CN110634287B - 一种基于边缘计算的城市交通状态精细化判别方法 - Google Patents
一种基于边缘计算的城市交通状态精细化判别方法 Download PDFInfo
- Publication number
- CN110634287B CN110634287B CN201910788675.XA CN201910788675A CN110634287B CN 110634287 B CN110634287 B CN 110634287B CN 201910788675 A CN201910788675 A CN 201910788675A CN 110634287 B CN110634287 B CN 110634287B
- Authority
- CN
- China
- Prior art keywords
- lane
- intersection
- calculating
- traffic state
- 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.)
- 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
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
- G06N7/023—Learning or tuning the parameters of a fuzzy system
-
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于边缘计算的城市交通状态精细化判别方法,其特征在于,包括以下步骤:在边缘节点进行车道级数据预处理;将完整路段进行划分;在边缘节点进行车道车均延误计算;将经过预处理和计算后的数据输入模糊逻辑模型对进口道区域进行的车道级交通状态判别;基于路口边缘节点之间能够互联互通的特性,联动上、下游路口信息计算出剩余路段的平均行程车速,并进一步对剩余路段的交通状态进行判别。这种全新的城市间断流交通状态判别方法能够有效地提高判别算法的运算效率、实时性和整个平台系统的鲁棒性,同时改善了传统交通判别算法普遍精度不高的问题,实现了更细致的精细化管理。
Description
技术领域
本发明涉及一种基于边缘计算的城市交通状态精细化判别方法,属于智能交通领域。
背景技术
随着近年来物联网技术的快速发展,边缘计算作为一种新型的计算模型受到了越来越多领域的关注和应用,智能交通领域便是其中之一。本发明在路口边缘节点对城市间断交通流的状态进行计算,并在此基础上细化了判别区域,实现了一种全新的基于边缘计算的城市交通状态精细化判别方法。
当前的中心应用系统存在着诸如路口设备复用性低、各系统间数据相互独立以及过于依赖中心的计算能力等问题。为了满足现阶段人工智能的技术升级、城市发展的集约化建设、执勤民警的业务效能以及车路协同发展的四大需求,需要提升道路交通管理的人性化、精细化和智能化。
边缘计算技术的出现,实现了在靠近数据源的一端进行数据的采集、存储和处理,有效地提高了数据处理的运行效率、数据的安全性以及与中心交互的实时性,同时本地网络计算的特性也保证了边缘节点能够稳定地离线运行。在实际应用中,将各路口边缘节点的设备进行直接互联,完成实时数据采集,并在本地直接进行路口计算,并与云端的大脑配合,形成了智能交通边缘计算的应用创新。另一方面,根据城市道路间断流的特性,进口道区域的路段受信号灯的影响普遍较大,所以这部分的交通状态需要被重点关注。利用路口节点的多源数据汇聚的优势,能够从当前整个路段状态中将进口道区域的交通状态区分出来进行车道级的精细化判别,帮助交通管理部门主动发现路口或路段中出现的异常情况,为交通管理和未来车联网服务提供更高效、更可靠的技术支持。
发明内容
本发明目的是:基于路口节点的边缘计算能力,同时结合其多源数据的优势,实现对城市间断流交通状态的精细化判别,为交通管理者提供更精准的路网信息,帮助他们主动发现交通拥堵的成因和车道不均衡现象等路网中存在的问题,同时也为出行者提供更好的出行服务。
为了达到上述目的,本发明的技术方案是提供了一种基于边缘计算的城市交通状态精细化判别方法,其特征在于,包括以下步骤:
步骤1、对边缘节点采集的车道级多源数据进行预处理,并录入数据库中,作为后续步骤的输入数据;
步骤2、将各路口间的完整路段划分为进口道区域和剩余路段区域;
步骤3、利用边缘节点计算能力,按照当前路口信号周期计算各车道的车均延误;
步骤4、确定模糊逻辑模型的输入值、输出值以及各自的表示不同交通状态的分级,将步骤3得到的各车道的车均延误作为输入值输入到模糊逻辑模型中进行计算,最后输出进口道区域的交通状态,所述进口道区域的交通状态计算方法包括以下步骤:
步骤4.1、基于历史数据通过K-Means聚类方法对输入值进行聚类分析,得到各个输入值的分类指标,输入值为历史的各车道的车均延误,分类指标为表示不同交通状态的分级;
步骤4.2、根据实际需求确定模糊逻辑模型输出值的分类指标;
步骤4.3、针对每个输入值、输出值以及各自的表示不同交通状态的分级,确定隶属度函数;
步骤4.4、设计出输入值与输出值之间的模糊规则;
步骤4.5、通过预先设定的模糊逻辑推理方法,将实时获得的输入值转换为输出值,即交通状态的特征值,并得到相对应进口道区域的交通状态;
步骤5、基于步骤1经过预处理后的实时数据,计算出剩余路段的交通状态,所述剩余路段的交通状态计算方法包括以下步骤:
步骤5.1、建立上、下游断面的匹配关系,联动路口信息并获取先后经过上、下游断面的过车信息;
步骤5.2、计算下游路口信号周期时间内符合步骤5.1中要求的所有车辆的行程时间并构成集合,并计算出平均行程时间;
步骤5.3、基于步骤1和步骤3的计算结果,进一步计算出进口道级的交通参数和路口研判指标;
步骤5.4、基于步骤5.3的计算结果,计算下游路口周期时间内车辆通过进口道区域的平均行程时间;
步骤5.5、基于步骤5.4的计算结果,计算下游路口信号周期时间内车辆通过剩余路段的平均行程时间,结合剩余路段长度计算出平均行程车速,并得到相对应的交通状态。
优选地,在所述步骤1中,所述路口边缘节点能够针对集成的多种设备采集的底层数据进行细化到车道级的数据预处理,数据预处理包括数据质量判别与修复以及数据粒度处理。
优选地,在所述步骤2中,所述进口道区域长度标准定为120米,所述剩余路段长度根据标准发布段长度,300-600米,进行适当划分和调整。
优选地,在所述步骤3中,基于边缘节点采集的路口信息计算各车道在当前路口信号周期时长C内的车均延误,所述车均延误包括:
车道临界饱和度SC:
式中,SF表示车道饱和流量,GT表示绿灯时间;
车道平均过剩滞留车辆数:
式中,LF表示当前路口信号周期时长C内的车道平均过剩滞留车辆数,LC表示车道通行能力,LS表示车道饱和度;
车道车辆平均延误:
式中,LD表示当前路口信号周期时长C内各车道的车均延误,PS表示车道分配绿信比,V表示当前路口信号周期时长C内的车道流量,RT表示相位红灯时间。
优选地,在所述步骤4中,所述模糊逻辑模型输入值的分类指标通过每个边缘节点采集的历史数据,根据不同路口的实际情况进行相应的调整,实现每个边缘节点自学习的过程。
优选地,在所述步骤4.1中,采用K-Means聚类方法计算输入值的分类指标包括以下步骤:
步骤4.1.1:生成输入数据集X和k个初始的聚类中心
选取时长为24小时、间隔为当前路口信号周期时长并且经过步骤1预处理后的历史数据生成输入数据集X,记为{X1,X2,…,Xn},同时,划分出k个簇,记为{C1,C2,…,Ck},并从数据集X中选择k个对象作为初始的聚类中心,记为{μ1,μ2,…,μk},其中1<k≤n;
步骤4.1.2:计算每个聚类对象到每个聚类中心的欧式距离,并将其归类到距离最近的簇中,采用以下公式:
式中,dij表示对象Xi到聚类中心μj的欧式距离,m表示数据集X的属性个数,Xit表示第i个对象的第t个属性,μjt表示第j个聚类中心的第t个属性,其中1≤t≤m;
依次比较每一个对象到每一个聚类中心的距离,并将对象归类到距离最近的聚类中心所在的簇中;
步骤4.1.3:重新计算每个聚类中心
计算每个簇类中对象的平均值,并将其作为新的聚类中心,采用以下公式:
式中,μ′j表示重新计算的第j个聚类中心,Cj表示第j个簇类,|Cj|表示第j个簇类中的对象个数;
步骤4.1.4:判断聚类中心是否改变
计算每个聚类对象到每个新聚类中心的距离之和,采用以下公式:
式中,E表示每个聚类对象到每个新聚类中心的距离之和,也称为准则函数,重复步骤4.1.2到步骤4.1.4,直到聚类中心不再发生变化,即准则函数收敛则迭代终止,最后将收敛的聚类中心作为模糊逻辑模型输入值的分类指标
优选地,在所述步骤5中,基于路口边缘节点能够互联互通的特性,在边缘节点联动上、下游路口采集的信息,结合步骤1到步骤4的结果,实现对剩余路段的交通状态进行判别。
通过本发明可以实现在边缘节点对城市间断流的交通状态进行判别。同时,结合路口节点的多源数据优势,创新地提出了一种针对受信号控制影响较大的进口道区域和受道路出入口、车辆违停影响较大的剩余路段区域的交通状态分别进行精细化判别的方法。本发明可以被应用于智能交通领域中的交通管理等方向,在提高交通状态判别运算效率和系统鲁棒性的同时,能够解决当前交通状态判别方法精细化程度不高的问题。
附图说明
图1为一种基于边缘计算的城市交通状态精细化判别方法示意图;
图2为路口边缘节点的数据流程图;
图3为一个典型路段的划分示意图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
结合图1和图2,本发明提供的一种基于边缘计算的城市交通状态精细化判别方法,包括以下步骤:
步骤S-1:边缘节点数据预处理
路口节点集成了多种数据采集设备,包括视频检测器、雷达检测器和信号灯设备等,且所有数据均能细化到车道级。边缘节点数据预处理的主要工作分为两个部分:数据质量判别与修复以及数据处理。
步骤S-1-1:数据质量判别与修复
优选地,数据质量判别主要通过设定数据的上、下限阈值并结合各交通参数的时空特征形成相应的判别规则;数据修复则主要通过将车道历史数据和相邻车道数据进行融合的方式,最后将数据质量有问题的数据替换为修复后的数据。
步骤S-1-2:数据粒度处理
经过数据质量判别与修复后,将粒度为每20秒/条的底层数据合理地处理成粒度为当前交叉口信号周期时长C为单位的车道级数据,并录入数据库中。以视频检测器采集的车道流量为例,可以采用累加的方式进行处理;而以雷达检测器采集的车道排队长度和车道平均车速为例,可以采用算数平均数的方式进行处理。
步骤S-2:完整路段划分
城市道路的路口间距一般为200-1000米,随道路等级上升而增加,而城市道路的发布段长度一般设为300-600米,因此各路口间交通状态发布的精细化程度较低,交通管理部门通常无法及时发现问题并进行处理。
结合图3,以上、下游路口的断面为边界形成一个典型的完整路段,并将完整路段划分为进口道区域和剩余路段区域两个部分。根据《GB50647-2011城市道路交叉口规划规范》,路口范围应包括展宽段和展宽渐变段并向外延伸10-20米为宜,综合长度一般为100-150米左右,随道路等级上升而增加;结合路口节点设备的检测覆盖范围,因此本发明中将120米作为进口道区域的标准长度。将完整路段中除进口道区域以外的路段作为剩余路段,长度参照标准发布段长度,如果剩余路段过长可以适当划分。
步骤S-3:车道车均延误计算
基于边缘节点采集的路口信息计算各车道在当前路口信号周期时长C(单位:秒)内的车均延误,采用以下公式:
(1)临界饱和度计算:
式中,SC表示车道临界饱和度,SF表示车道饱和流量(单位:辆),GT表示绿灯时间(单位:秒)。
(2)车道平均过剩滞留车辆数计算:
式中,LF表示当前路口信号周期时长C内的车道平均过剩滞留车辆数(单位:辆),LC表示车道通行能力(单位:辆/小时),C表示当前路口信号周期时长,LS表示车道饱和度。
(3)车道车辆平均延误计算:
式中,LD表示当前路口信号周期时长C内各车道的车均延误(单位:秒),PS表示车道分配绿信比,V表示当前路口信号周期时长C内的车道流量(单位:辆),RT表示相位红灯时间(单位:秒)。
步骤S-4:进口道区域的交通状态计算
本发明中进口道区域的交通状态可以细化到车道级,即每一条车道的交通状态单独展示,计算交通状态的方法采用模糊逻辑算法。模糊逻辑是经典二值逻辑的扩展,具有广义性,是一种连续逻辑。模糊逻辑可以用来模拟人类的思考方式,不同于机器学习,是人工智能领域的另一个分支体系。
步骤S-4-1:确定模糊逻辑模型输入值的分类指标
模型的输入值通常是一种或多种交通参数和研判指标,例如车道平均车速、车道排队长度和车道车均延误等。输入值可以根据路口实际数据采集情况和算法效果进行相应的调整。
本发明中计算输入值分类指标采用K-Means聚类方法,具体算法包括以下步骤:
步骤S-4-1-1:生成输入数据集X和k个初始的聚类中心
优选地,选取时长为24小时、间隔为当前路口信号周期时长并且经过步骤S-1预处理后的历史数据生成输入数据集X,记为{X1,X2,…,Xn}。同时,划分出k个簇,记为{C1,C2,…,Ck},并从数据集X中选择k个对象作为初始的聚类中心,记为{μ1,μ2,…,μk},其中1<k≤n。
步骤S-4-1-2:计算每个聚类对象到每个聚类中心的欧式距离,并将其归类到距离最近的簇中
采用以下公式:
式中,dij表示对象Xi到聚类中心μj的欧式距离,m表示数据集X的属性个数,Xit表示第i个对象的第t个属性,μjt表示第j个聚类中心的第t个属性,其中1≤t≤m。
依次比较每一个对象到每一个聚类中心的距离,并将对象归类到距离最近的聚类中心所在的簇中。
步骤S-4-1-3:重新计算每个聚类中心
计算每个簇类中对象的平均值,并将其作为新的聚类中心。
采用以下公式:
式中,μ′j表示重新计算的第j个聚类中心,Cj表示第j个簇类,|Cj|表示第j个簇类中的对象个数。
步骤S-4-1-4:判断聚类中心是否改变
计算每个聚类对象到每个新聚类中心的距离之和。
采用以下公式:
式中,E表示每个聚类对象到每个新聚类中心的距离之和,也称为准则函数。
重复步骤S-4-1-2到步骤S-4-1-4,直到聚类中心不再发生变化,即准则函数收敛则迭代终止。最后将收敛的聚类中心作为模糊逻辑模型输入值的分类指标。
步骤S-4-2:确定模糊逻辑模型输出值的分类指标
模型的输出值即为交通状态的特征值,其分类指标可以根据实际需求进行调整和优化。
优选地,根据《GAT 994-2017道路交通信息发布规范》,将交通状态分为六级:畅通、基本畅通、轻度拥堵、中度拥堵、重度拥堵和严重拥堵。
步骤S-4-3:建立输入值与输出值的隶属度函数
根据步骤S-4-1和步骤S-4-2中确定分类指标,对每个输入值和输出值建立相对应的隶属度函数,其中常见的隶属度函数有三角型函数、梯形函数、Sigmoid型函数、高斯型函数和钟形函数等。
优选地,将车道车均延误和车道排队长度作为模糊逻辑模型的输入值、交通状态的特征值作为输出值,并且选择比较符合三者特性的双边高斯型函数作为隶属度函数,采用以下公式:
式中,μ(x)表示输入值x的隶属度,c1和c2表示两边尖峰的中心坐标,σ1和σ2表示两边的标准差。其中,c1、c2、σ1和σ2的值通过步骤S-4-1和步骤S-4-2的分类指标结果确定。
步骤S-4-4:建立输入值与输出值之间的模糊规则
优选地,采用专家经验法,将专家的经验和知识改为if…then…的型式,进一步地设计出从输入值映射到输出值的模糊规则。模糊规则是将基本论域上的精确值依据隶属函数归并到各模糊子集中,是模糊逻辑计算的依据。除此之外,通常还需要经过多次修正以获得最佳的系统性能。
例如:当输入值为车道车辆平均延误和车道排队长度、输出值为交通状态时,可以设计出如下表所示的模糊规则:
步骤S-4-5:通过模糊逻辑推理得到进口道区域的交通状态
优选地,模糊逻辑推理过程采用Mamdani算法。为了简化说明过程,以下算法步骤均以下述前提为例进行说明:
设A*,A1,A2,…,Am是论域X上的模糊集合,B*,B1,B2,…,Bn是论域Y上的模糊集合,C*,C1,C2,…,Ct是论域Z上的模糊集合,且共有k条模糊规则,形式如下:
(1)If x is A1 and y is B1,then z is C1
(2)If x is A2 and y is B2,then z is C2
…
(k)If x is Am and y is Bn,then z is Ct
需要推理出当x=x0,y=y0时(设此条件下有p条规则被激活)论域Z上的新模糊集合C*以及相应的输出值z0(x∈X,y∈Y,z∈Z)。
步骤S-4-5-1:各规则的激励强度计算
…
步骤S-4-5-2:通过模糊推理得到新模糊集合的隶属度函数
采用以下公式:
步骤S-4-5-3:新模糊集合去模糊化
优选地,去模糊化方法采用重心法。该方法具有更平滑的输出推理控制,对微小的输入变化也能在输出中反映出来。
采用以下公式:
式中,z0表示去模糊化后的精确值,即输出值。
步骤S-4-5-4:输出值与交通状态转换
根据步骤S-4-2得到的交通状态分类指标,将步骤S-4-5-3的输出值z0转换为相应的交通状态等级作为进口道区域(车道级)的交通状态。
步骤S-5:剩余路段的交通状态计算
步骤S-5-1:上、下游断面匹配以及过车信息获取
当车流经过某一路口的一个卡口断面后继续行驶经过相邻路口的另一个卡口断面时,根据车流经过的时间先后顺序将这两个断面依次称为上游断面和下游断面。一般情况下,由于存在车流转向的情况,一个下游断面可以匹配到一个或多个上游断面。
根据上述定义,将路口的上、下游卡口断面进行匹配,并形成一个完整的路段。同时,基于路口边缘节点能够互联互通的特性,获取在一定时间范围[Tmin,Tmax](单位:秒)内先后经过上、下游卡口断面的车牌信息集合S={P1,P2,…,Pr}、经过下游卡口断面的时间集合T1={t1,t2,…,tr}以及经过上游卡口断面的时间集合T2={t′1,t′2,…,t′r}。
步骤S-5-2:完整路段的平均行程时间计算
计算出下游断面所在路口信号周期时间C内符合步骤S-5-1中要求的所有车辆的行程时间并构成集合T3={travel_time1,travel_time2,…,travel_timer},采用以下公式:
travel_timei=(ti-t′i)*86400,i=1,2,…,r
式中,travel_timei表示集合S中第i辆车经过上、下游卡口断面的行程时间(单位:秒)。
优选地,采用算数平均法计算集合T3内所有车辆经过完整路段的平均行程时间,采用以下公式:
式中,TC表示集合T3内所有行程时间的算术平均值,即平均行程时间(单位:秒)。
步骤S-5-3:进口道级交通参数和指标计算
优选地,采用算数平均法将步骤S-1中经过预处理后的车道平均车速和步骤S-3中计算出的车道车均延误计算成进口道平均车速和进口道车均延误,采用以下公式:
(1)进口道平均车速:
式中,VE表示进口道平均车速(单位:米/秒),u表示下游卡口断面的总车道数,vj表示第j条车道在周期时长C内的平均车速(单位:米/秒)。
(2)进口道车均延误:
式中,DE表示进口道车均延误(单位:秒),u表示下游卡口断面的总车道数,LDj表示第j条车道在周期时长C内的车均延误(单位:秒)。
步骤S-5-4:进口道区域的行程时间计算
采用以下公式:
式中,TTE表示进口道区域的行程时间(单位:秒),LE表示进口道区域的长度(单位:米)。
步骤S-5-5:剩余路段的交通状态计算
通过计算剩余路段长度,得出平均行程车速,采用以下公式:
式中,VL表示剩余路段的平均行程车速(单位:米/秒),LC表示上、下游卡口断面间完整路段的长度(单位:米)。
优选地,根据《GAT 994-2017道路交通信息发布规范》,将平均行程车速VL转换为相应的交通状态等级作为剩余路段(路段级)的交通状态。
Claims (6)
1.一种基于边缘计算的城市交通状态精细化判别方法,其特征在于,包括以下步骤:
步骤1、对路口边缘节点采集的车道级多源数据进行预处理,并录入数据库中,作为后续步骤的输入数据;
步骤2、将各路口间的完整路段划分为进口道区域和剩余路段区域;
步骤3、利用路口边缘节点计算能力,按照当前路口信号周期计算各车道的车均延误;
步骤4、确定模糊逻辑模型的输入值、输出值以及各自的表示不同交通状态的分级,将步骤3得到的各车道的车均延误作为输入值输入到模糊逻辑模型中进行计算,最后输出进口道区域的交通状态,所述进口道区域的交通状态计算方法包括以下步骤:
步骤4.1、基于历史数据通过K-Means聚类方法对输入值进行聚类分析,得到各个输入值的分类指标,输入值为历史的各车道的车均延误,分类指标为表示不同交通状态的分级;
步骤4.2、根据实际需求确定模糊逻辑模型输出值的分类指标;
步骤4.3、针对每个输入值、输出值以及各自的表示不同交通状态的分级,确定隶属度函数;
步骤4.4、设计出输入值与输出值之间的模糊规则;
步骤4.5、通过预先设定的模糊逻辑推理方法,将实时获得的输入值转换为输出值,即交通状态的特征值,并得到相对应进口道区域的交通状态;
步骤5、基于步骤1经过预处理后的实时数据,计算出剩余路段区域的交通状态,所述剩余路段区域的交通状态计算方法包括以下步骤:
步骤5.1、建立上、下游断面的匹配关系,联动路口信息并获取先后经过上、下游断面的过车信息;
步骤5.2、计算下游路口信号周期时间内符合步骤5.1中要求的所有车辆的行程时间并构成集合,并计算出平均行程时间;
步骤5.3、基于步骤1和步骤3的计算结果,进一步计算出进口道级的交通参数和路口研判指标;
步骤5.4、基于步骤5.3的计算结果,计算下游路口周期时间内车辆通过进口道区域的平均行程时间;
步骤5.5、基于步骤5.4的计算结果,计算下游路口信号周期时间内车辆通过剩余路段区域的平均行程时间,结合剩余路段区域长度计算出平均行程车速,并得到相对应的交通状态。
2.如权利要求1所述的一种基于边缘计算的城市交通状态精细化判别方法,其特征在于,在所述步骤1中,所述路口边缘节点能够针对集成的多种设备采集的底层数据进行细化到车道级的数据预处理,数据预处理包括数据质量判别与修复以及数据粒度处理。
4.如权利要求1所述的一种基于边缘计算的城市交通状态精细化判别方法,其特征在于,在所述步骤4中,所述模糊逻辑模型输入值的分类指标通过每个路口边缘节点采集的历史数据,根据不同路口的实际情况进行相应的调整,实现每个路口边缘节点自学习的过程。
5.如权利要求1所述的一种基于边缘计算的城市交通状态精细化判别方法,其特征在于,在所述步骤4.1中,采用K-Means聚类方法计算输入值的分类指标包括以下步骤:
步骤4.1.1:生成输入数据集X和k个初始的聚类中心
选取时长为24小时、间隔为当前路口信号周期时长并且经过步骤1预处理后的历史数据生成输入数据集X,记为{X1,X2,…,Xn},同时,划分出k个簇,记为{C1,C2,…,Ck},并从数据集X中选择k个对象作为初始的聚类中心,记为{μ1,μ2,…,μk},其中1<k≤n;
步骤4.1.2:计算每个聚类对象到每个聚类中心的欧式距离,并将其归类到距离最近的簇中,采用以下公式:
式中,dij表示对象Xi到聚类中心μj的欧式距离,m表示数据集X的属性个数,Xit表示第i个对象的第t个属性,μjt表示第j个聚类中心的第t个属性,其中1≤t≤m;
依次比较每一个对象到每一个聚类中心的距离,并将对象归类到距离最近的聚类中心所在的簇中;
步骤4.1.3:重新计算每个聚类中心
计算每个簇类中对象的平均值,并将其作为新的聚类中心,采用以下公式:
式中,μ′j表示重新计算的第j个聚类中心,Cj表示第j个簇类,|Cj|表示第j个簇类中的对象个数;
步骤4.1.4:判断聚类中心是否改变
计算每个聚类对象到每个新聚类中心的距离之和,采用以下公式:
式中,E表示每个聚类对象到每个新聚类中心的距离之和,也称为准则函数,重复步骤4.1.2到步骤4.1.4,直到聚类中心不再发生变化,即准则函数收敛则迭代终止,最后将收敛的聚类中心作为模糊逻辑模型输入值的分类指标。
6.如权利要求1所述的一种基于边缘计算的城市交通状态精细化判别方法,其特征在于,在所述步骤5中,基于路口边缘节点能够互联互通的特性,在路口边缘节点联动上、下游路口采集的信息,结合步骤1到步骤4的结果,实现对剩余路段区域的交通状态进行判别。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910788675.XA CN110634287B (zh) | 2019-08-26 | 2019-08-26 | 一种基于边缘计算的城市交通状态精细化判别方法 |
US17/429,632 US11361658B1 (en) | 2019-08-26 | 2020-04-13 | Edge computing-based method for fine determination of urban traffic state |
PCT/CN2020/084559 WO2021036278A1 (zh) | 2019-08-26 | 2020-04-13 | 一种基于边缘计算的城市交通状态精细化判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910788675.XA CN110634287B (zh) | 2019-08-26 | 2019-08-26 | 一种基于边缘计算的城市交通状态精细化判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110634287A CN110634287A (zh) | 2019-12-31 |
CN110634287B true CN110634287B (zh) | 2021-08-17 |
Family
ID=68969076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910788675.XA Active CN110634287B (zh) | 2019-08-26 | 2019-08-26 | 一种基于边缘计算的城市交通状态精细化判别方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11361658B1 (zh) |
CN (1) | CN110634287B (zh) |
WO (1) | WO2021036278A1 (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10553110B2 (en) * | 2017-06-23 | 2020-02-04 | Here Global B.V. | Detection and estimation of variable speed signs |
CN110634287B (zh) | 2019-08-26 | 2021-08-17 | 上海电科智能系统股份有限公司 | 一种基于边缘计算的城市交通状态精细化判别方法 |
CN111445696B (zh) * | 2020-03-11 | 2022-05-20 | 武汉大学深圳研究院 | 基于商滤波器边缘计算的信号灯路口交通数据检测方法 |
CN114882696B (zh) * | 2020-10-28 | 2023-11-03 | 华为技术有限公司 | 道路容量的确定方法、装置及存储介质 |
CN114125032B (zh) * | 2021-11-22 | 2023-06-16 | 杭州佳和电气股份有限公司 | 一种边缘协议数据处理方法和系统 |
CN115294757A (zh) * | 2022-04-26 | 2022-11-04 | 江苏未来都市出行科技集团有限公司 | 一种车道级车流量和交通事件的识别和发布系统 |
CN115206105A (zh) * | 2022-07-27 | 2022-10-18 | 北京英泰智科技股份有限公司 | 一种区域交通信号协同控制系统及方法 |
CN115311858B (zh) * | 2022-08-08 | 2023-07-21 | 长安大学 | 基于交通流韧性的城市路段分级管制方法 |
CN115311841A (zh) * | 2022-09-08 | 2022-11-08 | 广东广宇科技发展有限公司 | 智慧城市人流量信息管理方法、装置、电子设备及其介质 |
CN115762192A (zh) * | 2022-12-13 | 2023-03-07 | 中电云科信息技术有限公司 | 一种基于大数据的智慧城市建设系统 |
CN116303835B (zh) * | 2023-05-24 | 2023-07-21 | 北京建筑大学 | 用于道路规划的测绘数据管理方法 |
CN116913097B (zh) * | 2023-09-14 | 2024-01-19 | 江西方兴科技股份有限公司 | 一种交通状态预测方法及系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542818A (zh) * | 2012-01-13 | 2012-07-04 | 吉林大学 | 一种基于有机计算的区域边界交通信号协调控制方法 |
CN102592447A (zh) * | 2011-12-20 | 2012-07-18 | 浙江工业大学 | 一种基于fcm的区域路网的道路交通状态判别方法 |
CN104050809A (zh) * | 2014-06-03 | 2014-09-17 | 北京航天福道高技术股份有限公司 | 交通状况自动分析预测方法 |
CN105551250A (zh) * | 2016-01-13 | 2016-05-04 | 东南大学 | 一种基于区间聚类的城市道路交叉口运行状态判别方法 |
CN106803347A (zh) * | 2017-03-28 | 2017-06-06 | 东南大学 | 基于rfid数据的城市交叉口交通状态判别方法 |
CN108665715A (zh) * | 2018-05-09 | 2018-10-16 | 上海电科智能系统股份有限公司 | 一种路口智能交通研判和信号优化方法 |
CN109410577A (zh) * | 2018-11-09 | 2019-03-01 | 东北林业大学 | 基于空间数据挖掘的自适应交通控制子区划分方法 |
CN109544929A (zh) * | 2018-12-14 | 2019-03-29 | 华南理工大学 | 一种基于大数据的车辆低碳控制与诱导方法、系统、设备和存储介质 |
CN109584551A (zh) * | 2018-11-27 | 2019-04-05 | 南京航空航天大学 | 一种基于层次聚类的关联交叉口群划分的设计方法 |
CN109686082A (zh) * | 2018-12-07 | 2019-04-26 | 西安电子科技大学 | 一种基于边缘计算节点的城市交通监测系统及部署方法 |
CN109871412A (zh) * | 2018-12-26 | 2019-06-11 | 航天科工广信智能技术有限公司 | 基于K-Means聚类的车道流量分析方法 |
EP3502886A1 (en) * | 2017-12-22 | 2019-06-26 | VEEA Systems LTD | Virtual machine image distribution in an edge computing system |
CN110120152A (zh) * | 2019-06-26 | 2019-08-13 | 杨晓艺 | 一种基于gis和边缘计算的智能交通管理平台 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6317058B1 (en) * | 1999-09-15 | 2001-11-13 | Jerome H. Lemelson | Intelligent traffic control and warning system and method |
US6317686B1 (en) * | 2000-07-21 | 2001-11-13 | Bin Ran | Method of providing travel time |
PT1402457E (pt) * | 2001-06-22 | 2011-03-22 | Caliper Corp | Sistema de simulação e gestão de dados de tráfego |
US9037519B2 (en) * | 2012-10-18 | 2015-05-19 | Enjoyor Company Limited | Urban traffic state detection based on support vector machine and multilayer perceptron |
WO2014124039A1 (en) * | 2013-02-06 | 2014-08-14 | Iteris, Inc. | Traffic state estimation with integration of traffic, weather, incident, pavement condition, and roadway operations data |
US9804756B2 (en) * | 2013-09-27 | 2017-10-31 | Iteris, Inc. | Comparative data analytics and visualization tool for analyzing traffic performance data in a traffic management system |
US9123239B2 (en) * | 2014-01-21 | 2015-09-01 | Iteris, Inc. | Estimation of hourly traffic flow profiles using speed data and annual average daily traffic data |
US10957188B2 (en) * | 2018-04-04 | 2021-03-23 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for determining traffic flow using observations of surrounding vehicles |
US10895468B2 (en) * | 2018-04-10 | 2021-01-19 | Toyota Jidosha Kabushiki Kaisha | Dynamic lane-level vehicle navigation with lane group identification |
CN110634287B (zh) * | 2019-08-26 | 2021-08-17 | 上海电科智能系统股份有限公司 | 一种基于边缘计算的城市交通状态精细化判别方法 |
CN110634288B (zh) * | 2019-08-30 | 2022-06-21 | 上海电科智能系统股份有限公司 | 基于三元高斯混合模型的多维城市交通异常事件识别方法 |
CN112561146B (zh) * | 2020-12-08 | 2023-04-18 | 哈尔滨工程大学 | 一种基于模糊逻辑和深度lstm的大规模实时交通流预测方法 |
-
2019
- 2019-08-26 CN CN201910788675.XA patent/CN110634287B/zh active Active
-
2020
- 2020-04-13 US US17/429,632 patent/US11361658B1/en active Active
- 2020-04-13 WO PCT/CN2020/084559 patent/WO2021036278A1/zh active Application Filing
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592447A (zh) * | 2011-12-20 | 2012-07-18 | 浙江工业大学 | 一种基于fcm的区域路网的道路交通状态判别方法 |
CN102542818A (zh) * | 2012-01-13 | 2012-07-04 | 吉林大学 | 一种基于有机计算的区域边界交通信号协调控制方法 |
CN104050809A (zh) * | 2014-06-03 | 2014-09-17 | 北京航天福道高技术股份有限公司 | 交通状况自动分析预测方法 |
CN105551250A (zh) * | 2016-01-13 | 2016-05-04 | 东南大学 | 一种基于区间聚类的城市道路交叉口运行状态判别方法 |
CN106803347A (zh) * | 2017-03-28 | 2017-06-06 | 东南大学 | 基于rfid数据的城市交叉口交通状态判别方法 |
EP3502886A1 (en) * | 2017-12-22 | 2019-06-26 | VEEA Systems LTD | Virtual machine image distribution in an edge computing system |
CN108665715A (zh) * | 2018-05-09 | 2018-10-16 | 上海电科智能系统股份有限公司 | 一种路口智能交通研判和信号优化方法 |
CN109410577A (zh) * | 2018-11-09 | 2019-03-01 | 东北林业大学 | 基于空间数据挖掘的自适应交通控制子区划分方法 |
CN109584551A (zh) * | 2018-11-27 | 2019-04-05 | 南京航空航天大学 | 一种基于层次聚类的关联交叉口群划分的设计方法 |
CN109686082A (zh) * | 2018-12-07 | 2019-04-26 | 西安电子科技大学 | 一种基于边缘计算节点的城市交通监测系统及部署方法 |
CN109544929A (zh) * | 2018-12-14 | 2019-03-29 | 华南理工大学 | 一种基于大数据的车辆低碳控制与诱导方法、系统、设备和存储介质 |
CN109871412A (zh) * | 2018-12-26 | 2019-06-11 | 航天科工广信智能技术有限公司 | 基于K-Means聚类的车道流量分析方法 |
CN110120152A (zh) * | 2019-06-26 | 2019-08-13 | 杨晓艺 | 一种基于gis和边缘计算的智能交通管理平台 |
Also Published As
Publication number | Publication date |
---|---|
US11361658B1 (en) | 2022-06-14 |
CN110634287A (zh) | 2019-12-31 |
US20220189295A1 (en) | 2022-06-16 |
WO2021036278A1 (zh) | 2021-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110634287B (zh) | 一种基于边缘计算的城市交通状态精细化判别方法 | |
CN109754597B (zh) | 一种城市道路区域拥堵调控策略推荐系统及方法 | |
WO2021218235A1 (zh) | 一种道路交通拥堵预警方法及系统 | |
CN100444210C (zh) | 单点信号控制交叉口的混合控制方法 | |
Ault et al. | Reinforcement learning benchmarks for traffic signal control | |
CN109191896A (zh) | 个性化停车位推荐方法和系统 | |
CN109215350B (zh) | 一种基于rfid电子车牌数据的短期交通状态预测方法 | |
CN105809958A (zh) | 一种基于交叉口群的交通控制方法及系统 | |
CN105844927A (zh) | 新型感知与控制的道路交叉口群信号控制系统及控制方法 | |
CN101599217A (zh) | 一种快速路交通状态判别方法 | |
CN111145544B (zh) | 一种基于拥堵蔓延消散模型的行程时间及路径预测方法 | |
CN111210621A (zh) | 基于实时路况的信号绿波协调路线优化控制方法及系统 | |
Oh et al. | Real-time inductive-signature-based level of service for signalized intersections | |
CN105551250A (zh) | 一种基于区间聚类的城市道路交叉口运行状态判别方法 | |
Quek et al. | A novel self-organizing fuzzy rule-based system for modelling traffic flow behaviour | |
CN107944628A (zh) | 一种路网环境下的聚集模式发现方法及系统 | |
Srinivasan et al. | Computational intelligence-based congestion prediction for a dynamic urban street network | |
CN110459050B (zh) | 一种基于混合决策树的短期公交客流预测方法 | |
Russo et al. | A topological method to choose optimal solutions after solving the multi-criteria urban road network design problem | |
Prontri et al. | Traffic signal control using fuzzy logic | |
CN112036621B (zh) | 一种交通枢纽内导向标识的设置方法和装置 | |
Abbas et al. | Real-time traffic jam detection and congestion reduction using streaming graph analytics | |
Florio et al. | Neural network models for classification and forecasting of freeway traffic flow stability | |
Lower et al. | Evaluation of the location of the P&R facilities using fuzzy logic rules | |
CN112509332B (zh) | 路况确定方法、装置、介质以及电子设备 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220921 Address after: 201805 room 2201, No. 888, Moyu South Road, Anting Town, Jiading District, Shanghai J Patentee after: Shanghai Yanzhichen Technology Co.,Ltd. Address before: 200333 7th floor, building 53, 505 Wuning Road, Putuo District, Shanghai Patentee before: SHANGHAI SEARI INTELLIGENT SYSTEM Co.,Ltd. |