CN105469603A - 一种交通拥堵源头分析方法及装置 - Google Patents
一种交通拥堵源头分析方法及装置 Download PDFInfo
- Publication number
- CN105469603A CN105469603A CN201511025476.1A CN201511025476A CN105469603A CN 105469603 A CN105469603 A CN 105469603A CN 201511025476 A CN201511025476 A CN 201511025476A CN 105469603 A CN105469603 A CN 105469603A
- Authority
- CN
- China
- Prior art keywords
- section
- upstream
- traffic behavior
- traffic
- behavior vector
- 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.)
- Granted
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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种交通拥堵源头分析方法及装置,包括获取拥堵路段的N个上游路段的历史交通数据,将上游路段的历史交通数据按照采样周期进行划分,得到每个采样周期的历史交通状态,得到上游路段的交通状态向量,确定上游路段的采样周期调整策略,调整上游路段的采样周期,得到调整后的上游路段的交通状态向量,根据关联规则挖掘算法对调整后的N个上游路段的交通状态向量组成的集合进行拥堵频度分析,确定出拥堵路段的拥堵源头。通过对拥堵路段的上游路段的历史交通数据的处理,将历史交通数据离散化,根据关联规则挖掘算法对离散化的数据进行拥堵频度分析,可以自动的分析出拥堵路段的拥堵源头,解决了只能依靠人工经验查找交通源头的问题。
Description
技术领域
本发明涉及数据挖掘技术领域,尤其涉及一种交通拥堵源头分析方法及装置。
背景技术
随着经济的飞速发展,城市交通问题也日趋严重,威胁到城市交通形势及社会经济的发展,交通拥堵问题已成为社会反映最强烈的问题之一,急需得到缓解和解决。针对交通拥堵问题的治理方法也被不断提出,其中智能交通系统被认为是综合治理交通问题的最有效途径。而在智能交通系统中,交通信息数据分析又是其中的关键。
在智能交通系统应用中,对交通信息数据的分析、共享和综合利用已经成为交通研究的发展趋势。从海量数据中提取挖掘出准确有用的知识对交通拥堵状况进行拥堵源头的分析成了交通系统信息化、智能化水平的一个重要体现。所以在交通数据分析中,对交通拥堵源头的分析成为一个不可或缺的组成部分。
在拥堵源头分析的研究和应用中,如何基于庞大的城市交通历史数据量,找到路段之间由于拥堵产生相互关联的规则信息,目前行业内在这方面没有对应的分析方法。交通管理者在早晚高峰等情况下进行交通疏导时依然依赖人工经验,对于拥堵路段调度方案缺少一个相对科学可靠的方法依据,往往因为指挥不当而导致大规模拥堵。
发明内容
本发明实施例提供一种交通拥堵源头分析方法及装置,用以解决现有技术中只能人工查找交通拥堵源头的问题。
本发明实施例提供的一种交通拥堵源头分析方法,包括:
获取拥堵路段的N个上游路段的历史交通数据,N为大于等于1的正整数;
针对拥堵路段的每个上游路段的历史交通数据,将所述上游路段的历史交通数据按照采样周期进行划分,得到每个采样周期的历史交通数据;根据所述每个采样周期的历史交通数据,得到所述每个采样周期的历史交通状态;根据所述每个采样周期的历史交通状态,得到所述上游路段的交通状态向量;
针对拥堵路段的每个上游路段的交通状态向量,确定所述上游路段的交通状态向量的期望值;根据所述上游路段的交通状态向量的期望值确定所述上游路段的采样周期调整策略;根据所述上游路段的采样周期调整策略,调整所述上游路段的采样周期;根据所述调整后的采样周期,得到调整后的所述上游路段的交通状态向量;
根据关联规则挖掘算法对调整后的N个上游路段的交通状态向量组成的集合进行拥堵频度分析,确定出所述拥堵路段的拥堵源头。
较佳地,所述根据所述上游路段的交通状态向量的期望值确定所述上游路段的采样周期调整策略,包括:
根据所述上游路段的交通状态向量中各交通状态的个数的分布情况,确定所述上游路段的交通状态向量的期望值;
根据所述上游路段的交通状态向量的期望值符合的期望条件,确定所述上游路段的采样周期调整策略。
较佳地,根据所述上游路段的交通状态向量的期望值符合的期望条件,确定所述上游路段的采样周期调整策略,包括:
所述期望条件包括第一期望条件、第二期望条件和第三期望条件;
若所述上游路段的交通状态向量的期望值符合第一期望条件,则确定所述上游路段的采样周期调整策略为不调整;
若所述上游路段的交通状态向量的期望值符合第二期望条件,则确定所述上游路段的采样周期调整策略为将所述上游路段的采样周期增加第一阈值;
若所述上游路段的交通状态向量的期望值符合第三期望条件,则确定所述上游路段的采样周期调整策略为将所述上游路段的采样周期增加第二阈值;
其中,所述第一阈值大于所述第二阈值。
较佳地,所述各交通状态为畅通状态、缓行状态和拥堵状态;
根据公式(1)确定所述第一期望条件;根据公式(2)确定所述第二期望条件;根据公式(3)确定所述第三期望条件;
所述公式(1)为:
其中,E(bi)为第i个上游路段的交通状态向量的期望值,k1为第i个上游路段的交通状态向量中交通状态是缓行状态的个数,m为第i个上游路段的交通状态向量中所有交通状态的个数,i大于等于1;
所述公式(2)为:
其中,E(bi)为第i个上游路段的交通状态向量的期望值,k1为第i个上游路段的交通状态向量中交通状态是缓行状态的个数,k2为第i个上游路段的交通状态向量中交通状态是拥堵状态的个数,m为第i个上游路段的交通状态向量中所有交通状态的个数,i大于等于1;
所述公式(3)为:
其中,E(bi)为第i个上游路段的交通状态向量的期望值,k1为第i个上游路段的交通状态向量中交通状态是缓行状态的个数,m为第i个上游路段的交通状态向量中所有交通状态的个数,ε为期望阈值,i大于等于1。
较佳地,所述根据关联规则挖掘算法对调整后的N个上游路段的交通状态向量组成的集合进行拥堵频度分析,确定出所述拥堵路段的拥堵源头,包括:
所述根据关联规则挖掘算法对调整后的N个上游路段的交通状态向量组成的集合进行拥堵频度分析,对所述N个上游路段的交通状态向量对应的拥堵频度进行排序;
将所述拥堵频度大于频度阈值的上游路段,确定为所述拥堵路段的拥堵源头。
相应地,本发明实施例还提供了一种交通拥堵源头分析装置,包括:
获取单元,用于获取拥堵路段的N个上游路段的历史交通数据,N为大于等于1的正整数;
第一处理单元,用于针对拥堵路段的每个上游路段的历史交通数据,将所述上游路段的历史交通数据按照采样周期进行划分,得到每个采样周期的历史交通数据;根据所述每个采样周期的历史交通数据,得到所述每个采样周期的历史交通状态;根据所述每个采样周期的历史交通状态,得到所述上游路段的交通状态向量;
第二处理单元,用于针对拥堵路段的每个上游路段的交通状态向量,确定所述上游路段的交通状态向量的期望值;根据所述上游路段的交通状态向量的期望值确定所述上游路段的采样周期调整策略;根据所述上游路段的采样周期调整策略,调整所述上游路段的采样周期;根据所述调整后的采样周期,得到调整后的所述上游路段的交通状态向量;
分析单元,用于根据关联规则挖掘算法对调整后的N个上游路段的交通状态向量组成的集合进行拥堵频度分析,确定出所述拥堵路段的拥堵源头。
较佳地,所述第二处理单元具体用于:
根据所述上游路段的交通状态向量中各交通状态的个数的分布情况,确定所述上游路段的交通状态向量的期望值;
根据所述上游路段的交通状态向量的期望值符合的期望条件,确定所述上游路段的采样周期调整策略。
较佳地,所述第二处理单元具体用于:
所述期望条件包括第一期望条件、第二期望条件和第三期望条件;
若所述上游路段的交通状态向量的期望值符合第一期望条件,则确定所述上游路段的采样周期调整策略为不调整;
若所述上游路段的交通状态向量的期望值符合第二期望条件,则确定所述上游路段的采样周期调整策略为将所述上游路段的采样周期增加第一阈值;
若所述上游路段的交通状态向量的期望值符合第三期望条件,则确定所述上游路段的采样周期调整策略为将所述上游路段的采样周期增加第二阈值;
其中,所述第一阈值大于所述第二阈值。
较佳地,所述第二处理单元具体用于:
所述各交通状态为畅通状态、缓行状态和拥堵状态;
根据公式(1)确定所述第一期望条件;根据公式(2)确定所述第二期望条件;根据公式(3)确定所述第三期望条件;
所述公式(1)为:
其中,E(bi)为第i个上游路段的交通状态向量的期望值,k1为第i个上游路段的交通状态向量中交通状态是缓行状态的个数,m为第i个上游路段的交通状态向量中所有交通状态的个数,i大于等于1;
所述公式(2)为:
其中,E(bi)为第i个上游路段的交通状态向量的期望值,k1为第i个上游路段的交通状态向量中交通状态是缓行状态的个数,k2为第i个上游路段的交通状态向量中交通状态是拥堵状态的个数,m为第i个上游路段的交通状态向量中所有交通状态的个数,i大于等于1;
所述公式(3)为:
其中,E(bi)为第i个上游路段的交通状态向量的期望值,k1为第i个上游路段的交通状态向量中交通状态是缓行状态的个数,m为第i个上游路段的交通状态向量中所有交通状态的个数,ε为期望阈值,i大于等于1。
较佳地,所述分析单元具体用于:
所述根据关联规则挖掘算法对调整后的N个上游路段的交通状态向量组成的集合进行拥堵频度分析,对所述N个上游路段的交通状态向量对应的拥堵频度进行排序;
将所述拥堵频度大于频度阈值的上游路段,确定为所述拥堵路段的拥堵源头。
本发明实施例表明,获取拥堵路段的N个上游路段的历史交通数据,针对拥堵路段的每个上游路段的历史交通数据,将上游路段的历史交通数据按照采样周期进行划分,得到每个采样周期的历史交通数据,根据每个采样周期的历史交通数据,得到每个采样周期的历史交通状态,根据每个采样周期的历史交通状态,得到上游路段的交通状态向量,针对拥堵路段的每个上游路段的交通状态向量,根据上游路段的交通状态向量的期望值确定所述上游路段的采样周期调整策略,根据所述上游路段的采样周期调整策略,调整所述上游路段的采样周期,根据所述调整后的采样周期,得到调整后的所述上游路段的交通状态向量,根据关联规则挖掘算法对调整后的N个上游路段的交通状态向量组成的集合进行拥堵频度分析,确定出所述拥堵路段的拥堵源头。通过对拥堵路段的上游路段的历史交通数据的处理,将历史交通数据离散化,根据关联规则挖掘算法对离散化的数据进行拥堵频度分析,可以自动的分析出拥堵路段的拥堵源头,解决了只能依靠人工经验查找交通源头的问题。通过调整上游路段的采样周期,可以使得上游路段的交通状态向量中的数据更加准确,从而通过对上游路段的交通状态向量的分析可以准确的查找到交通源头。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种交通拥堵源头管理方法的流程示意图;
图2为本发明实施例提供的一种交通拥堵源头管理装置的流程示意图。
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,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
图1示出了本发明实施例提供的一种交通拥堵源头分析的流程,该流程可以由交通拥堵源头分析装置执行。
如图1所示,该流程的具体步骤包括:
步骤101,获取拥堵路段的N个上游路段的历史交通数据。
步骤102,针对拥堵路段的每个上游路段的历史交通数据,将所述上游路段的历史交通数据按照采样周期进行划分,得到每个采样周期的历史交通数据;根据所述每个采样周期的历史交通数据,得到所述每个采样周期的历史交通状态;根据所述每个采样周期的历史交通状态,得到所述上游路段的交通状态向量。
步骤103,针对拥堵路段的每个上游路段的交通状态向量,根据所述上游路段的交通状态向量的期望值确定所述上游路段的采样周期调整策略;根据所述上游路段的采样周期调整策略,调整所述上游路段的采样周期;根据所述调整后的采样周期,得到调整后的所述上游路段的交通状态向量。
步骤104,根据关联规则挖掘算法对调整后的N个上游路段的交通状态向量组成的集合进行拥堵频度分析,确定出所述拥堵路段的拥堵源头。
在步骤101中,获取拥堵路段的N个上游路段的历史交通数据,该历史交通数据可以是位于拥堵路段的上游设定区域路段和/或设定时间段内的历史数据,如可以是拥堵路段A的上游1千米内的N个上游路段,同时还可以是这N个上游路段3个月内早上7:00至7:15的历史交通数据,该历史交通数据可以包括交通状态,该上游路段至拥堵路段的拓扑位置,即该上游路段位于拥堵路段上游的距离,还可以包括该上游路段至拥堵路段的行使时间。
在步骤102中,在步骤101中获取到拥堵路段的N个上游路段的历史交通数据之后,针对拥堵路段的每个上游路段的历史交通数据,将上游路段的历史交通数据按照采样周期进行划分,得到每个采样周期的历史交通数据。根据每个采样周期的历史交通数据,得到每个采样周期的历史交通状态。根据每个采样周期的历史交通状态,得到上游路段的交通状态向量。
具体的,针对拥堵路段A的上游路段B的历史交通数据,上游路段B的历史交通数据中的交通状态包括畅通、缓行和拥堵三个状态,将畅通标记为0,缓行标记为1,拥堵标记为2。将上游路段B的的历史交通数据,按照采样周期进行划分,采样周期可以是采样时间粒度,如可以按分钟将上游路段B的的历史交通数据进行划分,分为1分钟为一个采样周期。然后得到每个采样周期对应的历史交通状态。再根据每个采样周期对应的历史交通状态,得到该上游路段B的交通状态向量bi,。
在得到拥堵路段A的N个上游路段的交通状态向量时,可以组成该拥堵路段A的交通状态向量集合,B1={bi,i=1,2,…N},具体的可见公式(4)。
该公式(4)为:
其中,N为拥堵路段A的上游路段总数,m为采样时间粒度总数,其中,bi为含有0,1,2交通状态信息的向量,如b1=(0,2,1,2,1,1,2,2,2,1,2,0,…1)T。
在步骤203中,在得到拥堵路段的N个上游路段的交通状态向量之后,按照交通信息的时空二维性,需要对上游路段的交通状态向量中的数据进行预处理。
具体的,针对拥堵路段A的上游路段B的交通向量,根据该上游路段B的交通状态向量中各交通状态的个数的分布情况,确定上游路段B的交通状态向量的期望值E(bi),即对上游路段B的交通状态向量中各交通状态进行期望计算,得到期望值。然后根据上游路段B的交通状态向量的期望值符合的期望条件,确定上游路段B的采样周期调整策略。通过采样周期调整策略可以调整上游路段B的采样周期,重新进行采样。
上述期望条件可以包括第一期望条件、第二期望条件和第三期望条件,该第一期望条件可以根据公式(1)确定。该第二期望条件根据公式(2)确定。该第三期望条件根据公式(3)确定。
若上游路段的交通状态向量的期望值符合第一期望条件,则可以确定游路段的采样周期调整策略为不调整。若上游路段的交通状态向量的期望值符合第二期望条件,则可以确定上游路段的采样周期调整策略为将上游路段的采样周期增加第一阈值。即bi(j):=bi(j+Δ1),j=1,2,…,m,其中,Δ1是第一阈值,为正整数。若上游路段的交通状态向量的期望值符合第三期望条件,则可以确定上游路段的采样周期调整策略为将上游路段的采样周期增加第二阈值。第一阈值大于第二阈值,即bi(j):=bi(j+Δ2),j=1,2,…,m,其中Δ2<Δ1。该第一阈值和该第二阈值可以依据经验进行设置。如第一阈值为2,则将采样周期加上2,即调整后的采样周期为3分钟。第二阈值为1,则调整后的采用周期为2分钟。
上述公式(1)为:
其中,E(bi)为第i个上游路段的交通状态向量的期望值,k1为第i个上游路段的交通状态向量中交通状态是缓行状态的个数,m为第i个上游路段的交通状态向量中所有交通状态的个数,i大于等于1;
上述公式(2)为:
其中,E(bi)为第i个上游路段的交通状态向量的期望值,k1为第i个上游路段的交通状态向量中交通状态是缓行状态的个数,k2为第i个上游路段的交通状态向量中交通状态是拥堵状态的个数,m为第i个上游路段的交通状态向量中所有交通状态的个数,i大于等于1;
上述公式(3)为:
其中,E(bi)为第i个上游路段的交通状态向量的期望值,k1为第i个上游路段的交通状态向量中交通状态是缓行状态的个数,m为第i个上游路段的交通状态向量中所有交通状态的个数,ε为期望阈值,i大于等于1。ε为可以依据经验进行设置,如设置为一个预设值较小的常数。
举例来说,拥堵路段A在过去1个月内7:00至7:05(m=5)时常发生交通拥堵,Δ2=1,Δ1=2,ε=0.2。考虑上游路段b2=(0,1,2,2,1)T,则Ε(b2)=1.2,那么满足情况3,旅行时间调整幅度为Δ2,b2变为b2=(1,2,2,1,b2(10))T,其中,b2(10)为路段b2在7:09至7:10分的交通状态信息。将采样周期变为2分钟,进行重新采样
根据上述步骤得到上游路段B的采样周期调整策略之后,按照该上游路段B的采样周期调整策略,调整上游路段B的采样周期。然后,按照调整后的采样周期,得到调整后的上游路段B的交通状态向量。从而得到拥堵路段A的N个上游路段的交通状态向量。
在步骤104中,根据关联规则挖掘算法,对调整后的N个上游路段的交通状态向量组成的集合进行拥堵频度分析。
具体的,预设支持度为S,对调整后的N个上游路段的交通状态向量组成的集合B1进行遍历,与目标路段A发生拥堵的频度不小于支持度S的记为频繁集合L1,通过频繁集合L1与自身取并集形成集合B2,进行遍历,再次剔除非频繁的元素(拥堵频度小于S),记为频繁集合L2;以此类推,生成频繁集合Lk,直至不再有频繁集合Lk+1产生。在最后的频繁集合Lk中,对拥堵频度按照大小进行排序,将拥堵频度大于频度阈值的上游路段,确定为拥堵路段的拥堵源头。该频度阈值可以依据经验进行设置。将频度最高的路段作为拥堵治理的重点。
上述实施例表明,获取拥堵路段的N个上游路段的历史交通数据,针对拥堵路段的每个上游路段的历史交通数据,将上游路段的历史交通数据按照采样周期进行划分,得到每个采样周期的历史交通数据,根据每个采样周期的历史交通数据,得到每个采样周期的历史交通状态,根据每个采样周期的历史交通状态,得到上游路段的交通状态向量,针对拥堵路段的每个上游路段的交通状态向量,根据上游路段的交通状态向量的期望值确定所述上游路段的采样周期调整策略,根据所述上游路段的采样周期调整策略,调整所述上游路段的采样周期,根据所述调整后的采样周期,得到调整后的所述上游路段的交通状态向量,根据关联规则挖掘算法对调整后的N个上游路段的交通状态向量组成的集合进行拥堵频度分析,确定出所述拥堵路段的拥堵源头。通过对拥堵路段的上游路段的历史交通数据的处理,将历史交通数据离散化,根据关联规则挖掘算法对离散化的数据进行拥堵频度分析,可以自动的分析出拥堵路段的拥堵源头,解决了只能依靠人工经验查找交通源头的问题。
基于相同的技术构思,图2示出了本发明实施例提供的一种交通拥堵源头分析装置,该装置可以执行交通拥堵源头分析的流程。
如图2所示,该装置具体包括:
获取单元201,用于获取拥堵路段的N个上游路段的历史交通数据,N为大于等于1的正整数;
第一处理单元202,用于针对拥堵路段的每个上游路段的历史交通数据,将所述上游路段的历史交通数据按照采样周期进行划分,得到每个采样周期的历史交通数据;根据所述每个采样周期的历史交通数据,得到所述每个采样周期的历史交通状态;根据所述每个采样周期的历史交通状态,得到所述上游路段的交通状态向量;
第二处理单元203,用于针对拥堵路段的每个上游路段的交通状态向量,确定所述上游路段的交通状态向量的期望值;根据所述上游路段的交通状态向量的期望值确定所述上游路段的采样周期调整策略;根据所述上游路段的采样周期调整策略,调整所述上游路段的采样周期;根据所述调整后的采样周期,得到调整后的所述上游路段的交通状态向量;
分析单元204,用于根据关联规则挖掘算法对调整后的N个上游路段的交通状态向量组成的集合进行拥堵频度分析,确定出所述拥堵路段的拥堵源头。
优选地,所述第二处理单元203具体用于:
根据所述上游路段的交通状态向量中各交通状态的个数的分布情况,确定所述上游路段的交通状态向量的期望值;
根据所述上游路段的交通状态向量的期望值符合的期望条件,确定所述上游路段的采样周期调整策略。
优选地,所述第二处理单元203具体用于:
所述期望条件包括第一期望条件、第二期望条件和第三期望条件;
若所述上游路段的交通状态向量的期望值符合第一期望条件,则确定所述上游路段的采样周期调整策略为不调整;
若所述上游路段的交通状态向量的期望值符合第二期望条件,则确定所述上游路段的采样周期调整策略为将所述上游路段的采样周期增加第一阈值;
若所述上游路段的交通状态向量的期望值符合第三期望条件,则确定所述上游路段的采样周期调整策略为将所述上游路段的采样周期增加第二阈值。
优选地,所述第二处理单元203具体用于:
所述各交通状态为畅通状态、缓行状态和拥堵状态;
根据公式(1)确定所述第一期望条件;根据公式(2)确定所述第二期望条件;根据公式(3)确定所述第三期望条件;
所述公式(1)为:
其中,E(Bi)为第i个上游路段的交通状态向量的期望值,k1为第i个上游路段的交通状态向量中交通状态是缓行状态的个数,m为第i个上游路段的交通状态向量中所有交通状态的个数,i大于等于1;
所述公式(2)为:
其中,E(Bi)为第i个上游路段的交通状态向量的期望值,k1为第i个上游路段的交通状态向量中交通状态是缓行状态的个数,k2为第i个上游路段的交通状态向量中交通状态是拥堵状态的个数,m为第i个上游路段的交通状态向量中所有交通状态的个数,i大于等于1;
所述公式(3)为:
其中,E(Bi)为第i个上游路段的交通状态向量的期望值,k1为第i个上游路段的交通状态向量中交通状态是缓行状态的个数,m为第i个上游路段的交通状态向量中所有交通状态的个数,ε为期望阈值,i大于等于1。
优选地,所述分析单元204具体用于:
所述根据关联规则挖掘算法对调整后的N个上游路段的交通状态向量组成的集合进行拥堵频度分析,对所述N个上游路段的交通状态向量对应的拥堵频度进行排序;
将所述拥堵频度大于频度阈值的上游路段,确定为所述拥堵路段的拥堵源头。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种交通拥堵源头分析方法,其特征在于,包括:
获取拥堵路段的N个上游路段的历史交通数据,N为大于等于1的正整数;
针对拥堵路段的每个上游路段的历史交通数据,将所述上游路段的历史交通数据按照采样周期进行划分,得到每个采样周期的历史交通数据;根据所述每个采样周期的历史交通数据,得到所述每个采样周期的历史交通状态;根据所述每个采样周期的历史交通状态,得到所述上游路段的交通状态向量;
针对拥堵路段的每个上游路段的交通状态向量,根据所述上游路段的交通状态向量的期望值确定所述上游路段的采样周期调整策略;根据所述上游路段的采样周期调整策略,调整所述上游路段的采样周期;根据所述调整后的采样周期,得到调整后的所述上游路段的交通状态向量;
根据关联规则挖掘算法对调整后的N个上游路段的交通状态向量组成的集合进行拥堵频度分析,确定出所述拥堵路段的拥堵源头。
2.如权利要求1所述的方法,其特征在于,所述根据所述上游路段的交通状态向量的期望值确定所述上游路段的采样周期调整策略,包括:
根据所述上游路段的交通状态向量中各交通状态的个数的分布情况,确定所述上游路段的交通状态向量的期望值;
根据所述上游路段的交通状态向量的期望值符合的期望条件,确定所述上游路段的采样周期调整策略。
3.如权利要求2所述的方法,其特征在于,根据所述上游路段的交通状态向量的期望值符合的期望条件,确定所述上游路段的采样周期调整策略,包括:
所述期望条件包括第一期望条件、第二期望条件和第三期望条件;
若所述上游路段的交通状态向量的期望值符合第一期望条件,则确定所述上游路段的采样周期调整策略为不调整;
若所述上游路段的交通状态向量的期望值符合第二期望条件,则确定所述上游路段的采样周期调整策略为将所述上游路段的采样周期增加第一阈值;
若所述上游路段的交通状态向量的期望值符合第三期望条件,则确定所述上游路段的采样周期调整策略为将所述上游路段的采样周期增加第二阈值;
其中,所述第一阈值大于所述第二阈值。
4.如权利要求3所述的方法,其特征在于,所述各交通状态为畅通状态、缓行状态和拥堵状态;
根据公式(1)确定所述第一期望条件;根据公式(2)确定所述第二期望条件;根据公式(3)确定所述第三期望条件;
所述公式(1)为:
其中,E(bi)为第i个上游路段的交通状态向量的期望值,k1为第i个上游路段的交通状态向量中交通状态是缓行状态的个数,m为第i个上游路段的交通状态向量中所有交通状态的个数,i大于等于1;
所述公式(2)为:
其中,E(bi)为第i个上游路段的交通状态向量的期望值,k1为第i个上游路段的交通状态向量中交通状态是缓行状态的个数,k2为第i个上游路段的交通状态向量中交通状态是拥堵状态的个数,m为第i个上游路段的交通状态向量中所有交通状态的个数,i大于等于1;
所述公式(3)为:
其中,E(bi)为第i个上游路段的交通状态向量的期望值,k1为第i个上游路段的交通状态向量中交通状态是缓行状态的个数,m为第i个上游路段的交通状态向量中所有交通状态的个数,ε为期望阈值,i大于等于1。
5.如权利要求1所述的方法,其特征在于,所述根据关联规则挖掘算法对调整后的N个上游路段的交通状态向量组成的集合进行拥堵频度分析,确定出所述拥堵路段的拥堵源头,包括:
所述根据关联规则挖掘算法对调整后的N个上游路段的交通状态向量组成的集合进行拥堵频度分析,对所述N个上游路段的交通状态向量对应的拥堵频度进行排序;
将所述拥堵频度大于频度阈值的上游路段,确定为所述拥堵路段的拥堵源头。
6.一种交通拥堵源头分析装置,其特征在于,包括:
获取单元,用于获取拥堵路段的N个上游路段的历史交通数据,N为大于等于1的正整数;
第一处理单元,用于针对拥堵路段的每个上游路段的历史交通数据,将所述上游路段的历史交通数据按照采样周期进行划分,得到每个采样周期的历史交通数据;根据所述每个采样周期的历史交通数据,得到所述每个采样周期的历史交通状态;根据所述每个采样周期的历史交通状态,得到所述上游路段的交通状态向量;
第二处理单元,用于针对拥堵路段的每个上游路段的交通状态向量,确定所述上游路段的交通状态向量的期望值;根据所述上游路段的交通状态向量的期望值确定所述上游路段的采样周期调整策略;根据所述上游路段的采样周期调整策略,调整所述上游路段的采样周期;根据所述调整后的采样周期,得到调整后的所述上游路段的交通状态向量;
分析单元,用于根据关联规则挖掘算法对调整后的N个上游路段的交通状态向量组成的集合进行拥堵频度分析,确定出所述拥堵路段的拥堵源头。
7.如权利要求6所述的装置,其特征在于,所述第二处理单元具体用于:
根据所述上游路段的交通状态向量中各交通状态的个数的分布情况,确定所述上游路段的交通状态向量的期望值;
根据所述上游路段的交通状态向量的期望值符合的期望条件,确定所述上游路段的采样周期调整策略。
8.如权利要求6所述的装置,其特征在于,所述第二处理单元具体用于:
所述期望条件包括第一期望条件、第二期望条件和第三期望条件;
若所述上游路段的交通状态向量的期望值符合第一期望条件,则确定所述上游路段的采样周期调整策略为不调整;
若所述上游路段的交通状态向量的期望值符合第二期望条件,则确定所述上游路段的采样周期调整策略为将所述上游路段的采样周期增加第一阈值;
若所述上游路段的交通状态向量的期望值符合第三期望条件,则确定所述上游路段的采样周期调整策略为将所述上游路段的采样周期增加第二阈值;
其中,所述第一阈值大于所述第二阈值。
9.如权利要求6所述的装置,其特征在于,所述第二处理单元具体用于:
所述各交通状态为畅通状态、缓行状态和拥堵状态;
根据公式(1)确定所述第一期望条件;根据公式(2)确定所述第二期望条件;根据公式(3)确定所述第三期望条件;
所述公式(1)为:
其中,E(bi)为第i个上游路段的交通状态向量的期望值,k1为第i个上游路段的交通状态向量中交通状态是缓行状态的个数,m为第i个上游路段的交通状态向量中所有交通状态的个数,i大于等于1;
所述公式(2)为:
其中,E(bi)为第i个上游路段的交通状态向量的期望值,k1为第i个上游路段的交通状态向量中交通状态是缓行状态的个数,k2为第i个上游路段的交通状态向量中交通状态是拥堵状态的个数,m为第i个上游路段的交通状态向量中所有交通状态的个数,i大于等于1;
所述公式(3)为:
其中,E(bi)为第i个上游路段的交通状态向量的期望值,k1为第i个上游路段的交通状态向量中交通状态是缓行状态的个数,m为第i个上游路段的交通状态向量中所有交通状态的个数,ε为期望阈值,i大于等于1。
10.如权利要求6至9任一项所述的装置,其特征在于,所述分析单元具体用于:
所述根据关联规则挖掘算法对调整后的N个上游路段的交通状态向量组成的集合进行拥堵频度分析,对所述N个上游路段的交通状态向量对应的拥堵频度进行排序;
将所述拥堵频度大于频度阈值的上游路段,确定为所述拥堵路段的拥堵源头。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511025476.1A CN105469603B (zh) | 2015-12-30 | 2015-12-30 | 一种交通拥堵源头分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511025476.1A CN105469603B (zh) | 2015-12-30 | 2015-12-30 | 一种交通拥堵源头分析方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105469603A true CN105469603A (zh) | 2016-04-06 |
CN105469603B CN105469603B (zh) | 2018-02-02 |
Family
ID=55607248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511025476.1A Active CN105469603B (zh) | 2015-12-30 | 2015-12-30 | 一种交通拥堵源头分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105469603B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106504539A (zh) * | 2017-01-04 | 2017-03-15 | 安徽科力信息产业有限责任公司 | 一种快速确定高速公路拥堵源头位置的方法和系统 |
CN106504538A (zh) * | 2017-01-04 | 2017-03-15 | 安徽科力信息产业有限责任公司 | 一种快速消除导致高速公路拥堵源头的方法和系统 |
CN106781495A (zh) * | 2017-01-04 | 2017-05-31 | 安徽科力信息产业有限责任公司 | 快速发现导致城市道路交通拥堵源头位置的方法和系统 |
CN106781496A (zh) * | 2017-01-04 | 2017-05-31 | 安徽科力信息产业有限责任公司 | 基于公安交通管理技术缓解城市交通拥堵的方法和系统 |
CN107134136A (zh) * | 2017-01-23 | 2017-09-05 | 北京博研智通科技有限公司 | 一种城市之间道路交通拥堵程度排序的方法和系统 |
CN107146405A (zh) * | 2017-01-23 | 2017-09-08 | 北京博研智通科技有限公司 | 获取精准受阻系数的方法和系统 |
CN111815941A (zh) * | 2019-04-10 | 2020-10-23 | 青岛海信网络科技股份有限公司 | 一种基于历史路况的常发拥堵瓶颈识别方法及装置 |
CN112489433A (zh) * | 2020-12-17 | 2021-03-12 | 华为技术有限公司 | 交通拥堵分析方法及装置 |
CN112530163A (zh) * | 2020-11-23 | 2021-03-19 | 腾讯科技(深圳)有限公司 | 交通事故预测方法、装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003281685A (ja) * | 2002-03-20 | 2003-10-03 | Natl Inst For Land & Infrastructure Management Mlit | 交通情報処理方法及び交通情報処理システム |
JP2006079483A (ja) * | 2004-09-13 | 2006-03-23 | Hitachi Ltd | 交通情報提供装置,交通情報提供方法 |
EP1657693A2 (en) * | 2004-11-16 | 2006-05-17 | Microsoft Corporation | Traffic forecasting employing modeling and analysis of probabilistic interdependencies and contextual data |
CN102637357A (zh) * | 2012-03-27 | 2012-08-15 | 山东大学 | 一种区域交通状态评价方法 |
CN102890862A (zh) * | 2012-09-29 | 2013-01-23 | 浙江大学 | 基于向量模式的交通状态分析装置及方法 |
CN102968901A (zh) * | 2012-11-30 | 2013-03-13 | 青岛海信网络科技股份有限公司 | 获取区域拥堵信息的方法及区域拥堵分析装置 |
CN103646542A (zh) * | 2013-12-24 | 2014-03-19 | 北京四通智能交通系统集成有限公司 | 一种交通影响范围的预测方法和装置 |
CN104766475A (zh) * | 2015-04-09 | 2015-07-08 | 银江股份有限公司 | 一种城市交通瓶颈挖掘方法 |
-
2015
- 2015-12-30 CN CN201511025476.1A patent/CN105469603B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003281685A (ja) * | 2002-03-20 | 2003-10-03 | Natl Inst For Land & Infrastructure Management Mlit | 交通情報処理方法及び交通情報処理システム |
JP2006079483A (ja) * | 2004-09-13 | 2006-03-23 | Hitachi Ltd | 交通情報提供装置,交通情報提供方法 |
EP1657693A2 (en) * | 2004-11-16 | 2006-05-17 | Microsoft Corporation | Traffic forecasting employing modeling and analysis of probabilistic interdependencies and contextual data |
CN102637357A (zh) * | 2012-03-27 | 2012-08-15 | 山东大学 | 一种区域交通状态评价方法 |
CN102890862A (zh) * | 2012-09-29 | 2013-01-23 | 浙江大学 | 基于向量模式的交通状态分析装置及方法 |
CN102968901A (zh) * | 2012-11-30 | 2013-03-13 | 青岛海信网络科技股份有限公司 | 获取区域拥堵信息的方法及区域拥堵分析装置 |
CN103646542A (zh) * | 2013-12-24 | 2014-03-19 | 北京四通智能交通系统集成有限公司 | 一种交通影响范围的预测方法和装置 |
CN104766475A (zh) * | 2015-04-09 | 2015-07-08 | 银江股份有限公司 | 一种城市交通瓶颈挖掘方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106504539A (zh) * | 2017-01-04 | 2017-03-15 | 安徽科力信息产业有限责任公司 | 一种快速确定高速公路拥堵源头位置的方法和系统 |
CN106504538A (zh) * | 2017-01-04 | 2017-03-15 | 安徽科力信息产业有限责任公司 | 一种快速消除导致高速公路拥堵源头的方法和系统 |
CN106781495A (zh) * | 2017-01-04 | 2017-05-31 | 安徽科力信息产业有限责任公司 | 快速发现导致城市道路交通拥堵源头位置的方法和系统 |
CN106781496A (zh) * | 2017-01-04 | 2017-05-31 | 安徽科力信息产业有限责任公司 | 基于公安交通管理技术缓解城市交通拥堵的方法和系统 |
CN107134136A (zh) * | 2017-01-23 | 2017-09-05 | 北京博研智通科技有限公司 | 一种城市之间道路交通拥堵程度排序的方法和系统 |
CN107146405A (zh) * | 2017-01-23 | 2017-09-08 | 北京博研智通科技有限公司 | 获取精准受阻系数的方法和系统 |
CN111815941A (zh) * | 2019-04-10 | 2020-10-23 | 青岛海信网络科技股份有限公司 | 一种基于历史路况的常发拥堵瓶颈识别方法及装置 |
CN111815941B (zh) * | 2019-04-10 | 2021-07-23 | 青岛海信网络科技股份有限公司 | 一种基于历史路况的常发拥堵瓶颈识别方法及装置 |
CN112530163A (zh) * | 2020-11-23 | 2021-03-19 | 腾讯科技(深圳)有限公司 | 交通事故预测方法、装置、电子设备及存储介质 |
CN112530163B (zh) * | 2020-11-23 | 2022-03-01 | 腾讯科技(深圳)有限公司 | 交通事故预测方法、装置、电子设备及存储介质 |
CN112489433A (zh) * | 2020-12-17 | 2021-03-12 | 华为技术有限公司 | 交通拥堵分析方法及装置 |
CN112489433B (zh) * | 2020-12-17 | 2022-11-04 | 华为技术有限公司 | 交通拥堵分析方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105469603B (zh) | 2018-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105469603A (zh) | 一种交通拥堵源头分析方法及装置 | |
CN107123266B (zh) | 一种基于交通大数据的瓶颈路段车流量调节方法和装置 | |
Ashok et al. | Vehicular cloud computing through dynamic computation offloading | |
Li et al. | Deployment of roadside units to overcome connectivity gap in transportation networks with mixed traffic | |
Kan et al. | Local ramp metering with distant downstream bottlenecks: A comparative study | |
Melson et al. | Dynamic traffic assignment of cooperative adaptive cruise control | |
Zhang et al. | A systematic analysis of multimodal transport systems with road space distribution and responsive bus service | |
US20170004707A1 (en) | Method and apparatus for identifying a split lane traffic location | |
CN105224959A (zh) | 排序模型的训练方法和装置 | |
US20220366784A1 (en) | Regional dynamic perimeter control method and system for preventing queuing overflow of boundary links | |
Tympakianaki et al. | Real-time merging traffic control for throughput maximization at motorway work zones | |
CN106846810B (zh) | 一种高速公路收费站限流方法和装置 | |
Yang et al. | Optimal variable speed limit control system for freeway work zone operations | |
Powell et al. | Throughput in serial lines with state-dependent behavior | |
Abdelmohsen et al. | Optimal trade-offs between construction cost and traffic delay for highway work zones | |
CN106202383B (zh) | 一种应用于网络爬虫的网络带宽占比动态预测方法与系统 | |
CN104679590A (zh) | 分布式计算系统中的Map优化方法及装置 | |
CN103646670A (zh) | 一种评估存储系统性能的方法和设备 | |
Yuan et al. | A kinematic wave model in Lagrangian coordinates incorporating capacity drop: Application to homogeneous road stretches and discontinuities | |
CN109102141A (zh) | 一种服务水平评分方法和装置 | |
CN114758514B (zh) | 一种基于道路使用模式的路径诱导方法及系统 | |
CN106504532B (zh) | 一种确定上游信号控制点位的方法和装置 | |
CN113643529B (zh) | 基于大数据分析的停车场车道拥堵预测方法及系统 | |
Roncoli et al. | Motorway traffic flow optimisation in presence of vehicle automation and communication systems | |
CN104598477A (zh) | 一种确定新闻传播效果的方法和系统 |
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 |