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 PDFInfo
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000009499 grossing Methods 0.000 claims abstract description 5
- 230000001174 ascending effect Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
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
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:
为回归后的车流数据;
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
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
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:
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
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
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:
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
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
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:
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
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
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)
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)
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 |
-
2018
- 2018-12-26 CN CN201811600402.XA patent/CN109697849B/zh active Active
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 | |
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 | |
CN108648457B (zh) | 一种速度预测的方法、装置和计算机可读存储介质 | |
CN104063467B (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 | |
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 | |
CN107909825B (zh) | 一种高斯过程回归饱和流率检测方法 | |
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 | |
CN111310833A (zh) | 一种基于贝叶斯神经网络的出行方式识别方法 | |
CN110738855A (zh) | 一种数据稀疏时间段的道路交通流状况预测方法 | |
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 | |
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 | |
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 | |
CN111951572A (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 | |
CN115482666B (zh) | 基于数据融合的多图卷积神经网络交通预测方法 | |
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 |