CN111785031A - 一种基于速度时空图的交通拥堵成因智能识别算法 - Google Patents

一种基于速度时空图的交通拥堵成因智能识别算法 Download PDF

Info

Publication number
CN111785031A
CN111785031A CN202010925899.3A CN202010925899A CN111785031A CN 111785031 A CN111785031 A CN 111785031A CN 202010925899 A CN202010925899 A CN 202010925899A CN 111785031 A CN111785031 A CN 111785031A
Authority
CN
China
Prior art keywords
congestion
speed
cause
space
time diagram
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
CN202010925899.3A
Other languages
English (en)
Other versions
CN111785031B (zh
Inventor
张晓春
林涛
丘建栋
傅恺延
唐先马
谭章智
郑又伦
钟莉
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.)
Shenzhen Urban Transport Planning Center Co Ltd
Original Assignee
Shenzhen Urban Transport Planning Center Co Ltd
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 Shenzhen Urban Transport Planning Center Co Ltd filed Critical Shenzhen Urban Transport Planning Center Co Ltd
Priority to CN202010925899.3A priority Critical patent/CN111785031B/zh
Publication of CN111785031A publication Critical patent/CN111785031A/zh
Application granted granted Critical
Publication of CN111785031B publication Critical patent/CN111785031B/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
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种基于速度时空图的交通拥堵成因智能识别算法，属于交通规划与管理技术领域。解决了现有技术中拥堵子集的特征量化指标提取成本高，缺乏对分类后交通拥堵成因的细致识别，无法支撑具有针对性的交通拥堵疏散决策的问题。要点：数据预处理：获得路段速度；基于速度时空图拥堵分类：依托速度时空图，利用图像形态学获得交通拥堵子集，通过拥堵特征提取方法，采用无监督分类算法实现交通拥堵子集的无监督分析结果；常偶发拥堵判别：基于McMaster算法或加州算法实现交通拥堵的常偶发判别；基于决策树的拥堵成因智能判别：基于拥堵子集分类与常偶发判别，结合数据实现拥堵成因的精细化判别。本发明利用路段速度提出交通拥堵成因智能判别算法。

Description

一种基于速度时空图的交通拥堵成因智能识别算法
技术领域
本发明涉及一种交通拥堵识别算法，具体涉及一种基于速度时空图的交通拥堵成因智能识别算法，属于交通规划与管理技术领域。
背景技术
交通拥堵识别不仅能够帮助相关交通管理部门及时发现并疏散交通拥堵，避免二次事故；另一方面，拥堵的成因识别更能从本质上剖析造成拥堵的内在原因，为制定改善和治理方案等工作提供定量化的分析手段和依据。
现阶段交通拥堵识别分类的主流技术分为理论研究与数据驱动两大类。前者注重从交通拥堵的交通流特征中寻找合适的数学建模方法，并采用交通仿真技术区分不同类型的交通拥堵；后者则重点采用机器学习的方法，从大量数据中区分不同交通拥堵所产生的数据表征。随着机器视觉技术的发展，基于时空速度图的交通拥堵识别分类方法得到了广泛关注与应用。该类方法首先通过图像识别技术获取时空速度图中的交通拥堵子集，然后对于每个拥堵子集构建量化的特征工程，最后采用无监督方法实现拥堵子集的聚类划分，从而实现交通拥堵识别与分类。然而，不同成因的交通拥堵可能表征为速度时空图上的同一特性，因此目前仍然缺乏针对每类交通拥堵的成因判别的有效可行方法框架。
Nguyen等（Nguyen, Tin T., Krishnakumari, Panchamy, Calvert, Simeon C.,Vu, Hai L., & van Lint, Hans. . Feature extraction and clustering analysis ofhighway congestion. Transportation Research Part C: Emerging Technologies,100, 238-258.）基于速度时空图实现交通拥堵的识别与分类。主要步骤包括：
检测器数据预处理：清洗地磁设备的流量与速度数据；
速度数据预处理：通过平滑过滤方法生成速度时空图；
特征提取：提供了基于点图像与面图像的交通拥堵子集特征提取方法；
聚类分析：基于特征向量实现交通拥堵的识别分类；
其中，基于面图像的特征提取方法：
基于图像处理方法，从原始速度时空图获得面图像的特征向量的架构。首先通过Sobelgradient技术与Watershed技术实现交通拥堵的图像识别分类；然后将Canny Edge技术得到的二进制图像与上一步的图像进行聚合操作；最后通过规模、扰动与供给等三个层级量化每个拥堵子集的特征，具体包括：
拥堵规模：拥堵持续的时间与影响路段长度；
扰动特征：通过Active Shape Model方法识别移动扰动拥堵的数量；
供给特征：通过拥堵速度小于30km/h与持续时间超过15分钟认为是供给不足的拥堵类型。
其中，聚类分析：
采用层次分析法对交通拥堵子集进行无监督分类，并结合交通理论知识对拥堵子集进行人工分类，具体包括：
AC1：随机性扰动（Disturbance）；
AC2：高频的移动性扰动（High Frequency Moving Disturbance）；
AC3：固定瓶颈点（Stationary Bottleneck）；
AC4：同质性拥堵（Homogeneous）；
AC5：同质性与随机性扰动（Homogeneous & Disturbance）。
其存在的问题在于：
1、拥堵子集的特征量化指标提取成果过高，实现效果有待提高；
2、缺乏对分类后交通拥堵的成因的精细化识别，无法支撑更具针对性的交通拥堵疏散决策。
发明内容
鉴于上述事实，本发明的目的是针对现有技术中拥堵子集的特征量化指标提取成本过高，以及缺乏对分类后交通拥堵的成因的精细化识别，无法支撑更具针对性的交通拥堵疏散决策的问题，进而设计了一种基于速度时空图的交通拥堵成因智能识别算法，其利用路段速度，提出交通拥堵成因智能判别算法。
在下文中简要概述本发明基本思想和实施方案，以简化的形式给出某些概念，为后续更详细的描述作铺垫。这个概述并不是为了确定本发明的关键或重要部分，也不是为了限定本发明的范围。
为实现上述目的，本发明采用如下技术方案：
一种基于速度时空图的交通拥堵成因智能识别算法，具体步骤：
Step1 数据预处理：通过车辆GPS数据获得路段速度；
Step2 基于速度时空图拥堵分类：依托速度时空图，利用图像形态学获得交通拥堵子集，并且通过拥堵特征提取方法，采用层次分析法或Kmeans聚类算法实现交通拥堵子集的无监督分析结果；
Step3 常偶发拥堵判别：基于McMaster算法或加州算法实现交通拥堵的常偶发判别；
Step 4基于决策树的拥堵成因智能判别：基于拥堵子集分类与常偶发判别，结合数据实现拥堵成因的精细化判别。
进一步地，所述Step2 基于速度时空图拥堵分类具体实现方法如下：
Step21构建交通速度时空模型；
利用路段速度构建速度时空图时，针对其中路段长度不均一、数据异常、数据缺失问题，构建双核函数考虑自由流与拥堵流的传播影响，基于ASM（Active Shape Model）算法、中值过滤法或均值插值法实现速度时空图的速度平滑与填充，从而实现道路速度时空图构建；
Step22图像形态学；
通过一系列图像形态学处理提取速度时空图中的拥堵子集，包括二值化化处理、开运算、闭运算、分水岭算法；
Step23拥堵特征提取；
构建特征工程获取拥堵子集的特征向量，主要包括：拥堵形态特征、速度特征、边界特征；
Step24层次分析法；
基于拥堵特征集之间的相似距离差，采用层次分析法实现拥堵集的无监督分类。
进一步地，所述Step21中，ASM算法实现原理采用附近点的数据，基于双核函数线性叠加实现目标点数据
Figure 564863DEST_PATH_IMAGE001
的补全与修正，具体公式如下所示：
Figure 215288DEST_PATH_IMAGE002
其中：x,t分别表示目标点的离散空间位置与时间，
Figure 998436DEST_PATH_IMAGE003
与
Figure 367100DEST_PATH_IMAGE004
分别表示拥堵状态与自由流状态的过滤器，具体计算分别如下：
Figure 526686DEST_PATH_IMAGE005
Figure 297196DEST_PATH_IMAGE006
其中：
Figure 953043DEST_PATH_IMAGE007
表示输入的临近点数据，归一化参数
Figure 933637DEST_PATH_IMAGE008
与
Figure 772280DEST_PATH_IMAGE009
计算公式分别如下：
Figure 256351DEST_PATH_IMAGE010
,
Figure 318985DEST_PATH_IMAGE011
其中：拥堵状态核函数
Figure 724559DEST_PATH_IMAGE012
与自由流状态核函数
Figure 629542DEST_PATH_IMAGE013
的计算公式分别如下：
Figure 859798DEST_PATH_IMAGE014
Figure 624491DEST_PATH_IMAGE015
Figure 373486DEST_PATH_IMAGE016
其中：
Figure 242347DEST_PATH_IMAGE017
表示拥堵状态的传播速度，一般取值为-15km/h；
Figure 28906DEST_PATH_IMAGE018
为自由流状态的传播速度，一般取值为80km/h；
Figure 259774DEST_PATH_IMAGE019
表示空间平滑的范围，一般取值为0.6km；
Figure 312044DEST_PATH_IMAGE020
为时间平滑的范围，一般取值为1.1min；
最后，拥堵状态与自由流状态之间的权重系数
Figure 358497DEST_PATH_IMAGE021
的计算公式如下：
Figure 406088DEST_PATH_IMAGE022
Figure 43742DEST_PATH_IMAGE023
其中：
Figure 678248DEST_PATH_IMAGE024
表示自由流状态与拥堵状态的切换速度，一般取值为60km/h；
Figure 528393DEST_PATH_IMAGE025
表示过渡区间的宽度，一般取值为20km/h。
进一步地，所述Step22中，二值化：将图像上像素点按照图中最优阀值thresh，实现像素点的二值化处理；开运算：先腐蚀后膨胀，使边界平滑，消除细小的尖刺；闭运算：先膨胀后腐蚀，主要填充子集内部的细小空洞，连接邻近子集；分水岭算法：基于图像区域分隔方法，将临近像素间相似的详细连接起来构成一个封闭轮廓（拥堵子集）；分水岭算法把图像中的每一个像素图像中每一点像素的灰度值表示该点的海拔高度。
具体地：所述二值化处理公式为：
Figure 227227DEST_PATH_IMAGE026
其中：dst表示处理后的像素值，src表示原始像素值，x与y分别表示像素点的横轴与纵轴位置；
所述腐蚀计算公式为：
Figure 176729DEST_PATH_IMAGE027
其中：
Figure 62645DEST_PATH_IMAGE028
与
Figure 215015DEST_PATH_IMAGE029
分别表示腐蚀的横轴与纵轴像素点数；
所述膨胀的计算公式为：
Figure 378143DEST_PATH_IMAGE030
所述开运算的计算公式为：
Figure 888759DEST_PATH_IMAGE031
所述闭运算的计算公式为：
Figure 402917DEST_PATH_IMAGE032
。
进一步地，所述Step23中，拥堵形态特征：主要量化拥堵所造成的物理影响程度，包括影响长度、持续时间、拥堵像素点数（拥堵面积）；速度特征：主要量化拥堵所造成的道路运行特征，包括平均速度、速度标准差、最大速度、最小速度；边界特征：主要量化拥堵形成与消散的特征，包括左右边界斜率差、拥堵起源点。
进一步地，所述Step24中，层次分析法，具体计算步骤如下：
Step 241：所有的点各自成为一个类；
Step 242：计算所有类之间的欧几里得计算，两两之间最近的形成一个相同的类；
Step 243：将所有类的点之间的中值作为该类的特征点；
Step 244：判断是否所有类都形成一个类，如果不是，重复步骤1；如果是，结束计算。
进一步地，所述Step3常偶发拥堵判别具体实现方法如下：通过统计道路速度上各个时段上的分布实现拥堵常偶发性的判别；理论上，道路速度在各时段的分布近似为正态分布，当发生偶发事件时，速度的分布则处于
Figure 594864DEST_PATH_IMAGE033
，
Figure 97652DEST_PATH_IMAGE034
表示分布的均值，
Figure 779169DEST_PATH_IMAGE035
表示分布的标准差区间之外，连续两个或以上速度数据点处于区间之外时，判定为偶发拥堵。
进一步地，所述Step4基于决策树的拥堵成因智能判别：基于拥堵类别与拥堵常偶发判断，结合数据拥堵点与其他事件的距离，实现拥堵成因的智能判别；具体为：
常发拥堵；
拥堵集类型为小扰动，成因为车辆经常急刹车、行人频繁过马路；
拥堵集类型为长条形, 结合其他数据特征：拥堵起源点距离信号交叉口50m以内, 成因为信号交口配时不合理；
拥堵集类型为长条形, 结合其他数据特征：拥堵起源点距离医院、停车场入口50m以内，成因为供需不平衡；
拥堵集类型为大面积, 结合其他数据特征：拥堵起源点距离交叉口与汇集点等瓶颈点50m以内，成因为道路瓶颈点；
偶发拥堵；
拥堵集类型为小扰动，成因为不确定因素；
拥堵集类型为长条形, 结合其他数据特征：拥堵起源点距离积水预警点300m以内, 成因为道路积水；
拥堵集类型为长条形, 结合其他数据特征：拥堵起源点距离交叉口与汇集点等瓶颈点50m以内，成因为突发交通量；
拥堵集类型为大面积, 结合其他数据特征：拥堵起源点距离积水预警点300m以内，成因为道路积水；
拥堵集类型为大面积, 结合其他数据特征：拥堵起源点距离交叉口与汇集点等瓶颈点50m以内，成因为交通事故；
拥堵集类型为大面积, 结合其他数据特征：恶劣天气，成因为天气因素；
拥堵集类型为大面积, 结合其他数据特征：路段属于节假日拥堵路段，成因为节假日因素；
拥堵集类型为大面积, 结合其他数据特征：拥堵起源点距离活动地点1000m以内，成因为大型活动。
本发明所达到的效果为：
1）本发明提供了一种架构清晰、实施简单、效率及成本更低的交通拥堵子集特征提取方法；
2）本发明提出基于拥堵点判别的拥堵成因细分方法，并结合其他辅助信息进一步细化重大拥堵事件的成因分析；
3）本发明创新地采用拥堵点为与其他数据结合的思路，突破性地进一步细分各类交通拥堵的具体成因，为相关管理部门及时有效地处理交通拥堵事件提供充足的支撑；
4）本发明主要采用路段速度数据，能够大规模推广应用于城市道路的拥堵成因识别；
并且与已有发明专利申请“考虑拥堵叠接效应的公路拥堵态势预测方法”比较，本发明则注重拥堵成因的智能识别，一方面仅用速度指标数据实现更为直观的拥堵特征学习；另一方面，本发明采用图像相关的处理框架实现拥堵态势的提取，实现更为高效精准的成因识别；而“考虑拥堵叠接效应的公路拥堵态势预测方法”则是通过建立常偶发拥识别模型，实现公路常发拥堵与特殊事件的特征学习，并对拥堵所造成的影响、消散形态与消散速度等进行态势推演。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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获得其他的附图。
图1为本发明一种基于速度时空图的交通拥堵成因智能识别算法的整体流程图；
图2为速度时空图平滑前示意图；
图3为速度时空图采用ASM平滑后示意图；
图4为平滑后的速度时空示意图；
图5为二值化后的速度时空示意图；
图6为开运算后的速度时空示意图；
图7为闭运算后的速度时空示意图；
图8为分水岭后的拥堵子集示意图；
图9为构建特征工程获取拥堵子集的征向量流程图；
图10为层次分析示例图；
图11为层次分析法分类1示意图；
图12为层次分析法分类2示意图；
图13为层次分析法分类3示意图；
图14为层次分析法分类4示意图；
图15为常偶发拥堵判别示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
需要说明的是，本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
实施例1：参见图1-15，本实施例的一种基于速度时空图的交通拥堵成因智能识别算法，具体流程如图1所示。
Step1 数据预处理：通过车辆GPS数据获得路段速度；
Step2 基于速度时空图拥堵分类：依托速度时空图，利用图像形态学获得交通拥堵子集，并且通过拥堵特征提取方法，采用层次分析法实现交通拥堵子集的无监督分析结果；
Step3 常偶发拥堵判别：基于McMaster算法实现交通拥堵的常偶发判别；
Step 4基于决策树的拥堵成因智能判别：基于拥堵子集分类与常偶发判别，结合数据实现拥堵成因的精细化判别。
其中，所述Step2 基于速度时空图拥堵分类具体实现方法如下：
Step21构建交通速度时空模型；
利用路段速度构建速度时空图时，针对其中路段长度不均一、数据异常、数据缺失问题，构建双核函数考虑自由流与拥堵流的传播影响，基于ASM（Active Shape Model）算法实现速度时空图的速度平滑与填充，从而实现道路速度时空图构建；
ASM算法实现原理采用附近点的数据，基于双核函数线性叠加实现目标点数据
Figure 515044DEST_PATH_IMAGE036
的补全与修正，具体公式如下所示：
Figure 510682DEST_PATH_IMAGE037
其中：x,t分别表示目标点的离散空间位置与时间，
Figure 29429DEST_PATH_IMAGE038
与
Figure 22793DEST_PATH_IMAGE039
分别表示拥堵状态与自由流状态的过滤器，具体计算分别如下：
Figure 370598DEST_PATH_IMAGE040
Figure 576451DEST_PATH_IMAGE041
其中：
Figure 693312DEST_PATH_IMAGE042
表示输入的临近点数据，归一化参数
Figure 919894DEST_PATH_IMAGE043
与
Figure 630361DEST_PATH_IMAGE044
计算公式分别如下：
Figure 469266DEST_PATH_IMAGE045
Figure 706212DEST_PATH_IMAGE046
其中：拥堵状态核函数
Figure 510220DEST_PATH_IMAGE047
与自由流状态核函数
Figure 832617DEST_PATH_IMAGE048
的计算公式分别如下：
Figure 380273DEST_PATH_IMAGE049
Figure 737305DEST_PATH_IMAGE050
Figure 712214DEST_PATH_IMAGE051
其中：
Figure 20443DEST_PATH_IMAGE052
表示拥堵状态的传播速度，一般取值为-15km/h；
Figure 699686DEST_PATH_IMAGE053
为自由流状态的传播速度，一般取值为80km/h；
Figure 317749DEST_PATH_IMAGE054
表示空间平滑的范围，一般取值为0.6km；
Figure 729138DEST_PATH_IMAGE055
为时间平滑的范围，一般取值为1.1min；
最后，拥堵状态与自由流状态之间的权重系数
Figure 760548DEST_PATH_IMAGE056
的计算公式如下：
Figure 977903DEST_PATH_IMAGE057
Figure 716052DEST_PATH_IMAGE058
其中：
Figure 32764DEST_PATH_IMAGE024
表示自由流状态与拥堵状态的切换速度，一般取值为60km/h；
Figure 52935DEST_PATH_IMAGE059
表示过渡区间的宽度，一般取值为20km/h。
Step22图像形态学；
通过一系列图像形态学处理提取速度时空图中的拥堵子集，包括二值化化处理、开运算、闭运算、分水岭算法；
二值化：将图像上像素点按照图中最优阀值thresh，实现像素点的二值化处理；
所述二值化处理公式为：
Figure 746084DEST_PATH_IMAGE060
其中：dst表示处理后的像素值，src表示原始像素值；
开运算：先腐蚀后膨胀，使边界平滑，消除细小的尖刺；
所述腐蚀计算公式为：
Figure 666636DEST_PATH_IMAGE061
其中：
Figure 419828DEST_PATH_IMAGE062
与
Figure 425830DEST_PATH_IMAGE063
分别表示腐蚀的横轴与纵轴像素点数；
所述膨胀的计算公式为：
Figure 657091DEST_PATH_IMAGE064
所述开运算的计算公式为：
Figure 635412DEST_PATH_IMAGE065
闭运算：先膨胀后腐蚀，主要填充子集内部的细小空洞，连接邻近子集；
所述闭运算的计算公式为：
Figure 182674DEST_PATH_IMAGE066
；
分水岭算法：基于图像区域分隔方法，将临近像素间相似的详细连接起来构成一个封闭轮廓（拥堵子集）；分水岭算法把图像中的每一个像素图像中每一点像素的灰度值表示该点的海拔高度。模拟泛洪算法的基本思想是：假设在每个区域最小值的位置上打一个洞并且让水以均匀的上升速率从洞中涌出，从低到高淹没整个地形。当处在不同的汇聚盆地中的水将要聚合在一起时，修建的大坝将阻止聚合。水将达到在水线上只能见到各个水坝的顶部这样一个程度。这些大坝的边界对应于分水岭的分割线。所以，它们是由分水岭算法提取出来的(连续的)边界线。
Step23拥堵特征提取；
构建特征工程获取拥堵子集的特征向量，主要包括：拥堵形态特征：主要量化拥堵所造成的物理影响程度，包括影响长度、持续时间、拥堵像素点数（拥堵面积）；速度特征：主要量化拥堵所造成的道路运行特征，包括平均速度、速度标准差、最大速度、最小速度；边界特征：主要量化拥堵形成与消散的特征，包括左右边界斜率差、拥堵起源点。
Step24层次分析法，具体计算步骤如下：
Step 241：所有的点各自成为一个类；
Step 242：计算所有类之间的欧几里得计算，两两之间最近的形成一个相同的类；
Step 243：将所有类的点之间的中值作为该类的特征点；
Step 244：判断是否所有类都形成一个类，如果不是，重复步骤1；如果是，结束计算。
所述Step3常偶发拥堵判别具体实现方法如下：通过统计道路速度上各个时段上的分布实现拥堵常偶发性的判别；理论上，道路速度在各时段的分布近似为正态分布，当发生偶发事件时，速度的分布则处于
Figure 551339DEST_PATH_IMAGE067
，
Figure 710925DEST_PATH_IMAGE068
表示分布的均值，
Figure 215855DEST_PATH_IMAGE069
表示分布的标准差区间之外，连续两个或以上速度数据点处于区间之外时，判定为偶发拥堵。
所述Step4基于决策树的拥堵成因智能判别：基于拥堵类别与拥堵常偶发判断，结合数据拥堵点与其他事件的距离，实现拥堵成因的智能判别；具体为：
常发拥堵；
拥堵集类型为小扰动，成因为车辆经常急刹车、行人频繁过马路；
拥堵集类型为长条形, 结合其他数据特征：拥堵起源点距离信号交叉口50m以内, 成因为信号交口配时不合理；
拥堵集类型为长条形, 结合其他数据特征：拥堵起源点距离医院、停车场入口50m以内，成因为供需不平衡；
拥堵集类型为大面积, 结合其他数据特征：拥堵起源点距离交叉口与汇集点等瓶颈点50m以内，成因为道路瓶颈点；
偶发拥堵；
拥堵集类型为小扰动，成因为不确定因素；
拥堵集类型为长条形, 结合其他数据特征：拥堵起源点距离积水预警点300m以内, 成因为道路积水；
拥堵集类型为长条形, 结合其他数据特征：拥堵起源点距离交叉口与汇集点等瓶颈点50m以内，成因为突发交通量；
拥堵集类型为大面积, 结合其他数据特征：拥堵起源点距离积水预警点300m以内，成因为道路积水；
拥堵集类型为大面积, 结合其他数据特征：拥堵起源点距离交叉口与汇集点等瓶颈点50m以内，成因为交通事故；
拥堵集类型为大面积, 结合其他数据特征：恶劣天气，成因为天气因素；
拥堵集类型为大面积, 结合其他数据特征：路段属于节假日拥堵路段，成因为节假日因素；
拥堵集类型为大面积, 结合其他数据特征：拥堵起源点距离活动地点1000m以内，成因为大型活动。
实施例2：本实施例与实施例1的不同点在于：常偶发判断采用其他基于数据驱动的方法，采用加州算法代替Mcmaster算法。
实施例3：本实施例与1或2实施例的不同点在于：拥堵集分类的方法，采用Kmeans等无监督分类方法代替层次分析法。
实施例4：本实施例与1-3任一实施例的不同点在于：速度平滑方法，采用中值过滤法代替AMS算法。
实施例5：本实施例与1-3任一实施例的不同点在于：速度平滑方法，采用均值插值法代替AMS算法。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (9)

1.一种基于速度时空图的交通拥堵成因智能识别算法，其特征在于，具体步骤：
Step1 数据预处理：通过车辆GPS数据获得路段速度；
Step2基于速度时空图拥堵分类：依托速度时空图，利用图像形态学获得交通拥堵子集，并且通过拥堵特征提取方法，采用层次分析法或Kmeans聚类算法实现交通拥堵子集的无监督分析结果；
Step3 常偶发拥堵判别：基于McMaster算法或加州算法实现交通拥堵的常偶发判别；
Step 4基于决策树的拥堵成因智能判别：基于拥堵子集分类与常偶发判别，结合数据实现拥堵成因的精细化判别。
2.根据权利要求1所述的一种基于速度时空图的交通拥堵成因智能识别算法，其特征在于：所述Step2 基于速度时空图拥堵分类具体实现方法如下：
Step21构建交通速度时空模型；
利用路段速度构建速度时空图时，针对其中路段长度不均一、数据异常、数据缺失问题，构建双核函数考虑自由流与拥堵流的传播影响，基于ASM算法、中值过滤法或均值插值法实现速度时空图的速度平滑与填充，从而实现道路速度时空图构建；
Step22图像形态学；
通过一系列图像形态学处理提取速度时空图中的拥堵子集，包括二值化化处理、开运算、闭运算、分水岭算法；
Step23拥堵特征提取；
构建特征工程获取拥堵子集的特征向量，主要包括：拥堵形态特征、速度特征、边界特征；
Step24层次分析法；
基于拥堵特征集之间的相似距离差，采用层次分析法实现拥堵集的无监督分类。
3.根据权利要求2所述的一种基于速度时空图的交通拥堵成因智能识别算法，其特征在于：所述Step21中，ASM算法实现原理采用附近点的数据，基于双核函数线性叠加实现目标点数据
Figure 999355DEST_PATH_IMAGE001
的补全与修正，具体公式如下所示：
Figure 385337DEST_PATH_IMAGE002
其中：x,t分别表示目标点的离散空间位置与时间，
Figure 132451DEST_PATH_IMAGE003
与
Figure 996502DEST_PATH_IMAGE004
分别表示拥堵状态与自由流状态的过滤器，具体计算分别如下：
Figure 279716DEST_PATH_IMAGE005
Figure 571020DEST_PATH_IMAGE006
其中：
Figure 306895DEST_PATH_IMAGE007
表示输入的临近点数据，归一化参数
Figure 974637DEST_PATH_IMAGE008
与
Figure 112357DEST_PATH_IMAGE009
计算公式分别如下：
Figure 840141DEST_PATH_IMAGE010
Figure 63312DEST_PATH_IMAGE011
其中：拥堵状态核函数
Figure 767701DEST_PATH_IMAGE012
与自由流状态核函数
Figure 759928DEST_PATH_IMAGE013
的计算公式分别如下：
Figure 658614DEST_PATH_IMAGE014
Figure 634660DEST_PATH_IMAGE015
Figure 378625DEST_PATH_IMAGE016
其中：
Figure 490937DEST_PATH_IMAGE017
表示拥堵状态的传播速度；
Figure 294945DEST_PATH_IMAGE018
为自由流状态的传播速度；
Figure 492709DEST_PATH_IMAGE019
表示空间平滑的范围；
Figure 538900DEST_PATH_IMAGE020
为时间平滑的范围；
最后，拥堵状态与自由流状态之间的权重系数
Figure 771298DEST_PATH_IMAGE021
的计算公式如下：
Figure 11786DEST_PATH_IMAGE022
Figure 431266DEST_PATH_IMAGE023
其中：
Figure 782613DEST_PATH_IMAGE024
表示自由流状态与拥堵状态的切换速度；
Figure 603939DEST_PATH_IMAGE025
表示过渡区间的宽度。
4.根据权利要求2或3所述的一种基于速度时空图的交通拥堵成因智能识别算法，其特征在于：所述Step22中，二值化：将图像上像素点按照图中最优阀值thresh，实现像素点的二值化处理；开运算：先腐蚀后膨胀，使边界平滑，消除细小的尖刺；闭运算：先膨胀后腐蚀，主要填充子集内部的细小空洞，连接邻近子集；分水岭算法：基于图像区域分隔方法，将临近像素间相似的详细连接起来构成一个封闭轮廓；分水岭算法把图像中的每一个像素图像中每一点像素的灰度值表示该点的海拔高度。
5.根据权利要求4所述的一种基于速度时空图的交通拥堵成因智能识别算法，其特征在于：所述二值化处理公式为：
Figure 15329DEST_PATH_IMAGE026
其中：dst表示处理后的像素值，src表示原始像素值，x与y分别表示像素点的横轴与纵轴位置；
所述腐蚀计算公式为：
Figure 187684DEST_PATH_IMAGE027
其中：
Figure 44519DEST_PATH_IMAGE028
与
Figure 985930DEST_PATH_IMAGE029
分别表示腐蚀的横轴与纵轴像素点数；
所述膨胀的计算公式为：
Figure 568221DEST_PATH_IMAGE030
所述开运算的计算公式为：
Figure 227873DEST_PATH_IMAGE031
所述闭运算的计算公式为：
Figure 921022DEST_PATH_IMAGE032
。
6.根据权利要求4所述的一种基于速度时空图的交通拥堵成因智能识别算法，其特征在于：所述Step23中，拥堵形态特征：主要量化拥堵所造成的物理影响程度，包括影响长度、持续时间、拥堵像素点数；速度特征：主要量化拥堵所造成的道路运行特征，包括平均速度、速度标准差、最大速度、最小速度；边界特征：主要量化拥堵形成与消散的特征，包括左右边界斜率差、拥堵起源点。
7.根据权利要求4所述的一种基于速度时空图的交通拥堵成因智能识别算法，其特征在于：所述Step24中，层次分析法，具体计算步骤如下：
Step 241：所有的点各自成为一个类；
Step 242：计算所有类之间的欧几里得计算，两两之间最近的形成一个相同的类；
Step 243：将所有类的点之间的中值作为该类的特征点；
Step 244：判断是否所有类都形成一个类，如果不是，重复步骤1；如果是，结束计算。
8.根据权利要求1所述的一种基于速度时空图的交通拥堵成因智能识别算法，其特征在于：所述Step3常偶发拥堵判别具体实现方法如下：通过统计道路速度上各个时段上的分布实现拥堵常偶发性的判别；理论上，道路速度在各时段的分布近似为正态分布，当发生偶发事件时，速度的分布则处于
Figure 451361DEST_PATH_IMAGE033
，
Figure 204553DEST_PATH_IMAGE034
表示分布的均值，
Figure 85922DEST_PATH_IMAGE035
表示分布的标准差区间之外，连续两个或以上速度数据点处于区间之外时，判定为偶发拥堵。
9.根据权利要求1或8所述的一种基于速度时空图的交通拥堵成因智能识别算法，其特征在于：所述Step4基于决策树的拥堵成因智能判别：基于拥堵类别与拥堵常偶发判断，结合数据拥堵点与其他事件的距离，实现拥堵成因的智能判别；具体为：
常发拥堵；
拥堵集类型为小扰动，成因为车辆经常急刹车、行人频繁过马路；
拥堵集类型为长条形, 结合其他数据特征：拥堵起源点距离信号交叉口50m以内, 成因为信号交口配时不合理；
拥堵集类型为长条形, 结合其他数据特征：拥堵起源点距离医院、停车场入口50m以内，成因为供需不平衡；
拥堵集类型为大面积, 结合其他数据特征：拥堵起源点距离交叉口与汇集点等瓶颈点50m以内，成因为道路瓶颈点；
偶发拥堵；
拥堵集类型为小扰动，成因为不确定因素；
拥堵集类型为长条形, 结合其他数据特征：拥堵起源点距离积水预警点300m以内, 成因为道路积水；
拥堵集类型为长条形, 结合其他数据特征：拥堵起源点距离交叉口与汇集点等瓶颈点50m以内，成因为突发交通量；
拥堵集类型为大面积, 结合其他数据特征：拥堵起源点距离积水预警点300m以内，成因为道路积水；
拥堵集类型为大面积, 结合其他数据特征：拥堵起源点距离交叉口与汇集点等瓶颈点50m以内，成因为交通事故；
拥堵集类型为大面积, 结合其他数据特征：恶劣天气，成因为天气因素；
拥堵集类型为大面积, 结合其他数据特征：路段属于节假日拥堵路段，成因为节假日因素；
拥堵集类型为大面积, 结合其他数据特征：拥堵起源点距离活动地点1000m以内，成因为大型活动。
CN202010925899.3A 2020-09-07 2020-09-07 一种基于速度时空图的交通拥堵成因智能识别算法 Active CN111785031B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010925899.3A CN111785031B (zh) 2020-09-07 2020-09-07 一种基于速度时空图的交通拥堵成因智能识别算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010925899.3A CN111785031B (zh) 2020-09-07 2020-09-07 一种基于速度时空图的交通拥堵成因智能识别算法

Publications (2)

Publication Number Publication Date
CN111785031A true CN111785031A (zh) 2020-10-16
CN111785031B CN111785031B (zh) 2021-01-19

Family

ID=72762365

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010925899.3A Active CN111785031B (zh) 2020-09-07 2020-09-07 一种基于速度时空图的交通拥堵成因智能识别算法

Country Status (1)

Country Link
CN (1) CN111785031B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112289041A (zh) * 2020-10-25 2021-01-29 储美红 基于热点定位和信息共享的智慧停车场管理方法及云平台
CN113538915A (zh) * 2021-07-21 2021-10-22 阿波罗智联(北京)科技有限公司 交通拥堵事件的处理方法、设备、存储介质及程序产品
CN113643518A (zh) * 2021-08-03 2021-11-12 青岛海信网络科技股份有限公司 电子设备及拥堵预警方法
CN113657235A (zh) * 2021-08-10 2021-11-16 太原理工大学 一种基于图像处理的路网交通拥堵模式识别方法
CN114852135A (zh) * 2022-07-08 2022-08-05 八维通科技有限公司 基于大数据的类轨道交通行驶预测方法
CN115440039A (zh) * 2022-09-01 2022-12-06 南京大学 交通事故拥堵成因分析方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011013802A (ja) * 2009-06-30 2011-01-20 Toshiba Corp 図形提供情報作成装置および道路情報板の表示方法
US20140136089A1 (en) * 2012-11-09 2014-05-15 Iteris, Inc. Animation and visualization of traffic data analytics in a dashboard presentation of a roadway performance measurement system
CN106504538A (zh) * 2017-01-04 2017-03-15 安徽科力信息产业有限责任公司 一种快速消除导致高速公路拥堵源头的方法和系统
CN106997669A (zh) * 2017-05-31 2017-08-01 青岛大学 一种基于特征重要性的判断交通拥堵成因的方法
CN107025468A (zh) * 2017-05-18 2017-08-08 重庆大学 基于pca‑ga‑svm算法的高速公路拥堵识别方法
CN108109377A (zh) * 2018-01-23 2018-06-01 重庆城市综合交通枢纽开发投资有限公司 一种基于三维McMaster算法的常偶发拥堵判别方法
CN109035778A (zh) * 2018-08-29 2018-12-18 深圳市赛为智能股份有限公司 拥堵成因分析方法、装置、计算机设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011013802A (ja) * 2009-06-30 2011-01-20 Toshiba Corp 図形提供情報作成装置および道路情報板の表示方法
US20140136089A1 (en) * 2012-11-09 2014-05-15 Iteris, Inc. Animation and visualization of traffic data analytics in a dashboard presentation of a roadway performance measurement system
CN106504538A (zh) * 2017-01-04 2017-03-15 安徽科力信息产业有限责任公司 一种快速消除导致高速公路拥堵源头的方法和系统
CN107025468A (zh) * 2017-05-18 2017-08-08 重庆大学 基于pca‑ga‑svm算法的高速公路拥堵识别方法
CN106997669A (zh) * 2017-05-31 2017-08-01 青岛大学 一种基于特征重要性的判断交通拥堵成因的方法
CN108109377A (zh) * 2018-01-23 2018-06-01 重庆城市综合交通枢纽开发投资有限公司 一种基于三维McMaster算法的常偶发拥堵判别方法
CN109035778A (zh) * 2018-08-29 2018-12-18 深圳市赛为智能股份有限公司 拥堵成因分析方法、装置、计算机设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张建军 等: "城市交通拥堵成因分析及对策研究", 《新型城镇化与交通发展——2013年中国城市交通规划年会暨第27次学术研讨会论文集》 *
李淞 等: "历史趋势法和McMaster算法及其融合", 《信息技术与标准化》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112289041A (zh) * 2020-10-25 2021-01-29 储美红 基于热点定位和信息共享的智慧停车场管理方法及云平台
CN112289041B (zh) * 2020-10-25 2021-12-03 上海智能交通有限公司 基于热点定位和信息共享的智慧停车场管理方法及云平台
CN113538915A (zh) * 2021-07-21 2021-10-22 阿波罗智联(北京)科技有限公司 交通拥堵事件的处理方法、设备、存储介质及程序产品
WO2023000548A1 (zh) * 2021-07-21 2023-01-26 阿波罗智联(北京)科技有限公司 交通拥堵事件的处理方法、设备、存储介质及程序产品
CN113538915B (zh) * 2021-07-21 2023-02-28 阿波罗智联(北京)科技有限公司 交通拥堵事件的处理方法、设备、存储介质及程序产品
CN113643518A (zh) * 2021-08-03 2021-11-12 青岛海信网络科技股份有限公司 电子设备及拥堵预警方法
CN113643518B (zh) * 2021-08-03 2022-11-25 青岛海信网络科技股份有限公司 电子设备及拥堵预警方法
CN113657235A (zh) * 2021-08-10 2021-11-16 太原理工大学 一种基于图像处理的路网交通拥堵模式识别方法
CN114852135A (zh) * 2022-07-08 2022-08-05 八维通科技有限公司 基于大数据的类轨道交通行驶预测方法
CN114852135B (zh) * 2022-07-08 2022-10-04 八维通科技有限公司 基于大数据的类轨道交通行驶预测方法
CN115440039A (zh) * 2022-09-01 2022-12-06 南京大学 交通事故拥堵成因分析方法及系统
CN115440039B (zh) * 2022-09-01 2024-06-07 南京大学 交通事故拥堵成因分析方法及系统

Also Published As

Publication number Publication date
CN111785031B (zh) 2021-01-19

Similar Documents

Publication Publication Date Title
CN111785031B (zh) 一种基于速度时空图的交通拥堵成因智能识别算法
US20200211374A1 (en) System, method, and apparatus for analyzing a traffic road condition
CN101807345B (zh) 一种基于视频检测技术的交通拥堵判别方法
CN102819952B (zh) 一种基于视频检测技术的车辆违法变道检测方法
CN104021671B (zh) 一种svm与模糊判断相结合的道路实时路况的判断方法
CN108922174B (zh) 一种快速路入口匝道周围交叉口群内路径动态分级方法
CN114488073A (zh) 激光雷达采集到的点云数据的处理方法
CN111640304B (zh) 面向连续流交通设施的交通拥堵传播特征自动化量化提取方法
CN111598069B (zh) 一种基于深度学习的高速公路车辆换道区域分析方法
CN107944628A (zh) 一种路网环境下的聚集模式发现方法及系统
CN105489006A (zh) 基于出租车gps数据的多尺度道路流量可视分析方法
CN116911055B (zh) 一种基于数字孪生的智慧城市规划治理系统
CN115662113A (zh) 一种信号交叉口人车博弈冲突风险评估与预警方法
CN111242096A (zh) 基于人数梯度的人群聚集判别方法与系统
CN109598930A (zh) 一种自动检测高架封闭系统
CN109446881A (zh) 一种基于异构数据的高速公路路段交通状态检测方法
CN114357243A (zh) 一种海量实时视频流多级分析及监控系统
CN111260927B (zh) 一种公路路网流量预测方法
Al-Dogom et al. Spatio-temporal analysis and machine learning for traffic accidents prediction
CN110827537B (zh) 一种潮汐车道的设置方法、装置及设备
CN117012006B (zh) 一种城市道路的洪涝灾害预警方法、设备及介质
CN106446194A (zh) 一种地理区域的采集参数确定方法及装置
Dong et al. Overview of the identification of traffic accident-prone locations driven by big data
Kalantari et al. Developing a fractal model for spatial mapping of crime hotspots
JP6535260B2 (ja) 吹きだまり予測モデルの構築方法、吹きだまり予測方法及び吹きだまり予測装置

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