CN111815955A - 一种基于交通流基本图的城市道路积水智能识别方法 - Google Patents

一种基于交通流基本图的城市道路积水智能识别方法 Download PDF

Info

Publication number
CN111815955A
CN111815955A CN202010949980.5A CN202010949980A CN111815955A CN 111815955 A CN111815955 A CN 111815955A CN 202010949980 A CN202010949980 A CN 202010949980A CN 111815955 A CN111815955 A CN 111815955A
Authority
CN
China
Prior art keywords
road
basic graph
time
traffic flow
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
Application number
CN202010949980.5A
Other languages
English (en)
Other versions
CN111815955B (zh
Inventor
张晓春
林涛
丘建栋
唐先马
傅恺延
谭章智
郑又伦
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 CN202010949980.5A priority Critical patent/CN111815955B/zh
Publication of CN111815955A publication Critical patent/CN111815955A/zh
Application granted granted Critical
Publication of CN111815955B publication Critical patent/CN111815955B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种基于交通流基本图的城市道路积水智能识别方法，属于城市防涝技术领域。解决了现有技术中存在的易出现误判，且判别周期过长，实时性不强的问题。要点：本发明融合了交通大数据以及气象数据实现了对积水的实时识别，摆脱了对高成本检测设备的依赖；针对积水影响的是道路通行能力这一特征，引入了交通流基本图工具，避免识别积水导致的拥堵扩散路段为积水路段以减少误判；用以识别积水的各项交通流参数统计周期为5分钟，相比现有方法30分钟的统计周期能够更加敏感地反映积水的影响，缩短积水被识别到的时间。本发明用于城市防涝积水识别。

Description

一种基于交通流基本图的城市道路积水智能识别方法
技术领域
本发明涉及一种城市道路积水智能识别方法，具体涉及一种基于交通流基本图的城市道路积水智能识别方法，属于城市防涝技术领域。
背景技术
近年来，极端天气频现，城市道路积水风险不断增大，加剧道路交通拥堵并严重威胁道路交通安全。例如，2017年台风“苗柏”引发强降水，深圳市多处道路发生积水现象，众多道路由于积水导致交通中断，大量车辆熄火淹没在这些“大水坑”中。受道路积水影响，中心城区早高峰交通指数高达6.2，较普通工作日上升72%。为有效支撑暴雨天气下的城市应急防灾、交通安全管理和交通运行保障，亟需开展道路积水识别监测工作。
现有的道路积水检测手段主要有两类，一类是依赖于前端设备，如液压水位传感器等，该类设备每套仅能检测一个点，投资巨大且系统大部分时间处于闲置状态，浪费严重，同时设备易受环境影响，以致检测精度降低，设备损耗亦随时间推移也不断加强，存在难以维护等问题。另一类则是通过数据来智能识别道路积水，目前该类方法主要有两种思路，一是根据积水形成的原因来推导可能积水的路段，二是根据积水造成的影响来识别已经积水的路段。前者主要基于降雨历时数据、排水管线数据和地表高程的信息，实现对降雨过程中地表径流和排水过程的模拟，从而推导可能积水的地点；后者则通过研究积水道路下的交通异常现象，结合降雨量、交通流量、车速等来推测出积水路段。相比而言，前者由于需要不同道路的地理信息数据及排水系统数据，采集数据与建立系统的难度更大，而且由于排水参数无法实时检测与更新，难以做到准确识别。而后者目前则集中于对道路积水时交通状态的研究，而少有通过交通状态来反推道路积水的。
（1）中国专利申请201520878929.4，申请日2015-11-06，公开了一种城市公共道路积水智能监控系统。该系统通过压力传感器对道路积水进行压力感应，将压力数据处理为积水状态后发出指令于显示屏和报警器，实现对路面积水情况的实时检测与显示。此方法为传统的基于检测设备的积水识别，虽然在检测设备上具有一定创新，但依然无法解决一套设备只能检测一个点、布设及维护成本大的问题。
（2）中国专利申请201610601125.9, 申请日2016-07-27，公开了一种通过降雨预报预测城市积水的方法及系统，其通过分析降雨历时数据、排水管线数据和地表高程信息，对降雨过程中的地表径流和排水过程进行模拟计算，以推导出可能积水的地点。但由于整个城市道路系统中各路段对应的地理信息皆不相同，且管道变更频繁、偶发性排水管道堵塞现象频发，仅通过对排水过程的模拟分析一方面需要的基础数据难以获取，另一方面对偶发性的堵塞现象也难以实时判断。
（3）Boni Su等[Boni Su, Hong Huang, Yuntao Li. Integrated simulationmethod for waterlogging and traffic congestion under urban rainstorms[J].Nature Hazards (2016) 81:23–40.]模拟了降雨所造成道路积水的时间和空间分布，依据驾驶员对不同程度道路积水的行为反应而建立了微观仿真模型以评估降雨造成的积水对道路交通的影响。此方法重点分析了道路积水与道路交通的相关性，在一定程度上为基于浮动车行驶参数进行积水识别提供了理论支撑。但方法所提出的仿真模型参数较多且运行耗时较长，难以满足实时检测的需求。
（4）刘军等[刘军,宋国华,赵琦,高永.基于FCD的桥下积水导致城市交通拥堵点段识别方法研究[J].交通信息与安全.31(176):43-48.2013.]，以及[刘军.基于浮动车数据的桥下积水导致的城市快速路交通拥堵规律研究[D].北京交通大学.2014.]研究了快速路立交桥下积水所导致的交通拥堵蔓延规律，并提出了识别方法，但其仅研究了特定道路、严重积水情况下的交通特性，只适用于研究道路高危积水情形，而无法识别全路网层面上不同的积水等级，由于不同积水情况下道路交通运行特征差异较大，而且不同路段本身对应的交通状况也各异，因此该方法的普适性相对而言不强。
（5）中国专利申请CN109961631A，2019-07-02，道路积水点识别方法及道路积水点识别系统，发明人戴剑军等通过对比非积水以及积水时段的道路车速，流量参数，设置了道路车速以及流量阈值，通过对道路实时车速，流量的监测以及降雨修正系数的引入获取道路积水的综合评价值，实现对道路积水的实时判别。但该方法忽略了积水影响的是通行能力这一道路固有属性，当积水造成了大范围拥堵时，大量路段车速以及流量均会下降，因此易出现误判，即将未积水的路段识别为积水路段，同时由于该方法样本车流参数需服从正态分布，因此参数统计的时间粒度需在半小时以上，会延长积水被识别到的时间，以致实时性不强。
综合以上，刘军等虽然提出了根据车流量、速度来对快速路立交桥下积水进行识别的方法，但该方法仅适用于严重积水的情况，且只适用于桥底等特定区域。戴剑军等也提出了根据车流量、速度以及降雨量来对城市路网进行积水识别的方法，但忽略了积水影响的是道路通行能力，易出现误判，且判别周期过长，实时性不强。
发明内容
鉴于上述事实，本发明的目的是针对现有技术中存在的易出现误判，且判别周期过长，实时性不强的问题，进而设计了一种基于交通流基本图的城市道路积水智能识别方法，其提出了数据驱动的基于交通流基本图的积水点识别方法，该方法融合了交通大数据以及气象数据实现了对积水的实时识别，摆脱了对高成本检测设备的依赖；针对积水影响的是道路通行能力这一特征，引入了交通流基本图工具，避免识别积水导致的拥堵扩散路段为积水路段以减少误判；用以识别积水的各项交通流参数统计周期为5分钟，相比现有方法30分钟的统计周期能够更加敏感地反映积水的影响，缩短积水被识别到的时间。
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：
一种基于交通流基本图的城市道路积水智能识别方法，具体步骤：
Step1历史数据标定：定义连续
Figure 219873DEST_PATH_IMAGE001
个异常数据点为事件
Figure 140686DEST_PATH_IMAGE002
，发生积水为事件
Figure 177913DEST_PATH_IMAGE003
，未发生积水为事件
Figure 456447DEST_PATH_IMAGE004
，降雨为事件
Figure 401269DEST_PATH_IMAGE005
，则
Figure 19333DEST_PATH_IMAGE006
为求解的目标，即当降雨时，在产生连续
Figure 791242DEST_PATH_IMAGE001
个异常数据点的条件下发生积水的概率；基于一段时间的路况数据构建道路基本图模型，并筛选
Figure 760335DEST_PATH_IMAGE004
样本计算路段
Figure 243269DEST_PATH_IMAGE007
的
Figure 246997DEST_PATH_IMAGE009
，即计算当降雨时，道路
Figure 360446DEST_PATH_IMAGE007
未积水条件下产生连续
Figure 816835DEST_PATH_IMAGE001
个异常数据点事件的概率；通过
Figure 604925DEST_PATH_IMAGE011
估算
Figure 259897DEST_PATH_IMAGE013
；
Step2实时积水识别：基于实时连续异常点个数以及降雨修正系数计算路段实时积水概率。
进一步地，所述Step1历史数据标定具体实现方法如下：
Step11交通流基本图构建，
利用路况数据构建道路交通流基本图；计算道路密度及速度参数，或者密度及流量关系；统计间隔取5分钟，针对路况数据进行上述参数的计算,以
Figure 809827DEST_PATH_IMAGE015
轴为密度，
Figure 753513DEST_PATH_IMAGE017
轴为速度或者流量分别构建交通流基本图模型，同时对基本图模型分别进行拟合，选取拟合优度最高的数据模型作为路段的基本图模型；
Step12交通流基本图模型下界确定与
Figure 843828DEST_PATH_IMAGE019
计算，
Figure 804174DEST_PATH_IMAGE021
计算需基于
Figure 321743DEST_PATH_IMAGE004
样本，
Figure 549462DEST_PATH_IMAGE004
样本的筛选需首先识别异常数据点，识别异常数据点的过程即对道路通行能力下降识别；对任一道路，其基本图模型密度范围为
Figure 177889DEST_PATH_IMAGE023
,当
Figure 745137DEST_PATH_IMAGE025
时，按单位密度切分基本图模型，
Figure 138334DEST_PATH_IMAGE027
时，按
Figure 56612DEST_PATH_IMAGE029
密度切分，取各密度区域对应速度的90%分位点作为对应下界，数据点低于对应的速度90%分位值则视为异常数据点；根据连续异常数据点的阈值
Figure 488730DEST_PATH_IMAGE031
完成
Figure 176063DEST_PATH_IMAGE004
样本的筛选，
Figure 238697DEST_PATH_IMAGE031
取6，各道路的
Figure 909850DEST_PATH_IMAGE033
，即道路未积水条件下产生连续
Figure 912704DEST_PATH_IMAGE035
个异常数据点事件的概率，计算采用如下公式：
Figure 985702DEST_PATH_IMAGE037
其中：
Figure 219237DEST_PATH_IMAGE039
表示
Figure 377686DEST_PATH_IMAGE041
发生的天数，
Figure 653072DEST_PATH_IMAGE043
表示所有天数，由于事件，即道路未积水产生连续
Figure 49418DEST_PATH_IMAGE035
个异常数据点事件，与是否降雨关系不大，因此有：
Figure 47330DEST_PATH_IMAGE045
。
进一步地， Step11中所述路况数据是基于手机导航及公交GPS数据，或者是地磁及卡口交通数据采集设备采集的数据。
进一步地，所述基于手机导航及公交GPS数据字段包括路段编号、时间间隔、累计行驶里程以及累计行驶时间。
进一步地，Step11中所述计算道路密度及速度参数，采用如下公式进行计算：
Figure 896337DEST_PATH_IMAGE047
其中：
Figure 677211DEST_PATH_IMAGE049
为路段
Figure 193643DEST_PATH_IMAGE051
时间段
Figure 332763DEST_PATH_IMAGE053
内的密度；
Figure 669066DEST_PATH_IMAGE055
为路段
Figure 50369DEST_PATH_IMAGE051
在时间段
Figure 155728DEST_PATH_IMAGE053
内车辆的累计行驶路程；
Figure 964284DEST_PATH_IMAGE057
为路段
Figure 289349DEST_PATH_IMAGE051
在时间段
Figure 677605DEST_PATH_IMAGE053
内车辆的累计行驶时间；
Figure 903050DEST_PATH_IMAGE059
为路段
Figure 85769DEST_PATH_IMAGE051
在时间段
Figure 396665DEST_PATH_IMAGE053
的平均速度；
Figure 323033DEST_PATH_IMAGE061
为统计周期；
Figure 402984DEST_PATH_IMAGE063
为路段
Figure 320387DEST_PATH_IMAGE051
的长度。
进一步地，所述Step2实时积水识别具体实现方法如下：
Step21降雨修正系数，引入降雨-积水修正系数
Figure 118578DEST_PATH_IMAGE065
；
Figure 583058DEST_PATH_IMAGE067
其中：
Figure 517516DEST_PATH_IMAGE069
为小时降雨量，
Figure 307617DEST_PATH_IMAGE069
低于2.5毫米时为小雨，介于2.5毫米至8毫米之间为中雨，介于8毫米至18毫米之间为大雨，超过18毫米为暴雨；
Step22实时积水概率计算，发生降雨时，以5分钟为统计间隔，计算得到实时密度及速度或者密度及流量数据点，对比路段基本图模型，若无异常数据点，则判断路段未积水，若存在异常数据点，判断路段发生积水的概率。
进一步地，Step22中若存在异常数据点，判断路段发生积水的概率分两种情况：
第一种，连续异常数据点个数
Figure 124264DEST_PATH_IMAGE071
小于其阈值
Figure 690636DEST_PATH_IMAGE073
时，公式为：
Figure 479601DEST_PATH_IMAGE075
其中，
Figure 175024DEST_PATH_IMAGE077
，即降雨时，道路积水产生连续异常数据点的概率为1，
Figure 947808DEST_PATH_IMAGE079
表示降雨条件下积水的概率，
Figure 816407DEST_PATH_IMAGE081
表示降雨条件下未积水的概率，上述式子可转换成如下形式：
Figure 725457DEST_PATH_IMAGE083
由于降雨积水数据样本的缺乏，式中
Figure 591782DEST_PATH_IMAGE085
无法计算得到，由于
Figure 76029DEST_PATH_IMAGE087
与
Figure 951581DEST_PATH_IMAGE089
成负相关关系；因此根据
Figure 980717DEST_PATH_IMAGE091
值采用如下方法估计
Figure 17943DEST_PATH_IMAGE093
：假定两者呈线性关系，当
Figure 562057DEST_PATH_IMAGE095
取0时，
Figure 710142DEST_PATH_IMAGE097
取0.9，当
Figure 593784DEST_PATH_IMAGE099
取1时，
Figure 100114DEST_PATH_IMAGE101
取0.1；根据实时
Figure 69207DEST_PATH_IMAGE071
值可对应历史标定结果得到
Figure 286562DEST_PATH_IMAGE103
，进而得到
Figure 759131DEST_PATH_IMAGE105
；
第二种，连续异常点个数
Figure 403739DEST_PATH_IMAGE071
大于或等于阈值
Figure 860128DEST_PATH_IMAGE073
：
Figure 913797DEST_PATH_IMAGE107
，由于路段存在类似积水导致偶发拥堵事件的存在，引入降雨修正系数能够有效减少误判，将上述概率
Figure 772032DEST_PATH_IMAGE109
乘上降雨修正系数，即
Figure 587541DEST_PATH_IMAGE111
为路段发生积水的概率。
综合以上的关键点在于：
（1）本发明基于交通大数据与降雨数据，实现了无检测装置的道路积水智能识别。
（2）本发明综合考虑了积水成因-降雨，以及积水造成的影响-道路通行能力下降，并采用道路交通流基本图这一工具识别道路通行能力下降。
（3）本发明基于交通流基本图建立了道路积水识别模型。
本发明所达到的效果为：
本发明提出了数据驱动的基于交通流基本图的积水点识别方法，该方法融合了交通大数据以及气象数据实现了对积水的实时识别，摆脱了对高成本检测设备的依赖；针对积水影响的是道路通行能力这一特征，引入了交通流基本图工具，避免识别积水导致的拥堵扩散路段为积水路段以减少误判；用以识别积水的各项交通流参数统计周期为5分钟，相比现有方法30分钟的统计周期能够更加敏感地反映积水的影响，缩短积水被识别到的时间。具体优点：
（1）区别于传统的硬件设备检测方法，本发明实现了无检测装置的道路积水智能识别，免去了高昂的设备成本以及维修费用。
（2）综合考虑了积水成因（降雨）与积水影响（道路通行能力下降），既避免了仅通过积水成因进行判断时对道路地理信息数据收集的繁琐，又保证了识别的精度。
（3）基于道路交通流基本图模型建立的积水识别方法具有算法简单、识别高效的特点。
（4）各类相关数据皆可实时接入并分析，以5分钟为一个识别周期，具有较强的时效性。
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为本发明一种基于交通流基本图的城市道路积水智能识别方法的整体流程图；
图2为第一种密度-速度关系道路交通流基本图模型示意图；
图3为第二种密度-速度关系道路交通流基本图模型示意图。
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1-3，本实施例的一种基于交通流基本图的城市道路积水智能识别方法，具体流程如图1所示。
道路通行能力降低表现为，按一定时间统计间隔得到的密度-速度数据点处于道路交通流基本图下方，该类数据点这里被称为异常数据点。针对特定路段，在降雨时，积水概率随连续异常数据点个数，即道路通行能力下降持续时间的增加而增大。定义连续
Figure 68DEST_PATH_IMAGE112
个异常数据点为事件
Figure 355963DEST_PATH_IMAGE114
，发生积水为事件
Figure 68704DEST_PATH_IMAGE116
，降雨为事件
Figure 55115DEST_PATH_IMAGE118
。
Figure 987561DEST_PATH_IMAGE120
为求解的目标，由于该事件样本量不足，无法直接统计得到。然而，降雨场景下道路未积水的样本量丰富，考虑通过
Figure 819251DEST_PATH_IMAGE122
估算
Figure 386498DEST_PATH_IMAGE124
。
Figure 543810DEST_PATH_IMAGE126
的计算需识别正常日期，即
Figure 993246DEST_PATH_IMAGE128
样本，可通过设定连续异常数据点阈值
Figure 628627DEST_PATH_IMAGE130
的方式区分，
Figure 315960DEST_PATH_IMAGE130
这里取6，即不存在道路通行能力下降持续时间超过30分钟的天数为
Figure 942376DEST_PATH_IMAGE128
样本。同时，积水与降雨强度息息相关，可以引入降雨强度修正系数修正积水概率。
如图1所示，本实施例的整体流程可分为两部分。（i）历史数据标定：基于一个月的历史手机导航，公交路况数据构建道路基本图模型，并筛选
Figure 82370DEST_PATH_IMAGE128
样本计算路段
Figure 255862DEST_PATH_IMAGE132
的
Figure 594440DEST_PATH_IMAGE134
；（ii）实时积水识别：基于实时连续异常点个数以及降雨修正系数计算路段实时积水概率。
更具体地：Step1历史数据标定，
历史数据标定中所用的百度导航，公交路况数据结构类似，字段信息为：路段编号、时间片（五分钟间隔）、累计行驶里程和累计行驶时间。
更具体地：交通流基本图构建，
道路交通流基本图的构建需计算道路密度，速度参数。统计间隔取5分钟，采用如下公式进行参数计算：
Figure 93554DEST_PATH_IMAGE136
其中，
Figure 455265DEST_PATH_IMAGE138
为路段
Figure 730651DEST_PATH_IMAGE132
时间段
Figure 189314DEST_PATH_IMAGE140
内的密度；
Figure 593751DEST_PATH_IMAGE142
为路段
Figure 239496DEST_PATH_IMAGE132
在时间段
Figure 285949DEST_PATH_IMAGE140
内车辆的累计行驶路程；
Figure 38267DEST_PATH_IMAGE142
为路段
Figure 675922DEST_PATH_IMAGE132
在时间段
Figure 746646DEST_PATH_IMAGE140
内车辆的累计行驶时间；
Figure DEST_PATH_IMAGE144
为路段
Figure 393528DEST_PATH_IMAGE132
在时间段
Figure 764466DEST_PATH_IMAGE140
的平均速度；
Figure DEST_PATH_IMAGE146
为统计周期；
Figure DEST_PATH_IMAGE148
为路段
Figure 871225DEST_PATH_IMAGE132
的长度。
针对历史手机导航，公交GPS数据进行上述参数的计算，以
Figure DEST_PATH_IMAGE150
轴为密度，
Figure DEST_PATH_IMAGE152
轴为速度分别构建交通流基本图模型，同时采用指数或对数模型对基本图模型分别进行拟合，选取拟合优度最高的数据模型作为路段的基本图模型。如下图2为构建的基本图模型识别积水的效果。
更具体地：Step12交通流基本图模型下界确定与
Figure DEST_PATH_IMAGE154
计算，
Figure DEST_PATH_IMAGE156
计算需基于
Figure 129379DEST_PATH_IMAGE128
样本，
Figure 48794DEST_PATH_IMAGE128
样本的筛选需首先识别异常数据点，识别异常数据点的过程即对道路通行能力下降识别。对任一道路，其基本图模型密度范围为
Figure DEST_PATH_IMAGE158
，当
Figure DEST_PATH_IMAGE160
时，按单位密度切分基本图模型，
Figure DEST_PATH_IMAGE162
时，按
Figure DEST_PATH_IMAGE164
密度切分，取各密度区域对应速度的90%分位点作为对应下界，数据点低于对应的速度90%分位值则视为异常数据点。根据连续异常数据点的阈值
Figure DEST_PATH_IMAGE166
完成
Figure 24971DEST_PATH_IMAGE128
样本的筛选，各道路的
Figure DEST_PATH_IMAGE168
计算采用如下公式：
Figure DEST_PATH_IMAGE170
其中，
Figure DEST_PATH_IMAGE172
表示
Figure DEST_PATH_IMAGE174
发生的天数.
Figure DEST_PATH_IMAGE176
表示所有天数.由于事件
Figure DEST_PATH_IMAGE178
与是否降雨关系不大，因此有：
Figure DEST_PATH_IMAGE180
。
更具体地：Step2实时积水识别，
实时积水识别部分在完成历史数据标定的基础上，接入实时手机导航，公交路况数据以及实时降雨量数据，实现对路段积水的实时智能识别。实时手机导航，公交路况数据与其历史数据格式一致。降雨量数据：将区域的经度和纬度分别按照0.01度的大小进行格点划分，每个格点代表大约1Km*1Km的地面范围。按照每5分钟的频率基于自动站实况监测数据进行插值计算，得到每个格点的降雨量数据。
更具体地：Step21降雨修正系数，
降水是积水的主要水源，积水与降雨强度息息相关。各路段在不同降雨条件下积水概率不一，但可以肯定的是，降雨强度越高，积水概率越大，因此引入降雨-积水修正系数
Figure DEST_PATH_IMAGE182
。
Figure DEST_PATH_IMAGE184
其中，
Figure DEST_PATH_IMAGE186
为小时降雨量，
Figure 381260DEST_PATH_IMAGE186
低于2.5毫米时为小雨，介于2.5毫米至8毫米之间为中雨，介于8毫米至18毫米之间为大雨，超过18毫米为暴雨。
更具体地：Step22实时积水概率计算，
发生降雨时，以5分钟为统计间隔，计算得到实时密度—速度数据点，对比路段基本图模型。若无异常数据点，则判断路段未积水，若存在异常数据点，分两种情况：
（1）连续异常数据点个数
Figure DEST_PATH_IMAGE188
小于其阈值
Figure DEST_PATH_IMAGE190
时，公式为：
Figure DEST_PATH_IMAGE192
其中，
Figure DEST_PATH_IMAGE194
，上述式子可转换成如下形式：
Figure DEST_PATH_IMAGE196
由于降雨积水数据样本的缺乏，式中
Figure DEST_PATH_IMAGE198
无法计算得到，但可以确定
Figure DEST_PATH_IMAGE200
与
Figure DEST_PATH_IMAGE202
成负相关关系。因此根据
Figure DEST_PATH_IMAGE204
值采用如下方法估计
Figure DEST_PATH_IMAGE206
：假定两者呈线性关系，当
Figure DEST_PATH_IMAGE208
取0时，
Figure 131303DEST_PATH_IMAGE206
取0.9，当
Figure 57671DEST_PATH_IMAGE208
取1时，
Figure 137622DEST_PATH_IMAGE206
取0.1。根据实时
Figure DEST_PATH_IMAGE210
值可对应历史标定结果得到
Figure 819139DEST_PATH_IMAGE208
，进而得到
Figure DEST_PATH_IMAGE212
。
（2）连续异常点个数
Figure DEST_PATH_IMAGE214
大于或等于阈值
Figure DEST_PATH_IMAGE216
时，
Figure DEST_PATH_IMAGE218
。
由于路段存在类似积水导致偶发拥堵事件的存在，引入降雨修正系数能够有效减少误判。将上述概率
Figure DEST_PATH_IMAGE220
乘上降雨修正系数，即
Figure DEST_PATH_IMAGE222
为路段发生积水的概率。
实施例2：本实施例与实施例1的不同点在于：基于的交通流基本图可以是密度-速度关系图，也可以是密度-流量关系图等其他交通流基本图模型。
实施例3：本实施例与1或2实施例的不同点在于：基本图模型可以是基于手机导航，公交GPS数据，也可以是地磁，卡口等其他交通数据采集设备采集的数据。
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 (8)

1.一种基于交通流基本图的城市道路积水智能识别方法，其特征在于，具体步骤：
Step1历史数据标定：基于一段时间的路况数据构建道路基本图模型，并筛选
Figure 581670DEST_PATH_IMAGE001
样本计算路段
Figure 608532DEST_PATH_IMAGE002
的
Figure 934471DEST_PATH_IMAGE003
；定义连续
Figure 97599DEST_PATH_IMAGE004
个异常数据点为事件
Figure 421264DEST_PATH_IMAGE005
，发生积水为事件
Figure 935422DEST_PATH_IMAGE006
，未发生积水为事件
Figure 799473DEST_PATH_IMAGE001
，降雨为事件
Figure 817108DEST_PATH_IMAGE007
，
Figure 371061DEST_PATH_IMAGE008
为求解的目标；通过
Figure 106936DEST_PATH_IMAGE009
估算
Figure 509099DEST_PATH_IMAGE010
；
Step2实时积水识别：基于实时连续异常点个数以及降雨修正系数计算路段实时积水概率。
2.根据权利要求1所述的一种基于交通流基本图的城市道路积水智能识别方法，其特征在于：所述Step1历史数据标定具体实现方法如下：
Step11交通流基本图构建，
利用路况数据构建道路交通流基本图；计算道路密度及速度参数，或者密度及流量关系；统计间隔取5分钟，针对路况数据进行上述参数的计算,以
Figure 646819DEST_PATH_IMAGE011
轴为密度，
Figure 640183DEST_PATH_IMAGE012
轴为速度或者流量分别构建交通流基本图模型，同时对基本图模型分别进行拟合，选取拟合优度最高的数据模型作为路段的基本图模型；
Step12交通流基本图模型下界确定与
Figure 597774DEST_PATH_IMAGE013
计算，
Figure 69207DEST_PATH_IMAGE014
计算需基于
Figure 61434DEST_PATH_IMAGE001
样本，
Figure 694540DEST_PATH_IMAGE001
样本的筛选需首先识别异常数据点，识别异常数据点的过程即对道路通行能力下降识别；对任一道路，其基本图模型密度范围为
Figure 608270DEST_PATH_IMAGE015
，当
Figure 617814DEST_PATH_IMAGE016
时，按单位密度切分基本图模型，
Figure 464547DEST_PATH_IMAGE017
时，按
Figure 534135DEST_PATH_IMAGE018
密度切分，取各密度区域对应速度的90%分位点作为对应下界，数据点低于对应的速度90%分位值则视为异常数据点；根据连续异常数据点的阈值
Figure 466318DEST_PATH_IMAGE019
完成
Figure 279554DEST_PATH_IMAGE001
样本的筛选，
Figure 526600DEST_PATH_IMAGE019
取6，各道路的
Figure 501510DEST_PATH_IMAGE020
计算采用如下公式：
Figure 186569DEST_PATH_IMAGE021
其中：
Figure 537916DEST_PATH_IMAGE022
表示
Figure 359241DEST_PATH_IMAGE023
发生的天数，
Figure 505052DEST_PATH_IMAGE024
表示所有天数，由于事件
Figure 411828DEST_PATH_IMAGE025
与是否降雨关系不大，因此有：
Figure 770128DEST_PATH_IMAGE026
。
3.根据权利要求2所述的一种基于交通流基本图的城市道路积水智能识别方法，其特征在于： Step11中所述路况数据是基于手机导航及公交GPS数据，或者是地磁及卡口交通数据采集设备采集的数据。
4.根据权利要求3所述的一种基于交通流基本图的城市道路积水智能识别方法，其特征在于：所述基于手机导航及公交GPS数据字段包括路段编号、时间间隔、累计行驶里程以及累计行驶时间。
5.根据权利要求4所述的一种基于交通流基本图的城市道路积水智能识别方法，其特征在于：Step11中所述计算道路密度及速度参数，采用如下公式进行计算：
Figure 445960DEST_PATH_IMAGE027
其中：
Figure 28251DEST_PATH_IMAGE028
为路段
Figure 422323DEST_PATH_IMAGE029
时间段
Figure 115473DEST_PATH_IMAGE030
内的密度；
Figure 911390DEST_PATH_IMAGE031
为路段
Figure 664583DEST_PATH_IMAGE029
在时间段
Figure 280372DEST_PATH_IMAGE030
内车辆的累计行驶路程；
Figure 39862DEST_PATH_IMAGE032
为路段
Figure 690286DEST_PATH_IMAGE029
在时间段
Figure 614380DEST_PATH_IMAGE030
内车辆的累计行驶时间；
Figure 983044DEST_PATH_IMAGE033
为路段
Figure 17996DEST_PATH_IMAGE029
在时间段
Figure 726189DEST_PATH_IMAGE030
的平均速度；
Figure 821184DEST_PATH_IMAGE034
为统计周期；
Figure 411566DEST_PATH_IMAGE035
为路段
Figure 250209DEST_PATH_IMAGE029
的长度。
6.根据权利要求5所述的一种基于交通流基本图的城市道路积水智能识别方法，其特征在于：Step11中采用指数或对数模型对基本图模型分别进行拟合，选取拟合优度最高的数据模型作为路段的基本图模型。
7.根据权利要求1-6任一所述的一种基于交通流基本图的城市道路积水智能识别方法，其特征在于：所述Step2实时积水识别具体实现方法如下：
Step21降雨修正系数，引入降雨-积水修正系数
Figure 875225DEST_PATH_IMAGE036
；
Figure 141121DEST_PATH_IMAGE037
其中：
Figure 218799DEST_PATH_IMAGE038
为小时降雨量，
Figure 595553DEST_PATH_IMAGE038
低于2.5毫米时为小雨，介于2.5毫米至8毫米之间为中雨，介于8毫米至18毫米之间为大雨，超过18毫米为暴雨；
Step22实时积水概率计算，发生降雨时，以5分钟为统计间隔，计算得到实时密度及速度或者密度及流量数据点，对比路段基本图模型，若无异常数据点，则判断路段未积水，若存在异常数据点，判断路段发生积水的概率。
8.根据权利要求7所述的一种基于交通流基本图的城市道路积水智能识别方法，其特征在于：Step22中若存在异常数据点，判断路段发生积水的概率分两种情况：
第一种，连续异常数据点个数
Figure 340656DEST_PATH_IMAGE039
小于其阈值
Figure 983645DEST_PATH_IMAGE040
时，公式为：
Figure 548619DEST_PATH_IMAGE041
其中，
Figure 994643DEST_PATH_IMAGE042
，上述式子可转换成如下形式：
Figure 594252DEST_PATH_IMAGE043
由于降雨积水数据样本的缺乏，式中
Figure 405213DEST_PATH_IMAGE044
无法计算得到，由于
Figure 191904DEST_PATH_IMAGE045
与
Figure 176040DEST_PATH_IMAGE046
成负相关关系；因此根据
Figure 630155DEST_PATH_IMAGE047
值采用如下方法估计
Figure 408755DEST_PATH_IMAGE048
：假定两者呈线性关系，当
Figure 948321DEST_PATH_IMAGE049
取0时，
Figure 470569DEST_PATH_IMAGE050
取0.9，当
Figure 779191DEST_PATH_IMAGE051
取1时，
Figure 931955DEST_PATH_IMAGE052
取0.1；根据实时
Figure 958817DEST_PATH_IMAGE039
值可对应历史标定结果得到
Figure 16247DEST_PATH_IMAGE053
，进而得到
Figure 444954DEST_PATH_IMAGE054
；
第二种，连续异常点个数
Figure 565357DEST_PATH_IMAGE056
大于或等于阈值
Figure 813936DEST_PATH_IMAGE057
：
Figure 677986DEST_PATH_IMAGE058
，由于路段存在类似积水导致偶发拥堵事件的存在，引入降雨修正系数能够有效减少误判，将上述概率
Figure 226779DEST_PATH_IMAGE059
乘上降雨修正系数，即
Figure 518083DEST_PATH_IMAGE060
为路段发生积水的概率。
CN202010949980.5A 2020-09-11 2020-09-11 一种基于交通流基本图的城市道路积水智能识别方法 Active CN111815955B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010949980.5A CN111815955B (zh) 2020-09-11 2020-09-11 一种基于交通流基本图的城市道路积水智能识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010949980.5A CN111815955B (zh) 2020-09-11 2020-09-11 一种基于交通流基本图的城市道路积水智能识别方法

Publications (2)

Publication Number Publication Date
CN111815955A true CN111815955A (zh) 2020-10-23
CN111815955B CN111815955B (zh) 2021-03-26

Family

ID=72860783

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010949980.5A Active CN111815955B (zh) 2020-09-11 2020-09-11 一种基于交通流基本图的城市道路积水智能识别方法

Country Status (1)

Country Link
CN (1) CN111815955B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113053111A (zh) * 2021-03-09 2021-06-29 周凤英 一种基于机器视觉和物联网的城市交通市政道路安全在线监测云平台
CN113255605A (zh) * 2021-06-29 2021-08-13 深圳市城市交通规划设计研究中心股份有限公司 一种路面病害检测方法、装置、终端设备及存储介质
CN116611333A (zh) * 2023-05-23 2023-08-18 中国水利水电科学研究院 一种城市洪涝风险点预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109961631A (zh) * 2017-12-22 2019-07-02 深圳市城市交通规划设计研究中心有限公司 道路积水点识别方法及道路积水点识别系统
CN110298076A (zh) * 2019-05-27 2019-10-01 广州奥格智能科技有限公司 一种基于gis和swmm的城市内涝智能建模及分析方法
CN110322690A (zh) * 2019-06-17 2019-10-11 西北工业大学 一种下沉路段积水状况监测预警系统及其预测预警方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109961631A (zh) * 2017-12-22 2019-07-02 深圳市城市交通规划设计研究中心有限公司 道路积水点识别方法及道路积水点识别系统
CN110298076A (zh) * 2019-05-27 2019-10-01 广州奥格智能科技有限公司 一种基于gis和swmm的城市内涝智能建模及分析方法
CN110322690A (zh) * 2019-06-17 2019-10-11 西北工业大学 一种下沉路段积水状况监测预警系统及其预测预警方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
邱建栋 等: "城市道路积水智能识别系统研究及应用", 《品质交通与协同共治——2019年中国城市交通规划年会论文集》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113053111A (zh) * 2021-03-09 2021-06-29 周凤英 一种基于机器视觉和物联网的城市交通市政道路安全在线监测云平台
CN113255605A (zh) * 2021-06-29 2021-08-13 深圳市城市交通规划设计研究中心股份有限公司 一种路面病害检测方法、装置、终端设备及存储介质
CN116611333A (zh) * 2023-05-23 2023-08-18 中国水利水电科学研究院 一种城市洪涝风险点预测方法
CN116611333B (zh) * 2023-05-23 2023-11-14 中国水利水电科学研究院 一种城市洪涝风险点预测方法

Also Published As

Publication number Publication date
CN111815955B (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
CN111815955B (zh) 一种基于交通流基本图的城市道路积水智能识别方法
CN109448367B (zh) 一种基于大数据图像采集的智能道路交通追踪管理系统
CN113742818B (zh) 市政道路积水多因素复合型预警预报方法
CN110160550B (zh) 一种基于道路积水预测的城市路线引导方法
CN102968901B (zh) 获取区域拥堵信息的方法及区域拥堵分析装置
CN110633865A (zh) 一种基于排涝模型的城市积水预测与安全预警系统
CN113110200A (zh) 一种基于气象和雨洪模型的城市内涝预警系统
CN109961631B (zh) 道路积水点识别方法及道路积水点识别系统
CN101673369A (zh) 基于投影寻踪的排水管网洪涝风险评价方法
CN113593191A (zh) 一种基于大数据的可视化城市内涝监测预警系统
CN117173871B (zh) 一种防汛监测方法和系统
CN116206426B (zh) 一种基于物联网的移动式水位监测报警系统
CN107273686B (zh) 雨洪径流氮磷输出负荷预测方法
CN111986464A (zh) 一种基于动态方法预报道路结冰的系统
CN112330066A (zh) 一种基于地理信息的台风期间出行风险预警的方法
CN108920655B (zh) 一种道路天气信息系统时空覆盖范围量化方法及装置
CN116380153A (zh) 一种城市内涝监测预警系统及预警方法
CN109814462A (zh) 一种基于大数据的城市排水网络监控控制系统
CN115294770A (zh) 一种雨天交通拥堵指数的预测方法和装置
CN112530137A (zh) 一种基于临界雨量的分布式中小流域地质灾害及洪水预警方法
Hablas A study of inclement weather impacts on freeway free-flow speed
CN111397686A (zh) 一种城市内涝预警方法
CN114926962A (zh) 一种河流水域洪涝预警用水位ai图像识别预警系统
CN218513040U (zh) 一种气象灾害联合监测预警装置
CN117113038B (zh) 城市水土流失黄泥水事件溯源方法及系统

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