[发明专利]基于多源数据融合和MILP的交通控制子区聚类划分方法

摘要

基于多源数据融合和MILP的交通控制子区聚类划分方法，首先，根据实际交通环境，选择两类特征参数数据进行相关性分析，并在数据规范化基础上融合两类数据，形成新的组合特征参数；然后，采用层次聚类算法，为所有路段生成可以表征周围交通流态势的有序序列；接着，基于MILP思想进行初次建模和软件求解，获得初次划分结果；最后，针对需要重新分配的路段进行二次MILP建模和求解，获得最终划分结果。本发明适用于大型城市交通网络，基于多源数据融合的组合特征参数可以获得更符合实际交通状况的交通控制子区划分结果，同时MILP模型具有良好的可解性，可以在有效时间内获得全局最优的交通控制子区划分结果。

主权项

1.基于多源数据融合和MILP的交通控制子区聚类划分方法，包括如下步骤：(1)通过车载GPS、或手机GPS、或北斗系统、或第三方公司获得行车速度特征参数数据，同时通过电警或卡口的视频摄像头获得车道流量特征参数数据；对这两种特征参数进行相关性分析，计算它们的皮尔森相关系数，具体计算公式如下：其中，ρ表示行车速度和车道流量的皮尔森相关系数，V和Q分别表示所有路段的行车速度和车道流量，cov(V，Q)表示两者的协方差，σ_V和σ_Q分别表示V和Q的方差，v_i表示路段i的行车速度，q_i表示路段i的车道流量，和则分别表示所有路段行车速度和车道流量的平均值，N为交通路网的路段总数；(2)对步骤(1)采集的交通数据进行数据规范化处理；数据规范化处理采用零均值标准化方法，具体计算公式如下：其中，i＝1，2，...，N，x_i表示路段i的某个特征参数，即行车速度或车道流量，μ和σ分别表示这个特征参数的平均值和方差，而则表示x_i进行零均值标准化后的值；(3)基于步骤(1)所得到的皮尔森相关系数，对行车速度和车道流量规范化后的数据进行线性加权数据融合处理，获得新的组合特征参数；其中，根据实际的交通流数据采集状况分析，车道流量数据更为准确，因此主特征定为车道流量，辅特征定为行车速度；数据融合的计算公式如下：其中，i＝1，2，...，N，c_i表示路段i的新的组合特征参数，表示路段i经过规范化处理后的行车速度，则表示路段i经过规范化处理后的车道流量；(4)基于步骤(3)所得到的组合特征参数，对每条路段执行一次层次聚类算法，为每条路段生成一个由路网中所有路段组成的有序序列，即“snake”序列s_i，其中i＝1，2，...，N；一个序列即是一条“snake”，这条“snake”代表了起始元素对应路段周围的交通流态势分布情况，以及相邻路段的分布情况；“snake”序列s_i的生成过程：首先选择一条没有执行过该算法的路段i，获得对应的组合特征值c_i，将其作为首个元素加入对应的“snake”序列s_i；然后，获取序列s_i中已有路段的所有相邻路段，假设这些相邻路段逐一加入序列s_i中，并计算加入后的组合特征参数方差，比较所有这些相邻路段逐一加入后的方差，选择方差最小的路段作为新的元素加入序列s_i中；重复迭代，直到所有路段都加入到序列s_i中，则路段i的层次聚类算法执行结束，序列s_i生成完毕；对每一条路段i都重复这个生成过程，直至生成所有的“snake”，即序列s₁，s₂，...，s_N；“snake”序列生成过程中，加入某相邻路段后，组合特征参数方差的计算公式如下：其中，和是“snake”序列s_i前j条路段关于组合特征参数的方差值和平均值，c_j是第j条路段的组合特征参数值；(5)基于步骤(4)获得所有路段的“snake”序列，采用MILP思想进行初次建模，并借助现有求解器软件进行优化求解，获得交通控制子区的初步划分结果；MILP建模包括决策变量，目标函数和约束条件；初次MILP决策变量共有四个：x_ij表示路段j是否属于第i条“snake”，即序列s_i，x′_j表示路段j是否至少属于一个子区，x″_j表示路段j是否属于多个子区，t_i表示“snake”序列s_i中选中前N_i条路段的加权方差；初次MILP目标函数是最小化所选“snake”集的组合特征参数的加权方差之和，具体公式如下：其中，N_s是“snake”的数量，var(s_i)表示序列s_i的前N_i条路段的方差，t_i是决策变量，即t_i＝N_i×var(s_i)；初次MILP约束条件可以保证所有交通控制子区内部路段具有较高的相似度且具有相邻关系，具体如公式(1)‑(9)：x_ij∈{0，1}，x′_j∈{0，1}，x″_j∈{0，1}，t_i∈R     (9)其中，表示路网中所有路段的集合，N和N_s分别表示路段的数量和“snake”的数量，N_c和N_min则分别表示交通控制子区数量以及子区最少包含的路段数量，R_i(j)表示第i条“snake”的第j条路段，则表示路段j在第i条“snake”中的位置序号，var(S_{i，j})表示第i条“snake”的前j条路段的组合特征参数方差值，a′表示至少被分配到一个交通控制子区的路段数目占所有路段的比重，一般取值为90％，而a″表示被分配到多个交通控制子区的路段数目占所有路段的比重，一般取值为10％；最后，根据初次MILP的决策变量、目标函数和约束条件，借用现有求解器软件进行优化求解，获得交通控制子区的初步划分结果；(6)基于步骤(5)获得的交通控制子区初步划分结果，采用MILP思想进行二次建模和优化求解，把部分分配到多个子区的路段和没有分配到子区的路段进行重新分配，从而获得交通控制子区的最终划分结果；二次MILP的决策变量有四个：y_j表示路段j与交通控制子区中心路段的距离，x_ijk表示路段k是否能通过相邻路段j与第i条“snake”的中心路段相连，表示路段k和l是否属于同一个交通控制子区i，x_iok表示路段k是否是交通控制子区i的中心路段；二次MILP目标函数是为了最小化所有子区间的相似度和子区内的相异度之和，具体公式如下：其中，d(l，k)表示路段l和路段k之间的相异度，D_l和D_k分别是路段l和路段k的组合特征参数值，路段之间的相异度d(l，k)＝|D_l‑D_k|，表示所有路段的平均相异度，其值二次MILP约束条件可以确保子区内具有较高的相似度及相邻关系，而子区间具有较低的相似度，具体如公式(10)‑(20)：0≤y_k≤N，x_ik∈{0，1}       (20)其中，表示路段k的相邻路段的集合，x_ik表示路段k是否属于第i条“snake”，即序列s_i；最后，根据二次MILP的决策变量、目标函数和约束条件，借用现有求解器软件进行优化求解，获得交通控制子区的最终划分结果。