CN110415517B - 一种基于车辆行驶轨迹的道路拥堵精准预警系统及方法 - Google Patents
一种基于车辆行驶轨迹的道路拥堵精准预警系统及方法 Download PDFInfo
- Publication number
- CN110415517B CN110415517B CN201910639903.7A CN201910639903A CN110415517B CN 110415517 B CN110415517 B CN 110415517B CN 201910639903 A CN201910639903 A CN 201910639903A CN 110415517 B CN110415517 B CN 110415517B
- Authority
- CN
- China
- Prior art keywords
- track
- segmentation
- vehicle
- segmented
- prediction
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
本发明的技术方案涉及一种基于车辆行驶轨迹的道路拥堵精准预警系统及方法。利用本发明的技术方案,可以充分利用预测区域的车辆行驶轨迹,对其进行网格化后,分段然后筛选出满足特定条件的分段轨迹,再结合特定的空时参数,利用本发明提出的空时轨迹分段预测算法,预测车辆轨迹在所述不同时空参数下的延伸趋势,从而得到精准的道路拥堵情形预测。不同于现有技术预测方案只能预测当下或者单一情形下的情形,本发明的技术方案通过输入不同的时空特征参数,可以预测车辆轨迹在所述不同时空参数下的延伸趋势。这样,基于所述预测轨迹,就可对当前道路的拥堵情况进行预测。
Description
技术领域
本发明属于交通技术领域,尤其涉及一种基于车辆行驶轨迹的道路拥堵精准预警系统及其方法。
背景技术
随着社会的快速发展和人们生活水平的提高,汽车已经是越来越多人首选的交通工具,给人们出行带来了非常大的便捷。但另一方面,汽车数量的快速增长,会给公路交通带来一定的压力,交通拥挤、交通事故等现象对人们的生活造成了不小的影响。伴随经济发展和城镇化建设而出现的交通拥堵,已经成为制约城市发展的重要问题。
随着大数据技术的发展,加上城市交通卡口建设的增多,利用大数据技术来解决交通拥堵已成为可能。物联网、车联网以及各种导航APP能够提供大量的可用数据,人工智能、神经网络建模能够基于已有数据进行一定程度的未来预测,各种时序数据预测方法也层出不穷,由此出现了很多预测道路拥堵情形的技术方案。
例如CN109754606A提出一种基于出租车定位预测道路拥堵情况的方法,可自动采集、发布和查询道路交通状况实时信息,并依此计算到达目的地的最佳行进路径。该技术方案主要是通过收集车主车辆的位置信息,来进行分布式处理数据,或者道路车辆数量等;CN109801474A提出的一种城市安全的区域风险分析方法,则可以解决现有技术中城市重点区域无法预知人流量、车流量,没办法提前限流的技术问题;
CN109697852A、CN108960498A则是典型的时序预测方案,提出一种基于时序交通事件的城市道路拥堵程度预测方法以及一种基于时序关联规则的交通拥堵预测方法,利用LSTM循环神经网络建立LSTM序列数据分类模型,并对模型进行训练优化,实现城市道路拥堵程度的预测,避免多源交通流数据的复杂处理过程;充分利用历史交通数据信息,实现复用重要信息,并根据历史交通数据,挖掘道路之间的时序关联规则,可以灵活控制道路相关性规则的时间间隔,使挖掘的时序关联规则结果更具有实际意义,从而使得交通拥堵预测更有实际的价值,提高了交通拥堵预测的精度。
其他的类似方案,包括CN109767030A/CN109410583A,则针对的是现有的导航应用APP中往往只能识别当前道路的拥堵情况,对导航规划路线上的道路拥堵的预测能力较低,无法准确预测导航规划线路上道路拥堵的变化,导致道路拥堵检测分析结果不准确的问题,或者利用行车记录仪,根据目的地信息和车载终端实时上报的位置信息规划可达路线后,获取城市当前的道路拥堵区域,并将可达路线和道路拥堵区域重叠的区域确定为待评估拥堵区域,根据待评估拥堵区域的历史拥堵数据,以及根据车载终端实时上报的行驶速度计算得到的车载终端所在的车辆到达待评估拥堵区域的预测时间,预测车辆到达该待评估拥堵区域时该待评估拥堵区域的拥堵情况,实现对道路拥堵的准确预测,提高道路拥堵检测分析结果的准确性,同时,也提高了道路拥堵检测分析的智能化水平。
然而,发明人经过分析发现,上述现有技术都存在一定缺陷。
首先,大数据概念提出的时间比较晚,将大数据应用于交通领域的研究的相关文献也是最近几年才开始出现,在理论模型的相关研究上尚显单薄,更别说将其具体应用于实际的交通预测;运用数据挖掘方法的模型更是少之又少,上述涉及时序预测、神经网络、遗传算法的预测等方案,仅仅是利用已有的用于预测其他事件的模型进行简单的移植,而不是专用于交通预测。有关专家早已指出,″大数据″理念的落实需要海量实际数据的支撑,再结合有效的数据挖掘模型,才能真正为治理城市交通拥堵问题提供坚实的依据;因此,上述技术方案的可行性以及可用度实际上严重不足;
其次,上述技术方案大部分均只是基于当前的数据,进行当下情形的预测,其无法预测随空时因素变化的趋势;虽然某些方案采用一定的预测模型可以推演出未来趋势,但是如前所述,仅仅是利用已有的用于预测其他事件的模型进行简单的移植,而不是专用于交通预测,仅仅是理论上可行的方案,实际上效果不佳;
最后,大数据的一个重要特点就是数量海量,基于大数据的相关模型和方法更是需要处理海量的数据,这给预测工作带来了大量的工作量,同时需要配置大量的处理器和存储设备等,提高了预测成本;对于大数据而言,数据越多价值越快,随着时间推移,数据只会越来越多。成本也会越来越高;即使进行数据挖掘,如何获取有效的数据也是问题之一。
因此,为解决上述问题,发明人提出一种基于车辆行驶轨迹的道路拥堵精准预警系统及方法。
发明内容
本发明的技术方案涉及一种基于车辆行驶轨迹的道路拥堵精准预警系统及方法。利用本发明的技术方案,可以充分利用预测区域的车辆行驶轨迹,对其进行网格化后,分段然后筛选出满足特定条件的分段轨迹,再结合特定的空时参数,利用本发明提出的空时轨迹分段预测算法,预测车辆轨迹在所述不同时空参数下的延伸趋势,从而得到精准的道路拥堵情形预测。
在本发明的第一个方面,提出一种基于车辆行驶轨迹的道路拥堵精准预警系统,所述系统包括:
预测区域网格化模块,所述预测区域网格化模块将包含所述车辆行驶轨迹的预测区域进行网格化切分;
轨迹切分提取模块,所述轨迹切分提取模块针对前述预测区域网格化模块输出的切分子网格进行轨迹切分并且提取;
轨迹重建模块,所述轨迹重建模块基于前述轨迹切分提取模块输出的切分轨迹进行轨迹重建;
作为本发明的第一个优点,所述系统还包括:
切分轨迹筛选模块,用于对前述轨迹切分提取模块输出的切分轨迹进行筛选后,提供给所述轨迹重建模块。
不同于现有的大数据技术需要数据越多越好导致处理量大的问题,本发明的技术方案只选取建模价值大的数据进行,在保证准确性的同时,减轻了数据处理量,并且加快了处理速度;
作为本发明的第二个优点,所述系统还包括:
时空特征调节模块,提供可调节的时空特征参数给所述轨迹重建模块,所述轨迹重建模块结合所述时空特征参数重建出预测轨迹。
不同于现有技术预测方案只能预测当下或者单一情形下的情形,本发明的技术方案通过输入不同的时空特征参数,可以预测车辆轨迹在所述不同时空参数下的延伸趋势。
这样,基于所述预测轨迹,就可对当前道路的拥堵情况进行预测。
其中,所述包含车辆行驶轨迹的预测区域,包括全国交通流量热点图、城市交通流量热点图、区域交通流量特点图以及道路交通流量热点图。
作为本发明的第三个优点,作为所述预测区域网格化模块将包含所述车辆行驶轨迹的预测区域进行网格化切分,包括:
设定切分粒度值,以所述切分粒度值对所述预测区域进行网格化切分;
特征值分段提取,对所述网格化切分后的每个预测区域提取特征值。
网格化切分,可以实现并行化处理;特征值分段提取,可以保证筛选数据的准确性;这都是结合交通数据本身提出的适应性的处理方式,明显不同于现有技术只是简单的移植已有的用于其他对象的模型或者算法的做法;
具体而言,所述轨迹切分提取模块针对前述预测区域网格化模块输出的切分子网格进行轨迹切分并且提取,包括:
对所述切分子网格区域的轨迹进行分段,然后进一步提取对应分段的特征值。
作为一个优选,所述对应分段的特征值可以是该段分段包含的车辆密度、车辆行驶速度、车辆行驶方向其中至少一个的表征值;
进一步的优选方案中,其中,切分轨迹筛选模块,用于对前述轨迹切分提取模块输出的切分轨迹进行筛选后,提供给所述轨迹重建模块,具体包括:如果对应分段轨迹的特征值满足预定条件,则输出该分段轨迹;否则,抛弃该分段轨迹。
具体的,所述轨迹重建模块基于前述轨迹切分提取模块输出的切分轨迹进行轨迹重建,包括:
采用空时轨迹分段预测算法,基于前述轨迹切分提取模块输出的切分轨迹,预测车辆轨迹的延伸趋势。
在本发明的第二个方面,提供一种道路拥堵程度预测的方法,所述方法利用前述的基于车辆行驶轨迹的道路拥堵精准预警系统进行。
具体而言,该方法的主要步骤包括:
S1:对预测区域进行网格化切分,得到多个子网格区域;
S2:针对每一个子网格区域,对子网格中的车辆轨迹进行分段;
S3:计算分段轨迹的特征值;
S4:如果所述特征值满足特定条件,则保留该分段轨迹,进入步骤S5;
S5:基于所有保留的分段轨迹,采用空时轨迹分段预测算法,预测车辆轨迹的延伸趋势;
具体来说,在所述步骤S5中,还包括时空特征调节步骤,通过输入的不同时空特征参数,预测车辆轨迹在所述不同时空参数下的延伸趋势;
利用所述预测的车辆轨迹的延伸趋势,对拥堵程度进行预测。
在本发明的第三个方面,提供一种计算机可读存储介质,其上存储有计算机可执行指令,通过存储器和处理器执行所述指令,用于实现前述的一种道路拥堵程度预测的方法。
本发明的有益效果至少体现在:
不同于现有的大数据技术需要数据越多越好导致处理量大的问题,本发明的技术方案只选取建模价值大的数据进行,在保证准确性的同时,减轻了数据处理量,并且加快了处理速度;
不同于现有技术预测方案只能预测当下或者单一情形下的情形,本发明的技术方案通过输入不同的时空特征参数,可以预测车辆轨迹在所述不同时空参数下的延伸趋势。
网格化切分,可以实现并行化处理;特征值分段提取,可以保证筛选数据的准确性;
利用上述手段后,本发明的技术方案结合了专有的空时轨迹分段预测算法。该预测算法不同于近几年才出现的大数据技术,而是已经在移动目标预测上得到广泛验证的算法。本发明对其进行改进,得到了专用于交通拥堵预测的适应性算法,不同于现有技术只是简单的移植已有的用于其他对象的模型或者算法的做法;可靠性有保证。
本发明的进一步优点将在具体实施例部分结合附图进行展现。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的道路拥堵精准预警系统框架图;
图2是本发明的道路拥堵精准预测方法流程图;
图3(a)-3(b))是本发明提到的车辆行驶轨迹的预测区域图;
图4是预测区域网格化示意图。
具体实施例
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。本发明的实施例可以相互组合。
参见图1,本实施例提出的基于车辆行驶轨迹的道路拥堵精准预警系统,所述系统包括:
预测区域网格化模块,所述预测区域网格化模块将包含所述车辆行驶轨迹的预测区域进行网格化切分;
轨迹切分提取模块,所述轨迹切分提取模块针对前述预测区域网格化模块输出的切分子网格进行轨迹切分并且提取;
轨迹重建模块,所述轨迹重建模块基于前述轨迹切分提取模块输出的切分轨迹进行轨迹重建;
在本实施例中,所述系统还包括:
切分轨迹筛选模块,用于对前述轨迹切分提取模块输出的切分轨迹进行筛选后,提供给所述轨迹重建模块。
时空特征调节模块,提供可调节的时空特征参数给所述轨迹重建模块,所述轨迹重建模块结合所述时空特征参数重建出预测轨迹。
在本实施例中,在一个显示模块上,显示车辆轨迹的延伸趋势。
参见图2,是本发明的道路拥堵精准预测方法的一个流程图,主要包括如下步骤:
S1:对预测区域进行网格化切分,得到多个子网格区域;
S2:针对每一个子网格区域,对子网格中的车辆轨迹进行分段;
S3:计算分段轨迹的特征值;
S4:如果所述特征值满足特定条件,则保留该分段轨迹,进入步骤S5;
S5:基于所有保留的分段轨迹,采用空时轨迹分段预测算法,预测车辆轨迹的延伸趋势;
具体来说,在所述步骤S5中,还包括时空特征调节步骤,通过输入的不同时空特征参数,预测车辆轨迹在所述不同时空参数下的延伸趋势;
具体来说,如果所述特征值满足特定条件,可以包括,所述分段轨迹包含的车辆密度大于一定阈值,或者车辆的行驶速度均值小于一定阈值;或者车辆的行驶方向一致度大于一定阈值;或者上述判断值的组合满足预定阈值条件。
进一步参见图3(a)-3(b),本发明提到的所述包含车辆行驶轨迹的预测区域,包括全国交通流量热点图、城市交通流量热点图、区域交通流量特点图以及道路交通流量热点图。图3(a)、3(b)显示的为全国交通流量热点图、城市交通流量热点图。
参见图4,本发明的所述方法需要对预测区域进行网格化之后进行轨迹建模。轨迹建模中,本实施例采用空时轨迹分段预测算法。
本实施例的空时轨迹分段预测算法,是在已有的轨迹分段算法SST(Spatial-temporal Trajectory)上改进而来,抛弃了移动对象的阈值分割部分,使其适用于交通流量预测。Spatial-temporal Trajectory算法虽然为本领域技术人员公知的算法,但是将其用于交通轨迹重建和预测,在本申请日之前未见有相关技术。
本发明的改进之处还在于,在所述算法中调节空时参数,从而得到不同空时参数下的不同预测结果。应当注意,如果不抛弃原有算法中移动对象的阈值分割部分,则无法进行调节,这也是本发明的创新点之一。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。
为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
作为本发明的另外一个实施例,参见图1,本实施例提出的基于车辆行驶轨迹的道路拥堵精准预警系统,所述系统包括:
预测区域网格化模块,所述预测区域网格化模块将包含所述车辆行驶轨迹的预测区域进行网格化切分;
轨迹切分提取模块,所述轨迹切分提取模块针对前述预测区域网格化模块输出的切分子网格进行轨迹切分并且提取;
轨迹重建模块,所述轨迹重建模块基于前述轨迹切分提取模块输出的切分轨迹进行轨迹重建;
在本实施例中,所述系统还包括:
切分轨迹筛选模块,用于对前述轨迹切分提取模块输出的切分轨迹进行筛选后,提供给所述轨迹重建模块。
时空特征调节模块,提供可调节的时空特征参数给所述轨迹重建模块,所述轨迹重建模块结合所述时空特征参数重建出预测轨迹。
为评价道路拥堵程度,设置城市道路评价指标,计算道路拥堵程度系数。道路拥堵指标是基于速度、时间、交通量等要素提出,统计单位时间间隔内单条路段的指标值Aij,计算公式为:
其中RSi为城市道路i的一般情况下道路的通行速度值,即为一个道路通行速度参考值;CSij为城市道路i在第j时间段内的实际通行速度。
其中m为路段i在固定一段时间内车辆总数;vk为在固定一段时间内第k辆车记录的行驶速度。
其中n为路段i第j段时间内的车辆总数;vjk为在第j段时间内第k辆车记录的行驶速度。
最后统计第j段时间内所有道路在某一选择区域的道路拥堵指标Bj,计算得到的Bj可以反应该区域的一个总体道路拥堵情况,Bj指标为Aij的一个加权和,可进一步修正,使得该城市道路评价指标更为准确。
在本实施例中,在一个显示模块上,显示车辆轨迹的延伸趋势。
作为本发明的另外一个实施例,参见图2,是本发明的道路拥堵精准预测方法的一个流程图,主要包括如下步骤:
S1:对预测区域进行网格化切分,得到多个子网格区域;
S2:针对每一个子网格区域,对子网格中的车辆轨迹进行分段;
S3:计算分段轨迹的特征值;
S4:如果所述特征值满足特定条件,则保留该分段轨迹,进入步骤S5;
S5:基于所有保留的分段轨迹,采用空时轨迹分段预测算法,预测车辆轨迹的延伸趋势;
为评价道路拥堵程度,设置城市道路评价指标,计算道路拥堵程度系数。道路拥堵指标是基于速度、时间、交通量等要素提出,统计单位时间间隔内单条路段的指标值Aij,计算公式为:
其中RSi为城市道路i的一般情况下道路的通行速度值,即为一个道路通行速度参考值;CSij为城市道路i在第j时间段内的实际通行速度。
其中m为路段i在固定一段时间内车辆总数;vk为在固定一段时间内第k辆车记录的行驶速度。
其中n为路段i第j段时间内的车辆总数;vjk为在第j段时间内第k辆车记录的行驶速度。
最后统计第j段时间内所有道路在某一选择区域的道路拥堵指标Bj,计算得到的Bj可以反应该区域的一个总体道路拥堵情况,Bj指标为Aij的一个加权和,可进一步修正,使得该城市道路评价指标更为准确。
具体来说,在所述步骤S5中,还包括时空特征调节步骤,通过输入的不同时空特征参数,预测车辆轨迹在所述不同时空参数下的延伸趋势;
具体来说,如果所述特征值满足特定条件,可以包括,所述分段轨迹包含的车辆密度大于一定阈值,或者车辆的行驶速度均值小于一定阈值;或者车辆的行驶方向一致度大于一定阈值;或者上述判断值的组合满足预定阈值条件。
进一步参见图3(a)-3(b),本发明提到的所述包含车辆行驶轨迹的预测区域,包括全国交通流量热点图、城市交通流量热点图、区域交通流量特点图以及道路交通流量热点图。图3(a)、3(b)显示的为全国交通流量热点图、城市交通流量热点图。
参见图4,本发明的所述方法需要对预测区域进行网格化之后进行轨迹建模。轨迹建模中,本实施例采用空时轨迹分段预测算法。
本实施例的空时轨迹分段预测算法,是在已有的轨迹分段算法SST(Spatial-temporal Trajectory)上改进而来,抛弃了移动对象的阈值分割部分,使其适用于交通流量预测。Spatial-temporal Trajectory算法虽然为本领域技术人员公知的算法,但是将其用于交通轨迹重建和预测,在本申请日之前未见有相关技术。
本发明的改进之处还在于,在所述算法中调节空时参数,从而得到不同空时参数下的不同预测结果。应当注意,如果不抛弃原有算法中移动对象的阈值分割部分,则无法进行调节,这也是本发明的创新点之一。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。
为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
作为本领域技术人员,还应当得知本发明未详细展开的其他特征,例如基于所述预测轨迹,对当前道路的拥堵情况进行预测,是本领域技术人员可以根据需要选择量化的;再例如切分粒度值等概念,是网格划分的基本概念。诸如此类,不再赘述。
本发明的技术方案充分利用预测区域的车辆行驶轨迹,对其进行网格化后,分段然后筛选出满足特定条件的分段轨迹,再结合特定的空时参数,利用本发明提出的空时轨迹分段预测算法,预测车辆轨迹在所述不同时空参数下的延伸趋势,从而得到精准的道路拥堵情形预测。
Claims (9)
1.一种基于车辆行驶轨迹的道路拥堵精准预警系统,所述系统包括:
预测区域网格化模块,所述预测区域网格化模块将包含所述车辆行驶轨迹的预测区域进行网格化切分;
轨迹切分提取模块,所述轨迹切分提取模块针对前述预测区域网格化模块输出的切分子网格进行轨迹切分并且提取;
轨迹重建模块,所述轨迹重建模块基于前述轨迹切分提取模块输出的切分轨迹进行轨迹重建;
其特征在于:
所述系统还包括:
切分轨迹筛选模块,用于对前述轨迹切分提取模块输出的切分轨迹进行筛选后,提供给所述轨迹重建模块;
时空特征调节模块,提供可调节的时空特征参数给所述轨迹重建模块,所述轨迹重建模块结合所述时空特征参数重建出预测轨迹,基于所述预测轨迹,对当前道路的拥堵情况进行预测。
2.如权利要求1所述的系统,其特征在于:所述包含车辆行驶轨迹的预测区域,包括全国交通流量热点图、城市交通流量热点图、区域交通流量特点图以及道路交通流量热点图。
3.如权利要求1所述的系统,其特征在于:所述预测区域网格化模块将包含所述车辆行驶轨迹的预测区域进行网格化切分,包括:
设定切分粒度值,以所述切分粒度值对所述预测区域进行网格化切分,得到多个子网格区域;
特征值分段提取,具体包括:
针对每一个子网格区域,对子网格区域中的车辆轨迹进行分段;
计算分段轨迹的特征值;
所述特征值包括分段轨迹包含的车辆密度、车辆的行驶速度均值、车辆的行驶方向一致度之一或者其组合。
4.如权利要求3所述的系统,其特征在于:切分轨迹筛选模块,用于对前述轨迹切分提取模块输出的切分轨迹进行筛选后,提供给所述轨迹重建模块,具体包括:
如果对应分段轨迹的特征值满足预定条件,则输出该分段轨迹;
否则,抛弃该分段轨迹;
其中,分段轨迹的特征值满足预定条件,具体包括:
所述分段轨迹包含的车辆密度大于一定阈值,
或者分段轨迹包含的车辆的行驶速度均值小于一定阈值;
或者分段轨迹包含的车辆的行驶方向一致度大于一定阈值。
5.如权利要求1或3所述的系统,其特征在于:所述轨迹重建模块基于前述轨迹切分提取模块输出的切分轨迹进行轨迹重建,包括:
采用空时轨迹分段预测算法,基于前述轨迹切分提取模块输出的切分轨迹,预测车辆轨迹的延伸趋势。
6.如权利要求5所述的系统,其特征在于:采用空时轨迹分段预测算法,基于前述轨迹切分提取模块输出的切分轨迹,预测车辆轨迹的延伸趋势,进一步包括:基于所述时空特征调节模块输入的不同时空特征参数,预测车辆轨迹在所述不同时空参数下的延伸趋势。
7.如权利要求6所述的系统,其特征在于:利用所述预测的车辆轨迹的延伸趋势,对道路拥堵情形进行精准预警。
8.一种采用如权利要求1-7任一项所述的基于车辆行驶轨迹的道路拥堵精准预警系统进行道路拥堵程度预测的方法,所述方法包括如下步骤:
S1:对预测区域进行网格化切分,得到多个子网格区域;
S2:针对每一个子网格区域,对子网格中的车辆轨迹进行分段;
S3:计算分段轨迹的特征值;
S4:如果所述特征值满足预定条件,则保留该分段轨迹,进入步骤S5;
S5:基于所有保留的分段轨迹,采用空时轨迹分段预测算法,预测车辆轨迹的延伸趋势;
其特征在于:
在所述步骤S5中,还包括时空特征调节步骤,通过输入的不同时空特征参数,预测车辆轨迹在所述不同时空参数下的延伸趋势;
利用所述预测的车辆轨迹的延伸趋势,对拥堵程度进行预测;
其中,所述特征值满足预定条件,具体包括:
所述分段轨迹包含的车辆密度大于一定阈值,
或者分段轨迹包含的车辆的行驶速度均值小于一定阈值;
或者分段轨迹包含的车辆的行驶方向一致度大于一定阈值。
9.一种计算机可读存储介质,其上存储有计算机可执行指令,通过存储器和处理器执行所述指令,用于实现权利要求8所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910639903.7A CN110415517B (zh) | 2019-07-15 | 2019-07-15 | 一种基于车辆行驶轨迹的道路拥堵精准预警系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910639903.7A CN110415517B (zh) | 2019-07-15 | 2019-07-15 | 一种基于车辆行驶轨迹的道路拥堵精准预警系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110415517A CN110415517A (zh) | 2019-11-05 |
CN110415517B true CN110415517B (zh) | 2020-12-01 |
Family
ID=68361651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910639903.7A Active CN110415517B (zh) | 2019-07-15 | 2019-07-15 | 一种基于车辆行驶轨迹的道路拥堵精准预警系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110415517B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111275963A (zh) * | 2020-01-14 | 2020-06-12 | 北京百度网讯科技有限公司 | 热点区域的挖掘方法、装置、电子设备和存储介质 |
CN111275969B (zh) * | 2020-02-15 | 2022-02-25 | 湖南大学 | 一种基于道路环境智能识别的车辆轨迹填充方法 |
CN112735129B (zh) * | 2020-12-25 | 2022-05-06 | 北京中交兴路信息科技有限公司 | 货车停车调度的方法及装置 |
CN113689721B (zh) * | 2021-07-30 | 2022-09-20 | 深圳先进技术研究院 | 一种自动驾驶车速控制方法、系统、终端以及存储介质 |
CN114973642B (zh) * | 2022-01-17 | 2023-09-08 | 深圳市聚业美家科技有限公司 | 基于大数据轨迹分析的计算机路径决策系统和决策方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100580735C (zh) * | 2008-09-25 | 2010-01-13 | 北京航天智通科技有限公司 | 基于探测车技术的实时动态交通信息处理方法 |
WO2013109472A1 (en) * | 2012-01-17 | 2013-07-25 | On Time Systems, Inc. | Driver safety enhancement using intelligent traffic signals and gps |
US9659491B2 (en) * | 2015-03-19 | 2017-05-23 | Here Global B.V. | Dynamic location referencing strands |
CN106228808B (zh) * | 2016-08-05 | 2019-04-30 | 北京航空航天大学 | 基于浮动车时空网格数据的城市快速路旅行时间预测方法 |
CN106383868A (zh) * | 2016-09-05 | 2017-02-08 | 电子科技大学 | 一种基于道路网络的时空轨迹聚类方法 |
JP6654538B2 (ja) * | 2016-09-27 | 2020-02-26 | 本田技研工業株式会社 | 交通障害リスク表示装置 |
US10140854B2 (en) * | 2017-04-03 | 2018-11-27 | Here Global B.V. | Vehicle traffic state determination |
US11486718B2 (en) * | 2017-10-25 | 2022-11-01 | Tata Consultancy Services Limited | Predicting vehicle travel time on routes of unbounded length in arterial roads |
CN109766902B (zh) * | 2017-11-09 | 2021-03-09 | 杭州海康威视系统技术有限公司 | 对同区域的车辆聚类的方法、装置和设备 |
CN108320501B (zh) * | 2017-12-21 | 2021-01-12 | 江苏欣网视讯软件技术有限公司 | 基于用户手机信令的公交线路识别方法 |
CN109035758B (zh) * | 2018-05-20 | 2021-01-15 | 北京工业大学 | 基于浮动车数据网格映射的城市路网交叉口拥堵识别方法 |
CN109064741B (zh) * | 2018-08-01 | 2020-08-25 | 北京航空航天大学 | 基于多源数据融合的干道车辆运行轨迹重构的方法 |
CN109871876B (zh) * | 2019-01-22 | 2023-08-08 | 东南大学 | 一种基于浮动车数据的高速公路路况识别与预测方法 |
-
2019
- 2019-07-15 CN CN201910639903.7A patent/CN110415517B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110415517A (zh) | 2019-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110415517B (zh) | 一种基于车辆行驶轨迹的道路拥堵精准预警系统及方法 | |
CN110364008B (zh) | 路况确定方法、装置、计算机设备和存储介质 | |
CN112700072B (zh) | 交通状况预测方法、电子设备和存储介质 | |
Chen et al. | An improved adaptive signal control method for isolated signalized intersection based on dynamic programming | |
CN109410577B (zh) | 基于空间数据挖掘的自适应交通控制子区划分方法 | |
KR20150128712A (ko) | 차량 라우팅 및 교통 관리를 위한 차선 레벨 차량 내비게이션 | |
Wang et al. | Fine-grained traffic flow prediction of various vehicle types via fusion of multisource data and deep learning approaches | |
Loulizi et al. | Steady-state car-following time gaps: an empirical study using naturalistic driving data | |
CN107025788B (zh) | 一种旅行时间预测方法及装置 | |
CN111351499B (zh) | 路径识别方法、装置、计算机设备和计算机可读存储介质 | |
CN113066285B (zh) | 一种路况信息确定方法、装置、电子设备及存储介质 | |
EP4138051A1 (en) | Method of collecting data from fleet of vehicles | |
CN112863182B (zh) | 基于迁移学习的跨模态数据预测方法 | |
CN112435469A (zh) | 车辆预警控制方法、装置、计算机可读介质及电子设备 | |
CN113379099B (zh) | 一种基于机器学习与copula模型的高速公路交通流自适应预测方法 | |
CN114435138A (zh) | 一种车辆能耗预测方法、装置、车辆及存储介质 | |
Habtie et al. | Artificial neural network based real-time urban road traffic state estimation framework | |
CN109410576A (zh) | 多源数据融合的路况分析方法、装置、存储介质及系统 | |
CN111192457A (zh) | 一种城市级整体的交通信号控制的方法及装置 | |
CN110021161B (zh) | 一种交通流向的预测方法及系统 | |
CN107622660A (zh) | 一种道路限行时间确定方法及装置 | |
Salamanis et al. | Evaluating the effect of time series segmentation on STARIMA-based traffic prediction model | |
CN116311892A (zh) | 一种基于拥堵传播的城市路段通行关键瓶颈识别方法 | |
Ugan et al. | Using Connected Vehicle Trajectory Data to Evaluate the Effects of Speeding | |
KR102302486B1 (ko) | 도시 도로의 운행 속도 처리 방법, 도시 도로의 운행 속도 처리 장치, 기기 및 비휘발성 컴퓨터 저장 매체 |
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 |