基于密度聚类的交通小区划分方法研究

何潇

何潇

甘肃综合铁道工程承包公司

摘要：本文以城市群为研究对象，针对城市群进行四阶段交通需求预测的基础研究，提出在交通小区划分时，以密度聚类法为算法，提出一种有利于准确构建城市群交通模型的交通小区划分方法，同时对在交通小区划分时涉及到的城市群交通数据挖掘提出优化方法。

关键词：交通小区划分；四阶段交通需求预测；密度聚类法

1引言

目前，城市群区域的交通需求预测一般按照行政区划分交通小区，虽有利于调查资料的数据的收集，但由于各行政区之间的经济、人口、交通吸引量和发生量存在明显差异，按照城市群四阶段交通需求预测要求，应当划分出适合预测区域交通需求的交通小区，减少交通调查及研究的难度，减少工作量。交通小区的划分是为了方便研究交通源之间的交通需求关系而采用的集计方法，交通小区划分越细致，反映现实的精准度越高。但如果交通小区划分过于细致，会增加交通调查研究的难度，工作量巨大。因此如何把握城市区交通需求预测的精准度是交通小区划分的重要问题。

2城市群出行需求的系统分析机理

2.1城市群交通需求理论描述

城市群区域综合交通需求预测，重点研究预测中心城市之间以及中心城市对外的综合运输需求，通常要把城市群内相关城市作为研究的整体，着重分析预测中心城市之间“内—外”、“外—外”交通需求的规模、客货运量、交通量等。在交通需求预测过程中，既要对各类运输方式的交通需求进行预测，更要统筹规划城市扩张、城际联系、运输、出行等各种交通需求[1]。

2.2既有区域交通需求预测方法总结

区域交通需求预测国内研究较少，国外大都采用自上而下和自下而上相结合的过程，通过大区域模型和次区域模型综合分析建立区域交通需求预测模型[2]。两者衔接上目前研究较少，所以在区域交通需求预测上存在很多亟待研究的内容。

3基于密度聚类的城市群交通小区划分

城市群区域交通模型，包含多个城市间的大规模交通模型，一般采用四阶段交通需求预测方法，利用社会经济数据，对区域的长期交通发展趋势进行预测。根据以往研究，针对区域的交通需求预测，主要存在的问题有区域与城市交通需求预测模型的衔接、区域范围的交通小区划分。因此针对以上待优化的问题进行交通需求预测方法上的规律总结，提出问题并解决。

本文拟通过城市交通模型对聚类分析后的交通小区进行优化，从而更好的进行交通需求模型的对接。

3.1交通小区划分原则和目标

在城市群规划中，常常按照行政区划分交通小区，由于各行政区之间的经济、人口、交通吸引量和发生量存在明显差异[3]，所以OD的调查应该有所侧重，在不影响精准度的情况下，减少调查研究的难度，减少工作量。

3.2基于密度聚类交通小区分析法

聚类分析方法可以分为分裂聚类分析法、层次聚类分析法、基于密度的聚类分析法、基于网格的聚类分析法和基于模型的聚类分析法。

3.2.1对外交通小区空间聚类分析的思路

基于密度的聚类分析方法常用的是DBSCAN算法[4]：高密度区域增长的聚类算法,它可以足够发现从空间数据库包含噪声任意形状的聚类。在研究区域的对外交通时，利用DBSCAN算法对对外交通出行相关的变量进行聚类分析，为区域交通需求预测模型的建立提供分析基础。

3.2.2对外交通小区空间聚类分析理论

对外交通小区的DBSCAN的算法思想是：

从数据库中任意一个标准点开始，查找所有对于这个标准点来说符合密度可达点，若这个标准点是核心点则找到同一类的点，这些点将作为下一步考察点，并通过不断查找密度可达点来扩充类，直至形成完整的类；若标准点第一次判定不存在密度可达点，则暂时标注为噪点，通过重复迭代，检索完所有点后，一个聚类就形成了，此时若存在未处理点则进行下一个聚类扩展，否则即确定为噪点。

3.2.3对外交通小区空间聚类步骤。

进行对外交通小区划分的步骤：

（1）数据库建立和指标的选择

对经济区范围内的交通枢纽站进行空间数据建立，本文选择对外交通运输的指标作为对外交通小区划分的主要依据：客流和货流的发生量吸引量，客流和货流的起讫点，枢纽面积，交通方式等；同时建立经济区路网和枢纽之间的GIS数据库，为对外交通小区数据分析建立空间分析基础。

（2）数据的标准化

对在数据库标识的对外交通点，计算单位面积产生和吸引率，公式如下所示：

ro=P/S，rd=A/S

其中，ro表示对外交通出行产生率，rd对外出行吸引率，P表示对外出行产生量，A标示对外出行吸引量，S表示建筑面积。

通过交通方式和客流货流起讫点的修正，可以将出行距离相近，交通方式相同，出行产生和吸引率相近的交通产生吸引点聚类分析，从而划分小区，修正公式如下所示：

Dmo=Loro；Dmd=Ldrd

其中Dmo表示分出行方式的交通出行产生频率，Lo表示交通产生点平均出行距离，Dmd表示分出行方式的交通出行吸引频率，Ld表示交通吸引点的平均出行距离。

将标准化后的数据输入到GIS数据库里。

（3）基于对外交通出行频率的DBSCAN的算法描述如下：

①输入最小半径Eps和最小密度阀值Minpts这两个参数；

②从空间数据中任意选取一个标准化的点P，对其进行判断；

③判断点P是否为核心点，如果P是核心点则寻找所有从点P密度可达的点，最终形成一个P的聚集类；

④否则，P被暂时标注为噪声点；

⑤访问空间数据中的下一个点，循环上述过程，产生聚类，直到不产生新的聚类为止；

⑥输出结果和噪声点；

⑦对外交通小区按照空间聚类结果，结合天然河川，山脉，铁路等分隔，对交通小区进行划分

3.3关中-天水经济区交通小区模糊聚类划分

3.3.1关天经济区交通GIS数据库

在划分关中天水经济区时，通过对对外交通特征进行空间聚类分析，通过研究中心城市之一的西安对外交通特征，按照对外交通与区域之间的空间关系对交通小区进行划分，从而针对关天经济区区域进行交通需求预测，划分结果如图所示。

图关中天水城市群聚类划分结果

关天经济区交通小区的划分采用优化后的交通小区划分，有效的解决了城市交通模型中对外交通数据的整合问题，有效的进行了区域模型和城市模型之间的衔接，如表1所示。

表1关中天水经济区小区划分方法比较

建模步骤优化小区划分原小区划分比较

基础数据小区的对外交通产生吸引量

城市交通枢纽的客货运量，客货周转量

城市对外交通主干道网络

公路网络、铁路网络按照行政区域划分交通小区

行政区划的人口、经济情况优化后数据不仅基于经济社会数据、而且包括了与对外交通联系紧密的交通枢纽等相关信息

小区范围根据对外交通小区的吸引和产生情况按照行政区域优化后小区范围更有针对性，更能反映对外交通与小区范围的关系

小区形心小区形心位于城市外部点周围，外部点一般为对外交通枢纽和公路和城市主干道的出入口附近按照行政区划划分优化后能够通过形心反映出对外交通在城市的中心点

小区数目11963优化后交通小区与经济区路网联系紧密，交通小区数目比按照行政区划划分的交通小区多

交通调查收集历年交通量、社会、经济数据，进行必要的起讫点调查，对各个城市对外交通进行交通量调查。各行政区历年交通量、社会经济数据。优化后的调查更能反映出经济区的交通现状，优化后调查的数据不仅包括宏观数据，而且包括各主要道路的交通特征，以及居民出行对外交通出行特征。

精确度基于路网、用地性质、社会、经济发展作出的城市对外交通预测基于社会、经济作出的全路网宏观预测优化后的交通小区精确度提高，从按照行政区进行分析精确到按照主要对外道路进行分析

4结束语

基于密度的聚类方法在交通小区划分上的应用，在划分交通小区时，聚类方法的应用更好的反映了中心城市的对外交通需求情况，优化了城市交通需求模型中的交通小区，使交通小区的建立更能适合经济区范围的交通需求预测。

参考文献

[1]袁婧.城市群城际公路客运交通生成与分布预测研究.[J].四川：西南交通大学，2007

[2]陈雪明.区域与次区域交通模型的一致性研究[J]，北京：城市交通，2009，5(1):48-54

[3]杨波，刘海洲.基于聚类分析的交通小区划分方法的改进[J].北京：交通规划，2007，7(1):13-18

[4]于亚飞.基于划分和密度的聚类算法研究[D]，安徽：安徽大学，2011

作者简介

何潇，男，出生日期1988.1.12，毕业学校长安大学，专业公路与桥梁职称助工，单位甘肃综合铁道工程承包公司。