CN111680745A - 一种基于多源交通大数据融合的突发拥堵判别方法及系统 - Google Patents
一种基于多源交通大数据融合的突发拥堵判别方法及系统 Download PDFInfo
- Publication number
- CN111680745A CN111680745A CN202010511400.4A CN202010511400A CN111680745A CN 111680745 A CN111680745 A CN 111680745A CN 202010511400 A CN202010511400 A CN 202010511400A CN 111680745 A CN111680745 A CN 111680745A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- data
- traffic
- traffic 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G08G1/0137—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
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
-
- 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
- G08G1/042—Detecting movement of traffic to be counted or controlled using inductive or magnetic detectors
Abstract
本发明公开了一种基于多源交通大数据融合的突发拥堵判别方法及系统,所述方法首先获得包括交通参数类特征数据、时段类特征数据和环境类特征数据的多源交通数据,建立数据样本集,并划分为训练集和测试集,利用训练集和测试集对神经网络模型进行训练和优化,得到突发拥堵判别模型,将采集得到的当前时段和路段的多源交通数据输入突发拥堵判别模型,进行拥堵判别,本发明利用以城市路网中的多源交通检测器检测的数据为基础,并考虑了突发拥堵相关的时段类特征和环境类特征的多源交通数据和具有极强容错性的神经网络模型,实现了利用道路网络中广泛布设的交通检测器精准感知道路交通状态,实现路网突发拥堵事件的及时准确判别。
Description
技术领域
本发明涉及交通管理技术领域,特别涉及一种基于多源交通大数据融合的突发拥堵判别方法及系统。
背景技术
城市道路中的安全事故、货物抛洒、路边停车等突发性事件,造成交通流瓶颈,引起交通拥堵,影响交通运行效率。同时,突发事件如果不及时处置疏导,瓶颈效应会引起上游交通流排队,进而蔓延至周边路段,影响更大范围的交通流运行,导致更大范围的拥堵。相对于城市路网中的常发拥堵,突发拥堵的时间和地点随机性较强,在城市交通管理中往往依靠视频人工巡检、市民上报等途径获知突发拥堵事件的信息。通过城市道路网络中分布的电子警察、卡口监控等食品监控设备,通过人工观测的方式可以识别一部分突发拥堵事件,但是由于人员配备不足,视频人工巡检全是路网一次往往需要几个小时,造成事件的遗漏。此外,居民通过122报警、公众号等众包途径将事件上报,需要进一步校验审核,拥堵事件的时效性难以保证。而互联网企业通过浮动车采样数据进行拥堵识别,其道路平均采样率不足20%,随机性及偶然性对识别结果的准确度影响极大。综上所述,目前城市突发交通拥堵检测方法的准确率和时效性都无法保证。如果利用道路网络中广泛布设的交通检测器,精准感知道路交通状态,实现路网突发拥堵事件的及时、准确检测,已经成为行业内的迫切需求。
发明内容
本发明的目的是提供一种基于多源交通大数据融合的突发拥堵判别方法,以实现利用道路网络中广泛布设的交通检测器,精准感知道路交通状态,实现路网突发拥堵事件的及时准确检测。
为实现上述目的,本发明提供了如下方案:
一种基于多源交通大数据融合的突发拥堵判别方法,所述判别方法包括如下步骤:
获取多源交通数据,建立数据样本集,并将所述数据样本集划分为训练集和测试集;所述多源交通数据包括交通参数类特征数据、时段类特征数据和环境类特征数据;所述交通参数类特征数据为与交通拥堵相关的交通数据,所述交通参数类特征数据包括电子警察、微波设备、多目标雷达、感应线圈和浮动车检测的交通数据,所述时段类特征数据为与交通拥堵相关的时段数据,所述时段类特征数据包括日类型数据和时段类型数据;所述环境类特征数据为与交通拥堵相关的环境数据,所述环境类特征数据包括路段长度、车道数量和路段所属道路等级;
建立用于突发拥堵判别的神经网络模型;
以误差平方和为损失函数,利用所述训练集对所述神经网络模型进行训练,得到训练后的神经网络模型;
将所述测试集输入训练后的神经网络模型,获得判别结果,并计算判别结果的准确率,获得第一准确率;
判断所述第一准确率是否大于第一准确率阈值,得到第一判断结果;
若所述第一判断结果表示否,则返回步骤“以误差平方和为损失函数,利用所述训练集对所述神经网络模型进行训练,得到训练后的神经网络模型”;
若所述第一判断结果表示是,输出所述训练后的神经网络模型作为突发拥堵判别模型;
采集获得当前时段和路段的多源交通数据,并将当前时段和路段的多源交通数据输入所述突发拥堵判别模型,获得当前时段和路段的拥堵判别结果。
可选的,所述输出所述训练后的神经网络模型作为突发拥堵判别模型,之后还包括:
将测试集中的多源交通数据样本中电子警察、微波设备、多目标雷达、感应线圈和浮动车中的一个或多个检测设备检测的交通数据设置为0,获得特殊场景的测试集;
将所述特殊场景的测试集输入训练后的神经网络模型,获得判别结果,并计算判别结果的准确率,获得第二准确率;
判断所述第二准确率是否大于第二准确率阈值,得到第二判断结果;
若所述第二判断结果表示否,则对应的将训练集中的多源交通数据样本中电子警察、微波设备、多目标雷达、感应线圈和浮动车中的一个或多个检测设备检测的交通数据设置为0,将设置完成后的训练集与设置之前的训练集进行组合,得到组合后的训练集,返回步骤“以误差平方和为损失函数,利用所述训练集对所述神经网络模型进行训练,得到训练后的神经网络模型”;
若所述第二判断结果表示是,则输出训练后的神经网络模型作为突发拥堵判别模型。
可选的,所述以误差平方和为损失函数,利用所述训练集对所述神经网络模型进行训练,得到训练后的神经网络模型,具体包括:
将所述训练集中的多源交通数据样本输入所述神经网络模型,获得预测值;
利用误差平方和计算公式计算损失函数值;其中,xi是训练集中的第i组多源交通数据样本,f(xi)是第i组多源交通数据样本的损失函数,G(xi)是第i组多源交通数据样本经神经网络模型计算后获得的预测值,yi是第i组多源交通数据样本对应的真实值;
判断所述损失函数值是否小于损失函数阈值,得到第三判断结果;
若所述第三判断结果表示否,则利用提速下降法更新所述神经网络模型,返回步骤“将所述训练集中的多源交通数据样本输入所述神经网络模型,获得预测值”;
若所述第三判断结果表示是,则输出训练后的神经网络模型。
可选的,所述神经网络模型包括输入层、第一隐藏层、第二隐藏层和输出层;
所述输入层包括多源交通数据样本中的交通数据种类数的神经元,所述第一隐藏层包括5个神经元,所述第二隐藏层包括3个神经元,所述输出层包括2个神经元。
可选的,所述神经网络模型的激活函数为:
其中,f'(x)表示激活函数,x表示输入神经网络模型的多源交通数据,e表示自然对数的底数。
一种基于多源交通大数据融合的突发拥堵判别系统,所述判别系统包括:
多源交通数据获取模块,用于获取多源交通数据,建立数据样本集,并将所述数据样本集划分为训练集和测试集;所述多源交通数据包括交通参数类特征数据、时段类特征数据和环境类特征数据;所述交通参数类特征数据为与交通拥堵相关的交通数据,所述交通参数类特征数据包括电子警察、微波设备、多目标雷达、感应线圈和浮动车检测的交通数据,所述时段类特征数据为与交通拥堵相关的时段数据,所述时段类特征数据包括日类型数据和时段类型数据;所述环境类特征数据为与交通拥堵相关的环境数据,所述环境类特征数据包括路段长度、车道数量和路段所属道路等级;
神经网络模型建立模块,用于建立用于突发拥堵判别的神经网络模型;
神经网络模型训练模块,用于以误差平方和为损失函数,利用所述训练集对所述神经网络模型进行训练,得到训练后的神经网络模型;
第一准确率计算模块,用于将所述测试集输入训练后的神经网络模型,获得判别结果,并计算判别结果的准确率,获得第一准确率;
第一判断模块,用于判断所述第一准确率是否大于第一准确率阈值,得到第一判断结果;
第一神经网络模型优化模块,用于若所述第一判断结果表示否,则返回步骤“以误差平方和为损失函数,利用所述训练集对所述神经网络模型进行训练,得到训练后的神经网络模型”;
第一突发拥堵判别模型输出模块,用于若所述第一判断结果表示是,输出所述训练后的神经网络模型作为突发拥堵判别模型;
判别模块,用于采集获得当前时段和路段的多源交通数据,并将当前时段和路段的多源交通数据输入所述突发拥堵判别模型,获得当前时段和路段的拥堵判别结果。
可选的,所述判别系统还包括:
特殊场景模拟模块,用于将测试集中的多源交通数据样本中电子警察、微波设备、多目标雷达、感应线圈和浮动车中的一个或多个检测设备检测的交通数据设置为0,获得特殊场景的测试集;
第二准确率计算模块,用于将所述特殊场景的测试集输入训练后的神经网络模型,获得判别结果,并计算判别结果的准确率,获得第二准确率;
第二判断模块,用于判断所述第二准确率是否大于第二准确率阈值,得到第二判断结果;
第二神经网络模型优化模块,用于若所述第二判断结果表示否,则对应的将训练集中的多源交通数据样本中电子警察、微波设备、多目标雷达、感应线圈和浮动车中的一个或多个检测设备检测的交通数据设置为0,将设置完成后的训练集与设置之前的训练集进行组合,得到组合后的训练集,返回步骤“以误差平方和为损失函数,利用所述训练集对所述神经网络模型进行训练,得到训练后的神经网络模型”;
第二突发拥堵判别模型输出模块,用于若所述第二判断结果表示是,则输出训练后的神经网络模型作为突发拥堵判别模型。
可选的,所述神经网络模型训练模块,具体包括:
输入子模块,用于将所述训练集中的多源交通数据样本输入所述神经网络模型,获得预测值;
损失函数值计算子模块,用于利用误差平方和计算公式计算损失函数值;其中,xi是训练集中的第i组多源交通数据样本,f(xi)是第i组多源交通数据样本的损失函数,G(xi)是第i组多源交通数据样本经神经网络模型计算后获得的预测值,yi是第i组多源交通数据样本对应的真实值;
第三判断子模块,用于判断所述损失函数值是否小于损失函数阈值,得到第三判断结果;
神经网络模型更新子模块,用于若所述第三判断结果表示否,则利用提速下降法更新所述神经网络模型,返回步骤“将所述训练集中的多源交通数据样本输入所述神经网络模型,获得预测值”;
训练后的神经网络模型输出子模块,用于若所述第三判断结果表示是,则输出训练后的神经网络模型。
可选的,所述神经网络模型包括输入层、第一隐藏层、第二隐藏层和输出层;
所述输入层包括多源交通数据样本中的交通数据种类数的神经元,所述第一隐藏层包括5个神经元,所述第二隐藏层包括3个神经元,所述输出层包括2个神经元。
可选的,所述神经网络模型的激活函数为:
其中,f'(x)表示激活函数,x表示输入神经网络模型的多源交通数据,e表示自然对数的底数。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开了一种基于多源交通大数据融合的突发拥堵判别方法及系统,所述方法首先获得包括通参数类特征数据、时段类特征数据和环境类特征数据的多源交通数据,建立数据样本集,并划分为训练集和测试集,利用训练集和测试集对神经网络模型进行训练和优化,得到突发拥堵判别模型,将采集得到的当前时段和路段的多源交通数据输入突发拥堵判别模型,进行拥堵判别,本发明利用以城市路网中的多源交通检测器检测的数据为基础,并考虑了突发拥堵相关的时段类特征和环境类特征的多源交通数据和具有极强容错性的神经网络模型,实现了利用道路网络中广泛布设的交通检测器,路网突发拥堵事件的及时准确判别。
而且本发明还利用特殊场景模拟下的多源交通数据对神经网络模型进行二次优化,实现在保证准确率同时,还能够在某些特征数据缺失的条件下,维持一定水平的突发拥堵判别能力。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种基于多源交通大数据融合的突发拥堵判别方法的流程图;
图2为本发明提供的一种基于多源交通大数据融合的突发拥堵判别方法的原理图;
图3为本发明提供的神经网络模型的结构示意图。
具体实施方式
本发明的目的是提供一种基于多源交通大数据融合的突发拥堵判别方法及系统,以实现利用道路网络中广泛布设的交通检测器,精准感知道路交通状态,实现路网突发拥堵事件的及时准确检测。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对发明作进一步详细的说明。
本发明针对现有的判别方案的缺陷,提供一种基于多源交通大数据融合的突发拥堵判别方法及系统。
现有的交通拥堵判别方案主要有以下几种:
申请号为CN201510902672.6,发明名称为一种基于电子警察数据的拥堵识别方法与装置的专利公开的技术方案为:
此发明专利提供一种基于电子警察数据的拥堵识别方法,包括:遍历数字路网中所有的待分析路段的路段ID,获取属于这些路段ID的电子警察数据,电子警察数据的数据源的可靠性结果包括标记1和标记0,标记1表示获取数据,标记0表示未获取数据;提取数字路网中待分析的路段的电子警察数据;判断数据源的可靠性结果是否为1,如果为1则取该路段的电子警察数据中的路段平均速度作为路段速度QUOTE,否则不报警,并返回前一步骤;确定路段是快速路、主干道、次干道以及支路中一种;将QUOTE对照道路拥堵等级-速度阀值映射关系进行速度与拥堵等级之间的转换;响应于转换结果的拥堵等级>=4,进行拥堵报警。
该发明的重点在于利用电子警察识别的过车数据,计算获得路段的平均速度,利用速度和拥堵等级之间的映射关系,来识别路段上的拥堵。该方法存在两点问题:首先,电警设备存在严重的设备降效问题,上下游电警的对时经常不准,导致无法计算准确的行程时间,也就无法准确的映射拥堵和路段交通流速度的关系,识别准确率无法保证;其次,此发明没有区分拥堵是常发性还是突发性,这两类拥堵事件的处置和应对手段差异较大,区分突发交通拥堵的意义重大。
申请号为CN201610326266.4,发明名称为一种道路流量拥堵报警的方法与系统的专利提供的技术方案如下:
该发明包括以下步骤:S1.交通参数采集;S2.特征向量组合;S3.模型训练;S4.拥堵判断;该系统包括依次连接的交通流量采集设备、参数处理器以及警报装置。本发明研发的是一套交通拥堵自动报警系统,利用智能交通流量采集设备完成道路的流量统计,并在此基础上通过参数处理器利用GIST特征完成道路的拥堵状况分析,从而自动完成道路拥堵识别与报警,并通知相关人员及时采取应对措施。
该发明重点在于选用平均车速、车流量、占有率以及车流量图片4个交通参数,进行特征向量的组合,建立分类函数进行训练,形成收敛的拥堵判别模型进行畅通、缓行、拥堵三种交通状态的识别。该发明存在两点问题:(1)未对突发性交通事件进行识别,只考虑拥堵引起的交通参数的变化,无法识别拥堵是否为突发或常发,针对性不强。(2)未考虑交通参数的来源问题,城市真实道路网络环境中,由于设备降效、设备分布不均衡问题,往往无法提供高质量的交通流参数,导致此发明的适用性不强,无法保证在较差的道路环境中仍旧适用,也无法保证在更广的范围内推广适用。
申请号为CN201510901505.X,发明名称为一种基于FCD及EP多源数据的实时拥堵分析方法的专利提供的技术方案为:
该发明提供一种基于FCD及EP多源数据的实时拥堵分析方法,包括以下步骤:步骤一、遍历数字路网中所有待分析路段的路段ID,获取属于这些路段的FCD数据和电子警察数据;步骤二、判断每个路段ID所获得数据的类型,并且基于数据类型执行对应的报警机制,其中:若数据仅有FCD数据,则进行FCD报警机制;若数据仅有电子警察数据,则进行EP报警机制;若数据有FCD数据和电子警察数据,则进行根据FCD和电子警察数据的报警机制。本发明的拥堵分析方法有机结合GPS数据及EP数据,在二者缺一的情况下,实现传统的拥堵识别,在二者同时存在的情况下,提高拥堵路段的识别率及精确度。
该发明重点在于选用出租车GPS定位、电子警察两种数据源,设立以浮动车GPS定位为主的优先性,在具备浮动车数据的条件下,利用出租车停留时间作为拥堵判定依据,在浮动车数据缺失条件下,利用电警设备匹配的行程时间,计算路段平均速度,根据平均速度识别路段拥堵。该方法存在无法区分突发拥堵和常发拥堵的问题,只能够识别路段产生了拥堵,而无法区分类型,无法针对性采取执法处置措施。
申请号为CN201910536851.0,发明名称为一种基于路段突发拥堵分析的交通事件检测方法的专利提供的技术方案如下:
该发明涉及一种基于路段突发拥堵分析的交通事件检测方法。本发明首先对检测路段的临近路段进行相关性分析,确定相关路段,然后根据检测路段的历史同期交通状态以及当前状态的对比,判别当前是否发生了突发交通拥堵,并对突发拥堵时的相关路段进行状态一致性判别,当状态变化和历史相关性不符时,判定为发生了异常交通事件。本发明对检测路段及临近路段建立相关性模型,通过相关性交叉验证,能够有效提高事件判别的准确率。
该发明的核心内容是利用路段交通流的流向,分析建立相关性路段,再利用路段的速度指数,设定拥堵判别的速度阈值识别路段的交通拥堵,结合历史同时间段此路段的拥堵情况,识别突发性的拥堵事件。此发明存在以下问题:(1)未考虑交通参数来源问题,实际上,质量有保证的交通参数很难获取。(2)利用简单的速度阈值进行判别,也很难反映真实的道路交通状态,会由于样本量低的随机性带来识别误差。
针对上述方案的缺点,如图1和2所示,本发明提供一种基于多源交通大数据融合的突发拥堵判别方法。
如图2所示,本发明的基于多源交通大数据融合的突发拥堵判别方法可以概括为以下五部分:
1、根据交通检测器情况进行相关特征参数的选取。
2、交通流数据的预处理。
3、建立神经网络模型进行训练,实现收敛。
4、对模型进行优化升级。
5、输入实时数据进行拥堵检测。
如图1所示,所述判别方法包括如下步骤:
步骤101,获取多源交通数据,建立数据样本集,并将所述数据样本集划分为训练集和测试集;所述多源交通数据包括交通参数类特征数据、时段类特征数据和环境类特征数据;所述交通参数类特征数据为与交通拥堵相关的交通数据,所述交通参数类特征数据包括电子警察、微波设备、多目标雷达、感应线圈和浮动车检测的交通数据,所述时段类特征数据为与交通拥堵相关的时段数据,所述时段类特征数据包括日类型数据和时段类型数据;所述环境类特征数据为与交通拥堵相关的环境数据,所述环境类特征数据包括路段长度、车道数量和路段所属道路等级。
具体的,突发拥堵相关特征包括3类:第1类是客观反映城市交通流状态的交通参数类特征,第2类是突发拥堵相关的时段类特征,第3类是环境类特征。
首先,根据城市道路中交通检测器的类型和分布,结合拥堵相关交通参数信息,选定其中比较典型的特征作为模型输入参数。即交通参数类特征,包括如下12个:
(1)电子警察检测上游交叉口流量ep_up_volume;
(2)电子警察下游交叉口流量ep_down_volume;
(3)电子警察匹配的行程时间ep_travel_time;
(4)微波路段断面流量sec_cross_volume;
(5)微波路段断面占有率sec_cross_occupancy;
(6)微波路段断面速度sec_cross_speed;
(7)多目标雷达下游进口道排队长度radar_down_queuelength;
(8)多目标雷达下游进口道区域占有率radar_down_occupancy;
(9)感应线圈下游进口道流量loop_down_volume;
(10)感应线圈下游进口道饱和度loop_down_saturation;
(11)浮动车路段流量FCD_sec_volume;
(12)浮动车路段平均速度FCD_sec_speed。
同时,影响突发拥堵还包括工作日、非工作日、早晚高峰、平峰等因素,即第2类特征,时段类特征,包括如下2种:
(13)日类型day_type,主要包括两类,工作日和非工作日。
(14)时段类型time_type,按照需求可进行不同粒度的划分,划分为高峰和非高峰,或者按照小时划分(即0点到1点,1点到2点,以此类推)。
此外,在城市全部的道路中,不同类型的道路线型结构,与突发拥堵的产生具有较强的相关性,即第3类特征,环境类特征,包括如下3种:
(15)路段长度sec_length;
(16)车道数量lanes_num;
(17)路段所属道路等级sec_grade。
在选定上述17个拥堵特征参数后,需针对数据问题进行预处理操作,以便生成有效数据集进行训练测试。数据预处理操作包括如下几步:
(1)删除重复数据。由于检测器通信、数据库存储等问题,导致存在较多的重复数据,将重复数据删除降低对模型训练带来的负面影响。
(2)剔除错误数据。由于检测工程、数据传输等过程中的偏差,导致存在一定量的错误数据,即超出合理范围的数据,如路段速度超过100公里/小时,不合理需进行剔除。针对上述前12个(编号1至12)交通参数,每一种交通参数P其样本集合为{p1,p2,...,pi,...,pn},对于样本集合中所有数据pi,如果其取值满足如下公式:
μ-3σ≤pi≤μ+3σ
则保留,反之则剔除。其中,μ和σ分别为样本集合{p1,p2,...,pi,...,pn}的均值和标准差。计算方式分别为:
(3)归一化。通常而言,输入神经元数据的归一化优势明显:统一量纲,可以避免一些不必要的数值问题,可以加快网络训练速度以便更快达到收敛等。
因此,要将上述17个拥堵特征参数进行归一化操作,公式如下:
(4)训练集和测试集分割。按照随机分割的方法,将全部的数据集按照8:2的比例,分割为训练集和测试集。确保训练集和测试集,均包含突发拥堵样本和非突发拥堵样本。
步骤102,建立用于突发拥堵判别的神经网络模型。
如图3所示,所述神经网络模型包括输入层、第一隐藏层、第二隐藏层和输出层。所述输入层包括多源交通数据样本中的交通数据种类数的神经元,优选的但不限于所述输入层包括17个神经元,每个神经单元对应1个拥堵特征。所述第一隐藏层包括5个神经元,所述第二隐藏层包括3个神经元。所述输出层包括2个神经元,分别代表拥堵和非拥堵。
激活函数是利用某种数学模型,实现将神经元的输入映射到输出端,本发明的神经网络模型的激活函数为:
其中,f'(x)表示激活函数,x表示输入神经网络模型的多源交通数据,e表示自然对数的底数。
初始化神经网络时,各节点间的权重参数采用随机分配值,训练过程中采用梯度下降法进行更新。
步骤103,以误差平方和为损失函数,利用所述训练集对所述神经网络模型进行训练,得到训练后的神经网络模型。
步骤103具体包括:将所述训练集中的多源交通数据样本输入所述神经网络模型,获得预测值;利用误差平方和计算公式计算损失函数值;其中,xi是训练集中的第i组多源交通数据样本,f(xi)是第i组多源交通数据样本的损失函数,G(xi)是第i组多源交通数据样本经神经网络模型计算后获得的预测值,yi是第i组多源交通数据样本对应的真实值;判断所述损失函数值是否小于损失函数阈值,得到第三判断结果;若所述第三判断结果表示否,则利用提速下降法更新所述神经网络模型,返回步骤“将所述训练集中的多源交通数据样本输入所述神经网络模型,获得预测值”;若所述第三判断结果表示是,则输出训练后的神经网络模型。
本发明采用梯度下降法(gradient descent),通过反向传播(back propagation)来不断优化神经网络中的权值和阈值,使得损失函数值达到最小,网络收敛至最优。
步骤104,将所述测试集输入训练后的神经网络模型,获得判别结果,并计算判别结果的准确率,获得第一准确率。
步骤105,判断所述第一准确率是否大于第一准确率阈值,得到第一判断结果。
步骤106(图1中未示出,表示图1中的返回步骤),若所述第一判断结果表示否,则返回步骤“以误差平方和为损失函数,利用所述训练集对所述神经网络模型进行训练,得到训练后的神经网络模型”。
步骤107,若所述第一判断结果表示是,输出所述训练后的神经网络模型作为突发拥堵判别模型。
本发明通过步骤103,利用训练,集对模型进行反复训练至少3次,直至模型的损失函数值最小。然后通过步骤104-107,将测试集输入模型,获得的识别结果与实际标注值比对,计算准确率,达到85%准确率要求的模型即为训练好的模型。
步骤108,采集获得当前时段和路段的多源交通数据,并将当前时段和路段的多源交通数据输入所述突发拥堵判别模型,获得当前时段和路段的拥堵判别结果。
步骤108具体包括:收集实时检测获得的交通流数据(即编号1至编号12特征的全部或部分数据),以及实时的时段数据(即编号13和编号14的特征数据)、所属的环境数据(即编号15至编号17的特征数据)。
输入上文输出的突发拥堵检测模型,获得当前时段、当前路段有突发拥堵的概率P1和无突发拥堵的概率P2,满足下列条件:
P1≥P2
则可判定产生突发交通拥堵,否之则未产生突发交通拥堵。
本发明利用在利用测试数据集进行测试时,不光要考虑全部参数存在的情况下的测试结果,同时要模拟特殊场景下,特定检测器损坏时神经网络模型的可用性,具体的,所述输出所述训练后的神经网络模型作为突发拥堵判别模型,之后还包括:将测试集中的多源交通数据样本中电子警察、微波设备、多目标雷达、感应线圈和浮动车中的一个或多个检测设备检测的交通数据设置为0,获得特殊场景的测试集;将所述特殊场景的测试集输入训练后的神经网络模型,获得判别结果,并计算判别结果的准确率,获得第二准确率;判断所述第二准确率是否大于第二准确率阈值,得到第二判断结果;若所述第二判断结果表示否,则对应的将训练集中的多源交通数据样本中电子警察、微波设备、多目标雷达、感应线圈和浮动车中的一个或多个检测设备检测的交通数据设置为0,将设置完成后的训练集与设置之前的训练集进行组合,得到组合后的训练集,返回“以误差平方和为损失函数,利用所述训练集对所述神经网络模型进行训练,得到训练后的神经网络模型”;若所述第二判断结果表示是,则输出训练后的神经网络模型作为突发拥堵判别模型。
下面以模拟场景1为例进行说明:
模拟场景1:路段中微波设备损坏,全部微波数据(包括微波路段断面流量sec_cross_volume、微波路段断面占有率sec_cross_occupancy、微波路段断面速度sec_cross_speed)不可用。则模型测试优化过程包括:
Step1-将测试集中全部微波数据赋值为0,带入训练收敛后的神经网络模型,进行计算;
Step2-统计计算结果,当判别准确率(与正常测试集结果相比)下降少于10%,代表训练的神经网络模型可用,输出使用,否则转至step3;
Step3-将训练集中全部微波数据赋值为0,与正常训练集组合,重新输入网络开始训练,直至测试结果达到要求。
依次类推,进行其他模拟场景的测试和训练,以确保基于神经网络的突发拥堵判别模型在特殊场景下的可用性。全部模拟特殊场景如表1所示。
表1全部模拟特殊场景表
模拟测试完全部特殊场景后,即可输出神经网络,作为突发拥堵检测模型使用。
本发明还提供一种基于多源交通大数据融合的突发拥堵判别系统,所述判别系统包括:
多源交通数据获取模块,用于获取多源交通数据,建立数据样本集,并将所述数据样本集划分为训练集和测试集;所述多源交通数据包括交通参数类特征数据、时段类特征数据和环境类特征数据;所述交通参数类特征数据为与交通拥堵相关的交通数据,所述交通参数类特征数据包括电子警察、微波设备、多目标雷达、感应线圈和浮动车检测的交通数据,所述时段类特征数据为与交通拥堵相关的时段数据,所述时段类特征数据包括日类型数据和时段类型数据;所述环境类特征数据为与交通拥堵相关的环境数据,所述环境类特征数据包括路段长度、车道数量和路段所属道路等级;
神经网络模型建立模块,用于建立用于突发拥堵判别的神经网络模型;
所述神经网络模型包括输入层、第一隐藏层、第二隐藏层和输出层;所述输入层包括多源交通数据样本中的交通数据种类数的神经元,所述第一隐藏层包括5个神经元,所述第二隐藏层包括3个神经元,所述输出层包括2个神经元。
所述神经网络模型的激活函数为:
其中,f'(x)表示激活函数,x表示输入神经网络模型的多源交通数据,e表示自然对数的底数。
神经网络模型训练模块,用于以误差平方和为损失函数,利用所述训练集对所述神经网络模型进行训练,得到训练后的神经网络模型;
所述神经网络模型训练模块,具体包括:输入子模块,用于将所述训练集中的多源交通数据样本输入所述神经网络模型,获得预测值;损失函数值计算子模块,用于利用误差平方和计算公式,计算损失函数值;其中,是训练集中的第i组多源交通数据样本,是第i组多源交通数据样本的损失函数,是第i组多源交通数据样本经神经网络模型计算后获得的预测值,是第i组多源交通数据样本对应的真实值;第三判断子模块,用于判断所述损失函数值是否小于损失函数阈值,得到第三判断结果;神经网络模型更新子模块,用于若所述第三判断结果表示否,则利用提速下降法更新所述神经网络模型,返回步骤“将所述训练集中的多源交通数据样本输入所述神经网络模型,获得预测值”;训练后的神经网络模型输出子模块,用于若所述第三判断结果表示是,则输出训练后的神经网络模型。
第一准确率计算模块,用于将所述测试集输入训练后的神经网络模型,获得判别结果,并计算判别结果的准确率,获得第一准确率;
第一判断模块,用于判断所述第一准确率是否大于第一准确率阈值,得到第一判断结果;
第一神经网络模型优化模块,用于若所述第一判断结果表示否,则返回步骤“以误差平方和为损失函数,利用所述训练集对所述神经网络模型进行训练,得到训练后的神经网络模型”;
第一突发拥堵判别模型输出模块,用于若所述第一判断结果表示是,输出所述训练后的神经网络模型作为突发拥堵判别模型;
判别模块,用于采集获得当前时段和路段的多源交通数据,并将当前时段和路段的多源交通数据输入所述突发拥堵判别模型,获得当前时段和路段的拥堵判别结果。
可选的,所述判别系统还包括:
特殊场景模拟模块,用于将测试集中的多源交通数据样本中电子警察、微波设备、多目标雷达、感应线圈和浮动车中的一个或多个检测设备检测的交通数据设置为0,获得特殊场景的测试集;
第二准确率计算模块,用于将所述特殊场景的测试集输入训练后的神经网络模型,获得判别结果,并计算判别结果的准确率,获得第二准确率;
第二判断模块,用于判断所述第二准确率是否大于第二准确率阈值,得到第二判断结果;
第二神经网络模型优化模块,用于若所述第二判断结果表示否,则对应的将训练集中的多源交通数据样本中电子警察、微波设备、多目标雷达、感应线圈和浮动车中的一个或多个检测设备检测的交通数据设置为0,将设置完成后的训练集与设置之前的训练集进行组合,得到组合后的训练集,返回“以误差平方和为损失函数,利用所述训练集对所述神经网络模型进行训练,得到训练后的神经网络模型”;
第二突发拥堵判别模型输出模块,用于若所述第二判断结果表示是,则输出训练后的神经网络模型作为突发拥堵判别模型。
本发明具有以下优点:
1、突发拥堵中相关特征的选取,根据数据分析及专家经验,选取电警/卡口上游交叉口流量、微波路段断面流量、雷达下游进口道排队长度等3大类共17种参数作为突发拥堵判别的特征输入。通过神经网络的训练和优化,能够找到较为精确的多特征参数和突发拥堵的映射关系,同时兼顾历史经验和数据支撑,更加合理科学。
2、本发明利用城市多源交通检测器获知的海量大数据,进行深度融合分析,建立了基于神经网络的突发拥堵的判别模型,具备充分、详实的数据支撑,提高了突发拥堵判别准确性和普适性。
3、建立了完备的神经网络突发拥堵判别模型,基于典型的3层神经网络结构,并规定了相应的神经元个数、激活函数、初始权重参数、损失函数等网络相关参数,保证神经网络模型能够快速收敛达到最优。
4、本发明的神经网络,在保证准确率同时,还能够在某些特征数据缺失的条件下,维持一定水平的突发拥堵判别能力。
本发明在快速及时处置城市突发拥堵、缓解交通拥堵以及提升居民出行体验等方面具有十分重要的应用价值。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想,所描述的实施例仅仅是本发明的一部分实施例,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。
Claims (10)
1.一种基于多源交通大数据融合的突发拥堵判别方法,其特征在于,所述判别方法包括如下步骤:
获取多源交通数据,建立数据样本集,并将所述数据样本集划分为训练集和测试集;所述多源交通数据包括交通参数类特征数据、时段类特征数据和环境类特征数据;所述交通参数类特征数据为与交通拥堵相关的交通数据,所述交通参数类特征数据包括电子警察、微波设备、多目标雷达、感应线圈和浮动车检测的交通数据,所述时段类特征数据为与交通拥堵相关的时段数据,所述时段类特征数据包括日类型数据和时段类型数据;所述环境类特征数据为与交通拥堵相关的环境数据,所述环境类特征数据包括路段长度、车道数量和路段所属道路等级;
建立用于突发拥堵判别的神经网络模型;
以误差平方和为损失函数,利用所述训练集对所述神经网络模型进行训练,得到训练后的神经网络模型;
将所述测试集输入训练后的神经网络模型,获得判别结果,并计算判别结果的准确率,获得第一准确率;
判断所述第一准确率是否大于第一准确率阈值,得到第一判断结果;
若所述第一判断结果表示否,则返回步骤“以误差平方和为损失函数,利用所述训练集对所述神经网络模型进行训练,得到训练后的神经网络模型”;
若所述第一判断结果表示是,输出所述训练后的神经网络模型作为突发拥堵判别模型;
采集获得当前时段和路段的多源交通数据,并将当前时段和路段的多源交通数据输入所述突发拥堵判别模型,获得当前时段和路段的拥堵判别结果。
2.根据权利要求1所述的基于多源交通大数据融合的突发拥堵判别方法,其特征在于,所述输出所述训练后的神经网络模型作为突发拥堵判别模型,之后还包括:
将测试集中的多源交通数据样本中电子警察、微波设备、多目标雷达、感应线圈和浮动车中的一个或多个检测设备检测的交通数据设置为0,获得特殊场景的测试集;
将所述特殊场景的测试集输入训练后的神经网络模型,获得判别结果,并计算判别结果的准确率,获得第二准确率;
判断所述第二准确率是否大于第二准确率阈值,得到第二判断结果;
若所述第二判断结果表示否,则对应的将训练集中的多源交通数据样本中电子警察、微波设备、多目标雷达、感应线圈和浮动车中的一个或多个检测设备检测的交通数据设置为0,将设置完成后的训练集与设置之前的训练集进行组合,得到组合后的训练集,返回步骤“以误差平方和为损失函数,利用所述训练集对所述神经网络模型进行训练,得到训练后的神经网络模型”;
若所述第二判断结果表示是,则输出训练后的神经网络模型作为突发拥堵判别模型。
3.根据权利要求1所述的基于多源交通大数据融合的突发拥堵判别方法,其特征在于,所述以误差平方和为损失函数,利用所述训练集对所述神经网络模型进行训练,得到训练后的神经网络模型,具体包括:
将所述训练集中的多源交通数据样本输入所述神经网络模型,获得预测值;
利用误差平方和计算公式计算损失函数值;其中,xi是训练集中的第i组多源交通数据样本,f(xi)是第i组多源交通数据样本的损失函数,G(xi)是第i组多源交通数据样本经神经网络模型计算后获得的预测值,yi是第i组多源交通数据样本对应的真实值;
判断所述损失函数值是否小于损失函数阈值,得到第三判断结果;
若所述第三判断结果表示否,则利用提速下降法更新所述神经网络模型,返回步骤“将所述训练集中的多源交通数据样本输入所述神经网络模型,获得预测值”;
若所述第三判断结果表示是,则输出训练后的神经网络模型。
4.根据权利要求1所述的基于多源交通大数据融合的突发拥堵判别方法,其特征在于,所述神经网络模型包括输入层、第一隐藏层、第二隐藏层和输出层;
所述输入层包括多源交通数据样本中的交通数据种类数的神经元,所述第一隐藏层包括5个神经元,所述第二隐藏层包括3个神经元,所述输出层包括2个神经元。
6.一种基于多源交通大数据融合的突发拥堵判别系统,其特征在于,所述判别系统包括:
多源交通数据获取模块,用于获取多源交通数据,建立数据样本集,并将所述数据样本集划分为训练集和测试集;所述多源交通数据包括交通参数类特征数据、时段类特征数据和环境类特征数据;所述交通参数类特征数据为与交通拥堵相关的交通数据,所述交通参数类特征数据包括电子警察、微波设备、多目标雷达、感应线圈和浮动车检测的交通数据,所述时段类特征数据为与交通拥堵相关的时段数据,所述时段类特征数据包括日类型数据和时段类型数据;所述环境类特征数据为与交通拥堵相关的环境数据,所述环境类特征数据包括路段长度、车道数量和路段所属道路等级;
神经网络模型建立模块,用于建立用于突发拥堵判别的神经网络模型;
神经网络模型训练模块,用于以误差平方和为损失函数,利用所述训练集对所述神经网络模型进行训练,得到训练后的神经网络模型;
第一准确率计算模块,用于将所述测试集输入训练后的神经网络模型,获得判别结果,并计算判别结果的准确率,获得第一准确率;
第一判断模块,用于判断所述第一准确率是否大于第一准确率阈值,得到第一判断结果;
第一神经网络模型优化模块,用于若所述第一判断结果表示否,则返回步骤“以误差平方和为损失函数,利用所述训练集对所述神经网络模型进行训练,得到训练后的神经网络模型”;
第一突发拥堵判别模型输出模块,用于若所述第一判断结果表示是,输出所述训练后的神经网络模型作为突发拥堵判别模型;
判别模块,用于采集获得当前时段和路段的多源交通数据,并将当前时段和路段的多源交通数据输入所述突发拥堵判别模型,获得当前时段和路段的拥堵判别结果。
7.根据权利要求6所述的基于多源交通大数据融合的突发拥堵判别系统,其特征在于,所述判别系统还包括:
特殊场景模拟模块,用于将测试集中的多源交通数据样本中电子警察、微波设备、多目标雷达、感应线圈和浮动车中的一个或多个检测设备检测的交通数据设置为0,获得特殊场景的测试集;
第二准确率计算模块,用于将所述特殊场景的测试集输入训练后的神经网络模型,获得判别结果,并计算判别结果的准确率,获得第二准确率;
第二判断模块,用于判断所述第二准确率是否大于第二准确率阈值,得到第二判断结果;
第二神经网络模型优化模块,用于若所述第二判断结果表示否,则对应的将训练集中的多源交通数据样本中电子警察、微波设备、多目标雷达、感应线圈和浮动车中的一个或多个检测设备检测的交通数据设置为0,将设置完成后的训练集与设置之前的训练集进行组合,得到组合后的训练集,返回步骤“以误差平方和为损失函数,利用所述训练集对所述神经网络模型进行训练,得到训练后的神经网络模型”;
第二突发拥堵判别模型输出模块,用于若所述第二判断结果表示是,则输出训练后的神经网络模型作为突发拥堵判别模型。
8.根据权利要求6所述的基于多源交通大数据融合的突发拥堵判别系统,其特征在于,所述神经网络模型训练模块,具体包括:
输入子模块,用于将所述训练集中的多源交通数据样本输入所述神经网络模型,获得预测值;
损失函数值计算子模块,用于利用误差平方和计算公式计算损失函数值;其中,xi是训练集中的第i组多源交通数据样本,f(xi)是第i组多源交通数据样本的损失函数,G(xi)是第i组多源交通数据样本经神经网络模型计算后获得的预测值,yi是第i组多源交通数据样本对应的真实值;
第三判断子模块,用于判断所述损失函数值是否小于损失函数阈值,得到第三判断结果;
神经网络模型更新子模块,用于若所述第三判断结果表示否,则利用提速下降法更新所述神经网络模型,返回步骤“将所述训练集中的多源交通数据样本输入所述神经网络模型,获得预测值”;
训练后的神经网络模型输出子模块,用于若所述第三判断结果表示是,则输出训练后的神经网络模型。
9.根据权利要求6所述的基于多源交通大数据融合的突发拥堵判别系统,其特征在于,所述神经网络模型包括输入层、第一隐藏层、第二隐藏层和输出层;
所述输入层包括多源交通数据样本中的交通数据种类数的神经元,所述第一隐藏层包括5个神经元,所述第二隐藏层包括3个神经元,所述输出层包括2个神经元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010511400.4A CN111680745B (zh) | 2020-06-08 | 2020-06-08 | 一种基于多源交通大数据融合的突发拥堵判别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010511400.4A CN111680745B (zh) | 2020-06-08 | 2020-06-08 | 一种基于多源交通大数据融合的突发拥堵判别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111680745A true CN111680745A (zh) | 2020-09-18 |
CN111680745B CN111680745B (zh) | 2021-03-16 |
Family
ID=72435101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010511400.4A Active CN111680745B (zh) | 2020-06-08 | 2020-06-08 | 一种基于多源交通大数据融合的突发拥堵判别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111680745B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112382099A (zh) * | 2021-01-15 | 2021-02-19 | 腾讯科技(深圳)有限公司 | 交通路况预测方法、装置、电子设备及存储介质 |
CN112382087A (zh) * | 2020-11-05 | 2021-02-19 | 杭州易上科技有限公司 | 交通堵塞预测方法 |
CN112489421A (zh) * | 2020-11-18 | 2021-03-12 | 南京速安交通科技有限公司 | 一种基于多源交通大数据融合的突发拥堵判别方法及系统 |
CN112785841A (zh) * | 2020-12-25 | 2021-05-11 | 北京中交兴路信息科技有限公司 | 判断货车行驶路线拥堵状态的方法及装置 |
CN112885086A (zh) * | 2021-01-18 | 2021-06-01 | 湖南省交通规划勘察设计院有限公司 | 一种基于多源交通大数据的突发拥堵判别系统 |
CN112985439A (zh) * | 2021-02-08 | 2021-06-18 | 青岛大学 | 一种基于YOLOv3与卡尔曼滤波的行人堵塞状态预测方法 |
CN113870564A (zh) * | 2021-10-26 | 2021-12-31 | 安徽百诚慧通科技有限公司 | 一种封闭路段交通拥堵分类方法、系统、电子设备及存储介质 |
CN114639243A (zh) * | 2022-03-31 | 2022-06-17 | 四川九洲视讯科技有限责任公司 | 智能交通预测与决策方法、系统及可读存储介质 |
CN114743379A (zh) * | 2022-06-13 | 2022-07-12 | 广东邦盛北斗科技股份公司 | 基于北斗的城市大面积路网交通感知方法、系统及云平台 |
CN114898575A (zh) * | 2022-04-24 | 2022-08-12 | 青岛海信网络科技股份有限公司 | 电子设备及路段排队长度确定方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102646332A (zh) * | 2011-02-21 | 2012-08-22 | 日电(中国)有限公司 | 基于数据融合的交通状态估计装置和方法 |
CN102750825A (zh) * | 2012-06-19 | 2012-10-24 | 银江股份有限公司 | 基于神经网络分类器级联融合的城市道路交通状态检测方法 |
WO2014197911A1 (en) * | 2013-06-07 | 2014-12-11 | Yandex Europe Ag | Methods and systems for representing a degree of traffic congestion using a limited number of symbols |
CN104240499A (zh) * | 2014-06-23 | 2014-12-24 | 银江股份有限公司 | 一种基于微波数据的异常拥堵点判别方法 |
CN104778834A (zh) * | 2015-01-23 | 2015-07-15 | 哈尔滨工业大学 | 一种基于车辆gps数据的城市道路交通拥堵判别方法 |
CN105788272A (zh) * | 2016-05-16 | 2016-07-20 | 杭州智诚惠通科技有限公司 | 一种道路流量拥堵报警的方法与系统 |
CN106779051A (zh) * | 2016-11-24 | 2017-05-31 | 厦门中控生物识别信息技术有限公司 | 一种卷积神经网络模型参数处理方法及系统 |
CN109035775A (zh) * | 2018-08-22 | 2018-12-18 | 青岛海信网络科技股份有限公司 | 一种突发事件识别的方法及装置 |
CN109191849A (zh) * | 2018-10-22 | 2019-01-11 | 北京航空航天大学 | 一种基于多源数据特征提取的交通拥堵持续时间预测方法 |
CN109285346A (zh) * | 2018-09-07 | 2019-01-29 | 北京航空航天大学 | 一种基于关键路段的城市路网交通状态预测方法 |
-
2020
- 2020-06-08 CN CN202010511400.4A patent/CN111680745B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102646332A (zh) * | 2011-02-21 | 2012-08-22 | 日电(中国)有限公司 | 基于数据融合的交通状态估计装置和方法 |
CN102750825A (zh) * | 2012-06-19 | 2012-10-24 | 银江股份有限公司 | 基于神经网络分类器级联融合的城市道路交通状态检测方法 |
WO2014197911A1 (en) * | 2013-06-07 | 2014-12-11 | Yandex Europe Ag | Methods and systems for representing a degree of traffic congestion using a limited number of symbols |
CN104240499A (zh) * | 2014-06-23 | 2014-12-24 | 银江股份有限公司 | 一种基于微波数据的异常拥堵点判别方法 |
CN104778834A (zh) * | 2015-01-23 | 2015-07-15 | 哈尔滨工业大学 | 一种基于车辆gps数据的城市道路交通拥堵判别方法 |
CN105788272A (zh) * | 2016-05-16 | 2016-07-20 | 杭州智诚惠通科技有限公司 | 一种道路流量拥堵报警的方法与系统 |
CN106779051A (zh) * | 2016-11-24 | 2017-05-31 | 厦门中控生物识别信息技术有限公司 | 一种卷积神经网络模型参数处理方法及系统 |
CN109035775A (zh) * | 2018-08-22 | 2018-12-18 | 青岛海信网络科技股份有限公司 | 一种突发事件识别的方法及装置 |
CN109285346A (zh) * | 2018-09-07 | 2019-01-29 | 北京航空航天大学 | 一种基于关键路段的城市路网交通状态预测方法 |
CN109191849A (zh) * | 2018-10-22 | 2019-01-11 | 北京航空航天大学 | 一种基于多源数据特征提取的交通拥堵持续时间预测方法 |
Non-Patent Citations (2)
Title |
---|
J SONG 等: "Mapping spatio-temporal patterns and detecting the factors of traffic congestion with multi-source data fusion and mining techniques", 《COMPUTERS, ENVIRONMENT AND URBAN SYSTEMS》 * |
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 基础科学辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112382087A (zh) * | 2020-11-05 | 2021-02-19 | 杭州易上科技有限公司 | 交通堵塞预测方法 |
CN112489421A (zh) * | 2020-11-18 | 2021-03-12 | 南京速安交通科技有限公司 | 一种基于多源交通大数据融合的突发拥堵判别方法及系统 |
CN112785841A (zh) * | 2020-12-25 | 2021-05-11 | 北京中交兴路信息科技有限公司 | 判断货车行驶路线拥堵状态的方法及装置 |
CN112785841B (zh) * | 2020-12-25 | 2022-05-06 | 北京中交兴路信息科技有限公司 | 判断货车行驶路线拥堵状态的方法及装置 |
CN112382099A (zh) * | 2021-01-15 | 2021-02-19 | 腾讯科技(深圳)有限公司 | 交通路况预测方法、装置、电子设备及存储介质 |
CN112885086A (zh) * | 2021-01-18 | 2021-06-01 | 湖南省交通规划勘察设计院有限公司 | 一种基于多源交通大数据的突发拥堵判别系统 |
CN112985439A (zh) * | 2021-02-08 | 2021-06-18 | 青岛大学 | 一种基于YOLOv3与卡尔曼滤波的行人堵塞状态预测方法 |
CN112985439B (zh) * | 2021-02-08 | 2023-10-17 | 青岛大学 | 一种基于YOLOv3与卡尔曼滤波的行人堵塞状态预测方法 |
CN113870564A (zh) * | 2021-10-26 | 2021-12-31 | 安徽百诚慧通科技有限公司 | 一种封闭路段交通拥堵分类方法、系统、电子设备及存储介质 |
CN114639243A (zh) * | 2022-03-31 | 2022-06-17 | 四川九洲视讯科技有限责任公司 | 智能交通预测与决策方法、系统及可读存储介质 |
CN114898575A (zh) * | 2022-04-24 | 2022-08-12 | 青岛海信网络科技股份有限公司 | 电子设备及路段排队长度确定方法 |
CN114743379A (zh) * | 2022-06-13 | 2022-07-12 | 广东邦盛北斗科技股份公司 | 基于北斗的城市大面积路网交通感知方法、系统及云平台 |
Also Published As
Publication number | Publication date |
---|---|
CN111680745B (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111680745B (zh) | 一种基于多源交通大数据融合的突发拥堵判别方法及系统 | |
CN104778834B (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN104809878B (zh) | 利用公交车gps数据检测城市道路交通异常状态的方法 | |
CN102881162B (zh) | 大规模交通信息的数据处理及融合方法 | |
CN110363985B (zh) | 一种交通数据分析方法、装置、存储介质及设备 | |
CN108428341A (zh) | 一种基于人机融合的交通应急管理调度方法及系统 | |
CN105788269A (zh) | 基于无人机的异常交通识别方法 | |
CN108986448B (zh) | 一种交通设施管理方法及终端设备 | |
CN106887141B (zh) | 基于排队论的连续交通节点拥塞程度预测模型、系统及方法 | |
CN110675626B (zh) | 基于多维数据的交通事故黑点预测方法、装置及介质 | |
CN104751642A (zh) | 一种高等级道路交通流运行风险实时预估方法 | |
CN109598930B (zh) | 一种自动检测高架封闭系统 | |
CN110807917A (zh) | 一种基于云计算的高速公路智能安防系统 | |
CN113870564B (zh) | 一种封闭路段交通拥堵分类方法、系统、电子设备及存储介质 | |
CN106023592A (zh) | 一种基于gps数据的交通拥堵检测方法 | |
CN114363316A (zh) | 一种跨区域道路基础设施智能联网监测与监管系统 | |
CN116631186A (zh) | 基于危险驾驶事件数据的高速公路交通事故风险评估方法、系统 | |
US20090287403A1 (en) | Method and device for fusion of traffic data when information is incomplete | |
CN116597642A (zh) | 一种交通拥堵状况的预测方法及系统 | |
CN114066288B (zh) | 一种基于智慧数据中心的营运道路应急检测方法及系统 | |
CN116168356A (zh) | 一种基于计算机视觉的车辆损伤判别方法 | |
CN113888866B (zh) | 一种具有多级预警功能的道路车辆管理系统 | |
CN114627643A (zh) | 一种高速公路事故风险预测方法、装置、设备及介质 | |
CN105118289A (zh) | 一种交通态势评估方法 | |
Wu et al. | Research on the real-time traffic status identification of signalized intersections based on floating car data |
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 |