你的消息中包含了"翻译"和一句中文，但没有提供需要翻译的具体内容。请问你需要将什么内容翻译成中文？请提供原文

《Engineering Applications of Artificial Intelligence》：A multi-view clustering-based subarea partitioning method for adaptive and coordinated traffic signal control

　　

摘要：子区域划分是实现有效的网络级交通信号协调控制的基本前提。针对现有方法在动态适应性和实际有效性方面的局限性，本研究提出了一种基于自适应加权多视图谱聚类（AWMSC）模型的数据驱动多视图划分框架，以实现动态交通网络子区域划分。该框架联合整合了三种互补的交通视图，包括路网拓扑结构、交叉口层面交通流量变化模式的相似性，以及从车牌识别数据中提取的起终点流量相关性。研究进行了全面评估，涵盖了对划分结果的定性评估以及对其在网络级协调信号控制性能方面影响的定量分析。所提框架能够以高计算效率每15分钟生成动态子区域划分。大量定性评估表明，与所选基准方法相比，所提方法在连通性、聚类质量和子区域均匀性方面均表现更优。消融分析进一步表明，自适应加权机制相比等权分配提高了划分稳定性，而三种交通视图提供了互补信息，其联合整合有助于更有效的下游信号控制。基于SUMO的精炼仿真表明，当与TRANSYT协调算法结合使用时，所提方法显著减少了网络级排队长度和车辆延误。此外，通过将所提动态子区域划分方案嵌入基于封建多智能体在线深度强化学习（FMARL）的闭环反馈交通信号控制框架中，观测到了进一步的性能提升，表明学习效率和控制有效性得到了增强。这些结果验证了所提方法在实际协调交通信号控制中的潜力。

引言：子区域划分将路网划分为若干相邻且强关联的交叉口组，以便进行统一控制。为了实施科学高效的控制策略，通常需要考虑交通流特征和交叉口之间的相互依赖性等因素来划分子区域。在每个控制子区域内，可以应用统一的信号协调策略或交通管理方案，这有助于：（1）减少协调的决策空间，从而降低控制问题的整体复杂度；（2）降低子区域内各交叉口和路段之间交通流模式异质性，从而便于实施协调控制或管理机制；（3）最终提高交通控制策略的效率和有效性。

自20世纪70年代以来，城市交通子区域划分研究已开展多年，并确立了某些研究范式和规律。一般而言，公认子区域划分的主要目的是双重的。首先，它旨在将具有相似交通流特征的相邻交叉口聚类为不同的交通控制子区域，从而为实施协调信号控制策略提供结构化基础（Gu等人，2024；Jiang和Keyvan-Ekbatani，2023；Ke等人，2022、2024；Ma和Wu，2024）。其次，子区域划分可以考虑到不同区域之间交通流的异质性。在此背景下，宏观基本图（MFD）描述了城市区域内车辆数量与该区域交通生成量或吞吐量之间的聚合关系（Daganzo和Geroliminis，2008）。通过应用MFD，可以将路网或干线划分为同质子区域，从而便于后续的宏观交通管理和控制策略实施（Fu等人，2020；Ji和Geroliminis，2012；Li等人，2017、2022）。在交通信号控制（TSC）领域，即本研究关注领域，当前研究重点要么针对城市交通网络的子网络划分以实现全网协调控制优化（Gu等人，2024；Jiang和Keyvan-Ekbatani，2023），要么针对干线级划分以实现绿波协调优化（Ke等人，2024）。

为支持这些目标，现有研究通常同时考虑静态和动态交通特征。静态特征包括交叉口间距（Hu等人，2025）、交叉口连通性（Ji和Geroliminis，2012）、车道数（Zhou等人，2013）和信号周期长度（Gong等人，2013），而动态特征涵盖交通流量（Saeedmanesh和Geroliminis，2017）、交通密度（Jiang等人，2022）、车速（Li等人，2021；Saeedmanesh和Geroliminis，2017）、行程时间（Ma等人，2009）、排队长度（Gong等人，2013）和车辆延误（Xu和Luo，2022）。尽管TSC子区域划分研究历史悠久且积累了丰富的成果，但现有研究在方法论上仍存在局限，当前方法仍面临在同时实现科学严谨性、计算效率和方法论全面性方面的挑战，表明需要进一步改进。特别是，传统的基于相关度的方法通常涉及相对复杂的程序，且相关指标很大程度上依赖于预定义的目标函数公式，这限制了其在动态交通条件下的适应性和科学稳健性。同时，源自人工智能（AI）的聚类方法通常受限于输入信息的维度和类型，许多研究在进行子区域划分时主要依赖路网的静态物理特征（Dimitriou和Nikolaou，2017；Zhu等人，2019），从而限制了其捕获交叉口之间动态交通交互的能力。此外，在子区域划分算法的评估和验证方面，仍有很大的发展空间来开发更为整体化和系统化的流程。因此，对子区域划分方法的进一步探索和创新可以为全网协调控制提供更坚实的基础，并具有重要的实用价值和科学价值。应强调的是，本研究不仅旨在为网络级协调交通信号控制开发一种新的子区域划分框架，还旨在建立一个统一的、面向实践的划分子区域及其验证框架。其创新之处不仅聚焦于聚类模型本身，而在于将多种方法组件整合为一个完整的交通信号控制优化流程。具体而言，所提框架结合了多视图交通表征、自适应加权谱聚类、综合评估机制和基于闭环反馈的信号控制优化。通过这一集成流程，本研究旨在弥合子区域划分方法论与大规模协调交通信号控制实际有效性之间的差距。

本研究提出了一种数据驱动的多视图聚类（MVC）框架，并建立了连接动态交通网络子区域划分、精细化交通仿真和基于闭环反馈的信号控制优化的完整流程。本研究的贡献是四方面的：

（1）方法论贡献：针对现有研究的方法论瓶颈，本研究引入了一种MVC方法用于TSC子区域划分。通过系统高效地将多种交通相关因素整合到划分过程中，所提方法增强了TSC子区域划分的实时适用性、可解释性和整体有效性，为动态子区域划分及其实践验证提供了统一的方法论框架。

（2）模型设计贡献：在模型选择方面，本研究采用了AWMSC方法，并整合了三个视角——交叉口间距、交通流量变化趋势的相似性以及交叉口之间的OD连通性——来进行TSC子区域划分。验证结果表明，所提方法具有高的计算效率，能够产生均匀的子区域划分，并且对网络交通流量动态变化的捕获具有高度敏感性。

（3）验证贡献：本研究在模型验证方面开展了实证分析和仿真实验。基于真实车牌识别（LPR）数据，所提方法与基准模型在连通性指数、轮廓系数和计算效率等指标上进行了定量评估。为实现高保真度交通仿真，将完成的LPR记录处理为轨迹链并转换为与城市交通仿真平台SUMO兼容的路线文件。与依赖宏观OD矩阵或合成交通需求等传统方法相比，这一数据驱动的仿真框架更准确地捕获了真实交通网络中观察到的车辆流量分布不均现象。基于这一精细化仿真环境，开展了全网协调控制实验以比较不同子区域划分算法的性能，从而全面验证了所提模型的有效性。

（4）应用贡献：为检验所提框架在实际交通控制场景中的适用性，本研究对子区域划分方法进行了两阶段的基于仿真的验证。首先，评估了将AWMSC方法和基准模型与经典网络级协调算法TRANSYT（TRL，2026）结合后所取得的控制性能提升。随后，开发了由全周期LPR数据驱动的闭环反馈封建多智能体在线深度强化学习框架。在该框架内，系统研究了不同子区域划分策略对学习效率和控制性能的影响，从而为所提模型的实用潜力提供了更深入的见解。

本文其余部分组织如下：第2节对相关文献进行了综述。第3节提出了所提子区域划分和信号控制优化模型的框架。第4节报告了基于真实LPR数据的定量分析和现场验证。最后，第5节给出了本研究的结论。

文献综述：交通控制子区域划分的概念普遍认为由Walinchus（1971）开创，其开创性工作不仅阐述了子区域划分的基本目标，还系统地概述了可以基于哪些静态和动态标准来进行此类划分。此后，尽管子区域划分研究持续开展，但其范围相对有限；直到20世纪后期，该主题才开始获得广泛关注。

多视图聚类：近年来，聚类方法在交通信号控制子区域划分中的应用逐渐扩大。然而，大多数现有聚类方法仅使用一种类型的交通信息，通常是路网拓扑结构。Yang和Wang（2018）的先前研究表明，将多视图信息简单地拼接到一个特征空间中并应用最先进的聚类算法并不一定能提高聚类性能。这主要是因为此类做法……

实验结果：本研究将所提框架应用于廊坊市的实际案例进行验证和评估。

结论：通过从MVC引入AWMSC模型，本研究为TSC子区域划分提供了一种新视角。通过同时整合交叉口物理拓扑结构、交通流量的时间变化以及OD流量的相关性，所提AWMSC框架在研究的网络和交通场景下，相比所选的ODC和K-means基准方法，实现了更好的划分质量和稳定性。此外，在SUMO中开展的精细化交通仿真实验表明……

CRediT作者贡献声明：
N杰辉：写作——审阅与编辑，写作——原稿，可视化，验证，方法论，形式化分析，数据整理，概念化。
L刘怡琳：验证，方法论，形式化分析。
Y于海阳：资源，项目管理，资金获取。
S史金诚：可视化，资源。
W吴强：写作——审阅与编辑，监督。
L李瑞敏：写作——审阅与编辑，监督，资源，项目管理，资金获取。

资金：本工作得到了北京市自然科学基金[项目编号8242011]、雄安新区科技项目[项目编号25HEJ3YF8017-001]和国家自然科学基金重点项目[项目编号U21B2089]的支持。

利益冲突声明：作者声明不存在已知的可能影响本文所报告工作的经济利益或个人关系。

N杰辉 | L刘怡琳 | Y于海阳 | S史金诚 | W吴强 | L李瑞敏
清华大学土木工程学院，北京，100084，中国