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 PDF

Info

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
occupation rate
occ
data
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
CN201510272493.9A
Other languages
English (en)
Other versions
CN104933861A (zh
Inventor
赵敏
孙棣华
肖军
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.)
Chongqing Ruogu Information Technology Co Ltd
Original Assignee
Chongqing University
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 Chongqing University filed Critical Chongqing University
Priority to CN201510272493.9A priority Critical patent/CN104933861B/zh
Publication of CN104933861A publication Critical patent/CN104933861A/zh
Application granted granted Critical
Publication of CN104933861B publication Critical patent/CN104933861B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

能容忍数据不同步的交通事件检测方法
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：
O C C T D = O C C ( i , t ) - O C C ( i + 1 , t ) O C C ( i + 1 , t ) ;
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：
O C C R D F = O C C ( i , t ) - O C C ( i + 1 , t ) O C C ( i , t ) ;
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。
CN201510272493.9A 2015-05-25 2015-05-25 能容忍数据不同步的交通事件检测方法 Active CN104933861B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Cited By (1)

* Cited by examiner, † Cited by third party
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
Zheng et al. Validating the bivariate extreme value modeling approach for road safety estimation with different traffic conflict indicators
CN102968901B (zh) 获取区域拥堵信息的方法及区域拥堵分析装置
CN103295404B (zh) 基于行人过街净空时间的路段行人交通信号控制系统
Tang et al. Dynamic analysis of traffic time series at different temporal scales: A complex networks approach
CN104240499B (zh) 一种基于微波数据的异常拥堵点判别方法
CN102881162A (zh) 大规模交通信息的数据处理及融合方法
CN103413443A (zh) 基于隐马尔科夫模型的短时交通流状态预测方法
CN109147330A (zh) 一种拥堵识别方法及装置
CN103971520A (zh) 一种基于时空相关性的交通流量数据恢复方法
CN107145959A (zh) 一种基于大数据平台的电力数据处理方法
CN106507315A (zh) 一种基于网络社交媒体数据的城市交通事故预测方法和系统
Chen et al. A review on traffic prediction methods for intelligent transportation system in smart cities
CN110047291A (zh) 一种考虑扩散过程的短时交通流预测方法
CN105185106B (zh) 一种基于粒计算的道路交通流参数预测方法
CN111159247A (zh) 一种区域交通拥堵传播轨迹挖掘方法
CN103903429A (zh) 一种快速公交停靠站的延误时间组合预测方法
CN104778821A (zh) 一种交通设备自动报警系统及方法
CN104933861B (zh) 能容忍数据不同步的交通事件检测方法
CN109272760B (zh) 一种scats系统检测器数据异常值的在线检测方法
Wang et al. Analyzing multiple COVID-19 outbreak impacts: A case study based on Chinese national air passenger flow
Chen et al. Automatic incident detection algorithm based on support vector machine
CN102117510B (zh) 一种大型活动中未知交通方式来源客流推测方法
CN102254433B (zh) 一种用于高速公路检测器的布设间距的测定方法
Ma et al. A method for queue length estimation in an urban street network based on roll time occupancy data
CN107025789A (zh) 一种交通事件检测方法及装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
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