CN103646542A - 一种交通影响范围的预测方法和装置 - Google Patents
一种交通影响范围的预测方法和装置 Download PDFInfo
- Publication number
- CN103646542A CN103646542A CN201310722987.3A CN201310722987A CN103646542A CN 103646542 A CN103646542 A CN 103646542A CN 201310722987 A CN201310722987 A CN 201310722987A CN 103646542 A CN103646542 A CN 103646542A
- Authority
- CN
- China
- Prior art keywords
- traffic
- evaluating
- impact area
- traffic impact
- sudden change
- 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
Abstract
本发明涉及交通智能管理与控制技术领域,公开了一种交通影响范围的预测方法和装置。其中,所述交通影响范围的预测方法包括:获取交通状态信息;判断交通状态是否发生突变,若是,提取交通状态突变的当前判定属性数据;对交通状态突变的历史样本集合按照交通影响范围进行分类,确定每一类中交通影响范围数据对应的判定属性数据的中心值;根据确定的每一类中交通影响范围数据对应的判定属性数据的中心值得到当前判定属性数据对应的交通影响范围数据,根据交通影响范围数据预测当前交通影响范围。采用本发明的交通影响范围的预测方法,可以提高交通影响范围预测的准确性。
Description
技术领域
本发明涉及交通智能管理与控制技术领域,尤其涉及一种交通影响范围的预测方法和装置。
背景技术
随着我国机动车保有量的快速增长与基础设施建设的趋于饱和,城市交通的供需矛盾日益突出,交通流运行的稳定性降低。特别是在早晚高峰时段,交通状态发生突变会干扰正常交通、引起道路拥挤和延误、降低道路通行能力。交通状态突变就是交通流中的某个或某些参数(如交通流量、交通流速度或交通流密度)发生突然变化,具体表现为上游车辆因交通受阻而减速,下游车辆因车辆稀疏而加速;事发车道交通流量减少,相邻车道因交通流合并而交通流量增多;上游道路时间占有率增多,下游道路的时间占有率减小等等。这种变化往往与交通事件相联系,反映交通状态某种质的变化,如车辆故障、交通事故等交通事件引起的车流合并或交通阻塞等。当这种异常现象发生时,在地点上游、下游的一定范围内将出现交通流的反常状态,严重的甚至会给上游路段带来大范围的交通拥堵。交通状态突变对周边道路交通的时空影响分析是交通交通管理中非常重要的方面。因此,实时、可靠的交通影响范围确定,有利于有关部门采取必要的交通管理控制措施,诱导驾驶员选择行驶路径,有效降低这一突发情况所造成的影响,是交通控制系统、交通诱导系统、出行者信息服务必不可少的有机组成部分。
目前,对交通影响范围的预测方法多基于交通事件,具体的方法包括:首先收集历史交通事件信息(包括事件类型、时间发生时的天气状况、事件影响车道数、是否需要拖挂车辆、是否需要救援车辆、是否涉及大型车辆、事件所处地点背景交通状态、时间空间影响范围),分析历史交通事件信息,并对历史交通事件的影响结果进行分类;然后实时检测交通事件、判断交通事件的严重程度;最后预测交通事件的持续时间、确定交通事件对交通产生的影响。
由上述现有技术可以看出,现有的交通状态突变影响分析技术存在以下缺点:交通状态突变影响分析基于已经发生的交通事件进行检测,如果交通事件检测有误或不及时,分析结果将不可靠。
发明内容
本发明实施例提供一种交通影响范围的预测方法和装置,用以提高交通影响范围预测的准确性。
本发明所指的交通影响范围是指交通影响的时间和交通影响的空间。
本发明实施例提供一种交通影响范围的预测方法,所述预测方法包括:
对交通状态突变的历史样本按照交通影响范围进行分类,确定每一类中交通影响范围数据对应的判定属性数据;所述交通状态突变的历史样本中包括判定属性数据和交通影响范围数据;
获取交通状态信息;
当交通状态发生突变时,提取交通状态突变的当前判定属性数据;
对交通状态突变的历史样本集合按照交通影响范围进行分类,确定每一类中交通影响范围数据对应的判定属性数据的中心值;
根据确定的每一类中交通影响范围数据对应的判定属性数据的中心值得到当前判定属性数据对应的交通影响范围数据,根据交通影响范围数据预测当前交通影响范围。
在本发明技术方案中,不需要基于已经发生的交通事件即已知事件而预测交通影响范围,而是根据交通状态突变的历史数据,对历史交通状态突变的影响范围进行分类,利用分类模型判定实时交通状态突变数据的影响结果。因此,可以在未知事件时对交通影响范围进行预测,避免了交通事件检测有误或不及时,提高了预测结果的准确性,并且为短时预测提供了参考。
所述判定属性数据包括交通状态发生突变的时刻,交通状态发生突变时的交通状态,交通状态突变等级,道路等级,车道数和/或天气状况。
优选的,所述对交通状态突变的历史样本集合按照交通影响范围进行分类,确定每一类中交通影响范围数据对应的判定属性数据的中心值,具体包括:
提取交通状态突变的历史样本集合中的交通影响范围数据;
通过聚类分析法对交通影响范围数据进行聚类,根据交通影响范围数据所在的历史样本将历史样本集合分为多类;
将每一类中的历史样本的判定属性数据进行平均,得到判定属性数据的中心值。
优选的,所述交通影响范围数据包括交通影响时长和交通影响空间;所述提取交通状态突变的历史样本集合中的交通影响范围数据具体包括:
根据以下函数关系式确定交通影响时长,所述函数关系式为:
其中,t时刻为交通状态发生突变的时刻,T为时间段,Xt为t时刻的交通流参数,Xt-T为(t-T)时刻的交通流参数,Xt+iT为(t+iT)时刻的交通流参数,Xt+nT为(t+nT)时刻的交通流参数,δ1为设定的百分比,nT为交通影响时长;
当交通状态突变的位点路段的交通流参数与上游路段的交通流参数的相关系数大于设定值时,确定交通影响空间。
优选的,对上述任一项种预测方法,还包括:
将所述当前交通影响范围发布至显示终端。
本发明实施例提供一种交通影响范围的预测装置,包括:
接收模块,用于接收交通状态信息;
判断模块,用于判断交通状态是否发生突变,若是,提取交通状态突变的当前判定属性数据;
分类模块,用于对交通状态突变的历史样本集合按照交通影响范围进行分类,确定每一类中交通影响范围数据对应的判定属性数据的中心值;
预测模块,用于根据确定的每一类中交通影响范围数据对应的判定属性数据的中心值得到当前判定属性数据对应的交通影响范围数据,根据交通影响范围数据预测当前交通影响范围。
优选的,所述分类模块包括:
提取模块,用于提取交通状态突变的历史样本集合中的交通影响范围数据;
聚类模块,通过聚类分析法对交通影响范围数据进行聚类,根据交通影响范围数据所在的历史样本将历史样本集合分为多类;
求平均模块,用于将每一类中所有历史样本的判定属性数据进行平均,得到判定属性数据的中心值。
优选的,所述提取模块包括:
第一确定模块,用于根据以下函数关系式确定交通影响时长,所述函数关系式为:
其中,t时刻为交通状态发生突变的时刻,T为时间段,Xt为t时刻的交通流参数,Xt-T为(t-T)时刻的交通流参数,Xt+iT为(t+iT)时刻的交通流参数,Xt+nT为(t+nT)时刻的交通流参数,δ1为设定的百分比,nT为交通影响时长;
第二确定模块,用于当交通状态突变的位点路段的交通流参数与上游路段的交通流参数的相关系数大于设定值时,确定交通影响空间。
对上述任一种预测装置,还包括:
发布模块,用于将所述当前交通影响范围发布至显示终端。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例提供的交通影响范围的预测方法的实施流程示意图;
图2为本发明实施例对交通状态突变的历史样本集合分类并得到判定属性数据的中心值的实施流程示意图;
图3为本发明实施例提供的交通影响范围的预测装置的结构示意图;
图4为交通状态突变折线图;
图5为交通状态突变点位上游路网结构示意图。
附图标记:
11-接收模块 12-判断模块 13-分类模块 14-预测模块
具体实施方式
为了提高交通影响范围的预测准确度,本发明实施例提供了一种交通影响范围的预测方法和装置。该技术方案中,不需要基于已经发生的交通事件即已知事件而预测交通影响范围,而是根据交通状态突变的历史数据,对历史交通状态突变的影响范围进行分类,利用分类模型判定实时交通状态突变数据的影响结果。因此,可以在未知事件时对交通影响范围进行预测,避免了交通事件检测有误或不及时,提高了预测结果的准确性,并且为短时预测提供了参考。
以下结合说明书附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明,并且在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
如图1所示,图1为本发明实施例提供的交通影响范围的预测方法的实施流程示意图,包括以下步骤:
步骤101、获取交通状态信息;
步骤102、判断交通状态是否发生突变;若是,执行步骤103;若否,返回步骤101;
步骤103、提取交通状态突变的当前判定属性数据;
步骤104、对交通状态突变的历史样本集合按照交通影响范围进行分类,确定每一类中交通影响范围数据对应的判定属性数据的中心值;
步骤105、根据确定的每一类中交通影响范围数据对应的判定属性数据的中心值得到当前判定属性数据对应的交通影响范围数据,根据交通影响范围数据预测当前交通影响范围。
在本发明实施例中,不需要基于已经发生的交通事件即已知事件而预测交通影响范围,而是根据交通状态突变的历史数据,对历史交通状态突变的影响范围进行分类,利用分类模型判定实时交通状态突变数据的影响结果。因此,可以在未知事件时对交通影响范围进行预测,避免了交通事件检测有误或不及时,提高了预测结果的准确性,并且为短时预测提供了参考。步骤104的位置可以在步骤101之前或与步骤101同时进行,只要在步骤105之前即可,步骤105根据步骤104的结果得到。
现有交通事件的影响分析主要有交通事件持续时间预测和快速路/高速公路交通事件排队长度预测两种。交通状态突变分析的对象多为高速公路、快速路等封闭性道路,不适用于复杂的城市道路网;因为无法实时采集准确的交通事件类型、涉及车辆数、影响车道数等信息,现有技术方案多限于对事件影响结果的离线的历史分析,不能满足交通信息服务的实时、在线分析的需求。而本发明实施例提供的技术方案突破现有技术只针对单条高速公路或快速路的简单拓扑路网形式,研究对象将辐射至上游路段形成的路网;为短时预测提供参考;并为诱导信息发布提供参考。
优选的,所述判定属性数据包括交通状态发生突变的时刻,交通状态发生突变时的交通状态,交通状态突变等级,道路等级,车道数和/或天气状况。
1、交通状态发生突变的时刻
可分为以下四个时段:早高峰(7:00~9:00)、午平峰(11:00~13:00)、晚高峰(17:00~19:00)、其他。
2、交通状态发生突变时的交通状态
参照《城市道路交通运行评价指标体系》(DB11/T785-2011),根据交通流速度V的大小将交通状态分成以下几种:
3、交通状态突变等级
Δ为交通状态发生突变的幅度:
其中,t时刻为交通状态发生突变的时刻,Xt为t时刻的交通流参数,Xt1为t1时刻的交通流参数。
可以根据Δ的大小划分成不同的突变等级。
δ1<Δ≤δ2,一级突变;
δ2<Δ≤δ3,二级突变;
Δ>δ3,三级突变。
δ1,δ2,δ3通过分析大量的历史数据获取,可以根据经验进行取值,本发明中分别取值为30%、40%、60%。
4、道路等级
道路等级可以分为城市快速路、主干路、次干路和支路三级。
5、车道数
异常点位路段的车道数,取值可分为1、2、3、4、5、6六种。
6、天气状况
天气状况可以分为雨、雪、晴、雾等情况。
具体实施时,如图2所示,图2为本发明实施例对交通状态突变的历史样本集合分类并得到判定属性数据的中心值的实施流程示意图,上述步骤104中所述对交通状态突变的历史样本集合按照交通影响范围进行分类,确定每一类中交通影响范围数据对应的判定属性数据的中心值,具体包括:
步骤201、提取交通状态突变的历史样本集合中的交通影响范围数据;
步骤202、通过聚类分析法对交通影响范围数据进行聚类,根据交通影响范围数据所在的历史样本将历史样本集合分为多类;
步骤203、将每一类中的历史样本的判定属性数据进行平均,得到判定属性数据的中心值。
上述步骤201中,所述交通影响范围数据包括交通影响时长和交通影响空间;所述提取交通状态突变的历史样本集合中的交通影响范围数据具体包括:
根据以下函数关系式确定交通影响时长,所述函数关系式为:
其中,t时刻为交通状态发生突变的时刻,T为时间段,Xt为t时刻的交通流参数,Xt-T为(t-T)时刻的交通流参数,Xt+iT为(t+iT)时刻的交通流参数,Xt+nT为(t+nT)时刻的交通流参数,δ1为设定的百分比,nT为交通影响时长;
当交通状态突变的位点路段的交通流参数与上游路段的交通流参数的相关系数大于设定值时,确定交通影响空间。
上述步骤202中,所述对交通状态突变引起的影响范围数据进行聚类,具体包括:
计算交通状态突变的历史样本集合U中任意两个历史样本中交通影响范围数据的距离,找到所述距离最近的两个样本形成集合A1,从历史样本集合U中删除所述距离最近的两个样本;在历史样本集合U中找到距离集合A1最近的样本,将该样本加入集合A1并从历史样本集合U中删除直至集合A1中的样本数大于等于n/k,其中,n为集合U的总样本数,k为设定的集合数;重复上述步骤得到集合A2直至得到集合Ak;
根据每个聚类中所有对象的均值(中心对象),计算样本集合中每个对象与这些中心对象的距离,并根据最小距离重新对相应对象进行划分,重新计算每个(有变化)聚类的均值(中心对象);重复本步骤,直到每个聚类不再发生变化为止;
对交通影响时间和交通影响空间最终形成的k个集合,每个集合都存在若干个样本,每个样本均包含交通状态发生突变的时刻、交通状态发生突变时所处的交通状态、交通状态发生突变的等级、道路等级、车道数、天气状况等属性,将每个集合中的样本属性进行算术平均,从而得到k个集合判定属性数据的中心值,每个集合的判定属性数据的中心值都对应一个该集合的分类属性数据的中心值。
在具体实施中,交通状态一般采用交通流参数,如交通流速度等,所述判断交通状态是否发生突变具体包括:
根据如下公式计算的交通流参数的变化值,即交通状态发生突变的幅度:
其中,t时刻为交通状态发生突变的时刻,Xt为t时刻的交通流参数,Xt1为t1时刻的交通流参数;可以人为根据Δ的取值的大小将突变分为多个等级;
若是,则交通状态发生突变;
若否,则交通状态未发生突变。
具体实施中,所述预测方法还包括:
将所述当前交通影响范围发布至显示终端。
基于同一发明构思,本发明实施例中还提供了交通影响范围的预测装置,由于上述装置解决问题的原理与交通影响范围的预测方法相似,因此上述装置的实施可以参见方法的实施,重复之处不再赘述。
如图3所示,图3为本发明实施例提供的交通影响范围的预测装置的结构示意图,所述预测装置包括:
接收模块11,用于接收交通状态信息;
判断模块12,用于判断交通状态是否发生突变,若是,提取交通状态突变的当前判定属性数据;
分类模块13,用于对交通状态突变的历史样本集合按照交通影响范围进行分类,确定每一类中交通影响范围数据对应的判定属性数据的中心值;
预测模块14,用于根据确定的每一类中交通影响范围数据对应的判定属性数据的中心值得到当前判定属性数据对应的交通影响范围数据,根据交通影响范围数据预测当前交通影响范围。
具体实施时,判断模块12,可以包括:
提取模块,用于提取交通状态突变的历史样本集合中的交通影响范围数据;
聚类模块,通过聚类分析法对交通影响范围数据进行聚类,根据交通影响范围数据所在的历史样本将历史样本集合分为多类;
求平均模块,用于将每一类中所有历史样本的判定属性数据进行平均,得到判定属性数据的中心值。
其中,提取模块,包括:
第一确定模块,用于根据以下函数关系式确定交通影响时长,所述函数关系式为:
其中,t时刻为交通状态发生突变的时刻,T为时间段,Xt为t时刻的交通流参数,Xt-T为(t-T)时刻的交通流参数,Xt+iT为(t+iT)时刻的交通流参数,Xt+nT为(t+nT)时刻的交通流参数,δ1为设定的百分比,nT为交通影响时长;
第二确定模块,用于当交通状态突变的位点路段的交通流参数与上游路段的交通流参数的相关系数大于设定值时,确定交通影响空间。
具体实施时,本发明实施例提供的交通影响范围的预测装置,还可以包括:
发布模块,用于将当前交通影响范围发布至显示终端。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以下列举一个具体的实施例来说明本发明的交通影响范围的预测方法,本发明并不限于下述实施例。下述实施例中分类属性包括交通影响时长和交通影响空间。
步骤一、按照函数关系式(1)计算(即判定规则),假设δ1取值为0.3,以交通流速度V作为交通流状态参数X,获取的表1所示的交通流速度V的时间序列。图4为交通状态突变折线图。
表1交通状态突变的历史数据
步骤二、分析获取分类属性数据
由表1知,11:00为交通状态发生突变的时刻,直到11:40时刻,按照函数关系式(2)计算Δ=|35-48|/48=0.27<0.3,突变影响才结束,则交通流状态突变的影响时间为11:00~11:40,交通状态突变的影响时间为8个时间周期(本例中的每个周期T为5分钟)。
由于交通状态突变的影响时段为11:00~11:40,则选取该时段内该路段上游路段的时间序列数据。图5为交通状态突变点位上游路网结构示意图。
左转、直行、右转上游的速度时间序列值分别如下:
表2左转、直行、右转上游的速度时间序列值
根据如下公式:
分别计算交通异常点位路段(即交通状态突变点位所在路段)与上游路段①、②、③的相关系数,相关系数分别为r01、r02、r03,当相关系数大于R(依据数学理论上的划分,当R>0.5时,说明两个时间序列相关程度显著)时,继续计算该上游路段与其上游路段的相关系数,否则停止计算相关系数,即认为影响至该路段为止,则所有相关系数大于R的路网所组成的路网即为交通状态突变的影响空间。其中,xi和yi分别表示两个路段交通流参数的时间序列,在该例中xi和yi分别表示两个路段交通流速度的两个时间序列,计算获得异常点位所在路段与直行上游路段的相关系数为r01=0.8>0.5,与右转上游路段相关系数为r02=0.6>0.5,与左转上游路段相关系数为r03=0.46<0.5,则停止计算与左转上游之上游路段的相关系数,继续计算与直行上游路段和右转上游路段之上游路段的相关系数。通过计算获得r011=0.55>0.5,r012<0.5,r013<0.5;r021<0.5,r022<0.5,r023<0.5;由于r011>0.5,继续计算获得r0111<0.5,r0112<0.5,r0113<0.5。由此可以,相关系数大于0.5的交通状态突变影响范围,即事发地点的一条右转上游路段及两条直行上游路段。
采用相同的方法,选取其他交通状态突变历史时间序列数据,并确定其影响时间和影响的上游路段。
步骤三、提取判定属性数据
仍以上节的速度时间序列为例,其相关的判定属性数据分别为:
1、交通状态发生突变的时刻
由图4可知,交通发生突变的时刻为11:00,处于午平峰(11:00~13:00)时段。
2、交通状态发生突变时的交通状态
速度V=48km/h,按照主干路等级,交通状态处于畅通状态等级。
3、交通状态突变等级
根据表1中的数据,Δ=|22-48|/48=54%,按照上述交通状态突变等级的划分30%<Δ≤60%,属于二级突变。
4、道路等级
异常点位路段等级为主干路。
5、车道数
异常点位路段的车道为4。
6、天气状况
当天天气状况为晴。
步骤四、利用聚类分析方法对分类属性数据进行聚类
采用相同的方法,在获得了更多的历史样本数据后,对分类属性数据进行聚类。假设获得的样本具有以下分类属性。
表3样本的分类属性数据
由表3数据可知,样本2和样本3的距离最近,剩余样本中距离样本2与样本3组成的集合最近的样本是样本1,此时该集合中有3个样本=9/3(9为所有样本的个数,3为拟分成类数),则第一个子集合包含的样本为样本1、样本2、样本3,此时该子集合的聚类中心值为n=4.67、交通影响空间为一条上游直行路段和该条直行上游路段的直行上游路段。
同理可获得子集合2的样本包括样本4、5、6,分类属性数据的中心值分别为n=7,大于0.5的相关系数为r01、r02、r011;子集合3的样本包括样本7、8、9,分类属性数据的中心值分别为n=14、大于0.5的相关系数为r01、r02、r03、r011、r021。
步骤五、计算判定属性数据中心值
假设上节中的9个样本的判定属性数据分别如表4所示:
表4样本判定属性数据
由上节可知,样本1、样本2和样本3属于一类,样本4、样本5和样本6属于一类,样本7、样本8和样本9属于一类。
则将样本1、样本2和样本3的判定属性数据进行算术平均,将样本4、样本5和样本6的判定属性数据进行算术平均,将样本7、样本8和样本9进行算术平均,获得三个子集合的判定属性数据的中心值分别如表5所示。
表5样本判定属性数据的中心值
判定属性中心值 | 子集合1 | 子集合2 | 子集合3 |
突变时刻 | 午平峰 | 晚高峰 | 早高峰 |
突变状态 | 基本畅通 | 中度拥堵 | 中度拥堵 |
突变等级 | 一级突变 | 二级突变 | 二级突变 |
道路等级 | 次干路和支路 | 主干路 | 快速路 |
车道数 | 2.3 | 3.7 | 3.7 |
天气状况 | 晴 | 阴 | 小雨 |
另外实时检测流程,包括:
步骤一、交通状态实时监测
通过实时观测,发现某一路段的交通状态变化值Δ=50%>30%,则认为交通状态发生了突变。启动突变影响范围预测。
步骤二、获取实时判定属性数据
假设获取的实时判定属性数据如下:
表6实时判定属性数据
突变时刻 | 突变状态 | 突变等级 | 道路等级 | 车道数 | 天气状况 |
晚高峰 | 中度拥堵 | 二级突变 | 主干路 | 3 | 晴 |
步骤三、交通影响范围预测
经计算,该实时数据与上述三个子集合中的子集合2的中心值距离最近,子集合2的分类属性数据的中心值分别为n=7,大于0.5的相关系数为r01、r02、r011;故可以预测,实时样本的交通影响时间大致为nT=7*5=35,即交通影响时间大致为35分钟,交通影响空间为一条上游直行路段、一条上游右转路段和一条直行上游路段的直行上游路段。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的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,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种交通影响范围的预测方法,其特征在于,包括:
获取交通状态信息;
判断交通状态是否发生突变,若是,提取交通状态突变的当前判定属性数据;
对交通状态突变的历史样本集合按照交通影响范围进行分类,确定每一类中交通影响范围数据对应的判定属性数据的中心值;
根据确定的每一类中交通影响范围数据对应的判定属性数据的中心值得到当前判定属性数据对应的交通影响范围数据,根据交通影响范围数据预测当前交通影响范围。
2.如权利要求1所述的预测方法,其特征在于,所述判定属性数据包括交通状态发生突变的时刻,交通状态发生突变时的交通状态,交通状态突变等级,道路等级,车道数和/或天气状况。
3.如权利要求1所述的预测方法,其特征在于,所述对交通状态突变的历史样本集合按照交通影响范围进行分类,确定每一类中交通影响范围数据对应的判定属性数据的中心值,具体包括:
提取交通状态突变的历史样本集合中的交通影响范围数据;
通过聚类分析法对交通影响范围数据进行聚类,根据交通影响范围数据所在的历史样本将历史样本集合分为多类;
将每一类中的历史样本的判定属性数据进行平均,得到判定属性数据的中心值。
4.如权利要求3所述的预测方法,其特征在于,所述交通影响范围数据包括交通影响时长和交通影响空间;所述提取交通状态突变的历史样本集合中的交通影响范围数据具体包括:
根据以下函数关系式确定交通影响时长,所述函数关系式为:
其中,t时刻为交通状态发生突变的时刻,T为时间段,Xt为t时刻的交通流参数,Xt-T为(t-T)时刻的交通流参数,Xt+iT为(t+iT)时刻的交通流参数,Xt+nT为(t+nT)时刻的交通流参数,δ1为设定的百分比,nT为交通影响时长;
当交通状态突变的位点路段的交通流参数与上游路段的交通流参数的相关系数大于设定值时,确定交通影响空间。
5.如权利要求1~4任一项所述的预测方法,其特征在于,还包括:
将所述当前交通影响范围发布至显示终端。
6.一种交通影响范围的预测装置,其特征在于,包括:
接收模块,用于接收交通状态信息;
判断模块,用于判断交通状态是否发生突变,若是,提取交通状态突变的当前判定属性数据;
分类模块,用于对交通状态突变的历史样本集合按照交通影响范围进行分类,确定每一类中交通影响范围数据对应的判定属性数据的中心值;
预测模块,用于根据确定的每一类中交通影响范围数据对应的判定属性数据的中心值得到当前判定属性数据对应的交通影响范围数据,根据交通影响范围数据预测当前交通影响范围。
7.如权利要求6所述的预测装置,其特征在于,所述分类模块包括:
提取模块,用于提取交通状态突变的历史样本集合中的交通影响范围数据;
聚类模块,通过聚类分析法对交通影响范围数据进行聚类,根据交通影响范围数据所在的历史样本将历史样本集合分为多类;
求平均模块,用于将每一类中所有历史样本的判定属性数据进行平均,得到判定属性数据的中心值。
8.如权利要求6所述的预测装置,其特征在于,所述提取模块包括:
第一确定模块,用于根据以下函数关系式确定交通影响时长,所述函数关系式为:
其中,t时刻为交通状态发生突变的时刻,T为时间段,Xt为t时刻的交通流参数,Xt-T为(t-T)时刻的交通流参数,Xt+iT为(t+iT)时刻的交通流参数,Xt+nT为(t+nT)时刻的交通流参数,δ1为设定的百分比,nT为交通影响时长;
第二确定模块,用于当交通状态突变的位点路段的交通流参数与上游路段的交通流参数的相关系数大于设定值时,确定交通影响空间。
9.如权利要求6~8任一项所述的预测装置,其特征在于,还包括:
发布模块,用于将所述当前交通影响范围发布至显示终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310722987.3A CN103646542B (zh) | 2013-12-24 | 2013-12-24 | 一种交通影响范围的预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310722987.3A CN103646542B (zh) | 2013-12-24 | 2013-12-24 | 一种交通影响范围的预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103646542A true CN103646542A (zh) | 2014-03-19 |
CN103646542B CN103646542B (zh) | 2016-01-20 |
Family
ID=50251748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310722987.3A Active CN103646542B (zh) | 2013-12-24 | 2013-12-24 | 一种交通影响范围的预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103646542B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839411A (zh) * | 2014-03-20 | 2014-06-04 | 中国航天系统工程有限公司 | 一种基于动态交通信息的事故影响范围分析方法 |
CN104504229A (zh) * | 2014-09-19 | 2015-04-08 | 杭州电子科技大学 | 一种基于混合启发式算法的智能公交调度方法 |
CN105023433A (zh) * | 2015-07-01 | 2015-11-04 | 重庆大学 | 一种高速公路交通异常事件影响范围预估方法 |
CN105046943A (zh) * | 2015-06-12 | 2015-11-11 | 郑州轻工业学院 | 一种车辆运动模拟中交通故障的建模方法 |
CN105469603A (zh) * | 2015-12-30 | 2016-04-06 | 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 |
CN106469503A (zh) * | 2015-08-14 | 2017-03-01 | 高德软件有限公司 | 一种预测交通事件影响范围的方法和装置 |
CN106504534A (zh) * | 2016-11-28 | 2017-03-15 | 北京世纪高通科技有限公司 | 一种预测道路路况的方法、装置及用户设备 |
CN106610981A (zh) * | 2015-10-22 | 2017-05-03 | 北京四维图新科技股份有限公司 | 电子地图中道路信息的验证更新方法及系统 |
CN107742418A (zh) * | 2017-09-29 | 2018-02-27 | 东南大学 | 一种城市快速路交通拥堵状态及堵点位置自动识别方法 |
CN107832890A (zh) * | 2017-11-15 | 2018-03-23 | 浙江大华技术股份有限公司 | 一种拥堵预测方法和装置 |
CN108230698A (zh) * | 2016-12-21 | 2018-06-29 | 杭州海康威视数字技术股份有限公司 | 交通流量预测方法及装置 |
CN108281000A (zh) * | 2018-02-05 | 2018-07-13 | 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 |
CN109523782A (zh) * | 2018-10-16 | 2019-03-26 | 中山大学 | 一种基于身份检测数据的路段旅行时间精细化计算方法 |
CN109584563A (zh) * | 2018-12-24 | 2019-04-05 | 重庆交通大学 | 一种基于韦布尔分布的城市快速路路段通行能力可靠性分布分析方法 |
CN111785088A (zh) * | 2020-06-23 | 2020-10-16 | 大连理工大学 | 一种网联车辆匝道合并的双层协同优化方法 |
CN113159374A (zh) * | 2021-03-05 | 2021-07-23 | 北京化工大学 | 一种数据驱动的城市交通流速模式识别与实时预测预警方法 |
CN113744522A (zh) * | 2021-08-05 | 2021-12-03 | 山东旗帜信息有限公司 | 一种高速公路上的车辆引导方法、设备及介质 |
CN114841679A (zh) * | 2022-06-29 | 2022-08-02 | 陕西省君凯电子科技有限公司 | 车辆行驶数据的智能管理系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060064234A1 (en) * | 2004-09-17 | 2006-03-23 | Masatoshi Kumagai | Traffic information prediction system |
CN101894469A (zh) * | 2010-07-21 | 2010-11-24 | 北京世纪高通科技有限公司 | 历史交通信息中事件处理方法及装置 |
CN103050005A (zh) * | 2012-11-16 | 2013-04-17 | 北京交通大学 | 城市道路交通状态时空分析方法与系统 |
-
2013
- 2013-12-24 CN CN201310722987.3A patent/CN103646542B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060064234A1 (en) * | 2004-09-17 | 2006-03-23 | Masatoshi Kumagai | Traffic information prediction system |
CN101894469A (zh) * | 2010-07-21 | 2010-11-24 | 北京世纪高通科技有限公司 | 历史交通信息中事件处理方法及装置 |
CN103050005A (zh) * | 2012-11-16 | 2013-04-17 | 北京交通大学 | 城市道路交通状态时空分析方法与系统 |
Non-Patent Citations (3)
Title |
---|
孙亚等: "数据挖掘算法在交通状态量化及识别的应用", 《计算机应用》 * |
孙亚等: "数据挖掘算法在交通状态量化及识别的应用", 《计算机应用》, vol. 28, no. 3, 31 March 2008 (2008-03-31) * |
白竹: "城市主干路交通异常状态自动判别方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839411B (zh) * | 2014-03-20 | 2016-03-02 | 中国航天系统工程有限公司 | 一种基于动态交通信息的事故影响范围分析方法 |
CN103839411A (zh) * | 2014-03-20 | 2014-06-04 | 中国航天系统工程有限公司 | 一种基于动态交通信息的事故影响范围分析方法 |
CN104504229B (zh) * | 2014-09-19 | 2018-02-16 | 杭州电子科技大学 | 一种基于混合启发式算法的智能公交调度方法 |
CN104504229A (zh) * | 2014-09-19 | 2015-04-08 | 杭州电子科技大学 | 一种基于混合启发式算法的智能公交调度方法 |
CN105046943A (zh) * | 2015-06-12 | 2015-11-11 | 郑州轻工业学院 | 一种车辆运动模拟中交通故障的建模方法 |
CN105023433A (zh) * | 2015-07-01 | 2015-11-04 | 重庆大学 | 一种高速公路交通异常事件影响范围预估方法 |
CN106469503A (zh) * | 2015-08-14 | 2017-03-01 | 高德软件有限公司 | 一种预测交通事件影响范围的方法和装置 |
CN106610981A (zh) * | 2015-10-22 | 2017-05-03 | 北京四维图新科技股份有限公司 | 电子地图中道路信息的验证更新方法及系统 |
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 |
CN105469603A (zh) * | 2015-12-30 | 2016-04-06 | 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 |
CN106504534A (zh) * | 2016-11-28 | 2017-03-15 | 北京世纪高通科技有限公司 | 一种预测道路路况的方法、装置及用户设备 |
CN106504534B (zh) * | 2016-11-28 | 2019-06-14 | 北京世纪高通科技有限公司 | 一种预测道路路况的方法、装置及用户设备 |
CN108230698A (zh) * | 2016-12-21 | 2018-06-29 | 杭州海康威视数字技术股份有限公司 | 交通流量预测方法及装置 |
CN107742418B (zh) * | 2017-09-29 | 2020-04-24 | 东南大学 | 一种城市快速路交通拥堵状态及堵点位置自动识别方法 |
CN107742418A (zh) * | 2017-09-29 | 2018-02-27 | 东南大学 | 一种城市快速路交通拥堵状态及堵点位置自动识别方法 |
CN107832890A (zh) * | 2017-11-15 | 2018-03-23 | 浙江大华技术股份有限公司 | 一种拥堵预测方法和装置 |
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 |
CN108281000A (zh) * | 2018-02-05 | 2018-07-13 | 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 |
CN109523782A (zh) * | 2018-10-16 | 2019-03-26 | 中山大学 | 一种基于身份检测数据的路段旅行时间精细化计算方法 |
CN109584563B (zh) * | 2018-12-24 | 2021-03-12 | 重庆交通大学 | 一种基于韦布尔分布的城市快速路路段通行能力可靠性分布分析方法 |
CN109584563A (zh) * | 2018-12-24 | 2019-04-05 | 重庆交通大学 | 一种基于韦布尔分布的城市快速路路段通行能力可靠性分布分析方法 |
CN111785088A (zh) * | 2020-06-23 | 2020-10-16 | 大连理工大学 | 一种网联车辆匝道合并的双层协同优化方法 |
CN113159374A (zh) * | 2021-03-05 | 2021-07-23 | 北京化工大学 | 一种数据驱动的城市交通流速模式识别与实时预测预警方法 |
CN113159374B (zh) * | 2021-03-05 | 2022-04-22 | 北京化工大学 | 一种数据驱动的城市交通流速模式识别与实时预测预警方法 |
CN113744522A (zh) * | 2021-08-05 | 2021-12-03 | 山东旗帜信息有限公司 | 一种高速公路上的车辆引导方法、设备及介质 |
CN113744522B (zh) * | 2021-08-05 | 2023-02-21 | 山东旗帜信息有限公司 | 一种高速公路上的车辆引导方法、设备及介质 |
CN114841679A (zh) * | 2022-06-29 | 2022-08-02 | 陕西省君凯电子科技有限公司 | 车辆行驶数据的智能管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103646542B (zh) | 2016-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103646542B (zh) | 一种交通影响范围的预测方法和装置 | |
CN102419905B (zh) | 基于交通波理论的高速公路事故的交通影响范围确定方法 | |
CN103150930B (zh) | 针对快速道路常发性拥堵路段的追尾事故实时预测方法 | |
CN104183134B (zh) | 基于智能分车型的高速公路短时交通流量预测方法 | |
CN104484994B (zh) | 基于阵列雷达的城市路网交通运行指数评价方法 | |
CN104778835B (zh) | 一种高等级道路多瓶颈点拥堵演化时空范围识别方法 | |
CN104778834A (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN103177576B (zh) | 一种收费站上下游路况信息的判断方法及装置 | |
CN104809878A (zh) | 利用公交车gps数据检测城市道路交通异常状态的方法 | |
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 | |
CN104751642A (zh) | 一种高等级道路交通流运行风险实时预估方法 | |
CN104050809A (zh) | 交通状况自动分析预测方法 | |
CN103413435A (zh) | 一种基于油耗采集的路网运行状态分析方法 | |
CN103413436A (zh) | 一种基于油耗采集的路网运行状态分析系统 | |
CN116935654B (zh) | 一种基于数据分配值的智慧城市数据分析方法及系统 | |
CN111091295A (zh) | 一种城市区域边界控制系统 | |
Grumert et al. | Using connected vehicles in a variable speed limit system | |
Nie et al. | Optimizing actuated traffic signal control using license plate recognition data: Methods for modeling and algorithm development | |
Farrag et al. | Simulation-based evaluation of using variable speed limit in traffic incidents | |
CN105513366A (zh) | 一种道路交叉口交通状态判定方法 | |
Ma et al. | Lane-based breakdown identification at diverge sections for breakdown probability modeling | |
Chu et al. | Modeling gap choice behavior at urban expressway merging sections | |
Jiang et al. | Mixed platoon flow dispersion model based on truncated mixed phase distribution of speed | |
Dong et al. | Signal parameters estimation and optimization using mobile navigation data | |
CN114078321A (zh) | 一种交通状况确定方法和装置 |
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 |