CN102819956A - 一种基于单截面环形线圈检测器的道路交通事件检测方法 - Google Patents
一种基于单截面环形线圈检测器的道路交通事件检测方法 Download PDFInfo
- Publication number
- CN102819956A CN102819956A CN2012101817862A CN201210181786A CN102819956A CN 102819956 A CN102819956 A CN 102819956A CN 2012101817862 A CN2012101817862 A CN 2012101817862A CN 201210181786 A CN201210181786 A CN 201210181786A CN 102819956 A CN102819956 A CN 102819956A
- Authority
- CN
- China
- Prior art keywords
- section
- traffic flow
- traffic
- detect
- speed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于单截面环形线圈检测器的道路交通事件检测方法。现有方法侧重于对交通参数的分析,通过设置相应的阈值来进行交通事件的判别。本发明以交通流量、速度、时间占有率这三项交通流参数构造一个三维空间,以交通流量、速度、时间占有率的预测值为中心,以三项交通流参数的历史标准误差的极限值为轴长,构造一个交通事件判别的椭球体。将交通流参数的实测值与这个椭球体进行对比,若实测值的三个参数所对应的点位于椭球体外,则判定该检测断面上游有交通事件发生,否则,判定该检测断面上游没有交通事件发生。本发明实施容易,计算复杂度小,在实施时能够充分保证道路交通事件检测的实时性要求。
Description
技术领域
本发明涉及道路交通事件检测领域,特别是一种基于单截面环形线圈检测器的道路交通事件检测方法。
背景技术
自20世纪60年代开始,高速公路交通事件检测算法的研究就成为交通领域的研究热点。运用先进的自动检测技术快速准确地检测交通事件发生与否,可以对道路交通流进行有效地管理,快速地疏导拥挤交通流,尽快地实施事故救援,缓解由于交通事件造成的交通拥堵。
早期的交通事件检测算法侧重于对交通参数的分析,通过设置相应的阈值来进行交通事件的判别。随着人工智能技术的发展,出现了诸如人工神经网络模型、模糊逻辑模型、概率神经网络模型、模糊逻辑遗传算法模型以及支持向量机模型等一系列的智能交通事件检测算法。采用先进的算法极大地提高了交通事件的检测效率,但是这些算法大多需要事先采集大量的数据进行网络训练,标定各种参数,大多局限于理论研究,在实际中很难进行工程应用。
因此,交通事件检测算法的关键是如何更加合理地选取判断交通事件发生的交通状态指标。此外,阈值选取也是交通事件检测的一个关键因素,应尽量采用较少的判别阈值,减小阈值标定的难度,提高算法在不同交通环境下的普适性。
发明内容
本发明的目的在于提供一种基于单截面环形线圈检测器的道路交通事件检测方法,其特征在于基于道路上某一个检测断面的交通信息,综合考虑多种交通流参数,自动判别该检测断面上游是否发生交通事件,同时该方法采用尽量少的判别阈值,易于工程实现。
该方法的基本思想是以交通流量、速度、时间占有率这三项交通流参数构造一个三维空间,以交通流量、速度、时间占有率的预测值为中心,以三项交通流参数的历史标准误差的极限值为轴长,构造一个交通事件判别的椭球体。将交通流参数的实测值与这个椭球体进行对比,若实测值的三个参数所对应的点位于椭球体外,则判定该检测断面上游有交通事件发生,否则,判定该检测断面上游没有交通事件发生。
为实现上述目的,本发明提出的道路交通事件检测方法包括每一采样间隔内交通流数据获取的步骤、根据检测的交通流数据对下一采样间隔内交通流数据进行预测的步骤、根据预测数据与实际检测数据计算交通事件判别指标的步骤、根据交通事件判别指标来确定交通事件发生与否的步骤。
具体的检测步骤包括:
c1、从各检测断面各车道上的环形线圈检测器中根据事先确定的采样间隔时间获取该检测断面该车道的交通流量、速度和时间占有率这三项交通流参数,并对交通流参数进行预处理,得到表征该检测断面交通流特性的交通流量、速度和时间占有率。
c2、根据预处理后的交通流参数预测下一采样间隔的交通流量、速度和时间占有率。
c3、根据所述交通流量、速度和时间占有率的预测值与实际检测值的关系,计算交通事件判别指标。
c4、根据所述交通事件判别指标的值,判定该检测断面上游是否有交通事件发生。
c5、根据步骤c4的判别结果,若有交通事件发生,则通知交警或在信息板上提醒驾驶员,若没有,则跳转至步骤c1。
进一步的,步骤c1中获取实时交通流参数的过程包括:
c11、在需要检测的路段中每隔500-800米的检测断面上布设一组环形线圈检测器,并使用电线、光缆或无线通信的方式与交通事件检测中心相连。每组环形线圈检测器包括每条车道上相距一定距离布设的一对环形线圈检测器。
c12、确定数据采样间隔。交通事件检测中需要能获取短时交通流的突变特性,故选取采样间隔为30秒或1分钟。
c13、通过环形线圈检测器获取每一采样间隔内每条车道上的交通流量、速度和时间占有率数据。
c14、对步骤c13中获得的各车道实时交通流参数进行预处理,得到表征该检测断面的交通流参数。
进一步的,步骤c13中对于每个检测断面每条车道上的一对环形线圈检测器,从沿行车方向的第一个环形线圈检测器中获取相应车道的交通流量和时间占有率,从该车道的一对环形线圈检测器中获取相应车道的每辆车的速度,从而得到该车道上车辆的平均行驶速度。
从环形线圈检测器中获取交通参数具体包括:
c131、获取交通流量参数。
——采样间隔时长(s)。
c132、获取速度参数。
采样间隔内每辆车的地点速度:
——布设的一对环形线圈检测器前后线圈之间的距离(m);
采样间隔内每条车道上车辆的平均行驶速度:
c133、获取时间占有率参数。
进一步的,步骤c14中需剔除各车道环形线圈检测器的异常数据,可以采用阈值筛选法,即剔除超过一定阈值的交通流量、速度和时间占有率数据;然后还需对合格数据进行平均化处理,得到表征该检测断面的交通流参数,详细步骤如下:
c141、单截面的交通流量参数处理
将检测断面每条车道上环形线圈检测器获取交通流量的平均值作为该检测断面的交通流量值。即:
b——第i检测断面的车道数量。
c142、单截面的速度参数处理
c143、单截面的时间占有率参数处理
进一步的,步骤c2中,在正常的交通流运行情况下,交通流不发生突变现象,则在一个较短的时间段内,交通流量、速度、时间占有率等交通流参数连续变化,即后一时刻的交通流参数与前一时刻或前几个时刻的交通流参数变化不大或者呈现一定的变化规律。因此将前c个采样间隔的交通流参数平均值作为下一时刻的预测值,用于判别该检测断面上游是否发生交通事件。
交通流量预测方法为:
c21、第i检测断面第t+1采样间隔交通流量的预测
计算前c个采样时间间隔内第i检测断面交通流量的平均值,作为第i检测断面第t+1采样间隔交通流量的预测值。即:
c——交通流参数预测所需的前一时段数据采样间隔数量。
速度预测方法为:
c22、第i检测断面第t+1采样间隔速度的预测值为
时间占有率预测方法为:
c23、第i检测断面第t+1采样间隔时间占有率的预测值为
其中,c值可以根据实地调查确定,保证预测的误差在容许的范围之内,一般可以取3-5。
进一步的,步骤c3中,运用质量控制的思想,综合考虑交通流量、速度、时间占有率的实时检测值与预测值之间的偏离程度,判断该检测断面上游是否有交通事件发生。
为调整参数,当值较大时,检测灵敏度低,其判别椭球体越大,检测率就会减少,但误报率也会较小;若值较小时,检测灵敏度高,则检测率就会增加,同样误报率也会随着增加。因此,需要根据实际情况综合考虑检测率和误报率之间的关系来确定值。根据统计中的原则,可以令。
本发明的有益效果:
1、本方法实施容易,计算复杂度小,在实施时能够充分保证道路交通事件检测的实时性要求。
2、本方法综合单个检测截面的交通流量、速度、时间占有率多项交通参数,基于质量控制的思想,能够更客观的反映该检测截面上游交通流运行的突变情况,比使用单个交通流参数拥有更高的检测精度。
3、本方法在实施的时候仅需标定1个参数,适应力强,能够满足自动判别的要求,不需要过多干预。
附图说明
图1为本发明流程图;
图2为交通参数获取流程图;
图3为单截面检测器布设图;
图4为单截面道路交通事件检测的流程。
具体实施方式
下面结合附图对本发明进行详细阐述。
参考图1,图示了单截面道路交通事件检测方法流程。
步骤1,参考图2,图示了交通流参数获取流程图。其中参考图3,图示了所述单截面道路交通事件检测方法的环形线圈检测器布设方案,其特征是采用规格为2×2m的环形线圈检测器,用于统计道路上检测断面处交通流运行情况。在需要检测的路段上每隔500-800m设置一个检测断面,每一检测断面布设一组环形线圈检测器,每组环形线圈检测器包括在每条车道上间隔一定距离的两个环形线圈检测器。其中沿行车方向的第一个环形线圈检测器编号为,另一个环形线圈检测器编号为,i为检测断面编号,沿行车方向从1开始依次递增,j为该检测断面上车道编号,最外侧车道编号为第1车道,向道路中线依次递增。
由于环形线圈检测器本身的特性,过小的采样间隔会增加检测的误差,过大的采样间隔不能表现出交通流的瞬时变化特性。国内外普遍采用的交通数据获取采样间隔有10秒、20秒、30秒、1分钟、2分钟、3分钟、5分钟、10分钟、15分钟等。交通事件检测中需要能获取短时交通流的突变特性,故选取采样间隔为30秒或1分钟。
根据确定的采样间隔,通过环形线圈检测器获取每一采样间隔内每条车道上的交通流量、速度和时间占有率数据。
交通流量计算方法:
速度计算方法:
采样间隔内每辆车的地点速度
采样间隔内每条车道上车辆的平均行驶速度:
时间占有率计算方法:
各车道环形线圈检测器获取的数据中往往存在着异常数据,可以采用阈值筛选法剔除异常数据,即剔除超过一定阈值的交通流量、速度和时间占有率数据。然后还需对合格数据进行平均化处理,得到表征该检测断面的交通流参数,详细步骤如下:
单截面的交通流量参数处理
将检测断面每条车道上环形线圈检测器获取交通流量的平均值作为该检测断面的交通流量值。即:
b——第i检测断面的车道数量。
单截面的速度参数处理
单截面的时间占有率参数处理
步骤2,根据预处理后的交通参数预测下一采样间隔的交通流量、速度和时间占有率。
正常的交通流运行情况下,交通流不发生突变现象,则在一个较短的时间段内,交通流量、速度、时间占有率等交通流参数连续变化,即后一时刻的交通流参数与前一时刻或前几个时刻的交通流参数变化不大或者呈现一定的变化规律;因此将前c个采样间隔的交通流参数平均值作为下一时刻的预测值,用于判别该检测断面上游是否发生交通事件。
第i检测断面第t+1采样间隔交通流量的预测
计算前c个采样时间间隔内第i检测断面交通流量的平均值,作为第i检测断面第t+1采样间隔交通流量的预测值;即:
c——交通流参数预测所需的前一时段数据采样间隔数量;
第i检测断面第t+1采样间隔速度的预测值为
第i检测断面第t+1采样间隔时间占有率的预测值为
其中,c值可以根据实地调查确定,保证预测的误差在容许的范围之内,一般可以取3-5。
参考图4,图示了交通事件检测的流程。
步骤3,运用质量控制的思想,根据所述交通流量、速度和时间占有率的实时检测值与预测值的关系,计算交通事件判别指标。
计算估计标准差,计算式如下:
为调整参数,当值较大时,检测灵敏度低,其判别椭球体越大,检测率就会减少,但误报率也会较小。若值较小时,检测灵敏度高,则检测率就会增加,同样误报率也会随着增加。因此,需要根据实际情况综合考虑检测率和误报率之间的关系来确定值。根据统计中的原则,可以令。
步骤4,根据所述交通事件判别指标的值,检测是否有交通事件发生。
Claims (7)
1. 一种基于单截面环形线圈检测器的道路交通事件检测方法,其特征在于该方法包括以下步骤:
c1、从各检测断面各车道上的环形线圈检测器中根据事先确定的采样间隔时间获取该检测断面该车道的交通流量、速度和时间占有率这三项交通流参数,并对交通流参数进行预处理,得到表征该检测断面交通流特性的交通流量、速度和时间占有率;
c2、根据预处理后的交通流参数预测下一采样间隔的交通流量、速度和时间占有率;
c3、根据所述交通流量、速度和时间占有率的预测值与实际检测值的关系,计算交通状态判别指标;
c4、根据所述交通状态判别指标的值,判定该检测断面上游是否有交通事件发生;
c5、根据步骤c4的判别结果,若有交通事件发生,则通知交警或在信息板上提醒驾驶员,若没有,则跳转至步骤c1。
2.根据权利要求1所述的一种基于单截面环形线圈检测器的道路交通事件检测方法,其特征在于:步骤c1中获取实时交通流参数的过程包括:
c11、在需要检测的路段中每隔500-800米的检测断面上布设一组环形线圈检测器,并使用电线、光缆或无线通信的方式与交通事件检测中心相连;每组环形线圈检测器包括每条车道上相距一定距离布设的一对环形线圈检测器;
c12、确定数据采样间隔;交通事件检测中需要能获取短时交通流的突变特性,故选取采样间隔为30秒或1分钟;
c13、通过环形线圈检测器获取每一采样间隔内每条车道上的交通流量、速度和时间占有率数据;
c14、对步骤c13中获得的各车道实时交通流参数进行预处理,得到表征该检测断面的交通流参数。
3.根据权利要求2所述的一种基于单截面环形线圈检测器的道路交通事件检测方法,其特征在于:步骤c13中对于每个检测断面每条车道上的一对环形线圈检测器,从沿行车方向的第一个环形线圈检测器中获取相应车道的交通流量和时间占有率,从该车道的一对环形线圈检测器中获取相应车道的每辆车的速度,从而得到该车道上车辆的平均行驶速度;
从环形线圈检测器中获取交通流参数具体包括:
c131、获取交通流量参数;
c132、获取速度参数;
采样间隔内每辆车的地点速度:
采样间隔内每条车道上车辆的平均行驶速度:
c133、获取时间占有率参数;
4.根据权利要求2所述的一种基于单截面环形线圈检测器的道路交通事件检测方法,其特征在于:步骤c14中需剔除各车道环形线圈检测器的异常数据,可以采用阈值筛选法,即剔除超过一定阈值的交通流量、速度和时间占有率数据;然后还需对合格数据进行平均化处理,得到表征该检测断面的交通流参数,详细步骤如下:
c141、单截面的交通流量参数处理
将检测断面每条车道上环形线圈检测器获取交通流量的平均值作为该检测断面的交通流量值;即:
c142、单截面的速度参数处理
式中:表示第i检测断面第t采样间隔预处理后的速度值;
c143、单截面的时间占有率参数处理
5.根据权利要求1所述的一种基于单截面环形线圈检测器的道路交通事件检测方法,其特征在于:
步骤c2中,在正常的交通流运行情况下,交通流不发生突变现象,则在一个较短的时间段内,交通流量、速度、时间占有率等交通流参数连续变化,即后一时刻的交通流参数与前一时刻或前几个时刻的交通流参数变化不大或者呈现一定的变化规律;因此将前c个采样间隔的交通流参数平均值作为下一时刻的预测值,用于判别该检测断面上游是否发生交通事件;
交通流量预测方法为:
c21、第i检测断面第t+1采样间隔交通流量的预测
计算前c个采样时间间隔内第i检测断面交通流量的平均值,作为第i检测断面第t+1采样间隔交通流量的预测值;即:
速度预测方法为:
c22、第i检测断面第t+1采样间隔速度的预测值为
时间占有率预测方法为:
c23、第i检测断面第t+1采样间隔时间占有率的预测值为
其中,c值可以根据实地调查确定,保证预测的误差在容许的范围之内,取3-5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210181786.2A CN102819956B (zh) | 2012-06-05 | 2012-06-05 | 一种基于单截面环形线圈检测器的道路交通事件检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210181786.2A CN102819956B (zh) | 2012-06-05 | 2012-06-05 | 一种基于单截面环形线圈检测器的道路交通事件检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102819956A true CN102819956A (zh) | 2012-12-12 |
CN102819956B CN102819956B (zh) | 2014-11-05 |
Family
ID=47304051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210181786.2A Expired - Fee Related CN102819956B (zh) | 2012-06-05 | 2012-06-05 | 一种基于单截面环形线圈检测器的道路交通事件检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102819956B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107025789A (zh) * | 2017-05-27 | 2017-08-08 | 青岛海信网络科技股份有限公司 | 一种交通事件检测方法及装置 |
CN109255956A (zh) * | 2018-11-12 | 2019-01-22 | 长安大学 | 一种收费站交通流量异常检测方法 |
CN111489545A (zh) * | 2019-01-28 | 2020-08-04 | 阿里巴巴集团控股有限公司 | 道路监控方法、装置以及设备、存储介质 |
CN112767698A (zh) * | 2021-01-19 | 2021-05-07 | 东南大学 | 一种基于小步长调整的自适应交通事件检测方法 |
CN114120641A (zh) * | 2021-11-23 | 2022-03-01 | 武汉理工大学 | 基于光栅阵列传感光纤网络进行交通流信息检测的方法及系统 |
CN114446052A (zh) * | 2022-01-17 | 2022-05-06 | 东南大学 | 基于多源数据多级融合的高速公路事件检测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3639894A (en) * | 1969-02-19 | 1972-02-01 | Omron Tateisi Electronics Co | Apparatus for detecting traffic information |
CN101188064A (zh) * | 2007-12-20 | 2008-05-28 | 北京交通大学 | 三维集成高速公路交通事件自动检测方法 |
CN101286269A (zh) * | 2008-05-26 | 2008-10-15 | 北京捷讯畅达科技发展有限公司 | 兼有动态实时交通数据的交通流量预测系统 |
CN101567126A (zh) * | 2009-05-31 | 2009-10-28 | 上海宝康电子控制工程有限公司 | 城市道路交通信息检测与发布系统 |
CN101833858A (zh) * | 2009-12-17 | 2010-09-15 | 南京城际在线信息技术有限公司 | 一种基于信号灯系统环形线圈判别道路交通状态的方法 |
-
2012
- 2012-06-05 CN CN201210181786.2A patent/CN102819956B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3639894A (en) * | 1969-02-19 | 1972-02-01 | Omron Tateisi Electronics Co | Apparatus for detecting traffic information |
CN101188064A (zh) * | 2007-12-20 | 2008-05-28 | 北京交通大学 | 三维集成高速公路交通事件自动检测方法 |
CN101286269A (zh) * | 2008-05-26 | 2008-10-15 | 北京捷讯畅达科技发展有限公司 | 兼有动态实时交通数据的交通流量预测系统 |
CN101567126A (zh) * | 2009-05-31 | 2009-10-28 | 上海宝康电子控制工程有限公司 | 城市道路交通信息检测与发布系统 |
CN101833858A (zh) * | 2009-12-17 | 2010-09-15 | 南京城际在线信息技术有限公司 | 一种基于信号灯系统环形线圈判别道路交通状态的方法 |
Non-Patent Citations (1)
Title |
---|
高翔等: "新型交通事件检测系统在世博集散道路上的应用", 《中国市政工程》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107025789A (zh) * | 2017-05-27 | 2017-08-08 | 青岛海信网络科技股份有限公司 | 一种交通事件检测方法及装置 |
CN109255956A (zh) * | 2018-11-12 | 2019-01-22 | 长安大学 | 一种收费站交通流量异常检测方法 |
CN111489545A (zh) * | 2019-01-28 | 2020-08-04 | 阿里巴巴集团控股有限公司 | 道路监控方法、装置以及设备、存储介质 |
CN112767698A (zh) * | 2021-01-19 | 2021-05-07 | 东南大学 | 一种基于小步长调整的自适应交通事件检测方法 |
CN114120641A (zh) * | 2021-11-23 | 2022-03-01 | 武汉理工大学 | 基于光栅阵列传感光纤网络进行交通流信息检测的方法及系统 |
CN114446052A (zh) * | 2022-01-17 | 2022-05-06 | 东南大学 | 基于多源数据多级融合的高速公路事件检测方法及装置 |
CN114446052B (zh) * | 2022-01-17 | 2023-05-30 | 东南大学 | 基于多源数据多级融合的高速公路事件检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN102819956B (zh) | 2014-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102592451B (zh) | 一种基于双截面环形线圈检测器的道路交通事件检测方法 | |
US11069233B1 (en) | Video-based main road cooperative signal machine control method | |
CN102819956B (zh) | 一种基于单截面环形线圈检测器的道路交通事件检测方法 | |
CN103258427B (zh) | 基于信息物理网络的城市快速路交通实时监控方法 | |
CN103021176B (zh) | 基于断面检测器的城市道路交通状态判别方法 | |
Tang et al. | Traffic-incident detection-algorithm based on nonparametric regression | |
CN104778834B (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
US10699568B1 (en) | Video-based crossroad signal machine control method | |
CN105225500A (zh) | 一种交通控制辅助决策方法及装置 | |
CN111680745B (zh) | 一种基于多源交通大数据融合的突发拥堵判别方法及系统 | |
CN102169634B (zh) | 一种交通拥塞优先疏散控制方法 | |
CN105336183A (zh) | 一种基于路段通行能力的交通拥堵控制方法及装置 | |
CN103927868B (zh) | 一种能够发现导致区域交通拥堵原因的方法及系统 | |
CN109767630A (zh) | 一种基于车路协同的交通信号控制系统 | |
CN107170247B (zh) | 一种确定交叉口排队长度方法及装置 | |
CN109147330A (zh) | 一种拥堵识别方法及装置 | |
CN104200687A (zh) | 一种驾驶员速度控制行为监测装置及监测方法 | |
CN103646542A (zh) | 一种交通影响范围的预测方法和装置 | |
CN111739315B (zh) | 一种交通信号灯绿波智能调节方法及智能调节系统 | |
CN103903444B (zh) | 一种即时发现快速路拥堵引发点的方法和系统 | |
CN108615376A (zh) | 一种基于视频检测的交叉口信号控制方案评价方法 | |
CN104751642A (zh) | 一种高等级道路交通流运行风险实时预估方法 | |
CN105654720A (zh) | 基于城市道路拥堵识别的检测器布设方法 | |
CN103150894B (zh) | 消除交通拥堵的高速公路主线收费站通过流量控制方法 | |
CN111145544A (zh) | 一种基于拥堵蔓延消散模型的行程时间及路径预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20141105 Termination date: 20150605 |
|
EXPY | Termination of patent right or utility model |