据对象赋给与其距离最近的簇；

Step3重新计算每个新簇的均值，作为新的簇的聚类中心，

m_z--表示第z个簇数据对象个数；

C_z--表示第z个簇；

x--数据对象；

Step4计算E值；

E--收敛函数；

k--簇的数量；

--表示簇C_z的聚类中心；

C_z--表示第z个簇；

Step5直到E不再发生变化时，算法终止；否则转向Step2；

(二)进行组合算法：

输入：待聚类的n个数据对象的数据集；

输出：满足目标函数最小的k个簇；

Step1使用计算数据对象欧式距离d_ij，

Step2确定截断距离d_c，计算的距离d_ij(i＜j)共有M＝n(n-1)/2个进行升序排列；设得到的序列为d₁≤d₂≤…≤d_M，取该序列前百分之二的数，利用round函数是按指定的位数对数值进行四舍五入；

M--计算得到的欧式距离d_ij(i＜j)的个数；

n--数据点的个数；

Step3根据式(3)，选择Gaussian kernel来计算并生成其降序排列下标序

Step4根据式(4)计算出

Step5令γ_i＝ρ_iδ_ii∈I_S，γ值越大，越有可能是聚类中心；

γ_i--一个将ρ值和δ值综合考虑的量；

Step6确定聚类中心与k的值；

C_z--第z个聚类中心；

k--聚类中心的个数；

Step7计算数据对象与各个簇的聚类中心的距离，将每个数据对象赋给与其距离最近的簇；

Step8根据式(5)重新计算每个新簇的均值，作为新的簇的聚类中心；

Step9根据式(6)计算E值；

Step10直到E不再发生变化时，算法终止；否则转向Step7；

(三)状态判定

收集实时采集的交通参数，计算数据点到各状态中心的距离，选择距离最小的状态中心为此实时数据点的交通状态；

d_z--数据点到第z个状态中心的距离；

x--实时的数据点参数；

C_z--第z个状态中心。