CN110598999A - 基于个体数据的交通出行分析方法、系统及存储介质 - Google Patents
基于个体数据的交通出行分析方法、系统及存储介质 Download PDFInfo
- Publication number
- CN110598999A CN110598999A CN201910771309.3A CN201910771309A CN110598999A CN 110598999 A CN110598999 A CN 110598999A CN 201910771309 A CN201910771309 A CN 201910771309A CN 110598999 A CN110598999 A CN 110598999A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- trip
- record
- travel
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 238000007689 inspection Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了基于个体数据的交通出行分析方法、系统及存储介质,方法包括:根据车辆出行数据确定车辆的单次出行记录;对初步提取的单次出行记录进行检验,并根据检验结果进行数据优化,得到完整的单次出行记录;所述数据优化包括修补漏检的检测记录、修改错检的记录内容;所述单次出行记录包括车辆的起点信息、车辆的终点信息以及途径的卡口信息;根据最短路径算法对所述单次出行记录进行重构,得到车辆从起点到终点的完整出行路径。本发明能够对社会车辆出行进行全面分析,得到准确的车辆单次出行信息,全面性高且准确性高,可广泛应用于计算机技术领域。
Description
技术领域
本发明涉及计算机技术领域,尤其是基于个体数据的交通出行分析方法、系统及存储介质。
背景技术
随着经济的快速发展和城市化建设节奏的加快,许多城市的交通拥堵等一系列交通问题已经日益严重。拥堵问题的本质是交通需求与供给之间的矛盾,即通行需求超过了交通资源提供的通行能力,有效平衡交通需求与供给是缓解拥堵的关键。现今在城市交通管控上普遍存在偏向微观治理交通拥堵的问题,极易造成局部拥堵的转移、全局扩散甚至是加剧,导致治堵工作捉襟见肘、成效甚微,究其原因,是缺乏对交通需求的全面认识,一方面缺乏面向路网所有出行者的全样本出行需求把握,另一方面,缺乏面向个体出行链的全过程出行需求辨识。
因此,如何全面了解和掌握交通系统的出行需求,进而优化交通资源配置,提高管理和服务水平,已成为城市交通发展需要解决的首要问题。
对于城市道路交通而言,交通系统需求主要通过交通出行OD体现。早期的OD出行研究以出行调查数据为主要数据源,搜集居民的出行方式、出行OD、时间等出行信息,并建立相应的出行需求模型。但是出行调查数据普遍面临其自身的缺点:样本小,成本高,推广响应率低,而且出行需求模型也使用了较多假设,这些问题会影响出行信息获取的全面性和准确性,可能导致出行研究的误导。传统的断面交通流参数检测、浮动车GPS移动感知因缺乏路径层面关联、车辆渗透率低等原因,也无法提供足够全面的出行信息。
发明内容
有鉴于此,本发明实施例提供一种准确性高且全面性高的,基于个体数据的交通出行分析方法、系统及存储介质。
一方面,本发明实施例提供了一种基于个体数据的交通出行分析方法,包括以下步骤:
根据车辆出行数据确定车辆的单次出行记录;所述单次出行记录包括车辆的起点信息、车辆的终点信息以及途径的卡口信息;
对初步提取的单次出行记录进行检验,并根据检验结果进行数据优化,得到完整的单次出行记录;所述数据优化包括修补漏检的检测记录、修改错检的记录内容;
根据最短路径算法对所述单次出行记录进行重构,得到车辆从起点到终点的完整出行路径。
进一步,所述根据车辆出行数据确定车辆的单次出行记录这一步骤,包括以下步骤:
根据车辆出行数据,获取车辆经过的所有卡口记录信息;
根据获取的卡口记录信息,判断车辆经过两个连续卡口的通行时间是否大于预设的第一旅行时间阈值,若是,则确定车辆经过所述两个连续卡口的出行为非同次出行,即可确定前次出行的终点信息和后次出行的起点信息;反之,则确定车辆经过所述两个连续卡口的出行为同次出行。
进一步,所述根据车辆出行数据确定车辆的单次出行记录这一步骤,还包括以下步骤:
根据车辆出行数据,获取车辆的最近次卡口检测时间与当前时间之间的时间间隔;
判断时间间隔是否大于预设的第二旅行时间阈值,若是,则确定车辆为出行结束状态,相应确定本次出行的终点信息;反之,则确定车辆为正在出行状态。
进一步,所述根据车辆出行数据确定车辆的单次出行记录这一步骤,还包括以下步骤:
获取历史卡口数据,得到任意两个连续卡口的旅行时间样本集;
采用k-means聚类算法,将旅行时间样本集划分为同次出行集和非同次出行集,得到第一旅行时间阈值,基于第一旅行时间阈值进一步可计算得第二旅行时间阈值。
进一步,所述对初步提取的单次出行记录进行检验,并根据检验结果进行数据优化,得到完整的单次出行记录这一步骤,包括以下步骤:
根据初步提取后的车辆的单次出行记录,得到车辆的出行起点、出行终点以及途径的卡口记录;
根据车辆的出行起点、出行终点、途径卡口,检验单次出行记录中的漏检数据以及错检数据;
根据检验结果,对车辆的单次出行记录进行补全优化,得到完整的单次出行记录。
进一步,所述根据最短路径算法对所述单次出行记录进行重构,得到车辆从起点到终点的完整出行路径这一步骤,包括以下步骤:
根据获取的完整单次出行记录,包括车辆单次出行的起点信息、终点信息、途径的卡口记录信息;
从本次出行的起点开始,按时间顺序逐一利用途径的卡口记录,根据最短路径算法,对本次出行进行路径更新;重复执行此步骤直至路径到达出行终点为止。
进一步,还包括以下步骤:
基于图像识别技术,对车辆出行数据进行车牌识别,得到车辆的车牌信息。
另一方面,本发明实施例提供了一种基于个体数据的交通出行分析系统,包括:
出行记录确定模块,用于根据车辆出行数据确定车辆的单次出行记录;所述单次出行记录包括车辆的起点信息、车辆的终点信息以及途径的卡口信息;
出行记录优化模块,用于对初步提取的单次出行记录进行检验,并根据检验结果进行数据优化,得到完整的单次出行记录;所述数据优化包括修补漏检的检测记录、修改错检的记录内容;
出行记录重构模块,用于根据最短路径算法对所述单次出行记录进行重构,得到车辆从起点到终点的完整出行路径。
另一方面,本发明实施例提供了一种基于个体数据的交通出行分析系统,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现所述的基于个体数据的交通出行分析方法。
另一方面,本发明实施例提供了一种存储介质,其中存储有处理器可执行的指令,所述处理器可执行的指令在由处理器执行时用于执行所述的基于个体数据的交通出行分析方法。
上述本发明实施例中的一个或多个技术方案具有如下优点:本发明的实施例根据车辆出行数据确定车辆的单次出行记录,然后通过检验操作和重构操作最终得到完整的单次出行信息,包括OD、路径和时间等,本发明能够对社会车辆出行进行全面分析,得到准确的车辆单次出行信息,全面性高且准确性高。
附图说明
图1为本发明实施例的步骤流程图。
具体实施方式
下面结合说明书附图和具体实施例对本发明作进一步解释和说明。对于本发明实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
参照图1,本发明实施例提供了一种基于个体数据的交通出行分析方法,包括以下步骤:
根据车辆出行数据确定车辆的单次出行记录;所述单次出行记录包括车辆的起点信息、车辆的终点信息以及途径的卡口信息;
对初步提取的单次出行记录进行检验,并根据检验结果进行数据优化,得到完整的单次出行记录;所述数据优化包括修补漏检的检测记录、修改错检的记录内容;
根据最短路径算法对所述单次出行记录进行重构,得到车辆从起点到终点的完整出行路径。
进一步作为优选的实施方式,所述根据车辆出行数据确定车辆的单次出行记录这一步骤,包括以下步骤:
根据车辆出行数据,获取车辆经过的所有卡口记录信息;
根据获取的卡口记录信息,判断车辆经过两个连续卡口的通行时间是否大于预设的第一旅行时间阈值,若是,则确定车辆经过所述两个连续卡口的出行为非同次出行,即可确定前次出行的终点信息和后次出行的起点信息;反之,则确定车辆经过所述两个连续卡口的出行为同次出行。
进一步作为优选的实施方式,所述根据车辆出行数据确定车辆的单次出行记录这一步骤,还包括以下步骤:
根据车辆出行数据,获取车辆的最近次卡口检测时间与当前时间之间的时间间隔;
判断时间间隔是否大于预设的第二旅行时间阈值,若是,则确定车辆为出行结束状态,相应确定本次出行的终点信息;反之,则确定车辆为正在出行状态。
进一步作为优选的实施方式,所述根据车辆出行数据确定车辆的单次出行记录这一步骤,还包括以下步骤:
获取历史卡口数据,得到任意两个连续卡口的旅行时间样本集;
采用k-means聚类算法,将旅行时间样本集划分为同次出行集和非同次出行集,得到第一旅行时间阈值,基于第一旅行时间阈值进一步可计算得第二旅行时间阈值。
进一步作为优选的实施方式,所述对初步提取的单次出行记录进行检验,并根据检验结果进行数据优化,得到完整的单次出行记录这一步骤,包括以下步骤:
根据初步提取后的车辆的单次出行记录,得到车辆的出行起点、出行终点以及途径的卡口记录;
根据车辆的出行起点、出行终点、途径卡口,检验单次出行记录中的漏检数据以及错检数据;
根据检验结果,对车辆的单次出行记录进行补全优化,得到完整的单次出行记录。
进一步作为优选的实施方式,所述根据最短路径算法对所述单次出行记录进行重构,得到车辆从起点到终点的完整出行路径这一步骤,包括以下步骤:
根据获取的完整单次出行记录,包括车辆单次出行的起点信息、终点信息、途径的卡口记录信息;
从本次出行的起点开始,按时间顺序逐一利用途径的卡口记录,根据最短路径算法,对本次出行进行路径更新;重复执行此步骤直至路径到达出行终点为止。
进一步作为优选的实施方式,还包括以下步骤:
基于图像识别技术,对车辆出行数据进行车牌识别,得到车辆的车牌信息。
与图1的方法相对应,本发明实施例提供了一种基于个体数据的交通出行分析系统,包括:
出行记录确定模块,用于根据车辆出行数据确定车辆的单次出行记录;所述单次出行记录包括车辆的起点信息、车辆的终点信息以及途径的卡口信息;
出行记录优化模块,用于对初步提取的单次出行记录进行检验,并根据检验结果进行数据优化,得到完整的单次出行记录;所述数据优化包括修补漏检的检测记录、修改错检的记录内容;
出行记录重构模块,用于根据最短路径算法对所述单次出行记录进行重构,得到车辆从起点到终点的完整出行路径。
与图1的方法相对应,本发明实施例提供了一种基于个体数据的交通出行分析系统,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现所述的基于个体数据的交通出行分析方法。
与图1的方法相对应,本发明实施例提供了一种存储介质,其中存储有处理器可执行的指令,所述处理器可执行的指令在由处理器执行时用于执行所述的基于个体数据的交通出行分析方法。
近些年来,车牌识别数据等个体出行数据随着电警卡口、电子车牌、IC卡等推广应用而愈加普遍。车辆身份检测作为新型的交通检测手段,通过安装在路段或交叉口的检测设备(如治安卡口、ETC读卡器)识别经行车辆身份并记录车辆出行时空戳,可还原车辆个体时空轨迹,获取完整的车辆个体出行信息(OD、路径、旅行时间等)。其相比传统调查数据能提供更全面和持续的居民行行为的时空信息。因此,身份检测环境下的个体出行数据为系统全面、细致深入地研究城市交通出行需求提供了新的手段。
本发明针对城市交通的社会车辆出行这一典型出行方式,利用车牌识别数据辨识社会车辆个体出行,获取车辆个体完整的单次出行信息(包括OD、路径、时间等)、实时出行状态信息,并从路段、交叉口、路径、区域路网等层面获取集计的城市道路多尺度交通需求。
下面详细描述本发明一种基于个体数据的交通出行分析方法的具体实施步骤:
S1、在线车牌识别:
本实施例通过道路上的卡口摄像头采集到路网中各个路口的在一段时间内的过车记录,通过录入数据库可以转换为包含车牌号、车辆经过时间和地点、车辆类型、是否有交通违法等信息。通过上述信息,结合对车辆的图像识别技术等,实现对在某个时段内全部车牌的有效识别。如有无法识别的车牌等特殊情况,应及时发现原因并进行调试、处理。
本发明在基于车牌识别的社会车辆出行需求辨识方面,采用微观个体到宏观集计的研究思路,即先获取个体出行信息再集计统计宏观道路网络出行需求。
S2、判断单次完整的出行:
所述步骤S2具体包括以下步骤:
S21、按路网中节点拓扑关系,参考卡口先验信息库的数据关系,将当前时刻车辆个体在卡口网络的检测记录进行排序;
S22、根据计算需求,设定旅行时间判别阈值,阈值的设定可参考经验值,并保证卡口检测识别率达到要求,设定取值后进行微调、试算后最终确定;
S23、对于车辆个体的连续两次卡口检测,根据第一旅行时间阈值,判断车辆的连续两次卡口检测是属于“同次出行”还是“前后两次出行”;对于车辆个体的最后单次卡口检测,根据第二旅行时间阈值,判断车辆当前时刻的出行状态是“可能出行中”还是“出行结束”;
S24、在判别结果中从“前后两次出行”、“出行结束”两类状态可知有单次出行已完成,可相应筛选出“同次出行”的出行链,从而在各个出行链中选出单次完整的出行。
在基于车牌识别数据的社会车辆出行需求辨识与分析方面,对于实时观测的车辆身份检测数据,将身份标识和时间顺序组织得车辆个体身份检测序列,采用无监督学习的二分类问题建模“车辆个体检测序列的相邻两次检测是否属于同次出行”、“车辆在当前时刻是否已结束出行”这两个问题,划分车辆个体单次出行的身份检测序列,即可获取个体单次出行信息。
针对卡口布局密集、高度可观测的车辆身份检测数据环境,采用由微观个体到宏观集计的思路。本实施例利用车牌识别数据的车辆个体出行辨识。首先,将在线的车牌识别数据按车辆个体组织成卡口检测序列,然后先后判断车辆个体的相邻两次卡口检测是否属于同次出行、当前时刻是否结束出行,判别方法会用到卡口网络出行先验信息库,包括:相邻卡口对连续出行的旅行时间阈值、卡口单次检测率与识别率、卡口与路网的空间拓扑关联等。判别划分出车辆个体单次出行的卡口序列。
S3、在初步提取单次出行记录后,再进行数据检验,进行补漏改错等优化操作。
具体地,本实施例对车辆路径的检验,即对初步提取单次出行记录,从出行起点到出行终点,沿卡口检测序列依次检查是否有漏检卡口、错检卡口及无识别的卡口记录,以便及时调整检测数据中可能出现的数据错误。经过完善后即可构建完整的单次出行记录。完整的单次出行记录将具有独立的出行起点、出行终点,同时途径的每个出行节点都将有序排列,每个节点都有完整、准确的出行信息记录。
S4、结合已有信息,对出行信息进行重构:
具体地,本实施例根据卡口单次完整出行的起点、终点,结合车辆个体出行辨识的卡口检测序列的顺序和方向,用最短路算法重构单次出行的完整路径。用最短路算法重构,即首先判断出行起点,从起点开始,根据一定的判别规则,以最短的路径依次向下推算下一个路径,一直推算到出行终点为主,从而获取单次出行的完整路径。在重构了车辆个体的出行信息后,结合卡口设备的安装条件由交叉口过车信息估计车辆到达交叉口时间(队尾排队或绿灯畅行通过),估计交叉口的出行需求,而路径级和OD级的出行需求已由完整出行路径信息可直接估计,由此实现车辆个体的出行信息重构与路网多层次的出行需求估计。
本实施例针对城市交通的社会车辆出行这一典型出行方式,利用卡口数据辨识社会车辆个体出行,获取车辆个体完整的单次出行信息(包括OD、路径、时间等)、实时出行状态信息,并从路段、交叉口、路径、区域路网等层面获取集计的城市道路多尺度交通需求。
基于个体出行数据,能够对社会车辆的出行方式,实现交通系统需求辨识与分析,具体包括:建立基于车牌识别数据的社会车辆出行需求辨识与分析方法,实现宏微观一体化的需求辨识,即在微观上实现获取车辆个体的完整出行信息,包括单次出行信息(包括OD、路径、时间等)、实时出行状态信息,在宏观上获取路段、交叉口、路径、区域路网等多个层面的集计交通需求。
本发明在面向实时在线的车牌识别数据(即卡口数据)处理时,提出的车辆个体出行辨识包括两个模型:其一是单次出行辨识模型,用于判断车辆已经过的卡口对前后两次检测是否属于同次出行;其二是出行状态估计模型,用于判断车辆当前时刻是否已经结束出行,若已出行结束则输出其单次出行卡口检测序列。
本实施例针对卡口布局密度较高的车辆身份检测网络,车辆个体出行辨识的卡口检测序列可由最短路算法重构单次出行的路径,再结合信控方案数据计算车辆途径信控交叉口的时间,得到车辆进出路段的时间信息,并且单次出行的首末次检测的有向路段可视为出行OD。因此,城市道路多尺度交通需求辨识的可分为两大步骤:车辆个体出行辨识、城市道路多尺度交通需求集计计算。
本发明的车辆个体出行辨识主要包括两个核心模型:单次出行辨识模型、出行状态估计模型,下面分别介绍。
1.单次出行辨识模型:
具体地,单次出行辨识的问题是,依据截至当前时刻车辆个体在卡口网络的检测记录,判断车辆的连续两次卡口的检测是属于“同次出行”还是“前后两次出行”。假设:对于一对相邻卡口检测器,设定旅行时间阈值T,车辆经由该对检测器的旅行时间Δt,当Δt≤T时两次检测属于同次出行,当Δt>T时其分属前后两次出行。
在缺乏已标注是否同次出行属性的卡口对间旅行时间样本情况下,学习旅行时间阈值T是无监督学习中的二分类问题,可采用k-means(k=2)聚类算法,具体流程是:
①利用长期(本实施例采用一个月)的历史卡口数据,获取卡口对的旅行时间样本集D={x1,x2,…,xm},该样本集总计m个样本;
②采用标准的k-means(k=2)聚类算法将旅行时间样本集D划分为同次出行簇C1和两次出行簇C2,那么阈值T可取为同次出行簇C1的上界值:
2.出行状态估计模型
出行状态估计的问题是,已知车辆的最近次卡口检测信息及与当前时刻的时间间隔Δg,假设:设时间间隔阈值G,当Δg≤G时估计车辆当前为“出行中”状态,当Δg>G时估计为“出行结束”状态。时间间隔阈值G的取定需考虑卡口检测的漏检错检等实际情况,若同一车辆个体连续d(一般而言,d=2)次车牌识别失败是小概率事件,则以车辆的最近次检测卡口为起点,以相邻卡口对(中间无其它卡口)为边,建立深度为d的“后续检测树”,该树即包含了该车辆截至当前时刻所有可能经过而识别失败的卡口,那么,从树起点卡口至树边界卡口的最大旅行时间即为阈值G,即:
其中,r表示沿树起点且边长为d的外延卡口检测路径,其集合为T是单次出行辨识模型的步骤②中已计算的相邻卡口之间的旅行时间阈值。
3.城市道路多尺度交通需求集计计算
借鉴网络流重构问题的一般思路,路径流可转换得到节点流、路段流、OD流。在布局密度较高的卡口网络中,基于车辆个体的单次出行卡口检测序列重构其出行路径后,即可知车辆途径交叉口、路段及其进出时间、出行OD等等。在固定时间间隔内,统计所有经过某交叉口的车辆数(折算为标准车辆数)即得交叉口的交通需求量,同理可得路段、路径、OD的交通需求。
综上所述,本发明一种基于个体数据的交通出行分析方法、系统及存储介质具有以下优点:
1、本发明利用个体出行数据分析社会车辆出行,在主要的城市交通出行方式上能够获取面向全样本、全过程的出行信息,对全面认识城市交通系统出行需求具有显著意义。
2、在全面辨识交通系统出行需求的基础上,可用于指导信号灯控制、路径诱导等道路交通管控优化,提出交通设施整改的措施和建议,因此,本发明对提高城市交通规划管理水平具有一定的参考意义。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.基于个体数据的交通出行分析方法,其特征在于:包括以下步骤:
根据车辆出行数据确定车辆的单次出行记录;所述单次出行记录包括车辆的起点信息、车辆的终点信息以及途径的卡口信息;
对初步提取的单次出行记录进行检验,并根据检验结果进行数据优化,得到完整的单次出行记录;所述数据优化包括修补漏检的检测记录、修改错检的记录内容;
根据最短路径算法对所述单次出行记录进行重构,得到车辆从起点到终点的完整出行路径。
2.根据权利要求1所述的基于个体数据的交通出行分析方法,其特征在于:所述根据车辆出行数据确定车辆的单次出行记录这一步骤,包括以下步骤:
根据车辆出行数据,获取车辆经过的所有卡口记录信息;
根据获取的卡口记录信息,判断车辆经过两个连续卡口的通行时间是否大于预设的第一旅行时间阈值,若是,则确定车辆经过所述两个连续卡口的出行为非同次出行,即可确定前次出行的终点信息和后次出行的起点信息;反之,则确定车辆经过所述两个连续卡口的出行为同次出行。
3.根据权利要求1所述的基于个体数据的交通出行分析方法,其特征在于:所述根据车辆出行数据确定车辆的单次出行记录这一步骤,还包括以下步骤:
根据车辆出行数据,获取车辆的最近次卡口检测时间与当前时间之间的时间间隔;
判断时间间隔是否大于预设的第二旅行时间阈值,若是,则确定车辆为出行结束状态,相应确定本次出行的终点信息;反之,则确定车辆为正在出行状态。
4.根据权利要求1所述的基于个体数据的交通出行分析方法,其特征在于:所述根据车辆出行数据确定车辆的单次出行记录这一步骤,还包括以下步骤:
获取历史卡口数据,得到任意两个连续卡口的旅行时间样本集;
采用k-means聚类算法,将旅行时间样本集划分为同次出行集和非同次出行集,得到第一旅行时间阈值,基于第一旅行时间阈值进一步可计算得第二旅行时间阈值。
5.根据权利要求1所述的基于个体数据的交通出行分析方法,其特征在于:所述对初步提取的单次出行记录进行检验,并根据检验结果进行数据优化,得到完整的单次出行记录这一步骤,包括以下步骤:
根据初步提取后的车辆的单次出行记录,得到车辆的出行起点、出行终点以及途径的卡口记录;
根据车辆的出行起点、出行终点、途径卡口,检验单次出行记录中的漏检数据以及错检数据;
根据检验结果,对车辆的单次出行记录进行补全优化,得到完整的单次出行记录。
6.根据权利要求1所述的基于个体数据的交通出行分析方法,其特征在于:所述根据最短路径算法对所述单次出行记录进行重构,得到车辆从起点到终点的完整出行路径这一步骤,包括以下步骤:
根据获取的完整单次出行记录,包括车辆单次出行的起点信息、终点信息、途径的卡口记录信息;
从本次出行的起点开始,按时间顺序逐一利用途径的卡口记录,根据最短路径算法,对本次出行进行路径更新;重复执行此步骤直至路径到达出行终点为止。
7.根据权利要求1所述的基于个体数据的交通出行分析方法,其特征在于:还包括以下步骤:
基于图像识别技术,对车辆出行数据进行车牌识别,得到车辆的车牌信息。
8.基于个体数据的交通出行分析系统,其特征在于:包括:
出行记录确定模块,用于根据车辆出行数据确定车辆的单次出行记录;所述单次出行记录包括车辆的起点信息、车辆的终点信息以及途径的卡口信息;
出行记录优化模块,用于对初步提取的单次出行记录进行检验,并根据检验结果进行数据优化,得到完整的单次出行记录;所述数据优化包括修补漏检的检测记录、修改错检的记录内容;
出行记录重构模块,用于根据最短路径算法对所述单次出行记录进行重构,得到车辆从起点到终点的完整出行路径。
9.基于个体数据的交通出行分析系统,其特征在于:包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1-7中任一项所述的基于个体数据的交通出行分析方法。
10.一种存储介质,其中存储有处理器可执行的指令,其特征在于:所述处理器可执行的指令在由处理器执行时用于执行如权利要求1-7中任一项所述的基于个体数据的交通出行分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910771309.3A CN110598999B (zh) | 2019-08-21 | 2019-08-21 | 基于个体数据的交通出行分析方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910771309.3A CN110598999B (zh) | 2019-08-21 | 2019-08-21 | 基于个体数据的交通出行分析方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110598999A true CN110598999A (zh) | 2019-12-20 |
CN110598999B CN110598999B (zh) | 2022-05-10 |
Family
ID=68854766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910771309.3A Active CN110598999B (zh) | 2019-08-21 | 2019-08-21 | 基于个体数据的交通出行分析方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598999B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111243277A (zh) * | 2020-03-09 | 2020-06-05 | 山东大学 | 基于车牌识别数据的通勤车辆时空轨迹重构方法及系统 |
CN113223293A (zh) * | 2021-05-06 | 2021-08-06 | 杭州海康威视数字技术股份有限公司 | 路网仿真模型的构建方法、装置及电子设备 |
CN113821738A (zh) * | 2021-11-22 | 2021-12-21 | 北京交研智慧科技有限公司 | 出行链获取方法、装置、电子设备及存储介质 |
CN114202929A (zh) * | 2021-12-14 | 2022-03-18 | 广州交信投科技股份有限公司 | 一种基于中小客车通行行为的非法营运车辆识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012073763A (ja) * | 2010-09-28 | 2012-04-12 | Sharp Corp | 運行料金計算方法、運行料金計算装置、運行料金計算システム、プログラムおよび記録媒体。 |
CN106205139A (zh) * | 2016-07-14 | 2016-12-07 | 浙江宇视科技有限公司 | 车辆出入管理方法及装置 |
CN106971534A (zh) * | 2017-02-09 | 2017-07-21 | 江苏智通交通科技有限公司 | 基于号牌数据的通勤出行特征分析方法 |
CN109359690A (zh) * | 2018-10-19 | 2019-02-19 | 江苏智通交通科技有限公司 | 基于卡口数据的车辆出行轨迹识别方法 |
CN109491284A (zh) * | 2018-10-26 | 2019-03-19 | 广州小鹏汽车科技有限公司 | 基于用户出行习惯的车辆控制方法、装置和终端设备 |
CN109959388A (zh) * | 2019-04-09 | 2019-07-02 | 南京大学 | 一种基于栅格扩展模型的智能交通精细化路径规划方法 |
-
2019
- 2019-08-21 CN CN201910771309.3A patent/CN110598999B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012073763A (ja) * | 2010-09-28 | 2012-04-12 | Sharp Corp | 運行料金計算方法、運行料金計算装置、運行料金計算システム、プログラムおよび記録媒体。 |
CN106205139A (zh) * | 2016-07-14 | 2016-12-07 | 浙江宇视科技有限公司 | 车辆出入管理方法及装置 |
CN106971534A (zh) * | 2017-02-09 | 2017-07-21 | 江苏智通交通科技有限公司 | 基于号牌数据的通勤出行特征分析方法 |
CN109359690A (zh) * | 2018-10-19 | 2019-02-19 | 江苏智通交通科技有限公司 | 基于卡口数据的车辆出行轨迹识别方法 |
CN109491284A (zh) * | 2018-10-26 | 2019-03-19 | 广州小鹏汽车科技有限公司 | 基于用户出行习惯的车辆控制方法、装置和终端设备 |
CN109959388A (zh) * | 2019-04-09 | 2019-07-02 | 南京大学 | 一种基于栅格扩展模型的智能交通精细化路径规划方法 |
Non-Patent Citations (1)
Title |
---|
阮树斌: "基于车牌识别数据的机动车出行轨迹提取算法", 《浙江大学学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111243277A (zh) * | 2020-03-09 | 2020-06-05 | 山东大学 | 基于车牌识别数据的通勤车辆时空轨迹重构方法及系统 |
CN111243277B (zh) * | 2020-03-09 | 2021-08-20 | 山东大学 | 基于车牌识别数据的通勤车辆时空轨迹重构方法及系统 |
CN113223293A (zh) * | 2021-05-06 | 2021-08-06 | 杭州海康威视数字技术股份有限公司 | 路网仿真模型的构建方法、装置及电子设备 |
CN113223293B (zh) * | 2021-05-06 | 2023-08-04 | 杭州海康威视数字技术股份有限公司 | 路网仿真模型的构建方法、装置及电子设备 |
CN113821738A (zh) * | 2021-11-22 | 2021-12-21 | 北京交研智慧科技有限公司 | 出行链获取方法、装置、电子设备及存储介质 |
CN114202929A (zh) * | 2021-12-14 | 2022-03-18 | 广州交信投科技股份有限公司 | 一种基于中小客车通行行为的非法营运车辆识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110598999B (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598999B (zh) | 基于个体数据的交通出行分析方法、系统及存储介质 | |
CN108629978B (zh) | 一种基于高维路网和循环神经网络的交通轨迹预测方法 | |
CN108346292B (zh) | 基于卡口数据的城市快速路实时交通指数计算方法 | |
CN105303197B (zh) | 一种基于机器学习的车辆跟车安全自动评估方法 | |
CN102521965B (zh) | 基于车牌识别数据的交通需求管理措施效果评价方法 | |
CN110176139A (zh) | 一种基于dbscan+的道路拥堵识别可视化方法 | |
CN103235933A (zh) | 一种基于隐马尔科夫模型的车辆异常行为检测方法 | |
CN109254861B (zh) | 基于轨迹数据的od需求提取及其可靠性分析方法 | |
CN106446208A (zh) | 一种考虑路网契合度的智能手机出行方式识别方法 | |
CN110838232A (zh) | 基于过车电警数据的单一车辆od获取方法 | |
CN114363842B (zh) | 基于手机信令数据的公交乘客下车站点预测方法及装置 | |
CN109191605A (zh) | 一种考虑收费路径的高速公路计费费率准确性评测方法 | |
Jafari Kang et al. | A procedure for public transit OD matrix generation using smart card transaction data | |
CN107330469A (zh) | 一种基于gps轨迹数据的出行方式识别方法 | |
Bock et al. | What are the potentialities of crowdsourcing for dynamic maps of on-street parking spaces? | |
CN112309126A (zh) | 车牌检测方法、装置、电子设备及计算机可读存储介质 | |
Wu et al. | A data-driven approach to detect passenger flow anomaly under station closure | |
CN115995149A (zh) | 一种基于多源数据的停车供需特征动态评估方法及系统 | |
CN108665708B (zh) | 一种城市交通流不平衡模式挖掘方法及系统 | |
Erdelić et al. | Classification of travel modes using streaming GNSS data | |
CN116168538B (zh) | 一种平面道路车辆通行空间识别方法 | |
CN117523900A (zh) | 一种停车场占有率预测方法及系统 | |
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 | |
CN115565376B (zh) | 融合graph2vec、双层LSTM的车辆行程时间预测方法及系统 | |
CN113965618B (zh) | 基于模糊理论的异常轨迹检测方法 |
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 |