K-Means Clustering Method to Classify Freeway Traffic Flow Patterns

Abstract

In this paper, performances of multivariate clustering methods in specifying flow pattern variations reconstructed by a macroscopic flow model are sought. In order to remove the noise in and the wide scatter of traffic data, raw flow measures are filtered prior to modeling process. Traffic flow is simulated by the cell transmission model adopting a two phase fundamental diagram. Flow dynamics specific to the selected freeway test stretch are used to determine prevailing traffic conditions. The classification of flow states over the fundamental diagram are sought utilizing the methods of partitional cluster analyses by considering the stretch density. The fundamental diagram of speed-density is plotted to specify the current corresponding flow state. Non-hierarchical or partitional clustering analysis returned promising results on state classification which in turn helps to capture sudden changes on test stretch flow states. The procedure followed by multivariate clustering methods is systematically dynamic that enables the partitions over the fundamental diagram match approximately with the flow patterns derived by the static partitioning method. The measure of determination coefficient calculated by using the K-means method is comparatively evaluated to statistically derive this conclusion.

Keywords

• Traffic engineering, Traffic flow state.

Otoyol Trafik Akım Koşullarını Sınıflamada K-Ortalamalar Kümeleme Yöntemi

Öz

Bu çalışmada; makroskobik bir trafik akım modeliyle oluşturulmuş akım koşulu farklılaşmalarını belirlemek amacıyla çok değişkenli kümeleme yöntemlerinin başarımları araştırılmıştır. Trafik verisindeki gürültüyü gidermek ve geniş saçılımı kabul edilebilir düzeye getirmek amacıyla, ham trafik değişkenleri modelleme öncesi filtrelenmiştir. Trafik akımı, iki fazlı bir temel eğriyi baz alarak hesap yapan hücre geçişi modeliyle benzetilmiştir. Seçilen otoyol kesimindeki akım dinamikleri, varolan akım koşullarını belirlemek amacıyla irdelenmiştir. Temel eğri üzerinde akım koşullarının sınıflanması, kesim yoğunluk değişkeni gözetilerek kümeleme yöntemleriyle aranmıştır. Hiyerarşik olmayan kümeleme yaklaşımları, örnek otoyol kesimi üzerindeki ani koşul değişimlerini tespit etmeye yarayan başarılı sınıflama sonuçları vermiştir. Çok değişkenli kümeleme yöntemlerince izlenen prosedür, sistematik olarak dinamiktir ve temel eğri üzerinde statik bölütleme yöntemiyle elde edilen kümelere oldukça yaklaşık kümeler oluşturabilmektedir. K-ortalamalar yöntemiyle elde edilen sonuçlar üzerinden hesaplanmış belirlenim katsayıları, elde edilen sonuçları istatistik yönden karşılaştırmalı olarak değerlendirmek amacıyla kullanılmıştır.

Anahtar Kelimeler

• Trafik mühendisliği, Trafik akım koşulu.

Kaynakça

1. Wang Y, Papageorgiou M. "Real-Time Freeway Traffic Pattern Estimation Based on Extended Kalman Filter: A General Approach". Transportation Research Part B: Methodological, 39(2), 141-167, 2005.
2. Celikoglu HB. "An Approach to Dynamic Classification of Traffic Flow Patterns". Computer-Aided Civil and Infrastructure Engineering, 28(4), 273-288, 2013.
3. Highway Capacity Manual 2010, Transportation Research Board of the National Academies, 2010.
4. Treiber M, Helbing D. "Reconstructing The Spatio- Temporal Traffic Dynamics from Stationary Detector Data". Cooper@tive Transport@tion Dyn@mics, 1(3), 3.1-3.24, 2002.
5. Sun X, Muñoz L, Horowitz R. "Highway Traffic Pattern Estimation Using Improved Mixture Kalman Filters for Effective Ramp Metering Control". Proceedings of the 42nd IEEE Conference on Decision and Control, Maui, Hawaii, USA, 9-12 December 2003.
6. Wang Y, Papageorgiou M, Messmer A. "Real-Time Freeway Traffic Pattern Estimation Based on Extended Kalman Filter". Transportation Science, 41(2), 167-181, 2007.
7. Muñoz L, Sun X, Horowitz R, Alvarez L. "Traffic Density Estimation with Proceedings of the 2003 American Control Conference, Cell Denver, Colorado, USA, 4-6 June 2003. Model". Inc. “How to Group ObjectsInto Analysis”. Similar http://www.statsoft.com/Textbook/Cluster-Analysis#d (21.08.2013). Cluster [26] National Institute of “Manhattan and Technology.
8. http://xlinux.nist.gov/dads//HTML/manhattanDistance.

9. html (12.09.2014). Distance”.
10. Hasnat A, Halder S, Bhattacharjee D, Nasipuri M, Basu DK. "Comparative Study of Distance Metrics for Finding Skin Color Similarity of Two Color Facial Images". National Conference on Advancement of Computing in Engineering Research (ACER 13), Krishnagar, West Bengal, India, 2013.
11. Dubes R. Cluster Analysis Related Issue. Editors: Chen C, Pau L, Wang P. Handbook of Pattern Recognition and Computer Vision, 3-32, River Edge, NJ, USA, World Science Publishing Company, 1993.