CN105405290B - 一种区域内高速公路堵车预测方法 - Google Patents
一种区域内高速公路堵车预测方法 Download PDFInfo
- Publication number
- CN105405290B CN105405290B CN201510822708.XA CN201510822708A CN105405290B CN 105405290 B CN105405290 B CN 105405290B CN 201510822708 A CN201510822708 A CN 201510822708A CN 105405290 B CN105405290 B CN 105405290B
- Authority
- CN
- China
- Prior art keywords
- base station
- highway
- covering section
- msub
- traffic congestion
- 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
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mobile Radio Communication Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种区域内高速公路堵车预测方法,属于交通控制技术领域。首先,建立基站信息数据库;其次,计算单个基站在高速公路上的覆盖区间以及单个基站在高速公路覆盖区间内不同行驶方向上的车容量;然后,根据以上计算结果,计算单个基站在高速公路覆盖区间内不同行驶方向上的平均车间距;最后,通过整合区域内高速公路沿线所有基站在其高速公路覆盖区间内不同行驶方向上平均车间距的数据,构建二维分析模型,实现对区域内高速公路的堵车预测。本发明不仅节约了工作成本,提高了工作效率,且能有效的实现对区域内高速公路堵车预测。
Description
技术领域
本发明涉及一种区域内高速公路堵车预测方法,属于交通控制技术领域。
背景技术
现今,随着私家车的逐渐普及,道路交通所面临的压力也越来越大,堵车逐渐成为了一个普遍的社会现象。因此,如何及时有效的预测堵车的发生,其意义重大。
现有的有关堵车预测的相关专利,比如申请公布号:CN103038117A,申请者设计的堵车预测算法,在该专利中通过对规定时间的自车辆的速度的频域分析得出功率谱、又根据功率谱斜率随时间变化的计算结果对堵车进行预测;
比如申请公布号:CN103262135A,申请者设计的堵车预测算法,在该专利中首先对自车辆加速度的频域分析得出与频率对应的功率谱;其次,对功率谱进行一元回归直线运算,并对规定频率范围内的一元回归直线斜率变化量的极大值求解;然后,检测自车辆与先行车辆的车间距离,根据推定法推定的车间距离分布计算协方差和斜率变化量的极大值推定前方车群分布;最后,根据实时的车群分布实现堵车预测;
上述的两个专利虽能实现对堵车的预测,但其不仅涉及的辅助装置多,且涉及到的预测方法计算复杂度高,计算量大,不能快速、高效的预测堵车情况的发生。针对以上背景,本发明专利设计了一种区域内高速公路堵车预测方法。
发明内容
本发明要解决的技术问题是提出一种区域内高速公路堵车预测方法,用以解决上述问题。
本发明的技术方案是:一种区域内高速公路堵车预测方法,首先,建立基站信息数据库;其次,计算单个基站在高速公路上的覆盖区间以及单个基站在高速公路覆盖区间内不同行驶方向上的车容量;然后,根据以上计算结果,计算单个基站在高速公路覆盖区间内不同行驶方向上的平均车间距;最后,通过整合区域内高速公路沿线所有基站在其高速公路覆盖区间内不同行驶方向上平均车间距的数据,构建二维分析模型,实现对区域内高速公路的堵车预测。
具体步骤为:
Step1:建立基站信息数据库:针对区域内的高速公路,按照高速公路沿线基站连续分布的顺序依次对基站进行编码,记为:O=[O1,O2,O3,...,Oi](i=1,2,3,......);并依次将高速公路沿线各个基站Oi的高度Hi、最大覆盖半径Ri、位置信息登记记录,建立基站信息数据库;
Step2:计算单个基站Oi在高速公路上的覆盖区间:数据中心调用基站信息数据库中的数据,并选取数据库中第一条数据中的基站作为当前基站Oi;针对当前基站,根据当前基站的高度Hi、基站的最大覆盖半径Ri,利用勾股定理计算基站到基站在高速公路上最远覆盖点的水平距离Si;
具体计算公式如下:
根据基站到高速公路的最短距离Di、基站到基站在高速公路上的最远覆盖点的水平距离Si,利用勾股定理计算单个基站在高速公路上的覆盖区间Li;
具体计算公式如下:
Step3:计算单个基站Oi在高速公路覆盖区间内不同行驶方向上的车容量:
Step3.1:筛选出单个基站在高速公路覆盖区间上的所有移动终端;
Step3.1.1:数据中心调出当前基站所有接入的移动终端的数据信息;
Step3.1.2:选取第一条数据信息中的移动终端,查询该移动终端切换到当前基站时其被切换的基站的信息,结合基站信息数据库中的数据,查询判断这两个是否为Step1基站编码顺序中连续的两个基站;
1、查询结果为“是”,则判断该移动终端是基站在高速公路覆盖区间上的移动终端,并根据被切换基站与当前基站的编码顺序,确定该移动终端的移动方向,进而确定汽车在高速公路上的行驶方向;最后,将该移动终端切换当前基站的切换时间、移动终端的当前信号强度以及该移动终端的移动方向存储到数据中心;
2、查询结果为“否”,则判断该移动终端不是基站在高速公路覆盖区间上的移动终端;
Step3.1.3:重复Step3.1.2步骤,依次对当前基站中剩余的所有移动终端的进行筛选;
Step3.2:采用聚类分析的方法,计算单个基站在高速公路覆盖区间内不同行驶方向上的车容量;
Step3.2.1:数据中心调用Step3.1的存储数据,以移动终端在高速公路上的行驶方向为类判断依据,对单个基站在高速公路覆盖区间内的所有移动终端进行聚类分析,聚类分析结果记为:
V=[V1,V2];
式中:V表示单个基站在高速公路覆盖区间上所有的移动终端;V1、V2分别表示单个基站在高速公路覆盖区间内两个不同行驶方向上的所有移动终端;
Step3.2.2:调用数据中心中的数据,以移动终端切换到当前基站的切换时间以及移动终端的当前信号强度是否相同为类判断依据,分别对Step3.2.1中的两个子类V1、V2进行聚类分析;
聚类分析的结果,记为:
V1=[V11,V12,...,V1n](n=1,2,3,......),V2=[V21,V22,...,V2m](m=1,2,3,......);
式中:n、m分别表示单个基站在高速公路覆盖区间内不同行驶方向上的车容量;
Step4:计算单个基站Oi在高速公路覆盖区间内不同行驶方向上的平均车间距:
Step4.1:将单个基站在高速公路覆盖区间内单向并行的a个车道抽象成一个长度为原来a倍的单行车道;
Step4.2:将车辆抽象成一个长为b m、宽为单向车道宽度的矩形;
Step4.3:分别计算单个基站在高速公路覆盖区间内不同行驶方向上的平均车间距,并将计算结果的数据存储到数据中心;
式中:a表示高速公路单向的车道数;b表示车辆的长度,一般b为5m;Li表示单个基站Oi在高速公路上的覆盖区间;n-1、m-1分别表示为当前基站在高速公路覆盖区间内不同行驶方向上的车间距数;pi、qi分别表示当前基站在高速公路覆盖区间内不同行驶方向上的平均车间距;
Step5:重复Step2、Step3、Step4步骤,依次计算出Step1中建立的基站信息数据库中剩余所有基站在其高速公路覆盖区间内不同行驶方向上的平均车间距,并将计算结果的数据存储到数据中心;
Step6:堵车预测:
Step6.1:数据整合:调用Step5存储在数据中心的数据,且按照Step1中基站的编码顺序,分别对区域内高速公路沿线所有基站在其高速公路覆盖区间内不同行驶方向上的平均车间距进行数据整合,即构造二维数组A、B,且记为:
A={(O1,p1),(O2,p2),...,(Oi,pi)},
B={(O1,q1),(O2,q2),...,(Oi,qi)},(i=1,2,3,......);
Step6.3:构建二维分析模型,进行堵车预测:
Step6.3.1:计算相邻两个基站之间平均车间距的斜率:p′i=pi-pi+1、q′i=qi-qi+1;
Step6.3.2:构造二维数组A′、B′,记为:
A′={(O1O2,p′1),(O2O3,p′2),...,(Oi-1Oi,p′i)},
B′={(O1O2,q′1),(O2O3,q′2),...,(Oi-1Oi,q′i)},(i=1,2,3,......);以横坐标表示基站、纵坐标表示相邻两个基站之间平均车间距的斜率,构造二维空间,并分别将A′、B′映射到二维空间,构建二维分析模型;
Step6.3.3:针对所构建的二维分析模型,分别判断p′i、q′i与±ε的关系,并对区域内的高速公路两个不同行驶方向的堵车情况作出预测:
1、当p′i>ε,则表明Oi为堵车开始的敏感区;当p′i<-ε,则表明Oi为堵车结束的敏感区;
2、当q′i>ε,则表明Oi为堵车开始的敏感区;当q′i<-ε,则表明Oi为堵车结束的敏感区;
式中:ε表示一个数值参量,且ε>0;
按照汽车的行驶方向及堵车开始的敏感区、堵车结束的敏感区的先后顺序,查找与堵车开始的敏感区相邻的的堵车结束的敏感区,最后,将两个敏感区及两个敏感区之间的区间作为堵车发生的预测区。
本发明的有益效果是:
1、本发明专利针对目前交通压力大、堵车现象普遍发生的社会现状,通过利用现有的通信基础设施,提出了一种通过基站来实现对区域内高速公路堵车预测方法,其不仅节约了工作成本,提高了工作效率,且能有效的实现对区域内高速公路堵车预测。
2、本发明专利通过计算单个基站在高速公路上的覆盖区间以及单个基站在高速公路覆盖区间内不同行驶方向上的车容量,实现了对单个基站在高速公路覆盖区间内不同行驶方向上平均车间距的计算;并通过整合区域内高速公路沿线所有基站在其高速公路覆盖区间内不同行驶方向上平均车间距的数据,构建二维分析模型,实现对区域内高速公路的堵车预测。
附图说明
图1是本发明专利的流程图;
图2是本发明专利中区域内高速公路示意图;
图3是本发明专利中区域内高速公路沿线基站的示意图;
图4是本发明专利中计算单个基站Oi在高速公路上的覆盖区间的示意图;
图5是本发明专利中计算单个基站Oi在高速公路覆盖区间内不同行驶方向上的平均车间距的示意图;
图6是本发明专利中实施例2中二维分析模型1仿真图;图中横坐标的刻度1、2、3、......、19分别表示的是O1O2、O2O3、O3O4、.......、O19O20;
图7是本发明专利中实施例2中二维分析模型2仿真图;图中横坐标的刻度1、2、3、......、19分别表示的是O1O2、O2O3、O3O4、.......、O19O20;
图8是本发明专利中实施例3中二维分析模型1仿真图;图中横坐标的刻度1、2、3、......、17分别表示的是O1O2、O2O3、O3O4、.......、O17O18;
图9是本发明专利中实施例3中二维分析模型2仿真图;图中横坐标的刻度1、2、3、......、17分别表示的是O1O2、O2O3、O3O4、.......、O17O18;
具体实施方式
下面结合附图和具体实施方式,对本发明作进一步说明。
实施例1:如图1-9所示,Step1:建立基站信息数据库:针对区域内的高速公路,按照高速公路沿线基站连续分布的顺序依次对基站进行编码,记为:O=[O1,O2,O3,...,Oi](i=1,2,3,......);并依次将高速公路沿线各个基站Oi的高度Hi、最大覆盖半径Ri、位置信息登记记录,建立基站信息数据库;
所述位置信息包括基站到高速公路的最短距离Di;
Step2:计算单个基站Oi在高速公路上的覆盖区间:数据中心调用基站信息数据库中的数据,并选取数据库中第一条数据中的基站作为当前基站Oi;针对当前基站,根据当前基站的高度Hi、基站的最大覆盖半径Ri,利用勾股定理计算基站到基站在高速公路上最远覆盖点的水平距离Si;
具体计算公式如下:
根据基站到高速公路的最短距离Di、基站到基站在高速公路上的最远覆盖点的水平距离Si,利用勾股定理计算单个基站在高速公路上的覆盖区间Li;
具体计算公式如下:
Step3:计算单个基站Oi在高速公路覆盖区间内不同行驶方向上的车容量:
Step3.1:筛选出单个基站在高速公路覆盖区间上的所有移动终端;
Step3.1.1:数据中心调出当前基站所有接入的移动终端的数据信息;
Step3.1.2:选取第一条数据信息中的移动终端,查询该移动终端切换到当前基站时其被切换的基站的信息,结合基站信息数据库中的数据,查询判断这两个是否为Step1基站编码顺序中连续的两个基站;
1、查询结果为“是”,则判断该移动终端是基站在高速公路覆盖区间上的移动终端,并根据被切换基站与当前基站的编码顺序,确定该移动终端的移动方向,进而确定汽车在高速公路上的行驶方向;最后,将该移动终端切换当前基站的切换时间、移动终端的当前信号强度以及该移动终端的移动方向存储到数据中心;
2、查询结果为“否”,则判断该移动终端不是基站在高速公路覆盖区间上的移动终端;
Step3.1.3:重复Step3.1.2步骤,依次对当前基站中剩余的所有移动终端的进行筛选;
Step3.2:采用聚类分析的方法,计算单个基站在高速公路覆盖区间内不同行驶方向上的车容量;
Step3.2.1:数据中心调用Step3.1的存储数据,以移动终端在高速公路上的行驶方向为类判断依据,对单个基站在高速公路覆盖区间内的所有移动终端进行聚类分析,聚类分析结果记为:
V=[V1,V2];
式中:V表示单个基站在高速公路覆盖区间上所有的移动终端;V1、V2分别表示单个基站在高速公路覆盖区间内两个不同行驶方向上的所有移动终端;
Step3.2.2:调用数据中心中的数据,以移动终端切换到当前基站的切换时间以及移动终端的当前信号强度是否相同为类判断依据,分别对Step3.2.1中的两个子类V1、V2进行聚类分析;
聚类分析的结果,记为:
V1=[V11,V12,...,V1n](n=1,2,3,......),V2=[V21,V22,...,V2m](m=1,2,3,......);
式中:n、m分别表示单个基站在高速公路覆盖区间内不同行驶方向上的车容量;
所述通过采用以移动终端切换到当前基站的切换时间以及移动终端的当前信号强度是否相同为类判断依据进行聚类分析,是为了区别出同一车辆内的多个移动终端,从而能更加准确的计算出单个基站在高速公路覆盖区间内不同行驶方向上的车容量车容量;
Step4:计算单个基站Oi在高速公路覆盖区间内不同行驶方向上的平均车间距:
Step4.1:将单个基站在高速公路覆盖区间内单向并行的a个车道抽象成一个长度为原来a倍的单行车道;
Step4.2:将车辆抽象成一个长为b m、宽为单向车道宽度的矩形;
Step4.3:分别计算单个基站在高速公路覆盖区间内不同行驶方向上的平均车间距,并将计算结果的数据存储到数据中心;
式中:a表示高速公路单向的车道数;b表示车辆的长度,一般b为5m;Li表示单个基站Oi在高速公路上的覆盖区间;n-1、m-1分别表示为当前基站在高速公路覆盖区间内不同行驶方向上的车间距数;pi、qi分别表示当前基站在高速公路覆盖区间内不同行驶方向上的平均车间距;
Step5:重复Step2、Step3、Step4步骤,依次计算出Step1中建立的基站信息数据库中剩余所有基站在其高速公路覆盖区间内不同行驶方向上的平均车间距,并将计算结果的数据存储到数据中心;
Step6:堵车预测:
Step6.1:数据整合:调用Step5存储在数据中心的数据,且按照Step1中基站的编码顺序,分别对区域内高速公路沿线所有基站在其高速公路覆盖区间内不同行驶方向上的平均车间距进行数据整合,即构造二维数组A、B,且记为:
A={(O1,p1),(O2,p2),...,(Oi,pi)},
B={(O1,q1),(O2,q2),...,(Oi,qi)},(i=1,2,3,......);
Step6.3:构建二维分析模型,进行堵车预测:
Step6.3.1:计算相邻两个基站之间平均车间距的斜率:p′i=pi-pi+1、q′i=qi-qi+1;
Step6.3.2:构造二维数组A′、B′,记为:
A′={(O1O2,p′1),(O2O3,p′2),...,(Oi-1Oi,p′i)},
B′={(O1O2,q′1),(O2O3,q′2),...,(Oi-1Oi,q′i)},(i=1,2,3,......);以横坐标表示基站、纵坐标表示相邻两个基站之间平均车间距的斜率,构造二维空间,并分别将A′、B′映射到二维空间,构建二维分析模型;
Step6.3.3:针对所构建的二维分析模型,分别判断p′i、q′i与±ε的关系,并对区域内的高速公路两个不同行驶方向的堵车情况作出预测:
1、当p′i>ε,则表明Oi为堵车开始的敏感区;当p′i<-ε,则表明Oi为堵车结束的敏感区;
2、当q′i>ε,则表明Oi为堵车开始的敏感区;当q′i<-ε,则表明Oi为堵车结束的敏感区;
式中:ε表示一个数值参量,且ε>0;
所述ε作为一个数值参量,其数值大小的设定可以结合区域内高速公路的具体情况进行设定,以实现更加准确的预测;
按照汽车的行驶方向及堵车开始的敏感区、堵车结束的敏感区的先后顺序,查找与堵车开始的敏感区相邻的的堵车结束的敏感区,最后,将两个敏感区及两个敏感区之间的区间作为堵车发生的预测区。
实施例2:所述区域内高速公路堵车预测方法,包括以下步骤:
Step1:建立基站信息数据库:针对区域内的高速公路,按照高速公路沿线基站连续分布的顺序依次对基站进行编码,记为:O=[O1,O2,O3,...,O20](i=1,2,3,......,20);并依次将高速公路沿线各个基站Oi的高度Hi、最大覆盖半径Ri、位置信息登记记录,采用MySQL数据库软件建立基站信息数据库;
Step2:计算单个基站Oi在高速公路上的覆盖区间:数据中心调用基站信息数据库中的数据,并选取数据库中第一条数据中的基站作为当前基站Oi;针对当前基站,根据当前基站的高度Hi、基站的最大覆盖半径Ri,利用勾股定理计算基站到基站在高速公路上最远覆盖点的水平距离Si;
具体计算公式如下:
根据基站到高速公路的最短距离Di、基站到基站在高速公路上的最远覆盖点的水平距离Si,利用勾股定理计算单个基站在高速公路上的覆盖区间Li;
具体计算公式如下:
Step3:计算单个基站Oi在高速公路覆盖区间内不同行驶方向上的车容量:
Step3.1:筛选出单个基站在高速公路覆盖区间上的所有移动终端;
Step3.1.1:数据中心调出当前基站所有接入的移动终端的数据信息;
Step3.1.2:选取第一条数据信息中的移动终端,查询该移动终端切换到当前基站时其被切换的基站的信息,结合基站信息数据库中的数据,查询判断这两个是否为Step1基站编码顺序中连续的两个基站;
1、查询结果为“是”,则判断该移动终端是基站在高速公路覆盖区间上的移动终端,并根据被切换基站与当前基站的编码顺序,确定该移动终端的移动方向,进而确定汽车在高速公路上的行驶方向;最后,将该移动终端切换当前基站的切换时间、移动终端的当前信号强度以及该移动终端的移动方向存储到数据中心;
2、查询结果为“否”,则判断该移动终端不是基站在高速公路覆盖区间上的移动终端;
Step3.1.3:重复Step3.1.2步骤,依次对当前基站中剩余的所有移动终端的进行筛选;
Step3.2:采用聚类分析的方法,计算单个基站在高速公路覆盖区间内不同行驶方向上的车容量;
Step3.2.1:数据中心调用Step3.1的存储数据,以移动终端在高速公路上的行驶方向为类判断依据,对单个基站在高速公路覆盖区间内的所有移动终端进行聚类分析,聚类分析结果记为:
V=[V1,V2];
式中:V表示单个基站在高速公路覆盖区间上所有的移动终端;V1、V2分别表示单个基站在高速公路覆盖区间内两个不同行驶方向上的所有移动终端;
Step3.2.2:调用数据中心中的数据,以移动终端切换到当前基站的切换时间以及移动终端的当前信号强度是否相同为类判断依据,分别对Step3.2.1中的两个子类V1、V2进行聚类分析;
聚类分析的结果,记为:
V1=[V11,V12,...,V1n](n=1,2,3,......),V2=[V21,V22,...,V2m](m=1,2,3,......);
式中:n、m分别表示单个基站在高速公路覆盖区间内不同行驶方向上的车容量;
所述通过采用以移动终端切换到当前基站的切换时间以及移动终端的当前信号强度是否相同为类判断依据进行聚类分析,是为了区别出同一车辆内的多个移动终端,从而能更加准确的计算出单个基站在高速公路覆盖区间内不同行驶方向上的车容量车容量;
Step4:计算单个基站Oi在高速公路覆盖区间内不同行驶方向上的平均车间距:
Step4.1:将单个基站在高速公路覆盖区间内单向并行的3个车道抽象成一个长度为原来3倍的单行车道;
Step4.2:将车辆抽象成一个长为5m、宽为单向车道宽度的矩形;
Step4.3:分别计算单个基站在高速公路覆盖区间内不同行驶方向上的平均车间距,并将计算结果的数据存储到数据中心;
式中:Li表示单个基站Oi在高速公路上的覆盖区间;n-1、m-1分别表示为当前基站在高速公路覆盖区间内不同行驶方向上的车间距数;pi、qi分别表示当前基站在高速公路覆盖区间内不同行驶方向上的平均车间距;
Step5:重复Step2、Step3、Step4步骤,依次计算出Step1中建立的基站信息数据库中剩余所有基站在其高速公路覆盖区间内不同行驶方向上的平均车间距,并将计算结果的数据存储到数据中心;
Step6:堵车预测:
Step6.1:数据整合:调用Step5存储在数据中心的数据,且按照Step1中基站的编码顺序,分别对区域内高速公路沿线所有基站在其高速公路覆盖区间内不同行驶方向上的平均车间距进行数据整合,即构造二维数组A、B,且记为:
A={(O1,p1),(O2,p2),...,(Oi,pi)}={(O1,100),(O2,96),(O3,90),(O4,82),(O5,90),(O6,85),(O7,58),(O8,60),(O9,58),(O10,52),(O11,57),(O12,55),(O13,50),(O14,52),(O15,50),(O16,80),(O17,78),(O18,83),(O19,85),(O20,82)};
B={(O1,q1),(O2,q2),...,(O20,q20)}={(O1,120),(O2,112),(O3,106),(O4,100),(O5,105),(O6,99),(O7,103),(O8,81),(O9,76),(O10,72),(O11,75),(O12,72),(O13,80),(O14,92),(O15,115),(O16,121),(O17,118),(O18,120),(O19,116),(O20,119)};
Step6.3:构建二维分析模型,进行堵车预测:
Step6.3.1:计算相邻两个基站之间平均车间距的斜率:p′i=pi-pi+1、q′i=qi-qi+1;
Step6.3.2:构造二维数组A′、B′,记为:
A′={(O1O2,p′1),(O2O3,p′2),...,(O19O20,p′19)}={(O1O2,4),(O2O3,6),(O3O4,8),(O4O5,-8),(O5O6,5),(O6O7,27),(O7O8,-2),(O8O9,2),(O9O10,6),(O10O11,-5),(O11O12,2),(O12O13,5),(O13O14,-2),(O14O15,2),(O15O16,-30),(O16O17,2),(O17O18,-5),(O18O19,-2),(O19O20,3)};
B′={(O1O2,q′1),(O2O3,q′2),...,(O19O20,q′19)}={(O1O2,8),(O2O3,8),(O3O4,6),(O4O5,-5),(O5O6,6),(O6O7,-4),(O7O8,22),(O8O9,5),(O9O10,4),(O10O11,-3),(O11O12,3),(O12O13,-8),(O13O14,-12),(O14O15,-23),(O15O16,-6),(O16O17,3),(O17O18,-2),(O18O19,4),(O19O20,-3)};
以横坐标表示基站、纵坐标表示相邻两个基站之间平均车间距的斜率,构造二维空间,并分别将A′、B′映射到二维空间,构建二维分析模型;
Step6.3.3:针对所构建的二维分析模型,分别判断p′i、q′i与±20的关系,并对区域内的高速公路两个不同行驶方向的堵车情况作出预测:
1、当p′i>20,确定O7为堵车开始的敏感区;当p′i<-20,确定O16为堵车结束的敏感区;按照汽车的行驶方向及堵车开始的敏感区、堵车结束的敏感区的先后顺序,查找与堵车开始的敏感区相邻的的堵车结束的敏感区,最后,确定O7至O16为发生堵车预测区间;
2、当q′i>20,确定O8为堵车开始的敏感区;当q′i<-20,确定O15为堵车结束的敏感区;按照汽车的行驶方向及堵车开始的敏感区、堵车结束的敏感区的先后顺序,查找与堵车开始的敏感区相邻的的堵车结束的敏感区,最后,将O8、O15为发生堵车预测区间。
实施例3:
所述区域内高速公路堵车预测方法,包括以下步骤:
Step1:建立基站信息数据库:针对区域内的高速公路,按照高速公路沿线基站连续分布的顺序依次对基站进行编码,记为:O=[O1,O2,O3,...,O18](i=1,2,3,......,18);并依次将高速公路沿线各个基站Oi的高度Hi、最大覆盖半径Ri、位置信息登记记录,采用MySQL数据库软件建立基站信息数据库;
Step2:计算单个基站Oi在高速公路上的覆盖区间:数据中心调用基站信息数据库中的数据,并选取数据库中第一条数据中的基站作为当前基站Oi;针对当前基站,根据当前基站的高度Hi、基站的最大覆盖半径Ri,利用勾股定理计算基站到基站在高速公路上最远覆盖点的水平距离Si;
具体计算公式如下:
根据基站到高速公路的最短距离Di、基站到基站在高速公路上的最远覆盖点的水平距离Si,利用勾股定理计算单个基站在高速公路上的覆盖区间Li;
具体计算公式如下:
Step3:计算单个基站Oi在高速公路覆盖区间内不同行驶方向上的车容量:
Step3.1:筛选出单个基站在高速公路覆盖区间上的所有移动终端;
Step3.1.1:数据中心调出当前基站所有接入的移动终端的数据信息;
Step3.1.2:选取第一条数据信息中的移动终端,查询该移动终端切换到当前基站时其被切换的基站的信息,结合基站信息数据库中的数据,查询判断这两个是否为Step1基站编码顺序中连续的两个基站;
1、查询结果为“是”,则判断该移动终端是基站在高速公路覆盖区间上的移动终端,并根据被切换基站与当前基站的编码顺序,确定该移动终端的移动方向,进而确定汽车在高速公路上的行驶方向;最后,将该移动终端切换当前基站的切换时间、移动终端的当前信号强度以及该移动终端的移动方向存储到数据中心;
2、查询结果为“否”,则判断该移动终端不是基站在高速公路覆盖区间上的移动终端;
Step3.1.3:重复Step3.1.2步骤,依次对当前基站中剩余的所有移动终端的进行筛选;
Step3.2:采用聚类分析的方法,计算单个基站在高速公路覆盖区间内不同行驶方向上的车容量;
Step3.2.1:数据中心调用Step3.1的存储数据,以移动终端在高速公路上的行驶方向为类判断依据,对单个基站在高速公路覆盖区间内的所有移动终端进行聚类分析,聚类分析结果记为:
V=[V1,V2];
式中:V表示单个基站在高速公路覆盖区间上所有的移动终端;V1、V2分别表示单个基站在高速公路覆盖区间内两个不同行驶方向上的所有移动终端;
Step3.2.2:调用数据中心中的数据,以移动终端切换到当前基站的切换时间以及移动终端的当前信号强度是否相同为类判断依据,分别对Step3.2.1中的两个子类V1、V2进行聚类分析;
聚类分析的结果,记为:
V1=[V11,V12,...,V1n](n=1,2,3,......),V2=[V21,V22,...,V2m](m=1,2,3,......);
式中:n、m分别表示单个基站在高速公路覆盖区间内不同行驶方向上的车容量;
所述通过采用以移动终端切换到当前基站的切换时间以及移动终端的当前信号强度是否相同为类判断依据进行聚类分析,是为了区别出同一车辆内的多个移动终端,从而能更加准确的计算出单个基站在高速公路覆盖区间内不同行驶方向上的车容量车容量;
Step4:计算单个基站Oi在高速公路覆盖区间内不同行驶方向上的平均车间距:
Step4.1:将单个基站在高速公路覆盖区间内单向并行的4个车道抽象成一个长度为原来4倍的单行车道;
Step4.2:将车辆抽象成一个长为5m、宽为单向车道宽度的矩形;
Step4.3:分别计算单个基站在高速公路覆盖区间内不同行驶方向上的平均车间距,并将计算结果的数据存储到数据中心;
式中:Li表示单个基站Oi在高速公路上的覆盖区间;n-1、m-1分别表示为当前基站在高速公路覆盖区间内不同行驶方向上的车间距数;pi、qi分别表示当前基站在高速公路覆盖区间内不同行驶方向上的平均车间距;
Step5:重复Step2、Step3、Step4步骤,依次计算出Step1中建立的基站信息数据库中剩余所有基站在其高速公路覆盖区间内不同行驶方向上的平均车间距,并将计算结果的数据存储到数据中心;
Step6:堵车预测:
Step6.1:数据整合:调用Step5存储在数据中心的数据,且按照Step1中基站的编码顺序,分别对区域内高速公路沿线所有基站在其高速公路覆盖区间内不同行驶方向上的平均车间距进行数据整合,即构造二维数组A、B,且记为:
A={(O1,p1),(O2,p2),...,(Oi,pi)}={(O1,80),(O2,85),(O3,88),(O4,84),(O5,81),(O6,85),(O7,80),(O8,78),(O9,75),(O10,57),(O11,52),(O12,48),(O13,53),(O14,47),(O15,54),(O16,73),(O17,70),(O18,78)};
B={(O1,q1),(O2,q2),...,(O20,q20)}={(O1,75),(O2,70),(O3,76),(O4,73),(O5,68),(O6,49),(O7,53),(O8,59),(O9,51),(O10,56),(O11,57),(O12,78),(O13,69),(O14,62),(O15,71),(O16,70),(O17,72),(O18,67)};
Step6.3:构建二维分析模型,进行堵车预测:
Step6.3.1:计算相邻两个基站之间平均车间距的斜率:p′i=pi-pi+1、q′i=qi-qi+1;
Step6.3.2:构造二维数组A′、B′,记为:
A′={(O1O2,p′1),(O2O3,p′2),...,(O17O18,p′17)}={(O1O2,-5),(O2O3,-3),(O3O4,4),(O4O5,3),(O5O6,-4),(O6O7,5),(O7O8,2),(O8O9,3),(O9O10,18),(O10O11,6),(O11O12,4),(O12O13,-5),(O13O14,6),(O14O15,-7),(O15O16,-19),(O16O17,-3),(O17O18,-8);
B′={(O1O2,q′1),(O2O3,q′2),...,(O17O18,q′17)}={(O1O2,5),(O2O3,-6),(O3O4,3),(O4O5,5),(O5O6,19),(O6O7,-4),(O7O8,-6),(O8O9,8),(O9O10,-5),(O10O11,-1),(O11O12,-21),(O12O13,9),(O13O14,7),(O14O15,-9),(O15O16,1),(O16O17,-2),(O17O18,5)};
以横坐标表示基站、纵坐标表示相邻两个基站之间平均车间距的斜率,构造二维空间,并分别将A′、B′映射到二维空间,构建二维分析模型;
Step6.3.3:针对所构建的二维分析模型,分别判断p′i、q′i与±16的关系,并对区域内的高速公路两个不同行驶方向的堵车情况作出预测:
1、当p′i>16,确定O9为堵车开始的敏感区;当p′i<-16,确定O15为堵车结束的敏感区;按照汽车的行驶方向及堵车开始的敏感区、堵车结束的敏感区的先后顺序,查找与堵车开始的敏感区相邻的的堵车结束的敏感区,最后,确定O9至O15为发生堵车预测区间;
2、当q′i>16,确定O5为堵车开始的敏感区;当q′i<-16,确定O11为堵车结束的敏感区;按照汽车的行驶方向及堵车开始的敏感区、堵车结束的敏感区的先后顺序,查找与堵车开始的敏感区相邻的的堵车结束的敏感区,最后,将O5、O11为发生堵车预测区间。
以上结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (1)
1.一种区域内高速公路堵车预测方法,其特征在于:首先,建立基站信息数据库;其次,计算单个基站在高速公路上的覆盖区间以及单个基站在高速公路覆盖区间内不同行驶方向上的车容量;然后,根据以上计算结果,计算单个基站在高速公路覆盖区间内不同行驶方向上的平均车间距;最后,通过整合区域内高速公路沿线所有基站在其高速公路覆盖区间内不同行驶方向上平均车间距的数据,构建二维分析模型,实现对区域内高速公路的堵车预测;
具体步骤为:
Step1:建立基站信息数据库:针对区域内的高速公路,按照高速公路沿线基站连续分布的顺序依次对基站进行编码,记为:O=[O1,O2,O3,...,Oi](i=1,2,3,......);并依次将高速公路沿线各个基站Oi的高度Hi、最大覆盖半径Ri、位置信息登记记录,建立基站信息数据库;
Step2:计算单个基站Oi在高速公路上的覆盖区间:数据中心调用基站信息数据库中的数据,并选取数据库中第一条数据中的基站作为当前基站Oi;针对当前基站,根据当前基站的高度Hi、基站的最大覆盖半径Ri,利用勾股定理计算基站到基站在高速公路上最远覆盖点的水平距离Si;
具体计算公式如下:
<mrow>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mroot>
<mrow>
<msup>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
<mn>2</mn>
</msup>
<mo>-</mo>
<msup>
<msub>
<mi>H</mi>
<mi>i</mi>
</msub>
<mn>2</mn>
</msup>
</mrow>
<mn>2</mn>
</mroot>
<mo>;</mo>
</mrow>
根据基站到高速公路的最短距离Di、基站到基站在高速公路上的最远覆盖点的水平距离Si,利用勾股定理计算单个基站在高速公路上的覆盖区间Li;
具体计算公式如下:
<mrow>
<msub>
<mi>L</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mn>2</mn>
<mroot>
<mrow>
<msup>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mn>2</mn>
</msup>
<mo>-</mo>
<msup>
<msub>
<mi>D</mi>
<mi>i</mi>
</msub>
<mn>2</mn>
</msup>
</mrow>
<mn>2</mn>
</mroot>
<mo>=</mo>
<mn>2</mn>
<mroot>
<mrow>
<msup>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
<mn>2</mn>
</msup>
<mo>-</mo>
<msup>
<msub>
<mi>H</mi>
<mi>i</mi>
</msub>
<mn>2</mn>
</msup>
<mo>-</mo>
<msup>
<msub>
<mi>D</mi>
<mi>i</mi>
</msub>
<mn>2</mn>
</msup>
</mrow>
<mn>2</mn>
</mroot>
<mo>;</mo>
</mrow>
Step3:计算单个基站Oi在高速公路覆盖区间内不同行驶方向上的车容量:
Step3.1:筛选出单个基站在高速公路覆盖区间上的所有移动终端;
Step3.1.1:数据中心调出当前基站所有接入的移动终端的数据信息;
Step3.1.2:选取第一条数据信息中的移动终端,查询该移动终端切换到当前基站时其被切换的基站的信息,结合基站信息数据库中的数据,查询判断这两个是否为Step1基站编码顺序中连续的两个基站;
1、查询结果为“是”,则判断该移动终端是基站在高速公路覆盖区间上的移动终端,并根据被切换基站与当前基站的编码顺序,确定该移动终端的移动方向,进而确定汽车在高速公路上的行驶方向;最后,将该移动终端切换当前基站的切换时间、移动终端的当前信号强度以及该移动终端的移动方向存储到数据中心;
2、查询结果为“否”,则判断该移动终端不是基站在高速公路覆盖区间上的移动终端;
Step3.1.3:重复Step3.1.2步骤,依次对当前基站中剩余的所有移动终端的进行筛选;
Step3.2:采用聚类分析的方法,计算单个基站在高速公路覆盖区间内不同行驶方向上的车容量;
Step3.2.1:数据中心调用Step3.1的存储数据,以移动终端在高速公路上的行驶方向为类判断依据,对单个基站在高速公路覆盖区间内的所有移动终端进行聚类分析,聚类分析结果记为:
V=[V1,V2];
式中:V表示单个基站在高速公路覆盖区间上所有的移动终端;V1、V2分别表示单个基站在高速公路覆盖区间内两个不同行驶方向上的所有移动终端;
Step3.2.2:调用数据中心中的数据,以移动终端切换到当前基站的切换时间以及移动终端的当前信号强度是否相同为类判断依据,分别对Step3.2.1中的两个子类V1、V2进行聚类分析;
聚类分析的结果,记为:
V1=[V11,V12,...,V1n](n=1,2,3,......),V2=[V21,V22,...,V2m](m=1,2,3,......);
式中:n、m分别表示单个基站在高速公路覆盖区间内不同行驶方向上的车容量;
Step4:计算单个基站Oi在高速公路覆盖区间内不同行驶方向上的平均车间距:
Step4.1:将单个基站在高速公路覆盖区间内单向并行的a个车道抽象成一个长度为原来a倍的单行车道;
Step4.2:将车辆抽象成一个长为bm、宽为单向车道宽度的矩形;
Step4.3:分别计算单个基站在高速公路覆盖区间内不同行驶方向上的平均车间距,并将计算结果的数据存储到数据中心;
<mrow>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>aL</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mi>b</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>q</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>aL</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mi>b</mi>
<mi>m</mi>
</mrow>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
式中:a表示高速公路单向的车道数;b表示车辆的长度,b为5m;Li表示单个基站Oi在高速公路上的覆盖区间;n-1、m-1分别表示为当前基站在高速公路覆盖区间内不同行驶方向上的车间距数;pi、qi分别表示当前基站在高速公路覆盖区间内不同行驶方向上的平均车间距;
Step5:重复Step2、Step3、Step4步骤,依次计算出Step1中建立的基站信息数据库中剩余所有基站在其高速公路覆盖区间内不同行驶方向上的平均车间距,并将计算结果的数据存储到数据中心;
Step6:堵车预测:
Step6.1:数据整合:调用Step5存储在数据中心的数据,且按照Step1中基站的编码顺序,分别对区域内高速公路沿线所有基站在其高速公路覆盖区间内不同行驶方向上的平均车间距进行数据整合,即构造二维数组A、B,且记为:
A={(O1,p1),(O2,p2),...,(Oi,pi)},
B={(O1,q1),(O2,q2),...,(Oi,qi)},(i=1,2,3,......);
Step6.3:构建二维分析模型,进行堵车预测:
Step6.3.1:计算相邻两个基站之间平均车间距的斜率:p′i=pi-pi+1、q′i=qi-qi+1;
Step6.3.2:构造二维数组A′、B′,记为:
A′={(O1O2,p′1),(O2O3,p′2),...,(Oi-1Oi,p′i)},
B′={(O1O2,q′1),(O2O3,q′2),...,(Oi-1Oi,q′i)},(i=1,2,3,......);以横坐标表示基站、纵坐标表示相邻两个基站之间平均车间距的斜率,构造二维空间,并分别将A′、B′映射到二维空间,构建二维分析模型;
Step6.3.3:针对所构建的二维分析模型,分别判断p′i、q′i与±ε的关系,并对区域内的高速公路两个不同行驶方向的堵车情况作出预测:
1、当p′i>ε,则表明Oi为堵车开始的敏感区;当p′i<-ε,则表明Oi为堵车结束的敏感区;
2、当q′i>ε,则表明Oi为堵车开始的敏感区;当q′i<-ε,则表明Oi为堵车结束的敏感区;
式中:ε表示一个数值参量,且ε>0;
按照汽车的行驶方向及堵车开始的敏感区、堵车结束的敏感区的先后顺序,查找与堵车开始的敏感区相邻的的堵车结束的敏感区,最后,将两个敏感区及两个敏感区之间的区间作为堵车发生的预测区。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510822708.XA CN105405290B (zh) | 2015-11-24 | 2015-11-24 | 一种区域内高速公路堵车预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510822708.XA CN105405290B (zh) | 2015-11-24 | 2015-11-24 | 一种区域内高速公路堵车预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105405290A CN105405290A (zh) | 2016-03-16 |
CN105405290B true CN105405290B (zh) | 2018-02-09 |
Family
ID=55470752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510822708.XA Active CN105405290B (zh) | 2015-11-24 | 2015-11-24 | 一种区域内高速公路堵车预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105405290B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10181263B2 (en) | 2016-11-29 | 2019-01-15 | Here Global B.V. | Method, apparatus and computer program product for estimation of road traffic condition using traffic signal data |
CN108961803A (zh) * | 2017-05-18 | 2018-12-07 | 中兴通讯股份有限公司 | 车辆驾驶辅助方法、装置、系统及终端设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5460869B2 (ja) * | 2010-06-29 | 2014-04-02 | 本田技研工業株式会社 | 渋滞予測装置 |
CN102184641B (zh) * | 2011-05-09 | 2013-07-03 | 浙江大学 | 基于行车信息的路况管理方法及系统 |
CN104167096B (zh) * | 2014-08-29 | 2016-07-06 | 南京理工大学 | 一种城市交通拥堵预警方法、装置与预警系统 |
CN104574971B (zh) * | 2015-02-03 | 2016-07-06 | 上海奕行信息科技有限公司 | 一种高速公路的路况分析方法及分析系统 |
-
2015
- 2015-11-24 CN CN201510822708.XA patent/CN105405290B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN105405290A (zh) | 2016-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105046987B (zh) | 一种基于强化学习的路面交通信号灯协调控制方法 | |
CN107331166B (zh) | 一种基于路径分析的动态限行方法 | |
CN105405290B (zh) | 一种区域内高速公路堵车预测方法 | |
CN109862086A (zh) | 一种车载边缘计算中基于匹配算法的任务分配策略 | |
CN104637315A (zh) | 车路协同环境下的无信号交叉口优化控制方法和系统 | |
CN102708698A (zh) | 基于车联网的车辆最优路径导航方法 | |
CN107180274B (zh) | 一种电动汽车充电设施规划典型场景选取和优化方法 | |
CN110363987B (zh) | 一种应用城市大脑云平台的交通容量配置方法与系统 | |
CN105551082A (zh) | 一种基于激光点云的路面识别方法及装置 | |
CN116862063B (zh) | 一种基于大数据的智慧城市规划优化方法及系统 | |
US11941979B2 (en) | Traffic light control method for urban road network based on expected return estimation | |
Kong et al. | Urban arterial traffic two-direction green wave intelligent coordination control technique and its application | |
CN108985616A (zh) | 一种公交专用道布局评价方法 | |
CN113421439A (zh) | 一种基于蒙特卡罗算法的单路口交通信号配时优化方法 | |
CN114333305A (zh) | 一种高速公路拥堵时车辆诱导通行方法、装置、存储介质及终端 | |
CN108376470A (zh) | 基于粒子群算法的交通道路拥堵预测方法 | |
CN113392577B (zh) | 一种基于深度强化学习的区域边界主交叉口信号控制方法 | |
CN115112143A (zh) | 一种事故施救车辆行驶轨迹规划方法 | |
CN108564810B (zh) | 一种车位共享系统及其方法 | |
CN109767623A (zh) | 基于城市交通仿真平台的人均出行机动车一氧化碳排放评价方法 | |
CN104596534A (zh) | 一种计算最优行车路径的方法 | |
Li et al. | Dynamic traffic light control scheme for reducing CO2 emissions employing ETC technology | |
CN104732766A (zh) | 信号灯前交通路口拥堵指数检测方法 | |
CN115610435B (zh) | 对象行驶意图的预测方法和装置、存储介质及电子装置 | |
CN113516277B (zh) | 一种基于路网动态定价的网联智能交通路径规划方法 |
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 |