CN112185108B - 基于时空特征的城市路网拥堵模式识别方法、设备及介质 - Google Patents

基于时空特征的城市路网拥堵模式识别方法、设备及介质 Download PDF

Info

Publication number
CN112185108B
CN112185108B CN202010881075.0A CN202010881075A CN112185108B CN 112185108 B CN112185108 B CN 112185108B CN 202010881075 A CN202010881075 A CN 202010881075A CN 112185108 B CN112185108 B CN 112185108B
Authority
CN
China
Prior art keywords
congestion
time
road
congestion alarm
road section
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
Application number
CN202010881075.0A
Other languages
English (en)
Other versions
CN112185108A (zh
Inventor
谢竞成
何尚秋
林文霞
宋慧慧
丁楚吟
李瑶
邹开荣
韦忠办
竺樱巧
韩超伟
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.)
Yinjiang Technology Co ltd
Original Assignee
Yinjiang Technology 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 Yinjiang Technology Co ltd filed Critical Yinjiang Technology Co ltd
Priority to CN202010881075.0A priority Critical patent/CN112185108B/zh
Publication of CN112185108A publication Critical patent/CN112185108A/zh
Application granted granted Critical
Publication of CN112185108B publication Critical patent/CN112185108B/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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于时空特征的城市路网拥堵模式识别方法、电子设备和计算机存储介质，涉及智能交通领域，旨在完成拥堵路段的拥堵模式识别。其中所述方法包含以下步骤：获取实时路网拥堵报警数据和历史路网拥堵报警数据；通过核密度估计方法，分别建立各路段的历史拥堵报警强度分布模型和实时拥堵报警强度分布模型；比对各路段的所述历史拥堵报警强度分布模型和所述实时拥堵报警强度分布模型，确定各路段的拥堵报警时段特征；根据所述各路段下游路口的重要度等级以及各方向拥堵路段构成的空间形态，构成所述各路段的拥堵报警形态特征；组合所述拥堵报警时段特征和所述拥堵报警形态特征，构成拥堵模式。

Description

基于时空特征的城市路网拥堵模式识别方法、设备及介质
技术领域
本发明涉及智能交通领域，尤其涉及一种基于时空特征的城市路网拥堵模式识别方法、设备及介质。
背景技术
随着信息技术、大数据技术的不断发展，基于导航软件GPS轨迹数据的路网拥堵状态识别技术已经在我国多个城市落地应用，例如高德、百度等公司提供的实时路况信息，为交通拥堵治理提供了实时有效的数据支持。根据实时拥堵路况信息，交通信号配时人员可以对相应路口的信号控制方案进行优化调整，但并不是所有的拥堵都能够通过简单调整信号配时方案来处理。
在城市路网中，拥堵通常起始于交叉口，根据交叉口不同方向路段的拥堵情况，交通拥堵可划分为多种模式，不同的拥堵模式需要应用不同的处置方法。因此如何对城市路网拥堵模式进行精确识别，是有效治理交通拥堵的重要前提，有益于提高路网的运行效率。
发明内容
为了克服现有技术的不足，本发明的目的之一在于提供一种基于时空特征的城市路网拥堵模式识别方法，为拥堵治理提供高纬度的数据支持，提高拥堵治理的工作效率。
本发明的目的之一采用以下技术方案实现：
一种基于时空特征的城市路网拥堵模式识别方法，包括以下步骤：
获取实时路网拥堵报警数据和历史路网拥堵报警数据；
根据所述历史路网拥堵报警数据和所述实时路网拥堵报警数据，通过核密度估计方法，分别建立各路段的历史拥堵报警强度分布模型和实时拥堵报警强度分布模型；
分别比对各路段的所述历史拥堵报警强度分布模型和所述实时拥堵报警强度分布模型，确定各路段的拥堵报警时段特征；
根据所述各路段下游路口的重要度等级以及各方向拥堵路段构成的空间形态，构成所述各路段的拥堵报警形态特征；
分别组合所述各路段的所述拥堵报警时段特征和所述拥堵报警形态特征，分别构成所述各路段的拥堵模式。
进一步地，获取实时路网拥堵报警数据和历史路网拥堵报警数据，包括：
基于移动检测技术和/或断面检测技术获取路网拥堵报警数据；
其中，获取的所述路网拥堵报警数据包括拥堵路口编号、拥堵路口名称、拥堵路段方向、报警编号、报警时间和拥堵路段的进出口道类型。
进一步地，根据所述历史路网拥堵报警数据和所述实时路网拥堵报警数据，通过核密度估计方法，分别建立历史拥堵报警强度分布模型和实时拥堵报警强度分布模型，包括：
根据所述历史路网拥堵报警数据，统计预设历史时间段内各路段的路网拥堵报警数据并进行分类，得到分类后的历史路网拥堵报警数据；
根据所述分类后的历史路网拥堵报警数据，通过所述核密度估计方法分别计算各路段在各分类类别下的历史拥堵报警强度分布模型；
根据所述实时路网拥堵报警数据，统计当天各路段的路网拥堵报警数据，并通过所述核密度估计方法计算各路段的实时拥堵报警强度分布模型；
其中，所述统计预设历史时间段内各路段的路网拥堵报警数据并进行分类，包括：
将所述预设历史时间段内各路段的路网拥堵报警数据分别划分为工作日路网拥堵报警数据和节假日路网拥堵报警数据；
将所述预设历史时间段内发生特殊事件的日期所对应的各路段的路网拥堵报警数据，划分为特殊事件路网拥堵报警数据。
进一步地，通过所述核密度估计方法，分别计算各路段在各分类类别下的历史拥堵报警强度分布模型，包括：
根据所述分类后的历史路网拥堵报警数据，通过核密度估计方法，分别计算所述各分类类别下t时刻各路段的历史拥堵报警强度，包括：
分别计算所述各分类类别下t时刻各路段的历史拥堵报警概率密度，其中t时刻特定路段的历史拥堵报警概率密度采用如下公式计算:
Figure GDA0003265393900000031
其中，f为概率密度函数，K(·)为核函数，fh(t)表示t时刻特定路段的历史拥堵报警概率密度，n为特定路段在特定分类日期下的拥堵报警总量，h为平滑参数；
将所述t时刻各路段的历史拥堵报警概率密度分别乘以拥堵报警数量特征值，得到t时刻各路段的历史拥堵报警强度，其中t时刻特定路段的历史拥堵报警强度的计算公式为：
phis(t)＝fh(t)·n'，
其中，phis(t)为t时刻特定路段的历史拥堵报警强度，n'为统计的特定路段在所述预设历史时间段内的所有日期的路网拥堵报警数据的分位数；
根据各时刻各路段的历史拥堵报警强度，分别建立各路段的历史拥堵报警强度分布模型。
进一步地，通过所述核密度估计方法，计算各路段的实时拥堵报警强度分布模型，包括：
根据当天各路段的路网拥堵报警数据，分别计算t时刻各路段的实时拥堵报警概率密度f'h(t)，所述t时刻特定路段的实时拥堵报警概率密度采用如下公式计算：
Figure GDA0003265393900000041
将所述t时刻各路段的实时拥堵报警概率密度分别乘以拥堵报警数量特征值，得到t时刻各路段的实时拥堵报警强度，其中t时刻特定路段的实时拥堵报警强度的计算公式为：
pcur(t)＝f'h(t)·nc，
其中，pcur(t)为t时刻特定路段的实时拥堵报警强度，nc为截止t时刻当天的特定路段的路网拥堵报警数据总量；
根据各时刻各路段的实时拥堵报警强度，建立各路段的实时拥堵报警强度分布模型。
进一步地，分别比对各路段的所述历史拥堵报警强度分布模型和所述实时拥堵报警强度分布模型，确定各路段的拥堵报警时段特征，包括：
将各路段的所述实时拥堵报警强度分布模型中T时刻的实时报警强度，分别与各路段的同类的所述历史拥堵报警强度分布模型中T时刻的历史报警强度进行比对；
根据比对结果，确定各路段的拥堵报警时段特征为常发拥堵报警或突发拥堵报警，确定方式如下：
Figure GDA0003265393900000051
其中，phis(T)为T时刻特定路段的历史拥堵报警强度；pcur(T)为T时刻特定路段的实时拥堵报警强度。
进一步地，根据所述各路段下游路口的重要度等级以及各方向拥堵路段构成的空间形态，构成所述各路段的拥堵报警形态特征，包括：
获取所述各路段的下游路口的重要度等级；
统计所述下游路口的各方向拥堵路段空间形态，
根据所述各路段的下游路口的重要度等级以及所述下游路口的各方向拥堵路段空间形态，确定各路段的拥堵报警形态特征。
进一步地，获取所述各路段的下游路口的重要度等级，包括：
获取各路口的日交通流量；
根据所述各路口的日交通流量，通过聚类算法进对所述各路口进行分类，得到分类结果；
为所述分类结果配置重要度等级，得到各路口的等级以供获取。
本发明的目的之二在于提供执行发明目的之一的电子设备，其包括处理器、存储介质以及计算机程序，所述计算机程序存储于存储介质中，所述计算机程序被处理器执行时实现上述的基于时空特征的城市路网拥堵模式识别方法。
本发明的目的之三在于提供存储发明目的之一的计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于时空特征的城市路网拥堵模式识别方法。
相比现有技术，本发明的有益效果在于：
本发明提出了将统计学中的核密度估计方法用于城市路段交通的拥堵模式识别中，通过对比同时刻的实时拥堵报警强度和历史拥堵报警强度，确定路段的拥堵报警时段特征。并根据路口的重要程度等级和拥堵路段的空间形态，确定路段的拥堵报警形态特征，最后将拥堵路段的时段特征与形态特征进行组合，从时间和空间的维度对城市路网拥堵模式进行识别。其有益效果主要表现在：从模式识别的角度出发，提出了一种城市路网拥堵模式识别方法，从时间和空间特征，对城市路网的拥堵模式进行了识别，有利于提高交通管理者进行拥堵治理的工作效率，并为拥堵治理提供高维度的数据支持。
附图说明
图1是本发明基于时空特征的城市路网拥堵模式识别方法的流程图；
图2为路段的拥堵报警强度分布模型示意图；
图3是实施例2的电子设备的结构框图。
具体实施方式
以下将结合附图，对本发明进行更为详细的描述，需要说明的是，以下参照附图对本发明进行的描述仅是示意性的，而非限制性的。各个不同实施例之间可以进行相互组合，以构成未在以下描述中示出的其他实施例。
实施例1
本实施例提供了一种基于时空特征的城市路网拥堵模式识别方法，旨在对城市路网各路段的拥堵模式进行识别，为拥堵治理提供高纬度的数据支持，提供拥堵治理的效率。
图1本发明基于时空特征的城市路网拥堵模式识别方法的流程示意图，如图1所示，本实施例的基于时空特征的城市路网拥堵模式识别方法，具体包括以下步骤：
S110：获取实时路网拥堵报警数据和历史路网拥堵报警数据；
S120：根据所述历史路网拥堵报警数据和所述实时路网拥堵报警数据，通过核密度估计方法，分别建立各路段的历史拥堵报警强度分布模型和实时拥堵报警强度分布模型；
S130：分别比对各路段的所述历史拥堵报警强度分布模型和所述实时拥堵报警强度分布模型，确定各路段的拥堵报警时段特征；
S140：根据所述各路段下游路口的重要度等级以及各方向拥堵路段构成的空间形态，构成所述各路段的拥堵报警形态特征；
S150：分别组合所述各路段的所述拥堵报警时段特征和所述拥堵报警形态特征，分别构成所述各路段的拥堵模式。
优选地，S110：获取实时路网拥堵报警数据和历史路网拥堵报警数据，包括：
基于移动检测技术和/或断面检测技术获取路网拥堵报警数据；
其中，获取的所述路网拥堵报警数据包括拥堵路口编号、拥堵路口名称、拥堵路段方向、报警编号、报警时间和拥堵路段的进出口道类型。
在本实施例中，实时路网拥堵报警数据和历史路网拥堵报警数据中的路网拥堵报警数据，均通过移动检测技术和/或断面检测技术获取，移动检测技术包括但不限于GPS定位、手机信令等。
基于移动检测技术或断面检测技术获取的路网拥堵报警数据，包括但不限于以下内容：拥堵路口编号、名称，路段方向，报警编号，报警时间以及路段进出口道类型。具体样例如下表所示：
Figure GDA0003265393900000071
Figure GDA0003265393900000081
优选地，S120：根据所述历史路网拥堵报警数据和所述实时路网拥堵报警数据，通过核密度估计方法，分别建立历史拥堵报警强度分布模型和实时拥堵报警强度分布模型，包括：
根据所述历史路网拥堵报警数据，统计预设历史时间段内各路段的路网拥堵报警数据并进行分类，得到分类后的历史路网拥堵报警数据；
根据所述分类后的历史路网拥堵报警数据，通过所述核密度估计方法，分别计算各路段在各分类类别下的历史拥堵报警强度分布模型；
根据所述实时路网拥堵报警数据，统计当天各路段的路网拥堵报警数据，并通过所述核密度估计方法计算各路段的实时拥堵报警强度分布模型；
其中，所述统计预设历史时间段内各路段的路网拥堵报警数据并进行分类，包括：
将所述历预设历史时间段内各路段的路网拥堵报警数据分别划分为工作日路网拥堵报警数据和节假日路网拥堵报警数据；
将所述预设历史时间段内发生特殊事件的日期所对应的各路段的路网拥堵报警数据，划分为特殊事件路网拥堵报警数据。
在S120中，统计路网中各路段预设历史时间段内的历史路网拥堵报警数据并进行分类，若预设历史时间段为一个月，在其他实施例中，可进一步地将工作日路网拥堵报警数据细分为星期一至星期五的路网拥堵报警数据，然后根据日期分类下的各路段的路网拥堵报警数据分别进行建模。
需要注意的是，上述预设历史时间段为一个月，则表示获取过去一个月的路网拥堵报警数据作为历史路网拥堵报警数据。
优选地，通过所述核密度估计方法，分别计算各路段在各分类类别下的历史拥堵报警强度分布模型，包括：
根据所述分类后的历史路网拥堵报警数据中，通过核密度估计方法，分别计算所述各分类类别下t时刻各路段的历史拥堵报警强度，包括：
分别计算所述各分类类别下t时刻各路段的历史拥堵报警概率密度，其中t时刻特定路段的历史拥堵报警概率密度采用如下公式计算:
Figure GDA0003265393900000091
其中，f为概率密度函数，K(·)为核函数，fh(t)表示t时刻特定路段的历史拥堵报警概率密度，n为特定路段在特定分类日期下的拥堵报警总量，h为平滑参数；
将所述t时刻各路段的历史拥堵报警概率密度分别乘以拥堵报警数量特征值，得到t时刻各路段的历史拥堵报警强度，其中t时刻特定路段的历史拥堵报警强度的计算公式为：
phis(t)＝fh(t)·n'，
其中，phis(t)为t时刻特定路段的历史拥堵报警强度，n'为统计的特定路段在所述预设历史时间段内的所有日期的路网拥堵报警数据的分位数；
根据各时刻各路段的历史拥堵报警强度，分别建立各路段的历史拥堵报警强度分布模型。
在一些实施例中，可从所述分类后的历史路网拥堵报警数据中，分别提取各分类类别下的各路段的拥堵报警时间序列T0，T0＝{t1,t2,…tn}，从而便于计算各时刻的历史拥堵报警强度。
采用核密度估计方法分别计算各路段的历史报警强度分布模型，作为判断各路段实时拥堵报警时段特征的参考数据。
核密度估计方法(Kernel Density Estimation，KDE)是一种非参数估计方法，在概率论中通常用来估计未知的密度函数。本发明对城市路网的路网拥堵报警数据进行核密度估计，以确定路网中各路段在不同类型日期的拥堵报警概率分布，并乘以历史同性质日期的日报警量特征值，定义为路段拥堵报警强度(指标)。上述K(·)为核函数(非负数、积分为1，符合概率密度性质并且均值为0)，包括但不限于Gaussian、tophat、epanechnikov、exponential、linear、cosine等核函数，本实施例采用较平滑的Gaussian核函数(高斯核函数)。h＞0为平滑参数，称作带宽(bandwidth)，用于控制核密度估计曲线的线性平滑程度。
具体地，高斯核函数的计算公式为：
Figure GDA0003265393900000101
上述fh(t)表示t时刻特定路段的拥堵报警概率密度，可将该路段一整天的拥堵报警概率绘制成光滑曲线。
由于概率只能表示路段发生拥堵报警的可能性，无法表示路段拥堵的严重程度，因此提出了拥堵报警强度作为表示拥堵严重程度的指标，通过将报警概率密度乘以拥堵报警数量特征值，分别计算该路段在过去(预设历史时间段)的各类日期的拥堵报警强度。
为了衡量各路段在某类日期样本中拥堵报警的水平，本实施例n'的分位数为90％，以去除异常样本的干扰。
从所述分类后的历史路网拥堵报警数据中，分别提取各分类类别下的各路段的路网拥堵报警数据的时间序列T，具体为：获取某一类路网拥堵报警数据，提取某路段的历史报警数据时间序列T(不区分日期，只记录时间)，T为独立同分布的n个时间点。
采用相同参数的核密度估计方法计算路段实时的拥堵报警强度(当天的拥堵报警强度)，得到路段的实时拥堵报警强度分布模型。
优选地，通过所述核密度估计方法，计算各路段的实时拥堵报警强度分布模型，包括：
根据当天各路段的路网拥堵报警数据，分别计算t时刻各路段的实时拥堵报警概率密度f'h(t)，所述t时刻特定路段的实时拥堵报警概率密度采用如下公式计算：
Figure GDA0003265393900000111
将所述t时刻各路段的实时拥堵报警概率密度分别乘以拥堵报警数量特征值，得到t时刻各路段的实时拥堵报警强度，其中t时刻特定路段的实时拥堵报警强度的计算公式为：
pcur(t)＝f'h(t)·nc，
其中，pcur(t)为t时刻特定路段的实时拥堵报警强度，nc为截止t时刻当天的特定路段的路网拥堵报警数据总量；
根据各时刻各路段的实时拥堵报警强度，建立各路段的实时拥堵报警强度分布模型。
优选地，S130：分别比对各路段的所述历史拥堵报警强度分布模型和所述实时拥堵报警强度分布模型，确定各路段的拥堵报警时段特征，包括：
将各路段的所述实时拥堵报警强度分布模型中T时刻的实时报警强度，分别与各路段的同类(与当天日期属于同一类别)的所述历史拥堵报警强度分布模型中T时刻的历史报警强度进行比对；
根据比对结果，确定各路段的拥堵报警时段特征为常发拥堵报警或突发拥堵报警，确定方式如下：
Figure GDA0003265393900000121
其中，phis(T)为T时刻特定路段的历史拥堵报警强度；pcur(T)为T时刻特定路段的实时拥堵报警强度。
此处的T时刻与上述t时刻均表示时间，不同之处在于，此处的T时刻表示实际的时刻，计算的是实际时刻的拥堵报警时段特征。
比对历史数据中具有相似流量的日期的拥堵报警强度分布模型和实时拥堵报警强度分布模型，以确定报警路段实时的拥堵报警强度和历史拥堵报警强度的大小关系，并根据该关系定义拥堵报警时段特征，拥堵报警时段特征分为常发拥堵报警和突发拥堵报警，两者在信号配时优化工作中具有不同的意义。其中，若拥堵报警时段特征被判断为常发拥堵报警，则说明该路段历史同类型日期中近似时间点也频繁发生拥堵，且当前拥堵程度低于历史水平，可通过信号配时优化历史记录中使用过的优化手段来处理该路段的报警；若判断为突发拥堵报警，则说明该路段当前的拥堵程度已经超越历史同类日期的总体水平，需要其他优化手段才能处理拥堵事件。
图2为路段的拥堵报警强度分布模型示意图，以某路段某一天的报警数据为例，平滑参数h设为1，其周四的历史报警强度模型和当天拥堵报警强度分布模型如图2所示，图2中的虚线为基于KDE的历史拥堵报警强度分布模型，实线为某一天的拥堵报警强度分布模型。可知，该路段当天10点左右发生了多拥堵报警，其拥堵报警强度小于历史均值(实线低于虚线)，判断该路段为常发拥堵报警；该路段22点左右也发生了多次报警，且拥堵报警强度高于历史均值(实线高于虚线)，判断该路段为突发拥堵报警。
通过上述处理，确定了拥堵的时间特征，为得到高纬度的数据，以为拥堵治理提供高纬度数据支持，本实施例还需要确定拥堵的空间特征。
优选地，S140：根据所述各路段下游路口的等级以及各方向拥堵路段构成的空间形态，构成所述各路段的拥堵报警形态特征，包括：
获取所述各路段的下游路口的重要度等级；
统计所述下游路口的各方向拥堵路段空间形态，
根据所述各路段的下游路口的重要度等级以及所述下游路口的各方向拥堵路段空间形态，确定各路段的拥堵报警形态特征。
在本实施例中，获取所述各路段的下游路口的重要度等级，结合所述各路段的下游路口的各方向拥堵路段构成的空间形态，确定各路段的下游路口的拥堵报警形态特征，得到各路段的拥堵报警形态特征，如一个路段的下游路口的重要度等级为L1、空间形态为单向失衡，则该路段的拥堵报警形态特征为L1单向失衡。
优选地，所述获取所述各路段的下游路口的重要度等级，包括：
获取各路口的日交通流量；
根据所述各路口的日交通流量，通过聚类算法进对所述各路口进行分类，得到分类结果；
为所述分类结果配置重要度等级，得到各路口的等级以供获取。
本实施例采用聚类算法，根据各路口的日交通流量统计结果，对各路口的重要程度进行分级评价，按照日期分类统计路网中各路口的日交通流量。该交通量来源于路口铺设的断面检测器，如视频卡口、地磁检测器灯。然后使用聚类算法对各路口的日交通流量进行分类。在本实施例中，采用K-Means聚类算法，将路口的重要程度分为3级，1级、2级、3级分别表示为一般、重要、核心三个路口重要度等级。同一路口在不同类型的日期中，可能会有不同的分级。通过聚类算法对各路口进行分类的步骤如下：
步骤1：按照路口分组统计各类型日期的日交通流量总和；
步骤2：设定k值，即设定将日交通流量数据集通过聚类划分为k个分组；
步骤3：从数据集中随机选择k个数据点作为初始聚类质心；
步骤4：计算数据点与每一个质心的欧式距离，合并到最近的质心所在分组；
步骤5：重新计算每个分组的质心；
步骤6：计算新质心位置与老质心的距离，若小于设定阈值则代表模型收敛；
步骤7：重复步骤4-6，直到模型收敛。
在本实施例中，K-Means聚类算法的分类数k值设置为3，采用Python代码按照步骤1-7对日交通流量数据进行分类识别，得到分类结果，为分类结果配置重要度等级，完成对路口的分级评价，使得重要度等级对应分类下的路口均有相同的重要度等级。
优选地，根据所述各路段的下游路口的各方向拥堵路段构成的空间形态，确定各路段的下游路口的拥堵报警形态特征，包括：统计具有相同下游路口的路段在相同时段的路网拥堵报警数据，根据拥堵路段的空间形态(只考虑进口道)，在本实施中将路口的拥堵形态划分为单向拥堵、对向拥堵、L形拥堵、⊥形拥堵、┼形拥堵五类。对应不同的拥堵报警类型可以选择不同的优化策略，对路口的拥堵形态进行合理分类并设置优化策略，能够帮助交通管理部门更有效地处理拥堵。本实施例将拥堵报警类型和拥堵形态进行组合，构成拥堵报警形态特征，分别包括：单向失衡、对象失衡、L形失衡、⊥形饱和、┼形饱和。
优选地，将S130得到的拥堵报警时段特征和S140得到的拥堵报警形态特征进行组合，即为拥堵模式，具体为：将各路段下游路口的重要度等级、各路段的拥堵报警时段特征和拥堵报警形态特征进行组合，构成各路段的拥堵模式。假设路口重要度等级为L1、拥堵报警时段特征为常发拥堵、形态特征为单向失衡，则拥堵模式为L1常发单向失衡。
实施例2
图3为本发明实施例2提供的一种电子设备的结构示意图，如图3所示，提供了一种电子设备，该电子设备可以是服务器，其内部结构图可以如图3所示。该电子设备包括处理器、存储器、输入装置和输出装置；其中该电子设备中处理器的数量可以是一个或多个，图3中以一个处理器为例；电子设备中的处理器、存储器、输入装置和输出装置可以通过总线或其他方式连接，图3中以通过总线连接为例。
存储器作为一种计算机可读存储介质，可以包括高速随机存取存储器、非易失性存储器等，可用于存储操作系统、软件程序、计算机可执行程序和数据库，还可以包括内存，可用于为操作系统和计算机程序提供运行环境。处理器用于提供计算和控制能力，通过运行存储在存储器中的计算机可执行程序、软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现实施例1的基于时空特征的城市路网拥堵模式识别方法。
该电子设备的输出装置可以是液晶显示屏或者电子墨水显示屏，该电子设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
该电子设备还可包括网络接口，该电子设备的网络接口用于与外部的终端通过网络连接通信。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所述更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本领域普通技术人员可以理解实现上述实施例1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，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
实施例3
本发明实施例3还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于实现基于时空特征的城市路网拥堵模式识别方法，该方法包括：
获取实时路网拥堵报警数据和历史路网拥堵报警数据；
根据所述历史路网拥堵报警数据和所述实时路网拥堵报警数据，通过核密度估计方法，分别建立各路段的历史拥堵报警强度分布模型和实时拥堵报警强度分布模型；
分别比对各路段的所述历史拥堵报警强度分布模型和所述实时拥堵报警强度分布模型，确定各路段的拥堵报警时段特征；
根据所述各路段下游路口的等级以及各方向拥堵路段构成的空间形态，构成所述各路段的拥堵报警形态特征；
分别组合所述各路段的所述拥堵报警时段特征和所述拥堵报警形态特征，分别构成所述各路段的拥堵模式。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的基于时空特征的城市路网拥堵模式识别方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。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计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台电子设备(可以是手机，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所述的方法。
值得注意的是，上述基于时空特征的城市路网拥堵模式识别方法或装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
对本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及形变，而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。

Claims (9)

1.一种基于时空特征的城市路网拥堵模式识别方法，其特征在于，包括以下步骤：
获取实时路网拥堵报警数据和历史路网拥堵报警数据；
根据所述历史路网拥堵报警数据和所述实时路网拥堵报警数据，通过核密度估计方法，分别建立各路段的历史拥堵报警强度分布模型和实时拥堵报警强度分布模型；
分别比对各路段的所述历史拥堵报警强度分布模型和所述实时拥堵报警强度分布模型，确定各路段的拥堵报警时段特征，该步骤具体包括：将各路段的所述实时拥堵报警强度分布模型中T时刻的实时报警强度，分别与各路段的同类的所述历史拥堵报警强度分布模型中T时刻的历史报警强度进行比对；根据比对结果，确定各路段的拥堵报警时段特征为常发拥堵报警或突发拥堵报警；
根据所述各路段下游路口的重要度等级以及各方向拥堵路段构成的空间形态，构成所述各路段的拥堵报警形态特征，获取所述各路段的下游路口的重要度等级包括：获取各路口的日交通流量；根据所述各路口的日交通流量，通过聚类算法对所述各路口进行分类，得到分类结果；为所述分类结果配置重要度等级，得到各路口的等级以供获取；
分别组合所述各路段的所述拥堵报警时段特征和所述拥堵报警形态特征，分别构成所述各路段的拥堵模式。
2.如权利要求1所述的基于时空特征的城市路网拥堵模式识别方法，其特征在于，所述获取实时路网拥堵报警数据和历史路网拥堵报警数据，包括：
基于移动检测技术和/或断面检测技术获取路网拥堵报警数据；
其中，获取的所述路网拥堵报警数据包括拥堵路口编号、拥堵路口名称、拥堵路段方向、报警编号、报警时间和拥堵路段的进出口道类型。
3.如权利要求1所述的基于时空特征的城市路网拥堵模式识别方法，其特征在于，所述根据所述历史路网拥堵报警数据和所述实时路网拥堵报警数据，通过核密度估计方法，分别建立历史拥堵报警强度分布模型和实时拥堵报警强度分布模型，包括：
根据所述历史路网拥堵报警数据，统计预设历史时间段内各路段的路网拥堵报警数据并进行分类，得到分类后的历史路网拥堵报警数据；
根据所述分类后的历史路网拥堵报警数据，通过所述核密度估计方法，分别计算各路段在各分类类别下的历史拥堵报警强度分布模型；
根据所述实时路网拥堵报警数据，统计当天各路段的路网拥堵报警数据，并通过所述核密度估计方法计算各路段的实时拥堵报警强度分布模型；
其中，所述统计预设历史时间段内各路段的路网拥堵报警数据并进行分类，包括：
将所述预设历史时间段内各路段的路网拥堵报警数据分别划分为工作日路网拥堵报警数据和节假日路网拥堵报警数据；
将所述预设历史时间段内发生特殊事件的日期所对应的各路段的路网拥堵报警数据，划分为特殊事件路网拥堵报警数据。
4.如权利要求3所述的基于时空特征的城市路网拥堵模式识别方法，其特征在于，所述通过所述核密度估计方法，分别计算各路段在各分类类别下的历史拥堵报警强度分布模型，包括：
根据所述分类后的历史路网拥堵报警数据，通过核密度估计方法，分别计算所述各分类类别下t时刻各路段的历史拥堵报警强度，包括：
分别计算所述各分类类别下t时刻各路段的历史拥堵报警概率密度，其中t时刻特定路段的历史拥堵报警概率密度采用如下公式计算:
Figure FDA0003265393890000031
其中，f为概率密度函数，
Figure FDA0003265393890000032
为核函数，fh(t)表示t时刻特定路段的历史拥堵报警概率密度，n为特定路段在特定分类日期下的拥堵报警总量，h为平滑参数；
将所述t时刻各路段的历史拥堵报警概率密度分别乘以拥堵报警数量特征值，得到t时刻各路段的历史拥堵报警强度，其中t时刻特定路段的历史拥堵报警强度的计算公式为：
phis(t)＝fh(t)·n'，
其中，phis(t)为t时刻特定路段的历史拥堵报警强度，n'为统计的特定路段在所述预设历史时间段内的所有日期的路网拥堵报警数据的分位数；
根据各时刻各路段的历史拥堵报警强度，分别建立各路段的历史拥堵报警强度分布模型。
5.如权利要求3所述的基于时空特征的城市路网拥堵模式识别方法，其特征在于，所述通过所述核密度估计方法，计算各路段的实时拥堵报警强度分布模型，包括：
根据当天各路段的路网拥堵报警数据，分别计算t时刻各路段的实时拥堵报警概率密度f'h(t)，其中t时刻特定路段的实时拥堵报警概率密度采用如下公式计算：
Figure FDA0003265393890000041
其中，h为平滑参数,
Figure FDA0003265393890000042
为核函数，将所述t时刻各路段的实时拥堵报警概率密度分别乘以拥堵报警数量特征值，得到t时刻各路段的实时拥堵报警强度，其中t时刻特定路段的实时拥堵报警强度的计算公式为：
pcur(t)＝f'h(t)·nc，
其中，pcur(t)为t时刻特定路段的实时拥堵报警强度，nc为截止t时刻当天的特定路段的路网拥堵报警数据总量；
根据各时刻各路段的实时拥堵报警强度，建立各路段的实时拥堵报警强度分布模型。
6.根据权利要求3所述的基于时空特征的城市路网拥堵模式识别方法，其特征在于，分别比对各路段的所述历史拥堵报警强度分布模型和所述实时拥堵报警强度分布模型，确定各路段的拥堵报警时段特征，包括：
确定方式如下：
Figure FDA0003265393890000043
其中，phis(T)为T时刻特定路段的历史拥堵报警强度；pcur(T)为T时刻特定路段的实时拥堵报警强度。
7.如权利要求1所述的基于时空特征的城市路网拥堵模式识别方法，其特征在于，所述根据所述各路段下游路口的重要度等级以及各方向拥堵路段构成的空间形态，构成所述各路段的拥堵报警形态特征，包括：
获取所述各路段的下游路口的重要度等级；
统计所述下游路口的各方向拥堵路段空间形态，
根据所述各路段的下游路口的重要度等级以及所述下游路口的各方向拥堵路段空间形态，确定各路段的拥堵报警形态特征。
8.一种电子设备，其包括处理器、存储介质以及计算机程序，所述计算机程序存储于存储介质中，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的基于时空特征的城市路网拥堵模式识别方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的基于时空特征的城市路网拥堵模式识别方法。
CN202010881075.0A 2020-08-27 2020-08-27 基于时空特征的城市路网拥堵模式识别方法、设备及介质 Active CN112185108B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010881075.0A CN112185108B (zh) 2020-08-27 2020-08-27 基于时空特征的城市路网拥堵模式识别方法、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010881075.0A CN112185108B (zh) 2020-08-27 2020-08-27 基于时空特征的城市路网拥堵模式识别方法、设备及介质

Publications (2)

Publication Number Publication Date
CN112185108A CN112185108A (zh) 2021-01-05
CN112185108B true CN112185108B (zh) 2021-11-16

Family

ID=73924001

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010881075.0A Active CN112185108B (zh) 2020-08-27 2020-08-27 基于时空特征的城市路网拥堵模式识别方法、设备及介质

Country Status (1)

Country Link
CN (1) CN112185108B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112885086B (zh) * 2021-01-18 2022-11-22 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
CN113808391B (zh) * 2021-08-19 2022-08-02 佛山市城市规划设计研究院 一种提高交通导航实时准确性的方法
CN117079467B (zh) * 2023-10-12 2024-01-02 成都通广网联科技有限公司 一种基于感知融合技术缓解道路拥堵的方法及系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106652441A (zh) * 2015-11-02 2017-05-10 杭州师范大学 一种基于时空数据的城市道路交通状态预测方法
CN108198424A (zh) * 2018-01-25 2018-06-22 重庆市市政设计研究院 一种基于浮动车数据的城市道路偶发拥堵识别算法及预警系统
CN108876124A (zh) * 2018-06-02 2018-11-23 南京工业大学 基于数据驱动的疏散瓶颈处人群拥堵风险分析方法
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
CN109118771A (zh) * 2018-09-19 2019-01-01 青岛海信网络科技股份有限公司 一种城市交通常发性拥堵特征确定的方法及装置
CN109191842A (zh) * 2018-09-18 2019-01-11 银江股份有限公司 基于实时通行能力的拥堵调控策略推荐方法及系统
CN109754597A (zh) * 2018-08-02 2019-05-14 银江股份有限公司 一种城市道路区域拥堵调控策略推荐系统及方法
CN109754598A (zh) * 2018-08-02 2019-05-14 银江股份有限公司 一种拥堵组团识别方法及系统
CN110050300A (zh) * 2017-11-13 2019-07-23 北京嘀嘀无限科技发展有限公司 交通拥堵监控系统和方法
CN111028505A (zh) * 2019-11-28 2020-04-17 北京世纪高通科技有限公司 交通拥堵的治理方法及装置
CN111161537A (zh) * 2019-12-25 2020-05-15 北京交通大学 考虑拥堵叠加效应的公路拥堵态势预测方法
CN111275989A (zh) * 2019-12-31 2020-06-12 浙江浙大中控信息技术有限公司 拥堵报警驱动的单点信号配时优化方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106652441A (zh) * 2015-11-02 2017-05-10 杭州师范大学 一种基于时空数据的城市道路交通状态预测方法
CN110050300A (zh) * 2017-11-13 2019-07-23 北京嘀嘀无限科技发展有限公司 交通拥堵监控系统和方法
CN108198424A (zh) * 2018-01-25 2018-06-22 重庆市市政设计研究院 一种基于浮动车数据的城市道路偶发拥堵识别算法及预警系统
CN108876124A (zh) * 2018-06-02 2018-11-23 南京工业大学 基于数据驱动的疏散瓶颈处人群拥堵风险分析方法
CN109754597A (zh) * 2018-08-02 2019-05-14 银江股份有限公司 一种城市道路区域拥堵调控策略推荐系统及方法
CN109754598A (zh) * 2018-08-02 2019-05-14 银江股份有限公司 一种拥堵组团识别方法及系统
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
CN109191842A (zh) * 2018-09-18 2019-01-11 银江股份有限公司 基于实时通行能力的拥堵调控策略推荐方法及系统
CN109118771A (zh) * 2018-09-19 2019-01-01 青岛海信网络科技股份有限公司 一种城市交通常发性拥堵特征确定的方法及装置
CN111028505A (zh) * 2019-11-28 2020-04-17 北京世纪高通科技有限公司 交通拥堵的治理方法及装置
CN111161537A (zh) * 2019-12-25 2020-05-15 北京交通大学 考虑拥堵叠加效应的公路拥堵态势预测方法
CN111275989A (zh) * 2019-12-31 2020-06-12 浙江浙大中控信息技术有限公司 拥堵报警驱动的单点信号配时优化方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A personal route prediction system based on trajectory data mining;Ling Chen 等;《Information Sciences》;20111231;第181卷(第7期);1264-1284 *
城市交通拥堵态势监控的时空分布形态识别模型;胡启洲 等;《交通运输系统工程与信息》;20120630;第12卷(第3期);41-45、58 *
基于FCD的城市路网常发性拥堵路段识别方法研究;张晓燕 等;《交通信息与安全》;20141231;第32卷(第1期);5-9、15 *
聚类基础下时空并置拥堵模式挖掘;寇成浩;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20200315(第03期);C034-771 *

Also Published As

Publication number Publication date
CN112185108A (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
CN112185108B (zh) 基于时空特征的城市路网拥堵模式识别方法、设备及介质
CN107798876B (zh) 基于事件的道路交通异常拥堵判断方法
Kumar et al. Crime prediction using K-nearest neighboring algorithm
CN109360421B (zh) 一种基于机器学习的交通信息预测方法及装置、电子终端
CN110866642A (zh) 安全监控方法、装置、电子设备和计算机可读存储介质
CN111176953B (zh) 一种异常检测及其模型训练方法、计算机设备和存储介质
CN110444011B (zh) 交通流高峰识别方法、装置、电子设备及存储介质
CN109995611B (zh) 流量分类模型建立及流量分类方法、装置、设备和服务器
CN111222784A (zh) 一种基于人口大数据的安防监控方法和系统
CN114782897A (zh) 基于机器视觉及深度学习的危险行为检测方法及系统
CN116189436B (zh) 一种基于大数据的多源数据融合算法
CN112906738A (zh) 一种水质检测及处理方法
CN112712112A (zh) 区域流动人口识别方法、装置、设备及介质
CN114418175A (zh) 一种人员管理方法、装置、电子设备及存储介质
CN111259167B (zh) 用户请求风险识别方法及装置
CN112652168B (zh) 一种重大交通事故预警方法、系统及存储介质
CN116614366B (zh) 一种基于边缘计算的工业互联网优化方法及系统
CN112035775B (zh) 基于随机森林模型的用户识别方法、装置和计算机设备
CN113158922A (zh) 基于yolo神经网络的车流量统计方法、装置及设备
CN102157061A (zh) 一种基于关键字统计的交通事件识别方法
CN109801394B (zh) 一种工作人员考勤方法及装置、电子设备和可读存储介质
CN114708728B (zh) 一种识别交通高峰期的方法、电子设备及存储介质
CN114419894B (zh) 一种路内停车泊位设置与使用监测的方法与系统
Fior et al. Correlating extreme weather conditions with road traffic safety: A unified latent space model
CN110751567A (zh) 车辆信息处理方法、装置、计算机设备和存储介质

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
CB02 Change of applicant information

Address after: 310012 1st floor, building 1, 223 Yile Road, Hangzhou City, Zhejiang Province

Applicant after: Yinjiang Technology Co.,Ltd.

Address before: 310012 1st floor, building 1, 223 Yile Road, Hangzhou City, Zhejiang Province

Applicant before: ENJOYOR Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20210105

Assignee: ZHEJIANG YINJIANG TRAFFIC TECHNOLOGY Co.,Ltd.

Assignor: Yinjiang Technology Co.,Ltd.

Contract record no.: X2023980042517

Denomination of invention: Method, equipment, and medium for identifying congestion patterns in urban road networks based on spatiotemporal characteristics

Granted publication date: 20211116

License type: Common License

Record date: 20230925

EE01 Entry into force of recordation of patent licensing contract