CN104217591B - 动态路况检测方法及系统 - Google Patents
动态路况检测方法及系统 Download PDFInfo
- Publication number
- CN104217591B CN104217591B CN201410437660.6A CN201410437660A CN104217591B CN 104217591 B CN104217591 B CN 104217591B CN 201410437660 A CN201410437660 A CN 201410437660A CN 104217591 B CN104217591 B CN 104217591B
- Authority
- CN
- China
- Prior art keywords
- time
- data
- real
- road
- time window
- 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
本发明提供了一种动态路况检测方法及系统,该方法包括如下步骤:A根据单车上的实时路况分析模型得到浮动车车辆速度,分别计算出实时加速度以及单位路程;B在一个时间间隔中嵌入时间窗,再给定一个步进时间,平移时间窗,从而得到不同的时间窗数据;C对所有时间窗内数据进行检查,避免数据缺失或异常值的情况;D对每一个时间窗内的数据通过聚类算法进行状态分析,得到交通状态;E对所有时间窗的交通状态进行统计分析,得出统计结果;F将实时路况数据上传至数据中心端。本发明的有益效果是:本发明通过分布式个体的实时路况分析,消除以往分析存在大量失真数据的干扰的问题,显著提高动态路况检测的准确性。
Description
技术领域
本发明涉及数据处理领域,尤其涉及动态路况检测方法及系统。
背景技术
通过查阅国内外研究现状,发现先进的城市交通诱导是防止和减轻交通拥挤,并最终实现交通流在路网各个路段上合理分配的有效手段。先进的交通诱导系统是以实时采集动态交通状态信息为基础的。常用交通信息采集方式包括:线圈检测器、超声波检测器、红外检测器、视频检测器等。这些均为固定式检测器,存在安装和维护成本高、覆盖范围小、仅能检测固定位置的数据等不足。受人力、资金等因素的制约,我国各城市的交通管理部门仅在关键路段和主要交叉口安装了固定检测器,导致城市道路网上存在大量的信息“真空”地带,使得交通管理者无法准确高效地进行交通诱导和控制。随着GPS、GIS和无线通信技术的发展,利用安装了GPS和无线通信设备的浮动车采集交通信息正逐渐受到重视。
在二十世纪八十年代由德国人最早提出了交通检测技术—FCD(Floating CarData)技术,基于该技术的交通路况模型实现如下:
1.利用具有GPS定位功能的浮动车辆(主要是城市出租车或私家车)采集位置和时间信息;
2.对FCD源数据进行预处理,由于GPS终端被建筑物遮挡等原因,GPS数据往往会产生严重的静态漂移现象,因此需要过滤这些数据,以求真实反映当前路况;
3.采取以空间换时间的方法,将数字地图网格化,建立网格与对应道路ID索引,从而满足大规模数据地图匹配定位的实时性要求;
4.每个车辆导航仪的定位、速度等数据都上传到数据中心端,由中心端汇总后进行分析判断。首先按照车辆ID将数据分组,组内数据按照时间先后排序,其次根据组内数据判断路况信息,剔除速度为零且在路口的位置点时间,然后按照距离除以时间计算平均速度,由平均速度得高低判断路况信息。最后将路况信息存入数据库,由路况发布系统对数据库的实时读取进行路况信息的发布。
上述路况模型存在的缺点:1)由于浮动车实时数据是间隔一个规定时间上传当时速度数据的,所以上传到中心端的数据存在很大偶然性,有的时候可能会造成很大的误差,影响终端对实时路况的判断分析,从而造成局部路段速度信息不准确;2)由于FCD技术是把浮动车实时速度等数据上传到中心端的,然后中心端对所有得到的数据进行处理分析,计算量很大,也可能会带来一定的误差,造成分析得到的结果的不准确;3)而对于出租车等行业车辆出于营运需求,不能客观表现车速。如果仅仅在中心端依靠其速度信息判断路况会带来严重偏差。
发明内容
为了解决现有技术中的问题,本发明提供了一种动态路况检测方法,包括如下步骤:
A.根据单车上的实时路况分析模型得到车辆速度,分别计算出实时加速度以及单位路程;
B.在一定时间间隔内嵌入时间窗,再给定一个步进时间,平移时间窗,从而得到不同的时间窗数据;
C.检查每个时间窗内数据是否存在缺失或异常数值,如无误,执行步骤D,否则,返回步骤B重新选择时间间隔。
D.对每一个时间窗内的数据通过聚类算法进行状态分析,得到一个交通状态;
E.对所有时间窗的交通状态进行统计分析,得出统计结果,该统计结果表示实时路况数据;
F.将实时路况数据上传至数据中心端。
作为本发明的进一步改进,在所述步骤A中,实时路况分析模型从车载GPS终端获取车辆速度信息。
作为本发明的进一步改进,在所述步骤D中,前期用历史数据训练聚类算法得到准确的聚类算法参数。
作为本发明的进一步改进,在所述步骤F中,每隔设定时间上传一次实时路况数据至数据中心端。
作为本发明的进一步改进,在所述步骤F后执行如下步骤:数据中心端根据接收到的实时路况数据绘制区域实时路况,同时将区域实时路况发送给用户。
本发明还提供了一种动态路况检测系统,包括:
单个车辆数据获取模块,用于根据实时路况分析模型得到车辆速度,分别计算出实时加速度以及单位路程;
时间窗分析模块,用于在一个时间间隔中嵌入时间窗,再给定一个步进时间,平移时间窗,从而得到不同的时间窗数据;
判断模块,用于检查每个时间窗内数据是否存在缺失或异常数值,如无误,执行智能推理模块,否则,返回时间窗分析模块重新选择时间间隔;
智能推理模块,用于对每一个时间窗内的数据通过聚类算法进行状态分析,得到一个交通状态;
统计模块,用于对所有时间窗的交通状态进行统计分析,得出统计结果,该统计结果表示实时路况数据;
传输模块,用于将实时路况数据上传至数据中心端。
作为本发明的进一步改进,在所述车辆数据获取模块中,实时路况分析模型从车载GPS终端获取车辆速度信息。
作为本发明的进一步改进,在所述智能推理模块中,用历史数据训练聚类算法得到准确的聚类算法参数。
作为本发明的进一步改进,在所述传输模块,每隔设定时间上传一次实时路况数据至数据中心端。
作为本发明的进一步改进,在所述数据中心端中,根据接收到的实时路况数据绘制区域实时路况,同时将区域实时路况发送给用户。
本发明的有益效果是:本发明减少了因车辆道路分布不均以及不良GPS数据引起的速度误差,通过浮动车个体直接判断路况的分布式架构消除了以往中心端集中判断存在大量误判的可能,显著提高了动态路况检测的准确性,而且极大降低了中心端的计算成本。
附图说明
图1是本发明的方法流程图。
具体实施方式
如图1所示,本发明公开了一种基于浮动车个体的分布式动态路况检测方法,包括如下步骤:
在步骤S1中,根据单车上的实时路况分析模型得到车辆速度,分别计算出实时加速度以及单位路程;
v(t)=random()
从而得到三个序列:{v(t)},{a(t)},{s(t)}。其中{v(t)},{a(t)},{s(t)}分别是一段时间内的速度v(t),加速度a(t),单位路程s(t)的集合;分析三个有效序列比仅仅分析一个速度数据会得到更准确的结果。
在步骤S2中,对选定时间间隔数据,嵌入时间窗,再给定一个步进时间,平移时间窗,从而得到不同的时间窗数据;
设在时间段T内,其中嵌入步进时间τ。比如在实时路况分析模型中,我们根据测得30秒时间间隔的数据,这时T=30,可以设定n=6,每个Ti中含有5组数据,再给定一个步进时间τ=2,那么我们可以得到一系列含有时间窗数据:T1={(v(1),a(1),s(1)),(v(2),a(2),s(2)),(v(3),a(3),s(3)),(v(4),a(4),s(4)),(v(5),a(5),s(5))},T2={(v(3),a(3),s(3)),(v(4),a(4),s(4)),(v(5),a(5),s(5)),(v(6),a(6),s(6)),(v(7),a(7),s(7))},等等,其中的{v(t)},{a(t)},{s(t)}(t=1,2,…,30)是由1)得到的三个序列。这样我们得到了一些不同的时间窗数据,在每个时间窗内就都能进行分析,还可以改变步进时间,得到不同结果,对于这些结果,可以进行统计分析。
在步骤S3中,对每一个时间窗内数据进行检查,判断是否存在缺失或异常数值,如无误,那么执行步骤S4,否则,返回步骤B重新选择时间间隔,避免异常值进入后续路况判断。
在步骤S4中,对每一个时间窗内的数据通过已训练好的聚类算法进行状态分析,得到一个交通状态;
对每一个时间窗内的数据,设置输入为我们已经得出的v(t),a(t),s(t),设置输出为我们已经定义的通畅、拥挤、堵塞和等红灯四种交通状态,基于聚类算法,对其中判定模块进行机器学习;
根据聚类原则,使两类点的类内距离相对小,即同类点分布比较集中,体现着同类样本点的相似性,为此可以将该算法转化为求解下列优化问题:
其中,||w||2表示使两类点间的不同类间距离最大,ηi表示各点到其距离它最近的分类超平面的距离,而表示使同类点间的间距最小。
对于每一个时间窗内的数据,我们都能得到一个具体的交通状态。
其中,聚类算法的各个参数我们前期可以通过大量的历史数据进行训练学习得到。
在步骤S5中,对所有时间窗的交通状态进行统计分析,得出统计结果,该统计结果表示实时路况数据;该统计结果也就是当前道路最终路况结果。
对所有时间窗得到的交通状态进行统计分析,具体看某种交通状态(通畅、拥挤、堵塞和等红灯)在所有时间窗内所占的比例大小,从而得出这段时间内车辆所在道路的实时交通路况(所占比例最大的)。这样我们就可以避免那些在常规方法中,只上传一个数据进行分析带来的偶然性和不准确性。
在步骤S6中,将实时路况数据上传至数据中心端。
在所述步骤S1中,实时路况分析模型从车载GPS终端获取车辆速度信息。
在所述步骤S6中,每隔设定时间上传一次实时路况数据至数据中心端,例如每隔30秒上传一次实时路况数据至中心端。
在所述步骤S6后执行如下步骤:数据中心端根据接收到的实时路况数据绘制区域实时路况,同时将区域实时路况发送给用户,发送的形式可以有多种,例如通过网站、手机短信、微信发送区域实时路况至导航设备终端、信号咨询服务台等多种形式通知给用户。
而针对上述步骤S2、步骤S3和步骤S4,我们之前需要选取不同时间窗长和步进时间,重复以上步骤,通过大量的数据对我们的模型进行机器学习,验证最优时间窗长和步进时间,并且确定模型参数。利用已训练好的模型,对单个车辆浮动点数据进行实时分析,从而实现对动态路况进行实时监测。
本发明还公开了一种动态路况检测系统,包括:
车辆数据获取模块,用于根据实时路况分析模型得到车辆速度,分别计算出实时加速度以及单位路程;
时间窗分析模块,用于在一个时间间隔中嵌入时间窗,再给定一个步进时间,平移时间窗,从而得到不同的时间窗数据;
判断模块,用于检查每个时间窗内数据是否存在缺失或异常数值,如无误,执行智能推理模块,否则,返回时间窗分析模块重新选择时间间隔;
智能推理模块,用于对每一个时间窗内的数据通过聚类算法进行状态分析,得到一个交通状态;即,对每一个时间窗内的数据通过已训练好的聚类算法进行推理判断,从而得到一个交通状态。
统计模块,用于对所有时间窗的交通状态进行统计分析,得出统计结果,该统计结果表示实时路况数据;
传输模块,用于将实时路况数据上传至数据中心端。
在所述车辆数据获取模块中,实时路况分析模型从车载GPS终端获取车辆速度信息。
在所述智能推理模块中,用历史数据训练聚类算法得到准确的聚类算法参数,即可以用大量的历史数据来训练学习来得到准确的参数。
在所述传输模块,每隔设定时间上传一次实时路况数据至中心端。
在所述数据中心端中,根据接收到的实时路况数据绘制区域实时路况,同时将区域实时路况发送给用户。
在本发明中,在单个车载终端中安装一个实时路况分析模型,首先通过实时路况分析模型测得车辆的实时速度值,根据给定的速度值、对应的单位路程与加速度,之后分别对这三个变量做聚类分析,从而分析车辆所经过路段的道路状态,一旦发生拥堵,主动回传拥堵状态(拥挤、缓慢)、经纬度、时间、方向信息至数据中心端,从而减小了因车辆道路分布不均以及不良GPS数据引起的速度误差,提高了动态路况检测的准确性。
本发明是基于浮动车个体进行的分布式动态路况检测,从而能够保证单个车辆分析路况结果的可靠性,消除失真数据的干扰,从而提高城市整体路况分析的准确性。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种动态路况检测方法,其特征在于,包括如下步骤:
A.根据单车上的实时路况分析模型得到车辆速度,分别计算出实时加速度以及单位路程;
B.在一个时间间隔中嵌入时间窗,再给定一个步进时间,平移时间窗,从而得到一系列时间窗内数据;
C.检查每个时间窗内数据是否存在缺失或异常数值,如无误,执行步骤D,否则,返回步骤B重新选择时间间隔;
D.对每一个时间窗内的数据通过聚类算法进行状态分析,得到一个交通状态;
E.对所有时间窗的交通状态进行统计分析,根据通畅、拥挤、堵塞和等红灯四种交通状态在所有时间窗内所占的比例大小得出所述车辆所在道路的实时交通状态;
F.将实时路况数据上传至数据中心端。
2.根据权利要求1所述的动态路况检测方法,其特征在于,在所述步骤A中,实时路况分析模型从车载GPS终端获取车辆速度信息。
3.根据权利要求1所述的动态路况检测方法,其特征在于,在所述步骤D中,前期用历史数据训练聚类算法得到准确的聚类算法参数。
4.根据权利要求1所述的动态路况检测方法,其特征在于,在所述步骤F中,每隔设定时间上传一次实时路况数据至数据中心端。
5.根据权利要求1至4任一项所述的动态路况检测方法,其特征在于,在所述步骤F后执行如下步骤:数据中心端根据接收到的实时路况数据绘制区域实时路况,同时将区域实时路况发送给用户。
6.一种动态路况检测系统,其特征在于,包括:
车辆数据获取模块,用于根据实时路况分析模型得到车辆速度,分别计算出实时加速度以及单位路程;
时间窗分析模块,用于在一个时间间隔中嵌入时间窗,再给定一个步进时间,平移时间窗,从而得到不同的时间窗数据;
判断模块,用于检查每个时间窗内数据是否存在缺失或异常数值,如无误,执行智能推理模块,否则,执行时间窗分析模块重新选择时间间隔;
智能推理模块,用于对每一个时间窗内的数据通过聚类算法进行状态分析,得到一个交通状态;
统计模块,用于对所有时间窗的交通状态进行统计分析,根据通畅、拥挤、堵塞和等红灯四种交通状态在所有时间窗内所占的比例大小得出所述车辆所在道路的实时交通状态;
传输模块,用于将实时路况数据上传至数据中心端。
7.根据权利要求6所述的动态路况检测系统,其特征在于,在所述车辆数据获取模块中,实时路况分析模型从车载GPS终端获取车辆速度信息。
8.根据权利要求6所述的动态路况检测系统,其特征在于,在所述智能推理模块中,用历史数据训练聚类算法得到准确的聚类算法参数。
9.根据权利要求6所述的动态路况检测系统,其特征在于,在所述传输模块,每隔设定时间上传一次实时路况数据至数据中心端。
10.根据权利要求7至9任一项所述的动态路况检测系统,其特征在于,在所述数据中心端中,根据接收到的实时路况数据绘制区域实时路况,同时将区域实时路况发送给用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410437660.6A CN104217591B (zh) | 2014-08-29 | 2014-08-29 | 动态路况检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410437660.6A CN104217591B (zh) | 2014-08-29 | 2014-08-29 | 动态路况检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104217591A CN104217591A (zh) | 2014-12-17 |
CN104217591B true CN104217591B (zh) | 2017-03-15 |
Family
ID=52099025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410437660.6A Active CN104217591B (zh) | 2014-08-29 | 2014-08-29 | 动态路况检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104217591B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104613974B (zh) * | 2014-05-08 | 2017-08-25 | 腾讯科技(深圳)有限公司 | 导航时间获取方法、系统、导航方法和装置 |
CN108513676B (zh) * | 2018-04-25 | 2022-04-22 | 深圳市锐明技术股份有限公司 | 一种路况识别方法、装置及设备 |
CN110197583B (zh) * | 2018-05-03 | 2021-10-22 | 腾讯科技(深圳)有限公司 | 一种道路路况的识别方法、装置及存储介质 |
CN110702437B (zh) * | 2019-09-12 | 2021-06-29 | 国能大渡河流域水电开发有限公司龚嘴水力发电总厂 | 一种水轮发电机组油压系统健康状况的评价方法 |
CN111540207A (zh) * | 2020-05-12 | 2020-08-14 | 安徽皖通科技股份有限公司 | 一种道路信息采集系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763729A (zh) * | 2009-12-29 | 2010-06-30 | 北京世纪高通科技有限公司 | 路况数据特征值提取的方法和装置 |
CN102254432A (zh) * | 2011-06-17 | 2011-11-23 | 福建工程学院 | 一种提供主动的实时路况信息服务的方法 |
CN102592453A (zh) * | 2012-02-27 | 2012-07-18 | 东南大学 | 一种基于时间窗口的实时交通状况判别方法 |
CN103106794A (zh) * | 2013-01-11 | 2013-05-15 | 福建工程学院 | 一种基于浮动车技术的道路行车节能方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4557288B2 (ja) * | 2005-01-28 | 2010-10-06 | アイシン・エィ・ダブリュ株式会社 | 画像認識装置及び画像認識方法、並びにそれを用いた位置特定装置、車両制御装置及びナビゲーション装置 |
-
2014
- 2014-08-29 CN CN201410437660.6A patent/CN104217591B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763729A (zh) * | 2009-12-29 | 2010-06-30 | 北京世纪高通科技有限公司 | 路况数据特征值提取的方法和装置 |
CN102254432A (zh) * | 2011-06-17 | 2011-11-23 | 福建工程学院 | 一种提供主动的实时路况信息服务的方法 |
CN102592453A (zh) * | 2012-02-27 | 2012-07-18 | 东南大学 | 一种基于时间窗口的实时交通状况判别方法 |
CN103106794A (zh) * | 2013-01-11 | 2013-05-15 | 福建工程学院 | 一种基于浮动车技术的道路行车节能方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104217591A (zh) | 2014-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109544932B (zh) | 一种基于出租车gps数据与卡口数据融合的城市路网流量估计方法 | |
CN104217591B (zh) | 动态路况检测方法及系统 | |
CN105206057B (zh) | 基于浮动车居民出行热点区域的检测方法及系统 | |
CN104809878B (zh) | 利用公交车gps数据检测城市道路交通异常状态的方法 | |
CN108345666B (zh) | 一种基于时间-空间孤立点的车辆异常轨迹检测方法 | |
CN104778834B (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN104809879B (zh) | 基于动态贝叶斯网络的高速公路路段交通状态估计方法 | |
CN109644360A (zh) | 一种使用wi-fi探针判别行人流向的方法 | |
CN110176139A (zh) | 一种基于dbscan+的道路拥堵识别可视化方法 | |
CN107948166A (zh) | 基于深度学习的流量异常检测方法及装置 | |
CN107945510B (zh) | 一种考虑交通需求和道路网络运行效率的路段检测方法 | |
CN116153078B (zh) | 基于毫米波雷达的道路安全度评估方法、装置及存储介质 | |
CN116631186B (zh) | 基于危险驾驶事件数据的高速公路交通事故风险评估方法、系统 | |
CN111768619A (zh) | 一种基于卡口数据的快速路车辆od点确定方法 | |
CN110197586A (zh) | 一种基于多源数据的高速公路路段拥堵检测方法 | |
CN107230350A (zh) | 一种基于卡口与手机流量话单数据的城市交通量获取方法 | |
CN113077626A (zh) | 一种车道选择的引导方法、装置、系统、设备及存储介质 | |
CN105893352A (zh) | 一种基于社交网络大数据的空气质量预警和监测分析系统 | |
CN113361825A (zh) | 一种踩踏事故早期预警方法及系统 | |
Wang et al. | Vehicle reidentification with self-adaptive time windows for real-time travel time estimation | |
CN104575049B (zh) | 一种基于阵列雷达的高架匝道智能诱导方法及装置 | |
CN109489679A (zh) | 一种导航路径中的到达时间计算方法 | |
CN106327867A (zh) | 一种基于gps数据的公交准点预测方法 | |
CN104966404A (zh) | 一种基于阵列雷达的单点自优化信号控制方法及装置 | |
CN105118310A (zh) | 一种基于视频的单点自优化信号控制方法及装置 |
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 |