[论文解读] Three phase classification of an uninterrupted traffic flow: a $k$-means clustering study

Reihaneh Kouhi, Farhad Shahbazi+1 more|arXiv (Cornell University)|Oct 21, 2016

Time Series Analysis and Forecasting被引用 15

一句话总结

本研究将k-means聚类应用于伊朗伊斯法罕城市交通数据中的速度与密度时间序列，识别出三种自然交通状态：自由流（F）、同步化（S）和宽幅移动阻塞（J）。该方法成功检测到过渡速度（F-S为42 km/h，S-J为74 km/h）与密度（分别为18/km和50/km），并通过香农熵实现实时状态检测，验证了三相交通理论，且过渡阈值精确。

ABSTRACT

We investigate the speed time series of the vehicles recorded by a camera at a section of a highway in the city of Isfahan, Iran. Using $k$-means clustering algorithm, we find that the natural number of clustering for this set of data is $3$. This is in agreement with the three-phase theory of uninterrupted traffic flows. According to this theory, the three traffic phases are categorized as {\em free flow} (F), {\em synchronized} (S) and {\em wide moving jam} (J). We obtain the transition speeds and densities at F-S and also S-J transitions. We also apply the Shannon entropy analysis on the speed time series over finite windows, which equips us to monitor in areal time the instant state of a traffic flow.

研究动机与目标

• 通过数据驱动的聚类方法识别不间断流数据中的自然交通状态。
• 利用实测速度与密度数据验证三相交通理论（F、S、J）。
• 使用k-means聚类确定交通状态间定量的过渡阈值。
• 开发一种基于有限时间窗内香农熵的实时交通状态分类方法。
• 提供一种稳健、无需预设条件的相位分类框架，避免依赖多重启发式条件。

提出的方法

• 对速度与密度时间序列应用k-means聚类，以识别交通状态的自然分组。
• 通过肘部法与轮廓分析确定最优聚类数（k=3）。
• 从聚类中心提取各相位转换的速度与密度阈值：F-S为42 km/h，S-J为74 km/h。
• 在约50秒的有限时间窗内计算香农熵，以量化各相位速度分布的不确定性。
• 分别基于各速度区间内速度的概率分布，独立计算F、S和J相位的熵值。
• 通过跟踪H_F、H_S或H_J随时间的主导性，实现实时交通状态转换监测。

实验结果

研究问题

• RQ1 伊斯法罕城市高速公路不间断流数据中，自然交通状态的最优数量是多少？
• RQ2 自由流、同步化与宽幅移动阻塞相位之间的转换发生在何种速度与密度值？
• RQ3 k-means聚类是否能在不预先假设相位边界的情况下可靠识别出三种相位？
• RQ4 在阻塞发生等瞬态事件中，香农熵在三种交通相位中的变化如何？
• RQ5 熵分析能否实现实时检测相位转换序列（F→S→J）？

主要发现

• k-means聚类识别出三种显著的交通相位：自由流（F）、同步化（S）与宽幅移动阻塞（J），且k=3为最优聚类数。
• F-S相位转换发生在约42 km/h的速度与约18辆/公里的密度下。
• S-J相位转换发生在约74 km/h的速度与约50辆/公里的密度下。
• 在速度-密度基本图中，自由流在密度低于18/km时保持约75 km/h的恒定平均速度，而宽幅移动阻塞在密度高于50/km时维持约20 km/h的速度。
• 香农熵分析显示，阻塞发生前H_S占主导，随后在阻塞启动时H_J成为主导，表明呈现F→S→J的有序转换序列。
• 阻塞消散后，H_F与H_S均保持显著水平，表明自由流与同步化相位在阻塞后条件下共存。