CN111325979B - 一种划分交通控制多级子区的方法及装置 - Google Patents
一种划分交通控制多级子区的方法及装置 Download PDFInfo
- Publication number
- CN111325979B CN111325979B CN202010127587.8A CN202010127587A CN111325979B CN 111325979 B CN111325979 B CN 111325979B CN 202010127587 A CN202010127587 A CN 202010127587A CN 111325979 B CN111325979 B CN 111325979B
- Authority
- CN
- China
- Prior art keywords
- area
- sub
- level sub
- level
- areas
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000003595 spectral effect Effects 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 54
- 230000006870 function Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 18
- 238000000638 solvent extraction Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000003860 storage Methods 0.000 description 22
- 238000001514 detection method Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000009826 distribution Methods 0.000 description 6
- 238000005192 partition Methods 0.000 description 6
- 230000006698 induction Effects 0.000 description 4
- 235000014510 cooky Nutrition 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000032823 cell division Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
-
- 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
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/081—Plural intersections under common control
Landscapes
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Analytical Chemistry (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及智能交通控制技术领域,特别地,涉及一种划分交通控制多级子区的方法及装置。为了解决单级子区划分不合理、子区流量相似度低、子区存在冗余节点的问题。所述方法包括:K级子区的节点数量大于预设阈值时,通过自定义谱聚类函数对所述K级子区进行划分得到K+1级子区;去除所述K+1级子区内相对于所述K级子区的冗余节点,得到最终K+1级子区;基于所述最终K+1级子区,判定所述K级子区存在未划分子区,则重复上述步骤直至全部子K级子区划分结束;否则,输出最终K+1级子区划分结果。
Description
技术领域
本申请涉及智能交通控制技术领域,特别地,涉及一种划分交通控制多级子区的方法及装置。
背景技术
城市路网由成百上千个不同类型的信号交叉口组成,交通信号控制系统为了提高其稳定性和控制效益,需要将路网划分成多个不同形态的区域,每个区域就是一个交通控制子区,它由多个联系紧密的相邻信号交叉口组成。
在一些交通控制子区划分的实现中,通常将路网拓扑结构根据历史交通数据、结合地域地形特点,进行静态子区划分;在另一些交通控制子区划分实现中,通过使用聚类算法实现交通路网的动态一级子区划分,以适应路网交通流量的动态变化。
然而,上述方法中使用聚类算法进行交通控制子区的单级划分,由于部分路口节点会被同时划分在多个相邻的区域内,导致部分交通控制子区内出现多个冗余节点,并且分类后交通控制子区的交通流量相似度不高,使得交通路网控制产生较大的计算量。
发明内容
本申请提供了一种划分交通控制多级子区的方法及装置,通过判定子区节点数量和阈值的关系、构建自定义谱聚类函数、构建平均轮廓系数、去除子区冗余节点,一定程度上可以解决单级子区划分不合理、子区流量相似度低、子区存在冗余节点的问题。
本申请的实施例是这样实现的:
本申请实施例的第一方面提供一种划分交通控制多级子区的方法,所述方法包括:
K级子区的节点数量大于预设阈值时,通过自定义谱聚类函数对所述K级子区进行划分得到K+1级子区;
去除所述K+1级子区内相对于所述K级子区的冗余节点,得到最终K+1级子区;
基于所述最终K+1级子区,判定所述K级子区存在未划分子区,则重复上述步骤直至全部子K级子区划分结束;否则,输出最终K+1级子区划分结果。
可选地,通过K级子区的节点数据和路段流量数据构建路网拓扑矩阵,根据所述路网拓扑矩阵得到所述K级子区的节点数量。
可选地,所述最终K+1级子区的最优聚类数与所述K+1级子区的最优聚类数相同。
可选地,所述K级子区的节点数量小于等于预设阈值时,不进行子区划分。
可选地,所述通过自定义谱聚类函数对所述K级子区进行划分得到K+1级子区,具体执行以下步骤:通过K级子区内所有与路口相连的路段权重之和构建点度矩阵;基于所述点度矩阵以及路段相似度邻接矩阵构建经过归一化处理的拉普拉斯矩阵;根据所述拉普拉斯矩阵的中心位置进行特征向量聚类得到所述K级子区的平均轮廓系数、K+1级子区;根据所属平均轮廓系数,如果所述K级子区的个数小于预设阈值,则进行下一个K级小区划分;如果所述K级子区的个数大于等于预设阈值,则输出所述K级子区的最优聚类数、K+1级子区的节点数据。
可选地,所述点度矩阵为对角矩阵。
可选地,所述最终K+1级子区的各子区节点数量之和等于所述K级子区的各子区节点数量之和。
可选地,所述自定义谱聚类函数被配置为用于使拥堵程度相近路口的节点数据划分为一类。
本申请实施例的第二方面提供一种划分交通控制多级子区的装置,包括存储器、处理器及存储在存储器上的计算机程序,所述处理器执行所述计算机程序时执行如本申请实施例第一方面提供的发明内容中任一所述方法。
本申请的有益效果在于:通过判定子区节点数量和阈值的关系,可以实现交通控制子区的多级划分;进一步通过构建自定义谱聚类函数,可以提高划分子区流量的相似度;进一步通过构建平均轮廓系数,可以实现控制子区的数量;进一步通过去除子区冗余节点,可以保持子区内有适量的节点,提高子区划分的准确度,降低交通控制计算量,提高交通控制效率。
附图说明
具体为了更清楚地说明本申请的技术方案,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,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1示出了本申请实施例一种划分交通控制多级子区系统100的示意图;
图2示出了本申请实施例一种示例性计算设备200的示意图;
图3示出了本申请实施例一种划分交通控制多级子区的方法的流程示意图;
图4示出了本申请实施例城市路口交通检测设备布置示意图;
图5示出了本申请实施例一种划分交通控制多级子区的逻辑示意图;
图6示出了本申请实施例通过自定义谱聚类函数对子区进行划分的流程示意图;
图7示出了本申请实施例自定义谱聚类函数子区划分的逻辑示意图;
图8示出了本申请实施例计算机实现的示意框图。
具体实施方式
现在将描述某些示例性实施方案,以从整体上理解本文所公开的装置和方法的结构、功能、制造和用途的原理。这些实施方案的一个或多个示例已在附图中示出。本领域的普通技术人员将会理解,在本文中具体描述并示出于附图中的装置和方法为非限制性的示例性实施方案,并且本发明的多个实施方案的范围仅由权利要求书限定。结合一个示例性实施方案示出或描述的特征可与其他实施方案的特征进行组合。这种修改和变型旨在包括在本发明的范围之内。
本说明书通篇提及的″多个实施例″、″一些实施例″、″一个实施例″或″实施例″等,意味着结合该实施例描述的具体特征、结构或特性包括在至少一个实施例中。因此,本说明书通篇出现的短语″在多个实施例中″、″在一些实施例中″、″在至少另一个实施例中″或″在实施例中″等并不一定都指相同的实施例。此外,在一个或多个实施例中,具体特征、结构或特性可以任何合适的方式进行组合。因此,在无限制的情形下,结合一个实施例示出或描述的具体特征、结构或特性可全部或部分地与一个或多个其他实施例的特征、结构或特性进行组合。这种修改和变型旨在包括在本发明的范围之内。
图1是根据本申请的一些实施例所示的一种划分交通控制多级子区的系统100的示意图。划分交通控制多级子区的系统100是一个为可以自动将路网交通拓扑结构进行多级子区划分的平台。划分交通控制多级子区的系统100可以包括一个服务器110、至少一个存储设备120、至少一个网络130、一个或多个交通检测设备150-1、150-2......150-N。服务器110可以包括一个处理引擎112。
在一些实施例中,服务器110可以是一个单独的服务器或者一个服务器群组。所述服务器群可以是集中式的或分布式的(例如,服务器110可以是一个分布式的系统)。在一些实施例中,服务器110可以是本地的或远程的。例如,服务器110可以通过网络130访问存储在存储设备120中的数据。服务器110可以直接连接到存储设备120访问存储数据。在一些实施例中,服务器110可以在一个云平台上实现。所述云平台可以包括私有云、公共云、混合云、社区云、分布云、多重云等或上述举例的任意组合。在一些实施例中,服务器110可以在与本申请图2所示的计算设备上实现,包括计算设备200中的一个或多个部件。
在一些实施例中,服务器110可以包括一个处理引擎112。处理引擎112可以处理与服务请求相关的信息和/或数据以执行本申请描述的一个或多个功能。例如,处理引擎112可以基于获取交通检测设备150采集的信息,并通过网络130发送至存储设备120,用于更新存储在其中的数据。在一些实施例中,处理引擎112可以包括一个或多个处理器。处理引擎112可以包括一个或多个硬件处理器,例如中央处理器(CPU)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、图像处理器(GPU)、物理运算处理器(PPU)、数字信号处理器(DSP)、现场可编辑门阵列(FPGA)、可编辑逻辑器件(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等或上述举例的任意组合。
存储设备120可以存储数据和/或指令。在一些实施例中,存储设备120可以存储从交通检测设备150获得的数据。在一些实施例中,存储设备120可以存储供服务器110执行或使用的数据和/或指令,服务器110可以通过执行或使用所述数据和/或指令以实现本申请描述的实施例方法。在一些实施例中,存储设备120可以包括大容量存储器、可移动存储器、挥发性读写存储器、只读存储器(ROM)等或上述举例的任意组合。在一些实施例中,存储设备120可以在一个云平台上实现。例如所述云平台可以包括私有云、公共云、混合云、社区云、分布云、多重云等或上述举例的任意组合。
在一些实施例中,存储设备120可以与网络130连接以实现与划分交通控制多级子区的系统100中的一个或多个部件之间的通信。划分交通控制多级子区的系统100的一个或多个部件可以通过网络130访问存储在存储设备120中的数据或指令。在一些实施例中,存储设备120可以直接与划分交通控制多级子区的系统100的一个或多个部件连接或通信。在一些实施例中,存储设备120可以是服务器110的一部分。
网络130可以促进信息和/或数据的交换。在一些实施例中,划分交通控制多级子区的系统100中的一个或多个部件可以通过网络130向划分交通控制多级子区的系统100中的其他部件发送信息和/或数据。例如,服务器110可以通过网络130从交通检测设备150获取/得到请求。在一些实施例中,网络130可以是有线网络或无线网络中的任意一种,或其组合。在一些实施例中,网络130可以包括一个或多个网络接入点。例如,网络130可能包括有线或无线网络接入点,如基站和/或互联网交换点130-1、130-2等等。通过接入点,划分交通控制多级子区的系统100的一个或多个部件可能连接到网络130以交换数据和/或信息。
交通检测设备150可以包括电警交通检测器、线圈交通检测器、视频交通检测器、线圈交通检测器等。在一些实施例中,交通检测设备150可以用于对所在位置的周边环境进行摄像和/或拍照。在一些实施例中,交通检测设备150可以将采集到的各种数据信息发送到划分交通控制多级子区的系统100中的一个或多个设备中。例如,交通检测设备150可以将拍摄的图片、或影像、或交通流量数据发送至服务器110进行处理,或存储设备120中进行存储。在一些实施例中,可以在城市道路的交叉口布设交通检测设备,用于交通数据的获取。所述交通检测设备可以选择设置在道路路口停止线或道路线的下方或者前后的一定范围内,所述交通检测设备还可以设置在道路路口的高处,其位置还可以设置在沿道路纵向设置的绿化带或隔离带。
图2是根据本申请的一些实施例所示的一种示例性计算设备200的示意图。服务器110、存储设备120和交通检测设备150可以在计算设备200上实现。例如,处理引擎112可以在计算设备200上实现并被配置为实现本申请中所披露的功能。
计算设备200可以包括用来实现本申请所描述的系统的任意部件。例如,处理引擎112可以在计算设备200上通过其硬件、软件程序、固件或其组合实现。为了方便起见图中仅绘制了一台计算机,但是本申请所描述的与划分交通控制多级子区的系统100相关的计算功能可以以分布的方式、由一组相似的平台所实施,以分散系统的处理负荷。
计算设备200可以包括与网络连接的通信端口250,用于实现数据通信。计算设备200可以包括一个处理器220,可以以一个或多个处理器的形式执行程序指令。示例性的电脑平台可以包括一个内部总线210、不同形式的程序存储器和数据存储器包括,例如,硬盘270、和只读存储器(ROM)230或随机存储器(RAM)240,用于存储由计算机处理和/或传输的各种各样的数据文件。示例性的计算设备可以包括存储在只读存储器230、随机存储器240和/或其他类型的非暂时性存储介质中的由处理器220执行的程序指令。本申请的方法和/或流程可以以程序指令的方式实现。计算设备200也包括输入/输出部件260,用于支持电脑与其他部件之间的输入/输出。计算设备200也可以通过网络通讯接收本披露中的程序和数据。
为理解方便,图2中仅示例性绘制了一个处理器。然而,需要注意的是,本申请中的计算设备200可以包括多个处理器,因此本申请中描述的由一个处理器实现的操作和/或方法也可以共同地或独立地由多个处理器实现。例如,如果在本申请中,计算设备200的处理器执行步骤1和步骤2,应当理解的是,步骤1和步骤2也可以由计算设备200的两个不同的处理器共同地或独立地执行。
图3示出了本申请实施例一种划分交通控制多级子区的方法的流程示意图。
在步骤301中,K级子区的节点数量大于预设阈值时,通过自定义谱聚类函数对所述K级子区进行划分得到K+1级子区。
采用的聚类方法使拥堵程度相近的路口划分为一类,使得各子区内节点、路段拥堵程度相似,而各个子区间拥堵程度差异较大,这种划分方式为交通路网控制提供了便利
在一些实施例中,在实际的交通场景中交通数据的变化主要取决于城市道路网的拓扑结构,因此可以充分利用道路网的拓扑信息。例如,城市道路中的交叉口,也称为道路交叉口,基于所述交叉口的城市路网拓扑信息可以构建路网的最优邻接矩阵。
交叉口是指城市路网中两条或两条以上道路的相交处,是各种车辆汇集、转向和疏散的枢纽。交叉口又分为平面交叉口、环形交叉口和立体交叉口。
平面交叉口是道路在同一个平面上相交形成的交叉口,通常有T形、Y形、十字形、X形、错位、环形等形式。在没有交通管制的平面交叉口位置,车辆通过时因行驶方向不同而相互交叉形成冲突点。车辆通过三岔路口时会存在3个冲突点,通过四岔路口时会存在16个冲突点,通过五岔路口时会存在50个冲突点,而每一个冲突点实际上就是一个潜在的交通事故点。
环形交叉口是在路口中间设置一个面积较大的环岛,车辆交织进入环道,并绕环岛单向行驶。通过车辆以交织运行的方式消除冲突点,还可以通过环岛绿化来美化街景。交叉口为四岔口以上的路口适宜采用环形交叉口,且需要其地形开阔平坦,相交道路交通量均匀,左转弯交通量大,路口机动车辆总交通量每小时不大于3000辆。环形交叉口的缺点是占地面积大、车辆须绕行、交通流量增大时易阻塞、行人交通不便。通常认为缩小环岛尺寸可以提高通行能力,因此在一些城市中开始将环岛直径缩小至环交外缘的内切圆直径的三分之一左右,同时设置偏向出口的导向岛,以增宽进口车道,并规定出环岛车辆具有优先权等规则,从而形成一种新型的环形交叉口-微型环岛交叉口。
立体交叉口是道路不在同一个平面上相交形成的立体交叉口。它将互相冲突的车流分别安排在不同高程的道路上,既保证了交通的通畅,也保障了交通安全。立体交叉口主要由立交桥、引道和坡道三部分组成。立交桥是跨越道路的跨路桥或下穿道路的地道桥。引道是道路与立交桥相接的桥头路。坡道是道路与立交桥下路面连接的路段。立体交叉口好包括连接上、下两条相交道路的匝道。
在一些实施例中,通过K级子区的节点数据和路段流量数据构建路网拓扑矩阵,根据所述路网拓扑矩阵得到所述K级子区的节点数量。K为自然数,其取值可以为1、2、3、...K...N,即一级子区,二级子区,或3级子区....,所述一级子区也称为初级子区。在本申请中,将以K取值为1进行实例说明。
输入初级子区的交通路网中交叉路口节点数据、各个路段流量数据,创建路网拓扑结构。对于路段流量数据缺少的路段,进行补全。例如,某路段的流量数据缺失,将所述路段的两端A路口连接的所有路段流量、与B路口连接的所有路段流量间的最小差值作为补全数据进行补全。
所述节点数据、路段流量数据由设置在道路交叉口的交通检测设备采集获取。
在一些实施例中,所述交通检测设备具有多种类型。例如可以设置为电子警察检测器,线圈车辆检测器,微波交通检测器,视频车辆检测器以及互联网交通检测器。
图4示出了本申请实施例城市路口交通检测设备布置示意图。
电子警察检测器在路口的各个方向均有设置,可以实现逢车必拍功能。所述电子警察检测器又简称为电子警察、电子眼,通过对车辆检测、光电成像、自动控制、网络通信、计算机等多种技术的集成应用,对机动车闯红灯、逆行、超速、越线行驶、违例停靠等违章行为,实现全天候监视,捕捉车辆违章图文信息。电子警察检测器可以检测车道的交通流量,可以记录车辆通过道路停车线时的车牌号和通过时刻,进一步的通过计算机处理得到车辆所在道路各个车道的车流量。交通流量为每一固定时间间隔内,或统计时间段t内,到路口每个进入口车道的车辆通过数量,即去除重复数据后的数据条数。
线圈检测器是用感应线圈来检测通过设置道路的车辆速度的检测器,线圈检测器的布设如图4所示,一般布设于距离停车线30m的位置,线圈检测器可以检测到通过入口道的车流量信息。线圈检测器是道路监控系统非常重要的一部分,它可以获得当前监控路面交通流量、道路占有率、车流速度等数据,以此判断道路的交通状态和阻塞情况,并利用外场信息发布系统发出警告等。线圈检测器在同一车道的道路路基段埋设一组2个感应线圈,每组感应线圈与多通道车辆检测器相连。当车辆分别经过两个线圈时,由于线圈电感量的变化,车辆的通过状态将被检测到,同时状态信号传输给车辆检测器,由其进行采集和计算。线圈车辆检测器具有稳定性高,成本低廉,且在恶劣天气条件下仍可以保持性能稳定的特点。
微波交通检测器通常设置于道路一侧的侧立住顶端,灯杆顶端,或已有龙门架,立交桥,行人过街天桥上。微波交通检测器通常推荐的安装高度在距离路面高度不低于5米的位置,其安装角度应使得发射的微波辐射面可以覆盖待检测的路段。微波交通检测器是通过雷达线性调频的技术原理,对路面发射微波,通过对回波信号进行高速实时的数字处理分析,检测交通流量,速度,车道占有率和车型等交通基本信息的非接触式交通检测器。
视频车辆检测器是指采用视频图像处理技术实现某项交通流参数检测或者某项交通事件检测的设备。视频车辆检测器具有多种功能以及多种功能的组合能力,最显着的是图像捕获与存储能力,应用于感应式十字路口信号灯控制系统、电子警察抓拍系统,还能对道路交通流量等数据进行采集。
在一些实施例中,采用自定义谱聚类算法进行聚类,不需要预先制定聚类数,相比其他聚类方法更加容易定义距离和规则的相似度。
所述K级子区的节点数量是指子区内路网拓扑结构中的各个节点之和,也可以认为是路网中交叉口数量的和。
输入K级子区的路网拓扑结构关系,包括节点数据,路段流量数据以构建路网拓扑矩阵,并且设定子区划分节点个数阈值,通过判断K级子区的节点个数和阈值的大小关系,来确定当前K级子区是否需要进行划分。所述预设阈值可根据实际情况进行设定,本申请不做具体的限定。
设定子区划分节点个数阈值ε,当前子区节点个数的和为Ⅳ;K级子区为当前子区;
若当前子区节点个数Ⅳ大于阈值ε,则进行子区划分;
若当前子区内节点个数Ⅳ小于等于阈值ε,则跳过所述子区,不进行子区划分,直接输出所述子区的节点数据。上述判定用公式表示如下:
当前子区节点个数大于阈值,则对当前子区的节点数据进行处理,通过自定义谱聚类函数对所述K级子区进行划分得到K+1级子区,如图5,示出了本申请实施例一种划分交通控制多级子区的逻辑示意图。
谱聚类算法建立在谱图理论基础上,与传统的聚类算法相比,它具有能在任意形状的样本空间上聚类且收敛于全局最优解的优点。该算法首先根据给定的样本数据集定义一个描述成对数据点相似度的亲合矩阵,并且计算矩阵的特征值和特征向量,然后选择合适的特征向量聚类不同的数据点,其本质是将聚类问题转化为图的最优划分问题。
如果所述K级子区的节点数量小于等于预设阈值时,这个K级子区跳过,不进行子区划分。
如果所述K级子区的节点数量大于预设阈值时,通过自定义谱聚类函数对所述K级子区进行划分得到K+1级子区,下文将进行详细的阐述。
图6示出了本申请实施例通过自定义谱聚类函数对子区进行划分的流程示意图。
在步骤601中,通过K级子区内所有与路口相连的路段权重之和构建点度矩阵。
在一些实施例中,在交通路网中,对于有路段连接的两个路口vi和vj,则其路段权重wij>0;对没有路段连接的路口vi和vj,则其路段权重wij=0。
点度di被定义为所有与路口相连的路段的权重之和,其表示如下:
定义点度矩阵Dn*n是一个由di组成的n*n对角矩阵,其表示如下:
在步骤602中,基于所述点度矩阵以及路段相似度邻接矩阵构建经过归一化处理的拉普拉斯矩阵。
在一些实施例中,通过获取子区内每个路口的节点数据,路段流量数据,并且对所述流量进行归一化,以得到所述K级子区内路段相似度邻接矩阵。
基于城市路网拓扑信息中的交叉口、路段临界信息可以构建能够反映路网结构的邻接矩阵。例如,基于城市路网中海量的相邻交叉口之间的相互连接关系,可以用矩阵的方式对路网的原始拓扑信息进行提取,从而得到路网原始邻接矩阵。邻接矩阵存储结构中包括多个顶点,每个顶点用一维数组存储边信息,然后将所有顶点的信息组合起来,可以表示矩阵图中各个顶点之间的邻接关系,所述邻接矩阵在一些实施例中具体用二维数组来表示。
相似度邻接矩阵用Wn*n表示,其中第i行的第j个值对应权重wij,表示如下:
其中,KNN(xi)表示xi路口,σ2表示可调的离散系数,xi∈KNN(xj)andxj∈KNN(xi)表示路口xi和xj路相邻。
上述步骤中得到的点度矩阵以及所述邻接矩阵可以计算标准化拉普拉斯矩阵L,其计算公式表示如下:
L=D-W
其中,D为点度矩阵,是一个对角矩阵;W为相似度邻接矩阵。
然后将所述标准化拉普拉斯矩阵,即特征向量矩阵进行归一化处理,表示如下:
在拉普拉斯矩阵中,对于任意的向量f,都有:
其中,L表示标准化拉普拉斯矩阵,D表示点度矩阵,W表示相似度邻接矩阵,fi表示任意向量,wij表示第i行的第j个值对应权重,T表示f的转置符号。
在步骤603中,根据所述拉普拉斯矩阵的中心位置进行特征向量聚类得到所述K级子区的平均轮廓系数、K+1级子区。
采用平均轮廓系数方法划分控制子区的个数,设定子区划分个数的阈值,计算当前级别各个子区的平均轮廓系数并比较,依据轮廓系数获得最优聚类数,使得多级划分更加准确高效。
经过归一化后,可以得到所述子区的中心位置,基于所述中心位置进行特征向量聚类,进一步得到所述子区的平均轮廓系统和K+1级子区。
计算最小的k1个特征值所各自对应的特征向量f;将各自对应的特征向量f组成的矩阵按行进行标准化,即归一化处理,形成n×k1维的特征矩阵F,对F中的每一行作为一个k1维的样本,共n个样本,进行特征向量聚类,如图7,示出了本申请实施例自定义谱聚类函数子区划分的逻辑示意图。
在步骤604中,根据所属平均轮廓系数,如果所述K级子区的个数小于预设阈值,则进行下一个K级小区划分;
设定二级子区个数最大阈值,通过上述步骤计算得到的当前子区平均轮廓系数,判定当前子区划分个数是否小于最大阈值,若判断为是则处理下一个子区,对下一个小区进行子区划分,如图7所示。
在步骤605中,如果所述K级子区的个数大于等于预设阈值,则输出所述K级子区的最优聚类数、K+1级子区的节点数据。
即判定当前子区划分个数是否小于最大阈值,若判断为否,则输出初级子区划分最优聚类数及二级子区划分节点数据,所述二级子区节点数据包括节点分布。
继续参考图3,在步骤302中,去除所述K+1级子区内相对于所述K级子区的冗余节点,得到最终K+1级子区。
聚类算法进行交通控制初级子区的划分后,即K级子区的划分后,会出现部分子区内节点冗余问题,导致路网控制产生比较大的工作量,所述初级子区划分后获得的节点分布表示如下:
在一些实施例中,执行上述流程进行所述初级子区划分,获得最优聚类数c和二级子区节点分布。用公式描述如上,其中c表示的子区划分个数,表示的是第c个子区里面的节点分布,n1,n2,n3…n4,nc不一定相等,且nc可能为空。表示初级划分后的第c个子区内,第n个节点路口的ID。
在一些实施例中,需要去除所述K+1级子区内相对于所述K级子区的冗余节点,采用如下方法:
在子区级别迭代时,不断更新K级输入的节点数据point_labelsK,始终使用初始的路段流量数据,会导致调用路段数据划分节点分布时,出现路段连接的两个节点,一个节点被划分到此子区,另一个不在此子区的节点也被划入;导致划分的K+1级data_labelsK+1节点多于输入的point_labelsK的节点数。
为了保证子区划分结果的准确性,在输出的结果前需要重新对K+1节点数据与输入的节点数据进行对比筛选,去除冗余节点,并保持最优聚类数前后不变,即可以认为所述最终K+1级子区的最优聚类数与所述K+1级子区的最优聚类数相同。
其中result_data_labelsK+1的各子区节点个数之和与point_labelsK节点个数之和相等,并且去除冗余节点前后,聚类最优子区个数不变。
在一些实施例中,将输出初级子区节点结果data_labels2与point_labels2数据进行比较,获得初级划分的最优聚类数c和二级子区节点最终分布result_data_labels2。
可以发现,所述最终K+1级子区的各子区节点数量之和等于所述K级子区的各子区节点数量之和。
在步骤303中,基于所述最终K+1级子区,判定所述K级子区存在未划分子区,则重复上述步骤直至全部子K级子区划分结束;否则,输出最终K+1级子区划分结果。
判定K级子区中是否有子区未进行判定划分,若判定为是,则对子区进行迭代执行上述子区划分的流程;若判定为否,则说明K级全部子区划分结束,获得K+1级子区划分结果。以上流程为初级子区实现二级划分流程,参考以上流程,输入二级子区路网拓扑结构关系、流量数据可实现三级划分,以此类推,可实现交通控制子区的四级、五级......K级划分。
需要说明的是,各级别子区划分后获得的子区个数不一定相同,子区划分的个数取决于输入的节点数据及聚类算法。
对于同级子区划分,设级别为K,划分后获得的K+1级的各个子区节点个数n1,n2,n3…n4,nc不一定相等,且nc可能为空。
在K级进行子区划分时,并非所有K+1子区全部进行划分,而是通过阈值筛选,只有节点个数大于阈值的子区重新进行子区划分,节点个数小于阈值的子区直接跳过,不进行划分。
在K级进行子区划分时,并非所有K+1子区全部进行划分,而是通过阈值筛选,只有节点个数大于阈值的子区重新进行子区划分,节点个数小于阈值的子区直接跳过,不进行划分。
本申请还提供了一种划分交通控制多级子区的装置,包括存储器、处理器及存储在存储器上的计算机程序,所述处理器执行所述计算机程序时执行如本申请实施例所述任一划分交通控制多级子区的方法。所述方法在前文中已详细阐述,本段落不在赘述。
现在参照图8,示出按照本说明书的计算环境800的示意框图。系统800包括一个或多个客户端802(例如计算机、智能电话、平板、照相机、PDA)。(一个或多个)客户端802能够是硬件和/或软件(例如线程、进程、计算装置)。(一个或多个)客户端802能够例如采用本说明书来容纳(一个或多个)cookie和/或关联的上下文信息。
系统800还包括一个或多个服务器804。(一个或多个)服务器804也能够是硬件或者与软件相组合的硬件(例如线程、进程、计算装置)。服务器804能够容纳例如通过采用本申请的方面来执行媒体项的变换的线程。客户端802与服务器804之间的一种可能通信能够采取适合在两个或更多计算机进程之间传送的数据分组的形式,其中数据分组可包括编码分析预留空间和/或输入。数据分组能够包括例如cookie和/或关联的上下文信息。系统800包括通信框架806(例如,全球通信网络,例如因特网),其能够用来促进(一个或多个)客户端802与(一个或多个)服务器804之间的通信。
通信能够经由有线(包括光纤)和/或无线技术来促进。(一个或多个)客户端802操作地连接到一个或多个客户端数据存储设备808,其能够用来存储(一个或多个)客户端802本地的信息(例如(一个或多个)cookie和/或关联的上下文信息)。类似地,(一个或多个)服务器804操作地连接到一个或多个服务器数据存储设备810,其能够用来存储服务器804本地的信息。
在一个示范实现中,客户端802能够向服务器804传递编码的文件(例如编码的媒体项)。服务器804能够存储文件,对文件解码,或者将文件传送给另一个客户端802。要意识到,按照本申请,客户端802还能够向服务器804传递未压缩的文件,以及服务器804能够压缩文件和/或变换文件。同样,服务器804能够对信息编码,并且经由通信框架806将信息传送给一个或多个客户端802。
本申请的有益效果:通过判定子区节点数量和阈值的关系,可以实现交通控制子区的多级划分;进一步通过构建自定义谱聚类函数,可以提高划分子区流量的相似度;进一步通过构建平均轮廓系数,可以实现控制子区的数量;进一步通过去除子区冗余节点,可以实现交通控制子区单级划分导致的部分子区节点冗余问题,提高子区划分的准确度,降低交通控制计算量,提高交通控制效率。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为″数据块″、″模块″、″引擎″、″单元″、″组件″或″系统″。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN)、或连接至外部计算机(例如通过因特网)、或在云计算环境中、或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外,对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是,如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方,以本申请的描述、定义和/或术语的使用为准。
Claims (8)
1.一种划分交通控制多级子区的方法,其特征在于,所述方法包括:
K级子区的节点数量大于预设阈值时,通过自定义谱聚类函数对所述K级子区进行划分得到K+1级子区;所述通过自定义谱聚类函数对所述K级子区进行划分得到K+1级子区,具体执行以下步骤:通过K级子区内所有与路口相连的路段权重之和构建点度矩阵;基于所述点度矩阵以及路段相似度邻接矩阵构建经过归一化处理的拉普拉斯矩阵;根据所述拉普拉斯矩阵的中心位置进行特征向量聚类得到所述K级子区的平均轮廓系数、K+1级子区;根据所属平均轮廓系数,如果所述K级子区的个数小于预设阈值,则进行下一个K级小区划分;如果所述K级子区的个数大于等于预设阈值,则输出所述K级子区的最优聚类数、K+1级子区的节点数据;
去除所述K+1级子区内相对于所述K级子区的冗余节点,得到最终K+1级子区;
基于所述最终K+1级子区,判定所述K级子区存在未划分子区,则重复上述步骤直至全部子K级子区划分结束;否则,输出最终K+1级子区划分结果。
2.如权利要求1所述的划分交通控制多级子区的方法,其特征在于,通过K级子区的节点数据和路段流量数据构建路网拓扑矩阵,根据所述路网拓扑矩阵得到所述K级子区的节点数量。
3.如权利要求1所述的划分交通控制多级子区的方法,其特征在于,所述最终K+1级子区的最优聚类数与所述K+1级子区的最优聚类数相同。
4.如权利要求1所述的划分交通控制多级子区的方法,其特征在于,所述K级子区的节点数量小于等于预设阈值时,不进行子区划分。
5.如权利要求1所述的划分交通控制多级子区的方法,其特征在于,所述点度矩阵为对角矩阵。
6.如权利要求1所述的划分交通控制多级子区的方法,其特征在于,所述最终K+1级子区的各子区节点数量之和等于所述K级子区的各子区节点数量之和。
7.如权利要求1所述的划分交通控制多级子区的方法,其特征在于,所述自定义谱聚类函数被配置为用于使拥堵程度相近路口的节点数据划分为一类。
8.一种划分交通控制多级子区的装置,其特征在于,包括存储器、处理器及存储在存储器上的计算机程序,所述处理器执行所述计算机程序时执行如权利要求1-7中任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010127587.8A CN111325979B (zh) | 2020-02-28 | 2020-02-28 | 一种划分交通控制多级子区的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010127587.8A CN111325979B (zh) | 2020-02-28 | 2020-02-28 | 一种划分交通控制多级子区的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111325979A CN111325979A (zh) | 2020-06-23 |
CN111325979B true CN111325979B (zh) | 2021-07-16 |
Family
ID=71173032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010127587.8A Active CN111325979B (zh) | 2020-02-28 | 2020-02-28 | 一种划分交通控制多级子区的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111325979B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112509318B (zh) * | 2020-11-11 | 2021-12-24 | 青岛海信网络科技股份有限公司 | 一种交通控制区域划分方法及服务器 |
CN113256973B (zh) * | 2021-05-11 | 2022-03-25 | 青岛海信网络科技股份有限公司 | 一种高峰开始时间预测方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105225503A (zh) * | 2015-11-09 | 2016-01-06 | 中山大学 | 交通控制子区优化与自适应调整方法 |
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 |
CN109767624A (zh) * | 2019-03-06 | 2019-05-17 | 中南大学 | 一种考虑路段交通流相关性的控制子区划分方法 |
CN109816984A (zh) * | 2019-03-19 | 2019-05-28 | 太原理工大学 | 一种交通路网区域划分及动态调整方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101615344B (zh) * | 2009-07-21 | 2011-04-20 | 青岛海信网络科技股份有限公司 | 一种基于线协调的区域交通控制方法 |
CN107180541B (zh) * | 2017-06-01 | 2020-01-14 | 华南理工大学 | 一种交通控制小区的动态调整方法 |
CN107808518B (zh) * | 2017-10-26 | 2020-02-18 | 东南大学 | 一种基于多路谱聚类理论的交通小区划分方法 |
CN108320511B (zh) * | 2018-03-30 | 2020-12-29 | 江苏智通交通科技有限公司 | 基于谱聚类的城市道路交通子区划分方法 |
CN109887297B (zh) * | 2019-04-23 | 2021-03-26 | 太原理工大学 | 基于快速全局K-means谱聚类的城市交通控制子区的划分方法 |
CN110322117A (zh) * | 2019-06-05 | 2019-10-11 | 海信集团有限公司 | 一种交通控制子区划分方法、装置、电子设备及存储介质 |
-
2020
- 2020-02-28 CN CN202010127587.8A patent/CN111325979B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105225503A (zh) * | 2015-11-09 | 2016-01-06 | 中山大学 | 交通控制子区优化与自适应调整方法 |
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 |
CN109767624A (zh) * | 2019-03-06 | 2019-05-17 | 中南大学 | 一种考虑路段交通流相关性的控制子区划分方法 |
CN109816984A (zh) * | 2019-03-19 | 2019-05-28 | 太原理工大学 | 一种交通路网区域划分及动态调整方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111325979A (zh) | 2020-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109493620B (zh) | 一种交通路况分析系统、方法以及装置 | |
KR101638368B1 (ko) | 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템 및 그 방법 | |
Yadav et al. | Extraction of road surface from mobile LiDAR data of complex road environment | |
CN111325979B (zh) | 一种划分交通控制多级子区的方法及装置 | |
CN111314857B (zh) | 一种基于过车视频数据的车辆实时出行轨迹获取方法 | |
CN111310786A (zh) | 基于随机森林分类器的交通检测器异常诊断方法及装置 | |
US20200034351A1 (en) | Source Authentication And Changed Primitive Verification Systems And Methods For Real Time Updating Of Cloud-Based HD 3-D Map | |
CN111445694A (zh) | 一种基于交通流量预测的节假日交通调度方法及装置 | |
Wei et al. | Hotspots Infrared detection of photovoltaic modules based on Hough line transformation and Faster-RCNN approach | |
CN109839119B (zh) | 跨路桥梁桥面区域的获取方法及装置 | |
EP4120123A1 (en) | Scan line-based road point cloud extraction method | |
CN114842450A (zh) | 一种可行驶区域检测方法、装置及设备 | |
CN109919237A (zh) | 点云处理方法及装置 | |
CN114020015A (zh) | 基于障碍物地图双向搜索的无人机路径规划系统及方法 | |
CN116071729A (zh) | 可行驶区域和路沿的检测方法、装置及相关设备 | |
Yadav et al. | Pole-shaped object detection using mobile LiDAR data in rural road environments | |
Gloudemans et al. | Interstate-24 motion: Closing the loop on smart mobility | |
CN113724497A (zh) | 一种目标道路实时交通流量预测方法和装置 | |
CN110796230A (zh) | 卷积神经网络的训练及使用方法、设备及存储介质 | |
CN113011338A (zh) | 一种车道线检测方法及系统 | |
CN115346183A (zh) | 一种车道线检测方法、终端及存储介质 | |
Zhu et al. | A path planning algorithm based on fusing lane and obstacle map | |
Hu et al. | Traffic density recognition based on image global texture feature | |
CN111462490B (zh) | 一种基于多级子区划分的路网可视化方法及装置 | |
Zheng et al. | A deep learning–based approach for moving vehicle counting and short-term traffic prediction from video images |
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 |