CN109035758A - 基于浮动车数据网格映射的城市路网交叉口拥堵识别方法 - Google Patents

基于浮动车数据网格映射的城市路网交叉口拥堵识别方法 Download PDF

Info

Publication number
CN109035758A
CN109035758A CN201810484715.7A CN201810484715A CN109035758A CN 109035758 A CN109035758 A CN 109035758A CN 201810484715 A CN201810484715 A CN 201810484715A CN 109035758 A CN109035758 A CN 109035758A
Authority
CN
China
Prior art keywords
intersection
floating car
car data
crossing inlet
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.)
Granted
Application number
CN201810484715.7A
Other languages
English (en)
Other versions
CN109035758B (zh
Inventor
贺正冰
陆丽丽
奇格奇
陈艳艳
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.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN201810484715.7A priority Critical patent/CN109035758B/zh
Publication of CN109035758A publication Critical patent/CN109035758A/zh
Application granted granted Critical
Publication of CN109035758B publication Critical patent/CN109035758B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开一种基于浮动车数据网格映射的交叉口拥堵识别方法，首先将城市空间区域划分为网格，并利用低频浮动车数据识别出各交叉口对应的网格。通过将浮动车数据映射到这些网格，M2C交叉口识别方法能够识别浮动车的转弯方向并预测该方向上的交通状况。由于采用均匀方形网格进行二维空间离散化，M2C交叉口识别方法高效，并且不需要GIS地图的配合就能够基于浮动车数据重构交叉口并对交通状况予以分析和预测。

Description

基于浮动车数据网格映射的城市路网交叉口拥堵识别方法
技术领域
本发明涉及交通技术领域，尤其涉及一种基于浮动车数据网格映射的城市路网交叉口拥堵识别方法。
背景技术
城市交通供需关系不平衡引发的交通拥堵是现代社会的主要问题之一，影响居民出行，阻碍城市发展。精准识别常发性交通拥堵发生地点，是制定有效交通缓堵对策的前提和基础。
交叉口是城市交通拥堵的常发点。交通管理部门通常在交叉口前安装固定式检测器如线圈、地磁等用于监控交叉口交通状况。然而，固定式检测器安装成本较大，损坏率高，后期维护成本较大且道路开挖施工易对道路交通产生恶劣影响。同时，固定式检测器的安装也并未能覆盖所有交叉口。随着现代通信技术和全球定位系统(GPS)的发展，浮动车数据如出租车GPS数据、公交车GPS数据等逐渐普及，GPS数据每隔30s，2分钟或5分钟上传其速度、位置、运动方向等信息，根据这些信息可推测浮动车周边道路或交叉口的交通状况。尽管浮动车在路网车辆数中所占比例较小，但分布较广，通过合理的技术和方法可推测全路网的交通状况。本发明使用低频浮动车数据进行城市路网交叉口拥堵识别。
现有文献中应用浮动车数据推测城市道路交通状况的研究绝大部分依赖于GIS地图，即首先要将浮动车数据与地理信息系统相匹配，此过程存在操作要求高、费时费力等缺点，特别是工程人员在缺乏地理信息系统相关知识背景条件下，更是增加了操作难度。此外，很多条件下，高精度数字地图并不易获取。
为解决以上问题，一些学者专门研究基于浮动车数据的地图推理和重构。例如，Davies 等人提出了一种基于内核密度估计的地图推理方法，将道路面积划分为单元/像素，并根据特定条件选择和过滤浮动车数据填充的单元/像素，提取道路网络[2]。Biagioni和Eriksson将各种地图推理方法进行了比较[2]，如Cao和Krumm[3]、Stefan Edelkamp和Stefan Schrodl[4]和 Davies[1]等提出的方法被认为“显著优于”其他方法。另外，邱和王最近提出了一种用浮动车数据进行道路地图推理的分割和分组框架，它将浮动车数据划分到路段，然后将这些路段组成一条尽可能长的道路。但目前大多数的地图推理研究都以道路为对象，只有少数人把重点放在交叉口上。Fathi和Krumm设计了一个交叉口检测器，使用局部形状描述符来表示某个点周围的浮动车数据分布[5]。对形状描述符进行训练，通过从地图提取的地面交叉口信息来识别交点。Wu等人则提出了一种数据预处理和聚类算法，根据车辆在交叉口处转弯的特征来识别浮动车数据的交点中心[6]。
尽管这些地图通过推理和重构方法可用于生成道路网络和交叉路口，但目前鲜有人考虑地图重构与道路网络中交通状况推演相结合，即两者是分离的，先用浮动车数据生成地图，但进一步的路网交通状况分析则仍需要浮动车数据与地图相匹配。本发明技术将地图重构、地图匹配和路网交通状况分析进行一体化集成，可大大降低交通工程师工作量，提高工作效率。
发明内容
发明目的：本发明提供一种基于浮动车数据网格映射的城市路网交叉口拥堵识别方法，基于低频浮动车数据，将地图重构、地图匹配和路网交通状况一体化，大大降低实施成本。
技术方案：为实现上述目的，本发明中基于浮动车数据网格映射的城市路网交叉口拥堵识别方法，包括以下步骤：
(1)用边长约等于车道宽度的均匀正方形网格划分城市区域，然后运用算术基本运算将浮动车数据映射到网格；
(2)确定交叉口位置并识别交叉口中心；
(3)识别交叉口进口道；
(4)识别车辆进入或离开交叉口；
(5)识别车辆的转弯方向；
(6)识别交叉口的拥堵。
其中，步骤(2)中识别交叉中心，包括以下步骤：
(21)首先设定最大集群数C，模糊因子m，终止条件ε和最大迭代次数T；
(22)将集群数从2到C的DB索引值最小的确定为最优集群数c*；
(23)将FCM(模糊C均值聚类算法)应用于带有c*个集群的原始目标数据，并求得集群中心V＝{vi；i＝1，2，...c*}和隶属度U＝{uki；i＝1，2，...c*；k＝1，2，...n}；
(24)根据δ去除远离集群中心的噪声；
(25)去除噪声之后，将FCM应用于新数据集，更新集群中心V＝{vi；i＝1，2，...c*}和隶属度U’＝{uki；i＝1，2，...c*；k＝1，2，...n’}，其中n’是去除噪声后的研究网格的数量；
(26)对于每个集群的子集，用DB索引确定每个集群的子集的数量；
(27)在子集中应用FCM，并求得每个集群的子集的中心；
(28)每个集群的子集的中心的中值(中位数)即为交叉口中心。
其中，步骤(3)中识别交叉口进口道，包括以下步骤:
(31)利用网格重构路网，具体为：将包含浮动车数据的网格作为道路网络的一部分进行处理并重构路网，这种直接方法会产生大量的噪声。为此，本发明仅选用包含浮动车数据点的数目大于或等于浮动车数据阈值的网格并应用两种图像处理方法来修复网络中的空隙和支线；
(32)确定交叉口进口道的外边界，具体为：采用一个中心位于交叉口中心的正方形，它定义了交叉口进口道的外边界，即考虑交叉口拥堵的最大范围；
(33)确定交叉口进口道的数量；
(34)确定交叉口进口道的内边界；
(35)分离交叉口进口道，具体为：在一定数量的交叉口进口道的条件下，FCM集群方法可以轻松地分离各个交叉口的进口道；
(36)确定交叉口进口道间的位置关系；
(37)消除对应于高速公路的网格的影响，具体为：利用高速公路上的限速通常大于城市道路这一特点来识别高速公路网格，即仅使用速度大于城市道路限速的浮动车数据来填充网格并重构路网，从而识别对应于高速公路的网格。
其中，步骤(33)中确定交叉口进口道的数量，包括以下步骤：
(41)顺序地(沿一个方向，顺时针或逆时针)检查外边界各个边缘上的网格；
(42)如果连续的空网格数大于极限值，则将前面所有未包含在集群中的浮动车数据网格看做一个集群；
(43)集群的数量即为对应交叉口的交叉口进口道数。
其中，步骤(34)中确定交叉口进口道的内边界，包括以下步骤：
(51)将正方形的边长范围设置为1到外边界的大小；
(52)依次预测不同边长的正方形对应的交叉口进口道的数量；
(53)当该数量等于由外边界确定的交叉口进口道数量时，终止搜索并将该正方形的边长设置为内边界的大小。
其中，步骤(36)中确定交叉口进口道间的位置关系，包括以下步骤：
(61)从每个交叉口进口道随机选择一个网格；
(62)计算连接网格与交叉口中心线的角度；
(63)将所有交叉口进口道按其对应的角度升序排列；
(64)确定交叉口进口道的关系，即相邻进口道中具有较大角度的为目标进口道的右侧进口道。
其中，步骤(4)中识别车辆进入或离开交叉口，包括以下步骤:
(71)首先，确定车辆的移动方向：通常，浮动车数据中包含方向；若没有，可以用主体浮动车数据点与其上一个或下一个浮动车数据点连线和主体浮动车数据点与交叉口中心连线之间的角度代替；
(72)确定主体浮动车数据点与其上一个或下一个浮动车数据点连线和主体浮动车数据点与交叉口中心连线之间的角度，并分别加减90°，若计算得的角度在180°范围内，则认为浮动车进入交叉口，否则认为该车离开交叉口。
其中，步骤(5)中识别车辆的转弯方向，具体为:
首先确定浮动车数据点是否落入或穿过交叉口进口道，有如下两种方法：
直接方法：将浮动车数据点与网格匹配，如果网格属于主体交叉口进口道，则浮动车数据点落入交叉口进口道；
间接方法：线性计算浮动车数据点和交叉口中心之间的中间位置，并将其与网格匹配，如果网格属于主体交叉口进口道，则认为浮动车数据点通过交叉口进口道；
用以上方法预测那些进入交叉口的浮动车数据点下一时刻会出现在哪个交叉口进口道，如果下一个浮动车数据点属于与某一转向方向一致的交叉口进口道，并且没有浮动车数据点属于其他交叉口进口道，则表示车辆沿着该方向移动。
其中，步骤(6)中识别交叉口的拥堵，具体为:
选择沿主要转弯方向进入交叉口的所有浮动车数据点，并直接将其绘制在时空平面图中，同时，根据瞬时速度对浮动车数据点进行着色，着色的浮动车数据点表示浮动车以该颜色表示速度出现在该位置；
若观察到低速并且远离交叉口的浮动车数据点，则可以预测交叉口在该转向方向上排队长度较长，由于浮动车只是路网中车辆的一小部分，所以浮动车数据点可能不在队列的末尾，但可以表明车队已经通过了该点所在位置。
有益效果：基于低频浮动车数据，本发明提出了一种高效的、无需与地图匹配的交叉口识别方法，可用于识别城市路网中交叉口各个转弯方向的交通拥堵，非常适合交通工程师对陌生的城市区域进行交叉口拥堵的快速识别。掌握交叉口拥堵基本信息后，将信息发送给交通工程师，有助于进一步调查并缓解拥堵问题。另外，该方法可用于导航信息发布，提供转向级的交叉口拥堵信息，引导司机合理出行。
本发明基于浮动车数据网格映射的交叉口拥堵识别方法，首先将城市空间区域划分为网格，并利用低频浮动车数据识别出各交叉口对应的网格。通过将浮动车数据映射到这些网格， M2C交叉口识别方法能够识别浮动车的转弯方向并预测该方向上的交通状况。由于采用均匀方形网格进行二维空间离散化，M2C交叉口识别方法高效，并且不需要GIS地图的配合就能够基于浮动车数据重构交叉口并对交通状况予以分析和预测。该方法非常适合在不配合地理信息系统的条件下对陌生的城市区域快速地进行交叉口拥堵识别。得到预测结果之后，交通工程师可以针对拥堵区域明确调查，进而提供拥堵问题解决方案。交通管理人员也可以发布交叉口拥堵信息，引导司机合理规划出行路径。可实现在完全数据驱动且无需配合地理信息系统的条件下识别城市道路网络中交叉口的拥堵情况。
附图说明
图1是本发明实施例基于浮动车数据网格映射的城市路网交叉口拥堵识别方法的流程示意图；
图2是本发明实施例1示意图；
图3是本发明实施例2示意图；
图4是本发明实施例3示意图；
图5是本发明实施例4示意图；
图6是本发明实施例5示意图；
图7是本发明实施例6示意图；
图8是本发明实施例7示意图；
图9是本发明实施例8示意图；
图10是本发明实施例9示意图；
图11是本发明实施例10示意图；
图12本发明实施例11中识别不同转弯方向的车流示意图；
图13本发明实施例12中识别不同转弯方向的车流示意图；
图14显示了由图12转化的交通状况。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
本实施例基于浮动车数据，从海量历史数据和实时数据中提取有用信息，通过大量轨迹数据的时空聚合确定交叉口位置并识别交叉口的拥堵情况，为交通信号控制、交通诱导等道路交通管控措施的实施提供依据。
如图2所示，本实施例选择了北京西部二环与三环之间的区域来论证基于浮动车数据网格映射的城市路网交叉口拥堵识别方法。
图1中基于浮动车数据网格映射的城市路网交叉口拥堵识别方法，包括以下步骤：
S1、用边长约等于车道宽度的均匀正方形网格来划分城市区域，然后运用算术基本运算将浮动车数据映射到网格，对于北京案例，将网格的边长设为5m，则所选区域的长度和宽度可划分为700个和512个网格；
S2、确定交叉口的位置并识别交叉口中心；
当前速度小于“停止”速度且其下一个数据点的速度大于“驶离”速度的浮动车数据点简称为SG-PVD点。将SG-PVD点放入相应的网格中，为了减少噪音，去除包含SG-PVD点数小于阈值的网格，对于北京案例，将SG-PVD的阈值设置为5；
图3显示了“驶离”速度分别为20km/h、30km/h、40km/h和50km/h时识别的结果，由图3(d)可以看出，大多数交叉口被识别，结果对该值不敏感，因此本发明选择30km/h的“驶离”速度进行演示；
将图3(d)与图2中所示区域的映射进行比较，不难发现一些在图2中显示的交叉口在图3(d)缺失，推测原因是：该区域可能没有交通信号，交通量低或没有浮动车，这些地方几乎没有或很少有延误，因此可以忽略。
S3、识别交叉口进口道；
S4、识别车辆进入或离开交叉口；
S5、识别车辆的转弯方向；
S6、识别交叉口的拥堵。
●其中，步骤S2中识别交叉口中心，包括以下步骤：
S21、首先设定最大集群数C，模糊因子m，终止条件ε和最大迭代次数T；
S22、将集群数从2到C的DB索引值最小的确定为最优集群数c*；
S23、将FCM(模糊C均值聚类算法)应用于带有c*个集群的原始目标数据，并求得集群中心V＝{vi；i＝1，2，...c*}和隶属度U＝{uki；i＝1，2，...c*；k＝1，2，...n}；
S24、根据δ去除远离集群中心的噪声；
S25、去除噪声之后，将FCM应用于新数据集，更新集群中心V＝{vi；i＝1，2，...c*}和隶属度U’＝{uki；i＝1，2，...c*；k＝1，2，...n’}，其中n’是去除噪声后的SG-PVD网格的数量；
S26、对于每个集群的子集，用DB索引确定每个集群的子集的数量；
S27、在子集中应用FCM，并求得每个集群的子集的中心；
S28、每个集群的子集的中心的中值(中位数)即为交叉口中心。
其中，步骤S2中确定交叉口的位置并识别交叉口中心，具体为：
通过FCM，可以将目标数据(即SG-PVD网格)聚类成在特征空间中具有相似特征的若干组，这里的FCM的目标函数可以用下式表示：
其中V＝{vi；i＝1，2，...c*}是聚类中心的位置向量集合(即位于城市区域的网格矩阵中SG-PVD 网格的行和列)，C是i的最大值，xk(k＝1，2，...n)是SG-PVD网格的位置向量，n是k 的最大值，m是模糊因子，uki是xk对vi的隶属度，它应该满足以下约束：
为求解最小化约束(2)下的目标函数，使其拉格朗日梯度等于零，从而导出等式3和4 作为更新的隶属度和更新的聚类中心。通过随机选择的聚类中心初始值，可以迭代计算等式 3和4中更新的隶属度和更新的聚类中心，直到它们收敛于稳定值；
传统FCM有两个缺点：第一个是必须提前手动设置聚类数量，即需要目标数据结构的某些先验知识，这在实践中通常是未知的；第二个是由于FCM基于所有数据及其对应的隶属度来确定聚类中心，因此聚类中心的定位可能会在不同程度上受到噪声的影响。这些缺点会影响对交叉口中心的识别，因为道路结构最初是未知的，并且也存在噪声(即部分SG-PVD网格远离交叉口)。
为克服这些缺点，本发明提出以下方法，并将其与传统FCM相结合，来识别交叉口中心。为获得适当的聚类数(即交叉口数)，根据公式5计算不同聚类数条线下的DaviesBouldin (DB)聚类有效性指标，其中较小的DB指标表示更合适的聚类数。
其中DB(c)是具有c个类别的DB指标的值，对于类别i和j，Di和Dj表示聚类中心和属于该类别的SG-PVD单元之间的平均距离，Wij是类别i的中心与类别j的中心之间的距离；
为降低噪声，舍弃远离聚类中心的SG-PVD网格，用di表示SG-PVD网格与其最近的聚类中心i之间的距离，对于每个类别i，从其原始目标数据中去除与聚类中心的距离大于di的δ比例的SG-PVD网格；
值得注意的是，聚类中心可能不与交叉口中心严格一致，因为交叉口周围的SG-PVD网格可能分布不均匀；因此可进一步以聚类中心周围的SG-PVD网格作为子集，并将其聚类成几组，以便识别交叉口中心；
对于北京案例，C＝20，m＝1.5，ε＝0.00001，T＝5000，基于噪声大小不能超过每个类别数据量的15％的假设，将δ设置为0.85；图4显示了通过SG-PVD网格识别的交叉口中心对应的中心网格，两个放大交叉口分别标记为交叉口1和交叉口2。
●步骤S3中识别交叉口进口道，包括以下步骤：
S31、利用网格重构路网，具体为：
将包含浮动车数据的网格作为道路网络的一部分进行处理并重构路网，这种直接的方法会产生大量的噪声；
图5显示了城市道路网的重构的过程，图5(a)显示了路网及噪声；
为了改进网格网络，仅选用包含浮动车数据点的数目大于或等于浮动车数据阈值的网格并应用两种图像处理方法来修复网络中的空隙和支线；
对于北京案例，将浮动车数据阈值设为5，即可获得如图5(b)所示的改进网格网络；但是，从图5(b)的放大子图中可以看出，仍然存在空隙和支线；因此，本发明应用了两种图像处理方法来修复网络：第一种是填充空隙并显示图像的大部分，即，如果在某3×3的网格邻域中有5个或更多个网格被浮动车数据填充，则将该网格作为网络的一部分；否则，删除网格。这个操作可以通过Matlab中“bwmorph”功能的“majority”的操作实现；为了消除支线，第二种操作是将在3×3网格邻域内没有或只有一个网格被浮动车数据填充的网格去除，在Matlab中，功能为“bwmorph”，其操作为“spur”；
对于北京案例，图5(c)显示了图像处理结果，与图5(b)中的图像相比，大部分网络清晰，没有支线。
S32、确定交叉口进口道的外边界，具体为：采用一个中心位于交叉口中心的正方形，它定义了交叉口进口道的外边界，即我们考虑交叉口拥堵的最大范围，对于北京案例，将方形的边长设为150m，图6(a)所示的蓝色正方形表示各个交叉口的外边界。
S33、确定交叉口进口道的数量，对于北京案例，图7显示了一个随机选择的交叉口外边界的顺序网格，可以看出，浮动车数据网格以清晰的集群的形式存在，因此不难想象上述的聚类方法可以很好地识别进口道的数量，将交叉口进口道的阈值设置为5；
S34、确定交叉口进口道的内边界，对于北京案例，图6(a)所示的红色正方形表示各个交叉口的内边界；
S35、分离交叉口进口道，具体为：在一定数量的交叉口进口道的条件下，FCM聚类方法可以轻松地分离各个交叉口的进口道，对于北京案例，图6(b)中不同的颜色表示分离后的交叉口进口道；
S36、确定交叉口进口道间的位置关系；
S37、消除对应于高速公路的网格的影响，具体为：利用高速公路上的限速通常大于城市道路这一特点来识别高速公路网格，即仅使用速度大于城市道路限速的浮动车数据来填充网格并重构路网，从而识别对应于高速公路的网格；
对于北京案例，考虑到城市高速公路限速80km/h，城市道路限速60km/h，故选用速度大于60km/h的浮动车数据填充网格，重构路网后，识别了图9所示的北京案例中的高速公路。从图9可以看出，使用不同的极限值将导致不同的识别结果，由于高速公路的数量通常是非常有限的，所以不难看出，浮动车数据极限值为15时的结果是满足要求的。
其中，步骤S33中确定交叉口进口道的数量，包括以下步骤：
S41、顺序地(沿一个方向，顺时针或逆时针)检查外边界各个边缘上的网格；
S42、如果连续的空网格数大于极限值，则将前面所有未包含在集群中的浮动车数据网格看做一个集群；
S43、集群的数量即为对应交叉口的交叉口进口道数。
其中，步骤S34中确定交叉口进口道的内边界，包括以下步骤：
S51、将正方形的边长范围设置为1到外边界的大小；
S52、依次预测不同边长的正方形对应的交叉口进口道的数量；
S53、当该数量等于由外边界确定的交叉口进口道数量时，终止搜索并将该正方形的边长设置为内边界的大小。
其中，步骤S36中确定交叉口进口道间的位置关系，包括以下步骤：
S61、如图8所示，从每个交叉口进口道随机选择一个网格；
S62、计算连接网格与交叉口中心线的角度；
S63、将所有交叉口进口道按其对应的角度升序排列；
S64、确定交叉口进口道的关系，即相邻进口道中具有较大角度的为目标进口道的右侧进口道。
●步骤S4中识别车辆进入或离开交叉口的方法，如图10所示，包括以下步骤：
S71、首先，确定车辆的移动方向：通常，浮动车数据中包含方向；若没有，可以用主体浮动车数据点与其上一个或下一个浮动车数据点连线和主体浮动车数据点与交叉口中心连线之间的角度代替；
S72、确定主体浮动车数据点与其上一个或下一个浮动车数据点连线和主体浮动车数据点与交叉口中心连线之间的角度，并分别加减90°，若计算得的角度在180°范围内，则认为浮动车进入交叉口，否则认为该车离开交叉口。
●步骤S5中识别车辆的转弯方向，具体为：
首先确定浮动车数据点是否落入或穿过交叉口进口道，有如下两种方法：
直接方法：将浮动车数据点与网格匹配，如果网格属于主体交叉口进口道，则浮动车数据点落入交叉口进口道；
间接方法：线性计算浮动车数据点和交叉口中心之间的中间位置，并将其与网格匹配，如果网格属于主体交叉口进口道，则认为浮动车数据点通过交叉口进口道；有时，由于浮动车数据的采样率低，浮动车数据点可能跳过交叉口进口道，而实际上浮动车已通过交叉口进口道，如图11所示；
用以上方法预测进入交叉口的浮动车数据点下一时刻会出现在哪个交叉口进口道，如果下一个浮动车数据点属于与某一转向方向一致的交叉口进口道，并且没有浮动车数据点属于其他交叉口进口道，则表示车辆沿着该方向移动；
对于北京案例，中间点分别设置在交叉口中心到浮动车数据点距离的二分之一和四分之一处，以交叉口1和2为例，图12和13分别展示了识别不同转弯方向的车流；图13所示的交叉口2位于高速公路下方，因此从交叉口移除高速公路后，两个交叉口进口道分开；可以看出，大多数移动轨迹与我们预期的一致，少量的浮动车数据点明显地落在交叉口进口道之外，这可能是由浮动车数据错误或复杂的驾驶行为导致的。
●步骤S6中识别交叉口的拥堵，具体为：
选择沿主要转弯方向进入交叉口的所有浮动车数据点，并直接将其绘制在时空平面图中，同时，根据瞬时速度对浮动车数据点进行着色，着色的浮动车数据点表示浮动车以该颜色表示的速度出现在该位置；
若观察到低速并且远离交叉口的浮动车数据点，则可以预测交叉口在该转向方向上排队长度较长，由于浮动车只是路网中车辆的一小部分，所以浮动车数据点可能不在队列的末尾，但可以表明车队已经通过了该点所在位置；
对于北京案例，以交叉口1为例，图14显示了由图12转化的交通状况，为节省空间仅显示了左转和直行车流，因为右转交通通常不受控制因此不易产生拥堵；
在图14中可以清楚地看出，某一转弯方向以长队列的形式拥堵的大概时间。例如，图 14(a)，14(c)和14(g)表示长队列拥堵通常发生在分别从南进口、北进口和西进口(见图12(b)，12(e)和12(k))进入交叉路口1的直行车流；如图14(b)所示，左转交通拥堵偶尔在8:00am左右发生；如图14(d)所示，左转交通拥堵在8:00am左右发生；如图14(f)所示，左转交通拥堵在9:30am左右发生；如图14(h)所示，左转交通拥堵在11:00am 左右发生。(参见图12(c)，12(f)，12(i)和12(l))。
以上所述的实施例为本发明的最佳实施例，但并非用以限制本发明。在不背离本发明原理的情况下，熟悉本领域的技术人员可根据本发明做出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所属的权利要求范围之内。
参考文献
[1]Davies,J.J.,Beresford,A.R.,Hopper,A.,2006.Scalable,distributed,real-time map generation. IEEE Pervasive Computing 5,47–54.
[2]Biagioni,J.,Eriksson,J.,2012.Inferring Road Maps from GPS Traces:Survey and Comparitive Evaluation.91st Annual Meeting of the TransportationResearch Board,1–21.
[3]Cao,L.,Krumm,J.,2009.From GPS Traces to a Routable RoadMap.Proceedings of the 17th ACM SIGSPATIAL International Conference onAdvances in Geographic Information Systems 52, 3–12.
[4]Stefan Edelkamp,Stefan Schrodl,2003.Route Planning and MapInference with Global Positioning Traces.Computer Science in Perspective,128–151.
[5]Fathi,A.,Krumm,J.,2010.Detecting road intersections from GPStraces.Lecture Notes in Computer Science,56–69.
[6]Wu,J.,Zhu,Y.,Ku,T.,Wang,L.,2013.Detecting road intersections fromcoarse-gained GPS traces based on clustering.Journal of Computers 8,2959–2965.

Claims (8)

1.一种基于浮动车数据网格映射的城市路网交叉口拥堵识别方法，其特征在于，包括以下步骤：
(1)采用边长大致等于车道宽度的均匀正方形网格来划分城市区域，然后运用算术基本运算将浮动车数据映射到网格；
(2)确定交叉口的位置并识别交叉口中心，具体包括以下步骤：
(21)首先设定最大集群数C，模糊因子m，终止条件ε和最大迭代次数T；
(22)将集群数从2到C的DB索引值最小的确定为最优集群数c*；
(23)将FCM应用于带有c*个集群的原始目标数据，并求得集群中心V＝{vi,i＝1，2，...c*}和隶属度U＝{uki,i＝1，2，...c*；k＝1，2，...n}；
(24)根据δ去除远离集群中心的噪声；
(25)去除噪声之后，将FCM应用于新数据集，更新集群中心V＝{vi,i＝1，2，...c*}和隶属度U’＝{uki，i＝1，2，...c*；k＝1，2，...n’}，其中n’是去除噪声后的网格数量；
(26)对于每个集群的子集，用DB索引确定每个集群的子集数量；
(27)在子集中应用FCM，并求得每个集群的子集中心；
(28)每个集群的子集中心的中值即为交叉口中心；
(3)识别交叉口进口道；
(4)识别车辆进入或离开交叉口；
(5)识别车辆的转弯方向；
(6)识别交叉口的拥堵。
2.根据权利要求1所述的基于浮动车数据网格映射(M2C)的城市路网交叉口拥堵识别方法，步骤(3)中识别交叉口进口道，包括以下步骤:
(31)利用网格重构路网，具体为：将包含浮动车数据的网格作为道路网络进行处理并重构路网；
(32)确定交叉口进口道的外边界,具体为：采用一个中心位于交叉口中心的正方形，它定义了交叉口进口道的外边界；
(33)确定交叉口进口道的数量；
(34)确定交叉口进口道的内边界；
(35)分离交叉口进口道,具体为：在预设数量的交叉口进口道的条件下，采用FCM集群方法分离各个交叉口的进口道；
(36)确定交叉口进口道间的位置关系；
(37)使用速度大于城市道路限速的浮动车数据来填充网格并重构路网，识别对应于高速公路的网格。
3.根据权利要求2所述的识别交叉口进口道，步骤(33)中确定交叉口进口道的数量，包括以下步骤：
(41)顺序地检查外边界各个边缘上的网格；
(42)如果连续的空网格数大于极限值，则将前面所有未包含在集群中的浮动车数据网格看做一个集群；
(43)集群的数量即为对应交叉口的交叉口进口道数。
4.根据权利要求2所述的识别交叉口进口道，步骤(34)中确定交叉口进口道的内边界，包括以下步骤：
(51)将正方形的边长范围设置为1到外边界的大小；
(52)依次预测不同边长的正方形对应的交叉口进口道的数量；
(53)当该数量等于由外边界确定的交叉口进口道数量时，终止搜索并将该正方形的边长为内边界的大小。
5.根据权利要求2所述的识别交叉口进口道，步骤(36)中确定交叉口进口道间的位置关系，包括以下步骤：
(61)从每个交叉口进口道随机选择一个网格；
(62)计算连接网格与交叉口中心线的角度；
(63)将所有交叉口进口道按其对应的角度升序排列；
(64)确定交叉口进口道的关系，即相邻进口道中具有较大角度的为目标进口道的右侧进口道。
6.根据权利要求1所述的基于浮动车数据网格映射(M2C)的城市路网交叉口拥堵识别方法，步骤(4)中识别车辆进入或离开交叉口，包括以下步骤:
(71)首先，确定车辆的移动方向；
(72)确定主体浮动车数据点与其上一个或下一个浮动车数据点连线和主体浮动车数据点与交叉口中心连线之间的角度，并分别加减90°，若计算得的角度在180°范围内，则认为浮动车进入交叉口，否则认为该车离开交叉口。
7.根据权利要求1所述的基于浮动车数据网格映射(M2C)的城市路网交叉口拥堵识别方法，步骤(5)中识别车辆的转弯方向，具体为:
首先确定浮动车数据点是否落入或穿过交叉口进口道，有如下两种方法：
直接方法：将浮动车数据点与网格匹配，如果网格属于主体交叉口进口道，则浮动车数据点落入交叉口进口道；
间接方法：线性计算浮动车数据点和交叉口中心之间的中间位置，并将其与网格匹配，如果网格属于主体交叉口进口道，则认为浮动车数据点通过交叉口进口道；
采用以上方法预测那些进入交叉口的浮动车数据点下一时刻会出现在哪个交叉口进口道，如果下一个浮动车数据点属于与某一转向方向一致的交叉口进口道，并且没有浮动车数据点属于其他交叉口进口道，则表示车辆沿着该方向移动。
8.根据权利要求1所述的基于浮动车数据网格映射(M2C)的城市路网交叉口拥堵识别方法，步骤(6)中识别交叉口的拥堵，具体为:
选择沿主要转弯方向进入交叉口的所有浮动车数据点，并直接将其绘制在时空平面图中，同时，根据瞬时速度对浮动车数据点进行着色，着色的浮动车数据点表示浮动车以该颜色表示的速度出现在该位置；
若观察到低速并且远离交叉口的浮动车数据点，则可以预测交叉口在该转向方向上排队长度较长，浮动车数据点可能不在队列的末尾，但可以表明车队已经通过了该点所在位置。
CN201810484715.7A 2018-05-20 2018-05-20 基于浮动车数据网格映射的城市路网交叉口拥堵识别方法 Active CN109035758B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810484715.7A CN109035758B (zh) 2018-05-20 2018-05-20 基于浮动车数据网格映射的城市路网交叉口拥堵识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810484715.7A CN109035758B (zh) 2018-05-20 2018-05-20 基于浮动车数据网格映射的城市路网交叉口拥堵识别方法

Publications (2)

Publication Number Publication Date
CN109035758A true CN109035758A (zh) 2018-12-18
CN109035758B CN109035758B (zh) 2021-01-15

Family

ID=64611823

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810484715.7A Active CN109035758B (zh) 2018-05-20 2018-05-20 基于浮动车数据网格映射的城市路网交叉口拥堵识别方法

Country Status (1)

Country Link
CN (1) CN109035758B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110415517A (zh) * 2019-07-15 2019-11-05 中国地质大学（北京） 一种基于车辆行驶轨迹的道路拥堵精准预警系统及方法
CN113380032A (zh) * 2021-06-09 2021-09-10 重庆大学 一种基于层次聚类法的高速公路拥堵判断方法及装置
CN114283144A (zh) * 2022-03-06 2022-04-05 山东金有粮脱皮制粉设备有限公司 基于图像识别的玉米芯粉碎机稳定运行的智能控制方法
CN116206443A (zh) * 2023-02-03 2023-06-02 重庆邮电大学 一种基于时空路网像素化表示的交通流量数据插补方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101794507A (zh) * 2009-07-13 2010-08-04 北京工业大学 基于浮动车数据的宏观路网交通状态评价方法
CN103000027A (zh) * 2012-12-19 2013-03-27 安徽科力信息产业有限责任公司 基于浮动车在拥堵状态下的智能交通诱导方法
CN103680158A (zh) * 2013-10-14 2014-03-26 长沙理工大学 基于c-均值模糊聚类分析的控制子区动态划分方法
CN103927873A (zh) * 2014-04-28 2014-07-16 中国航天系统工程有限公司 浮动车与路段匹配方法及并行获取实时路况的方法
CN104317583A (zh) * 2014-10-21 2015-01-28 合肥星服信息科技有限责任公司 基于网格原理的道路拥堵优化算法
CN106846816A (zh) * 2017-04-12 2017-06-13 山东理工大学 一种基于深度学习的离散化交通状态判别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101794507A (zh) * 2009-07-13 2010-08-04 北京工业大学 基于浮动车数据的宏观路网交通状态评价方法
CN103000027A (zh) * 2012-12-19 2013-03-27 安徽科力信息产业有限责任公司 基于浮动车在拥堵状态下的智能交通诱导方法
CN103680158A (zh) * 2013-10-14 2014-03-26 长沙理工大学 基于c-均值模糊聚类分析的控制子区动态划分方法
CN103927873A (zh) * 2014-04-28 2014-07-16 中国航天系统工程有限公司 浮动车与路段匹配方法及并行获取实时路况的方法
CN104317583A (zh) * 2014-10-21 2015-01-28 合肥星服信息科技有限责任公司 基于网格原理的道路拥堵优化算法
CN106846816A (zh) * 2017-04-12 2017-06-13 山东理工大学 一种基于深度学习的离散化交通状态判别方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110415517A (zh) * 2019-07-15 2019-11-05 中国地质大学（北京） 一种基于车辆行驶轨迹的道路拥堵精准预警系统及方法
CN113380032A (zh) * 2021-06-09 2021-09-10 重庆大学 一种基于层次聚类法的高速公路拥堵判断方法及装置
CN114283144A (zh) * 2022-03-06 2022-04-05 山东金有粮脱皮制粉设备有限公司 基于图像识别的玉米芯粉碎机稳定运行的智能控制方法
CN114283144B (zh) * 2022-03-06 2022-05-17 山东金有粮脱皮制粉设备有限公司 基于图像识别的玉米芯粉碎机稳定运行的智能控制方法
CN116206443A (zh) * 2023-02-03 2023-06-02 重庆邮电大学 一种基于时空路网像素化表示的交通流量数据插补方法
CN116206443B (zh) * 2023-02-03 2023-12-15 重庆邮电大学 一种基于时空路网像素化表示的交通流量数据插补方法

Also Published As

Publication number Publication date
CN109035758B (zh) 2021-01-15

Similar Documents

Publication Publication Date Title
CN109035758A (zh) 基于浮动车数据网格映射的城市路网交叉口拥堵识别方法
CN107016851B (zh) 一种量化分析城市建成环境对道路行程时间影响的方法
CN108550279B (zh) 基于机器学习的车辆驾驶行为预测方法
CN109544932B (zh) 一种基于出租车gps数据与卡口数据融合的城市路网流量估计方法
Zhao et al. Truck traffic speed prediction under non-recurrent congestion: Based on optimized deep learning algorithms and GPS data
He et al. Network-wide identification of turn-level intersection congestion using only low-frequency probe vehicle data
Zhan et al. Citywide traffic volume estimation using trajectory data
CN105788273B (zh) 基于低精度时空轨迹数据的城市交叉口自动识别的方法
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
CN104330089B (zh) 一种利用历史gps数据进行地图匹配的方法
Fang et al. FTPG: A fine-grained traffic prediction method with graph attention network using big trace data
CN107330217B (zh) 一种基于rbfnn的中观油耗预测方法
CN106856049B (zh) 基于卡口号牌识别数据的关键交叉口需求集聚分析方法
CN108961758B (zh) 一种基于梯度提升决策树的路口展宽车道探测方法
CN106228808A (zh) 基于浮动车时空网格数据的城市快速路旅行时间预测方法
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
CN103839409A (zh) 基于多断面视觉传感聚类分析的交通流状态判别方法
Yang et al. Identifying intercity freight trip ends of heavy trucks from GPS data
CN106097717A (zh) 基于两类浮动车数据融合的信号交叉口平均通行时间估计方法
CN104900057A (zh) 一种城市快速路主辅道的浮动车地图匹配方法
CN108765961A (zh) 一种基于改进型限幅平均滤波的浮动车数据处理方法
CN109598930A (zh) 一种自动检测高架封闭系统
CN105070073A (zh) 一种基于地磁的区域自优化信号控制方法及装置
Kumar et al. Study on road traffic congestion: A review
CN104966403A (zh) 一种基于地磁的干线自优化信号控制方法及装置

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