CN110276955B - 一种面向出行者个人感知的交通拥堵状态评价方法 - Google Patents

一种面向出行者个人感知的交通拥堵状态评价方法 Download PDF

Info

Publication number
CN110276955B
CN110276955B CN201910651310.2A CN201910651310A CN110276955B CN 110276955 B CN110276955 B CN 110276955B CN 201910651310 A CN201910651310 A CN 201910651310A CN 110276955 B CN110276955 B CN 110276955B
Authority
CN
China
Prior art keywords
traffic
perception
state
evaluation
experimental
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
CN201910651310.2A
Other languages
English (en)
Other versions
CN110276955A (zh
Inventor
黄合来
韩春阳
唐进君
张可可
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.)
Central South University
Original Assignee
Central South University
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 Central South University filed Critical Central South University
Priority to CN201910651310.2A priority Critical patent/CN110276955B/zh
Publication of CN110276955A publication Critical patent/CN110276955A/zh
Application granted granted Critical
Publication of CN110276955B publication Critical patent/CN110276955B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/75—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7837—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using objects detected or recognised in the video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • 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
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • 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

Abstract

本发明涉及一种面向出行者个人感知的交通拥堵状态评价方法，通过设计交通状态主观感知实验，收集出行者对交通拥堵状态的感知数据，基于交通流客观状态参数，运用面向多源层级数据的统计建模技术将道路条件和交通流客观参数与出行者个体属性参数相结合，量化出行者个体的拥堵感知差异，从而获得面向出行者个人感知的交通拥堵状态评价结果，使交通拥堵状态的评价结果贴合出行者的主观感知。

Description

一种面向出行者个人感知的交通拥堵状态评价方法
技术领域
本发明涉及城市道路交通控制技术领域，进一步属于交通状态评价领域，具体涉及一种面向出行者个人感知的交通拥堵状态评价方法。
背景技术
当前，城市交通拥堵已经成为城市发展的共性问题，严重制约城市居民的出行质量。随着先进信息技术和智能交通系统的发展，交通流动态诱导逐渐成为缓解城市交通拥堵问题的重要手段。合理评价城市道路交通的拥堵状态，是保障交通诱导效果的基本前提。
现有研究多以客观因素为基础量化道路交通拥堵状态，包括以单一交通流因素为基础的参数-指数评价方法和以微观交通元素为数据采集和分析单元的参数-模型评价方法。参数-指数评价方法主要通过平均行驶速度、平均旅行时间等单一交通流参数为指标直接或间接反映全区域路网的通达性，旨在掌握全域道路交通运行状态，制定相应的缓解对策。参数-模型评价方法主要以微观交通元素为数据采集和分析单元，包括以浮动车GPS信息为基础的单参数动态评价算法，和以线圈数据为基础的多参数综合聚类算法。
然而，诱导系统的最终作用对象是出行者个人。作为交通系统中唯一具有综合感知能力的有机个体，出行者是交通信息的处理者和决策者。交通拥堵状态的评价不仅需要考虑客观交通流的运行状态，更重要的是，评价结果需符合出行者的拥堵感受，否则将严重影响诱导系统的实施效果。认知心理学认为：人们对事件情形的感知与客观事件本身之间存在一定偏差，偏差程度在个体间变化，即不同出行者对交通状态的感知存在差异。因此，量化出行者在交通拥堵状态感知方面的差异性，是进行交通拥堵状态评价的基本前提，也是进一步有效保障交通诱导效果的关键环节。
综上，现有交通拥堵评价方法未能充分考虑出行者个体在感知交通状态时的主观差异性，易导致评价结果偏离出行者的实际的感知结果，从而严重影响诱导系统的实施效果。
发明内容
本发明通过设计交通状态主观感知实验，收集出行者对交通拥堵状态的感知数据，基于交通流客观状态参数，运用面向多源层级数据的统计建模技术将道路条件和交通流客观参数与出行者个体属性参数相结合，量化出行者个体的拥堵感知差异，从而获得面向出行者个人感知的交通拥堵状态评价结果，使交通拥堵状态的评价结果贴合出行者的主观感知。本发明所采用的技术方案是一种面向出行者个人感知的交通拥堵状态评价方法，包括以下步骤：
步骤101：收集实验所需的交通流状态视频和对应视频中的交通流客观状态参数，并对参数做聚类处理；
步骤102：通过交通状态主观感知实验，收集出行者个人属性信息和对道路交通状态的主观感知结果；
步骤103：建立面向出行者个人感知的交通拥堵状态评价模型；
步骤104：检验模型的评价结果是否符合出行者对交通状态的感知。
优选地，所述步骤101进一步包括以下步骤：
S1：选取典型路段，并获取路段条件参数，包括路段长度和车道数；
S2：选取典型时段，录制交通状态视频并收集相应时段内的交通状态参数；
S3：对所收集交通状态参数进行无量纲化处理，得到标准化参数数据。
S4：将标准化参数数据进行聚类处理，得到交通流参数聚类结果。
优选地，所述步骤102中的交通状态主观感知实验进一步包括以下步骤：
步骤201：根据步骤S4所述交通流参数聚类结果，截取各聚类等级下的交通状态视频，获得实验视频；
步骤202：选取实验对象，记录实验对象个人属性信息；
步骤203：实验对象观看步骤201中所述实验视频，并对视频中交通状态进行评价，获得道路状态主观感知结果。
优选地，所述步骤202中的选取实验对象进一步包括：具体选取方法是参考当地驾驶员人口属性资料配备实验对象比例，选取不同性别、年龄、驾龄的实验对象，所述实验对象人数大于或等于30，且实验对象选择具备高中以上教育背景的对象。
优选地，步骤203所述实验对象观看实验视频进行评价，进一步包括以下步骤：
步骤2031：安排所有实验对象按照事先安排的顺序依次观看步骤201中所述实验视频，并按照个人感知对拥堵状态进行评分，过程中需避免实验对象之间相互交流；
步骤2032：重复进行至少三次实验，每次实验打乱原有实验视频顺序，记录每次实验评分结果，每次实验间隔至少10分钟进行；
步骤2033：对比步骤2032所述实验评分结果，筛选对交通状态具有不良感知的实验对象，剔除其实验结果；
步骤2034：统计剩余实验评分结果，计算平均值，获得实验对象的道路状态主观感知结果。
优选地，步骤2033所述对交通状态具有不良感知的实验对象，具体为同一个视频两次评价结果的差值超过一个等级的实验对象。
优选地，步骤103中所述的交通拥堵状态评价模型进一步包括以下步骤：
步骤301：将步骤101中所述道路参数、交通流状态参数，和步骤102中所述实验对象个人属性信息、主观感知结果进行预处理，形成结构化数据；
步骤302：检验步骤301所述结构化数据表格中各变量的共线性，删除具有强共线性的变量；
步骤303：根据步骤302中处理后的结构化数据表格，基于层级有序多分类logit模型，构建交通拥堵评价模型：
层一模型：
Figure BDA0002135313250000031
其中，Smij表示出行者个体j(j＝1,2,…,J)将交通状态i的感知结果评价为m类的对数发生比，即出行者j对交通拥堵状态i的评分结果为m的对数发生比，xhij,(h＝1,2,…,H)为筛选出的H个客观道路条件和交通流状态因素，如：平均车速、车道数；β0j为层一截距项，表示出行者整体对交通状态的平均感知结果，βhj为层一系数，表示客观因素与出行者i感知之间的联系方向和强度，为待估计参数；εi为误差项，反映其它客观因素的残余效应，为待估参数；
层二模型：
Figure BDA0002135313250000032
Figure BDA0002135313250000033
其中，πrj,(r＝1,2,…,R)为出行者j的r个相关属性因素(包括人口属性、出行特征)，a0r、ahr是层二系数，表示个人特性与层一截距项和系数效应之间的联系方向和强度，为待估参数；v0j和vhj是层二误差项，为待估参数；
步骤304：估计模型参数。
优选地，步骤302所述检验变量共线性，具体为使用容差(Tolerance)和方差膨胀因子(VIF)检验变量之间的共线强度，若容差值小于或等于0.1，或方差膨胀因子大于等于10则说明该变量存在强共线性，删除该变量。
优选地，步骤304所述估计模型参数，具体为采用贝叶斯推断方法估计，设定模型参数a0r、ahr、εi、v0j、vhj服从无信息先验分布：
a0r～N(0,1000)
ahr～N(0,1000)
εi～N(0,1/τi)
v0j～gamma(0.001,0.001)
vhj～gamma(0.001,0.001)
其中，τi为精度参数，采用以下先验分布形式表示：τi～gamma(0.001,0.001)。
优选地，所述步骤104具体包括：
步骤401：根据步骤103所述交通拥堵评价模型，计算得出面向出行者个人感知的交通拥堵状态评价结果；
步骤402：分别计算步骤401所得主观评价模型的评价结果，和步骤S4中基于传统客观参数的聚类评价结果，相对于出行者主观感知结果的绝对平均误差(MAE)；
步骤403：比较绝对平均误差的数值大小，若主观评价模型的MAE小于聚类模型的MAE，说明主观评价模型具有较好的使用价值。
本发明通过设计交通状态主观感知实验，收集出行者对交通拥堵状态的感知数据，基于交通流客观状态参数，运用面向多源层级数据的统计建模技术将道路条件和交通流客观参数与出行者个体属性参数相结合，量化出行者个体的拥堵感知差异，从而获得面向出行者个人感知的交通拥堵状态评价结果，使交通拥堵状态的评价结果贴合出行者的主观感知。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在图中，在不同的视图中，相同的附图标记指定对应的部分。
图1为本发明的一种面向出行者个人感知的交通拥堵状态评价方法流程图；
图2为收集实验所需的观看视频和交通流客观状态参数流程图；
图3为本发明的实施例一中交通状态主观感知实验流程图；
图4为本发明建立面向出行者个人感知的交通拥堵状态评价模型的流程图；
图5为本发明检验模型是否有效评价出行者对交通状态感知的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
下面结合附图与实施例对本发明作进一步说明。
作为交通系统中唯一具有综合感知能力的有机个体，出行者是交通信息的处理者和决策者。现有交通拥堵评价方法未能充分考虑出行者个体在感知交通状态时的主观差异性，易导致评价结果偏离出行者的实际的感知结果，从而严重影响诱导系统的实施效果。因此，量化出行者在交通拥堵状态感知方面的差异性，是进行交通拥堵状态评价的基本前提，也是进一步有效保障交通诱导效果的关键环节。本发明提出了一种面向出行者个人感知的交通拥堵状态评价方法。
实施例一
如图1-5所示的一种面向出行者个人感知的交通拥堵状态评价方法，包括以下步骤：
步骤101：收集实验所需的交通流状态视频和对应视频中的交通流客观状态参数，并对参数做聚类处理；
步骤102：通过交通状态主观感知实验，收集出行者个人属性信息和对道路交通状态的主观感知结果；
步骤103：建立面向出行者个人感知的交通拥堵状态评价模型；
步骤104：检验模型的评价结果是否符合出行者对交通状态的感知。
优选地，所述步骤101进一步包括以下步骤：
S1：选取典型路段，并获取路段条件参数，包括路段长度和车道数；
S2：选取典型时段，录制交通状态视频并收集相应时段内的交通状态参数；
S3：对所收集交通状态参数进行无量纲化处理，得到标准化参数数据。
S4：将标准化参数数据进行聚类处理，得到交通流参数聚类结果。
优选地，所述步骤102中的交通状态主观感知实验进一步包括以下步骤：
步骤201：根据步骤S4所述交通流参数聚类结果，截取各聚类等级下的交通状态视频，获得实验视频；
步骤202：选取实验对象，记录实验对象个人属性信息；
步骤203：实验对象观看步骤201中所述实验视频，并对视频中交通状态进行评价，获得道路状态主观感知结果。
优选地，所述步骤202中的选取实验对象进一步包括：具体选取方法是参考当地驾驶员人口属性资料配备实验对象比例，选取不同性别、年龄、驾龄的实验对象，所述实验对象人数大于或等于30，且实验对象选择具备高中以上教育背景的对象。
优选地，步骤203所述实验对象观看实验视频进行评价，进一步包括以下步骤：
步骤2031：安排所有实验对象按照事先安排的顺序依次观看步骤201中所述实验视频，并按照个人感知对拥堵状态进行评分，过程中需避免实验对象之间相互交流；
步骤2032：重复进行至少三次实验，每次实验打乱原有实验视频顺序，记录每次实验评分结果，每次实验间隔至少10分钟进行；
步骤2033：对比步骤2032所述实验评分结果，筛选对交通状态具有不良感知的实验对象，剔除其实验结果；
步骤2034：统计剩余实验评分结果，计算平均值，获得实验对象的道路状态主观感知结果。
优选地，步骤2033所述对交通状态具有不良感知的实验对象，具体为同一个视频两次评价结果的差值超过一个等级的实验对象。
优选地，步骤103中所述的交通拥堵状态评价模型进一步包括以下步骤：
步骤301：将步骤101中所述道路参数、交通流状态参数，和步骤102中所述实验对象个人属性信息、主观感知结果进行预处理，形成结构化数据；
步骤302：检验步骤301所述结构化数据表格中各变量的共线性，删除具有强共线性的变量；
步骤303：根据步骤302中处理后的结构化数据表格，基于层级有序多分类logit模型，构建交通拥堵评价模型：
层一模型：
Figure BDA0002135313250000061
其中，Smij表示出行者个体j(j＝1,2,…,J)将交通状态i的感知结果评价为m类的对数发生比，即出行者j对交通拥堵状态i的评分结果为m的对数发生比，xhij,(h＝1,2,…,H)为筛选出的H个客观道路条件和交通流状态因素，如：平均车速、车道数；β0j为层一截距项，表示出行者整体对交通状态的平均感知结果，βhj为层一系数，表示客观因素与出行者i感知之间的联系方向和强度，为待估计参数；εi为误差项，反映其它客观因素的残余效应，为待估参数；
层二模型：
Figure BDA0002135313250000071
Figure BDA0002135313250000072
其中，πrj,(r＝1,2,…,R)为出行者j的r个相关属性因素(包括人口属性、出行特征)，a0r、ahr是层二系数，表示个人特性与层一截距项和系数效应之间的联系方向和强度，为待估参数；v0j和vhj是层二误差项，为待估参数；
步骤304：估计模型参数。
优选地，步骤302所述检验变量共线性，具体为使用容差(Tolerance)和方差膨胀因子(VIF)检验变量之间的共线强度，若容差值小于或等于0.1，或方差膨胀因子大于等于10则说明该变量存在强共线性，删除该变量。
优选地，步骤304所述估计模型参数，具体为采用贝叶斯推断方法估计，设定模型参数a0r、ahr、εi、v0j、vhj服从无信息先验分布：
a0r～N(0,1000)
ahr～N(0,1000)
εi～N(0,1/τi)
v0j～gamma(0.001,0.001)
vhj～gamma(0.001,0.001)
其中，τi为精度参数，采用以下先验分布形式表示：τi～gamma(0.001,0.001)。
优选地，所述步骤104具体包括：
步骤401：根据步骤103所述交通拥堵评价模型，计算得出面向出行者个人感知的交通拥堵状态评价结果；
步骤402：分别计算步骤401所得主观评价模型的评价结果，和步骤S4中基于传统客观参数的聚类评价结果，相对于出行者主观感知结果的绝对平均误差(MAE)；
步骤403：比较绝对平均误差的数值大小，若主观评价模型的MAE小于聚类模型的MAE，说明主观评价模型具有较好的使用价值。
实施例二
本实施例采用我国长沙市五条主干道路段对本发明的具体实施进行说明，下面将结合实例具体说明本发明具体实施。
步骤101：收集实验所需的观看视频和交通流客观状态参数。
实验进行前需制作供实验参与者观看的交通状态视频。为表征不同拥堵水平下的交通状态信息，需同时记录所录制交通状态的动态交通流参数数据。需要用到的数据采集工具包括：摄像机(及其配套设备)和路侧交通流探测设备。首先选取调查区域的典型路段若干条，本实施例选取了长沙市五条主干道路段，以表1所示的形式记录所选路段的主要信息。针对每条路段分别录制一天6:00am-20:00pm(14小时)内的交通流状态视频(共五段)。记录所录制交通状态的动态交通流参数数据，采用均值化方法对数据做无量纲化处理，得到标准化参数数据。
收集单位时间间隔内的流量、平均车速、时间延误等相关交通流参数数据。需注意：数据收集的时间间隔应大于该路段下游相连交叉口的信号灯周期时长。需要记录的交通流状态参数信息情况如表2所示。将收集到的交通流参数数据整理为表3所示的表格形式。
表1.道路相关参数记录表
Figure BDA0002135313250000081
表2.交通流状态参数数据收集情况
Figure BDA0002135313250000082
Figure BDA0002135313250000091
表3.交通流参数记录表
Figure BDA0002135313250000092
为制作不同拥堵状态的观看视频，需采用统一的方法评价各路段在各时段内的交通流拥堵客观状态。首先，采用均值化方法对表2中数据做无量纲化处理，得到标准化参数数据(如表4所示)。
依据标准化后的参数数据，将各时间段内的交通状态进行聚类处理；然后，选取目前普遍使用的模糊C-均值聚类算法，依据标准化后的车流量、平均速度和行程时间，将各时间段内的交通状态进行聚类，类别数目依据当地标准而定。如表5所示为以五分类为标准的聚类结果。
表4.标准化交通流参数数据
Figure BDA0002135313250000093
Figure BDA0002135313250000101
表5.交通流参数数据的聚类结果
Figure BDA0002135313250000102
步骤102：通过交通状态主观感知实验，收集出行者个人属性信息和道路状态主观感知结果；
随机截取各等级下每条道路的交通流视频，并按照客观评价等级排列并编号。将交通流参数数据的对应收集时段与视频录制时段相对应，随机截取各等级下每条道路的交通流视频2段，共50(5级×5路段×2段视频)段，每段1-3分钟，并将每段视频按照客观评价等级从小到大排列并编号，至此，用于主观实验的视频材料制作完成。表6所示为部分观看视频信息。
表6.部分观看视频信息
Figure BDA0002135313250000111
为保证实验样本的人群覆盖性，实验需参考当地驾驶员人口属性资料配备实验对象比例，应选取不同性别、年龄、驾龄的实验对象。为了确保建模时样本量的充足性，子样本量(不同类别人数)需大于或等于30。同时，为确保实验对象具有良好的感知与判断能力，实验对象需具备高中以上教育背景。记录实验对象的个人属性信息，如表7所示为实验对象的部分属性资料。
表7.实验对象个人属性信息
Figure BDA0002135313250000112
首先通过观看视频，每位实验对象对视频中交通的拥堵程度打分。评价等级数需与聚类方法的类目数一致(例如，均为三级或均为五级指标)。考虑到等级的层次范围跨度可能过大，实验参与者需根据自身感受，给予评分结果小数点后一位数。表8为以五级指标为度量标准的主观评价标准量表。具体实验步骤如下。
表8.主观评价的标准量表
Figure BDA0002135313250000121
安排所有实验对象按照事先安排的顺序依次观看50段视频中的交通状态，并按照个人感知对拥堵状态进行评分。过程中需避免实验对象之间相互交流。重复进行三次实验，每次试验需打乱原有视频顺序，实验间隔10-20分钟进行，记录打分结果。剔除不良实验结果，统计剩余实验对象评价结果，计算结果的平均值；需筛选出对交通状态具有不良感知的实验对象。对比三次实验的打分结果，若同一个视频两次评价结果的差值超过1(说明该对象两次判定的等级不同，对道路运行状态缺乏良好的感知能力)，则剔除其实验结果。最后，统计剩余实验对象评价结果，计算三次打分的平均值，标定评价结果等级，获得实验对象的道路状态主观感知结果，表9为部分实验对象的主观评价结果。
表9.部分实验对象评价结果
Figure BDA0002135313250000122
Figure BDA0002135313250000131
步骤103：建模计算，得出面向出行者个人感知的交通拥堵状态评价结果。
根据视频编号融合表1、表5、表7与表9内容，形成结构化数据表格。首先，将道路条件信息和实验对象属性信息转换为结构化数据格式，如：将路段车道数转化为：4车道＝0、6车道＝1、8车道＝2的多分类变量形式，将性别属性转换为：男＝0、女＝1的二分类数据形式，将路段长度、年龄和驾龄等连续型属性做离散化分类处理(路段长度小于400＝0、400至800＝1、800至1200＝2；年龄小于25＝0、25到40＝1、40以上＝2)，并结合交通流状态信息和对应的拥堵感知信息整理成表8所示的数据结构，至此，主观实验进行完毕，表10为最终数据形式，供下一阶段模型构建使用。
表10.出行者交通状态主观感知结果
Figure BDA0002135313250000132
共线性检验：使用容差(Tolerance)和方差膨胀因子(VIF)检验变量之间的共享强度，若容差值小于或等于0.1，或方差膨胀因子大于等于10则说明该变量存在强共线性，需删除该变量；
根据实验收集的数据类型(连续变量)，选取有序多分类logit函数作为层一模型的连接函数。
构建的层级模型如下：
层一模型：
Figure BDA0002135313250000141
其中，：Sij表示出行者个体j(j＝1,2,…,J)对交通状态i的感知结果，即出行者j对交通拥堵状态i的评分结果，m为评价等级(m＝5)，xhij,(h＝1,2,…,H)为筛选出H个的客观道路条件和交通流状态因素，如：平均车速、车道数等。β0j为层一截距项，表示出行者整体对交通状态的平均感知结果，βhj为层-1系数，表示客观因素与出行者i感知之间的联系方向和强度，为待估计参数；εi为误差项，反映其它客观因素残余效应，为待估参数；
层二模型：
Figure BDA0002135313250000142
Figure BDA0002135313250000143
引入出行者个体相关属性参数，实现对不同出行者个体间感知的量化。其中，πrj,(r＝1,2,…,R)为出行者j的r个相关属性因素。a0r、ahr是层-2系数，表示个人特性与层-1截距项和系数效应之间的联系方向和强度，为待估参数；v0j和vhj是层二误差项，为待估参数；
采用贝叶斯推断方法估计模型参数，包括对层一模型中截距项β0j、系数βhj以及误差项εi，和层二模型中系数a0r、ahr和误差项v0j、vhj的估计。在贝叶斯估计中，设定模型参数a0r、ahr、εi、v0j、vhj服从无信息先验分布：
a0r～N(0,1000)
ahr～N(0,1000)
εi～N(0,1/τi)
v0j～gamma(0.001,0.001)
vhj～gamma(0.001,0.001)
其中，τi为精度参数，采用以下先验分布形式表示：τi～gamma(0.001,0.001)。
根据所述交通拥堵评价模型，计算得出面向出行者个人感知的交通拥堵状态评价结果。如表11所示为模型的参数估计结果：
表11.模型参数估计
Figure BDA0002135313250000144
Figure BDA0002135313250000151
步骤104：检验模型的评价性能。
分别计算主观评价模型的评价结果和基于客观参数的聚类评价结果相对于出行者感知结果的绝对平均误差(MAE)，检验模型的评价性能。表12所示为每个观测值对应的出行者主观感知结果、聚类结果和主观模型评价结果以及相应的误差值，表中最后一行显示了绝对误差计算结果，结果显示主观评价模型更贴近于出行者对交通运行状态的主观感知。
表12.交通状态评价结果及相对出行者感知的绝对误差值
Figure BDA0002135313250000152
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
虽然上面已经参考各种实施例描述了本发明，但是应当理解，在不脱离本发明的范围的情况下，可以进行许多改变和修改。因此，其旨在上述详细描述被认为是例示性的而非限制性的，并且应当理解，以下权利要求(包括所有等同物)旨在限定本发明的精神和范围。以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (6)

1.一种面向出行者个人感知的交通拥堵状态评价方法，其特征在于，方法包括以下步骤：
步骤101：收集实验所需的交通流状态视频和对应视频中的交通流客观状态参数，并对参数做聚类处理，所述步骤101进一步包括以下步骤：
S1：选取典型路段，并获取路段条件参数，包括路段长度和车道数；
S2：选取典型时段，录制交通状态视频并收集相应时段内的交通状态参数；
S3：采用均值化方法对所收集交通状态参数进行无量纲化处理，得到标准化参数数据；
S4：将标准化参数数据进行聚类处理，得到交通流参数聚类结果；
所述标准化参数数据进行聚类处理包括：通过模糊C-均值聚类算法，依据标准化后的车流量、平均速度和行程时间，将各时间段内的交通状态进行聚类；
步骤102：通过交通状态主观感知实验，收集出行者个人属性信息和对道路交通状态的主观感知结果；
步骤103：建立面向出行者个人感知的交通拥堵状态评价模型；
步骤104：检验模型的评价结果是否符合出行者对交通状态的感知；
所述步骤102中的交通状态主观感知实验进一步包括以下步骤：
步骤201：根据所述步骤S4所述交通流参数聚类结果，截取各聚类等级下的交通状态视频，获得实验视频；
步骤202：选取实验对象，记录实验对象个人属性信息；
步骤203：实验对象观看步骤201中所述实验视频，并对视频中交通状态进行评价，获得道路状态主观感知结果；
步骤103中所述的交通拥堵状态评价模型进一步包括以下步骤：
步骤301：将步骤101中道路参数、交通流状态参数，和步骤102中所述实验对象个人属性信息、主观感知结果进行预处理，形成结构化数据；
步骤302：检验步骤301所述结构化数据表格中各变量的共线性，删除具有强共线性的变量；
步骤303：根据步骤302中处理后的结构化数据表格，基于层级有序多分类logit模型，构建交通拥堵评价模型：
层一模型：
Figure FDA0002892075430000021
其中，Smij表示出行者个体j将交通状态i的感知结果评价为m类的对数发生比，j＝1,2,…,J,即出行者j对交通拥堵状态i的评分结果为m的对数发生比，xhij为筛选出的H个客观道路条件和交通流状态因素，h＝1,2,…,H，如：平均车速、车道数；β0j为层一截距项，表示出行者整体对交通状态的平均感知结果，βhj为层一系数，表示客观因素与出行者i感知之间的联系方向和强度，为待估计参数；εi为误差项，反映其它客观因素的残余效应，为待估参数；
层二模型：
Figure FDA0002892075430000022
Figure FDA0002892075430000023
其中，πrj为出行者j的r个相关属性因素，r＝1,2,…,R，a0r、ahr是层二系数，表示个人特性与层一截距项和系数效应之间的联系方向和强度，为待估参数；v0j和vhj是层二误差项，为待估参数；
步骤304：估计模型参数；
所述步骤104具体包括：
步骤401：根据步骤103所述交通拥堵评价模型，计算得出面向出行者个人感知的交通拥堵状态评价结果；
步骤402：分别计算步骤401所得主观评价模型的评价结果，和步骤S4中基于传统客观参数的聚类评价结果，相对于出行者主观感知结果的绝对平均误差；
步骤403：比较绝对平均误差的数值大小，若主观评价模型的绝对平均误差小于聚类模型的绝对平均误差，代表主观评价模型比聚类模型好。
2.根据权利要求1所述的面向出行者个人感知的交通拥堵状态评价方法，其特征在于，所述步骤202中的选取实验对象进一步包括：具体选取方法是参考当地驾驶员人口属性资料配备实验对象比例，选取不同性别、年龄、驾龄的实验对象，所述实验对象人数大于或等于30，且实验对象选择具备高中以上教育背景的对象。
3.根据权利要求1所述的面向出行者个人感知的交通拥堵状态评价方法，其特征在于，步骤203所述实验对象观看实验视频进行评价，进一步包括以下步骤：
步骤2031：安排所有实验对象按照事先安排的顺序依次观看步骤201中所述实验视频，并按照个人感知对拥堵状态进行评分，过程中需避免实验对象之间相互交流；
步骤2032：重复进行至少三次实验，每次实验打乱原有实验视频顺序，记录每次实验评分结果，每次实验间隔至少10分钟进行；
步骤2033：对比步骤2032所述实验评分结果，筛选对交通状态具有不良感知的实验对象，剔除其实验结果；
步骤2034：统计剩余实验评分结果，计算平均值，获得实验对象的道路状态主观感知结果。
4.根据权利要求3所述的面向出行者个人感知的交通拥堵状态评价方法，其特征在于，步骤2033所述对交通状态具有不良感知的实验对象，具体为同一个视频两次评价结果的差值超过一个等级的实验对象。
5.根据权利要求1所述的面向出行者个人感知的交通拥堵状态评价方法，其特征在于，步骤302所述检验步骤301所述结构化数据表格中各变量的共线性，具体为使用容差和方差膨胀因子检验变量之间的共线强度，若容差值小于或等于0.1，或方差膨胀因子大于等于10则说明该变量存在强共线性，删除该变量。
6.根据权利要求1所述的面向出行者个人感知的交通拥堵状态评价方法，其特征在于，步骤304所述估计模型参数，具体为采用贝叶斯推断方法估计，设定模型参数a0r、ahr、εi、v0j、vhj服从无信息先验分布：
a0r～N(0，1000)
ahr～N(0，1000)
εi～N(0，1/τi)
v0j～gamma(0.001，0.001)
vhj～gamma(0.001，0.001)
其中，τi为精度参数，采用以下先验分布形式表示：τi～gamma(0.001，0.001)。
CN201910651310.2A 2019-07-18 2019-07-18 一种面向出行者个人感知的交通拥堵状态评价方法 Active CN110276955B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910651310.2A CN110276955B (zh) 2019-07-18 2019-07-18 一种面向出行者个人感知的交通拥堵状态评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910651310.2A CN110276955B (zh) 2019-07-18 2019-07-18 一种面向出行者个人感知的交通拥堵状态评价方法

Publications (2)

Publication Number Publication Date
CN110276955A CN110276955A (zh) 2019-09-24
CN110276955B true CN110276955B (zh) 2021-04-06

Family

ID=67964763

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910651310.2A Active CN110276955B (zh) 2019-07-18 2019-07-18 一种面向出行者个人感知的交通拥堵状态评价方法

Country Status (1)

Country Link
CN (1) CN110276955B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110738856B (zh) * 2019-11-12 2020-09-22 中南大学 一种基于移动聚类的城市交通拥堵精细识别方法
CN113327418B (zh) * 2021-05-31 2022-10-25 同济大学 一种快速路拥堵风险分级实时预测方法

Family Cites Families (5)

* 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
CN104978857A (zh) * 2015-05-26 2015-10-14 重庆邮电大学 一种基于混沌理论的交通状态预测方法及其装置
EP3235701B1 (en) * 2016-04-20 2021-08-18 Honda Research Institute Europe GmbH Method and driver assistance system for assisting a driver in driving a vehicle
CN109272169A (zh) * 2018-10-10 2019-01-25 深圳市赛为智能股份有限公司 交通流量预测方法、装置、计算机设备及存储介质
CN109359788B (zh) * 2018-12-06 2021-08-17 西南交通大学 一种高速列车初始晚点影响预测模型的建立方法

Also Published As

Publication number Publication date
CN110276955A (zh) 2019-09-24

Similar Documents

Publication Publication Date Title
Murray Factors affecting graduation and student dropout rates at the University of KwaZulu-Natal
CN108717786B (zh) 一种基于普适性元规则的交通事故致因挖掘方法
CN110276955B (zh) 一种面向出行者个人感知的交通拥堵状态评价方法
CN108648445B (zh) 基于交通大数据的动态交通态势预测方法
CN111667204A (zh) 自动驾驶开放测试道路环境风险度确定、分级方法及系统
WO2020108219A1 (zh) 基于交通安全风险的群体划分与差异性分析方法及系统
Wang Job access and homicide patterns in Chicago: An analysis at multiple geographic levels based on scale-space theory
CN111598885B (zh) 高速公路团雾图片能见度等级自动标注方法
Dimitriou et al. Exploring the temporal stability of global road safety statistics
CN114021627A (zh) 一种融合lstm与场景规则知识的异常轨迹检测方法及装置
Khatibi et al. Predicting the number of hospital admissions due to mental disorders from air pollutants and weather condition descriptors using stacked ensemble of Deep Convolutional models and LSTM models (SEDCMLM)
CN112308136A (zh) 一种基于SVM-Adaboost的驾驶分心检测方法
CN113673609B (zh) 一种基于线性隐变量的调查问卷数据分析方法
CN117275215A (zh) 一种基于图过程神经网络的城市道路拥堵时空预测方法
Zhu et al. Siqd: Surveillance image quality database and performance evaluation for objective algorithms
CN111951546B (zh) 一种量化拥堵收费政策安全影响范围的方法
CN111612260B (zh) 基于集成学习模型的轨道交通车载数据预测方法
CN114139984A (zh) 基于流量与事故协同感知的城市交通事故风险预测方法
CN109615874B (zh) 一种基于格式塔心理学准则的路况分析方法
CN111340376A (zh) 一种地铁换乘感知服务质量评估方法
Keskin et al. Cohort fertility heterogeneity during the fertility decline period in Turkey
Jivraj The components of socioeconomic neighbourhood change: An analysis of school census data at varying spatial scales in England
Meißner et al. Decision support for road safety: development of key performance indicators for police analysts
Lin et al. Understanding Vulnerability of Children in Surrey
Griffith et al. Understanding childhood vulnerability in the city of surrey

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