CN104933861B - 能容忍数据不同步的交通事件检测方法 - Google Patents
能容忍数据不同步的交通事件检测方法 Download PDFInfo
- Publication number
- CN104933861B CN104933861B CN201510272493.9A CN201510272493A CN104933861B CN 104933861 B CN104933861 B CN 104933861B CN 201510272493 A CN201510272493 A CN 201510272493A CN 104933861 B CN104933861 B CN 104933861B
- Authority
- CN
- China
- Prior art keywords
- value
- cycle
- occ
- data
- relative drift
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 27
- 230000001360 synchronised effect Effects 0.000 description 7
- 238000009499 grossing Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000034 method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明属于道路交通检测技术领域，公开了一种能容忍数据不同步的交通事件检测方法，包括以下步骤：读取上下游车检器的系统时间，计算相对漂移时间，并根据相对漂移时间的大选，选择使用传统的加州算法，或利用相对漂移时间与一个或多个检测周期T的所占比例将检测数据尽可能同步，然后进行事件判断。本发明通过简易高效的算法，能够有效够降低数据不同步对双截面交通事件检测算法造成的负面影响，从而提高交通事件检测系统的准确性和可信性。
Description
技术领域
本发明属于道路交通检测技术领域，具体涉及一种交通事件检测方法。
背景技术
近年来，我国公路网频频出现交通拥挤、交通事故等问题，影响着路网运行效率。随着智能交通技术的发展，以算法为核心的交通事件自动检测系统正在陆续投入的应用研发，为解决交通事件管理带来机遇。
从检测算法所利用的检测断面数量来看，现有事件检测算法主要分为单截面检测算法和双截面检测算法：单截面检测算法以单个断面的固定车检器所采集到的交通流参数作为输入进行判别，主要包括指数平滑算法(exponential smoothing)、时间序列算法(ARIMA)等；双截面检测算法以上、下游固定车检器所采集到的实时交通流参数作为输入进行判别，主要包括加利福尼亚算法(California)、波动分析法(WA)等。
双截面交通事件检测算法与单截面交通事件检测算法对检测数据的要求最主要的区别在于，双截面算法要求上下游的检测数据是同步的，而单截面检测算法由于没有利用两个断面检测数据，因此不存在数据同步问题。
在实际工程应用中，由于各个断面的交通检测器固有时钟是不可能完全同步的，上传到系统的相同时间戳的数据并非是同步的，从而导致双截面交通事件检测算法的检测效果并不理想，使得检测系统常常出现不可预见的误报警、重复报警以及漏报警等问题。
现有的诸多双截面交通事件检测算法并未针对数据不同步问题采取相应的改善措施，从而导致在工程系统中，不能满足实际应用需求。
发明内容
有鉴于此，本发明的目的在于提供一种能容忍数据不同步的交通事件检测方法,能有效地降低数据不同步对双截面交通事件检测算法的影响，提高事件检测系统的准确性和可信性。
为达到上述目的，本发明提供如下技术方案：
能容忍数据不同步的交通事件检测方法，包括以下步骤：
1)读取上下游车检器的系统时间t1和t2；
2)计算相对漂移时间t相对漂移＝t1-t2；
3)用相对漂移时间t相对漂移除以检测周期T，并取绝对值，获得相对漂移周期数n；
4)读取当前周期占有率数据以及当前周期的前n个周期占有率历史数据；
5)参数初始化：OCCDF＝0、OCCRDF＝0、DOCCTD＝0；
6)判断相对漂移时间t相对漂移是否大于等于0，如果是，进入步骤7)，如果否，进入步骤8)；
7)计算OCCDF、OCCRDF、OCCTD三个判别公式的值：
其中，OCC(i,t)为第t个周期的上游占有率值，OCC(i+1,t)为第t个周期下游占有率值，OCC(i,t-n+1)为第t-n+1个周期的上游占有率值，OCC(i,t-n)为第t-n个周期的上游占有率值；
8)计算OCCDF、OCCRDF、OCCTD三个判别公式的值：
其中，OCC(i,t)为第t个周期的上游占有率值，OCC(i+1,t)为第t个周期下游占有率值，OCC(i+1,t-n+1)为第t-n+1个周期的下游占有率值，OCC(i+1,t-n)为第t-n个周期的下游占有率值；
9)通过OCCDF、OCCRDF和OCCTD与决策阈值的对比，判断是否有事件发生。
进一步，所述步骤9)具体包括如下步骤：
91)判断OCCDF是否大于决策阈值K1，其中，K1的取值方式与原有加州算法的决策阈值K1取值方式相同，如果否，则事件检测状态STATE＝0，即没有事件发生，如果是，则进入步骤92)；
92)判断OCCRDF是否大于决策阈值K2，如果否，则事件检测状态STATE＝0，即没有事件发生，如果是，则进入步骤93)；
93)判断OCCTD是否大于决策阈值K3，如果否，则事件检测状态STATE＝0，即没有事件发生，如果是，则事件检测状态STATE＝1，即有事件发生。
本发明相对于现有技术具有如下优点：通过简易高效的算法，能够有效够降低数据不同步对双截面交通事件检测算法造成的负面影响，从而提高交通事件检测系统的准确性和可信性。
附图说明
图1示出了能容忍数据不同步的交通事件检测方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将对本发明的具体实施方式作进一步的详细描述。
数据不同步对加州算法产生的影响主要为误报警和漏报警：①误报产生原因是，在无交通事件的情况下，上下游检测器时钟同步时，下游占有率数据能够较好地随上游占有率变化而变化，从而上下游占有率的差值稳定在一定范围内，当上下游检测器时钟不同步达到一定程度后，使得上下游差值的离散程度异常增大，从而导致误报警；②漏报产生原因是，有事件发生的情况下，当上下游检测器时钟同步时，上游占有率增大、下游占有率减小，上下游占有率呈现“背离”关系，当检测器时钟不同步时，使得上下游占有率数据不能很好地反映这种“背离”关系，甚至漂移成为无交通事件情况下的“跟随”关系，从而导致漏报警。
因此，设计能容忍数据不同步的改进加州算法的思路是使上下游数据尽可能同步，即把漂移的占有率曲线平移回来。由于检测数据(总车流量、平均车速、占有率)是总平均数据，于是车流量在检测周期内可近似均匀分布的，则时间占有率也是均匀分布的，因此，可以利用检测器的相对漂移时间t相对漂移时间与检测周期T将占有率曲线近似平移到同步状态。
本实施例的能容忍数据不同步的交通事件检测方法，包括如下步骤：
1)读取上下游车检器的系统时间t1和t2；
2)计算相对漂移时间t相对漂移＝t1-t2；
3)用相对漂移时间t相对漂移除以检测周期T，并取绝对值，获得相对漂移周期数n；
4)读取当前周期占有率数据以及当前周期的前n个周期占有率历史数据；
5)参数初始化：OCCDF＝0、OCCRDF＝0、DOCCTD＝0；
6)判断相对漂移时间t相对漂移是否大于等于0，如果是，进入步骤7)，如果否，进入步骤8)；
7)计算OCCDF、OCCRDF、OCCTD三个判别公式的值：
其中，OCC(i,t)为第t个周期的上游占有率值，OCC(i+1,t)为第t个周期下游占有率值，同理，OCC(i,t-n+1)为第t-n+1个周期的上游占有率值，OCC(i,t-n)为第t-n个周期的上游占有率值；
8)计算OCCDF、OCCRDF、OCCTD三个判别公式的值：
其中，OCC(i,t)为第t个周期的上游占有率值，OCC(i+1,t)为第t个周期下游占有率值，同理，OCC(i+1,t-n+1)为第t-n+1个周期的下游占有率值，OCC(i+1,t-n)为第t-n个周期的下游占有率值；
9)通过OCCDF、OCCRDF和OCCTD与决策阈值的对比，判断是否有事件发生，具体包括如下步骤：
91)判断OCCDF是否大于决策阈值K1，其中，K1的取值方式与原有加州算法的决策阈值K1取值方式相同，如果否，则事件检测状态STATE＝0，即没有事件发生，如果是，则进入步骤92)；
92)判断OCCRDF是否大于决策阈值K2，如果否，则事件检测状态STATE＝0，即没有事件发生，如果是，则进入步骤93)；
93)判断OCCTD是否大于决策阈值K3，如果否，则事件检测状态STATE＝0，即没有事件发生，如果是，则事件检测状态STATE＝1，即有事件发生。
K1、K2、K3的取值方式与原有加州算法的决策阈值取值方式相同。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (2)
1.能容忍数据不同步的交通事件检测方法，其特征在于：包括以下步骤：
1)读取上下游车检器的系统时间t1和t2；
2)计算相对漂移时间t相对漂移＝t1-t2；
3)用相对漂移时间t相对漂移除以检测周期T，并取绝对值，获得相对漂移周期数n；
4)读取当前周期占有率数据以及当前周期的前n个周期占有率历史数据；
5)参数初始化：OCCDF＝0、OCCRDF＝0、DOCCTD＝0；
6)判断相对漂移时间t相对漂移是否大于等于0，如果是，进入步骤7)，如果否，进入步骤8)；
7)计算OCCDF、OCCRDF、OCCTD三个判别公式的值：
其中，OCC(i,t)为第t个周期的上游占有率值，OCC(i+1,t)为第t个周期下游占有率值，OCC(i,t-n+1)为第t-n+1个周期的上游占有率值，OCC(i,t-n)为第t-n个周期的上游占有率值；
8)计算OCCDF、OCCRDF、OCCTD三个判别公式的值：
其中，OCC(i,t)为第t个周期的上游占有率值，OCC(i+1,t)为第t个周期下游占有率值，OCC(i+1,t-n+1)为第t-n+1个周期的下游占有率值，OCC(i+1,t-n)为第t-n个周期的下游占有率值；
9)通过OCCDF、OCCRDF和OCCTD与决策阈值的对比，判断是否有事件发生。
2.根据权利要求1所述的能容忍数据不同步的交通事件检测方法，其特征在于：所述步骤9)具体包括如下步骤：
91)判断OCCDF是否大于决策阈值K1，如果否，则事件检测状态STATE＝0，即没有事件发生，如果是，则进入步骤92)；
92)判断OCCRDF是否大于决策阈值K2，如果否，则事件检测状态STATE＝0，即没有事件发生，如果是，则进入步骤93)；
93)判断OCCTD是否大于决策阈值K3，如果否，则事件检测状态STATE＝0，即没有事件发生，如果是，则事件检测状态STATE＝1，即有事件发生；
其中，决策阈值K1、K2和K3的取值方式与原有加州算法的决策阈值取值方式相同。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510272493.9A CN104933861B (zh) | 2015-05-25 | 2015-05-25 | 能容忍数据不同步的交通事件检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510272493.9A CN104933861B (zh) | 2015-05-25 | 2015-05-25 | 能容忍数据不同步的交通事件检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104933861A CN104933861A (zh) | 2015-09-23 |
| CN104933861B true CN104933861B (zh) | 2017-06-13 |
Family
ID=54121009
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510272493.9A Active CN104933861B (zh) | 2015-05-25 | 2015-05-25 | 能容忍数据不同步的交通事件检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104933861B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107293120A (zh) * | 2017-07-24 | 2017-10-24 | 重庆大学 | 一种基于遗传算法的交通事件检测算法的参数自整定方法 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111223302B (zh) * | 2018-11-23 | 2021-12-03 | 明创能源股份有限公司 | 移动载具用外部坐标实时三维路况辅助装置及该系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101364346A (zh) * | 2008-09-03 | 2009-02-11 | 华中科技大学 | 基于视频流的嵌入式实时智能交通监控系统 |
| JP5383422B2 (ja) * | 2009-10-16 | 2014-01-08 | 東日本高速道路株式会社 | 車両検知集約伝送装置 |
| CN104103171B (zh) * | 2014-07-22 | 2016-08-24 | 重庆大学 | 适用于双截面交通事件检测的数据修复方法 |
| CN104318780B (zh) * | 2014-10-31 | 2016-07-13 | 重庆大学 | 考虑气象因素、道路线形因素的高速公路事件检测方法 |
-
2015
- 2015-05-25 CN CN201510272493.9A patent/CN104933861B/zh active Active
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107293120A (zh) * | 2017-07-24 | 2017-10-24 | 重庆大学 | 一种基于遗传算法的交通事件检测算法的参数自整定方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104933861A (zh) | 2015-09-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102214241B (zh) | 一种基于图聚类的用户生成文本流中的突发话题检测方法 | |
| Wang et al. | A hybrid approach for automatic incident detection | |
| CN104751642B (zh) | 一种高等级道路交通流运行风险实时预估方法 | |
| CN103882827B (zh) | 基于径流集合预报的水库防洪风险率预测方法及水库防洪调度方案评价方法 | |
| CN111698306B (zh) | 一种基于物联网的水文实时流数据采集处理方法 | |
| CN104933861B (zh) | 能容忍数据不同步的交通事件检测方法 | |
| CN104794535B (zh) | 一种基于主导行业的电力需求预测及预警的方法 | |
| Gu et al. | Real-time passenger flow anomaly detection considering typical time series clustered characteristics at metro stations | |
| CN103760759A (zh) | 一种自动对正/反向irig-b码解码方法 | |
| CN105846405A (zh) | 一种半波长输电线路的假同步差动保护方法 | |
| CN103684447A (zh) | 时钟数据恢复电路及数据锁定的判断方法 | |
| CN103177099A (zh) | 视频比对方法及系统 | |
| CN107528852A (zh) | 一种基于网络安全的大数据实施系统及方法 | |
| Zhang et al. | An approach for real-time urban traffic state estimation by fusing multisource traffic data | |
| WO2022033093A1 (zh) | 网络数据分析方法、网络数据分析功能网元和通信系统 | |
| CN102609436A (zh) | 一种社交网络热词和事件挖掘系统及方法 | |
| CN104103171B (zh) | 适用于双截面交通事件检测的数据修复方法 | |
| Liu et al. | Enhanced asynchronous cooperative spectrum sensing based on dempster-shafer theory | |
| Jung | Understanding information propagation on online social tagging systems: a case study on Flickr | |
| CN106603294A (zh) | 一种基于电力通信网结构和状态的综合脆弱性评估方法 | |
| Li et al. | Automated detection algorithm for traffic incident in urban expressway based on lengthways time series | |
| CN114005256B (zh) | 基于报警持续时间概率函数的报警延迟器设计方法及系统 | |
| CN104022839A (zh) | 一种应用于合作频谱感知的信息融合判决方法 | |
| CN104320303B (zh) | 一种广域保护系统通信信息流时延可靠性的评估方法 | |
| CN103702321A (zh) | 一种无线传感器网络的路由信誉评估模型 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20190730 Address after: 401120 No. 210, West Jinkai Avenue, Yubei District, Chongqing, 34-11 Patentee after: Chongqing Ruogu Information Technology Co., Ltd. Address before: 400030 Shapingba District, Sha Sha Street, No. 174, Chongqing Patentee before: Chongqing University |
|
| TR01 | Transfer of patent right |