CN111402585A - 偶发性拥堵路径的探测方法 - Google Patents
偶发性拥堵路径的探测方法 Download PDFInfo
- Publication number
- CN111402585A CN111402585A CN202010219735.9A CN202010219735A CN111402585A CN 111402585 A CN111402585 A CN 111402585A CN 202010219735 A CN202010219735 A CN 202010219735A CN 111402585 A CN111402585 A CN 111402585A
- Authority
- CN
- China
- Prior art keywords
- path
- time period
- path unit
- candidate
- average speed
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000011160 research Methods 0.000 claims abstract description 17
- 238000011835 investigation Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种偶发性拥堵路径的探测方法,包括:获取研究区域内多个车辆在目标时间段内的全球定位系统GPS轨迹数据;将研究区域的路网划分为多个路径单元,并根据获取到的GPS轨迹数据,确定每个路径单元的道路方向信息;根据多个车辆在目标时间段内的GPS轨迹数据,确定每个路径单元在当前时间段内的平均速度差异;根据路网中各路径单元的拓扑关系,以及每个路径单元在当前时间段内的平均速度差异,确定出候选路径;对候选路径的显著性进行判别,并当候选路径的显著性满足预设的显著性水平时,确定候选路径为偶发性拥堵路径。本发明能在顾及道路方向的情况下完成偶发性拥堵路径的探测,提升偶发性拥堵路径探测的准确性。
Description
技术领域
本发明涉及时空数据挖掘与时空统计技术领域,特别涉及一种偶发性拥堵路径的探测方法。
背景技术
随着城市化进程的发展和人民生活水平的不断提高,人均出行需求也随之增加,而相比之下城市道路和基础设施建设的发展速度还远远滞后,直接导致了城市交通的拥堵问题。城市中的交通拥堵问题主要分为两种:一种是经常发生在相似时间发生于相近路径的拥堵现象,称为常发性拥堵(如上下班高峰期);另一种是指道路交通通行能力由于某些不可控因素所造成的交通拥堵,称为偶发性拥堵(如交通事故)。常发性拥堵的发生位置相对固定,加上及时有效的预防,能够较好的控制常发性拥堵带来的风险。偶发性拥堵是由于大型演出活动或交通事故等突发情况,导致与历史信息相比具有更加显著的拥堵特征,其发生时间与位置通常不可预测,且缺乏历史经验的指导,为此需要交管部门对其做出精准判断,从而避免这种偶发性拥堵所带来的交通影响。因此,准确探测偶发性拥堵对辅助解释偶发性拥堵的成因,进一步加强城市交通管控,最大化地降低二次交通事故都能够提供有效的帮助和指导。
目前,针对偶发性拥堵探测已发展了一系列方法,根据拥堵特征,可以将现有方法大致分为:(1)基于速度特征的方法,该方法主要是利用路径内车辆通行速度的变化来判定偶发性拥堵。例如,祁宏生等人通过混合高斯分布拟合得到每个路径的速度排名分布函数,进而将具有多峰值且最小峰的概率较小的路径识别为偶发性拥堵路径。(2)基于时间特征的方法,该类方法将偶发性拥堵理解为车辆平均通行时间显著高于历史值的路径。例如,Berk等人给出一种扫描统计方法,依据路径车辆的通行时间来定义似然比函数,首先找出路径通行时间远大于历史平均值的候选区域,将似然比函数作为显著性检验的统计量从候选区域中发现偶发性拥堵的显著时空区域。(3)基于流量-占有率特征的方法,该类方法将下游流量低且占有率的路径定义为偶发性拥堵路径。例如,经典的Mc-Master是基于历史数据绘制流量-占有率二维图,并通过曲线拟合将偶发性拥堵与其他拥堵类型进行区分。(4)基于综合特征的方法,该类方法综合考虑通行速度、道路流量和占有率等多个特征识别偶发性拥堵路径。例如,秦韬等人利用标记有交通状态的历史分类数据训练BP神经网络算法,建立路径的交通状态与通行速度、道路流量以及占有率的映射关系,进而对当前路径的交通状态进行判别。
通过以上分析可以发现,现有方法虽然能够一定程度地揭示偶发性拥堵发生的路径或时间区间,但均忽略了道路的方向性对挖掘结果的影响,在拥堵的探测过程中忽略道路的方向信息,将会导致局部路径上偶发性拥堵路径的误判和漏判。
发明内容
本发明提供了一种偶发性拥堵路径的探测方法,其目的是为了解决在偶发性拥堵路径的探测过程中忽略道路的方向信息,造成局部路径上偶发性拥堵路径的误判和漏判的问题。
为了达到上述目的,本发明的实施例提供了一种偶发性拥堵路径的探测方法,包括:
步骤1,获取研究区域内多个车辆在目标时间段内的全球定位系统GPS轨迹数据;所述目标时间段包括当前时间段和历史时间段;
步骤2,将所述研究区域的路网划分为多个路径单元,并根据获取到的GPS轨迹数据,确定每个路径单元的道路方向信息;
步骤3,根据所述多个车辆在目标时间段内的GPS轨迹数据,确定每个路径单元在所述当前时间段内的平均速度差异;
步骤4,根据所述路网中各路径单元的拓扑关系,以及每个路径单元在所述当前时间段内的平均速度差异,确定出候选路径;
步骤5,对所述候选路径的显著性进行判别,并当所述候选路径的显著性满足预设的显著性水平时,确定所述候选路径为偶发性拥堵路径。
其中,所述步骤2包括:
步骤2.1,将所述研究区域的路网等距划分为多个路径单元;
步骤2.2,分别针对每个路径单元,根据在所述当前时间段内位于该路径单元上的任一车辆的GPS轨迹数据,确定在所述当前时间段内该车辆的行驶方向,并根据该行驶方向确定该路径单元的道路方向信息。
其中,所述步骤3包括:
步骤3.1,获取每个路径单元在所述当前时间段内的当前平均速度;
步骤3.2,获取每个路径单元在所述历史时间段内的历史平均速度;
步骤3.3,根据每个路径单元的当前平均速度和历史平均速度,确定每个路径单元在所述当前时间段内的平均速度差异。
其中,所述步骤3.1包括:
步骤3.11,分别针对多个车辆中的每个车辆,通过线性插值方法获得车辆在所述当前时间段内通过每个路径单元的时间,并根据所述车辆在所述当前时间段内通过每个路径单元的时间,获得所述车辆在所述当前时间段内通过每个路径单元的平均速度;
步骤3.12,分别针对每个路径单元,从所述多个车辆中确定出在所述当前时间段内通过该路径单元的所有车辆,并将所述所有车辆在所述当前时间段内通过该路径单元的平均速度的平均值,作为该路径单元在所述当前时间段内的当前平均速度。
其中,所述步骤3.2包括:
步骤3.21,分别针对多个车辆中的每个车辆,通过线性插值方法获得车辆在所述历史时间段内通过每个路径单元的时间,并根据所述车辆在所述历史时间段内通过每个路径单元的时间,获得所述车辆在所述历史时间段内通过每个路径单元的平均速度;
步骤3.22,分别针对每个路径单元,从所述多个车辆中确定出在所述历史时间段内通过该路径单元的所有车辆,并将所述所有车辆在所述历史时间段内通过该路径单元的平均速度的平均值,作为该路径单元在所述历史时间段内的历史平均速度。
其中,所述步骤3.3包括:
其中,所述步骤4包括:
步骤4.1,根据所述路网中各路径单元的拓扑关系,构建邻接矩阵;
步骤4.2,将所述路网中各路径单元中平均速度差异小于0的路径单元作为候选种子单元;
步骤4.3,分别针对每个候选种子单元,执行如下步骤:
按照所述路网中各路径单元的拓扑关系向一阶邻域扩展,计算候选种子单元和每一个邻近路径单元的局部Gi *指数,并选择计算出的局部Gi *指数中绝对值最大的一个邻近路径单元与该候选种子单元进行合并,直至所有的一阶邻近路径单元合并完成或者计算出的局部Gi *指数的绝对值不再增大为止,得到合并路径;
按照所述路网中各路径单元的拓扑关系,扩展合并路径的k阶邻近路径单元,直至计算出的k阶邻近路径单元的局部Gi *指数的绝对值不再增大为止,得到候选路径;其中k为大于或等于2的整数。
其中,所述局部Gi *指数的计算公式为:
其中,Δvj表示路径单元j的历史平均速度与当前平均速度之间的差值,表示所述研究区域内所有平均速度差异的平均值,n表示所述研究区域内路径单元的总数,wi,j为路径单元i和路径单元j的邻接矩阵,s为所述研究区域的方差。
其中,s的计算公式为:
其中,所述步骤5包括:
步骤5.1,分别针对每个候选路径,执行如下步骤:
对候选路径生成N个模拟数据集;
计算每个模拟数据集中所述候选路径的似然比统计量得分LLRobs;
通过公式计算得到所述候选路径的显著性;其中,#(fi)表示符合条件fi的个数,N为模拟数据集的总个数,LLRres为真实数据中所述候选路径的似然比统计量得分,Si表示所述候选路径,p_value(Si)表示所述候选路径的显著性;
当所述候选路径的显著性p_value(Si)≤α时,确定所述候选路径的显著性满足预设的显著性水平,并确定所述候选路径为偶发性拥堵路径;其中,α为预设的显著性水平。
本发明的上述方案至少有如下的有益效果:
在本发明的实施例中,通过将研究区域的路网划分为多个路径单元,根据研究区域内车辆的GPS轨迹数据,确定每个路径单元的道路方向信息以及每个路径单元在当前时间段内的平均速度差异,然后根据各路径单元的拓扑关系以及每个路径单元在当前时间段内的平均速度差异,从多个路径单元中确定出候选路径,最终对候选路径的显著性进行判别,并当候选路径的显著性满足预设的显著性水平时,确定候选路径为偶发性拥堵路径。其中由于每个路径单元包含道路方向信息,因而最终确定的偶发性拥堵路径也包含道路方向信息,进而实现了在顾及道路方向的情况下完成偶发性拥堵路径的探测的效果,提升了偶发性拥堵路径探测的准确性,提高了交通管理部门辅助解决城市交通拥堵问题的实用性与可靠性。
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,下面将对实施例或现有技术描述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示出的结构获得其他的附图。
图1是本发明实施例的偶发性拥堵路径的探测方法的流程图。
具体实施方式
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在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明的实施例提供了一种偶发性拥堵路径的探测方法,该探测方法包括如下步骤:
步骤1,获取研究区域内多个车辆在目标时间段内的全球定位系统GPS轨迹数据;所述目标时间段包括当前时间段和历史时间段。
其中,在本发明的实施例中,上述研究区域可以为任一地理区域,如深圳市某市区;上述目标时间段可以为任一指定时间段(该时间段包含发生过偶发性拥堵的时间段),如2012年1月份每个工作日的19:30-20:30;上述当前时间段为目标时间段内发生偶发性拥堵的时间段,历史时间段是指目标时间段内除当前时间段以外的其他时间段。举例说明,假设目标时间段为2012年1月份每个工作日的19:30-20:30,将1月15日的19:30-20:30作为当前时间段(鉴于1月15日20:00举办的演唱会活动造成了偶发性拥堵),其余工作日的19:30-20:30为历史时间段。
具体的,在本发明的实施例中,可通过从相关设备提取GPS(全球定位系统)轨迹数据的方式,获得研究区域内多个车辆在目标时间段内的GPS轨迹数据,即,每个车辆在目标时间段内的GPS轨迹数据。其中,上述车辆可以为出租车、公交车等任一车型的车辆。
其中,上述车辆在目标时间段内的GPS轨迹数据包括该车辆的多个轨迹点,为提高探测偶发性拥堵路径的准确性,在获取到车辆在目标时间段内的GPS轨迹数据后,会剔除GPS轨迹数据中的异常点(如行程短于预设值的轨迹点)。
步骤2,将所述研究区域的路网划分为多个路径单元,并根据获取到的GPS轨迹数据,确定每个路径单元的道路方向信息。
其中,在本发明的实施例中,上述步骤2的具体实现方式包括如下步骤:
步骤2.1,将所述研究区域的路网等距划分为多个路径单元。
其中,在本发明的实施例中,在得到多个路径单元后,会将之前得到的车辆的GPS轨迹数据中的轨迹点和路网进行匹配,以保证所统计的每一个轨迹点都能在路网上。
步骤2.2,分别针对每个路径单元,根据在所述当前时间段内位于该路径单元上的任一车辆的GPS轨迹数据,确定在所述当前时间段内该车辆的行驶方向,并根据该行驶方向确定该路径单元的道路方向信息。
具体的,在本发明的实施例中,针对每个路径单元,会根据在当前时间段内位于该路径单元上的同一车辆的GPS轨迹数据(如前后采点位置的变化),确定在当前时间段内该车辆的行驶方向,并将该行驶方向作为该路径单元的道路方向信息。
步骤3,根据所述多个车辆在目标时间段内的GPS轨迹数据,确定每个路径单元在所述当前时间段内的平均速度差异。
其中,在本发明的实施例中,上述步骤3的具体实现方式包括如下步骤:
步骤3.1,获取每个路径单元在所述当前时间段内的当前平均速度。
步骤3.2,获取每个路径单元在所述历史时间段内的历史平均速度。
步骤3.3,根据每个路径单元的当前平均速度和历史平均速度,确定每个路径单元在所述当前时间段内的平均速度差异。
具体的,上述步骤3.1的具体实现方式包括如下步骤:
步骤3.11,分别针对多个车辆中的每个车辆,通过线性插值方法获得车辆在所述当前时间段内通过每个路径单元的时间,并根据所述车辆在所述当前时间段内通过每个路径单元的时间,获得所述车辆在所述当前时间段内通过每个路径单元的平均速度。
具体的,针对每个车辆,可通过插值公式获得该车辆在当前时间段内通过每个路径单元的时间。其中,ti(i=1,...,n)表示该车辆在当前时间段内通过每个原始轨迹点(即GPS轨迹数据中的轨迹点)的时刻,Ti(i=1,…,n)表示该车辆在当前时间段内通过每个路径单元的时间,li1表示该车辆在当前时间段内与Ti时刻最近的前一个轨迹点的距离,li2表示该车辆在当前时间段内与Ti时刻最近的后一个轨迹点的距离。
需要说明的是,由于在对路网进行划分时便清楚每个路径单元的长度,因此在得到车辆在当前时间段内通过每个路径单元的时间后,便能获得该车辆在当前时间段内通过每个路径单元的平均速度。
步骤3.12,分别针对每个路径单元,从所述多个车辆中确定出在所述当前时间段内通过该路径单元的所有车辆,并将所述所有车辆在所述当前时间段内通过该路径单元的平均速度的平均值,作为该路径单元在所述当前时间段内的当前平均速度。
其中,上述步骤3.2的具体实现方式包括如下步骤:
步骤3.21,分别针对多个车辆中的每个车辆,通过线性插值方法获得车辆在所述历史时间段内通过每个路径单元的时间,并根据所述车辆在所述历史时间段内通过每个路径单元的时间,获得所述车辆在所述历史时间段内通过每个路径单元的平均速度。
具体的,针对每个车辆,可通过插值公式获得该车辆在历史时间段内通过每个路径单元的时间。其中,ti(i=1,...,n)表示该车辆在历史时间段内通过每个原始轨迹点(即GPS轨迹数据中的轨迹点)的时刻,Ti(i=1,…,n)表示该车辆在历史时间段内通过每个路径单元的时间,li1表示该车辆在历史时间段内与Ti时刻最近的前一个轨迹点的距离,li2表示该车辆在历史时间段内与Ti时刻最近的后一个轨迹点的距离。
需要说明的是,由于在对路网进行划分时便清楚每个路径单元的长度,因此在得到车辆在历史时间段内通过每个路径单元的时间后,便能获得该车辆在历史时间段内通过每个路径单元的平均速度。
步骤3.22,分别针对每个路径单元,从所述多个车辆中确定出在所述历史时间段内通过该路径单元的所有车辆,并将所述所有车辆在所述历史时间段内通过该路径单元的平均速度的平均值,作为该路径单元在所述历史时间段内的历史平均速度。
其中,上述步骤3.3的具体实现方式包括如下步骤:
步骤4,根据所述路网中各路径单元的拓扑关系,以及每个路径单元在所述当前时间段内的平均速度差异,确定出候选路径。
其中,在本发明的实施例中,通过以空间局部自相关指数作为偶发性拥堵路径探测过程的优化函数,先在候选种子单元的一阶邻域内逐个测试,使得每次扩展结果的空间局部自相关指数值不断增大,进而对合并后路径的下一阶邻域进行扩展。
具体的,上述步骤4的具体实现方式包括如下步骤:
步骤4.1,根据所述路网中各路径单元的拓扑关系,构建邻接矩阵。
其中,在构建邻接矩阵时,将具有拓扑连接的相邻路径单元的邻接值设置为1,其余均设置为0。
步骤4.2,将所述路网中各路径单元中平均速度差异小于0的路径单元作为候选种子单元。
步骤4.3,分别针对每个候选种子单元,执行如下步骤:
首先按照所述路网中各路径单元的拓扑关系向一阶邻域扩展,计算候选种子单元和每一个邻近路径单元的局部Gi *指数,并选择计算出的局部Gi *指数中绝对值最大的一个邻近路径单元与该候选种子单元进行合并,直至所有的一阶邻近路径单元合并完成或者计算出的局部Gi *指数的绝对值不再增大为止,得到合并路径;然后按照所述路网中各路径单元的拓扑关系,扩展合并路径的k阶邻近路径单元,直至计算出的k阶邻近路径单元的局部Gi *指数的绝对值不再增大为止,得到候选路径;其中k为大于或等于2的整数。
其中,上述局部Gi *指数的计算公式为:
其中,Δvj表示路径单元j的历史平均速度与当前平均速度之间的差值,表示所述研究区域内所有平均速度差异的平均值,n表示所述研究区域内路径单元的总数,wi,j为路径单元i和路径单元j的邻接矩阵,s为所述研究区域的方差。需要说明的是,上述局部Gi *指数的计算公式可用于计算上述步骤4.3中的各局部Gi *指数,举例说明,当计算候选种子单元(记为A)和某一邻近路径单元(记为B)的局部Gi *指数时,wi,j为A和路径单元B的邻接矩阵。
其中,s的计算公式为:
步骤5,对所述候选路径的显著性进行判别,并当所述候选路径的显著性满足预设的显著性水平时,确定所述候选路径为偶发性拥堵路径。
其中,在本发明的实施例中,上述步骤5的具体实现方式包括如下步骤:
步骤5.1,分别针对每个候选路径,执行如下步骤:
第一步,对候选路径生成N个模拟数据集。
其中,每个模拟数据集为该候选路径的平均速度,其服从λ为历史平均速度的泊松分布。
第二步,计算每个模拟数据集中所述候选路径的似然比统计量得分LLRobs。
第三步,通过公式计算得到所述候选路径的显著性;其中,#(fi)表示符合条件fi的个数,N为模拟数据集的总个数,LLRres为真实数据中所述候选路径的似然比统计量得分,Si表示所述候选路径,p_value(Si)表示所述候选路径的显著性。其中,当所述候选路径的显著性p_value(Si)≤α时,确定所述候选路径的显著性满足预设的显著性水平,并确定所述候选路径为偶发性拥堵路径;其中,α为预设的显著性水平。
需要说明的是,候选路径的似然比统计量得分的计算公式为:
其中,Si表示候选路径,v为候选路径的平均速度,为候选路径的历史平均速度。需要进一步说明的是,在计算每个模拟数据集中所述候选路径的似然比统计量得分LLRobs时,用的是模拟数据集中的数据,而在计算LLRres时,用的是真实数据(如上述步骤3中的数据)。
值得一提的是,在本发明的实施例中,通过将研究区域的路网划分为多个路径单元,根据研究区域内车辆的GPS轨迹数据,确定每个路径单元的道路方向信息以及每个路径单元在当前时间段内的平均速度差异,然后根据各路径单元的拓扑关系以及每个路径单元在当前时间段内的平均速度差异,从多个路径单元中确定出候选路径,最终对候选路径的显著性进行判别,并当候选路径的显著性满足预设的显著性水平时,确定候选路径为偶发性拥堵路径。其中由于每个路径单元包含道路方向信息,因而最终确定的偶发性拥堵路径也包含道路方向信息,进而实现了在顾及道路方向的情况下完成偶发性拥堵路径的探测的效果,提升了偶发性拥堵路径探测的准确性,提高了交通管理部门辅助解决城市交通拥堵问题的实用性与可靠性。
接下来,采用深圳市某市区2012年1月份工作日的出租车GPS轨迹数据对本发明的具体实施进行说明,下面将结合此实例具体说明本发明探测城市偶发性拥堵路径的具体实施步骤:
1)首先提取2012年1月工作日19:30-20:30内的出租车GPS轨迹数据,将1月15日的数据作为当前时间段的检测数据(鉴于当天20:00举办的演唱会活动造成的偶发性拥堵),其余工作日的数据作为历史数据,清理GPS轨迹数据中的异常点,将提取得到的轨迹点和城市路网匹配起来。
2)将该市区的路网划分成100米的路径单元,根据路径单元上轨迹的行驶方向确定道路的方向性。
3)以10分钟为一个时间区间,利用线性插值方法计算每节路径单元节点上车辆通过的时间,得到路径单元的平均速度,计算每节路径单元中当前时间段内平均速度的差异。
4)根据每节路径单元的拓扑关系构建邻接矩阵,计算每节路径单元的局部Gi *指数,根据多向扩展策略得到候选路径(即候选的偶发性拥堵路径)。
5)在模拟数据集中,每套模拟数据集中路径单元的平均速度服从λ为历史平均速度的泊松分布,计算候选偶发性拥堵路径的似然比得分。
6)计算候选偶发性拥堵路径的p值(即显著性值)时(其中,预设的显著性水平设置为0.05),若候选的偶发性拥堵路径的p值低于0.05,则被识别为偶发性拥堵路径。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种偶发性拥堵路径的探测方法,其特征在于,包括:
步骤1,获取研究区域内多个车辆在目标时间段内的全球定位系统GPS轨迹数据;所述目标时间段包括当前时间段和历史时间段;
步骤2,将所述研究区域的路网划分为多个路径单元,并根据获取到的GPS轨迹数据,确定每个路径单元的道路方向信息;
步骤3,根据所述多个车辆在目标时间段内的GPS轨迹数据,确定每个路径单元在所述当前时间段内的平均速度差异;
步骤4,根据所述路网中各路径单元的拓扑关系,以及每个路径单元在所述当前时间段内的平均速度差异,确定出候选路径;
步骤5,对所述候选路径的显著性进行判别,并当所述候选路径的显著性满足预设的显著性水平时,确定所述候选路径为偶发性拥堵路径。
2.根据权利要求1所述的探测方法,其特征在于,所述步骤2包括:
步骤2.1,将所述研究区域的路网等距划分为多个路径单元;
步骤2.2,分别针对每个路径单元,根据在所述当前时间段内位于该路径单元上的任一车辆的GPS轨迹数据,确定在所述当前时间段内该车辆的行驶方向,并根据该行驶方向确定该路径单元的道路方向信息。
3.根据权利要求1所述的探测方法,其特征在于,所述步骤3包括:
步骤3.1,获取每个路径单元在所述当前时间段内的当前平均速度;
步骤3.2,获取每个路径单元在所述历史时间段内的历史平均速度;
步骤3.3,根据每个路径单元的当前平均速度和历史平均速度,确定每个路径单元在所述当前时间段内的平均速度差异。
4.根据权利要求3所述的探测方法,其特征在于,所述步骤3.1包括:
步骤3.11,分别针对多个车辆中的每个车辆,通过线性插值方法获得车辆在所述当前时间段内通过每个路径单元的时间,并根据所述车辆在所述当前时间段内通过每个路径单元的时间,获得所述车辆在所述当前时间段内通过每个路径单元的平均速度;
步骤3.12,分别针对每个路径单元,从所述多个车辆中确定出在所述当前时间段内通过该路径单元的所有车辆,并将所述所有车辆在所述当前时间段内通过该路径单元的平均速度的平均值,作为该路径单元在所述当前时间段内的当前平均速度。
5.根据权利要求3所述的探测方法,其特征在于,所述步骤3.2包括:
步骤3.21,分别针对多个车辆中的每个车辆,通过线性插值方法获得车辆在所述历史时间段内通过每个路径单元的时间,并根据所述车辆在所述历史时间段内通过每个路径单元的时间,获得所述车辆在所述历史时间段内通过每个路径单元的平均速度;
步骤3.22,分别针对每个路径单元,从所述多个车辆中确定出在所述历史时间段内通过该路径单元的所有车辆,并将所述所有车辆在所述历史时间段内通过该路径单元的平均速度的平均值,作为该路径单元在所述历史时间段内的历史平均速度。
7.根据权利要求1所述的探测方法,其特征在于,所述步骤4包括:
步骤4.1,根据所述路网中各路径单元的拓扑关系,构建邻接矩阵;
步骤4.2,将所述路网中各路径单元中平均速度差异小于0的路径单元作为候选种子单元;
步骤4.3,分别针对每个候选种子单元,执行如下步骤:
按照所述路网中各路径单元的拓扑关系向一阶邻域扩展,计算候选种子单元和每一个邻近路径单元的局部Gi *指数,并选择计算出的局部Gi *指数中绝对值最大的一个邻近路径单元与该候选种子单元进行合并,直至所有的一阶邻近路径单元合并完成或者计算出的局部Gi *指数的绝对值不再增大为止,得到合并路径;
按照所述路网中各路径单元的拓扑关系,扩展合并路径的k阶邻近路径单元,直至计算出的k阶邻近路径单元的局部Gi *指数的绝对值不再增大为止,得到候选路径;其中k为大于或等于2的整数。
10.根据权利要求1所述的探测方法,其特征在于,所述步骤5包括:
步骤5.1,分别针对每个候选路径,执行如下步骤:
对候选路径生成N个模拟数据集;
计算每个模拟数据集中所述候选路径的似然比统计量得分LLRobs;
通过公计算得到所述候选路径的显著性;其中,#(fi)表示符合条件fi的个数,N为模拟数据集的总个数,LLRres为真实数据中所述候选路径的似然比统计量得分,Si表示所述候选路径,p_value(Si)表示所述候选路径的显著性;
当所述候选路径的显著性p_value(Si)≤α时,确定所述候选路径的显著性满足预设的显著性水平,并确定所述候选路径为偶发性拥堵路径;其中,α为预设的显著性水平。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010219735.9A CN111402585B (zh) | 2020-03-25 | 2020-03-25 | 偶发性拥堵路径的探测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010219735.9A CN111402585B (zh) | 2020-03-25 | 2020-03-25 | 偶发性拥堵路径的探测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111402585A true CN111402585A (zh) | 2020-07-10 |
CN111402585B CN111402585B (zh) | 2021-02-02 |
Family
ID=71414031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010219735.9A Active CN111402585B (zh) | 2020-03-25 | 2020-03-25 | 偶发性拥堵路径的探测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111402585B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113793692A (zh) * | 2021-09-17 | 2021-12-14 | 中南大学 | 一种呼吸道传染病传染源区域探测方法 |
CN114550451A (zh) * | 2022-02-18 | 2022-05-27 | 平安国际智慧城市科技股份有限公司 | 停车场的车辆拥堵预警方法、装置、设备及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101727747A (zh) * | 2009-12-16 | 2010-06-09 | 南京信息工程大学 | 基于流量检测的道路非正常拥堵报警方法 |
CN101751777A (zh) * | 2008-12-02 | 2010-06-23 | 同济大学 | 基于空间聚类分析的城市路网交通小区动态划分方法 |
CN104809878A (zh) * | 2015-05-14 | 2015-07-29 | 重庆大学 | 利用公交车gps数据检测城市道路交通异常状态的方法 |
CN104933240A (zh) * | 2015-06-10 | 2015-09-23 | 中国人民解放军装甲兵工程学院 | 一种装甲车辆冷却系统布局优化设计方法 |
CN105389982A (zh) * | 2015-11-15 | 2016-03-09 | 安徽科力信息产业有限责任公司 | 基于fcd的城市交叉口拥堵事件检测及消散方法 |
CN106971537A (zh) * | 2017-04-20 | 2017-07-21 | 山东高速信息工程有限公司 | 针对突发事件的道路拥堵预测方法及系统 |
CN107239506A (zh) * | 2017-05-11 | 2017-10-10 | 中国地质大学(武汉) | 一种地理事件时空自相关的评估方法 |
CN107610469A (zh) * | 2017-10-13 | 2018-01-19 | 北京工业大学 | 一种考虑多因素影响的日维度区域交通指数预测方法 |
CN107958302A (zh) * | 2017-11-17 | 2018-04-24 | 中南大学 | 基于虚拟拓扑交通网络的经验路径规划方法 |
CN107978153A (zh) * | 2017-11-29 | 2018-05-01 | 北京航空航天大学 | 一种基于空间向量自回归模型的多模式交通需求影响分析方法 |
WO2018228279A1 (en) * | 2017-06-12 | 2018-12-20 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for analyzing and adjusting road conditions |
CN110826429A (zh) * | 2019-10-22 | 2020-02-21 | 北京邮电大学 | 一种基于景区视频的旅游突发事件自动监测的方法及系统 |
-
2020
- 2020-03-25 CN CN202010219735.9A patent/CN111402585B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751777A (zh) * | 2008-12-02 | 2010-06-23 | 同济大学 | 基于空间聚类分析的城市路网交通小区动态划分方法 |
CN101727747A (zh) * | 2009-12-16 | 2010-06-09 | 南京信息工程大学 | 基于流量检测的道路非正常拥堵报警方法 |
CN104809878A (zh) * | 2015-05-14 | 2015-07-29 | 重庆大学 | 利用公交车gps数据检测城市道路交通异常状态的方法 |
CN104933240A (zh) * | 2015-06-10 | 2015-09-23 | 中国人民解放军装甲兵工程学院 | 一种装甲车辆冷却系统布局优化设计方法 |
CN105389982A (zh) * | 2015-11-15 | 2016-03-09 | 安徽科力信息产业有限责任公司 | 基于fcd的城市交叉口拥堵事件检测及消散方法 |
CN106971537A (zh) * | 2017-04-20 | 2017-07-21 | 山东高速信息工程有限公司 | 针对突发事件的道路拥堵预测方法及系统 |
CN107239506A (zh) * | 2017-05-11 | 2017-10-10 | 中国地质大学(武汉) | 一种地理事件时空自相关的评估方法 |
WO2018228279A1 (en) * | 2017-06-12 | 2018-12-20 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for analyzing and adjusting road conditions |
CN107610469A (zh) * | 2017-10-13 | 2018-01-19 | 北京工业大学 | 一种考虑多因素影响的日维度区域交通指数预测方法 |
CN107958302A (zh) * | 2017-11-17 | 2018-04-24 | 中南大学 | 基于虚拟拓扑交通网络的经验路径规划方法 |
CN107978153A (zh) * | 2017-11-29 | 2018-05-01 | 北京航空航天大学 | 一种基于空间向量自回归模型的多模式交通需求影响分析方法 |
CN110826429A (zh) * | 2019-10-22 | 2020-02-21 | 北京邮电大学 | 一种基于景区视频的旅游突发事件自动监测的方法及系统 |
Non-Patent Citations (4)
Title |
---|
ZIHAN KAN ETC.: "Fine-grained analysis on fuel-consumption and emission from", 《JOURNAL OF CLEANER PRODUCTION》 * |
崔德冠: "基于公交GPS数据的城市道路偶发性拥堵检测与系统实现", 《中国优秀硕士学位论文全文数据库》 * |
邓敏等: "基于泛在位置数据的城市道路网精细建模", 《中南大学学报》 * |
高林等: "基于互联网信息的城市道路偶发拥堵判别算法研究与应用", 《工业仪表与自动化装置》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113793692A (zh) * | 2021-09-17 | 2021-12-14 | 中南大学 | 一种呼吸道传染病传染源区域探测方法 |
CN113793692B (zh) * | 2021-09-17 | 2023-10-17 | 中南大学 | 一种呼吸道传染病传染源区域探测方法 |
CN114550451A (zh) * | 2022-02-18 | 2022-05-27 | 平安国际智慧城市科技股份有限公司 | 停车场的车辆拥堵预警方法、装置、设备及存储介质 |
CN114550451B (zh) * | 2022-02-18 | 2023-08-18 | 平安国际智慧城市科技股份有限公司 | 停车场的车辆拥堵预警方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111402585B (zh) | 2021-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109410577B (zh) | 基于空间数据挖掘的自适应交通控制子区划分方法 | |
CN103646187B (zh) | 一种统计周期内车辆出行路线及od矩阵获取方法 | |
CN104574967B (zh) | 一种基于北斗的城市大面积路网交通感知方法 | |
JP5424754B2 (ja) | リンク旅行時間算出装置及びプログラム | |
CN110111574B (zh) | 一种基于流量树分析的城市交通不平衡评价方法 | |
CN104573116B (zh) | 基于出租车gps数据挖掘的交通异常识别方法 | |
CN110176139A (zh) | 一种基于dbscan+的道路拥堵识别可视化方法 | |
CN104658252A (zh) | 基于多源数据融合的高速公路交通运行状态的评估方法 | |
CN111402585B (zh) | 偶发性拥堵路径的探测方法 | |
CN102592447A (zh) | 一种基于fcm的区域路网的道路交通状态判别方法 | |
CN110795467A (zh) | 交通规则数据处理方法、装置、存储介质和计算机设备 | |
CN111159247A (zh) | 一种区域交通拥堵传播轨迹挖掘方法 | |
CN108961758A (zh) | 一种基于梯度提升决策树的路口展宽车道探测方法 | |
Byon et al. | Bunching and headway adherence approach to public transport with GPS | |
CN111311910A (zh) | 多层次道路级浮动车异常轨迹探测方法 | |
Kinoshita et al. | Traffic Incident Detection Using Probabilistic Topic Model. | |
CN110766940A (zh) | 道路信号交叉口运行状况评估方法 | |
CN110827537B (zh) | 一种潮汐车道的设置方法、装置及设备 | |
CN109489679A (zh) | 一种导航路径中的到达时间计算方法 | |
Azizi et al. | Estimation of freeway platooning measures using surrogate measures based on connected vehicle data | |
CN110738591A (zh) | 基于倾向值匹配的爬坡车道交通安全效益计算方法 | |
CN110021161B (zh) | 一种交通流向的预测方法及系统 | |
CN117454318A (zh) | 一种基于多源数据融合的桥梁群时空荷载分布识别方法 | |
Pandey et al. | Assessment of Level of Service on urban roads: a revisit to past studies. | |
CN115641721B (zh) | 多来源交通流指标融合及基于融合指标的路况计算方法 |
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 |