《Applied Sciences》：Signal Phase-Driven Traffic State Characterization: A Precision Approach for Urban Intersection Analysis
编辑推荐：
数据驱动的交通状态识别通过挖掘交通流的运行特性来分类交通状态，以支持交通控制与管理。由于信号相位的影响，精确分类非线性交通流较为困难。为解决此问题，研究人员提出一种基于交叉口相位的精细化交通状态识别方法，旨在应对信号交叉口复杂的交通流特性。首先，根据信号相位方
数据驱动的交通状态识别通过挖掘交通流的运行特性来分类交通状态，以支持交通控制与管理。由于信号相位的影响，精确分类非线性交通流较为困难。为解决此问题，研究人员提出一种基于交叉口相位的精细化交通状态识别方法，旨在应对信号交叉口复杂的交通流特性。首先，根据信号相位方案对采集的交通流数据进行分段和重组。利用霜冰优化算法（RIME）优化的模糊C均值（FCM）聚类算法（即RIME-FCM算法）获得带有“交通状态”标签的训练样本。然后，应用贝叶斯优化（BO）优化的XGBoost模型（BO-XGBoost-SHAP）实现对交通数据的精确识别。最后，利用实际道路数据验证了所提方法的有效性。结果表明，该方法能够有效估计信号交叉口的交通流状态，并避免“虚假拥堵”。
该研究发表在《Applied Sciences》上，针对城市信号交叉口交通状态识别中传统方法忽略信号相位导致“虚假拥堵”误判的问题，提出了一种基于信号相位驱动的精细化识别方法。研究背景指出，现有数据驱动方法将交通流视为连续数据，无法区分信号灯造成的正常排队与供需失衡导致的异常拥堵，从而误导交通管理。为克服这一缺陷，研究人员开展了以下研究：首先，构建信号相位驱动的数据预处理框架，对交叉口不同相位的交通流数据进行分段重组；其次，引入霜冰优化算法（RIME）优化模糊C均值（FCM）聚类，形成RIME-FCM算法，用于稳健定义交通状态；最后，采用贝叶斯优化（BO）优化XGBoost模型，并嵌入SHAP框架进行可解释性分析，构建BO-XGBoost-SHAP识别模型。研究结论表明，该方法能有效避免“虚假拥堵”，识别准确率高达98.90%，且独立验证集准确率达96.17%，显著优于传统模型。该研究填补了信号交叉口状态识别中相位约束缺失的研究空白，为主动交通控制策略提供了数据支持。
研究人员为开展研究用到的主要关键技术方法包括：信号相位驱动的数据预处理框架（将原始交通流数据按信号相位方案分段重组，消除不同相位间的相互干扰）；RIME-FCM聚类算法（利用霜冰优化算法模拟霜冰生长过程，优化FCM初始聚类中心，提升收敛速度和稳定性，用于定义自由流、较自由流、拥堵、严重拥堵四类状态）；BO-XGBoost-SHAP模型（通过贝叶斯优化动态调优XGBoost的超参数，并结合SHAP框架量化各特征对识别结果的贡献，实现高精度分类与可解释性）。样本数据来源于武汉江城大道与太子湖北路交叉口，在两周内三个高峰时段采集，参数包括速度、交通量和空间占有率。
研究结果分为以下几个小节：
2.1 交通状态分类：通过改进的PBM
F指标确定最优聚类数为4，将交通状态分为自由流（Free-Flow）、较自由流（Moderately Free-Flow）、拥堵（Congested）、严重拥堵（Severely Congested）四类。RIME-FCM算法对比传统FCM，在13次迭代达到最优（传统需52次），且10次运行稳定性一致，表明其收敛速度和稳定性显著提升。
2.2 交通状态识别模型：构建BO-XGBoost模型，经贝叶斯优化在第120次迭代获得最优超参数组合，训练集AUC达0.977。在模型性能评价中，BO-XGBoost在测试集上平均准确率达98.90%，优于基线XGBoost、SVM、RF和KNN，且平均运行时间最短（3.4429 s）。消融实验引入独立时间分离验证集（10分钟连续数据），准确率96.17%，混淆矩阵显示多数误分类发生在相邻状态间。进一步，若忽略相位分割，两周内32.11%的红灯样本被误判为拥堵，证实相位驱动预处理不可或缺。SHAP可解释性分析通过局部和全局解释，揭示速度特征对识别结果影响最大，且其贡献方向随信号相位动态变化。
讨论部分指出，尽管模型在交通状态分类中达到高精度，但存在局限：训练和测试集采用随机划分策略，可能因时间自相关性引入信息泄漏，导致性能估计偏乐观，未充分反映对未见交通条件的泛化能力。研究结论部分翻译如下：首先，提出信号相位驱动的交叉口交通流数据预处理框架，原始数据按信号相位方案分段重组，消除不同相位间相互干扰，并引入改进的PBM
F指标确定最优聚类数。其次，设计RIME-FCM算法，通过模拟霜冰生长过程优化初始聚类中心，显著提升传统FCM的收敛速度和稳定性。最后，构建BO-XGBoost模型，利用高斯过程回归动态优化超参数组合，并嵌入SHAP框架实现模型可解释性分析，量化各特征对状态识别的贡献。该精细化识别方法填补了当前信号交叉口状态识别方法的研究空白，可为主动交通控制策略提供数据支持。
