CN103646187B - 一种统计周期内车辆出行路线及od矩阵获取方法 - Google Patents

Abstract

本发明公开了一种统计周期内车辆出行路线及OD矩阵获取方法，该方法包括以下步骤：划分某路网区域中的交通小区及道路；在每段路或合并路段后的出口或入口处放置车辆检测设备，以检测行驶车辆的唯一标识；在统计周期内，利用车辆检测设备不间断地采集道路上行驶的车辆的信息，并将其存储到后台数据库中；提取每辆车在该统计周期内的时间和位置数据，获取该车辆在该统计周期内的路径信息并进行存储；根据所述路径信息获取该车辆的初始地和目的地所处的交通小区，综合考虑所有车辆的起讫点，从而得到统计周期内的OD矩阵。本发明以车辆标识为依据，通过各种数据挖掘与融合方法和先进的计算机实时处理技术，动态地获取和更新车辆出行路线及OD矩阵。

Description

一种统计周期内车辆出行路线及OD矩阵获取方法

技术领域

本发明属于交通规划与管理领域，具体涉及一种基于车辆标识（VehicleIdentification,VID）的统计周期内车辆出行路线及OD（ORIGIN-DESTINATION）矩阵获取方法，该方法可高频度、低成本、自动化和智能化地获取统计周期内，比如早晚高峰车辆出行路线及OD矩阵数据，可用于交通规划、交通需求、交通预测及诱导等各种交通管理工作和服务中。

背景技术

车辆出行OD矩阵是交通系统规划、设计及运行管理的核心基础信息。OD信息的精度直接影响城市交通管理者、交通规划工程技术人员对于交通现状以及未来交通可能出现情况的准确判断，并会直接影响交通管理措施的有效性、交通规划的合理性。车辆出行OD矩阵反映的是最基本的交通需求信息，是对支持交通规划工作实施定量分析的重要数据资源，而早晚高峰的车辆出行路线及OD矩阵也是挖掘车辆出行规律的重要特征，也是有针对性地整治早晚高峰常态交通拥堵的数据依据。

传统的问卷调查等方式获取OD矩阵的方法，由于成本高、调查工作量大等原因难以频繁实施，直接影响OD矩阵的时效性。同时，随着城市流动人口激增，通过调查获取其车辆出行信息相对困难，使得调查结果准确性和代表性具有一定的局限性。城市交通信息化建设的蓬勃发展，为以交通分析为目的的OD矩阵获取提供了一条切实可行的高频度、低成本、自动化获取车辆出行路线及OD矩阵数据的新途径，即通过大范围的车辆数据自动采集获取路段或区域路网的交通信息具有必要性和现实意义。

近年来，随着物联网技术的蓬勃发展，车辆标识识别技术的深入研究，尤其是大中城市的各种车辆检测设备安装实施，以及大数据、云计算技术的广泛应用，使得城市道路车辆信息的采集技术已经从点到线，进而拓展到面即区域方向发展。车辆标识识别技术包括但不限于视频或图像方式获取车牌信息、射频识别方式获取车辆电子车牌或标签等信息；通过各种固定的车辆检测设备获取所经过车辆的唯一标识、位置及时间等信息；然后经过数据挖掘等智能分析方法搜索出各个车辆在早晚高峰的出行路线，最后通过聚类分析等智能算法获取到车辆出行的OD矩阵。

发明内容

本发明的目的在于为了克服交通管理部门建设的系统各自独立，没有充分发挥各个系统相互之间的内在关系，传统方法获取OD矩阵已经不能满足现在交通规划及管理的需求，特别是时效性、准确性和代表性无法体现等现有技术中存在的这些缺陷，结合城市早晚高峰交通流量具有相似的特征，综合运用物联网、大数据及云计算等技术或方法，使交通管理部门各个系统自主交互，深层次挖掘其数据的内在联系，从而提出了一种新的统计周期内车辆出行路线及OD矩阵获取方法。

本发明提出的一种统计周期内车辆出行路线及OD矩阵获取方法包括以下步骤：

步骤1，划分某路网区域中的交通小区及道路；

步骤2，在每段路或合并路段后的出口或入口处放置车辆检测设备，以检测行驶车辆的唯一标识；

步骤3，在统计周期内，利用车辆检测设备不间断地采集道路上行驶的车辆的信息，并将其存储到后台数据库中；

步骤4，提取每辆车在该统计周期内的时间和位置数据，获取该车辆在该统计周期内的路径信息并进行存储；

步骤5，根据所述路径信息获取该车辆的初始地和目的地所处的交通小区，综合考虑所有车辆的起讫点，从而得到统计周期内的OD矩阵。

本发明方法具有以下特点：一、摒弃了传统方法由于人工处理引起的各种弊病，从而使数据具有较强的应用价值；二、提出基于车辆标识为依据，从而保证了车辆的唯一性和准确性；三、对于路网拓扑结构没有要求，以城市规划的小区为主要交通小区，具有现实意义；四、通过各种数据挖掘与融合方法和先进的计算机实时处理技术，可以动态的获取和更新车辆出行路线及OD矩阵。

1、确定车辆标识的检测方法：包括但不限于射频识别检测电子车牌或标签、视频或图像检测车牌牌照；

2、确定某路网区域交通小区的划分方案：主要依据城市规划方案为依据，考虑区域的土地性质等因素划分交通小区；

3、采集早晚高峰两个时段各个检测设备获取的车辆标识数据、时间数据及位置数据；此过程的数据为一定时间段，以天为单位，持续一个月到三个月不等，根据应用效果确定；

4、提取每车辆（标识唯一性）一定时间段的时间和位置数据，根据位置数据，经过概率统计和聚类分析方法，获取经常经过的安装有检测设备的位置簇，然后通过分析时间数据的先后顺序，从而确定了该车辆的行驶方向及路线信息；该路线信息不具有唯一性，也可以是多条，在具体实施方式中进一步详述；

5、通过已经获取的车辆行驶方向和轨迹信息，提取每辆车的起讫点，把该起讫点映射到相应的交通小区上，对该区域所有车辆的起讫点进行叠加处理，从而得到该区域的早晚高峰的车辆出行OD矩阵；

6、通过实时采集每车辆的位置和时间数据并及时更新到后台数据库中，从而不断的修正、完善和更新该车辆出行OD矩阵，保证了该矩阵的时效性和准确性。

附图说明

图1为根据本发明一实施例的路网中车辆检测设备及行驶轨迹示意图。

图2为本发明基于车辆标识的统计周期内出行OD矩阵获取方法流程图。

图3为根据本发明一实施例的车辆行驶检测位置的二维坐标图。

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明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

图1示出了某个小区域的交通路网，该路网由6个路口组成，某个标识车辆行驶轨迹经过了13个车辆检测设备，车辆检测设备的放置位置为每段路或合并路段后的出口或入口，也就是交通小区其中一条边的那个路段（或合成路段）的出口或入口。本发明的目的就是要获取以下信息：车辆的唯一标识（车牌号、或电子标签等），车辆经过车辆检测设备的时刻，相应车辆检测设备的编号，并根据得到的信息获取早晚高峰车辆出行路线及OD矩阵。

图2为本发明基于车辆标识的统计周期内出行OD矩阵获取方法流程图，所述方法包括以下步骤：

步骤1，划分某路网区域中的交通小区及道路；

该步骤中，主要以城市规划为依据，考虑路网区域的土地性质等因素划分交通小区，比如商业区、商务区、居住区或办公区等，并将路网区域中的交通道路划分为市政主干道路和交通区内道路，划分时主要保留市政主干道路，尽量合并交通区内道路，如图1阴影道路部分的放大视图，其实际是多个路段的合并。

步骤2，在每段路或合并路段后的出口或入口处放置车辆检测设备，以检测行驶车辆的唯一标识；

所述车辆的唯一标识包括但不限于车牌号、电子标签等。

所述步骤2中，可以采用路口视频流图像处理方法，可以采用射频识别检测电子车牌或标签的方法来识别车辆的唯一标识，也可以采用其他识别方法，只要能检测到车辆的唯一标识即可，但不包含车辆本身以外的其他标识方法。

步骤3，在统计周期内，比如每天早晚高峰期间，利用车辆检测设备不间断地采集道路上行驶的车辆的信息，并将其存储到后台数据库中；

所述信息包括但不限于车辆唯一标识数据、时间数据以及所使用的车辆检测设备编号等信息。

所述信息以天为一个数据单元进行存储，考虑到数据采集过程的周期性较长，根据需求，可以选择保存数据一年、三年、五年或其他时长，一是为了采集数据的完整性，二是数据还可供其他应用所用，比如供公安事件等调用。

步骤4，提取每辆车（具有标识唯一性）在该统计周期内的时间和位置数据，通过智能分析方法来获取该车辆在该统计周期内的路径信息并进行存储，所述路径信息包括但不限于行驶方向和出行路线；

下面以一个例子对于该步骤进行进一步的说明，假设如果想获知一辆车在两个月内的早高峰（或晚高峰）行驶路线情况，则可按照以下步骤来操作，当然，也可以根据实际需求或者分析结果将两个月的统计周期调为一个月或者仅考虑该统计周期内工作日的情况：

步骤41，统计两个月的统计周期内，该车辆经过的所有车辆检测设备的编号，基于所有的车辆检测设备编号建立一个离散数据的数据集L＝{l₁，l₂，l₃，…，l_n}，其中，每个元素l_i代表相对应的车辆检测设备（一一对应），其值代表统计周期内该车辆在该位置出现的次数，并设置每个元素的初始值为零，即l_i＝0。，n表示车辆检测设备的数量；

步骤42，在该统计周期内，以天为单位遍历该车辆所经过的所有车辆检测设备，并把对应的数据集中的l_i元素的值加1，这样就得到了该车辆所经过的特定车辆检测设备的频次；

步骤43，对于所述数据集L中的所有元素进行求和：

$s={\mathrm{\Σ}}_{i=1}^{i=n}{l}_i,$

然后基于得到的和值对数据集L进行归一化，这样实际上就得到了该车辆在统计周期内经过特定检测设备的概率数据集P，即：

P＝{p₁,p₂,p₃,…,p_n},其中p_i＝l_i/s。

步骤44，对数据集P中的n个数据对象p_i进行降序排列，从而得到新的数据集D：

D＝{d₁,d₂,d₃,…,d_n},

对于数据集D，以第i个数据为中心，对于连续2m+1个数据求取其算数平均值，从而获得新的数据集A：

A＝{a₁,a₂,a₃,…,a_n},

其中，如果i＜m+1，则 $a_i={\mathrm{\Σ}}_{k=1}^{k=2i-1}{d}_k/(2i-1);$

如果m+1≤i≤n-m，则 $a_i={\mathrm{\Σ}}_{k=i-m}^{k=i+m}{d}_k/(2m+1);$

如果i＞n-m，则 $a_i={\mathrm{\Σ}}_{k=2i-n}^{k=n}{d}_k/(2m+1).$

步骤45，对于所述数据集A，计算求取其k个极大值a_s，从而逆向可以获取到相对应的数据集P中的k个数据对象p_t；选择该k个数据对象作为初始的簇中心，将每个数据对象p_i分配到最近的簇中心，从而获得k个簇；分别计算k个簇中数据对象p_t的概率和，并将其按照降序排列，然后选择前r个概率和大于0.5的簇；

步骤46，将获得的r个簇分别与车辆每天经过的路径信息集合进行相关性计算，即同一位置同时存在两个集合（簇和路径信息集合）中时表示为1，不同时存在时表示为0，然后把所有的“1”和“0”进行求和，再除以路径信息集合中的元素个数；凡是相关性超过80%的簇进行增量计算（从零开始，每次加1，遍历统计周期内所有的路径信息集合），并记录该次路径（车辆经过的检测设备路径），若最终求得的该增量除以统计周期内所有的路径信息集合的个数的值与该簇的概率和非常接近（比如相似度大于90%），则确认该簇的有效性；并把该次运算求得的所有记录的路径信息进行叠加分析（即相同位置的元素每出现一次，次数增加1，最后舍弃出现次数相对较少的元素），从而得到该簇所对应的有效路径；

步骤47，针对每个簇都按照所述步骤46的方法获取到小于r个有效路径，从而可以求出该车辆早高峰（或晚高峰）的行驶方向和出行路线，此时得到的出行路线可能不止一条，因此要根据路线的连续性获得最终的若干条出行路线，如图3所示。

步骤5，根据所述路径信息获取该车辆的初始地和目的地所处的交通小区，经过统计分析综合考虑所有车辆的起讫点，从而得到早高峰（或晚高峰）的OD矩阵；

步骤6，实时采集每个行驶车辆的所处位置和时间数据，并对之前存储的数据进行更新，重复所述步骤4，以不断的修正、完善和更新每辆车的起始点，保证早高峰（或晚高峰）的OD矩阵的时效性。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种统计周期内车辆出行路线及OD矩阵获取方法，其特征在于，该方法包括以下步骤：

步骤1，划分某路网区域中的交通小区及道路；

步骤2，在每段路或合并路段后的出口或入口处放置车辆检测设备，以检测行驶车辆的唯一标识；

步骤3，在统计周期内，利用车辆检测设备不间断地采集道路上行驶的车辆的信息，并将其存储到后台数据库中；

步骤4，提取每辆车在该统计周期内的时间和位置数据，获取该车辆在该统计周期内的路径信息并进行存储；

步骤5，根据所述路径信息获取该车辆的初始地和目的地所处的交通小区，综合考虑所有车辆的起讫点，从而得到统计周期内的OD矩阵；

其中，所述步骤4进一步包括以下步骤：

步骤41，统计一统计周期内，某车辆经过的所有车辆检测设备的编号，基于所有的车辆检测设备编号建立一个离散数据的数据集L＝{l₁，l₂，l₃，...，l_n}，其中，每个元素l_i代表相对应的车辆检测设备，其值代表统计周期内该车辆在该位置出现的次数，并设置每个元素的初始值为零，即l_i＝0，n表示车辆检测设备的数量；

步骤42，在该统计周期内，以一时间段为单位遍历该车辆所经过的所有车辆检测设备，并把对应的数据集中的l_i元素的值加1，得到该车辆所经过的特定车辆检测设备的频次；

步骤43，对于所述数据集L中的所有元素进行求和，然后基于得到的和值s对数据集L进行归一化，得到该车辆在统计周期内经过特定检测设备的概率数据集P：P＝{p₁，p₂，p₃，...，p_n}，其中p_i＝l_i/s；

步骤44，对数据集P中的n个数据对象p_i进行降序排列，从而得到新的数据集D：

D＝{d₁，d₂，d₃，...，d_n}，

对于数据集D，以第i个数据为中心，对于连续2m+1个数据求取其算数平均值，从而获得新的数据集A：

A＝{a₁，a₂，a₃，...，a_n}，

其中，如果i＜m+1，则如果m+1≤i≤n-m，则如果i＞n-m，则

步骤45，对于所述数据集A，计算求取其k个极大值a_s，从而可以获取到相对应的数据集P中的k个数据对象p_t；选择该k个数据对象作为初始的簇中心，将每个数据对象p_i分配到最近的簇中心，从而获得k个簇；分别计算k个簇中数据对象p_t的概率和，并将其按照降序排列，然后选择前r个概率和大于0.5的簇；

步骤46，将获得的r个簇分别与车辆每天经过的路径信息集合进行相关性计算，凡是相关性超过80％的簇进行增量计算，并记录该次路径，若最终求得的该增量除以统计周期内所有的路径信息集合的个数的值与该簇的概率和非常接近，则确认该簇的有效性；并把该次运算求得的所有记录的路径信息进行叠加分析，从而得到该簇所对应的有效路径；

步骤47，针对每个簇都按照所述步骤46的方法获取到小于r个有效路径，从而可以求出该车辆统计周期内的行驶方向和出行路线。

2.根据权利要求1所述的方法，其特征在于，所述步骤1中，以城市规划为依据，考虑路网区域的土地性质来划分交通小区，并将路网区域中的交通道路划分为市政主干道路和交通区内道路。

3.根据权利要求1所述的方法，其特征在于，所述车辆的唯一标识为车牌号和/或电子标签。

4.根据权利要求1所述的方法，其特征在于，所述车辆的信息包括车辆唯一标识数据、时间数据和/或所使用的车辆检测设备编号。

5.根据权利要求1所述的方法，其特征在于，所述路径信息包括行驶方向和/或出行路线。

6.根据权利要求1所述的方法，其特征在于，所述步骤46中，相关性的计算为：同一位置同时存在簇和路径信息集合这两个集合中时表示为1，不同时存在时表示为0，然后把所有的“1”和“0”进行求和，再除以路径信息集合中的元素个数。

7.根据权利要求1所述的方法，其特征在于，所述步骤46中，叠加分析具体为：相同位置的元素每出现一次，次数增加1，最后舍弃出现次数相对较少的元素。

8.根据权利要求1所述的方法，其特征在于，所述步骤47还包括根据路线的连续性从得到的出行路线中选择其中的若干条出行路线的步骤。

9.根据权利要求1所述的方法，其特征在于，所述方法还包括步骤6，实时采集每个行驶车辆的所处位置和时间数据，并对之前存储的数据进行更新，重复所述步骤4，以不断的修正、完善和更新每辆车的起始点，保证统计周期内的OD矩阵的时效性。