CN109166317B - 基于状态特征的城市交通路径通过时间确定方法 - Google Patents

基于状态特征的城市交通路径通过时间确定方法 Download PDF

Info

Publication number
CN109166317B
CN109166317B CN201811267985.9A CN201811267985A CN109166317B CN 109166317 B CN109166317 B CN 109166317B CN 201811267985 A CN201811267985 A CN 201811267985A CN 109166317 B CN109166317 B CN 109166317B
Authority
CN
China
Prior art keywords
vehicle
speed
time
points
point
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
CN201811267985.9A
Other languages
English (en)
Other versions
CN109166317A (zh
Inventor
刘美玲
金楠森
谷欣然
韩雨彤
王东
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.)
Northeast Forestry University
Original Assignee
Northeast Forestry University
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 Northeast Forestry University filed Critical Northeast Forestry University
Priority to CN201811267985.9A priority Critical patent/CN109166317B/zh
Publication of CN109166317A publication Critical patent/CN109166317A/zh
Application granted granted Critical
Publication of CN109166317B publication Critical patent/CN109166317B/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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Chemical & Material Sciences (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Traffic Control Systems (AREA)

Abstract

基于状态特征的城市交通路径通过时间确定方法，涉及交通技术领域。为了解决现有路段行程时间确定方法存在准确度较低的问题，本发明基于采集车辆GPS轨迹数据，计算相邻轨迹点间的直角坐标系上的距离和均值速度；然后结合车辆载客情况和行驶速度，调整设置合适的卷积模板，建立双参卷积理论速度模型；将数据集中的路段分为不同子路段，预测不同始终点车辆的通行时间T′；同时，计算起点所在路段相同和终点所在路段相同的所有车辆各自的行驶时间总和的平均值
Figure DDA0001845337380000012
最后根据修正因子
Figure DDA0001845337380000011
对每辆车车辆的通行时间进行修正；并根据修的车辆通行时间T′修作为城市交通路径的通行时间确定结果。本发明适用于交通路径通过时间的确定。

Description

基于状态特征的城市交通路径通过时间确定方法
技术领域
本发明涉及交通技术领域，具体涉及一种交通路径通过时间确定方法。
背景技术
随着我国整体道路运输的高速发展，机动车增速过快，交通拥堵已经成为一大“顽疾”，如何缓解交通拥堵问题迫在眉睫。
在目前的交通中，人们无法掌握出行路段的实际情况，不能合理的选择出行方式和安排出行时间，导致某时间段内人车流密度膨胀，是造成交通拥堵的一大成因，要想解决拥堵问题，首先要对活动人口和车流进行有效处理。出行前预估行程中的通过时间便于人们更合理的规划出行路径，基于时间状态特征的路径规划也是解决交通问题的重要手段之一。同时各路段的行程时间和路口等待的车辆数量也是严重影响交通的一个重要因素。所以能否准确的预测道路的通行时间和对于交通的出行以及防止路口通行导致的拥堵具有很重要的意义。
现有研究中涉及到出行时间预测方法很多，这些方法不仅可以提供短距行程时间预测，还能够依据一系列影响因素得到长距的预测结果，但传统时间预测方法的准确度较低，模型实用性不强，难以对出行进行更科学和有效的指导。现有模型多关注于车辆达到时间或多数结合于真实完整的历史通行时间数据进行预测，对浮动车的运行状态、车速等是否对时间存在影响等问题研究较少，尤其是没有考虑如何根据是否载客为出租车提供更有效的通行时间。时间预测看重的主要就是准确度和实效性，现有的研究在智慧交通预测时间方向已经取得了一定的成果，但是由于非传感器记录的车辆信息中变量较少及它的不确定性等因素，预测通行时间的研究方法并不能很好的得到所需要的结果。
发明内容
本发明为了解决现有路段行程时间确定方法存在准确度较低的问题。
基于状态特征的城市交通路径通过时间确定方法，包括以下步骤：
步骤一、采集车辆GPS轨迹数据，对数据集进行筛选清洗；所述GPS轨迹数据包括车辆对应的经纬度数据、时间数据和载客状态数据；
步骤二、针对每辆车，计算相邻轨迹点间的直角坐标系上的距离和均值速度；
步骤三、结合车辆载客情况和行驶速度，调整设置合适的卷积模板，建立双参卷积理论速度模型；
步骤四、将数据集中的路段分为不同子路段，预测不同始终点车辆的通行时间T′；同时，计算起点所在路段相同和终点所在路段相同的所有车辆各自的行驶时间总和的平均值
Figure GDA0002384258540000021
步骤五、最后根据修正因子
Figure GDA0002384258540000022
对每辆车的通行时间T′进行修正；并将修正的车辆通行时间T′修作为城市交通路径的通行时间确定结果。
进一步地，步骤五所述的根据修正因子
Figure GDA0002384258540000023
对每辆车的通行时间T′进行修正的过程如下：
最后根据修正因子
Figure GDA0002384258540000024
对每辆车通过整条路的时间T′进行修正：
Figure GDA0002384258540000025
其中，
Figure GDA0002384258540000026
表示对
Figure GDA0002384258540000027
向上取整；T修′为修改正后的车辆的行驶时间；n为这辆车通过这段路时被记录的轨迹点的个数。
进一步地，步骤二所述针对每辆车，计算相邻轨迹点间的直角坐标系上的距离和均值速度的过程如下：
计算相邻轨迹点间的直角坐标系上的距离：
将数据集中的轨迹点的经纬度数据转换为直角坐标系数据，将处理后的轨迹点的数据设置为矩阵：
P＝[p0 p1 … pΔ … pn′]T
pΔ＝(numΔ,xΔ,yΔ,TΔ,cΔ)
其中，pΔ表示轨迹点对应的数据，Δ表示轨迹点的序号，n′为轨迹点总数；numΔ为车辆ID，xΔ为直角坐标系下的横坐标，yΔ直角坐标系下的纵坐标，TΔ为对应的时间，cΔ为车辆的载客状态；
将矩阵P按照车辆的ID信息进行表示
Figure GDA0002384258540000031
pi,j＝(numi,j,xi,j,yi,j,Ti,j,ci,j)
其中，角标i,j中的i表示第i辆车，i＝1，2，...,n″，n″为车辆数量；角标i,j中的j表示第i车对应的第j个轨迹点；
计算前一个轨迹点和后一个轨迹点的距离：
Figure GDA0002384258540000032
计算相邻轨迹点间基础均值速度：
第i辆车的第j和j-1个轨迹之间的间隔时间为T′i,j＝Ti,j-Ti,j-1；
规定当Tij′＞15时，将对应的距离数据舍去；当0≤Tij′≤15时，保留对应的距离数据；根据每辆车相邻的两个轨迹点间的相关数据，计算均值速度：
Figure GDA0002384258540000033
Vi(numi,j-1,numi,j)为第i辆车的第j-1和j个轨迹点间的均值速度；
将计算的均值速度作为基础均值速度，构成速度数据集。
进一步地，步骤三所述的结合车辆载客情况和行驶速度，调整设置合适的卷积模板，建立双参卷积理论速度模型的过程如下：
步骤1、将基础均值速度对应的速度数据集中的车辆行驶速度分为载客与不载客时的两种情况，分别根据载客和不载客的基础均值速度建立速度矩阵z，
Figure GDA0002384258540000034
矩阵中的zij的值为轨迹点的基础均值速度，针对根据载客或不载客的基础均值速度，按行优先填入载客或不载客对应的速度矩阵z；分别基于载客、不载客对应的速度矩阵z进行处理；
设矩阵中共有m个速度值，则矩阵大小n的取值规则为：
Figure GDA0002384258540000041
当m＜9时不足以构成3×3的矩阵，就在m个数据中随机抽取数据，补充为3×3的矩阵；其他情况不能构成相应矩阵的情况，采用相同的方法，补充为n×n的矩阵；
n的上限为7，若m＞49，则采用分治法，将前49个速度值分为一组，剩余速度根据取值规则再进行矩阵的确定；
n的值确定后，设置c×c的卷积核模板A，根据c和矩阵的大小n，将速度矩阵z分为不同的q个c×c的矩阵序列Xa，然后分别进行中值滤波运算，每个矩阵序列得到一个输出值Pa，计算A中元素的值
Figure GDA0002384258540000042
得到q个c×c的卷积核模板A；
将每个Xa和对应的A进行卷积运算，得到q个计算结果x；
由q个x构成新的c×c的矩阵序列X*，设置一个新的卷积核模板
Figure GDA0002384258540000043
用矩阵序列X*和模板A*进行卷积运算，得到最终的理论均值速度V。
进一步地，步骤四所述的将数据集中的路段分为不同子路段，预测不同始终点车辆的通行时间T′；同时，计算起点所在路段相同和终点所在路段相同的所有车辆各自的行驶时间总和的平均值
Figure GDA0002384258540000044
的具体过程如下：
将数据集中的一条路段进行轨迹分割，分为上、中、下游三段，并分别对三段道路上的车辆进行速度计算，分别得到载客时的理论均值速度VZ1、VZ2、VZ3和不载客时的理论均值速度VnZ1、VnZ2、VnZ3；
分别针对载客时、不载客时的数据预测交通路径的通过时间，对载客时、不载客时的预测过程相同，以载客时为例的交通路径的通过时间预测过程如下：
数据集中的一条路段分为三段，对每段路的中心点进行标记，分别为a、b、c；
以a、b、c为分界点，将所述的一条路段标记为四段：L1、L2、L3、L4；对于L1路段的速度，用a点的速度VZ1代替，用路程与速度的比值得到通过L1路段的时间T1；
采用相同的方法得到通过L4的时间T4：对于L4路段的速度，用c点的速度VZ3代替，用路程与速度的比值得到通过L4路段的时间T4；
对于L2路段，根据公式(9)求得加速度a1，
VZ2 2-VZ1 2＝2a1L2 (9)
由根据公式(10)计算通过L2的时间为T2，
VZ2＝VZ1+a1T2 (10)
对于L3路段，采用相同的方法先求得加速度a2，
VZ3 2-VZ2 2＝2a2L3
计算VZ3＝VZ2+a2T3，再计算通过L3的时间T3；
针对于每辆车的起始点和终点确定车辆经过的路段，并分别通过a、b、c点将车辆的行驶路程进行分段，分段后的路程落分别在L1、L2、L3、L4中的一个或者多个段内；
然后依据a、b、c点的速度和L2路段的加速度a1、L3路段的加速度a2分别计算车辆路程分段后落分别在L1、L2、L3、L4中对应的行驶时间。
进一步地，所述依据a、b、c点的速度和L2路段的加速度a1、L3路段的加速度a2分别计算车辆路程分段后落分别在L1、L2、L3、L4中对应的行驶时间的过程如下：
(a)如果车辆的路程仅在L1、L2、L3或L4中，利用
Figure GDA0002384258540000051
计算行驶时间T′，α＝1、2、3、4，L′α为车辆的路程在Lα中的实际路程；
同时，计算起点所在路段相同和终点所在路段相同的所有车辆各自的行驶时间总和的平均值
Figure GDA0002384258540000052
(b)如果车辆的起始点和终点分别落在L1、L2、L3和L4中相邻的两段内，利用相邻的两段的分段点作为基准点，分别根据基准点和分段内对应的速度关系以及速度距离关系计算各分段内的行驶时间，并将两段行驶的时间作为该车辆的总的行驶时间T′；
同时，计算起点所在路段相同和终点所在路段相同的所有车辆各自的行驶时间总和的平均值
Figure GDA0002384258540000053
(c)如果车辆的起始点和终点分别落在L1、L2、L3、L4相邻三段的两侧的两段内，利用相邻的三段中的两个分段点作为基准点，分别根据基准点和分段内对应的速度关系以及速度距离关系计算三段中第一段和第三段分段内的行驶时间，其中相邻的三段中的第二段是完整经过，直接使用T2或T3，并将三段行驶的时间作为该车辆的总的行驶时间T′；
同时，计算起点所在路段相同和终点所在路段相同的所有车辆各自的行驶时间总和的平均值
Figure GDA0002384258540000061
(d)如果车辆的起始点和终点分别落在L1、L4内，利用三个分段点作为基准点，分别根据基准点和分段内对应的速度关系以及速度距离关系计算四段中第一段和第四段分段内的行驶时间，中间相邻两段是完整经过，直接使用T2和T3，并将四段行驶的时间作为该车辆的总的行驶时间T′；
同时，计算起点所在路段相同和终点所在路段相同的所有车辆各自的行驶时间总和的平均值
Figure GDA0002384258540000062
(e)如果车辆的起始点和终点分别落在L1的端点和L4内，或者分别落在L1内和L4端点，四段中的三段为完成经过直接使用三段对应的经过时间；一段未完整经过，针对为完成经过的路段，将车辆经过的分段点a点或c点作为基准点，根据基准点和分段内对应的速度关系以及速度距离关系计算第一段或第四段分段内的行驶时间，并将四段行驶的时间作为该车辆的总的行驶时间T′；
同时，计算起点所在路段相同和终点所在路段相同的所有车辆各自的行驶时间总和的平均值
Figure GDA0002384258540000063
(f)如果车辆经过整条路，行驶时间T′＝T1+T2+T3+T4；
同时，计算起点所在路段相同和终点所在路段相同的所有车辆各自的行驶时间总和的平均值
Figure GDA0002384258540000064
本发明具有以下效果：
现有的城市交通路径通过时间确定方法与真实时间差距相差极大，几乎不能对城市交通路径通过时间进行确定，而本发明得到车辆通过某段路的时间与真实时间之间的绝对百分比达到了80％以上，相比现有方法，准确度得到了有效的提高，充分证明本发明实验的方法有较高的准确性，可用性。依据本本发明能够给交通控制或通过有效的数据支撑，能够实现给予交通控制有效的数据支撑，或者能够给予车辆通过某段路的交通提示，进而提高通过效率，而且也能够有效的提高交通控制的有序程度。
附图说明
图1为起点和终点分别落在L2、L3的分段示意图；
图2为起点和终点分别落在L2、L4的分段示意图；
图3为起点和终点分别落在L1、L4的分段示意图；
图4为实施例中为去除均值速度中的异常突变值对应的箱线图。
具体实施方式
具体实施方式一：
基于状态特征的城市交通路径通过时间确定方法，包括以下步骤：
步骤一、采集车辆GPS轨迹数据，对数据集中重复、不稳定等的数据进行筛选清洗；所述GPS轨迹数据包括车辆对应的经纬度数据、时间数据和载客状态数据；
步骤二、针对每辆车，计算相邻轨迹点间的直角坐标系上的距离和均值速度；
计算相邻轨迹点间的直角坐标系上的距离：
将数据集中的轨迹点的经纬度数据转换为直角坐标系数据，将处理后的轨迹点的数据设置为矩阵：
P＝[p0 p1 … pΔ … pn′]T
pΔ＝(numΔ,xΔ,yΔ,TΔ,cΔ)
其中，pΔ表示轨迹点对应的数据，Δ表示轨迹点的序号，n′为轨迹点总数；numΔ为车辆ID，xΔ为直角坐标系下的横坐标，yΔ直角坐标系下的纵坐标，TΔ为对应的时间，cΔ为车辆的载客状态；
将矩阵P按照车辆的ID信息进行表示
Figure GDA0002384258540000072
pi,j＝(numi,j,xi,j,yi,j,Ti,j,ci,j)
其中，角标i,j中的i表示第i辆车，i＝1，2，...,n″，n″为车辆数量；角标i,j中的j表示第i车对应的第j个轨迹点；
计算前一个轨迹点和后一个轨迹点的距离：
Figure GDA0002384258540000071
计算相邻轨迹点间基础均值速度：
第i辆车的第j和j-1个轨迹之间的间隔时间为T′i,j＝Ti,j-Ti,j-1；
由于公式(1)只适用于计算直线距离，为了避免发生车辆转弯等情况，本发明利用数据验证设计了时间间隔计算规定，规定当Tij′＞15时，将对应的距离数据舍去；当0≤Tij′≤15时，保留对应的距离数据；为了计算简便，将所选用的数据集中的车辆以车辆ID为主要关键字，每一辆车的行驶时间为次要关键字，进行升序排序；然后根据每辆车相邻的两个轨迹点间的相关数据，由公式(2)计算均值速度：
Figure GDA0002384258540000081
Vi(numi,j-1,numi,j)为第i辆车的第j-1和j个轨迹点间的均值速度；将计算的均值速度作为基础均值速度，构成速度数据集。
步骤三、结合车辆载客情况和行驶速度，调整设置合适的卷积模板，建立双参卷积理论速度模型；过程如下：
步骤1、将基础均值速度对应的速度数据集中的车辆行驶速度分为载客与不载客时的两种情况，分别根据载客和不载客的基础均值速度建立速度矩阵z，
Figure GDA0002384258540000082
矩阵中的zij的值为轨迹点的基础均值速度，针对根据载客或不载客的基础均值速度，按行优先填入载客或不载客对应的速度矩阵z；分别基于载客、不载客对应的速度矩阵z进行处理；
速度矩阵的行列大小由车辆数决定；设矩阵中共有m个速度值，则矩阵大小n的取值规则为：
Figure GDA0002384258540000083
当m＜9时不足以构成3×3的矩阵，就在m个数据中随机抽取数据，补充为3×3的矩阵；其他情况不能构成相应矩阵的情况，采用相同的方法，补充为n×n的矩阵；
n的上限为7，若m＞49，则采用分治法，将前49个速度值分为一组，剩余速度根据取值规则再进行矩阵的确定；例如由100个速度值，先分为49个(7*7的矩阵)，将剩余51个再按照上述规则进行矩阵划分，即再分为49个(7*7的矩阵)，将剩余2个再按照上述规则进行矩阵划分，即不足以构成3×3的矩阵，就随机抽取数据，补充为3×3的矩阵；
n的值确定后，设置c×c的卷积核模板A，根据c和矩阵的大小n，将速度矩阵z分为不同的q个c×c的矩阵序列Xa，然后分别进行中值滤波运算，每个矩阵序列可以得到一个输出值Pa，计算A中元素的值
Figure GDA0002384258540000091
得到q个c×c的卷积核模板A；
将每个Xa和对应的A进行卷积运算，得到q个计算结果x；即根据卷积运算原理，从左到右，从上到下依次进行运算，每一个位置对应的Xa分别与模板A卷积，得到q个计算结果x；
由q个x构成新的c×c的矩阵序列X*，设置一个新的卷积核模板
Figure GDA0002384258540000092
卷积核模板不会太大，最多就是4或5；经过试验验证，3*3的模板对本方案来说，适用于大部分情况，实验结果最好，且计算比较简便；用矩阵序列X*和模板A*进行卷积运算，得到最终的理论均值速度V；
步骤四、将数据集中的路段分为不同子路段，利用速度-加速度模型预测不同始终点车辆的通行时间：
将数据集中的一条路段进行轨迹分割，分为上、中、下游三段，并分别对三段道路上的车辆进行速度计算，分别得到载客时的理论均值速度VZ1、VZ2、VZ3和不载客时的理论均值速度VnZ1、VnZ2、VnZ3；
分别针对载客时、不载客时的数据预测交通路径的通过时间，对载客时、不载客时的预测过程相同，以载客时为例的交通路径的通过时间预测过程如下：
数据集中的一条路段分为三段，为了更好的预测通行时间，对每段路的中心点进行标记，分别为a、b、c；令路段中心点a、b、c的速度为已知的载客(不载客)理论均值速度VZ1、VZ2、VZ3(VnZ1、VnZ2、VnZ3)，根据车辆行驶的情况，如果单一用平均速度来计算时间，误差较大，因此本发明使用了速度-加速度方法：
以a、b、c为分界点，将所述的一条路段标记为四段：L1、L2、L3、L4，如图1至图3所示；对于L1路段的速度，用a点的速度VZ1代替，用路程与速度的比值得到通过L1路段的时间T1；
采用相同的方法得到通过L4的时间T4：对于L4路段的速度，用c点的速度VZ3代替，用路程与速度的比值得到通过L4路段的时间T4；
对于L2路段，根据公式(9)求得加速度a1，
VZ2 2-VZ1 2＝2a1L2 (9)
由根据公式(10)计算通过L2的时间为T2，
VZ2＝VZ1+a1T2 (10)
对于L3路段，采用相同的方法先求得加速度a2，
VZ3 2-VZ2 2＝2a2L3
计算VZ3＝VZ2+a2T3，再计算通过L3的时间T3；
针对于每辆车的起始点和终点确定车辆经过的路段，并分别通过a、b、c点将车辆的行驶路程进行分段，分段后的路程落分别在L1、L2、L3、L4中的一个或者多个段内；
车辆的始末点之间的距离落在某个区间的情况，包括：
起点在L1路段，终点在L1路段；起点在L1路段，终点在L2路段；起点在L1路段，终点在L3路段；起点在L1路段，终点在L4路段；
起点在L2路段，终点在L1路段；起点在L2路段，终点在L2路段；起点在L2路段，终点在L3路段；起点在L2路段，终点在L4路段；
起点在L3路段，终点在L1路段；起点在L3路段，终点在L2路段；起点在L3路段，终点在L3路段；起点在L3路段，终点在L4路段；
起点在L4路段，终点在L1路段；起点在L4路段，终点在L2路段；起点在L4路段，终点在L3路段；起点在L4路段，终点在L4路段；
然后依据a、b、c点的速度和L2路段的加速度a1、L3路段的加速度a2分别计算车辆路程分段后落分别在L1、L2、L3、L4中对应的行驶时间：
(a)如果车辆的路程仅在L1、L2、L3或L4中，利用
Figure GDA0002384258540000101
计算行驶时间T′，α＝1、2、3、4，L′α为车辆的路程在Lα中的实际路程；
同时，计算起点所在路段相同和终点所在路段相同的所有车辆各自的行驶时间总和的平均值
Figure GDA0002384258540000102
(b)如果车辆的起始点和终点分别落在L1、L2、L3和L4中相邻的两段内，利用相邻的两段的分段点作为基准点，分别根据基准点和分段内对应的速度关系以及速度距离关系计算各分段内的行驶时间，并将两段行驶的时间作为该车辆的总的行驶时间T′；
起始点和终点分别落在L1、L2(或L2、L1，计算时间的方法相同)，a点为分段点；起始点和终点分别落在L2、L3(或L3、L2，计算时间的方法相同)，b点为分段点；起始点和终点分别落在L3、L4(或L4、L3，计算时间的方法相同)，c点为分段点；
以起始点和终点分别落在L1、L2，a点为分段点为例，进行说明：
针对车辆在L1段行驶时，用路程与速度的比值得到通过L1路段的时间T1′；针对车辆在L2段行驶时，终点的速度为VZe，a点的速度为VZ1，根据VZe 2-VZ1 2＝2aeL2′和VZe＝VZ1+aeT2′求得T2′；T′＝T1′+T2′；实际上，就是用上面L1、L2、L3、L4内的对应的时间确定相同的方式确定对应时间，也就是落在哪个区间，就用哪个区间对应的时间确定方式确定。
同理，也可以求得其他起始点、终点对应的行驶时间T′；
同时，计算起点所在路段相同和终点所在路段相同的所有车辆各自的行驶时间总和的平均值
Figure GDA0002384258540000111
(c)如果车辆的起始点和终点分别落在L1、L2、L3、L4相邻三段的两侧的两段内，利用相邻的三段中的两个分段点作为基准点，分别根据基准点和分段内对应的速度关系以及速度距离关系计算三段中第一段和第三段分段内的行驶时间，其中相邻的三段中的第二段(中间段)是完整经过，直接使用T2或T3，并将三段行驶的时间作为该车辆的总的行驶时间T′；
起始点和终点分别落在L1、L3(或L3、L1，计算时间的方法相同)，a点、b点为分段点；起始点和终点分别落在L2、L4(或L4、L2，计算时间的方法相同)，b点、c点为分段点；
以起始点和终点分别落在L1、L3，a点、b点为分段点为例，进行说明：
针对车辆在L1段行驶时，用路程与速度的比值得到通过L1路段的时间T1′；针对车辆在L3段行驶时，终点的速度为VZe，b点的速度为VZ2，根据VZe 2-VZ2 2＝2aeL2′和VZe＝VZ2+aeT3′求得T3′；车辆在L2段行驶为全程通过，直接利用时间数据T2；T′＝T1′+T2+T3′；
同理，也可以求得其他起始点、终点对应的行驶时间T′；
同时，计算起点所在路段相同和终点所在路段相同的所有车辆各自的行驶时间总和的平均值
Figure GDA0002384258540000112
(d)如果车辆的起始点和终点分别落在L1、L4内，利用三个分段点作为基准点，分别根据基准点和分段内对应的速度关系以及速度距离关系计算四段中第一段和第四段分段内的行驶时间，中间相邻两段是完整经过，直接使用T2和T3，并将四段行驶的时间作为该车辆的总的行驶时间T′；
起始点和终点分别落在L1、L4(或L4、L1，计算时间的方法相同)，a点、b点、c点为分段点；
以起始点和终点分别落在L1、L4，a点、b点、c点为分段点为例，进行说明：
针对车辆在L1段行驶时，用路程与速度的比值得到通过L1路段的时间T1′；针对车辆在L4段行驶时，用路程与速度的比值得到通过L1路段的时间T4′；车辆在L2段和L3段行驶为全程通过，直接利用时间数据T2和T3；T′＝T1′+T2+T3+T4′；
同理，也可以求得其他起始点、终点对应的行驶时间T′；
同时，计算起点所在路段相同和终点所在路段相同的所有车辆各自的行驶时间总和的平均值
Figure GDA0002384258540000125
(e)如果车辆的起始点和终点分别落在L1的端点和L4内，或者分别落在L1内和L4端点，四段中的三段为完成经过直接使用三段对应的经过时间；一段未完整经过，针对为完成经过的路段，将车辆经过的分段点a点或c点作为基准点，根据基准点和分段内对应的速度关系以及速度距离关系计算第一段或第四段分段内的行驶时间，并将四段行驶的时间作为该车辆的总的行驶时间T′；
其时间的计算过程与(d)相似，将未完整经过对应路段按照(d)的方式计算经过时间，针对完成经过的路段，直接利用经过的时间即可，即直接利用T1、T2、T3或T2、T3、T4；得到行驶时间T′＝T1+T2+T3+T4′或T′＝T1′+T2+T3+T4；
同时，计算起点所在路段相同和终点所在路段相同的所有车辆各自的行驶时间总和的平均值
Figure GDA0002384258540000121
(f)如果车辆经过整条路，行驶时间T′＝T1+T2+T3+T4；
同时，计算起点所在路段相同和终点所在路段相同的所有车辆各自的行驶时间总和的平均值
Figure GDA0002384258540000122
步骤五、最后根据修正因子
Figure GDA0002384258540000123
对每辆车的通行时间T′进行修正；并将修正的车辆通行时间T修′作为城市交通路径的通行时间确定结果。
所述最后根据修正因子
Figure GDA0002384258540000124
对每辆车的通行时间T′进行修正的过程如下：
Figure GDA0002384258540000131
其中，
Figure GDA0002384258540000132
表示对
Figure GDA0002384258540000133
向上取整；T修′为修改正后的车辆的行驶时间；n为这辆车通过这段路时被记录的轨迹点的个数。
实施例
本实施例的步骤一中使用的是成都市1.4万辆出租车数据，将近14亿条的GPS轨迹数据，数据中包含有出租车ID，经度，纬度，载客状态(0表示无载客，1表示载客)，时间几个参数。清洗掉其中重复和异常的记录，忽略了00:00:00～05:59:59这一时间窗口内的数据。本发明中，为了更有利于实验的进行，定义了如下的抽样规则：
(1)不选取含有异常车速(如极高或突变速度)的路段。
(2)在实验路段的首尾，保证不会有车辆的停留时间。
对实验数据做基础定义：假设车长对车辆速度的计算没有影响，车辆行驶方向一致，不考虑转弯、掉头等情况；司机的驾驶行为均良好，没有交通异常事件发生；不考虑天气因素和车辆自身状态因素以及乘客在上下车时的停留时间。
按照实施方式中的步骤二进行本实施例即可，实施方式已经避免了相邻的两个轨迹点分属于不同的出租车ID的情况，但是由于以上过程的计算基于计算机实现的，本实施例中的计算机代码执行时以出租车ID为主要关键字整体进行计算的，为了从技术手段上完全防止有可能出现的相邻两个轨迹点分属于不同的出租车ID的情况(即前一辆车的最后一个轨迹点数据和后一辆车的第一个轨迹点数据被作为同一辆车的数据处理计算)，通过箱线图对速度数据集的数据结果进行范围规划，去除均值速度中的异常突变值：
在箱线图中，将边界值定义为Di″，i″＝1,2,3,4,5，Di″对应位置记为Wi″，N代表的是数据集序列中包含的项数；箱线图如图4所示；
其中下四分位数，中位数，上四分位数分别为D1,D2,D3，他们所对应位置的数值分别为W1,W2,W3；
(1)边界值对应位置：Wa″＝a″(N+1)/4，a″＝1,2,3；
(2)边界值的数值：
Figure GDA0002384258540000141
其中，
Figure GDA0002384258540000142
表示向上取整，
Figure GDA0002384258540000143
表示向下取整，
Figure GDA0002384258540000144
项对应的数值表示对Wa″乡下取整后的位置所对应的具体数值；
(3)将上限和下限以及四分位数分别定义为D4,D5,W；
a.四分位距：W＝D3-D1；b.上限D4＝W3+1.5W；c.下限D5＝W1-1.5W；
通过箱线图对速度数据集的数据结果进行范围规划，去除均值速度中的异常突变值。
其他步骤按照具体实施方式一进行。
为了说明本发明的结果和精度，采用绝对百分比精度公式
Figure GDA0002384258540000145
计算结果精确度，进行评价。本实施例中的精度如表1所示：
表1
数据集号 精度
2 0.86
4 0.9
6 0.843
8 0.952
10 0875
M代表百分比精确度，n代表实验路段的车辆数，T真代表两轨迹点间的真实时间。M的值越大代表精度越高，结果更加接近测试集里的真实时间。
由结果可知，实验预估的车辆通过某段路的时间与真实时间之间均达到了80％以上，精度得到了有效的提高，充分证明本发明实验的方法有较高的准确性，可用性。

Claims (6)

1.基于状态特征的城市交通路径通过时间确定方法，其特征在于，包括以下步骤：
步骤一、采集车辆GPS轨迹数据，对数据集进行筛选清洗；所述GPS轨迹数据包括车辆对应的经纬度数据、时间数据和载客状态数据；
步骤二、针对每辆车，计算相邻轨迹点间的直角坐标系上的距离和均值速度；
步骤三、结合车辆载客情况和行驶速度，调整设置合适的卷积模板，建立双参卷积理论速度模型；
步骤四、将数据集中的路段分为不同子路段，预测不同始终点车辆的通行时间T′；同时，计算起点所在路段相同和终点所在路段相同的所有车辆各自的行驶时间总和的平均值
Figure FDA0002384258530000011
步骤五、最后根据修正因子
Figure FDA0002384258530000012
对每辆车的通行时间T′进行修正；并将修正的车辆通行时间T′修作为城市交通路径的通行时间确定结果。
2.根据权利要求1所述的基于状态特征的城市交通路径通过时间确定方法，其特征在于，步骤五所述的根据修正因子
Figure FDA0002384258530000013
对每辆车的通行时间T′进行修正的过程如下：
Figure FDA0002384258530000014
其中，
Figure FDA0002384258530000015
表示对
Figure FDA0002384258530000016
向上取整；T′修为修改正后的车辆的行驶时间；n为这辆车通过这段路时被记录的轨迹点的个数。
3.根据权利要求1或2所述的基于状态特征的城市交通路径通过时间确定方法，其特征在于，步骤二所述针对每辆车，计算相邻轨迹点间的直角坐标系上的距离和均值速度的过程如下：
计算相邻轨迹点间的直角坐标系上的距离：
将数据集中的轨迹点的经纬度数据转换为直角坐标系数据，将处理后的轨迹点的数据设置为矩阵：
P＝[p0 p1 … pΔ … pn′]T
pΔ＝(numΔ,xΔ,yΔ,TΔ,cΔ)
其中，pΔ表示轨迹点对应的数据，Δ表示轨迹点的序号，n′为轨迹点总数；numΔ为车辆ID，xΔ为直角坐标系下的横坐标，yΔ直角坐标系下的纵坐标，TΔ为对应的时间，cΔ为车辆的载客状态；
将矩阵P按照车辆的ID信息进行表示
Figure FDA0002384258530000021
pi,j＝(numi,j,xi,j,yi,j,Ti,j,ci,j)
其中，角标i,j中的i表示第i辆车，i＝1，2，...,n″，n″为车辆数量；角标i,j中的j表示第i车对应的第j个轨迹点；
计算前一个轨迹点和后一个轨迹点的距离：
Figure FDA0002384258530000022
计算相邻轨迹点间基础均值速度：
第i辆车的第j和j-1个轨迹之间的间隔时间为T′i,j＝Ti,j-Ti,j-1；
规定当T′ij＞15时，将对应的距离数据舍去；当0≤T′ij≤15时，保留对应的距离数据；根据每辆车相邻的两个轨迹点间的相关数据，计算均值速度：
Figure FDA0002384258530000023
Vi(numi,j-1,numi,j)为第i辆车的第j-1和j个轨迹点间的均值速度；将计算的均值速度作为基础均值速度，构成速度数据集。
4.根据权利要求3所述的基于状态特征的城市交通路径通过时间确定方法，其特征在于，步骤三所述的结合车辆载客情况和行驶速度，调整设置合适的卷积模板，建立双参卷积理论速度模型的过程如下：
步骤1、将基础均值速度对应的速度数据集中的车辆行驶速度分为载客与不载客时的两种情况，分别根据载客和不载客的基础均值速度建立速度矩阵z，
Figure FDA0002384258530000024
矩阵中的zij的值为轨迹点的基础均值速度，针对根据载客或不载客的基础均值速度，按行优先填入载客或不载客对应的速度矩阵z；分别基于载客、不载客对应的速度矩阵z进行处理；
设矩阵中共有m个速度值，则矩阵大小n的取值规则为：
Figure FDA0002384258530000031
当m＜9时不足以构成3×3的矩阵，就在m个数据中随机抽取数据，补充为3×3的矩阵；其他情况不能构成相应矩阵的情况，采用相同的方法，补充为n×n的矩阵；
n的上限为7，若m＞49，则采用分治法，将前49个速度值分为一组，剩余速度根据取值规则再进行矩阵的确定；
n的值确定后，设置c×c的卷积核模板A，根据c和矩阵的大小n，将速度矩阵z分为不同的q个c×c的矩阵序列Xa，然后分别进行中值滤波运算，每个矩阵序列得到一个输出值Pa，计算A中元素的值
Figure FDA0002384258530000032
得到q个c×c的卷积核模板A；
将每个Xa和对应的A进行卷积运算，得到q个计算结果x；
由q个x构成新的c×c的矩阵序列X*，设置一个新的卷积核模板
Figure FDA0002384258530000033
用矩阵序列X*和模板A*进行卷积运算，得到最终的理论均值速度V。
5.根据权利要求4所述的基于状态特征的城市交通路径通过时间确定方法，其特征在于，步骤四所述的将数据集中的路段分为不同子路段，预测不同始终点车辆的通行时间T′；同时，计算起点所在路段相同和终点所在路段相同的所有车辆各自的行驶时间总和的平均值T′的具体过程如下：
将数据集中的一条路段进行轨迹分割，分为上、中、下游三段，并分别对三段道路上的车辆进行速度计算，分别得到载客时的理论均值速度VZ1、VZ2、VZ3和不载客时的理论均值速度VnZ1、VnZ2、VnZ3；
分别针对载客时、不载客时的数据预测交通路径的通过时间，对载客时、不载客时的预测过程相同，以载客时为例的交通路径的通过时间预测过程如下：
数据集中的一条路段分为三段，对每段路的中心点进行标记，分别为a、b、c；
以a、b、c为分界点，将所述的一条路段标记为四段：L1、L2、L3、L4；对于L1路段的速度，用a点的速度VZ1代替，用路程与速度的比值得到通过L1路段的时间T1；
采用相同的方法得到通过L4的时间T4：对于L4路段的速度，用c点的速度VZ3代替，用路程与速度的比值得到通过L4路段的时间T4；
对于L2路段，根据公式(9)求得加速度a1，
VZ2 2-VZ1 2＝2a1L2 (9)
由根据公式(10)计算通过L2的时间为T2，
VZ2＝VZ1+a1T2 (10)
对于L3路段，采用相同的方法先求得加速度a2，
VZ3 2-VZ2 2＝2a2L3
计算VZ3＝VZ2+a2T3，再计算通过L3的时间T3；
针对于每辆车的起始点和终点确定车辆经过的路段，并分别通过a、b、c点将车辆的行驶路程进行分段，分段后的路程落分别在L1、L2、L3、L4中的一个或者多个段内；
然后依据a、b、c点的速度和L2路段的加速度a1、L3路段的加速度a2分别计算车辆路程分段后落分别在L1、L2、L3、L4中对应的行驶时间。
6.根据权利要求5所述的基于状态特征的城市交通路径通过时间确定方法，其特征在于，所述依据a、b、c点的速度和L2路段的加速度a1、L3路段的加速度a2分别计算车辆路程分段后落分别在L1、L2、L3、L4中对应的行驶时间的过程如下：
(a)如果车辆的路程仅在L1、L2、L3或L4中，利用
Figure FDA0002384258530000041
计算行驶时间T′，α＝1、2、3、4，L′α为车辆的路程在Lα中的实际路程；
同时，计算起点所在路段相同和终点所在路段相同的所有车辆各自的行驶时间总和的平均值
Figure FDA0002384258530000042
(b)如果车辆的起始点和终点分别落在L1、L2、L3和L4中相邻的两段内，利用相邻的两段的分段点作为基准点，分别根据基准点和分段内对应的速度关系以及速度距离关系计算各分段内的行驶时间，并将两段行驶的时间作为该车辆的总的行驶时间T′；
同时，计算起点所在路段相同和终点所在路段相同的所有车辆各自的行驶时间总和的平均值
Figure FDA0002384258530000043
(c)如果车辆的起始点和终点分别落在L1、L2、L3、L4相邻三段的两侧的两段内，利用相邻的三段中的两个分段点作为基准点，分别根据基准点和分段内对应的速度关系以及速度距离关系计算三段中第一段和第三段分段内的行驶时间，其中相邻的三段中的第二段是完整经过，直接使用T2或T3，并将三段行驶的时间作为该车辆的总的行驶时间T′；
同时，计算起点所在路段相同和终点所在路段相同的所有车辆各自的行驶时间总和的平均值
Figure FDA0002384258530000051
(d)如果车辆的起始点和终点分别落在L1、L4内，利用三个分段点作为基准点，分别根据基准点和分段内对应的速度关系以及速度距离关系计算四段中第一段和第四段分段内的行驶时间，中间相邻两段是完整经过，直接使用T2和T3，并将四段行驶的时间作为该车辆的总的行驶时间T′；
同时，计算起点所在路段相同和终点所在路段相同的所有车辆各自的行驶时间总和的平均值
Figure FDA0002384258530000052
(e)如果车辆的起始点和终点分别落在L1的端点和L4内，或者分别落在L1内和L4端点，四段中的三段为完成经过直接使用三段对应的经过时间；一段未完整经过，针对为完成经过的路段，将车辆经过的分段点a点或c点作为基准点，根据基准点和分段内对应的速度关系以及速度距离关系计算第一段或第四段分段内的行驶时间，并将四段行驶的时间作为该车辆的总的行驶时间T′；
同时，计算起点所在路段相同和终点所在路段相同的所有车辆各自的行驶时间总和的平均值
Figure FDA0002384258530000053
(f)如果车辆经过整条路，行驶时间T′＝T1+T2+T3+T4；
同时，计算起点所在路段相同和终点所在路段相同的所有车辆各自的行驶时间总和的平均值
Figure FDA0002384258530000054
CN201811267985.9A 2018-10-29 2018-10-29 基于状态特征的城市交通路径通过时间确定方法 Active CN109166317B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811267985.9A CN109166317B (zh) 2018-10-29 2018-10-29 基于状态特征的城市交通路径通过时间确定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811267985.9A CN109166317B (zh) 2018-10-29 2018-10-29 基于状态特征的城市交通路径通过时间确定方法

Publications (2)

Publication Number Publication Date
CN109166317A CN109166317A (zh) 2019-01-08
CN109166317B true CN109166317B (zh) 2020-07-24

Family

ID=64876192

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811267985.9A Active CN109166317B (zh) 2018-10-29 2018-10-29 基于状态特征的城市交通路径通过时间确定方法

Country Status (1)

Country Link
CN (1) CN109166317B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111724492B (zh) * 2019-03-18 2021-12-28 江苏通行宝智慧交通科技股份有限公司 一种高速公路etc智能自动引导收费系统
CN111325993B (zh) * 2019-04-24 2021-02-19 北京嘀嘀无限科技发展有限公司 通行速度确定方法、装置、电子设备及计算机存储介质
CN110298500B (zh) * 2019-06-19 2022-11-08 大连理工大学 一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法
CN111739283B (zh) * 2019-10-30 2022-05-20 腾讯科技（深圳）有限公司 一种基于聚类的路况计算方法、装置、设备及介质
CN111862605B (zh) * 2020-07-20 2022-03-08 腾讯科技（深圳）有限公司 路况检测方法、装置、电子设备及可读存储介质
CN112071062B (zh) * 2020-09-14 2022-09-23 山东理工大学 一种基于图卷积网络和图注意力网络的行车时间估计方法
CN113538907B (zh) * 2021-07-09 2022-05-03 大连海事大学 一种基于交通流分级的行车时间估计系统
CN114419907B (zh) * 2021-12-29 2023-10-27 联通智网科技股份有限公司 事故多发路段判断方法、装置、终端设备及介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7629899B2 (en) * 1997-10-22 2009-12-08 Intelligent Technologies International, Inc. Vehicular communication arrangement and method
CN105654729B (zh) * 2016-03-28 2018-01-02 南京邮电大学 一种基于卷积神经网络的短时交通流量预测方法
US9760806B1 (en) * 2016-05-11 2017-09-12 TCL Research America Inc. Method and system for vision-centric deep-learning-based road situation analysis
CN107330463B (zh) * 2017-06-29 2020-12-08 南京信息工程大学 基于cnn多特征联合和多核稀疏表示的车型识别方法
CN108197739B (zh) * 2017-12-29 2021-03-16 中车工业研究院有限公司 一种城市轨道交通乘客流量预测方法
CN108320506B (zh) * 2018-02-05 2020-08-04 青岛大学 一种基于复合网络的拥堵时段的发现方法

Also Published As

Publication number Publication date
CN109166317A (zh) 2019-01-08

Similar Documents

Publication Publication Date Title
CN109166317B (zh) 基于状态特征的城市交通路径通过时间确定方法
CN111340427B (zh) 一种基于轨迹数据的货车运行状态识别方法
CN107330217B (zh) 一种基于rbfnn的中观油耗预测方法
CN107195180B (zh) 一种基于电警数据的交通出行轨迹提取方法和装置
CN102110363B (zh) 一种浮动车数据处理的方法及装置
EP2410294A1 (en) Method and device for providing cost information associated with junctions and method of determining a route
CN109872533B (zh) 一种基于空间数据的车道级实时交通情报处理方法
CN105810006B (zh) 路边停车位的识别方法及系统
CN110275934A (zh) 基于北斗定位系统的车辆行驶情况风险分析方法和系统
CN110807926B (zh) 一种基于混合交通的道路阻抗预测方法及装置
CN111746559A (zh) 一种前车换道意图预测方法及预测系统
CN105741537B (zh) 车辆寻客状态的识别方法及系统
CN112017436B (zh) 城市市内交通旅行时间的预测方法及系统
CN106251628B (zh) 一种确定机动车的交通出行量的方法及装置
CN110782656B (zh) 一种道路瓶颈点识别方法、装置、电子设备及存储介质
CN114664087B (zh) 基于轨迹识别车辆上下高速的方法、装置、设备及介质
CN114298642A (zh) 从轨迹数据中提取城市内货车出行od的方法
CN110766940A (zh) 道路信号交叉口运行状况评估方法
CN113706875B (zh) 一种道路功能研判方法
CN114912689A (zh) 基于地图网格索引和xgboost的超限车辆目的地预测方法及系统
CN114186619A (zh) 车辆停靠点聚类的方法、装置、设备及存储介质
CN115204755B (zh) 服务区入区率测算方法、装置、电子设备及可读存储介质
CN112633812A (zh) 货运车辆的轨迹分段方法、装置、设备及存储介质
CN106323318A (zh) 导航路径的通行时间的处理方法及装置
Mondal et al. Modeling driver acceleration behaviour at signalized intersection under mixed traffic environment

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