CN108335482A - 一种城市交通态势感知方法及可视化方法 - Google Patents
一种城市交通态势感知方法及可视化方法 Download PDFInfo
- Publication number
- CN108335482A CN108335482A CN201710042724.6A CN201710042724A CN108335482A CN 108335482 A CN108335482 A CN 108335482A CN 201710042724 A CN201710042724 A CN 201710042724A CN 108335482 A CN108335482 A CN 108335482A
- Authority
- CN
- China
- Prior art keywords
- data
- time
- section
- road
- urban transportation
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000004927 fusion Effects 0.000 claims abstract description 33
- 238000012544 monitoring process Methods 0.000 claims abstract description 29
- 238000007667 floating Methods 0.000 claims abstract description 28
- 230000005611 electricity Effects 0.000 claims abstract description 26
- 230000011664 signaling Effects 0.000 claims abstract description 26
- 238000005516 engineering process Methods 0.000 claims abstract description 16
- 238000012800 visualization Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims description 16
- 238000000926 separation method Methods 0.000 claims description 8
- 230000008447 perception Effects 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 238000007794 visualization technique Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000000205 computational method Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000010295 mobile communication Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 241001269238 Data Species 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims 4
- 238000012545 processing Methods 0.000 claims 1
- 238000007405 data analysis Methods 0.000 abstract 2
- 230000000875 corresponding effect Effects 0.000 description 5
- 230000010354 integration Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000003447 ipsilateral effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种城市交通态势感知方法及可视化方法，属于交通大数据应用领域。该城市交通态势感知方法及可视化方法，将城市浮动车GPS数据、电警卡口数据、视频监控数据和手机信令数据实时传输到大数据分析平台，充分利用视频识别、大数据分析、数据融合、互联网、可视化等技术，实现多源交通数据融合，获取精准的城市交通运行指数、路段行程车速、路口通行能力等宏观、中观、微观层面参数，并通过可视化界面将不同层面的反映城市交通态势的参数于一张图展示。该城市交通态势感知方法及可视化方法，将精准展现全方面、全时空、全覆盖的城市交通运行态势。
Description
技术领域
本发明涉及城市交通运行参数提取和可视化方法，尤其是一种城市交通态势感知方法及可视化方法，属于交通大数据应用领域。
背景技术
据公安部交管局统计，2003年全国机动车保有量达到1219万辆，截至2016年9月，全国机动车保有量达2.8亿辆，与2003年相比增长了20多倍，机动车数量出现飞速增长。由于缺乏有效的手段全面掌握城市交通运行状态，机动车的迅速增加带来了交通拥堵、交通事故频发、公共交通压力过大等问题。尤其北京、上海等大城市，交通突发事件不仅会引起大范围交通瘫痪，带来巨大的经济损失，还严重危及人们的生命安全。同时越来越多的中小型城市也面临着严重的交通问题，城市交通极易造成市区道路交通流量分布不均衡、堵塞区域扩大、车速下降，交通出行时间增长，出行效率下降。
由此可见，交通拥堵等问题不容小觑，为了能够掌握城市交通运行状态，缓解交通拥堵，减少交通事故，很多研究相继提出了交通事件自动检测算法和交通拥堵自动检测算法，同时道路收费系统、感应式交通控制系统和车辆跟踪定位系统应运而生。但是由于受交通数据获取与处理方法的限制，当前所提出的算法和系统不能全面、针对、实时感知城市交通运行态势，无法综合描述城市道路交通运行整体特征，不能全面支撑交通管理部门的一些交通管控措施。交通管理部门迫切需要利用信息化基础设施和大数据技术，感知整个城市交通运行态势。
因此，必须采用相应的大数据技术，从数据采集和管控思路上顺势提升。数据采集需要由低信息量、低效向高精准、高信息量、高效转变。目前，视频监控数据、电警卡口数据、城市浮动车GPS数据、手机信令数据等都能从不同侧面反映城市道路的运行状况，为交通运行态势感知提供了大量的基础数据。因此利用全采集、全覆盖、全时段的交通大数据技术，全面、定量、实时感知交通运行态势已经具备基础条件，基于大数据的城市交通分析、评价、优化系统给城市交通管理和对外信息服务带来了全所未有的发展机遇。
发明内容
针对上述现有技术存在的缺陷，本发明提供一种城市交通态势感知方法及可视化方法，所采用的基础数据主要包括城市浮动车GPS数据、电警卡口数据、视频监控数据和手机信令数据，分析和可视化的结果包括城市交通运行指数、路段行程车速、路口通行能力。主要包括以下几个步骤：1）基础数据的提取，包含浮动车GPS数据、电警卡口数据、视频监控数据和手机信令数据的实时获取；2）数据预处理，包含浮动车GPS数据、电警卡口数据、视频监控数据和手机信令数据的预处理；3）多源数据智能融合，利用二级数据融合技术实现处理后的浮动车GPS数据、电警卡口数据、视频监控数据和手机信令数据的智能融合；4）城市交通态势感知提取，包括城市交通运行指数、路段行程车速、路口通行能力；5）城市交通运行态势可视化展现，结合GIS地图，利用多种可视化方式，实现集宏观、中观、微观多层面城市交通运行态势的一张图展示。
本发明的具体技术方案如下：
步骤1，基础数据的提取
本发明所采用的基础数据主要包括城市浮动车GPS数据、电警卡口数据、视频监控数据和手机信令数据。利用大数据平台的流处理能力，实现车载GPS设备、电警卡口设备、视频监控设备和手机通信设备等采集到的实时数据汇集。
步骤2，数据预处理
本发明所要预处理的数据包含浮动车GPS数据、电警卡口数据、视频监控数据和手机信令数据，具体做法如下：
步骤2.1，浮动车GPS数据的预处理主要包含故障数据剔除、路段划分、路网匹配和单车行程时间估计四个步骤，具体做法如下：
步骤2.1.1，将GPS位置点瞬时速度大于一定阈值以及相邻两GPS位置点之间的距离大于一定阈值的GPS位置点剔除；
步骤2.1.2，将城市道路交叉口位置作为分界点进行路段划分，将高速公路的出入口匝道位置作为分界点进行路段划分；
步骤2.1.3，将处理后的GPS数据和划分好的路段进行匹配；
步骤2.1.4，计算特定浮动车经过特定路段所用的全部时间，利用位置插值模型计算，基于路段边界两侧的GPS坐标采用内插的方式得到样本车经过对应边界的时刻，并将其转化为路段行程时间；
步骤2.2，电警卡口数据预处理主要包含故障数据剔除、路网匹配和单车行程时间估计三个步骤，具体做法如下：
步骤2.2.1，将卡口过车瞬时速度大于一定阈值的数据剔除；
步骤2.2.2，将卡口设备位置与步骤2.1划分的路段进行匹配；
步骤2.2.3，计算特定车辆经过特定路段所用的全部时间，将特定车辆经过每个卡口的时间按顺序依次排列，每两个卡口间的过卡时间差为两个卡口的通行时间，根据步骤2.2.2的匹配关系，得到路段单车行程时间；
步骤2.3，视频监控数据预处理主要包含车牌识别、路网匹配和单车行程时间估计三个步骤，具体做法如下：
步骤2.3.1，利用视频识别技术，从摄像头的视频监控中提取每辆车的车牌号和捕获时间；
步骤2.3.2，根据摄像头编号和所属路段信息，将视频监控设备与步骤2.1划分的路段进行匹配；
步骤2.3.3，计算特定车辆经过特定路段所用的全部时间，将特定车辆经过每个摄像头的时间按顺序依次排列，每两个摄像头间的相同车牌号的捕获时间差为两个摄像头的通行时间，根据步骤2.3.2的匹配关系，得到路段单车行程时间；
步骤2.4，手机信令数据预处理主要包含切换网络标定、路网匹配和单车行程时间估计三个步骤，具体做法如下：
步骤2.4.1，定义道路上发生手机切换的位置为切换点，连续发生两次手机切换的路段为切换路段，切换点和切换路段构成切换网络，在道路上标定手机发生切换点的位置，通过专门的测试软件经过实地测试获得切换点的坐标，计算出每条切换网络的路段长度；
步骤2.4.2，按照预先定义好的切换网络，在理想条件下每条道路都有一条稳定的切换序列与之对应，当通过全球移动通信系统（GSM）网络中7号信令解析出来的小区标识全部或者部分与这条道路的切换序列一致时，就将这个手机的移动路径匹配到步骤2.1划分的路段上；
步骤2.4.3，计算特定车辆经过特定路段所用的全部时间，将特定车辆经过每个基站的时间按顺序依次排列，每两个基站间的统一车辆的时间差为两个基站的通行时间，根据步骤2.4.2的匹配关系，得到路段单车行程时间。
步骤3，多源数据智能融合
本发明利用二级数据融合技术实现基于浮动车GPS数据、电警卡口数据、视频监控数据和手机信令数据提取的单车行程时间的智能融合，具体做法如下：
步骤3.1，将步骤2中预处理后的数据按照事先制定好的标准数据格式统一存储，采用数据仓库形式完成海量动态数据存储；
步骤3.2，利用二级数据融合处理技术完成多种数据源提取的单车行程时间初步融合，具体做法如下：
步骤3.2.1，通过在系统中的算法和数据处理程序，完成对电警卡口数据、视频数据以及浮动车数据提取的单车行程时间融合判定，实现多源数据的自动融合；
步骤3.2.2，将步骤3.2.1数据丢失的路段，利用手机信令数据预处理结果辅助，根据道路监测和手机数据结合的判定模式，完成自动融合和手机数据互补性融合；
步骤3.3，基于历史数据库的单车行程时间判别修正机制，完成实时判别结果的修订；
步骤3.4，将步骤3.3获取的多源数据融合结果，通过权值分配机制实现单车行程时间准确性的提高。将单车行程时间输入交通态势感知模型，依据上一时段的单车行程时间进行权值的动态分配，并进行数据融合处理和交通态势感知，通过人工反馈与历史数据库的比对，将交通态势异常数据回馈到交通态势感知模型，进行权值的动态分配，从而保证单车行程时间的准确性。
步骤4，城市交通态势感知参数提取
本发明提取的城市交通态势感知参数包括城市交通运行指数、路段行程车速、路口通行能力，具体做法如下：
步骤4.1，计算特定时间间隔内经过特定路段的所有单车行程时间的平均水平，即直接取单车路段行程时间的均值，该均值为路段行程时间，；
步骤4.2，基于出行时间比的计算方法获取城市交通运行指数，其中：
出行时间比=当前所有路段行程时间之和/自由流所有路段行程时间之和
再根据专家打分，建立行程时间比与交通运行指数的换算公式，获取每一时刻城市整体的交通运行指数，该指数是将特定区域特定时刻的单个路段、某等级的道路或整体路网的拥堵强度量化后的相对数，从0到5的变化表示拥堵强度从畅通到拥堵；
步骤4.3，在对交通流路段行程时间进行估计的基础上，利用路段的长度，可将其转换为路段行程速度；
步骤4.4，提取每辆车在每个路口的通行时间，计算实际通行时间和自由流通行时间之差获取路口车辆延误时间，建立延误时间与路口通行能力的换算公式，获取城市每一时刻每个交叉口的通行能力。
步骤5，城市交通态势可视化展现
结合GIS地图，利用可视化技术，实现城市交通运行指数、路段行程车速、路口通行能力的城市宏观、中观、微观交通态势的一张图展现。
附图说明
图1 为本发明城市交通态势感知方法及可视化方法总流程图。
图2 为本发明示例道路路段划分结果图。
图3 为本发明示例路段切换网络标定结果图。
图4 为本发明示例道路交通运行指数变化状况图。
图5 为本发明示例路段行程车速变化状况图。
具体实施方式
以下结合附图对本发明的特征及其它相关特征作进一步详细说明。
如图1所示，本发明提供一种城市交通态势感知方法及可视化方法，所采用的基础数据主要包括城市浮动车GPS数据、电警卡口数据、视频监控数据和手机信令数据，分析和可视化的结果包括城市交通运行指数、路段行程车速、路口通行能力。主要包括以下几个步骤：1）基础数据的提取，包含浮动车GPS数据、电警卡口数据、视频监控数据和手机信令数据的实时获取；2）数据预处理，包含浮动车GPS数据、电警卡口数据、视频监控数据和手机信令数据的预处理；3）多源数据智能融合，利用二级数据融合技术实现处理后的浮动车GPS数据、电警卡口数据、视频监控数据和手机信令数据的智能融合；4）城市交通态势感知提取，包括城市交通运行指数、路段行程车速、路口通行能力；5）城市交通运行态势可视化展现，结合GIS地图，利用多种可视化方式，实现集宏观、中观、微观多层面城市交通运行态势的一张图展示。
以成都市绕城高速交通态势感知为例，，本发明的具体技术方案如下：
步骤1，基础数据的提取
提取同一天的成都市浮动车GPS数据、绕城高速上电警卡口数据、视频监控数据和绕城高速附近2公里范围内手机信令数据。利用大数据平台的流处理能力，实现车载GPS设备、电警卡口设备、视频监控设备和手机通信设备等采集到的实时数据汇集。
步骤2，数据预处理
本发明所要预处理的数据包含浮动车GPS数据、电警卡口数据、视频监控数据和手机信令数据，具体做法如下：
步骤2.1，浮动车GPS数据的预处理主要包含故障数据剔除、路段划分、路网匹配和单车行程时间估计四个步骤，具体做法如下：
步骤2.1.1，将GPS位置点瞬时速度大于一定阈值以及相邻两GPS位置点之间的距离大于一定阈值的GPS位置点剔除；
步骤2.1.2，将城市道路交叉口位置作为分界点进行路段划分，将高速公路的出入口匝道位置作为分界点进行路段划分，成都绕城高速的路段划分结果如图2所示，其中，路段平均长2658米；
步骤2.1.3，将处理后的GPS数据和划分好的路段进行匹配；
步骤2.1.4，计算特定浮动车经过特定路段所用的全部时间，利用位置插值模型计算，基于路段边界两侧的GPS坐标采用内插的方式得到样本车经过对应边界的时刻，并将其转化为路段行程时间；
步骤2.2，电警卡口数据预处理主要包含故障数据剔除、路网匹配和单车行程时间估计三个步骤，具体做法如下：
步骤2.2.1，将卡口过车瞬时速度大于一定阈值的数据剔除；
步骤2.2.2，将卡口设备位置与步骤2.1划分的路段进行匹配；
步骤2.2.3，计算特定车辆经过特定路段所用的全部时间，将特定车辆经过每个卡口的时间按顺序依次排列，每两个卡口间的过卡时间差为两个卡口的通行时间，根据步骤2.2.2的匹配关系，得到路段单车行程时间；
步骤2.3，视频监控数据预处理主要包含车牌识别、路网匹配和单车行程时间估计三个步骤，具体做法如下：
步骤2.3.1，利用视频识别技术，从摄像头的视频监控中提取每辆车的车牌号和捕获时间；
步骤2.3.2，根据摄像头编号和所属路段信息，将视频监控设备与步骤2.1划分的路段进行匹配；
步骤2.3.3，计算特定车辆经过特定路段所用的全部时间，将特定车辆经过每个摄像头的时间按顺序依次排列，每两个摄像头间的相同车牌号的捕获时间差为两个摄像头的通行时间，根据步骤2.3.2的匹配关系，得到路段单车行程时间；
步骤2.4，手机信令数据预处理主要包含切换网络标定、路网匹配和单车行程时间估计三个步骤，具体做法如下：
步骤2.4.1，定义道路上发生手机切换的位置为切换点，连续发生两次手机切换的路段为切换路段，切换点和切换路段构成切换网络，在道路上标定手机发生切换点的位置，通过专门的测试软件经过实地测试获得切换点的坐标，计算出每条切换网络的路段长度。图3中，其中A（1，2）就是一个标定的切换点，表示手机从基站1切换到基站2的位置坐标；L1就是两个切换点A（1，2）和B（2，7）之间的路段。；
步骤2.4.2，按照预先定义好的切换网络，在理想条件下每条道路都有一条稳定的切换序列与之对应，当通过全球移动通信系统（GSM）网络中7号信令解析出来的小区标识全部或者部分与这条道路的切换序列一致时，就将这个手机的移动路径匹配到步骤2.1划分的路段上；
步骤2.4.3，计算特定车辆经过特定路段所用的全部时间，将特定车辆经过每个基站的时间按顺序依次排列，每两个基站间的统一车辆的时间差为两个基站的通行时间，根据步骤2.4.2的匹配关系，得到路段单车行程时间。
步骤3，多源数据智能融合
本发明利用二级数据融合技术实现基于浮动车GPS数据、电警卡口数据、视频监控数据和手机信令数据提取的单车行程时间的智能融合，具体做法如下：
步骤3.1，将步骤2中预处理后的数据按照事先制定好的标准数据格式统一存储，采用数据仓库形式完成海量动态数据存储；
步骤3.2，利用二级数据融合处理技术完成多种数据源提取的单车行程时间初步融合，具体做法如下：
步骤3.2.1，通过在系统中的算法和数据处理程序，完成对电警卡口数据、视频数据以及浮动车数据提取的单车行程时间融合判定，实现多源数据的自动融合；
步骤3.2.2，将步骤3.2.1数据丢失的路段，利用手机信令数据预处理结果辅助，根据道路监测和手机数据结合的判定模式，完成自动融合和手机数据互补性融合；
步骤3.3，基于历史数据库的单车行程时间判别修正机制，完成实时判别结果的修订；
步骤3.4，将步骤3.3获取的多源数据融合结果，通过权值分配机制实现单车行程时间准确性的提高。将单车行程时间输入交通态势感知模型，依据上一时段的单车行程时间进行权值的动态分配，并进行数据融合处理和交通态势感知，通过人工反馈和与历史数据库的比对，将交通态势异常数据回馈到交通态势感知模型，进行权值的动态分配，从而保证单车行程时间的准确性。
以机场立交（路段编号为16）
步骤4，城市交通态势感知参数提取
本发明提取的城市交通态势感知参数包括城市交通运行指数、路段行程车速、路口通行能力，具体做法如下：
步骤4.1，计算特定时间间隔内经过特定路段的所有单车行程时间的平均水平，即直接取单车路段行程时间的均值，该均值为路段行程时间，；
步骤4.2，基于出行时间比的计算方法获取城市交通运行指数，其中：
出行时间比=当前所有路段行程时间之和/自由流所有路段行程时间之和
再根据专家打分，建立行程时间比与交通运行指数的换算公式，获取每一时刻城市整体的交通运行指数，本次整个绕城高速的交通运行指数变化状况如图4所示；
步骤4.3，在对交通流路段行程时间进行估计的基础上，利用路段的长度，可将其转换为路段行程速度，以机场立交（路段编号为16）为例路段行程速度与实际调查的数据进行对比，如图5所示，速度相对误差平均值为7.3%，精度相对较高；
步骤4.4，提取每辆车在每个路口的通行时间，计算实际通行时间和自由流通行时间之差获取路口车辆延误时间，建立延误时间与路口通行能力的换算公式，获取城市每一时刻每个交叉口的通行能力。
步骤5，城市交通态势可视化展现
结合GIS地图，利用可视化技术，实现城市交通运行指数、路段行程车速、路口通行能力的城市宏观、中观、微观交通态势的一张图展现。
Claims (11)
1.一种城市交通态势感知方法及可视化方法，其特征在于，包括：1）利用大数据平台的流处理能力，实现多种交通态势感知基础数据汇集；2）完成多种数据源的数据预处理；3）实现多源数据智能融合；4）城市交通态势感知提取；5）结合GIS地图，利用多种可视化方式，实现城市交通运行态势可视化展现。
2.根据权利要求1所述的城市交通态势感知方法及可视化方法，其特征在于，所述的交通态势感知基础数据包括城市浮动车GPS数据、电警卡口数据、视频监控数据和手机信令数据。
3.根据权利要求1所述的城市交通态势感知方法及可视化方法，其特征在于，所述的数据预处理方法分别包括浮动车GPS数据、电警卡口数据、视频监控数据和手机信令数据的预处理，具体做法如下：
步骤2.1，经过故障数据剔除、路段划分、路网匹配和单车行程时间估计四个步骤，完成浮动车GPS数据的预处理；
步骤2.2，经过故障数据剔除、路网匹配和单车行程时间估计三个步骤，完成电警卡口数据预处理；
步骤2.3，经过车牌识别、路网匹配和单车行程时间估计三个步骤，完成视频监控数据预处理；
步骤2.4，经过切换网络标定、路网匹配和单车行程时间估计三个步骤，完成手机信令数据预处理。
4.根据权利要求3所述的数据预处理方法，其特征在于，所述的浮动车GPS数据预处理的具体做法如下：
步骤2.1.1，将GPS位置点瞬时速度大于一定阈值以及相邻两GPS位置点之间的距离大于一定阈值的GPS位置点剔除；
步骤2.1.2，将城市道路交叉口位置作为分界点进行路段划分，将高速公路的出入口匝道位置作为分界点进行路段划分；
步骤2.1.3，将处理后的GPS数据和划分好的路段进行匹配；
步骤2.1.4，计算特定浮动车经过特定路段所用的全部时间，利用位置插值模型计算，基于路段边界两侧的GPS坐标采用内插的方式得到样本车经过对应边界的时刻，并将其转化为路段行程时间。
5.根据权利要求3所述的数据预处理方法，其特征在于，所述的电警卡口数据预处理的具体做法如下：
步骤2.2.1，将卡口过车瞬时速度大于一定阈值的数据剔除；
步骤2.2.2，将卡口设备位置与步骤2.1划分的路段进行匹配；
步骤2.2.3，计算特定车辆经过特定路段所用的全部时间，将特定车辆经过每个卡口的时间按顺序依次排列，每两个卡口间的过卡时间差为两个卡口的通行时间，根据步骤2.2.2的匹配关系，得到路段单车行程时间。
6.根据权利要求3所述的数据预处理方法，其特征在于，所述的视频监控数据预处理的具体做法如下：
步骤2.3.1，利用视频识别技术，从摄像头的视频监控中提取每辆车的车牌号和捕获时间；
步骤2.3.2，根据摄像头编号和所属路段信息，将视频监控设备与步骤2.1划分的路段进行匹配；
步骤2.3.3，计算特定车辆经过特定路段所用的全部时间，将特定车辆经过每个摄像头的时间按顺序依次排列，每两个摄像头间的相同车牌号的捕获时间差为两个摄像头的通行时间，根据步骤2.3.2的匹配关系，得到路段单车行程时间。
7.根据权利要求3所述的数据预处理方法，其特征在于，所述的手机信令数据预处理的具体做法如下：
步骤2.4.1，定义道路上发生手机切换的位置为切换点，连续发生两次手机切换的路段为切换路段，切换点和切换路段构成切换网络，在道路上标定手机发生切换点的位置，通过专门的测试软件经过实地测试获得切换点的坐标，计算出每条切换网络的路段长度；
步骤2.4.2，按照预先定义好的切换网络，在理想条件下每条道路都有一条稳定的切换序列与之对应，当通过全球移动通信系统（GSM）网络中7号信令解析出来的小区标识全部或者部分与这条道路的切换序列一致时，就将这个手机的移动路径匹配到步骤2.1划分的路段上；
步骤2.4.3，计算特定车辆经过特定路段所用的全部时间，将特定车辆经过每个基站的时间按顺序依次排列，每两个基站间的统一车辆的时间差为两个基站的通行时间，根据步骤2.4.2的匹配关系，得到路段单车行程时间。
8.根据权利要求1所述的城市交通态势感知方法及可视化方法，其特征在于，所述的多源数据智能融合方法如下：
步骤3.1，将步骤2中预处理后的数据按照事先制定好的标准数据格式统一存储，采用数据仓库形式完成海量动态数据存储；
步骤3.2，利用二级数据融合处理技术完成多种数据源提取的单车行程时间初步融合；
步骤3.3，基于历史数据库的单车行程时间判别修正机制，完成实时判别结果的修订；
步骤3.4，将步骤3.3获取的多源数据融合结果，通过权值分配机制实现单车行程时间准确性的提高，将单车行程时间输入交通态势感知模型，依据上一时段的单车行程时间进行权值的动态分配，并进行数据融合处理和交通态势感知，通过人工反馈与历史数据库的比对，将交通态势异常数据回馈到交通态势感知模型，进行权值的动态分配，从而保证单车行程时间的准确性。
9.根据权利要求8所述的多源数据智能融合方法，其特征在于，所述的二级数据融合处理技术如下：
步骤3.2.1，通过在系统中的算法和数据处理程序，完成对电警卡口数据、视频数据以及浮动车数据提取的单车行程时间融合判定，实现多源数据的自动融合；
步骤3.2.2，将步骤3.2.1数据丢失的路段，利用手机信令数据预处理结果辅助，根据道路监测和手机数据结合的判定模式，完成自动融合和手机数据互补性融合。
10.根据权利要求1所述的城市交通态势感知方法及可视化方法，其特征在于，所述的城市交通态势感知参数提取有城市交通运行指数、路段行程车速、路口通行能力，具体做法如下：
步骤4.1，计算特定时间间隔内经过特定路段的所有单车行程时间的平均水平，即直接取单车路段行程时间的均值，该均值为路段行程时间，；
步骤4.2，基于出行时间比的计算方法获取城市交通运行指数，其中：
出行时间比=当前所有路段行程时间之和/自由流所有路段行程时间之和
再根据专家打分，建立行程时间比与交通运行指数的换算公式，获取每一时刻城市整体的交通运行指数，该指数是将特定区域特定时刻的单个路段、某等级的道路或整体路网的拥堵强度量化后的相对数，从0到5的变化表示拥堵强度从畅通到拥堵；
步骤4.3，在对交通流路段行程时间进行估计的基础上，利用路段的长度，可将其转换为路段行程速度；
步骤4.4，提取每辆车在每个路口的通行时间，计算实际通行时间和自由流通行时间之差获取路口车辆延误时间，建立延误时间与路口通行能力的换算公式，获取城市每一时刻每个交叉口的通行能力。
11.根据权利要求1所述的城市交通态势感知方法及可视化方法，其特征在于，所述的城市交通态势可视化展现方式如下：
结合GIS地图，利用可视化技术，实现城市交通运行指数、路段行程车速、路口通行能力的城市宏观、中观、微观交通态势的一张图展现。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710042724.6A CN108335482A (zh) | 2017-01-20 | 2017-01-20 | 一种城市交通态势感知方法及可视化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710042724.6A CN108335482A (zh) | 2017-01-20 | 2017-01-20 | 一种城市交通态势感知方法及可视化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108335482A true CN108335482A (zh) | 2018-07-27 |
Family
ID=62922857
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710042724.6A Pending CN108335482A (zh) | 2017-01-20 | 2017-01-20 | 一种城市交通态势感知方法及可视化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108335482A (zh) |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108520627A (zh) * | 2018-03-21 | 2018-09-11 | 广州优路加信息科技有限公司 | 路况确定方法、装置、系统、计算机设备和存储介质 |
| CN108986478A (zh) * | 2018-09-17 | 2018-12-11 | 公安部交通管理科学研究所 | 一种定点甄别违法车辆的方法 |
| CN109147329A (zh) * | 2018-09-18 | 2019-01-04 | 银江股份有限公司 | 基于通行能力的区域交通运行状态指数计算及可视化方法 |
| CN109215343A (zh) * | 2018-09-20 | 2019-01-15 | 山东交通学院 | 基于社团发现的路网拥堵区域动态识别方法及系统 |
| CN109255953A (zh) * | 2018-09-19 | 2019-01-22 | 江苏本能科技有限公司 | 基于区域的活动车辆分布展示方法及系统 |
| CN109410573A (zh) * | 2018-10-24 | 2019-03-01 | 中电科新型智慧城市研究院有限公司 | 基于道路全息感知的交通服务与管理系统 |
| CN109410586A (zh) * | 2018-12-13 | 2019-03-01 | 中南大学 | 一种基于多元数据融合的交通状态检测方法 |
| CN110708664A (zh) * | 2019-10-11 | 2020-01-17 | 同帅科技（天津）有限公司 | 一种交通流感知方法、装置及计算机存储介质、电子设备 |
| CN110807919A (zh) * | 2019-10-22 | 2020-02-18 | 浙江大学 | 基于过车数据的城市路网交通运行态势评价方法 |
| CN110807916A (zh) * | 2019-10-11 | 2020-02-18 | 武汉理工大学 | 一种基于路网拓扑结构的交通状态评定方法及系统 |
| CN111787118A (zh) * | 2020-07-08 | 2020-10-16 | 福州大学 | 基于城市交通的隐私保护压缩感知实时交通监测方法 |
| CN111932877A (zh) * | 2020-08-07 | 2020-11-13 | 公安部交通管理科学研究所 | 一种基于车牌数据的路段交通异常状态识别方法 |
| CN112150798A (zh) * | 2020-08-19 | 2020-12-29 | 上海图丽信息技术有限公司 | 一种交通路口多源大数据平台展示的方法 |
| CN112185117A (zh) * | 2020-09-30 | 2021-01-05 | 青岛海信网络科技股份有限公司 | 一种基于电警数据的优化评价方法及装置 |
| CN112512020A (zh) * | 2020-11-20 | 2021-03-16 | 北京中交国通智能交通系统技术有限公司 | 一种基于多源数据融合的交通状态弱信号感知研判方法 |
| CN112669596A (zh) * | 2020-12-14 | 2021-04-16 | 长春汽车工业高等专科学校 | 一种基于大数据的交通安全态势判别系统及方法 |
| CN112749242A (zh) * | 2020-11-30 | 2021-05-04 | 北方工业大学 | 一种基于共享单车gps数据的路网拓扑重建方法 |
| CN112820108A (zh) * | 2021-01-12 | 2021-05-18 | 南京睿思交通信息科技有限公司 | 一种自学习的路网交通状态分析及预测方法 |
| CN112837542A (zh) * | 2020-12-30 | 2021-05-25 | 北京掌行通信息技术有限公司 | 一种高速公路段交通量统计方法、装置、存储介质及终端 |
| CN113269966A (zh) * | 2021-07-21 | 2021-08-17 | 广东新中望信息科技有限公司 | 一种基于地磁大数据软硬件结合的时空态势感知模型 |
| CN113920739A (zh) * | 2021-10-29 | 2022-01-11 | 复旦大学 | 基于信息物理融合系统的交通数据驱动框架及构建方法 |
| CN115294768A (zh) * | 2022-08-02 | 2022-11-04 | 阿波罗智联(北京)科技有限公司 | 交通拥堵状态分析方法、装置、设备及存储介质 |
| CN115410375A (zh) * | 2022-11-02 | 2022-11-29 | 华路易云科技有限公司 | 一种基于雷卡融合交通数据的融合交通指标集生成方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10219531A1 (de) * | 2002-05-02 | 2003-11-20 | Volkswagen Ag | Verfahren und Datenprotokoll zum Austausch von Informationen zwischen einer Verkehrszentrale und einem Stichprobenfahrzeug |
| JP2004258884A (ja) * | 2003-02-25 | 2004-09-16 | Matsushita Electric Ind Co Ltd | Ｆｃｄ情報収集方法とプローブカーシステム |
| CN101571997A (zh) * | 2009-05-31 | 2009-11-04 | 上海宝康电子控制工程有限公司 | 多源交通信息融合处理方法及其装置 |
| CN102332210A (zh) * | 2011-08-04 | 2012-01-25 | 东南大学 | 基于手机定位数据的实时城市道路交通流数据提取方法 |
| CN103903433A (zh) * | 2012-12-27 | 2014-07-02 | 中兴通讯股份有限公司 | 一种道路交通状态的实时动态判别方法及装置 |
| CN104318773A (zh) * | 2014-11-04 | 2015-01-28 | 杭州市综合交通研究中心 | 一种基于交通拥堵时空总量的交通拥堵测定方法 |
| CN105389996A (zh) * | 2015-12-17 | 2016-03-09 | 北京亚信蓝涛科技有限公司 | 一种基于大数据的交通运行状态特征参数提取方法 |
| CN105513351A (zh) * | 2015-12-17 | 2016-04-20 | 北京亚信蓝涛科技有限公司 | 一种基于大数据的交通出行特征数据提取方法 |
| CN106205114A (zh) * | 2016-07-22 | 2016-12-07 | 中国科学院软件研究所 | 一种基于数据融合的高速公路路况信息实时获取方法 |
| CN106251630A (zh) * | 2016-10-13 | 2016-12-21 | 东南大学 | 一种基于多源数据的递进式扩展卡尔曼滤波高速公路交通状态估计方法 |
-
2017
- 2017-01-20 CN CN201710042724.6A patent/CN108335482A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10219531A1 (de) * | 2002-05-02 | 2003-11-20 | Volkswagen Ag | Verfahren und Datenprotokoll zum Austausch von Informationen zwischen einer Verkehrszentrale und einem Stichprobenfahrzeug |
| JP2004258884A (ja) * | 2003-02-25 | 2004-09-16 | Matsushita Electric Ind Co Ltd | Ｆｃｄ情報収集方法とプローブカーシステム |
| CN101571997A (zh) * | 2009-05-31 | 2009-11-04 | 上海宝康电子控制工程有限公司 | 多源交通信息融合处理方法及其装置 |
| CN102332210A (zh) * | 2011-08-04 | 2012-01-25 | 东南大学 | 基于手机定位数据的实时城市道路交通流数据提取方法 |
| CN103903433A (zh) * | 2012-12-27 | 2014-07-02 | 中兴通讯股份有限公司 | 一种道路交通状态的实时动态判别方法及装置 |
| CN104318773A (zh) * | 2014-11-04 | 2015-01-28 | 杭州市综合交通研究中心 | 一种基于交通拥堵时空总量的交通拥堵测定方法 |
| CN105389996A (zh) * | 2015-12-17 | 2016-03-09 | 北京亚信蓝涛科技有限公司 | 一种基于大数据的交通运行状态特征参数提取方法 |
| CN105513351A (zh) * | 2015-12-17 | 2016-04-20 | 北京亚信蓝涛科技有限公司 | 一种基于大数据的交通出行特征数据提取方法 |
| CN106205114A (zh) * | 2016-07-22 | 2016-12-07 | 中国科学院软件研究所 | 一种基于数据融合的高速公路路况信息实时获取方法 |
| CN106251630A (zh) * | 2016-10-13 | 2016-12-21 | 东南大学 | 一种基于多源数据的递进式扩展卡尔曼滤波高速公路交通状态估计方法 |
Non-Patent Citations (4)
| Title |
|---|
| 傅贵: "城市智能交通动态预测模型的研究及应用", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 徐晓慧: "《全国公安高等教育（本科）规划教材道路交通控制》", 30 September 2014 * |
| 朱鲤: "《上海市公共交通发展研究》", 30 June 2014 * |
| 杨兆升: "《重大灾害条件下交通组织保障技术》", 31 October 2013 * |
Cited By (34)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108520627A (zh) * | 2018-03-21 | 2018-09-11 | 广州优路加信息科技有限公司 | 路况确定方法、装置、系统、计算机设备和存储介质 |
| CN108986478A (zh) * | 2018-09-17 | 2018-12-11 | 公安部交通管理科学研究所 | 一种定点甄别违法车辆的方法 |
| CN109147329A (zh) * | 2018-09-18 | 2019-01-04 | 银江股份有限公司 | 基于通行能力的区域交通运行状态指数计算及可视化方法 |
| CN109255953A (zh) * | 2018-09-19 | 2019-01-22 | 江苏本能科技有限公司 | 基于区域的活动车辆分布展示方法及系统 |
| CN109215343A (zh) * | 2018-09-20 | 2019-01-15 | 山东交通学院 | 基于社团发现的路网拥堵区域动态识别方法及系统 |
| CN109215343B (zh) * | 2018-09-20 | 2020-08-04 | 山东交通学院 | 基于社团发现的路网拥堵区域动态识别方法及系统 |
| CN109410573B (zh) * | 2018-10-24 | 2021-03-23 | 中电科新型智慧城市研究院有限公司 | 基于道路全息感知的交通服务与管理系统 |
| CN109410573A (zh) * | 2018-10-24 | 2019-03-01 | 中电科新型智慧城市研究院有限公司 | 基于道路全息感知的交通服务与管理系统 |
| CN109410586A (zh) * | 2018-12-13 | 2019-03-01 | 中南大学 | 一种基于多元数据融合的交通状态检测方法 |
| CN110708664A (zh) * | 2019-10-11 | 2020-01-17 | 同帅科技（天津）有限公司 | 一种交通流感知方法、装置及计算机存储介质、电子设备 |
| CN110807916A (zh) * | 2019-10-11 | 2020-02-18 | 武汉理工大学 | 一种基于路网拓扑结构的交通状态评定方法及系统 |
| CN110807916B (zh) * | 2019-10-11 | 2022-07-01 | 武汉理工大学 | 一种基于路网拓扑结构的交通状态评定方法及系统 |
| CN110807919A (zh) * | 2019-10-22 | 2020-02-18 | 浙江大学 | 基于过车数据的城市路网交通运行态势评价方法 |
| CN111787118B (zh) * | 2020-07-08 | 2021-08-31 | 福州大学 | 基于城市交通的隐私保护压缩感知实时交通监测方法 |
| CN111787118A (zh) * | 2020-07-08 | 2020-10-16 | 福州大学 | 基于城市交通的隐私保护压缩感知实时交通监测方法 |
| WO2022007379A1 (zh) * | 2020-07-08 | 2022-01-13 | 福州大学 | 基于城市交通的隐私保护压缩感知实时交通监测方法 |
| CN111932877B (zh) * | 2020-08-07 | 2022-06-17 | 公安部交通管理科学研究所 | 一种基于车牌数据的路段交通异常状态识别方法 |
| CN111932877A (zh) * | 2020-08-07 | 2020-11-13 | 公安部交通管理科学研究所 | 一种基于车牌数据的路段交通异常状态识别方法 |
| CN112150798A (zh) * | 2020-08-19 | 2020-12-29 | 上海图丽信息技术有限公司 | 一种交通路口多源大数据平台展示的方法 |
| CN112185117B (zh) * | 2020-09-30 | 2021-12-24 | 青岛海信网络科技股份有限公司 | 一种基于电警数据的优化评价方法及装置 |
| CN112185117A (zh) * | 2020-09-30 | 2021-01-05 | 青岛海信网络科技股份有限公司 | 一种基于电警数据的优化评价方法及装置 |
| CN112512020A (zh) * | 2020-11-20 | 2021-03-16 | 北京中交国通智能交通系统技术有限公司 | 一种基于多源数据融合的交通状态弱信号感知研判方法 |
| CN112512020B (zh) * | 2020-11-20 | 2022-10-11 | 北京中交国通智能交通系统技术有限公司 | 一种基于多源数据融合的交通状态弱信号感知研判方法 |
| CN112749242A (zh) * | 2020-11-30 | 2021-05-04 | 北方工业大学 | 一种基于共享单车gps数据的路网拓扑重建方法 |
| CN112749242B (zh) * | 2020-11-30 | 2023-04-07 | 北方工业大学 | 一种基于共享单车gps数据的路网拓扑重建方法 |
| CN112669596A (zh) * | 2020-12-14 | 2021-04-16 | 长春汽车工业高等专科学校 | 一种基于大数据的交通安全态势判别系统及方法 |
| CN112669596B (zh) * | 2020-12-14 | 2023-01-24 | 长春汽车工业高等专科学校 | 一种基于大数据的交通安全态势判别系统及方法 |
| CN112837542B (zh) * | 2020-12-30 | 2022-04-08 | 北京掌行通信息技术有限公司 | 一种高速公路段交通量统计方法、装置、存储介质及终端 |
| CN112837542A (zh) * | 2020-12-30 | 2021-05-25 | 北京掌行通信息技术有限公司 | 一种高速公路段交通量统计方法、装置、存储介质及终端 |
| CN112820108A (zh) * | 2021-01-12 | 2021-05-18 | 南京睿思交通信息科技有限公司 | 一种自学习的路网交通状态分析及预测方法 |
| CN113269966A (zh) * | 2021-07-21 | 2021-08-17 | 广东新中望信息科技有限公司 | 一种基于地磁大数据软硬件结合的时空态势感知模型 |
| CN113920739A (zh) * | 2021-10-29 | 2022-01-11 | 复旦大学 | 基于信息物理融合系统的交通数据驱动框架及构建方法 |
| CN115294768A (zh) * | 2022-08-02 | 2022-11-04 | 阿波罗智联(北京)科技有限公司 | 交通拥堵状态分析方法、装置、设备及存储介质 |
| CN115410375A (zh) * | 2022-11-02 | 2022-11-29 | 华路易云科技有限公司 | 一种基于雷卡融合交通数据的融合交通指标集生成方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108335482A (zh) | 一种城市交通态势感知方法及可视化方法 | |
| CN102708689B (zh) | 一种实时路况监控系统 | |
| CN111091720B (zh) | 基于信令数据和浮动车数据的拥堵路段识别方法及装置 | |
| CN103258430B (zh) | 路段旅行时间统计、以及交通路况判定方法和装置 | |
| CN106875702B (zh) | 一种基于物联网的十字路口交通灯控制方法 | |
| CN102968901B (zh) | 获取区域拥堵信息的方法及区域拥堵分析装置 | |
| CN102254443B (zh) | 间歇式公交专用道控制系统 | |
| CN107545757B (zh) | 基于车牌识别的城市道路流速测量装置和方法 | |
| CN105825669A (zh) | 一种识别城市快速路交通瓶颈的系统和方法 | |
| CN104852970B (zh) | 一种高速公路交通事故信息发布系统 | |
| CN105825684A (zh) | 一种智慧城市云路灯系统 | |
| CN106781460B (zh) | 一种路段交通状态确定方法及装置 | |
| CN106601005B (zh) | 一种基于rfid和微信平台的城市智能交通诱导方法 | |
| CN103325247A (zh) | 一种交通信息处理方法及系统 | |
| CN102722984B (zh) | 一种实时路况监控方法 | |
| CN104778834A (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
| CN106203662A (zh) | 一种基于etc系统实现高速公路通行预约的方法 | |
| CN104318770A (zh) | 基于手机数据实时检测高速公路交通拥堵状态的方法 | |
| CN113744533B (zh) | 一种基于5g的车辆疏导方法及系统 | |
| CN110458331B (zh) | 一种基于od客流数据的过绕公交线路的拉直优化方法及装置 | |
| CN103794061A (zh) | 基于多种定位数据计算道路融合行程车速的方法 | |
| CN205656766U (zh) | 一种智慧城市云路灯系统 | |
| CN104732762A (zh) | 一种交通异常路段概率识别方法 | |
| CN107622668A (zh) | 一种基于rfid的动态可视化交叉口监测管理系统 | |
| CN105046983A (zh) | 一种基于车路协同的交通流量预测系统及方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180727 |
|
| WD01 | Invention patent application deemed withdrawn after publication |