CN106327870A - 交通大数据采集中交通流分布估计及摄像头布点优化方法 - Google Patents

Abstract

本发明公开了一种交通大数据采集中交通流分布估计及摄像头布点优化方法，利用城市路网节点间交通流分布的空间约束关系，通过已采集的交通流数据合理推断监测盲点的数据。具体步骤包括：根据观测点与临近路段或路口的空间拓扑关系，确定彼此间的交通流量关联模式；借助上下游邻接节点提供的交通流数据计算当前观测节点在单跳链接时的交通流参数；以当前观测节点为起点，依次追踪多跳链接的观测节点；计算多跳链接时的交通流参数；优化交通监控摄像头布点。本发明充分利用现有的交通采集数据，提高了城市交通信息获取的空间分布密度，为交通数据采集设备的合理布局提供科学的依据。

Description

交通大数据采集中交通流分布估计及摄像头布点优化方法

技术领域

本发明属于智能交通技术领域，涉一种交通大数据的处理方法，具体涉及一种交通大数据采集中的交通流分布估计及摄像头布点优化方法。

技术背景

随着城市的高速发展，城市交通的拥挤问题日益严重，用智能交通系统缓解城市交通拥挤问题，已经得到人们的重视。交通流的实时检测作为智能交通系统基础技术对于提高道路的通行能力发挥着重要作用。交通传感器和检测器是城市交通大数据的主要来源，包含了车流量、速度、行驶时间、车辆类别、位置轨迹等海量丰富信息，是后续实时交通状况评估、交通事件处置及城市交通规划的主要决策依据。

交通流检测系统是以实时采集交通状态信息为基础的，目前采用较多的有地埋式感应线圈、微波检测器、GPS浮动车检测技术、基于RFID的车辆检测器、视频检测技术等。地埋式感应线圈为最传统的检测技术，存在易损坏、难修复、施工复杂的缺点；微波检测器是一种工作在微波频段的雷达探测器，其技术复杂，价格较高；GPS浮动车检测技术是在车辆上安装GPS装置，通过获取的信息估计道路交通状态，其缺点是存在检测盲区。近年来，随着计算机视觉技术的发展，视频检测技术应用于交通信息采集逐渐成为研究主流。与其他检测技术相比，其主要优点有不破坏路、安装无须中断交通、检测功能多和可记录现场图像等。因此，充分利用视频检测技术服务于交通信息检测有着重要的意义。

基于视频分析的交通信息采集系统除能够提供交通流量、平均速度、车头时距、车辆分类和车辆占有率等数据外，还可以提供车辆的跟踪及车牌识别等其它采集方式无法获得的信息。然而，由于交通信息视频检测技术才刚刚兴起，在监控点布局上还不能做到全覆盖，只是尽可能覆盖交通流量密集的关键路段和路口，交通信息采集上存在不少监控盲区，数据采集点空间上分布稀疏，满足不了路网密集的城市交通态势评估的需要。因此，有必要提出技术手段对监控盲区的交通流参数进行估计。

发明内容

为了解决上述技术问题，本发明提供了一种交通大数据采集中的交通流分布估计及摄像头布点优化方法。

本发明所采用的技术方案是：一种交通大数据采集中交通流分布估计及摄像头布点优化方法，其特征在于，包括以下步骤：

步骤1：确定交通流关联模式。根据观测点与临近路段或路口的空间拓扑关系，确定观测节点与周围临近节点间的交通流关联模式，据此选择最佳的交通流参数计算方法；

步骤2：计算单跳链接时的交通流参数；

根据步骤1中确定的交通流关联模式，借助上游或下游邻接节点提供的交通流参数计算当前观测节点的交通流参数；

步骤3：追踪可计算多跳链接节点；

以当前观测节点为起点，依次追踪下一个交通流参数待计算的观测节点，并将节点记录进索引表，直到满足退出条件为止；

步骤4：计算多跳链接时的交通流参数；

按照先进后出的顺序，从索引表中逐一取出观测节点，对每个节点按照单跳链接方式计算其交通流参数，直到所有节点被处理完毕；

步骤5：优化交通监控摄像头布点；

从索引表中选择一个代表性的观测节点，作为布设监控摄像头的位置。

作为优选，步骤1中所述交通流关联模式包括上游汇聚模式和下游合流模式，所述上游汇聚模式是观测节点的交通流由上游路口或路段过来的交通流汇集而成；所述下游合流模式是观测节点的交通流合并到下游路口或路段中。

作为优选，步骤1中所述选择最佳的交通流参数计算方法的策略是：

如果与观测节点相邻的上游单跳节点的交通流都能被采集到，则对观测点采取上游汇聚模式进行计算；并顺序执行下述步骤2；

如果与观测节点相邻的下游单跳节点的交通流能被采集到且其并列节点的交通流也能被采集到，则对观测点采取下游合流模式进行计算；并顺序执行下述步骤2；

否则，先递推计算上下游多跳节点或并列节点中交通流参数不存在的节点的参数；并跳转执行下述步骤3。

作为优选，步骤2中所述借助上游邻接节点提供的交通流参数计算当前观测节点的交通流参数，观测节点的交通流由上游节点的交通流求和得到，即这里，F_i为上游邻接节点的交通流参数，F_o为计算的观测节点的交通流参数，N为邻接节点的数目；

所述借助下游邻接节点提供的交通流参数计算当前观测节点的交通流参数，观测节点的交通流由下游节点合并的交通流减去并列节点的交通流得到，即这里F_c为下游邻接节点合流后的流量参数，F_i为并列节点的交通流参数，F_o为计算的观测节点的交通流参数，N为并列节点的数目。

作为优选，步骤3中所述退出条件，满足如下其中一个即可：

①发现到可计算的观测节点，即节点的交通流可用单跳链接方式计算，此时接着执行步骤4；

②追踪的观测节点数目超过预设门限T，此时接着执行步骤5。

作为优选，步骤5中所述代表性节点的挑选，采用如下原则：

①居中性原则，地理位置处于索引表中全部节点的中间；

②重要性原则，地理位置处于交通流量密集的繁华地段或重要场所附近；

③瓶颈路段原则，容易发生交通拥堵的瓶颈路段或路口。

本发明方法具有以下优点和积极效果：

1)本发明利用城市路网节点间交通流分布的空间约束关系，通过已采集的交通流数据合理推断监测盲点的数据，提高了城市交通信息获取的空间分布密度，进而为交通拥堵趋势研判、交通诱导、交通出行信息发布等智能交通应用提供了高精度数据；

2)本发明将估算失败情况下的多跳节点链接路径作为交通监控摄像头布点优化的依据，提高了交通信息采集设备安装布局的科学性。

附图说明

图1：本发明实施例的流程图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

事实上，临近路口、路段甚至区域间的交通流分布存在强烈的空间耦合关系，路网空间上一个节点的交通流来自其临近节点，同时，该节点的流量也必将流向其它节点。如果监测盲点的临近节点的交通流参数已经获得到，则可以通过节点间空间拓扑结构约束下的交通流分配关系推断未监测节点的流量数据。具体而言，若流向某节点的近邻上游节点的交通流参数已知，则该节点交通流是上游交通流之和，或者，上游交通流参数不全已知，但下游交通流参数已知，则该节点交通流量是下游合并后流量的一部分；如果通过上下游节点的既有信息都无法充分进行推断，则表明监控点过于稀疏，应增加监控摄像头的布点。根据这一思想，本发明提供了一种交通大数据采集中的交通流分布估计及摄像头布点优化方法。

详见图1，本发明提供的一种交通大数据采集中的交通流分布估计及摄像头布点优化方法，包括以下步骤：

步骤1：确定流量关联模式。根据观测点与临近路段或路口的空间拓扑关系，确定观测节点与周围临近节点间的交通流关联模式，据此选择最佳的交通流参数计算方法；

本实施例中，两种流量关联模式各自定义为：

上游汇聚模式：观测节点的交通流由上游路口或路段过来的交通流汇集而成；

下游合流模式：观测节点的交通流合并到下游路口或路段中。

进而，按照如下顺序选择对应的交通流计算方法：

①如果与观测节点相邻的上游单跳节点的交通流都能被采集到，则对观测点采取上游汇聚模式进行计算；

②否则，如果与观测节点相邻的下游单跳节点的交通流能被采集到且其并列节点的交通流也能被采集到，则对观测点采取下游合流模式进行计算；

③二者都不满足时，则先递推计算上下游多跳节点或并列节点中交通流参数不存在的节点的参数；

①②往下执行步骤2，③往下执行步骤3。

步骤2：计算单跳链接时的交通流参数。根据上述步骤确定的关联模式，借助上游或下游邻接节点提供的交通流参数计算当前观测节点的交通流参数；

对应步骤中1的两种关联模式，单跳链接时交通流计算方法分别如下：

①上游汇聚模式下，观测节点的交通流由上游节点的交通流求和得到，即这里，F_i为上游邻接节点的交通流参数，F_o为计算的观测节点的交通流参数，N为邻接节点的数目；

②下游合流模式下，观测节点的交通流由下游节点合并的交通流减去并列节点的交通流得到，即这里F_c为下游邻接节点合流后的流量参数，F_i为并列节点的交通流参数，F_o为计算的观测节点的交通流参数，N为并列节点的数目。

步骤3：追踪可计算多跳链接节点。以当前观测节点为起点，依次追踪下一个交通流参数待计算的观测节点，并将节点记录进索引表，直到满足退出条件为止；

为便于实现先进后出的操作顺序，本实施例中，采用栈数据结构存储索引表，索引表记录观测节点的编号；

具体实施中，退出条件满足如下其中一个即可：

①发现到可计算的观测节点，即节点的交通流可用单跳链接方式计算，此时接着执行步骤4；

②追踪的观测节点数目超过预设门限T(本实施例T＝5)，此时接着执行步骤5。

步骤4：计算多跳链接时的交通流参数。按照先进后出的顺序，从索引表中逐一取出观测节点，对每个节点按照单跳链接方式计算其交通流参数，直到所有节点被处理完毕；

按照读栈式结构索引表的顺序，上一个观测节点的计算结果作为推断下一个观测节点交通流参数的已知数据；

最后一个观测节点的计算结果作为多跳链接时的交通流参数的输出。

步骤5：优化交通监控摄像头布点。从索引表中选择一个代表性的观测节点，作为布设监控摄像头的位置。

本实施例中，代表性节点的挑选条件应遵循如下原则的全部或其中一部分：

①居中性原则，地理位置处于索引表中全部节点的中间；

②重要性原则，地理位置处于交通流量密集的繁华地段或重要场所(根据交管部门提供的交通状况数据，交通流量高于城区平均交通流量的位置)附近；

③瓶颈路段原则，容易发生交通拥堵的瓶颈路段或路口(根据交管部门提供的交通状况数据，路况为拥塞或重载的位置)。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (6)

1.一种交通大数据采集中交通流分布估计及摄像头布点优化方法，其特征在于，包括以下步骤：

步骤1：确定交通流关联模式。根据观测点与临近路段或路口的空间拓扑关系，确定观测节点与周围临近节点间的交通流关联模式，据此选择最佳的交通流参数计算方法；

步骤2：计算单跳链接时的交通流参数；

根据步骤1中确定的交通流关联模式，借助上游或下游邻接节点提供的交通流参数计算当前观测节点的交通流参数；

步骤3：追踪可计算多跳链接节点；

以当前观测节点为起点，依次追踪下一个交通流参数待计算的观测节点，并将节点记录进索引表，直到满足退出条件为止；

步骤4：计算多跳链接时的交通流参数；

按照先进后出的顺序，从索引表中逐一取出观测节点，对每个节点按照单跳链接方式计算其交通流参数，直到所有节点被处理完毕；

步骤5：优化交通监控摄像头布点；

从索引表中选择一个代表性的观测节点，作为布设监控摄像头的位置。

2.根据权利要求1所述的交通大数据采集中交通流分布估计及摄像头布点优化方法，其特征在于：步骤1中所述交通流关联模式包括上游汇聚模式和下游合流模式，所述上游汇聚模式是观测节点的交通流由上游路口或路段过来的交通流汇集而成；所述下游合流模式是观测节点的交通流合并到下游路口或路段中。

3.根据权利要求1或2所述的交通大数据采集中交通流分布估计及摄像头布点优化方法，其特征在于，步骤1中所述选择最佳的交通流参数计算方法的策略是：

如果与观测节点相邻的上游单跳节点的交通流都能被采集到，则对观测点采取上游汇聚模式进行计算；并顺序执行下述步骤2；

如果与观测节点相邻的下游单跳节点的交通流能被采集到且其并列节点的交通流也能被采集到，则对观测点采取下游合流模式进行计算；并顺序执行下述步骤2；

否则，先递推计算上下游多跳节点或并列节点中交通流参数不存在的节点的参数；并跳转执行下述步骤3。

4.根据权利要求1所述的交通大数据采集中交通流分布估计及摄像头布点优化方法，其特征在于：步骤2中所述借助上游邻接节点提供的交通流参数计算当前观测节点的交通流参数，观测节点的交通流由上游节点的交通流求和得到，即这里，F_i为上游邻接节点的交通流参数，F_o为计算的观测节点的交通流参数，N为邻接节点的数目；

所述借助下游邻接节点提供的交通流参数计算当前观测节点的交通流参数，观测节点的交通流由下游节点合并的交通流减去并列节点的交通流得到，即这里F_c为下游邻接节点合流后的流量参数，F_i为并列节点的交通流参数，F_o为计算的观测节点的交通流参数，N为并列节点的数目。

5.根据权利要求1所述的交通大数据采集中交通流分布估计及摄像头布点优化方法，其特征在于：步骤3中所述退出条件，满足如下其中一个即可：

①发现到可计算的观测节点，即节点的交通流可用单跳链接方式计算，此时接着执行步骤4；

②追踪的观测节点数目超过预设门限T，此时接着执行步骤5。

6.根据权利要求1所述的交通大数据采集中交通流分布估计及摄像头布点优化方法，其特征在于：步骤5中所述代表性节点的挑选，采用如下原则：

①居中性原则，地理位置处于索引表中全部节点的中间；

②重要性原则，地理位置处于交通流量密集的繁华地段或重要场所附近；

③瓶颈路段原则，容易发生交通拥堵的瓶颈路段或路口。