CN112215427B - 一种卡口数据缺失下的车辆行车轨迹重建方法及系统 - Google Patents
一种卡口数据缺失下的车辆行车轨迹重建方法及系统 Download PDFInfo
- Publication number
- CN112215427B CN112215427B CN202011116692.8A CN202011116692A CN112215427B CN 112215427 B CN112215427 B CN 112215427B CN 202011116692 A CN202011116692 A CN 202011116692A CN 112215427 B CN112215427 B CN 112215427B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- track
- path
- data
- vehicle driving
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Economics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开公开的一种卡口数据缺失下的车辆行车轨迹重建方法及系统,包括:获取卡口数据;根据卡口数据生成车辆初始轨迹;对车辆初始轨迹进行轨迹拆分,生成多个待定路径段;采用粒子群优化算法对待定路径段进行分析,确定车辆行车轨迹可行路径;利用网络层次分析法选取车辆行车轨迹可行路径中的最优路径,为最终的车辆行车轨迹。实现了卡口数据缺失时的车辆行车轨迹重建。
Description
技术领域
本发明涉及交通信息技术领域,尤其涉及一种卡口数据缺失下的车辆行车轨迹重建方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
智能交通系统是解决城市路网复杂交通问题的重要手段之一。随着智能交通系统的不断发展,各种交通检测设备的智能化、自动化以及信息处理能力也在不断提高。目前,以卡口设备为代表的城市视频监控系统能够较好识别和匹配车辆牌照信息,实现车辆行车轨迹的跟踪,但仍面临着由卡口设备空间覆盖率不足所导致的轨迹丢点、轨迹链不完整等问题。准确完整的车辆轨迹数据能够提供丰富的路网交通运行状态信息,再现复杂的道路交通运行场景,为道路使用者提供优质的出行服务,故如何利用缺失的卡口数据重建车辆行车轨迹成为智能交通领域研究的热点和重点问题之一。
通过检索发现,有研究人员提供了一种基于电子警察数据的车辆轨迹跟踪方法,在对电子警察过车数据进行预处理的基础上,通过车辆相邻检测点之间的时间差与时间阈值的比较构建车辆出行的上下游路段信息表,进而获取每辆车的大概轨迹数据;有研究人员提供了一种车辆轨迹重建方法,根据路网数据构建路网拓扑图,利用车辆轨迹的起讫点选取轨迹范围内的视频监测点,结合社团发现、最短路径等算法快速重构车辆轨迹;有研究人员提供了一种基于车辆轨迹数据的路径提取方法,通过GPS数据筛选、轨迹分割以及关键节点聚类确定粗糙的骨干路网,结合开源路网及最小二乘支持向量机(LS-SVM)算法拟合出高精度的道路中心线。
上述方案均是利用卡口视频数据或车辆GPS定位数据实现车辆行车轨迹的重建,但是这些方案均没有针对性地解决由卡口设备缺失或故障出现卡口数据缺失所导致的轨迹断链问题,同时,单一的车辆轨迹影响因素(如行驶路径最短)无法获取实时准确的车辆出行轨迹信息。
发明内容
本公开为了解决上述问题,提出了一种卡口数据缺失下的车辆行车轨迹重建方法及系统,在卡口数据缺失的情况下,利用已有的卡口数据生成车辆初始轨迹,对车辆初始轨迹进行拆分形成待定路径段后,通过粒子群优化算法对待定路径段进行分析,确定了车辆行车轨迹可行路径,最后通过网络层次分析法筛选出可行路径中的最优路径为最终的车辆行车轨迹,实现了在卡口数据缺失的情况下对车辆行车轨迹的重建。
为实现上述目的,本公开采用如下技术方案:
第一方面,提出了一种卡口数据缺失下的车辆行车轨迹重建方法,包括:
获取卡口数据;
根据卡口数据生成车辆初始轨迹;
对车辆初始轨迹进行轨迹拆分,生成多个待定路径段;
采用粒子群优化算法对待定路径段进行分析,确定车辆行车轨迹可行路径;
利用网络层次分析法选取车辆行车轨迹可行路径中的最优路径,为最终的车辆行车轨迹。
第二方面,提出了一种卡口数据缺失下的车辆行车轨迹重建系统,包括:
卡口数据采集模块,用于获取卡口数据;
车辆初始数据生成模块,用于根据卡口数据生成车辆初始轨迹;
车辆初始轨迹划分模块,用于对车辆初始轨迹进行轨迹拆分,生成多个待定路径段;
车辆行车轨迹可行路径生成模块,用于采用粒子群优化算法对待定路径段进行分析,确定车辆行车轨迹可行路径;
车辆行车轨迹生成模块,用于利用网络层次分析法选取车辆行车轨迹可行路径中的最优路径,为最终的车辆行车轨迹。
第三方面,提出了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成一种卡口数据缺失下的车辆行车轨迹重建方法所述的步骤。
第四方面,提出了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成一种卡口数据缺失下的车辆行车轨迹重建方法所述的步骤。
与现有技术相比,本公开的有益效果为:
1、本公开提出的车辆行车轨迹重建方法,在卡口数据缺失的情况下,利用已有的卡口数据生成车辆初始轨迹,对车辆初始轨迹进行拆分形成待定路径段后,通过粒子群优化算法对待定路径段进行分析,确定了车辆行车轨迹可行路径,最后通过网络层次分析法筛选出可行路径中的最优路径为最终的车辆行车轨迹,实现了在卡口数据缺失的情况下对车辆行车轨迹的重建。
2、本公开在确定最终的车辆行车轨迹时,首先通过粒子群优化算法确定了车辆行车轨迹可行路径,后通过网络层次分析法对可行路径进行了最优选取,避免了单一路径决策因素的片面性,综合考虑了路径自身特性以及驾驶员行驶偏好等因素的影响,能够有效确定最优的车辆出行轨迹,提高了缺失轨迹重建的效率和准确性。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为本公开实施例1公开方法的流程图;
图2为本公开实施例1采用粒子群优化算法确定车辆行车轨迹可行路径的流程图。
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在本公开中,术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,只是为了便于叙述本公开各部件或元件结构关系而确定的关系词,并非特指本公开中任一部件或元件,不能理解为对本公开的限制。
本公开中,术语如“固接”、“相连”、“连接”等应做广义理解,表示可以是固定连接,也可以是一体地连接或可拆卸连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员,可以根据具体情况确定上述术语在本公开中的具体含义,不能理解为对本公开的限制。
实施例1
在该实施例中,公开了一种卡口数据缺失下的车辆行车轨迹重建方法,包括:
获取卡口数据;
根据卡口数据生成车辆初始轨迹;
对车辆初始轨迹进行轨迹拆分,生成多个待定路径段;
采用粒子群优化算法对待定路径段进行分析,确定车辆行车轨迹可行路径;
利用网络层次分析法选取车辆行车轨迹可行路径中的最优路径,为最终的车辆行车轨迹。
进一步的,依据卡口数据生成车辆初始轨迹时,首先对卡口数据进行预处理,筛除异常数据,再通过筛除异常数据后的卡口数据生成车辆初始轨迹。
进一步的,卡口数据包括卡口设备调查点位,卡口设备识别的车辆数据,车辆被卡口设备捕捉的频次,卡口设备捕捉车辆的时间。
进一步的,根据车辆被卡口设备捕捉的频次,采用基于四分位极差的离群点识别方法筛除卡口数据中频次过高和过低的异常数据。
进一步的,对车辆初始轨迹进行轨迹拆分,获得多个待定路径段的具体过程为:依据驾驶习惯,出行时距一致性,每辆车相邻卡口检测点间有路网可达,及拆分后轨迹段满足一次可达网络对车辆初始轨迹进行拆分获取轨迹段,将每段轨迹段中的所有卡口设备调查点位等效为一个车辆必经点,车辆初始轨迹经车辆必经点划分为多个待定路径段。
进一步的,采用粒子群优化算法确定车辆行车轨迹可行路径的具体过程为:
通过编码的方式将待定路径段拼接为路径段序列,形成一个粒子;
任意两个车辆必经点间存在多条可行路径段,将各个可行路径段进行随机组合形成初始粒子种群,计算初始粒子适应度;
通过粒子状态对粒子种群进行迭代更新,并计算更新后的粒子适应度;
选取前K优粒子适应度对应粒子,为车辆行车轨迹可行路径。
进一步的,利用网络层次分析法确定车辆行车轨迹的具体过程为:
选取路径的便利性、驾驶员对于路径的偏好性、路径的经济与安全性以及环境与其他因素,构建影响驾驶员路径决策的二级指标体系,并采用网络层次分析法ANP对车辆行车轨迹可行路径进行评估,确定车辆行车轨迹可行路径中的最优路径,为最终的车辆行车轨迹。
结合图1对一种卡口数据缺失下的车辆行车轨迹重建方法进行说明。
(一)获取卡口数据,并对数据涉及的坐标系进行转换,其中,卡口数据包括,卡口设备调查点位,卡口设备识别的车辆数据,车辆被卡口设备捕捉的频次,卡口设备捕捉车辆的时间。
将城市路网卡口设备调查点位及车辆识别数据中的GPS定位信息转换为国家测绘局制订的地理信息系统坐标体系GCJ02,以更好实现定位信息在电子地图上的可视化。
(二)根据车辆被卡口设备捕捉的频次,删除卡口数据中频次过高和过低的异常数据。
S21:分析一天内所有车辆被卡口设备捕捉的频次,采用基于四分位极差的离群点识别方法筛除频次过高和过低的异常数据,其中四分位极差IQR的计算公式如下:
IQR=Q3-Q1
式中,Q1是第25个百分位数,Q3是第75个百分位数。
S22:当车辆一天的捕捉频次小于(Q1-1.5×IQR)时,则该车辆的捕捉频次过低;当车辆一天的捕捉频次大于(Q3+1.5×IQR)时,则该车辆的捕捉频次过高,卡口设备识别的上述两种异常情况下的车辆数据均被视为异常数据进行筛除。
(三)通过筛除异常数据后的卡口数据生成车辆初始轨迹。
针对筛选出的车辆捕捉频次合理的卡口数据,依照每辆车被卡口设备捕捉的时间序列提取相应的车辆初始轨迹。
(四)对车辆初始轨迹进行轨迹拆分,生成多个待定路径段。
通过分析发现车牌遮挡、光照强度不足、雨雪雾天气以及卡口设备的缺失与故障均会导致车辆轨迹丢点问题,在对丢点进行成因分析的基础上,通过以下规则对车辆初始轨迹进行拆分获取轨迹段:(1)出行时距的一致性约束,即车辆出行距离与时间成正比例关系;(2)每辆车的相邻卡口检测点之间具有路网可达性;(3)驾驶习惯约束,即驾驶员不会频繁转弯、掉头和绕行;(4)拆分后的轨迹段需要满足一次可达性网络。
根据车辆经过的有效卡口设备调查点位确定车辆行驶轨迹的必经点,无论拆分后的轨迹段是包含多个连续的有效卡口设备调查点位还是单独一个有效卡口设备调查点位,均等效为一个车辆必经点,并以该车辆必经点为节点将车辆初始轨迹划分为多个待定路径段。
(五)采用粒子群优化算法对待定路径段进行分析,确定车辆行车轨迹可行路径,具体过程如图2所示。
S51:对待定路径段进行编码,通过直接编码方式将待定路径段拼接为路径段序列,形成一个粒子;
S52:任意两个车辆必经点之间存在多条不同长度的可行路径段,将各个可行路径段进行随机组合形成初始粒子种群。种群内任一粒子p的评价函数Funp为所有拼接可行路径段的阻抗之和,具体计算如下:
式中,Ep为粒子p包含的路段集合,tij为路段(i,j)的自由流行程时间,Qij为路段(i,j)的交通量,Cij为路段(i,j)的通行能力,α,β为阻抗参数,Rij为相邻节点i与j的连接系数。
S53:通过评价函数计算粒子适应度,根据粒子适应度的优劣顺序划分m个子群,即将第1个粒子p1放入第1个子群,第2个粒子p2放入第2个子群,…,第m个粒子pm放入第m个子群,第m+1个粒子pm+1放入第1个子群,…,第2m个粒子p2m放入第m个子群,…,依次进行直到所有粒子均被划分。
S54:根据粒子状态更新公式实现各子群中粒子的局部搜索,即:
S55:将迭代更新后的m个子群与上一代粒子种群进行合并,根据粒子最新适应度进行排序与去重,形成新的粒子种群。
S56:判断是否满足最大迭代次数,若是则输出前k优粒子适应度对应粒子,即前k优路径,为车辆行车轨迹可行路径,反之则返回S53重新进行计算。
(六)选取路径的便利性、驾驶员对于路径的偏好性、路径的经济与安全性以及环境与其他因素,构建影响驾驶员路径决策的二级指标体系,并采用网络层次分析法ANP对车辆行车轨迹可行路径进行评估,确定车辆行车轨迹可行路径中的最优路径,为最终的车辆行车轨迹。
采用ANP方法对K优路径(车辆行车轨迹可行路径)进行综合评估,确定最佳的车辆行车轨迹,具体包含以下内容:
S61:构建影响驾驶员路径决策的ANP双层结构,其中控制层为各个准则,包含路径的便利性A、驾驶员对于路径的偏好性B、路径的经济与安全性C以及环境与其他因素D;网络层则为各个准则下的网络结构,包括路径的长度A1、路径的交通状态A2、驾驶员对路径的熟悉度B1、路径的信号灯数量B2、路径的交通诱导信息B3、路径的通行费用C1、路径的燃油费用C2、路径的安全属性(如线性、坡度等)C3、路径的道路环境D1、路径的气象环境D2。
S62:采用专家调查法和九分法标定网络层中两两因素之间的相对重要性,获取相应的两两判断矩阵。
S63:根据两两判断矩阵计算ANP超矩阵,以确定控制层和网络层指标的稳定权重。
S64:通过计算网络层中各个指标值与相应权重的乘积之和得到K优路径的综合评估值,取最优路径为最终的完整的车辆行车轨迹。
本实施例公开的一种卡口数据缺失下的车辆行车轨迹重建方法,充分利用了近乎全样本检测的城市交通卡口数据,通过对车辆被卡口设备捕捉频次分析、初始轨迹提取以及轨迹段拆分等预处理,提出基于PSO算法的车辆行车轨迹可行路径的重建方法以及基于ANP算法的车辆最优路径决策方法,以城市交通系统中卡口数据为基础,首先采用卡口数据进行车辆捕捉频次的筛查,其次在提取车辆初始轨迹的基础上进行轨迹丢点分析和轨迹分割,进而采用粒子群优化PSO算法重构车辆行车轨迹可行路径,最后结合ANP算法评估K条优化路径,确定了最终的车辆行车轨迹,实现了卡口数据缺失下的车辆行车轨迹的重建。
采用PSO算法获取了多条车辆行车轨迹可行路径,显著提高了车辆行车轨迹重建的效率和准确性;突破性地采用ANP算法解决重构后的车辆多轨迹决策问题,避免了单一路径决策因素的片面性,综合考虑了路径自身特性以及驾驶员行驶偏好等因素的影响,能够有效确定车辆最佳行车轨迹。具有以下优点:
(1)在对城市卡口数据进行预处理的基础上,采用粒子群优化算法获取了多条车辆行车轨迹可行路径,显著提高了轨迹重建的效率和准确性。
(2)突破了单一路径决策因素的局限性,采用ANP算法综合考虑多种影响因素以实现车辆行车轨迹可行路径的综合评估,精准获取最佳的车辆行车轨迹路径,为最终的车辆行车轨迹。
(3)仅利用城市路网的部分卡口数据实现车辆行车轨迹重建,较好解决了由卡口设备缺失或故障所导致的车辆轨迹断链问题,具有较高的应用价值。
(4)能够有效利用卡口原始数据中的车辆稀疏轨迹,实现车辆完整出行链的提取,为评估城市交通出行需求和交通系统运行状态提供有力的数据支持。
实施例2
在该实施例中,公开了一种卡口数据缺失下的车辆行车轨迹重建系统,包括:
卡口数据采集模块,用于获取卡口数据;
车辆初始数据生成模块,用于根据卡口数据生成车辆初始轨迹;
车辆初始轨迹划分模块,用于对车辆初始轨迹进行轨迹拆分,生成多个待定路径段;
车辆行车轨迹可行路径生成模块,用于采用粒子群优化算法对待定路径段进行分析,确定车辆行车轨迹可行路径;
车辆行车轨迹生成模块,用于利用网络层次分析法选取车辆行车轨迹可行路径中的最优路径,为最终的车辆行车轨迹。
实施例3
在该实施例中,公开了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例1公开的一种卡口数据缺失下的车辆行车轨迹重建方法所述的步骤。
实施例4
在该实施例中,公开了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例1公开的一种卡口数据缺失下的车辆行车轨迹重建方法所述的步骤。
以上仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (6)
1.一种卡口数据缺失下的车辆行车轨迹重建方法,其特征在于,包括:
获取卡口数据;
根据卡口数据生成车辆初始轨迹;
对车辆初始轨迹进行轨迹拆分,生成多个待定路径段;
采用粒子群优化算法对待定路径段进行分析,确定车辆行车轨迹可行路径;
利用网络层次分析法选取车辆行车轨迹可行路径中的最优路径,为最终的车辆行车轨迹;
依据卡口数据生成车辆初始轨迹时,首先对卡口数据进行预处理,筛除异常数据,再通过筛除异常数据后的卡口数据生成车辆初始轨迹;
采用基于四分位极差的离群点识别方法筛除卡口数据中频次过高和过低的异常数据;
采用粒子群优化算法确定车辆行车轨迹可行路径的具体过程为:
通过编码的方式将待定路径段拼接为路径段序列,形成一个粒子;
任意两个车辆必经点间存在多条可行路径段,将各个可行路径段进行随机组合形成初始粒子种群,计算初始粒子适应度;
通过粒子状态对粒子种群进行迭代更新,并计算更新后的粒子适应度;
选取前K优粒子适应度对应粒子,为车辆行车轨迹可行路径;
利用网络层次分析法确定车辆行车轨迹的具体过程为:
选取路径的便利性、驾驶员对于路径的偏好性、路径的经济与安全性以及环境与其他因素,构建影响驾驶员路径决策的二级指标体系,并采用网络层次分析法ANP对车辆行车轨迹可行路径进行评估,确定车辆行车轨迹可行路径中的最优路径,为最终的车辆行车轨迹。
2.如权利要求1所述的一种卡口数据缺失下的车辆行车轨迹重建方法,其特征在于,卡口数据包括卡口设备调查点位,卡口设备识别的车辆数据,车辆被卡口设备捕捉的频次,卡口设备捕捉车辆的时间。
3.如权利要求1所述的一种卡口数据缺失下的车辆行车轨迹重建方法,其特征在于,对车辆初始轨迹进行轨迹拆分,获得多个待定路径段的具体过程为:依据驾驶习惯,出行时距一致性,每辆车相邻卡口检测点间有路网可达,及拆分后轨迹段满足一次可达网络对车辆初始轨迹进行拆分获取轨迹段,将每段轨迹段中的所有卡口设备调查点位等效为一个车辆必经点,车辆初始轨迹经车辆必经点划分为多个待定路径段。
4.一种卡口数据缺失下的车辆行车轨迹重建系统,其特征在于,包括:
卡口数据采集模块,用于获取卡口数据;
车辆初始数据生成模块,用于根据卡口数据生成车辆初始轨迹;
车辆初始轨迹划分模块,用于对车辆初始轨迹进行轨迹拆分,生成多个待定路径段;
车辆行车轨迹可行路径生成模块,用于采用粒子群优化算法对待定路径段进行分析,确定车辆行车轨迹可行路径;
车辆行车轨迹生成模块,用于利用网络层次分析法选取车辆行车轨迹可行路径中的最优路径,为最终的车辆行车轨迹;
依据卡口数据生成车辆初始轨迹时,首先对卡口数据进行预处理,筛除异常数据,再通过筛除异常数据后的卡口数据生成车辆初始轨迹;
采用基于四分位极差的离群点识别方法筛除卡口数据中频次过高和过低的异常数据;
采用粒子群优化算法确定车辆行车轨迹可行路径的具体过程为:
通过编码的方式将待定路径段拼接为路径段序列,形成一个粒子;
任意两个车辆必经点间存在多条可行路径段,将各个可行路径段进行随机组合形成初始粒子种群,计算初始粒子适应度;
通过粒子状态对粒子种群进行迭代更新,并计算更新后的粒子适应度;
选取前K优粒子适应度对应粒子,为车辆行车轨迹可行路径;
利用网络层次分析法确定车辆行车轨迹的具体过程为:
选取路径的便利性、驾驶员对于路径的偏好性、路径的经济与安全性以及环境与其他因素,构建影响驾驶员路径决策的二级指标体系,并采用网络层次分析法ANP对车辆行车轨迹可行路径进行评估,确定车辆行车轨迹可行路径中的最优路径,为最终的车辆行车轨迹。
5.一种电子设备,其特征在于,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-3任一项所述的一种卡口数据缺失下的车辆行车轨迹重建方法的步骤。
6.一种计算机可读存储介质,其特征在于,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-3任一项所述的一种卡口数据缺失下的车辆行车轨迹重建方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011116692.8A CN112215427B (zh) | 2020-10-19 | 2020-10-19 | 一种卡口数据缺失下的车辆行车轨迹重建方法及系统 |
PCT/CN2021/103201 WO2022083166A1 (zh) | 2020-10-19 | 2021-06-29 | 一种卡口数据缺失下的车辆行车轨迹重建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011116692.8A CN112215427B (zh) | 2020-10-19 | 2020-10-19 | 一种卡口数据缺失下的车辆行车轨迹重建方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112215427A CN112215427A (zh) | 2021-01-12 |
CN112215427B true CN112215427B (zh) | 2022-12-23 |
Family
ID=74055736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011116692.8A Active CN112215427B (zh) | 2020-10-19 | 2020-10-19 | 一种卡口数据缺失下的车辆行车轨迹重建方法及系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112215427B (zh) |
WO (1) | WO2022083166A1 (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215427B (zh) * | 2020-10-19 | 2022-12-23 | 山东交通学院 | 一种卡口数据缺失下的车辆行车轨迹重建方法及系统 |
CN115206095B (zh) * | 2022-06-28 | 2024-05-14 | 公安部交通管理科学研究所 | 一种卡口过车轨迹数据重构方法 |
CN115440037B (zh) * | 2022-08-30 | 2024-03-26 | 阿波罗智联(北京)科技有限公司 | 交通流量数据采集方法、装置、电子设备及存储介质 |
CN115457777B (zh) * | 2022-09-06 | 2023-09-19 | 北京商海文天科技发展有限公司 | 一种特定车辆溯源分析方法 |
CN115512543B (zh) * | 2022-09-21 | 2023-11-28 | 浙江大学 | 一种基于深度逆向强化学习的车辆路径链重构方法 |
CN115936561A (zh) * | 2022-11-18 | 2023-04-07 | 广州云达供应链管理有限公司 | 一种物流车轨迹运行异常监测方法 |
CN117556157B (zh) * | 2024-01-10 | 2024-04-05 | 每日互动股份有限公司 | 一种卡口位置的定位方法、装置、介质及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105429877A (zh) * | 2015-11-10 | 2016-03-23 | 中山大学 | 一种基于粒子群优化的路径寻优方法 |
CN106023589A (zh) * | 2016-06-16 | 2016-10-12 | 北京航空航天大学 | 一种基于卡口数据的车辆轨迹重构方法 |
CN109584553A (zh) * | 2018-11-29 | 2019-04-05 | 中电海康集团有限公司 | 一种基于时空信息的路段关联度缺失补全方法 |
CN111243277A (zh) * | 2020-03-09 | 2020-06-05 | 山东大学 | 基于车牌识别数据的通勤车辆时空轨迹重构方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI425454B (zh) * | 2010-12-28 | 2014-02-01 | Ind Tech Res Inst | 行車路徑重建方法、系統及電腦程式產品 |
US10670412B2 (en) * | 2018-02-20 | 2020-06-02 | Veoneer Us, Inc. | System and method for generating a target path for a vehicle |
CN110276950B (zh) * | 2019-06-24 | 2021-12-31 | 华南理工大学 | 一种基于卡口视频数据的城市交通出行链重构方法 |
CN110928297B (zh) * | 2019-10-28 | 2020-10-30 | 中南大学 | 基于多目标动态粒子群优化的智能公交车辆路径规划方法 |
CN112215427B (zh) * | 2020-10-19 | 2022-12-23 | 山东交通学院 | 一种卡口数据缺失下的车辆行车轨迹重建方法及系统 |
-
2020
- 2020-10-19 CN CN202011116692.8A patent/CN112215427B/zh active Active
-
2021
- 2021-06-29 WO PCT/CN2021/103201 patent/WO2022083166A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105429877A (zh) * | 2015-11-10 | 2016-03-23 | 中山大学 | 一种基于粒子群优化的路径寻优方法 |
CN106023589A (zh) * | 2016-06-16 | 2016-10-12 | 北京航空航天大学 | 一种基于卡口数据的车辆轨迹重构方法 |
CN109584553A (zh) * | 2018-11-29 | 2019-04-05 | 中电海康集团有限公司 | 一种基于时空信息的路段关联度缺失补全方法 |
CN111243277A (zh) * | 2020-03-09 | 2020-06-05 | 山东大学 | 基于车牌识别数据的通勤车辆时空轨迹重构方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112215427A (zh) | 2021-01-12 |
WO2022083166A1 (zh) | 2022-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112215427B (zh) | 一种卡口数据缺失下的车辆行车轨迹重建方法及系统 | |
CN110264709B (zh) | 基于图卷积网络的道路的交通流量的预测方法 | |
CN109190056B (zh) | 一种车辆轨迹重建方法、系统及电子设备 | |
CN107784084B (zh) | 基于车辆定位数据的路网生成方法及系统 | |
CN111368881B (zh) | 基于多维数据融合分析的低频gps轨迹路网匹配方法 | |
CN107195180B (zh) | 一种基于电警数据的交通出行轨迹提取方法和装置 | |
CN103077604B (zh) | 交通传感器管理方法和系统 | |
CN111275975B (zh) | 一种交叉口转向流量数据的获取方法、装置和存储介质 | |
CN113723715B (zh) | 公交线网自动匹配道路网络方法、系统、设备及存储介质 | |
CN111189459A (zh) | 一种定位信息与道路匹配的方法和装置 | |
CN115599779B (zh) | 一种城市道路交通缺失数据插值方法及相关设备 | |
CN114450557B (zh) | 路线偏差量化及基于此的车辆路线学习 | |
CN110413855B (zh) | 一种基于出租车下客点的区域出入口动态提取方法 | |
CN114881356A (zh) | 基于粒子群算法优化bp神经网络的城市交通碳排预测方法 | |
CN112309118A (zh) | 一种基于时空相似度的车辆轨迹推算方法 | |
CN111951543B (zh) | 流量预测方法及装置 | |
CN111444286B (zh) | 一种基于轨迹数据的远距离交通节点关联性挖掘方法 | |
US11537767B2 (en) | Automated control through a traffic model | |
CN111008730B (zh) | 基于城市空间结构的人群聚集度预测模型构建方法及装置 | |
Mali et al. | Enhanced routing in disaster management based on GIS | |
CN115565376B (zh) | 融合graph2vec、双层LSTM的车辆行程时间预测方法及系统 | |
CN116542709A (zh) | 一种基于交通态势感知的电动汽车充电站规划分析方法 | |
CN116166642A (zh) | 基于引导信息的时空数据填补方法、系统、设备及介质 | |
CN114925994A (zh) | 一种基于深度学习的城中村风险评估和风险因素定位方法 | |
CN113990075B (zh) | 一种交通调查数据和轨迹数据融合的流量分配方法及系统 |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Guo Yajuan Inventor before: Guo Yajuan Inventor before: Hou Jinlong Inventor before: Liu Sihao Inventor before: Zhou Changkun |
|
GR01 | Patent grant | ||
GR01 | Patent grant |