Vol󰀁20󰀁No󰀁2公󰀁路󰀁交󰀁通󰀁科󰀁技2003年4月JOURNALOFHIGHWAYANDTRANSPORTATIONRESEARCHANDDEVELOPMENT

文章编号:1002󰀁0268(2003)02󰀁0063󰀁05

收稿日期:2002󰀁05󰀁25作者简介:任江涛(1975-),男,广西柳州人,清华大学博士研究生,研究方向为智能交通系统,信息处理󰀁交通状态模式识别研究

任江涛,欧晓凌,张󰀁毅,胡东成

(清华大学自动化系,北京󰀁100084)

摘要:在网络层次上进行区域交通信号控制、交通分配和路径诱导是缓解交通堵塞的有效途径之一。大量的实践经验

表明,无论是在城市交通网络,还是在高速公路网络中,网络的状态可分为数量有限且不同类型的模式,并且这些模

式不断重复出现。而针对不同的交通网络状态模式,可以通过理论分析或仿真研究等途径,求解用于进行区域信号控

制、交通分配及路径诱导的优化控制参数及控制策略。当系统识别出网络处于某种模式时,就可参照事先确定的优化

参数及策略进行交通控制和诱导,以缓解交通拥塞,提高交通系统的运行效率。本文基于对交通网络状态模式识别问

题及其应用的重要性的认识,应用模式识别的理论和方法,对交通网络状态模式识别问题进行了一些初步研究。

关键词:交通网络状态模式;模式识别;支持向量机

中图分类号:U491󰀁13󰀁󰀁󰀁󰀁󰀁󰀁文献标识码:A

PatternRecognitionofTrafficStates

RENJiang󰀁tao,OUXiao󰀁ling,ZHANGYi,HUDong󰀁cheng

(DepartmentofAutomation,TsinghuaUniversity,Beijing󰀁100084,China)

Abstract:Real󰀁timenetwork󰀁levelsignalcontrol,trafficassignmentandrouteguidanceispromisingapproachesforalleviatingconges󰀂

tion󰀁Basedonourexperience,wecanknowthatalimitednumberofnetwork󰀁leveltrafficpatternsareoftenrecurrentnomatterinurban

trafficnetworks,norinhighwaynetworks󰀁Differentoptimalsetsofcontrolparametersandstrategiesforarea󰀁widesignalcontrol,traffic

assignmentandrouteguidancecanbedeterminedaccordingtodifferenttrafficpatternsusingmanymethods,suchastheoryanalysisand

simulation󰀁Becauseoftheimportanceofpatternrecognitionofnetwork󰀁leveltrafficpatternintrafficcontrolandotherapplications,wedo

someelementaryresearchonthetopicbasedonthetheoriesandmethodsofpatternrecognitionarea󰀁

Keywords:Network󰀁leveltrafficpattern;Patternrecognition;SVM

0󰀁引言

当前,智能交通系统的研究和开发越来越受到重

视,特别是随着信息技术在智能交通领域的应用和发

展,取得了越来越多的理论和应用成果。信息理论和

技术,如人工智能、模式识别、控制理论等,正广泛

地应用于智能交通系统的各个研究领域。

实时区域交通信号控制、交通分配和路径诱导是

缓解交通拥塞的有效途径之一。正是信息的采集、传

输、存储、分析处理及应用,实现了交通管理从简单

静态管理到智能动态管理的转变,从而实现了大交通

系统的动态优化运行,有效地满足了人们的交通系统

发展的需求。大量的实践经验表明,无论是在城市交通网络,

还是在高速公路网络中,网络的状态可分为不同类型

的模式,并且这些模式不断重复出现。而针对不同的

交通网络状态模式,可以通过理论分析或仿真研究等

途径,求解用于进行区域信号控制、交通分配及路径

诱导的优化控制参数及控制策略。当系统识别出网络

处于某种模式时,就可参照事先确定的优化参数及策

略进行交通控制和诱导,以缓解交通拥塞,提高交通

系统的运行效率。当前,对交通网络状态模式的研

究,正获得越来越多的重视。

为了有效地实现基于网络状态模式的区域交通信

号控制,文献[1]提出了基于人工神经网络的交通

网络状态模式聚类方法。在此研究中,一个拥有6个交叉路口和7个路段的简单路网作为研究对象,而

ART1网络则被用于实现对此网络在不同时段状态的

聚类分析,产生不同的模式。

文献[2]提出了一个基于案例推理的实时交通

流管理系统。实际上,此文所定义的案例等价于模

式。此系统通过对当前时刻与预测出的下一时刻的交

通流数据的分析,将不同典型的交通网络状态定义为

不同的案例(模式),然后针对不同的案例求解、存

储最优的交通分配策略于系统中。实验研究表明此系

统可实时运行,并取得了良好的效果。

交通模式的概念甚至可应用于交通流预测的研

究。例如,文献[3]提出了一种基于非线性时间序

列分析的交通流速度预测方法。虽然此文没有明确指

出,但此方法实质上利用了交通流速度时间序列模式

的相似性及反复出现的特性来实现速度预测的。

综上所述,交通模式的概念已逐渐成为交通研究

者的共识,并逐步成为研究中的热点问题。而对交通

模式的研究包含特征选择和提取、分类、学习和训

练、识别及预测等多个方面,本文主要讨论交通网络

状态模式识别问题。

1󰀁交通网络状态模式的定义

对交通网络状态来说,模式的定义和划分就是将

由多个不同的交通网络状态样本组成的集合划分为若

干个子集,并且这些子集具有一定的物理意义,目前

有2种方法。一类是基于先验知识的分类方法,即事

先知道样本的类别,也可视为有监督的分类,主要由

交通领域专家根据定性和定量分析,依据其经验实现

交通网络状态模式的划分,如是否发生交通事故就是

一个很强的模式划分标准;另一类为无监督的分类,

即采用样本间相似性度量将样本集自动划分为一定类

别的聚类分析方法,如文献[1]就采用自适应共谐

振神经网络实现交通网络状态的聚类。

聚类分析是根据特定的相似性度量将一个数据集

分成一定数目的子集,合理的聚类结果通常要求每个

类内部的数据样本具有较大的相似性,而不同子集之

间的数据相似性较小(数据样本的紧致性)。而对于

交通研究来说,就需要将不同时段的网络交通状态分

为若干个具有一定物理意义的类别。当前聚类分析方

法有很多,如C均值法、SOM、ART等,这些方法都

各有其优势和局限性。

分类的复杂性,在于没有纯客观的分类标准,因

为任何分类都是带有主观性的。模式识别是大脑中的

功能,其主观性是不可避免的。分类问题不单纯是数学问题,还需要一定的先验知识。而对于交通状态模

式的分类问题,由于分出的类别需要具有一定的物理

意义,而此物理意义在很大程度上是根据主观需要来

定义的。

因此,对交通状态模式分类,需要有监督分类方

法和无监督分类方法的结合。无监督分类方法过于依

赖特征提取和相似性度量的定义,一般没有结合专家

知识,而在一般情况下,结合专家知识对提高交通模

式的分类有效性是非常重要的。因为分出来的模式需

要具有一定的意义,以有利于进行交通信号控制和路

径诱导。而是否有意义,有什么样的意义,需要运用

交通领域的专业知识进行主观判断。而为了提高分类

的效率,首先应该进行无监督分类;在已分出类别的

基础上,再利用主观判断进行进一步的细分。

例如,通过对北京市某一路网1个月的交通流数

据的统计分析,并考察重点拥塞路段的空间分布,发

现这些重点拥塞路段主要集中在两个区域,即图1中

A和B。根据这个发现,可以建立如下的交通网络状

态模式定义准则:模式1,区域A和B同时拥塞;模式

2,区域A拥塞但B不拥塞;模式3,区域B拥塞但A不

拥塞;模式4,区域A和B都不拥塞。

图1󰀁路网及重点拥塞区域示意图

󰀁󰀁基于这些准则,就可以将此区域的交通网络状态

样本划分为各个具有一定物理意义的子集,从而形成

若干个交通网络状态模式类。

2󰀁交通网络状态模式识别

首先从模式识别的观点来看如何实现交通网络状

态的模式识别。模式识别的一般过程为特征选择和提

取、分类、学习和训练、识别和预测。下面结合交通

网络状态模式识别的具体特点和要求,分别就这些过

程进行简要的论述[5]。

特征选择和提取的基本任务就是从许多特征中找

出能最有效地实现分类和识别的特征。从交通网络状

态模式识别的角度来说,就是从车流量、平均车速、64公路交通科技󰀁2003年󰀁第2期车辆密度、道路占有率、排队长度、OD矩阵等可检

测到的交通量中选择,并采用一定的方法对这些交通

量进行变换和处理,如傅立叶变换、小波变换、主成

分分析等,使这些特征能最有效地实现交通网络状态

的分类和识别。在这里所要强调的一点是,虽然对特

征以及相应的变换进行选择的标准是一样的,就是最

有效地实现分类和识别,但具体到每个实际的识别问

题时,要根据不同的识别对象进行选择和评价,如识

别网络的拥塞与识别网络发生交通事故所用的特征及

其变换可能就不同。

分类就是实现对交通网络状态模式的分类,使这

些类别具有一定的物理意义,目前有2种方法如上节

所述。

学习和训练就是采用具有一定的推广能力的学习

机器对已知类别标签的样本进行学习,使该学习机器

具有一定的识别、分类乃至预测能力。当前人工智能

领域在这方面的研究成果很丰富,如模糊理论、人工

神经网络、支持向量机等。如文献[4]利用人工神

经网络实现对交通事故模式的检测,以及本文将要介

绍的采用支持向量机对不同模式下的交通网络状态进

行学习和训练。

最后,可以利用训练好的学习机器对新采集到的

交通网络状态特征样本进行识别,或是根据当前采集

到的交通网络状态特征样本以及各检测点交通流数据

的预测值对交通网络未来的状态进行识别和预测。根

据这些信息,就可参照事先确定的优化参数及策略进

行交通控制和诱导,以缓解交通拥塞,减少交通事

故,提高整个交通系统的运行效率。

3󰀁研究问题描述

在上一节,主要论述了交通网络模式识别的一般

过程,而作者所做的工作,则是这个一般过程的一个

子集,本节将进行详细介绍。

在本研究中,首先通过仿真产生一系列交通网络

状态样本。接着将网络状态分为若干个有意义的模

式,给每个样本加上类别标签,也就是基于先验知识

的有监督分类。然后进行特征提取和特征选择。接着

将样本分为两部分,其中一部分利用这些特征及相应

的类别标签对学习机器进行训练,最后应用此训练好

的学习机器对另一部分样本进行分类和识别,以检验

学习机器的性能和学习效果。图2总结了研究的流

程。图2󰀁研究流程图

4󰀁特征提取和特征选择

特征提取和特征选择是进行交通网络状态模式识

别的基础。在交通网络状态的模式识别时,可提取的

特征有车流量、平均车速、车辆密度、道路占有率、

排队长度、OD矩阵等等。在这里,选择车流量、平

均车速和车辆密度作为进行交通网络状态模式识别和

分类的特征量。

本文研究的对象是一个具有一定规模的交通网

络,而特征量的采集是基于一定的时间和空间的。从

时间上说,描述一个状态模式的原始数据应该是持续

一段时间,即包含连续多个时间点的数据;从空间上

说,则应该包含网络中各个路段所检测到的特征数

据。因此,如果不进行特征提取,即若不采用一定的

变换或映射的方法对原始特征数据进行降维处理,将

不得不面对一个高维的特征量,给处理和计算带来很

大的困难。在本文所描述的研究工作中,作者采用了

主成分分析方法进行交通网络状态模式的特征提取。

5󰀁学习和分类

学习和分类是进行交通网络状态模式识别的核心

问题之一,也就是要构造一个有效的学习机器,实现

模式的识别和分类。

传统的统计模式识别方法都是在样本数目足够多

的前提下进行研究,所提出的方法只有在样本数趋于

无穷大时其性能才有理论上的保证。而实际上,样本

数目通常是有限的。而近年来迅速发展起来的统计学

习理论是一种专门研究小样本学习的模式识别理论,

为研究有限样本情况下的统计模式识别和更广泛的机

器学习问题建立了较好的理论框架,同时也发展了一

种新的模式识别方法󰀂󰀂󰀂支持向量机,能够较好地解

决小样本学习问题。65交通状态模式识别研究󰀁任江涛等