CN108335485B - 基于车牌识别数据的大事件交通动态仿真拥堵预测的方法 - Google Patents

基于车牌识别数据的大事件交通动态仿真拥堵预测的方法 Download PDF

Info

Publication number
CN108335485B
CN108335485B CN201810097633.7A CN201810097633A CN108335485B CN 108335485 B CN108335485 B CN 108335485B CN 201810097633 A CN201810097633 A CN 201810097633A CN 108335485 B CN108335485 B CN 108335485B
Authority
CN
China
Prior art keywords
traffic
license plate
data
simulation
road
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.)
Active
Application number
CN201810097633.7A
Other languages
English (en)
Other versions
CN108335485A (zh
Inventor
夏莹杰
蒋萌青
吴小雪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Yuantiao Science and Technology Co.,Ltd.
Original Assignee
Hangzhou Yuantiao Science And Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Yuantiao Science And Technology Co ltd filed Critical Hangzhou Yuantiao Science And Technology Co ltd
Priority to CN201810097633.7A priority Critical patent/CN108335485B/zh
Publication of CN108335485A publication Critical patent/CN108335485A/zh
Application granted granted Critical
Publication of CN108335485B publication Critical patent/CN108335485B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data

Abstract

本发明公开了基于车牌识别数据的大事件交通动态仿真拥堵预测的方法，具体涉及智能交通技术领域，该方法包括如下步骤：采用仿真软件构建城市路网模型。利用车牌识别数据对路段仿真参数进行标定。对车牌识别数据进行统计以获取每辆车的行驶轨迹数据。利用车牌识别数据统计出在指定时间段内每15分钟的路段流量，采用概率主成分分析模型，对各卡口的缺失数据进行插值补全并对补全后的数据进行预测，即可得到未来交通状态。判断历史交通仿真状态与未来交通状态之间的标准化均方根误差是否满足预设阈值10％。仿真软件通过动态分配车辆，得到未来的大事件交通状态，并输出相应的大事件预测结果。本发明具有自动化程度高以及预测结果精准的优点。

Description

基于车牌识别数据的大事件交通动态仿真拥堵预测的方法
技术领域
本发明涉及智能交通技术领域，具体为基于车牌识别数据的大事件交通动态仿真拥堵预测的方法。
背景技术
车牌识别数据包括卡口、电警等设备捕捉的道路车辆数据，其能记录路口车辆行驶过特定车道的时刻，并记录下车辆的车牌信息。大事件包括节假日游行、大型体育赛事、演唱会、商业综合体开业等。大事件发生前一般会对周边交通制定交通管制预案，而交通仿真可以量化事件对周边交通的影响评价。
现有技术已将车牌识别数据与交通仿真相结合，将数据统计转化为od流量矩阵数据作为需求输入，对初始交通流量进行动态调整使之趋近于路网中的真实交通流量，计算仿真估计交通流量和真实交通流量之间误差，迭代使之满足阈值，以此可对居民出行od进行标定。
然而，普遍使用的同时，问题也随之而来，od数据仅能描述某段时间从某起点到某终点共有多少辆车行驶，在对于交通路网的需求描述时，并不具体。
发明内容
本发明提供了基于车牌识别数据的大事件交通动态仿真拥堵预测的方法，该方法具有自动化程度高以及预测结果精准的优点。
为实现上述目的，本发明提供如下技术方案：
基于车牌识别数据的大事件交通动态仿真拥堵预测的方法，该包括如下步骤：
S01、采用仿真软件构建城市路网模型；
S02、利用车牌识别数据对路段仿真参数进行标定，所述路段仿真参数包括通行能力、车道的自由流速度、车道的阻塞密度以及拥挤消散波速；
S03、对车牌识别数据进行统计以获取每辆车在不同时刻通过不同交叉口的行驶轨迹数据，并将行驶轨迹数据组合成集合；
同时，保存每辆车的出发时间、起点、终点及途径路径；
S04、利用车牌识别数据统计出在指定时间段内每15分钟的路段流量，并采用概率主成分分析模型，对各卡口的缺失数据进行插值补全并对补全后的数据进行预测，预测的具体步骤为：采用机器学习的随机森林模型，以道路的长度、车道数以及道路等级作为特征输入，对指定时间段内前一个15分钟和这个 15分钟的路段流量进行训练，训练出的模型用来预测后一个15分钟的路段流量，从而得到未来指定时间段内每15分钟的预测路段流量，迭代多次，即可得到未来交通状态；
S05、通过仿真软件将目标数量车辆的行驶轨迹数据动态分配到仿真路网上，得到路网历史时段交通仿真状态；
通过对比历史路段的交通流量与预测路段流量之间的标准化均方根误差是否满足预设阈值10％，从而判断历史交通仿真状态与未来交通状态之间的差异；
如满足预设阈值10％，则得到未来交通仿真状态，本步骤结束；
如不满足预设阈值10％，通过调整出行车辆数量，重复上述步骤，直到历史交通状态与未来交通状态之间的标准化均方根误差满足预设阈值10％或迭代次数达到了预设值；预设值可设置为100次。
S06、根据大事件交通管制措施统计道路供给改变，所述道路供给改变包括影响路段、影响时间段、通行能力折减以及限速折减，所述道路供给改变的各个参数是仿真软件的输入条件；
仿真软件通过动态分配车辆，得到未来的大事件交通状态，并输出相应的大事件预测结果。
作为优选，步骤S01具体包括：
(1)、由电子地图划定区域并转换得到可导入仿真软件的地图文件；
(2)、在所述的地图文件中增加相应的描述字段，所述描述字段包括车道数、道路等级以及限速值；
(3)、通过仿真软件中的路网导入工具导入所述的地图文件，生成所述的城市路网模型。
作为优选，在步骤S02中：
通行能力Q＝qmax，其中，qmax为车牌数据统计流量的最大小时流量；
车道的自由流速度Vf＝L/Tmin，其中，L为路段长度，Tmin为通过该路段的最小行程时间；
阻塞密度
Figure BDA0001565486090000031
其中，w为拥挤消散波速，w取经验值16km/h。
作为优选，，在步骤S06中：所述的大事件预测结果包括路段行程时间、排队长度以及延误时间。
作为进一步优选，大事件预测结果以图表表示。
本发明的有益效果为：
本发明本发明输入数据采用行驶轨迹数据而不是od流量数据。对于交通路网的需求描述，行驶轨迹数据比od数据更具体：od数据仅能描述某段时间从某起点到某终点共有多少辆车行驶，而行驶轨迹数据可以进一步刻画每辆车这段时间经过每个路口的时刻。将od数据输入仿真软件，仿真软件也会将车辆分配到路网，得到车辆的行驶轨迹数据,并通过迭代使分配得到的行驶轨迹和现实的行驶轨迹相符；而直接将统计得到的行驶轨迹数据输入仿真软件，即能直接刻画历史的交通路网运行状态，省去了上述转化迭代的过程，更快速且更精确。
附图说明
图1为本实施例中某地仿真路网图；
图2为本实施例中车辆行驶轨迹数据保存格式示意表；
图3为本实施例中拥堵时长排名统计表。
具体实施方式
本实施例提供一种技术方案：
基于车牌识别数据的大事件交通动态仿真拥堵预测的方法，该方法包括如下步骤：
S01、由电子地图划定区域并转换得到可导入仿真软件的地图文件。
S02、在所述的地图文件中增加相应的描述字段，所述描述字段包括车道数、道路等级以及限速值。
S03、通过仿真软件中的路网导入工具导入上述的地图文件，生成城市路网模型。本实施例所提及的仿真软件可选用中观仿真软件DTALite。
S04、利用车牌识别数据对路段仿真参数进行标定，所述路段仿真参数包括通行能力、车道的自由流速度、车道的阻塞密度以及拥挤消散波速；
通行能力Q＝qmax，其中，qmax为车牌数据统计流量的最大小时流量。
车道的自由流速度Vf＝L/Tmin，其中，L为路段长度，Tmin为通过该路段的最小行程时间。
阻塞密度
Figure BDA0001565486090000051
其中，w为拥挤消散波速，w取经验值16km/h。
S05、对车牌识别数据进行统计以获取每辆车在不同时刻通过不同交叉口的行驶轨迹数据，并将行驶轨迹数据组合成集合；其中，行驶轨迹数据包括了每辆车从出发到目的地，途径的每个路口和经过路口的时间。同时，保存每辆车的出发时间、起点、终点及途径路径。
S06、利用车牌识别数据统计出在指定时间段内每15分钟的路段流量。由于施工损坏、线路故障、处理错误以及设备维护等原因造成的卡口或车检器等设备的数据缺失可采用概率主成分分析模型，对各卡口的缺失数据进行插值补全并对补全后的数据进行预测，对各卡口数据进行插值补全并预测。
其中，概率主成分分析会假定原始数据(观察到的数据和缺失的数据)服从正态分布，通过估计正态分布的参数得到概率密度函数。之后将关键信息与噪音分离，采用极大似然估计法，进行主成分分析。最后得到原始数据的概率密度函数，从而对数据缺失部分进行概率估计。如果在数据完整的情况下，采用最优组合变量的模型；在数据缺失的情况下，采用全部变量的模型。从而实现对各卡口数据进行插值补全。并且，通过对补全后的数据进行预测，预测的具体步骤为：采用机器学习的随机森林模型，以道路的长度、车道数以及道路等级作为特征输入，对指定时间段内前一个15分钟和这个15分钟的路段流量进行训练，训练出的模型用来预测后一个15分钟的路段流量，从而得到未来指定时间段每15分钟的预测路段流量。
S07、通过仿真软件将目标数量车辆的行驶轨迹数据动态分配到仿真路网上，得到路网历史时段交通仿真状态。
S08、通过对比历史路段的交通流量与预测路段流量之间的标准化均方根误差是否满足预设阈值10％，从而判断历史交通仿真状态与未来交通状态之间的差异。
S09、如满足预设阈值10％，则得到未来交通仿真状态，本步骤结束，转至 S10。
如不满足预设阈值10％，通过调整出行车辆数量，重复步骤S07～S08，直到历史交通状态与未来交通状态之间的标准化均方根误差满足预设阈值10％或迭代次数达到了预设值，本实施例中，预设值可设置成100次。
S10、根据大事件交通管制措施统计道路供给改变，所述道路供给改变包括影响路段、影响时间段、通行能力折减以及限速折减，所述道路供给改变的各个参数是仿真软件的输入条件；在S09预测结果基础上，仿真软件根据交通流理论，再次动态分配车辆，得到事件影响下的未来交通状态。
S11、仿真结果统计的路段行程时间、排队长度以及延误等指标作为大事件预测结果，以图表的形式分析数据结果。
应用上述步骤，以下提供一个具体的算例：
以某地马拉松赛交通影响仿真评估为例，以比赛线路和管制路线所覆盖区域作为仿真范围，以机动车作为仿真对象，进行仿真评估。仿真路网如图1 所示。
对比赛影响时段7:00-16:00运用中观仿真软件DTALite软件进行仿真。数据源采用全年平时周日的电警卡口车牌数据，作为交通流仿真输入。车辆行驶轨迹数据字段格式如图2所示：
统计该时间段的历史流量，利用概率主成分分析进行补全，并利用随机森林模型进行预测未来流量。
将需求数据作为输入，利用统计数据及预测流量数据作为标定，通过中观仿真软件DTALite软件进行仿真。
由仿真结果统计出上下午拥挤路段排名及拥挤时长，作为进一步优化交通管控的依据，如图3所示。从而得到在大事件影响下路段拥堵程度。

Claims (5)

1.基于车牌识别数据的大事件交通动态仿真拥堵预测的方法，其特征在于，包括如下步骤：
S01、采用仿真软件构建城市路网模型；
S02、利用车牌识别数据对路段仿真参数进行标定，所述路段仿真参数包括通行能力、车道的自由流速度、车道的阻塞密度以及拥挤消散波速；
S03、对车牌识别数据进行统计以获取每辆车在不同时刻通过不同交叉口的行驶轨迹数据，并将行驶轨迹数据组合成集合；其中，行驶轨迹数据包括了每辆车从出发地到目的地，途经的每个路口以及所经过该路口的时间；
同时，保存每辆车的出发时间、起点、终点及途经路径；
S04、利用车牌识别数据统计出在指定时间段内每15分钟的路段流量，并采用概率主成分分析模型，对各卡口的缺失数据进行插值补全并对补全后的数据进行预测，得到未来指定时间段内每15分钟的预测路段流量，迭代多次，即可得到未来交通状态；
S05、通过仿真软件将目标数量车辆的行驶轨迹数据动态分配到仿真路网上，得到路网历史时段交通仿真状态；
通过对比历史路段的交通流量与预测路段流量之间的标准化均方根误差是否满足预设阈值10％，从而判断路网历史时段交通仿真状态与未来交通状态之间的差异；
如满足预设阈值10％，则得到未来交通仿真状态，本步骤结束；转S06；
如不满足预设阈值10％，通过调整出行车辆数量，直到历史路段的交通流量与预测路段流量之间的标准化均方根误差满足预设阈值10％或直至迭代次数达到了预设值；
S06、根据大事件交通管制措施统计道路供给改变，所述道路供给改变包括影响路段、影响时间段、通行能力折减以及限速折减，所述道路供给改变的各个参数是仿真软件的输入条件；
仿真软件通过动态分配车辆，得到未来的大事件交通状态，并输出相应的大事件预测结果。
2.根据权利要求1所述的基于车牌识别数据的大事件交通动态仿真拥堵预测的方法，其特征在于，步骤S01具体包括：
(1)、由电子地图划定区域并转换得到可导入仿真软件的地图文件；
(2)、在所述的地图文件中增加相应的描述字段，所述描述字段包括车道数、道路等级以及限速值；
(3)、通过仿真软件中的路网导入工具导入所述的地图文件，生成所述的城市路网模型。
3.根据权利要求1所述的基于车牌识别数据的大事件交通动态仿真拥堵预测的方法，其特征在于，在步骤S02中：
通行能力Q＝qmax，其中，qmax为车牌数据统计流量的最大小时流量；
车道的自由流速度Vf＝L/Tmin，其中，L为路段长度，Tmin为通过该路段的最小行程时间；
车道的阻塞密度
Figure FDA0002354081890000021
其中，w为拥挤消散波速，w取经验值16km/h。
4.根据权利要求1所述的基于车牌识别数据的大事件交通动态仿真拥堵预测的方法，其特征在于，在步骤S06中：所述的大事件预测结果包括路段行程时间、排队长度以及延误时间。
5.根据权利要求4所述的基于车牌识别数据的大事件交通动态仿真拥堵预测的方法，其特征在于，大事件预测结果以图表表示。
CN201810097633.7A 2018-01-31 2018-01-31 基于车牌识别数据的大事件交通动态仿真拥堵预测的方法 Active CN108335485B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810097633.7A CN108335485B (zh) 2018-01-31 2018-01-31 基于车牌识别数据的大事件交通动态仿真拥堵预测的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810097633.7A CN108335485B (zh) 2018-01-31 2018-01-31 基于车牌识别数据的大事件交通动态仿真拥堵预测的方法

Publications (2)

Publication Number Publication Date
CN108335485A CN108335485A (zh) 2018-07-27
CN108335485B true CN108335485B (zh) 2020-04-24

Family

ID=62927603

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810097633.7A Active CN108335485B (zh) 2018-01-31 2018-01-31 基于车牌识别数据的大事件交通动态仿真拥堵预测的方法

Country Status (1)

Country Link
CN (1) CN108335485B (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112534481B (zh) * 2018-08-06 2023-05-05 住友电气工业株式会社 交通流量仿真器、交通流量的仿真方法和存储介质
CN109598432A (zh) * 2018-11-28 2019-04-09 北京航空航天大学 一种基于城市特征的车辆轨迹数据模拟方法
CN109584553B (zh) * 2018-11-29 2020-09-22 浙江海康智联科技有限公司 一种基于时空信息的路段关联度缺失补全方法
CN109887283B (zh) * 2019-03-07 2021-01-26 东莞数汇大数据有限公司 一种基于卡口数据的道路拥堵预测方法、系统及装置
CN110164138B (zh) * 2019-05-17 2021-02-09 湖南科创信息技术股份有限公司 基于卡口对流向概率的套牌车辆的识别方法及系统、介质
CN110276950B (zh) * 2019-06-24 2021-12-31 华南理工大学 一种基于卡口视频数据的城市交通出行链重构方法
CN111199247B (zh) * 2019-12-25 2023-11-10 银江技术股份有限公司 一种公交运行仿真方法
CN111881548B (zh) * 2020-06-16 2022-04-08 广东工业大学 一种智能交通的计算机仿真方法
CN111881557B (zh) * 2020-07-01 2023-09-29 浙江中控信息产业股份有限公司 基于道路平均速度的车流仿真方法
CN112396837A (zh) * 2020-11-13 2021-02-23 重庆中信科信息技术有限公司 基于交通大数据的拥堵区域车辆来源路径分析方法和系统
CN113223293B (zh) * 2021-05-06 2023-08-04 杭州海康威视数字技术股份有限公司 路网仿真模型的构建方法、装置及电子设备
CN113326641B (zh) * 2021-08-03 2021-12-14 腾讯科技（深圳）有限公司 路径规划方法、装置、计算机设备及存储介质
CN113808401B (zh) * 2021-09-18 2023-02-10 平安普惠企业管理有限公司 交通拥堵预测方法、装置、设备及存储介质
CN114202937B (zh) * 2021-12-31 2023-03-24 北京掌行通信息技术有限公司 对施工路段上游车辆进行管控的方法、装置、设备及介质
CN114023073B (zh) * 2022-01-06 2022-04-19 南京感动科技有限公司 一种基于车辆行为分析的高速公路拥堵预测方法
CN115019525A (zh) * 2022-06-20 2022-09-06 杭州海康威视数字技术股份有限公司 行程时间数据的筛选方法和交通信号控制方法
CN115310278A (zh) * 2022-07-28 2022-11-08 东南大学 一种大规模路网在线微观交通的仿真方法及其验证方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5801943A (en) * 1993-07-23 1998-09-01 Condition Monitoring Systems Traffic surveillance and simulation apparatus
JP2000113365A (ja) * 1998-09-30 2000-04-21 Toshiba Corp 交通状況予測シミュレーション装置
JP2000242884A (ja) * 1999-02-23 2000-09-08 Toyota Central Res & Dev Lab Inc 交通流シミュレーションシステム
JP4783414B2 (ja) * 2008-09-12 2011-09-28 株式会社東芝 交通状況予測システム
CN102393928A (zh) * 2011-11-22 2012-03-28 广州市交通规划研究所 基于宏、中、微观交通仿真平台交互使用的交通仿真集成系统
CN104408921A (zh) * 2014-11-28 2015-03-11 江苏物联网研究发展中心 基于交通仿真的交通流预测方法
CN105118288B (zh) * 2015-09-18 2018-01-19 青岛智能产业技术研究院 一种交通管理系统和方法
CN106504528A (zh) * 2016-11-02 2017-03-15 浙江大学 一种利用手机信令大数据和动态交通分配的od标定方法
CN107293115B (zh) * 2017-05-09 2020-09-08 上海电科智能系统股份有限公司 一种用于微观仿真的交通流量预测方法

Also Published As

Publication number Publication date
CN108335485A (zh) 2018-07-27

Similar Documents

Publication Publication Date Title
CN108335485B (zh) 基于车牌识别数据的大事件交通动态仿真拥堵预测的方法
CN110164128B (zh) 一种城市级智能交通仿真系统
Kim et al. Urban traffic flow prediction system using a multifactor pattern recognition model
US20130253808A1 (en) Estimating Incident Duration
WO2018141403A1 (en) System, device and method for managing traffic in a geographical location
CN104123833A (zh) 一种道路状况的规划方法和装置
Hofleitner et al. Probability distributions of travel times on arterial networks: A traffic flow and horizontal queuing theory approach
CN105913658B (zh) 一种交通流推测od位置及od矩阵的方法
CN113591380A (zh) 基于图高斯过程的交通流预测方法、介质及设备
CN107195177A (zh) 基于分布式内存计算框架对城市交通路况的预测方法
Grumert et al. Using connected vehicles in a variable speed limit system
Wang et al. Automatic estimation method for intersection saturation flow rate based on video detector data
Vanajakshi Estimation and prediction of travel time from loop detector data for intelligent transportation systems applications
CN110021161A (zh) 一种交通流向的预测方法及系统
Habtemichael et al. Incident-induced delays on freeways: quantification method by grouping similar traffic patterns
Yu et al. An adaptive bus arrival time prediction model
CN115394086B (zh) 交通参数的预测方法、装置、存储介质及电子装置
Louah et al. Traffic operations at an entrance ramp of a suburban freeway first results
Casas et al. Decision Support Systems (DSS) for traffic management assessment: Notes on current methodology and future requirements for the implementation of a DSS
Shabab et al. Exploring dmd-type algorithms for modeling signalised intersections
Zou et al. A reliable hybrid prediction model for real-time travel time prediction with widely spaced detectors
Mussone et al. A neural network approach to motorway OD matrix estimation from loop counts
Houchin An investigation of freeway standstill distance, headway, and time gap data in heterogeneous traffic in Iowa
Han et al. Spatiotemporal congestion recognition index to evaluate performance under oversaturated conditions
Phan et al. Application of LSTM and ANN models for traffic time headway prediction in expressway tollgates

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20200331

Address after: Room 701-1, building 1, No. 1326, Wenyi West Road, Cangqian street, Yuhang District, Hangzhou City, Zhejiang Province

Applicant after: Hangzhou Yuantiao Science and Technology Co.,Ltd.

Address before: Room 73, No. 34, No. 2000, Tianmu Mountain Road, Xihu District, Hangzhou, Zhejiang

Applicant before: Xia Yingjie

GR01 Patent grant
GR01 Patent grant