CN103617726B - 粗粒度交通状态转换为细粒度速度的方法 - Google Patents
粗粒度交通状态转换为细粒度速度的方法 Download PDFInfo
- Publication number
- CN103617726B CN103617726B CN201310631409.9A CN201310631409A CN103617726B CN 103617726 B CN103617726 B CN 103617726B CN 201310631409 A CN201310631409 A CN 201310631409A CN 103617726 B CN103617726 B CN 103617726B
- Authority
- CN
- China
- Prior art keywords
- traffic behavior
- speed
- represent
- variable
- coarseness
- 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
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种粗粒度交通状态转换为细粒度速度的方法,属于智能交通领域,包括:获取历史速度数据,根据交通状态划分方式将细粒度速度转换为粗粒度的交通状态;将所述历史速度数据按照交通状态分为三批,提取每批速度数据中的交通状态特征参数;将所述速度和交通状态特征参数转换为分类变量;将每种条件下概率最大的速度分类变量还原为速度区间,所有条件下的速度转换区间组成完整的转换表;通过查询粗粒度交通状态转换为细粒度速度转换表,得到相应的速度区间,取速度区间的均值作为粗粒度交通状态对应的细粒度速度值。本发明提出粗粒度交通状态转换为细粒度速度的方法,有效解决了细粒度速度转换为交通状态后的不可逆问题。
Description
技术领域
本发明涉及智能交通领域,特别涉及一种粗粒度交通状态转换为细粒度速度的方法。
背景技术
目前,交通信息的表达分为两种粒度:一种是基于路段平均车速对交通状态进行粗粒度分级(主要分拥堵、缓行和畅通三级),另一种是细粒度的路段平均车速。粗粒度的交通状态从人的整体感受反映交通,是一种定性描述。如畅通表示行驶过程中速度能比较放得开,速度基本不受前车制约;缓行表示走走停停,走比停的多,可连续行驶,但是速度受前车影响较大;拥堵表示走走停停,停的比走的多。粗粒度的交通信息只能用于路况展示,无法用来计算行程时间、规划行驶路径。而细粒度级别的速度能够更加细致的描述交通,能具体用数值表示交通畅通、缓行、拥堵的详细程度,在路径规划时可用来计算行程时间,定量给出决策依据。
两种粒度的交通信息之间的相互转化关系是一个值得研究的科学问题。目前,大多数人的研究工作都体现在如何将细粒度的交通信息进行分级,转化为粗粒度的交通信息,如采用速度-拥挤度模型确定不同道路等级在不同拐点的临界速度阈值,基于模糊聚类分析的交通状态识别方法。但是当只能获得粗粒度的交通状态描述时,如何利用交通流自身变化的规律(通过历史交通流变化规律的挖掘),来拟合出细粒度的速度信息,是一个值得研究、具有广泛应用前景的问题。
交通流的变化趋势与时间(如拥堵开始阶段、传播阶段和消散阶段)和空间(如拥堵位置、拥堵上游和拥堵下游)关系密切,这些影响因素均为离散的分类变量。Logistic回归分析为概率型非线性回归模型,是研究分类观察结果与影响因素之间关系的多变量分析方法,目前已经成功应用在很多领域,如社会学、经济学、医学等领域。Logistic回归分析在交通领域也有一定的应用,如交通信息对驾驶员出行方式选择、路径选择行为的影响分析等。
目前的现有技术中不存在将粗粒度交通状态转化为细粒度速度的方法。
发明内容
有鉴于此,本发明的目的在于提供一种粗粒度交通状态转换为细粒度速度的方法,所要解决的技术问题是在获取粗粒度交通状态(畅通、缓慢、拥堵)情况下,将粗粒度交通状态转换为细粒度速度。
本发明提供了一种粗粒度交通状态转换为细粒度速度的方法,包括:
获取历史速度数据,根据交通状态划分方式将细粒度速度转换为粗粒度的交通状态;
将所述历史速度数据按照交通状态分为三批,提取每批速度数据中的交通状态特征参数,包括交通状态连续影响范围和位置;
将所述历史速度数据和交通状态特征参数转换为分类变量,其中速度被分为多个区间;
生成速度在不同条件下的速度分类变量的概率,将每种条件下概率最大的速度分类变量还原为速度区间,作为交通状态的速度转换区间,所有条件下的速度转换区间组成完整的转换表;
当获取路段的粗粒度交通状态、同一种交通状态的连续影响范围、路段在同一种交通状态连续影响范围中的位置,通过查询粗粒度交通状态转换为细粒度速度转换表,得到相应的速度区间,取速度区间的均值作为粗粒度交通状态对应的细粒度速度值。
本发明基于统计学的Mutinomial Logistic回归分析,提出粗粒度交通状态转换为细粒度速度的方法,有效解决了细粒度速度转换为交通状态后的不可逆问题。
附图说明
图1为本发明实施例提供的粗粒度交通状态转换为细粒度速度的原理图;
图2为本实施例提供的粗粒度交通状态转换为细粒度速度的方法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明作进一步的详细描述。
本发明实施例给出一种基于Logistic回归的粗粒度交通状态转换为细粒度速度的方法。
粗粒度交通状态转换为细粒度速度的原理如图1所示。
图2为本实施例提供的粗粒度交通状态转换为细粒度速度的方法流程图,包括以下步骤:
步骤201、获取大量历史速度数据,根据交通状态划分方式将细粒度速度转换为粗粒度的交通状态(畅通、缓慢、拥堵)。
准备批量历史数据,根据交通状态划分方式表将细粒度速度转换为粗粒度的交通状态,用S表示交通状态,S=1表示拥堵,S=2表示缓行,S=3表示畅通。下表为一种交通状态划分方式:
表1
步骤202、将历史数据按照交通状态分为三批,提取每批数据中反映交通状态特征的参数(交通状态连续影响范围、位置)。
步骤203、将速度和交通状态特征参数转换为分类变量,其中速度被分为多个区间。
速度是连续变量,用v表示,将速度转换为分类变量,则不同道路管理等级条件下的速度分类变量VNR的转换方法为:
式中,θ1,θ2,θ3,…为速度分类阈值,λ为整数值,NNR表示道路等级为NR时速度的分类个数,λk表示第k个速度分类变量,λNR表示道路等级为NR的第NNR个速度分类变量。下表为一种速度从连续变量转换为分类变量的结果:
表2
根据路网拓扑结构,将交通状态数据按照路段上下游关系关联,将交通状态一致且具备上下游关系的路段归为一组,用ω表示路段在该组的位置,则ω=1表示开始端,ω=2表示中间位置,ω=3表示末尾端。
设lm,i表示第m组第i条路段的长度,lm,sum表示第m组所有路段的长度之和,则lm,sum的计算公式为:
式中,Nm,TSC表示第m组路段的路段数。将路段长度之和lm,sum分别赋值给第m组的每条路段,用Lenm,i表示第m组第i条路段的影响范围值,则
Lenm,i=lm,sum
Lenm,i为连续变量,将其转换为分类变量,用ρ表示,则分类变量ρ的计算公式为:
式中,α1、α2表示影响范围的分类阈值,α1<α2。
步骤204、利用Multinomial Logistic回归分析生成速度在不同条件下的速度分类变量的概率,将每种条件下概率最大的速度分类变量还原为速度区间,作为交通状态的速度转换区间,所有条件下的速度转换区间组成完整的转换表。当已知道路管理等级、交通状态、影响范围、位置时,即可通过转换表获取相应的速度区间,取区间中的均值作为转换后的速度。
将最后一个速度分类变量VNR=λNR作为参考类别,则对于速度分类变量VNR=λk、在影响范围为ρ、位置为ω时的Logistic回归模型YNR,ρ,ω,k为:
式中,p(VNR=λk)表示速度分类变量VNR=λk时的概率,p(VNR=λNR)表示速度分类变量VNR=λNR时的概率,表示道路管理等级为NR、速度分类变量VNR=λk、影响范围为ρ、位置为ω时的模型系数。对于参考类别,模型中的所有系数均为零,即
利用SPSS软件计算得到所有系数的估计值,道路管理等级为NR,影响范围为ρ、位置为ω时,VNR=λk的概率计算公式为:
获取每种条件下概率最大的速度分类变量,则道路管理等级为NR,交通状态为S,影响范围ρ、位置为ω时,概率最大的速度分类变量V′NR,S,ρ,ω的计算公式为:
将每种条件下概率最大的速度分类变量还原为速度区间,作为这种交通状态的速度转换区间,所有情况下的速度转换区间组成完整的转换表。最终的粗粒度交通状态转换为细粒度速度的转换表的具体表现形式如下表所示:
表3
步骤205、当获取路段的粗粒度交通状态、同一种交通状态的连续影响范围、路段在同一种交通状态连续影响范围中的位置,通过查询粗粒度交通状态转换为细粒度速度转换表,得到相应的速度区间,取速度区间的均值作为粗粒度交通状态对应的细粒度速度值。
本发明实施例基于统计学的Mutinomial Logistic回归分析,提出粗粒度交通状态转换为细粒度速度的方法,有效解决了细粒度速度转换为交通状态后的不可逆问题。
总之,以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (6)
1.一种粗粒度交通状态转换为细粒度速度的方法,其特征在于,包括:
获取历史速度数据,根据交通状态划分方式将细粒度速度转换为粗粒度的交通状态;
将所述历史速度数据按照交通状态分为三批,提取每批速度数据中的交通状态特征参数,包括交通状态连续影响范围和位置;
将所述历史速度数据和交通状态特征参数转换为分类变量,其中速度被分为多个区间;
生成速度在不同条件下的速度分类变量的概率,将每种条件下概率最大的速度分类变量还原为速度区间,作为交通状态的速度转换区间,所有条件下的速度转换区间组成完整的转换表;
当获取路段的粗粒度交通状态、同一种交通状态的连续影响范围、路段在同一种交通状态连续影响范围中的位置,通过查询粗粒度交通状态转换为细粒度速度转换表,得到相应的速度区间,取速度区间的均值作为粗粒度交通状态对应的细粒度速度值。
2.根据权利要求1所述的粗粒度交通状态转换为细粒度速度的方法,其特征在于,所述将细粒度速度转换为粗粒度的交通状态的步骤具体包括:
准备批量历史速度数据,根据交通状态划分方式将细粒度速度转换为粗粒度的交通状态,用S表示交通状态,S=1表示拥堵,S=2表示缓行,S=3表示畅通。
3.根据权利要求1或2所述的粗粒度交通状态转换为细粒度速度的方法,其特征在于,所述将速度转换为分类变量的步骤具体包括:
速度用v表示,则不同道路管理等级条件下的速度分类变量VNR的转换方法为:
式中,θ1,θ2,θ3,…为速度分类阈值,λ为整数值,NNR表示道路等级为NR时速度的分类个数,λk表示第k个速度分类变量,λNR表示道路等级为NR的第NNR个速度分类变量。
4.根据权利要求3所述的粗粒度交通状态转换为细粒度速度的方法,其特征在于,所述将交通状态特征参数中的位置转换为分类变量的步骤具体包括:
根据路网拓扑结构,将交通状态数据按照路段上下游关系关联,将交通状态一致且具备上下游关系的路段归为一组,用ω表示路段在该组的位置,则ω=1表示开始端,ω=2表示中间位置,ω=3表示末尾端。
5.根据权利要求4所述的粗粒度交通状态转换为细粒度速度的方法,其特征在于,所述将交通状态特征参数中的交通状态连续影响范围转换为分类变量的步骤具体包括:
设lm,i表示第m组第i条路段的长度,lm,sum表示第m组所有路段的长度之和,则lm,sum的计算公式为:
式中,Nm,TSC表示第m组路段的路段数,将路段长度之和lm,sum分别赋值给第m组的每条路段,用Lenm,i表示第m组第i条路段的影响范围值,则
Lenm,i=lm,sum
Lenm,i为连续变量,将其转换为分类变量,用ρ表示,则分类变量ρ的计算公式为:
式中,α1、α2表示影响范围的分类阈值,α1<α2。
6.根据权利要求5所述的粗粒度交通状态转换为细粒度速度的方法,其特征在于,所述生成速度在不同条件下的速度分类变量的概率的步骤具体包括:
将最后一个速度分类变量VNR=λNR作为参考类别,则对于速度分类变量VNR=λk、在影响范围为ρ、位置为ω时的Logistic回归模型YNR,ρ,ω,k为:
式中,p(VNR=λk)表示速度分类变量VNR=λk时的概率,p(VNR=λNR)表示速度分类变量VNR=λNR时的概率,表示道路管理等级为NR、速度分类变量VNR=λk、影响范围为ρ、位置为ω时的模型系数;对于参考类别,模型中的所有系数均为零,即
计算得到所有系数的估计值,道路管理等级为NR,影响范围为ρ、位置为ω时,VNR=λk的概率计算公式为:
获取每种条件下概率最大的速度分类变量,则道路管理等级为NR,交通状态为S,影响范围为ρ、位置为ω时,概率最大的速度分类变量V′NR,S,ρ,ω的计算公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310631409.9A CN103617726B (zh) | 2013-11-29 | 2013-11-29 | 粗粒度交通状态转换为细粒度速度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310631409.9A CN103617726B (zh) | 2013-11-29 | 2013-11-29 | 粗粒度交通状态转换为细粒度速度的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103617726A CN103617726A (zh) | 2014-03-05 |
CN103617726B true CN103617726B (zh) | 2015-06-24 |
Family
ID=50168429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310631409.9A Active CN103617726B (zh) | 2013-11-29 | 2013-11-29 | 粗粒度交通状态转换为细粒度速度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103617726B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839410B (zh) * | 2014-03-10 | 2016-05-11 | 北京掌城科技有限公司 | 一种不同粒度地图间的交通信息转换方法 |
CN109859477B (zh) * | 2019-03-15 | 2021-03-19 | 同盾控股有限公司 | 一种拥堵数据的确定方法和装置 |
CN112862204A (zh) * | 2021-02-23 | 2021-05-28 | 国汽(北京)智能网联汽车研究院有限公司 | 一种路径规划方法、系统、计算机设备及可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509445A (zh) * | 2011-10-19 | 2012-06-20 | 北京世纪高通科技有限公司 | 路况预测因素的筛选方法及装置 |
CN102509454A (zh) * | 2011-11-03 | 2012-06-20 | 安徽科力信息产业有限责任公司 | 基于fcd与地磁检测器的道路状态融合方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8296046B2 (en) * | 2009-12-08 | 2012-10-23 | At&T Intellectual Property I, L.P. | Cellular-based live traffic service |
-
2013
- 2013-11-29 CN CN201310631409.9A patent/CN103617726B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509445A (zh) * | 2011-10-19 | 2012-06-20 | 北京世纪高通科技有限公司 | 路况预测因素的筛选方法及装置 |
CN102509454A (zh) * | 2011-11-03 | 2012-06-20 | 安徽科力信息产业有限责任公司 | 基于fcd与地磁检测器的道路状态融合方法 |
Non-Patent Citations (4)
Title |
---|
A traffic flow prediction model based on ordered logistic regression;Weiguo Li Et al.;《Digital Content, Multimedia Technology and its Applications (IDC), 2010 6th International Conference》;20100818;第213-216页 * |
Vehicle actuation based short-term traffic flow prediction model for signalized intersections;SUN Jian Et al.;《Central South University Press and Springer-Uerlag Berlin Heidelberg 2012》;20120115;第19卷(第1期);第287-298页 * |
基于速度的交通状态识别及动态评价研究;郭义荣等;《公路交通科技》;20120715;第29卷(第S1期);第26-31页 * |
快速路网交通管理策略的环境效益仿真评价方法;杨珍珍等;《计算机应用研究》;20110830;第28卷(第8期);第2961-2963页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103617726A (zh) | 2014-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khondaker et al. | Variable speed limit: A microscopic analysis in a connected vehicle environment | |
CN111008223B (zh) | 一种基于时空关联规则的区域交通拥堵相关性计算方法 | |
CN102968901B (zh) | 获取区域拥堵信息的方法及区域拥堵分析装置 | |
CN109215350B (zh) | 一种基于rfid电子车牌数据的短期交通状态预测方法 | |
CN103413263B (zh) | 旅行时间指数熵交通运行评价方法 | |
CN104766475B (zh) | 一种城市交通瓶颈挖掘方法 | |
CN102346964A (zh) | 道路交通网络区域拥堵实时预测与智能管理系统 | |
CN103984994B (zh) | 一种城市轨道交通客流高峰持续时间预测方法 | |
CN103871246A (zh) | 基于路网空间关系约束Lasso的短时交通流预测方法 | |
CN103942953A (zh) | 一种基于浮动车数据的城市路网动态交通拥挤预测方法 | |
CN102693633A (zh) | 一种短时交通流加权组合预测方法 | |
CN104318757B (zh) | 一种公交专用道上的公交车车路段运行时间预测方法 | |
CN111091295B (zh) | 一种城市区域边界控制系统 | |
CN103617726B (zh) | 粗粒度交通状态转换为细粒度速度的方法 | |
Xiong et al. | Analysis of a stochastic model for coordinated platooning of heavy-duty vehicles | |
CN104573873A (zh) | 一种基于模糊决策树的航站楼离港旅客流量预测方法 | |
CN106803347A (zh) | 基于rfid数据的城市交叉口交通状态判别方法 | |
Binglei et al. | Fuzzy-logic-based traffic incident detection algorithm for freeway | |
Bakibillah et al. | Sustainable eco-driving strategy at signalized intersections from driving data | |
CN110097757B (zh) | 一种基于深度优先搜索的交叉口群关键路径识别方法 | |
La-inchua et al. | A new system for traffic incident detection using fuzzy logic and majority voting | |
Shenghua et al. | Road traffic congestion prediction based on random forest and DBSCAN combined model | |
Wang | Application research of short-term traffic flow forecast based on bat algorithm support vector machine | |
Zou et al. | A reliable hybrid prediction model for real-time travel time prediction with widely spaced detectors | |
Huang et al. | Design of expressway toll station based on neural network and traffic flow |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 | ||
CP03 | Change of name, title or address |
Address after: 100193 No. 301, block B, building 27, phase 1, Zhongguancun Software Park, No. 8, northeast flourishing West Road, Beijing, Haidian District Patentee after: Beijing city Mdt InfoTech Ltd Address before: 100191 Beijing City, Haidian District Xueyuan Road No. 39 Building 9 layer solid Patentee before: Beijing PalmCity Technology Co., Ltd. |
|
CP03 | Change of name, title or address |