基于大数据的复杂交通网络节点动态关联性研究

With the arising of urban traffic congestion problem, the dynamic control of traffic signal is the future development direction. The identification and division of traffic signal dynamic control cell is a very important part. To solve this problem, this project aimed to research on the dynamic correlation model and the basic theory of the complex traffic network node based on the big data. Firstly, aimed at the complex characteristics of massive multi-source heterogeneous traffic data, by finding the effective method of data processing and building a unified data unit model of complex traffic network, it is to solve the problem of islet and slow processing of traffic information. Secondly, toward to the requirement of fast response of high speed data flow, the evolution mechanism of multi samples is studied, and the clustering and recognition algorithm based on machine learning is proposed. Thirdly, the big data technology is used to build the correlation model of the complete traffic complex network node, to realize the real-time dynamic division and online learning optimization scheme of the traffic control sub areas. So it constructs a real dynamic division theory of traffic control sub areas and the correlation analysis method between traffic control sub areas. That forms the independent innovation dynamic association theory and method of complex traffic network nodes based on the big data and lays a theory and technical foundation for the dynamic, real-time traffic signal control, the traffic flow allocation and the traffic path inducing.

随着城市交通拥堵问题的日趋突出，实现交通信号的动态控制是未来的发展方向。而交通信号动态控制小区的识别与划分是其中非常重要的环节。本项目研究基于大数据的复杂交通网络节点动态关联模型及基础理论，正是为解决这一问题。首先，针对海量多源异构交通数据的复杂特征，研究数据处理的有效方法，构建复杂交通网络统一数据单元模型，解决交通信息孤岛与处理缓慢的问题。然后，面向高速数据流量快速响应的需求，研究多样本的演化机理，提出基于机器学习的交通状态模式聚类与识别算法。接着，采用大数据技术构建完成复杂交通网络节点之间关联度模型，实现交通控制子区实时动态划分和在线学习优化方案，构建出交通控制子区实时动态划分理论和交通控制子区之间关联度分析方法，形成独立创新的基于大数据的复杂交通网络节点动态关联性研究理论与方法，为动态、实时控制交通信号、分配交通流量和诱导交通路径奠定理论和技术基础。

将路网节点动态划分为不同的控制子区并进行协调控制是缓解交通拥堵的有效途径之一。本项目研究基于大数据的复杂交通网络节点动态关联度模型及其理论，分别从多源异构交通大数据融合、交通状态模式识别、路网多节点关联度模型、交通控制子区动态划分等4个方面进行。经过研究，将不同单位的出租车数据、不同地图库数据、交通指数TTI数据等多源异构数据融合成了实验路网内的交通流量数据，经过人工交通调查数据验证，融合出的交通流量与实际流量相比，误差值与最大容许误差比值在 0.5 以下的占比约 87.9%，数据融合有效；按照交通流的特点分别建立了包含不同交通流特征的路段交通状态和交叉口交通状态的识别模型，并对模型中的算法进行了改进，利用人工调查数据和仿真数据对模型进行验证，模型的误判率分别降低了36.5%和22.42%；在现有研究的基础上提出了3种不同的路网节点关联度计算模型，并以关联度计算结果为基础提出了3种控制子区动态划分方法，使用大规模路网的仿真实验数据进行了验证，经过本研究的方法划分后，整个实验路网车辆的平均停车次数、车辆平均延误、总行程时间均有明显下降。除上述研究外，在研究中还发现缺失数据对后续研究影响较大，额外研究了一种固定式交通检测器缺失数据的修复方法，使用交通检测器实测数据进行了验证，多数情况修复数据和原数据的相对准确率均在90%以上；此外，还对控制子区划分结束后，子区内的信号控制方法进行了额外研究，提出一种以子区通行能力最大为目标的线性规划模型，并进行了求解，仿真数据表明提出的信号控制方案与原方案相比各项交通运行指标均有提升。本项目的研究为交通大数据环境下路网节点的控制子区动态划分研究奠定了理论和数据基础，解决了多源交通信息相互孤立、交通状态实时识别困难、大规模路网节点难以动态划分的问题，为后续更大规模路网条件下交通网络节点的控制策略研究提供了支撑。