基于视频的交通LOS感知聚类分析方法
摘 要：一般来说，交通服务质量可以被不同的交通参数来描述，交通服务水平（LOS）更主要是决定于某一个交通参数，如交通流量或者速度。 但是，交通现象变化万幻、极其负责，它的特性不能很好被某一个参数反映出来。基于视频检测的交通服务水平感知聚类分析方法研究的目的是基于视频检测获取的三种不同性质的交通参数来更好地感知交通服务水平，研究工作的成果可以应用到与浮动车或者其他交通信息的数据融合，可以提供精度，更好的反映实时城市路网运行状态。
城市道路实时交通状态判别是城市智能交通系统的一个重要的前提和组成，是动态导航和交通诱导的基础，交通管理者根据实时获取的信息判别城市道路路况，进行实时交通诱导，疏散交通流，减少道路负荷，降低交通拥挤发生的概率。因此交通状况判别算法的精度直接影响着整个城市路网的交通流运行，错误的判别可能会导致部分路段交通负荷，形成停滞。过去经典的交通状态判别算法，如California算法、Mcmaster算法、指数平滑法、标准偏差法等，这些算法过于生硬的根据某个交通参数的变化设定阈值来将交通状态进行分类。城市道路交通流极其复杂，不能单纯凭借某个交通参数来对其进行描述，必须要综合多个具有代表性的交通参数综合对交通服务水平进行分类，来描述其特征。
国内各大城市智能交通系统逐步完善，市区内布设了各种功能的固定点检测器，包括：微波检测器、地磁检测器、视频检测器等，在这些固定点检测器中，视频检测器覆盖面积较广，采集交通信息数据准确度较高。本文在此利用Autoscop视频检测器获取的交通信息数据，分析工作日与节假日交通流特征，各采集一个月的交通数据分别对其进行k-means聚类分析，结合《道路通行能力手册》相关规定确定状态判别标准，建立基于视频检测器城市道路交通状态判别算法。
视频检测器是目前城市道路中使用较为广泛的固定点检测设备，可实现单个检测器检测多车道的交通参数，而且提供可视的图像记录，为模型验证提供很好的依据。美国Autoscop视频检测器在视频检测器中占据较大的市场，它是多通道的视频处理设备，基于虚拟线圈，通过将连续的视频图像转化为离散数字图像，然后通过数学模型进行处理得出交通参数。这些交通参数有：交通量、平均车速、车头时距、时间占有率、空间占有率和密度等。
城市道路交通状况通常是指交通流特征，在此交通流指的主要是车流。交通流特征是由交通流参数来描述，宏观参数有交通量、速度、密度、占有率和排队长度，微观参数包括车头时距和车头间距。交通参数的选择是判别交通状态算法的基础，基于敏感性、可靠性和直观性的原则，并通过分析全天24H各参数变化规律并结合交通参数使用情况，选择平均车速、流量、时间占有率作为道路交通状态判别的数据基础。
城市道路交通流特性与出行人出行特征有密切关系，工作日道路的交通负荷主要是由于出行人上班和下班产生的交通量，出行时间较为集中，故会形成早晚两个高峰，会引发常发性拥堵；节假日道路的交通负荷主要是由于出行人外出购物、游玩等生活需求产生的交通量，出行时间较为分散，交通变化成波动状，下午和晚上交通量较为集中，但是高峰时间较工作日会推迟。基于两种不同时间产生的交通流特征不同，在此分别进行分析研究。
视频检测器采集的平均车速是采集周期内通过该断面N个车辆瞬时车速的算术平均值；流量是采集周期内是整个路段单向多车道通过的车辆数；时间占有率是采集周期内虚拟线圈被占用占有时间与采集周期的比值。对工作日和节假日采集的交通数据进行分析，合肥市camera013号视频检测器9月6日（周一）和9月12日（周日）采集的交通数据为例分析各个参数变化规律。图1是合肥市camera013的9月6日（周一）和9月12日（周日）两天的流量（图1a）、平均车速（图1b）和时间占有率（图1c）24h的变化曲线图。
由于选择的判别交通状态基础参数单位不同，而且数量级不同，不具可比性，不可同时综合处理作为评判指标，需要对数据源进行规范化处理，通过函数变换将其数值映射到某个数值区间。常用的数据标准化处理方法有：min-max normalization、z-score normalization、Decimal scaling。在此选用z-score 标准化方法，对数据进行归一化处理。z-score 标准化方法是基于原始数据的均值mean和标准差standard deviation进行数据的标准化。
从oracle10g数据库camera中使用pl/sql，选择一个Autoscop视频检测器的最近一个月的数据作为数据源，速度、流量、占有率三个参数的数值作为基础参数，然后通过z-score 标准化方法对数据进行标准化处理，将原始数据转化为无量纲化的指标评测值，保证各个参数数值均在同一个数量级上。 过去的经典算法过多的采用预设阈值建立算法模型进行交通状态判别，过于生硬的切割个交通状态之间的关联性和模糊性，主观的基于某个参数阈值不能全面的反映交通流状态，因此在此采用聚类分析的数据处理方法。聚类分析是指将整个数据集合分成不同簇，不同簇的特征不同，簇内各样本相似度高，簇间各样本相似度低。聚类分析算法较多，传统的聚类分析算法可以被分为五类：划分方法、层次方法、基于密度方法、基于网格方法和基于模型方法。在此我们选用是划分方法（PAM: partitioning method）中较为典型的k-means，通过计算数据样本与簇中心的欧几里德距离，来判断该数据样本属于哪个簇。K-means算法是常用的数据挖掘算法之一，把N个样本集合划分为K个簇（K<N），通过多次循环反复计算得出各个簇的中心，（簇的中心可以是个虚拟的点）使得各个簇内部的样本均方差总和达到给定的阈值。
对于若干个视频检测器作为相互独立的个体，对每个个体选取一个月的交通信息数据，将数据根据分为两组：一组是正常工作日的数据源，一组是节假日数据源，然后分别针对工作日和节假日建立相应的聚类中心矩阵，制定工作日和节假日两种不同的交通判别标准。目前一般将交通状态分为三种，但是不能完全反应交通流的状态，因此在此根据《道路通行能力手册》相关规定，将交通状态分为四类，分别是：自由流、通畅、缓行和拥挤。
国内城市智能交通系统中视频检测器主要是用于交通控制，而动态实时的交通状态信息通常是根据移动式检测器获取进行判别和发布，目前国内的移动式检测器主要是FCD（floating car data），北京、上海、成都、深圳、宁波、厦门等均采用此方法，但是FCD的精度与样本数相关，覆盖面与车辆行驶轨迹相关联，存在不确定性因素，因此若能基于视频检测器建立可靠有效的判别算法，将二者进行合理有效的融合，固定与移动相互补充，则可大大提高城市道路交通状态判别的准确性，为交通管理者提供可靠的决策信息，为出行人提供精确的路况信息，提高城市路网的使用效率和服务水平。