[发明专利]一种基于ACO-FCM聚类算法的路网分区及其评估方法

说明书

本发明涉及神经网络技术方法领域，更具体地，涉及一种基于ACO‑FCM聚类算法的路网分区及其评估方法，具体步骤如下：(1)利用基于蚁群觅食行为的ACO算法，确定初始聚类中心；(2)在步骤(1)之后，利用FCM聚类算法进行二次聚类；(3)在步骤(2)之后，最终确定路网子区。本发明提供一种基于ACO‑FCM聚类算法的路网分区方法，弥补FCM算法的不足，并搭建的车联网仿真模型，分别采用FCM、ACO‑FCM等2种聚类算法对路网进行分区，最后对路网分区结果进行基于MFD的定量评价。

技术领域

本发明涉及神经网络技术方法领域，更具体地，涉及一种基于ACO-FCM聚类算法的路网分区及其评估方法。

背景技术

城市交通信号控制系统负责管理与控制整个城市路网，为了提高城市路网的交通控制效果，有必要进行路网分区。路网分区最初使用静态划分方法，即根据路网历史数据(如交通流量、交通密度、路网结构、路网大小)对路网进行分区。静态划分方法易于实现，对交通流变化不大的路网是可行的，但一旦交通流随机变化较大时，需要投入大量的人力物力重新获取交通数据。部分学者研究了动态路网分区方法。如基于树生长算法的路网动态分区方法，基于交通分配均衡的路网分区模型，基于交通堵塞的路网分区路径选择模型，基于关联度的路网动态分区方法，归一化分割算法(Ncut法)，基于蛇集的路网动态划分方法，基于路段连通性和区域生长技术的路网分区算法。路网分区其实是将密度接近的路段划分在一起，因此，部分学者采用聚类算法进行路网动态分区。如基于空间统计聚类算法的路网子区自动划分方法，基于加权模糊聚类的路网分区方法，基于谱聚类的路网动态分区方法，基于加权平均距离聚类方法的路网分区方法，基于二维图论聚类算法的路网子区合并模型，基于改进的Newman聚类算法的路网分区方法，基于改进FCM算法的路网分区方法。其中FCM聚类方法依赖于初始聚类中心或隶属度矩阵，所得的结果容易陷入局部最优解。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于ACO-FCM聚类算法的路网分区及其评估方法，弥补FCM算法的不足，并搭建的车联网仿真模型，分别采用FCM、ACO-FCM等2种聚类算法对路网进行分区，最后对路网分区结果进行基于MFD的定量评价。

为解决上述技术问题，本发明采用的技术方案是：

提供一种基于ACO-FCM聚类算法的路网分区方法，具体步骤如下：

(1)利用基于蚁群觅食行为的ACO算法，确定初始聚类中心；

(2)在步骤(1)之后，利用FCM聚类算法进行二次聚类；

(3)在步骤(2)之后，最终确定路网子区。

优选地，在步骤(1)中，确定初始聚类中心的具体的步骤如下：

(a)初始化相关参数：在车联网环境下实时采集路段中心经纬度、路段平均速度、路段平均密度等样本数据，形成路网数据集合X＝{(x_i1,x_i2,x_i3,x_i4)|i＝1,2,L,n}，其中x_i1表示第i路段的中心经度，x_i2表示第i路段的中心纬度，x_i3表示第i路段的平均速度，x_i4表示第i路段的平均密度}，每个路段可以当做单个蚂蚁；

(b)在步骤(a)之后，随机选择c个路段样本为初始聚类中心，蚂蚁路段需聚类到c个聚类中心c_j，x_i到c_j的欧氏距离公式如下：

式中，P——权重因子，可根据路段参数对路网分区的影响程度而设定；

(c)在步骤(b)之后，定义r为聚类半径，蚂蚁路段x_i到初始聚类中心c_j路径上的信息素为：