交叉口交通路段是当前交通拥堵和事故发生的聚集地,聚类分析常常用于对这些交通路段进行规划和分类,但目前实际采用的聚类算法通常存在对聚类边界点的识别不够准确、对初始聚类中心的选取具有随机性等问题。为此,本文利用进化计算来优化形成交叉口交通流聚类方案,解决上述问题,以提高交叉口交通流聚类分析性能。本文建立面向交叉口交通流聚类的进化计算模型,在此基础上,选取遗传算法和粒子群算法分别对交叉口交通流K-means聚类和密度聚类进行优化,主要研究工作如下:(1)提出一种基于遗传算法的交叉口交通流K-means聚类优化算法,对数据复杂的交叉口交通流进行聚类。该算法首先将随机选取出来的初始聚类中心作为第一代种群进行遗传操作,将初始种群进行二进制编码;然后在初始种群中选择染色体进行交叉、变异操作,由改进的交叉算子进行下一代种群的选取;最后根据交叉口交通流聚类特征给出评价函数,通过该评价函数选择最优解。实验表明,该算法能够快速地对交叉口交通流进行聚类,有效降低初始聚类选取时所产生的不必要损耗,提高交叉口交通流聚类的精确度。(2)提出一种基于粒子群算法的交叉口交通流密度聚类优化算法,解决交叉口大数据量交通流聚类问题,首先结合改进的局部异常因子(LOF)算法将差别较大的交叉口进行排除;然后根据初始参数和MinPts进行核心对象的筛选,将核心对象的核心距离由高到低进行排序,选取初始聚类中心;最后根据粒子群算法对初始数据进行编码,采用粒子群算法的速度和位置公式来更新种群。实验表明,该算法能够对交叉口大数据量的交通流进行聚类,降低初始交叉口交通流聚类中心选取的错误率,更好地对差异性较大的交叉口进行识别。