CN110264715A - 一种基于路段突发拥堵分析的交通事件检测方法 - Google Patents

一种基于路段突发拥堵分析的交通事件检测方法 Download PDF

Info

Publication number
CN110264715A
CN110264715A CN201910536851.0A CN201910536851A CN110264715A CN 110264715 A CN110264715 A CN 110264715A CN 201910536851 A CN201910536851 A CN 201910536851A CN 110264715 A CN110264715 A CN 110264715A
Authority
CN
China
Prior art keywords
section
correlation
traffic
speed
flow
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
Application number
CN201910536851.0A
Other languages
English (en)
Other versions
CN110264715B (zh
Inventor
刘雪莉
尹宝才
高文
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.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
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 Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN201910536851.0A priority Critical patent/CN110264715B/zh
Publication of CN110264715A publication Critical patent/CN110264715A/zh
Application granted granted Critical
Publication of CN110264715B publication Critical patent/CN110264715B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于路段突发拥堵分析的交通事件检测方法。本发明首先对检测路段的临近路段进行相关性分析，确定相关路段，然后根据检测路段的历史同期交通状态以及当前状态的对比，判别当前是否发生了突发交通拥堵，并对突发拥堵时的相关路段进行状态一致性判别，当状态变化和历史相关性不符时，判定为发生了异常交通事件。本发明对检测路段及临近路段建立相关性模型，通过相关性交叉验证，能够有效提高事件判别的准确率。

Description

一种基于路段突发拥堵分析的交通事件检测方法
技术领域
本发明涉及交通管控领域，具体涉及一种基于路段突发拥堵分析的交通事件检测方法。
背景技术
近年来，随着智能交通技术的发展，异常交通事件检测的方法越来越多，主要分为两大类方法：基于视频识别的异常交通事件检测和基于交通流分析的异常交通事件检测。视频检测由于其可视性，备受交通管理者的青睐。然而，视频检测只能对其可视范围内的事件进行检测，而大部分的视频监控设备均布设在交叉口，路段上难以实现视频的全覆盖。因此基于交通流分析的异常交通事件检测方法依然是路段交通事件的主要检测手段。
已有的基于交通流分析的异常事件检测方法主要依靠断面检测数据的异常突变来对交通事件进行判别，然而除异常事件会导致检测数据发生突变之外，检测器本身的异常同样会导致数据发生突变，并且检测器发生数据异常同样为大概率事件，因此检测的准确率普遍较低。
发明内容
本发明针对现有基于交通流分析异常事件检测方法正确率低的问题，提出一种新的路段交通事件检测方法，可以有效的解决上述问题。
本发明在识别异常交通事件中，首先对检测路段的临近路段进行相关性分析，确定相关路段，然后根据检测路段的历史同期交通状态以及当前状态的对比，判别当前是否发生了突发交通拥堵，并对突发拥堵时的相关路段进行状态一致性判别，当状态变化和历史相关性不符时，判定为发生了异常交通事件。
本发明包括以下步骤：
步骤1：搜寻检测路段的相近路段
根据上下游路口交通流的流向，将交通流与检测路段有直接连接关系的上下游路段确定为相近路段。一般情况下为上游交叉口的所有进口路段，以及下游交叉口的所有出口路段。
步骤2：计算检测路段与其相近路段间关联性
选择流量和速度两个指标进行相关性计算。
流量相关性系数计算。对上游驶入的三个路段，选取最近一周的5分钟流量数据(288*7个)采用最小二乘法分别计算其路段流量和检测路段流量间的相关性系数。
速度相关性计算。对上游驶入的三个路段，选取最近一周的5分钟速度数据(288*7个)分别计算其路段速度和检测路段速度间的相关性系数。
对于下游驶出三个路段，同样的方法计算流量和速度的相关性系数。
步骤3：根据步骤2的计算结果，分别选取上游相关性最大的路段以及下游相关性最大的路段作为相关路段。
对每一个相关路段，分别对流量相关性系数和速度相关性系数进行加和，选取上游驶入路段中加和最大的作为上游相关路段，选取下游驶出路段中加和最大的作为下游相关路段。
步骤4：根据路段速度判别检测路段状态是否为拥堵状态
通过阈值法根据速度大小判定交通状态，速度小于阈值时判定为路段为拥堵路段。
步骤5：根据历史同期速度判别速度范围区间
根据当前时间点，取历史30天，区分工作日和非工作日，当前时间点前后各15分钟内的正常数据作为历史数据，计算当前时间点历史数据均值和标准差，根据3σ原理确定正常数据波动范围。
步骤6：根据步骤4、步骤5的结果，判断是否为突发拥堵，如果是转到步骤7，否则转到步骤1。
为了及时识别突发交通拥堵，设定如下规则。速度指标连续5次判定，存在有60％即3个数据指标突变，则认为路段发生突发拥堵。
步骤7：判断相关路段交通状态变化与检测路段状态变化相关性是否一致，如果是，则转到步骤1，如果否，则转到步骤8。
计算各路段前5分钟时刻(t-5)至当前时刻t的速度和流量变换趋势，并将检测路段和相关路段的趋势进行比较，存在以下2种情况：
1)检测路段与相关路段的相关性为正相关，且检测路段与相关路段的流量、速度变化趋势一致，则判定为相关性一致，否则为相关性不一致。
2)检测路段与相关路段的相关性为负相关，且检测路段与相关路段的流量、速度变化趋势一致，则判定为相关性不一致，否则为相关性一致。
步骤8：判定为交通事件导致的路段突发拥堵
根据步骤7的计算结果，相关性一致的认为是非交通事件导致的突发拥堵，相关性不一致的判定为发生了交通事件。
本发明有益效果：本发明突变了传统异常事件判别紧采用当前路段数据判别异常的局限，提出了相关路段关联性一致性检验的方法，能够有效的区分出是异常事件造成的路段突发拥堵还是正常拥堵，或者检测器数据异常造成的误判，提高了异常事件检测的准确性。
附图说明
图1是本发明方法流程图；
图2是临近路段示意图；
具体实施方式
下面结合附图和具体实施方式对本发明作进一步说明：如图1所示，一种基于路段突发拥堵分析的交通事件检测算法，步骤包括：搜寻检测路段的临近路段，根据相关性确定相关路段，判定检测路段是否发生了突发拥堵，并进行相关路段状态变化相关性一致性判别，最终确定是否为异常事件导致的路段突发拥堵，具体如下
步骤1：搜寻检测路段的临近路段
如图2所示，对于检测路段L，其上游连接的进入路段La、Lb、Lc以及下游连接驶出路段Ld、Le、Lf为其临近路段。
步骤2：计算检测路段与其相近路段间关联性
选择流量和速度两个指标进行相关性计算,取最近一周的5分钟粒度流量和速度作为相关性的计算样本。
用Q表示流量的集合，那么路段L的一周流量数据的集合为QL＝{qL1，qL2，……，qL288*7}，临近路段La的一周流量数据的集合为QLa＝{qLa1,qLa2，……，qLa288*7}，路段L和路段La的流量相关性系数为：
用V表示速度的集合，那么路段L的一周速度数据的集合为VL＝{vL1,vL2,……，vL288*7}，临近路段La的一周速度数据的集合为VLa＝{vLa1,vLa2,……，vLa288*7}，路段L和路段La的速度相关性系数为：
步骤3：根据步骤2的计算结果，分别选取上游相关性最大的路段以及下游相关性最大的路段作为相关路段。
上游相关性最大的路段为max{r(QL,QLa)+r(VL,VLa)，r(QL，QLb)+r(VL，VLb)，r(QL,QLc)+r(VL,VLc)},
下游相关性最大的路段为max{r(QL,QLd)+r(VL,VLd),r(QL,QLe)+r(VL,VLe),r(QL,QLf)+r(VL,VLf)},
步骤4：根据路段速度判别检测路段状态是否为拥堵状态
路段速度的来源有3种途径，分别为①路段微波检测器直接检测得到的速度，②根据上下游电警过车数据推算的路段速度，③互联网提供的路段速度。
当V<V0时，认为路段发生了交通拥堵。V0为设定的阈值，默认可设置为10km/h。
步骤5：根据历史同期速度判别速度范围区间
根据当前时间点，取历史30天，区分工作日和非工作日，当前时间点前后各15分钟内的正常数据作为历史数据，计算当前时间点历史数据均值和标准差，根据3σ原理确定正常数据波动范围。具体流程如下:
1)获取历史同期速度数据后，计算历史数据的均值和方差 (n为所获取历史数据的数据量)，并计算出历史数据的3σ范围 如果则认为超出3σ范围。
2)以1分钟为步长，以5分钟为时间窗，每1分钟滚动统计当前时间窗内5分钟路段平均速度指标，并与历史正常数据范围对比；如果当前时间窗内的数据超出历史正常范围，则认为数据指标突变。
步骤6：根据步骤4、步骤5的结果，判断是否为突发拥堵，如果是转到步骤7，否则转到步骤1。
为了及时识别突发交通拥堵，设定如下规则：速度指标连续5次判定，存在有60％即3个数据指标突变，则认为路段发生突发拥堵。
步骤7：判断相关路段交通状态变化与检测路段状态变化相关性是否一致，如果是，则转到步骤1，如果否，则转到步骤8。
计算各路段前5分钟时刻(t-5)至当前时刻t的速度和流量变换趋势，并将检测路段和相关路段的趋势进行比较，存在以下2种情况：
1)检测路段与相关路段的相关性为正相关，且检测路段与相关路段的流量、速度变化趋势一致，则判定为相关性一致，否则为相关性不一致。
2)检测路段与相关路段的相关性为负相关，且检测路段与相关路段的流量、速度变化趋势一致，则判定为相关性不一致，否则为相关性一致。
步骤8：判定为交通事件导致的路段突发拥堵
根据步骤7的计算结果，相关性一致的认为是非交通事件导致的突发拥堵，相关性不一致的判定为发生了交通事件。
综上，本发明对检测路段及临近路段建立相关性模型，通过相关性交叉验证，能够有效提高事件判别的准确率。

Claims (3)

1.一种基于路段突发拥堵分析的交通事件检测方法，其特征在于包括以下步骤：
步骤1：搜寻检测路段的相近路段
根据上下游路口交通流的流向，将交通流与检测路段有直接连接关系的上下游路段确定为相近路段；
步骤2：计算检测路段与其相近路段间关联性，选择流量和速度两个指标进行相关性计算；
步骤3：根据步骤2的计算结果，分别选取上游相关性最大的路段以及下游相关性最大的路段作为相关路段，具体是：
对每一个相关路段，分别对流量相关性系数和速度相关性系数进行加和，选取上游驶入路段中加和最大的作为上游相关路段，选取下游驶出路段中加和最大的作为下游相关路段；
步骤4：根据路段速度判别检测路段状态是否为拥堵状态
通过阈值法根据速度大小判定交通状态，速度小于阈值时判定为路段为拥堵路段；
步骤5：根据历史同期速度判别速度范围区间
根据当前时间点，取历史30天，区分工作日和非工作日，当前时间点前后各15分钟内的正常数据作为历史数据，计算当前时间点历史数据均值和标准差，根据3σ原理确定正常数据波动范围；
步骤6：根据步骤4、步骤5的结果，判断是否为突发交通拥堵，如果是转到步骤7，否则转到步骤1；
突发交通拥堵判定规则：速度指标连续5次判定，存在有60%，即3个数据指标突变，则认为路段发生突发拥堵；
步骤7：判断相关路段交通状态变化与检测路段状态变化相关性是否一致，如果是，则转到步骤1，如果否，则转到步骤8；
计算各路段前5分钟时刻至当前时刻t的速度和流量变换趋势，并将检测路段和相关路段的趋势进行比较，存在以下2种情况：
1）检测路段与相关路段的相关性为正相关，且检测路段与相关路段的流量、速度变化趋势一致，则判定为相关性一致，否则为相关性不一致；
2）检测路段与相关路段的相关性为负相关，且检测路段与相关路段的流量、速度变化趋势一致，则判定为相关性不一致，否则为相关性一致；
步骤8：判定为交通事件导致的路段突发拥堵
根据步骤7的计算结果，相关性一致的认为是非交通事件导致的突发拥堵，相关性不一致的判定为发生了交通事件。
2.根据权利要求1所述的一种基于路段突发拥堵分析的交通事件检测方法，其特征在于：步骤1中相近路段下为上游交叉口的所有进口路段，以及下游交叉口的所有出口路段。
3.根据权利要求1所述的一种基于路段突发拥堵分析的交通事件检测方法，其特征在于：步骤2中流量相关性系数计算具体是：对上游驶入的三个路段，选取最近一周的5分钟流量数据，采用最小二乘法分别计算其路段流量和检测路段流量间的相关性系数；速度相关性计算具体是：对上游驶入的三个路段，选取最近一周的5分钟速度数据，分别计算其路段速度和检测路段速度间的相关性系数；对于下游驶出三个路段，以同样的方式计算流量和速度的相关性系数。
CN201910536851.0A 2019-06-20 2019-06-20 一种基于路段突发拥堵分析的交通事件检测方法 Active CN110264715B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910536851.0A CN110264715B (zh) 2019-06-20 2019-06-20 一种基于路段突发拥堵分析的交通事件检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910536851.0A CN110264715B (zh) 2019-06-20 2019-06-20 一种基于路段突发拥堵分析的交通事件检测方法

Publications (2)

Publication Number Publication Date
CN110264715A true CN110264715A (zh) 2019-09-20
CN110264715B CN110264715B (zh) 2021-10-15

Family

ID=67919789

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910536851.0A Active CN110264715B (zh) 2019-06-20 2019-06-20 一种基于路段突发拥堵分析的交通事件检测方法

Country Status (1)

Country Link
CN (1) CN110264715B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111145546A (zh) * 2019-12-27 2020-05-12 银江股份有限公司 一种城市全域交通态势分析方法
CN111369792A (zh) * 2019-11-22 2020-07-03 杭州海康威视系统技术有限公司 一种交通事件的分析方法、装置及电子设备
CN111462484A (zh) * 2020-03-31 2020-07-28 腾讯科技（深圳）有限公司 拥堵状态的确定方法、装置、设备及计算机可读存储介质
CN111627210A (zh) * 2020-06-05 2020-09-04 腾讯科技（深圳）有限公司 一种车流量预测方法、装置、设备及介质
CN113628434A (zh) * 2020-05-06 2021-11-09 深圳市万普拉斯科技有限公司 交通状态监测方法、装置、计算机设备和可读存储介质
CN115359660A (zh) * 2022-08-19 2022-11-18 杭州师范大学 一种基于路口流量的城市道路交通拥堵报警评估方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060111833A1 (en) * 2000-08-28 2006-05-25 Israel Feldman Method and system for modeling and processing vehicular traffic data and information and applying thereof
CN101727747A (zh) * 2009-12-16 2010-06-09 南京信息工程大学 基于流量检测的道路非正常拥堵报警方法
US20110246052A1 (en) * 2010-03-31 2011-10-06 Aisin Aw Co., Ltd. Congestion level display apparatus, congestion level display method, and congestion level display system
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
CN103150930A (zh) * 2013-02-01 2013-06-12 东南大学 针对快速道路常发性拥堵路段的追尾事故实时预测方法
CN104240499A (zh) * 2014-06-23 2014-12-24 银江股份有限公司 一种基于微波数据的异常拥堵点判别方法
CN105788256A (zh) * 2016-03-30 2016-07-20 北京交通大学 基于车联网的路况信息感知方法
CN107346610A (zh) * 2016-05-05 2017-11-14 阿里巴巴集团控股有限公司 一种路况提醒方法及装置
CN107742418A (zh) * 2017-09-29 2018-02-27 东南大学 一种城市快速路交通拥堵状态及堵点位置自动识别方法
CN108700876A (zh) * 2015-11-04 2018-10-23 祖克斯有限公司 用于自主车辆轨迹修改的远程操作系统和方法
CN109035775A (zh) * 2018-08-22 2018-12-18 青岛海信网络科技股份有限公司 一种突发事件识别的方法及装置
CN109147319A (zh) * 2018-08-06 2019-01-04 北京航空航天大学 一种基于多交通数据指标的道路突发事件判别方法
US20190180613A1 (en) * 2006-10-12 2019-06-13 At&T Intellectual Property I, L.P. Methods, Systems, And Computer Program Products For Providing Mobile Ad Hoc Cooperative Communication Systems And Related Devices

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060111833A1 (en) * 2000-08-28 2006-05-25 Israel Feldman Method and system for modeling and processing vehicular traffic data and information and applying thereof
US20190180613A1 (en) * 2006-10-12 2019-06-13 At&T Intellectual Property I, L.P. Methods, Systems, And Computer Program Products For Providing Mobile Ad Hoc Cooperative Communication Systems And Related Devices
CN101727747A (zh) * 2009-12-16 2010-06-09 南京信息工程大学 基于流量检测的道路非正常拥堵报警方法
US20110246052A1 (en) * 2010-03-31 2011-10-06 Aisin Aw Co., Ltd. Congestion level display apparatus, congestion level display method, and congestion level display system
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
CN103150930A (zh) * 2013-02-01 2013-06-12 东南大学 针对快速道路常发性拥堵路段的追尾事故实时预测方法
CN104240499A (zh) * 2014-06-23 2014-12-24 银江股份有限公司 一种基于微波数据的异常拥堵点判别方法
CN108700876A (zh) * 2015-11-04 2018-10-23 祖克斯有限公司 用于自主车辆轨迹修改的远程操作系统和方法
CN105788256A (zh) * 2016-03-30 2016-07-20 北京交通大学 基于车联网的路况信息感知方法
CN107346610A (zh) * 2016-05-05 2017-11-14 阿里巴巴集团控股有限公司 一种路况提醒方法及装置
CN107742418A (zh) * 2017-09-29 2018-02-27 东南大学 一种城市快速路交通拥堵状态及堵点位置自动识别方法
CN109147319A (zh) * 2018-08-06 2019-01-04 北京航空航天大学 一种基于多交通数据指标的道路突发事件判别方法
CN109035775A (zh) * 2018-08-22 2018-12-18 青岛海信网络科技股份有限公司 一种突发事件识别的方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
庄斌等: "道路交通拥挤事件判别准则与检测算法", 《中国公路学报》 *
施小春等: "一种新型的交通事件检测算法研究", 《安徽科技》 *
韦伟等: "基于当期事件识别的拥堵传播特征研究", 《交通运输系统工程与信息》 *
韩伟: "突发事件情况下失效路段与相关路段的相关性研究", 《第二届中国智能交通年会论文集》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111369792A (zh) * 2019-11-22 2020-07-03 杭州海康威视系统技术有限公司 一种交通事件的分析方法、装置及电子设备
CN111145546A (zh) * 2019-12-27 2020-05-12 银江股份有限公司 一种城市全域交通态势分析方法
CN111145546B (zh) * 2019-12-27 2021-02-12 银江股份有限公司 一种城市全域交通态势分析方法
CN111462484A (zh) * 2020-03-31 2020-07-28 腾讯科技（深圳）有限公司 拥堵状态的确定方法、装置、设备及计算机可读存储介质
CN113628434A (zh) * 2020-05-06 2021-11-09 深圳市万普拉斯科技有限公司 交通状态监测方法、装置、计算机设备和可读存储介质
CN111627210A (zh) * 2020-06-05 2020-09-04 腾讯科技（深圳）有限公司 一种车流量预测方法、装置、设备及介质
CN115359660A (zh) * 2022-08-19 2022-11-18 杭州师范大学 一种基于路口流量的城市道路交通拥堵报警评估方法

Also Published As

Publication number Publication date
CN110264715B (zh) 2021-10-15

Similar Documents

Publication Publication Date Title
CN110264715A (zh) 一种基于路段突发拥堵分析的交通事件检测方法
CN102592451B (zh) 一种基于双截面环形线圈检测器的道路交通事件检测方法
CN103021176B (zh) 基于断面检测器的城市道路交通状态判别方法
Tang et al. Traffic-incident detection-algorithm based on nonparametric regression
CN101739814B (zh) 基于scats线圈数据的交通状态在线定量评价与预测方法
CN104408925B (zh) 基于陈列雷达的交叉口运行状态评价方法
CN103258427B (zh) 基于信息物理网络的城市快速路交通实时监控方法
CN104504901B (zh) 一种基于多维数据的交通异常点检测方法
CN104751642B (zh) 一种高等级道路交通流运行风险实时预估方法
CN101188064B (zh) 三维集成高速公路交通事件自动检测方法
CN102360525A (zh) 基于判别分析的快速道路实时交通事故风险预测方法
CN100454354C (zh) 道路交通事故多发路段鉴别方法
CN109147319B (zh) 一种基于多交通数据指标的道路突发事件判别方法
CN103646542A (zh) 一种交通影响范围的预测方法和装置
CN110954170A (zh) 一种流量检测及报警方法及装置
CN102938203A (zh) 基于基本交通流参数的道路拥挤状态自动判别方法
CN104050808B (zh) 公路交通堵塞定位搜寻方法
CN104732762A (zh) 一种交通异常路段概率识别方法
CN102819956B (zh) 一种基于单截面环形线圈检测器的道路交通事件检测方法
CN102289937B (zh) 基于停车线检测器的城市地面道路交通状态自动判别方法
CN104217591B (zh) 动态路况检测方法及系统
CN109951420A (zh) 一种基于熵和动态线性关系的多级流量异常检测方法
CN107564276A (zh) 一种基于交通状态突变的交通事件检测方法
CN110060370B (zh) 车辆急加速急减速次数等效统计方法
CN104809869A (zh) 基于升降式限高架的高架桥入口匝道交通状态判别方法

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