Page 125 - 75252_安防20年5月刊_150dpi

同一车辆位置可能存在多个车头时距聚集点。与其 叉口的早晚高峰车头时距数据进行算例分析。该
他聚类算法相比，DBSCAN聚类算法不需要考虑质 交叉口是某市流量较大的交叉口之一，且为拥堵常
心数量，并且仅聚类高密度分布点，排除离散点的 发地。从该交叉口选取西进口四条车道计算饱和流
干扰，将车头时距分布集中的区域划分簇，聚类出 率，四条车道分别为左转车道5，直行车道6，直行车
不同车型之间的饱和车头时距。适合用在车头时距 道7，直行和右转混行车道8。
的拟合研究当中。
在以过车位置为横轴，车头时距为纵轴的坐标
系中，对同一过车位置的车头时距聚类，就是对所
有相同横坐标的车头时距的聚类。传统的DBSCAN
聚类算法区域半径是以E为半径的圆形区域，笔者
根据实际需要，将区域范围定为原圆形区域垂直直
径所在的线段范围。

第m个车队第n辆车的车头时距
CTSJ_m_n；车队包含最大车辆数N;
距离阈值epsilon；最小样本量
minsize;n=1
▲图3 算例交叉口渠化和相位信息
第n车辆位置的车头时距
样本量CTSJ_n 否
≥minsize 选择某日早晚高峰时段，复合视频检测器记录
的过车时间数据。复合视频在检测车辆过车时间的
是
计算不同车头时距值t_j
对应的点数Num_nt_j
同时，会同时判断通过车辆的大小车类型，根据过
计算距离半径epsilon内 车类型统计，路口在时段内的大车通过率为6.6%。
包含的总车头时距点数
SUMNum_nt_j
根据上节1.1和1.2的方法，初步筛选出饱和车流数据
以每个距离半径包含的点数
SUMNum_nt_j为单位降序排列，前 和进一步降噪拟合，计算车道的饱和车头时距。借
后依次取差值，找到最大差值对
应的点数作为数量阈值Minpts
鉴前人研究经验，将小车的车头时距阈值设为4 s，
大车的车头时距阈值设为7 s，要求连续车队至少包
车头时距较分散，对应的
n=n+1 SUMNum_nt_j≥ Minpts 否
t_j作为噪音点排除
含７辆车。鉴于前４辆车存在较大的启动延误，饱和
是
车头时距的取值选择第5-7辆车的平均车头时距。
车头时距值比较集中，保留车
头时距数据，按照车头时距以
及重复数均值拟合车头时距
图中折线部分为根据连续车流数据直接取平均值的
结果。同时，使用DBSCAN聚类算法计算饱和车头时
是 n<N
距，并使用二次方拟合曲线对拟合点进行拟合，该
否
算法有一定的降噪功能，能够排除非饱和车头时距
结束
▲图2 DBSCAN聚类算法研究思路 干扰，因此DBSCAN聚类算法计算的饱和车头时距
拟合值更接近车道的实际饱和车头时距。
基于DBSCAN聚类算法计算车道的饱和车头时
算例分析
距和车头时距取平均值进行比较，得到直行车道7在
为验证本文方法的有效性，利用图3某市某交
不同车辆位置的饱和车头时距图，如下图4所示。曲

第五届深圳国际无人机展览会（2020年深圳会展中心） www.china-drone.com.cn 111

ᇆିࢌ๙ JOEE ྒ௹೘