CN102024325B - 基于浮动车技术的交通堵塞点识别方法 - Google Patents

Abstract

本发明提供一种基于浮动车技术的交通堵塞点识别方法，利用浮动车在行驶过程中定期采集车辆编号、位置、速度和时间信息，并将采集得到的数据传送到数据中心；数据中心对所述数据中的速度信息进行数据滤除预处理，得到有效的浮动车数据，然后抽取出所有超低速行驶的数据集合；数据中心通过对多辆车频繁超低速行驶区域的检验，可自动识别交通堵塞点，从而实现交通堵塞点信息的动态更新。本发明为各类交通信息服务系统提供动态的、准确的交通堵塞点信息，不仅信息获取渠道成本低，而且信息更新及时可靠，对于各类交通信息服务系统有着重要意义。

Description

基于浮动车技术的交通堵塞点识别方法

【技术领域】

本发明属于信息技术应用领域。具体是涉及交通信息服务系统中交通堵塞点的识别方法，从而可为公众出行等提供动态的交通堵塞点信息服务。

【背景技术】

浮动车技术，也被称作“探测车”，已经被广泛使用，其基本原理是：根据装备车载全球定位系统的浮动车在其行驶过程中定期记录的车辆位置，方向和速度信息，应用地图匹配、路径推测等相关的计算模型和算法进行处理，使浮动车位置数据和城市道路在时间和空间上关联起来。哪些路段经常拥堵？在什么时间段经常拥堵？其拥堵程度如何？目前在公众出行等交通信息服务系统中，这些信息往往只能根据长期的统计资料以及出行者本人的经验，实现一定程度的交通堵塞点静态信息服务，尚没有有效的方法提供动态的交通堵塞点信息服务。这些方式只是长期的数据经验的累计，无法实现道路中交通堵塞点信息的动态更新。

【发明内容】

本发明所要解决的技术问题在于为交通信息服务系统提供基于浮动车技术的交通堵塞点识别方法，其克服了现有技术中无法实现交通堵塞点信息的动态更新。

本发明采用以下技术方案解决上述技术问题：基于浮动车技术的交通堵塞点识别方法，其特征在于：该方法包括如下步骤：

步骤10、利用浮动车在行驶过程中定期采集车辆编号、位置、速度和时间信息，并将采集得到的数据传送到数据中心；具体为：利用装备车载定位系统的浮动车以周期τ定期采集车辆编号i、位置l、速度v和时间t信息，得到数据信息集合x_i＝<l，v，t>，并将采集得到的数据通过移动蜂窝通信技术传送到数据中心；所述浮动车在给定的且用于分段采样的滑动时间窗T₁内，其采样数据集合为m辆浮动车的n阶序列：

X(m，n)＝{x_i，j|i∈[1，m]，j∈[1，n]}，

其中， $n=\frac{T_1}{\mathrm{\&tau;}};$

步骤20、数据中心对所述数据中的速度信息进行数据滤除预处理，得到有效的浮动车数据，然后抽取出所有超低速行驶的数据集合；具体包括：数据中心将其速度在ΔT内一直都低于υ的非正常行驶的干扰数据滤除，得到有效的浮动车数据集合为

$j\&Element;[k,k+\frac{\mathrm{\&Delta;T}}{\mathrm{\&tau;}}],$

其中x_i，j.v为浮动车数据中的速度信息，

然后再根据速度信息提取所有处于超低速行驶状态的浮动车行车数据，构成超低速行驶数据集合：

从而得到所有超低速行驶的数据集合Y；

步骤30、数据中心定位多辆浮动车超低速行驶形成的区域，并提取各个区域的中心位置与长度、以及起始时间与时长属性，并构成集合R存入数据中心；具体包括：对超低速行驶的数据集合Y，提取所有存在Q辆以上浮动车且这些浮动车彼此之间距离均小于Δ的区域，构成多辆车超低速行驶的区域集合

其中

为浮动车i和i^p在滑动时间窗T₁内经过的两个位置点之间的距离；其q为一个变量名，即表示存在Q辆车以上，该表示为一阶逻辑中的通常用法；

对上述集合

中的各元素重新进行一维编码，进而可根据位置相邻的关系定位出各个多辆车超低速行驶的区域，即

并可进一步提取上述各区域的中心位置：

$O_i=\frac{\mathrm{\&Sigma;}{x}_j.l}{\left|\right[x_i\left]\right|},x_j\&Element;\left[x_i\right]$

同理，可提取上述各区域的长度：

L_i＝MAX(d(x_j.l，x_k.l))，x_j，x_k∈[x_i]

起始时间：

T_i＝MIN(x_j.t)，x_j∈[x_i]

时长：

D_i＝MAX(d(x_j.t，x_k.t))，x_j，x_k∈[x_i]，

其中d(x_j.t，x_k.t)为浮动车数据x_j和x_k之间的时间差；

从而构成多辆车超低速行驶的区域集合R＝{Z_i|Z_i＝<O_i，L_i，T_i，D_i>}，即可能的交通堵塞点集合，同时数据中心将集合R存入统一数据中心的数据库；

步骤40、数据中心对浮动车数据库进行数据挖掘，若浮动车超低速行驶的区域在相应时间窗内频繁出现，则表明该区域为堵塞点，若浮动车超低速行驶的区域在相应时间窗内很少出现，则表明该区域不是堵塞点；从而实现交通堵塞点的识别；具体包括：以给定的时间窗T₂，抽取数据库中的多辆车超低速行驶的区域数据作为检验数据集C，并定义相同区域搜索算子：

${\tilde{Z}}_i=\left\{Z\right|d(Z.O-Z_i.O)\&le;\mathrm{\&Delta;}\}$

若集合R中任一区域Z_i，其根据相同区域搜索算子在检验数据集C中重复出现次数大于δ，即

则表明该区域为交通堵塞点，并可进一步得到堵塞点中心位置：

$O=\mathrm{Average}(Z_i.O),Z_i\&Element;{\tilde{Z}}_i;$

堵塞长度：

$L=\mathrm{Average}(Z_i.L),Z_i\&Element;{\tilde{Z}}_i;$

堵塞起始时间：

$T=\mathrm{Average}(Z_i.T),Z_i\&Element;{\tilde{Z}}_i;$

以及堵塞时长：

$D=\mathrm{Average}(Z_i.D),Z_i\&Element;{\tilde{Z}}_i;$

从而交通信息服务系统自动发现交通堵塞点，并实现包括堵塞点中心位置及其堵塞长度、堵塞起始时间及其堵塞时长4个方面内容的交通堵塞点识别。

本发明的优点在于：利用大量的浮动车在行驶过程中定期采集信息，并通过移动蜂窝通信等技术传送到数据中心，系统通过对多辆车频繁超低速行驶区域的检验，可自动识别交通堵塞点，从而实现交通堵塞点信息的动态更新。本发明为各类交通信息服务系统提供动态的、准确的交通堵塞点信息，不仅信息获取渠道成本低，而且信息更新及时可靠，对于各类交通信息服务系统有着重要意义。

【附图说明】

下面参照附图结合实施例对本发明作进一步的描述。

图1是本发明的基于浮动车技术的交通堵塞点识别方法的系统框架图。

图2是本发明的一种浮动车数据滤波预处理算法流程图。

图3是本发明的一种交通堵塞点发现算法流程图。

图4是本发明的一种交通堵塞点识别算法流程图。

【具体实施方式】

本发明为各类交通信息服务系统提供动态的、准确的交通堵塞点信息。基于浮动车技术的交通堵塞点识别方法，该方法包括如下步骤：

步骤10、利用浮动车在行驶过程中定期采集车辆编号、位置、速度和时间信息，并将采集得到的数据传送到数据中心；

步骤20、数据中心对所述数据中的速度信息进行数据滤除预处理，得到有效的浮动车数据，然后抽取出所有超低速行驶的数据集合；

步骤30、数据中心定位多辆浮动车超低速行驶形成的区域，并提取各个区域的中心位置与长度、以及起始时间与时长属性，并构成集合R存入数据中心；

步骤40、数据中心对浮动车数据库进行数据挖掘，若浮动车超低速行驶的区域在相应时间窗内频繁出现，则表明该区域为堵塞点，若浮动车超低速行驶的区域在相应时间窗内很少出现，则表明该区域不是堵塞点；从而实现交通堵塞点的识别。

图1所示为基于浮动车技术的交通堵塞点识别方法的系统框架图，其中详细展示了基于浮动车技术的交通堵塞点发现及其状态识别系统所包括的四个部分，其中每个部分产生的结果作为下一个部分数据处理的对象。

第一个部分进行的是基于滑动时间窗的浮动车行车数据采样，得到浮动车当前行车数据序列；在第二部分中经过数据滤波等数据预处理后，得到所有超低速行驶数据集合；第三部分定位存在多辆车超低速行驶的区域，并提取其中心位置、长度、起始时间及其时长属性构成集合R，即可能的交通堵塞点集合，并存入统一的数据库；第四部分，通过浮动车数据库对可能的交通堵塞点进行检验，实现系统的交通堵塞点状态识别。

图2为一种浮动车数据滤波预处理算法流程图，其主要步骤为：

步骤1：利用装备车载定位系统的浮动车以周期τ定期采集车辆编号i、位置l、速度v和时间t信息，得到数据信息集合x_i＝<l，v，t>，并将采集得到的数据通过移动蜂窝通信等技术传送到数据中心；所述浮动车在给定的且用于分段采样的滑动时间窗T₁内，其采样数据集合为m辆浮动车的n阶序列

X(m，n)＝{x_i，j|i∈[1，m]，j∈[1，n]}

其中， $n=\frac{T_1}{\mathrm{\&tau;}}.$

步骤2：对每辆浮动车的行车数据序列，将其速度在ΔT内一直都低于υ的干扰数据滤除，从而得到有效的浮动车行车数据序列；

$j\&Element;[k,k+\frac{\mathrm{\&Delta;T}}{\mathrm{\&tau;}}]$

其中x_i，j.v为浮动车数据中的速度信息，

步骤3：对得到的有效浮动车行车数据序列，根据其速度提取所有处于超低速行驶状态的浮动车位置点集合

从而得到所有超低速行驶数据集合Y。

图3为一种交通堵塞点发现算法流程图，其主要步骤为：

步骤1：对超低速行驶的数据集合Y，根据其位置的相邻关系进行聚类，提取所有存在Q辆以上浮动车且这些浮动车彼此之间距离均小于Δ的区域，构成多辆车超低速行驶的区域集合

其中

为浮动车i和i^p在滑动时间窗T₁内经过的某两个位置点之间的距离，其小q为一个变量名，即表示存在Q辆车以上，该表示为一阶逻辑中的通常用法。

步骤2：对得到的多辆车超低速行驶的区域集合中的各元素重新进行一维编码，再根据其位置的相邻关系进行划分，得到各个超低速行驶的区域

步骤3：对各个超低速行驶的区域进行特征提取，首先提取上述各区域的中心位置

$O_i=\frac{\mathrm{\&Sigma;}{x}_j.l}{\left|\right[x_i\left]\right|},x_j\&Element;\left[x_i\right]$

同理，再提取上述各区域的长度：

L_i＝MAX(d(x_j.l，x_k.l))，x_j，x_k∈[x_i]；

起始时间：

T_i＝MIN(x_j.t)，x_j∈[x_i]；

时长：

D_i＝MAX(d(x_j.t，x_k.t))，x_j，x_k∈[x_i]；

其中d(x_j.t，x_k.t)为浮动车数据x_j和x_k之间的时间差。

从而构成多辆车超低速行驶的区域集合R＝{Z_i|Z_i＝<O_i，L_i，T_i，D_i>}，即可能的交通堵塞点集合，并将集合R存入统一的数据库。

图4为一种交通堵塞点识别算法流程图，其主要步骤为：

步骤1：以给定的时间窗T₂，从数据库中抽取多辆车超低速行驶的区域数据作为检验数据集C，并定义相同区域搜索算子

${\tilde{Z}}_i=\left\{Z\right|d(Z.O-Z_i.O)\&le;\mathrm{\&Delta;}\}$

步骤2：对可能的交通堵塞点集合R，任取一个区域Z_i，根据相同区域搜索算子，从检验数据集C中提取子集

若

则表明该区域为交通堵塞点，否则表明该区域不是交通堵塞点。

步骤3：对各个交通堵塞点，依次提取其堵塞点中心位置

$O=\mathrm{Average}(Z_i.O),Z_i\&Element;{\tilde{Z}}_i$

堵塞长度

$L=\mathrm{Average}(Z_i.L),Z_i\&Element;{\tilde{Z}}_i$

堵塞起始时间

$T=\mathrm{Average}(Z_i.T),Z_i\&Element;{\tilde{Z}}_i$

以及堵塞时长

$D=\mathrm{Average}(Z_i.D),Z_i\&Element;{\tilde{Z}}_i$

从而交通信息服务系统自动发现交通堵塞点，并实现包括堵塞点中心位置及其堵塞长度、堵塞起始时间及其堵塞时长4个方面内容的交通堵塞点识别。

总之，本发明为各类交通信息服务系统提供动态的、准确的交通堵塞点信息，不仅信息获取渠道成本低，而且信息更新及时可靠，是一种切实可行的交通堵塞点发现及其状态识别方法，对于各类交通信息服务系统有着重要意义。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (1)

1.基于浮动车技术的交通堵塞点识别方法，其特征在于：该方法包括如下步骤：

步骤10、利用浮动车在行驶过程中定期采集车辆编号、位置、速度和时间信息，并将采集得到的数据传送到数据中心；具体为：利用装备车载定位系统的浮动车以周期τ定期采集车辆编号i、位置l、速度v和时间t信息，得到数据信息集合x_i＝<l，v，t>，并将采集得到的数据通过移动蜂窝通信技术传送到数据中心；所述浮动车在给定的且用于分段采样的滑动时间窗T₁内，其采样数据集合为m辆浮动车的n阶序列：

X(m，n)＝{x_i，j|i∈[1，m]，j∈[1，n]}，

其中， $n=\frac{T_1}{\mathrm{\&tau;}};$

步骤20、数据中心对所述数据中的速度信息进行数据滤除预处理，得到有效的浮动车数据，然后抽取出所有超低速行驶的数据集合；具体包括：数据中心将其速度在ΔT内一直都低于υ的非正常行驶的干扰数据滤除，得到有效的浮动车数据集合为

$j\&Element;[k,k+\frac{\mathrm{\&Delta;T}}{\mathrm{\&tau;}}],$

其中x_i，j.v为浮动车数据中的速度信息，

然后再根据速度信息提取所有处于超低速行驶状态的浮动车行车数据，构成超低速行驶数据集合：

从而得到所有超低速行驶的数据集合Y；

步骤30、数据中心定位多辆浮动车超低速行驶形成的区域，并提取各个区域的中心位置与长度、以及起始时间与时长属性，并构成集合R存入数据中心；具体包括：对超低速行驶的数据集合Y，提取所有存在Q辆以上浮动车且这些浮动车彼此之间距离均小于Δ的区域，构成多辆车超低速行驶的区域集合

其中

为浮动车i和i^p在滑动时间窗T₁内经过的两个位置点之间的距离；其q为一个变量名，即表示存在Q辆车以上，该表示为一阶逻辑中的通常用法；

对上述集合中的各元素重新进行一维编码，进而可根据位置相邻的关系定位出各个多辆车超低速行驶的区域，即

并可进一步提取上述各区域的中心位置：

$O_i=\frac{\mathrm{\&Sigma;}{x}_j.l}{\left|\right[x_i\left]\right|},x_j\&Element;\left[x_i\right]$

同理，可提取上述各区域的长度：

L_i＝MAX(d(x_j.l，x_k.l))，x_j，x_k∈[x_i]

起始时间：

T_i＝MIN(x_j.t)，x_j∈[x_i]

时长：

D_i＝MAX(d(x_j.t，x_k.t))，x_j，x_k∈[x_i]，

其中d(x_j.t，x_k.t)为浮动车数据x_j和x_k之间的时间差；

从而构成多辆车超低速行驶的区域集合R＝{Z_i|Z_i＝<O_i，L_i，T_i，D_i>}，即可能的交通堵塞点集合，同时数据中心将集合R存入统一数据中心的数据库；

步骤40、数据中心对浮动车数据库进行数据挖掘，若浮动车超低速行驶的区域在相应时间窗内频繁出现，则表明该区域为堵塞点，若浮动车超低速行驶的区域在相应时间窗内很少出现，则表明该区域不是堵塞点；从而实现交通堵塞点的识别；具体包括：以给定的时间窗T₂，抽取数据库中的多辆车超低速行驶的区域数据作为检验数据集C，并定义相同区域搜索算子：

${\tilde{Z}}_i=\left\{Z\right|d(Z.O-Z_i.O)\&le;\mathrm{\&Delta;}\}$

若集合R中任一区域Z_i，其根据相同区域搜索算子在检验数据集C中重复出现次数大于δ，即

则表明该区域为交通堵塞点，并可进一步得到堵塞点中心位置：

$O=\mathrm{Average}(Z_i.O),Z_i\&Element;{\tilde{Z}}_i;$

堵塞长度：

$L=\mathrm{Average}(Z_i.L),Z_i\&Element;{\tilde{Z}}_i;$

堵塞起始时间：

$T=\mathrm{Average}(Z_i.T),Z_i\&Element;{\tilde{Z}}_i;$

以及堵塞时长：

$D=\mathrm{Average}(Z_i.D),Z_i\&Element;{\tilde{Z}}_i;$

从而交通信息服务系统自动发现交通堵塞点，并实现包括堵塞点中心位置及其堵塞长度、堵塞起始时间及其堵塞时长4个方面内容的交通堵塞点识别。

Images