CN109446881B - 一种基于异构数据的高速公路路段交通状态检测方法 - Google Patents
一种基于异构数据的高速公路路段交通状态检测方法 Download PDFInfo
- Publication number
- CN109446881B CN109446881B CN201811029845.8A CN201811029845A CN109446881B CN 109446881 B CN109446881 B CN 109446881B CN 201811029845 A CN201811029845 A CN 201811029845A CN 109446881 B CN109446881 B CN 109446881B
- Authority
- CN
- China
- Prior art keywords
- average
- time
- road section
- traffic
- travel speed
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及交通监控技术领域,具体涉及一种高速公路路段交通状态检测方法。包括以下步骤:1)基于收费数据提取交通参数;2)构建高速公路平均行程速度预测模型;3)实现时段的平均行程速度预测;4)基于视频数据提取空间占有率特征参数;5)利用路段上各断面空间占有率得到该路段的平均空间占有率6)基于预测得到的平均行程速度及路段的占有率,采用聚类方法对交通状态进行划分。本发明解决了收费数据难以实时表现交通状态的问题,结合视频数据所提取的断面交通流信息,解决了如何以断面信息表现路段交通状态的问题。同时对数据在特征级上进行融合,降低了单一数据源的误报率,实现了对路段交通状态实时检测的目的。
Description
技术领域
本发明涉及交通监控技术领域,具体涉及一种高速公路路段交通状态检测方法。
背景技术
近年,交通运输业迅猛发展,行驶在高速公路上的车辆也越来越多,导致高速公路上的道路拥堵情况愈加严重。
进行交通状态检测能够为交通管理部门进行交通管制提供决策和支持,智能交通系统的核心内容和交通信息服务、交通控制与诱导的重要基础。同时也能够为出行者提供有效的路径诱导服务。因此,研究交通状态检测的理论与方法,从所得信息中准确快速地检测和判别出道路交通状态,是当前交通系统发展的急需,也是研究的重点和难点问题。如何选用合适的检测方法从而对交通状态进行判别,具有十分重要的意义。
通过查阅相关专利和论文,发现现有高速公路路段交通状态检测方法主要有:现有技术一:专利CN1O4361349A基于收费数据进行交通状态判别,利用收费数据得到两收费站间的平均行程速度及行程车速方差,对交通异常状态进行识别。现有技术二:专利CNIO3778782A基于交通流统计特征的提取,同时运用半监督机器学习方法,针对某条道路的一个横截面,根据车流的不同特征进行自学习,对交通状态进行划分。现有技术三:专利CN101807345A利用视频图像处理技术获取道路占有率一个参数,并由此计算出占有率方差、占有率变化量绝对值,使用这三个有限参数,完成道路拥堵状态的判断。
现有技术主要存在以下不足:基于收费数据得到的平均行程速度及车速方差反应的是已下道车辆在道路上的状态,具有时滞问题,难以满足实时判别交通状态的需求。基于车检器和摄像头等断面检测器检测得到的断面交通状态难以反应路段的交通状态,同时摄像头检测的交通参数占有率属于静态特征,一旦出现大型货车将在非拥堵状态出现占有率变大的情况,从而导致误报。
发明内容
有鉴于此,本发明的目的在于提供一种基于异构数据的高速公路状态判别方法,可更准确地用于高速公路两收费站间的路段交通状态估计。
本发明的目的是通过以下技术方案来实现的:
一种基于异构数据的高速公路路段交通状态检测方法,该方法包括以下步骤:
1)基于收费数据提取交通参数;
2)构建高速公路平均行程速度预测模型;
3)实现时段的平均行程速度预测;
4)基于视频数据提取空间占有率特征参数;
5)利用路段上各断面空间占有率得到该路段的平均空间占有率;
6)基于预测得到的平均行程速度及路段的占有率,采用聚类方法对交通状态进行划分。
进一步,所述步骤1)具体包括如下步骤:
11)获取每辆车收费数据所记录的行程时间ti,ti为第i辆车的行程时间;
12)以下道收费站记录的行程时间减去出入口排队时间和匝道通行时间,求得每辆车OD行程时间,计算公式为:
tOD=ti-tq-to-td
其中:
tOD为车辆OD行程时间;
tq为车辆出入口排队时间;
to为入口匝道通行时间;
td为出口匝道通行时间;
若车辆是以ETC缴费方式通行,则tq=0,若车辆以MTC缴费方式通行,则该辆车的tq可由相邻时段MTC和ETC行程时间的差值得到,计算公式为:
其中:
so,sd分别为入口匝道路程和出口匝道路程;
vo,vd分别为入口匝道和出口匝道速度设定值;
13)两收费站间的路段长度除以每辆车OD行程时间,得到每辆车的平均行程速度。
进一步,所述步骤2)具体包括如下步骤:
21)构建两收费站间平均行程速度数据集,并将历史数据集进行时段分类;
22)构建特征向量,将每个时段以5min为一小段分为n段,每一小段为ai(i=1,2,…,n),每一小段的平均行程速度即为该小段内所有车辆的平均行程速度;历史数据集中每条记录包括当前平均行程速度以及前3期平均行程速度
23)将六类历史数据集分别采用交叉验证的方法对KNN算法中的K值进行标定。
进一步,所述步骤21)中,将历史数据集分为工作日早高峰、工作日晚高峰、工作日平峰、休息日早高峰、休息日晚高峰和休息日平峰六类。
进一步,所述步骤23)中,假设K值的最大值为Kmax,最小值为Kmin,步骤23)具体包括如下步骤:
231)将六类数据集分别随机平均分为P份,每份分别表示为D1,D2,D3,…,DP,依次将Dp(p=1,2,3,…,P)作为测试集,其余的P-1份合并为新的历史数据集;
232)当K=K0,Kmin≤K0≤Kmax时,计算Dp测试集的平均绝对误差百分比,计算公式为:
其中:
E(K0,DP)为Dp测试集的平均绝对误差百分比;
Np为Dp测试集的样本量;
Ar为Dp测试集中第r条记录的真实值;
Pr为Dp测试集中第r条记录运用KNN算法的预测值。
233)当K=K0,Kmin≤K0≤Kmax时,求得P份测试集的平均绝对误差百分比的均值,计算公式为:
进一步,所述步骤3)具体包括如下步骤:
31)以5min为一预测时段,将当前需预测时段f对应六类时段的某一类时段A中,获取A时段的历史数据集及该类时段的K0值;
32)以当前需预测时段f的前3期的平均行程速度作为所要预测的当前时段平均行程速度的特征向量;
33)使用欧几里德距离公式得到需预测时段f前3期特征向量与历史数据集中各特征向量之间的距离,计算公式为:
其中:
vf-j为vf的第j个属性;
其中:
进一步,步骤4)具体包括如下步骤:
41)对视频图像进行采集,并选择感兴趣区域;
42)利用单高斯背景建模法得到背景图像;
43)基于背景差分法对背景车辆目标进行提取;
44)对差分图像进行二值化处理得到二值图;
45)将二值图中非零点数除以感兴趣总点数,即为该时刻的空间占有率。
进一步,步骤5)具体包括如下步骤:
51)以5min为检测周期,对所检测路段上的摄像头在时段ai中某一时刻同时进行占有率提取,记为m表示检测路段上共有摄像头数量,表示所要检测路段上,在f时段中某一时刻第q个摄像头所提取得到的空间占有率;
52)根据m个摄像头的地理位置,将所要检测路段分为m+1段,每段长度为lq,lq代表路段为第q个摄像头上游路段长度,lq+1代表道路最后一段长度,即为lm;
53)利用各断面空间占有率得到对应各小路段上车辆所占的面积大小,计算公式如下:
其中:
lq该路段的长度;
d表示该路段的宽;
特别地,道路起点到第0个摄像头之间的路段,即q=0时有:
道路上第m-1个摄像头到终点之间的路段,即q=m时有:
54)根据各路段所得到的车辆所占的面积,得到检测路段的平均空间占有率。计算公式为:
其中:
进一步,所述步骤6)具体包括如下步骤:
步骤62:采用欧式距离作为相似性函数判断新数据的数据与每个聚类中心的从属程度。根据步骤4和步骤6得到在所需预测的f时段中,两收费站间的平均行程速度vf和收费站间的平均空间占有率Qf,xi=(vf,Qf)表示新输入的交通参数向量,分别计算其与三个聚类中心的欧式距离,计算公式如下:
di=||xi-ki||
步骤63:比较得到di的最小值,认为xi的交通状态与ki相对应,完成基于k-means算法的交通状态判别。
进一步,由步骤22)得到某类时间段共有n个数据样本;
所述步骤61)中,通过如下步骤训练得到交通参数的聚类中心:
611)令I=1,随机选择k个初始聚类中心Zj(I);
其中:
j=1,2,3,…,k,j表示第j类;
612)求解每个数据样本与初始聚类中心的距离D(xi,Zj(I)),i=1,2,3,…k,j=1,2,3,…,k;
若满足D(xi,Zj(I))=min{D(xi,Zj(I)),i=1,2,3,...,n},那么xi∈wk,wk为第k类数据集;
614)判断:如果|Jc(I+1)-Jc(I)|<ζ,那么表示算法结束,反之,I=I+1,重新返回第612)步执行;
K=3,得到最后的聚类中心为:
其中,k1,k2,k3分别表示道路畅通、缓行和拥堵三个状态的聚类中心,数据区的第一列表示平均行程速度,第二列表示路段平均空间占有率。
由于采用了上述技术方案,本发明具有如下的优点:
本发明的方法,考虑到收费数据在车辆下道时才能获取得到,引入K最近邻算法对两收费站间进行短时行程速度预测,估计当前路段交通状态。考虑到视频数据提取空间占有率信息为断面信息,引入断面法,估计路段的平均空间占有率。最后以平均行程速度及空间占有率两个交通特征,采用k-means聚类算法,对交通状态分类,从而达到对路段交通状态检测的目的。因此,本发明解决了收费数据难以实时表现交通状态的问题,结合视频数据所提取的断面交通流信息,解决了如何以断面信息表现路段交通状态的问题。同时对数据在特征级上进行融合,降低了单一数据源的误报率,实现了对路段交通状态实时检测的目的。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述:
图1示出了本发明的流程示意图;
图2示出了KNN算法的K值标定流程示意图;
图3示出了预测平均行程速度的流程示意图;
图4示出了基于视频数据提取空间占有率的流程示意图;
图6示出了基于聚类方法对交通状态进行聚类的流程示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。
参见图1-6,一种基于异构数据的高速公路路段交通状态检测方法,该方法包括以下步骤:
1)基于收费数据提取交通参数;具体包括如下步骤:
11)获取每辆车收费数据所记录的行程时间ti,ti为第i辆车的行程时间;
12)以下道收费站记录的行程时间减去出入口排队时间和匝道通行时间,求得每辆车OD行程时间,计算公式为:
tOD=ti-tq-to-td
其中:
tOD为车辆OD行程时间;
tq为车辆出入口排队时间;
to为入口匝道通行时间;
td为出口匝道通行时间;
若车辆是以ETC缴费方式通行,则tq=0,若车辆以MTC缴费方式通行,则该辆车的tq可由相邻时段MTC和ETC行程时间的差值得到,计算公式为:
其中:
so,sd分别为入口匝道路程和出口匝道路程;
vo,vd分别为入口匝道和出口匝道速度设定值;
13)两收费站间的路段长度除以每辆车OD行程时间,得到每辆车的平均行程速度。
2)构建高速公路平均行程速度预测模型;具体包括如下步骤:
21)构建两收费站间平均行程速度数据集,并将历史数据集分为工作日早高峰、工作日晚高峰、工作日平峰、休息日早高峰、休息日晚高峰和休息日平峰六类。
22)构建特征向量,将每个时段以5min为一小段分为n段,每一小段为ai(i=1,2,…,n),每一小段的平均行程速度即为该小段内所有车辆的平均行程速度;历史数据集中每条记录包括当前平均行程速度以及前3期平均行程速度
23)将六类历史数据集分别采用交叉验证的方法对KNN算法中的K值进行标定。假设K值的最大值为Kmax,最小值为Kmin,步骤23)具体包括如下步骤:
231)将六类数据集分别随机平均分为P份,每份分别表示为D1,D2,D3,…,DP,依次将Dp(p=1,2,3,…,P)作为测试集,其余的P-1份合并为新的历史数据集;
232)当K=K0,Kmin≤K0≤Kmax时,计算Dp测试集的平均绝对误差百分比,计算公式为:
其中:
E(K0,DP)为Dp测试集的平均绝对误差百分比;
Np为Dp测试集的样本量;
Ar为Dp测试集中第r条记录的真实值;
Pr为Dp测试集中第r条记录运用KNN算法的预测值。
233)当K=K0,Kmin≤K0≤Kmax时,求得P份测试集的平均绝对误差百分比的均值,计算公式为:
3)实现时段的平均行程速度预测;具体包括如下步骤:
31)以5min为一预测时段,将当前需预测时段f对应六类时段的某一类时段A中,获取A时段的历史数据集及该类时段的K0值;
32)以当前需预测时段f的前3期的平均行程速度作为所要预测的当前时段平均行程速度的特征向量;
33)使用欧几里德距离公式得到需预测时段f前3期特征向量与历史数据集中各特征向量之间的距离,计算公式为:
其中:
vf-j为vf的第j个属性;
其中:
4)基于视频数据提取空间占有率特征参数;具体包括如下步骤:
41)对视频图像进行采集,并选择感兴趣区域;
42)利用单高斯背景建模法得到背景图像;
把图像中每一个像素点的灰度看做是一个随机过程X,可用下式来进行描述:
{X1,X2,...,Xt={Φ(x0,y0,i∶t≤i≤t)}}
其中:
x0,y0表示横纵坐标值;
Xt表示(x0,y0)处的像素值;
Φ表示图像序列;
i表示图像序列的帧号;
假设(x0,y0)处的像素的出现概率服从高斯分布,记作P(Xt,μt,∑t),其中t代表时间,μt代表t时刻的平均值,∑t代表协方差。
43)基于背景差分法对背景车辆目标进行提取;并将所有输入的RGB图像转换为灰度图。转换公式为:
Gray=R×0.299+G×0.587+B×0.114;
44)对差分图像进行二值化处理得到二值图;二值化的公式如下:
其中:
D(x,y)表示处理得到的二值图;
I(x,y)表示输入帧,B(x,y)表示背景图;
thershold表示二值化阈值;
45)将二值图中非零点数除以感兴趣总点数,即为该时刻的空间占有率。
5)利用路段上各断面空间占有率得到该路段的平均空间占有率;具体包括如下步骤:
51)以5min为检测周期,对所检测路段上的摄像头在时段ai中某一时刻同时进行占有率提取,记为m表示检测路段上共有摄像头数量,表示所要检测路段上,在f时段中某一时刻第q个摄像头所提取得到的空间占有率;
52)根据m个摄像头的地理位置,将所要检测路段分为m+1段,每段长度为lq,lq代表路段为第q个摄像头上游路段长度,lq+1代表道路最后一段长度,即为lm;
53)利用各断面空间占有率得到对应各小路段上车辆所占的面积大小,计算公式如下:
其中:
lq该路段的长度;
d表示该路段的宽;
特别地,道路起点到第0个摄像头之间的路段,即q=0时有:
道路上第m-1个摄像头到终点之间的路段,即q=m时有:
54)根据各路段所得到的车辆所占的面积,得到检测路段的平均空间占有率。计算公式为:
其中:
6)基于预测得到的平均行程速度及路段的占有率,采用聚类方法对交通状态进行划分。具体包括如下步骤:
步骤62:采用欧式距离作为相似性函数判断新数据的数据与每个聚类中心的从属程度。根据步骤4和步骤6得到在所需预测的f时段中,两收费站间的平均行程速度vf和收费站间的平均空间占有率Qf,xi=(vf,Qf)表示新输入的交通参数向量,分别计算其与三个聚类中心的欧式距离,计算公式如下:
di=||xi-ki||
步骤63:比较得到di的最小值,认为xi的交通状态与ki相对应,完成基于k-means算法的交通状态判别。
进一步,由步骤22)得到某类时间段共有n个数据样本;
所述步骤61)中,通过如下步骤训练得到交通参数的聚类中心:
611)令I=1,随机选择k个初始聚类中心Zj(I);
其中:
j=1,2,3,…,k,j表示第j类;
612)求解每个数据样本与初始聚类中心的距离D(xi,Zj(I)),i=1,2,3,…k,j=1,2,3,…,k;
若满足D(xi,Zj(I))=min(D(xi,Zj(I)),i=1,2,3,...,n},那么xi∈wk,wk为第k类数据集;
614)判断:如果|Jc(I+1)-Jc(I)|<ζ,那么表示算法结束,反之,I=I+1,重新返回第612)步执行;
K=3,得到最后的聚类中心为:
其中,k1,k2,k3分别表示道路畅通、缓行和拥堵三个状态的聚类中心,数据区的第一列表示平均行程速度,第二列表示路段平均空间占有率。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的保护范围当中。
Claims (8)
1.一种基于异构数据的高速公路路段交通状态检测方法,其特征在于,该方法包括以下步骤:
1)基于收费数据提取交通参数;
2)构建高速公路平均行程速度预测模型;
3)实现时段的平均行程速度预测;
4)基于视频数据提取空间占有率特征参数;
5)利用路段上各断面空间占有率得到该路段的平均空间占有率;
6)基于预测得到的平均行程速度及路段的占有率,采用聚类方法对交通状态进行划分;
所述步骤1)具体包括如下步骤:
11)获取每辆车收费数据所记录的行程时间ti,ti为第i辆车的行程时间;
12)以下道收费站记录的行程时间减去出入口排队时间和匝道通行时间,求得每辆车OD行程时间,计算公式为:
tOD=ti-tq-to-td
其中:
tOD为车辆OD行程时间;
tq为车辆出入口排队时间;
to为入口匝道通行时间;
td为出口匝道通行时间;
若车辆是以ETC缴费方式通行,则tq=0,若车辆以MTC缴费方式通行,则该辆车的tq可由相邻时段MTC和ETC行程时间的差值得到,计算公式为:
其中:
so,sd分别为入口匝道路程和出口匝道路程;
vo,vd分别为入口匝道和出口匝道速度设定值;
13)两收费站间的路段长度除以每辆车OD行程时间,得到每辆车的平均行程速度;
所述步骤2)具体包括如下步骤:
21)构建两收费站间平均行程速度数据集,并将历史数据集进行时段分类;
22)构建特征向量,将每个时段以5min为一小段分为n段,每一小段为ac,c=1,2,…,n,每一小段的平均行程速度即为该小段内所有车辆的平均行程速度;历史数据集中每条记录包括当前平均行程速度以及前3期平均行程速度
23)将历史数据集分别采用交叉验证的方法对KNN算法中的K值进行标定。
2.根据权利要求1所述的一种基于异构数据的高速公路路段交通状态检测方法,其特征在于,所述步骤21)中,将历史数据集分为工作日早高峰、工作日晚高峰、工作日平峰、休息日早高峰、休息日晚高峰和休息日平峰六类。
3.根据权利要求2所述的一种基于异构数据的高速公路路段交通状态检测方法,其特征在于,所述步骤23)中,假设K值的最大值为Kmax,最小值为Kmin,步骤23)具体包括如下步骤:
231)将六类数据集分别随机平均分为P份,每份分别表示为D1,D2,D3,…,DP,依次将Dp,p=1,2,3,…,P,作为测试集,其余的P-1份合并为新的历史数据集;
232)当K=K0,Kmin≤K0≤Kmax时,计算Dp测试集的平均绝对误差百分比,计算公式为:
其中:
E(K0,DP)为Dp测试集的平均绝对误差百分比;
Np为Dp测试集的样本量;
Ar为Dp测试集中第r条记录的真实值;
Pr为Dp测试集中第r条记录运用KNN算法的预测值;
233)当K=K0,Kmin≤K0≤Kmax时,求得P份测试集的平均绝对误差百分比的均值,计算公式为:
4.根据权利要求3所述的一种基于异构数据的高速公路路段交通状态检测方法,其特征在于,所述步骤3)具体包括如下步骤:
31)以5min为一预测时段,将当前需预测时段f对应六类时段的某一类时段A中,获取A时段的历史数据集及该类时段的K0值;
32)以当前需预测时段f的前3期的平均行程速度作为所要预测的当前时段平均行程速度的特征向量;
33)使用欧几里德距离公式得到需预测时段f前3期特征向量与历史数据集中各特征向量之间的距离,计算公式为:
其中:
vf-j为vf的第j个属性;
其中:
5.根据权利要求4所述的一种基于异构数据的高速公路路段交通状态检测方法,其特征在于,步骤4)具体包括如下步骤:
41)对视频图像进行采集,并选择感兴趣区域;
42)利用单高斯背景建模法得到背景图像;
43)基于背景差分法对背景车辆目标进行提取;
44)对差分图像进行二值化处理得到二值图;
45)将二值图中非零点数除以感兴趣总点数,即为当前时刻的空间占有率。
6.根据权利要求5所述的一种基于异构数据的高速公路路段交通状态检测方法,其特征在于,步骤5)具体包括如下步骤:
51)以5min为检测周期,对所检测路段上的摄像头在时段ac中某一时刻同时进行占有率提取,记为m表示检测路段上共有摄像头数量,表示所要检测路段上,在f时段中某一时刻第q个摄像头所提取得到的空间占有率;
52)根据m个摄像头的地理位置,将所要检测路段分为m+1段,每段长度为lq,lq代表路段为第q个摄像头上游路段长度,lq+1代表道路最后一段长度,即为lm;
53)利用各断面空间占有率得到对应各小路段上车辆所占的面积大小,计算公式如下:
其中:
lq表示该路段的长度;
d表示该路段的宽;
道路起点到第0个摄像头之间的路段,即q=0时有:
道路上第m-1个摄像头到终点之间的路段,即q=m时有:
54)根据各路段所得到的车辆所占的面积,得到检测路段的平均空间占有率;计算公式为:
其中:
7.根据权利要求6所述的一种基于异构数据的高速公路路段交通状态检测方法,其特征在于,所述步骤6)具体包括如下步骤:
62)采用欧式距离作为相似性函数判断新数据的数据与每个聚类中心的从属程度;根据步骤4和步骤6得到在所需预测的f时段中,两收费站间的平均行程速度vf和收费站间的平均空间占有率Qf,xc=(vf,Qf)表示新输入的交通参数向量,分别计算其与三个聚类中心的欧式距离,计算公式如下:
dc=||xc-kc||
63)比较得到dc的最小值,认为xc的交通状态与kc相对应,完成基于k-means算法的交通状态判别。
8.根据权利要求7所述的一种基于异构数据的高速公路路段交通状态检测方法,其特征在于,由步骤22)得到某类时间段共有n个数据样本;
所述步骤61)中,通过如下步骤训练得到交通参数的聚类中心:
611)令I=1,随机选择w个初始聚类中心Zw(I);
其中:
w=1,2,3,…,k,w表示第w类;
612)求解每个数据样本与初始聚类中心的距离D(xc,Zw(I)),c=1,2,3,…n,w=1,2,3,…,k;
若满足D(xc,Zw(I))=min{D(xc,Zw(I)),c=1,2,3,...,n},那么xc∈Wk,Wk为第k类数据集;
614)判断:如果|Jo(I+1)-Jo(I)|<ζ,那么表示算法结束,反之,I=I+1,重新返回第612)步执行;
K=3,得到最后的聚类中心为:
其中,k1,k2,k3分别表示道路畅通、缓行和拥堵三个状态的聚类中心,数据区的第一列表示平均行程速度,第二列表示路段平均空间占有率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811029845.8A CN109446881B (zh) | 2018-09-05 | 2018-09-05 | 一种基于异构数据的高速公路路段交通状态检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811029845.8A CN109446881B (zh) | 2018-09-05 | 2018-09-05 | 一种基于异构数据的高速公路路段交通状态检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109446881A CN109446881A (zh) | 2019-03-08 |
CN109446881B true CN109446881B (zh) | 2022-06-24 |
Family
ID=65530952
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811029845.8A Active CN109446881B (zh) | 2018-09-05 | 2018-09-05 | 一种基于异构数据的高速公路路段交通状态检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109446881B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109979197B (zh) * | 2019-04-04 | 2021-01-29 | 重庆同枥信息技术有限公司 | 基于融合数据的高速公路交通时间地图构建方法、系统 |
CN111695395B (zh) * | 2019-04-22 | 2021-01-05 | 广西众焰安科技有限公司 | 现场违规行为识别方法 |
CN111063204B (zh) * | 2019-12-19 | 2020-11-10 | 浙江省交通规划设计研究院有限公司 | 一种基于收费站流量的高速公路车速预测模型训练方法 |
CN111882858B (zh) * | 2020-06-01 | 2022-05-20 | 重庆大学 | 一种基于多源数据的高速公路异常事件排队长度预测方法 |
CN114999181B (zh) * | 2022-05-11 | 2023-12-19 | 山东高速建设管理集团有限公司 | 一种基于etc系统数据的高速公路车辆速度异常识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102136195A (zh) * | 2011-03-28 | 2011-07-27 | 长安大学 | 一种基于图像纹理检测道路交通状况的方法 |
CN102592453A (zh) * | 2012-02-27 | 2012-07-18 | 东南大学 | 一种基于时间窗口的实时交通状况判别方法 |
CN102592447A (zh) * | 2011-12-20 | 2012-07-18 | 浙江工业大学 | 一种基于fcm的区域路网的道路交通状态判别方法 |
CN103778782A (zh) * | 2014-02-20 | 2014-05-07 | 银江股份有限公司 | 一种基于半监督机器学习的交通状态划分方法 |
CN106297285A (zh) * | 2016-08-17 | 2017-01-04 | 重庆大学 | 基于动态权重的高速公路交通运行状态模糊综合评价方法 |
CN106652460A (zh) * | 2017-03-08 | 2017-05-10 | 吉林大学 | 一种高速公路交通状态判别方法及系统 |
CN107680391A (zh) * | 2017-09-28 | 2018-02-09 | 长沙理工大学 | 十字路口交通流的二型模糊控制方法 |
CN108492557A (zh) * | 2018-03-23 | 2018-09-04 | 四川高路交通信息工程有限公司 | 基于多模型融合的高速公路拥堵等级判断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7849031B2 (en) * | 2004-12-22 | 2010-12-07 | Hntb Holdings Ltd. | Optimizing traffic predictions and enhancing notifications |
-
2018
- 2018-09-05 CN CN201811029845.8A patent/CN109446881B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102136195A (zh) * | 2011-03-28 | 2011-07-27 | 长安大学 | 一种基于图像纹理检测道路交通状况的方法 |
CN102592447A (zh) * | 2011-12-20 | 2012-07-18 | 浙江工业大学 | 一种基于fcm的区域路网的道路交通状态判别方法 |
CN102592453A (zh) * | 2012-02-27 | 2012-07-18 | 东南大学 | 一种基于时间窗口的实时交通状况判别方法 |
CN103778782A (zh) * | 2014-02-20 | 2014-05-07 | 银江股份有限公司 | 一种基于半监督机器学习的交通状态划分方法 |
CN106297285A (zh) * | 2016-08-17 | 2017-01-04 | 重庆大学 | 基于动态权重的高速公路交通运行状态模糊综合评价方法 |
CN106652460A (zh) * | 2017-03-08 | 2017-05-10 | 吉林大学 | 一种高速公路交通状态判别方法及系统 |
CN107680391A (zh) * | 2017-09-28 | 2018-02-09 | 长沙理工大学 | 十字路口交通流的二型模糊控制方法 |
CN108492557A (zh) * | 2018-03-23 | 2018-09-04 | 四川高路交通信息工程有限公司 | 基于多模型融合的高速公路拥堵等级判断方法 |
Non-Patent Citations (3)
Title |
---|
Clustered Complex Echo State Networks for Traffic Forecasting with Prior Knowledge;Peng Yu 等;《2011 IEEE International Instrumentation and Measurement Technology Conference》;20111231;第1-5页 * |
道路交通流状态的多参数融合预测方法;马庆禄 等;《物理学报》;20121231;第61卷(第16期);第1-8页 * |
高速公路短时交通流量预测的改进非参数回归算法;孙棣华 等;《公路交通科技》;20131130;第30卷(第11期);第112-118页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109446881A (zh) | 2019-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109446881B (zh) | 一种基于异构数据的高速公路路段交通状态检测方法 | |
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 | |
CN112085947B (zh) | 一种基于深度学习和模糊聚类的交通拥堵预测方法 | |
CN111539454B (zh) | 一种基于元学习的车辆轨迹聚类方法及系统 | |
CN111898501B (zh) | 一种针对拥堵路段的无人机在线航拍车辆识别及统计方法 | |
US20120148094A1 (en) | Image based detecting system and method for traffic parameters and computer program product thereof | |
CN108091132B (zh) | 一种交通流量预测方法及装置 | |
CN114023062B (zh) | 一种基于深度学习和边缘计算的交通流信息监测方法 | |
CN111898491B (zh) | 一种车辆逆向行驶的识别方法、装置及电子设备 | |
CN101729872A (zh) | 一种基于视频监控图像自动判别道路交通状态的方法 | |
CN113470206B (zh) | 一种基于车辆匹配的高速公路稽查方法、设备及介质 | |
CN112347864A (zh) | 轨道交通客流感知及诱导方法、装置、设备和系统 | |
Wang et al. | Vehicle reidentification with self-adaptive time windows for real-time travel time estimation | |
CN110197586A (zh) | 一种基于多源数据的高速公路路段拥堵检测方法 | |
Tak et al. | Development of AI‐Based Vehicle Detection and Tracking System for C‐ITS Application | |
Manase et al. | Car detection in roadside parking for smart parking system based on image processing | |
CN112435276A (zh) | 一种车辆跟踪方法、装置、智能终端及存储介质 | |
CN114155706A (zh) | 一种服务区车辆判别方法、装置、电子设备和存储介质 | |
CN114612860A (zh) | 基于计算机视觉的轨道交通站内客流识别与预测方法 | |
CN117456482B (zh) | 一种面向交通监控场景的异常事件识别方法及系统 | |
Thu et al. | Multi-source data analysis for bike sharing systems | |
Sumalee et al. | Probabilistic fusion of vehicle features for reidentification and travel time estimation using video image data | |
KR102616571B1 (ko) | 인공지능을 이용한 영상 분석 기반의 도로 교통정보 제공 방법 및 그를 위한 시스템 | |
CN116050963A (zh) | 基于交通路况的配送路径选择方法、系统、装置及介质 | |
Yasin et al. | Travel time measurement in real-time using automatic number plate recognition for Malaysian 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 |