CN105913661A - 一种基于收费数据的高速公路路段交通状态判别方法 - Google Patents

Abstract

本发明涉及一种基于收费数据的高速公路路段交通状态判别方法，包括：步骤1划分高速路网基本路段；步骤2：处理高速收费数据得到路段截面交通量曲线；步骤3：比较各路段截面流量随时间变化曲线的相似度获得相似性系数；步骤4：根据路段的相似性系数对路段划分为预定数目的分类；步骤5：对于分类后的各类路段的交通状态进行判别。通过该方法能够有效判断出高速公路路网不同路段的交通状态。

Description

一种基于收费数据的高速公路路段交通状态判别方法

技术领域

本发明涉及交通状态检测领域，是一种利用单一指标进行高速公路路段交通状态识别的方法。

背景技术

随着我国经济的持续发展，汽车保有量不断增加，公路交通尤其是高速公路交通作为一种交通方式变得更加快捷和通达，人们的时效观念也发生了深刻的变化。人们越来越注重出行的质量和效益。

高速公路的收费数据能够反映出车辆在高速公路上的时空运行状态，不仅可以从根本上了解交通路网的整体状态、模式和特性，还可以对高速公路路段断面交通量进行估计，从而全面掌握路网交通流的时间和空间变化。断面交通量是交通量指标构成的一部分，其作为道路中实际运行状况的直观表述，是进行交通管理、交通规划、交通设施的建设规划等的重要参数。

现有的一些专利中，已有一些利用高速收费数据进行路网交通流运行状态评价的方法。申请号为201110042176.X的专利文献《基于高速公路收费数据轨迹匹配的交通状态识别方法》中提出通过处理收费数据得到全网站点间行程时间以及交通流量，通过模糊聚类来进行交通状态判别，但是该方法侧重于数据处理层面，判别的结果代表两个站点之间交通状态，而不能代表具体位置的状态；申请号为201310660011.8的专利文献《基于ETC收费数据的高速公路路段行程速度计算方法》中提出基于ETC收费数据计算高速公路路段行程速度，但没有路段的交通状态进行分析，不能反映路网运行状态；申请号为201410604146.7的专利文献《基于车检器和收费数据融合的异常交通状态识别方法及系统》中提出了一种基于车检器采集的数据和公路收费数据来进行异常交通状态识别的方法，其采用算法表决融合方法识别公路异常状态数据，但该评价方法只适用于安装有车检器的路段，对其他路段不适用。

发明内容

为了解决上述问题，本发明提出一种基于高速收费数据的高速公路路段交通 状态识别方法，能够对高速公路路段的交通状态作出识别和分类，进而为道路改建后的交通运行特性和服务水平的改进、新建道路车道宽度和车道数的确定、道路使用者费用的确定等提供参考。

本发明的一种基于收费数据的高速公路路段交通状态判别方法包括：步骤1划分高速路网基本路段；基于高速公路路网拓扑图对路网进行两个层次的划分，将高速公路相交的枢纽互通作为高速路网第一个层次划分的控制节点，将路网划分为第一层次的路段；以高速公路相邻的收费站点作为第二层次划分的控制节点，将第一层次的路段进行进一步的划分，得到子路段；速路网由m个路段组成，分别是路段1，路段2，…，路段m，每个路段由n个子路段组成，分别是子路段1，子路段2，…，子路段n。步骤2：处理高速收费数据得到路段截面交通量曲线；对于高速收费数据的处理包括：第一、对于高速公路收费站获取的数据进行清洗与提取，从高速公路收费站获取的数据提取相关字段，所述相关字段包括ID编号、入口时间、入口站编码、出口时间、出口站编码和车型；第二、确定路网中任意两个收费站点之间的最短路径，并将所述最短路径匹配到收费数据对应ID编号的车辆行驶路径中；第三、根据高速公路收费站获取的数据和交通流得到预定时间段内预定路段截面的交通量，Y(i,j)＝Y(i,j-1)-X(i,j-1)，其中，Y(i,j)为留线车辆数，X(i，j-1)为i收费站作为进口驶入路段、j-1收费站作为出口驶离路段的车辆数，Y(i，j-1)为i收费站作为进口驶入路段、j-1收费站作为出口前仍留在路段上的车辆数；截面交通量N(j)为路网中所有在选择时间段内经过截面位置的车辆总和，即，N(j)＝∑Y(i,j)；第四、以时间段为横轴、预定路段截面交通量为纵轴建立截面流量随时间变化曲线。步骤3：比较各路段截面流量随时间变化曲线的相似度获得相似性系数；比较每一个路段与剩余的各个路段路段截面流量随时间变化曲线得到该路段的相似性系数，每个路段的相似性系数通过一个数列来表示。步骤4：根据路段的相似性系数对路段划分为预定数目的分类。通过基于密度标准的DBSCAN聚类方法，针对每个路段的相似性系数数据将各个路段进行分类，所述分类的数目根据不同的路面状态分级的情况来设定。步骤5：对于分类后的各类路段的交通状态进行判别；根据每一类中路段的信息对该类的交通状态进行判别。

优选地，对于高速公路收费站获取的数据进行清洗与提取还包括：对于行程时间，即对某一车辆入口时间和出口时间之间的差值，进行阈值提取；所述阈值提取包括对于小于第一阈值或大于第二阈值的数据予以剔除。

优选地，对于采用阈值过滤后的数据，采用四分位法对于数据进行过滤，所 述四分位法计算公式为：G＝[M_0.25-1.5R,M_0.75+1.5R]其中，G为有效数据区间；M_0.25和M_0.75分别为将所有行程时间按从小到大的顺序排列并分成四等分，处于第一、三分割点位置的取值；R表示四分位级差。

优选地，用Dijkstra算法求解路网任意两点间最短路径，将最短路径匹配到收费数据对应ID编号的路径中，得到车辆的最短路径集：P＝{v₁,v₂,…v_j…v_n}其中，v为收费站点的编号。

优选地，所述步骤4中，通过设置DBSCAN中的半径参数e和最小邻域点数MinPts，将输入的各个路段相似性系数分类成为四类。

优选地，通过以车流密度、车速、最大服务交通量和饱和度的交通参数上来判别交通状态

本发明的技术效果在于：

(1)本发明基于高速公路收费数据，由收费数据可以得到的内容包括区域高速路网各路段长度、车辆速度、路段旅行时间等基本信息，有助于从微观层面了解高速公路的运行情况，为我国的高速公路规划和建设提供基础支持；

(2)本发明选择路段截面参数作为描述路段交通状态的指标，断面参数可以对道路中具体位置实际运行状况直观表述，有利于准确地反映微观交通运行状态。

(3)本发明聚类算法采用基于密度标准的DBSCAN算法，对曲线之间的相似性系数进行聚类。利用该算法可以更加合理的将高速公路子路段基于散点之间的密度分为几类从而实现路段交通状态的分类。

附图说明

图1为本发明中高速路网路段划分示意图；

图2为本发明路段交通状态分类流程示意图；

图3为本发明中截面交通量计算流程示意图；

图4为本发明进行路段截面交通量确定的示意图

具体实施方式

下面结合附图和具体实施例对本发明做进一步阐述。需要指出的是，该具体实施方式仅仅是对本发明优选技术方案的举例，并不能理解为对本发明保护范围的限制。

本发明的一种高速公路路段交通状态分类方法，流程示意图如图2所示，通过下述步骤实现：

步骤1：划分高速路网基本路段

高速公路的枢纽互通是指立体交叉互通，担负干线公路之间交通流转换的重要功能。本申请所指的枢纽互通采用完全立体交叉型，能保证所有交通流均为自由流，出入交通流在交叉公路上的接入形式以分流、合流为主，保证直行交通流具有绝对优先权。基于高速公路路网拓扑图的特点，本发明对路网进行两个层次的划分，而枢纽互通是交通流发生较大变化的节点，结合高速路网拓扑结构和交通流特性，选择将高速公路相交的枢纽互通作为高速路网第一个层次划分的控制节点，将路网划分为大的路段，该层次为路网系统中的最高级节点。由于收费站点是交通流变化的节点，并且相邻两个收费站点之间的路段上的交通流变化具有一致性。因此，以高速公路相邻的收费站点作为第二层次划分的控制节点，将第一层次大的路段进行进一步的划分，得到子路段。子路段是本发明进行路段交通分类的最小分析单元。高速路网由m个路段组成，分别是路段1，路段2，…，路段m，每个路段由n个子路段组成，分别是子路段1，子路段2，…，子路段n。如图1所示。

步骤2：处理高速收费数据得到路段截面交通量曲线

本发明利用某段高速公路路网收费数据获取截面交通量，其过程可参见图3所示。

在本具体实施方式中以安徽省省域的高速公路路网为例。数据空间范围选取为安徽省域高速路网北至皖豫、皖苏省界，南至宿松，西至界首，东至吴庄，共164个收费站点，数据时间范围包括2012年7月15日到2012年7月23日涵盖工作日、双休日共9天从凌晨0:00至夜间24:00全天的数据。

本步骤的具体方法包括：

第一，对于高速公路收费站获取的数据进行清洗与提取。

从高速公路收费站获取的数据中包括如下字段：例如，ID编号、入口时间、入口站编码、出口时间、出口站编码和车型等。

对于所述数据的清洗，包括使用阈值法对异常数据予以剔除。例如，对于行程时间(即对某一车辆入口时间和出口时间之间的差值)小于5min或大于24h的数据予以剔除。因为，超出阈值的车辆可能是处于进站后立刻下路口或者是长期停留在服务区等非正常状态，因而对于路段截面的交通量并无实质性的贡献，去除这些信息可以提高对于路段截面交通量的准确识别。

由于数据量较大，对于采用阈值过滤后的数据，进一步优选地还可以采用四分位法对于数据进行过滤，以便于选取更加具有代表性的数据并且提高判断的速度。所述四分位法计算公式为：

G＝[M_0.25-1.5R,M_0.75+1.5R]

其中，G为有效数据区间，落在G外的数据都需要过滤；M_0.25和M_0.75分别为将所有行程时间按从小到大的顺序排列并分成四等分，处于第一、三分割点位置的取值；R表示四分位级差。

第二，确定路网中任意两个收费站点之间的最短路径，并将所述最短路径匹配到收费数据对应ID编号的路径中。

车辆在高速路网上行驶时，从入口到出口期间，驾驶员在绝大多数情况下希望通过最短的行驶距离来完成行驶。这是基于通常情况下的假设，因而某一车辆从入口到出口之间的行驶路径可以认为是沿着最短路径来进行行驶的。这样就可以得出出每个车辆在高速路网上的具体行驶路径，即为所述最短路径，而通过对于车辆行驶路径的确定则车辆所经过的路段也能够确定，因而能够了解某个路段上的车流量信息。

优选但不仅限地，可以利用Dijkstra算法求解路网任意两点间最短路径，将最短路径匹配到收费数据对应ID编号的路径中，得到车辆的最短路径集：P＝{v₁,v₂,…v_j…v_n}其中，v为收费站点的编号。这样就对于每个ID编号的汽车的行驶路径做出了合理的预测，即确定每一个ID编号的汽车的行驶路径，这样遍历每一个ID编号的汽车，就可以确定该汽车是否在预定的时间通过预定的截面所在的路段，从而通过计数的方式统计路段所经过的车辆数目。

第三，根据高速公路收费站获取的数据和交通流得到预定时间段内预定路段截面的交通量。

由于车辆通过收费站进入高速公路，以及通过收费站驶出高速公路的信息能够从所述高速公路收费站获取的收据中得到。而车辆在高速公路上的行驶路径又可以通过上述最短路径法确定的路径来确定。因而在高速公路路网上某一时刻留在某一路段上的留线车辆数Y(i,j)就可以通过遍历计数每个ID编号的汽车在该时刻是否处于该路段的方式来确定来确定出来：

Y(i,j)＝Y(i,j-1)-X(i,j-1)

其中，Y(i,j)为留线车辆数，X(i，j-1)为i收费站作为进口驶入路段、j-1收费站作为出口驶离路段的车辆数，Y(i，j-1)为i收费站作为进口驶入路段、 j-1收费站作为出口前仍留在路段上的车辆数。

进一步优选地，所述遍历计数还可以采用换算成标准车数的方式来进行，例如分别统计货车的数量和客车的数量，针对不同的车型的体积乘以不同的系数，从而换算成标准车的数量。通过标准车的换算能够更加贴近实际的交通状况。

截面交通量N(j)为路网中所有在选择时间段内经过截面位置的车辆总和，有：

N(j)＝∑Y(i,j)

高速公路的车辆出入口收费数据存有车辆进入路网的时间和地点等信息，对每辆车在高速公路上的出入情况都可以清晰掌握。因此利用收费站作为控制节点，获得截面交通量，可以反映车辆在高速公路上的时空运行状态，因此通过上述截面交通量能够较为准确的反应高速公路交通运行情况。进一步优选地，为了方便后续处理，将路段长度的中点位置，即路段二分之一处作为截面交通量的估算位置；求解得到的截面交通量以15min为一个时间段来统计，覆盖时间为6:00-22:00。

得到各个路段不同时间段截面交通量N(j)后，可以针对每个路段制作一条曲线，该曲线以时间段为横轴、截面交通量为纵轴建立截面流量随时间变化曲线。

步骤3：比较各路段截面流量随时间变化曲线的相似度获得相似性系数。

在步骤2中获得路段截面交通量建立起的曲线图之后，利用曲线相似性系数来描述两条曲线，以表示两条曲线的相似程度。

所述相似性系数可以通过现有技术中的方法来计算。优选但不限于，通过计算两两曲线之间的Frechet距离作为两条曲线的相似性系数。由于Frechet已经属于现有技术，因而在本具体实施方式中并不进行详细展开。

通过比较每一个路段与剩余的n-1个路段路段截面流量随时间变化曲线得到该路段的相似性系数，即路段1的相似系数、路段2的相似性系数、……、路段n的相似性系数。每个路段的相似性系数可以通过一个数列来表示。

步骤4：根据路段的相似性系数对路段划分为预定数目的分类。

每个所述路段的相似性系数反应了该路段的交通状况特点。通过对于该路段交通状况特点的分类即可实现对于不同路段交通状况状态的分类。

在本具体实施方式中，通过基于密度标准的DBSCAN聚类方法，针对每个路段的相似性系数数据将各个路段进行分类，从而划分不同种类的路段的交通状态。 所述分类的数目可以根据不同的路面状态分级的情况来设定。

例如在我国，通常将高速公路路段服务水平分级为四类，每一类对应不同的路况，因此可以通过设置DBSCAN中的半径参数e和最小邻域点数MinPts，将输入的各个路段相似性系数分类成为四类。又例如，对应于通常意义上的预报等级“完全畅通”、“基本畅通”、“拥堵”时，可以通过设置DBSCAN中的半径参数e；和最小邻域点数MinPts，将输入的各个路段相似性系数分类成为三类。

DBSCAN聚类方法是现有技术，其可以通过设置半径参数e和最小邻域点数MinPts对于输入的目标数据分成不同的类别，因而本专利中对于其具体的实现细节不详细展开。但是需要指出的是，通过本发明研究发现BSCAN聚类方法能够显著地提高对于交通流量信息的识别准确程度，因此，这也并不意味着采用BSCAN聚类方法对于路段的相似性系数进行分类是显而易见的。

步骤5：对于分类后的各类路段的交通状态进行判别

各个路段进行分类后，已经能够反映出与相关的交通状态分级所对应数目的类别。此时，可以根据每一类中路段的信息对该类的交通状态进行判别。

所述交通状态的判别可以交通参数上来判断，也可以依照其他信息来判断。例如，通过以车流密度、车速、最大服务交通量和饱和度的交通参数上来判别交通状态，如下表所示：

高速公路路段服务水平分级表

针对聚类结果得到各路段的相似性系数的分类，并根据各个类中的路段的交通参数确定该类所表示的交通状态，即实现了对于所述交通参数的自动判别。而相似 性系数描述的是两条路段的截面交通量随时间变化曲线的相似程度。因此，利用相似性系数的分类结果最终可以得到路段的交通状态分类结果。

本发明利用实际收费数据作为数据基础，数据真实有效；路段截面参数能够对道路中实际运行状况的直观表述，表征了路段具体位置的运行状态；通过获得路段的运行状态曲线，选取基于密度划分方法的DBSCAN聚类算法，对曲线相似相似性系数进行精确划分，结合高速公路路段服务水平分类表，实现了高速公路路段的交通状态分类。

以上仅仅是本专利优选的技术方案而已，而本专利的保护范围不应当仅限于此。凡是在本专利发明构思下对于本专利进行的修改、删除或者是替换，均应当纳入到本专利的保护范围之内。

Claims (6)

1.一种基于收费数据的高速公路路段交通状态判别方法，其特征在于，所述方法包括：

步骤1划分高速路网基本路段

基于高速公路路网拓扑图对路网进行两个层次的划分，将高速公路相交的枢纽互通作为高速路网第一个层次划分的控制节点，将路网划分为第一层次的路段；以高速公路相邻的收费站点作为第二层次划分的控制节点，将第一层次的路段进行进一步的划分，得到子路段；速路网由m个路段组成，分别是路段1，路段2，…，路段m，每个路段由n个子路段组成，分别是子路段1，子路段2，…，子路段n；

步骤2：处理高速收费数据得到路段截面交通量曲线

对于高速收费数据的处理包括：第一、对于高速公路收费站获取的数据进行清洗与提取，从高速公路收费站获取的数据提取相关字段，所述相关字段包括ID编号、入口时间、入口站编码、出口时间、出口站编码和车型；第二、确定路网中任意两个收费站点之间的最短路径，并将所述最短路径匹配到收费数据对应ID编号的车辆行驶路径中；第三、根据高速公路收费站获取的数据和交通流得到预定时间段内预定路段截面的交通量，Y(i,j)＝Y(i,j-1)-X(i,j-1)，其中，Y(i,j)为留线车辆数，X(i，j-1)为i收费站作为进口驶入路段、j-1收费站作为出口驶离路段的车辆数，Y(i，j-1)为i收费站作为进口驶入路段、j-1收费站作为出口前仍留在路段上的车辆数；截面交通量N(j)为路网中所有在选择时间段内经过截面位置的车辆总和，即，N(j)＝ΣY(i,j)；第四、以时间段为横轴、预定路段截面交通量为纵轴建立截面流量随时间变化曲线；

步骤3：比较各路段截面流量随时间变化曲线的相似度获得相似性系数

比较每一个路段与剩余的各个路段路段截面流量随时间变化曲线得到该路段的相似性系数，每个路段的相似性系数通过一个数列来表示；

步骤4：根据路段的相似性系数对路段划分为预定数目的分类。

通过基于密度标准的DBSCAN聚类方法，针对每个路段的相似性系数数据将各个路段进行分类，所述分类的数目根据不同的路面状态分级的情况来设定；

步骤5：对于分类后的各类路段的交通状态进行判别

根据每一类中路段的信息对该类的交通状态进行判别。

2.根据权利要求1所述的方法，其特征在于：

对于高速公路收费站获取的数据进行清洗与提取还包括：对于行程时间，即对某一车辆入口时间和出口时间之间的差值，进行阈值提取；所述阈值提取包括对于小于第一阈值或大于第二阈值的数据予以剔除。

3.根据权利要求1-2中任一项所述的方法，其特征在于：

对于采用阈值过滤后的数据，采用四分位法对于数据进行过滤，所述四分位法计算公式为：

G＝[M_0.25-1.5R,M_0.75+1.5R]

其中，G为有效数据区间；M_0.25和M_0.75分别为将所有行程时间按从小到大的顺序排列并分成四等分，处于第一、三分割点位置的取值；R表示四分位级差。

4.根据权利要求1-3中任一项所述的方法，其特征在于，

用Dijkstra算法求解路网任意两点间最短路径，将最短路径匹配到收费数据对应ID编号的路径中，得到车辆的最短路径集：P＝{v₁,v₂,…v_j…v_n}其中，v为收费站点的编号。

5.根据权利要求1-4中任一项所述的方法，其特征在于，

所述步骤4中，通过设置DBSCAN中的半径参数e和最小邻域点数MinPts，将输入的各个路段相似性系数分类成为四类。

6.根据权利要求1-5中任一项所述的方法，其特征在于，

通过以车流密度、车速、最大服务交通量和饱和度的交通参数上来判别交通状态。