CN109754598A - 一种拥堵组团识别方法及系统 - Google Patents
一种拥堵组团识别方法及系统 Download PDFInfo
- Publication number
- CN109754598A CN109754598A CN201810870389.3A CN201810870389A CN109754598A CN 109754598 A CN109754598 A CN 109754598A CN 201810870389 A CN201810870389 A CN 201810870389A CN 109754598 A CN109754598 A CN 109754598A
- Authority
- CN
- China
- Prior art keywords
- congestion
- team
- crossing
- section
- traffic parameter
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000005070 sampling Methods 0.000 claims abstract description 62
- 238000011144 upstream manufacturing Methods 0.000 claims description 30
- 238000010586 diagram Methods 0.000 claims description 7
- 238000000547 structure data Methods 0.000 claims description 4
- 230000009977 dual effect Effects 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 210000004744 fore-foot Anatomy 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请提供一种拥堵组团识别方法及系统，通过对路段两端的采样区域进行交通参数双重采样，获取两端采样区域交通发生拥堵时的时间差，在交通参数和时间差的基础上，建立路段两端路口的拥堵关联性，将拥堵关联性强的路段和路口集合形成拥堵组团。本申请有效提高对拥堵路口影响范围的识别，有利于具有针对性地进行路口信号调控。
Description
技术领域
本发明涉及交通拥堵识别问题，尤其涉及一种拥堵组团识别方法及系统。
背景技术
城市道路网络是一个庞大而复杂的系统，包含了交通需求与交通供给之间相互演化的过程。在进行交通控制策略制定之前，若无法准确判断道路网络上的交通状况及其时空演化的规律，则制定的策略可能会出现调控效果远远偏离预期效果的情况，甚至产生负面的作用，导致交通状况的进一步恶化。
针对这一问题，交通控制领域在问题的求解过程中越来越需要同时考虑时间和空间因素，掌握道路网络上通行状态演化的时空规律，辨别道路拥堵在时空上的演化特征，建立路口拥堵的时空关联分析方法，为交通指挥调度提供辅助决策信息。
在现有的城市道路交通状态的分析研究中，主要是通过理论分析、交通仿真技术或是统计学方法来对交通时空相关性进行分析。上述方法虽能对交通状态进行刻画，但是主要存在以下问题：（1）理论分析的情况在实际中应用有一定的局限性，理论情况多存在一些假设前提；（2）分析多停留在定性层面，且受所用抽样样本大小与精度的影响，与实际情况存在一些误差；（3）缺乏从实际交通运行状态的数据中分析交通状况在时间维度和空间维度中的演化规律，对交通运行所产生的数据应用还不够充分。
这里“拥堵组团”指的是多个路口及路口相连路段的集合，路口和路口之间的时空关联性强，存在较强的拥堵蔓延关系。拥堵组团并不是固定不变的路口和路段集合，是根据交通拥堵情况变化的。拥堵组团代表了拥堵严重区域，是信号调控人员需要重点关注的，对拥堵组团内的路口进行信号配时调控，可以有针对性地缓解区域交通拥堵情况。
现有技术中对“拥堵组团”的识别手段有：基于商圈、住宅圈等地理位置的划分；基于聚类方法对拥堵程度较高的路口进行识别集合等。这些手段识别出的路口之间的拥堵时空关联性强度较低，特别是时间维度上的关联性。而交通拥堵是一种实时变化的情况，现有技术对识别出的路口进行信号调控时，对拥堵实时变化的适应能力弱，多只能实现单个路口的拥堵缓解，整体区域的拥堵缓解效果较差。
发明内容
为了克服现有技术对拥堵组团识别的路口拥堵关联性强度低、拥堵组团信号调控效果差的不足，本发明提供一种拥堵组团识别方法及系统。
本发明解决其技术问题所采用的技术方案是：
一种拥堵组团识别方法，所述方法包括以下步骤：
1）在路段上游进口处划定采样区域I，路段下游出口处划定采样区域II；
2）获取采样区域I和采样区域II的交通参数，计算采样区域I和采样区域II的交通参数达到拥堵条件时的时间差T；
3）当采样区域I和采样区域II的交通参数、时间差T满足拥堵组团条件时，该路段作为时空关联路段，将时空关联路段及其两端的路口作为拥堵组团单元，获得拥堵组团单元。
进一步，所述方法还包括：
4）判断不同的拥堵组团单元之间是否拥堵时空关联，将拥堵时空关联的拥堵组团单元集合形成拥堵组团，其中拥堵时空关联是指两个拥堵组团单元共有同一路口或两个拥堵组团单元包含的路口之间的路段为时空关联路段。
进一步，所述采样区域II为超长排队区域，超长排队区域为正常排队区域相邻的区域，正常排队区域表示通过路口时车辆正常排队所需的区域。
进一步，所述正常排队区域获取方法如下：
从第一辆车在路口停车线位置遇到红灯开始，绘制在路段不同位置的车辆，逐渐行驶到路口的过程中，车辆距离路口停车线的距离s和时间t的关系图，在某一s处持续不动的时间△t即为车辆的等待时间，等待时间为零的车辆所在的位置即为正常排队区域的边界位置，另一边界为路口停车线位置。
进一步，所述超长排队区域获取方法如下：
计算路段中不同长度的预选超长排队区域在车辆正常行驶时交通参数的波动值大小，以及正常行驶和达到拥堵条件时交通参数的变化量大小，选择交通参数波动值小且变化量大的预选超长排队区域为超长排队区域。
进一步，所述交通参数包括但不限于平均行车速度、拥堵指数、流量、饱和度、流率、实时通行能力的一种或组合；所述拥堵条件是指，利用交通参数判断采样区域I和采样区域II的交通情况为拥堵时的条件，包括但不限于交通参数的设定阈值、交通参数与基准参数比较的设定阈值、交通参数单位时间变化差值的设定阈值的一种或组合。
进一步，所述满足拥堵组团条件，具体为所述路段上游进口处和下游出口处的路口拥堵时空关联性为强关联性，其中，路口拥堵时空关联性根据交通参数、时间差T，利用模糊推理关系获得。
一种拥堵组团识别系统，包括：
数据采集模块，采集路网结构数据、交通参数；
拥堵组团识别模块，分别获取路段上下游采样区域I和采样区域II的交通参数，计算采样区域I和采样区域II的交通参数达到拥堵条件时的时间差T，当交通参数、时间差T满足拥堵组团条件时，该路段作为时空关联路段，将时空关联路段及其两端的路口作为拥堵组团单元，判断不同的拥堵组团单元之间是否拥堵时空关联，将拥堵时空关联的拥堵组团单元集合形成拥堵组团，其中拥堵时空关联是指两个拥堵组团单元共有同一路口或两个拥堵组团单元包含的路口之间的路段为时空关联路段；
拥堵组团显示模块，将拥堵组团显示在电子地图或拓扑图上；
数据存储模块，存储数据采集模块、拥堵组团识别模块、拥堵组团显示模块涉及的所有数据；
其中，数据采集模块与拥堵组团识别模块相连，拥堵组团识别模块与拥堵组团显示模块相连，数据存储模块与存储数据采集模块、拥堵组团识别模块、拥堵组团显示模块相连。
进一步，所述采样区域I为路段上游处路口相邻区域；所述采样区域II为正常排队区域相邻的区域，正常排队区域表示通过路口时车辆正常排队所需的区域。
进一步，所述满足拥堵组团条件，具体为所述路段上游进口处和下游出口处的路口拥堵时空关联性为强关联性，其中，路口拥堵时空关联性根据交通参数、时间差T，利用模糊推理关系获得。
本发明的有益效果主要表现在：（1）路口拥堵时空关联性强度高，利用路口与路口之间拥堵蔓延特点建立路口拥堵时空关联性，可以快速识别对某一路口交通拥堵影响较大的相关路口。（2）提高对拥堵路口影响范围的识别，拥堵组团的大小直接体现了交通拥堵的影响范围。（3）对拥堵组团内的路口进行信号调控，有利于具有针对性地进行路口信号调控，实现对症下药。
附图说明
图1是正常情况下车辆排队长度与时间示意图。
图2是拥堵组团单元和拥堵组团示意图。
图3是一种拥堵组团识别系统结构图。
图4是采样区域I、采样区域II划定示意图。
具体实施方式
一种拥堵组团识别方法，所述方法包括以下步骤。
1、 在路段上游进口处划定采样区域I，路段下游出口处划定采样区域II。
采样区域I、II可以采用以下方法之一或组合进行划定：
1.1）根据经验划定；
1.2）根据路段长度设置一定的比例进行划定；
1.3）根据正常排队区域、超长排队区域进行划定。
在一种实施方式中，按行驶方向，车辆从路段上游进口往路段下游出口方向行驶。采样区域I为路段上游处路口相邻区域，采样区域II为超长排队区域，超长排队区域为正常排队区域相邻的区域，正常排队区域获取方法：
第一辆车在下游出口对应的停车线处遇到红灯开始减速并停下，第一辆车从停下后到再次启动的等待时间最长，其后来车辆的等待时间逐一递减，同时，第一辆车距离下游出口对应的停车线的距离最短，其后来车辆距离下游出口对应的停车线的距离逐一增加。
从第一辆车在路口停车线位置遇到红灯开始，绘制在路段不同位置的车辆，逐渐行驶到路口的过程中，车辆距离路口停车线的距离s和信号灯时间t的关系图，参照图1，车辆在一个位置持续不动的时间△t即为车辆停下后到再次启动的等待时间。可以发现，从第一辆车开始，在正常排队区域的后来车辆的等待时间逐渐减小，当车辆在正常排队区域线一端的时候，另一端为下游出口对应的停车线，等待时间基本为零。
根据观察到的车辆排队结果，在停车线之前设置一个正常排队区域，代表车辆正常排队所需要的长度；标定与正常排队区域相邻的区域为超长排队区域，若发生拥堵，车辆排队长度将超出正常排队区域，进入超长排队区域。超长排队区域划分特点：车流正常行驶时，超长排队区域中的平均行车速度是一个较稳定的值；一旦发生拥堵，该区域的平均行车速度会降低。从超长排队区域的行车速度就能反映出车辆的拥堵状况。
超长排队区域划分方法：计算所述路段中不同长度的预选超长排队区域在车辆正常行驶时交通参数的波动值大小，以及正常行驶和达到拥堵条件时交通参数的变化量大小，选择交通参数波动值小且变化量大的所述预选超长排队区域为超长排队区域。
举例：正常排队区域为距离停车线L1处，不同长度的预选超长排队区域分别为距离正常排队区域L2、L3…Ln处，L1、L2、L3…Ln为距离长度。交通参数为平均行车速度，交通参数的波动值为时间间隔td内采集的平均行车速度的方差值大小，交通参数的变化量为时间间隔td内正常行驶和达到拥堵条件时的平均行车速度差值。
在一种实施方式中，参照图4，路段上游进口处划定采样区域I具体可以为，在距离上游处路口Lu处到Lu+Ld处的一段区域，Lu、Ld为距离长度。通常距离路口近的位置，由于路口信号灯影响，车辆过路口的行驶速度波动较大，采样区域I划定在距离上游处路口Lu处到Lu+Ld处的一段区域，避开了车辆行驶速度波动较大的区域，选择了车辆行驶速度相对稳定的区域，数据采样相对更准确。
2、获取采样区域I和采样区域II的交通参数，计算采样区域I和采样区域II的交通参数达到拥堵条件时的时间差T。
在一种实施方式中，采样区域I和采样区域II的交通参数通过车辆行车速度来计算拥堵指数获得，车辆行车速度通过浮动车数据计算获得。在指定的时间间隔T1中对超长排队区域取平均速度，作为当前行车速度V1，并取同时间段同区域的历史轨迹数据计算速度平均值并取70%分位数作为基准行车速度V0。当基准行车速度V0大于当前速度V1，说明当前区域发生拥堵，二者之间的差值越大，拥堵越严重。计算当前行车速度与基准行车速度差值的百分比作为拥堵指数C，即可衡量该区域拥堵的严重程度。
拥堵条件是指，利用所述交通参数判断所述采样区域I和所述采样区域II的交通情况为拥堵时的条件，包括但不限于所述交通参数的设定阈值、所述交通参数与基准参数比较的设定阈值、所述交通参数单位时间变化差值的设定阈值的一种或组合。举例：
2.1）当拥堵指数C大于等于C0时，拥堵指数达到拥堵条件，C0为拥堵指数的设定阈值；
2.2）当拥堵指数（C- C0）/ C0大于等于τ时，拥堵指数达到拥堵条件，τ为设定阈值；
2.3）在时间间隔tt中，交通指数的变化差值（Ctt-C）/tt大于等于δ时，达到拥堵条件，δ为设定阈值。
其中一种拥堵现象：路段下游路口A的车辆通行能力不足而路段上游路口B有持续车流进入，排队车流从下游路口A一直溢出到上游路口B，排队长度超过了上游路口的出口道，对上游路口出口道的车辆行车速度产生影响，造成路段的拥堵。
对路段上的区域进行速度双重采样，取路段下游出口处的超长排队区域代表进口道发生拥堵，同时在上游进口处取合适的区域来捕捉车辆溢出对路段行车速度带来的影响。当发生车辆溢出情况，下游出口处检测到拥堵之后上游进口处也会发生拥堵，反之，若上游进口道拥堵后一定时间内下游出口处也检测到拥堵，则表示在该时间段内拥堵发生了传导。
下游出口处检测到拥堵时为t1，上游进口处检测到拥堵时为t2，时间差T=t1-t2。时间差T体现了拥堵蔓延的速度。
3、当采样区域I和采样区域II的交通参数、时间差T满足拥堵组团条件时，将路段作为时空关联路段，时空关联路段及其两端的路口作为拥堵组团单元，获得所述拥堵组团单元。
拥堵组团条件可以为以下的一种或组合：
3.1）时间差T满足时间差阈值，时间差阈值可以通过计算历史拥堵蔓延时间获得；
3.2）交通参数大于设定的阈值，设定的阈值可以通过计算历史拥堵蔓延时路段的交通参数获得；
3.3）基于时间差T、交通参数建立的路口拥堵关联性，路口拥堵时空关联性可以通过模糊推理、变量相关性分析及因变量和自变量拟合等手段获得。
在一种实施方式中，时间差T体现了拥堵蔓延的速度。蔓延速度快说明车流堆积速度大于通行速度。车辆的堆积与通行是一个动态的过程，为量化路口拥堵的时空关联性，通过已经计算得到的上下游进出口道拥堵指数与每次拥堵蔓延的时间差来表示，利用模糊推理方法来判断路口拥堵时空关联性。
在一种实施方式中，模糊推理关系如下表。
| 下游路口的拥堵程度 | 上游路口的拥堵程度 | 拥堵蔓延速度 | 路口拥堵时空关联性程度 |
| 严重 | 一般 | 高 | 较高 |
| 一般 | 严重 | 低 | 低 |
| 严重 | 一般 | 低 | 一般 |
| 一般 | 严重 | 高 | 较高 |
| 严重 | 严重 | 高 | 高 |
| 一般 | 一般 | 低 | 低 |
| 严重 | 严重 | 低 | 一般 |
| 一般 | 一般 | 高 | 较高 |
将拥堵时空关联性高的路口和关联路段作为拥堵组团单元。拥堵组团单元并不是固定不变的路口和路段，是根据交通拥堵情况变化的。拥堵组团单元是交通拥堵治理需重点关注的路口和路段，显示在地图上，可以快速发现需要进行调控的路口和路段。
可以通过比较不同拥堵组团单元的拥堵程度，对拥堵组团单元的拥堵程度进行排序，信号配时人员可以根据拥堵组团单元的拥堵程度对不同的拥堵组团施行先后信号调控。
4、判断不同的拥堵组团单元之间是否拥堵时空关联，将拥堵时空关联的拥堵组团单元集合形成拥堵组团，其中拥堵时空关联是指两个拥堵组团单元共有同一路口或两个拥堵组团单元包含的路口之间的路段为时空关联路段。即拥堵组团内任意两个相邻路口之间的路段都为时空关联路段。
拥堵组团形成方法：
4.1）以路段为单位，判断路段及路段两端的路口是否形成拥堵组团单元，将所有拥堵组团单元集合在一起，根据路段和路段之间是否拥有同一路口，对拥堵单元进行组合，形成不同的拥堵组团；
4.2）以一个拥堵组团单元为目标，搜索拥堵时空关联的路段和路口，形成一个拥堵组团，顺序形成不同的拥堵组团。
在一种实施方式中，参照图2，如拥堵组团单元，数据表示格式为路段（时空关联路段的上游路口—时空关联路段的下游路口），识别出某一区域的拥堵组团单元有：
L1（A-B）、L2（B-C）、L7（A-G）、L5（D-E）、L6（E-F）。
判断不同的拥堵组团单元之间是否拥堵时空关联，路段L1、L2通过路口B拥堵时空关联，L1、L7通过路口A拥堵时空关联。
将拥堵组团单元集合形成拥堵组团，L1（A-B）、L2（B-C）、L7（A-G）、A、B、C、G形成拥堵组团1；L5（D-E）、L6（E-F）、D、E、F形成拥堵组团2。
本申请实施方式中还提供了一种拥堵组团识别系统，参照图3，所述系统包括数据采集模块、数据存储模块、拥堵组团识别模块、拥堵组团显示模块。
其中，数据采集模块与拥堵组团识别模块相连，拥堵组团识别模块与拥堵组团显示模块相连，数据存储模块与存储数据采集模块、拥堵组团识别模块、拥堵组团显示模块相连。
其中，数据采集模块采集路网结构数据、交通参数。路网结构数据包括但不限于路段长度、路口经纬度坐标、路段和路口的连接关系、在电子地图上的位置信息等；交通参数包括但不限于平均行车速度、拥堵指数、流量、饱和度、流率等信息。
拥堵组团识别模块，分别获取路段上下游采样区域I和采样区域II的交通参数，计算采样区域I和采样区域II的交通参数达到拥堵条件时的时间差T，当交通参数、时间差T满足拥堵组团条件时，将该路段作为时空关联路段，该时空关联路段及其两端的路口作为拥堵组团单元，判断不同的拥堵组团单元之间是否拥堵时空关联，将拥堵时空关联的拥堵组团单元集合形成拥堵组团，其中拥堵时空关联是指两个拥堵组团单元共有同一路口或两个拥堵组团单元包含的路口之间的路段为时空关联路段。
进一步地，采样区域I为路段上游处路口相邻区域；采样区域II为正常排队区域相邻的区域，正常排队区域表示通过路口时车辆正常排队所需的区域。拥堵组团条件，具体为所述路段上游进口处和下游出口处的路口拥堵时空关联性为强关联性，其中，所述路口拥堵时空关联性根据交通参数、时间差T，利用模糊推理关系获得。
拥堵组团显示模块，将拥堵组团显示在电子地图或拓扑图上。拥堵组团显示模块从拥堵组团识别模块获取拥堵组团信息，从数据存储模块获取路网结构信息，根据路网结构信息绘制拓扑图，将拥堵组团信息显示在拓扑图上。参照图2，黑色加粗线条为拥堵组团的路段，路段两端的路口为拥堵组团的路口。
数据存储模块，存储数据采集模块、拥堵组团识别模块、拥堵组团显示模块涉及的所有数据。
Claims (10)
1.一种拥堵组团识别方法，其特征在于，包括：
1）在路段上游进口处划定采样区域I，路段下游出口处划定采样区域II；
2）获取所述采样区域I和所述采样区域II的交通参数，计算所述采样区域I和所述采样区域II的交通参数达到拥堵条件时的时间差T；
3）当所述采样区域I和所述采样区域II的交通参数、所述时间差T满足拥堵组团条件时，将所述路段作为时空关联路段，所述时空关联路段及其两端的路口作为拥堵组团单元，获得所述拥堵组团单元。
2.根据权利要求1所述的一种拥堵组团识别方法，其特征在于，还包括：
4）判断不同的拥堵组团单元之间是否拥堵时空关联，将拥堵时空关联的拥堵组团单元集合形成拥堵组团，其中所述拥堵时空关联是指两个拥堵组团单元共有同一路口或两个拥堵组团单元包含的路口之间的路段为时空关联路段。
3.根据权利要求1所述的一种拥堵组团识别方法，其特征在于，所述采样区域II为超长排队区域，所述超长排队区域为正常排队区域相邻的区域，所述正常排队区域表示通过路口时车辆正常排队所需的区域。
4.根据权利要求3所述的一种拥堵组团识别方法，其特征在于，所述正常排队区域获取方法如下：
从第一辆车在路口停车线位置遇到红灯开始，绘制在路段不同位置的车辆，逐渐行驶到路口的过程中，所述车辆距离所述路口停车线的距离s和时间t的关系图，在某一s处持续不动的时间△t即为车辆的等待时间，等待时间为零的车辆所在的位置即为所述正常排队区域的边界位置，另一边界为路口停车线位置。
5.根据权利要求3所述的一种拥堵组团识别方法，其特征在于，所述超长排队区域获取方法如下：
计算所述路段中不同长度的预选超长排队区域在车辆正常行驶时交通参数的波动值大小，以及正常行驶和达到拥堵条件时交通参数的变化量大小，选择交通参数波动值小且变化量大的所述预选超长排队区域为超长排队区域。
6.根据权利要求1所述的一种拥堵组团识别方法，其特征在于，所述交通参数包括但不限于平均行车速度、拥堵指数、流量、饱和度、流率、实时通行能力的一种或组合；所述拥堵条件是指，利用所述交通参数判断所述采样区域I和所述采样区域II的交通情况为拥堵时的条件，包括但不限于所述交通参数的设定阈值、所述交通参数与基准参数比较的设定阈值、所述交通参数单位时间变化差值的设定阈值的一种或组合。
7.根据权利要求1所述的一种拥堵组团识别方法，其特征在于，所述满足拥堵组团条件，具体为所述路段上游进口处和下游出口处的路口拥堵时空关联性为强关联性，其中，所述路口拥堵时空关联性根据交通参数、时间差T，利用模糊推理关系获得。
8.一种拥堵组团识别系统，其特征在于，包括：
数据采集模块，采集路网结构数据、交通参数；
拥堵组团识别模块，分别获取路段上下游采样区域I和采样区域II的交通参数，计算采样区域I和采样区域II的交通参数达到拥堵条件时的时间差T，当交通参数、时间差T满足拥堵组团条件时，将所述路段作为时空关联路段，所述时空关联路段及其两端的路口作为拥堵组团单元，判断不同的拥堵组团单元之间是否拥堵时空关联，将拥堵时空关联的拥堵组团单元集合形成拥堵组团，其中拥堵时空关联是指两个拥堵组团单元共有同一路口或两个拥堵组团单元包含的路口之间的路段为时空关联路段；
拥堵组团显示模块，将拥堵组团显示在电子地图或拓扑图上；
数据存储模块，存储所述数据采集模块、所述拥堵组团识别模块、所述拥堵组团显示模块涉及的所有数据；
其中，所述数据采集模块与所述拥堵组团识别模块相连，所述拥堵组团识别模块与所述拥堵组团显示模块相连，所述数据存储模块与所述存储数据采集模块、所述拥堵组团识别模块、所述拥堵组团显示模块相连。
9.根据权利要求8所述的一种拥堵组团识别系统，其特征在于，所述采样区域I为路段上游处路口相邻区域；所述采样区域II为正常排队区域相邻的区域，所述正常排队区域表示通过路口时车辆正常排队所需的区域。
10.根据权利要求8所述的一种拥堵组团识别系统，其特征在于，所述满足拥堵组团条件，具体为所述路段上游进口处和下游出口处的路口拥堵时空关联性为强关联性，其中，所述路口拥堵时空关联性根据交通参数、时间差T，利用模糊推理关系获得。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810870389.3A CN109754598B (zh) | 2018-08-02 | 2018-08-02 | 一种拥堵组团识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810870389.3A CN109754598B (zh) | 2018-08-02 | 2018-08-02 | 一种拥堵组团识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109754598A true CN109754598A (zh) | 2019-05-14 |
| CN109754598B CN109754598B (zh) | 2021-01-08 |
Family
ID=66402332
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810870389.3A Active CN109754598B (zh) | 2018-08-02 | 2018-08-02 | 一种拥堵组团识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109754598B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111583654A (zh) * | 2020-05-27 | 2020-08-25 | 多伦科技股份有限公司 | 一种预防交叉口堵车的方法 |
| CN112185108A (zh) * | 2020-08-27 | 2021-01-05 | 银江股份有限公司 | 基于时空特征的城市路网拥堵模式识别方法、设备及介质 |
| CN112820105A (zh) * | 2020-12-31 | 2021-05-18 | 银江股份有限公司 | 路网异常区域处理的方法及系统 |
| CN114495488A (zh) * | 2021-12-30 | 2022-05-13 | 北京掌行通信息技术有限公司 | 常发拥堵时空范围提取方法和系统 |
| CN114863676A (zh) * | 2022-04-15 | 2022-08-05 | 青岛海信网络科技股份有限公司 | 一种拥堵识别方法及装置 |
| CN115035712A (zh) * | 2022-04-27 | 2022-09-09 | 银江技术股份有限公司 | 城市交通信号控制方案推荐方法、系统、装置和介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102610087A (zh) * | 2012-02-14 | 2012-07-25 | 清华大学 | 基于车流波理论的交通事件影响分析方法 |
| CN102968901A (zh) * | 2012-11-30 | 2013-03-13 | 青岛海信网络科技股份有限公司 | 获取区域拥堵信息的方法及区域拥堵分析装置 |
| CN103050005A (zh) * | 2012-11-16 | 2013-04-17 | 北京交通大学 | 城市道路交通状态时空分析方法与系统 |
| CN103985251A (zh) * | 2014-04-21 | 2014-08-13 | 东南大学 | 一种车辆排队长度测算的方法及系统 |
| CN105825690A (zh) * | 2016-06-15 | 2016-08-03 | 北京航空航天大学 | 一种面向可协调控制的干线交叉口关联性分析及划分方法 |
| CN106530694A (zh) * | 2016-11-07 | 2017-03-22 | 深圳大学 | 一种基于交通拥堵传播模型的交通拥堵预测方法及系统 |
-
2018
- 2018-08-02 CN CN201810870389.3A patent/CN109754598B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102610087A (zh) * | 2012-02-14 | 2012-07-25 | 清华大学 | 基于车流波理论的交通事件影响分析方法 |
| CN103050005A (zh) * | 2012-11-16 | 2013-04-17 | 北京交通大学 | 城市道路交通状态时空分析方法与系统 |
| CN102968901A (zh) * | 2012-11-30 | 2013-03-13 | 青岛海信网络科技股份有限公司 | 获取区域拥堵信息的方法及区域拥堵分析装置 |
| CN103985251A (zh) * | 2014-04-21 | 2014-08-13 | 东南大学 | 一种车辆排队长度测算的方法及系统 |
| CN105825690A (zh) * | 2016-06-15 | 2016-08-03 | 北京航空航天大学 | 一种面向可协调控制的干线交叉口关联性分析及划分方法 |
| CN106530694A (zh) * | 2016-11-07 | 2017-03-22 | 深圳大学 | 一种基于交通拥堵传播模型的交通拥堵预测方法及系统 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111583654A (zh) * | 2020-05-27 | 2020-08-25 | 多伦科技股份有限公司 | 一种预防交叉口堵车的方法 |
| CN112185108A (zh) * | 2020-08-27 | 2021-01-05 | 银江股份有限公司 | 基于时空特征的城市路网拥堵模式识别方法、设备及介质 |
| CN112185108B (zh) * | 2020-08-27 | 2021-11-16 | 银江技术股份有限公司 | 基于时空特征的城市路网拥堵模式识别方法、设备及介质 |
| CN112820105A (zh) * | 2020-12-31 | 2021-05-18 | 银江股份有限公司 | 路网异常区域处理的方法及系统 |
| CN112820105B (zh) * | 2020-12-31 | 2022-08-26 | 银江技术股份有限公司 | 路网异常区域处理的方法及系统 |
| CN114495488A (zh) * | 2021-12-30 | 2022-05-13 | 北京掌行通信息技术有限公司 | 常发拥堵时空范围提取方法和系统 |
| CN114863676A (zh) * | 2022-04-15 | 2022-08-05 | 青岛海信网络科技股份有限公司 | 一种拥堵识别方法及装置 |
| CN115035712A (zh) * | 2022-04-27 | 2022-09-09 | 银江技术股份有限公司 | 城市交通信号控制方案推荐方法、系统、装置和介质 |
| CN115035712B (zh) * | 2022-04-27 | 2023-11-14 | 银江技术股份有限公司 | 城市交通信号控制方案推荐方法、系统、装置和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109754598B (zh) | 2021-01-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109754598A (zh) | 一种拥堵组团识别方法及系统 | |
| US20200211374A1 (en) | System, method, and apparatus for analyzing a traffic road condition | |
| CN108109382B (zh) | 基于复合网络的拥堵点、拥堵线、拥堵区域的发现方法 | |
| CN109615851B (zh) | 一种在群智感知系统中基于关键路段的感知节点选取方法 | |
| CN100463009C (zh) | 一种交通信息融合处理方法和系统 | |
| CN104778834B (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
| CN104021671B (zh) | 一种svm与模糊判断相结合的道路实时路况的判断方法 | |
| CN109544932A (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 | |
| CN110176139A (zh) | 一种基于dbscan+的道路拥堵识别可视化方法 | |
| CN106446960A (zh) | 一种密度聚类划分时间段的动态热度路网构建方法 | |
| CN116363891B (zh) | 基于车联网的智慧城市网外运算方法及系统 | |
| CN114239371A (zh) | 基于仿真的大型停车场出入口车辆延误模型参数标定方法 | |
| CN107564279A (zh) | 一种基于浮动车数据的交通指数计算方法及系统 | |
| JP2016133942A (ja) | 交通指標算出装置、交通指標算出方法及びコンピュータプログラム | |
| CN116129650B (zh) | 一种基于大数据分析的交通预警系统及其方法 | |
| CN111766642A (zh) | 登陆热带气旋日降水预报系统 | |
| CN107590998B (zh) | 一种基于浮动车数据的道路节点运行状态识别系统 | |
| CN110120154B (zh) | 大规模路网下利用检测器数据的交通路况预测方法 | |
| Liu et al. | Estimating delay time at signalized intersections by probe vehicles | |
| CN113345230A (zh) | 一种协调干线管控问题研判的优化方法与优化系统 | |
| JP5593939B2 (ja) | プローブ情報の有効性判定装置及びコンピュータプログラム | |
| Yamamoto et al. | Variability of travel time estimates using probe vehicle data | |
| CN112116805B (zh) | 一种规定行驶线路确定方法及装置 | |
| WO2024027428A1 (zh) | 一种动静态联动的车辆路径引导方法 | |
| JP2012038021A (ja) | プローブ情報の有効性判定装置及びコンピュータプログラム |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Xu Jia Inventor after: Ding Chuyin Inventor after: Xie Jingcheng Inventor after: Yuan Xinliang Inventor after: Guo Haifeng Inventor before: Xu Jia Inventor before: Ding Chuyin Inventor before: Xie Jingcheng Inventor before: Yuan Xinliang Inventor before: Guo Haifeng |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 310012 1st floor, building 1, 223 Yile Road, Hangzhou City, Zhejiang Province Patentee after: Yinjiang Technology Co.,Ltd. Address before: 310012 1st floor, building 1, 223 Yile Road, Hangzhou City, Zhejiang Province Patentee before: ENJOYOR Co.,Ltd. |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190514 Assignee: ZHEJIANG YINJIANG ZHIHUI TRAFFIC GROUP Co.,Ltd. Assignor: Yinjiang Technology Co.,Ltd. Contract record no.: X2023980043013 Denomination of invention: A Congestion Cluster Identification Method and System Granted publication date: 20210108 License type: Common License Record date: 20231007 |