CN112652170A - 交通拥堵热点的定位方法和装置 - Google Patents

交通拥堵热点的定位方法和装置 Download PDF

Info

Publication number
CN112652170A
CN112652170A CN202011545271.7A CN202011545271A CN112652170A CN 112652170 A CN112652170 A CN 112652170A CN 202011545271 A CN202011545271 A CN 202011545271A CN 112652170 A CN112652170 A CN 112652170A
Authority
CN
China
Prior art keywords
tensor
track
vehicle
characterizing
congestion
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
CN202011545271.7A
Other languages
English (en)
Other versions
CN112652170B (zh
Inventor
江帆
唐力勇
史晓丽
余旭
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.)
Aerospace Science And Engineering Intelligent Operation Research And Information Security Research Institute Wuhan Co ltd
Original Assignee
Aerospace Science And Engineering Intelligent Operation Research And Information Security Research Institute Wuhan 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 Aerospace Science And Engineering Intelligent Operation Research And Information Security Research Institute Wuhan Co ltd filed Critical Aerospace Science And Engineering Intelligent Operation Research And Information Security Research Institute Wuhan Co ltd
Priority to CN202011545271.7A priority Critical patent/CN112652170B/zh
Publication of CN112652170A publication Critical patent/CN112652170A/zh
Application granted granted Critical
Publication of CN112652170B publication Critical patent/CN112652170B/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
    • G08G1/0125—Traffic data processing
    • 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
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明实施例提供了一种交通拥堵热点的定位方法和装置。该方法包括：获取至少一辆车的车辆轨迹数据和车辆运行状态数据；根据车辆轨迹数据，计算第一拥堵热点定位结果；根据车辆运行状态数据，计算第二拥堵热点定位结果；将第一拥堵热点定位结果和第二拥堵热点定位结果进行融合修正，确定交通拥堵热点的定位结果。本方案能够提高交通拥堵热点的定位精度。

Description

交通拥堵热点的定位方法和装置
技术领域
本发明涉及交通技术领域，特别涉及交通拥堵热点的定位方法和装置。
背景技术
随着城市经济快速发展和智慧城市的需要，日益严峻的交通拥堵问题成为了当前亟需解决的难点。
在解决交通拥堵的问题时，能否准确地定位到交通拥堵的地点，决定着是否能够对该交通态势作出准确地判断，以便于及时采取有效的管控措施。然而，由于当前的交通状况复杂，采用监控或航拍图像的传统方式往往无法准确的定位出交通拥堵热点。
因此，需要提供一种交通拥堵热点的定位方案。
发明内容
本发明实施例提供了一种交通拥堵热点的定位方法和装置，能够提高交通拥堵热点的定位精度。
第一方面，本发明实施例提供了一种交通拥堵热点的定位方法，该方法包括：
获取至少一辆车的车辆轨迹数据和车辆运行状态数据；
根据所述车辆轨迹数据，计算第一拥堵热点定位结果；
根据所述车辆运行状态数据，计算第二拥堵热点定位结果；
将所述第一拥堵热点定位结果和所述第二拥堵热点定位结果进行融合修正，确定所述交通拥堵热点的定位结果。
在一种可能的实现方式中，所述根据所述车辆轨迹数据，计算第一拥堵热点定位结果，包括：
根据所述车辆轨迹数据，将所述车辆的轨迹路线进行连接，获得轨迹重构结果；
根据所述轨迹重构结果，计算交通流的运行速度，并根据该运行速度确定第一拥堵热点定位结果。
在一种可能的实现方式中，所述车辆轨迹数据包括：车辆编号、位置信息和时间戳；
所述将所述车辆的轨迹路线进行连接，获得轨迹重构结果，包括：
以所述车辆编号、所述位置信息和所述时间戳为三个维度，建立稀疏轨迹张量x；
对所述稀疏轨迹张量进行初始化，得到轨迹张量
Figure BDA0002855507320000025
所述轨迹张量
Figure BDA0002855507320000026
的各元素满足如下等式：
Figure BDA0002855507320000021
其中，
Figure BDA0002855507320000022
用于表征维度为i，j，k三维轨迹张量
Figure BDA0002855507320000023
的元素，Ω为数据索引集合的全集；
定义同类张量S；所述同类张量S与所述稀疏轨迹张量x的大小相同，且所述同类张量S的各元素满足如下等式：
Figure BDA0002855507320000024
其中，Sijk用于表征维度为i，j，k的三维同类张量S；
根据如下等式组，对轨迹张量进行预设迭代次数的迭代计算：
Figure BDA0002855507320000031
其中，q用于表征张量的维度，Bq和yq用于表征算法中间变量，
Figure BDA0002855507320000032
用于表征轨迹张量，
Figure BDA0002855507320000033
用于表征将所述轨迹张量
Figure BDA0002855507320000034
按照第q个维度展开，yq(q)用于表征将所述算法中间变量yq按照第q个维度展开，ρ用于表征相邻两次迭代的更新步长，αq用于表征矩阵中各元素之和等于1的参数向量，S用于表征与所述稀疏轨迹张量x大小相同的同类张量，foldq(·)用于表征将矩阵还原成张量的运算符，
Figure BDA0002855507320000035
用于表征进行奇异值分解的运算符；
根据迭代计算后的轨迹张量
Figure BDA0002855507320000036
输出重构轨迹张量。
在一种可能的实现方式中，所述计算交通流的运行速度，并根据该运行速度确定第一拥堵热点定位结果，包括：
根据所述重构轨迹张量，确定交通流的流量、速度和密度；
通过如下公式，计算交通流冲击波的传播速度：
Figure BDA0002855507320000037
其中，ω用于表征所述交通流冲击波的传播速度，qt用于表征t时刻的交通流的流量，kt用于表征t时刻的交通流的密度；
根据所述传播速度，计算预设时间后的冲击波位置，并将该位置确定为第一拥堵热点定位结果。
在一种可能的实现方式中，所述车辆运行状态数据包括：车辆运行路程；
所述根据所述车辆运行状态数据，计算第二拥堵热点定位结果，包括：
根据所述车辆运行路程，计算预设时间内当前路段的车辆平均速度；
判断所述车辆平均速度与拥堵车速判别阈值的大小；
在所述车辆平均速度小于拥堵车速判别阈值时，将该路段确定为所述第二拥堵热点定位结果。
在一种可能的实现方式中，所述将所述第一拥堵热点定位结果和所述第二拥堵热点定位结果进行融合修正，确定所述交通拥堵热点的定位结果，包括：
利用如下公式计算交通拥堵热点的定位结果：
J＝λJ1+(1-λ)J2，λ∈[0,1]
其中，J用于表征交通拥堵热点的定位结果，J1用于表征第一拥堵热点定位结果，J2用于表征第二拥堵热点定位结果，λ用于表征J1和J2的置信度参数。
第二方面，本发明实施例还提供了一种交通拥堵热点的定位装置，该装置包括：获取模块，计算模块和确定模块；
所述获取模块，用于获取至少一辆车的车辆轨迹数据和车辆运行状态数据；
所述计算模块，用于根据所述获取模块获取到的所述车辆轨迹数据，计算第一拥堵热点定位结果；以及根据所述获取模块获取到的所述车辆运行状态数据，计算第二拥堵热点定位结果；
所述确定模块，用于将所述计算模块计算得到的所述第一拥堵热点定位结果和所述第二拥堵热点定位结果进行融合修正，确定所述交通拥堵热点的定位结果。
在一种可能的实现方式中，所述计算模块，用于执行如下操作：
根据所述车辆轨迹数据，将所述车辆的轨迹路线进行连接，获得轨迹重构结果；
根据所述轨迹重构结果，计算交通流的运行速度，并根据该运行速度确定第一拥堵热点定位结果。
在一种可能的实现方式中，所述车辆轨迹数据包括：车辆编号、位置信息和时间戳；
所述计算模块，用于执行如下操作：
所述将所述车辆的轨迹路线进行连接，获得轨迹重构结果，包括：
以所述车辆编号、所述位置信息和所述时间戳为三个维度，建立稀疏轨迹张量x；
对所述稀疏轨迹张量进行初始化，得到轨迹张量
Figure BDA0002855507320000057
所述轨迹张量
Figure BDA0002855507320000058
的各元素满足如下等式：
Figure BDA0002855507320000051
其中，
Figure BDA0002855507320000052
用于表征维度为i，j，k三维轨迹张量
Figure BDA0002855507320000053
的元素，Ω为数据索引集合的全集；
定义同类张量S；所述同类张量S与所述稀疏轨迹张量x的大小相同，且所述同类张量S的各元素满足如下等式：
Figure BDA0002855507320000054
其中，Sijk用于表征维度为i，j，k的三维同类张量S；
根据如下等式组，对轨迹张量进行预设迭代次数的迭代计算：
Figure BDA0002855507320000055
其中，q用于表征张量的维度，Bq和yq用于表征算法中间变量，
Figure BDA0002855507320000056
用于表征轨迹张量，
Figure BDA0002855507320000061
用于表征将所述轨迹张量
Figure BDA0002855507320000062
按照第q个维度展开，yq(q)用于表征将所述算法中间变量yq按照第q个维度展开，ρ用于表征相邻两次迭代的更新步长，αq用于表征矩阵中各元素之和等于1的参数向量，S用于表征与所述稀疏轨迹张量x大小相同的同类张量，foldq(·)用于表征将矩阵还原成张量的运算符，
Figure BDA0002855507320000063
用于表征进行奇异值分解的运算符；
根据迭代计算后的轨迹张量
Figure BDA0002855507320000064
输出重构轨迹张量。
在一种可能的实现方式中，所述计算模块，用于执行如下操作：
根据所述重构轨迹张量，确定交通流的流量、速度和密度；
通过如下公式，计算交通流冲击波的传播速度：
Figure BDA0002855507320000065
其中，ω用于表征所述交通流冲击波的传播速度，qt用于表征t时刻的交通流的流量，kt用于表征t时刻的交通流的密度；
根据所述传播速度，计算预设时间后的冲击波位置，并将该位置确定为第一拥堵热点定位结果。
由上述技术方案可知，对交通拥堵热点进行定位时，在获取到车辆轨迹数据和车辆运行状态数据之后，分别通过车辆轨迹数据和车辆运行状态数据计算得到各自的拥堵热点定位结果，然后通过将分别得到的两种拥堵热点定位结果进行融合修正，从而得到精度更高的交通拥堵热点定位结果。由此可见，本方案采用多源数据融合的方式，通过将结果进行融合修正，能够将通过车辆轨迹数据确定拥堵热点定位结果的优势和通过车辆运行状态数据确定热点定位结果的优势进行结合，从而达到提高交通拥堵热点的定位精度的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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是本发明一个实施例提供的一种交通拥堵热点的定位方法的流程图；
图2是本发明一个实施例提供的一种交通拥堵热点的定位装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供了一种交通拥堵热点的定位方法，该方法可以包括：
步骤101：获取至少一辆车的车辆轨迹数据和车辆运行状态数据；
步骤102：根据车辆轨迹数据，计算第一拥堵热点定位结果；
步骤103：根据车辆运行状态数据，计算第二拥堵热点定位结果；
步骤104：将第一拥堵热点定位结果和第二拥堵热点定位结果进行融合修正，确定交通拥堵热点的定位结果。
在本发明实施例中，对交通拥堵热点进行定位时，在获取到车辆轨迹数据和车辆运行状态数据之后，分别通过车辆轨迹数据和车辆运行状态数据计算得到各自的拥堵热点定位结果，然后通过将分别得到的两种拥堵热点定位结果进行融合修正，从而得到精度更高的交通拥堵热点定位结果。由此可见，本方案采用多源数据融合的方式，通过将结果进行融合修正，能够将通过车辆轨迹数据确定拥堵热点定位结果的优势和通过车辆运行状态数据确定热点定位结果的优势进行结合，从而达到提高交通拥堵热点的定位精度的目的。
在一种可能的实现方式中，车辆轨迹数据可以包括车辆编号、位置坐标(比如经纬度)、时间戳等轨迹信息。该车辆轨迹数据可以由车辆端进行上传，比如采用谷歌地图、百度地图，以及车载单元OBU等。车辆运行状态数据可以包括车辆编号、车速、车辆加减速以及车辆转向等运动属性参数。该车辆运行状态数据由车辆端进行上传，可以通过车辆装载的传感器进行数据采集，然后由车载单元OBU将该数据进行上传。
当然，需要说明的是，车辆轨迹数据和车辆运行状态数据并不仅限于由车辆端采集。在一些应用场景中(比如隧道)，车辆可能无法将车辆轨迹数据和车辆运行状态数据进行上报。因此可以考虑通过在路侧设置车辆信息采集装置，然后由车辆信息采集装置采集车辆轨迹数据和车辆运行状态数据，然后将采集到的数据经过路侧单元RSU进行上报处理。
在一种可能的实现方式中，在根据车辆轨迹数据计算第一拥堵热点定位结果时，可以通过以下方式来实现：
根据车辆轨迹数据，将车辆的轨迹路线进行连接，获得轨迹重构结果；
根据轨迹重构结果，计算交通流的运行速度，并根据该运行速度确定第一拥堵热点定位结果。
在本发明实施例中，由于采集到的车辆轨迹数据往往是不连续的，因此可以考虑利用采集到的车辆轨迹数据将车辆的轨迹路线进行连接，完成对车辆的轨迹重构，如此进一步可以通过轨迹重构结果计算交通流的运行速度，以确定第一拥堵热点定位结果。由此可见，本方案通过采用轨迹重构的方式来获得完整的轨迹路线，从而利用完整的轨迹路线能得到精度更高的交通流运行速度，以进一步得到精度更高的第一拥堵热点定位结果。
在获取车辆轨迹数据时，往往完整的车辆轨迹数据是很难获取到的，并且现阶段的网联汽车的比例还远没有达到全覆盖，因此获取到的车辆轨迹数据实际为路网交通的抽样数据，因此通过采集到的抽样数据对车辆的路线进行了轨迹重构，从而形成完整的车辆轨迹。进一步也可以通过完整的车辆轨迹能够获得精度更高的交通拥堵热点定位结果。
在一种可能的实现方式中，车辆轨迹数据可以包括：车辆编号、位置信息和时间戳等。在将车辆的轨迹数据进行连接，获得轨迹重构结果时，具体可以通过以下方式实现：
以车辆编号、位置信息和时间戳为三个维度，建立稀疏轨迹张量x；
对稀疏轨迹张量进行初始化，得到轨迹张量
Figure BDA0002855507320000091
轨迹张量
Figure BDA0002855507320000092
的各元素满足如下等式：
Figure BDA0002855507320000093
其中，
Figure BDA0002855507320000094
用于表征维度为i，j，k三维轨迹张量
Figure BDA0002855507320000095
的元素，Ω为数据索引集合的全集；
定义同类张量S；同类张量S与稀疏轨迹张量x的大小相同，且同类张量S的各元素满足如下等式：
Figure BDA0002855507320000096
其中，Sijk用于表征维度为i，j，k的三维同类张量S；
根据如下等式组，对轨迹张量进行预设迭代次数的迭代计算：
Figure BDA0002855507320000097
其中，q用于表征张量的维度，Bq和yq用于表征算法中间变量，
Figure BDA0002855507320000098
用于表征轨迹张量，
Figure BDA0002855507320000099
用于表征将轨迹张量
Figure BDA00028555073200000910
按照第q个维度展开，yq(q)用于表征将算法中间变量yq按照第q个维度展开，ρ用于表征相邻两次迭代的更新步长，αq用于表征矩阵中各元素之和等于1的参数向量，S用于表征与稀疏轨迹张量x大小相同的同类张量，foldq(·)用于表征将矩阵还原成张量的运算符，
Figure BDA0002855507320000101
用于表征进行奇异值分解的运算符；
根据迭代计算后的轨迹张量
Figure BDA0002855507320000102
输出重构轨迹张量。
在本发明实施例中，考虑到车辆编号可以标识和区分每辆车，而采集到的每辆车的位置信息和当前位置的时间又可以构成该车辆的轨迹，如此通过以车辆编号、位置信息和时间戳为三个维度，建立车辆的轨迹张量。进一步可以对轨迹张量进行迭代计算，从而在经过预设的迭代次数后得到重构轨迹张量。由此可见，本方案通过以车辆的车辆编号、位置信息和时间戳构建起车辆的轨迹张量，然后通过提供的迭代公式能够准确地完成对车辆轨迹的重构，如此极大的提高了对交通拥堵热点进行定位的精度。
在本实现方式中，算法中间变量yq需要进行初始化，即将yq中的各个元素初始化为0。当然，需要指出的是，yq中的任一项应满足由车辆编号、位置信息和时间戳构成的三维空间集合。参数向量
Figure BDA0002855507320000103
也需要进行初始化，使得α1+α2+α3＝1，通常情况下，使α1＝α2＝α3，即在本例中取
Figure BDA0002855507320000104
在对轨迹张量进行迭代时，首先需要对迭代次数进行设定，当然该迭代次数可以根据具体需要进行设定，也可以根据完成一定迭代次数之后的迭代效果进行调整。在本实施例中，通常取的迭代次数为500次。
在一种可能的实现方式中，在根据重构轨迹张量计算交通流的运行速度，并根据该运行速度确定第一拥堵热点的定位结果时，具体可以通过以下方式来实现：
根据重构轨迹张量，确定交通流的流量、速度和密度；
通过如下公式，计算交通流冲击波的传播速度：
Figure BDA0002855507320000111
其中，ω用于表征交通流冲击波的传播速度，qt用于表征t时刻的交通流的流量，kt用于表征t时刻的交通流的密度；
根据传播速度，计算预设时间后的冲击波位置，并将该位置确定为第一拥堵热点定位结果。
在本发明实施例中，在重构出轨迹张量后，可以根据重构出的轨迹张量计算交通流的流量、速度和密度，进而可以根据交通流的流量和密度计算出交通流冲击波的传播速度。因此通过预设时间窗即可确定出冲击波的位置，即确定出第一拥堵定位结果。在本方案中，由于采用了交通流冲击波的速度，以及通过将预设时间窗后的交通流冲击波的位置确定为第一拥堵热点结果，因此，在一定范围内可以实现对交通拥堵热点的预判。如此，在一些场景中，可以通过该方式得到的预判结果对交通路况作出提前响应。
在利用重构轨迹张量计算拥堵区域时，可以通过计算在观测时间窗Δ内交通流的流量q、速度v和密度k的变化情况。其中，流量q可以通过轨迹张量中的第一和第三维信息计算得到，即流量q由qt-Δ变化到qt；速度v可以通过轨迹张量中的第二和第三维信息计算得到，即速度v由vt-Δ变化到vt；密度k可以通过轨迹张量中的第一和第二维信息计算得到，即密度k由kt-Δ变化到kt。
在根据计算得到交通流流量、速度和密度参数之后，可以考虑建立以流量、速度和密度为坐标轴的三维空间坐标系，从而在三维空间坐标中通过交通流的密集程度初步观测出各路段区域的拥堵状态。例如，若在三维空间中观测出某个区域的交通流是密集的，那么说明该区域可能发生了拥堵，且交通流的密集程度越大说明拥堵状态越严重。若在三维空间中观测出某个区域的交通流稀疏，那么说明该区域的交通状况良好。此外如在某一段区域内的交通流为逐渐密集，那么还可以对交通拥堵的区域进行初步预判。
在一种可能的实现方式中，车辆运行状态数据可以包括车辆运行路程。如此，在根据车辆运行状态数据，计算第二拥堵热点定位结果时，具体可以采用如下方式得到：
根据车辆运行路程，计算预设时间内当前路段的车辆平均速度；
判断车辆平均速度与拥堵车速判别阈值的大小；
在车辆平均速度小于拥堵车速判别阈值时，将该路段确定为第二拥堵热点定位结果。
在本发明实施例中，通过根据各个车辆上报的车辆运行路程，或者由路侧端采集到的各个车辆的车辆运行路程，可以计算出某一时间内该路段的车辆平均速度，然后通过判断该车辆平均速度与预先确定的拥堵车速判别阈值之间的大小，若车辆平均速度小于拥堵车速判别阈值，则可将该路段确定为第二拥堵热点定位结果。其中，拥堵车速判别阈值可以由相关标准规范得到，也可以根据具体的场景由经验值进行确定。
值得说明的是，通过该方法来确定第二拥堵热点定位结果时，可以考虑实时采集各车辆的车辆运行状态数据(本实例中即为车辆运行路程)，如此可以实时对拥堵结果进行更新。也就是说，通过该方式得到的第二拥堵热点定位结果的实时性更强。
在一种可能的实现方式中，在得到了第一拥堵热点定位结果和第二拥堵热点定位结果之后，由于第一拥堵热点定位结果对交通拥堵情况带有预判性，而第二拥堵热点定位结果的实时性更强，因此考虑将这两种结果的优势进行结合，获得更加精确的交通拥堵热点的定位结果。具体地，可以通过以下方式来实现：
利用如下公式计算交通拥堵热点的定位结果：
J＝λJ1+(1-λ)J2，λ∈[0,1]
其中，J用于表征交通拥堵热点的定位结果，J1用于表征第一拥堵热点定位结果，J2用于表征第二拥堵热点定位结果，λ用于表征J1和J2的置信度参数。
在本发明实施例中，通过为第一交通拥堵热点定位结果和第二交通拥堵热点定位结果配置置信度参数。如此，可以根据具体的场景，通过调整具体的置信度参数来获得精度更高的交通拥堵热点的定位结果。
在一些应用场景中，置信度参数可以通过经验值进行标定，也可以通过一些规范准则来确定。当然还可以根据实际效果标定，比如针对某一路段，可以通过实际的交通拥堵热点的结果不断对置信度参数值进行调整和优化，以确定出能用该公式更加准确的得到该路段交通拥堵状况的置信度参数值。例如，经过实验，在大多数情况下，置信度参数取0.4时能比较好的得到交通拥堵热点的定位结果。
需要指出的是，在计算出的各个交通拥堵热点的定位结果中，可以采取以三维坐标的形式进行标识和计算，还可以采用经纬度的方式对区域路段进行标识和计算，具体的可以根据具体的要求和精度进行选择。
如图2所示，本发明实施例还提供了一种交通拥堵热点的定位装置，该装置可以包括：获取模块201，计算模块202和确定模块203；
获取模块201，用于获取至少一辆车的车辆轨迹数据和车辆运行状态数据；
计算模块202，用于根据获取模块201获取到的车辆轨迹数据，计算第一拥堵热点定位结果；以及根据获取模块201获取到的车辆运行状态数据，计算第二拥堵热点定位结果；
确定模块203，用于将计算模块202计算得到的第一拥堵热点定位结果和第二拥堵热点定位结果进行融合修正，确定交通拥堵热点的定位结果。
在一种可能的实现方式中，如图2所示的交通拥堵热点的定位装置，计算模块202用于执行如下操作：
根据车辆轨迹数据，将车辆的轨迹路线进行连接，获得轨迹重构结果；
根据轨迹重构结果，计算交通流的运行速度，并根据该运行速度确定第一拥堵热点定位结果。
在一种可能的实现方式中，车辆轨迹数据包括：车辆编号、位置信息和时间戳；
如图2所示的交通拥堵热点的定位装置，计算模块202用于执行如下操作：
将车辆的轨迹路线进行连接，获得轨迹重构结果，包括：
以车辆编号、位置信息和时间戳为三个维度，建立稀疏轨迹张量x；
对稀疏轨迹张量进行初始化，得到轨迹张量
Figure BDA0002855507320000149
轨迹张量
Figure BDA00028555073200001410
的各元素满足如下等式：
Figure BDA0002855507320000141
其中，
Figure BDA0002855507320000142
用于表征维度为i，j，k三维轨迹张量
Figure BDA0002855507320000143
的元素，Ω为数据索引集合的全集；
定义同类张量S；同类张量S与稀疏轨迹张量x的大小相同，且同类张量S的各元素满足如下等式：
Figure BDA0002855507320000144
其中，Sijk用于表征维度为i，j，k的三维同类张量S；
根据如下等式组，对轨迹张量进行预设迭代次数的迭代计算：
Figure BDA0002855507320000145
其中，q用于表征张量的维度，Bq和yq用于表征算法中间变量，
Figure BDA0002855507320000146
用于表征轨迹张量，
Figure BDA0002855507320000147
用于表征将轨迹张量
Figure BDA0002855507320000148
按照第q个维度展开，yq(q)用于表征将算法中间变量yq按照第q个维度展开，ρ用于表征相邻两次迭代的更新步长，αq用于表征矩阵中各元素之和等于1的参数向量，S用于表征与稀疏轨迹张量x大小相同的同类张量，foldq(·)用于表征将矩阵还原成张量的运算符，
Figure BDA0002855507320000151
用于表征进行奇异值分解的运算符；
根据迭代计算后的轨迹张量
Figure BDA0002855507320000152
输出重构轨迹张量。
在一种可能的实现方式中，如图2所示的交通拥堵热点的定位装置，计算模块202，用于执行如下操作：
根据重构轨迹张量，确定交通流的流量、速度和密度；
通过如下公式，计算交通流冲击波的传播速度：
Figure BDA0002855507320000153
其中，ω用于表征交通流冲击波的传播速度，qt用于表征t时刻的交通流的流量，kt用于表征t时刻的交通流的密度；
根据传播速度，计算预设时间后的冲击波位置，并将该位置确定为第一拥堵热点定位结果。
在一种可能实现方式中，车辆运行状态数据包括：车辆运行路程；如图2所示的交通拥堵热点的定位装置，计算模块202，用于执行如下操作：
根据车辆运行状态数据，计算第二拥堵热点定位结果，包括：
根据车辆运行路程，计算预设时间内当前路段的车辆平均速度；
判断车辆平均速度与拥堵车速判别阈值的大小；
在车辆平均速度小于拥堵车速判别阈值时，将该路段确定为第二拥堵热点定位结果。
在一种可能的实现方式中，如图2所示的交通拥堵热点的定位装置，确定模块203用于执行如下操作：
利用如下公式计算交通拥堵热点的定位结果：
J＝λJ1+(1-λ)J2，λ∈[0,1]
其中，J用于表征交通拥堵热点的定位结果，J1用于表征第一拥堵热点定位结果，J2用于表征第二拥堵热点定位结果，λ用于表征J1和J2的置信度参数。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行说明书中任一个实施例中的方法。
本说明书还提供了一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现说明书中任一个实施例中的方法。
可以理解的是，本发明实施例示意的结构并不构成对交通拥堵热点的定位装置的具体限定。在本发明的另一些实施例中，交通拥堵热点的定位装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置内的各单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个······”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
最后需要说明的是：以上所述仅为本发明的较佳实施例，仅用于说明本发明的技术方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.交通拥堵热点的定位方法，其特征在于，包括：
获取至少一辆车的车辆轨迹数据和车辆运行状态数据；
根据所述车辆轨迹数据，计算第一拥堵热点定位结果；
根据所述车辆运行状态数据，计算第二拥堵热点定位结果；
将所述第一拥堵热点定位结果和所述第二拥堵热点定位结果进行融合修正，确定所述交通拥堵热点的定位结果。
2.根据权利要求1所述的方法，其特征在于，所述根据所述车辆轨迹数据，计算第一拥堵热点定位结果，包括：
根据所述车辆轨迹数据，将所述车辆的轨迹路线进行连接，获得轨迹重构结果；
根据所述轨迹重构结果，计算交通流的运行速度，并根据该运行速度确定第一拥堵热点定位结果。
3.根据权利要求2所述的方法，其特征在于，所述车辆轨迹数据包括：车辆编号、位置信息和时间戳；
所述将所述车辆的轨迹路线进行连接，获得轨迹重构结果，包括：
以所述车辆编号、所述位置信息和所述时间戳为三个维度，建立稀疏轨迹张量x；
对所述稀疏轨迹张量进行初始化，得到轨迹张量
Figure FDA0002855507310000011
所述轨迹张量
Figure FDA0002855507310000012
的各元素满足如下等式：
Figure FDA0002855507310000013
其中，
Figure FDA0002855507310000014
用于表征维度为i，j，k三维轨迹张量
Figure FDA0002855507310000015
的元素，Ω为数据索引集合的全集；
定义同类张量S；所述同类张量S与所述稀疏轨迹张量x的大小相同，且所述同类张量S的各元素满足如下等式：
Figure FDA0002855507310000021
其中，Sijk用于表征维度为i，j，k的三维同类张量S；
根据如下等式组，对轨迹张量进行预设迭代次数的迭代计算：
Figure FDA0002855507310000022
其中，q用于表征张量的维度，Bq和yq用于表征算法中间变量，
Figure FDA0002855507310000023
用于表征轨迹张量，
Figure FDA0002855507310000024
用于表征将所述轨迹张量
Figure FDA0002855507310000025
按照第q个维度展开，yq(q)用于表征将所述算法中间变量yq按照第q个维度展开，ρ用于表征相邻两次迭代的更新步长，αq用于表征矩阵中各元素之和等于1的参数向量，S用于表征与所述稀疏轨迹张量x大小相同的同类张量，foldq(·)用于表征将矩阵还原成张量的运算符，
Figure FDA0002855507310000026
用于表征进行奇异值分解的运算符；
根据迭代计算后的轨迹张量
Figure FDA0002855507310000027
输出重构轨迹张量。
4.根据权利要求3所述的方法，其特征在于，所述计算交通流的运行速度，并根据该运行速度确定第一拥堵热点定位结果，包括：
根据所述重构轨迹张量，确定交通流的流量、速度和密度；
通过如下公式，计算交通流冲击波的传播速度：
Figure FDA0002855507310000028
其中，ω用于表征所述交通流冲击波的传播速度，qt用于表征t时刻的交通流的流量，kt用于表征t时刻的交通流的密度；
根据所述传播速度，计算预设时间后的冲击波位置，并将该位置确定为第一拥堵热点定位结果。
5.根据权利要求1所述的方法，其特征在于，所述车辆运行状态数据包括：车辆运行路程；
所述根据所述车辆运行状态数据，计算第二拥堵热点定位结果，包括：
根据所述车辆运行路程，计算预设时间内当前路段的车辆平均速度；
判断所述车辆平均速度与拥堵车速判别阈值的大小；
在所述车辆平均速度小于拥堵车速判别阈值时，将该路段确定为所述第二拥堵热点定位结果。
6.根据权利要求1至5中任一所述的方法，其特征在于，所述将所述第一拥堵热点定位结果和所述第二拥堵热点定位结果进行融合修正，确定所述交通拥堵热点的定位结果，包括：
利用如下公式计算交通拥堵热点的定位结果：
J＝λJ1+(1-λ)J2，λ∈[0,1]
其中，J用于表征交通拥堵热点的定位结果，J1用于表征第一拥堵热点定位结果，J2用于表征第二拥堵热点定位结果，λ用于表征J1和J2的置信度参数。
7.交通拥堵热点的定位装置，其特征在于，包括：获取模块，计算模块和确定模块；
所述获取模块，用于获取至少一辆车的车辆轨迹数据和车辆运行状态数据；
所述计算模块，用于根据所述获取模块获取到的所述车辆轨迹数据，计算第一拥堵热点定位结果；以及根据所述获取模块获取到的所述车辆运行状态数据，计算第二拥堵热点定位结果；
所述确定模块，用于将所述计算模块计算得到的所述第一拥堵热点定位结果和所述第二拥堵热点定位结果进行融合修正，确定所述交通拥堵热点的定位结果。
8.根据权利要求7所述的装置，其特征在于，
所述计算模块，用于执行如下操作：
根据所述车辆轨迹数据，将所述车辆的轨迹路线进行连接，获得轨迹重构结果；
根据所述轨迹重构结果，计算交通流的运行速度，并根据该运行速度确定第一拥堵热点定位结果。
9.根据权利要求8所述的装置，其特征在于，所述车辆轨迹数据包括：车辆编号、位置信息和时间戳；
所述计算模块，用于执行如下操作：
所述将所述车辆的轨迹路线进行连接，获得轨迹重构结果，包括：
以所述车辆编号、所述位置信息和所述时间戳为三个维度，建立稀疏轨迹张量x；
对所述稀疏轨迹张量进行初始化，得到轨迹张量
Figure FDA0002855507310000041
所述轨迹张量
Figure FDA0002855507310000042
的各元素满足如下等式：
Figure FDA0002855507310000043
其中，
Figure FDA0002855507310000044
用于表征维度为i，j，k三维轨迹张量
Figure FDA0002855507310000045
的元素，Ω为数据索引集合的全集；
定义同类张量S；所述同类张量S与所述稀疏轨迹张量x的大小相同，且所述同类张量S的各元素满足如下等式：
Figure FDA0002855507310000046
其中，Sijk用于表征维度为i，j，k的三维同类张量S；
根据如下等式组，对轨迹张量进行预设迭代次数的迭代计算：
Figure FDA0002855507310000051
其中，q用于表征张量的维度，Bq和yq用于表征算法中间变量，
Figure FDA0002855507310000052
用于表征轨迹张量，
Figure FDA0002855507310000053
用于表征将所述轨迹张量
Figure FDA0002855507310000054
按照第q个维度展开，yq(q)用于表征将所述算法中间变量yq按照第q个维度展开，ρ用于表征相邻两次迭代的更新步长，αq用于表征矩阵中各元素之和等于1的参数向量，S用于表征与所述稀疏轨迹张量x大小相同的同类张量，foldq(·)用于表征将矩阵还原成张量的运算符，
Figure FDA0002855507310000055
用于表征进行奇异值分解的运算符；
根据迭代计算后的轨迹张量
Figure FDA0002855507310000056
输出重构轨迹张量。
10.根据权利要求9所述的装置，其特征在于，
所述计算模块，用于执行如下操作：
根据所述重构轨迹张量，确定交通流的流量、速度和密度；
通过如下公式，计算交通流冲击波的传播速度：
Figure FDA0002855507310000057
其中，ω用于表征所述交通流冲击波的传播速度，qt用于表征t时刻的交通流的流量，kt用于表征t时刻的交通流的密度；
根据所述传播速度，计算预设时间后的冲击波位置，并将该位置确定为第一拥堵热点定位结果。
CN202011545271.7A 2020-12-24 2020-12-24 交通拥堵热点的定位方法和装置 Active CN112652170B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011545271.7A CN112652170B (zh) 2020-12-24 2020-12-24 交通拥堵热点的定位方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011545271.7A CN112652170B (zh) 2020-12-24 2020-12-24 交通拥堵热点的定位方法和装置

Publications (2)

Publication Number Publication Date
CN112652170A true CN112652170A (zh) 2021-04-13
CN112652170B CN112652170B (zh) 2022-04-08

Family

ID=75359767

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011545271.7A Active CN112652170B (zh) 2020-12-24 2020-12-24 交通拥堵热点的定位方法和装置

Country Status (1)

Country Link
CN (1) CN112652170B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005266926A (ja) * 2004-03-16 2005-09-29 Matsushita Electric Ind Co Ltd 交通情報収集システム
CN104794896A (zh) * 2015-04-10 2015-07-22 安徽四创电子股份有限公司 基于升降式限高架的高架桥拥堵空间热点自动提取方法
CN104850604A (zh) * 2015-05-04 2015-08-19 华中科技大学 一种基于张量的用户轨迹挖掘方法
CN106384504A (zh) * 2016-09-06 2017-02-08 江苏智通交通科技有限公司 基于数据可视化的城市路网拥堵特性描述分析方法
CN106960570A (zh) * 2017-03-28 2017-07-18 北京博研智通科技有限公司 多元数据融合的辖区之间高速公路拥堵排序的方法和系统
CN109300312A (zh) * 2018-12-06 2019-02-01 深圳市泰比特科技有限公司 一种基于车辆大数据的路况分析方法及系统
CN109308804A (zh) * 2018-08-08 2019-02-05 北京航空航天大学 基于张量分解的旅行时间估计方法
CN109739585A (zh) * 2018-12-29 2019-05-10 广西交通科学研究院有限公司 基于spark集群并行化计算的交通拥堵点发现方法
CN110111578A (zh) * 2019-05-25 2019-08-09 东南大学 一种基于张量恢复的偶发性交通拥堵检测方法
CN110168520A (zh) * 2016-12-30 2019-08-23 同济大学 一种智能化道路交通异常检测方法
US10853720B1 (en) * 2017-04-26 2020-12-01 EMC IP Holding Company LLC Traffic condition forecasting using matrix compression and deep neural networks
CN112116806A (zh) * 2020-08-12 2020-12-22 深圳技术大学 车流量特征提取方法及系统

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005266926A (ja) * 2004-03-16 2005-09-29 Matsushita Electric Ind Co Ltd 交通情報収集システム
CN104794896A (zh) * 2015-04-10 2015-07-22 安徽四创电子股份有限公司 基于升降式限高架的高架桥拥堵空间热点自动提取方法
CN104850604A (zh) * 2015-05-04 2015-08-19 华中科技大学 一种基于张量的用户轨迹挖掘方法
CN106384504A (zh) * 2016-09-06 2017-02-08 江苏智通交通科技有限公司 基于数据可视化的城市路网拥堵特性描述分析方法
CN110168520A (zh) * 2016-12-30 2019-08-23 同济大学 一种智能化道路交通异常检测方法
CN106960570A (zh) * 2017-03-28 2017-07-18 北京博研智通科技有限公司 多元数据融合的辖区之间高速公路拥堵排序的方法和系统
US10853720B1 (en) * 2017-04-26 2020-12-01 EMC IP Holding Company LLC Traffic condition forecasting using matrix compression and deep neural networks
CN109308804A (zh) * 2018-08-08 2019-02-05 北京航空航天大学 基于张量分解的旅行时间估计方法
CN109300312A (zh) * 2018-12-06 2019-02-01 深圳市泰比特科技有限公司 一种基于车辆大数据的路况分析方法及系统
CN109739585A (zh) * 2018-12-29 2019-05-10 广西交通科学研究院有限公司 基于spark集群并行化计算的交通拥堵点发现方法
CN110111578A (zh) * 2019-05-25 2019-08-09 东南大学 一种基于张量恢复的偶发性交通拥堵检测方法
CN112116806A (zh) * 2020-08-12 2020-12-22 深圳技术大学 车流量特征提取方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘松灵: "基于度量学习的轨迹聚类研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Also Published As

Publication number Publication date
CN112652170B (zh) 2022-04-08

Similar Documents

Publication Publication Date Title
CN110415277B (zh) 基于光流和卡尔曼滤波的多目标追踪方法、系统、装置
Davies et al. Scalable, distributed, real-time map generation
DE102011120497B4 (de) Systeme und Verfahren zur präzisen Fahrzeugpositionsbestimmung innerhalb einer Fahrspur
CN112444263B (zh) 全局路径规划方法及装置
CN112907678B (zh) 车载相机外参姿态动态估计方法、装置、计算机设备
EP4242998A1 (en) Traffic stream information determination method and apparatus, electronic device and storage medium
CN115690338A (zh) 地图构建方法、装置、设备及存储介质
CN116734828A (zh) 道路拓扑信息的确定、电子地图数据处理方法、电子设备
JP2022039188A (ja) 位置姿勢算出方法および位置姿勢算出プログラム
CN115638787A (zh) 一种数字地图生成方法、计算机可读存储介质及电子设备
CN115494533A (zh) 车辆定位方法、装置、存储介质及定位系统
CN116958316B (zh) 拓扑图生成方法、装置、计算机设备及存储介质
CN111183464A (zh) 基于车辆轨迹数据估计信号交叉路口的饱和流量
CN112652170B (zh) 交通拥堵热点的定位方法和装置
US20170337812A1 (en) Driving-state data storage apparatus
US11435202B2 (en) Trajectory sampling using spatial familiarity
CN111651547A (zh) 高精度地图数据的获取方法、装置及可读存储介质
CN114705180B (zh) 高精地图的数据修正方法、装置、设备及存储介质
Choi et al. Point Cloud-Based Lane Detection for Optimal Local Path Planning
CN113033267B (zh) 车辆定位方法、装置、计算机设备和存储介质
Jomrich et al. Lane Accurate Detection of Map Changes based on Low Cost Smartphone Data.
US20230025579A1 (en) High-definition mapping
Zou et al. Inertia mutation energy model to extract roads by crowdsourcing trajectories
US20230213633A1 (en) Aggregation-based lidar data alignment
JP7211513B2 (ja) 地図データ生成装置

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