CN108335483A - 交通拥堵扩散路径的推断方法及其系统 - Google Patents

Abstract

本发明公开了一种交通拥堵扩散路径的推断方法，包括获取路网数据，并根据路网数据构建路段联通关系矩阵；获取历史数据，经道路匹配后，获得各路段对应于一天的每个时间段内的历史平均速度和各个路段上的车辆的历史最大速度；获取实时数据，经道路匹配并根据历史平均速度进行数据补全后，获得各个路段上的车辆的实时平均速度；根据实时平均速度和历史最大速度获得路况分布矩阵，并根据路况分布矩阵和路段联通关系矩阵获得拥堵状态矩阵；根据拥堵传播判定方法和拥堵状态矩阵获得局部传播矩阵；根据局部传播路径计算全局的传播路径。本发明的交通拥堵扩散路径的推断方法，可解决数据稀疏性问题，并根据构建的全局拥堵传播路径全面了解交通状况。

Description

交通拥堵扩散路径的推断方法及其系统

技术领域

本发明涉及交通领域，尤其涉及一种交通拥堵扩散路径的推断方法及其系统。

背景技术

中国社会经济的快速发展和城市化过程的不断推进，机动车数量，尤其是私家车的数量呈现井喷式的增长。然而发展速度相对缓慢的交通道路设施却逐渐不能满足人们日益增长的出行需求，交通拥堵问题也变得更加严重。交通拥堵不仅严重阻碍了城市化的步伐，而且还严重阻碍了经济的发展，带来了环境污染等问题。近年来各种交通拥堵的解决方法层出不穷，但是其收效却微乎其微，其主要原因是因为现有的解决方案都是基于哪里拥堵，哪里治理，何时拥堵，何时治理，人们的拥堵治理措施总是处于被动地位。但是交通拥堵的产生具有非常大的不确定性，这种被动性的治理措施只能治标不治本，更有甚者会出现难以治理的现象，因此交通拥堵的治理要追其根源。交通拥堵扩散可以有效的发现拥堵产生的根本原因。但是交通网络非常复杂，现有的道路路况传感器数量有限，不能有效的感知全网状态，数据的稀疏性对整体路况的判定带来巨大的挑战。

目前人们对交通拥堵扩散的研究主要集中在两个方面：第一，道路交通微观层面，即单个车辆之间的相互作用，其主要包括车辆跟驰模型和元胞自动机模型。这些模型需要明确知道每一辆车辆的速度，大小和车辆跟车辆之间的相对位置，车辆之间的相互影响是单向的，即后面的车辆只会受到前面车辆的影响。此种模型需要对道路交通，包括车辆与路网有一个全面的认识，在此基础上就可以推断出道路是否拥堵和拥堵之后车辆排队的扩散路径。但是该方法需要对道路上的车辆具有全面的感知，由于现有的传感器布置是分散的，我们很难再实际中得到精确的道路上所有排队车辆的数据；另外由于个人隐私问题，我们也不可能全面了解每一个车辆的情况；最后每个驾驶员的驾车行为也是不一样的，其车辆之间的影响也会不相同，因此现有的微观层次的研究方法不适合应用于实际应用场景，但是在交通系统仿真中具有广泛的应用，其得到的路径非常精确，时间精度更高。

在宏观层次方面，将大量的车辆看做可压缩的连续流介质，其研究侧重于车辆集体的综合行为分析，以车辆的平均密度、平均速度和流量等宏观量来刻画交通状态，研究他们之间的相互关系。该模型具有非常强的理论基础，其理论基础是建立在道路之间相互独立的假设上，在单个高速公路路段取得了比较好的成果。但在实际路网中道路之间具有非常强的时空相关性，单纯的宏观交通流模型不适用于描述整个城市内交通路网上交通拥堵扩散路径的分析。另外由于城市道路数量众多，基于现有的数据也很难采集到每个时刻所有道路的交通状态。该专利的正是利用交通路网中强时空相关性解决数据稀疏问题，同时构建全体交通路网状态矩阵，从全局角度推断交通拥堵扩散路径。

发明内容

鉴于现有技术存在的不足，本发明提供了一种能解决数据稀疏问题，且可从全局角度推断交通拥堵扩散路径的方法及其系统。

为了实现上述的目的，本发明采用了如下的技术方案：

一种交通拥堵扩散路径的推断方法，包括：

S1、获取路网数据，并根据路网数据构建路段联通关系矩阵；

S2、获取历史数据，经道路匹配后，获得各路段对应于一天的每个时间段内的历史平均速度和各个路段上的车辆的历史最大速度；

S3、获取实时数据，经道路匹配并根据历史平均速度进行数据补全后，获得各个路段上的车辆的实时平均速度；

S4、根据实时平均速度和历史最大速度获得路况分布矩阵，并根据路况分布矩阵和路段联通关系矩阵获得拥堵状态矩阵；

S5、根据拥堵传播判定方法和拥堵状态矩阵获得局部传播矩阵；

S6、根据局部传播路径计算全局的传播路径。

优选地，步骤S1具体包括：

S11、获取交通干道和交叉口的数据，其中所述路段为所述交通干道；

S12、判断两条所述交通干道是否汇集于同一个交叉口，若是，则判定两条所述交通干道具有连接关系；

S13、根据所述交通干道的数据和各条所述交通干道的连接关系构建所述路段联通关系矩阵。

优选地，步骤S2具体包括：

S21、获取公交车和出租车出行的历史GPS数据，并利用道路匹配算法将所述历史GPS数据与所述路网数据进行匹配；

S22、将每一天划分为若干个长度相同的时间窗口，获取每个路段在每个时间窗口的历史平均速度；

S23、根据每个路段在每个时间窗口的历史平均速度获得历史最大速度。

优选地，在步骤S2之后，所述推断方法还包括历史平均速度计算每个路段的历史均值速度。

优选地，步骤S3具体包括：

S31、获取公交车和出租车出行的实时GPS数据，并利用道路匹配算法将实时GPS数据与路网数据进行匹配；

S32、根据匹配后的实时GPS数据计算每个路段在每个时间窗口内的实时平均速度。

优选地，步骤S32具体包括：

S321、判断每个时间窗口内是否有实时GPS数据；

S322、若是，获取每个时间窗口内所有车辆的平均速度，并根据所有车辆的平均速度获得车辆的实时平均速度；

S323、若否，根据前一个时间窗口的实时平均速度和历史均值速度获得当前时间窗口的实时平均速度。

优选地，步骤S4具体包括：

S41、将实时平均速度和历史最大速度的比值作为判定因子，判断判定因子是否小于拥堵常数；

S42、若是，将判定因子设为第一预定值，代表拥堵状态；

S43、若否，将判定因子设为第二预定值，代表非拥堵状态；

S44、遍历所有路段，根据所有判定因子的预定值构建路况分布矩阵；

S45、遍历所有时间窗口，根据路况分布矩阵和所述路段联通关系矩阵构建所述拥堵状态矩阵。

优选地，拥堵传播判定方法具体包括：

S51、判断某一路段在当前时间窗口和上一个时间窗口的路况状态，并判断该路段的相邻路段在上一个时间窗口的路况状态；

S52、若该路段在当前时间窗口为拥堵状态，在上一个时间窗口为非拥堵状态，并且该路段的所有相邻路段在上一个时间窗口的均为非拥堵状态，则判定该一路段为拥堵源头；

S53、若该路段在当前时间窗口为拥堵状态，在上一个时间窗口为非拥堵状态，并且该路段的至少一个相邻路段在上一个时间窗口为拥堵状态，则判定该路段产生拥堵传播。

步骤S6、根据局部传播矩阵计算全局的传播路径。

优选地，步骤S6具体包括：

S61、根据所述局部传播矩阵查询拥堵源头；

S62、根据拥堵源头构建全局的传播路径。

本发明还公开了一种交通拥堵扩散路径的推断系统，其特征在于，包括：

路网数据模块，用于获取路网数据并根据路网数据构建路段联通关系矩阵；

历史数据模块，用于获取历史数据并各路段对应于一天的每个时间段内的历史平均速度和各个路段上的车辆的历史最大速度；

实时数据模块，用于获取实时数据并获得各个路段上的车辆的实时平均速度；

拥堵计算模块，用于根据实时平均速度和历史最大速度计算路况分布矩阵，并根据路况分布矩阵和路段联通关系矩阵计算拥堵状态矩阵；

传播计算模块，用于根据拥堵传播判定方法和拥堵状态矩阵计算局部传播矩阵；

扩散路径推断模块，用于根据局部传播路径计算全局传播路径。

本发明公开了一种交通拥堵扩散路径的推断方法及其系统，利用浮动车的数据用来推断复杂交通路网下的交通拥堵扩散路径问题，其在解决数据稀疏性问题的基础上，也可以解决异构路网交通拥堵判定标准不同的问题，结合提出的扩散路径推断方法，从而对整个城市交通拥堵扩散具有全局的认识。

附图说明

图1为本发明实施例的推断方法的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明实施例的交通拥堵扩散路径的推断方法包括如下步骤：

步骤S1、获取路网数据，并根据所述路网数据构建路段联通关系矩阵。

该步骤具体包括如下步骤：

S11、获取交通干道和交叉口的数据。路网数据主要包括交通干道和交叉口，这里的路段指的是交通干道，交叉口用于判定交通干道的连接关系。

S12、判断两条所述交通干道是否汇集于同一个交叉口。把交通干道设为节点，把交叉口作为连接判定条件，若两条交通干道汇集于同一个交叉口，则判定两条交通干道具有连接关系，若两条交通干道不汇集于同一个交叉口时，则判定两条交通干道不具有连接关系，路网结构图表示为G＝(V，E)。其中V代表节点，其节点的个数为n，E代表边，代表节点之间的连接状况。

S13、根据所述交通干道的数据和各条所述交通干道的连接关系构建所述路段联通关系矩阵。根据路网结构图构建路段联通关系矩阵L，矩阵L为一个n*n方阵。如果节点i和j之间有边相连，其中i∈V，j∈V，i≠j，那么L(i，j)＝1，如果节点i和j之间没有边相连，那么L(i，j)＝0。另外矩阵L的对角线上的所有数值都设定为1。

步骤S2、获取历史数据，经道路匹配后，获得各路段对应于一天的每个时间段内的历史平均速度和各个路段上的车辆的历史最大速度。

该步骤具体包括如下步骤：

S21、获取公交车和出租车出行的历史GPS数据，并利用道路匹配算法将历史GPS数据与路网数据进行匹配。具体地，首先从交通管理部门获取历史GPS数据，本实施例历史GPS数据为浮动车的数据，浮动车包括公交车和出租车，GPS数据包括标识车牌号、时间、经度、纬度、速度和运行状态等信息。GPS数据的一个记录表示为P＝(x，y，t)，其中x为经度，y是纬度，t为时间。GPS数据中只有位置信息，缺少道路信息，为了得到道路上车辆速度，首先需要进行道路匹配的过程，利用已有道路匹配算法实现。

S22、将每一天划分为若干个长度相同的时间窗口，获取每个路段在每个时间窗口的历史平均速度。

作为优选实施例，将时间按照每一分钟划分为一个时间槽，每五分钟作为一个时间窗口，即每个时间窗口内包括5个时间槽，时间窗口可用区间[t₀-T，t₀]来表示。

进一步地，根据公式u(v)＝dist(P_t，P_t+1)/Δt计算每辆车的平均速度，从而得到时间窗口内每一辆车辆的平均速度，其中dist(P_t，P_t+1)代表一辆车在前后两个GPS记录所处位置的距离，该距离指的是交通路网中两点之间的最短道路距离，Δt表示前后两个GPS记录的时间差。所有车辆的平均速度可表示如下：

其中，代表GPS样本的数目。

由于人们的出行具有非常强的规律性，我们以最近6个月的数据作为历史数据，数据分为工作日和非工作日。因此我们可以得到每天每个时间窗口对应的历史平均速度，记为U_h(t₀,v)＝{u(t₀,d,v)}，其中d是日期的标识符，u(t₀,d)表示在第d天第t₀时间窗口对应的速度。

S23、根据每个路段在每个时间窗口的历史平均速度获得历史最大速度。

具体地，选取该路段的所有历史平均速度中的最大值作为历史最大速度U_v＝max(U_h,v)。

由于道路交通状态具有比较明显的周期性，其历史数据对数据补全具有一定的指导作用。根据历史平均速度计算该路段某个时间窗口的历史均值速度，其中历史均值速度可表示为

其中|U_h(t₀,v)|代表所有非null数值的个数，D为历史采样的天数，我们这里规定任何一个数加上null仍为其本身。

步骤S3、获取实时数据，经道路匹配并根据历史平均速度进行数据补全后，获得各个路段上的车辆的实时平均速度。

该步骤具体包括如下步骤：

S31、获取公交车和出租车出行的实时GPS数据，并利用道路匹配算法将实时GPS数据与路网数据进行匹配。

S32、根据匹配后的实时GPS数据计算每个路段在每个时间窗口内的车辆的实时平均速度。

该步骤具体包括如下步骤：

S321、判断每个时间窗口内是否有实时GPS数据；

S322、若是，根据步骤S2中的方法计算出每辆车的平均速度，并根据每辆车的平均速度计算出所有车辆的实时平均速度u(t₀,v)；

S323、若否，根据历史均值速度和上一个时间窗口的实时平均速度计算当前窗口的实时平均速度u(t₀,v)，具体计算公式如下：

其中λ为权重系数，用来衡量历史均值速度和近邻时刻数据的重要性。u(t₀-1,v)指的是路段v在上一个时间窗口的速度。

步骤S4、根据实时平均速度和历史最大速度获得路况分布矩阵，并根据路况分布矩阵和路段联通关系矩阵获得拥堵状态矩阵。

该步骤具体包括如下步骤：

S41、将实时平均速度和历史最大速度的比值作为判定因子，判断判定因子是否小于拥堵常数。具体地，判定因子为h＝u(t₀,v)/U_v，拥堵常数优选为0.5。

S42、若是，将判定因子设为第一预定值，代表拥堵状态。即当h小于0.5时，判断该路段为拥堵，将h设为第一预定值，第一预定值优选为1，即h＝1。

S43、若否，将判定因子设为第二预定值，代表非拥堵状态。即当h大于或等于0.5时，判断该路段为非拥堵，将h设为第二预定值，第二预定值优选为0，即h＝0。其中拥堵状态判定方程为

S44、遍历所有路段，根据所有判定因子的值构建所述路况分布矩阵。

具体地，其中路况分布矩阵S为n*n方阵，路况分布矩阵S中的每个值代表该路段的拥堵状态，且路况分布矩阵S中的每一列值都相等。

示例性，假设有三条道路，道路一与道路二连接，道路三与道路二连接，道路一与道路三不连接，那么路段联通关系矩阵表示为

L＝[1，1，0；1，1，1；0，1，1]

若三条道路的判定因子为h＝[0.8，0.6，0.1]，那么路况分布矩阵可表示为S＝[0，0，1；0，0，1；0，0，1]。

S45、遍历所有时间窗口，根据路况分布矩阵和路段联通关系矩阵构建拥堵状态矩阵。

具体地，将某一时间窗口的路况分布矩阵S与路段联通关系矩阵L做点乘运算，即可得到某一时间窗口的拥堵状态矩阵。遍历所有时间窗口，可以获得一天对应的拥堵状态矩阵C，其中拥堵状态矩阵为三维矩阵，拥堵状态矩阵的Z轴为时间维度，XY轴平面代表每个时间窗口的拥堵状态矩阵，即，C(:,:,t₀)＝S.*L，其中.*是指的矩阵对应位置的元素相乘。

步骤S5、根据拥堵传播判定方法和拥堵状态矩阵获得局部传播矩阵。

其中，拥堵传播判定方法具体为：

S51、判断某一路段在当前时间窗口和上一个时间窗口的路况状态，并判断该路段的相邻路段在上一个时间窗口的路况状态。

S52、若该路段在当前时间窗口为拥堵状态，在上一个时间窗口为非拥堵状态，并且该路段的所有相邻路段在上一个时间窗口均为非拥堵状态，则判定该路段为拥堵源头。

S53、若该路段在当前时间窗口为拥堵状态，在上一个时间窗口为非拥堵状态，并且该路段的至少一个相邻路段在上一个时间窗口为拥堵状态，则判定该路段产生拥堵传播。如果该路段在上一个时间窗口为拥堵状态，则判定该路段的拥堵状态为自己上一个状态导致，拥堵状态还没有消散，其依然具有传播的属性。拥堵传播可记作N_v v。N_v＝{u_i|s(t₀,u_i)＝1}，代表相邻拥堵路段的集合，代表在当前时间窗口有一次传播产生，→代表传播的方向。

局部传播矩阵D的具体算法为：

首先将局部传播矩阵D初始化为拥堵状态矩阵C同样大小的零矩阵。

接着根据拥堵传播判定方法更新局部传播矩阵D。具体地，从第一个时间窗口开始，对于每一个路段v，如果s(t₀,v)＝1，那么分两步进行判定：

(1)如果or(C(:,v,t₀-1))＝0，其中or(C(:,v,t₀-1))是对C(:,v,t₀-1)中的所有元素进行或操作，那么D(v,v,t₀)＝1，否则进入步骤(2)；

(2)如果C(v,v,t₀-1)＝1，那么D(v,v,t₀)＝1；否则对于所有的u_i∈N_v，D(v,u_i,t₀)＝1。

如果s(t₀,v)＝0，结束此路段的判定，进行下一路段的判定，直至所有时间窗口的所有路段都判定完毕，最后得到局部传播矩阵D。

步骤S6、根据局部传播路径计算全局的传播路径。

根据拥堵传播判定方法和步骤S5中得到的局部传播矩阵D可以知道拥堵的源头一定位于局部传播矩阵D的对角线上，传播产生标志位于局部传播矩阵D的非对角线上。

全局传播路径的具体构建方法包括如下步骤：

S61、根据所述局部传播矩阵查询拥堵源头。具体地，在局部传播矩阵D的对角线上进行查找，若路段v满足D(v,v,t₀)＝1，并且D(；,v,t₀-1)＝0，即可判定路段v在第t₀个时间窗口内产生拥堵，遍历所有对角线元素，将产生拥堵的各个路段构成拥堵路段集合Y＝{v}。

S62、根据拥堵源头构建全局的全局传播路径。

判断备选叶子节点集合内的所有路段是否具有拥堵传播的条件，判断条件为or(D(u_i,:,t₀+1))＝1,u_i∈Y，如果所有的节点都不满足该条件，那么终止扩散树的构建。

如果满足该条件，则更新拥堵路段集合和扩散树，其更新方法如下：初始化对于所有的u_i∈YY,如果D(u_i,u_i,t₀+1)＝1，那么在Y集合添加u_i。对于所有非对角线上的位置，如果D(u_i,u_j,t₀+1)＝1，那么将节点u_j添加到集合Y，同时扩散树需要建立一个由u_i指向u_j的一个分支，且在其分支上标记出扩散产生的时间t₀+1。即可完成全局的全局传播路径的计算。

本发明公开了一种交通拥堵扩散路径的推断方法及其系统，利用浮动车的数据用来推断复杂交通路网下的交通拥堵扩散路径问题，其在解决数据稀疏性问题的基础上，也可以解决异构路网交通拥堵判定标准不同的问题，结合提出的扩散路径推断方法，从而对整个城市交通拥堵扩散具有全局的认识。

以上所述仅是本申请的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种交通拥堵扩散路径的推断方法，其特征在于，包括：

S1、获取路网数据，并根据路网数据构建路段联通关系矩阵；

S2、获取历史数据，经道路匹配后，获得各路段对应于一天的每个时间段内的历史平均速度和各个路段上的车辆的历史最大速度；

S3、获取实时数据，经道路匹配，并根据历史平均速度进行数据补全后，获得各个路段上的车辆的实时平均速度；

S4、根据实时平均速度和历史最大速度获得路况分布矩阵，并根据路况分布矩阵和路段联通关系矩阵获得拥堵状态矩阵；

S5、根据拥堵传播判定方法和拥堵状态矩阵获得局部传播矩阵；

S6、根据局部传播矩阵计算全局的传播路径。

2.根据权利要求1所述的交通拥堵扩散路径的推断方法，其特征在于，步骤S1具体包括：

S11、获取交通干道和交叉口的数据，其中所述路段为所述交通干道；

S12、判断两条所述交通干道是否汇集于同一个交叉口，若是，则判定两条所述交通干道具有连接关系；

S13、根据所述交通干道的数据和各条所述交通干道的连接关系构建所述路段联通关系矩阵。

3.根据权利要求2所述的交通拥堵扩散路径的推断方法，其特征在于，步骤S2具体包括：

S21、获取公交车和出租车出行的历史GPS数据，并利用道路匹配算法将所述历史GPS数据与所述路网数据进行匹配；

S22、将每一天划分为若干个长度相同的时间窗口，获取每个路段在每个时间窗口的历史平均速度；

S23、根据每个路段在每个时间窗口的历史平均速度获得历史最大速度。

4.根据权利要求3所述的交通拥堵扩散路径的推断方法，其特征在于，在步骤S22之后，所述推断方法还包括根据历史平均速度计算每个路段的历史均值速度。

5.根据权利要求4所述的交通拥堵扩散路径的推断方法，其特征在于，步骤S3具体包括：

S31、获取公交车和出租车出行的实时GPS数据，并利用道路匹配算法将实时GPS数据与路网数据进行匹配；

S32、根据匹配后的实时GPS数据计算每个路段在每个时间窗口内的实时平均速度。

6.根据权利要求5所述的交通拥堵扩散路径的推断方法，其特征在于，步骤S32具体包括：

S321、判断每个时间窗口内是否有实时GPS数据；

S322、若是，获取每个时间窗口内所有车辆的平均速度，并根据所有车辆的平均速度获得路段的实时平均速度；

S323、若否，根据前一个时间窗口的实时平均速度和历史均值速度获得当前时间窗口的实时平均速度。

7.根据权利要求6所述的交通拥堵扩散路径的推断方法，其特征在于，步骤S4具体包括：

S41、将实时平均速度和历史最大速度的比值作为判定因子，判断判定因子是否小于拥堵常数；

S42、若是，将判定因子设为第一预定值，代表拥堵状态；

S43、若否，将判定因子设为第二预定值，代表非拥堵状态；

S44、遍历所有路段，根据所有判定因子的预定值构建路况分布矩阵；

S45、遍历所有时间窗口，根据路况分布矩阵和所述路段联通关系矩阵构建所述拥堵状态矩阵。

8.根据权利要求7所述的交通拥堵扩散路径的推断方法，其特征在于，拥堵传播判定方法具体包括：

S51、判断某一路段在当前时间窗口和上一个时间窗口的路况状态，并判断该路段的相邻路段在上一个时间窗口的路况状态；

S52、若该路段在当前时间窗口为拥堵状态，在上一个时间窗口为非拥堵状态，并且该路段的所有相邻路段在上一个时间窗口的均为非拥堵状态，则判定该路段为拥堵源头；

S53、若该路段在当前时间窗口为拥堵状态，在上一个时间窗口为非拥堵状态，并且该路段的至少一个相邻路段在上一个时间窗口为拥堵状态，则判定该路段产生拥堵传播。

9.根据权利要求8所述的交通拥堵扩散路径的推断方法，其特征在于，步骤S6具体包括：

S61、根据所述局部传播矩阵查询拥堵源头；

S62、根据拥堵源头构建全局的传播路径。

10.一种交通拥堵扩散路径的推断系统，其特征在于，包括：

路网数据模块，用于获取路网数据并根据路网数据构建路段联通关系矩阵；

历史数据模块，用于获取历史数据并各路段对应于一天的每个时间段内的历史平均速度和各个路段上的车辆的历史最大速度；

实时数据模块，用于获取实时数据并获得各个路段上的车辆的实时平均速度；

拥堵计算模块，用于根据实时平均速度和历史最大速度计算路况分布矩阵，并根据路况分布矩阵和所述路段联通关系矩阵计算拥堵状态矩阵；

传播计算模块，用于根据拥堵传播判定方法和拥堵状态矩阵计算局部传播矩阵；

扩散路径推断模块，用于根据局部传播路径计算全局的传播路径。