CN109544921A - 一种基于交通特性的城市路段分类方法 - Google Patents
一种基于交通特性的城市路段分类方法 Download PDFInfo
- Publication number
- CN109544921A CN109544921A CN201811415522.2A CN201811415522A CN109544921A CN 109544921 A CN109544921 A CN 109544921A CN 201811415522 A CN201811415522 A CN 201811415522A CN 109544921 A CN109544921 A CN 109544921A
- Authority
- CN
- China
- Prior art keywords
- time
- section
- velocity
- time sequence
- dtw
- 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
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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/52—Determining velocity
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Computer Networks & Wireless Communication (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于交通特性的城市路段分类方法,通过获取浮动车的GPS数据,结合地图匹配算法和数据统计方法,对浮动车GPS数据进行有效处理,得到每条研究路段的速度时间序列,通过计算每条路段速度时间序列两两之间的皮尔逊相关系数,对速度时间序列进行筛选,得到速度特征时间序列,根据速度特征时间序列特征简单将研究路段初步分类为通畅路段、持续拥堵路段和复杂路段;再结合动态时间归整距离和序列的统计学特征计算速度特征时间序列之间的相似度,并基于层次聚类算法对所有复杂路段再次进行分类,该方法可以得到城市路段的速度分布模式,方便交通管理部门针对不同速度分布模式的路段进行管理。
Description
技术领域
本发明涉及一种基于交通特性的城市路段分类方法。
背景技术
随着经济的快速发展和城市化进程的加快,人类对交通方式多样化与运输能力的需求在快速地增长。交通需求快速增长的同时给城市带来了巨大的压力和挑战,例如交通拥挤,尾气污染等一系列问题。
城市道路网络是由具有不同功能、特点的路段组成,从而实现道路通行能力满足人类出行需求的一个综合系统,该网络能否正常发挥它的功能主要受对其影响最大的路段的约束。目前我国没有对城市路段进行分类的完整的方法。传统的城市道路分类方法主要有以下四种:根据在城市规划道路系统中所处地区的分类;根据对交通运输职能作用的分类;根据承担的主要运输性质的分类;根据服务特征及街面建筑布置情况的分类。
行车速度等交通特性常用于评价道路的通畅程度,根据交通特性对城市路段进行分类对于城市交通管理和控制具有重要的作用。但是目前还没有根据交通特性对城市路段进行分类的方法。浮动车GPS数据具有精度高,数据量大的优点,因此,有必要设计一种利用浮动车GPS数据获取城市路段的交通特性,并依据交通特性对城市路段进行分类的方法。
发明内容
本发明所解决的技术问题是,针对现有技术的不足,提供了一种基于交通特性的城市路段分类方法,该方法通过获取浮动车GPS数据,对数据进行有效处理,得到每条路段的速度特征时间序列,定义DTW-D-S-K距离作为相似性度量,对路段的速度特征时间序列进行分类,定位出城市道路网中速度特征时间序列相似的路段,识别出高峰时段中的瓶颈路段,便于对这些路段进行有效的管理和保护,可以提高整个路网的可靠性。
本发明提供的技术方案为:
一种基于交通特性的城市路段分类方法,包括以下步骤:
步骤1:获取目标城市区域内D个工作日的浮动车GPS数据,得到D组浮动车GPS数据;每组浮动车GPS数据中包含多个数据点,每个数据点包括5个维度的信息,即浮动车所处的经度坐标lon、纬度坐标lat、浮动车车牌号pla_num、载客状态p和数据采集时间t;
所述工作日是指不包含节假日的星期一、星期二、星期三、星期四和星期五;
所述数据采集时间为从每日凌晨开始计时,单位为秒;
步骤2:针对D组浮动车GPS数据,剔除无效数据,得到D个出行时间序列集;每个出行时间序列集包括多个出行时间序列;
步骤3:先利用地图匹配算法将所有出行时间序列中的经纬度坐标匹配到路网中,然后将所有出行时间序列中的经纬度坐标替换为与之匹配的路网坐标点,得到更新后的出行时间序列和更新后的出行时间序列集;
步骤4:选取研究路段和研究时段,将研究时段划分为M个时间窗;获取所有通过研究路段的出行时间序列,计算每个出行时间序列中每2个连续数据点间的浮动车平均速度;以计算浮动车平均速度的前1个数据点的时间为准依次将所有的浮动车平均速度归类于对应的时间窗;
步骤5:分别对研究路段在每一天每个时间窗内的浮动车平均速度进行累加求平均,得到研究路段在每一天不同时间窗内的速度;将研究路段同一天M个时间窗内的速度组成维度为M的速度时间序列,每条研究路段得到D个速度时间序列;
步骤6:分别计算每条研究路段的速度特征时间序列;
对于任一条研究路段,首先计算其D个速度时间序列两两之间的皮尔逊相关系数;对每个速度时间序列,将其与其他速度时间序列的皮尔逊相关系数进行累加再求均值,所得结果作为该速度时间序列的有效判别度,将有效判别度大于阈值的速度时间序列筛选为高相关速度时间序列;计算该研究路段所有高相关速度时间序列中同一时间窗的速度均值,得到该研究路段的速度特征时间序列;
步骤7:对研究路段初步分类,依据研究路段的速度特征时间序列将研究路段分为通畅路段、持续拥堵路段和复杂路段;
步骤8:设置聚类簇数K,对任意两个速度特征时间序列,结合动态时间归整距离和序列的统计学特征计算它们的相似度,再采用层次聚类方法对所有对复杂路段再次进行分类,完成对城市路段的分类。
进一步地,所述步骤2中,针对D组浮动车GPS数据,剔除无效数据,得到D组出行时间序列集的过程如下:
步骤A1:将每天的浮动车GPS数据中车牌号相同的数据点按数据采集时间进行从小到大的排序,得到每辆浮动车每天的行程时间序列,进入步骤A2;
步骤A2:将行程时间序列按照载客记录连续不变的要求分为多个行程时间序列,进入步骤A3;
步骤A3:剔除所有的行程时间序列中数据点个数少于设定阈值的行程时间序列,进入步骤A4;
步骤A4:对于每一个行程时间序列,判断其是否满足任意2个连续数据点的数据采集时间之差小于t1,且任意2个连续数据点的距离小于d1的要求,若是,进入步骤A5,否则,以不满足要求的时间点作为断点,将行程时间序列断裂为2个或多个行程时间序列,并剔除数据点个数少于设定阈值的行程时间序列,进入步骤A5;
步骤A5:筛选所有行程时间序列中同时满足以下要求的行程时间序列,剔除不满足以下要求的行程时间序列,然后进入步骤A6;
(1)起点到终点的距离大于d2,且小于d3;
(2)起点到终点的采集时间差大于t2,且小于t3;
(3)连续2个采样数据点间的平均速度大于v1,且小于v2;
其中,d1、d2、d3、t1、t2、t3、v1、v2和数据点个数的设定阈值均为经验参数;
步骤A6:将步骤A5得到的每个行程时间序列作为一个出行时间序列,每天的所有出行时间序列组成一组出行时间序列集。
进一步地,t1设置为35秒,d1设置为1.5千米;d2设置为0.5千米,且小于d3设置为32千米;t2设置为3分钟,t3设置为60分钟;v1设置为0.5千米每小时,且小于v2设置为120千米每小时;步骤A3和A4中数据点个数的设定阈值为4个。
进一步地,所述步骤4中,以早上5:00到晚上24:00之间的时间段作为研究时段;以每T分钟为一个时间窗,将研究时段划分为个时间窗。
进一步地,所述步骤6中,阈值设定为0.5。
进一步地,所述步骤7对研究路段初步分类,依据研究路段的速度特征时间序列将研究路段分为通畅路段、持续拥堵路段和复杂路段的具体过程如下:
步骤B1:对于每一个研究路段,判断其速度特征时间序列中是否存在低于拥堵速度阈值的速度值,若不存在,则将其分类为通畅路段,否则进入步骤B2;
步骤B2:判断其速度特征时间序列中低于拥堵速度阈值的速度值的个数是否大于设定阈值(经验参数),若是,则将其分类为持续拥堵路段;否则将其分类为复杂路段。
进一步地,所述步骤8中,采用层次聚类方法对所有对复杂路段再次进行分类的过程中,定义两个复杂路段的速度特征时间序列之间的DTW-D-S-K距离作为它们的相似性度量函数DDDSK;所述DTW-D-S-K距离是指动态时间归整算法结合速度特征时间序列的统计学特征改进的距离算法;计算过程如下:
步骤C1:设X,Y分别为两个复杂路段的速度特征时间序列,X=[x1,x2,…,xi,…,xM],Y=[y1,y2,…,yj,…,yM];
步骤C2:计算X,Y之间的动态时间归整距离dDTW(X,Y),定义动态时间归整距离dDTW(X,Y)计算方式如下:
dDTW(X,Y)=d′DTW(xM,yM)
d′DTW(xi,yj)=d(xi,yj)+min{d′DTW(xi-1,yj-1),d′DTW(xi-1,yj),d′DTW(xi,yj-1)}
d′DTW(x1,y1)=d(x1,y1)
其中,d(xi,yj)为(xi,i),(yj,j)之间的欧式距离,i,j=1,2,…,M,min{·}取{·}中的最小值,且dDTW(x0,·)=∞,dDTW(·,y0)=∞;
步骤C3:计算X,Y之间的方差距离D(X,Y),定义方差距离D(X,Y)计算方式如下:
其中,d(xn,yn)为(xn,n),(yn,n)之间的欧式距离,为欧式距离均值
步骤C4:计算X,Y之间的偏态距离S(X,Y),定义偏态距离S(X,Y)计算方式如下:
S(X,Y)=|S(X)-S(Y)|
其中,S(X)为速度特征时间序列X的偏态系数,S(Y)为速度特征时间序列Y的偏态系数;其中分别为X、Y的均值,即 σX、σY分别为X、Y的标准差,即
步骤C5:计算X,Y之间的峰度距离K(X,Y),定义峰度距离K(X,Y)计算方式如下:
K(X,Y)=|K(X)-K(Y)|
其中,K(X)为速度特征时间序列X的峰度系数,K(Y)为速度特征时间序列Y的峰度系数,
步骤C6:为动态时间归整距离dDTW(X,Y),方差距离D(X,Y),偏态距离S(X,Y),峰度距离K(X,Y)赋予不同权重,得到两个速度特征时间序列X,Y之间的DTW-D-S-K距离dDDSK(X,Y),定义DTW-D-S-K距离dDDSK(X,Y)计算方式如下:
dDDSK=w1dDTW(X,Y)+w2D(X,Y)+w3S(X,Y)+w4K(X,Y)
其中,w1,w2,w3,w4分别为dDTW(X,Y),D(X,Y),S(X,Y),K(X,Y)的权值。
所述步骤8具体步骤为:将所有复杂路段视为网络中的节点,计算每对节点的速度特征时间序列之间的DTW-D-S-K距离,作为它们的相似度;根据相似度从强到弱连接相应节点对,形成树状图;根据实际需求横切树状图,获得K个聚类簇。
有益效果:
本发明提供了一种基于交通特性的城市路段分类方法,通过获取浮动车的GPS数据,结合ST-matching地图匹配算法和数据统计方法,对浮动车GPS数据进行有效处理,得到每条研究路段的速度时间序列,通过计算每条路段速度时间序列两两之间的皮尔逊相关系数,对速度时间序列进行筛选,得到速度特征时间序列,根据速度特征时间序列特征简单将研究路段初步分类为通畅路段、持续拥堵路段和复杂路段;该方法定义了DTW-D-S-K距离作为相似性度量函数,改进层次聚类算法,对所有复杂路段再次进行分类,该聚类方法融合速度特征时间序列的方差、偏态和峰度特征,结合DTW算法,可弱化速度特征时间序列的峰值幅度波动造成的距离偏差,校准高峰波形在时间维度上的小范围偏移偏差,提升路段聚类的泛化能力,准确得到城市路段的速度分布模式,方便交通管理部门针对不同速度分布模式的路段进行管理。
附图说明
图1为本发明所述方法的流程示意图;
图2为2016年9月18号深圳市某区域各路段第21个时间窗的速度分布图;
图3为复杂路段的聚类结果图;
图4为所选18条路段的速度特征时间序列图。
具体实施方式
下面将结合附图和实施例对本发明作进一步的说明。
本发明实施例提供了一种基于交通特性的城市路段分类方法,实现的具体步骤如图1所示。本实例使用了深圳市2016年9月1日至2016年9月30日的出租车GPS数据。具体实施方式包括以下步骤:
步骤1:对深圳市2016年9月出租车数据进行数据处理,剔除非工作日数据,得到的工作日数据更能体现城市人口的出行特点,共获取深圳市19天工作日的出租车GPS数据。;
所述出租车GPS数据包括出租车所处的经度坐标lon、纬度坐标lat、出租车车牌号pla_num、载客状态p和数据采集时间t;
所述工作日是指不包含节假日的星期一、星期二、星期三、星期四和星期五;
所述数据采集时间为从每日凌晨开始计时,单位为秒;
每天的出租车GPS数据可表示为:
步骤2:针对每个工作日出租车GPS数据,剔除无效数据,得到19天工作日出行时间序列集;
所述出行时间序列集由多个出行时间序列组成;
所述依次筛选D组出租车GPS数据,剔除无效数据,得到D组出行时间序列集的过程如下:
步骤A1:将每天的出租车GPS数据中车牌号相同的数据对象按数据采集时间进行从小到大的排序,得到每辆出租车每天的行程时间序列,进入步骤A2;
步骤A2:将行程时间序列按照载客记录连续不变的要求分为多个行程时间序列,进入步骤A3;
步骤A3:剔除所有的行程时间序列中数据点少于4个的行程时间序列,进入步骤A4;
步骤A4:判断所有行程时间序列中是否满足连续2个采样数据的数据采集时间差小于35秒,且连续2个采样数据的相邻距离小于1.5千米的要求,若是,进入步骤A5,否则,以不满足要求的时间点作为断点,将行程时间序列断裂为2个或多个行程时间序列,剔除数据点少于4个的行程时间序列,进入步骤A5;
步骤A5:筛选所有行程时间序列中同时满足以下要求的行程时间序列,剔除不满足以下要求的行程时间序列,然后进入步骤A6;
(1)起点到终点的距离大于0.5千米,且小于32千米;
(2)起点到终点的采集时间差大于3分钟,且小于60分钟;
(3)连续2个采样数据点间的平均速度大于0.5千米每小时,且小于120千米每小时;
步骤A6:将步骤A5得到的每个行程时间序列作为一个出行时间序列,每天的所有出行时间序列组成一组出行时间序列集;
步骤3:利用ST-Matching地图匹配算法将所有出行时间序列中的经纬度坐标位置序列匹配到区域内的实际路网中,将匹配的路网坐标点代替原来的经纬度坐标,更新所有出行时间序列,更新所有出行时间序列集;在进行匹配时,先将深圳市路网分割成10×10个矩形区域,分区域同时进行出行时间序列的匹配,以加快匹配速度;
步骤4:选取大量研究路段,以每15分钟为一个时间窗,对所有研究路段从早上5:00开始到晚上24:00进行统计,得到一天76个时间窗;获取所有通过研究路段的出行时间序列,计算每个出行时间序列中每连续2个采样数据点间的出租车平均速度;以计算出租车平均速度的前1个采样数据点的时间为准依次将所有的出租车平均速度归类于对应的时间窗;
步骤5:将研究路段的每个时间窗的出租车平均速度进行累加求平均得到研究路段的该时间窗的速度,将一天76个时间窗求取的研究路段的速度组成维度为76的速度时间序列,每条研究路段得到19组速度时间序列;
所述每条研究路段得到19组速度时间序列可表示为:
图2为9月18号深圳市部分城市路段由上述步骤得到的第21个时间窗(t21)内的路段平均速度。
步骤6:分别计算每条研究路段中19组速度时间序列两两之间的皮尔逊相关系数,将每个速度时间序列与其他速度时间序列的皮尔逊相关系数进行累加再求均值作为该速度时间序列的有效判别度,将有效判别度大于0.5的速度时间序列筛选为高相关速度时间序列;计算所有高相关速度时间序列的均值,得到所有研究路段的速度特征时间序列,对于深圳市含有的21115条路段,则有21115条个速度特征时间序列[X1,…,Xq,…,X21115],其中,Xq表示第q条研究路段的速度特征时间序列;
步骤7:为方便计算,本实例随机选取了18条数据集较为充足的路段作为研究路段进行研究分类。首先对这18条研究路段进行初步分类,依据研究路段的速度特征时间序列将研究路段分为通畅路段、持续拥堵路段和复杂路段;
所述对研究路段初步分类,依据研究路段的速度特征时间序列将研究路段分为通畅路段、持续拥堵路段和复杂路段的具体过程如下:
步骤B1:判断所有研究路段的速度特征时间序列中是否存在速度低于拥堵速度阈值,将速度特征时间序列中不存在低于拥堵速度阈值的研究路段分类为通畅路段,然后进入步骤B2;
在本实例中,所述拥堵速度阈值设置为40km/h。
步骤B2:将步骤B1中剩余未分类的速度特征时间序列76个速度值中存在低于拥堵速度阈值的个数大于50的研究路段分类为持续拥堵路段;
步骤B3:将步骤B2中剩余未对速度特征时间序列分类的研究路段分类为复杂路段;
本实例中,共得到4条畅通路段和2条持续拥堵路段和12条复杂路段
步骤8:对复杂路段再次分类,定义DTW-D-S-K距离作为相似性度量函数DDDSK,利用相似性度量函数DDDSK改进层次聚类方法,对所有复杂路段的速度特征时间序列进行聚类,得到复杂路段依据不同特征的分类;
所述DTW-D-S-K距离是指动态时间归整算法结合速度特征时间序列的统计学特征改进的距离算法,所述DTW-D-S-K距离作为相似性度量函数dDDSK的具体过程如下:
步骤C1:设X,Y分别为待计算DTW-D-S-K距离的两个速度特征时间序列,X=[x1,x2,…,xi,…,xM],Y=[y1,y2,…,yj,…,yM];
步骤C2:计算X,Y之间的动态时间归整距离dDTW(X,Y),定义动态时间归整距离dDTW(X,Y)计算方式如下:
dDTW(X,Y)=d′DTW(xM,yM)
d′DTW(xi,yj)=d(xi,yj)+min{d′DTW(xi-1,yj-1),d′DTW(xi-1,yj),d′DTW(xi,yj-1)}
d′DTW(x1,y1)=d(x1,y1)
其中,d(xi,yj)为(xi,i),(yj,j)之间的欧式距离,i,j=1,2,…,M,min{·}取{·}中的最小值,且dDTW(x0,·)=∞,dDTW(·,y0)=∞;
步骤C3:计算X,Y之间的方差距离D(X,Y),定义方差距离D(X,Y)计算方式如下:
其中,d(xn,yn)为(xn,n),(yn,n)之间的欧式距离,为欧式距离均值
步骤C4:计算X,Y之间的偏态距离S(X,Y),定义偏态距离S(X,Y)计算方式如下:
S(X,Y)=|S(X)-S(Y)|
其中,S(X)为速度特征时间序列X的偏态系数,S(Y)为速度特征时间序列Y的偏态系数;
步骤C5:计算X,Y之间的峰度距离K(X,Y),定义峰度距离K(X,Y)计算方式如下:
K(X,Y)=|K(X)-K(Y)|
其中,K(X)为速度特征时间序列X的峰度系数,K(Y)为速度特征时间序列Y的峰度系数;
步骤C6:为动态时间归整距离dDTW(X,Y),方差距离D(X,Y),偏态距离S(X,Y),峰度距离K(X,Y)赋予不同权重,得到两个速度特征时间序列X,Y之间的DTW-D-S-K距离dDDSK(X,Y),定义DTW-D-S-K距离dDDSK(X,Y)计算方式如下:
dDDSK=w1dDTW(X,Y)+w2D(X,Y)+w3S(X,Y)+w4K(X,Y)
其中,w1,w2,w3,w4分别为dDTW(X,Y),D(X,Y),S(X,Y),K(X,Y)的权值;在本实例中,对w1,w2,w3,w4依次赋予0.25的权重。图3为本实例中12条路段的聚类图。当设置分类簇数为3时,路段{3221,3225,4688,14198}分为一类;路段{3891,3890,3882,3884}分为一类;路段{4756,4263,4255,4270}分为一类。图4为所选18条路段的速度特征时间序列波形图。图4中可以看出,该聚类算法融合速度特征时间序列的方差、偏态和峰度特征,结合DTW算法,可弱化速度特征时间序列的峰值幅度波动造成的距离偏差,校准高峰波形在时间维度上的小范围偏移偏差,在本实施例中,该方法能有效辨识早高峰路段,晚高峰路段及同时具有早晚高峰的路段的速度特征时间序列特征,精准有效地对路段进行聚类,可方便交管部门针对不同类别的路段采取不同的措施进行管理。
需要说明的是,上述实施例中各个参数的取值不构成对本发明保护范围的限制,各个参数的取值可根据实际需要进行设置和调整。
不同于传统的城市路段分类方法,本发明根据浮动车采集到的GPS数据,得到路段的速度时间序列,针对速度时间序列的特性,结合动态时间归整算法和速度特征时间序列的统计学特征改进的距离算法与层次聚类相结合,能有效的找到城市路段具有不同速度时间序列分类,识别出高峰时段中的瓶颈路段,对于城市交通管制具有重要的意义。
Claims (7)
1.一种基于交通特性的城市路段分类方法,其特征在于,包括以下步骤:
步骤1:获取目标城市区域内D个工作日的浮动车GPS数据,得到D组浮动车GPS数据;每组浮动车GPS数据中包含多个数据点,每个数据点包括5个维度的信息,即浮动车所处的经度坐标、纬度坐标、浮动车车牌号、载客状态和数据采集时间;
步骤2:针对D组浮动车GPS数据,剔除无效数据,得到D个出行时间序列集;每个出行时间序列集包括多个出行时间序列;
步骤3:先利用地图匹配算法将所有出行时间序列中的经纬度坐标匹配到路网中,然后将所有出行时间序列中的经纬度坐标替换为与之匹配的路网坐标点,得到更新后的出行时间序列和更新后的出行时间序列集;
步骤4:选取研究路段和研究时段,将研究时段划分为M个时间窗;获取所有通过研究路段的出行时间序列,计算每个出行时间序列中每2个连续数据点间的浮动车平均速度;以计算浮动车平均速度的前1个数据点所处的时间窗为准依次将所有的浮动车平均速度归类于对应的时间窗;
步骤5:对研究路段在每一天每个时间窗内的浮动车平均速度分别进行累加求平均,得到研究路段在每一天不同时间窗内的速度;将研究路段在同一天M个时间窗内的速度组成维度为M的速度时间序列,每条研究路段得到D个速度时间序列;
步骤6:分别计算每条研究路段的速度特征时间序列;
对于任一条研究路段,首先计算其D个速度时间序列两两之间的皮尔逊相关系数;对每个速度时间序列,将其与其他速度时间序列的皮尔逊相关系数进行累加再求均值,所得结果作为该速度时间序列的有效判别度,将有效判别度大于阈值的速度时间序列筛选为高相关速度时间序列;计算该研究路段所有高相关速度时间序列中同一时间窗内的速度均值,得到该研究路段的速度特征时间序列;
步骤7:依据研究路段的速度特征时间序列对研究路段初步分类,将研究路段分为通畅路段、持续拥堵路段和复杂路段;
步骤8:设置聚类簇数K,对任意两个速度特征时间序列,结合动态时间归整距离和序列的统计学特征计算它们的相似度,再采用层次聚类方法对所有对复杂路段再次进行分类,完成对城市路段的分类。
2.根据权利要求1所述的基于交通特性的城市路段分类方法,其特征在于,所述步骤3针对D组浮动车GPS数据,剔除无效数据,得到D个出行时间序列集的过程如下:
步骤A1:将每天的浮动车GPS数据中车牌号相同的数据点按数据采集时间进行从小到大的排序,得到每辆浮动车每天的行程时间序列,进入步骤A2;
步骤A2:将行程时间序列按照载客记录连续不变的要求分为多个行程时间序列,进入步骤A3;
步骤A3:剔除所有的行程时间序列中数据点个数少于设定阈值的行程时间序列,进入步骤A4;
步骤A4:对于每一个行程时间序列,判断其是否满足任意2个连续数据点的数据采集时间之差小于t1,且任意2个连续数据点的距离小于d1的要求,若是,进入步骤A5,否则,以不满足要求的时间点作为断点,将行程时间序列断裂为2个或多个行程时间序列,剔除数据点个数少于设定阈值的行程时间序列,进入步骤A5;步骤A5:筛选所有行程时间序列中同时满足以下要求的行程时间序列,剔除不满足以下要求的行程时间序列,然后进入步骤A6;
(1)起点到终点的距离大于d2,且小于d3;
(2)起点到终点的采集时间差大于t2,且小于t3;
(3)连续2个采样数据点间的平均速度大于v1,且小于v2;
其中,d1、d2、d3、t1、t2、t3、v1和v2均为经验参数;
步骤A6:将步骤A5得到的每个行程时间序列作为一个出行时间序列,每天的所有出行时间序列组成一组出行时间序列集。
3.根据权利要求2所述的基于交通特性的城市路段分类方法,其特征在于,所述t1设置为35秒,d1设置为1.5千米;d2设置为0.5千米,且小于d3设置为32千米;t2设置为3分钟,t3设置为60分钟;v1设置为0.5千米每小时,且小于v2设置为120千米每小时;步骤A3和A4中数据点个数的设定阈值为4个。
4.根据权利要求1所述的基于交通特性的城市路段分类方法,其特征在于,所述步骤4中,以早上5:00到晚上24:00之间的时间段作为研究时段;以每T分钟为一个时间窗,将研究时段划分为个时间窗。
5.根据权利要求1所述的基于交通特性的城市路段分类方法,其特征在于,所述步骤6中,阈值设定为0.5。
6.根据权利要求1所述的基于交通特性的城市路段分类方法,其特征在于,所述步骤7的具体过程如下:
步骤B1:对于每一个研究路段,判断其速度特征时间序列中是否存在低于拥堵速度阈值的速度值,若不存在,则将其分类为通畅路段,否则进入步骤B2;
步骤B2:判断其速度特征时间序列中低于拥堵速度阈值的速度值的个数是否大于设定阈值,若是,则将其分类为持续拥堵路段;否则将其分类为复杂路段。
7.根据权利要求1~6中任一项所述的基于交通特性的城市路段分类方法,其特征在于,所述步骤8中,采用层次聚类方法对所有对复杂路段再次进行分类的过程中,定义两个复杂路段的速度特征时间序列之间的DTW-D-S-K距离作为它们的相似性度量;计算过程如下:
步骤C1:设X,Y分别为两个复杂路段的速度特征时间序列,X=[x1,x2,…,xi,…,xM],Y=[y1,y2,…,yj,…,yM];
步骤C2:计算X,Y之间的动态时间归整距离dDTW(X,Y),计算公式如下:
dDTW(X,Y)=d′DYW(xM,yM)
d′DTW(xi,yj)+min{d′DTW(xi-1,yj-1),d′DTW(xi-1,yj),d′DTW(xi,yj-1)}
d′DTW(x1,y1)=d(x1,y1)
其中,d(xi,yj)为(xi,i)(yj,j)之间的欧式距离,i,j=1,2…,M,min{·}取{·}中的最小值,且dDTW(x0,·)=∞,dDTW(·,y0)=∞;
步骤C3:计算X,Y之间的方差距离D(X,Y),计算公式如下:
其中,d(xn,yn)为(xn,n),(yn,n)之间的欧式距离,为欧式距离均值,
步骤C4:计算X,Y之间的偏态距离S(X,Y),计算公式如下:
S(X,Y)=|S(X)-S(Y)|
其中,S(X)和S(Y)分别X和Y的偏态系数;
步骤C5:计算X,Y之间的峰度距离K(X,Y),计算公式如下:
K(X,Y)=|K(X)-K(Y)|
其中,K(X)和K(Y)分别为X和Y的峰度系数;
步骤C6:为动态时间归整距离dDTW(X,Y)、方差距离D(X,Y)、偏态距离S(X,Y)和峰度距离K(X,Y)赋予不同权重,得到两个速度特征时间序列X,Y之间的DTW-D-S-K距离dDDSK(X,Y),计算公式如下:
dDDSK=w1dDTW(X,Y)+w2D(X,Y)+w3S(X,Y)+w4K(X,Y)
其中,w1,w2,w3,w4分别为dDTW(X,Y),D(X,Y),S(X,Y),K(X,Y)的权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811415522.2A CN109544921B (zh) | 2018-11-26 | 2018-11-26 | 一种基于交通特性的城市路段分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811415522.2A CN109544921B (zh) | 2018-11-26 | 2018-11-26 | 一种基于交通特性的城市路段分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109544921A true CN109544921A (zh) | 2019-03-29 |
CN109544921B CN109544921B (zh) | 2019-12-13 |
Family
ID=65849631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811415522.2A Active CN109544921B (zh) | 2018-11-26 | 2018-11-26 | 一种基于交通特性的城市路段分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109544921B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110310475A (zh) * | 2019-04-23 | 2019-10-08 | 同济大学 | 一种车辆行驶工况的采集、处理的方法及设备 |
CN111739283A (zh) * | 2019-10-30 | 2020-10-02 | 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 |
CN112987052A (zh) * | 2021-04-27 | 2021-06-18 | 中南大学 | 基于路网路段分级的快速地图匹配方法 |
CN113283665A (zh) * | 2021-06-10 | 2021-08-20 | 北京邮电大学 | 一种基于路网的城市交通事故风险预测方法 |
CN114842645A (zh) * | 2022-04-28 | 2022-08-02 | 北京市智慧交通发展中心(北京市机动车调控管理事务中心) | 一种基于k-means的路网速度态势规律提取方法 |
CN117349478A (zh) * | 2023-10-08 | 2024-01-05 | 国网江苏省电力有限公司经济技术研究院 | 一种基于数字化转型企业的资源数据重构整合系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020120389A1 (en) * | 2001-02-23 | 2002-08-29 | Hitachi, Ltd. | Method of presuming traffic conditions by using floating car data and system for presuming and presenting traffic conditions by using floating data |
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 |
CN103903433A (zh) * | 2012-12-27 | 2014-07-02 | 中兴通讯股份有限公司 | 一种道路交通状态的实时动态判别方法及装置 |
CN105374209A (zh) * | 2015-11-05 | 2016-03-02 | 北京航空航天大学 | 一种城市区域路网运行状态特征信息提取方法 |
CN106251625A (zh) * | 2016-08-18 | 2016-12-21 | 上海交通大学 | 大数据环境下立体城市交通路网全局状态预测方法 |
CN106548444A (zh) * | 2016-11-03 | 2017-03-29 | 杭州电子科技大学 | 面向道路实时速度估算的浮动车载客行为模式清洗方法 |
-
2018
- 2018-11-26 CN CN201811415522.2A patent/CN109544921B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020120389A1 (en) * | 2001-02-23 | 2002-08-29 | Hitachi, Ltd. | Method of presuming traffic conditions by using floating car data and system for presuming and presenting traffic conditions by using floating data |
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 |
CN103903433A (zh) * | 2012-12-27 | 2014-07-02 | 中兴通讯股份有限公司 | 一种道路交通状态的实时动态判别方法及装置 |
CN105374209A (zh) * | 2015-11-05 | 2016-03-02 | 北京航空航天大学 | 一种城市区域路网运行状态特征信息提取方法 |
CN106251625A (zh) * | 2016-08-18 | 2016-12-21 | 上海交通大学 | 大数据环境下立体城市交通路网全局状态预测方法 |
CN106548444A (zh) * | 2016-11-03 | 2017-03-29 | 杭州电子科技大学 | 面向道路实时速度估算的浮动车载客行为模式清洗方法 |
Non-Patent Citations (1)
Title |
---|
游黄阳: "基于车牌跟踪的交通运行状态评价及预测", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110310475A (zh) * | 2019-04-23 | 2019-10-08 | 同济大学 | 一种车辆行驶工况的采集、处理的方法及设备 |
CN111739283A (zh) * | 2019-10-30 | 2020-10-02 | 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 |
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 |
CN112987052A (zh) * | 2021-04-27 | 2021-06-18 | 中南大学 | 基于路网路段分级的快速地图匹配方法 |
CN113283665A (zh) * | 2021-06-10 | 2021-08-20 | 北京邮电大学 | 一种基于路网的城市交通事故风险预测方法 |
CN113283665B (zh) * | 2021-06-10 | 2022-07-19 | 北京邮电大学 | 一种基于路网的城市交通事故风险预测方法 |
CN114842645A (zh) * | 2022-04-28 | 2022-08-02 | 北京市智慧交通发展中心(北京市机动车调控管理事务中心) | 一种基于k-means的路网速度态势规律提取方法 |
CN117349478A (zh) * | 2023-10-08 | 2024-01-05 | 国网江苏省电力有限公司经济技术研究院 | 一种基于数字化转型企业的资源数据重构整合系统 |
CN117349478B (zh) * | 2023-10-08 | 2024-05-24 | 国网江苏省电力有限公司经济技术研究院 | 一种基于数字化转型企业的资源数据重构整合系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109544921B (zh) | 2019-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109544921A (zh) | 一种基于交通特性的城市路段分类方法 | |
CN106297288B (zh) | 一种公交乘客客流数据采集与分析方法 | |
US20190266891A1 (en) | A method to quantitatively analyze the effects of urban built environment on road travel time | |
CN102592447B (zh) | 一种基于fcm的区域路网的道路交通状态判别方法 | |
CN105825669B (zh) | 一种识别城市快速路交通瓶颈的系统和方法 | |
CN104778834B (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN104318324B (zh) | 基于出租车gps记录的机场巴士站点及路线规划方法 | |
CN102394008B (zh) | 使用来自移动数据源的数据估算道路交通状况 | |
WO2019047905A1 (zh) | 一种交通路况分析系统、方法以及装置 | |
CN107103775B (zh) | 一种基于群智计算的道路质量检测方法 | |
CN107610469A (zh) | 一种考虑多因素影响的日维度区域交通指数预测方法 | |
CN105355049B (zh) | 一种基于宏观基本图的高速公路运行状态评价方法 | |
CN105513370B (zh) | 基于稀疏车牌识别数据挖掘的交通小区划分方法 | |
CN109686091B (zh) | 一种基于多源数据融合的交通流量填补算法 | |
CN102968901A (zh) | 获取区域拥堵信息的方法及区域拥堵分析装置 | |
CN113436433B (zh) | 一种高效的城市交通离群值检测方法 | |
CN110634299B (zh) | 基于多源轨迹数据的城市交通状态精细划分与识别方法 | |
CN110363985A (zh) | 一种交通数据分析方法、装置、存储介质及设备 | |
CN108648445A (zh) | 基于交通大数据的动态交通态势预测方法 | |
CN108648453A (zh) | 一种基于手机位置更新信息进行交通出行数据画像的方法 | |
CN111199247A (zh) | 一种公交运行仿真方法 | |
CN112017429A (zh) | 一种基于货车gps数据的治超监测布点方法 | |
Hellinga et al. | Automatic vehicle identification technology-based freeway incident detection | |
Deng et al. | Heterogenous trip distance-based route choice behavior analysis using real-world large-scale taxi trajectory data | |
Park et al. | Innovative single-loop speed estimation model with advanced loop data |
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 |