CN109697849B - 基于滑动平均算法的智能交通时段划分方法 - Google Patents

基于滑动平均算法的智能交通时段划分方法 Download PDF

Info

Publication number
CN109697849B
CN109697849B CN201811600402.XA CN201811600402A CN109697849B CN 109697849 B CN109697849 B CN 109697849B CN 201811600402 A CN201811600402 A CN 201811600402A CN 109697849 B CN109697849 B CN 109697849B
Authority
CN
China
Prior art keywords
traffic
time
data
moving average
average algorithm
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
CN201811600402.XA
Other languages
English (en)
Other versions
CN109697849A (zh
Inventor
陈明
王勐
彭吉友
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.)
Aerospace Science And Technology Guangxin Intelligent Technology Co ltd
Original Assignee
Aerospace Science And Technology Guangxin Intelligent Technology Co ltd
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 Aerospace Science And Technology Guangxin Intelligent Technology Co ltd filed Critical Aerospace Science And Technology Guangxin Intelligent Technology Co ltd
Priority to CN201811600402.XA priority Critical patent/CN109697849B/zh
Publication of CN109697849A publication Critical patent/CN109697849A/zh
Application granted granted Critical
Publication of CN109697849B publication Critical patent/CN109697849B/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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

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

Abstract

一种基于滑动平均算法的智能交通时段划分方法，包括以下步骤：1)获取交叉口道路流量信息；2)运用滑动平均算法对获取的数据进行平滑处理；3)通过平滑后的数据进行差分计算，得到相应的导数，即车流量的变化趋势；4)根据车流导数的不同变化特征，进行进一步的数据判别，将一日的交通状态划分成多个时段，为下一步配时方案的设计提供依据。本发明以滑动平均算法对数据进行平滑处理，以差分结果近似数据导数，对时段进行划分，能够更加灵敏地反应车流的数据变化趋势，对路网的交通状况进行更为准确的识别，提高配时方案的有效性。

Description

基于滑动平均算法的智能交通时段划分方法
技术领域
本发明涉及交通控制工程、大数据分析应用领域，尤其涉及交通峰谷状态识别和配时方案的时段划分方法。
背景技术
伴随着城市现代化程度提高，城市交通规模也保持着告诉增长的态势，传统交通技术开始难以适应社会发展的要求。由于交通流量变化的复杂性和不确定性，其中表现较为突出的是，受早晚高峰的影响，城市交通状态变化频繁、复杂，为了缓解城市交通状况，基于不同时段的特点，就需要配置不同的方案来疏通道路，因此，峰谷时段划分的准确性和有效性显得尤为重要。而目前适合于最常见的对实际车流数据设置阈值，以区分峰谷时段的方法，存在一定的局限性，难以精确描述交通流的变化态势。因此为了能有效提高时段划分的准确性，充分发挥配时方案的效果，本发明提出基于滑动平均算法的智能交通时段划分算法，以便与时段划分的结果能够更加精确地反应交通变化趋势，提高调度的有效性。
发明内容
为了克服城市路网交通状况复杂引起的峰谷时段划分困难，交通数据流量变化的波动性、时段性和随机性，纯粹以实际流量为标准的峰谷时段难以真实反馈路口状态，因此需对路口的交通状况进行更深入的研究，以更准确、贴切地描述路口交通变化情况。本发明提出一种基于滑动平均算法的智能交通时段划分方法。
本发明解决其技术问题所采用的技术方案是：
一种基于滑动平均算法的智能交通时段划分方法，包括以下步骤：
1)输入具体的日期、路口、车道，获取相应交叉口道路的流量信息；以Δt＝5分钟为时间间隔，将一天划分为288个时段，从数据库获取到过车数据后，计算得到288维的车流量，记为V，其中V(t)代表当前路口t时段的车流量；
2)运用滑动平均算法对V进行平滑处理，计算方法如下公式(1)所示：
Figure GDA0002453284630000011
式中：τ为滑动的半个周期长度；wi为每个时段V的权重，其中∑wi＝1；
Figure GDA0002453284630000012
为回归后的车流数据；
3)对
Figure GDA0002453284630000021
进行差分计算，近似为车流的导函数d,计算如公式(2)：
Figure GDA0002453284630000022
4)针对流量导数曲线进行进一步的数据判别，将一日的交通状态划分成多个时段，过程如下：
4.1)根据算法取阈值T，按阈值T把所有时段分为上升/下降时段和平稳时段
Figure GDA0002453284630000023
经过阈值T的切割，导数曲线可以变换为具有时间属性的状态数字序列s(t)，其中状态数字为0,1；
4.2)开始划分时段，找到所有上升/下降，平稳的连续状态数字序列，即0,1作为一个时间段；
4.3)找到所有拐点所在处，根据前后时刻s(t)值，找到所有高峰时段的起始点和终止点，如公式(4)所示
Figure GDA0002453284630000024
式中:
Figure GDA0002453284630000025
和
Figure GDA0002453284630000026
分别是第i个高峰时段的起始时间和结束时间。
本发明的有益效果表现在：以滑动平均算法对数据进行平滑处理，以差分结果近似数据导数，对时段进行划分，能够更加灵敏地反应车流的数据变化趋势，对路网的交通状况进行更为准确的识别，提高配时方案的有效性
附图说明
图1是基于滑动平均算法的智能交通时段划分算法的逻辑流程图；
图2是台州市市府大道与白云山路交叉口地图；
图3是实施例时段划分算法的结果示意图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1～图3，一种基于滑动平均算法的智能交通时段划分方法，包括以下步骤：
1)输入具体的日期、路口、车道，获取相应交叉口道路的流量信息；以Δt＝5分钟为时间间隔，将一天划分为288个时段，从数据库获取到过车数据后，计算得到288维的车流量，记为V，其中V(t)代表当前路口t时段的车流量；
2)运用滑动平均算法对V进行平滑处理，计算方法如下公式(1)所示：
Figure GDA0002453284630000031
式中：τ为滑动的半个周期长度；wi为每个时段V的权重，其中∑wi＝1；
Figure GDA0002453284630000032
为回归后的车流数据；
3)对
Figure GDA0002453284630000033
进行差分计算，近似为车流的导函数d,计算如公式(2)：
Figure GDA0002453284630000034
4)针对流量导数曲线进行进一步的数据判别，将一日的交通状态划分成多个时段，过程如下：
4.1)根据算法取阈值T，按阈值T把所有时段分为上升/下降时段和平稳时段
Figure GDA0002453284630000035
经过阈值T的切割，导数曲线可以变换为具有时间属性的状态数字序列s(t)，其中状态数字为0,1；
4.2)开始划分时段，找到所有上升/下降，平稳的连续状态数字序列，即0,1作为一个时间段；
4.3)找到所有拐点所在处，根据前后时刻s(t)值，找到所有高峰时段的起始点和终止点，如公式(4)所示
Figure GDA0002453284630000036
式中:
Figure GDA0002453284630000037
和
Figure GDA0002453284630000038
分别是第i个高峰时段的起始时间和结束时间。
本实施例以台州市某一实际路口为实施例，如图2所示，一种基于滑动平均算法的智能交通时段划分方法，包括以下步骤：
1)搜索2017年5月25日台州市市府大道与白云山路交叉口，获取相应交叉口道路的流量信息；以Δt＝5分钟为时间间隔，将一天划分为288个时段，从数据库获取到过车数据后，计算得到288维的车流量，记为V，其中V(t)代表当前路口t时段的车流量；
2)运用滑动平均算法对V进行平滑处理，计算方法如下公式(1)所示：
Figure GDA0002453284630000041
式中：τ为滑动的半个周期长度；wi为每个时段V的权重，其中∑wi＝1；
Figure GDA0002453284630000042
为回归后的车流数据；
3)对
Figure GDA0002453284630000043
进行差分计算，近似为车流的导函数d,计算如公式(2)：
Figure GDA0002453284630000044
4)针对流量导数曲线进行进一步的数据判别，将一日的交通状态划分成多个时段，过程如下：
4.1)根据算法取阈值T，按阈值T把所有时段分为上升/下降时段和平稳时段
Figure GDA0002453284630000045
经过阈值T的切割，导数曲线可以变换为具有时间属性的状态数字序列s(t)，其中状态数字为0,1；
4.2)开始划分时段，找到所有上升/下降，平稳的连续状态数字序列，即0,1作为一个时间段；
4.3)找到所有拐点所在处，根据前后时刻s(t)值，找到所有高峰时段的起始点和终止点，如公式(4)所示
Figure GDA0002453284630000046
式中
Figure GDA0002453284630000047
和
Figure GDA0002453284630000048
分别是第i个高峰时段的起始时间和结束时间。
以台州市某一实际路口为实施例，运用以上方法得到车流时段划分结果，如图3所示。
以上阐述的是本发明给出的一个实施例表现出来的优良效果，可以发现该方法可以较好的提取不同时段的交通状态，将之划分为各个不同时段，以便于优化和调度的进行，对疏解交通状况、提高调度效果具有显著作用。

Claims (1)

1.一种基于滑动平均算法的智能交通时段划分方法，其特征在于，所述方法包括以下步骤：
1)输入具体的日期、路口、车道，获取相应交叉口道路的流量信息；以Δt＝5分钟为时间间隔，将一天划分为288个时段，从数据库获取到过车数据后，计算得到288维的车流量，记为V，其中V(t)代表当前路口t时段的车流量；
2)运用滑动平均算法对V进行平滑处理，计算方法如下公式(1)所示：
Figure FDA0002453284620000011
式中：τ为滑动的半个周期长度；wi为每个时段V的权重，其中∑wi＝1；
Figure FDA0002453284620000012
为回归后的车流数据；
3)对
Figure FDA0002453284620000013
进行差分计算，近似为车流的导函数d,计算如公式(2)：
Figure FDA0002453284620000014
4)针对流量导数曲线进行进一步的数据判别，将一日的交通状态划分成多个时段，过程如下：
4.1)根据算法取阈值T，按阈值T把所有时段分为上升/下降时段和平稳时段
Figure FDA0002453284620000015
经过阈值T的切割，导数曲线变换为具有时间属性的状态数字序列s(t)，其中状态数字为0,1；
4.2)开始划分时段，找到所有上升/下降，平稳的连续状态数字序列，即0,1作为一个时间段；
4.3)找到所有拐点所在处，根据前后时刻s(t)值，找到所有高峰时段的起始点和终止点，如公式(4)所示
Figure FDA0002453284620000016
式中:
Figure FDA0002453284620000017
和
Figure FDA0002453284620000018
分别是第i个高峰时段的起始时间和结束时间。
CN201811600402.XA 2018-12-26 2018-12-26 基于滑动平均算法的智能交通时段划分方法 Active CN109697849B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811600402.XA CN109697849B (zh) 2018-12-26 2018-12-26 基于滑动平均算法的智能交通时段划分方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811600402.XA CN109697849B (zh) 2018-12-26 2018-12-26 基于滑动平均算法的智能交通时段划分方法

Publications (2)

Publication Number Publication Date
CN109697849A CN109697849A (zh) 2019-04-30
CN109697849B true CN109697849B (zh) 2020-06-16

Family

ID=66232013

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811600402.XA Active CN109697849B (zh) 2018-12-26 2018-12-26 基于滑动平均算法的智能交通时段划分方法

Country Status (1)

Country Link
CN (1) CN109697849B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110276966B (zh) * 2019-07-25 2021-09-17 上海应用技术大学 交叉口信号控制时段划分方法
CN110782667A (zh) * 2019-10-30 2020-02-11 北京百度网讯科技有限公司 信号灯分时段配时方法、装置、电子设备及存储介质
CN111192465A (zh) * 2020-01-07 2020-05-22 上海宝康电子控制工程有限公司 基于流量数据实现信号配时方案组划分处理的方法
CN113068215B (zh) * 2021-03-12 2022-01-11 华扬联众数字技术(深圳)有限公司 一种基于权重与过滤的多WiFi探针MAC地址的动线算法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103106793B (zh) * 2013-01-11 2015-02-04 福州大学 基于实时行车方向和通行时段信息的交通状态判别方法
US10074220B2 (en) * 2015-11-20 2018-09-11 Geotab Inc. Big telematics data constructing system
CN106920402A (zh) * 2016-11-21 2017-07-04 中兴软创科技股份有限公司 一种基于交通流量的时间序列划分方法与系统
CN106600965B (zh) * 2017-01-19 2018-12-14 上海理工大学 基于尖锐度的交通流早晚高峰时段自动识别方法
CN106875681B (zh) * 2017-03-22 2019-08-13 山东大学 一种交通拥塞趋势预测方法及系统
CN107464419A (zh) * 2017-08-28 2017-12-12 北京工业大学 一种考虑时空特性的短时交通流预测方法
CN107978148A (zh) * 2017-11-13 2018-05-01 上海电科智能系统股份有限公司 一种基于多源交通数据动态可靠性的交通状态预测方法
CN108171999B (zh) * 2018-02-11 2021-02-02 成都信息工程大学 基于滑动平均车流量的红绿灯时长动态控制方法及系统

Also Published As

Publication number Publication date
CN109697849A (zh) 2019-04-30

Similar Documents

Publication Publication Date Title
CN109697849B (zh) 基于滑动平均算法的智能交通时段划分方法
CN109712393B (zh) 基于高斯过程回归算法的智能交通时段划分方法
CN109800801B (zh) 基于高斯回归算法的K-Means聚类分析车道流量方法
CN108959466B (zh) 基于bcs-dbscan的出租车载客热点可视化方法及系统
CN102102992B (zh) 基于多级网络划分的匹配道路初筛方法及地图匹配系统
CN109064748B (zh) 基于时间聚类分析和可变卷积神经网络的交通平均速度预测方法
CN111310833B (zh) 一种基于贝叶斯神经网络的出行方式识别方法
CN110738856B (zh) 一种基于移动聚类的城市交通拥堵精细识别方法
CN105489004B (zh) 面向道路实时速度计算的卡口与浮动车数据融合方法
CN110047291A (zh) 一种考虑扩散过程的短时交通流预测方法
CN110276966B (zh) 交叉口信号控制时段划分方法
CN108122186B (zh) 一种基于卡口数据的职住位置估计方法
CN106600965B (zh) 基于尖锐度的交通流早晚高峰时段自动识别方法
CN104063467A (zh) 基于改进的相似性搜索技术的域内交通流量模式发现方法
CN110148295B (zh) 一种估计路段自由流速度及交叉口上游到达流率的方法
WO2018001122A1 (zh) 一种公交车行驶速度确定方法及装置
CN108573600B (zh) 一种驾驶员行为诱导与局部交通流优化方法
CN109243173A (zh) 基于道路高清卡口数据的车辆轨迹分析方法及系统
CN106600044A (zh) 一种车辆销售量预测模型确定的方法及装置
CN110827537B (zh) 一种潮汐车道的设置方法、装置及设备
CN111951572B (zh) 一种城市道路交叉口多时段信号控制方案的时段划分优化方法
CN106991817B (zh) 多级路网路段交通容量确定方法
CN102841382B (zh) 模型约束静校正法的校正量计算方法
CN108681741A (zh) 基于ic卡和居民调查数据的地铁通勤人群信息融合方法
CN103729552A (zh) 一种自动识别流域数字化过程中出口点的方法

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