CN110570654B - 一种基于免疫的路段交通拥堵动态检测方法 - Google Patents

一种基于免疫的路段交通拥堵动态检测方法 Download PDF

Info

Publication number
CN110570654B
CN110570654B CN201910868672.7A CN201910868672A CN110570654B CN 110570654 B CN110570654 B CN 110570654B CN 201910868672 A CN201910868672 A CN 201910868672A CN 110570654 B CN110570654 B CN 110570654B
Authority
CN
China
Prior art keywords
traffic
road
congestion
immune
simulating
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
CN201910868672.7A
Other languages
English (en)
Other versions
CN110570654A (zh
Inventor
王峰
赵晨阳
石浩东
张浩宇
程献威
石佳欢
黄路路
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.)
Henan University of Technology
Original Assignee
Henan 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 Henan University of Technology filed Critical Henan University of Technology
Priority to CN201910868672.7A priority Critical patent/CN110570654B/zh
Publication of CN110570654A publication Critical patent/CN110570654A/zh
Application granted granted Critical
Publication of CN110570654B publication Critical patent/CN110570654B/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
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于免疫的路段交通拥堵动态检测方法，包括免疫表示模块、抗原提呈模块、免疫浓度动态演化模块和拥堵状态判别模块；本发明有助于出行者根据实际交通状况选择合理出行路线，也有助于交通管理者及时发现交通拥堵，制定合理有效的交通拥堵疏导策略，能够大大降低拥堵的影响范围，减少拥堵在时间、经济及环境上的危害，避免由局部交通拥堵导致路网交通瘫痪；有助于交通管理者了解城市路段、路网交通运行状态，发现经常导致拥堵的瓶颈路段，根据路段对交通拥堵的影响程度确定相应路段拥堵改造的优先次序，对改善后道路交通设施的拥堵缓解效果进行评价，从而最大程度地降低交通拥堵所带来的负面影响、大幅提高整个城市道路交通系统的运行水平。

Description

一种基于免疫的路段交通拥堵动态检测方法
技术领域
本发明涉及智能交通系统中交通拥堵检测领域，具体为一种基于免疫的路段交通拥堵动态检测方法。
背景技术
随着社会经济的不断发展，城市交通拥堵现象越来越突出，交通拥堵成为城市面临的全球性“城市通病”之一，逐渐成为制约城市发展的瓶颈。交通拥堵给居民正常的出行带来不利影响，加剧了城市生存环境的恶化，使社会蒙受巨大的经济损失，严重地制约了国民经济快速、可持续发展。
国外最早对交通拥堵状态识别的研究主要以突发交通事件为研究对象。最早的算法是加利福尼亚算法，该算法通过相邻检测站间的交通流状态参数对突发交通事件进行判别。Payne和Tignor随后对加州算法进行了改进，提出了ACI算法。Persaud等人根据突变理论开发了McMaster算法，提出流量-占有率关系模板。该算法使用了大量拥堵状态下的流量和占有率历史数据，将观测数据之间的关系与模板进行两次比较，判断交通拥堵是否发生以及发生的是偶发性拥堵还是常发性拥堵。Levin等人开发了贝叶斯算法，该算法与加州算法相似，使用两个相邻检测器之间的占有率之差对所发生的拥堵进行判断，但不同之处在于它通过计算占有率变化的条件概率对拥堵进行自动判别。因此，这种算法更适合用于判别具有一定规律性的常发性拥堵和事故偶发路段上的偶发性交通拥堵。Ahmed等运用Box-Jenkins随机时间序列分布技术中的自回归移动平均方法开发了一种突变交通时间的判别算法。这种算法以单个检测器提供的占有率为输入数据，建立了一个三阶ARIMA(0，1，3)模型进行短期预测，当预测数据与观测数据存在大的偏差时，启动突发交通事件的报警系统。Fang等将支持向量机技术和多层前反馈神经网络应用到交通拥堵状态的自动识别中，通过模拟数据和实测数据对两种算法进行了比较。Stephanedes等开发了一种低通滤波算法，采用移动平均的方法去除交通参数实测数据中的噪声和高频成份，只保留低频数据，实现对交通拥堵的判别。Adeli和Karim提出波动分析算法，该算法以上下游检测站的累计占有率之差作为判别的基础，如果累计占有率之差连续，说明存在交通拥堵。Zheng等人针对以往对含有噪声交通数据处理的不足，利用小波变换分析了拥堵状态下瓶颈激活及交通波振荡的特征，包括瓶颈激活后排队在空间上的传播、瓶颈激活时间、拥堵相位转变时间及车辆加减速引起交通波振荡的起点与振幅。姜紫峰等建立了多层向前的BP神经网络模型，该方法采用4层BP网络，通过复合反映不同神经元之间的耦合程度，通过畸变改变输入信息的结构和形态。庄斌等对采集到的交通量和占有率进行统计分析和推导，对交通拥堵的形成原因进行了论证，给出了以平均占有率为判断准则的自动检测算法。楚杨杰等提出利用改进的加州算法对道路交通拥堵进行自动检测，并用仿真软件进行了仿真，验证了算法的有效性。肖永来利用交通状态评价指标对交通拥堵进行了预测，提出了基于SCATS采集数据的城市道路交通状态判别技术。杨兆升等提出一种新的多因素道路交通状态评价方法，利用探测技术获取的探测车平均速度、拥堵系数、停车时间比例、加速度噪声和平均速度梯度作为交通拥堵的表征量，采用VISSIM仿真方法确定出交通拥堵表征量的阈值，并应用多级模糊模式识别方法实现道路交通状态的评价。陈小红等针对交叉口路段的拥堵特性，运用定性推理的相关方法，从时间的角度，提出描述城市交叉口进口路段状况的评价指标--稳态评判指数，由该指标确定的拥堵临界点与由交叉口总排队长度所反映的交叉口拥堵临界点基本吻合。罗小强等提出利用小波包变换和二项分布理论，选取占有率为检测指标，以占有率指标是否发生突变或异常来识别交通拥堵。姜桂艳等提出了基于车牌识别的交通拥堵识别方法，并对该方法实例分析进行了验证。胡启洲等人在对交通拥堵的变化规律、相关属性、空间分布和判别方式等进行综合研究的基础上，对道路交通流的非线性动力学特征进行了分析，建立了基于时空分布的道路交通拥堵态势的动态监控预警模型，并且提出了如何解决城市道路交通拥堵的方法。于荣等基于支持向量机建立了车流量、平均速度和占有率的三维反映空间，将交通流状态划分为堵塞流、拥挤流、平稳流和顺畅流，对各种核函数的分类效果进行了比较研究，结果表明核函数能以较高的分类精度区分开交通流的状态。相关研究主要采用统计分析、模式识别和人工智能等算法，以交通检测器采集到的交通流状态参数数据为基础进行研究，主要从交通量、饱和度、行驶速度、时间占有率和车道占用率等交通拥堵评价指标着手，采取不同的交通拥堵识别方法，对交通拥堵进行判定。但已有的研究仅从静态的角度对交通拥堵进行描述，实际上交通拥堵的形成、持续和消散是随着时间和空间发生变化的动态过程，因此对交通流状态参数的预测和交通拥堵识别需要从实时动态的角度进行研究。
发明内容
本发明的目的在于提供一种基于免疫的路段交通拥堵动态检测方法，以克服现有技术仅从静态的角度对交通拥堵进行描述的不足问题。本发明的目的是这样实现的：
一种基于免疫的路段交通拥堵动态检测方法，包括免疫表示模块、抗原提呈模块、免疫浓度动态演化模块和拥堵状态判别模块。
具体步骤如下：
(1)模拟人体免疫系统，利用免疫表示建立基于免疫的路段交通拥堵动态检测方法与人体免疫系统之间的映射关系；
(2)模拟抗原提呈，通过利用网络时间协议(NTP)进行自动校时的图像采集设备对经过路段监测点的车辆进行图像采集，并利用汽车牌照识别算法(LPR)进行自动识别，在此基础上对基于LPR的路段交通流数据进行数据清洗操作，随后计算得到通过该路段的车辆平均行驶速度，并将相邻检测周期内的路段车辆平均行驶速度差作为抗原对抗体的免疫刺激信号；
(3)模拟免疫应答，根据步骤(2)中免疫刺激信号的不同，分别进行克隆扩增、免疫抑制和免疫自稳操作，计算抗体浓度值，通过免疫浓度动态演化实现对路段交通拥堵状况的实时动态监测；
(4)基于步骤(3)所得的抗体浓度值，根据实际道路车辆运行状况，并结合道路拥堵等级划分，建立抗体浓度与路段交通拥堵等级之间的映射关系，实现对路段交通拥堵的状态判别；
所述免疫表示建立基于免疫的路段交通拥堵动态检测方法与人体免疫系统之间的映射关系，具体包括：
(1)用交通网络模拟人体；
(2)用交通网络中的各路段模拟人体免疫系统中的淋巴结；
(3)用交通流特征模拟抗原；
(4)用从交通流数据中进行特征提取的过程模拟抗原提呈；
(5)用对路段交通拥堵进行评估的检测器模拟能够识别特定抗原的抗体；
(6)用对路段的拥堵评估过程模拟抗原检测；
(7)用路段拥堵程度模拟抗体浓度；
(8)用路段拥堵程度的上升模拟克隆扩增；
(9)用路段拥堵程度的下降模拟免疫抑制；
(10)用两个相邻检测周期间路径拥堵程度保持不变模拟免疫自稳。
所述抗原提呈提取基于速度的交通流特征参数并获取免疫刺激信号的工作流程如下：
(1)首先利用网络时间协议(NTP)对图像采集设备进行自动校时，保证不同监测点拍摄车辆图像时间的一致性；
(2)对图像采集设备实时采集的通过路段监测点的车辆图像运用汽车牌照识别算法(LPR)进行自动识别；
(3)对基于LPR的路段交通流数据进行数据清洗操作，包括对缺失数据用相邻检测周期的数据进行补充和利用四分位数筛选法对车辆行程时间数据集中的噪声数据进行剔除；
(4)在路段有效参考交通流数据中基于上下游2个监测点的车辆图像拍摄时间和牌照识别数据得到通过该路段的车辆平均行驶速度；
(5)将两个相邻检测周期内的路段车辆平均行驶速度差作为抗原对抗体的免疫刺激信号。
所述根据抗原对抗体的不同免疫刺激信号进行免疫操作，实现路段交通拥堵的免疫浓度动态演化的规则如下：
Figure GDA0003294269830000051
其中Ct表示抗体在检测周期t中的抗体浓度，
Figure GDA0003294269830000052
为在检测周期t内通过路段的车辆平均行驶速度，Vu为根据具体交通实际情况设定的表示交通流为顺畅状态的速度阈值，min和max分别表示求取最小值和最大值的函数，Δv为抗原对抗体的免疫刺激信号，
Figure GDA0003294269830000053
为归一化的抗体浓度变化因子且与
Figure GDA0003294269830000054
成反比，Vl为根据具体交通实际情况设定的表示交通流为严重拥堵状态的速度阈值。
(1)当
Figure GDA0003294269830000061
时，交通流为顺畅状态，抗体浓度被置为0，否则表明交通流为拥堵状态；
(2)当Δv＜0时为正免疫刺激，模拟克隆扩增机制，对抗体浓度进行累计，表明路段拥堵程度在持续增加，且
Figure GDA0003294269830000062
越接近Vu时浓度增幅越小，越远离Vu时浓度增幅越大；
(3)当Δv＝0时无免疫刺激，模拟免疫自稳机制，抗体浓度保持不变；
(4)当Δv＞0时为负免疫刺激，模拟免疫抑制机制，降低抗体浓度，表明路段拥堵程度在逐渐降低，且
Figure GDA0003294269830000063
越接近Vu时降幅越大，越远离Vu时降幅越小。
所述建立抗体浓度与路段交通拥堵等级之间的映射关系，实现对路段交通拥堵的状态判别规则如下：
Figure GDA0003294269830000064
其中1、2、3、4、5表示交通状态分别为非常畅通、畅通、轻度拥堵、中度拥堵和严重拥堵。
积极有益效果：本发明有助于出行者根据实际交通状况选择合理出行路线，也有助于交通管理者及时发现交通拥堵，制定合理有效的交通拥堵疏导策略，能够大大降低拥堵的影响范围，减少拥堵在时间、经济及环境上的危害，也能够避免由局部交通拥堵导致路网交通瘫痪；有助于交通管理者了解城市路段、路网交通运行状态，发现经常导致拥堵的瓶颈路段，根据路段对交通拥堵的影响程度确定相应路段拥堵改造的优先次序，以及对改善后道路交通设施的拥堵缓解效果进行评价，从而最大程度地降低交通拥堵所带来的负面影响、大幅提高整个城市道路交通系统的运行水平。
附图说明
图1为本发明的模型理论框图；
图2为基于免疫的路段交通拥堵动态检测方法与人体免疫系统的映射关系表；
图3为路段交通拥堵分级表；
图4为交通流量变化曲线图；
图5为平均速度变化曲线图；
图6为抗体浓度变化曲线图；
图7为交通拥堵等级变化曲线图。
具体实施方式
下面结合附图，对本发明做进一步的说明：
如图1所示，一种基于免疫的路段交通拥堵动态检测方法，包括免疫表示模块、抗原提呈模块、免疫浓度动态演化模块和拥堵状态判别模块。
(1)免疫表示模块
首先建立基于免疫的路段交通拥堵动态检测方法与人体免疫系统之间的映射关系，用交通网络模拟人体，交通网络中的各路段模拟人体免疫系统中的淋巴结，从交通流数据中进行特征提取的过程模拟抗原提呈，提取的交通流特征模拟抗原，对路段交通拥堵进行评估的检测器模拟能够识别特定抗原的抗体，拥堵评估过程模拟抗原检测，路段拥堵程度模拟抗体浓度，根据抗原刺激的不同类型，分别模拟三种免疫应答机制：拥堵程度的上升和下降分别模拟克隆扩增和免疫抑制，两个相邻检测周期间拥堵程度保持不变模拟免疫自稳。
(2)抗原提呈模块
抗原提呈对应交通流特征提取，采用车辆的行驶速度作为交通拥堵评价的基础参数。当检测到有车辆通过路段监测点时，利用图像采集设备对车辆图像进行实时采集，得到经过监测点的车辆图像的拍摄时间和拍摄地点等信息；利用网络时间协议(NTP)对图像采集设备进行自动校时，保证不同监测点拍摄车辆图像时间的一致性。
对采集的车辆图像运用汽车牌照识别算法(LPR)进行自动识别，基于上下游2个监测点的车辆图像拍摄时间和牌照识别数据得到通过该路段的车辆行驶速度。为了更好地反映实时交通路况信息，保证参考数据的合理性，对基于LPR的路段交通流数据进行数据清洗操作。首先，对缺失数据用相邻检测周期的数据进行补充；其次，利用四分位数筛选法对车辆行程时间数据集中的噪声数据进行剔除。
对于任意给定路段的两个监测点A(入口)和B(出口)，在设定的参考时间间隔内通过该路段的车辆行驶时间集合中的四分位极差为：
Tq＝t0.75-t0.25 (1)
其中t0.75和t0.25分别为行驶时间的上、下四分位值，则有效参考时间数据集为：
SAB＝{tBi-tAi|t0.25-1.5Tq≤tBi-tAi≤t0.75+1.5Tq} (2)
其中tBi和tAi分别表示车辆在监测点B和A的拍摄时间。则在此参考时间间隔内通过两监测点间的车辆平均行驶时间为：
Figure GDA0003294269830000081
则在检测周期内通过该路段的车辆平均行驶速度为：
Figure GDA0003294269830000082
其中LAB为该路段的长度。于是在两个相邻检测周期内的车辆平均行驶速度差可表示为：
Figure GDA0003294269830000091
利用Δv模拟抗原对抗体的免疫刺激，以此决定免疫响应中对抗体的克隆扩增、免疫自稳或免疫抑制操作。
(3)免疫浓度动态演化模块
免疫浓度动态演化对应路段交通拥堵状况的变化情况。由于交通状态短时间内具有延续性，因此结合前一检测周期的路段交通拥堵状况来对当前周期的路段交通拥堵状况进行评估。用Ct表示抗体在第t个检测周期中的抗体浓度，其初始浓度值为0，则其动态演化过程如下：
Figure GDA0003294269830000092
其中Vu为根据具体交通实际情况设定的表示交通流为顺畅状态的速度阈值，min和max分别表示求取最小值和最大值的函数，Δc的定义为：
Figure GDA0003294269830000093
其中Vl为根据具体交通实际情况设定的表示交通流为严重拥堵状态的速度阈值。
利用公式(6)模拟免疫系统中抗体浓度的动态演化过程。首先利用阈值Vu将交通流划分为非拥堵和拥堵两种状态，当
Figure GDA0003294269830000094
时，交通流为非拥堵状态，抗体浓度被置为0；当交通流为拥堵状态时，若Δv＜0，则模拟免疫系统的克隆扩增机制，对抗体浓度进行累计，表明拥堵程度在持续增加，且
Figure GDA0003294269830000095
越接近Vu时增幅越小，越远离Vu时增幅越大；若Δv＝0，则模拟免疫系统的免疫自稳机制，抗体浓度保持不变；否则模拟免疫系统的免疫抑制机制，降低抗体浓度，且
Figure GDA0003294269830000101
越接近Vu时降幅越大，越远离Vu时降幅越小，从而更好地反映路段的实时交通状况。
(4)拥堵状态判别模块
由于Ct∈[0,1]，故可以直接用抗体浓度来描述当前路段拥堵的严重程度。根据实际道路车辆运行状况，并结合我国道路拥堵等级划分，将城市道路的交通拥堵等级划分为5级，抗体浓度与路段交通拥堵等级之间的映射关系如下：
Figure GDA0003294269830000102
其中1、2、3、4、5表示交通状态分别为非常畅通、畅通、轻度拥堵、中度拥堵和严重拥堵。
仿真结果总结
本发明采用从实地采集的车辆数据作为实验仿真数据，实验数据是对路面自然行驶的车辆进行采集得到的。
如图2和图3中的列表所示，分别给出了基于免疫的路段交通拥堵动态检测方法与人体免疫系统的映射关系和基于抗体浓度的路段交通拥堵分级表，图4、图5、图6和图7分别给出了本发明在某路段的交通流量、平均速度、抗体浓度和交通拥堵等级变化曲线图。从仿真的结果来看，本发明借鉴免疫系统的抗原提呈、克隆扩增、免疫自稳和免疫抑制等免疫机理，通过抗体浓度的动态演化模拟路段交通拥堵的实时变化，模型计算出的路段抗体浓度值与当前路段所面临的实际交通状况具有很好的一致性，从而能对路段交通拥堵状况进行实时动态评估，为实时掌握路段交通运行状况提供了有效依据。因此，实际的仿真结果证明了本发明的有效性。
本发明有助于出行者根据实际交通状况选择合理出行路线，也有助于交通管理者及时发现交通拥堵，制定合理有效的交通拥堵疏导策略，能够大大降低拥堵的影响范围，减少拥堵在时间、经济及环境上的危害，也能够避免由局部交通拥堵导致路网交通瘫痪；有助于交通管理者了解城市路段、路网交通运行状态，发现经常导致拥堵的瓶颈路段，根据路段对交通拥堵的影响程度确定相应路段拥堵改造的优先次序，以及对改善后道路交通设施的拥堵缓解效果进行评价，从而最大程度地降低交通拥堵所带来的负面影响、大幅提高整个城市道路交通系统的运行水平。

Claims (5)

1.一种基于免疫的路段交通拥堵动态检测方法，其特征在于：包括免疫表示模块、抗原提呈模块、免疫浓度动态演化模块和拥堵状态判别模块；具体步骤如下：
(1)模拟人体免疫系统，利用免疫表示建立基于免疫的路段交通拥堵动态检测方法与人体免疫系统之间的映射关系；
(2)模拟抗原提呈，通过利用网络时间协议NTP进行自动校时的图像采集设备对经过路段监测点的车辆进行图像采集，并利用汽车牌照识别算法LPR进行自动识别，在此基础上对基于LPR的路段交通流数据进行数据清洗操作，随后计算得到通过该路段的车辆平均行驶速度，并将相邻检测周期内的路段车辆平均行驶速度差作为抗原对抗体的免疫刺激信号；
(3)模拟免疫应答，根据步骤(2)中免疫刺激信号的不同，分别进行克隆扩增、免疫抑制和免疫自稳操作，计算抗体浓度值，通过免疫浓度动态演化实现对路段交通拥堵状况的实时动态监测；
(4)基于步骤(3)所得的抗体浓度值，根据实际道路车辆运行状况，并结合道路拥堵等级划分，建立抗体浓度与路段交通拥堵等级之间的映射关系，实现对路段交通拥堵的状态判别。
2.根据权利要求1所述的一种基于免疫的路段交通拥堵动态检测方法，其特征在于，所述免疫表示建立基于免疫的路段交通拥堵动态检测方法与人体免疫系统之间的映射关系，具体包括：
(1)用交通网络模拟人体；
(2)用交通网络中的各路段模拟人体免疫系统中的淋巴结；
(3)用交通流特征模拟抗原；
(4)用从交通流数据中进行特征提取的过程模拟抗原提呈；
(5)用对路段交通拥堵进行评估的检测器模拟能够识别特定抗原的抗体；
(6)用对路段的拥堵评估过程模拟抗原检测；
(7)用路段拥堵程度模拟抗体浓度；
(8)用路段拥堵程度的上升模拟克隆扩增；
(9)用路段拥堵程度的下降模拟免疫抑制；
(10)用两个相邻检测周期间路径拥堵程度保持不变模拟免疫自稳。
3.根据权利要求1所述的一种基于免疫的路段交通拥堵动态检测方法，其特征在于，所述抗原提呈提取基于速度的交通流特征参数并将两个相邻检测周期内的路段车辆平均行驶速度差作为抗原对抗体的免疫刺激信号。
4.根据权利要求1所述的一种基于免疫的路段交通拥堵动态检测方法，其特征在于，所述根据抗原对抗体的不同免疫刺激信号进行免疫操作，实现路段交通拥堵的免疫浓度动态演化的规则如下：
Figure FDA0003627984460000021
其中Ct表示抗体在检测周期t中的抗体浓度，
Figure FDA0003627984460000022
为在检测周期t内通过路段的车辆平均行驶速度，Vu为根据具体交通实际情况设定的表示交通流为顺畅状态的速度阈值，min和max分别表示求取最小值和最大值的函数，Δv为抗原对抗体的免疫刺激信号，
Figure FDA0003627984460000023
为归一化的抗体浓度变化因子且与
Figure FDA0003627984460000024
成反比，Vl为根据具体交通实际情况设定的表示交通流为严重拥堵状态的速度阈值；
(1)当
Figure FDA0003627984460000025
时，交通流为顺畅状态，抗体浓度被置为0，否则表明交通流为拥堵状态；
(2)当Δv＜0时为正免疫刺激，模拟克隆扩增机制，对抗体浓度进行累计，表明路段拥堵程度在持续增加，且
Figure FDA0003627984460000031
越接近Vu时浓度增幅越小，越远离Vu时浓度增幅越大；
(3)当Δv＝0时无免疫刺激，模拟免疫自稳机制，抗体浓度保持不变；
(4)当Δv＞0时为负免疫刺激，模拟免疫抑制机制，降低抗体浓度，表明路段拥堵程度在逐渐降低，且
Figure FDA0003627984460000032
越接近Vu时降幅越大，越远离Vu时降幅越小。
5.根据权利要求1所述的一种基于免疫的路段交通拥堵动态检测方法，其特征在于，所述建立抗体浓度与路段交通拥堵等级之间的映射关系，实现对路段交通拥堵的状态判别规则如下：
Figure FDA0003627984460000033
其中1、2、3、4、5表示交通状态分别为非常畅通、畅通、轻度拥堵、中度拥堵和严重拥堵。
CN201910868672.7A 2019-09-16 2019-09-16 一种基于免疫的路段交通拥堵动态检测方法 Active CN110570654B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910868672.7A CN110570654B (zh) 2019-09-16 2019-09-16 一种基于免疫的路段交通拥堵动态检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910868672.7A CN110570654B (zh) 2019-09-16 2019-09-16 一种基于免疫的路段交通拥堵动态检测方法

Publications (2)

Publication Number Publication Date
CN110570654A CN110570654A (zh) 2019-12-13
CN110570654B true CN110570654B (zh) 2022-06-24

Family

ID=68779918

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910868672.7A Active CN110570654B (zh) 2019-09-16 2019-09-16 一种基于免疫的路段交通拥堵动态检测方法

Country Status (1)

Country Link
CN (1) CN110570654B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112885086B (zh) * 2021-01-18 2022-11-22 湖南省交通规划勘察设计院有限公司 一种基于多源交通大数据的突发拥堵判别系统
CN113283714B (zh) * 2021-05-09 2023-09-29 湖南大学 一种基于群决策的交通拥堵抑制方法
CN115798212B (zh) * 2022-11-23 2024-05-14 江西师范大学 一种基于出租车轨迹的交通拥堵检测方法
CN117334042B (zh) * 2023-09-28 2024-05-24 东莞市东莞通股份有限公司 一种基于人工智能的智慧交通管理系统及方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19606258C1 (de) * 1996-02-06 1997-04-30 Mannesmann Ag Fahrzeugautonome Detektion von Verkehrsstau
CN107274668A (zh) * 2016-04-06 2017-10-20 北京瑞拓电子技术发展有限公司 一种基于车辆检测的道路拥堵建模方法
CN106297305A (zh) * 2016-09-18 2017-01-04 河南工业大学 一种结合牌照识别和路径优化的套牌车分层检测方法
CN110085027B (zh) * 2019-03-28 2021-04-06 中国公路工程咨询集团有限公司 一种大规模路网群体车流诱导任务的分解方法

Also Published As

Publication number Publication date
CN110570654A (zh) 2019-12-13

Similar Documents

Publication Publication Date Title
CN110570654B (zh) 一种基于免疫的路段交通拥堵动态检测方法
CN109448369B (zh) 高速公路实时运行风险计算方法
CN108492555B (zh) 一种城市路网交通状态评价方法及装置
Dia et al. Development and evaluation of arterial incident detection models using fusion of simulated probe vehicle and loop detector data
CN111680745B (zh) 一种基于多源交通大数据融合的突发拥堵判别方法及系统
Abdel-Aty et al. Assessing safety on Dutch freeways with data from infrastructure-based intelligent transportation systems
Hawas A fuzzy-based system for incident detection in urban street networks
Rossi et al. Fuzzy logic-based incident detection system using loop detectors data
CN110901385B (zh) 一种基于驾驶员疲劳状态的主动限速方法
Thajchayapong et al. Distributed classification of traffic anomalies using microscopic traffic variables
CN112767695A (zh) 一种信号交叉口交通事故风险实时预测方法及系统
CN113642403B (zh) 基于边缘计算的人群异动智能安全检测系统
CN112542049A (zh) 智慧交通综合管控平台
CN113436432A (zh) 一种利用路侧观测数据进行路段短时交通风险预测的方法
CN101075377A (zh) 基于偏最小二乘原理的高速公路交通事件自动检测方法
Pawar et al. Efficient pothole detection using smartphone sensors
CN116597642A (zh) 一种交通拥堵状况的预测方法及系统
KR101133222B1 (ko) 영상기반의 사고 검지 시스템 및 방법
CN108765956B (zh) 一种高速公路交通状态综合评估方法
Ki et al. Method for automatic detection of traffic incidents using neural networks and traffic data
Hussein et al. The impact of data quantity on the performance of neural network freeway incident detection models
Castro-Neto et al. Toward training-free automatic detection of freeway incidents: Simple algorithm with one parameter
Zuo et al. Determination of bus crowding coefficient based on passenger flow forecasting
Cheng et al. Highway traffic incident detection based on BPNN
Chen et al. Automatic freeway bottleneck identification and visualization using image processing techniques

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