算法基本思想如下: l)将所有的交通流量数据按照流量值的大小,选择 K-Means算法作为聚类分段的基础算法(取k=3),采 用欧几里德距离作为聚类的距离函数; 2)根据上一步聚类,生成C1 、C2、C3三个簇。 3）经过两步聚类后,我们将一天的流量值聚为7个 簇。 4)计算各个簇的质心和质量,质心的横坐标为时间, 纵坐标为流量的平均值,簇的质量为簇中对象的个数, 按照质心的横坐标(时间)大小排序, 记t1 t2,t3,t4,t5,t6,t7； 对应的质量为m1,m2,m3,m4,m5,m6,m7; 5)按照公式1计算 ： ，即 tn mn tn tn tn1 tn mn1 _ mn
假设交通流为自由流,在长度为L的路段上有连续 进行的N辆车,其速度为V,由三个参数的定义可知: L L路段上的车流密度: K N N号车通过A断面的时间:
L t N
t
N号车通过A断面的交通流量: Q N 将以上各式整理得: Q KV 式中:Q---流量，辆/h; V---区间速度，km/h; K---密度，辆/km.
（3）辅助决策模块 该模块逻辑上主要由知识库、模型库、方法库、推 理机、咨询/解释系统和问题处理系统构成。 （4）模拟运行模块 该模块主要由问题发生器、情景分析、模拟、优化 和评价比较五部分构成。 （5）接口与会话管理模块 该模块通过可视化技术,提供易于被用户理解和使用 的,具有智能纠错、自我学习的界面系统,并提供自然 语言和人类思维式与计算机之间进行转换的功能。 总结： 该模型采用新一代的信息智能分析手段和决策支持理 论,综合知识工程、人工智能、数据挖掘技术等方面的 研究成果对交通信息进行智能分析,从而为动态交通管 理提供客观科学的依据。
例:某市的城西路是一条穿过市区的主干道,其中城西 路和经发大道以及和机场路的交叉路口是两个非常重 要的十字路口,其车流量大且交通地位高,其地理位置 和相互之间的关系如图3所示：
图3 路口示例 采用序列分割算法,对图3所示经发大道和城西路的向 南方向的来自iCentro View系统中某一天的交通流量 数据(线圈每隔5分钟采集一次数据,一天24小时共获 287个样本)进行分割,得出质心和质量分别为:
二、道路交通流量挖掘 1、问题分析 交通流量预测按照预测时间长短,可分为长期流量 预测(又称战略流量预测)和短时交通预测(一般预测 未来5分钟的流量);按照预测物件,可分为十字路口 流量预测和高速公路流量预测。图2是一个十字路 口的简化模型,其交通流量区别于路段上单点的交 通流量。
图2 十字路口的简化模型
2、交通流量预测算法 针对路口短时交通流量预测问题,采用基于交通 流量序列分割和神经网络组合模型的交通流量预测 CITFF(Combined Intersection Traffic Flow Forcast).CITFF算法首先采用聚类方法对交通流量 在流量和时间上进行模式划分,然后再采用神经网 络方法对各个交通流模式进行建模和预测。 2.1 交通流量序列分割 交通流量数据是时间序列的一种形式，最常用的 时间序列分割方法是逐段线性描述,即使用线性模 型对序列进行分割与逐段描述。本文采用基于流量 聚类的方法对交通流流量序列进行分割，选择K— Means聚类算法。
目录
交通流背景知识
道路交通流量挖掘
交通信息分道路某地点或某断面 的车辆、行人数量。通常仅指机动车交通量。它是 随时变化的,常以平均交通量、高峰小时交通量和设 计小时交通量作为代表性的交通流 。 智能交通业界常用3个参数来定量描述交通流： (l)交通流量,又称交通量,表示在单位时间内通过道 路指定断面的车辆数量,单位是辆/小时; (2)交通流速度,简称流速,表示交通流流动的快慢, 单位是米/秒或公里/小时; (3)交通流密度,表示交通流的疏密程度,即道路单位 长度上含有车辆的数量,单位是辆/公里。
这三个量之间的关系是一种三维关系,投影到三个二 维坐标系中即是速度--密度、交通量--密度和速度--交 通量之间的关系，如图1所示:
图1 交通量、速度以及密度关系图
根据不同的信息采集技术,道路交通数据分为道路 断面交通数据和道路路段交通数据： (l)道路断面交通数据是用安装在固定地点的交通 检测设备检测移动的车辆,获得的是检测设备设置点 的交通数据信息,一般得到交通流量、速度及占有率 等交通数据。 (2)道路路段交通数据是运用安装有车载设备(如 GPS)的车辆的移动位置获取交通数据信息,移动检测 设备记录车辆的移动信息,通过车辆的移动信息可计 算路段内的交通信息。
图4 交通流量序列分隔 在交通流量序列分割算法中,我们可以发现根据流量 和时间两个维度,先后使用聚类算法划分交通流量模式 是符合交通流量分布情况。
三、基于数据挖掘技术的智能交通信息分析与决策 系统模型设计
（1）交通数据仓库 构建交通信息数据仓库是本系统结构的核心,其实现 形式包括:数据采集与ETL(数据抽取、转换和装载)、数 据仓库管理系统、元数据管理系统三部分。在建模过程 中,考虑到智能交通领域涵盖范围广泛,要求数据仓库具 有很强的可伸缩性。 （2）信息智能分析模块。 在数据仓库基础上直接采用的智能化分析技术主要 有:联机分析处理、数据挖掘和知识发现技术。 联机分析技术的主要功能是进行多维数据分析和生 成报表,并且以一种直观易懂的形式将查询结果提供给 决策人员。数据挖掘与知识发现技术是从海量数据中抽 取隐含的、潜在的有用知识的过程。知识发现是数据挖 掘的主要目的,也是新一代辅助决策系统的关键所在。
3)交通分布模式分析 采用有效的方法自动快速获取道路网络上交通流 的空间分布模式,根据交通流的空间分布特性,合理 划分路网交通子区。 4)道路交通安全分析 道路交通数据挖掘还包括道路交通安全相关的数 据挖掘,如交通事故的数据挖掘、道路交通犯罪的数 据挖掘等内容。这两部分内容的数据因为管理体制 的关系,目前相关数据分散在各区县公安分局、各保 险公司,并且其中大部分数据属于保密数据,不对外 公开。
智能交通数据挖掘技术研究中的几个关键方面： 1)交通流量预测 道路交通的变化过程是一个实时、非线性、高维、非 平稳随机过程,随着统计时段的缩短,交通流变化的随机 性和不确定性越来越强。 2)交通拥堵分析 各交通信息采集点采集的道路交通数据随着时间的推 移,已经形成了海量的道路交通数据库，针对大规模交 通数据设计更高效的数据挖掘算法对交通拥堵事件进行 分析成为建立交通拥挤预警和报警系统的关键技术之一。