CN110232823B - 一种基于rfid电子车牌数据的慢行车判定分析方法 - Google Patents
一种基于rfid电子车牌数据的慢行车判定分析方法 Download PDFInfo
- Publication number
- CN110232823B CN110232823B CN201910516661.2A CN201910516661A CN110232823B CN 110232823 B CN110232823 B CN 110232823B CN 201910516661 A CN201910516661 A CN 201910516661A CN 110232823 B CN110232823 B CN 110232823B
- Authority
- CN
- China
- Prior art keywords
- slow
- travel time
- vehicle
- vehicle types
- data
- 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
-
- 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
- G08G1/015—Detecting movement of traffic to be counted or controlled with provision for distinguishing between two or more types of vehicles, e.g. between motor-cars and cycles
-
- 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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于RFID电子车牌数据的慢行车判定分析方法,所述分析方法具体为:S1:对选定路段的RFID电子车牌数据进行数据预处理,并提取所有车型的行程时间数据;S2:提取判定分析观测值;S3:求取不同车型与典型慢行车、典型非慢行车观测值之间的距离;S4:确定慢行车的具体车型范围。首先在分析不同车型行程时间分布特征的基础上选取能够反映不同车型行程时间分布特点的观测值,利用改进TOPSIS方法对不同车型进行判定分析,弥补了以往研究种忽视慢行车比例的缺陷。
Description
技术领域
本发明涉及自动化领域,具体的,涉及一种基于RFID电子车牌数据的慢行车判定分析方法。
背景技术
我国的道路交通主要是混合交通,它的主要特点的是:在道路上不仅有非机动车,机动车的类型和行驶速度相差也比较大。已有研究表明,在我国城市道路上的车流中混有一些行驶速度较低的车辆,是造成平均车速低的重要原因。其中由于车辆性能、超载等原因,慢车(如大货车)行驶速度较低,与快车之间相互干扰严重,尤其是大货车之间相互超车形成的“移动瓶颈”,致使一方面运行交通量未能达到设计通行能力,道路通行效率也在相应的服务水平之下,而另一方面实际交通状况却拥堵不堪,大大影响了道路的通行效率和社会经济效益。慢行车在道路上对交通产生的延误与道路交通量、慢行车车速、平均车速及慢性距离有关,道路上的交通量越大,慢行车的行驶距离越长,所产生的延误就越大。
综上所述,慢行车的存在会对道路交通状况及通行效率产生极大的影响,且慢行车辆的比例越大,对二者的影响越大。在同一条道路上行驶相同数量的车辆时,慢行车比例不同,对道路的交通状况及通行效率的影响也一定不相同,所以在进行交通流特征参数进行分析及预测时,忽略慢行车比例对道路通行效率的影响必会导致预测准确性降低。由于RFID电子车牌数据将车型细分为59种类型,而以往凭借直觉笼统地将大货车归类为慢行车,小汽车归类为快行车,忽视其他车型的做法使得慢行车的车型范围没有一个合适的判定方法,故本专利基于RFID电子车牌数据,以路段行程时间为研究对象,对采集到的59种车型行驶数据进行行程时间分布特征分析。
发明内容
有鉴于此,本发明的目的是提供一种基于RFID电子车牌数据的慢行车判定分析方法,目的是首先在分析不同车型行程时间分布特征的基础上选取能够反映不同车型行程时间分布特点的观测值,利用改进TOPSIS方法对不同车型进行判定分析,弥补了以往研究种忽视慢行车比例的缺陷。
本发明的目的是通过以下技术方案实现的:
一种基于RFID电子车牌数据的慢行车判定分析方法,所述分析方法具体为:
S1:对选定路段的RFID电子车牌数据进行数据预处理,并提取所有车型的行程时间数据;
S2:对不同车型的路段行程时间分布特征进行分析;
S3:提取判定分析观测值;
S4:确定慢行车的具体车型范围。
进一步,所述S1具体为:
S11:获得道路截面完整的通过车辆的数据集;
S12:处理冗余数据和异常数据;
S13:提取所有车型的所述行程时间数据。
进一步,所述S2具体为:
S21:根据所述行程时间数据,画出所有车型的行程时间分布图;
S22:确定典型慢行车车型和典型非慢行车车型的车辆类型。
进一步,所述S3具体为:
S31:根据所述行程时间分布图,分析行程时间分布在所述判断分析区间内的所有车型的行程时间分布特征;
S32:确定并提取能够合理表现不同车型是否为慢行车的所有属性值。
进一步,所述S4具体为:
S41:规范化每个所述属性值;
S42:计算各所述属性值的权重最优值;
S43:确定慢行车的具体类型。
本发明的有益效果是:
首先在分析不同车型行程时间分布特征的基础上选取能够反映不同车型行程时间分布特点的观测值,利用改进TOPSIS方法对不同车型进行判定分析,弥补了以往研究种忽视慢行车比例的缺陷。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
附图1为本发明原理流程图。
具体实施方式
以下将参照附图,对本发明的优选实施例进行详细的描述。应当理解,优选实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
如图1所示,本发明提出了一种基于RFID电子车牌数据的慢行车判定分析方法,原理为根据分布特征首先将行驶特性具有明显差距的重(大)型货车和小型客车归类为慢行车和非慢行车,对行程时间分布在二者之间且不同车型的统计分布图形存在较多重叠的车型,提取观测指标,采用改进TOPSIS方法进行判断这些车型的观测值与慢行车和非慢行车观测值的“距离”,从而确定慢行车的具体车型类别的范围。
根据上述原理,本发明的流程具体为:
S1:对选定路段的RFID电子车牌数据进行数据预处理,然后提取所有车型的行程时间数据;
S11:数据预处理。首先利用数据规整方法,将一个道路截面多个采集点的数据进行合并,从而获得一个道路截面完整的通过车辆的数据集;
S12:根据RFID数据采集过程及特点,进行冗余数据和异常数据处理;
S13:提取所有车型的行程时间数据。路段行程时间表示车辆通过上下游RFID阅读器的时间差。可以将EID相同的行车记录的通过时间进行相减,差值在合理范围内时即为该车辆的路段行程时间。
S2:对不同车型的路段行程时间分布特征进行分析;
S21:对所有车型分别画出其行程时间分布图,观察不同车型行程时间分布的差异;
S22:将行程时间分布在两端的车型定义为慢行车和非慢行车,慢行车与非慢行车之间的区间即为判断分析区间。本实施例将重(大)型货车和小型客车分别定义为慢行车和非慢行车。
S3:提取可以合理判断分布在判断分析区间的所有车型是否为慢行车的所有属性值;
S31:根据所述行程时间分布图,应用集中趋势分析、离散趋势分析及偏态和峰态的分析三种方法分析行程时间分布在判断分析区间内的所有车型的行程时间分布特征;
S32:确定并提取能够合理表现不同车型是否为慢行车的所有属性值。由于慢行车包括多种属性,因此属性值即为观测指标,即为评价慢行车的依据,如车辆加速度、拐弯速度等为属性,而赋予它们的值即为属性值。
S4:确定慢行车的具体车型范围。
S41:规范化每个属性值。属性值类型多样,主要包括区间型、成本型以及效益型等。上述属性中,区间型属性从属于某区间时最优,效益型属性值越大越好,成本型属性则与之相反。常用的属性规范化方法有线性变换、标准0-1变换及区间型属性变换等。规范属性值,最重要的是使各属性值由有量纲化转换为无量钢化。
根据属性的类型,确定各属性的类型,并选择适当的方法,将每个车型的各属性值进行规范化和标准化处理,此方法为现有技术,此处不做过于详细介绍。
S42:计算各所述属性值的权重最优值。确定权值时,为了尽量消除主观性影响判定结果,可以选择TOPSIS法中评价方案的“距离”作为目标规划模型,将其中的权重作为目标规划模型的决策变量并采用如下公式对其进行求解,步骤如下:
NLP1:
NLP2:
求解NLP1,构造Lagrange函数
得
解得
对于NLP2,因为
目标恒有极小值,无法通过构造Lagrange函数计算极值,对目标函数而言,
NLP2:
式中,a表示对靠近正理想解的偏重程度。选择合适的a即可求取合理的权重向量。
S43:确定慢行车的具体类型。
通过对TOPSIS方法的研究,可以知道TOPSIS方法的作用是选择一个合适的距离测度以明确如何计算备选方案和正、负理想解的距离。在慢行车判定分析的问题中,我们可以将不同车型的行程时间看成m个总体(每个总体可以用n个统计值来表征),其统计值即为其特征观测值。在已知两个极端总体特征观测值的情况下,我们就可以用TOPSIS方法来求取各个总体与极端总体观测值之间的距离,从而根据每个总体与极端总体特征观测值之间的距离确定每个总体所属的类别。
另外在面对很多实际问题时,理论上的正、负理性解的确定较多是人为确定的,这样必然无法避免主观性对结果造成的影响。如若在多个总体统计观测值已知并可以确定分布在“两端”的总体时,将这两个极端总体的统计观测值作为正、负理想解属性值的做法,将可避免主观性对结果造成的误差,这样的做法也可扩展TOPSIS方法的适用范围。
因此,具体步骤为:
S431:构造加权规范阵C=(cij)m×n。假定w=[w1,w2,…,wn]T为决策者给定各属性的权重向量,此项在S42已解决。则
cij=wj·bij,i=1,2,…,m;j=1,2,…,n
S432:确定正、负理想解。正理想解即为决策矩阵中每个属性的最佳值,同样的,负理想解为决策矩阵中每个属性的最差值,正、负理想解均为虚拟的,不存在的。假定正、负理想解第j个属性值分别为本实施例中,将重(大)型货车和小型客车的各属性值定义为正、负理想解。
S433:计算各方案到正、负理想解的距离。计算备选方案di到正理想解距离:
基于式3计算备选方案di到负理想解距离:
S434:计算各备选方案的排序指标值,即
S434:按指标值fi *大小,对每种车型进行排序,定义选择fi *的区间值与慢行车和非慢行车的映射关系,进而确定慢行车的车型。
对行程时间分布在慢行车和非慢行车之间,且不同车型的行程时间分布图形存在较多重叠的车型,采用S3和S4中的方法对慢行车进行判定分析,验证判定分析方法的合理性。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (1)
1.一种基于RFID电子车牌数据的慢行车判定分析方法,其特征在于:所述分析方法具体为:
S1:对选定路段的RFID电子车牌数据进行数据预处理,并提取所有车型的行程时间数据;
S2:对不同车型的路段行程时间分布特征进行分析;
S3:提取判定分析观测值;
S4:确定慢行车的具体车型范围;
所述S1具体为:
S11:获得道路截面完整的通过车辆的数据集;
S12:处理冗余数据和异常数据;
S13:提取所有车型的所述行程时间数据;
所述S2具体为:
S21:根据所述行程时间数据,画出所有车型的行程时间分布图;
S22:确定典型慢行车车型和典型非慢行车车型的车辆类型;
所述S3具体为:
S31:根据所述行程时间分布图,应用集中趋势分析、离散趋势分析及偏态和峰态的分析三种方法分析行程时间分布在判断分析区间内的所有车型的行程时间分布特征;
S32:确定并提取能够合理表现不同车型是否为慢行车的所有属性值,作为评价慢行车的判定分析观测值,所述属性值包括车辆加速度、拐弯速度;
所述S4具体为:
S41:规范化和标准化处理属性值为无量纲;
S42:使用TOPSIS法计算各所述属性值的权重最优值;
S43:确定慢行车的具体类型,将不同车型的行程时间看成m个总体,每个总体可以用n个统计值来表征,其统计值即为其特征观测值,在已知两个极端总体特征观测值的情况下,用TOPSIS方法来求取各个总体与极端总体观测值之间的距离,从而根据每个总体与极端总体特征观测值之间的距离确定每个总体所属的类别,进而确定慢行车的车型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910516661.2A CN110232823B (zh) | 2019-06-14 | 2019-06-14 | 一种基于rfid电子车牌数据的慢行车判定分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910516661.2A CN110232823B (zh) | 2019-06-14 | 2019-06-14 | 一种基于rfid电子车牌数据的慢行车判定分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110232823A CN110232823A (zh) | 2019-09-13 |
CN110232823B true CN110232823B (zh) | 2022-02-01 |
Family
ID=67859941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910516661.2A Active CN110232823B (zh) | 2019-06-14 | 2019-06-14 | 一种基于rfid电子车牌数据的慢行车判定分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110232823B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070084837A (ko) * | 2006-02-22 | 2007-08-27 | 장순길 | 차량속도측정장치 |
CN102810250B (zh) * | 2012-07-31 | 2014-07-02 | 长安大学 | 基于视频的多车型交通信息检测方法 |
CN106650801B (zh) * | 2016-12-09 | 2019-05-03 | 西南交通大学 | 一种基于gps数据的多类型车辆分类方法 |
CN108717790B (zh) * | 2018-07-06 | 2021-02-26 | 广州市交通运输研究所 | 一种基于卡口车牌识别数据的车辆出行分析方法 |
-
2019
- 2019-06-14 CN CN201910516661.2A patent/CN110232823B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110232823A (zh) | 2019-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107862864B (zh) | 基于驾驶习惯和交通路况的行驶工况智能预测估计方法 | |
CN112508392B (zh) | 一种山区双车道公路隐患路段交通冲突风险动态评估方法 | |
CN111452619B (zh) | 电动车辆在线能耗预测方法及系统 | |
CN103562978B (zh) | 车辆数据分析方法和车辆数据分析系统 | |
CN108198425A (zh) | 一种电动汽车行驶工况的构建方法 | |
CN108492557A (zh) | 基于多模型融合的高速公路拥堵等级判断方法 | |
CN107239844A (zh) | 一种基于Hadoop的石油运输车辆油耗预测方法 | |
CN110705774A (zh) | 一种车辆能耗分析的预测方法和系统 | |
CN113222385B (zh) | 一种电动汽车行驶工况构建与评价方法 | |
CN110044639A (zh) | 一种基于实车运行大数据平台的细分市场商用车md-vtd系统 | |
CN108682153B (zh) | 一种基于rfid电子车牌数据的城市道路交通拥堵状态判别方法 | |
CN115422747A (zh) | 一种机动车尾气污染物排放量的计算方法和计算装置 | |
CN113173175B (zh) | 一种车辆重量确定方法及装置 | |
CN116739376A (zh) | 一种基于数据挖掘的公路路面预防性养护决策方法 | |
CN110796374A (zh) | 具有典型变道和转弯工况的城市综合行驶工况的构建方法 | |
CN110232823B (zh) | 一种基于rfid电子车牌数据的慢行车判定分析方法 | |
CN111639837B (zh) | 路网服役性能评价方法、装置、存储介质及终端 | |
CN115221234A (zh) | 一种基于动力总成数据对用户进行画像的方法及系统 | |
CN113128120A (zh) | 一种汽车起重机典型行驶工况构建方法 | |
Beşkardeş et al. | Data-driven-based fuzzy control system design for a hybrid electric vehicle | |
CN115587327A (zh) | 一种考虑Jerk的汽车油耗预测方法 | |
Jiang et al. | Parametric calibration of speed–density relationships in mesoscopic traffic simulator with data mining | |
CN113393011B (zh) | 预测限速信息的方法、装置、计算机设备和介质 | |
Buccafusco et al. | Profiling industrial vehicle duties using CAN bus signal segmentation and clustering. | |
CN111914138A (zh) | 基于车联网大数据的工况分析方法、装置和系统 |
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 |