CN104794896A - 基于升降式限高架的高架桥拥堵空间热点自动提取方法 - Google Patents

Abstract

本发明涉及一种基于升降式限高架的高架桥拥堵空间热点自动提取方法，包括：获取升降式限高架的设备数据；根据入口匝道速度数据和流量数据，计算一个采集周期内各个入口匝道的多车道单方向平均速度和多车道单方向总流量，并将二者与二者所对应的入口匝道共同作为样本集合；对样本集合进行预处理，剔除样本集合内的异常值；分别以多车道单方向平均速度、多车道单方向总流量为参数进行空间热点评估；将两个热点评估结果进行融合，自动提取高架桥拥堵空间热点。本发明充分地利用了升降式限高架入口匝道的速度、流量信息，通过空间热点的综合评估能够实现速度、流量两个交通参数的取长补短，提高了高架桥空间热点评估的准确度。

Description

基于升降式限高架的高架桥拥堵空间热点自动提取方法

技术领域

本发明涉及城市高架桥信息采集处理技术领域，尤其是一种基于升降式限高架的高架桥拥堵空间热点自动提取方法。

背景技术

随着城市路网的不断发展完善，越来越凸显了高架桥的重要性，与此同时，大中城市建立了完善的高架桥体系缓解平面的交通负荷，将交通流进行空间隔离。但是高架桥的兴起和广泛应用是近些年的事情，目前主要集中在硬件基础设施的建设，对高架桥的智能化管理，运行评估都缺少科学可靠的方法。

升降式限高架是刚出现的新型高架桥智能化限高管理的一种设施，也是目前高架桥系统中功能最齐全的设施，它集控制总成、诱导、视频、电子警察等设备于一体，主要为高架上行匝道和立交按照实际管理需求，提供限高控制，以保证高架桥的正常使用。与此同时，升降式限高架可以获取每个高架桥的入口匝道的交通流信息，通过对这些信息分析处理可以挖掘出，整个高架桥系统的入口匝道运行状态及各个分段高架桥的负荷情况，进而为实现高架桥的管理、交通组织提供基础。目前，没有出现基于升降式限高架的高架桥拥堵空间热点自动提取的方法，由于对空间热点的精准估计，在现实的交通管理中，管理者很难集中人力和物力有针对性去解决存在严重拥堵问题的入口匝道。

发明内容

本发明的目的在于提供一种以升降式限高架为技术支撑，以其获取的入口匝道流量、速度等信息为基础，经处理分析进而实现对高架桥拥堵空间热点的自动提取，提高匝道拥堵点位提取的精度和可靠性的基于升降式限高架的高架桥拥堵空间热点自动提取方法。

为实现上述目的，本发明采用了以下技术方案：一种基于升降式限高架的高架桥拥堵空间热点自动提取方法，该方法包括下列顺序的步骤：

(1)获取升降式限高架的设备数据，该数据包括入口匝道编号、入口匝道速度数据和入口匝道流量数据；

(2)根据入口匝道速度数据和入口匝道流量数据，计算一个采集周期内各个入口匝道的多车道单方向平均速度和多车道单方向总流量，并将二者与二者所对应的入口匝道共同作为样本集合，记为其中，n_i是第i个入口匝道的编号；v_i是第i个入口匝道的多车道单方向平均速度；q_i是第i个入口匝道的多车道单方向总流量；

(3)对样本集合进行预处理，剔除样本集合内的异常值；

(4)以多车道单方向平均速度为参数进行空间热点评估；

(5)以多车道单方向总流量为参数进行空间热点评估；

(6)将第四步的热点评估结果与第五步的热点评估结果进行融合，自动提取高架桥拥堵空间热点。

所述升降式限高架的设备数据包括设备编号、所处位置编号、匝道名称、入口匝道编号、入口匝道速度数据和入口匝道流量数据。

所述一个采集周期的范围为10分钟～15分钟，多车道单方向平均速度是将各车道的单方向速度求平均得到，多车道单方向总流量是将各个车道的单方向流量求和得到。

所述对样本集合进行预处理是指，设置速度阈值区间(0，80]，设置流量阈值区间(0，M_SV]，判断样本集合中的v_i是否在速度阈值区间(0，80]内，判断样本集合中的q_i是否在流量阈值区间(0，M_SV]内，若二者的判断结果均为是，则保留该样本数据，否则，剔除该样本数据；所述M_SV是该入口匝道单车道的理论最大服务交通量，其计算公式如下：

M_SV＝2100×入口匝道所包含的车道个数

其中，2100是入口匝道单车道的最大服务交通量，其单位为pcu/(h*ln)。

所述以多车道单方向平均速度为参数进行空间热点评估是指，将样本集合内所有的多车道单方向平均速度值作为数据源进行数据分类，将其分为拥堵、缓行、畅通三个级别，然后将多车道单方向平均速度值归于拥堵的所对应的入口匝道集合记为具体步骤如下：

(1)设定目标函数如下：

$J=\underset{j=1}{\overset{3}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|v_i^{\left(j\right)}-c_j\left|\right|}^2$

其中：是样本点与聚类中心c_j之间的距离度量；是指第i个匝道的多车道单方向平均速度；j是指速度样本属于第j类，即属于三个聚类中的一类；N是第j类内包含的所有样本点的总数；

(2)从样本集合中，选择所有的多车道单方向平均速度值形成速度训练集合 $\stackrel{\→}{V}=\{v_1,v_2,v_3...v_N\};$

(3)采用K-means聚类算法将速度训练集合划分为拥堵、缓行、畅通三个类别，具体步骤如下：

3a)初始化随机生成3个聚类中心；

3b)把每个速度数据点分配到离其距离最近的聚类中心所在的簇内；

3c)当所有速度数据点均已分配完毕，计算目标函数是否最优化，也就是所有的速度数据点到其所对应的聚类中心距离度量最小；

3d)重复3a)至3c)，直至3个聚类中心位置固定；

3e)取3个聚类中心中速度值最小的聚类中心所在的一类作为速度拥堵类；

(4)输出速度拥堵类所对应的拥堵的入口匝道集合

所述以多车道单方向总流量为参数进行空间热点评估是指，将样本集合内所有的多车道单方向总流量值作为数据源进行数据分类，将其分为拥堵、缓行、畅通三个级别，然后将多车道单方向总流量值归于拥堵的所对应的入口匝道集合记为具体步骤如下：

(1)设定目标函数如下：

$J=\underset{j=1}{\overset{3}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|q_i^{\left(j\right)}-c_j\left|\right|}^2$

其中：

是样本点与聚类中心c_j之间的距离度量；是指第i个匝道的多车道单方向总流量；j是指速度样本属于第j类，即属于三个聚类中的一类；N是第j类内包含的所有样本点的总数；

(2)从样本集合中，选择所有的多车道单方向总流量值形成流量训练集合

$\stackrel{\→}{Q}=\{q_1,q_2,q_3...q_N\};$

(3)采用K-means聚类算法将流量训练集合划分为拥堵、缓行、畅通三个类别，具体步骤如下：

3a)初始化随机生成3个聚类中心；

3b)把每个流量数据点分配到离其距离最近的聚类中心所在的簇内；

3c)当所有流量数据点均已分配完毕，计算目标函数是否最优化，也就是所有的流量数据点到其所对应的聚类中心距离度量最小；

3d)重复3a)至3c)，直至3个聚类中心位置固定；

3e)取3个聚类中心中流量值最大的聚类中心所在的一类作为流量拥堵类；

(4)输出流量拥堵类所对应的拥堵的入口匝道集合

所述将第四步的热点评估结果与第五步的热点评估结果进行融合是指，判断入口匝道编号n_i是否同时满足且即如果该匝道同时属于入口匝道集合和入口匝道集合的范围内，则提取该入口匝道作为高架桥拥堵空间热点。

由上述技术方案可知，本发明的优点如下：第一，本发明利用升降式限高架获取高架桥入口匝道的速度、流量信息，并将信息数据通过通讯服务回传到后台服务器，根据速度、流量与交通拥堵情况关系属性，分别以速度为参数评估空间热点、以流量为参数评估空间热点，进而在基础上实现高架桥空间热点的综合评估，为进一步缓解城市交通拥堵做铺垫；第二，充分地利用了升降式限高架入口匝道的速度、流量信息，通过空间热点的综合评估能够实现速度、流量两个交通参数的取长补短，提高了高架桥空间热点评估的准确度；第三，通过升降式限高架技术，相比较传统的检测设备而言具有功能多、性能可靠、集成化高、一体化的特点。

附图说明

图1为本发明的方法流程图；

图2为速度/流量与交通拥堵情况的对应关系示意图；

图3为采用聚类实现以速度/流量为参数的空间热点评估方法流程图。

具体实施方式

如图1所示，一种基于升降式限高架的高架桥拥堵空间热点自动提取方法，包括：

(1)获取升降式限高架的设备数据，该数据包括入口匝道编号、入口匝道速度数据和入口匝道流量数据；(2)根据入口匝道速度数据和入口匝道流量数据，计算一个采集周期内各个入口匝道的多车道单方向平均速度和多车道单方向总流量，并将二者与二者所对应的入口匝道共同作为样本集合，记为其中，n_i是第i个入口匝道的编号；v_i是第i个入口匝道的多车道单方向平均速度；q_i是第i个入口匝道的多车道单方向总流量；(3)对样本集合进行预处理，剔除样本集合内的异常值；(4)以多车道单方向平均速度为参数进行空间热点评估；(5)以多车道单方向总流量为参数进行空间热点评估；(6)将第四步的热点评估结果与第五步的热点评估结果进行融合，自动提取高架桥拥堵空间热点。

如图1所示，通过解析协议，将高架桥系统内所有匝道口升降式限高架的数据接入、回传到后台服务器，所述升降式限高架的设备数据包括设备编号、所处位置编号、匝道名称、入口匝道编号、入口匝道速度数据和入口匝道流量数据。所述一个采集周期的范围为10分钟～15分钟，多车道单方向平均速度是将各车道的单方向速度求平均得到，多车道单方向总流量是将各个车道的单方向流量求和得到。

所述对样本集合进行预处理是指，设置速度阈值区间(0，80]，设置流量阈值区间(0，M_SV]，判断样本集合中的v_i是否在速度阈值区间(0，80]内，判断样本集合中的q_i是否在流量阈值区间(0，M_SV]内，若二者的判断结果均为是，则保留该样本数据，否则，剔除该样本数据；所述M_SV是该入口匝道单车道的理论最大服务交通量，其计算公式如下：

M_SV＝2100×入口匝道所包含的车道个数

其中，2100是入口匝道单车道的最大服务交通量，其单位为pcu/(h*ln)。

如图1、2、3所示，所述以多车道单方向平均速度为参数进行空间热点评估是指，将样本集合内所有的多车道单方向平均速度值作为数据源进行数据分类，将其分为拥堵、缓行、畅通三个级别，然后将多车道单方向平均速度值归于拥堵的所对应的入口匝道集合记为具体步骤如下：

(1)设定目标函数如下：

$J=\underset{j=1}{\overset{3}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|v_i^{\left(j\right)}-c_j\left|\right|}^2$

其中：

是样本点与聚类中心c_j之间的距离度量；是指第i个匝道的多车道单方向平均速度；j是指速度样本属于第j类，即属于三个聚类中的一类；N是第j类内包含的所有样本点的总数；

(2)从样本集合中，选择所有的多车道单方向平均速度值形成速度训练集合 $\stackrel{\→}{V}=\{v_1,v_2,v_3...v_N\};$

(3)采用K-means聚类算法将速度训练集合划分为拥堵、缓行、畅通三个类别，具体步骤如下：

3a)初始化随机生成3个聚类中心；

3b)把每个速度数据点分配到离其距离最近的聚类中心所在的簇内；

3c)当所有速度数据点均已分配完毕，计算目标函数是否最优化，也就是所有的速度数据点到其所对应的聚类中心距离度量最小；

3d)重复3a)至3c)，直至3个聚类中心位置固定；

3e)取3个聚类中心中速度值最小的聚类中心所在的一类作为速度拥堵类；

(4)输出速度拥堵类所对应的拥堵的入口匝道集合

如图1、2、3所示，所述以多车道单方向总流量为参数进行空间热点评估是指，将样本集合内所有的多车道单方向总流量值作为数据源进行数据分类，将其分为拥堵、缓行、畅通三个级别，然后将多车道单方向总流量值归于拥堵的所对应的入口匝道集合记为具体步骤如下：

(1)设定目标函数如下：

$J=\underset{j=1}{\overset{3}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|q_i^{\left(j\right)}-c_j\left|\right|}^2$

其中：

是样本点与聚类中心c_j之间的距离度量；是指第i个匝道的多车道单方向总流量；j是指速度样本属于第j类，即属于三个聚类中的一类；N是第j类内包含的所有样本点的总数；

(2)从样本集合中，选择所有的多车道单方向总流量值形成流量训练集合 $\stackrel{\→}{Q}=\{q_1,q_2,q_3...q_N\};$

(3)采用K-means聚类算法将流量训练集合划分为拥堵、缓行、畅通三个类别，具体步骤如下：

3a)初始化随机生成3个聚类中心；

3b)把每个流量数据点分配到离其距离最近的聚类中心所在的簇内；

3c)当所有流量数据点均已分配完毕，计算目标函数是否最优化，也就是所有的流量数据点到其所对应的聚类中心距离度量最小；

3d)重复3a)至3c)，直至3个聚类中心位置固定；

3e)取3个聚类中心中流量值最大的聚类中心所在的一类作为流量拥堵类；

(4)输出流量拥堵类所对应的拥堵的入口匝道集合

所述将第四步的热点评估结果与第五步的热点评估结果进行融合是指，判断入口匝道编号n_i是否同时满足且即如果该匝道同时属于入口匝道集合和入口匝道集合的范围内，则提取该入口匝道作为高架桥拥堵空间热点。

在现实的交通管理中，管理者很难集中人力和物力有针对性去解决存在严重拥堵问题的入口匝道，本发明能够提取某个城市或者某个区域拥堵集中的高架桥入口匝道的点位，通过对这些拥堵的空间热点形成原因分析，可以提出很好的缓解拥堵的效果，这些热点的交通拥堵问题缓解了，整个城市的交通拥堵也会相对的降低。本发明的研究对象是整个高架桥系统内所有的入口匝道，通过分析处理，可以得到在高架桥系统中拥堵比较集中的入口匝道，因此在选择时间周期的时候综合考虑高架桥系统管理的需求。

综上所述，本发明是以高架桥所有的入口匝道为研究对象，通过升降式限高架前端的流量数据回传到服务器，通过对每个入口匝道的流量和速度的历史数据分析可以得到拥堵比较集中的匝道点位。本方法综合利用速度和流量这两类数据，提高匝道拥堵点位提取的精度和可靠性，为高架桥的拥堵管理有的放矢提供了可靠的解决方法。

Claims (7)

1.一种基于升降式限高架的高架桥拥堵空间热点自动提取方法，该方法包括下列顺序的步骤：

(1)获取升降式限高架的设备数据，该数据包括入口匝道编号、入口匝道速度数据和入口匝道流量数据；

(2)根据入口匝道速度数据和入口匝道流量数据，计算一个采集周期内各个入口匝道的多车道单方向平均速度和多车道单方向总流量，并将二者与二者所对应的入口匝道共同作为样本集合，记为其中，n_i是第i个入口匝道的编号；v_i是第i个入口匝道的多车道单方向平均速度；q_i是第i个入口匝道的多车道单方向总流量；

(3)对样本集合进行预处理，剔除样本集合内的异常值；

(4)以多车道单方向平均速度为参数进行空间热点评估；

(5)以多车道单方向总流量为参数进行空间热点评估；

(6)将第四步的热点评估结果与第五步的热点评估结果进行融合，自动提取高架桥拥堵空间热点。

2.根据权利要求1所述的基于升降式限高架的高架桥拥堵空间热点自动提取方法，其特征在于：所述升降式限高架的设备数据包括设备编号、所处位置编号、匝道名称、入口匝道编号、入口匝道速度数据和入口匝道流量数据。

3.根据权利要求1所述的基于升降式限高架的高架桥拥堵空间热点自动提取方法，其特征在于：所述一个采集周期的范围为10分钟～15分钟，多车道单方向平均速度是将各车道的单方向速度求平均得到，多车道单方向总流量是将各个车道的单方向流量求和得到。

4.根据权利要求1所述的基于升降式限高架的高架桥拥堵空间热点自动提取方法，其特征在于：所述对样本集合进行预处理是指，设置速度阈值区间(0，80]，设置流量阈值区间(0，M_SV]，判断样本集合中的v_i是否在速度阈值区间(0，80]内，判断样本集合中的q_i是否在流量阈值区间(0，M_SV]内，若二者的判断结果均为是，则保留该样本数据，否则，剔除该样本数据；所述M_SV是该入口匝道单车道的理论最大服务交通量，其计算公式如下：

M_SV＝2100×入口匝道所包含的车道个数

其中，2100是入口匝道单车道的最大服务交通量，其单位为pcu/(h*ln)。

5.根据权利要求1所述的基于升降式限高架的高架桥拥堵空间热点自动提取方法，其特征在于：所述以多车道单方向平均速度为参数进行空间热点评估是指，将样本集合内所有的多车道单方向平均速度值作为数据源进行数据分类，将其分为拥堵、缓行、畅通三个级别，然后将多车道单方向平均速度值归于拥堵的所对应的入口匝道集合记为具体步骤如下：

(1)设定目标函数如下：

$J=\underset{j=1}{\overset{3}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|v_i^{\left(j\right)}-c_j\left|\right|}^2$

其中：

是样本点与聚类中心c_j之间的距离度量；是指第i个匝道的多车道单方向平均速度；j是指速度样本属于第j类，即属于三个聚类中的一类；N是第j类内包含的所有样本点的总数；

(2)从样本集合中，选择所有的多车道单方向平均速度值形成速度训练集合 $\stackrel{\→}{V}=\{v_1,v_2,v_3...v_N\};$

(3)采用K-means聚类算法将速度训练集合划分为拥堵、缓行、畅通三个类别，具体步骤如下：

3a)初始化随机生成3个聚类中心；

3b)把每个速度数据点分配到离其距离最近的聚类中心所在的簇内；

3c)当所有速度数据点均已分配完毕，计算目标函数是否最优化，也就是所有的速度数据点到其所对应的聚类中心距离度量最小；

3d)重复3a)至3c)，直至3个聚类中心位置固定；

3e)取3个聚类中心中速度值最小的聚类中心所在的一类作为速度拥堵类；

(4)输出速度拥堵类所对应的拥堵的入口匝道集合

6.根据权利要求1所述的基于升降式限高架的高架桥拥堵空间热点自动提取方法，其特征在于：所述以多车道单方向总流量为参数进行空间热点评估是指，将样本集合内所有的多车道单方向总流量值作为数据源进行数据分类，将其分为拥堵、缓行、畅通三个级别，然后将多车道单方向总流量值归于拥堵的所对应的入口匝道集合记为具体步骤如下：

(1)设定目标函数如下：

$J=\underset{j=1}{\overset{3}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|q_i^{\left(j\right)}-c_j\left|\right|}^2$

其中：

是样本点与聚类中心c_j之间的距离度量；是指第i个匝道的多车道单方向总流量；j是指速度样本属于第j类，即属于三个聚类中的一类；N是第j类内包含的所有样本点的总数；

(2)从样本集合中，选择所有的多车道单方向总流量值形成流量训练集合

$\stackrel{\→}{Q}=\{q_1,q_2,q_3...q_N\};$

(3)采用K-means聚类算法将流量训练集合划分为拥堵、缓行、畅通三个类别，具体步骤如下：

3a)初始化随机生成3个聚类中心；

3b)把每个流量数据点分配到离其距离最近的聚类中心所在的簇内；

3c)当所有流量数据点均已分配完毕，计算目标函数是否最优化，也就是所有的流量数据点到其所对应的聚类中心距离度量最小；

3d)重复3a)至3c)，直至3个聚类中心位置固定；

3e)取3个聚类中心中流量值最大的聚类中心所在的一类作为流量拥堵类；

(4)输出流量拥堵类所对应的拥堵的入口匝道集合

7.根据权利要求1所述的基于升降式限高架的高架桥拥堵空间热点自动提取方法，其特征在于：所述将第四步的热点评估结果与第五步的热点评估结果进行融合是指，判断入口匝道编号n_i是否同时满足且即如果该匝道同时属于入口匝道集合和入口匝道集合的范围内，则提取该入口匝道作为高架桥拥堵空间热点。