一种公路异常事件的判断方法
技术领域
本发明涉及交通规划数据分析技术领域,更具体地,涉及一种公路异常事件的判断方法。
背景技术
目前,随着城市化进程的加速和高速公路的建设,通过高速公路出行的方式已经越来越普遍。但同时国内人均汽车拥有量的不断提升以及人们出行需求的增加,尤其是在节假日的时候,高速公路上的车流量非常大,另外,由于高速公路上事故处理麻烦,所以经常会出现堵车现象。高速公路堵车具有规模大,时间长,处理困难等特点,对于人们的出行有较大的影响。所以分析高速公路堵车的具体情况,比如容易堵车的路段,堵车的时间长度,对于在交通规划阶段的优化设计,拥堵出现后的实时分析和处理具有很大的帮助。
另一方面,随着人民生活水平的提高,手机等定位移动设备已经成为人们日常生活中必不可少的物品。人们在日常出行中都会将手机随身携带,手机的移动基本反映了人的移动。另外,移动设备的定位技术发展也非常迅速,移动运营商可以依据手机连接的基站来判断用户的位置,智能手机的GPS定位功能也可以定位用户的位置,并且精度已经达到几十米。因此,大量的手机移动信息被记录了下来。从这些海量的手机移动数据中我们可以挖掘出用户的移动速度,在高速公路上它也代表了车辆的移动速度,进而我们可以分析高速公路上的交通状况,对堵车情况有全面的了解。
现有技术存在下述公路堵车情况判断方法:专利1:一种基于手机数据的高速公路异常事件实时检测方法。利用基站手机接入量的变化来判断是否出现异常事件。通过时间序列模型实时对未来时刻基站手机接入数量进行预测并计算异常事件判断指标,确定是否发生异常事件。专利2:一种基于移动互联网的堵车识别和路况分享激励系统。通过用户在互联网上分享来扩散堵车信息,相当于一个用户互相沟通堵车情况的信息共享平台。论文3:基于移动设备的路况估计算法研究。利用手机GPS信息先构建出单量车的移动速度,然后估算同一类车辆的平均速度,通过车辆的平均速度判断交通状况。
综上所述,现有相关文献存在以下技术问题:1)专利1从基站的接入手机数量来判断,但是接入量跟通车流量有比较大的关系,没有反应堵车时最本质的特点,即车速,所以不能完整反应堵车时的交通信息。2)专利2是一种堵车的场景的信息分享平台,但是这种平台主要是针对用户的,并不适用于交通部门收集完整的堵车信息。3)论文3的数据利用了人工生成的交通GPS数据和专门手机应用收集的非常细粒度的数据,但是现实情况下并不能获取这样的数据,所以适用范围并不广。
发明内容
本发明为克服上述问题或者至少部分地解决上述问题,提供一种公路异常事件的判断方法。
根据本发明的一个方面,提供一种公路异常事件的判断方法,包括:
步骤1,获取目标时间段T内经过目标路段H各样本车辆的移动轨迹数据;
步骤2,分别将所述T和所述H进行等分,基于等分后的T和H,构建表示所述各样本车辆离散化移动轨迹的二维矩阵U;
步骤3,计算所述各样本车辆在所述离散化移动轨迹中各时空点的平均速度,将所各时空点的平均速度加入所述二维矩阵U;
步骤4,计算所述离散化移动轨迹中各时空点样本车辆总数和所述离散化移动轨迹中各时空点所有样本车辆的平均速度;
步骤5,基于所述离散化移动轨迹中各时空点样本车辆总数和所述离散化移动轨迹中各时空点所有样本车辆的平均速度获得所述T和H内的堵车情况。
进一步,所述步骤1进一步包括:
选取目标路段周围的一个封闭多边形A,使得所述A上任意一点到所述目标路段的最短距离相等;所述最短距离为能够包含在所述目标路段上进行定位的样本车辆的定位偏移最大距离;得到各样本车辆的移动轨迹表示:S=[(t1,l1),(t2,l2),...,(tn,ln)],其中第i条记录Ri=(ti,li)表示时间为ti,样本车辆所在的位置为li。
进一步,所述步骤2进一步包括:
将所述H划分成m条连续的等长度的路段H=H1+H2+...+Hm;将所述T划分成等间隔的n个时间段,所述时间段i的中间时刻点用Ti表示;
基于所述划分后的路段和时间段构建表示所述各样本车辆离散化移动轨迹的二维矩阵U。
进一步,所述步骤2中基于所述划分后的路段和时间段构建表示所述各样本车辆离散化移动轨迹的二维矩阵U的步骤进一步包括:
找出所述各样本车辆的轨迹S=[(t1,l1),(t2,l2),...,(tn,ln)]的起点Ha和终点Hb,其中l1∈Ha,l2∈Hb,所述H表示为Hab={Ha,Ha+1,...,Hb};
找出所述各样本车辆移动轨迹t1和tn分别对应的起始时间点Tc和终止时间点Td,其中Tc-1<t1≤Td,Tc≤t2<Td+1,所述各样本车辆移动轨迹所包含的时间点表示为Tcd={Tc,Tc+1,...,Td};
找出所述各样本车辆移动轨迹中各时间点Ti所对应的位置信息,其中tk<Ti<tk+1,所述tk和tk+1分别对应的轨迹点为P(tk,lk),Q(tk+1,lk+1);
基于所述lk和lk+1获得所述Ti所对应的路段Hi;
基于所述Ti和Hi构建表示所述各样本车辆离散化移动轨迹的二维矩阵U,所述离散化移动轨迹表示为S′=[(H1,T1),(H2,T2),(H2,T3),(H3,T4),(H5,T5),...]。
进一步,所述步骤2中获得lk和lk+1所分别对应的路段Hi的步骤进一步包括:
当所述lk和lk+1在同一段轨迹Hi上,所述Ti时刻所述样本车辆所对应的路段为Hi;
当所述lk和lk+1分别位于Hj和Hj+r两个不同路段上,假设样本车辆在所述lk和lk+1间做匀速直线运动;计算所述lk和lk+1间的速度获得Ti时刻样本车辆位于lk和lk+1间,与lk距离为v·(tk+1-tk),即所述目标车辆的地理位置为W=lk+v·(tk+1-tk);从所述Hab中找到所述W所在的路段,即为所述Ti时刻所述样本车辆所对应的路段Hi。
进一步,所述步骤3中计算所述各样本车辆在所述离散化移动轨迹中各时空点的平均速度的步骤进一步包括:
对于所述样本车辆任一离散移动轨迹点,到所述原始轨迹S=[(t1,l1),(t2,l2),...,(tn,ln)]中找到所述任一离散移动轨迹点的前后两个轨迹点X和Y,所述X和Y为距离所述任一离散移动轨迹点距离最近且与所述任一离散移动轨迹点不在同一路段上;
利用所述X和Y间的路段平均速度表示所述样本车辆在所述任一离散化移动轨迹点的平均速度。
进一步,所述步骤4中计算所述离散化移动轨迹中各时空点样本车辆总数的步骤进一步包括:
将所有样本车辆的轨迹矩阵U合并为一个三维矩阵D=[U1,U2,...,Uu],其中u为所述样本车辆的数量,Dx,Dy,Dz分别为所述三维矩阵D的路段、时间和用户三个维度,矩阵中任一元素D(i,j,k)表示在第i个路段,第j个时间点的用户数量;
用二维矩阵E表示所述离散化移动轨迹中各时空点样本车辆总数,E(i,j)表示第i个路段,第j个时间点的用户数量;遍历所述三维矩阵D的Dx和Dy两个维度,对于所有i和j,找出D(i,j,:)中非空元素集合Dij′,E(i,j)=|Dij′|。
进一步,所述步骤4中计算所述离散化移动轨迹中各时空点所述所有样本车辆的平均速度的步骤进一步包括:
将每一个路段的平均速度记录在速度二维矩阵F中,F(i,j)表示在第i个路段,第j个时间点的所有样本车辆的平均速度:
进一步,所述步骤5进一步包括:
当所述T和H内任一时空点的平均车速小于预设阈值vjam且所述任一时空点的样本车辆总数大于预设阈值njam时,确认所述任一时空点发生堵车;其中Δd为路段长度,m为单向车道数量,l为车身平均长度,n为所述样本车辆的平均载客量;
将所述T和H内所有时空点堵车情况判断结果存储在二维二值矩阵J中。
进一步,所述步骤5进一步包括:
对所述矩阵进行平均池化处理,用一个正方形的池化窗求所述J矩阵在窗内的元素的平均值,找到出现所述平均值大于预设阈值的池化窗口位置,该处即为出现堵车的位置;
选择所述出现堵车的位置开始时间Tx、结束时间Ty以及开始位置Hx和结束位置Hy;利用所述矩阵F计算所述出现堵车的位置对应子矩阵的平均速度;获得。
本申请提出一种公路异常事件的判断方法,本发明所述方案具有如下有益效果:1、综合考虑样本车辆车速信息进行堵车事件的判断;2、判断目标路段的整体堵车事件;3、更加准确的判断目标路段的堵车事件。
附图说明
图1为根据本发明实施例一种公路异常事件的判断方法的整体流程示意图;
图2根据本发明实施例一种公路异常事件的判断方法的中目标路段定位范围示意图;
图3根据本发明实施例一种公路异常事件的判断方法的中目标路段分割示意图;
图4根据本发明实施例一种公路异常事件的判断方法的中计算Ti时刻车辆所处路段示意图;
图5根据本发明实施例一种公路异常事件的判断方法的中离散轨迹中轨迹点的速度计算流程示意图;
图6根据本发明实施例一种公路异常事件的判断方法的中时空点堵车判断流程示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
如图1,本发明一个具体实施例中,示出一种公路异常事件的判断方法整体流程示意图。总体上,包括:
步骤1,获取目标时间段T内经过目标路段H各样本车辆的移动轨迹数据;
步骤2,分别将所述T和所述H进行等分,基于等分后的T和H,构建表示所述各样本车辆离散化移动轨迹的二维矩阵U;
步骤3,计算所述各样本车辆在所述离散化移动轨迹中各时空点的平均速度,将所各时空点的平均速度加入所述二维矩阵U;
步骤4,计算所述离散化移动轨迹中各时空点样本车辆总数和所述离散化移动轨迹中各时空点所有样本车辆的平均速度;
步骤5,基于所述离散化移动轨迹中各时空点样本车辆总数和所述离散化移动轨迹中各时空点所有样本车辆的平均速度获得所述T和H内的堵车情况。
在本发上述任一具体实施例的基础上,提出一种公路异常事件的判断方法,所述步骤1进一步包括:
选取目标路段周围的一个封闭多边形A,使得所述A上任意一点到所述目标路段的最短距离相等;所述最短距离为能够包含在所述目标路段上进行定位的样本车辆的定位偏移最大距离;得到各样本车辆的移动轨迹表示:S=[(t1,l1),(t2,l2),...,(tn,ln)],其中第i条记录Ri=(ti,li)表示时间为ti,样本车辆所在的位置为li。
在本发上述任一具体实施例的基础上,提出一种公路异常事件的判断方法,所述步骤2进一步包括:
将所述H划分成m条连续的等长度的路段H=H1+H2+...+Hm;将所述T划分成等间隔的n个时间段,所述时间段i的中间时刻点用Ti表示;
基于所述划分后的路段和时间段构建表示所述各样本车辆离散化移动轨迹的二维矩阵U。
在本发上述任一具体实施例的基础上,提出一种公路异常事件的判断方法,所述步骤2中基于所述划分后的路段和时间段构建表示所述各样本车辆离散化移动轨迹的二维矩阵U的步骤进一步包括:
找出所述各样本车辆的轨迹S=[(t1,l1),(t2,l2),...,(tn,ln)]的起点Ha和终点Hb,其中l1∈Ha,l2∈Hb,所述H表示为Hab={Ha,Ha+1,...,Hb};
找出所述各样本车辆移动轨迹t1和tn分别对应的起始时间点Tc和终止时间点Td,其中Tc-1<t1≤Td,Tc≤t2<Td+1,所述各样本车辆移动轨迹所包含的时间点表示为Tcd={Tc,Tc+1,...,Td};
找出所述各样本车辆移动轨迹中各时间点Ti所对应的位置信息,其中tk<Ti<tk+1,所述tk和tk+1分别对应的轨迹点为P(tk,lk),Q(tk+1,lk+1);
基于所述lk和lk+1获得所述Ti所对应的路段Hi;
基于所述Ti和Hi构建表示所述各样本车辆离散化移动轨迹的二维矩阵U,所述离散化移动轨迹表示为S′=[(H1,T1),(H2,T2),(H2,T3),(H3,T4),(H5,T5),...]。
在本发上述任一具体实施例的基础上,提出一种公路异常事件的判断方法,所述步骤2中获得lk和lk+1所分别对应的路段Hi的步骤进一步包括:
当所述lk和lk+1在同一段轨迹Hi上,所述Ti时刻所述样本车辆所对应的路段为Hi;
当所述lk和lk+1分别位于Hj和Hj+r两个不同路段上,假设样本车辆在所述lk和lk+1间做匀速直线运动;计算所述lk和lk+1间的速度获得Ti时刻样本车辆位于lk和lk+1间,与lk距离为v·(tk+1-tk),即所述目标车辆的地理位置为W=lk+v·(tk+1-tk);从所述Hab中找到所述W所在的路段,即为所述Ti时刻所述样本车辆所对应的路段Hi。
在本发上述任一具体实施例的基础上,提出一种公路异常事件的判断方法,所述步骤3中计算所述各样本车辆在所述离散化移动轨迹中各时空点的平均速度的步骤进一步包括:
对于所述样本车辆任一离散移动轨迹点,到所述原始轨迹S=[(t1,l1),(t2,l2),...,(tn,ln)]中找到所述任一离散移动轨迹点的前后两个轨迹点X和Y,所述X和Y为距离所述任一离散移动轨迹点距离最近且与所述任一离散移动轨迹点不在同一路段上;
利用所述X和Y间的路段平均速度表示所述样本车辆在所述任一离散化移动轨迹点的平均速度。
在本发上述任一具体实施例的基础上,提出一种公路异常事件的判断方法,所述步骤4中计算所述离散化移动轨迹中各时空点样本车辆总数的步骤进一步包括:
将所有样本车辆的轨迹矩阵U合并为一个三维矩阵D=[U1,U2,...,Uu],其中u为所述样本车辆的数量,Dx,Dy,Dz分别为所述三维矩阵D的路段、时间和用户三个维度,矩阵中任一元素D(i,j,k)表示在第i个路段,第j个时间点的用户数量;
用二维矩阵E表示所述离散化移动轨迹中各时空点样本车辆总数,E(i,j)表示第i个路段,第j个时间点的用户数量;遍历所述三维矩阵D的Dx和Dy两个维度,对于所有i和j,找出D(i,j,:)中非空元素集合Dij′,E(i,j)=|Dij′|。
在本发上述任一具体实施例的基础上,提出一种公路异常事件的判断方法,所述步骤4中计算所述离散化移动轨迹中各时空点所述所有样本车辆的平均速度的步骤进一步包括:
将每一个路段的平均速度记录在速度二维矩阵F中,F(i,j)表示在第i个路段,第j个时间点的所有样本车辆的平均速度:
在本发上述任一具体实施例的基础上,提出一种公路异常事件的判断方法,所述步骤5进一步包括:
当所述T和H内任一时空点的平均车速小于预设阈值vjam且所述任一时空点的样本车辆总数大于预设阈值njam时,确认所述任一时空点发生堵车;其中Δd为路段长度,m为单向车道数量,l为车身平均长度,n为所述样本车辆的平均载客量;
将所述T和H内所有时空点堵车情况判断结果存储在二维二值矩阵J中。
在本发上述任一具体实施例的基础上,提出一种公路异常事件的判断方法,所述步骤5进一步包括:
对所述矩阵进行平均池化处理,用一个正方形的池化窗求所述J矩阵在窗内的元素的平均值,找到出现所述平均值大于预设阈值的池化窗口位置,该处即为出现堵车的位置;
选择所述出现堵车的位置开始时间Tx、结束时间Ty以及开始位置Hx和结束位置Hy;利用所述矩阵F计算所述出现堵车的位置对应子矩阵的平均速度;获得。
在本发明另一个具体实施例中,提出一种公路异常事件的判断方法,所述方法通过分析手机信令数据,对用户在两个特定城市间高速公路上异常事件进行识别。本实施例主要利用手机的GPS数据(用户ID|时间|经纬度),连续的时空位置记录构成了用户的移动轨迹。具体判断方案如下。
1、输入:一段时间的大量用户在某条城际高速上的移动轨迹数据,每个用户的轨迹表示为S=[(t1,l1),(t2,l2),...,(tn,ln)],其中第i条记录Ri=(ti,li)表示连接时间为ti,所在的位置为li。
2、输出:该路段在该时间段内是否存在异常事件,如果存在堵车情况,给出堵车的信息[E1,E2,...],其中Ei表示一次堵车事件,T1和T2分别表示堵车开始的时间和结束的时间,L1和L2分别表示堵车路段的起始位置和终止位置,表示堵车过程中的平均速度。
3、具体执行方法如下。
步骤1提取用户位于高速公路上的轨迹。
用户的轨迹起讫点可能并不是在高速上,因为我们只研究高速路段(用H表示这段高速公路)上的异常事件,所以需要先将用户的轨迹中位于高速公路中的一部分截取出来。具体方法是在地图上找出高速公路,然后手动选取高速公路周围的一个封闭多边形A使得多边形上任意一点到高速公路的距离大致相似,如图2所示。距离值可参考定位方法的精度,保证能将正常偏离的点包括进来。然后对于任意一条轨迹S=[(t1,l1),(t2,l2),...,(tn,ln)],找出所有位于多边形内部的点,即{(ti,li)|li∈A},构成一条新的移动轨迹。为了表示方便,我们在接下去的步骤中仍然用S=[(t1,l1),(t2,l2),...,(tn,ln)]表示新的轨迹。
步骤2按路段分割用户轨迹。
将高速公路按照一定的距离Δd间隔分割成m条连续的等长度的路段,H=H1+H2+...+Hm,如图3所示。按照一定的时间间隔Δt将数据集的整个时间段划分成等时间间隔的n个离散时间段每个时间段的中间时刻点用Ti表示。对于每一个用户,用离散的时间和路段构建成一个二维的矩阵U来表示他的移动轨迹,矩阵U中非空的值表示该用户在时空点出现,一条轨迹相当于一个离散点的集合。
步骤3用户轨迹离散化。
对于每一条轨迹S=[(t1,l1),(t2,l2),...,(tn,ln)],找出起讫点分别对应的路段,用Ha,Hb表示,其中l1∈Ha,l2∈Hb,轨迹所在的整个路段用Hab={Ha,Ha+1,...,Hb}表示。再找出起讫点t1,tn分别对应的时间点Tc,Td,其中Tc-1<t1≤Td,Tc≤t2<Td+1,轨迹中所包含的的时间点用Tcd={Tc,Tc+1,...,Td}表示。再找出用户位于每个时间点时他所在的路段。对于任意一个时间点Ti,找出它在轨迹中所在的位置(tk<Ti<tk+1),对应的轨迹点分别为P(tk,lk),Q(tk+1,lk+1),找到lk和lk+1分别所在的轨迹段,一共有两种情况,如图4所示。
lk和lk+1在同一段轨迹Hj上:则Ti时刻,车辆所在的轨迹段为Hj;
lk和lk+1不在同一段轨迹上:假设他们分别位于Hj和Hj+r上,且在这两点之间的移动过程近似为匀速直线运动,首先计算出两点之间的速度然后得出Ti时刻车辆位于lk和lk+1之间,与lk的距离为v·(tk+1-tk),即车辆的地理位置近似为W=lk+v·(tk+1-tk)。从Hab中找到该地理位置所在的路段,即为Ti时刻车辆所在的高速路段。
如表1所示,在时空离散化的二维矩阵U中,用户的移动轨迹可以用阴影部分的离散点连接起来为其中ki表示用户在Ta+i-1时刻所处轨迹段。对于表1中的例子,它的离散化轨迹可以表示为S′=[(H1,T1),(H2,T2),(H2,T3),(H3,T4),(H5,T5),...]。
表1离散化移动轨迹形成矩阵U
步骤4计算离散轨迹中各点的平均速度。
在将用户的轨迹离散化之后,计算每个离散轨迹点的平均速度。总体思路是对于任意一个离散点,到原始轨迹S=[(t1,l1),(t2,l2),...,(tn,ln)]中分别找出位于它前后的两个轨迹点X和Y,要求满足这两个点不在该离散点的同一路段上。用这两个点之间路段的平均速度来表示他在该离散点的速度,具体流程图见图5。
对于离散轨迹中的每一个点同时进行向前查找X和向后查找Y。向前查找时,先判断原始轨迹中是否有记录点位于若有,则取这些记录点中的最后一个记录点(最接近离散点Z)为X,若没有,则继续往前找直到找到为止;向后查找时,先判断原始轨迹中是否有记录点位于若有,则取这些记录点中的第一个记录点(最接近离散点Z)为Y,若没有,则继续往后找直到找到为止。特别的,如果Z是离散轨迹的起始点则只向后找Y,用ZY之间的平均速度表示Z点的速度;如果Z是离散轨迹的结束点则只向前找X,用XZ之间的平均速度表示Z点的速度。计算出的每个点的平均速度用vi表示,所有离散点的速度用V=[v1,v2,...,vb-a+1]表示,然后填入到矩阵U中。
步骤5计算所有时空点的平均速度和用户数。
为了判断每个时空点是否存在堵车的情况,我们需要计算每个时空点的用户数目和平均移动速度。首先,将所有用户的轨迹矩阵U合并在一起,构成一个三维的矩阵D=[U1,U2,...,Uu],其中u表示用户的数量。所以三个维度Dx,Dy,Dz分别是路段,时间和用户。矩阵中任一元素D(i,j,k)表示第k个用户在第i个路段,第j个时间点的速度。若此时刻用户不在该位置,则该元素值为空。矩阵D是一个稀疏矩阵。
首先计算每个时空点的人数,用二维矩阵E表示,E(i,j)表示在第i个路段,第j个时间点的用户数量。遍历三维速度矩阵D的Dx,Dy两个维度,对于所有i,j,找出D(i,j,:)中非空元素集合Dij′,则E(i,j)=|Dij′|,|Dij′|表示集合Dij′的大小。
接下来计算每一个时间点,每一个路段的平均速度,记录在速度二维矩阵F中,F(i,j)表示在第i个路段,第j个时间点的所有用户的平均速度。F(i,j)的计算公式如下:
步骤6判断任意时空点是否存在堵车情况。
根据用户数量矩阵E和平均速度矩阵F,我们可以来判断任意一个时空点是否存在堵车情况。判断的流程如图5所示。首先判断该点的速度是否出现异常,即小于一般的高速行驶速度,我们设定一个速度阈值vjam,小于这个速度表示可能是发生堵车。国内高速公路的最低限速是60km/h,所以这个阈值可以设为60km/h。但是仅从速度来判断并不能完全说明出现异常情况,可能仅采集到很少的用户,而他们的定位出现问题,不能反应速度大小。所以再从此时此地的用户数量来做进一步验证,一般堵车会造成路面上车辆大量堆积,此时采集到的用户数量也会是一个异常情况。判断用户的数量是否达到一个阈值njam,如果大于这个值则表示出现堵车,否则认为是速度判断出错。njam的设定根据道路划分的长度Δd,单向车道的数量m,车身的平均长度l以及车辆平均载客量n来估计,计算公式为
判断结果存储在一个二维的二值矩阵J中,
一次堵车的过程反应在矩阵J中是一个部分聚合在一起的值为1的时空点,如表2中的例子所示,在时间T2~T5之间,路段H2~H5出现堵车。
|
T<sub>1</sub> |
T<sub>2</sub> |
T<sub>3</sub> |
T<sub>4</sub> |
T<sub>5</sub> |
… |
Tn |
H<sub>1</sub> |
0 |
0 |
0 |
0 |
0 |
|
0 |
H<sub>2</sub> |
0 |
0 |
0 |
1 |
1 |
|
0 |
H<sub>3</sub> |
0 |
1 |
1 |
1 |
0 |
|
0 |
H<sub>4</sub> |
0 |
1 |
1 |
1 |
1 |
|
0 |
H<sub>5</sub> |
0 |
1 |
1 |
0 |
0 |
|
0 |
… |
|
|
|
|
|
… |
|
H<sub>m</sub> |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
表2 J矩阵举例
为了消除判断过程中的一些误差,特别是堵车刚开始和刚结束的时候的判断错误,在J进行中值滤波,使得她更加平滑。
步骤7判断任意时空点是否存在堵车情况。
J已经给出了具体每个时空点是否存在堵车的情况,再根据平均速度矩阵F,我们还可以获知在堵车时每个时空点的平均速度,所以矩阵J比较好地反应了堵车的场景。为了提取出一整次堵车场景,我们对J进行平均池化(average pooling)操作,用一个正方形的池化窗求J矩阵在窗内的元素的平均,找到出现均值大于一定阈值的池化窗位置,该处即为出现堵车的位置。然后手动找出堵车的开始时间T1结束时间T2以及开始位置H1和结束位置H2,类似于找出表2中的包含红色区域的最小的子矩阵。然后通过矩阵F计算该子矩阵的平均速度然后将输出。
最后,本申请的方法仅为较佳的实施方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。