CN112365711A - 一种基于车牌识别数据的车辆轨迹重构方法 - Google Patents
一种基于车牌识别数据的车辆轨迹重构方法 Download PDFInfo
- Publication number
- CN112365711A CN112365711A CN202011131304.3A CN202011131304A CN112365711A CN 112365711 A CN112365711 A CN 112365711A CN 202011131304 A CN202011131304 A CN 202011131304A CN 112365711 A CN112365711 A CN 112365711A
- Authority
- CN
- China
- Prior art keywords
- path
- travel
- vehicle
- incomplete
- identification 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
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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- 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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于车牌识别数据的车辆轨迹重构方法,包括如下步骤:1)采集城市路网拓扑信息以及一定时间段内该路网上个体车辆通过道路卡口的信息即车牌识别数据,对原始数据进行预处理;2)根据在线地图获取的合理行程时间打断出行链,并分离完整路径集与不完整路径集;3)结合时空棱柱理论与K最短路算法的生成候选路径集合;4)制定对于候选路径的评价指标并确定指标归一化方法;5)运用自动编码器进行决策,实现不完整车辆轨迹的还原。本发明方法可以较高精度的完成城市路网中漏检导致的不完整车辆轨迹的复原,算法速度较快,鲁棒性好,在实际的交通场景中有很好的表现。
Description
技术领域
本发明涉及一种基于车牌识别数据的车辆轨迹重构方法,属于智能交通中的车辆轨迹重构技术领域。
背景技术
机动车出行路径不仅可以从微观角度体现交通流特征,还是路网交通需求和时空分布特性分析的数据支撑。提取并分析路网中所有运行车辆的出行路径,可以还原路网的实际运行状态。但由于交通信息采集设备并不能做到路网与车辆的全覆盖,且设备本身会发生故障、产生数据丢包等问题,得到的车辆出行轨迹有一部分是不完整的。因此,需要对这些不完整的轨迹进行重构才能提高结果的准确性与决策的可靠性。
可用于车辆轨迹重构的数据主要分为移动数据与固定数据两类。移动数据主要包括浮动车GPS数据和手机信令数据等。固定数据包括微波数据、线圈数据与视频检测数据等。随着视频识别设备在城市路网上的覆盖率越来越高,车牌识别数据成为提取车辆出行路径的有效数据源。在现有的车辆轨迹重构技术中,有部分采用最短路算法进行路径还原,但出行者在实际决策时,受到很多动态因素及主观因素的影响,并不一定会做出最短路的决策,从而导致该算法在轨迹重构应用中准确度不高。因此,目前普遍使用对候选路径集进行决策的思路来实现车辆轨迹重构。在现有的候选路径集生成技术中,大部分采用K最短路算法,但该方法在大型路网上搜索速度慢,而且可能会出现候选路径不符合实际情况的问题。同时,在现有的路径决策技术中,大部分的决策指标是静态的,不能反映出行者对同一路径的不同感知,同时权重确定具有一定的主观性,且计算步骤较多。
发明内容
本发明所要解决的技术问题是:提供一种基于车牌识别数据的车辆轨迹重构方法,可以较高精度的完成城市路网中漏检导致的不完整车辆轨迹的复原,算法速度较快,鲁棒性好,在实际的交通场景中有很好的表现。
本发明为解决上述技术问题采用以下技术方案:
一种基于车牌识别数据的车辆轨迹重构方法,包括如下步骤:
步骤1,获取城市路网拓扑信息,包括路网拓扑图、该路网上的交叉口和设置于部分交叉口的道路卡口,采集一定时间段内该路网上每辆车通过道路卡口的车辆识别数据,并对所有车辆识别数据进行预处理,得到预处理后的车辆识别数据;
步骤2,对预处理后的车辆识别数据进行聚类,将同一辆车的车辆识别数据聚为一类;将交叉口作为出行节点,基于在线地图API获取相邻两个出行节点间的合理行程时间区间,基于合理行程时间区间将每辆车的车辆识别数据划分为至少一次出行活动,一次出行活动对应一个出行路径,并判断每个出行路径是否完整;
步骤3,对于被判断为不完整的出行路径,将该出行路径上相邻两个出行节点之间的路径记为路段,从不完整的出行路径中找出不完整路段,对于不完整路段,结合时空棱柱理论和K最短路算法生成候选路径集合;
步骤4,对于候选路径集合中的每条候选路径,构建候选路径决策指标,并基于指数的MAX-MIN方法对路径决策指标进行归一化;
步骤5,将每条候选路径所对应的归一化后的路径决策指标输入自动编码器模型,自动编码器模型输出各候选路径的综合指标值,选择综合指标值最优的候选路径作为重构路径。
作为本发明的一种优选方案,步骤1所述车辆识别数据包括:检测设备编号、车辆被检测时间、车辆所在车道编号、车牌号。
作为本发明的一种优选方案,所述步骤2的具体过程如下:
2.1,对预处理后的车辆识别数据根据车牌号进行聚类,将同一辆车的车辆识别数据聚为一类,对每辆车的车辆识别数据按照时间先后顺序进行排序;
2.2,将交叉口作为出行节点,基于在线地图API获取任意两个出行节点间的行程时间属性Tab,设置任意两个出行节点间的合理行程时间区间为[k1*Tab,k2*Tab],k1、k2分别取0.8和1.5;
2.3,对于第i辆车,i从1开始,将其第一条车辆识别数据对应的道路卡口所在位置设为第一次出行活动的起点;
2.4,对于第i辆车的第j和j+1条车辆识别数据,计算两条车辆识别数据所对应的检测时间之差Δt;
(a)如果Δt在第j和j+1条车辆识别数据分别对应的两个出行节点间的合理行程时间区间内,则第j和j+1条车辆识别数据属于同一次出行活动;
(b)如果Δt小于(a)中所述区间的下限,则删除第j+1条车辆识别数据;
(c)如果Δt大于(a)中所述区间的上限,则认为第j条车辆识别数据对应的道路卡口所在位置是当前出行活动的终点,也是下一次出行活动的起点;
2.5,对每辆车重复2.3-2.4,直至i=m,m为所有车辆的数量,获得每辆车的所有出行活动即出行路径;
2.6,对于任意一辆车,判断其每个出行路径是否完整,用出行节点集合{V1,V2,…,Vl,…,VL}表示一个出行路径,对于相邻两个出行节点Vl与Vl+1,如果这两个出行节点是相邻的两个交叉口且两出行节点之间有路段连通,则表明出行节点Vl与Vl+1间的路径是完整的,否则是不完整的;从而判断该出行路径是否完整。
作为本发明的一种优选方案,所述步骤3的具体过程如下:
3.1,对于被判断为不完整的出行路径,将该出行路径上相邻两个出行节点之间的路径记为路段,从不完整的出行路径中找出不完整路段,对于不完整路段AB,A为不完整路段的起点,B为不完整路段的终点,将该不完整路段中的最大限速设定为速度参数,根据时空棱柱理论,求解得到不完整路段AB的可能路径区域PPA,筛选可能路径区域PPA内的交叉口集合{V};
3.2,将交叉口集合{V}设为Dijkstra算法的集合;
3.3,基于Dijkstra算法获得不完整路段AB的候选路径集合。
作为本发明的一种优选方案,所述步骤4的具体过程如下:
4.1,对于候选路径集合中的每条候选路径,构建候选路径决策指标,包括:路径长度Lg、道路等级Hg、途经交叉口INEg、转弯次数Tg、行程时间相符程度Cg、路径偏好程度Pg,其中,
道路等级Hg的计算公式如下:
式中,n表示候选路径g中包含的路段数,Hgh表示路径g中第h条路段的道路等级,Lgh表示路径g中第h条路段的长度;
行程时间相符程度Cg的计算公式如下:
路径偏好程度Pg的计算公式如下:
4.2,基于指数的MAX-MIN方法对上述路径决策指标进行归一化,具体为:
式中,x1(Qg)、x2(Qg)、x3(Qg)、x4(Qg)、x5(Qg)、x6(Qg)分别表示归一化后的路径长度、道路等级、途经交叉口、转弯次数、行程时间相符程度、路径偏好程度,max(L)、min(L)分别表示路径长度的最大、最小值,max(H)、min(H)分别表示道路等级的最大、最小值,max(INE)、min(INE)分别表示途经交叉口的最大、最小值,max(T)、min(T)分别表示转弯次数的最大、最小值,max(C)、min(C)分别表示行程时间相符程度的最大、最小值,max(P)、min(P)分别表示路径偏好程度的最大、最小值。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1、本发明采用在线地图API获取的合理行程时间来划分出行链,极大地减少了计算量,可以快速准确地获得不同出行活动对应的初始路径;并结合时空棱柱理论与K最短路算法生成候选轨迹集合,可适用于大型城市路网。
2、本发明构建的路径决策指标体系包含六个动态与静态指标:路径长度、道路等级、途经交叉口数、转弯次数、行程时间相符程度和路径偏好程度,这些决策因素有很好的环境适应性。
3、本发明采用自动编码器模型实现路径决策,权重确定过程更加客观且避免了繁复的计算步骤。
4、本发明的轨迹重构还原精度高,鲁棒性好,在实际的交通场景中表现良好。
附图说明
图1是本发明基于车牌识别数据的车辆轨迹重构方法的流程图。
图2是出行时空棱柱示意图。
图3是本发明实施例中采用的路网拓扑图。
图4是本发明实施例中不完整轨迹图。
图5是本发明实施例中自动编码器模型结构图。
图6是本发明实施例中模型输出平面映射图。
图7是本发明实施例中重构的完整轨迹图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
如图1所示,基于车牌识别数据的车辆轨迹重构方法包括五个阶段:数据采集与预处理、出行链划分、生成候选路径集、计算决策指标、路径决策,具体如下:
(1)采集城市路网拓扑信息以及一定时间段内该路网上个体车辆通过道路卡口的信息(车牌识别数据),对原始数据进行预处理,剔除错误与重复数据;
其中,车牌识别数据包括:检测设备编号、车辆被检测时间、车辆所在车道编号、车牌号。
(2)基于在线地图API获取的合理行程时间划分车辆出行链,具体步骤如下:
设路网上任意两个出行节点间的合理行程时间区间为[k1*Tab,k2*Tab],基于在线地图API接口获得任意两个出行节点间的行程时间属性Tab,k1、k2分别取0.8和1.5。
Step1:车牌识别数据表根据车牌ID进行聚类,每一辆车的各条数据按照时间顺序进行排列。
Step2:对第i辆车(共m辆车),其第一条过车记录的位置设为第一次出行的起点。
Step3:对第i辆车的第j和j+1条过车记录,计算两次记录之间的时间差Δt。
(a)如果Δt在对应两点间的合理行程时间区间内,则第j和j+1条过车记录属于同一次出行;
(b)如果Δt小于区间下限,则认为记录错误,删除第j+1条记录;
(c)如果Δt大于区间上限,则认为第j条记录的位置是当前出行的终点,第j+1条记录的位置是下一次出行的起点。
Step4:对每一辆车重复上两步操作直至i=m。
Step5:分离完整路径与不完整路径。对于一次出行活动,其出行路径可以用集合{V1,V2,…,Vl,…,VL}表示。对于任意的两个节点Vl与Vl+1,如果这两个节点是相邻的两个交叉口且两节点之间有路段连通,则这是一次完整的出行路径;否则是需要进行轨迹重构的不完整路径。
(3)结合时空棱柱理论与K最短路算法的生成候选路径集合;
时空棱柱理论为:
假设出行者的起点是A点,终点是B点,他的出行起始时间是T1时刻,到达目的地的时间是T2时刻。以(A,T1)点为顶点的圆锥1与以(B,T2)点为顶点的圆锥2产生交集,这就是时空棱柱。而两个圆锥的相交面投影在平面上产生的区域就是可能路径区域(PPA)。可知这个可能路径区域是一个焦点为A、B点的椭圆。当出行者的移动速度为v,起终点分别为A点和B点时,他的活动范围在这个椭圆(PPA)范围内。图2展示了一次出行所对应的时空棱柱。
求解可能路径区域(PPA)的步骤如下。将城市路网简化为一个有向图G={V,E}。其中V={1,2,...,n}代表的是这个路网中所有节点的集合;E={(b,c)|b,c∈V,b≠c}代表的是路网中所有路段的集合。设起点在这个二维平面的坐标为(xo,yo),终点坐标为(xd,yd)。再设PPA上任意一点的坐标为(x,y),那么PPA的表达式如下:
PPA={(x,y)|T(xo,yo,x,y)+T(x,y,xd,yd)≤T2-T1}
式中,函数T(x1,y1,x2,y2)表示从点(x1,y1)到点(x2,y2)之间的最短出行时间。
(3)的具体步骤如下:
Step1:根据时空棱柱理论,将路网上各路段中的最大限速设定为速度参数,筛选出PPA内的交叉口点位集合{V}。
Step2:将交叉口集合{V}设为K最短路算法的路网点集。
Step3:基于Dijkstra算法求出从起点A到终点B的最短路径Q1,并将Q1放入可行路径集合{Q}。判断k是否小于K,并且仍然有候选路径存在,如果是,转至Step 4;否则转入Step 7。
Step4:求Qk+1
Step4.1:把位于Qk上的每个节点(除去节点B)分别看作偏离点(设共有x个)。将每个偏离点记为Ve(e=1,2,...,x)。
Step4.2:从Ve(e=1)开始遍历每个偏离点,求Ve到终点B的最短路径。
Step4.3:将Qk上从起点到Vi的路径加上之前求得的Ve到终点B的最短路径作为Qk+1的候选路径,放到候选路径集合R中。
Step5:判断候选路径列表是否为空,如果是,则转至Step 7;否则转入Step 6。
Step6:遍历完偏离点后,找出R中权值最小的路径即为所求Qk+1,将该路径从R中移除,并放入集合Q中,转至Step 3。
Step7:获得A点与B点间的候选路径集合。
(4)构建出行路径决策指标体系,如下:
(a)静态指标
1、路径长度Lg
2、道路等级Hg
路径中各路段道路等级以路段长度为权值的加权平均数,计算公式如下:
其中:n-路径g中包含的路段数;Hgh-路径g中第h条路段的道路等级;Lgh-路径g中第h条路段的长度。
3、途经交叉口INEg
4、转弯次数Tg
(b)动态指标
5、行程时间相符程度Cg
6、路径偏好程度Pg
指的是一条路径在历史路径集合中被选择的比例,计算公式如下:
使用如下基于指数的MAX-MIN方法对指标进行归一化:
1)路径长度
2)道路等级
3)途经交叉口数
4)转弯次数
5)行程时间相符程度
6)路径偏好程度
(5)利用自动编码器实现不完整车辆轨迹的还原,具体包括:构建成本函数如下式的自动编码器模型,输入各个候选路径的指标值,该模型通过对各个指标数据的学习可以生成各层神经元间的权重,最后直接输出各候选路径的综合指标值,选择综合指标最优的路径作为重构的车辆轨迹。
下面以一具体实施例进行说明。
一、数据采集与预处理
根据本发明,需要城市路网的拓扑信息和车牌识别数据。本实施例的路网拓扑如图3所示,是宁波市一个2.6km×2.3km的路网。实施例中原始数据为该路网2018年6月5日0时至24时的车牌识别数据,平均采样率为91%。在步骤1中,首先提取其中名为“检测设备编号”、“检测时间”、“车辆所在车道编号”、“加密车牌号”的列数据,然后对原始数据进行预处理,删去重复和空白数据。具体数据形式如表1所示。
表1车牌识别数据示例
二、出行链划分
在本实施例中,以一辆编号为1758的车辆为例,实施轨迹重构。该车辆的原始轨迹是完整的,随机删去其中的4条记录,来模拟设备漏检导致的车辆轨迹缺失。
该车辆剩余的6条记录所对应的6个节点,按照时间的先后顺序用数字表示。由在线地图API接口获取任意两个相邻节点间的合理行程时间,因为位置2至位置3的间隔时间超过了两点间合理行程时间的上限,因此这个轨迹被划分为两次出行活动,位置2是出行1的终点也是出行2的起点。而出行1中从交叉口18至交叉口27之间的路径是不完整的,需要进行还原,如图4所示。
三、生成候选路径集
基于之前提出的结合时空棱柱理论的K最短路算法生成包含五条可行路径的候选轨迹集,如表2所示。
表2候选轨迹集
编号 | 路径 |
1 | 18-17-16-15-21-27 |
2 | 18-17-16-22-28-27 |
3 | 18-17-23-22-21-27 |
4 | 18-24-30-29-28-27 |
5 | 18-24-23-22-21-27 |
四、计算决策指标
分别计算这五条候选轨迹的六项指标值:路径长度、道路等级、途经交叉口数、转弯次数、行程时间相符程度和路径偏好程度,并采用基于指数的MAX-MIN方法进行归一化,结果表3所示。
表3归一化指标值
五、路径决策
建立输入层和输出层维度都为6的自动编码器模型,模型的中间层均为隐含层,它们的神经元个数分别为4、3、2、3、4。前四层构成编码器,后四层构成解码器,训练目标是使得输出层与输入层相同。输入层的六个神经元代表六项指标值,中间的两个神经元代表最终生成的综合指标。本模型的激活函数选择sigmoid函数,其结构如图5所示。将两个综合评价指标映射在平面坐标系上,如图6所示。综合评价值越大,越接近出行者的真实路径选择。综合评价的高低在图6所示二维空间中的表现是与原点的距离远近。因此选择路径3作为最终的还原路径,重构后的车辆路径如图7所示。这与实际的轨迹完全相同,从而验证了本实施例中方法的有效性与可行性。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (5)
1.一种基于车牌识别数据的车辆轨迹重构方法,其特征在于,包括如下步骤:
步骤1,获取城市路网拓扑信息,包括路网拓扑图、该路网上的交叉口和设置于部分交叉口的道路卡口,采集一定时间段内该路网上每辆车通过道路卡口的车辆识别数据,并对所有车辆识别数据进行预处理,得到预处理后的车辆识别数据;
步骤2,对预处理后的车辆识别数据进行聚类,将同一辆车的车辆识别数据聚为一类;将交叉口作为出行节点,基于在线地图API获取相邻两个出行节点间的合理行程时间区间,基于合理行程时间区间将每辆车的车辆识别数据划分为至少一次出行活动,一次出行活动对应一个出行路径,并判断每个出行路径是否完整;
步骤3,对于被判断为不完整的出行路径,将该出行路径上相邻两个出行节点之间的路径记为路段,从不完整的出行路径中找出不完整路段,对于不完整路段,结合时空棱柱理论和K最短路算法生成候选路径集合;
步骤4,对于候选路径集合中的每条候选路径,构建候选路径决策指标,并基于指数的MAX-MIN方法对路径决策指标进行归一化;
步骤5,将每条候选路径所对应的归一化后的路径决策指标输入自动编码器模型,自动编码器模型输出各候选路径的综合指标值,选择综合指标值最优的候选路径作为重构路径。
2.根据权利要求1所述基于车牌识别数据的车辆轨迹重构方法,其特征在于,步骤1所述车辆识别数据包括:检测设备编号、车辆被检测时间、车辆所在车道编号、车牌号。
3.根据权利要求1所述基于车牌识别数据的车辆轨迹重构方法,其特征在于,所述步骤2的具体过程如下:
2.1,对预处理后的车辆识别数据根据车牌号进行聚类,将同一辆车的车辆识别数据聚为一类,对每辆车的车辆识别数据按照时间先后顺序进行排序;
2.2,将交叉口作为出行节点,基于在线地图API获取任意两个出行节点间的行程时间属性Tab,设置任意两个出行节点间的合理行程时间区间为[k1*Tab,k2*Tab],k1、k2分别取0.8和1.5;
2.3,对于第i辆车,i从1开始,将其第一条车辆识别数据对应的道路卡口所在位置设为第一次出行活动的起点;
2.4,对于第i辆车的第j和j+1条车辆识别数据,计算两条车辆识别数据所对应的检测时间之差Δt;
(a)如果Δt在第j和j+1条车辆识别数据分别对应的两个出行节点间的合理行程时间区间内,则第j和j+1条车辆识别数据属于同一次出行活动;
(b)如果Δt小于(a)中所述区间的下限,则删除第j+1条车辆识别数据;
(c)如果Δt大于(a)中所述区间的上限,则认为第j条车辆识别数据对应的道路卡口所在位置是当前出行活动的终点,也是下一次出行活动的起点;
2.5,对每辆车重复2.3-2.4,直至i=m,m为所有车辆的数量,获得每辆车的所有出行活动即出行路径;
2.6,对于任意一辆车,判断其每个出行路径是否完整,用出行节点集合{V1,V2,…,Vl,…,VL}表示一个出行路径,对于相邻两个出行节点Vl与Vl+1,如果这两个出行节点是相邻的两个交叉口且两出行节点之间有路段连通,则表明出行节点Vl与Vl+1间的路径是完整的,否则是不完整的;从而判断该出行路径是否完整。
4.根据权利要求1所述基于车牌识别数据的车辆轨迹重构方法,其特征在于,所述步骤3的具体过程如下:
3.1,对于被判断为不完整的出行路径,将该出行路径上相邻两个出行节点之间的路径记为路段,从不完整的出行路径中找出不完整路段,对于不完整路段AB,A为不完整路段的起点,B为不完整路段的终点,将该不完整路段中的最大限速设定为速度参数,根据时空棱柱理论,求解得到不完整路段AB的可能路径区域PPA,筛选可能路径区域PPA内的交叉口集合{V};
3.2,将交叉口集合{V}设为Dijkstra算法的集合;
3.3,基于Diikstra算法获得不完整路段AB的候选路径集合。
5.根据权利要求1所述基于车牌识别数据的车辆轨迹重构方法,其特征在于,所述步骤4的具体过程如下:
4.1,对于候选路径集合中的每条候选路径,构建候选路径决策指标,包括:路径长度Lg、道路等级Hg、途经交叉口INEg、转弯次数Tg、行程时间相符程度Cg、路径偏好程度Pg,其中,
道路等级Hg的计算公式如下:
式中,n表示候选路径g中包含的路段数,Hgh表示路径g中第h条路段的道路等级,Lgh表示路径g中第h条路段的长度;
行程时间相符程度Cg的计算公式如下:
路径偏好程度Pg的计算公式如下:
4.2,基于指数的MAX-MIN方法对上述路径决策指标进行归一化,具体为:
式中,x1(Qg)、x2(Qg)、x3(Qg)、x4(Qg)、x5(Qg)、x6(Qg)分别表示归一化后的路径长度、道路等级、途经交叉口、转弯次数、行程时间相符程度、路径偏好程度,max(L)、min(L)分别表示路径长度的最大、最小值,max(H)、min(H)分别表示道路等级的最大、最小值,max(INE)、min(INE)分别表示途经交叉口的最大、最小值,max(T)、min(T)分别表示转弯次数的最大、最小值,max(C)、min(C)分别表示行程时间相符程度的最大、最小值,max(P)、min(P)分别表示路径偏好程度的最大、最小值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011131304.3A CN112365711B (zh) | 2020-10-21 | 2020-10-21 | 一种基于车牌识别数据的车辆轨迹重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011131304.3A CN112365711B (zh) | 2020-10-21 | 2020-10-21 | 一种基于车牌识别数据的车辆轨迹重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112365711A true CN112365711A (zh) | 2021-02-12 |
CN112365711B CN112365711B (zh) | 2021-11-02 |
Family
ID=74511382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011131304.3A Active CN112365711B (zh) | 2020-10-21 | 2020-10-21 | 一种基于车牌识别数据的车辆轨迹重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112365711B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991134A (zh) * | 2021-05-11 | 2021-06-18 | 交通运输部科学研究院 | 行车路径还原测算方法、装置和电子设备 |
CN113140114A (zh) * | 2021-03-09 | 2021-07-20 | 中山大学 | 一种基于行程时间估计的车辆出行路径重构方法 |
CN113255088A (zh) * | 2021-05-21 | 2021-08-13 | 上海天壤智能科技有限公司 | 一种卡口过车记录的数据补全方法及系统 |
CN113297342A (zh) * | 2021-05-18 | 2021-08-24 | 北京理工大学前沿技术研究院 | 一种车辆行驶轨迹重构方法、装置、设备及存储介质 |
CN114049765A (zh) * | 2021-11-03 | 2022-02-15 | 扬州大学 | 基于自动车辆号牌识别数据的城市路网车流od估计方法 |
CN114281908A (zh) * | 2021-11-12 | 2022-04-05 | 上海国际港务(集团)股份有限公司 | 一种历史行驶路径重建方法、装置和计算机设备 |
CN114333292A (zh) * | 2021-11-22 | 2022-04-12 | 上海电科智能系统股份有限公司 | 一种基于轨迹重构技术的流量修复方法 |
CN114973642A (zh) * | 2022-01-17 | 2022-08-30 | 东华理工大学 | 基于大数据轨迹分析的计算机路径决策系统和决策方法 |
CN115512543A (zh) * | 2022-09-21 | 2022-12-23 | 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 |
CN116307318A (zh) * | 2023-03-06 | 2023-06-23 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于卡口车牌识别数据的道路流量溯源系统及其方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106652458A (zh) * | 2017-02-20 | 2017-05-10 | 东南大学 | 基于虚拟车辆轨迹重构的在线城市道路路径行程时间估计方法 |
CN108447256A (zh) * | 2018-03-22 | 2018-08-24 | 连云港杰瑞电子有限公司 | 基于电警和定点检测器数据融合的干道车辆轨迹重构方法 |
CN110276950A (zh) * | 2019-06-24 | 2019-09-24 | 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 |
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 |
-
2020
- 2020-10-21 CN CN202011131304.3A patent/CN112365711B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106652458A (zh) * | 2017-02-20 | 2017-05-10 | 东南大学 | 基于虚拟车辆轨迹重构的在线城市道路路径行程时间估计方法 |
CN108447256A (zh) * | 2018-03-22 | 2018-08-24 | 连云港杰瑞电子有限公司 | 基于电警和定点检测器数据融合的干道车辆轨迹重构方法 |
CN110276950A (zh) * | 2019-06-24 | 2019-09-24 | 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 |
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 |
Non-Patent Citations (1)
Title |
---|
胡明伟 等: "基于车牌识别数据的行驶轨迹重构和排放测算", 《深圳大学学报理工版》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113140114A (zh) * | 2021-03-09 | 2021-07-20 | 中山大学 | 一种基于行程时间估计的车辆出行路径重构方法 |
CN113140114B (zh) * | 2021-03-09 | 2022-07-29 | 中山大学 | 一种基于行程时间估计的车辆出行路径重构方法 |
CN112991134A (zh) * | 2021-05-11 | 2021-06-18 | 交通运输部科学研究院 | 行车路径还原测算方法、装置和电子设备 |
CN113297342B (zh) * | 2021-05-18 | 2022-05-10 | 北京理工大学前沿技术研究院 | 一种车辆行驶轨迹重构方法、装置、设备及存储介质 |
CN113297342A (zh) * | 2021-05-18 | 2021-08-24 | 北京理工大学前沿技术研究院 | 一种车辆行驶轨迹重构方法、装置、设备及存储介质 |
CN113255088A (zh) * | 2021-05-21 | 2021-08-13 | 上海天壤智能科技有限公司 | 一种卡口过车记录的数据补全方法及系统 |
CN114049765A (zh) * | 2021-11-03 | 2022-02-15 | 扬州大学 | 基于自动车辆号牌识别数据的城市路网车流od估计方法 |
CN114281908A (zh) * | 2021-11-12 | 2022-04-05 | 上海国际港务(集团)股份有限公司 | 一种历史行驶路径重建方法、装置和计算机设备 |
CN114333292A (zh) * | 2021-11-22 | 2022-04-12 | 上海电科智能系统股份有限公司 | 一种基于轨迹重构技术的流量修复方法 |
CN114333292B (zh) * | 2021-11-22 | 2022-11-18 | 上海电科智能系统股份有限公司 | 一种基于轨迹重构技术的流量修复方法 |
CN114973642A (zh) * | 2022-01-17 | 2022-08-30 | 东华理工大学 | 基于大数据轨迹分析的计算机路径决策系统和决策方法 |
CN114973642B (zh) * | 2022-01-17 | 2023-09-08 | 深圳市聚业美家科技有限公司 | 基于大数据轨迹分析的计算机路径决策系统和决策方法 |
CN115512543A (zh) * | 2022-09-21 | 2022-12-23 | 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 |
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 |
CN116307318A (zh) * | 2023-03-06 | 2023-06-23 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于卡口车牌识别数据的道路流量溯源系统及其方法 |
CN116307318B (zh) * | 2023-03-06 | 2023-10-20 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于卡口车牌识别数据的道路流量溯源系统及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112365711B (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112365711B (zh) | 一种基于车牌识别数据的车辆轨迹重构方法 | |
CN110276950B (zh) | 一种基于卡口视频数据的城市交通出行链重构方法 | |
CN107766808A (zh) | 道路网络空间中车辆对象移动轨迹聚类的方法及系统 | |
CN109686091B (zh) | 一种基于多源数据融合的交通流量填补算法 | |
Veloso et al. | Sensing urban mobility with taxi flow | |
CN109686090B (zh) | 一种基于多源数据融合的虚拟交通流量计算方法 | |
CN110362557B (zh) | 一种基于机器学习和车牌识别数据的缺失路径修复方法 | |
CN105551239B (zh) | 旅行时间预测方法及装置 | |
CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
CN109459047A (zh) | 车辆高精度定位数据与导航地图精确匹配及变道行为探测方法 | |
CN110634299B (zh) | 基于多源轨迹数据的城市交通状态精细划分与识别方法 | |
CN107195180A (zh) | 一种基于电警数据的交通出行轨迹提取方法和装置 | |
CN109489679B (zh) | 一种导航路径中的到达时间计算方法 | |
CN112784000B (zh) | 基于出租车轨迹数据的寻客方法 | |
Liu et al. | Exploring time-dependent traffic congestion patterns from taxi trajectory data | |
CN113903173B (zh) | 一种基于有向图结构和lstm的车辆轨迹特征提取方法 | |
CN110413855A (zh) | 一种基于出租车下客点的区域出入口动态提取方法 | |
CN107644533A (zh) | 基于移动网络数据的高速公路虚拟断面车流量监测方法 | |
CN111123333B (zh) | 一种融合卡口和gps数据的车辆轨迹定位方法 | |
CN110211380B (zh) | 一种多源交通数据融合的高速公路拥堵区间探测方法 | |
CN113362599B (zh) | 一种道路交通设施可达指数的计算方法 | |
CN115662124A (zh) | 一种基于网络编码的gps轨迹数据路段流量匹配方法 | |
CN115309846A (zh) | 一种基于平行系数的道路网结构识别方法 | |
CN111931968B (zh) | 一种应用手机gps数据来优化公共自行车站点布局的方法 | |
Brunauer et al. | Recognizing spatio-temporal traffic patterns at intersections using self-organizing maps |
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 |