CN102968901B - 获取区域拥堵信息的方法及区域拥堵分析装置 - Google Patents
获取区域拥堵信息的方法及区域拥堵分析装置 Download PDFInfo
- Publication number
- CN102968901B CN102968901B CN201210501361.5A CN201210501361A CN102968901B CN 102968901 B CN102968901 B CN 102968901B CN 201210501361 A CN201210501361 A CN 201210501361A CN 102968901 B CN102968901 B CN 102968901B
- Authority
- CN
- China
- Prior art keywords
- congestion
- road section
- time
- traffic
- information
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000005070 sampling Methods 0.000 claims description 126
- 230000002159 abnormal effect Effects 0.000 claims description 45
- 238000004140 cleaning Methods 0.000 claims description 41
- 238000004364 calculation method Methods 0.000 claims description 34
- 238000004458 analytical method Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 24
- 238000006467 substitution reaction Methods 0.000 claims description 8
- 238000012850 discrimination method Methods 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 6
- 239000006185 dispersion Substances 0.000 description 5
- 230000002596 correlated effect Effects 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 4
- 238000007418 data mining Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种获取区域拥堵信息的方法及区域拥堵分析装置。该方法包括:获取预定时间内区域内各路段的交通流数据信息,以预定时间内的单位时间进行拆分;对拆分的交通流数据信息进行预处理;根据预处理的交通流数据信息,获取区域内各路段的拥堵时段信息;根据获取的各路段拥堵时段信息,计算获取与拥堵路段关联的关联路段的拥堵时段信息;根据获取的关联路段的拥堵时段信息,获取区域拥堵信息,并进行发布。应用本发明,可以提高拥堵疏导效率。
Description
技术领域
本发明涉及智能交通技术,尤其涉及一种获取区域拥堵信息的方法及区域拥堵分析装置。
背景技术
近年来,我国城市高速发展,人们的生活水平日益提高,城市机动车保有量飞速增长,使得城市交通面临日益严峻的考验,大范围的交通拥堵已成为普遍现象,从而严重影响了交通运行效率,造成社会经济资源极大的浪费,成为影响民生的重要问题。随着社会进一步发展以及汽车保有量不断激增,如不及时提高交通管控及信息服务水平,城市交通拥堵将日益加剧。
在现有的交通管理系统中,当路段发生拥堵或事故时,往往由于没有在适当的地点对后续车辆或机动车进行提醒、预警,而只是采取对当前路段派驻人员进行人工临时疏导的策略,造成车辆或机动车越堵越多,事故越来越大,最终导致由于较小的拥堵或事故,造成较大的交通堵塞甚至交通瘫痪的现象发生。
由上述可见,交通拥堵日益严重的现象给交通管理部门的管理水平提出了更高的要求,而现有的交通指挥管理系统,采用对当前路段进行人工临时疏导的策略,拥堵疏导的效率较低,无法避免拥堵、事故的发生,使得交通运行效率较低;进一步地,现有的交通拥堵分析,一般基于路段,针对发生拥堵或事故的单一路段或主干道,进行交通拥堵状态分析,不能针对路段所在的区域,提供拥堵预警信息,使交通出行用户获取相关的区域拥堵信息,从而避开该拥堵路段。
发明内容
本发明的实施例提供一种获取区域拥堵信息的方法,提高拥堵疏导效率。
本发明的实施例还提供一种区域拥堵分析装置,提高拥堵疏导效率。
为达到上述目的,本发明实施例提供的一种获取区域拥堵信息的方法,包括:
获取预定时间内区域内各路段的交通流数据信息,以预定时间内的单位时间进行拆分;
对拆分的交通流数据信息进行预处理;
根据预处理的交通流数据信息,获取区域内各路段的拥堵时段信息;
根据获取的各路段拥堵时段信息,计算获取与拥堵路段关联的关联路段的拥堵时段信息;
根据获取的关联路段的拥堵时段信息,获取区域拥堵信息,并进行发布。
其中,所述交通流数据包括:交通流量、时间占有率以及交通速度。
其中,所述预处理包括:异常数据清洗处理以及缺失数据补偿处理。
其中,所述进行异常数据清洗包括:
根据预先设置的交通流理论进行异常数据清洗、和/或,根据预先设置的交通数据阈值进行异常数据清洗。
其中,所述根据预先设置的交通流理论进行异常数据清洗包括:
预先设定交通流量阈值、速度阈值和时间占有率阈值;
如果接收到的交通数据大于或等于该预先设定的阈值中的任意一种阈值,删除该交通数据。
其中,所述根据预先设置的交通数据阈值进行异常数据清洗包括:
根据预先获取的交通流特性知识以及交通流理论中交通流量、速度和时间占有率三参数之间的函数关系,进行异常数据清洗。
其中,当交通数据都为零时,所述根据预先获取的交通流特性知识以及交通流理论中交通流量、速度和时间占有率三参数之间的函数关系,进行异常数据清洗包括:
计算当前采样时间的前N个采样时间内的流量数据的平均交通流流量数据;
判断计算得到的平均交通流流量是否大于预先设置的平均交通流流量阈值,如果是,删除当前采样时间内的交通数据。
其中,当交通数据的时间占有率为零时,所述根据预先获取的交通流特性知识以及交通流理论中交通流量、速度和时间占有率三参数之间的函数关系,进行异常数据清洗包括:
判断该交通数据的交通流流量是否大于采样时间占有率下的最大交通流流量值,如果大于,删除当前采样时间内的交通数据。
其中,当交通数据的流量、时间占有率及速度都不为零时,所述根据预先获取的交通流特性知识以及交通流理论中交通流量、速度和时间占有率三参数之间的函数关系,进行异常数据清洗包括:
计算交通数据的时间占有率与速度的乘积;
计算所述乘积与交通数据的流量的商,作为平均有效车身长度值;
判断所述平均有效车身长度值是否大于预先设置的最大平均有效车身长度阈值,或小于最小平均有效车身长度阈值,如果是,删除当前采样时间内的交通数据。
其中,所述进行缺失数据补偿处理包括:
如果接收的交通数据信息中,连续缺少少于三个采样时间的交通数据,采用前相应采样时间内的交通数据进行替代;
如果接收的交通数据信息中,连续出现缺少三个采样时间的交通数据,采用预先存储的历史数据进行替代。
其中,所述获取区域内各路段的拥堵时段信息包括:
根据获取的每条路段的交通流数据信息,按照预先设置的交通拥堵状态判别方法计算路段的采样拥堵时段;
统计路段的采样拥堵时段在预定时间内出现的频率,确定路段的拥堵时段。
其中,所述按照预先设置的交通拥堵状态判别方法计算路段的采样拥堵时段包括:
在采样时间内,根据路段的交通速度计算交通速度拥堵指数;
根据时间占有率计算时间占有率拥堵指数;
根据交通速度拥堵指数以及时间占有率拥堵指数计算交通拥堵状态指数;
判断计算得到的交通拥堵状态指数是否大于预先设置的交通拥堵状态临界值,如果是,获取采样时间对应的采样时段,作为该路段的采样拥堵时段。
其中,所述获取与拥堵路段关联的关联路段的拥堵时段信息包括:
分别获取路段i的拥堵时段信息以及路段j的拥堵时段信息,获取路段i与路段j的共有拥堵时段的时长;
判断获取的共有拥堵时段的时长是否小于预先设置的支持度阈值,如果是,该路段i与路段j无直接拥堵关联;否则,路段i与路段j具有直接拥堵关联;
遍历区域内各路段的拥堵时段集合,获取路段i的拥堵关联路段集合。
其中,所述区域拥堵信息包括区域拥堵发生时段信息以及拥堵趋势变化信息。
其中,所述获取区域拥堵发生时段信息包括:
获取区域的拥堵关联路段集合;
根据区域的拥堵关联路段集合计算区域拥堵发生时段。
其中,所述获取区域的拥堵关联路段集合包括:
根据计算得到的每条路段的拥堵关联路段集合,获取拥堵关联路段集合;
统计各路段在拥堵关联路段集合中出现的次数;
根据各路段在拥堵关联路段集合中出现的次数,计算相应的路段置信度;
如果计算得到的路段的置信度大于预先设置的置信度阈值,则确定该路段为区域的拥堵关联路段;
遍历拥堵关联路段集合,获取区域的拥堵关联路段集合。
其中,所述计算区域拥堵发生时段包括:
分别获取区域的拥堵关联路段集合中任意两路段的拥堵时段集合;
获取该两路段的共有拥堵时段的发生次数;
根据发生次数计算拥堵概率,如果拥堵概率大于预先设置的概率阈值,根据该两路段的拥堵时段集合,获取区域拥堵发生时段信息。
其中,所述拥堵趋势变化分析包括:拥堵的时变特征分析以及拥堵空间变化分析。
其中,所述拥堵的时变特征分析包括:
统计预定时间内区域拥堵发生时段的集合;
根据区域拥堵发生时段的集合,获取差值序列;
根据差值序列判断区域拥堵趋势。
其中,所述方法进一步包括:
根据区域拥堵发生时段的集合,获取区域拥堵时刻序列,并根据区域拥堵时刻序列,判断区域拥堵发生时间趋势。
其中,所述拥堵空间变化分析包括:
在预定时间内,获取区域拥堵关联路段集合;
根据拥堵关联路段集合中的路段数量判断拥堵程度。
其中,所述方法进一步包括:
获取区域拥堵关联路段集合中路段的当前流量;
获取该路段的历史流量;
如果当前流量与历史流量的差值大于预先设置的流量超限阀值,生成区域拥堵预警信息并发布。
一种区域拥堵分析装置,该装置包括:交通流数据获取模块、预处理模块、路段拥堵时段获取模块、关联拥堵时段获取模块以及区域拥堵信息获取模块,其中,
交通流数据获取模块,用于获取预定时间内区域内各路段的交通流数据信息,以预定时间内的单位时间进行拆分;
预处理模块,用于对拆分的交通流数据信息进行预处理;
路段拥堵时段获取模块,用于根据预处理的交通流数据信息,获取区域内各路段的拥堵时段信息;
关联拥堵时段获取模块,用于根据获取的各路段拥堵时段信息,计算获取与拥堵路段关联的关联路段的拥堵时段信息;
区域拥堵信息获取模块,用于根据获取的关联路段的拥堵时段信息,获取区域拥堵信息,并进行发布。
较佳地,所述预处理模块包括:异常数据清洗处理单元以及缺失数据补偿处理单元,其中,
异常数据清洗处理单元,用于根据预先设置的交通流理论进行异常数据清洗、和/或,根据预先设置的交通数据阈值,对拆分的交通流数据信息进行异常数据清洗;
缺失数据补偿处理单元,用于判断在接收的拆分的交通流数据信息中,如果连续缺少少于三个采样时间的交通流数据,采用前相应采样时间内的交通流数据进行替代;
如果接收的交通数据信息中,连续出现缺少三个采样时间的交通数据,采用预先存储的历史数据进行替代。
较佳地,所述路段拥堵时段获取模块包括:采样拥堵时段计算单元以及路段拥堵时段获取单元,其中,
采样拥堵时段计算单元,用于根据获取的每条路段的交通流数据信息,按照预先设置的交通拥堵状态判别方法计算路段的采样拥堵时段;
路段拥堵时段获取单元,用于统计路段的采样拥堵时段在预定时间内出现的频率,确定路段的拥堵时段。
较佳地,所述关联拥堵时段获取模块包括:共有时长计算单元、关联判断单元以及遍历单元,其中,
共有时长计算单元,用于分别获取路段i的拥堵时段信息以及路段j的拥堵时段信息,获取路段i与路段j的共有拥堵时段的时长;
关联判断单元,用于判断获取的共有拥堵时段的时长是否小于预先设置的支持度阈值,如果是,该路段i与路段j无直接拥堵关联;否则,路段i与路段j具有直接拥堵关联;
遍历单元,用于遍历区域内各路段的拥堵时段集合,获取路段i的拥堵关联路段集合。
较佳地,所述区域拥堵信息获取模块包括:区域拥堵发生时段计算单元以及拥堵趋势变化计算单元,其中,
区域拥堵发生时段计算单元,用于获取区域的拥堵关联路段集合,根据区域的拥堵关联路段集合计算区域拥堵发生时段并发布;
拥堵趋势变化计算单元,用于根据获取的关联路段的拥堵时段信息,进行拥堵的时变特征分析以及拥堵空间变化分析并发布。
较佳地,所述区域拥堵发生时段计算单元包括:拥堵关联路段集合计算子单元以及区域拥堵发生时段计算子单元,其中,
拥堵关联路段集合计算子单元,用于根据计算得到的每条路段的拥堵关联路段集合,获取拥堵关联路段集合;统计各路段在拥堵关联路段集合中出现的次数;根据各路段在拥堵关联路段集合中出现的次数,计算相应的路段置信度;如果计算得到的路段的置信度大于预先设置的置信度阈值,则确定该路段为区域的拥堵关联路段;遍历拥堵关联路段集合,获取区域的拥堵关联路段集合;
区域拥堵发生时段计算子单元,用于分别获取区域的拥堵关联路段集合中任意两路段的拥堵时段集合;获取该两路段的共有拥堵时段的发生次数;根据发生次数计算拥堵概率,如果拥堵概率大于预先设置的概率阈值,根据该两路段的拥堵时段集合,获取区域拥堵发生时段信息。
较佳地,所述区域拥堵信息获取模块进一步包括:
预警单元,用于获取区域拥堵关联路段集合中路段的当前流量;获取该路段的历史流量;如果当前流量与历史流量的差值大于预先设置的流量超限阀值,生成区域拥堵预警信息并发布。
由上述技术方案可见,本发明实施例提供的一种获取区域拥堵信息的方法及区域拥堵分析装置,该方法包括:获取预定时间内区域内各路段的交通流数据信息,以预定时间内的单位时间进行拆分;对拆分的交通流数据信息进行预处理;根据预处理的交通流数据信息,获取区域内各路段的拥堵时段信息;根据获取的各路段拥堵时段信息,计算获取与拥堵路段关联的关联路段的拥堵时段信息;根据获取的关联路段的拥堵时段信息,获取区域拥堵信息,并进行发布。这样,通过利用数据挖掘理论对历史交通流数据信息进行分析,获得拥堵路段、拥堵区域的关联路段及拥堵趋势的变化规律,并发布导致拥堵发生的相关路段上的拥堵预警信息,从而使交通出行用户获取相关的区域拥堵信息,避开该拥堵路段,可以有效提高拥堵疏导效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,以下将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,以下描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员而言,还可以根据这些附图所示实施例得到其它的实施例及其附图。
图1为本发明实施例获取区域拥堵信息的方法流程示意图。
图2为本发明实施例交通速度与速度拥堵状态的速度拥堵指数关系示意图。
图3为本发明实施例时间占有率与时间占有率拥堵指数的关系示意图。
图4为本发明实施例获取区域拥堵信息的方法具体流程示意图。
图5为本发明实施例区域拥堵分析装置结构示意图。
具体实施方式
以下将结合附图对本发明各实施例的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例,都属于本发明所保护的范围。
现有的交通指挥管理系统,采用对发生拥堵或事故的当前路段进行人工临时疏导的策略,且不能提供拥堵预警信息,从而使得拥堵疏导的效率较低。
随着城市区域化建设与发展进程的加快,城市中产生了商圈、学校、住宅区等独具特色的城市区域,这些区域已成为继重点路段之后交通管理的重点,对于这些区域的交通疏导,显得尤为重要。
动态交通流数据信息服务能够诱导出行者合理选择出行路线,从而均衡路径流量,缓解重点区域以及重点路段常发性、规律性的交通拥堵,是解决大城市交通困境的有效手段之一。
本发明实施例中,基于动态交通流数据信息,提出一种基于关联分析的区域拥堵疏导方法,通过利用数据挖掘理论对历史交通流数据信息进行分析,获得拥堵路段、拥堵区域的关联路段及拥堵趋势的变化规律,并发布导致拥堵发生的相关路段上的拥堵预警信息,也就是说,通过数据挖掘中的关联分析方法,分析出拥堵路段及拥堵区域的关联路段;接着,根据拥堵区域的时变特征分析及空间特征分析,得出区域拥堵趋势的变化规律;然后,根据历史交通流数据与当前交通流数据的对比分析,生成拥堵预警信息并发布。从而提前对交通进行疏导分流,可为交通出行用户提供更加直观、全面的区域交通拥堵发生及演变规律信息,使得交通出行用户能够提前获知前方路段的交通状态,从而从根源上避免车辆或机动车大量涌入拥堵或事故发生地,减少不必要的交通拥堵及事故的发生;同时,也可以作为交通管理者进行合理的区域交通控制、交通诱导、勤务部署的依据,为交通管理者进行拥堵治理、改善交通秩序提供依据
图1为本发明实施例获取区域拥堵信息的方法流程示意图。参见图1,该流程包括:
步骤101,获取预定时间内区域内各路段的交通流数据信息,以预定时间内的单位时间进行拆分;
本步骤中,获取预定时间内各路段的交通流数据,例如,通过预先布设在路段上的检测器进行检测,获取各路段1个月的交通流数据,然后,以天为单位对获取的各路段的交通流数据进行拆分。
本发明实施例中,可以通过交通服务集成总线(TSB,Traffic ServiceBus)获取交通流数据信息,利用不同的适配器接口,连接各视频检测子系统、卡口子系统、电子警察子系统、流量采集子系统、超速检测子系统、全球定位系统(GPS,Global Positioning System)、事件检测子系统、交警管理信息系统(MIS,Management Information Systems)等,从而获取各路段的交通流数据信息。
交通流数据包括:交通流量、时间占有率以及交通速度。
获取的经过拆分后的交通流数据可以采用数组方式表示为:
其中,
h为路段标识,h=1,2,...,H,H为路段数;
l为车道标识,L为路段包含的车道数;
K为单位时间内采样时间粒度总数,即单位时间内包含的采样时间数;
i=1,2,...,n,n为预定时间包含的单位时间数,例如,预定时间为30天,单位时间为天,则n=30;
Qih为第i单位时间内第h路段的交通流量;
Oih为第i单位时间内第h路段的时间占有率;
Vih为第i单位时间内第h路段的交通速度;
ql(k)为路段内第l个车道在单位时间内第k个采样时间的交通流量;
ol(k)为路段内第l个车道在单位时间内第k个采样时间的时间占有率;
vl(k)为路段内第l个车道在单位时间内第k个采样时间的交通速度。
步骤102,对拆分的交通流数据信息进行预处理;
本步骤中,预处理包括:异常数据清洗处理以及缺失数据补偿处理,其中,
进行异常数据清洗包括:
根据预先设置的交通流理论进行异常数据清洗、和/或,根据预先设置的交通数据阈值进行异常数据清洗。其中,
根据预先设置的交通流理论进行异常数据清洗包括:
预先设定交通流量阈值、交通速度阈值和时间占有率阈值;
如果接收到的交通流数据大于或等于该预先设定的阈值中的任意一种阈值,删除该交通流数据。
本步骤中,由于交通流量不能超过单车道的通行能力,交通速度一般也有一个最大的速度限制,而时间占有率不能超过1。因而,得到的交通流数据信息的交通流量、交通速度和时间占有率中,如果任一参数超过预先设定的相应参数阈值,则将该交通流数据剔除。
根据预先设置的交通流数据阈值进行异常数据清洗包括:
根据预先获取的交通流特性知识以及交通流理论中交通流量、交通速度和时间占有率三参数之间的函数关系,进行异常数据清洗。
本步骤中,交通流特性知识是指流量数据在短时间内变化不会很大。关于交通流理论中交通流量、速度和时间占有率三参数之间的函数关系,具体可参见相关技术文献,在此不再赘述。
本发明实施例中,在实际的交通流数据中,常常会出现检测到的交通参数流量、速度和时间占有率都为零的情况。对于这种情况,存在两种可能:一种可能是交通流数据传输中断,或者传输错误,造成数据丢失;另一种可能是在低流量情况下,特别是凌晨,由于采样时间较小,在一个采样时间内没有车辆或机动车通过,从而使检测到的交通参数流量、速度和时间占有率都为零。为了准确区分这两种情况,以避免误判,异常数据清洗包含以下三方面:
一、当交通流数据都为零时,根据预先获取的交通流特性知识以及交通流理论中交通流量、交通速度和时间占有率三参数之间的函数关系,进行异常数据清洗包括:
计算当前采样时间的前N个采样时间内的流量数据的平均交通流流量数据;
本步骤中,较佳地,N=3。
式中,
ql为路段内第l个车道当前采样时间前的平均交通流流量;
ql(k-1)为路段内第l个车道在第(k-1)采样时间的交通流流量。
判断计算得到的当前采样时间前平均交通流流量是否大于预先设置的平均交通流流量阈值,如果是,删除当前采样时间内的交通流数据。
本步骤中,较佳地,平均交通流流量阈值为5。判断公式为:
二、当交通流数据的时间占有率为零时,根据预先获取的交通流特性知识以及交通流理论中交通流量、速度和时间占有率三参数之间的函数关系,进行异常数据清洗包括:
判断该交通流数据的交通流流量是否大于采样时间占有率下的最大交通流流量值,如果大于,删除当前采样时间内的交通流数据。
本步骤中,从理论上来说,只要有车辆或机动车通过检测器,则该采样时间内得到的时间占有率就必定不会是零。但由于在低峰时,车速快,交通流检测器灵敏度不够,同时大部分检测器对于时间占有率都采用两位有效数字进行存储,因此在时间占有率小于1%时,就会显示为零。
当时间占有率为零时,判断交通流数据是否异常的规则如下:
ql(k)>qmax0
式中,
qmax0为采样时间占有率下的最大流量值。
三、当交通流数据的交通流量、时间占有率及交通速度都不为零时,根据预先获取的交通流特性知识以及交通流理论中交通流量、速度和时间占有率三参数之间的函数关系,进行异常数据清洗包括:
计算交通流数据的时间占有率与速度的乘积;
计算所述乘积与交通流数据的流量的商,作为平均有效车身长度值;
判断所述平均有效车身长度值是否大于预先设置的最大平均有效车身长度阈值,或小于最小平均有效车身长度阈值,如果是,删除当前采样时间内的交通流数据。
本步骤中,进行异常数据清洗的判断公式为:
式中,
ll(k)为路段内第l个车道在单位时间内第k采样时间的平均有效车身长度值;
ol(k)为路段内第l个车道在单位时间内第k采样时间的时间占有率;
ul(k)为路段内第l个车道在单位时间内第k采样时间的速度;
lmax为最大平均有效车身长度阈值;
lmin为最小平均有效车身长度阈值。
实际应用中,在进行异常数据清洗处理之前,还可以通过对交通流数据的交通流量、时间占有率及交通速度三个参数的不同组合分析,对交通流数据进行基本的判断,筛选出明显错误的交通流数据,如表1所示,为错误数据示例及处理方式表。
表1
编号 | 参数形式 | 错误判断 | 处理方式 |
1 | ql(k)≠0,ol(k)=0,vl(k)=0 | 数据错误 | 删除 |
2 | ql(k)=0,ol(k)≠0,vl(k)=0 | 数据错误 | 删除 |
3 | ql(k)=0,ol(k)=0,vl(k)≠0 | 数据错误 | 删除 |
4 | ql(k)=0,ol(k)≠0,vl(k)≠0 | 数据错误 | 删除 |
5 | ql(k)≠0,ol(k)≠0,vl(k)=0 | 数据错误 | 删除 |
表1中,举例来说,ql(k)≠0,即交通流量不为零,表明路段上有车辆或机动车经过,而在实际应用中,如果车辆或机动车在行驶中,则交通速度不应为零,时间占有率也不应为零;如果车辆或机动车处于停止状态,则交通速度应为零,但时间占有率不为零。因而,对于表1中的ql(k)≠0,ol(k)=0,vl(k)=0的情况,说明该情况下获取的交通流数据为异常数据,应剔除。
缺失数据补偿处理包括:
如果接收的交通流数据信息中,连续缺少少于三个采样时间的交通流数据,采用前相应采样时间内的交通流数据进行替代;
本步骤中,举例来说,如果缺少一个采样时间的交通流数据,采用该采样时间的前一采样时间内的交通流数据进行替代;如果连续缺少两个采样时间的交通流数据,采用该采样时间的前两采样时间内的交通流数据进行相应替代。
如果接收的交通流数据信息中,连续出现缺少三个采样时间的交通流数据,采用预先存储的历史数据进行替代。
本步骤中,如果连续出现缺少三个采样时间的交通流数据,则确定外部进行交通流数据检测的检测器损坏或通讯中断。
步骤103,根据预处理的交通流数据信息,获取区域内各路段的拥堵时段信息;
本步骤中,对于包含H条路段(分别设为路段h,i=1,2,...,H)的区域A,获取区域内各路段的拥堵时段信息包括:
A11,根据获取的每条路段的交通流数据信息,按照预先设置的交通拥堵状态判别方法计算路段的采样拥堵时段;
本步骤中,对于区域A内的每条路段,利用预先设置的交通拥堵状态判别方法,结合历史交通流数据信息,统计交通流规律,得到路段的采样拥堵时段;
本发明实施例中,根据国内外的实践经验,城市道路交通拥堵状态的划分依据如表2所示。
表2
表2中,为了更加明确地描述交通拥堵状态的变换情况,将交通状态参数(交通速度)进行归一化处理。同时,考虑在城市道路中,容易受到大车影响、路段干扰等因素,增加时间占有率。其中,具体包括:
A111,在采样时间内,根据路段的交通速度计算交通速度拥堵指数;
本步骤中,如表2所示,定义v1=15和v2=20为城市道路交通拥堵状态分级的速度临界阈值。交通速度与速度拥堵状态指标的关系呈线性关系。
图2为本发明实施例交通速度与速度拥堵状态的速度拥堵指数关系示意图。参见图2,判别交通拥堵状态的速度拥堵指数Ji可以通过下式计算:
式中,
Jr为分级的交通拥堵状态的速度拥堵指数;
vf为自由流速度,可人工预先设定;
vr为分级的交通速度临界阈值。
其中,v1=15对应的J1为交通拥堵状态临界值。
在图2中,根据(v1,J1),(0,1)两点确定直线l1,指定速度(获取的交通流数据信息中包含的交通速度信息)v时,可计算交通速度拥堵指数Jv。
A112,根据时间占有率计算时间占有率拥堵指数;
图3为本发明实施例时间占有率与时间占有率拥堵指数的关系示意图。参见图2,时间占有率拥堵指数的计算公式如下:
式中,
Jo为时间占有率拥堵指数;
o为断面时间占有率;
omax为断面最大时间占有率。
A113,根据交通速度拥堵指数以及时间占有率拥堵指数计算交通拥堵状态指数;
本步骤中,综合考虑交通速度及时间占有率的影响,建立交通拥堵状态判别的综合性指标,即交通拥堵状态指数:
J=ηJv+(1-η)Jo
式中,
J为交通拥堵状态判别的综合性指标;
Jv为速度拥堵指数;
Jo为时间占有率拥堵指数;
η为速度拥堵指数与时间占有率拥堵指数的权重系数,取值为0-1,可根据实际情况进行调整。
A114,判断计算得到的交通拥堵状态指数是否大于预先设置的交通拥堵状态临界值,如果是,获取采样时间对应的采样时段,作为该路段的采样拥堵时段。
本步骤中,当J∈(J1,1]时,表明该路段在该采样时间内的交通状态为拥堵,将该采样时段Jhik置入该路段的拥堵时段集合Ch中,其中,Jhik表示第h路段在第i单位时间内的第k个采样时间,即区域A内路段h在预定时间内(统计周期,设为m天,一般m≥30)第i,i=1,2,...,m天第k个采样时间(例如,8:30~9:00)的拥堵时段信息。每一路段在预定时间内对应一个拥堵时段集合。
A12,统计路段的采样拥堵时段在预定时间内出现的频率,确定路段的拥堵时段。
本步骤中,路段在某一单位时间采样时间内的拥堵并不表示该路段在预定时间内的每一该采样时间都发生拥堵,因而,需要根据路段在各单位时间内采样时间的拥堵情况判断该路段在预定时间内的采样时间是否发生拥堵,即在每一单位时间的在采样时间内是否拥堵。
如果外部系统以采样时间为单位上报交通流数据信息,则在本发明实施例中,只需计算当前采样时间内各路段的拥堵时段,当前采样时间前的预定时间内,各路段在各单位时间内的采样时间的拥堵时段信息已分别存储在该路段的采样拥堵时段集合Ch中,即在计算得到每条路段的采样拥堵时段集合后,结合历史交通流数据信息,可以统计该拥堵时段在预定时间内出现的频率。具体来说,
获取
若且 将不满足 的采样拥堵时段从Ch中删除。
本步骤中,经采样拥堵时段处理的Ch为区域A内路段h,h=1,2,...,H的拥堵时段集合,其中,N(Jhik)为采样拥堵时段Jhik在预定时间的各单位时间内出现的次数,n为单位时间数,为采样拥堵时段在预定时间内出现的频率,0.6为预先设置的频率阈值,当然,实际应用中,频率阈值也可以设置为其他数值。
举例来说,假设路段h在30天的预定时间(统计周期)内,经过交通拥堵状态判别,路段h的采样拥堵时段集合为[8:00,8:30]以及[17:00,18:00],即路段的采样拥堵时段集合Ch中包含[8:00,8:30]以及[17:00,18:00]。对路段的采样拥堵时段集合Ch进行统计,如果在采样时间段[8:00,8:30],统计得到发生拥堵的天数为24天,则该采样时间段在预定时间(30天)内出现的频率为:大于预先设置的频率阈值0.6,因而,确定该采样时间段为路段h的拥堵时段;如果在采样时间段[17:00,18:00],统计得到发生拥堵的天数为6天,则该采样时间段在预定时间内出现的频率为:小于预先设置的频率阈值0.6,因而,确定该采样时间段不为路段h的拥堵时段,将具有拥堵时段信息的路段称之为拥堵路段。
步骤104,根据获取的各路段拥堵时段信息,计算获取与拥堵路段关联的关联路段的拥堵时段信息;
本步骤中,主要计算指定路段的拥堵关联路段。
本步骤具体包括:
A21,分别获取路段i的拥堵时段信息以及路段j的拥堵时段信息,获取路段i与路段j的共有拥堵时段的时长;
如前所述,对于区域A内路段h,h=1,2,...,H,设统计得到各路段的拥堵时段集合为C=(C1,C2,...,CH),其中,j为区域A内除路段i外的其他路段,Cj为路段j的拥堵时段集合,Ci为路段i的拥堵时段集合,如果则表明路段i,j无直接拥堵关联;否则,利用预先设置的关联规则算法,对路段i,j的关联性再进行判别。
本步骤中,设路段i与路段j的共有拥堵时段的时长为T(Ci∩Cj)。
A22,判断获取的共有拥堵时段的时长是否小于预先设置的支持度阈值,如果是,该路段i与路段j无直接拥堵关联;否则,路段i与路段j具有直接拥堵关联;
本步骤中,如果T(Ci∩Cj)<s,其中,s为预先设置的支持度阈值,即设定的最小支持度,则路段i,j无直接拥堵关联;否则,路段i,j存在拥堵关联。
A23,遍历区域内各路段的拥堵时段集合,获取路段i的拥堵关联路段集合。
本步骤中,对各路段的拥堵时段集合C=(C1,C2,...,CH)进行遍历,并根据步骤A21~A23进行处理,得到路段i的拥堵关联路段集合,得到路段i的拥堵关联路段集合后,依据与路段i的拥堵关联路段集合相同的处理方式,可以得到各路段的拥堵时段集合内其他路段的拥堵关联路段集合。
本发明实施例中,设路段i的拥堵关联路段集合为Li={lr,r=1,2,...,k}。
举例来说,假设路段i的拥堵时段集合Ci为:Ci={[8:00,8:30],[17:30,18:30]},路段j的拥堵时段集合Cj为:Ci={[7:00,8:00],[18:30,19:00]},则即路段i和路段j不具有共同的拥堵时段,表明路段i,j无直接拥堵关联。
步骤105,根据获取的关联路段的拥堵时段信息,获取区域拥堵信息,并进行发布。
本步骤中,区域拥堵信息包括区域拥堵发生时段信息以及拥堵趋势变化信息。
首先,获取区域的拥堵关联路段集合。包括:
A31,根据计算得到的每条路段的拥堵关联路段集合,获取拥堵关联路段集合;
本步骤中,将每条路段的拥堵关联路段集合置于拥堵关联路段集合中,即:
L={Lh,h=1,2,...,H}
A32,统计各路段在拥堵关联路段集合中出现的次数;
本步骤中,对于路段h,统计该路段在拥堵关联路段集合L={Lh,h=1,2,...,H}中出现的次数,设为Nh。
A33,根据各路段在拥堵关联路段集合中出现的次数,计算相应的路段置信度;
本步骤中,路段h的置信度计算公式为:
式中,
ch为路段h的置信度;
Nh为路段h在拥堵关联路段集合中出现的次数;
H为区域包含的路段数。
A34,如果计算得到的路段的置信度大于预先设置的置信度阈值,则确定该路段为区域的拥堵关联路段;
本步骤中,需要确定路段的关联路段是否为区域内的拥堵关联路段。根据如下公式进行判断:
式中,
c为预先设置的置信度阈值,即设定的最小置信度,如果则路段h为区域拥堵关联路段。
A35,遍历拥堵关联路段集合,获取区域的拥堵关联路段集合。
本步骤中,遍历L,可得区域A的拥堵关联路段集合LA={lr,r=1,2,...,k}。
接着,计算区域拥堵发生时段。
A41,分别获取区域的拥堵关联路段集合中任意两路段的拥堵时段集合;
本步骤中,设LA中的路段i的拥堵时段集合为Ji,路段j的拥堵时段集合为Jj。
A42,获取该两路段的共有拥堵时段的发生次数;
本步骤中,设N(Ji∩Jj)为Ji∩Jj发生次数,即路段i与路段j的共有拥堵时段的发生次数。
A43,根据发生次数计算拥堵概率,如果拥堵概率大于预先设置的概率阈值,根据该两路段的拥堵时段集合,获取区域拥堵发生时段信息。
本步骤中,如果:
式中,
N(Ji∩Jj)为Ji∩Jj发生次数;
E为预先设置的概率阀值;
k为拥堵关联路段集合(LA)中包含的路段总数。
则集合Fi=Ci∩Cj为区域拥堵发生时段。
拥堵趋势变化分析包括:拥堵的时变特征分析以及拥堵空间变化分析,其中,
拥堵的时变特征分析如下:
A51,统计预定时间内区域拥堵发生时段的集合;
本步骤中,设统计周期序列所得到的区域拥堵时段集合为:
F={F1,F2,…,Fk,Fn}
式中,
Fk=[tk1,tk2],Δtk=tk2-tk1,k=1,2,...,n,tk1,tk2分别为采样时间上下限,n为单位时间数。
A52,根据区域拥堵发生时段的集合,获取差值序列;
本步骤中,根据上述公式,可得差值序列:
Fd={ΔF1,ΔF2,…,ΔFn-1}
式中,
ΔFi=Δt(i+1)b-Δtib,i=1,2,...,n-1
A53,根据差值序列判断区域拥堵趋势。
本步骤中,如果Fd为趋势递增序列,则表明区域拥堵时间变长,区域拥堵趋势越发严重;否则,区域拥堵时间变短,区域拥堵趋势有所缓解。
进一步地,根据区域拥堵发生时段的集合,还可以获取区域拥堵时刻序列,并根据区域拥堵时刻序列,判断区域拥堵发生时间趋势。
本步骤中,区域拥堵时刻序列分别为Fb={t11,t21,…,tn1},Fa={t12,t22,…,tn2}。
如果Fb,Fa为趋势递增序列,则区域拥堵时刻后移,即拥堵发生时间变晚;否则,区域拥堵时间前移,即拥堵发生时间变早。
拥堵空间变化分析包括:
在预定时间(统计周期)内,获取区域拥堵关联路段集合;
本步骤中,根据公式F={F1,F2,…,Fn}、Fd={ΔF1,ΔF2,…,ΔFn-1}以及Fb={t11,t21,…,tn1},Fa={t12,t22,…,tn2}进行计算,得到区域A拥堵关联路段集合B={lr,r=1,2,...,k}。
如果拥堵关联路段集合中的路段数量l增加,则表明区域拥堵范围变大,拥堵程度越发严重;否则,区域拥堵范围变小,拥堵程度有所缓解。
进一步地,该方法还可以包括:生成区域拥堵预警信息并发布。
获取区域拥堵关联路段集合中路段的当前流量;
获取该路段的历史流量;
如果当前流量与历史流量的差值大于预先设置的流量超限阀值,生成区域拥堵预警信息并发布。
本步骤中,将区域A拥堵关联路段集合B={lr,r=1,2,...,k}中路段的当前流量和历史流量规律进行实时对比,如果路段在时段T的流量发生明显变化,则给出预警。
假设当前流量为qi,统计分析得的该路段在该时刻的历史流量为q,如果:
qt-q>Eq
则表明区域拥堵有提前趋势,给出预警。其中,Eq为预先设置的流量超限阀值,qt为当前流量,q为历史流量。
图4为本发明实施例获取区域拥堵信息的方法具体流程示意图。参见图4,该流程包括:
步骤401,进行交通流数据准备;
本步骤中,获取预定时间内各路段的交通流数据。
步骤402,获取区域内各路段的拥堵时段;
本步骤中,根据获取的每条路段的交通流数据信息,按照预先设置的交通拥堵状态判别方法计算路段的采样拥堵时段,基于采样拥堵时段在预定时间内出现的频率,确定路段的拥堵时段Ci。
步骤403,设置最小支持度s以及最小置信度c;
步骤404,对于任意路段i,遍历其余路段j;
步骤405,判断Ci∩Cj是否为空集,如果否,执行步骤406,如果是,执行步骤407;
本步骤中,判断Ci∩Cj=φ。
步骤406,判断路段i与路段j的共有拥堵时段的时长是否小于最小支持度,如果是,执行步骤407,否则,执行步骤408;
本步骤中,判断T(Ci∩Cj)<s。
步骤407,确定路段i,j无拥堵关联,执行步骤409;
步骤408,确定路段i,j有拥堵关联,将路段j加入到路段i的拥堵关联集合Li中;
本步骤中,路段i的拥堵关联路段集合为Li={lr,r=1,2,...,k}。
步骤409,判断是否遍历了所有路段,如果否,返回执行步骤405,如果是,执行步骤410;
步骤410,将所有路段的拥堵关联路段集合合并,记为L;
本步骤中,L={Lh,h=1,2,...,n}。
步骤411,统计路段i在L中出现的次数Ni;
步骤412,判断Ni/(n-1)是否小于最小置信度,如果否,执行步骤413,如果是,执行步骤414;
本步骤中,判断Ni/(n-1)<c。
步骤413,确定路段i为区域拥堵关联路段,加入区域拥堵关联集合B中,执行步骤414;
本步骤中,如果路段的置信度大于预先设置的最小置信度,则确定该路段为区域的拥堵关联路段。
步骤414,判断是否遍历了所有路段,如果否,返回执行步骤411,如果是,执行步骤415;
步骤415,根据集合B中路段,给出区域拥堵时段、时变特征等信息。
由上述可见,本发明实施例提出的基于关联分析的获取区域拥堵信息的方法,通过对检测器采集到的大量历史交通流数据进行数据挖掘,得到城市拥堵区域相关的拥堵路段及拥堵趋势的变化规律,根据路段交通流变化规律,结合交通状态判别,利用关联分析,从而给出拥堵区域相关的拥堵路段,以及拥堵范围内不同路段对其它路段的影响趋势及其变化,为交通管理者进行拥堵治理提供辅助决策依据,提高了拥堵疏导效率。同时,通过分析拥堵路段的区域关联路段,可指导交通管理者有针对性的进行交通疏导分流,从根本上缓解交通拥堵。进一步地,通过分析拥堵区域的拥堵关联路段,获得对区域拥堵影响较大的路段,便于指导交通管理者进行重点拥堵治理。而且,通过分析区域拥堵趋势的变化,便于交通管理者实时掌握交通变化,对于拥堵加剧的区域加大警力部署,反之,减少警力部署,从而最大趋势地发挥警务效能。此外,根据历史流量数据和当前路况的流量数据,进行拥堵预警,交通管理者根据拥堵预警结果做出合理判断,并采取相应措施,例如,调派警力、发布诱导等进行交通疏导,以应对路段路况变化,确保城市道路的畅通运行,最终实现提高城市道路交通综合管理水平的目标。
图5为本发明实施例区域拥堵分析装置结构示意图。参见图5,该装置包括:交通流数据获取模块、预处理模块、路段拥堵时段获取模块、关联拥堵时段获取模块以及区域拥堵信息获取模块,其中,
交通流数据获取模块,用于获取预定时间内区域内各路段的交通流数据信息,以预定时间内的单位时间进行拆分;
预处理模块,用于对拆分的交通流数据信息进行预处理;
路段拥堵时段获取模块,用于根据预处理的交通流数据信息,获取区域内各路段的拥堵时段信息;
关联拥堵时段获取模块,用于根据获取的各路段拥堵时段信息,计算获取与拥堵路段关联的关联路段的拥堵时段信息;
区域拥堵信息获取模块,用于根据获取的关联路段的拥堵时段信息,获取区域拥堵信息,并进行发布。
其中,
预处理模块包括:异常数据清洗处理单元以及缺失数据补偿处理单元(图中未示出),其中,
异常数据清洗处理单元,用于根据预先设置的交通流理论进行异常数据清洗、和/或,根据预先设置的交通数据阈值,对拆分的交通流数据信息进行异常数据清洗。
缺失数据补偿处理单元,用于判断在接收的拆分的交通流数据信息中,如果连续缺少少于三个采样时间的交通流数据,采用前相应采样时间内的交通流数据进行替代;
如果接收的交通数据信息中,连续出现缺少三个采样时间的交通数据,采用预先存储的历史数据进行替代。
路段拥堵时段获取模块包括:采样拥堵时段计算单元以及路段拥堵时段获取单元(图中未示出),其中,
采样拥堵时段计算单元,用于根据获取的每条路段的交通流数据信息,按照预先设置的交通拥堵状态判别方法计算路段的采样拥堵时段;
路段拥堵时段获取单元,用于统计路段的采样拥堵时段在预定时间内出现的频率,确定路段的拥堵时段。
本发明实施例中,采样拥堵时段计算单元包括:交通速度拥堵指数计算子单元、时间占有率拥堵指数计算子单元、交通拥堵状态指数计算子单元以及采样拥堵时段计算子单元,其中,
交通速度拥堵指数计算子单元,用于在采样时间内,根据路段的交通速度计算交通速度拥堵指数;
时间占有率拥堵指数计算子单元,用于根据时间占有率计算时间占有率拥堵指数;
交通拥堵状态指数计算子单元,用于根据交通速度拥堵指数以及时间占有率拥堵指数计算交通拥堵状态指数;
采样拥堵时段计算子单元,用于判断计算得到的交通拥堵状态指数是否大于预先设置的交通拥堵状态临界值,如果是,获取采样时间对应的采样时段,作为该路段的采样拥堵时段。
关联拥堵时段获取模块包括:共有时长计算单元、关联判断单元以及遍历单元(图中未示出),其中,
共有时长计算单元,用于分别获取路段i的拥堵时段信息以及路段j的拥堵时段信息,获取路段i与路段j的共有拥堵时段的时长;
关联判断单元,用于判断获取的共有拥堵时段的时长是否小于预先设置的支持度阈值,如果是,该路段i与路段j无直接拥堵关联;否则,路段i与路段j具有直接拥堵关联;
遍历单元,用于遍历区域内各路段的拥堵时段集合,获取路段i的拥堵关联路段集合。
区域拥堵信息获取模块包括:区域拥堵发生时段计算单元以及拥堵趋势变化计算单元(图中未示出),其中,
区域拥堵发生时段计算单元,用于获取区域的拥堵关联路段集合,根据区域的拥堵关联路段集合计算区域拥堵发生时段并发布;
拥堵趋势变化计算单元,用于根据获取的关联路段的拥堵时段信息,进行拥堵的时变特征分析以及拥堵空间变化分析并发布。
其中,
区域拥堵发生时段计算单元包括:拥堵关联路段集合计算子单元以及区域拥堵发生时段计算子单元,其中,
拥堵关联路段集合计算子单元,用于根据计算得到的每条路段的拥堵关联路段集合,获取拥堵关联路段集合;统计各路段在拥堵关联路段集合中出现的次数;根据各路段在拥堵关联路段集合中出现的次数,计算相应的路段置信度;如果计算得到的路段的置信度大于预先设置的置信度阈值,则确定该路段为区域的拥堵关联路段;遍历拥堵关联路段集合,获取区域的拥堵关联路段集合;
区域拥堵发生时段计算子单元,用于分别获取区域的拥堵关联路段集合中任意两路段的拥堵时段集合;获取该两路段的共有拥堵时段的发生次数;根据发生次数计算拥堵概率,如果拥堵概率大于预先设置的概率阈值,根据该两路段的拥堵时段集合,获取区域拥堵发生时段信息。
较佳地,区域拥堵信息获取模块还可以包括:
预警单元,用于获取区域拥堵关联路段集合中路段的当前流量;获取该路段的历史流量;如果当前流量与历史流量的差值大于预先设置的流量超限阀值,生成区域拥堵预警信息并发布。
显然,本领域技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若对本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也包含这些改动和变型在内。
Claims (27)
1.一种获取区域拥堵信息的方法,该方法包括:
获取预定时间内区域内各路段的交通流数据信息,以预定时间内的单位时间进行拆分;
对拆分的交通流数据信息进行预处理;
根据预处理的交通流数据信息,获取区域内各路段的拥堵时段信息;
根据获取的各路段拥堵时段信息,计算获取与拥堵路段关联的关联路段的拥堵时段信息;
根据获取的关联路段的拥堵时段信息,获取区域拥堵信息,并进行发布;
其中,所述获取与拥堵路段关联的关联路段的拥堵时段信息包括:
分别获取路段i的拥堵时段信息以及路段j的拥堵时段信息,获取路段i与路段j的共有拥堵时段的时长;
判断获取的共有拥堵时段的时长是否小于预先设置的支持度阈值,如果是,该路段i与路段j无直接拥堵关联;否则,路段i与路段j具有直接拥堵关联;
遍历区域内各路段的拥堵时段集合,获取路段i的拥堵关联路段集合。
2.根据权利要求1所述的方法,其中,所述交通流数据包括:交通流量、时间占有率以及交通速度。
3.根据权利要求2所述的方法,其中,所述预处理包括:异常数据清洗处理以及缺失数据补偿处理。
4.根据权利要求3所述的方法,其中,所述进行异常数据清洗包括:
根据预先设置的交通流理论进行异常数据清洗、和/或,根据预先设置的交通数据阈值进行异常数据清洗。
5.根据权利要求4所述的方法,其中,所述根据预先设置的交通流理论进行异常数据清洗包括:
预先设定交通流量阈值、速度阈值和时间占有率阈值;
在交通流量、交通速度和时间占有率中,如果任一参数超过预先设定的相应参数阈值,则将该交通流数据剔除。
6.根据权利要求4所述的方法,其中,所述根据预先设置的交通数据阈值进行异常数据清洗包括:
根据预先获取的交通流特性知识以及交通流理论中交通流量、速度和时间占有率三参数之间的函数关系,进行异常数据清洗。
7.根据权利要求6所述的方法,其中,当交通数据都为零时,所述根据预先获取的交通流特性知识以及交通流理论中交通流量、速度和时间占有率三参数之间的函数关系,进行异常数据清洗包括:
计算当前采样时间的前N个采样时间内的流量数据的平均交通流流量数据;
判断计算得到的平均交通流流量是否大于预先设置的平均交通流流量阈值,如果是,删除当前采样时间内的交通数据。
8.根据权利要求6所述的方法,其中,当交通数据的时间占有率为零时,所述根据预先获取的交通流特性知识以及交通流理论中交通流量、速度和时间占有率三参数之间的函数关系,进行异常数据清洗包括:
判断该交通数据的交通流流量是否大于采样时间占有率下的最大交通流流量值,如果大于,删除当前采样时间内的交通数据。
9.根据权利要求6所述的方法,其中,当交通数据的流量、时间占有率及速度都不为零时,所述根据预先获取的交通流特性知识以及交通流理论中交通流量、速度和时间占有率三参数之间的函数关系,进行异常数据清洗包括:
计算交通数据的时间占有率与速度的乘积;
计算所述乘积与交通数据的流量的商,作为平均有效车身长度值;
判断所述平均有效车身长度值是否大于预先设置的最大平均有效车身长度阈值,或小于最小平均有效车身长度阈值,如果是,删除当前采样时间内的交通数据。
10.根据权利要求3所述的方法,其中,所述进行缺失数据补偿处理包括:
如果接收的交通数据信息中,连续缺少少于三个采样时间的交通数据,采用前相应采样时间内的交通数据进行替代;
如果接收的交通数据信息中,连续出现缺少三个采样时间的交通数据,采用预先存储的历史数据进行替代。
11.根据权利要求1所述的方法,其中,所述获取区域内各路段的拥堵时段信息包括:
根据获取的每条路段的交通流数据信息,按照预先设置的交通拥堵状态判别方法计算路段的采样拥堵时段;
统计路段的采样拥堵时段在预定时间内出现的频率,确定路段的拥堵时段。
12.根据权利要求11所述的方法,其中,所述按照预先设置的交通拥堵状态判别方法计算路段的采样拥堵时段包括:
在采样时间内,根据路段的交通速度计算交通速度拥堵指数;
根据时间占有率计算时间占有率拥堵指数;
根据交通速度拥堵指数以及时间占有率拥堵指数计算交通拥堵状态指数;
判断计算得到的交通拥堵状态指数是否大于预先设置的交通拥堵状态临界值,如果是,获取采样时间对应的采样时段,作为该路段的采样拥堵时段。
13.根据权利要求1所述的方法,其中,所述区域拥堵信息包括区域拥堵发生时段信息以及拥堵趋势变化信息。
14.根据权利要求13所述的方法,其中,所述获取区域拥堵发生时段信息包括:
获取区域的拥堵关联路段集合;
根据区域的拥堵关联路段集合计算区域拥堵发生时段。
15.根据权利要求14所述的方法,其中,所述获取区域的拥堵关联路段集合包括:
根据计算得到的每条路段的拥堵关联路段集合,获取拥堵关联路段集合;
统计各路段在拥堵关联路段集合中出现的次数;
根据各路段在拥堵关联路段集合中出现的次数,计算相应的路段置信度;
如果计算得到的路段的置信度大于预先设置的置信度阈值,则确定该路段为区域的拥堵关联路段;
遍历拥堵关联路段集合,获取区域的拥堵关联路段集合。
16.根据权利要求14所述的方法,其中,所述计算区域拥堵发生时段包括:
分别获取区域的拥堵关联路段集合中任意两路段的拥堵时段集合;
获取该两路段的共有拥堵时段的发生次数;
根据发生次数计算拥堵概率,如果拥堵概率大于预先设置的概率阈值,根据该两路段的拥堵时段集合,获取区域拥堵发生时段信息。
17.根据权利要求13所述的方法,其中,所述拥堵趋势变化分析包括:拥堵的时变特征分析以及拥堵空间变化分析。
18.根据权利要求17所述的方法,其中,所述拥堵的时变特征分析包括:
统计预定时间内区域拥堵发生时段的集合;
根据区域拥堵发生时段的集合,获取差值序列;
根据差值序列判断区域拥堵趋势。
19.根据权利要求17所述的方法,其中,所述方法进一步包括:
根据区域拥堵发生时段的集合,获取区域拥堵时刻序列,并根据区域拥堵时刻序列,判断区域拥堵发生时间趋势。
20.根据权利要求17所述的方法,其中,所述拥堵空间变化分析包括:
在预定时间内,获取区域拥堵关联路段集合;
根据拥堵关联路段集合中的路段数量判断拥堵程度。
21.根据权利要求13所述的方法,其中,所述方法进一步包括:
获取区域拥堵关联路段集合中路段的当前流量;
获取该路段的历史流量;
如果当前流量与历史流量的差值大于预先设置的流量超限阀值,生成区域拥堵预警信息并发布。
22.一种区域拥堵分析装置,其特征在于,该装置包括:交通流数据获取模块、预处理模块、路段拥堵时段获取模块、关联拥堵时段获取模块以及区域拥堵信息获取模块,其中,
交通流数据获取模块,用于获取预定时间内区域内各路段的交通流数据信息,以预定时间内的单位时间进行拆分;
预处理模块,用于对拆分的交通流数据信息进行预处理;
路段拥堵时段获取模块,用于根据预处理的交通流数据信息,获取区域内各路段的拥堵时段信息;
关联拥堵时段获取模块,用于根据获取的各路段拥堵时段信息,计算获取与拥堵路段关联的关联路段的拥堵时段信息;
区域拥堵信息获取模块,用于根据获取的关联路段的拥堵时段信息,获取区域拥堵信息,并进行发布;
其中,所述关联拥堵时段获取模块包括:
共有时长计算单元,用于分别获取路段i的拥堵时段信息以及路段j的拥堵时段信息,获取路段i与路段j的共有拥堵时段的时长;
关联判断单元,用于判断获取的共有拥堵时段的时长是否小于预先设置的支持度阈值,如果是,该路段i与路段j无直接拥堵关联;否则,路段i与路段j具有直接拥堵关联;
遍历单元,用于遍历区域内各路段的拥堵时段集合,获取路段i的拥堵关联路段集合。
23.根据权利要求22所述的装置,其特征在于,所述预处理模块包括:异常数据清洗处理单元以及缺失数据补偿处理单元,其中,
异常数据清洗处理单元,用于根据预先设置的交通流理论进行异常数据清洗、和/或,根据预先设置的交通数据阈值,对拆分的交通流数据信息进行异常数据清洗;
缺失数据补偿处理单元,用于判断在接收的拆分的交通流数据信息中,如果连续缺少少于三个采样时间的交通流数据,采用前相应采样时间内的交通流数据进行替代;
如果接收的交通数据信息中,连续出现缺少三个采样时间的交通数据,采用预先存储的历史数据进行替代。
24.根据权利要求22所述的装置,其特征在于,所述路段拥堵时段获取模块包括:采样拥堵时段计算单元以及路段拥堵时段获取单元,其中,
采样拥堵时段计算单元,用于根据获取的每条路段的交通流数据信息,按照预先设置的交通拥堵状态判别方法计算路段的采样拥堵时段;
路段拥堵时段获取单元,用于统计路段的采样拥堵时段在预定时间内出现的频率,确定路段的拥堵时段。
25.根据权利要求22所述的装置,其特征在于,所述区域拥堵信息获取模块包括:区域拥堵发生时段计算单元以及拥堵趋势变化计算单元,其中,
区域拥堵发生时段计算单元,用于获取区域的拥堵关联路段集合,根据区域的拥堵关联路段集合计算区域拥堵发生时段并发布;
拥堵趋势变化计算单元,用于根据获取的关联路段的拥堵时段信息,进行拥堵的时变特征分析以及拥堵空间变化分析并发布。
26.根据权利要求25所述的装置,其特征在于,所述区域拥堵发生时段计算单元包括:拥堵关联路段集合计算子单元以及区域拥堵发生时段计算子单元,其中,
拥堵关联路段集合计算子单元,用于根据计算得到的每条路段的拥堵关联路段集合,获取拥堵关联路段集合;统计各路段在拥堵关联路段集合中出现的次数;根据各路段在拥堵关联路段集合中出现的次数,计算相应的路段置信度;如果计算得到的路段的置信度大于预先设置的置信度阈值,则确定该路段为区域的拥堵关联路段;遍历拥堵关联路段集合,获取区域的拥堵关联路段集合;
区域拥堵发生时段计算子单元,用于分别获取区域的拥堵关联路段集合中任意两路段的拥堵时段集合;获取该两路段的共有拥堵时段的发生次数;根据发生次数计算拥堵概率,如果拥堵概率大于预先设置的概率阈值,根据该两路段的拥堵时段集合,获取区域拥堵发生时段信息。
27.根据权利要求25所述的装置,其特征在于,所述区域拥堵信息获取模块进一步包括:
预警单元,用于获取区域拥堵关联路段集合中路段的当前流量;获取该路段的历史流量;如果当前流量与历史流量的差值大于预先设置的流量超限阀值,生成区域拥堵预警信息并发布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210501361.5A CN102968901B (zh) | 2012-11-30 | 2012-11-30 | 获取区域拥堵信息的方法及区域拥堵分析装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210501361.5A CN102968901B (zh) | 2012-11-30 | 2012-11-30 | 获取区域拥堵信息的方法及区域拥堵分析装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102968901A CN102968901A (zh) | 2013-03-13 |
CN102968901B true CN102968901B (zh) | 2014-11-26 |
Family
ID=47799022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210501361.5A Active CN102968901B (zh) | 2012-11-30 | 2012-11-30 | 获取区域拥堵信息的方法及区域拥堵分析装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102968901B (zh) |
Families Citing this family (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6063237B2 (ja) * | 2012-12-11 | 2017-01-18 | 株式会社エヌ・ティ・ティ・データ | 渋滞予測装置、渋滞予測システム、渋滞予測方法、及び、プログラム |
CN103280096A (zh) * | 2013-03-29 | 2013-09-04 | 苏州数伦科技有限公司 | 交通监控管理系统 |
GB201400382D0 (en) | 2014-01-10 | 2014-02-26 | Tomtom Dev Germany Gmbh | Methods and systems for detecting a closure of a navigable element |
CN104574968B (zh) * | 2015-01-19 | 2017-02-01 | 浙江大学 | 一种临界交通状态参数的确定方法 |
CN104680022B (zh) * | 2015-03-12 | 2017-10-27 | 上海米健信息技术有限公司 | 液体出入量计算系统及方法 |
CN104809869A (zh) * | 2015-04-10 | 2015-07-29 | 安徽四创电子股份有限公司 | 基于升降式限高架的高架桥入口匝道交通状态判别方法 |
CN105225500B (zh) * | 2015-08-20 | 2018-04-03 | 青岛海信网络科技股份有限公司 | 一种交通控制辅助决策方法及装置 |
CN105405294A (zh) * | 2015-12-30 | 2016-03-16 | 杭州中奥科技有限公司 | 道路拥堵路段的预警方法 |
CN105469603B (zh) * | 2015-12-30 | 2018-02-02 | 青岛海信网络科技股份有限公司 | 一种交通拥堵源头分析方法及装置 |
CN107689152A (zh) * | 2016-08-04 | 2018-02-13 | 西门子公司 | 用于在一个路网中进行交通处理的方法和装置 |
CN108074393A (zh) * | 2016-11-08 | 2018-05-25 | 刘通 | 一种确定城市大桥交通拥挤程度的方法 |
CN106710210B (zh) * | 2016-11-15 | 2019-04-16 | 山东浪潮云信息技术有限公司 | 一种确定商圈区域的拥堵指数的方法及装置 |
CN106652451B (zh) * | 2016-12-21 | 2020-05-01 | 南京理工大学 | 一种全程全局路况分析系统 |
US10753753B2 (en) * | 2017-05-26 | 2020-08-25 | Ford Global Technologies, Llc | Vehicle route navigation |
CN110050300B (zh) * | 2017-11-13 | 2021-08-17 | 北京嘀嘀无限科技发展有限公司 | 交通拥堵监控系统和方法 |
CN108281000B (zh) * | 2018-02-05 | 2020-08-14 | 北京交通大学 | 一种数据驱动的突发事件对区域路网影响分析系统及方法 |
CN108806257B (zh) * | 2018-07-04 | 2020-11-10 | 河海大学 | 一种道路拥堵区域和拥堵路段的识别方法 |
CN109754598B (zh) * | 2018-08-02 | 2021-01-08 | 银江股份有限公司 | 一种拥堵组团识别方法及系统 |
CN108847042B (zh) * | 2018-08-24 | 2021-04-02 | 讯飞智元信息科技有限公司 | 一种路况信息发布方法及装置 |
CN109147330B (zh) * | 2018-09-19 | 2020-12-08 | 青岛海信网络科技股份有限公司 | 一种拥堵识别方法及装置 |
CN109360416A (zh) * | 2018-10-11 | 2019-02-19 | 平安科技(深圳)有限公司 | 道路交通预测方法及服务器 |
CN109754604B (zh) * | 2018-12-03 | 2021-01-26 | 江苏智运科技发展有限公司 | 一种基于交通线圈检测数据质量控制的拥堵区域识别方法 |
CN109830101A (zh) * | 2018-12-03 | 2019-05-31 | 江苏智运科技发展有限公司 | 一种基于异常微波交通数据修复的拥堵区域识别方法 |
CN110867077B (zh) * | 2018-12-03 | 2022-06-21 | 江苏智运科技发展有限公司 | 一种基于交通视频结构化数据质量控制的道路优化方法 |
CN109871377B (zh) * | 2018-12-03 | 2021-04-02 | 江苏智运科技发展有限公司 | 基于车载电子标签数据质量控制的交通异常区段识别方法 |
CN109559511B (zh) * | 2018-12-05 | 2019-10-29 | 江苏省城市规划设计研究院 | 一种城市交通拥堵信息定向投放方法 |
CN109410624A (zh) * | 2018-12-08 | 2019-03-01 | 浙江久安科技有限公司 | 一种智能交通控制方法 |
CN109712394A (zh) * | 2019-01-15 | 2019-05-03 | 青岛大学 | 一种拥堵区域发现方法 |
CN111613046B (zh) * | 2019-02-26 | 2022-09-23 | 阿里巴巴集团控股有限公司 | 信息处理方法、装置和系统 |
CN110264735B (zh) * | 2019-06-28 | 2021-11-30 | 佛山科学技术学院 | 一种基于大数据的交通拥堵预测系统、方法及存储介质 |
CN110751828B (zh) * | 2019-09-10 | 2020-10-20 | 平安国际智慧城市科技股份有限公司 | 一种路段拥堵测量方法、装置、计算机设备及存储介质 |
CN110895882B (zh) * | 2019-12-24 | 2021-11-12 | 腾讯科技(深圳)有限公司 | 公路通行能力确定方法及装置 |
CN113409566A (zh) * | 2020-03-16 | 2021-09-17 | 阿里巴巴集团控股有限公司 | 一种道路通行状态的获取方法、装置及服务器 |
CN111462484B (zh) * | 2020-03-31 | 2021-11-30 | 腾讯科技(深圳)有限公司 | 拥堵状态的确定方法、装置、设备及计算机可读存储介质 |
CN112216100A (zh) * | 2020-09-04 | 2021-01-12 | 广州方纬智慧大脑研究开发有限公司 | 基于视频轮巡的交通拥堵检测方法、系统、装置及介质 |
CN114863676B (zh) * | 2022-04-15 | 2023-05-12 | 青岛海信网络科技股份有限公司 | 一种拥堵识别方法及装置 |
CN115188186B (zh) * | 2022-06-28 | 2024-02-20 | 公安部交通管理科学研究所 | 一种区域内交通流量监测方法 |
CN116311930A (zh) * | 2023-03-15 | 2023-06-23 | 河北省交通规划设计研究院有限公司 | 一种交通流状态数据时间汇集方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1657693A2 (en) * | 2004-11-16 | 2006-05-17 | Microsoft Corporation | Traffic forecasting employing modeling and analysis of probabilistic interdependencies and contextual data |
CN101046919A (zh) * | 2006-10-12 | 2007-10-03 | 华南理工大学 | 基于交通流相特征的城市交通系统状态可视化评价方法及其应用 |
CN101751777A (zh) * | 2008-12-02 | 2010-06-23 | 同济大学 | 基于空间聚类分析的城市路网交通小区动态划分方法 |
CN102110365A (zh) * | 2009-12-28 | 2011-06-29 | 日电(中国)有限公司 | 基于时空关系的路况预测方法和系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003281685A (ja) * | 2002-03-20 | 2003-10-03 | Natl Inst For Land & Infrastructure Management Mlit | 交通情報処理方法及び交通情報処理システム |
JP4481235B2 (ja) * | 2005-11-01 | 2010-06-16 | 恭敬 飯田 | ゾーン別発生・集中交通量とod交通量の高精度推定方法 |
-
2012
- 2012-11-30 CN CN201210501361.5A patent/CN102968901B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1657693A2 (en) * | 2004-11-16 | 2006-05-17 | Microsoft Corporation | Traffic forecasting employing modeling and analysis of probabilistic interdependencies and contextual data |
CN101046919A (zh) * | 2006-10-12 | 2007-10-03 | 华南理工大学 | 基于交通流相特征的城市交通系统状态可视化评价方法及其应用 |
CN101751777A (zh) * | 2008-12-02 | 2010-06-23 | 同济大学 | 基于空间聚类分析的城市路网交通小区动态划分方法 |
CN102110365A (zh) * | 2009-12-28 | 2011-06-29 | 日电(中国)有限公司 | 基于时空关系的路况预测方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN102968901A (zh) | 2013-03-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102968901B (zh) | 获取区域拥堵信息的方法及区域拥堵分析装置 | |
CN109147330B (zh) | 一种拥堵识别方法及装置 | |
CN107610469B (zh) | 一种考虑多因素影响的日维度区域交通指数预测方法 | |
CN103021176B (zh) | 基于断面检测器的城市道路交通状态判别方法 | |
CN108346292B (zh) | 基于卡口数据的城市快速路实时交通指数计算方法 | |
Wang et al. | Can single-loop detectors do the work of dual-loop detectors? | |
CN101127158B (zh) | 预测交通信息生成方法、预测交通信息生成装置及交通信息显示终端 | |
CN105389987B (zh) | 一种道路交通状况预测方法及装置 | |
CN104408925B (zh) | 基于陈列雷达的交叉口运行状态评价方法 | |
CN104751642B (zh) | 一种高等级道路交通流运行风险实时预估方法 | |
CN106781499B (zh) | 一种交通网络效率评价系统 | |
CN108629973A (zh) | 基于固定检测设备的路段交通拥堵指数计算方法 | |
CN107170247B (zh) | 一种确定交叉口排队长度方法及装置 | |
CN101551945B (zh) | 高速公路交通安全预警方法 | |
CN101465059B (zh) | 城市道路交通安全态势鉴判预警系统 | |
CN103903433A (zh) | 一种道路交通状态的实时动态判别方法及装置 | |
CN104484994A (zh) | 基于阵列雷达的城市路网交通运行指数评价方法及装置 | |
CN104240499A (zh) | 一种基于微波数据的异常拥堵点判别方法 | |
CN106327871A (zh) | 一种融合历史数据和预约数据的高速公路拥挤预测方法 | |
CN108922168B (zh) | 一种中观层面事故多发道路判别的方法 | |
CN101540099A (zh) | 道路交通状态判断方法及系统 | |
CN109147319B (zh) | 一种基于多交通数据指标的道路突发事件判别方法 | |
CN102881173B (zh) | 交通需求控制方法和系统 | |
CN110766940A (zh) | 道路信号交叉口运行状况评估方法 | |
CN108108859A (zh) | 一种基于大数据分析的交通管理勤务优化方法 |
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 |