CN113538902B - 基于交通状态的交叉口车辆轨迹数据修复方法 - Google Patents

基于交通状态的交叉口车辆轨迹数据修复方法 Download PDF

Info

Publication number
CN113538902B
CN113538902B CN202110669070.6A CN202110669070A CN113538902B CN 113538902 B CN113538902 B CN 113538902B CN 202110669070 A CN202110669070 A CN 202110669070A CN 113538902 B CN113538902 B CN 113538902B
Authority
CN
China
Prior art keywords
data
traffic
intersection
repair
road
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
CN202110669070.6A
Other languages
English (en)
Other versions
CN113538902A (zh
Inventor
陈阳舟
师泽宇
辛乐
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.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN202110669070.6A priority Critical patent/CN113538902B/zh
Publication of CN113538902A publication Critical patent/CN113538902A/zh
Application granted granted Critical
Publication of CN113538902B publication Critical patent/CN113538902B/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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于视频的交叉口区域交通参数统计方法，该方法包括：数据采集、交通数据预处理、道路区域划分、行程时间估计、计算行驶距离及数据修复六个主要阶段。本发明可以用于修复卫星定位系统和视频采集等来源的车辆轨迹数据，提高轨迹数据的利用率和信息完整度。同时，利用信息融合和人工智能技术考虑了交通状态对车辆行驶轨迹的影响，使修复的轨迹符合车辆行驶的时空特征，提高了修复后轨迹数据的可信度及可靠性，该方法修复轨迹数据既避免了人工经验修复轨迹数据的不可靠性，也弥补了数据驱动方法的泛化能力不足的缺点。该方法结果适应于地理信息系统及智能交通系统方面的科学研究和实践应用。

Description

基于交通状态的交叉口车辆轨迹数据修复方法
技术领域
本发明属于智能交通系统领域，具体涉及一种基于交通状态的交叉口车辆轨迹数据修复方法。
背景技术
轨迹数据在地理信息、交通规划、智能交通及交通诱导等领域是重要的分析对象，依托轨迹数据，微观的车辆状态和宏观的道路状态都可以被观测到。轨迹数据可以通过卫星定位系统和视频检测获得，常见的卫星定位系统包括北斗系统和GPS系统等，其可以实时获取车辆的位置、速度等数据，来源于视频的轨迹数据需要先对检测视频中的车辆进行识别和跟踪，从而获得轨迹数据。由此可见，轨迹数据因其广泛的应用领域和较为方便的获取手段，成为地理信息及交通工程领域的重要数据类型，具有重要的应用价值。
由于轨迹数据主要由卫星定位系统和路测视频检测获得，数据的完整性往往不能完全保证。造成数据缺失的主要原因可以分为两方面，一方面是检测装置受外界干扰和自身内部误差造成的漏检，另一方面是数据在通信和储存过程中的丢失。轨迹数据中交叉口部分缺失的概率较高，究其原因本质上仍是漏检和丢包两个主因，而交叉口这一多车交汇的环境给现有的检测和通信手段带来了更多干扰，造成了更多数据点的缺失。数据的缺失会造成后期由数据获得的分析结果及研究结论与实际情况不符，而这些分析结果和研究结论涉及诸多方面，如自动驾驶汽车中参数标定，导航中的交通状态预测及用地性质识别等方面，由此可见，轨迹数据缺失造成信息丢失会带来安全隐患和经济风险。
为了修复轨迹数据，现有的修复方法可以分为时间序列法、空间概率法、时空信息法及数据融合法。其中时间序列法主要有两个思路，其一是采用历史数据进行推导，获取缺失数据，另一个是考虑轨迹数据的周期性，寻找与缺失点相似的波段将其信息进行处理获得缺失数据。空间概率法主要是对大量轨迹聚类，然后获得某一区域的空间分布特征，根据空间分布特征选择出现概率最大的值修复数据。时空信息法是分析轨迹数据固有的时空特征，选择可能性最大的值修复缺失数据。数据融合法是采用非轨迹数据类型的其他类型数据中的信息对缺失数据的信息进行估计，采用估计值修复缺失数据，在卫星定位系统中的轨迹数据常用惯性导航数据修复缺失数据。
目前，采用上述方法修复交叉口部分缺失的轨迹数据，忽略了交通状态对车辆行驶轨迹的影响。同时，交叉口与相邻街道的交通流时空特征并未作为影响因素被修复方法所考虑，这会造成修复数据与实际数据存在较大差距，影响数据的修复效果。
发明内容
本发明提供了基于交通状态的交叉口车辆轨迹数据修复方法，该方法通过使用处理过的轨迹数据构建历史数据集，首先通过历史数据集构建流-密基本图获取实时交通状态和交叉口区域的各项基本参数，并利用历史数据集训练图神经网络构建行程时间估计模型，然后，根据交通状态，实时划分进口道和出口道的范围，获取进口道和出口道的交通状态数据，将交通状态数据作为行程时间模型的输入获取通过交叉口的行程时间，最后，根据需要修复轨迹的数据缺失情况，结合行程时间求得各缺失数据的值，完成缺失轨迹数据的修复。
本发明所述交通状态为与交叉口相连进口道和出口道的交通状态，所述交通状态由平均交通密度描述，所述交叉口类型包括但不限于信号交叉口和无信号交叉口，所述交叉口区域指进口道停车线围成的封闭四边形区域，所述轨迹数据包括但不限以下信息：时间戳，经度，维度，车辆瞬时速度，所述轨迹数据包括但不限于以下形式：浮动车数据、GPS数据及视频轨迹数据。
本发明依托的硬件为高性能中央处理器、数据储存装置及人机交互设备，根据实际情况硬件设备可扩展包括但不限于以下设备：图像处理器、通信装置及视频采集装置。
本发明的技术方案：
一种基于交通状态的交叉口车辆轨迹数据修复方法，其特征在于：包括如下步骤：
步骤1：采集交通数据，所述交通数据包括但不限于信号灯状态数据、交通流数据、车辆轨迹数据、通过交叉口行程时间数据、交叉口及附近道路地理信息数据，所述信号灯状态数据在无信号交叉口中恒为绿灯状态。
步骤2：对交通数据进行预处理，所述预处理包括以下步骤：
步骤2.1：交通密度计算：根据时间戳，统计交通密度数据，交通密度的计算公式为：
Figure GDA0003774469440000021
式中，
Figure GDA0003774469440000022
表示路段i在k时刻的密度，
Figure GDA0003774469440000023
表示路段i在k时刻时包含的车辆数，
Figure GDA0003774469440000024
表示在k时刻时路段i的长度，其计算方法在步骤3中体现，ri表示路段i中的车道数，i∈A，A为与交叉口相连接进口道和出口道的集合。
步骤2.2：获取关键交通参数：采用最小二乘法将交通数据拟合成交通基本图，从图中获取各路段的理想通行能力ci、拥堵密度
Figure GDA0003774469440000025
和临界密度
Figure GDA0003774469440000026
本专利中信号交叉口进口道的实际通行能力
Figure GDA0003774469440000027
根据信号灯状态在0到ci二值间切换，在无信号交叉口进口道的
Figure GDA0003774469440000028
根据相交的交通流规模在在0到ci间连续变化。
步骤2.3：处理重复值及异常值：根据时间戳和道路覆盖范围删除轨迹数据重复值，当轨迹重复值均在道路覆盖范围内，则取所有轨迹重复点的平均值，所示道路覆盖范围包括路段和交叉口，根据时间戳，处理交通状态数据，当交通密度数据大于
Figure GDA0003774469440000029
则删除该条数据，否则判断相同时间戳下是否有重复的交通状态数据，若有则取平均值作为对应时间戳的交通状态数据。
步骤3：道路区域划分，所述道路区域划分包括以下步骤：
步骤3.1：划分交叉口区域：连接交叉口停车线，构建出四边形区域作为交叉口区域。
步骤3.2：划分进口道与出口道区域：采用
Figure GDA00037744694400000210
划分进口道与基本路段，同时，采用
Figure GDA00037744694400000211
划分出口道与基本路段，所述基本路段为不直接受到交叉口信号影响的道路区域，所述进口道为停车线逆行车方向长度为
Figure GDA00037744694400000212
的道路区域，所述出口道为交叉口区域非停车线边缘沿行车方向长度为
Figure GDA00037744694400000213
的道路区域，所述
Figure GDA00037744694400000214
为动态变量，
Figure GDA00037744694400000215
的计算公式如下：
Figure GDA00037744694400000216
式中
Figure GDA00037744694400000217
为在k时刻时路段i的长度，Δt为轨迹数据的采集周期，
Figure GDA00037744694400000218
为从k-1周期到k周期路段i的长度变化值，
Figure GDA00037744694400000219
的计算公式如下：
Figure GDA00037744694400000220
式中ρf表示根据基本图中自由流部分的密度值，所述自由流部分密度值表示小于临界密度的密度值，ρc表示根据基本图中拥堵部分的密度值，所述拥堵部分的密度值表示大于临界密度的密度值同时小于等于拥堵密度的密度值，D(ρf)表示离开自由流区域的交通流率，S(ρc)表示进入拥堵区域的交通流率，Φ(ρf)表示自由流区域内部的交通流率，Φ(ρc)表示拥堵区域内部的交通流率，
Figure GDA0003774469440000031
其中α是正系数。
步骤4：估计行程时间，所述行程时间为各路径中车辆通过交叉口区域的行程时间，所述行程时间估计方法采用的模型依赖图神经网络构建，所述图神经网络的输入数据为进口道和出口道的交通状态数据、对应进口道的信号灯状态、进口道和出口道的交通参数及进出口道与交叉口构建的图，所述图神经网络的输出为通过交叉口区域各路径的行程时间数据。
所述图神经网络采用的训练数据集和验证数据集均来源于历史数据集，所述历史数据集由采集的交通数据与轨迹数据组成
步骤5：计算行驶距离，所述行驶距离指车辆在交叉口区域内在一个周期行驶的距离，计算方式如下：
Figure GDA0003774469440000032
式中
Figure GDA0003774469440000033
表示周期k期间路径j车辆的行驶距离，lj表示j路径车辆通过交叉口区域的行驶距离，
Figure GDA0003774469440000034
为步骤4中估计的路径j行程时间，所述路径的获得方法包括但不限于采用历史数据集中轨迹数据进行聚类的方法。
步骤6：获取修复数据，所述获取修复数据方法包括以下步骤：
步骤6.1：筛选上下游轨迹数据：筛选车辆在进口道和出口道范围内的轨迹数据，选取进口道时间戳最大的一条数据和出口道时间戳最小的一条数据作为前向数据和后向数据，检测交叉口区域内是否存在数据，如果存在数据，将交叉口内数据排序重新选择前向数据与后向数据，分别定义前向数据的时间戳为前向时间戳tin，后向数据的时间戳为后向时间戳tout，前向数据中的速度为驶入速度vin，后向数据中的速度为驶出速度vout，前向数据中经纬度组成的位置数据为前向位置(xin,yin)，后向数据中经纬度组成的位置数据为后向位置(xout,yout)。
步骤6.2：判断修复数据数量：通过前向时间戳和后向时间戳的差值来判断修复数据的数量，其数学表达如下：
Figure GDA0003774469440000035
式中n为需要修复的数据数量。
步骤6.3：复查修复数据数量，检查交叉口区域内是否存在数据，若存在数据点，统计数据量nme，之后，检查前向数据中信号状态，若信号状态为红灯，根据前向时间戳，计算绿灯开始时间戳tg，若前向数据中信号灯的状态为绿灯，则tg＝tin，计算多余的前向修复数据数nr，计算方法为：
Figure GDA0003774469440000036
核验后的修复数据数nf＝n-nme-nr,若nf小于0，则令nf＝0，根据nf和修复数据对应的时间戳从小到大排序，从1开始，对修复数据进行编号，所述编号方式形式包括但不限于：时间戳为tp，位置为(xp,yp)，速度为vp，p∈[1,nf]。
步骤6.4：确定修复数据对应的修复情况，根据nf，所述修复情况可分为3类，具体情况如下：如果nf＝0，为修复情况1，执行步骤6.7，如果nf＝1，为修复情况2，执行步骤6.5，如果nf＞1，为修复情况3，执行步骤6.6。
步骤6.5：在修复情况2下进行数据修复，然后执行步骤6.7，所述修复数据各项分量获取的数学表达如下：
tp＝tout-Δt (7)
Figure GDA0003774469440000041
Figure GDA0003774469440000042
Figure GDA0003774469440000043
式中p＝1，
Figure GDA0003774469440000044
为
Figure GDA0003774469440000045
的图片x轴方向分量，
Figure GDA0003774469440000046
为
Figure GDA0003774469440000047
的图片y轴方向分量，
Figure GDA0003774469440000048
lj、
Figure GDA0003774469440000049
为步骤5中所述变量，变量下角标k＝tp，若修复点位置离开j路径的区域，利用切线法线法调整(xp,yp)，
步骤6.6：在修复情况3下进行数据修复，然后执行步骤6.7，所述修复数据中第一组数据各项分量获取的数学表达如下：
t1＝tg+Δt (11)
Figure GDA00037744694400000410
Figure GDA00037744694400000411
Figure GDA00037744694400000412
式中
Figure GDA00037744694400000413
lj、
Figure GDA00037744694400000414
为步骤5中所述变量，变量下角标k＝1，若修复点位置离开j路径的区域，利用切线法线法调整(x1,y1)，所述修复数据中非第一组数据各项分量获取的数学表达如下：
tp＝tp-1+Δt (15)
Figure GDA00037744694400000415
Figure GDA00037744694400000416
Figure GDA00037744694400000417
式中
Figure GDA0003774469440000051
lj、
Figure GDA0003774469440000052
为步骤5中所述变量，变量下角标k＝tp-1，若修复点位置离开j路径的区域，利用切线法线法调整(xp,yp)，p∈[2,nf]。
步骤6.7：结束数据修复。
有益效果：
本发明应用于智能交通系统领域，可以根据交叉口进出口道的交通状态，在线或离线修复轨迹数据，在线的轨迹数据修复可以用于车辆跟踪等微观层面的交通或地理信息方面的需求，离线修复可以用于数据恢复及宏观交通应用，宏观交通应用主要包括交通需求分析、交通状态估计等方面。由于本发明中的数据为时间关联数据，可以针对特定时间戳对数据进行准确修复，避免了基于空间特性进行轨迹修复方法时造成的时间信息丢失，将交通状态作为车辆行驶轨迹的影响因素来修复轨迹数据，可以真实反映车辆的行驶动机，再结合车辆行驶的运动学和轨迹数据的时空特征，可以高保真的还原缺失数据。本发明是基于数据的交通、地理信息研究的前提条件和基础技术，提高基于轨迹数据相关交通、地理信息研究的可靠性及可行性。
附图说明
图1是本发明具体实施方式的基于交通状态的交叉口车辆轨迹数据修复方法流程图；
图2是本发明具体实施方式的路径图；
图3是本发明具体实施方式的切线法线法示意图；
图4是本发明具体实施方式的交叉口抽象表示图；
图5是本发明具体实施方式的行程时间图神经网络结构图；
图6是本发明具体实施方式的轨迹数据修复效果图；
其中，1-西进口到右转路径，2-西进口道直行偏右路径，3-西进口道直行停车路径，4-西进口道直行偏左路径，5-西进口道左转路径，6-西进口道掉头路径，7-北进口道的右转路径，8-北进口道的直行路径，9-北进口道的左转大弯路径，10-北进口道的左转小弯路径，11-东进口道的右转路径，12-东进口道的直行偏右路径，13-东进口道的直行偏左路径，14-东进口道的掉头大弯路径，15-东进口道的左转路径，16-东进口道的掉头小弯路径，17-南进口道的右转小弯路径，18-南进口道的直行路径，19-南进口道的左转路径，20-南进口道的右转大弯路径，21-路径切线，22-在路径外的修复点，23-路径切线的法线，24-修正到路径内部的修复点，25-抽象图中节点权值，26-抽象图中边权值，27-神经网络的输入对象，28-神经网络的第一层图卷积层，29-神经网络的第二层图卷积层，30-神经网络的读出层，31-神经网络的全连接层，32-神经网络的输出对象，33-进口道中已知前向数据点，34-修复的数据点，35-出口道中已知后向数据点。
具体实施方式
为了使本技术领域的人员更好地理解本发明，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晰、完整地描述，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于发明中的实施例，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，都应当在本发明的保护范围之内。
特别说明，本发明的说明书和权利要求及上述附图中的术语“i周期”、“j路径”等是用于泛指符合特定条件下的对象，不是特指一个对象，同时应当理解为该类对象使用的数据在适当情况下可以在顺序等方面发生变化，以便这里描述的本发明实施例能够在图示或描述以外的类似场景中实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，本发明中交叉口交通参数泛指交叉口及交叉口进出口道范围内交通数据涉及的交通参数。
根据本发明实施例，提供了一种基于交通状态的交叉口车辆轨迹数据修复方法，需要说明的是：附图中基于交通状态的交叉口车辆轨迹数据修复方法流程可以在包括诸如可执行指令的计算机系统中执行，在使用计算机模拟的交通系统中执行，在嵌入式设备中执行，在一套互联的智能设备中执行。
本实施例依托的实施平台为安装Ubuntu系统的AMAX服务器，服务器包含80个2GHZ的Intel Xeon Gold 6138 CPU，5个NVIDIA Quadro GV100 GPU，256G的运行内存及4.2TB的储存硬盘，为了方便进行操作服务器外接了显示器，鼠标及键盘。
本实施例中的轨迹数据由交叉口的高点视频中提取获得，详细的提取方法采用中国专利ZL201911343078.2中的方法。
本实施例中轨迹数据来源视频的连续时长为24小时，每秒包含24帧图像，视频中包含白天到夜晚多个时间段的场景，视频采集点位于我国某二线城市开发区交叉口，视频采集方式为高点视频。
本实施例中共提取轨迹数据42688条，其中可用的完整轨迹为28997条，无法修复的轨迹数据1053条，可修复轨迹数据12638条，其中完整轨迹和可修复数据可以用于获得交叉口交通状态及交通参数，完整轨迹数据可以用于获取通过交叉口行程时间。
如图1所示，一种基于交通状态的交叉口车辆轨迹数据修复方法流程主要包括如下步骤：
步骤1：采集交通数据，所述交通数据包括但不限于信号灯状态数据、交通流数据、车辆轨迹数据、通过交叉口行程时间数据、交叉口及附近道路地理信息数据，所述信号灯状态数据在无信号交叉口中恒为绿灯状态。
步骤2：对交通数据进行预处理，所述预处理包括以下步骤：
步骤2.1：交通密度计算：根据时间戳，统计交通密度数据，交通密度的计算公式为：
Figure GDA0003774469440000061
式中，
Figure GDA0003774469440000062
表示路段i在k时刻的密度，
Figure GDA0003774469440000063
表示路段i在k时刻时包含的车辆数，
Figure GDA0003774469440000064
表示在k时刻时路段i的长度，其计算方法在步骤3中体现，ri表示路段i中的车道数，i∈A，A为与交叉口相连接进口道和出口道的集合。
步骤2.2：获取关键交通参数：采用最小二乘法将交通数据拟合成交通基本图，从图中获取各路段的理想通行能力ci、拥堵密度
Figure GDA0003774469440000065
和临界密度
Figure GDA0003774469440000066
本实施例中信号交叉口进口道的实际通行能力
Figure GDA0003774469440000067
根据信号灯状态在0到ci二值间切换，在无信号交叉口进口道的
Figure GDA0003774469440000068
根据相交的交通流规模在在0到ci间连续变化。
各进口道和出口道ci的取值如下表：
项目 数值[pcu/(h*ln)]
西进口理想通行能力c<sup>1</sup> 4800
南出口理想通行能力c<sup>2</sup> 3200
南进口理想通行能力c<sup>3</sup> 3200
东出口理想通行能力c<sup>4</sup> 4800
东进口理想通行能力c<sup>5</sup> 4800
北出口理想通行能力c<sup>6</sup> 3200
北进口理想通行能力c<sup>7</sup> 3200
西出口理想通行能力c<sup>8</sup> 4800
各进口道和出口道
Figure GDA0003774469440000069
和
Figure GDA00037744694400000610
的取值如下表：
Figure GDA00037744694400000611
Figure GDA0003774469440000071
步骤2.3：处理重复值及异常值：根据时间戳和道路覆盖范围删除轨迹数据重复值，当轨迹重复值均在道路覆盖范围内，则取所有轨迹重复点的平均值，所示道路覆盖范围包括路段和交叉口，根据时间戳，处理交通状态数据，当交通密度数据大于
Figure GDA0003774469440000072
则删除该条数据，否则判断相同时间戳下是否有重复的交通状态数据，若有则取平均值作为对应时间戳的交通状态数据。
步骤3：道路区域划分，所述道路区域划分包括以下步骤：
步骤3.1：划分交叉口区域：连接交叉口停车线，构建出四边形区域作为交叉口区域。
步骤3.2：划分进口道与出口道区域：采用
Figure GDA0003774469440000073
划分进口道与基本路段，同时，采用
Figure GDA0003774469440000074
划分出口道与基本路段，所述基本路段为不直接受到交叉口信号影响的道路区域，所述进口道为停车线逆行车方向长度为
Figure GDA0003774469440000075
的道路区域，所述出口道为交叉口区域非停车线边缘沿行车方向长度为
Figure GDA0003774469440000076
的道路区域，所述
Figure GDA0003774469440000077
为动态变量，
Figure GDA0003774469440000078
的计算公式如下：
Figure GDA0003774469440000079
式中
Figure GDA00037744694400000710
为在k时刻时路段i的长度，Δt为轨迹数据的采集周期，本实施例中Δt＝1s，
Figure GDA00037744694400000711
为从k-1周期到k周期路段i的长度变化值，
Figure GDA00037744694400000712
的计算公式如下：
Figure GDA00037744694400000713
式中ρf表示根据基本图中自由流部分的密度值，所述自由流部分密度值表示小于临界密度的密度值，ρc表示根据基本图中拥堵部分的密度值，所述拥堵部分的密度值表示大于临界密度的密度值同时小于等于拥堵密度的密度值，D(ρf)表示离开自由流区域的交通流率，S(ρc)表示进入拥堵区域的交通流率，Φ(ρf)表示自由流区域内部的交通流率，Φ(ρc)表示拥堵区域内部的交通流率，
Figure GDA00037744694400000714
其中α是正系数，本实施例中α＝0.5。
本实施例中，按照步骤2中的方法结合步骤3中划定的区域，通过可修复数据和完整数据获得实时交通状态数据，随后按照时间戳将交通状态数据和轨迹数据对应组成新的数据组合，然后储存形成历史数据集。
本实施例中，历史数据集的数据列名为：采集时间、进/出口i的交通密度、进/出口i的信号灯状态、进/出口i的理想通行能力、通过交叉口的行程时间、x方向坐标，y方向坐标及车辆速度。
步骤4：估计行程时间，所述行程时间为各路径中车辆通过交叉口区域的行程时间，所述行程时间估计方法采用的模型依赖图神经网络构建。
如图2所示，本实施例采用谱聚类中的Normalized Cut算法对完整轨迹数据进行聚类，获得了通过交叉口的20条路径，并从西进口开始依次标号为第1-20号路径。
如图4所示，本实施例中行程时间估计模型的输入为包含节点权值向量和边权值向量的有向图，图的拓扑结构表示了各进出口道与交叉口区域的连接关系，其中节点权值向量A1～A8表示进口道1～8的交通状态主要包含的分量为
Figure GDA0003774469440000081
和
Figure GDA0003774469440000082
节点权值向量A9表示各路径通过交叉口的行程时间，其分量为20个路径通过交叉口的行程时间
Figure GDA0003774469440000083
边权值向量各进出口道进出交叉口的通行能力，其分量为理想通行能力ci和k时刻i进口道的信号灯状态
Figure GDA0003774469440000084
如图5所示，用于构建行程时间估计模型的图神经网络共包含2个图卷积层、1个读出器层及1个全连接层，经过处理的输入数据先通过图卷积层，然后到达读出层，最后由全连接层处理获得输出数据，神经网络的训练方法为反向传播法，损失函数为估计行程时间和实际行程时间的均方误差。
如图5所示，图神经网路的输入为图的拓扑结构、图4中A1～A8组成的节点权值矩阵A及B1～B8组成的边权值矩阵B。
本实施例中图神经网络采用的训练数据集和验证数据集均来源于历史数据集。
步骤5：计算行驶距离，所述行驶距离指车辆在交叉口区域内在一个周期行驶的距离，计算方式如下：
Figure GDA0003774469440000085
式中
Figure GDA0003774469440000086
表示周期k期间路径j车辆的行驶距离，lj表示j路径车辆通过交叉口区域的行驶距离，
Figure GDA0003774469440000087
为步骤4中估计的路径j行程时间，所述路径的获得方法包括但不限于采用历史数据集中轨迹数据进行聚类的方法。
如图3和图6所示，本实施例中选择的具体可修复轨迹数据为路径5中的一条轨迹数据。
步骤6：获取修复数据，所述获取修复数据方法包括以下步骤：
步骤6.1：筛选上下游轨迹数据：筛选车辆在进口道和出口道范围内的轨迹数据，选取进口道时间戳最大的一条数据和出口道时间戳最小的一条数据作为前向数据和后向数据，检测交叉口区域内是否存在数据，如果存在数据，将交叉口内数据排序重新选择前向数据与后向数据，分别定义前向数据的时间戳为前向时间戳tin＝07:02:33，后向数据的时间戳为后向时间戳tout＝07:02:37，前向数据中的速度为驶入速度vin＝18.3km/h，后向数据中的速度为驶出速度vout＝21.6km/h，前向数据中经纬度组成的位置数据为前向位置(631像素,379像素)，后向数据中经纬度组成的位置数据为后向位置(1093px,376px)，本文采用中国专利ZL201911343078.2中的方法来相互转换图像中数据点与实际数据点的单位。
步骤6.2：判断修复数据数量：通过前向时间戳和后向时间戳的差值来判断修复数据的数量，其数学表达如下：
Figure GDA0003774469440000088
将值带入可得n＝3。
步骤6.3：复查修复数据数量，检查交叉口区域内是否存在数据，若存在数据点，统计数据量nme，之后，检查前向数据中信号状态，若信号状态为红灯，根据前向时间戳，计算绿灯开始时间戳tg，若前向数据中信号灯的状态为绿灯，则tg＝tin，计算多余的前向修复数据数nr，计算方法为：
Figure GDA0003774469440000091
核验后的修复数据数nf＝n-nme-nr,若nf小于0，则令nf＝0，根据nf和修复数据对应的时间戳从小到大排序，从1开始，对修复数据进行编号，所述编号方式形式包括但不限于：时间戳为tp，位置为(xp,yp)，速度为vp，p∈[1,nf]。
本实施例中，由步骤6.3中可得：nme＝nr＝0，则nf＝n＝3。
步骤6.4：确定修复数据对应的修复情况，因为nf＞1，为修复情况3，无需执行本发明中的步骤6.5，直接执行步骤6.6。
步骤6.6：在修复情况3下进行数据修复，然后执行步骤6.7。
本实施例中修复数据中第一组数据各项分量如下：
t1＝tg+Δt＝07:02:34 (25)
Figure GDA0003774469440000092
Figure GDA0003774469440000093
Figure GDA0003774469440000094
式中
Figure GDA0003774469440000095
lj、
Figure GDA0003774469440000096
为步骤5中所述变量，本实施例中
Figure GDA0003774469440000097
l5＝23.43m，
Figure GDA0003774469440000098
Figure GDA0003774469440000099
α＝141°。
所述修复数据中非第二组数据各项分量如下：
t2＝t1+Δt＝07:02:35 (29)
Figure GDA00037744694400000910
Figure GDA00037744694400000911
Figure GDA00037744694400000912
式中
Figure GDA00037744694400000913
lj、
Figure GDA00037744694400000914
为步骤5中所述变量，本实施例中第二组数据的
Figure GDA00037744694400000915
和l5两变量的值与第一组相同，
Figure GDA00037744694400000916
和
Figure GDA00037744694400000917
两变量的计算方法与第一组相同，但第二组数据中，α＝158°。
所述修复数据中非第二组数据各项分量如下：
t3＝t2+Δt＝07:02:36 (33)
Figure GDA00037744694400000918
Figure GDA0003774469440000101
Figure GDA0003774469440000102
式中
Figure GDA0003774469440000103
lj、
Figure GDA0003774469440000104
为步骤5中所述变量，本实施例中第三组数据的
Figure GDA0003774469440000105
和l5两变量的值与第一组相同，
Figure GDA0003774469440000106
和
Figure GDA0003774469440000107
两变量的计算方法与第一组相同，但第三组数据中，α＝28°。
本实施例中轨迹数据修复点均在路径5的范围内，因此无需使用切线法线法对数据进行修正。
步骤6.7：结束数据修复，修复效果如图6所示。
如图3所示，本实施例以路径5中另外一条可修复轨迹数据为例说明切线法线法：寻找路径到路径外修复点距离最短的点，在该点处做切线，然后从路径外修复点向切线做垂线，将垂线延长到路径范围内获得交点，所得的交点为最终的修复点。

Claims (5)

1.一种基于交通状态的交叉口车辆轨迹数据修复方法，其特征在于：包括如下步骤：
步骤1：采集交通数据，所述交通数据包括但不限于信号灯状态数据、交通流数据、车辆轨迹数据、通过交叉口行程时间数据、交叉口及附近道路地理信息数据，所述信号灯状态数据在无信号交叉口中恒为绿灯状态；
步骤2：对交通数据进行预处理，所述预处理包括以下步骤：
步骤2.1：交通密度计算：根据时间戳，统计交通密度数据，交通密度的计算公式为：
Figure FDA0003774469430000011
式中，
Figure FDA0003774469430000012
表示路段i在k时刻的密度，
Figure FDA0003774469430000013
表示路段i在k时刻时包含的车辆数，
Figure FDA0003774469430000014
表示在k时刻时路段i的长度，其计算方法在步骤3中体现，ri表示路段i中的车道数，i∈A，A为与交叉口相连接进口道和出口道的集合；
步骤2.2：获取关键交通参数：采用最小二乘法将交通数据拟合成交通流基本图，从交通流基本图中获取各路段的理想通行能力ci、拥堵密度
Figure FDA0003774469430000015
和临界密度
Figure FDA0003774469430000016
信号交叉口进口道的实际通行能力
Figure FDA0003774469430000017
根据信号灯状态在0到ci二值间切换，在无信号交叉口进口道的
Figure FDA0003774469430000018
根据相交的交通流规模在0到ci间连续变化；
步骤2.3：处理重复值及异常值：根据时间戳和道路覆盖范围删除轨迹数据重复值，当轨迹重复值均在道路覆盖范围内，则取所有轨迹重复点的平均值，所示道路覆盖范围包括路段和交叉口，根据时间戳，处理交通状态数据，当交通密度数据大于
Figure FDA0003774469430000019
则删除该条数据，否则判断相同时间戳下是否有重复的交通状态数据，若有则取平均值作为对应时间戳的交通状态数据；
步骤3：道路区域划分，所述道路区域划分包括以下步骤：步骤3.1：划分交叉口区域：连接交叉口停车线，构建出四边形区域作为交叉口区域；
步骤3.2：划分进口道与出口道区域：采用
Figure FDA00037744694300000110
划分进口道与基本路段，同时，采用
Figure FDA00037744694300000111
划分出口道与基本路段，所述基本路段为不直接受到交叉口信号影响的道路区域，所述进口道为停车线逆行车方向长度为
Figure FDA00037744694300000112
的道路区域，所述出口道为交叉口区域非停车线边缘沿行车方向长度为
Figure FDA00037744694300000113
的道路区域，所述
Figure FDA00037744694300000114
为动态变量，
Figure FDA00037744694300000115
的计算公式如下：
Figure FDA00037744694300000116
式中
Figure FDA00037744694300000117
为在k-1时刻时路段i的长度，Δt为轨迹数据的采集周期，
Figure FDA00037744694300000118
为从k-1周期到k周期路段i的长度变化值，
Figure FDA00037744694300000119
的计算公式如下：
Figure FDA00037744694300000120
式中ρf表示根据基本图中自由流部分的密度值，所述自由流部分密度值表示小于临界密度的密度值，ρc表示根据基本图中拥堵部分的密度值，所述拥堵部分的密度值表示大于临界密度的密度值同时小于等于拥堵密度的密度值，D(ρf)表示离开自由流区域的交通流率，S(ρc)表示进入拥堵区域的交通流率，Φ(ρf)表示自由流区域内部的交通流率，Φ(ρc)表示拥堵区域内部的交通流率，
Figure FDA00037744694300000121
其中α是正系数；
步骤4：估计行程时间，所述行程时间为各路径中车辆通过交叉口区域的行程时间，所述行程时间估计方法采用的模型依赖图神经网络构建，所述图神经网络的输入数据为进口道和出口道的交通状态数据、对应进口道的信号灯状态、进口道和出口道的交通参数及进出口道与交叉口构建的图，所述图神经网络的输出为通过交叉口区域各路径的行程时间数据；
所述图神经网络采用的训练数据集和验证数据集均来源于历史数据集，所述历史数据集由采集的交通数据与轨迹数据组成
步骤5：计算行驶距离，所述行驶距离指车辆在交叉口区域内在一个周期行驶的距离，计算方式如下：
Figure FDA0003774469430000021
式中
Figure FDA0003774469430000022
表示周期k期间路径j车辆的行驶距离，lj表示j路径车辆通过交叉口区域的行驶距离，
Figure FDA0003774469430000023
为步骤4中估计的路径j行程时间，所述路径的获得方法包括但不限于采用历史数据集中轨迹数据进行聚类的方法；
步骤6：获取修复数据；
步骤6.1：筛选上下游轨迹数据：筛选车辆在进口道和出口道范围内的轨迹数据，选取进口道时间戳最大的一条数据和出口道时间戳最小的一条数据作为前向数据和后向数据，检测交叉口区域内是否存在数据，如果存在数据，将交叉口内数据排序重新选择前向数据与后向数据，分别定义前向数据的时间戳为前向时间戳tin，后向数据的时间戳为后向时间戳tout，前向数据中的速度为驶入速度vin，后向数据中的速度为驶出速度vout，前向数据中经纬度组成的位置数据为前向位置(xin,yin)，后向数据中经纬度组成的位置数据为后向位置(xout,yout)；
步骤6.2：判断修复数据数量：通过前向时间戳和后向时间戳的差值来判断修复数据的数量，其数学表达如下：
Figure FDA0003774469430000024
式中n为需要修复的数据数量；
步骤6.3：复查修复数据数量，检查交叉口区域内是否存在数据，若存在数据点，统计数据量nme，之后，检查前向数据中信号状态，若信号状态为红灯，根据前向时间戳，计算绿灯开始时间戳tg，若前向数据中信号灯的状态为绿灯，则tg＝tin，计算多余的前向修复数据数nr，计算方法为：
Figure FDA0003774469430000025
核验后的修复数据数nf＝n-nme-nr,若nf小于0，则令nf＝0，根据nf和修复数据对应的时间戳从小到大排序，从1开始，对修复数据进行编号，所述编号形式包括：时间戳为tp，位置为(xp,yp)，速度为vp，p∈[1,nf]；
步骤6.4：确定修复数据对应的修复情况，根据nf，所述修复情况分为3类，具体情况如下：如果nf＝0，为修复情况1，执行步骤6.7，如果nf＝1，为修复情况2，执行步骤6.5，如果nf＞1，为修复情况3，执行步骤6.6；
步骤6.5：在修复情况2下进行数据修复，然后执行步骤6.7，所述修复数据各项分量获取的数学表达如下：
tp＝tout-Δt (7)
Figure FDA0003774469430000031
Figure FDA0003774469430000032
Figure FDA0003774469430000033
式中p＝1，
Figure FDA0003774469430000034
为
Figure FDA0003774469430000035
的图片x轴方向分量，
Figure FDA0003774469430000036
为
Figure FDA0003774469430000037
的图片y轴方向分量，
Figure FDA0003774469430000038
lj、
Figure FDA0003774469430000039
为步骤5中所述变量，变量下角标k＝tp，若修复点位置离开j路径的区域，利用切线法调整(xp,yp)，
步骤6.6：在修复情况3下进行数据修复，然后执行步骤6.7，所述修复数据中第一组数据各项分量获取的数学表达如下：
t1＝tg+Δt (11)
Figure FDA00037744694300000310
Figure FDA00037744694300000311
Figure FDA00037744694300000312
式中
Figure FDA00037744694300000313
lj、
Figure FDA00037744694300000314
为步骤5中所述变量，变量下角标k＝1，若修复点位置离开j路径的区域，利用切线法调整(x1,y1)，所述修复数据中非第一组数据各项分量获取的数学表达如下：
tp＝tp-1+Δt (15)
Figure FDA00037744694300000315
Figure FDA00037744694300000316
Figure FDA00037744694300000317
式中
Figure FDA00037744694300000318
lj、
Figure FDA00037744694300000319
为步骤5中所述变量，变量下角标k＝tp-1，若修复点位置离开j路径的区域，利用切线法调整(xp,yp)，p∈[2,nf]；
步骤6.7：结束数据修复。
2.根据权利要求1所述的一种基于交通状态的交叉口车辆轨迹数据修复方法，其特征在于：交通状态为与交叉口相连进口道和出口道的交通状态，交通状态由平均交通密度描述。
3.根据权利要求1所述的一种基于交通状态的交叉口车辆轨迹数据修复方法，其特征在于：交叉口类型包括信号交叉口和无信号交叉口。
4.根据权利要求1所述的一种基于交通状态的交叉口车辆轨迹数据修复方法，其特征在于：交叉口区域指进口道停车线围成的封闭四边形区域。
5.根据权利要求1所述的一种基于交通状态的交叉口车辆轨迹数据修复方法，其特征在于：轨迹数据包括以下信息：时间戳，经度，纬度，车辆瞬时速度；所述轨迹数据包括：浮动车数据、GPS数据及视频轨迹数据。
CN202110669070.6A 2021-06-17 2021-06-17 基于交通状态的交叉口车辆轨迹数据修复方法 Active CN113538902B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110669070.6A CN113538902B (zh) 2021-06-17 2021-06-17 基于交通状态的交叉口车辆轨迹数据修复方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110669070.6A CN113538902B (zh) 2021-06-17 2021-06-17 基于交通状态的交叉口车辆轨迹数据修复方法

Publications (2)

Publication Number Publication Date
CN113538902A CN113538902A (zh) 2021-10-22
CN113538902B true CN113538902B (zh) 2022-09-20

Family

ID=78096250

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110669070.6A Active CN113538902B (zh) 2021-06-17 2021-06-17 基于交通状态的交叉口车辆轨迹数据修复方法

Country Status (1)

Country Link
CN (1) CN113538902B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114780644B (zh) * 2022-06-17 2022-09-13 鹏城实验室 一种船舶航行数据处理方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001067592A (ja) * 1999-08-27 2001-03-16 Matsushita Electric Ind Co Ltd 走行車両軌跡データの補完方法
CN107195180A (zh) * 2017-06-08 2017-09-22 青岛海信网络科技股份有限公司 一种基于电警数据的交通出行轨迹提取方法和装置
CN110362557A (zh) * 2019-05-27 2019-10-22 华南理工大学 一种基于机器学习和车牌识别数据的缺失路径修复方法
CN110781266A (zh) * 2019-09-16 2020-02-11 北京航空航天大学 一种基于时空因果关系的城市感知数据处理方法
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
CN112967493A (zh) * 2021-01-16 2021-06-15 北京工业大学 一种基于神经网络的车辆通过交叉口行程时间的预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001067592A (ja) * 1999-08-27 2001-03-16 Matsushita Electric Ind Co Ltd 走行車両軌跡データの補完方法
CN107195180A (zh) * 2017-06-08 2017-09-22 青岛海信网络科技股份有限公司 一种基于电警数据的交通出行轨迹提取方法和装置
CN110362557A (zh) * 2019-05-27 2019-10-22 华南理工大学 一种基于机器学习和车牌识别数据的缺失路径修复方法
CN110781266A (zh) * 2019-09-16 2020-02-11 北京航空航天大学 一种基于时空因果关系的城市感知数据处理方法
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
CN112967493A (zh) * 2021-01-16 2021-06-15 北京工业大学 一种基于神经网络的车辆通过交叉口行程时间的预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于车牌识别数据的机动车出行轨迹提取算法;阮树斌等;《浙江大学学报(工学版)》;20180515(第05期);全文 *

Also Published As

Publication number Publication date
CN113538902A (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
Yang et al. Generating lane-based intersection maps from crowdsourcing big trace data
CN110579219B (zh) 轨迹数据处理方法、装置、存储介质和计算机设备
CN107885795B (zh) 一种卡口数据的数据校验方法、系统和装置
Anand et al. Traffic density estimation under heterogeneous traffic conditions using data fusion
CN115311854B (zh) 一种基于数据融合的车辆时空轨迹重构方法
CN112884815A (zh) 一种基于多摄像机的车辆追踪方法
CN108648444B (zh) 一种基于网格模型的信号交叉口运行评价方法
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
CN105096590B (zh) 交通信息生成方法和交通信息生成设备
CN112927513B (zh) 一种实时在线交通仿真方法及系统
CN103177585A (zh) 基于浮动车数据计算路段各转向平均行程车速方法
CN113380027A (zh) 一种基于多源数据的交叉口交通状态参数估计方法及系统
CN110021161B (zh) 一种交通流向的预测方法及系统
CN113538902B (zh) 基于交通状态的交叉口车辆轨迹数据修复方法
CN114360239A (zh) 一种多层时空交通知识图谱重建的交通预测方法及系统
Minnikhanov et al. Detection of traffic anomalies for a safety system of smart city
Trogh et al. Map matching and lane detection based on Markovian behavior, GIS, and IMU data
Tran et al. City-scale multi-camera vehicle tracking of vehicles based on YOLOv7
CN110675631A (zh) 一种交通流溯源分析方法及系统
Tang et al. A novel method for road intersection construction from vehicle trajectory data
CN115631082B (zh) 一种基于高速路网拓扑结构的多场景路径还原方法
Derevitskiy et al. Traffic estimation on full graph of transport network using GPS data of bus movements
CN114999162A (zh) 一种道路交通流量获取方法和装置
Herath et al. A Comparison of speed data by different speed detection techniques
Komasilovs et al. Traffic Monitoring System Development in Jelgava City, Latvia.

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