CN107248283A - 一种考虑路段关键度的城市区域路网运行状态评价方法 - Google Patents
一种考虑路段关键度的城市区域路网运行状态评价方法 Download PDFInfo
- Publication number
- CN107248283A CN107248283A CN201710583431.9A CN201710583431A CN107248283A CN 107248283 A CN107248283 A CN 107248283A CN 201710583431 A CN201710583431 A CN 201710583431A CN 107248283 A CN107248283 A CN 107248283A
- Authority
- CN
- China
- Prior art keywords
- section
- mrow
- criticality
- road network
- formula
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种考虑路段关键度的城市区域路网运行状态评价方法方法,包括,步骤一:获取浮动车GPS数据及固定检测器数据并预处理;步骤二:城市路网重要路段识别;步骤三:城市路网薄弱路段识别;步骤四:城市路网关键路段识别及分层;步骤五:城市路网运行状态指数构建。本发明通过考虑衡量路段重要程度的交通流量和衡量路段薄弱程度的平均速度变异系数,对路段的关键度进行了聚类划分,对路网的拥堵评价更贴合实际,且更敏感。
Description
技术领域
本发明涉及城市道路交通中的运行状态评价领域,具体涉及一种从城市区域路网交通指标参数中提取信息,并运用聚类的方法对路段的关键度进行划分,从而对区域路网的运行状态进行评价的方法。
背景技术
随着城市化的发展和机动化进程的加快,我国的机动车保有量迅速增长,城市道路交通网络所面临的拥堵问题日益严重。通过对城市路网拥堵状态进行评价,有助于从总体上把握交通拥堵程度及拥堵的影响范围和发展蔓延的趋势,为交通管理部门分析和研究拥堵现象提供理论依据;也有助于交通管理部门合理引导公众的交通需求,提高关键路段的通行能力,并制定有效的拥堵缓解应急措施,从而缓解交通拥挤程度,改善道路服务水平,减少出行延误,降低环境污染。
浮动车技术(Floating Car Data,FCD)的发展,为识别和评价路网交通拥堵状况,进而缓解道路交通拥堵问题提供了极大的便利。利用浮动车技术,可以实时采集车辆的位置、速度、加速度、转向角等信息,从而对车辆的轨迹进行重构,并计算得到每条路段的实时平均速度等信息。而固定检测器技术作为检测交通数据的一种传统技术,通过安装在路网横断面的检测器装置可以获取通过截面车辆的数据信息。将浮动车和固定检测器采集的交通信息进行数据融合,可以在一定程度上减少单一检测手段存在的误差,从而提高采集信息的准确度和可靠性。
在以往的研究中,重点考虑的是路段或路口的时空特征,采用路段平均行程速度、交叉口延误、平均行程时间延误等参数,运用模糊评价的方法对路段或路网的运行状况进行评价。这种方法对城市道路的拓扑特征和结构特征考虑不足,且参数的权重和隶属度函数的选取依赖于专家经验,具有很强的主观性,容易造成与实际不符的现象。例如,北京、广州的拥堵指数采用车公里数为权重对拥堵里程比例进行加权计算得到,该方法易于计算和理解,但在计算时仅考虑了最拥堵等级的路段,忽略了其他等级路段的影响。另外,基于机器学习和神经网络对交通拥堵进行判别的方法,其实时性和稳定性不能得到保证,在模型的训练过程中容易陷入局部最优。
考虑到道路交通的随机性、动态性和复杂性,即使是道路等级相同的路段,不同的节点或路段受路网结构和交通流分布的影响,在路网中的作用并不相同。
因此,现有技术中需要一种能够考虑不同路段对于路网拥堵程度的影响不同,而更加贴近实际交通运行状况的拥挤评价方法。
发明内容
本发明正是基于现有技术的上述需求而提出的,本发明要解决的技术问题是克服现有技术主观性较强、未考虑道路特性及实时性较差的缺点,充分利用道路交通信息,提出一种贴近实际交通运行状况的交通拥挤评价方法。
为了解决上述问题,本发明提供的技术方案包括:
一种考虑路段关键度的城市区域路网运行状态评价方法方法,所述方法包括如下步骤:
步骤一:获取浮动车GPS数据及固定检测器数据并预处理
在本步骤中,所述浮动车GPS数据通过浮动车上设置的GPS模块来获取;所述固定检测器数据通过设置在路段上的固定检测器来获取;获取原始数据后,对原始数据进行预处理,所述预处理包括修复丢失的数据;
步骤二:城市路网重要路段识别
要应用路段交通流量来衡量路段的重要程度,即某时段某路段的流量越高,便认为该路段在路网中的作用越重要;ID路段在t时段的流量qID,t由固定检测器直接采集;
步骤三:城市路网薄弱路段识别
将薄弱路段定义为路网中受交通拥堵可能性最大的路段集,应用路段浮动车速度的变异系数来评价路段的薄弱程度,即稳定程度,变异系数越大,表征该时段该路段的运行状况越不稳定;ID路段浮动车车速在t时段的变异系数cvID,t可由下式得到:
式中:是浮动车车速的均值,SID,t是该路段该时段浮动车车速的标准差,这两个值可由下式得到:
式中:vi表示ID路段,t时段第i辆车的车速。
式中:u表示该时段路段内的车辆数,其他符号含义同上;
步骤四:城市路网关键路段识别及分层
首先,对流量和变异系数进行规范化处理;对流量qID,t和变异系数cvID,t进行规范化处理,将其映射到[0,1]区间;映射公式为:式中:aj∈{qID,t,cvID,t},max(aj)和min(aj)表示所有元素中第j个值的最大值和最小值,a′j即为规范化之后的值;由此得到映射后的流量q′ID,t和变异系数cv′ID,t;将计算得到的ID路段的关键度定义为关键度向量cID,t:cID,t=(q'ID,t,cv'ID,t),式中:q'ID,t规范化后的某路段t时段的流量,cv′ID,t是规范化后的变异系数;
然后,对关键度向量进行聚类分层:1)从全部数据对象中随机选择5个初始聚类中心,cat1={x1,y1},cat2={x2,y2},…,cat5={x5,y5},其中cat即表示聚类中心,{x,y}是根据路段属性随机选取的聚类中心,其中x和y分别表示经过规范化处理后的某路段流量和平均速度变异系数;2)计算每个关键度向量到聚类中心的欧氏距离,每个关键度向量对应5个欧氏距离,其表达式为:式中:即为路段ID在t时段到第m个聚类中心的欧式距离,m∈{1,2,3,4,5};3)根据来判断该关键度向量与聚类中心点距离,将其归到距离最小的聚类中心点所在的类别,这样可以得到每一个向量关键度的类别;4)计算属于每个聚类中心的所有关键度向量的坐标的平均值,并将这个平均值作为新的聚类中心:式中:s表示属于第m个聚类中心的关键度向量的个数,l表示属于该类的第l个关键度向量,l∈{l为整数|1≤l≤s},则和就是经过第一次迭代之后的第m个类的新的聚类中心;5)重复2)和3),直到新的聚类中心与上步迭代的聚类中心的距离小于给定的阈值α,停止迭代。即:式中:为第z次迭代之后第m个类的聚类中心,为第(z-1)次迭代之后第m个类的聚类中心;6)将属于类中心值最大的类别的道路集定义为1类道路,表示其对路网的作用最显著,以此类推;7)根据分类,将关键度系数I,I为常数,赋值给每类中的各路段,且满足I1<I2<I3<I4<I5,角标代表道路的重要度等级;
步骤五:城市路网运行状态指数构建。
根据路段浮动车平均车速计算路段平均速度系数csID,t,其表达式为式中:是ID路段在t时段的平均速度,Vr是该路段所属的道路等级为r的最大限速,csID,t的取值范围为[0,1];(2)根据区域中各路段的平均速度系数和关键度系数,计算城市区域路网运行状态指数NCIt:式中:Icat(ID)代表ID路段所属的关键度等级的关键度系数,csID,t代表该路段的平均速度系数,n为区域路段数量;(3)将区域路网运行状态指数NCIt的[极小值,极大值]区间做相应的映射,使其取值范围处于[0,10],具体公式为:式中:max表示极大值,min表示极小值;(4)根据NCIt的数值,将区域路网拥堵划分为不同等级。
与现有技术相比,本方法有以下的优点:
1、本发明充分考虑区域路网中各路段对于路网的关键程度,具体来说,通过考虑衡量路段重要程度的交通流量和衡量路段薄弱程度的平均速度变异系数,对路段的关键度进行了聚类划分,对路网的拥堵评价更贴合实际,且更敏感。
2、本发明通过浮动车采集的实时数据,对道路的关键程度进行划分,道路的关键度等级随时间和交通流特性的变化不断变化,能够实时综合地反应路网的拥挤程度,对公众的出行能够起到及时有效的引导。
3、本发明适用于各种极端状况,涵盖路网的区域可大可小,在各种运行状态下都能做出实时反应,应用场景更广。
4、本发明计算过程简单,所需参数较少,非常适合交通管理部门进行在线实时交通拥堵状况检测及发布。
附图说明
图1是本发明的方法流程图;
图2是本发明中的关键度聚类方法流程图。
具体实施方式
下面结合附图对本专利的具体实施方式进行详细说明,需要指出的是,该具体实施方式仅仅是对本专利优选技术方案的举例,并不能理解为对本专利保护范围的限制。
本具体实施方式提供了考虑路段关键度的城市区域路网运行状态评价方法,如图1所示,所述方法包括如下步骤:
步骤一:获取浮动车GPS数据及固定检测器数据并预处理。
在本步骤中,所述浮动车GPS数据可以通过浮动车上设置的GPS模块所采集的原始数据来获取。固定检测器数据可以通过设置在路段上的固定检测器来获取。
其中,浮动车GPS原始数据以及固定检测器原始数据,需要获取的字段包括经过路段的编号LinkID、路段的长度Length、路段起点编号OnID、路段终点编号OffID、单车平均速度Speed、路段流量Volume、记录时间点Time。
为准确得到浮动车GPS数据及固定检测器数据,需要对原始数据进行处理。所述处理主要是针对丢失数据的情况进行。
例如,对于u时段丢失某辆浮动车的数据,可以采用同一时段同一路段的其他车辆的信息进行补充和修复。在某路段多辆浮动车数据丢失导致该路段的平均速度和平均速度变异系数cvID,u无法计算的情况下,以浮动车数据采集间隔为5min为例,可采用前12个时段的历史趋势数据对该路段的交通流信息进行补充和修复,具体公式为:
式中:表示(u-h)时段同一路段的平均速度,h∈{h为整数|1≤h≤12},ID表示路段名,若路网中若有n条路段时,ID∈{1,2,…,n}。
式中:cvID,u-h表示(u-h)时段同一路段的平均速度的变异系数。
若u时段固定检测器检测到ID路段流量qID,u缺失,可以采用以下两种手段进行修复:
(1)与速度和变异系数缺失的方法相同,采用前12个时段的历史趋势数据对该路段的交通流量进行补充和修复,具体公式为:
式中:qID,u-h表示(u-h)时段ID路段的流量,其他符号含义同上。
(2)若前12个时段中流量有缺失,可以采用u时段ID路段相邻路段流量的平均值进行补充和修复,具体公式为:
式中:qID,u表示u时段ID路段的流量,qID-1,u和qID+1,u表示同时段相邻两路段的流量。
将经过预处理后的数据,包括路段编号LinkID、路段长度Length、路段起点编号OnID、路段终点编号OffID、单车平均速度Speed、路段流量Volume、记录时间点Time,被保存在数据库当中,方便之后的步骤进行调用。
步骤二:城市路网重要路段识别
在本具体实施方式的城市路网交通拥堵评价方法中,将重要路段定义为路网中发生拥堵后,对路网整体运行状态影响最大的路段集,能够体现拥堵对路网的影响。
在该方法中,主要应用路段交通流量来衡量路段的重要程度,即某时段某路段的流量越高,便认为该路段在路网中的作用越重要。主要是由于流量较大的路段发生拥堵后,造成延误的数量较多,且拥堵消散需要更多时间。ID路段在t时段的流量qID,t可由固定检测器直接采集,预处理方法如步骤一所述。
根据路段的流量数据,可以对路段在路网中的重要程度进行简单的划分,具体的划分方法将在步骤四中进行说明。
步骤三:城市路网薄弱路段识别
在该城市路网交通拥堵评价方法中,将薄弱路段定义为路网中受交通拥堵可能性最大的路段集,能够体现出路网的不稳定性。薄弱路段越多,表示路网在这一时段的运行状况不稳定,路网易发生拥堵且受拥堵影响加剧。
在该方法中,主要应用路段浮动车速度的变异系数来评价路段的薄弱程度,即稳定程度。主要是由于路网规模较大时,各个路段的交通流特性相差较大,直接利用标准差比较各路段的稳定程度不能反应路段间的实际差别。变异系数消除了不同单位和平均数的影响,可以很好的衡量路网中不同路段的稳定性。
变异系数越大,表征该时段该路段的运行状况越不稳定。ID路段浮动车车速在t时段的变异系数cvID,t可由下式得到:
式中:是浮动车车速的均值,SID,t是该路段该时段浮动车车速的标准差,这两个值可由下式得到:
式中:vi表示ID路段,t时段第i辆车的车速。
式中:u表示该时段路段内的车辆数,其他符号含义同上。
根据路段浮动车平均速度的变异系数,可以对路段在路网中的薄弱程度进行简单的划分,具体的划分方法将在步骤四中进行说明。
步骤四:城市路网关键路段识别及分层
在该城市路网交通拥堵评价方法中,关键路段是重要路段和薄弱路段的交集,即路网中容易发生拥堵,且拥堵发生后对路网整体影响较大的路段集。
在得到表征路网中路段的重要程度的流量和表征薄弱程度的变异系数之后,为对路段的关键程度进行划分,考虑使用K-means聚类算法,以流量和变异系数为输入,对路段进行聚类划分。其具体步骤为:
(1)对流量和变异系数进行规范化处理
对流量qID,t和变异系数cvID,t进行规范化处理,将其映射到[0,1]区间。映射公式为:
式中:aj∈{qID,t,cvID,t},max(aj)和min(aj)表示所有元素中第j个值的最大值和最小值,a'j即为规范化之后的值。由此可以得到映射后的流量q'ID,t和变异系数cv'ID,t。
(2)将计算得到的ID路段的关键度定义为关键度向量cID,t:
cID,t=(q'ID,t,cv'ID,t)
式中:q'ID,t规范化后的某路段t时段的流量,cv'ID,t是规范化后的变异系数。
关键度的划分需要考虑时序的影响,因为在不同的时间段内,路网中不同的路段表现出不同的交通流特性,其对路网的影响程度也随之变化。不同的路段的关键度随时间而变化,也反映了该方法的动态性,能够实时对路网的拥堵程度进行评价。
(3)对关键度进行聚类分层:
将所有路段根据其关键度向量进行聚类,具体步骤如下:
1)从全部数据对象中随机选择5个初始聚类中心,cat1={x1,y1},cat2={x2,y2},…,cat5={x5,y5},其中cat即表示聚类中心。{x,y}是根据路段属性随机选取的聚类中心,其中x和y分别表示经过规范化处理后的某路段流量和平均速度变异系数;
2)计算每个关键度向量到聚类中心的欧氏距离,每个关键度向量对应5个欧氏距离,其表达式为:
式中:即为路段ID在t时段到第m个聚类中心的欧式距离,m∈{1,2,3,4,5};
3)根据来判断该关键度向量与聚类中心点距离,将其归到距离最小的聚类中心点所在的类别,这样可以得到每一个向量关键度的类别;
4)计算属于每个聚类中心的所有关键度向量的坐标的平均值,并将这个平均值作为新的聚类中心:
式中:s表示属于第m个聚类中心的关键度向量的个数,l表示属于该类的第l个关键度向量,l∈{l为整数|1≤l≤s}。则和就是经过第一次迭代之后的第m个类的新的聚类中心;
5)重复2)和3),直到新的聚类中心与上步迭代的聚类中心的距离小于给定的阈值α,停止迭代。即:
式中:为第z次迭代之后第m个类的聚类中心,为第(z-1)次迭代之后第m个类的聚类中心。在本例中,α取0.01;
6)将属于类中心值最大的类别的道路集定义为1类道路,表示其对路网的作用最显著,以此类推;
7)根据分类,将关键度系数I(常数)赋值给每类中的各路段,且满足I1<I2<I3<I4<I5,角标代表道路的重要度等级。根据该约束,取I1=0.1,I2=0.2,I3=0.3,I4=0.4,I5=0.5。
步骤五:城市路网运行状态指数构建。
通过构建城市路网运行状态指数,对城市路网的运行状态做出整体性评价。其方法为:
(1)根据路段浮动车平均车速计算路段平均速度系数csID,t,其表达式为;
式中:是ID路段在t时段的平均速度,Vr是该路段所属的道路等级为r的最大限速,r∈(快速路,主干路,次干路,支路),且csID,t的取值范围为[0,1]。针对城市道路,其限速一般为:
表1城市不同等级道路限速表
道路等级 | 快速路 | 主干路 | 次干路/支路 |
限速(km/h) | 80 | 60 | 40 |
在实际的计算过程中,应根据城市交通运行的实际情况,Vr取不同的值。
(2)根据区域中各路段的平均速度系数和关键度系数,计算城市区域路网运行状态指数NCIt:
式中:Icat(ID)代表ID路段所属的关键度等级的关键度系数,csID,t代表该路段的平均速度系数,n为区域路段数量。
根据前几步骤,构建出表征城市区域路网拥堵等级的指数。并且,根据路段关键度I∈{0.1,0.2,0.3,0.4,0.5},以及路段平均速度系数csID,t∈[0,1]可知:NCIt∈[0,0.5]。由于NCIt的取值是离散变量,将区域路网的[极小值,极大值]区间做相应的映射,使其取值范围处于[0,10],具体方式见下式:
式中:max表示极大值,min表示极小值。
根据NCIt的数值,可以按照下表将区域路网拥堵划分为5个等级。
表2区域路网运行水平划分表
Claims (3)
1.一种考虑路段关键度的城市区域路网运行状态评价方法方法,其特征在于,所述方法包括如下步骤:
步骤一:获取浮动车GPS数据及固定检测器数据并预处理
在本步骤中,所述浮动车GPS数据通过浮动车上设置的GPS模块来获取;所述固定检测器数据通过设置在路段上的固定检测器来获取;获取原始数据后,对原始数据进行预处理,所述预处理包括修复丢失的数据;
步骤二:城市路网重要路段识别
要应用路段交通流量来衡量路段的重要程度,即某时段某路段的流量越高,便认为该路段在路网中的作用越重要;ID路段在t时段的流量qID,t由固定检测器直接采集;
步骤三:城市路网薄弱路段识别
将薄弱路段定义为路网中受交通拥堵可能性最大的路段集,应用路段浮动车速度的变异系数来评价路段的薄弱程度,即稳定程度,变异系数越大,表征该时段该路段的运行状况越不稳定;ID路段浮动车车速在t时段的变异系数cvID,t可由下式得到:
<mrow>
<msub>
<mi>cv</mi>
<mrow>
<mi>I</mi>
<mi>D</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>S</mi>
<mrow>
<mi>I</mi>
<mi>D</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<msub>
<mover>
<mi>v</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>I</mi>
<mi>D</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
</mfrac>
</mrow>
式中:是浮动车车速的均值,SID,t是该路段该时段浮动车车速的标准差,这两个值可由下式得到:
<mrow>
<msub>
<mover>
<mi>v</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>I</mi>
<mi>D</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&Sigma;v</mi>
<mi>i</mi>
</msub>
</mrow>
<mi>i</mi>
</mfrac>
</mrow>
式中:vi表示ID路段,t时段第i辆车的车速。
<mrow>
<msub>
<mi>S</mi>
<mrow>
<mi>I</mi>
<mi>D</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<msqrt>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>u</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>v</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>I</mi>
<mi>D</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mi>u</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
</msqrt>
</mrow>
式中:u表示该时段路段内的车辆数,其他符号含义同上;
步骤四:城市路网关键路段识别及分层
首先,对流量和变异系数进行规范化处理;对流量qID,t和变异系数cvID,t进行规范化处理,将其映射到[0,1]区间;映射公式为:式中:aj∈{qID,t,cvID,t},max(aj)和min(aj)表示所有元素中第j个值的最大值和最小值,a'j即为规范化之后的值;由此得到映射后的流量q'ID,t和变异系数cv'ID,t;将计算得到的ID路段的关键度定义为关键度向量cID,t:cID,t=(q'ID,t,cv'ID,t),式中:q'ID,t规范化后的某路段t时段的流量,cv'ID,t是规范化后的变异系数;
然后,对关键度向量进行聚类分层:1)从全部数据对象中随机选择5个初始聚类中心,cat1={x1,y1},cat2={x2,y2},…,cat5={x5,y5},其中cat即表示聚类中心,{x,y}是根据路段属性随机选取的聚类中心,其中x和y分别表示经过规范化处理后的某路段流量和平均速度变异系数;2)计算每个关键度向量到聚类中心的欧氏距离,每个关键度向量对应5个欧氏距离,其表达式为:式中:即为路段ID在t时段到第m个聚类中心的欧式距离,m∈{1,2,3,4,5};3)根据来判断该关键度向量与聚类中心点距离,将其归到距离最小的聚类中心点所在的类别,这样可以得到每一个向量关键度的类别;4)计算属于每个聚类中心的所有关键度向量的坐标的平均值,并将这个平均值作为新的聚类中心: 式中:s表示属于第m个聚类中心的关键度向量的个数,l表示属于该类的第l个关键度向量,l∈{l为整数|1≤l≤s},则和就是经过第一次迭代之后的第m个类的新的聚类中心;5)重复2)和3),直到新的聚类中心与上步迭代的聚类中心的距离小于给定的阈值α,停止迭代。即:式中:为第z次迭代之后第m个类的聚类中心,为第(z-1)次迭代之后第m个类的聚类中心;6)将属于类中心值最大的类别的道路集定义为1类道路,表示其对路网的作用最显著,以此类推;7)根据分类,将关键度系数I,I为常数,赋值给每类中的各路段,且满足I1<I2<I3<I4<I5,角标代表道路的重要度等级;
步骤五:城市路网运行状态指数构建。
(1)根据路段浮动车平均车速计算路段平均速度系数csID,t,其表达式为式中:是ID路段在t时段的平均速度,Vr是该路段所属的道路等级为r的最大限速,csID,t的取值范围为[0,1];(2)根据区域中各路段的平均速度系数和关键度系数,计算城市区域路网运行状态指数NCIt:式中:Icat(ID)代表ID路段所属的关键度等级的关键度系数,csID,t代表该路段的平均速度系数,n为区域路段数量;(3)将区域路网运行状态指数NCIt的[极小值,极大值]区间做相应的映射,使其取值范围处于[0,10],具体公式为:式中:max表示极大值,min表示极小值;(4)根据NCIt的数值,将区域路网拥堵划分为不同等级。
2.根据权利要求2所述的一种考虑路段关键度的城市区域路网运行状态评价方法方法,其特征在于,浮动车GPS原始数据以及固定检测器原始数据,获取的字段包括经过路段的编号LinkID、路段的长度Length、路段起点编号OnID、路段终点编号OffID、单车平均速度Speed、路段流量Volume、记录时间点Time。
3.根据权利要求2所述的一种考虑路段关键度的城市区域路网运行状态评价方法方法,其特征在于,在步骤四中,所述α取0.01;I1=0.1,I2=0.2,I3=0.3,I4=0.4,I5=0.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710583431.9A CN107248283B (zh) | 2017-07-18 | 2017-07-18 | 一种考虑路段关键度的城市区域路网运行状态评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710583431.9A CN107248283B (zh) | 2017-07-18 | 2017-07-18 | 一种考虑路段关键度的城市区域路网运行状态评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107248283A true CN107248283A (zh) | 2017-10-13 |
CN107248283B CN107248283B (zh) | 2018-12-28 |
Family
ID=60014211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710583431.9A Expired - Fee Related CN107248283B (zh) | 2017-07-18 | 2017-07-18 | 一种考虑路段关键度的城市区域路网运行状态评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107248283B (zh) |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108613681A (zh) * | 2018-05-14 | 2018-10-02 | 河海大学常州校区 | 大数据环境下基于迭代计算的路径规划分布式计算方法 |
CN108763538A (zh) * | 2018-05-31 | 2018-11-06 | 北京嘀嘀无限科技发展有限公司 | 一种确定兴趣点poi地理位置的方法及装置 |
CN108806258A (zh) * | 2018-07-09 | 2018-11-13 | 北方工业大学 | 一种基于浮动车数据的城市道路交叉口运行评价指标体系 |
CN109285347A (zh) * | 2018-09-26 | 2019-01-29 | 东莞绿邦智能科技有限公司 | 一种基于云平台的城市道路拥堵分析系统 |
CN109284869A (zh) * | 2018-10-08 | 2019-01-29 | 北方工业大学 | 一种基于浮动车数据城市交叉口流量估计方法 |
CN109345434A (zh) * | 2018-10-31 | 2019-02-15 | 东南大学 | 一种开放式小区内外部道路设计安全评价的方法 |
CN109584563A (zh) * | 2018-12-24 | 2019-04-05 | 重庆交通大学 | 一种基于韦布尔分布的城市快速路路段通行能力可靠性分布分析方法 |
CN109871876A (zh) * | 2019-01-22 | 2019-06-11 | 东南大学 | 一种基于浮动车数据的高速公路路况识别与预测方法 |
CN109979198A (zh) * | 2019-04-08 | 2019-07-05 | 东南大学 | 基于大规模浮动车数据的城市快速道路车速离散辨识方法 |
CN110378573A (zh) * | 2019-06-27 | 2019-10-25 | 厦门理工学院 | 一种城市轨道交通路网供需分布评价方法 |
CN110766945A (zh) * | 2019-10-28 | 2020-02-07 | 合肥安慧软件有限公司 | 一种区间分析交通指数系统 |
CN110782120A (zh) * | 2019-09-12 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 一种交通流模型的评测方法、系统、设备及介质 |
CN111081019A (zh) * | 2019-12-23 | 2020-04-28 | 华南理工大学 | 一种基于路段权重系数的路网交通运行状况评价方法 |
CN111126878A (zh) * | 2019-12-31 | 2020-05-08 | 华南理工大学 | 一种基于生态指数的城市交通运行评价方法 |
CN111613047A (zh) * | 2019-02-26 | 2020-09-01 | 阿里巴巴集团控股有限公司 | 一种信息处理方法及装置 |
CN111710162A (zh) * | 2020-07-07 | 2020-09-25 | 深圳市数字城市工程研究中心 | 一种城市路网交通运行状况监测方法及系统 |
CN111739283A (zh) * | 2019-10-30 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 一种基于聚类的路况计算方法、装置、设备及介质 |
CN111862594A (zh) * | 2020-06-04 | 2020-10-30 | 中国兵器科学研究院 | 识别道路交通网络中薄弱单元的方法、装置及存储介质 |
CN112102611A (zh) * | 2020-08-03 | 2020-12-18 | 上海理工大学 | 一种基于中断概率影响模型的城市路网关键路径辨识方法 |
CN112434075A (zh) * | 2020-10-23 | 2021-03-02 | 北京千方科技股份有限公司 | 一种基于etc门架的交通异常检测方法、装置、存储介质及终端 |
CN113706876A (zh) * | 2021-10-29 | 2021-11-26 | 数字广东网络建设有限公司 | 一种路网处理方法、设备及存储介质 |
CN113888877A (zh) * | 2021-12-08 | 2022-01-04 | 南方科技大学 | 交通状态检测方法、装置、设备和存储介质 |
CN114141017A (zh) * | 2021-12-14 | 2022-03-04 | 北京航空航天大学 | 一种考虑长短期路段性能的道路韧性衡量方法 |
CN115830842A (zh) * | 2022-09-07 | 2023-03-21 | 交通运输部公路科学研究所 | 一种面向车路协同自动驾驶的关键路段辨识方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050803A (zh) * | 2014-06-23 | 2014-09-17 | 北京航空航天大学 | 一种区域高速路网运行状态评价方法 |
US20150206428A1 (en) * | 2014-01-21 | 2015-07-23 | Iteris, Inc. | Estimation of hourly traffic flow profiles using speed data and annual average daily traffic data |
CN105139645A (zh) * | 2015-07-23 | 2015-12-09 | 合肥革绿信息科技有限公司 | 一种基于浮动车技术的城市区域路网运行指数评估方法 |
CN106297285A (zh) * | 2016-08-17 | 2017-01-04 | 重庆大学 | 基于动态权重的高速公路交通运行状态模糊综合评价方法 |
CN106781488A (zh) * | 2016-12-28 | 2017-05-31 | 安徽科力信息产业有限责任公司 | 基于车流密度和车速融合的交通运行状态评价方法 |
CN106781490A (zh) * | 2016-12-29 | 2017-05-31 | 广州交通信息化建设投资营运有限公司 | 城市道路交通运行分析评价系统 |
-
2017
- 2017-07-18 CN CN201710583431.9A patent/CN107248283B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150206428A1 (en) * | 2014-01-21 | 2015-07-23 | Iteris, Inc. | Estimation of hourly traffic flow profiles using speed data and annual average daily traffic data |
CN104050803A (zh) * | 2014-06-23 | 2014-09-17 | 北京航空航天大学 | 一种区域高速路网运行状态评价方法 |
CN105139645A (zh) * | 2015-07-23 | 2015-12-09 | 合肥革绿信息科技有限公司 | 一种基于浮动车技术的城市区域路网运行指数评估方法 |
CN106297285A (zh) * | 2016-08-17 | 2017-01-04 | 重庆大学 | 基于动态权重的高速公路交通运行状态模糊综合评价方法 |
CN106781488A (zh) * | 2016-12-28 | 2017-05-31 | 安徽科力信息产业有限责任公司 | 基于车流密度和车速融合的交通运行状态评价方法 |
CN106781490A (zh) * | 2016-12-29 | 2017-05-31 | 广州交通信息化建设投资营运有限公司 | 城市道路交通运行分析评价系统 |
Cited By (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108613681A (zh) * | 2018-05-14 | 2018-10-02 | 河海大学常州校区 | 大数据环境下基于迭代计算的路径规划分布式计算方法 |
CN108763538A (zh) * | 2018-05-31 | 2018-11-06 | 北京嘀嘀无限科技发展有限公司 | 一种确定兴趣点poi地理位置的方法及装置 |
CN108763538B (zh) * | 2018-05-31 | 2019-07-23 | 北京嘀嘀无限科技发展有限公司 | 一种确定兴趣点poi地理位置的方法及装置 |
CN108806258A (zh) * | 2018-07-09 | 2018-11-13 | 北方工业大学 | 一种基于浮动车数据的城市道路交叉口运行评价指标体系 |
CN109285347A (zh) * | 2018-09-26 | 2019-01-29 | 东莞绿邦智能科技有限公司 | 一种基于云平台的城市道路拥堵分析系统 |
CN109284869A (zh) * | 2018-10-08 | 2019-01-29 | 北方工业大学 | 一种基于浮动车数据城市交叉口流量估计方法 |
CN109284869B (zh) * | 2018-10-08 | 2022-03-15 | 北方工业大学 | 一种基于浮动车数据城市交叉口流量估计方法 |
CN109345434A (zh) * | 2018-10-31 | 2019-02-15 | 东南大学 | 一种开放式小区内外部道路设计安全评价的方法 |
CN109345434B (zh) * | 2018-10-31 | 2020-08-28 | 东南大学 | 一种开放式小区内外部道路设计安全评价的方法 |
CN109584563A (zh) * | 2018-12-24 | 2019-04-05 | 重庆交通大学 | 一种基于韦布尔分布的城市快速路路段通行能力可靠性分布分析方法 |
CN109871876A (zh) * | 2019-01-22 | 2019-06-11 | 东南大学 | 一种基于浮动车数据的高速公路路况识别与预测方法 |
CN109871876B (zh) * | 2019-01-22 | 2023-08-08 | 东南大学 | 一种基于浮动车数据的高速公路路况识别与预测方法 |
CN111613047A (zh) * | 2019-02-26 | 2020-09-01 | 阿里巴巴集团控股有限公司 | 一种信息处理方法及装置 |
CN109979198A (zh) * | 2019-04-08 | 2019-07-05 | 东南大学 | 基于大规模浮动车数据的城市快速道路车速离散辨识方法 |
CN110378573A (zh) * | 2019-06-27 | 2019-10-25 | 厦门理工学院 | 一种城市轨道交通路网供需分布评价方法 |
CN110782120A (zh) * | 2019-09-12 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 一种交通流模型的评测方法、系统、设备及介质 |
CN110782120B (zh) * | 2019-09-12 | 2022-04-15 | 腾讯科技(深圳)有限公司 | 一种交通流模型的评测方法、系统、设备及介质 |
CN110766945A (zh) * | 2019-10-28 | 2020-02-07 | 合肥安慧软件有限公司 | 一种区间分析交通指数系统 |
CN111739283A (zh) * | 2019-10-30 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 一种基于聚类的路况计算方法、装置、设备及介质 |
CN111739283B (zh) * | 2019-10-30 | 2022-05-20 | 腾讯科技(深圳)有限公司 | 一种基于聚类的路况计算方法、装置、设备及介质 |
CN111081019A (zh) * | 2019-12-23 | 2020-04-28 | 华南理工大学 | 一种基于路段权重系数的路网交通运行状况评价方法 |
CN111126878B (zh) * | 2019-12-31 | 2023-08-22 | 华南理工大学 | 一种基于生态指数的城市交通运行评价方法 |
CN111126878A (zh) * | 2019-12-31 | 2020-05-08 | 华南理工大学 | 一种基于生态指数的城市交通运行评价方法 |
CN111862594A (zh) * | 2020-06-04 | 2020-10-30 | 中国兵器科学研究院 | 识别道路交通网络中薄弱单元的方法、装置及存储介质 |
CN111862594B (zh) * | 2020-06-04 | 2021-09-03 | 中国兵器科学研究院 | 识别道路交通网络中薄弱单元的方法、装置及存储介质 |
CN111710162B (zh) * | 2020-07-07 | 2022-04-01 | 深圳市数字城市工程研究中心 | 一种城市路网交通运行状况监测方法及系统 |
CN111710162A (zh) * | 2020-07-07 | 2020-09-25 | 深圳市数字城市工程研究中心 | 一种城市路网交通运行状况监测方法及系统 |
CN112102611B (zh) * | 2020-08-03 | 2023-02-03 | 上海理工大学 | 一种基于中断概率影响模型的城市路网关键路径辨识方法 |
CN112102611A (zh) * | 2020-08-03 | 2020-12-18 | 上海理工大学 | 一种基于中断概率影响模型的城市路网关键路径辨识方法 |
CN112434075A (zh) * | 2020-10-23 | 2021-03-02 | 北京千方科技股份有限公司 | 一种基于etc门架的交通异常检测方法、装置、存储介质及终端 |
CN113706876A (zh) * | 2021-10-29 | 2021-11-26 | 数字广东网络建设有限公司 | 一种路网处理方法、设备及存储介质 |
CN113888877A (zh) * | 2021-12-08 | 2022-01-04 | 南方科技大学 | 交通状态检测方法、装置、设备和存储介质 |
CN114141017A (zh) * | 2021-12-14 | 2022-03-04 | 北京航空航天大学 | 一种考虑长短期路段性能的道路韧性衡量方法 |
CN114141017B (zh) * | 2021-12-14 | 2022-09-27 | 北京航空航天大学 | 一种考虑长短期路段性能的道路韧性衡量方法 |
CN115830842A (zh) * | 2022-09-07 | 2023-03-21 | 交通运输部公路科学研究所 | 一种面向车路协同自动驾驶的关键路段辨识方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107248283B (zh) | 2018-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107248283A (zh) | 一种考虑路段关键度的城市区域路网运行状态评价方法 | |
CN102081846B (zh) | 基于高速公路收费数据轨迹匹配的交通状态识别方法 | |
CN102521965B (zh) | 基于车牌识别数据的交通需求管理措施效果评价方法 | |
CN111724589B (zh) | 一种基于多源数据的高速公路断面流量估计方法 | |
CN104809112B (zh) | 一种基于多源数据的城市公交发展水平综合评价方法 | |
CN104809877B (zh) | 基于特征参数加权gefcm算法的高速公路地点交通状态估计方法 | |
CN102592447B (zh) | 一种基于fcm的区域路网的道路交通状态判别方法 | |
CN108492555A (zh) | 一种城市路网交通状态评价方法及装置 | |
CN107766969B (zh) | 一种基于地铁服务能力瓶颈区段识别的大站快线布设方法 | |
CN107330217A (zh) | 一种基于rbfnn的中观油耗预测方法 | |
CN105321347A (zh) | 一种分层次的路网交通拥堵评价方法 | |
CN104408925A (zh) | 基于陈列雷达的交叉口运行状态评价方法 | |
CN105679025B (zh) | 一种基于可变权重混合分布的城市干道行程时间估计方法 | |
CN110634292B (zh) | 一种基于路阻性能函数的行程时间可靠性估计方法 | |
CN104376716A (zh) | 一种基于贝叶斯网络模型的公交时刻表动态生成方法 | |
CN109345434B (zh) | 一种开放式小区内外部道路设计安全评价的方法 | |
CN109191849A (zh) | 一种基于多源数据特征提取的交通拥堵持续时间预测方法 | |
CN111680940A (zh) | 一种区域轨道交通线网安全水平评价方法及系统 | |
CN107833459A (zh) | 一种基于gps数据的城市公交运行状况评价方法 | |
CN107180534A (zh) | 支持向量回归机融合的高速公路路段平均速度估计方法 | |
CN106384507A (zh) | 基于稀疏检测器的行程时间实时估计方法 | |
CN104331746B (zh) | 一种分离式的动态路径优化系统及其方法 | |
CN107066501A (zh) | 一种基于道路相似性的机动车尾气遥测设备布点方法 | |
CN117238126A (zh) | 一种连续流道路场景下的交通事故风险评估方法 | |
CN103914984B (zh) | 一种基于单元-区间协作的城市道路交通状态分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181228 Termination date: 20210718 |