CN113053114A - 高速公路违规车辆出口站及出口时间的动态预测稽查方法 - Google Patents

高速公路违规车辆出口站及出口时间的动态预测稽查方法 Download PDF

Info

Publication number
CN113053114A
CN113053114A CN202110269616.9A CN202110269616A CN113053114A CN 113053114 A CN113053114 A CN 113053114A CN 202110269616 A CN202110269616 A CN 202110269616A CN 113053114 A CN113053114 A CN 113053114A
Authority
CN
China
Prior art keywords
vehicle
exit
toll station
portal
passing
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
CN202110269616.9A
Other languages
English (en)
Other versions
CN113053114B (zh
Inventor
荣美
肖杨
徐稳
王平恒
卢颖莉
覃琳
覃蒋圣
朱彦蓉
陆波亮
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.)
Guangxi Computing Center Co ltd
Original Assignee
Guangxi Computing Center 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 Guangxi Computing Center Co ltd filed Critical Guangxi Computing Center Co ltd
Priority to CN202110269616.9A priority Critical patent/CN113053114B/zh
Publication of CN113053114A publication Critical patent/CN113053114A/zh
Application granted granted Critical
Publication of CN113053114B publication Critical patent/CN113053114B/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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07B—TICKET-ISSUING APPARATUS; FARE-REGISTERING APPARATUS; FRANKING APPARATUS
    • G07B15/00—Arrangements or apparatus for collecting fares, tolls or entrance fees at one or more control points
    • G07B15/06—Arrangements for road pricing or congestion charging of vehicles or vehicle users, e.g. automatic toll systems
    • G07B15/063—Arrangements for road pricing or congestion charging of vehicles or vehicle users, e.g. automatic toll systems using wireless information transmission between the vehicle and a fixed station
    • 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)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Finance (AREA)
  • Operations Research (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Analytical Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Devices For Checking Fares Or Tickets At Control Points (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及高速公路违法逃费车辆稽查追逃技术领域，具体涉及一种高速公路违规车辆出口站及出口时间的动态预测稽查方法，本发明实时的获取ETC门架监测系统和高速公路收费系统的数据，基于通过高速公路ETC收费门架的车辆历史的通行数据及本次通行路径，来预测车辆的可能的出口收费站及出口时间，根据预测的出口收费站与当前经过的门架，基于拓扑图可获取门架与预测的出口收费站的最短路径和门架间的通行时间来预测车辆到达目的收费站的时间。每经过一个门架，都会对车辆的出口收费站、出口时间进行调整，因为新获取的信息能提高预测的准确度。

Description

高速公路违规车辆出口站及出口时间的动态预测稽查方法
技术领域
本发明涉及高速公路违法逃费车辆稽查追逃技术领域，具体涉及高速公路违规车辆出口站及出口时间的动态预测稽查方法。
背景技术
全国高速公路取消省界收费站实行ETC门架电子计费，ETC系统是采用车辆自动识别技术完成车辆与收费站之间的无线数据通讯，进行车辆自动感应识别和相关收费数据的交换。采用计算机网络进行收费数据的处理，实现不停车、不设人工收费窗口也能实现全自动电子收费。但此种缺乏人工监管的方式让一些不法车主利用ETC系统管理漏洞，采取不正当的手段致使系统不能正常扣款或少扣款，从而达到偷逃通行费的目的，且车辆逃费后再对其进行追缴面临诸多困难，且目前对违法逃费车辆无法准确提前稽查布控，使得执法单位处于被动地位。
发明内容
为了解决上述问题，本发明提供了一种高速公路违规车辆出口站及出口时间的动态预测稽查方法，本发明基于通过高速公路ETC收费门架记录的车辆历史通行习惯及本次通行路径，来预测车辆的可能出口及出口时间。在车辆驶入高速公路后，通过收费站车道软件系统及ETC门架监测系统观察到车辆经过了的门架，并采用贝叶斯方法对出口进行预测，使得条件概率最大的出口收费站即为最可能的出口收费站，并提供预测到达该出口收费站的时间，如此方便执法人员提前在目标出口收费站进行稽查布控，拦截违法逃费车辆，化被动为主动，有效提高了违法车辆拦截的成功率。具体技术方案如下：
高速公路违规车辆出口站及出口时间的动态预测稽查方法，包括以下步骤：
S1：从高速公路收费系统中获取违规车辆的信息，所述车辆的信息包括车牌号信息和入口收费站信息；
S2：ETC门架监测系统实时采集违规车辆经过的门架数据，并上传至服务器；
S3：服务器采集违法车辆的历史通行记录数据，并根据违法车辆的历史通行记录数据和经过的门架信息采用朴素贝叶斯算法实时预测违法车辆的出口和到达预测出口收费站的时间；
S4：该车辆每经过一个门架，服务器则对该车辆预测的出口收费站和出口时间根据步骤S3的方法实时作出相应调整。
优选地，所述步骤S3中采用朴素贝叶斯算法实时预测违法车辆的出口具体包括以下步骤：
S31：服务器根据车辆的历史通行记录数据计算违法车辆从出口收费站Sj下高速的概率P(Sj)，具体如下：
Figure BDA0002973713730000021
其中，∑Sj表示该车辆的历史通行记录数据中从收费站Sj下高速的次数，N表示该车辆历史通信记录数据中总的通行次数；
S32：服务器根据车辆历史通行记录数据计算车辆在给定出口收费站Sj的情况下，从入口收费站Ei上高速的条件概率P(Ei|Sj)：
Figure BDA0002973713730000022
其中，Count(E＝Ei,S＝Sj)表示在该车的历史通行记录数据中入口收费站是Ei，而出口收费站是Sj的数量；Count(S＝Sj)表示在该车的历史通行记录数据中出口收费站是Sj的数量；
S33：服务器根据车辆历史通行记录数据计算车辆在给定出口收费站Sj的情况下，经过门架Gk的条件概率P(Gk|Sj)：
Figure BDA0002973713730000023
其中，Count(G＝Gk,S＝Sj)表示在该车的历史通行记录数据中经过门架Gk且出口收费站是Sj的数量；
S34：根据车辆当前的通行轨迹计算车辆从出口收费站Sj下高速的条件概率：
Figure BDA0002973713730000024
其中，G1,G2,G3...Gn表示该车辆依次经过的高速公路收费门架；
假设入口和门架间相互独立，则公式(4)可转换成：
Figure BDA0002973713730000025
S35：使得上述公式(5)所述的条件概率最大的出口收费站作为预测的出口收费站，即：
Figure BDA0002973713730000031
由于分母P(Ei,G1,G2,G3...Gn)与出口收费站无关，是常数，故公式(6)可转换为：
Figure BDA0002973713730000032
优选地，所述步骤S3中预测到达预测出口收费站的时间包括以下步骤：
S36：从高速公路收费系统获取高速公路拓扑关系图TopologyGraph(V,E)；高速公路拓扑关系图是由顶点V和边E构成的有向图，顶点包括收费站和门架；边的属性包括起始点、终点、距离；
S37：根据车辆最近经过的门架和预测的出口收费站，按照最短路径原则在高速公路拓扑关系图中拟合一条可达预测的出口收费站的最短路径，路径包含若干收费门架G1,G2,G3...Gn和预测的出口收费站S；
S38：实时计算路段断面车辆通行速度，包括以下步骤：
S381：计算门架在畅通情况下的车辆通行速度：以门架在夜间11点至凌晨4点间车辆通行的平均速度作为畅通条件下的门架断面车辆通行速度，记作Vf；
S382：计算门架断面实时车辆通行速度：以最近T时段内经过地k个门架的车辆平均速度作为该门架断面的车型速度，若最近T时段内无车通过，则认为该路段处于畅通状态，用畅通情况下的车辆通行速度Vf代替，记作Vgk；
S383：计算路段车辆平均通行速度：对于门架连接的路段，采用首尾两个门架的通行速度的平均值作为路段车辆通行的平均速度；对于从收费站到第一个门架的路段，采用此门架的车辆通行速度作为该路段的通行速度，路段车辆平均通行速度记作Vr：
Figure BDA0002973713730000041
S39：预测车辆到达预测的出口收费站的时间，包括如下步骤：
S391：计算路段实时车辆通行时间tr：
Figure BDA0002973713730000042
S392：计算从当前门架到预测出口收费站的从耗时ttotal：
Figure BDA0002973713730000043
式中，m为路段的数量；
S393：计算到达预测出口收费站的下道时刻Ts：
Ts＝T0+ttotal； (11)
T0表示经过最后一个门架的时刻。
优选地，所述步骤S37是采用Dijkstra算法拟合可达预测的出口收费站的最短路径。
优选地，所述步骤S382中的T时段可取15-30分钟。
本发明的有益效果为：本发明实时的获取ETC门架监测系统和高速公路收费系统的数据，基于通过高速公路ETC收费门架的车辆历史的通行数据及本次通行路径，来预测车辆的可能的出口收费站及出口时间，根据预测的出口收费站与当前经过的门架，基于拓扑图可获取门架与预测的出口收费站的最短路径和门架间的通行时间来预测车辆到达目的收费站的时间。
每经过一个门架，都会对车辆的出口收费站、出口时间进行调整，因为新获取的信息能提高预测的准确度。
相比于取消省界收费站前依靠人工计费及最短路径车辆通行轨迹预测的方法，本发明结合了ETC门架车辆通行分段计费交易记录、车辆通行ETC区间门架时间、动态数据监测和大数据分析，朴素贝叶斯数据测算方法模型操作简单方便，数据来源于高速公路收费系统，车辆通行ETC门架数据实时联动，动态获取，有效提高了模型的预测准确率。
附图说明
图1为本实施例中收费站和ETC门架拓扑示意图。
具体实施方式
为了更好的理解本发明，下面结合附图和具体实施例对本发明作进一步说明：
高速公路违规车辆出口站及出口时间的动态预测稽查方法，包括以下步骤：
S1：从高速公路收费系统中获取违规车辆的信息，所述车辆的信息包括车牌号信息和入口收费站信息；
S2：ETC门架监测系统实时采集违规车辆经过的门架数据，并上传至服务器；
S3：服务器采集违法车辆的历史通行记录数据，并根据违法车辆的历史通行记录数据和经过的门架信息采用朴素贝叶斯算法实时预测违法车辆的出口和到达预测出口收费站的时间；
S4：该车辆每经过一个门架，服务器则对该车辆预测的出口收费站和出口时间根据步骤S3的方法实时作出相应调整。
步骤S3中采用朴素贝叶斯算法实时预测违法车辆的出口具体包括以下步骤：
S31：服务器根据车辆的历史通行记录数据计算违法车辆从出口收费站Sj下高速的概率P(Sj)，具体如下：
Figure BDA0002973713730000051
其中，∑Sj表示该车辆的历史通行记录数据中从收费站Sj下高速的次数，N表示该车辆历史通信记录数据中总的通行次数；
S32：服务器根据车辆历史通行记录数据计算车辆在给定出口收费站Sj的情况下，从入口收费站Ei上高速的条件概率P(Ei|Sj)：
Figure BDA0002973713730000052
其中，Count(E＝Ei,S＝Sj)表示在该车的历史通行记录数据中入口收费站是Ei，而出口收费站是Sj的数量；Count(S＝Sj)表示在该车的历史通行记录数据中出口收费站是Sj的数量；
S33：服务器根据车辆历史通行记录数据计算车辆在给定出口收费站Sj的情况下，经过门架Gk的条件概率P(Gk|Sj)：
Figure BDA0002973713730000053
其中，Count(G＝Gk,S＝Sj)表示在该车的历史通行记录数据中经过门架Gk且出口收费站是Sj的数量；
S34：根据车辆当前的通行轨迹计算车辆从出口收费站Sj下高速的条件概率：
Figure BDA0002973713730000061
其中，G1,G2,G3...Gn表示该车辆依次经过的高速公路收费门架；
假设入口和门架间相互独立，则公式(4)可转换成：
Figure BDA0002973713730000062
S35：使得上述公式(5)所述的条件概率最大的出口收费站作为预测的出口收费站，即：
Figure BDA0002973713730000063
由于分母P(Ei,G1,G2,G3...Gn)与出口收费站无关，是常数，故公式(6)可转换为：
Figure BDA0002973713730000064
步骤S3中预测到达预测出口收费站的时间包括以下步骤：
S36：从高速公路收费系统获取高速公路拓扑关系图TopologyGraph(V,E)；高速公路拓扑关系图是由顶点V和边E构成的有向图，顶点包括收费站和门架；边的属性包括起始点、终点、距离；
S37：根据车辆最近经过的门架和预测的出口收费站，按照最短路径原则采用Dijkstra算法在高速公路拓扑关系图中拟合一条可达预测的出口收费站的最短路径，路径包含若干收费门架G1,G2,G3...Gn和预测的出口收费站S；
S38：实时计算路段断面车辆通行速度，包括以下步骤：
S381：计算门架在畅通情况下的车辆通行速度：以门架在夜间11点至凌晨4点间车辆通行的平均速度作为畅通条件下的门架断面车辆通行速度，记作Vf；
S382：计算门架断面实时车辆通行速度：以最近20分钟内经过地k个门架的车辆平均速度作为该门架断面的车型速度，若最近20分钟内无车通过，则认为该路段处于畅通状态，用畅通情况下的车辆通行速度Vf代替，记作Vgk；
S383：计算路段车辆平均通行速度：对于门架连接的路段，采用首尾两个门架的通行速度的平均值作为路段车辆通行的平均速度；对于从收费站到第一个门架的路段，采用此门架的车辆通行速度作为该路段的通行速度，路段车辆平均通行速度记作Vr：
Figure BDA0002973713730000071
S39：预测车辆到达预测的出口收费站的时间，包括如下步骤：
S391：计算路段实时车辆通行时间tr：
Figure BDA0002973713730000072
S392：计算从当前门架到预测出口收费站的从耗时ttotal：
Figure BDA0002973713730000073
式中，m为路段的数量；路径是通过图的最短路径算法计算出最短路径，最短路径中边的数量即为路段的数量m。
S393：计算到达预测出口收费站的下道时刻Ts：
Ts＝T0+ttotal； (11)
T0表示经过最后一个门架的时刻。
如图1所示，假设路段包含三个收费站：桂林、柳州、南宁，收费站间有两个ETC收费门架：桂林-柳州(桂-柳)，柳州-南宁(柳-南)。为简单起见，示例仅包含单向通行：桂林到南宁方向。相邻门架(收费站)间的距离分别为L1～4:桂林收费站->桂-柳门架间距离为L1，桂-柳门架->柳州收费站间距离为L2，桂-柳门架->柳-南门架间距离为L3,柳州收费站->柳-南门架间距离为L4,柳-南门架->南宁收费站间距离为L5.
下表包含桂A12345历史通行记录：3次桂林到柳州，2次柳州到南宁，1次桂林到南宁。
表1桂A12345历史通行记录表
Figure BDA0002973713730000081
假定相邻门架(收费站)间的距离为L1＝10KM，L2＝8KM,L3＝15KM,L4＝8KM,L5＝10KM；整条路车辆平均时速保持在80KM/h。
根据车辆通行历史，可计算得出以下数据：
表2各收费站下道概率
下道收费站 下道概率
柳州 P(柳州)＝1/2
南宁 P(南宁)＝1/2
桂林 P(桂林)＝0
给定出口Sj的情况下，从特定收费站Ei上道的条件概率P(Ei|Sj)：
表3条件概率P(Ei|Sj)结果表
Figure BDA0002973713730000082
给定出口收费站Sj的情况下，经过门架Gi的条件概率P(Gi|Sj)：
表4条件概率P(Gi|Sj)结果表
Figure BDA0002973713730000091
假设1月10日上午10点该车从桂林进入高速，通行过程中对下道收费站的预测包含如下步骤：
S1：进入桂林收费站时，对各收费站计算下面公式
表5预测的出口收费站结果表
下道收费站 Ri计算结果
柳州 R＝P(桂林|柳州)*P(柳州)＝1*1/2＝1/2
南宁 R＝P(桂林|南宁)*P(南宁)＝1/3*1/2＝1/6
桂林 R＝P(桂林|桂林)*P(桂林宁)＝0
此时预测出口收费站为柳州，预测的行驶路径为：桂林->桂-柳->柳州。
各路段预测行驶时间如下：
路段 行驶时间
桂林->桂-柳 10/80小时＝7分钟30秒
桂-柳->柳州 8/80小时＝6分钟
预测的总行驶时间为7.5+6＝13.5分钟；预测出口时间为10点13分30秒。
S2：10点10分经过“桂-柳”门架时，对各收费站的计算结果如下：
Figure BDA0002973713730000092
Figure BDA0002973713730000101
此时预测出口收费站为柳州，预测的行驶路径为：桂-柳->柳州。
各路段预测行驶时间如下：
路段 行驶时间
桂-柳->柳州 8/80小时＝6分钟
预测的总行驶时间为6分钟；预测出口时间为10点16分。
S3：10点20分经过“柳-南”门架时，对各收费站的计算结果如下：
Figure BDA0002973713730000102
此时预测出口收费站为南宁，预测的行驶路径为：桂-柳->柳州。
各路段预测行驶时间如下：
路段 行驶时间
柳-南->南宁 10/80小时＝7分钟30秒
预测的总行驶时间为7.5分钟；预测出口时间为10点27分30秒。
本方法动态采集数据，每过一个门架或收费站则实时预测出口，方便公安或者高速收费部门进行提前布控。
本发明在实施过程中，通过高质量的实时高速公路门架交易数据动态计算全路网的实时通行状态；结合车辆历史的通行习惯，建立车辆在路网路中的转移概率矩阵，在车辆上道之后对目标车辆的下道收费站以及下道时间进行精准预测。
本发明对目标车辆在高速公路上的通行过程中不断对预测结果进行矫正和精度提升：当目标车辆上道时，对于当次通行获取的信息较少，只能依靠车辆历史通行规律对车辆可能的下道收费站进行预测；随着车辆经过多个收费门架，对于本次通行的信息量不断增加，逐步提高预测的出口收费站的确定性，并且随着距离出口收费站距离的缩小，预测的下道时间的精度也会逐渐提高。
本发明不局限于以上所述的具体实施方式，以上所述仅为本发明的较佳实施案例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.高速公路违规车辆出口站及出口时间的动态预测稽查方法，其特征在于：包括以下步骤：
S1：从高速公路收费系统中获取违规车辆的信息，所述车辆的信息包括车牌号信息和入口收费站信息；
S2：ETC门架监测系统实时采集违规车辆经过的门架数据，并上传至服务器；
S3：服务器采集违法车辆的历史通行记录数据，并根据违法车辆的历史通行记录数据和经过的门架信息采用朴素贝叶斯算法实时预测违法车辆的出口和到达预测出口收费站的时间；
S4：该车辆每经过一个门架，服务器则对该车辆预测的出口收费站和出口时间根据步骤S3的方法实时作出相应调整。
2.根据权利要求1所述的高速公路违规车辆出口站及出口时间的动态预测稽查方法，其特征在于：所述步骤S3中采用朴素贝叶斯算法实时预测违法车辆的出口具体包括以下步骤：
S31：服务器根据车辆的历史通行记录数据计算违法车辆从出口收费站Sj下高速的概率P(Sj)，具体如下：
Figure FDA0002973713720000011
其中，∑Sj表示该车辆的历史通行记录数据中从收费站Sj下高速的次数，N表示该车辆历史通信记录数据中总的通行次数；
S32：服务器根据车辆历史通行记录数据计算车辆在给定出口收费站Sj的情况下，从入口收费站Ei上高速的条件概率P(Ei|Sj)：
Figure FDA0002973713720000012
其中，Count(E＝Ei,S＝Sj)表示在该车的历史通行记录数据中入口收费站是Ei，而出口收费站是Sj的数量；Count(S＝Sj)表示在该车的历史通行记录数据中出口收费站是Sj的数量；
S33：服务器根据车辆历史通行记录数据计算车辆在给定出口收费站Sj的情况下，经过门架Gk的条件概率P(Gk|Sj)：
Figure FDA0002973713720000013
其中，Count(G＝Gk,S＝Sj)表示在该车的历史通行记录数据中经过门架Gk且出口收费站是Sj的数量；
S34：根据车辆当前的通行轨迹计算车辆从出口收费站Sj下高速的条件概率：
Figure FDA0002973713720000021
其中，G1,G2,G3...Gn表示该车辆依次经过的高速公路收费门架；
假设入口和门架间相互独立，则公式(4)可转换成：
Figure FDA0002973713720000022
S35：使得上述公式(5)所述的条件概率最大的出口收费站作为预测的出口收费站，即：
Figure FDA0002973713720000023
由于分母P(Ei,G1,G2,G3...Gn)与出口收费站无关，是常数，故公式(6)可转换为：
Figure FDA0002973713720000024
3.根据权利要求2所述的高速公路违规车辆出口站及出口时间的动态预测稽查方法，其特征在于：所述步骤S3中预测到达预测出口收费站的时间包括以下步骤：
S36：从高速公路收费系统获取高速公路拓扑关系图TopologyGraph(V,E)；高速公路拓扑关系图是由顶点V和边E构成的有向图，顶点包括收费站和门架；边的属性包括起始点、终点、距离；
S37：根据车辆最近经过的门架和预测的出口收费站，按照最短路径原则在高速公路拓扑关系图中拟合一条可达预测的出口收费站的最短路径，路径包含若干收费门架G1,G2,G3...Gn和预测的出口收费站S；
S38：实时计算路段断面车辆通行速度，包括以下步骤：
S381：计算门架在畅通情况下的车辆通行速度：以门架在夜间11点至凌晨4点间车辆通行的平均速度作为畅通条件下的门架断面车辆通行速度，记作Vf；
S382：计算门架断面实时车辆通行速度：以最近T时段内经过地k个门架的车辆平均速度作为该门架断面的车型速度，若最近T时段内无车通过，则认为该路段处于畅通状态，用畅通情况下的车辆通行速度Vf代替，记作Vgk；
S383：计算路段车辆平均通行速度：对于门架连接的路段，采用首尾两个门架的通行速度的平均值作为路段车辆通行的平均速度；对于从收费站到第一个门架的路段，采用此门架的车辆通行速度作为该路段的通行速度，路段车辆平均通行速度记作Vr：
Figure FDA0002973713720000031
S39：预测车辆到达预测的出口收费站的时间，包括如下步骤：
S391：计算路段实时车辆通行时间tr：
Figure FDA0002973713720000032
S392：计算从当前门架到预测出口收费站的从耗时ttotal：
Figure FDA0002973713720000033
式中，m为路段的数量；
S393：计算到达预测出口收费站的下道时刻Ts：
Ts＝T0+ttotal；(11)
T0表示经过最后一个门架的时刻。
4.根据权利要求3所述的高速公路违规车辆出口站及出口时间的动态预测稽查方法，其特征在于：所述步骤S37是采用Dijkstra算法拟合可达预测的出口收费站的最短路径。
5.根据权利要求3所述的高速公路违规车辆出口站及出口时间的动态预测稽查方法，其特征在于：所述步骤S382中的T时段可取15-30分钟。
CN202110269616.9A 2021-03-12 2021-03-12 高速公路违规车辆出口站及出口时间的动态预测稽查方法 Active CN113053114B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110269616.9A CN113053114B (zh) 2021-03-12 2021-03-12 高速公路违规车辆出口站及出口时间的动态预测稽查方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110269616.9A CN113053114B (zh) 2021-03-12 2021-03-12 高速公路违规车辆出口站及出口时间的动态预测稽查方法

Publications (2)

Publication Number Publication Date
CN113053114A true CN113053114A (zh) 2021-06-29
CN113053114B CN113053114B (zh) 2022-01-11

Family

ID=76512123

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110269616.9A Active CN113053114B (zh) 2021-03-12 2021-03-12 高速公路违规车辆出口站及出口时间的动态预测稽查方法

Country Status (1)

Country Link
CN (1) CN113053114B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114049612A (zh) * 2021-11-12 2022-02-15 甘肃紫光智能交通与控制技术有限公司 基于以图搜图技术的高速公路车辆收费稽核系统及行驶路径双重获取检验方法
CN114241765A (zh) * 2021-12-15 2022-03-25 重庆中信科信息技术有限公司 基于时空逻辑的定向车道交通违法分析方法、装置及存储介质
CN114565982A (zh) * 2022-02-28 2022-05-31 福建省高速公路信息科技有限公司 基于etc的车辆状态监测方法
CN114898571A (zh) * 2022-04-22 2022-08-12 福建工程学院 一种基于etc大数据的高速公路全路段车速测量方法
CN115326180A (zh) * 2022-08-19 2022-11-11 重庆首讯科技股份有限公司 一种基于通信技术的大规模车辆动态定位方法
CN115601967A (zh) * 2022-09-30 2023-01-13 广州天长信息技术有限公司（Cn） 一种高速路uj型驾驶逃费行为的数据分析方法
CN115731713A (zh) * 2022-11-30 2023-03-03 广东联合电子服务股份有限公司 一种预测异常车辆高速出口及时间的方法
CN117609415A (zh) * 2024-01-23 2024-02-27 山东高速信息集团有限公司 一种高速公路车辆出口预测系统及预测方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050075119A1 (en) * 2002-04-10 2005-04-07 Sheha Michael A. Method and system for dynamic estimation and predictive route generation
CN102110368A (zh) * 2009-12-25 2011-06-29 吕增及 高速公路换牌逃费车辆的自动稽查系统及方法
US20130201038A1 (en) * 2012-02-02 2013-08-08 Kapsch Trafficcom Ag Control Devices and Methods for a Road Toll System
US20140358841A1 (en) * 2012-01-20 2014-12-04 Toyota Jidosha Kabushiki Kaisha Vehicle behavior prediction device and vehicle behavior prediction method, and driving assistance device
CN105590346A (zh) * 2016-02-18 2016-05-18 华南理工大学 基于路径识别系统的收费公路网交通信息采集与诱导系统
CN205721998U (zh) * 2016-02-18 2016-11-23 华南理工大学 基于路径识别系统的收费公路网交通信息采集与诱导系统
CN106803348A (zh) * 2017-03-28 2017-06-06 安徽四创电子股份有限公司 一种基于卡口的高架道路车辆行程时间短时预测方法
CN109448363A (zh) * 2018-09-30 2019-03-08 佳都新太科技股份有限公司 基于轨迹预测的嫌疑车辆智能封控方法、系统及处理终端
US20190204102A1 (en) * 2016-10-13 2019-07-04 Tencent Technology (Shenzhen) Company Limited Travel time prediction method, apparatus and server
CN110299011A (zh) * 2019-07-26 2019-10-01 长安大学 一种基于收费数据的高速公路任意断面的交通流预测方法
CN110969852A (zh) * 2019-12-09 2020-04-07 上海宝康电子控制工程有限公司 基于布控车辆行驶路径实现公安实时预测及缉查布控处理的方法
CN111063204A (zh) * 2019-12-19 2020-04-24 浙江省交通规划设计研究院有限公司 一种基于收费站流量的高速公路车速预测模型训练方法
CN111523352A (zh) * 2019-02-02 2020-08-11 宁波艾腾湃智能科技有限公司 一种智能化快速识别违法改装车的方法及其监控系统
CN212256384U (zh) * 2020-06-03 2020-12-29 广西计算中心有限责任公司 基于etc车道的收费全证据链采集系统及收费稽查系统

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050075119A1 (en) * 2002-04-10 2005-04-07 Sheha Michael A. Method and system for dynamic estimation and predictive route generation
CN102110368A (zh) * 2009-12-25 2011-06-29 吕增及 高速公路换牌逃费车辆的自动稽查系统及方法
US20140358841A1 (en) * 2012-01-20 2014-12-04 Toyota Jidosha Kabushiki Kaisha Vehicle behavior prediction device and vehicle behavior prediction method, and driving assistance device
US20130201038A1 (en) * 2012-02-02 2013-08-08 Kapsch Trafficcom Ag Control Devices and Methods for a Road Toll System
CN105590346A (zh) * 2016-02-18 2016-05-18 华南理工大学 基于路径识别系统的收费公路网交通信息采集与诱导系统
CN205721998U (zh) * 2016-02-18 2016-11-23 华南理工大学 基于路径识别系统的收费公路网交通信息采集与诱导系统
US20190204102A1 (en) * 2016-10-13 2019-07-04 Tencent Technology (Shenzhen) Company Limited Travel time prediction method, apparatus and server
CN106803348A (zh) * 2017-03-28 2017-06-06 安徽四创电子股份有限公司 一种基于卡口的高架道路车辆行程时间短时预测方法
CN109448363A (zh) * 2018-09-30 2019-03-08 佳都新太科技股份有限公司 基于轨迹预测的嫌疑车辆智能封控方法、系统及处理终端
CN111523352A (zh) * 2019-02-02 2020-08-11 宁波艾腾湃智能科技有限公司 一种智能化快速识别违法改装车的方法及其监控系统
CN110299011A (zh) * 2019-07-26 2019-10-01 长安大学 一种基于收费数据的高速公路任意断面的交通流预测方法
CN110969852A (zh) * 2019-12-09 2020-04-07 上海宝康电子控制工程有限公司 基于布控车辆行驶路径实现公安实时预测及缉查布控处理的方法
CN111063204A (zh) * 2019-12-19 2020-04-24 浙江省交通规划设计研究院有限公司 一种基于收费站流量的高速公路车速预测模型训练方法
CN212256384U (zh) * 2020-06-03 2020-12-29 广西计算中心有限责任公司 基于etc车道的收费全证据链采集系统及收费稽查系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
F.SORIGUERA，D.ROSAS，F.ROBUSTÉ: "《Travel time measurement in closed toll highways》", 《TRANSPORTATION RESEARCH PART B: METHODOLOGICAL》 *
余绪金等: "一种基于有向图的高速公路多义性路径贝叶斯识别方法", 《公路交通科技》 *
朱彦蓉: "《取消省界收费站背景下收费稽查平台研究与设计》", 《西部交通科技》 *
杨庆芳等: "基于时空贝叶斯模型的行程时间可靠性预测", 《华南理工大学学报(自然科学版)》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114049612A (zh) * 2021-11-12 2022-02-15 甘肃紫光智能交通与控制技术有限公司 基于以图搜图技术的高速公路车辆收费稽核系统及行驶路径双重获取检验方法
CN114241765A (zh) * 2021-12-15 2022-03-25 重庆中信科信息技术有限公司 基于时空逻辑的定向车道交通违法分析方法、装置及存储介质
CN114241765B (zh) * 2021-12-15 2023-01-03 重庆中信科信息技术有限公司 基于时空逻辑的定向车道交通违法分析方法、装置及存储介质
CN114565982A (zh) * 2022-02-28 2022-05-31 福建省高速公路信息科技有限公司 基于etc的车辆状态监测方法
CN114565982B (zh) * 2022-02-28 2024-08-16 福建省高速公路信息科技有限公司 基于etc的车辆状态监测方法
CN114898571A (zh) * 2022-04-22 2022-08-12 福建工程学院 一种基于etc大数据的高速公路全路段车速测量方法
CN114898571B (zh) * 2022-04-22 2023-06-06 福建工程学院 一种基于etc大数据的高速公路全路段车速测量方法
CN115326180A (zh) * 2022-08-19 2022-11-11 重庆首讯科技股份有限公司 一种基于通信技术的大规模车辆动态定位方法
CN115326180B (zh) * 2022-08-19 2024-07-05 重庆首讯科技股份有限公司 一种基于通信技术的大规模车辆动态定位方法
CN115601967A (zh) * 2022-09-30 2023-01-13 广州天长信息技术有限公司（Cn） 一种高速路uj型驾驶逃费行为的数据分析方法
CN115731713A (zh) * 2022-11-30 2023-03-03 广东联合电子服务股份有限公司 一种预测异常车辆高速出口及时间的方法
CN117609415A (zh) * 2024-01-23 2024-02-27 山东高速信息集团有限公司 一种高速公路车辆出口预测系统及预测方法

Also Published As

Publication number Publication date
CN113053114B (zh) 2022-01-11

Similar Documents

Publication Publication Date Title
CN113053114B (zh) 高速公路违规车辆出口站及出口时间的动态预测稽查方法
Aguiléra et al. Using cell phone data to measure quality of service and passenger flows of Paris transit system
CN101710448B (zh) 基于全方位计算机视觉的道路交通状态检测装置
CN104933860B (zh) 基于gps数据的公交车堵车延误时间预测方法
CN109979197B (zh) 基于融合数据的高速公路交通时间地图构建方法、系统
CN110264734A (zh) 一种高速公路车辆稽查系统及其工作方法
Chen et al. Data analytics approach for travel time reliability pattern analysis and prediction
US20220327925A1 (en) Method and system of predictive traffic flow and of traffic light control
CN105844904A (zh) 一种基于dsrc的异常车辆行为检测及追踪方法
Xinghao et al. Predicting bus real-time travel time basing on both GPS and RFID data
CN111159247A (zh) 一种区域交通拥堵传播轨迹挖掘方法
Yao et al. Sampled trajectory data-driven method of cycle-based volume estimation for signalized intersections by hybridizing shockwave theory and probability distribution
CN113034894A (zh) 一种etc门架系统、高速公路路段封闭预警方法及装置
CN117593167B (zh) 基于大数据的智能城市规划管理方法及系统
Oskarbski et al. Estimating the average speed of public transport vehicles based on traffic control system data
CN115731713A (zh) 一种预测异常车辆高速出口及时间的方法
Peng et al. Evaluation of roadway spatial-temporal travel speed estimation using mapped low-frequency AVL probe data
KR20230063080A (ko) 교통량 증대를 위한 신호교차로 노면조건 및 교통패턴 분석 결과에 따른 신호등 운영 시스템
Gökaşar et al. Evaluation of bus dwelling patterns using bus GPS data
Liberto et al. Traffic prediction in metropolitan freeways
Zhang et al. Freeway traffic state estimation and prediction based on ETC-based path identification toll system
Zhang et al. A Study on Highway Corridor Traffic State Identification Based on Data Fusion of DSRC Data and ETC Data
Guo Self-Calibrated Transit Service Monitoring Using Automated Collected Data
Li et al. Transit arrival time prediction using interaction networks
CN115326180B (zh) 一种基于通信技术的大规模车辆动态定位方法

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