CN109686092B - 一种交通网络通达性评估方法 - Google Patents
一种交通网络通达性评估方法 Download PDFInfo
- Publication number
- CN109686092B CN109686092B CN201910062877.6A CN201910062877A CN109686092B CN 109686092 B CN109686092 B CN 109686092B CN 201910062877 A CN201910062877 A CN 201910062877A CN 109686092 B CN109686092 B CN 109686092B
- Authority
- CN
- China
- Prior art keywords
- road
- target area
- accessibility
- average speed
- area
- 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
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种交通网络通达性评估方法,属于路网通达度评估领域。获取目标区域内路网信息和车辆行驶的历史数据,得到每条道路的平均速度,计算目标区域的平均速度,作为通达度的第一个指标T1。将目标区域等分,算出各子区域平均速度后求目标区域平均速度方差,对其做归一化处理,得到通达度的第二个指标T2。在目标区域里均匀随机选点,计算每两点间最短路径距离和两点间直线距离,计算直线距离/最短路径距离,并对所有比例值取平均,得到通达度的第三个指标T3。由T1,T2和T3得到最终目标区域的通达度P。重复上述步骤,得到多块区域的通达度,构建深度学习训练集,得到路网通达性评估模型。本发明提升了通达性评估模型的准确性,解决了缺少数据的问题。
Description
技术领域
本发明属于路网通达度评估领域,具体涉及一种交通网络通达性评估方法。
背景技术
目前,我国城市化建设不断推进,对公路等基础设施的保障能力和服务水平提出了更高的要求。国家每年投入大量资金用于公路路网建设,但是对于地区路网建设情况的调研却基本停留在定性的层面,缺少一套科学有效的定量评估方法来指导路网建设。
路网通达性是反映道路等基础设施质量的有效指标,研究路网通达性一方面有助于评估已有道路的建设情况,另一方面可以用于分析待建路网的质量,以辅助规划路网建设。因此,设计能够定量分析公路路网通达性的方法对指导国家公路路网科学发展有重要意义。
由于路网通达性概念相对灵活,学者们站在不同角度提出了不同的评估方法,目前主要有距离度量法、重力度量法、拓扑度量法、累计机会法和空间句法等。这些方法均基于网络模型,模型构建依赖于节点的选取,使用不同的策略选取节点最终结果差距较大。此外现有方法对于模型的构建过于抽象,仅考虑地理环境的二维信息,而忽视道路高度信息,不能很好的体现现实世界中复杂地理环境。而且现有方法将公路最大速度认为是车辆行驶速度也与实际不符。
发明内容
本发明考虑到现有通达性评估方法均是对路网进行网络化抽象,模型的构建依赖于节点的选取,采用不同的节点选取策略会导致最终通达性评估结果差异较大的问题;提出了一种交通网络通达性评估方法;首先基于路网信息和路网上车辆行驶的历史数据得到路网通达性;然后通过该方法评估多个区域通达性,构造训练集;最后利用训练集训练深度学习模型,完成模型构建用以评估待建路网通达性。
具体包括以下步骤:
步骤一、针对选定的目标区域,获取目标区域内路网信息和车辆行驶的历史数据。
路网信息包括该区域内所有道路信息,ri为目标区域路网中的第i条道路;n为目标区域包含的道路条数。
每条道路信息包含该道路宽度信息和该道路所有路段信息,r=[p1,p2,...,pm,wr];其中pm为道路r的第m个路段信息;wr表示道路r的宽度。
每个路段信息包含五个元素:该路段两端节点经纬度和该路段的海拔高度;表达式为p=[lon1,lat1,lon2,lat2,h],lon1,lon2为该路段两端节点的经度,lat1,lat2为该路段两端节点的纬度,h为该路段的海拔高度。
车辆行驶的历史数据为:统计目标区域内车辆通过每条公路时的实时速度,每条路随机选取N辆车统计;Vri=[vi1(n'),vi2(n'),...,viN(n')]为第i条道路上统计的N辆车的速度信息,v(n')为速度的离散时间函数。
步骤二、针对目标区域,根据车辆驶过各路段的历史数据,得到每条道路的平均速度。
首先,第i条道路ri上第k辆车通过该道路上所有路段时对应的平均速度为:
然后,第i条道路ri上N辆车的总体平均速度vri为:
步骤三、根据每条道路的平均速度计算目标区域的平均速度,作为通达度的第一个指标T1。
具体步骤为:
首先、针对第i条道路ri,计算该道路的面积;
计算公式为:sri=Li×wi;
其中wi为道路ri的宽度;Li为道路ri的总长;
然后、将该道路ri上N辆车的总体平均速度vri与该道路的面积相乘,求和后再除以目标区域总面积,得到目标区域的平均速度;
其中St为目标区域的总面积。
最后,同理随机选取大量区域,计算各区域的平均速度,并选取其中最大值记为V0,对目标区域的平均速度Vt做归一化处理,得到通达度的第一个指标T1,则:
步骤四、将目标区域K等分,对各子区域路网重复步骤二和三,算出各子区域平均速度后求出目标区域的平均速度方差D,对其做归一化处理后,得到通达度的第二个指标T2。
首先,目标区域的平均速度方差D:D=E[(VsK-Vt)2];VsK将目标区域K等分后,对每一等分区域算出的区域平均速度;
然后,随机选取大量区域,计算各区域的平均速度方差,选取其中最大值记为D0,对目标区域的平均速度方差D做归一化处理,得到通达度的第二个指标T2,则:
步骤五、在目标区域里均匀随机选点,计算每两点间最短路径距离和两点间直线距离,计算直线距离/最短路径距离,并对所有比例值取平均,得到通达度的第三个指标T3。
步骤六、由通达度三个指标T1,T2和T3得到最终目标区域的通达度P。
步骤七、重复上述步骤,得到多块区域的通达度,构建深度学习训练集。
步骤八、利用构建的训练集对深度学习模型进行训练,得到路网通达性评估模型。
本发明的优点以及带来的有益效果在于:
(1)本发明一种交通网络通达性评估方法,采用全新视角,基于路网和车辆行驶过程中真实数据的通达性评估,不涉及网络节点的选取,使得计算出的通达度更加普适。
(2)本发明一种交通网络通达性评估方法,考虑到已有方法对于路网数据的处理过于抽象,不能很好的反映现实世界中的复杂地理环境,本方法将路网中各路段的海拔高度纳入路网属性一部分,从而将路网信息由二维平面提升到三维空间,使得构建出的模型更加符合现实世界中的复杂地理环境。
(3)本发明一种交通网络通达性评估方法,考虑到已有方法均以道路最高行车速度为车辆平均速度,不符合实际情况。本方法利用车辆在各路段上行驶时的历史数据获得各路段上的车辆平均速度,使得获得的车辆速度数据更加客观真实,进而提升了通达性评估模型的准确性。
(4)本发明一种交通网络通达性评估方法,基于深度学习模型,构建路网图形化输入,当模型训练完毕后可以对待建路网的通达度进行评估,解决了待建路网通达度评估缺少数据的问题。
附图说明
图1为本发明一种交通网络通达性评估方法的步骤流程图;
图2为本发明一种交通网络通达性评估方法的模型输入路网示意图。
具体实施方案
下面将结合附图和实施例对本发明作进一步的详细说明。
本发明一种交通网络通达性评估方法,首先获取选定区域内路网信息及车辆行驶的历史数据。基于路网和车辆数据得到每条公路上汽车行驶平均速度,进而得到区域整体的平均速度,对其做归一化处理后,得到路网通达性的评估指标T1;接着将选定区域等分,并对每一子区域做同样处理,得到各个子区域内的平均速度,并求出平均速度的方差,归一化处理后得到路网通达性的评估指标T2;随机选取区域内节点,计算每两个节点间的直线距离和最短路径距离,求出其比例,并对求出的所以比例取平均,得到路网通达性的评估指标T3;由上述指标得到最终的路网通达度P。定义深度学习模型输入为目标区域路网图,输出为对应的通达度。基于该方法构建深度学习模型训练集,并对模型进行训练,进而得到路网通达性深度学习模型。
如图1所示,具体包括如下步骤:
步骤一、针对选定的目标区域,获取目标区域内路网信息和车辆行驶的历史数据。
路网信息包括该区域内所有道路信息,ri为目标区域路网中的第i条道路;n为目标区域包含的道路条数。
每条道路信息包含该道路宽度信息和该道路所有路段信息,r=[p1,p2,...,pm,wr];其中pm为道路r的第m个路段信息;wr表示道路r的宽度。
每个路段信息包含五个元素:该路段两端节点经纬度和该路段的海拔高度;表达式为p=[lon1,lat1,lon2,lat2,h],lon1,lon2为该路段两端节点的经度,lat1,lat2为该路段两端节点的纬度,h为该路段的海拔高度。
车辆行驶的历史数据为:统计目标区域内车辆通过每条公路时的实时速度,每条路随机选取N辆车统计;Vri=[vi1(n'),vi2(n'),...,viN(n')]为第i条道路上统计的N辆车的速度信息,v(n')为速度的离散时间函数。本实施例中选取N为1000。
步骤二、根据车辆驶过各路段的历史数据,得到每条道路的平均速度。
首先,第i条道路ri上第k辆车通过该道路上所有路段时对应的平均速度为:
然后,第i条道路ri上1000辆车的总体平均速度vri为:
步骤三、根据每条道路的平均速度计算目标区域的平均速度,作为通达度的第一个指标T1。
将目标区域中每条路平均速度乘以该道路面积,求和后再除以目标区域总面积St,得到目标区域的平均速度Vt;对其做归一化处理后,得到通达度的第一个指标,记为T1。
具体步骤为:
首先,针对第i条道路ri,根据该道路上每个路段两端节点的经纬度信息求出各路段长度。
由A点和B点经纬度求出A点和B点之间的路段距离:
θ=arccos(sinAlat×sinBlat+cosAlat×cosBlat×cos(Blon-Alon))
lAB=R×θ弧度
其中Alon为A点经度,Alat为A点纬度,Blon为B点经度,Blat为B点纬度,R为地球半径,lAB为A点和B点之间的路段距离。
同理,根据道路ri上所有路段两端节点的经纬度信息求出各路段长度集合L。
L=[l1,l2,...lm]
每一个元素lm表示道路ri上第m个路段的长度。所有路段的长度之和为道路ri的总长Li;
然后,针对第i条道路ri,利用道路ri的总长Li计算该道路的面积;
计算公式为:sri=Li×wi;
其中wi为道路ri的宽度;
进一步,将该道路ri上N辆车的总体平均速度vri与该道路的面积相乘,求和后再除以目标区域总面积,得到目标区域的平均速度;
其中St为目标区域的总面积。
最后,同理随机选取大量区域,计算各区域的平均速度,并选取其中最大值记为V0,对目标区域的平均速度Vt做归一化处理,得到通达度的第一个指标T1,则:
步骤四、将目标区域K等分,对各子区域路网重复步骤二和三,算出各子区域平均速度后求出目标区域的平均速度方差D,对其做归一化处理后,得到通达度的第二个指标T2。
首先,目标区域的平均速度方差D:D=E[(VsK-Vt)2];VsK为目标区域K等分后,对每一等分区域算出的区域平均速度;
然后,随机选取大量区域,计算各区域的平均速度方差,选取其中最大值记为D0,对目标区域的平均速度方差D做归一化处理,得到通达度的第二个指标T2,则:
步骤五、在目标区域里均匀随机选点,计算每两点间最短路径距离和两点间直线距离,计算直线距离/最短路径距离,并对所有比例值取平均,得到通达度的第三个指标T3。
设si'j'(i'≠j')为第i'个点和第j'个点间的最短距离,di'j'(i'≠j')为第i'个点和第j'个点间的直线距离。
则
ki'j'=di'j'/si'j'
步骤六、由通达度三个指标T1,T2和T3得到最终目标区域的通达度P。
步骤七、重复上述步骤,得到多块区域的通达度,构建深度学习训练集。
如图2所示,每一个训练样本为局部区域路网图和对应的通达度P;路网图中利用不同的颜色表示不同类型公路;不同的颜色深度表示路段不同的海拔,颜色越深表示该路段海拔越高;公路宽度信息由路网图上的线宽体现;此外,不同道路的交点在图中以黑点标出。步骤八、利用构建的训练集对深度学习模型进行训练,得到路网通达性评估模型。深度学习模型输入为某个待测区域的路网图,输出为该区域对应的路网通达度。
Claims (2)
1.一种交通网络通达性评估方法,其特征在于,具体包括以下步骤:
步骤一、针对选定的目标区域,获取目标区域内路网信息和车辆行驶的历史数据;
路网信息包括该目标区域内所有道路信息,ri为目标区域路网中的第i条道路;n为目标区域包含的道路条数;
每条道路信息包含该道路宽度信息和该道路所有路段信息,r=[p1,p2,...,pm,wr];其中pm为道路r的第m个路段信息;wr表示道路r的宽度;
每个路段信息包含五个元素:该路段两端节点经纬度和该路段的海拔高度;表达式为p=[lon1,lat1,lon2,lat2,h],lon1,lon2为该路段两端节点的经度,lat1,lat2为该路段两端节点的纬度,h为该路段的海拔高度;
车辆行驶的历史数据为:统计目标区域内车辆通过每条公路时的实时速度,每条路随机选取N辆车统计;Vri=[vi1(n'),vi2(n'),...,viN(n')]为第i条道路上统计的N辆车的速度信息,v(n')为速度的离散时间函数;
步骤二、针对目标区域,根据车辆驶过各路段的历史数据,得到每条道路的平均速度;
首先,第i条道路ri上第k辆车通过该道路上所有路段时对应的平均速度为:
然后,第i条道路ri上N辆车的总体平均速度vri为:
步骤三、根据每条道路的平均速度计算目标区域的平均速度,得到通达度的第一个指标T1;
具体步骤为:
首先、针对第i条道路ri,计算该道路的面积;
计算公式为:sri=Li×wi;
其中wi为道路ri的宽度;Li为道路ri的总长;
然后、将该道路ri上N辆车的总体平均速度vri与该道路的面积相乘,求和后再除以目标区域总面积,得到目标区域的平均速度;
其中St为目标区域的总面积;
最后,同理随机选取大量区域,计算各区域的平均速度,并选取其中最大值记为V0,对目标区域的平均速度Vt做归一化处理,得到通达度的第一个指标T1,则:
步骤四、将目标区域K等分,对各子区域路网重复步骤二和三,算出各子区域平均速度后求出目标区域的平均速度方差D,对其做归一化处理后,得到通达度的第二个指标T2;
步骤五、在目标区域里均匀随机选点,计算每两点间最短路径距离和两点间直线距离,计算直线距离/最短路径距离,并对所有比例值取平均,得到通达度的第三个指标T3;
步骤六、由通达度三个指标T1,T2和T3得到最终目标区域的通达度P;
步骤七、重复上述步骤,得到多块区域的通达度,构建深度学习训练集;
步骤八、利用构建的训练集对深度学习模型进行训练,得到路网通达性评估模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910062877.6A CN109686092B (zh) | 2019-01-23 | 2019-01-23 | 一种交通网络通达性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910062877.6A CN109686092B (zh) | 2019-01-23 | 2019-01-23 | 一种交通网络通达性评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109686092A CN109686092A (zh) | 2019-04-26 |
CN109686092B true CN109686092B (zh) | 2020-09-22 |
Family
ID=66193937
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910062877.6A Active CN109686092B (zh) | 2019-01-23 | 2019-01-23 | 一种交通网络通达性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109686092B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232820A (zh) * | 2019-05-20 | 2019-09-13 | 北京世纪高通科技有限公司 | 一种路况预测模型的建立方法及装置 |
CN110796380B (zh) * | 2019-10-31 | 2020-06-02 | 中国科学院地理科学与资源研究所 | 大尺度下基于栅格数据的交通通达度评价方法 |
CN111340674B (zh) * | 2020-05-20 | 2020-08-18 | 北京航空航天大学 | 一种交通运力承运意图辨识方法 |
CN113362599B (zh) * | 2021-06-07 | 2022-04-15 | 武汉市交通发展战略研究院 | 一种道路交通设施可达指数的计算方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8311741B1 (en) * | 2011-11-04 | 2012-11-13 | Google Inc. | Method and system for generating travel routes based on wireless coverage |
CN103632540B (zh) * | 2012-08-20 | 2015-11-25 | 同济大学 | 基于浮动车数据的城市主干道交通运行信息处理方法 |
CN103198658B (zh) * | 2013-03-25 | 2014-04-16 | 浙江大学 | 一种城市道路交通状态不均衡度检测方法 |
EP3186662B1 (en) * | 2014-08-26 | 2019-03-20 | Microsoft Technology Licensing, LLC | Measuring traffic speed in a road network |
US10163339B2 (en) * | 2016-12-13 | 2018-12-25 | Sap Se | Monitoring traffic congestion |
CN108629974B (zh) * | 2018-05-17 | 2020-09-08 | 电子科技大学 | 顾及城市道路交通网络特征的交通运行指数建立方法 |
-
2019
- 2019-01-23 CN CN201910062877.6A patent/CN109686092B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109686092A (zh) | 2019-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109686092B (zh) | 一种交通网络通达性评估方法 | |
CN111160753B (zh) | 一种基于知识图谱的路网节点重要性评估的方法 | |
CN111080029B (zh) | 基于多路段时空相关的城市交通路段速度预测方法及系统 | |
CN110414803B (zh) | 不同网联程度下自动驾驶系统智能水平的测评方法及装置 | |
CN105488243A (zh) | 交叉口结构的联合概率建模及推断 | |
US8989999B2 (en) | Vehicle range analysis using driving environment information with optional continuous averaging | |
CN110530381B (zh) | 基于导航数据的地图现势性检测方法、装置及存储介质 | |
CN111292534A (zh) | 一种基于聚类与深度序列学习的交通状态估计方法 | |
CN105844384A (zh) | 一种道路安全评价方法及装置 | |
CN111210612A (zh) | 基于公交gps数据与站点信息提取公交线路轨迹的方法 | |
CN112633602B (zh) | 一种基于gis地图信息的交通拥堵指数预测方法及装置 | |
CN108008099A (zh) | 一种污染源定位方法 | |
Raju et al. | Examining smoothening techniques for developing vehicular trajectory data under heterogeneous conditions | |
CN106157624A (zh) | 基于交通定位数据的多粒度道路分流可视分析方法 | |
CN112884014A (zh) | 一种基于路段拓扑结构分类的交通速度短时预测方法 | |
CN114155711A (zh) | 一种基于前驾驶行为的驾驶速度预测方法和系统 | |
Yu et al. | Using 3D mobile mapping to evaluate intersection design through drivers’ visual perception | |
CN110867075A (zh) | 一种评估雨天条件下道路测速仪对驾驶人员反应行为影响的方法 | |
CN112634620B (zh) | 基于Encoder-Decoder深度神经网络的路网动态交通分配方法 | |
CN116229708A (zh) | 基于v2i的路侧感知系统对交通目标的感知测试方法 | |
CN111613052A (zh) | 一种交通状况确定方法、装置、电子设备及存储介质 | |
CN114495486A (zh) | 一种基于层次强化学习的微观交通流预测系统及方法 | |
CN108898178A (zh) | 一种人类驾驶员弯道轨迹建模方法 | |
CN116663939B (zh) | 一种无人车路径规划场景及任务的复杂度评价方法和系统 | |
CN109015681A (zh) | 一种服务型机器人 |
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 |