CN112116813B - 状态识别模型建立方法、道路交通状态识别方法及装置 - Google Patents
状态识别模型建立方法、道路交通状态识别方法及装置 Download PDFInfo
- Publication number
- CN112116813B CN112116813B CN202011306295.7A CN202011306295A CN112116813B CN 112116813 B CN112116813 B CN 112116813B CN 202011306295 A CN202011306295 A CN 202011306295A CN 112116813 B CN112116813 B CN 112116813B
- Authority
- CN
- China
- Prior art keywords
- road section
- straight
- fixed
- average
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 239000013598 vector Substances 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000007637 random forest analysis Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 9
- 230000006698 induction Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000011144 upstream manufacturing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 3
- 206010021033 Hypomenorrhoea Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种状态识别模型建立方法、道路交通状态识别方法及装置，建立方法包括：分别获取直行车队中各车辆通过标定路段时的路段旅行时间各车辆的定点车速；根据所有路段旅行时间计算直行车队的平均路段旅行时间，根据所有定点车速计算直行车队分别在不同时间段内的平均速度；将平均路段旅行时间分别与多个阈值范围进行匹配，确定标定路段的交通状态等级，将所有平均速度依次排列组成特征向量；构建基于随机森林的待训练模型，对应的交通状态等级和特征向量为一个样本，获取多个不同的直行车队分别对应的样本组成数据集；采用数据集训练待训练模型，获得状态识别模型。本发明的技术方案建立的状态识别模型识别精度高，应用过程简单高效。
Description
技术领域
本发明涉及道路交通状态识别技术领域，具体而言，涉及一种状态识别模型建立方法、道路交通状态识别方法及装置。
背景技术
随着我国居民生活水平的不断提高，汽车保有量逐年提升，伴随而来的是道路拥堵也日益严重。随着信息化技术的发展，智慧交通系统被越来越多的用于进行道路交通管控，其中，识别道路交通状态在智慧交通系统中起着非常重要的作用，目前常采用以下几种方法来估计道路交通状态。
一种方法是基于交通流理论，通过交通流特征来估计车辆排队长度，实现对道路交通状态的估计。例如：利用线圈检测数据，运用交通波理论从交叉口绿灯结束时的滞留排队长度和下游交叉口溢流两个方面判别过饱和交通状态；针对绿灯结束时的滞留排队长度，利用定义的排队消散系数判别交叉口的过饱和交通状态；针对下游交叉口溢流，利用定义的溢流阻滞系数判别过饱和溢流现象。该方法根据线圈检测数据，通过计算排队消散系数和溢流阻滞系数能够判别过饱和交通状态，但是，该方法适用范围小，应用于复杂的城市道路环境时估计精度较低。
另一种方法是基于线性拟合、决策树、神经网络等模型，建立特征变量与交通状态分类之间的关系，实现道路交通状态的估计。例如：以低频定点检测器采集的流量、占有率、速度数据与交叉口离线信号配时方案作为特征变量，并以路段平均行程速度为标签变量，基于分类回归树（CART）模型，实现道路交通状态的估计。该方法以车辆路段行程速度为评价指标，能够将交通状态分为畅通状态、拥挤状态和阻塞状态3类，对拥挤状态的估计精度较高，但对畅通状态和阻塞状态的估计精度较低。
发明内容
本发明解决的问题是如何提高道路交通状态的识别精度。
为解决上述问题，本发明提供一种状态识别模型建立方法、道路交通状态识别方法及装置。
第一方面，本发明提供了一种状态识别模型建立方法，包括：
分别获取直行车队中各车辆通过标定路段时的路段旅行时间，和设置在所述标定路段上的定点检测器检测的各所述车辆的定点车速；
根据各所述车辆的所有所述路段旅行时间计算所述直行车队的平均路段旅行时间，并根据各所述车辆的所有所述定点车速计算所述直行车队分别在不同时间段内的平均速度；
将所述平均路段旅行时间分别与预先确定的多个阈值范围进行匹配，确定所述标定路段的交通状态等级，并将不同时间段的所述平均速度依次排列，组成特征向量；
构建基于随机森林的待训练模型，所述直行车队对应的所述交通状态等级和所述特征向量为一个样本，获取多个不同的所述直行车队分别对应的所述样本，将所有所述样本组成数据集；
采用所述数据集训练所述待训练模型，获得状态识别模型。
进一步，所述分别获取一个直行车队中各车辆通过标定路段时的路段旅行时间，和设置在所述标定路段上的定点检测器检测的各所述车辆的定点车速包括：
采用微观仿真模型模拟所述标定路段、所述直行车队和所述定点检测器，运行所述微观仿真模型，获得所述直行车队中各所述车辆通过所述标定路段的所述路段旅行时间和所述定点检测器检测的所有所述定点车速。
进一步，所述定点检测器包括地磁传感器和/或感应线圈，令所述定点检测器设置在所述标定路段上的位置为特定位置，则所述特定位置与下游红绿灯前的停车线之间的区域适于停放一个直行绿灯时间段内能够释放的所有车辆。
进一步，所述交通状态等级的数量为多个，每个所述交通状态等级分别对应一个所述阈值范围，所述将所述平均路段旅行时间分别与预先确定的多个阈值范围进行匹配，确定所述标定路段的交通状态等级包括：
将所述直行车队的所述平均路段旅行时间分别与各个所述阈值范围进行匹配，确定所述直行车队的所述平均路段旅行时间对应的所述阈值范围；
根据确定的所述阈值范围确定所述标定路段的所述交通状态等级。
进一步，所述交通状态等级的包括1到M个等级，M大于或等于2，则对于任一交通状态等级m，m大于或等于1，且小于或等于M，采用第一公式确定所述交通状态等级m对应的所述平均路段旅行时间，所述第一公式包括：
其中，
为所述交通状态等级m对应的所述平均路段旅行时间，
为交通信号配时的相位差，
为交通信号配时的周期长度；
采用第二公式确定各个所述交通状态等级分别对应的所述阈值范围，所述第二公式包括：
进一步，所述定点检测器的数量为多个，根据各所述车辆的所有定点车速计算所述直行车队分别在不同时间段内的平均速度，将不同时间段的所述平均速度依次排列，组成特征向量包括：
获取所述定点检测器检测到所述直行车队的各所述车辆的所述定点车速时的检测时间；
按照固定时间间隔划分所述直行车队的所述平均路段旅行时间，获得多个时间段；
对于任一时间段，根据所述检测时间确定所述时间段内检测到的所有所述定点车速，根据所述时间段内的所有所述定点车速计算所述时间段内所述直行车队的所述平均速度；
将各个时间段的所述平均速度依次排列，组成一个所述特征向量。
进一步，所述采用所述数据集训练所述待训练模型包括：
将所有所述样本中的所有所述特征向量分别输入所述待训练模型，分别输出预测状态等级；
根据所述预测状态等级和所述交通状态等级计算所述待训练模型的识别率；
根据所述识别率调整所述待训练模型的参数，直至所述待训练模型的所述识别率达到预设阈值，获得训练好的所述状态识别模型。
进一步，所述识别率包括正确识别率和错误识别率，所述交通状态等级包括1到M个等级，M大于或等于2，所述交通状态等级从1到M表示道路堵塞程度越来越高，所述根据所述预测状态等级和所述交通状态等级计算所述待训练模型的识别率包括：
根据所述预测状态等级和所述交通状态等级，采用第三公式确定所述正确识别率，所述第三公式包括：
采用第四公式确定所述错误识别率，所述第四公式包括：
其中，N为预设阈值，N大于1且小于或等于M。
第二方面，本发明提供了一种道路交通状态识别方法，包括：
获取设置在待测路段上的定点检测器检测的直行车队中各车辆的定点车速；
根据检测的所有所述定点车速计算所述直行车队分别在不同时间段内的平均速度，将不同时间段的所述平均速度依次排列，组成特征向量；
将所述特征向量输入训练好的状态识别模型，输出所述待测路段的交通状态等级；
所述训练好的状态识别模型是由如权利要求1至7任一项所述的状态识别模型建立方法训练得到的。
第三方面，本发明提供了一种状态识别模型建立装置，包括：
第一获取模块，用于分别获取直行车队中各车辆通过标定路段时的路段旅行时间，和设置在所述标定路段上的定点检测器检测的各所述车辆的定点车速；
第一处理模块，用于根据各所述车辆的所有所述路段旅行时间计算所述直行车队的平均路段旅行时间，并根据各所述车辆的所有定点车速计算所述直行车队分别在不同时间段内的平均速度；
第二处理模块，用于将所述平均路段旅行时间分别与预先确定的多个阈值范围进行匹配，确定所述标定路段的交通状态等级，并将不同时间段的所述平均速度依次排列，组成特征向量；
构建模块，用于构建基于随机森林的待训练模型，所述直行车队对应的所述交通状态等级和所述特征向量为一个样本，获取多个不同的所述直行车队分别对应的所述样本，将所有所述样本组成数据集；
训练模块，用于采用所述数据集训练所述待训练模型，获得状态识别模型。
第四方面，本发明提供了一种道路交通状态识别装置，包括：
第二获取模块，用于获取设置在待测路段上的定点检测器检测的直行车队中各车辆的定点车速；
第三处理模块，用于根据检测的所有所述定点车速计算所述直行车队分别在不同时间段内的平均速度，将不同时间段的所述平均速度依次排列，组成特征向量；
识别模块，用于将所述特征向量输入训练好的状态识别模型，输出所述待测路段的交通状态等级；
所述训练好的状态识别模型是由如上所述的状态识别模型建立方法训练得到的。
第五方面，本发明提供了一种电子设备，包括存储器及处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于当执行所述计算机程序时，实现如上所述的状态识别模型建立方法或如上所述的道路交通状态识别方法。
第六方面，本发明提供了一种计算机可读存储介质，所述介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的状态识别模型建立方法或如上所述的道路交通状态识别方法。
本发明的状态识别模型建立方法、道路交通状态识别方法及装置的有益效果是：获取直行车队中各车辆分别通过标定路段时的路段旅行时间，和定点检测器检测的各车辆的定点车速，结合各车辆的路段旅行时间计算直行车队的平均路段旅行时间，并根据检测的所有定点车速分别计算不同时间段的平均速度，能够降低单辆车的路段旅行时间和定点车速存在的误差，提高精度。根据平均路段旅行时间划分交通状态等级，考虑了通行过程中的各种因素对道路交通状态的影响，例如红绿灯周期等对交通状态的影响，能够提高状态识别模型的识别精度。并且将交通状态等级和平均速度组成的特征向量结合起来训练得到状态识别模型，后续只需将定点检测器检测的直行车队中各车辆的定点车速处理后输入状态识别模型，就可得到对应路段的交通状态等级，简单高效、精度高。
附图说明
图1为本发明实施例的一种状态识别模型建立方法的流程示意图；
图2为本发明实施例的交通走廊模型；
图3为本发明实施例的标定路段的交通状态为通畅时的示意图；
图4为本发明实施例的标定路段的交通路段为堵塞时的示意图；
图5为本发明实施例的状态识别模型的参数与正确识别率之间的关系示意图；
图6为本发明实施例的状态识别模型的参数与错误识别率之间的关系示意图；
图7为本发明实施例的一种道路交通状态识别方法的流程示意图；
图8为本发明实施例的一种状态识别模型建立装置的结构示意图；
图9为本发明实施例的一种道路交通状态识别装置的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
如图1所示，本发明实施例提供的一种状态识别模型建立方法，包括：
步骤110，分别获取直行车队中各车辆通过标定路段时的路段旅行时间，和设置在所述标定路段上的定点检测器检测的各所述车辆的定点车速。
具体地，直行车队指在同一个信号周期内进出某个路段时转向都是直行的车队，路段旅行时间指两点间形成时间的算术平均值，即一辆车通过标定路段时所用的时间，定点车速为一辆车经过定点检测器时的车速。定点检测器可包括地磁传感器、感应线圈和摄像头等检测器，优选为地磁传感器和/或感应线圈，相较于采用摄像头来检测定点车速，成本更低。
步骤120，根据各所述车辆的所有所述路段旅行时间计算所述直行车队的平均路段旅行时间，并根据各所述车辆的所有定点车速计算所述直行车队分别在不同时间段内的平均速度。
具体地，将直行车队中所有车的路段旅行时间进行算术平均，就可得到该直行车队的平均路段旅行时间。
步骤130，将所述平均路段旅行时间分别与预先确定的多个阈值范围进行匹配，确定所述标定路段的交通状态等级，并将不同时间段的所述平均速度依次排列，组成特征向量；
步骤140，构建基于随机森林的待训练模型，所述直行车队对应的所述交通状态等级和所述特征向量为一个样本，获取多个不同的所述直行车队分别对应的所述样本，将所有所述样本组成数据集；
步骤150，采用所述数据集训练所述待训练模型，获得状态识别模型。
本实施例中，获取直行车队中各车辆分别通过标定路段时的路段旅行时间，和定点检测器检测的各车辆的定点车速，结合各车辆的路段旅行时间计算直行车队的平均路段旅行时间，并根据检测的所有定点车速分别计算不同时间段的平均速度，能够降低单辆车的路段旅行时间和定点车速存在的误差，提高精度。根据平均路段旅行时间划分交通状态等级，考虑了通行过程中的各种因素对道路交通状态的影响，例如红绿灯周期等对交通状态的影响，能够提高状态识别模型的识别精度。并且将交通状态等级和平均速度组成的特征向量结合起来训练得到状态识别模型，后续只需将定点检测器检测的直行车队中各车辆的定点车速处理后输入状态识别模型，就可得到对应路段的交通状态等级，简单高效、精度高。
优选地，令所述定点检测器设置在所述标定路段上的位置为特定位置，则所述特定位置与下游红绿灯前的停车线之间的区域适于停放一个直行绿灯时间段内能够释放的所有车辆。
具体地，定点检测器的位置会影响状态识别模型的识别精度，定点检测器设置在特定位置，例如：如果平均停车距离为5米，即每辆车停车所占路段长度以及与后车之间的距离为5米，一个直行绿灯时间内一个车道最多能够释放20辆车，则定点检测器可设置在停车线上游100米处。其中，下游为车辆行驶方向，上游为车辆行驶反方向。
优选地，所述分别获取一个直行车队中各车辆通过标定路段时的路段旅行时间，和设置在所述标定路段上的定点检测器检测的各所述车辆的定点车速包括：
采用微观仿真模型模拟所述标定路段、所述直行车队和所述定点检测器，运行所述微观仿真模型，获得所述直行车队中各所述车辆通过所述标定路段的所述路段旅行时间和所述定点检测器检测的所有所述定点车速。
具体地，微观仿真模型是一个虚构的、简单的交通走廊模型，可采用VISSIM仿真软件进行模拟，如图2所示，标定路段由三个路段和周边相邻路段组成。各路段为单向3车道，接近交叉口时扩展为4车道，包括1个左转专用道、2个直行道和1个右转专用道。可采用VISSIM仿真软件提供的动态OD（交通出行量）分配方法生成车辆，仿真时间为3小时，表一为基础OD表，表示了不同起点到不同终点的车流量，图2中1至10为起点或终点。为了模拟早高峰时段开往市中心的车流，基础OD表中加强了从左到右的车流。
表一 基础OD表
表一中第一列的各个数字分别表示各个起点，第一行的数字分别表示各个终点。如表一中第二行为从位置1出发分别到位置1至10的车辆数。
表二为不同时段的扩张率（scale），其中15分钟为一个时间片。不同时段的OD表可通过基础OD表乘以对应时段的扩张率进行计算，例如第2个小时的第一个时间片（表二中的第5个时间片）的OD表为基础OD表乘以对应的扩张率1.4。
表二 不同时段的扩张率
图2中的交叉口采用了四相位定时控制方式，信号周期为120秒，东西向的直行和左转的绿灯时间分别为52秒和15秒，南北向的直行和左转的绿灯时间分别为22秒和25秒，并用默认车速50km/h设置从左到右的相邻交叉口的相位差，以上游交叉口的绿灯亮时为基准，下游交叉口的绿灯开始点亮时相对上游交叉口的绿灯点亮的时间滞后的时间长度就是相位差。
可通过VISSIM仿真软件提供的模块在模拟的标定路段中设置DCP（DataCollection point,数据收集点）类定点检测器，并且可采集通过DCP检测器的车辆的ID、通过时间、速度等数据。如图2所示，在标定路段中设置了5个DCP检测器，其中标号为A和E的DCP检测器用于通过采集路段3的旅行时间，旅行时间等于检测器A和检测器E检测到数据的时间差，通过旅行时间可识别直行车队经过标定路段时标定路段的交通状态等级。检测器A和E可设置在直行车道的两端，保证检测到的数据是直行车队的数据。
为了比较检测器设置在不同位置时对状态识别模型识别精度的影响，在路段3中设置了3个DCP检测器，编号分别为B、C、D。假设1个绿灯时间周期内，有约40辆车通过，检测器C的位置对应40辆车排队所需的位置，即检测器C到下游红绿灯前停车线内可以停40辆车，检测器B的位置在检测器C的位置的上游30米处，检测器D的位置在检测器C的位置的下游30米处。
在已知各交通状态等级分别对应的平均旅行时间阈值范围的情况下，如下文中公式二，通过检测器A和检测器E检测的各车辆的路段旅行时间，就可确定直行车队的平均路段旅行时间，进而可确定该直行车队经过的路段的交通状态等级。
并且，可采用10秒作为平均路段旅行时间的分组间隔，计算每个时间段内检测到的所有定点车速的平均值，确定特征向量。由于在拥挤情况下，左转和右转进入的车辆会跟上直行车队，难以区分直行车队与左右转进入的车辆。左右转进入的车辆需要直行车队的前面部分的车辆通过，才能转向进入同一车道，因此，为了排除左右转车辆的影响，可仅考虑前40秒通过DCP检测器的车辆，即特征变量是4个平均速度组成的向量。
为了获得足够数量的样本，运行仿真模型1万次，计算每个周期内直行车队的交通状态等级和特征变量，组成训练待训练模型的数据集。为了保证个交通状态等级的样本量基本相同，可通过随机抽样的方法提取数量相差不大的样本。表三表示采用不同位置的定点检测器时各个所述交通状态等级的样本量。
表三 采用不同位置的定点检测器时各个交通状态等级下的样本量
本优选的实施例中，直行车队中除第一辆车外的其它车经过定点检测器时的速度主要取决于车辆的跟驰行为，VISSIM仿真软件能够反映真实的车辆跟驰行为，较为准确的刻画实际交通流特征，提高车辆的定点车速的检测精度，进而提高状态识别模型识别道路交通状态的精度。
优选地，所述交通状态等级的数量为多个，每个所述交通状态等级分别对应一个所述阈值范围，所述将所述平均路段旅行时间分别与预先确定的多个阈值范围进行匹配，确定所述标定路段的交通状态等级包括：
将所述直行车队的所述平均路段旅行时间分别与各个所述阈值范围进行匹配，确定所述直行车队的所述平均路段旅行时间对应的所述阈值范围；
根据确定的所述阈值范围确定所述标定路段的所述交通状态等级。
具体地，所述交通状态等级的包括1到M个等级，M大于或等于2，则对于任一交通状态等级m，m大于或等于1，且小于或等于M，采用第一公式确定所述交通状态等级m对应的所述平均路段旅行时间，所述第一公式包括：
其中，
为所述交通状态等级m对应的所述平均路段旅行时间，
为交通信号配时的相位差，
为交通信号配时的周期长度。
采用第二公式确定各个所述交通状态等级分别对应的所述阈值范围，所述第二公式包括：
具体地，图3和图4中右侧直行车队的行驶轨迹为时空轨迹，纵轴表示空间，横轴表示时间。如图3所示，直行车队从上游交叉口沿着行驶方向开往下游交叉口的过程中，直行车队的轨迹为直线，此过程直行车队中的所有车辆均没有等待下游红绿灯的红灯，直行车队中所有车辆的路段旅行时间之和较小，该路段此时处于通畅的交通状态。如图4所示，直行车队从上游交叉口沿着行驶方向开往下游交叉口的过程中，直行车队的轨迹曲折，此过程直行车队中的所有车辆均等待了下游红绿灯的红灯，直行车队中所有车辆的路段旅行时间之和较大，该路段此时处于堵塞的交通状态。
交通状态等级为1时，假设该路段对应图3，此时该路段最通畅，直行车队的平均路段旅行时间约等于相位差。交通状态等级为M时，假设该路段对应图4，此时该路段最堵塞，直行车队的平均路段旅行时间约等于相位差和周期长度之和。
本优选的实施例中，基于直行车队的平均旅行时间的范围划分道路交通状态，相较于传统的基于路段平均速度的阈值范围划分交通状态，考虑了交通信号配时的信号周期和相位差等参数对道路交通状态的影响，能够提高道路交通状态的识别精度。并且，最佳的交通状态等级对应直行车队的车辆全部不经历下游交叉口的红灯，最差的交通状态等级对应直行车队的车辆全部经历下游交叉口的红灯，根据交通状态等级就可清楚直观地确定道路交通状况。
优选地，根据各所述车辆的所有定点车速计算所述直行车队分别在不同时间段内的平均速度，将不同时间段的所述平均速度依次排列，组成特征向量包括：
获取所述定点检测器检测到所述直行车队的各所述车辆的所述定点车速时的检测时间；
按照固定时间间隔划分所述直行车队的所述平均路段旅行时间，获得多个时间段；
对于任一时间段，根据所述检测时间确定所述时间段内检测到的所有所述定点车速，根据所述时间段内的所有所述定点车速计算所述时间段内所述直行车队的所述平均速度；
将各个时间段的所述平均速度依次排列，组成一个所述特征向量。
具体地，假设定点检测器检测到直行车队各车辆的定点车速如表四所示，若以10秒间隔划分平均路段旅行时间，如上文所述，为了排除左右转车辆的影响，本实施例中仅考虑定点检测器前40秒检测到的定点车速，因此划分为4个时间段，根据定点检测器检测到定点车速的检测时间分别确定各个时间段内的所有定点车速，通过对各个时间段内的定点车速进行算术平均确定各个时间段内的平均速度，将各个时间段对应的平均速度依次排列，就可获取该直行车队对应的特征向量。
表四 特征向量生成实例
优选地，所述采用所述数据集训练所述待训练模型包括：
将所有所述样本中的所有所述特征向量分别输入所述待训练模型，分别输出预测状态等级；
根据所述预测状态等级和所述交通状态等级计算所述待训练模型的识别率；
根据所述识别率调整所述待训练模型的参数，直至所述待训练模型的所述识别率达到预设阈值，获得训练好的所述状态识别模型。
具体地，所述交通状态等级从1到M表示道路堵塞程度越来越高，所述根据所述预测状态等级和所述交通状态等级计算所述待训练模型的识别率包括：
根据所述预测状态等级和所述交通状态等级，采用第三公式确定所述正确识别率，所述第三公式包括：
采用第四公式确定所述错误识别率，所述第四公式包括：
其中，N为预设阈值，N大于1且小于或等于M。
假设交通状态等级包括1到5级五个等级，从1级到5级依次表示标定路段的堵塞程度依次增加，4级和5级表示标定路段的堵塞程度较高，由于在进行交通规划时，更加关注堵塞状态，因此确定识别率时可仅关注交通状态等级为4和5的识别率，且不需要区分这两种状态，此时N可取为4。N为4时，正确识别率的计算公式为：
错误识别率的计算公式为：
随机森林可采用python的sklearn.ensemble.RandomForestClassifie库标定模型，其中，参数n_estimators和参数min_samples_leaf分别表示子树的数量和最小样本叶片的大小，对随机森林的识别结果有较大的影响。
图5和图6分别表示当定点检测器位于检测器C的位置，参数n_estimators和参数min_samples_leaf分别选取不同取值时待检测模型的正确识别率和错误识别率，从图5中数据可知，待训练模型的正确识别率普遍超过了80%，从图6中的数据可知，待训练模型的错误识别率大多小于15%，因此采用本实施例的方法建立的状态识别模型可满足工程应用的需求。其中，当参数n_estimators=100和min_samples_leaf=500时，状态识别模型的正确识别率最高，为83.1%，参数n_estimators=200和min_samples_leaf=150时，状态识别模型的错误识别率最低，为13.8%。可分别设置正确识别率阈值和错误识别率阈值，当正确识别率大于或等于正确识别率阈值，且错误识别率小于或等于错误识别率阈值时，确定此时的参数n_estimators和参数min_samples_leaf数值对应的待训练模型为状态识别模型。
并且，表五表示了定点检测器分别位于检测器B、检测器C和检测器D的位置时，待训练模型的最佳识别精度和对应的参数n_estimators和参数min_samples_leaf数值。
表五 定点检测器位于不同位置时待训练模型的识别精度
根据表五中的数据可知，当定点检测器设置在检测器C的位置时，待训练模型的识别精度最高，为83.1%；定点检测器设置在检测器B的位置处时，待训练模型的识别精度最低，为82.4%。因此，为了提高最终训练得到的状态识别模型的道路交通状态的识别精度，应将定点检测器设置在检测器C所在的位置，即定点检测器到下游红绿灯前的停车线之间可停一个直行绿灯时间段内能释放的所有车辆。
如图7所示，本发明实施例提供的一种道路交通状态识别方法，包括：
步骤210，获取设置在待测路段上的定点检测器检测的直行车队中各车辆的定点车速；
步骤220，根据检测的所有所述定点车速计算所述直行车队分别在不同时间段内的平均速度，将不同时间段的所述平均速度依次排列，组成特征向量；
步骤230，将所述特征向量输入训练好的状态识别模型，输出所述待测路段的交通状态等级；
所述训练好的状态识别模型是由如上所述的状态识别模型建立方法训练得到的。
如图8所示，本发明实施例提供的一种状态识别模型建立装置，包括：
第一获取模块，用于分别获取直行车队中各车辆通过标定路段时的路段旅行时间，和设置在所述标定路段上的定点检测器检测的各所述车辆的定点车速；
第一处理模块，用于根据各所述车辆的所有所述路段旅行时间计算所述直行车队的平均路段旅行时间，并根据各所述车辆的所有定点车速计算所述直行车队分别在不同时间段内的平均速度；
第二处理模块，用于将所述平均路段旅行时间分别与预先确定的多个阈值范围进行匹配，确定所述标定路段的交通状态等级，并将不同时间段的所述平均速度依次排列，组成特征向量；
构建模块，用于构建基于随机森林的待训练模型，所述直行车队对应的所述交通状态等级和所述特征向量为一个样本，获取多个不同的所述直行车队分别对应的所述样本，将所有所述样本组成数据集；
训练模块，用于采用所述数据集训练所述待训练模型，获得状态识别模型。
如图9所示，本发明实施例提供的一种道路交通状态识别装置，包括：
第二获取模块，用于获取设置在待测路段上的定点检测器检测的直行车队中各车辆的定点车速；
第三处理模块，用于根据检测的所有所述定点车速计算所述直行车队分别在不同时间段内的平均速度，将不同时间段的所述平均速度依次排列，组成特征向量；
识别模块，用于将所述特征向量输入训练好的状态识别模型，输出所述待测路段的交通状态等级；
所述训练好的状态识别模型是由如上所述的状态识别模型建立方法训练得到的。
本发明实施例提供的一种电子设备包括存储器及处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现如上所述的状态识别模型建立方法或如上所述的道路交通状态识别方法。
本发明实施例提供的一种计算机可读存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的状态识别模型建立方法或如上所述的道路交通状态识别方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。在本申请中，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单元来实现本发明实施例方案的目的。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
虽然本发明公开披露如上，但本发明公开的保护范围并非仅限于此。本领域技术人员在不脱离本发明公开的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。
Claims (13)
1.一种状态识别模型建立方法，其特征在于，包括：
分别获取直行车队中各车辆通过标定路段时的路段旅行时间，和设置在所述标定路段上的定点检测器检测的各所述车辆的定点车速，令所述定点检测器设置在所述标定路段上的位置为特定位置，则所述特定位置与下游红绿灯前的停车线之间的区域适于停放一个直行绿灯时间段内能够释放的所有车辆；
根据各所述车辆的所有所述路段旅行时间计算所述直行车队的平均路段旅行时间，并根据检测的所有所述定点车速计算所述直行车队分别在不同时间段内的平均速度；
将所述平均路段旅行时间分别与预先确定的多个阈值范围进行匹配，确定所述标定路段的交通状态等级，并将不同时间段的所述平均速度依次排列，组成特征向量；
构建基于随机森林的待训练模型，所述直行车队对应的所述交通状态等级和所述特征向量为一个样本，获取多个不同的所述直行车队分别对应的所述样本，将所有所述样本组成数据集；
采用所述数据集训练所述待训练模型，获得状态识别模型。
2.根据权利要求1所述的状态识别模型建立方法，其特征在于，所述分别获取一个直行车队中各车辆通过标定路段时的路段旅行时间，和设置在所述标定路段上的定点检测器检测的各所述车辆的定点车速包括：
采用微观仿真模型模拟所述标定路段、所述直行车队和所述定点检测器，运行所述微观仿真模型，获得所述直行车队中各所述车辆通过所述标定路段的所述路段旅行时间和所述定点检测器检测的所有所述定点车速。
3.根据权利要求1所述的状态识别模型建立方法，其特征在于，所述定点检测器包括地磁传感器和/或感应线圈。
4.根据权利要求1所述的状态识别模型建立方法，其特征在于，所述交通状态等级的数量为多个，每个所述交通状态等级分别对应一个所述阈值范围，所述将所述平均路段旅行时间分别与预先确定的多个阈值范围进行匹配，确定所述标定路段的交通状态等级包括：
将所述直行车队的所述平均路段旅行时间分别与各个所述阈值范围进行匹配，确定所述直行车队的所述平均路段旅行时间对应的所述阈值范围；
根据确定的所述阈值范围确定所述标定路段的所述交通状态等级。
5.根据权利要求4所述的状态识别模型建立方法，其特征在于，所述交通状态等级包括1到M个等级，M大于或等于2，则对于任一交通状态等级m，m大于或等于1，且小于或等于M，采用第一公式确定所述交通状态等级m对应的所述平均路段旅行时间，所述第一公式包括：
其中，
为所述交通状态等级m对应的所述平均路段旅行时间，
为交通信号配时的相位差，
为交通信号配时的周期长度；
采用第二公式确定各个所述交通状态等级分别对应的所述阈值范围，所述第二公式包括：
6.根据权利要求1所述的状态识别模型建立方法，其特征在于，根据各所述车辆的所有定点车速计算所述直行车队分别在不同时间段内的平均速度，将不同时间段的所述平均速度依次排列，组成特征向量包括：
获取所述定点检测器检测到所述直行车队的各所述车辆的所述定点车速时的检测时间；
按照固定时间间隔划分所述直行车队的所述平均路段旅行时间，获得多个时间段；
对于任一时间段，根据所述检测时间确定所述时间段内检测到的所有所述定点车速，根据所述时间段内的所有所述定点车速计算所述时间段内所述直行车队的所述平均速度；
将各个时间段的所述平均速度依次排列，组成一个所述特征向量。
7.根据权利要求1至6任一项所述的状态识别模型建立方法，其特征在于，所述采用所述数据集训练所述待训练模型包括：
将所有所述样本中的所有所述特征向量分别输入所述待训练模型，分别输出预测状态等级；
根据所述预测状态等级和所述交通状态等级计算所述待训练模型的识别率；
根据所述识别率调整所述待训练模型的参数，直至所述待训练模型的所述识别率达到预设阈值，获得训练好的所述状态识别模型。
8.根据权利要求7所述的状态识别模型建立方法，其特征在于，所述识别率包括正确识别率和错误识别率，所述交通状态等级包括1到M个等级，M大于或等于2，所述交通状态等级从1到M表示道路堵塞程度越来越高，所述根据所述预测状态等级和所述交通状态等级计算所述待训练模型的识别率包括：
根据所述预测状态等级和所述交通状态等级，采用第三公式确定所述正确识别率，所述第三公式包括：
采用第四公式确定所述错误识别率，所述第四公式包括：
其中，N为预设阈值，N大于1且小于或等于M。
9.一种道路交通状态识别方法，其特征在于，包括：
获取设置在待测路段上的定点检测器检测的直行车队中各车辆的定点车速；
根据检测的所有所述定点车速计算所述直行车队分别在不同时间段内的平均速度，将不同时间段的所述平均速度依次排列，组成特征向量；
将所述特征向量输入训练好的状态识别模型，输出所述待测路段的交通状态等级；
所述训练好的状态识别模型是由如权利要求1至8任一项所述的状态识别模型建立方法训练得到的。
10.一种状态识别模型建立装置，其特征在于，包括：
第一获取模块，用于分别获取直行车队中各车辆通过标定路段时的路段旅行时间，和设置在所述标定路段上的定点检测器检测的各所述车辆的定点车速，令所述定点检测器设置在所述标定路段上的位置为特定位置，则所述特定位置与下游红绿灯前的停车线之间的区域适于停放一个直行绿灯时间段内能够释放的所有车辆；
第一处理模块，用于根据各所述车辆的所有所述路段旅行时间计算所述直行车队的平均路段旅行时间，并根据检测的所有所述定点车速计算所述直行车队分别在不同时间段内的平均速度；
第二处理模块，用于将所述平均路段旅行时间分别与预先确定的多个阈值范围进行匹配，确定所述标定路段的交通状态等级，并将不同时间段的所述平均速度依次排列，组成特征向量；
构建模块，用于构建基于随机森林的待训练模型，所述直行车队对应的所述交通状态等级和所述特征向量为一个样本，获取多个不同的所述直行车队分别对应的所述样本，将所有所述样本组成数据集；
训练模块，用于采用所述数据集训练所述待训练模型，获得状态识别模型。
11.一种道路交通状态识别装置，其特征在于，包括：
第二获取模块，用于获取设置在待测路段上的定点检测器检测的直行车队中各车辆的定点车速；
第三处理模块，用于根据检测的所有所述定点车速计算所述直行车队分别在不同时间段内的平均速度，将不同时间段的所述平均速度依次排列，组成特征向量；
识别模块，用于将所述特征向量输入训练好的状态识别模型，输出所述待测路段的交通状态等级；
所述训练好的状态识别模型是由如权利要求1至8任一项所述的状态识别模型建立方法训练得到的。
12.一种电子设备，其特征在于，包括存储器及处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于当执行所述计算机程序时，实现如权利要求1至8任一项所述的状态识别模型建立方法或如权利要求9所述的道路交通状态识别方法。
13.一种计算机可读存储介质，其特征在于，所述介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1至8任一项所述的状态识别模型建立方法或如权利要求9所述的道路交通状态识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011306295.7A CN112116813B (zh) | 2020-11-20 | 2020-11-20 | 状态识别模型建立方法、道路交通状态识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011306295.7A CN112116813B (zh) | 2020-11-20 | 2020-11-20 | 状态识别模型建立方法、道路交通状态识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112116813A CN112116813A (zh) | 2020-12-22 |
| CN112116813B true CN112116813B (zh) | 2021-04-30 |
Family
ID=73794979
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011306295.7A Active CN112116813B (zh) | 2020-11-20 | 2020-11-20 | 状态识别模型建立方法、道路交通状态识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112116813B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114758511B (zh) * | 2022-06-14 | 2022-11-25 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种跑车超速检测系统、方法、电子设备及存储介质 |
| CN115440052B (zh) * | 2022-11-09 | 2023-01-31 | 成都工业职业技术学院 | 一种基于大数据的交通流控制方法及装置 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3534622B2 (ja) * | 1998-08-21 | 2004-06-07 | 日本電信電話株式会社 | 旅行時間算出方法、装置、および旅行時間算出プログラムを記録した記録媒体 |
| JP3534621B2 (ja) * | 1998-08-21 | 2004-06-07 | 日本電信電話株式会社 | 旅行時間算出方法、装置、および旅行時間算出プログラムを記録した記録媒体 |
| US6466862B1 (en) * | 1999-04-19 | 2002-10-15 | Bruce DeKock | System for providing traffic information |
| CN102750825B (zh) * | 2012-06-19 | 2014-07-23 | 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 |
| CN103903433B (zh) * | 2012-12-27 | 2016-09-14 | 南京中兴新软件有限责任公司 | 一种道路交通状态的实时动态判别方法及装置 |
| CN103914979A (zh) * | 2013-01-06 | 2014-07-09 | 上海市城市建设设计研究总院 | 采用蓝牙技术的交通状态感知系统及其感知方法 |
| CN104484996B (zh) * | 2014-12-18 | 2017-02-22 | 中设设计集团股份有限公司 | 一种基于多源数据的路段交通状态判别方法 |
| CN109410586B (zh) * | 2018-12-13 | 2020-06-05 | 中南大学 | 一种基于多元数据融合的交通状态检测方法 |
-
2020
- 2020-11-20 CN CN202011306295.7A patent/CN112116813B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112116813A (zh) | 2020-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108848462B (zh) | 适用于信号控制交叉口的实时车辆轨迹预测方法 | |
| CN105279982B (zh) | 一种基于数据驱动的单交叉口动态交通信号控制方法 | |
| CN107170247B (zh) | 一种确定交叉口排队长度方法及装置 | |
| CN110562258B (zh) | 一种车辆自动换道决策的方法、车载设备和存储介质 | |
| CN108492562B (zh) | 基于定点检测与电警数据融合的交叉口车辆轨迹重构方法 | |
| CN106781493B (zh) | 一种车辆排队长度模拟系统、方法和装置 | |
| CN112116813B (zh) | 状态识别模型建立方法、道路交通状态识别方法及装置 | |
| CN109800658A (zh) | 基于神经网络的泊车位类型在线识别与定位系统及方法 | |
| CN103235933A (zh) | 一种基于隐马尔科夫模型的车辆异常行为检测方法 | |
| CN106571029B (zh) | 一种车辆排队长度检测的方法和装置 | |
| CN111680377A (zh) | 一种交通态势仿真方法、系统和电子设备 | |
| CN110322687B (zh) | 确定目标交叉口运行状态信息的方法和装置 | |
| CN113763707A (zh) | 一种基于号牌数据的路段溢流和车道阻挡状态辨识方法 | |
| CN113469075A (zh) | 确定交通流量指标的方法、装置、设备及存储介质 | |
| CN115620518A (zh) | 基于深度学习的交叉口交通冲突判别方法 | |
| KR102197251B1 (ko) | Rlr 판별 및 사고 방지를 위한 교통 신호 제어 방법 및 장치 | |
| CN111986483A (zh) | 基于电警数据碰撞实现道路拥堵状态研判处理的方法、装置及存储介质 | |
| CN108806285B (zh) | 一种基于阵列雷达的交叉路口信号调整方法及装置 | |
| CN104318760A (zh) | 一种基于似物性模型的路口违章行为智能检测方法及系统 | |
| CN113850237A (zh) | 基于视频和轨迹数据的网联车目标检测评价方法及系统 | |
| CN112201061B (zh) | 一种基于电警卡口数据的交叉口配时方案估计方法 | |
| CN112699535A (zh) | 高架地面联动交通信号区域自适应控制方法 | |
| CN111613051B (zh) | 一种饱和车头时距的估计方法及装置 | |
| CN109300315A (zh) | 基于车辆检测概率的地磁数据异常判别方法及系统 | |
| CN102819957A (zh) | 基于上游线圈检测器信息的路段排队上溯识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |