CN111462498A - 常发拥堵区域识别方法及设备 - Google Patents

常发拥堵区域识别方法及设备 Download PDF

Info

Publication number
CN111462498A
CN111462498A CN202010471171.8A CN202010471171A CN111462498A CN 111462498 A CN111462498 A CN 111462498A CN 202010471171 A CN202010471171 A CN 202010471171A CN 111462498 A CN111462498 A CN 111462498A
Authority
CN
China
Prior art keywords
data
detection unit
detection units
congestion
traffic
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
Application number
CN202010471171.8A
Other languages
English (en)
Other versions
CN111462498B (zh
Inventor
杨海强
刘银华
赵东杰
李宪
葛树志
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.)
Qingdao University
Original Assignee
Qingdao University
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 Qingdao University filed Critical Qingdao University
Priority to CN202010471171.8A priority Critical patent/CN111462498B/zh
Publication of CN111462498A publication Critical patent/CN111462498A/zh
Application granted granted Critical
Publication of CN111462498B publication Critical patent/CN111462498B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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—Systems or methods specially adapted for 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
    • G08G1/0125—Traffic data processing
    • 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

Abstract

本发明提供一种常发拥堵区域识别方法及设备，所述方法包括将城市区域划分为多个检测单元；基于车辆GPS数据分别判断各个所述检测单元是否产生拥堵；根据各个所述检测单元在调查时段内产生拥堵的频次对所述多个检测单元进行聚类，以确定常发拥堵区域。

Description

常发拥堵区域识别方法及设备
技术领域
本发明涉及交通数据处理领域，具体涉及一种常发拥堵区域识别方法及设备。
背景技术
城市道路网络中产生的交通拥堵，通常包括偶发性交通拥堵和常发性交通拥堵两种。偶发性交通拥堵由道路中的交通事故、信号灯故障等突发交通事件导致，产生地点和时间具有较大的随机性。而常发性交通拥堵，往往由道路网络中长期存在的信号灯配时问题、路段设计通行能力不足、道路基础设施施工建设等原因导致。相较于偶发拥堵，常发拥堵产生于一天中交通出行需求大的时段，如早晚高峰，对居民的通勤出行产生严重影响。从时空维度来看，常发性交通拥堵具有相对固定的模式，时间维度上具有相似的产生时刻、持续时长等，在空间维度上具有相似的产生地点、扩散路径、影响范围等。
通常来说，常发性拥堵相较于偶发性拥堵，由于其重复性和周期性特征，对居民出行的影响更大。而现有技术主要聚焦于基于点和线的交通拥堵判别，虽然能够识别交通拥堵状态，但普遍无法区分偶发性拥堵和常发性拥堵。
发明内容
有鉴于此，本发明提供一种常发拥堵区域识别方法，包括：
将城市区域划分为多个检测单元；
基于车辆GPS数据分别判断各个所述检测单元是否产生拥堵；
根据各个所述检测单元在调查时段内产生拥堵的频次对所述多个检测单元进行聚类，以确定常发拥堵区域。
可选地，将城市区域划分为多个检测单元，包括：
根据车辆GPS数据确定尺寸数据和边界数据；
根据所述尺寸数据和边界数据将城市区域划分为多个尺寸相等的检测单元。
可选地，根据车辆GPS数据确定尺寸数据包括：
计算所述车辆GPS数据中瞬时速度的平均值；
根据所述车辆GPS数据的采样频率和所述瞬时速度的平均值确定尺寸数据。
可选地，根据车辆GPS数据确定边界数据包括：
根据城市道路网络拓扑数据确定道路经纬度边界数据；
根据所述道路经纬度边界数据和所述尺寸数据确定所述检测单元的经纬度边界数据以及所述检测单元的数量。
可选地，在所述基于车辆GPS数据分别判断各个所述检测单元是否产生拥堵的步骤中，按照如下方式分别判断各个所述检测单元是否产生拥堵：
计算所述检测单元在给定时段内按设定采样间隔分布的多个交通模式数据；
确定所述多个交通模式数据中的异常数据；
根据所述异常数据对应的所述车辆GPS数据中瞬时速度的平均值确定所述检测单元是否产生拥堵。
可选地，在所述计算所述检测单元在给定时段内按设定采样间隔分布的多个交通模式数据的步骤中，按照如下方式分别计算各个采样间隔内的交通模式数据：
利用所述车辆GPS数据计算所述检测单元中各个定位点的瞬时速度的平均值；
根据所述瞬时速度的平均值和所述定位点的数量计算所述交通模式数据。
可选地，确定所述多个交通模式数据中的异常数据，包括：
分别确定各个交通模式数据与平均交通模式数据的差异，所述平均交通模式数据是所述多个交通模式数据的平均值；
根据各个交通模式数据与平均交通模式数据的差异确定所述异常数据。
可选地，根据各个所述检测单元在设定时段内产生拥堵的频次对所述多个检测单元进行聚类，以确定常发拥堵区域，包括：
筛选出调查时段内产生拥堵的频次大于设定阈值的所述检测单元；
根据各个所述检测单元的邻接关系进行聚类，以确定常发拥堵区域。
可选地，根据各个所述检测单元在设定时段内产生拥堵的频次对所述多个检测单元进行聚类，以确定常发拥堵区域，包括：
步骤1，初始化所有检测单元，标记为未访问状态；
步骤2，遍历所有检测单元，选取一个状态为未访问的检测单元，转至步骤3，若无“状态为未访问的检测单元，则转至步骤7；
步骤3，判断选取的检测单元的所述频次是否大于设定阈值，若选取的检测单元的所述频次大于设定阈值，则转至步骤4，否则标记选取的检测单元为已访问状态，并返回步骤2；
步骤4，新建网格簇，将选取的检测单元加入建立的网格簇；
步骤5，对所述网格簇内其它检测单元的状态进行判断，若加入的检测单元全部邻接的检测单元均为已访问状态，则标记加入的检测单元为无邻接状态，否则标记加入的检测单元为有邻接状态；
步骤6，遍历所述网格簇内的检测单元，选取一个被标记为有邻接状态的检测单元，转至步骤7，若不存在被标记为有邻接状态的检测单元，则输出此网格簇；
步骤7，遍历被标记为有邻接状态的检测单元的所有邻接检测单元，在其中选取一个状态为未访问的检测单元，若选取的检测单元的所述频次是否大于设定阈值，则将其加入所述网格簇，并标记其为已访问状态，返回步骤5，否则，标记其为已访问状态；
步骤8，输出所有所述网格簇的集合，其中每一个所述网格簇即为一个常发交通拥堵区域，网格簇的个数即为城市内常发交通拥堵区域的个数。
相应地，本发明提供一种常发拥堵区域识别设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述常发拥堵区域识别方法。
根据本发明提供的常发拥堵区域识别方法及设备，首先将城市道路交通网络进行划分，将划分的检测单元作为车辆轨迹信息的最小采集单元；其次，建立不同检测间隔内网格内的车辆轨迹模型，通过计算车辆GPS轨迹模式的变化，找到轨迹模式突变的值即为产生拥堵的检测单元；最后，将常发性拥堵识别问题抽象为基于检测单元的聚类问题，由此发现常发性交通拥堵区域。本发明具备如下两点优势：(1)采用城市车辆GPS数据，相较于传统线圈、地磁、电警数据，GPS数据具有采集成本低、覆盖面广等优势，能够准确反映城市宏观交通拥堵状态。(2)本方法挖掘的城市常发性交通拥堵区域信息，一方面有益于静态交通组织结构改善，另一方面为动态交通信号控制的区域范围划定提供科学理论依据，动静手段结合，促使城市交通拥堵的缓解。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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获得其他的附图。
图1为本发明实施例中的常发拥堵区域识别方法的流程图；
图2为本发明实施例中划分检测单元的示意图；
图3为本发明实施例中一种优选的常发拥堵区域识别方法的流程图。
具体实施方式
下面将结合附图对本发明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做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。
下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明实施例提供一种常发拥堵区域识别方法，本方法可以由计算机或服务器等电子设备执行。如图1所示该方法包括如下步骤：
S01，将城市区域划分为多个检测单元。具体地，可通过对城市地图数据、道路拓扑信息，将待分析的城市划分为小区域。划分方式有多种，比如可以按照设定的尺度进行划分，或者结合车辆GPS数据进行划分，划分的各个检测单元的尺寸可以是相同或者不同的。
如图2所示，作为优选的实施例，本实施例采用网格化处理方式，将城市区域划分为n*m个尺寸相同的网格(检测单元)。
S02，基于车辆GPS数据分别判断各个检测单元是否产生拥堵。车辆GPS数据包括车速和位置等信息，车辆在检测单元范围内的车速可以表示其行驶状态，进而确定是否发生拥堵。比如可以以自然日为单位，分别判断各个检测单元是否在该自然日产生拥堵，或者对自然日进一步分割为更短的时间段，判断各个检测单元是否在该时间段内产生拥堵都是可行的。
S03，根据各个检测单元在调查时段内产生拥堵的频次对多个检测单元进行聚类，以确定常发拥堵区域。在判断检测单元的交通拥堵后，可以通过统计产生交通拥堵的检测单元的频繁性，以识别常发拥堵区域。
城市道路网络中的常发交通拥堵往往会造成比较大的影响范围，具有扩散性。常发拥堵区域应当由产生频繁拥堵的多个检测单元组成，这些检测单元在空间上相邻。因此，可以将常发拥堵区域识别，抽象为检测单元的聚类问题。例如可以采用基于DBSCAN聚类算法对频繁性拥堵且具有空间关联性的检测单元进行聚类，从而获得常发性拥堵区域。
根据本发明实施例提供的常发拥堵区域识别方法，首先将城市道路交通网络进行划分，将划分的检测单元作为车辆轨迹信息的最小采集单元；其次，建立不同检测间隔内网格内的车辆轨迹模型，通过计算车辆GPS轨迹模式的变化，找到轨迹模式突变的值即为产生拥堵的检测单元；最后，将常发性拥堵识别问题抽象为基于检测单元的聚类问题，由此发现常发性交通拥堵区域。本发明具备如下两点优势：(1)采用城市车辆GPS数据，相较于传统线圈、地磁、电警数据，GPS数据具有采集成本低、覆盖面广等优势，能够准确反映城市宏观交通拥堵状态。(2)本方法挖掘的城市常发性交通拥堵区域信息，一方面有益于静态交通组织结构改善，另一方面为动态交通信号控制的区域范围划定提供科学理论依据，动静手段结合，促使城市交通拥堵的缓解。
下面结合图3介绍一种优选的常发拥堵区域识别方法，本方法可以由计算机或服务器等电子设备执行，包括如下步骤：
S1，根据车辆GPS数据确定尺寸数据l和边界数据(包括经度Lngmax和Lngmin、纬度Latmax和Latmin)，这两种数据用于划分城市区域，使划分的检测单元的尺寸和边界位置更适合该城市。
进一步地，首先可以计算车辆GPS数据中瞬时速度的平均值
Figure BDA0002514343660000051
然后根据车辆GPS数据的采样频率和瞬时速度的平均值确定尺寸数据：
Figure BDA0002514343660000052
其中，
Figure BDA0002514343660000053
为GPS数据的全部瞬时速度的平均值，代表车辆在检测单元中的行驶速度，tf为GPS数据的采样频率，向上取整的意义在于保证车辆途径特定检测单元，能够保证在此检测单元内记录定位点信息。
检测单元的边界(包括)由城市道路网络拓扑结构决定。本实施例根据城市道路网络拓扑数据确定检测单元的边界信息，即经度Lngmax和Lngmin、纬度Latmax和Latmin。
假设城市道路网络的经纬度边界分别为
Figure BDA0002514343660000054
和
Figure BDA0002514343660000055
南北跨度为
Figure BDA0002514343660000056
东西跨度为
Figure BDA0002514343660000057
本实施例所采用的检测单元的边界计算方法如下：
Figure BDA0002514343660000061
Figure BDA0002514343660000062
Figure BDA0002514343660000063
Figure BDA0002514343660000064
S2，根据尺寸数据和边界数据将城市区域划分为多个尺寸相等的检测单元。具体地，根据道路经纬度边界数据和尺寸数据确定检测单元的经纬度边界数据以及检测单元的数量。城市道路网络划分的网格的总体数量为n·m个，东西跨度共计n个网格，南北跨度共计m个网格，计算方式如下：
Figure BDA0002514343660000065
Figure BDA0002514343660000066
据此可获得n*m个经纬度{＜Lng1,Lat1＞,<Lng2,Lat2>,<Lng3,Lat3>,...,＜Lngn*m,Latn*m＞}，即可将城市区域划分为n*m个尺寸相等的检测单元。
S3，分别判断各个检测单元是否产生拥堵。本实施例引入交通模式(CTM,CellTraffic Mode)来判断检测单元是否产生拥堵，交通模式数据记为
Figure BDA0002514343660000067
可基于车辆GPS数据计算获得，其中N为定位点数量，即一定时间内检测单元内(即车辆定位点经纬度在检测单元经纬度[Lngmin,Lngmax]和[Latmin,Latmax]范围内)车辆GPS定位点数量，
Figure BDA0002514343660000068
为定位点的瞬时速度的平均值，计算方式为
Figure BDA0002514343660000069
具体地，计算检测单元在给定时段内按设定采样间隔分布的多个交通模式数据，比如给定时段为自然日(24小时)和采样间隔(本实施例为5分钟)，共可得到288(24小时*60/5＝288)个检测单元交通模式数据，即一个检测单元在一个自然日中有288个交通模式CTM1,CTM2,...,CTM288，同时对应288个定位点数量(N1,N2,...,N288)和288个定位点的瞬时速度的平均值
Figure BDA0002514343660000071
确定多个交通模式数据中的异常数据。具体地，从这288个交通模式中确定异常的交通模式的方法有多种，作为优选的实施例，采用如下方式：
分别确定各个交通模式数据CTM1,CTM2,...,CTM288与平均交通模式数据的差异，平均交通模式数据是指多个交通模式数据的平均值，即
Figure BDA0002514343660000072
分别将各个交通模式数据与平均交通模式数据的差异确定异常数据。
具体可以利用马氏距离衡量两个交通模式的差异：
Figure BDA0002514343660000073
其中S为全部288个交通模式数据的协方差矩阵。利用这种方式确定各个交通模式数据与平均交通模式数据的差异
Figure BDA0002514343660000074
对于交通模式CTMi，其产生异常的判断依据为：
Figure BDA0002514343660000075
其中，δ为异常判定阈值，通过调整大小可改变模型的灵敏度。
然后根据异常数据对应的车辆GPS数据中瞬时速度的平均值确定检测单元是否产生拥堵。结合检测单元内瞬时速度平均值下降信息，即可判定此时段内检测单元内产生交通拥堵，如下：
Figure BDA0002514343660000076
总结来说，根据上述实施方式，在一个给定时段内(24小时)，每一个检测单元都对应288个交通模式。这288个交通模式中可能存在多个异常的交通模式，只要其中有一个异常数据就记为该检测单元在该时段产生一次拥堵，也即一个检测单元在一个自然日可能产生多次拥堵，检测单元产生的拥堵频度记为cf(i,j)，(i,j)表示检测单元的位置。
S4，筛选出调查时段内产生拥堵的频次大于设定阈值的检测单元。调查时期P取值可以为一星期、一个月、一年等，指定常发性交通拥堵区域识别涉及的时间范围。拥堵频度cf(i,j)是指在特定调查时期P内，检测单元(i,j)发生拥堵的频次。检测单元的拥堵频度大于特定阈值，则可判定此检测单元为核心检测单元，即cf≥θcf。
S5，根据各个检测单元的邻接关系进行聚类，以确定常发拥堵区域。常发拥堵区域通常是多个相邻的检测单元的集合。
对于步骤S4-S5，在一个具体的实施例中，按照如下过程来执行：
步骤1，初始化所有检测单元，标记为未访问状态；
步骤2，遍历所有检测单元，选取一个状态为未访问的检测单元，转至步骤3，若无“状态为未访问的检测单元，则转至步骤7；
步骤3，判断选取的检测单元的频次是否大于设定阈值，若选取的检测单元的频次大于设定阈值，则转至步骤4，否则标记选取的检测单元为已访问状态，并返回步骤2；
步骤4，新建网格簇，将选取的检测单元加入建立的网格簇；
步骤5，对网格簇内其它检测单元的状态进行判断，若加入的检测单元全部邻接的检测单元均为已访问状态，则标记加入的检测单元为无邻接状态，否则标记加入的检测单元为有邻接状态；
步骤6，遍历网格簇内的检测单元，选取一个被标记为有邻接状态的检测单元，转至步骤7，若不存在被标记为有邻接状态的检测单元，则输出此网格簇；
步骤7，遍历被标记为有邻接状态的检测单元的所有邻接检测单元，在其中选取一个状态为未访问的检测单元，若选取的检测单元的频次是否大于设定阈值，则将其加入网格簇，并标记其为已访问状态，返回步骤5，否则，标记其为已访问状态；
步骤8，输出所有网格簇的集合，其中每一个网格簇即为一个常发交通拥堵区域，网格簇的个数即为城市内常发交通拥堵区域的个数。
根据上述优选方案，在划分网格(检测单元)的基础上，以网格内定位点数量和所有定位点瞬时速度作为主要输入，对特定网格内交通流状态进行判别，建立网格内交通拥堵的判别模型，对于是否产生拥堵的判断更加准确；基于全部网格集合以及网格对应的拥堵信息，将常发性拥堵区域识别问题抽象为聚类问题，采用优选的聚类方法，识别城市范围内的全部常发性交通拥堵区域的集合，从而得到更准确的判断结果。
本发明实施例还提供一种常发拥堵区域识别设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器执行上述常发拥堵区域识别方法。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种常发拥堵区域识别方法，其特征在于，包括：
将城市区域划分为多个检测单元；
基于车辆GPS数据分别判断各个所述检测单元是否产生拥堵；
根据各个所述检测单元在调查时段内产生拥堵的频次对所述多个检测单元进行聚类，以确定常发拥堵区域。
2.根据权利要求1所述的方法，其特征在于，将城市区域划分为多个检测单元，包括：
根据车辆GPS数据确定尺寸数据和边界数据；
根据所述尺寸数据和边界数据将城市区域划分为多个尺寸相等的检测单元。
3.根据权利要求2所述的方法，其特征在于，根据车辆GPS数据确定尺寸数据包括：
计算所述车辆GPS数据中瞬时速度的平均值；
根据所述车辆GPS数据的采样频率和所述瞬时速度的平均值确定尺寸数据。
4.根据权利要求2或3所述的方法，其特征在于，根据车辆GPS数据确定边界数据包括：
根据城市道路网络拓扑数据确定道路经纬度边界数据；
根据所述道路经纬度边界数据和所述尺寸数据确定所述检测单元的经纬度边界数据以及所述检测单元的数量。
5.根据权利要求1所述的方法，其特征在于，在所述基于车辆GPS数据分别判断各个所述检测单元是否产生拥堵的步骤中，按照如下方式分别判断各个所述检测单元是否产生拥堵：
计算所述检测单元在给定时段内按设定采样间隔分布的多个交通模式数据；
确定所述多个交通模式数据中的异常数据；
根据所述异常数据对应的所述车辆GPS数据中瞬时速度的平均值确定所述检测单元是否产生拥堵。
6.根据权利要求5所述的方法，其特征在于，在所述计算所述检测单元在给定时段内按设定采样间隔分布的多个交通模式数据的步骤中，按照如下方式分别计算各个采样间隔内的交通模式数据：
利用所述车辆GPS数据计算所述检测单元中各个定位点的瞬时速度的平均值；
根据所述瞬时速度的平均值和所述定位点的数量计算所述交通模式数据。
7.根据权利要求5所述的方法，其特征在于，确定所述多个交通模式数据中的异常数据，包括：
分别确定各个交通模式数据与平均交通模式数据的差异，所述平均交通模式数据是所述多个交通模式数据的平均值；
根据各个交通模式数据与平均交通模式数据的差异确定所述异常数据。
8.根据权利要求1所述的方法，其特征在于，根据各个所述检测单元在设定时段内产生拥堵的频次对所述多个检测单元进行聚类，以确定常发拥堵区域，包括：
筛选出调查时段内产生拥堵的频次大于设定阈值的所述检测单元；
根据各个所述检测单元的邻接关系进行聚类，以确定常发拥堵区域。
9.根据权利要求8所述的方法，其特征在于，根据各个所述检测单元在设定时段内产生拥堵的频次对所述多个检测单元进行聚类，以确定常发拥堵区域，包括：
步骤1，初始化所有检测单元，标记为未访问状态；
步骤2，遍历所有检测单元，选取一个状态为未访问的检测单元，转至步骤3，若无“状态为未访问的检测单元，则转至步骤7；
步骤3，判断选取的检测单元的所述频次是否大于设定阈值，若选取的检测单元的所述频次大于设定阈值，则转至步骤4，否则标记选取的检测单元为已访问状态，并返回步骤2；
步骤4，新建网格簇，将选取的检测单元加入建立的网格簇；
步骤5，对所述网格簇内其它检测单元的状态进行判断，若加入的检测单元全部邻接的检测单元均为已访问状态，则标记加入的检测单元为无邻接状态，否则标记加入的检测单元为有邻接状态；
步骤6，遍历所述网格簇内的检测单元，选取一个被标记为有邻接状态的检测单元，转至步骤7，若不存在被标记为有邻接状态的检测单元，则输出此网格簇；
步骤7，遍历被标记为有邻接状态的检测单元的所有邻接检测单元，在其中选取一个状态为未访问的检测单元，若选取的检测单元的所述频次是否大于设定阈值，则将其加入所述网格簇，并标记其为已访问状态，返回步骤5，否则，标记其为已访问状态；
步骤8，输出所有所述网格簇的集合，其中每一个所述网格簇即为一个常发交通拥堵区域，网格簇的个数即为城市内常发交通拥堵区域的个数。
10.一种常发拥堵区域识别设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如权利要求1-9中任意一项所述的常发拥堵区域识别方法。
CN202010471171.8A 2020-05-29 2020-05-29 常发拥堵区域识别方法及设备 Active CN111462498B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010471171.8A CN111462498B (zh) 2020-05-29 2020-05-29 常发拥堵区域识别方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010471171.8A CN111462498B (zh) 2020-05-29 2020-05-29 常发拥堵区域识别方法及设备

Publications (2)

Publication Number Publication Date
CN111462498A true CN111462498A (zh) 2020-07-28
CN111462498B CN111462498B (zh) 2021-08-20

Family

ID=71682044

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010471171.8A Active CN111462498B (zh) 2020-05-29 2020-05-29 常发拥堵区域识别方法及设备

Country Status (1)

Country Link
CN (1) CN111462498B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113380032A (zh) * 2021-06-09 2021-09-10 重庆大学 一种基于层次聚类法的高速公路拥堵判断方法及装置

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030130771A1 (en) * 2001-10-10 2003-07-10 Crank Kelly C. Method and apparatus for tracking aircraft and securing against unauthorized access
CN101286270A (zh) * 2008-05-26 2008-10-15 北京捷讯畅达科技发展有限公司 兼有动态实时交通数据的交通流量预测方法
EP1987501A1 (en) * 2006-02-08 2008-11-05 TeleNav, Inc. Intelligent real-time distributed traffic sampling and navigation system
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
CN101982844A (zh) * 2010-11-03 2011-03-02 北京世纪高通科技有限公司 识别道路拥堵状况的方法和装置
US20110282576A1 (en) * 2004-04-06 2011-11-17 Honda Motor Co., Ltd. Display Method And System For A Vehicle Navigation System
WO2011160039A1 (en) * 2010-06-18 2011-12-22 Nath Gary M A device for navigating a motor vehicle and a method of navigating the same
CN103050009A (zh) * 2013-01-21 2013-04-17 北京世纪高通科技有限公司 一种提供动态交通信息的方法、装置及系统
CN103065464A (zh) * 2012-12-24 2013-04-24 中国科学院深圳先进技术研究院 实时客流特征分析方法及系统
CN104318773A (zh) * 2014-11-04 2015-01-28 杭州市综合交通研究中心 一种基于交通拥堵时空总量的交通拥堵测定方法
CN108806250A (zh) * 2018-06-08 2018-11-13 北京航空航天大学 一种基于速度采样数据的区域交通拥堵评价方法
CN109118771A (zh) * 2018-09-19 2019-01-01 青岛海信网络科技股份有限公司 一种城市交通常发性拥堵特征确定的方法及装置
CN110738856A (zh) * 2019-11-12 2020-01-31 中南大学 一种基于移动聚类的城市交通拥堵精细识别方法
CN110750573A (zh) * 2019-08-28 2020-02-04 广东工业大学 一种基于网格化和时空聚类的交通拥堵演化规律的识别方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030130771A1 (en) * 2001-10-10 2003-07-10 Crank Kelly C. Method and apparatus for tracking aircraft and securing against unauthorized access
US20110282576A1 (en) * 2004-04-06 2011-11-17 Honda Motor Co., Ltd. Display Method And System For A Vehicle Navigation System
EP1987501A1 (en) * 2006-02-08 2008-11-05 TeleNav, Inc. Intelligent real-time distributed traffic sampling and navigation system
CN101286270A (zh) * 2008-05-26 2008-10-15 北京捷讯畅达科技发展有限公司 兼有动态实时交通数据的交通流量预测方法
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
WO2011160039A1 (en) * 2010-06-18 2011-12-22 Nath Gary M A device for navigating a motor vehicle and a method of navigating the same
CN101982844A (zh) * 2010-11-03 2011-03-02 北京世纪高通科技有限公司 识别道路拥堵状况的方法和装置
CN103065464A (zh) * 2012-12-24 2013-04-24 中国科学院深圳先进技术研究院 实时客流特征分析方法及系统
CN103050009A (zh) * 2013-01-21 2013-04-17 北京世纪高通科技有限公司 一种提供动态交通信息的方法、装置及系统
CN104318773A (zh) * 2014-11-04 2015-01-28 杭州市综合交通研究中心 一种基于交通拥堵时空总量的交通拥堵测定方法
CN108806250A (zh) * 2018-06-08 2018-11-13 北京航空航天大学 一种基于速度采样数据的区域交通拥堵评价方法
CN109118771A (zh) * 2018-09-19 2019-01-01 青岛海信网络科技股份有限公司 一种城市交通常发性拥堵特征确定的方法及装置
CN110750573A (zh) * 2019-08-28 2020-02-04 广东工业大学 一种基于网格化和时空聚类的交通拥堵演化规律的识别方法
CN110738856A (zh) * 2019-11-12 2020-01-31 中南大学 一种基于移动聚类的城市交通拥堵精细识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ZUCHAO WANG 等: "Visual Traffic Jam Analysis Based on Trajectory Data", 《IEEE TRANSACTIONS ON VISUALIZATION AND COMPUTER GRAPHICS》 *
杨海强: "基于出租车 GPS 数据的城市常发性交通拥堵演变研究", 《中国博士学位论文全文数据库》 *
杨海强等: "基于 GPS 数据的城市常发性拥堵区域识别方法", 《科学技术与工程》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113380032A (zh) * 2021-06-09 2021-09-10 重庆大学 一种基于层次聚类法的高速公路拥堵判断方法及装置
CN113380032B (zh) * 2021-06-09 2022-08-02 重庆大学 一种基于层次聚类法的高速公路拥堵判断方法及装置

Also Published As

Publication number Publication date
CN111462498B (zh) 2021-08-20

Similar Documents

Publication Publication Date Title
Ren et al. A deep learning approach to the citywide traffic accident risk prediction
Hellinga et al. Reducing bias in probe-based arterial link travel time estimates
Hellinga et al. Assessing expected accuracy of probe vehicle travel time reports
CN109360421B (zh) 一种基于机器学习的交通信息预测方法及装置、电子终端
CN110738856B (zh) 一种基于移动聚类的城市交通拥堵精细识别方法
Abdy et al. Analytical method for estimating the impact of transit signal priority on vehicle delay
JP2012027905A (ja) 分岐点に関連するコスト情報を提供するための方法およびデバイス並びにルートを決定する方法
CN110223502B (zh) 一种交叉口进口道数据渠化的方法及装置
CN105513370A (zh) 基于稀疏车牌识别数据挖掘的交通小区划分方法
CN111881243B (zh) 一种出租车轨迹热点区域分析方法及系统
CN102819953A (zh) 一种疑似新增道路的发现方法和装置
CN111462498B (zh) 常发拥堵区域识别方法及设备
CN111815973B (zh) 信号交叉口分析方法及相关设备
Wei et al. An improved road network partition algorithm for parallel microscopic traffic simulation
CN111199247B (zh) 一种公交运行仿真方法
Zhang et al. Continuous dynamic monitoring of a large‐span arch bridge with wireless nodes based on MEMS accelerometers
CN115131966A (zh) 一种考虑交叉口运行特性的路网关键节点识别方法
Stevanovic et al. Evaluating robustness of signal timings for varying traffic flows
Florin et al. Real-time traffic density estimation: Putting on-coming traffic to work
CN116168538B (zh) 一种平面道路车辆通行空间识别方法
Stevanovic et al. Long-term benefits of adaptive traffic control under varying traffic flows during weekday peak hours
Ng et al. A Hybrid intelligent traffic light system for solving traffic congestion in Hong Kong
CN109408604B (zh) 输电线路关联天气因素数据网格化处理方法、装置及系统
CN113256973A (zh) 一种高峰开始时间预测方法、装置、设备及介质
Yanai et al. Cluster analysis for a series of microscopic traffic simulation results

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
CB02 Change of applicant information

Address after: 266061 No. 7 East Hongkong Road, Laoshan District, Shandong, Qingdao

Applicant after: QINGDAO University

Address before: 266071 Ningxia Road, Shandong, China, No. 308, No.

Applicant before: QINGDAO University

CB02 Change of applicant information
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant