[发明专利]一种基于Canopy+Kmeans聚类的路网子区划分及其评估方法

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Canopy+Kmeans聚类的路网子区划分及其评估方法，路网子区划分方法以实时采集路段中心经纬度、路段平均速度、路段平均密度为样本数据，具体步骤如下：(1)进行数据预处理；采用基于“最小最大原则”的Canopy算法，确定若干个Canopy及Canopy中心点；(2)在步骤(1)之后，进行Kmeans的二次聚类；采集步骤(1)中的Canopy中心点，Canopy的中心点个数为Kmeans算法的K值；(3)在步骤(2)之后，分别计算各数据点到K个聚类中心点的欧氏距离，并将其划分到距离最小的聚类中，形成新的聚类。以实时采集的路段中心经纬度、路段平均速度、路段平均密度为样本数据，提出基于Canopy‑Kmeans聚类算法的路网子区划分方法，以弥补Kmeans算法的不足。

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Canopy+Kmeans聚类的路网子区划分及其评估方法。

背景技术

随着城市范围越来越大，以及存在路网拥堵分布不均、道路类型多样等因素，导致城市路网呈现异构性，不利于城市交通管理与控制，因此有必要对城市路网进行子区划分。而路网子区划分可以当做是属性接近的路段划分聚类的过程，因此可以采用聚类算法对路网子区进行划分。聚类(Clustering)就是将数据集合分成属性和特征接近的若干簇(类)，同一个簇中的对象属性或特征彼此相似，与其它簇中的对象差别较大。目前聚类算法可分为划分方法(代表：K-means算法、K-MEDOIDS算法、CLARANS算法)、层次方法(代表：BIRCH算法、CURE算法、CHAMELEON算法等)、基于密度的方法(代表：DBSCAN算法、OPTICS算法、DENCLUE算法等)、基于网格的方法(代表：STING算法、CLIQUE算法、WAVE-CLUSTER算法)、基于模型的方法(代表：FCM算法)、基于图论的方法(代表：谱聚类)等。聚类算法已广泛应用于商业、计算机、生物学、医学、经济学、地理、数学等诸多领域，在交通领域中主要应用于交通状态判别、路网子区划分、交通控制时段划分、交通事故点划分、交通流量划分等，但目前聚类算法在路网子区划分中的应用还处于起步阶段，部分学者运用聚类算法进行路网子区划分的研究。如李晓丹(2009)等提出了基于空间统计聚类算法的路网子区自动划分方法，并利用上海实际路网的浮动车数据，实现了路网子区的自动划分。戴炳奎(2010)等建立基于FCM的加权模糊聚类分析法，并采用层次分析方法对加权进行优化，最后以海峡西岸经济区为实验区，验证该方法的可行性。尹洪英(2010)等根据实时变化的交通流数据和道路交叉口的拓扑结构属性，以谱图理论为基础结合谱聚类算法进行路网动态分区。杜彩军(2014)等基于高速公路联网收费的收费站点之间OD交通量数据，转换计算交通联系量，运用加权平均距离聚类分析方法，构建基于高速公路交通联系的交通区划分方法框架。冯树民(2015)等针对路网子区合并问题，提出基于二维图论聚类算法的路网子区合并模型，并用F检验法确定最优合并结果。林丹(2017)在无权网络中增加边权、点权的描述并结合复杂网络中度的概念，对Newman聚类算法进行改进，最后基于改进的Newman聚类算法对路网子区进行划分。王晓轩(2017)提出了基于Kmeans聚类的路网子区划分方法和基于改进FCM算法的路网子区划分方法，并通过实际路网分析，比较了两种方法的优劣。其中王晓轩(2017)提出了基于Kmeans聚类的路网分区方法，但该方法的K值是预先设置的，K值一般是难以估计的，不具备普遍性，同时随机选择聚类中心，每次运行有可能出现不同的聚类结果，所得获取的结果也有可能不是最优解。

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Canopy+Kmeans聚类的路网子区划分方法，以实时采集的路段中心经纬度、路段平均速度、路段平均密度为样本数据，提出基于Canopy-Kmeans聚类算法的路网子区划分方法，以弥补Kmeans算法的不足。

为解决上述技术问题，本发明采用的技术方案是：