CN104778834B - 一种基于车辆gps数据的城市道路交通拥堵判别方法 - Google Patents

一种基于车辆gps数据的城市道路交通拥堵判别方法 Download PDF

Info

Publication number
CN104778834B
CN104778834B CN201510036233.1A CN201510036233A CN104778834B CN 104778834 B CN104778834 B CN 104778834B CN 201510036233 A CN201510036233 A CN 201510036233A CN 104778834 B CN104778834 B CN 104778834B
Authority
CN
China
Prior art keywords
road
time
traffic
vector
urban road
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
Application number
CN201510036233.1A
Other languages
English (en)
Other versions
CN104778834A (zh
Inventor
安实
杨海强
崔建勋
王健
姚焓东
魏艳波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin University of Technology Robot Group Co., Ltd.
Original Assignee
Harbin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN201510036233.1A priority Critical patent/CN104778834B/zh
Publication of CN104778834A publication Critical patent/CN104778834A/zh
Application granted granted Critical
Publication of CN104778834B publication Critical patent/CN104778834B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G08SIGNALLING
    • G08GTRAFFIC CONTROL SYSTEMS
    • G08G1/00Traffic control systems for road vehicles
    • G08G1/01Detecting movement of traffic to be counted or controlled
    • G08G1/0104Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • GPHYSICS
    • G08SIGNALLING
    • G08GTRAFFIC CONTROL SYSTEMS
    • G08G1/00Traffic control systems for road vehicles
    • G08G1/01Detecting movement of traffic to be counted or controlled
    • G08G1/0104Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125Traffic data processing
    • G08G1/0133Traffic data processing for classifying traffic situation

Abstract

一种基于车辆GPS数据的城市道路交通拥堵判别方法,涉及一种城市道路交通拥堵判别方法。解决现有城市道路交通拥堵判别方法由于采用传统交通信息检测设备,使得依托于这些检测设备数据的交通拥堵判别方法的应用范围存在较大局限性的问题。基于人工神经网络模型构建城市道路路段行程时间预测模型;利用城市道路路段行程时间预测模型,根据车辆GPS获得的当前时刻的位置向量、路段编号向量、时间戳向量、速度向量,计算得到当前时刻的路段行程时间数据;基于路段行程时间数据进一步计算得出路段交通流速度和路段交通流密度;以路段交通流速度和密度数据为输入条件,判定道路交通拥堵状态。能供当前时刻的GPS数据便能迅速准确地判别交通拥堵状态。

Description

一种基于车辆GPS数据的城市道路交通拥堵判别方法
技术领域
[0001 ]本发明涉及一种城市道路交通拥堵判别方法。
背景技术
[0002] 据公安部数据显示,截止2013年底全国汽车保有量超过1.37亿,相较于2012年增 长达到11.4%,全国有31个城市的汽车拥有量超过百万。城市汽车数量的激增,会导致严重 的交通拥堵问题,已经成为全国各城市所面临的共同难题,导致巨大的经济损失。据交通部 数据显示,交通拥堵每年导致的经济损失达到2500亿元,相当于全年GDP的5%-8%。此外, 交通拥堵也会导致城市环境恶化、居民健康水平下降、城市出行满意度降低等间接损失。利 用道路交通流量、行驶速度、占有率等数据,对城市道路交通拥堵进行实时判别,一方面能 够向公众出行者发布出行信息服务,提高居民的出行满意度;另一方面能够告知城市交通 管理部门,以便对交通拥堵进行及时干预及管理,防止交通拥堵的扩散并减低交通拥堵带 来的损失,具有重要的现实意义。
[0003] 在以往的研究中,城市道路交通拥堵判别的数据来源广泛,主要包括三类:传统的 道路固定交通信息检测器,如线圈检测器、微波检测器、视频检测器等;交叉口自适应控制 设备检测器,如Scats、S C00t设备等;专门的道路移动检测器,如浮动车、专用交通信息监测 车等。而这些交通信息检测设备,往往存在安装布设的成本高、技术难度大、后期维护运营 困难等问题,使得依托于这些检测设备数据的交通拥堵判别方法的应用范围存在较大局限 性。通过统计发现,这些研究的实际应用倾向于经济条件好的大城市或城市范围的快速路、 主干路等主要路段,也印证了这一问题。
[0004] 随着LBS(Location Based Service)技术的发展普及,城市交通出行的GPS数据 (如安装有GPS模块的出租车及公交车、居民的移动通信设备等)成本更低、获取更容易,对 城市交通的参与者(行人及车辆)的位置信息的采集变的越来越容易,这些数据成为一种隐 性财富被大量的保存下来,而这些海量的位置信息通常以GPS数据的形式存储于各种管理 机构及政府部门,利用这些GPS定位点数据进行交通拥堵的判别已经成为近些年来研究的 热点。
发明内容
[0005] 本发明的目的是提供一种基于车辆GPS数据的城市道路交通拥堵判别方法,以解 决现有城市道路交通拥堵判别方法由于采用传统交通信息检测设备,往往存在安装布设的 成本高、技术难度大、后期维护运营困难,使得依托于这些检测设备数据的交通拥堵判别方 法的应用范围存在较大局限性的问题。
[0006] 本发明为解决上述技术问题采取的技术方案是:
[0007] -种基于车辆GPS数据的城市道路交通拥堵判别方法,所述方法的实现过程为:
[0008] 步骤一、以行驶于城市道路的车辆GPS数据为基础,结合城市道路拓扑结构信息, 对不同类型的城市道路路段行程时间分配进行划分;得到目标路段的历史行程时间1⑴;
[0009] 步骤二、基于人工神经网络模型构建城市道路路段行程时间估计模型:输入神经 元为由车辆GPS获得的位置向量p(i)、路段编号向量s(i)、时间戳向量t(i)、速度向量v(i), 对应的输出量为步骤一所述的目标路段的历史行程时间T s(1),通过加载海量GPS数据信息 及道路网络信息进行训练,获得训练良好的城市道路路段行程时间计算模型;
[0010] 利用城市道路路段行程时间估计模型,根据车辆GPS获得的当前时刻的位置向量p (i)、路段编号向量s(i)、时间戳向量t(i)、速度向量v(i),计算得到当前时刻的路段行程时 间数据;
[0011] 步骤三、基于步骤二获得的路段行程时间数据,进一步计算得出路段交通流速度 VP和路段交通流密度KP;
[0012] 步骤四、以路段交通流速度VP和路段交通流密度心数据为输入条件,判定道路交通 拥堵状态。
[0013] 在步骤一中,所述目标路段的历史行程时间的到得方式为:
[0014] 由于车辆GPS数据计算出的行程时间是车辆自一个路段的某一位置行驶到另一路 段的某一位置得到的;将这一过程可以分为三种类型,并分别给出计算行程时间的方法:
[0015] 第一种类型为所调查路段上存在至少两个车辆GPS定位点,在这种情况下,所调查 路段的行程时间由此路段上首尾两GPS定位点之间的时间差值、上游交叉口到首个GPS定位 点的行驶时间以及末尾GPS定位点到下游交叉口的行驶时间三者的加和计算得出;计算公 式如下:
[0016] TL2 = t2,躺+t3_t2+t3,躺(1)
[0017]其中,TL2为所调查路段L2的行程时间,t2,分离为上游交叉口到首个GPS定位点的行 驶时间,t3-t2为此路段上首尾两GPS定位点之间的时间差值,t3,躺为末尾GPS定位点到下游 交叉口的行驶时间;
[0018]第二种类型为所调查路段上只存在一个车辆GPS定位点,在这种情况下,所调查路 段的行程时间由上游交叉口到此GPS定位点的时间以及此GPS定位点到下游交叉口的行驶 时间的加和计算得出:
[0019] TL2 = t2,躺+t3,躺(2)
[0020] 其中,TL2为所调查路段L2的行程时间,t2,分离为上游交叉口到GPS定位点的行驶时 间,t3,躺为GPS定位点到下游交叉口的行驶时间;
[0021] 第三种类型为所调查路段上不存在车辆GPS定位点,在这种情况下,所调查路段的 行程时间由此调查路段临近两GPS定位点之间的时间差计算得出:
[0022] TL2 = t2,躺(3)
[0023] 其中,TL2为所调查路段L2的行程时间,t2,分离为调查路段临近两GPS定位点之间的 时间差的代换值。
[0024] 在步骤二中,所述人工神经网络模型(ANN模型)的数学描述如下:
[0025] 输入层
[0026]
Figure CN104778834BD00071
(1)
[0027] 其中p(i)是浮动车i在上游路段、目标路段和下游路段上的位置向量;s(i)是路段 编号向量,表明浮动车所在路段;t(i)是时间戳向量,表明浮动车发送信息的时刻;v(i)是 速度向量;
[0028] 模型中输入神经元的数量可以由以下决定:
[0029] N=n*m (2)
[0030] 其中η是每辆浮动车所考虑的信息点数量;m是信息的类别,所述m为4分别表示:位 置、路段ID、时间戳和速度;
[0031] 隐藏层
[0032]
Figure CN104778834BD00072
(3)
[0033] 其中hm(i)定义了第m个隐藏神经元的值,ω j,m定义了连接第j个输入神经元和第m 个隐藏神经元的权重,hm定义了有固定值的第m个隐藏神经元的偏差;识是传输函数;传输 函数的一般形式是逻辑S型函数和双曲正切函数;
[0034] f[y) = \- exp (-2 j ) / J exp (-2^) ⑷
[0035] 输出层
[0036]
Figure CN104778834BD00073
(5)
[0037] 其中Y(i)和TT(i)定义了路段上的浮动车i的估计行程时间;cok定义了连接第k个 隐藏神经元和输出神经元的权重;b是输出的偏差0是传输函数,线性函数通常用于输出单 J L· 〇
[0038]在步骤三中,路段交通流速度VP和路段交通流密度KP的计算过程为:
[0039] 给定时间帧参数,取值为5分钟、10分钟、15分钟或20分钟;
[0040] 在第ρ个时间帧TFP范围内,目标路段上交通流速度VP计算公式如下:
[0041]
Figure CN104778834BD00074
(9)
[0042]其中,L代表路段长度,q代表此时间帧内途径此路段的车辆数量,TT(i)代表时间 帧1?[)范围内第i辆车的行程时间;
[0043]在时间帧TFP范围内,目标路段上交通流密度KP计算公式如下:
[0044]
Figure CN104778834BD00081
(.10)
[0045] 在步骤四中,判定道路交通拥堵状态的过程为:
[0046] 给出目标路段的设计时速,根据计算出路段交通流速度%和路段交通流密度KP,依 据道路通行能力手册(HCM 2000)对城市道路服务水平等级的划分标准,对调查路段的交通 拥堵状态判别如下:
[0047] 在道路设计时速为100km/h的路段中,当ΚΡ彡10且VP彡88时,判定为畅通;当10〈Κ Ρ <32且62<VP〈88时,判定为缓行;当32〈1([)且¥[)〈62时,判定为拥堵;
[0048] 在道路设计时速为80km/h的路段中,当KP彡10且VP彡72时,判定为畅通;当10〈K P〈 32且55<VP〈72时,判定为缓行;当32〈1([)且¥[)〈55时,判定为拥堵;
[0049] 在道路设计时速为60km/h的路段中,当ΚΡ<10且VP彡55时,判定为畅通;当10〈K P〈 32且44<VP〈55时,判定为缓行;当32〈1([)且¥[)〈44时,判定为拥堵。
[0050] 本发明的有益效果是:
[0051] 本发明方法是对城市交通拥堵进行实时判别,而不是对下一时刻的拥堵进行预 测,重点在于"实时",能实时预测城市交通拥堵状态,即提供当前时刻的GPS数据便能迅速 准确地判别交通拥堵状态。
[0052]本发明提供的基于车辆GPS数据的城市道路交通拥堵判别方法,以城市道路中采 集的车辆GPS数据为基础,结合GPS定位点在道路中不同的路段行程时间分配类型信息,构 建人工神经网络模型,计算路段行程时间,进而能够获得道路路段交通流速度及交通流密 度信息,最终进行道路交通拥堵状态判别。该方法适用于能够采集GPS数据的任意城市道路 路段,具有较强的普适性。
附图说明
[0053]图1是本发明所述城市道路交通拥堵判别方法的原理示意图;图2是本发明方法的 流程框图;图3为路段行程时间分配示意图,其中:(a)为类型1的行程时间分配示意图,(b) 为类型2的行程时间分配示意图,(c)为类型3的行程时间分配示意图;图4为路段行程时间 估计的人工神经网络结构示意图;图5为路段交通拥堵判别流程图。
具体实施方式
[0054]具体实施方式一:结合图1~5,本实施方式针对所述基于车辆GPS数据的城市道路 交通拥堵判别方法进行详细阐述,
[0055] (1)、所述基于车辆GPS数据的城市道路交通拥堵判别方法的功能是进行城市道路 交通拥堵状态判别,所述判别方法包括四个步骤:1)以行驶于城市道路的车辆GPS数据为基 础,结合城市道路拓扑结构信息,对不同类型的城市道路路段行程时间进行分配;2)构建人 工神经网络模型,输入神经元为车辆位置点、时间戳、车辆速度等信息,加载海量GPS数据信 息及道路网络信息进行训练,获得训练良好的城市道路路段行程时间计算模型;3)基于获 得的路段行程时间数据,进一步计算得出路段交通流密度及速度数据;4)以路段交通流密 度及速度数据为输入条件,判定道路交通拥堵状态。其原理(系统架构)如图1所示。
[0056] (2)城市道路路段行程时间分配
[0057]由于车辆GPS数据计算出的行程时间并不是源自独立的完整路段,而是车辆自一 个路段的某一位置行驶到另一路段的某一位置得到的。这一过程可以分为3种类型,如图3 所示。
[0058]本发明将城市道路路段行程时间分配划分为三种类型,是通过统计历史海量的 GPS数据,发现这三种类型的比例更高,达到95%以上,而其他类型占比较少,如果也考虑进 来会降低道路交通拥堵判别的效率。而划分类型越细,准确率越高,统一的方法的话会降低 准确率,因此给出三种分配类型,结合所调查路段的实际情况,选择某一具体类型来计算路 段行程时间。如图3所示。
[0059] Po,Pi,P2,P3,P4位于相关路段上,t〇,tl,t2,t3,t4是时间戳。1/ 1,1/ 2,1/ 3,1/ 4表示基 于浮动车GPS采集到的行程时间进行重新分配得到的路段行程时间。完整的路段行程时间 定义为:当车辆通过上游停车线的时间点与车辆通过下游停车线的时间点之间的时间差。
[0060] 类型1:如图3(a)所示,记录的位置在相同的路段上,路段2的完整行程时间由三部 分组成:
[0061] TL2 = t2,躺+t3_t2+t3,躺(6)
[0062] 对于这种情况,由于路段空间长度较大或目标路段上的交通状况比较拥挤,或是 车辆需要等待红灯,浮动车在这个路段上的行程时间相对较长。
[0063] 类型2:如图3(b)所示,第一个和第二个记录的位置在邻近的路段上,路段2的行程 时间估计如下:
[0064] TL2 = t2,躺+t3,躺(7)
[0065] 类型3:如图3(c)所示,两个连续记录的位置之间至少有一个完整路段存在,路段2 的行程时间是:
[0066] TL2 = t2,躺(8)
[0067] 在这种情况下,由于目标路段可能处于自由流或非饱和状态,浮动车在路段上的 行驶时间较短。因此下一步需要的问题是如何仅基于浮动车GPS数据重新分配行程时间到 单个路段上。这里采用人工神经网络模型和一个解析模型。
[0068] (3)基于人工神经网络的路段行程时间估计
[0069]基本上,浮动车GPS采集到的交通数据包括路径上的位置、时间戳和速度,其可以 用于人工神经网络模型(ANN)的输入数据。由于交通流和信号配时在城市路网上并不是一 直有效的,因此我们试图开发一个模型来尽可能利用最少的信息准确地估计行程时间,同 时增强模型的普适性。在我们的ANN模型中,假设浮动车在当前样本时段经历的交通状况与 相同车辆在之前的样本时段遍历的路径相似,之前的样本时段内浮动车GPS信息结合了当 前的样本时段内的信息。相关ANN模型结构如图4所示。
[0070] ANN模型的数学描述如下:
[0071 ]①输入层
[0072]
Figure CN104778834BD00091
(9)
[0073] 其中p(i)是浮动车i在上游路段、目标路段和下游路段上的位置向量s(i)是路段 编号向量,表明浮动车所在路段,例如上述公式中所述Tl2中下标L2; t (i)是时间戳向量,表 明浮动车发送信息的时刻;v (i)是速度向量。
[0074] 模型中输入神经元的数量可以由以下决定:
[0075] N=n*m (10)
[0076] 其中η是每辆浮动车所考虑的信息点数量;m是信息的类别,这里m为4(位置、路段 ID、时间戳和速度)。
[0077] 对图3(a)的情形,需要考虑之前时段内的信息,因此对于每辆浮动车输入神经元 是5 X4(5个位置+5个路段ID+5个时间戳+5个速度)。对于图3(b)的情形,使用了4 X 4个神经 元,而对于图3 (c)的情形需要3 X 4个神经元。
[0078] ②隐藏层
[0079]
Figure CN104778834BD00101
(11)
[0080] 其中hm(i)定义了第m个隐藏神经元的值,ω j,m定义了连接第j个输入神经元和第m 个隐藏神经元的权重,hm定义了有固定值的第m个隐藏神经元的偏差;P是传输函数。传输 函数的一般形式是逻辑S型函数和双曲正切函数。而在实际运用中,双曲正切函数的收敛速 度更快。因此,我们选择:
[0081 ] φ{γ) = 1- exp (-2y) fl + exp (-2j) (12)
[0082] ③输出层
[0083]
Figure CN104778834BD00102
(13)
[0084] 其中Y(i)和TT(i)定义了路段上的浮动车i的估计行程时间;cok定义了连接第k个 隐藏神经元和输出神经元的权重;b是输出的偏差;P是传输函数,线性函数通常用于输出 单元。
[0085] 利用海量的历史车辆GPS数据对此神经网络模型的训练,而此历史数据量越大越 好,而以特定的时间周期(如:周、月、年)内的数据作为成套输入数据为佳,这样能够将城市 道路交通流变化的周期性考虑进来。经过训练,此神经网络模型达到均衡最优,即为基于人 工神经网络的路段行程时间估计模型。
[0086] 通过将实时采集而来的浮动车经炜度坐标、瞬时速度、时间戳等信息录入此训练 完备的模型中,能够得到实时道路行程时间。
[0087] (4)路段交通流速度及密度计算
[0088]给定时间帧参数TF,以便统计特定时间范围内的所有车辆的路段行程时间,而时 间帧的范围大小由道路等级、道路路段长度、智能交通应用的实际要求等因素决定。时间帧 范围过小,会导致此范围内车辆GPS定位数量过少,精确度差;时间帧范围过大,无法真实反 映城市道路网络内交通流的"瞬息万变"。本发明建议的时间帧范围包括:5分钟、10分钟、15 分钟、20分钟四种尺度,其中以5分钟为最佳。
[0089]在时间帧TFP范围内,此路段上交通流速度¥[)计算公式如下:
[0090]
Figure CN104778834BD00111
(9)
[0091] 其中,L代表路段长度,q代表此时间帧内途径此路段的车辆数量,TT(i)代表时间 帧1?[)范围内第i辆车的行程时间。
[0092] 在时间帧TFP范围内,此路段上交通流密度心计算公式如下:
Figure CN104778834BD00112
[0093] (5)路段交通拥堵判别
[0094] 本发明采用如图5的判断逻辑,判别道路路段交通拥堵状态。输入条件为路段交通 流密度k及路段交通流速度V。图5中,路段交通流密度k及路段交通流速度v的单位分别为 pcu/km/h及km/h。虚线箭头代表判断畅通,细线箭头代表判断缓行,粗线箭头代表判断拥 堵。
[0095] 以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此, 任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其 发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。

Claims (4)

1. 一种基于车辆GPS数据的城市道路交通拥堵判别方法,其特征在于,所述方法的实现 过程为: 步骤一、以行驶于城市道路的车辆GPS数据为基础,结合城市道路拓扑结构信息,对不 同类型的城市道路路段行程时间分配进行划分;得到目标路段的历史行程时间1⑴; 所述目标路段的历史行程时间的到得方式为: 由于车辆GPS数据计算出的行程时间是车辆自一个路段的某一位置行驶到另一路段的 某一位置得到的;将这一过程分为三种类型,并分别给出计算行程时间的方法: 第一种类型为所调查路段上存在至少两个车辆GPS定位点,在这种情况下,所调查路段 的行程时间由此路段上首尾两GPS定位点之间的时间差值、上游交叉口到首个GPS定位点的 行驶时间以及末尾GPS定位点到下游交叉口的行驶时间三者的加和计算得出;计算公式如 下: TL2 = t2,躺+t3_t2+t3,躺 (1) 其中,IY2为所调查路段L2的行程时间,t2,分离为上游交叉口到首个GPS定位点的行驶时 间,t3-t2为此路段上首尾两GPS定位点之间的时间差值,t3,躺为末尾GPS定位点到下游交叉 口的行驶时间; 第二种类型为所调查路段上只存在一个车辆GPS定位点,在这种情况下,所调查路段的 行程时间由上游交叉口到此GPS定位点的时间以及此GPS定位点到下游交叉口的行驶时间 的加和计算得出: TL2 = t2,躺+t3,躺(2) 其中,IY2为所调查路段L2的行程时间,t2,分离为上游交叉口到GPS定位点的行驶时间, t3,躺为GPS定位点到下游交叉口的行驶时间; 第三种类型为所调查路段上不存在车辆GPS定位点,在这种情况下,所调查路段的行程 时间由此调查路段临近两GPS定位点之间的时间差计算得出: TL2 = t2,躺(3) 其中,Tl2为所调查路段L2的行程时间,t2,躺为调查路段临近两GPS定位点之间的时间差 的代换值; 步骤二、基于人工神经网络模型构建城市道路路段行程时间估计模型:输入神经元为 由车辆GPS获得的位置向量p(i)、路段编号向量s(i)、时间戳向量t(i)、速度向量v(i),对应 的输出量为步骤一所述的目标路段的历史行程时间T s(1),通过加载海量GPS数据信息及道 路网络信息进行训练,获得训练良好的城市道路路段行程时间计算模型; 利用城市道路路段行程时间估计模型,根据车辆GPS获得的当前时刻的位置向量p(i)、 路段编号向量s(i)、时间戳向量t(i)、速度向量v(i),计算得到当前时刻的路段行程时间数 据; 步骤三、基于步骤二获得的路段行程时间数据,进一步计算得出路段交通流速度Vp和路 段交通流密度Kp; 步骤四、以路段交通流速度Vp和路段交通流密度心数据为输入条件,判定道路交通拥堵 状态。
2. 根据权利要求1所述的一种基于车辆GPS数据的城市道路交通拥堵判别方法,其特征 在于:在步骤二中,所述人工神经网络模型的数学描述如下: 输入层
Figure CN104778834BC00031
(I) 其中P(i)是浮动车i在上游路段、目标路段和下游路段上的位置向量;S(i)是路段编号 向量,表明浮动车所在路段;t(i)是时间戳向量,表明浮动车发送信息的时刻;v(i)是速度 向量; 模型中输入神经元的数量由以下决定:
Figure CN104778834BC00032
其中η是每辆浮动车所考虑的信息点数量;m是信息的类别,所述m为4分别表示:位置、 路段ID、时间戳和速度; 隐藏层
Figure CN104778834BC00033
(3) 其中hm (i)定义了第m个隐藏神经元的值,ω j, m定义了连接第j个输入神经元和第m个隐 藏神经元的权重,hm定义了有固定值的第m个隐藏神经元的偏差;於是传输函数;传输函数的 一般形式是逻辑S型函数和双曲正切函数;
Figure CN104778834BC00034
… ...... (4): (5) 其中Y(i)和TT(i)定义了路段上的浮动车i的估计行程时间;COk定义了连接第k个隐藏 神经元和输出神经元的权重;b是输出的偏差;皆是传输函数,线性函数用于输出单元。
3.根据权利要求2所述的一种基于车辆GPS数据的城市道路交通拥堵判别方法,其特征 在于:在步骤三中,路段交通流速度Vp和路段交通流密度Kp的计算过程为: 给定时间帧参数,取值为5分钟、10分钟、15分钟或20分钟; 在第P个时间帧TFp范围内,目标路段上交通流速度Vp计算公式如下:
Figure CN104778834BC00035
(9) 其中,L代表路段长度,q代表此时间帧内途径此路段的车辆数量,TT (i)代表时间帧TFp 范围内第i辆车的行程时间; 在时间帧TFp范围内,目标路段上交通流密度Kp计算公式如下:
Figure CN104778834BC00041
(10)。
4.根据权利要求3所述的一种基于车辆GPS数据的城市道路交通拥堵判别方法,其特征 在于:在步骤四中,判定道路交通拥堵状态的过程为: 给出目标路段的设计时速,根据计算出路段交通流速度%和路段交通流密度KP,依据道 路通行能力手册对城市道路服务水平等级的划分标准,对调查路段的交通拥堵状态判别 如下: 在道路设计时速为l〇〇km/h的路段中,当Kp彡10且Vp彡88时,判定为畅通;当10〈Κ Ρ彡32 且62<VP〈88时,判定为缓行;当32〈1([)且¥[)〈62时,判定为拥堵; 在道路设计时速为80km/h的路段中,当Kp彡10且Vp彡72时,判定为畅通;当10〈K P〈32且 55<VP〈72时,判定为缓行;当32〈1([)且¥[)〈55时,判定为拥堵; 在道路设计时速为60km/h的路段中,当Kp彡10且Vp彡55时,判定为畅通;当10〈K P〈32且 44<VP〈55时,判定为缓行;当32〈1([)且¥[)〈44时,判定为拥堵。
CN201510036233.1A 2015-01-23 2015-01-23 一种基于车辆gps数据的城市道路交通拥堵判别方法 Active CN104778834B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510036233.1A CN104778834B (zh) 2015-01-23 2015-01-23 一种基于车辆gps数据的城市道路交通拥堵判别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510036233.1A CN104778834B (zh) 2015-01-23 2015-01-23 一种基于车辆gps数据的城市道路交通拥堵判别方法

Publications (2)

Publication Number Publication Date
CN104778834A CN104778834A (zh) 2015-07-15
CN104778834B true CN104778834B (zh) 2017-02-22

Family

ID=53620274

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510036233.1A Active CN104778834B (zh) 2015-01-23 2015-01-23 一种基于车辆gps数据的城市道路交通拥堵判别方法

Country Status (1)

Country Link
CN (1) CN104778834B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105825669B (zh) * 2015-08-15 2018-06-08 北京数行健科技有限公司 一种识别城市快速路交通瓶颈的系统和方法
CN105160867B (zh) * 2015-08-20 2017-06-16 南京安通杰科技实业有限公司 交通讯息预测方法
TWI543896B (zh) * 2015-08-26 2016-08-01 財團法人工業技術研究院 通訊裝置、通訊系統與其相關之通訊方法
CN107274668A (zh) * 2016-04-06 2017-10-20 北京瑞拓电子技术发展有限公司 一种基于车辆检测的道路拥堵建模方法
CN106373397B (zh) * 2016-09-28 2018-10-02 哈尔滨工业大学 基于模糊神经网络的遥感图像道路通行情况分析方法
CN106781468B (zh) 2016-12-09 2018-06-15 大连理工大学 基于建成环境和低频浮动车数据的路段行程时间估计方法
CN106781488B (zh) * 2016-12-28 2019-11-15 安徽科力信息产业有限责任公司 基于车流密度和车速融合的交通运行状态评价方法
CN109923595B (zh) * 2016-12-30 2021-07-13 同济大学 一种基于浮动车数据的城市道路交通异常检测方法
CN107590998B (zh) * 2017-08-16 2020-12-29 重庆市市政设计研究院 一种基于浮动车数据的道路节点运行状态识别系统
CN107967803A (zh) * 2017-11-17 2018-04-27 东南大学 基于多源数据及变权重组合预测模型的交通拥堵预测方法
CN108492555B (zh) * 2018-03-20 2020-03-31 青岛海信网络科技股份有限公司 一种城市路网交通状态评价方法及装置
CN110361019A (zh) * 2018-04-11 2019-10-22 北京搜狗科技发展有限公司 用于预测导航时间的方法、装置、电子设备及可读介质
CN108513676A (zh) * 2018-04-25 2018-09-07 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
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
CN109658697B (zh) * 2019-01-07 2021-09-24 平安科技(深圳)有限公司 交通拥堵的预测方法、装置和计算机设备
CN109712402B (zh) * 2019-02-12 2021-11-12 南京邮电大学 一种基于元路径拥塞模式挖掘的移动对象行驶时间预测方法及装置
CN110989369A (zh) * 2019-11-05 2020-04-10 珠海格力电器股份有限公司 一种设备控制方法、装置、电子设备以及可读介质
CN111028511B (zh) * 2019-12-25 2021-10-15 亚信科技(中国)有限公司 一种交通拥堵预警方法及装置
CN111680745B (zh) * 2020-06-08 2021-03-16 青岛大学 一种基于多源交通大数据融合的突发拥堵判别方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040034467A1 (en) * 2002-08-09 2004-02-19 Paul Sampedro System and method for determining and employing road network traffic status
CN100337256C (zh) * 2005-05-26 2007-09-12 上海交通大学 城市路网交通流状态估计方法
CN102289935B (zh) * 2006-03-03 2015-12-16 因瑞克斯有限公司 使用来自移动数据源的数据估算道路交通状况
CN101794507B (zh) * 2009-07-13 2012-03-28 北京工业大学 基于浮动车数据的宏观路网交通状态评价方法
CN101719315B (zh) * 2009-12-23 2011-06-01 山东大学 一种基于中间件的动态交通信息采集方法
CN102737502A (zh) * 2012-06-13 2012-10-17 天津大学 基于gps数据的道路交通流预测方法
CN102750825B (zh) * 2012-06-19 2014-07-23 银江股份有限公司 基于神经网络分类器级联融合的城市道路交通状态检测方法

Also Published As

Publication number Publication date
CN104778834A (zh) 2015-07-15

Similar Documents

Publication Publication Date Title
CN104778834B (zh) 一种基于车辆gps数据的城市道路交通拥堵判别方法
CN104157139B (zh) 一种交通拥堵预测方法及可视化方法
US10354523B2 (en) Road traffic control system, method, and electronic device
CN104575051B (zh) 一种基于阵列雷达的高架匝道智能信号控制方法及装置
CN103996289B (zh) 一种流量-速度匹配模型及行程时间预测方法及系统
CN104575050B (zh) 一种基于浮动车的快速路匝道智能诱导方法及装置
WO2019047905A1 (zh) 一种交通路况分析系统、方法以及装置
CN109410577A (zh) 基于空间数据挖掘的自适应交通控制子区划分方法
CN105825669A (zh) 一种识别城市快速路交通瓶颈的系统和方法
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
CN104200649A (zh) 基于预先申请的交通高峰期路线资源调度分配系统与方法
CN109191849B (zh) 一种基于多源数据特征提取的交通拥堵持续时间预测方法
CN104851287B (zh) 基于视频检测器的城市道路路段行程时间检测方法
Xinghao et al. Predicting bus real-time travel time basing on both GPS and RFID data
CN109598950A (zh) 一种智能网联车辆的匝道协同汇入控制方法及系统
CN105551250A (zh) 一种基于区间聚类的城市道路交叉口运行状态判别方法
CN111341095B (zh) 一种基于边缘侧在线计算的交通信号控制系统及方法
CN108039046A (zh) 一种基于c-v2x的城市交叉路口行人检测识别系统
CN109118787A (zh) 一种基于深度神经网络的车辆速度预测方法
CN104408948A (zh) 基于车载gps的城市道路交通公交优先信号控制方法
CN105139670A (zh) 一种基于视频的区域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
CN110111573A (zh) 一种基于物联网的拥堵车辆综合调度方法
CN112017429A (zh) 一种基于货车gps数据的治超监测布点方法

Legal Events

Date Code Title Description
PB01 Publication
C06 Publication
SE01 Entry into force of request for substantive examination
EXSB Decision made by sipo to initiate substantive examination
GR01 Patent grant
C14 Grant of patent or utility model
TR01 Transfer of patent right

Effective date of registration: 20190612

Address after: 150000 Heilongjiang Harbin Dalian economic and Trade Zone, the North Road and Xingkai Road intersection

Patentee after: Harbin University of Technology Robot Group Co., Ltd.

Address before: 150001 No. 92 West straight street, Nangang District, Heilongjiang, Harbin

Patentee before: Harbin Institute of Technology

TR01 Transfer of patent right