CN113538907A - 一种基于交通流分级的行车时间估计系统 - Google Patents
一种基于交通流分级的行车时间估计系统 Download PDFInfo
- Publication number
- CN113538907A CN113538907A CN202110777834.3A CN202110777834A CN113538907A CN 113538907 A CN113538907 A CN 113538907A CN 202110777834 A CN202110777834 A CN 202110777834A CN 113538907 A CN113538907 A CN 113538907A
- Authority
- CN
- China
- Prior art keywords
- data
- road
- road section
- lane flow
- flow 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
-
- 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
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
Abstract
本发明提供一种基于交通流分级的行车时间估计系统,包括:交通流数据硬件感知层,包括终端节点和数据收集传输模块;云服务层,包括部署在云端的云数据库及云服务器,云数据库用于对车辆在行驶过程中产生的数据进行保存,其中云服务器包括:路况分区系统;路况子区分级系统;路况子区路段行驶时间评估系统以及行车时间获取系统。本发明可以从多角度采集交通流的影响数据,基于多源数据对交通路况进行分区,再基于分区结果进行行驶时间估计,考虑各分区路径行驶时间的耦合关系,特别适用于行车高峰时期的行驶时间判断。
Description
技术领域
本发明涉及智能交通技术领域,具体而言,尤其涉及一种基于交通流分级的行车时间估计系统。
背景技术
近年来,行车时间估计广泛的被应用在行车调度、用户打车和路径导航等问题中。通过对驾驶员的行车时间进行合理的估计,能够很好的方便车辆行驶和提升用户体验。影响驾驶员行车时间的因素有很多,包括行车距离、道路类型、行车习惯、交通情况等;行车时间估计即通过研究上述因素的作用,来进行合理的行车时间估计。但方法并不能很好的为多种因素相互影响下的行车时间估计建立合适的模型,同时虽然考虑了多个路段的行驶时间,却又忽略了路段等辅助信息的相关性。因此得到的行车时间估计数据,可能并不会有很高的准确性。
发明内容
鉴于现有技术的不足,本申请提供一种基于交通流分级的行车时间估计系统。该系统可以从多角度采集交通流的影响数据,基于多源数据多交通路况进行分区,再基于分区结果进行行驶时间估计,考虑各分区路径行驶时间的耦合关系,特别适用于行车高峰时期的行驶时间判断。
本发明采用的技术手段如下:
一种基于交通流分级的行车时间估计系统,包括:
交通流数据硬件感知层,包括终端节点和数据收集传输模块,其中,终端节点包括布置行驶车辆上的第一数据提取单元、布置在道路固定设施上的第二数据提取单元以及与外部网络连接的第三数据提取单元;
云服务层,包括部署在云端的云数据库及云服务器,云数据库用于对车辆在行驶过程中产生的数据进行保存,其中云服务器包括:
路况分区系统,用于对车辆速度数据、车道流量数据以及历史车道流量数据进行分析计算从而获得路况分区方案;
路况子区分级系统,用于根据各路况子区中各路段的车道流量平均值对路况子区进行分级:一级子区车道流量平均值最大,二级次之,…,以此类推获;
路况子区路段行驶时间评估系统,根据各路段所述区域评级估计车辆在该路段的行驶时间,所述行驶时间与惩罚系数正相关,所述惩罚系数为该路段当前车道流量与所在子区车道流量平均值的比值;
行车时间获取系统,获取出发地信息、目的地信息并通过接入第三方服务根据所述出发地信息和目的地信息获取行驶路径,同时提取路径经过的各路段行驶时间,将所有行驶时间相加得到行车时间估计结果。
进一步地,所述路况分区系统对车辆速度数据、车道流量数据以及历史车道流量数据进行分析计算从而获得路况分区方案,具体包括:
提取车辆速度数据、车道流量数据以及历史车道流量数据,其中所述车辆速度数据由所述第一数据提取单元提取并通过数据收集传输模块发送至云服务器,所述车道流量数据由第二数据提取单元获取并通过数据收集传输模块发送至云服务器,所述历史车道流量数据由所述第三提取单元获取并通过数据收集传输模块发送至云服务器;
基于所述车辆速度数据以及车道流量数据进行融合从而获取各路段行驶组合特征参数;
基于所述车道流量数据以及历史车道流量数据进行融合从而获取各路段历史组合特征参数;
根据预设的权重比例将历史组合特征参数与行驶组合特征参数值进行融合处理获取各路段最终的组合特征参数;
根据各路段最终的组合特征参数的数据特性对各路段进行聚类处理从而获得路况分区方案。
进一步地,基于所述车辆速度数据以及车道流量数据进行融合从而获取各路段行驶组合特征参数,包括:
对所述车辆速度数据以及车道流量数据进行相关性分析,提取二者相关系数;
对所述车辆速度数据以及车道流量数据进行规范化处理;
基于相关系数对车辆速度数据以及车道流量数据进行特征融合处理,其中所述车道流量数据为主特征。
进一步地,基于所述车道流量数据以及历史车道流量数据进行融合从而获取各路段历史组合特征参数,包括:
对所述车道流量数据以及历史车道流量数据进行相关性分析,提取二者相关系数;
对所述车道流量数据以及历史车道流量数据进行规范化处理;
基于相关系数对车道流量数据以及历史车道流量数据进行特征融合处理,其中所述车道流量数据为主特征。
进一步地,所述第一提取单元用于提取指示车辆速度、方向以及位置的轨迹信号,所述轨迹信号通过车载GPS、或手机GPS、或北斗系统、或第三方公司获得。
进一步地,所述第二提取单元用于通过电警或卡口的视频摄像头获得车道流量数据。
进一步地,根据各路段最终的组合特征参数的数据特性对各路段进行聚类处理从而获得路况分区方案,包括:利用各路段最终的组合特征参数对每一条路段生成一个反应路段特征的特征数组,再基于各特征数组之间的数据特性获取路口分区方案;
其中,利用各路段最终的组合特征参数对每一条路段生成一个反应路段特征的特征数组,包括:
将该特征数组设置为包含与路网内路段数量相等的数值;
第一个数字为当前路段L1的组合特征值,基于数组排序特征对与当前路段连通的一级相邻路段L1r进行排序,其中r为一级相邻路段数量,然后按顺序依次将对应的组合特征值加入数组,其中所述数组排序特征为数组中已排序的路段的组合特征参数的方差值;
获取特征数组第二位组合特征值对应路段L2,在除当前路段L1以及一级相邻路段L1r以外的其他路段对应的组合特征数据中获取与路段L2连通的二级相邻路段L2s,其中s为二级相邻路段数量,并基于数组排序特征对二级相邻路段L2s进行排序,然后按顺序依次将对应的组合特征值加入数组,其中所述数组排序特征为数组中已排序的路段的组合特征参数的方差值;
获取特征数组第三位组合特征值对应路段L3,在除当前路段L1、L2、L1r以及L2s以外的其他路段对应的组合特征数据中获取与路段L3连通的三级相邻路段L3t,其中t为三级相邻路段数量,并基于数组排序特征对三级相邻路段L3t进行排序,然后按顺序依次将对应的组合特征值加入数组,其中所述数组排序特征为数组中已排序的路段的组合特征参数的方差值;
反复执行上述步骤,直至所有路段的组合特征值均被填入特征数组,则针对当前路段的特征数组构建完成;
针对所有路段执行上述步骤,从而获取所有路段对应的特征数组。
较现有技术相比,本发明具有以下优点:
本发明从多角度采集交通流的影响数据,基于多源数据对交通路况进行分区,再基于分区结果进行行驶时间估计,考虑各分区路径行驶时间的耦合关系,特别适用于行车高峰时期的行驶时间判断。
基于上述理由本发明可在智能交通等领域广泛推广。
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做以简单地介绍,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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于交通流分级的行车时间估计系统架构图。
图2为本发明云服务器功能模块图。
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方案,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,所描述的实施例仅仅是本发明一部分的实施例,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前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明提供了一种基于交通流分级的行车时间估计系统,包括:交通流数据硬件感知层以及云服务层。其中,交通流数据感知层的主要功能在于进行基础数据收集,云服务层的主要功能在于实现路况分区、分区评级以及行驶时间估计。
交通流数据硬件感知层包括终端节点和数据收集传输模块,其中,终端节点包括布置行驶车辆上的第一数据提取单元、布置在道路固定设施上的第二数据提取单元以及与外部网络连接的第三数据提取单元。
其中,第一数据提取单元用于提取行驶数据,行驶数据是最常规的车辆数据(通常是GPS轨迹),指示车辆的位置,并优选地指示速度和方向。行驶数据提供有关车辆移动和位置的实时信息。
使用时,多个车辆被不同地装备以传输关于它们的位置,并且通常是关于速度和方向的数据。可替选地,可以基于重复的位置轨迹在服务器中计算速度和方向。在一个示例中,一些车辆可以传输GPS轨迹。一些或全部车辆可以通过无线电信道将数据传输到无线接收器天线,例如,蜂窝塔。蜂窝塔天线耦合到蜂窝载波网络以接收数据。在一个示例中,可以使用SMS消息。蜂窝网络实际上将原始数据实时地传输到由车队运营商、汽车制造商或其他实体提供的后端服务器。在一些情况下,可以使用一些本地通信(WiFi、DSRC/LTE-V或将来的5G)临时存储,然后再经由回程光纤或蜂窝网络将数据转发到后端。利用车队服务器可以过滤和处理数据,然后基于至少一些原始数据,在通信网络上传输选择的数据,通信网络可以是互联网、WLAN、微波等。
第二数据提取单元为固定位置的数据源,例如,相机/雷达供应商/服务提供商,这些数据源也可以用于收集原始数据。例如,相机/雷达图像数据可以被处理并通过网络提供。
作为移动数据源的第一数据提取单元与作为固定位置数据源的第二数据提取单元配合,作为数据收集服务器的实时数据提供者。对于给定的交叉路口,数据收集传输模块过滤并映射输入的移动和固定位置源的采集数据到所选择的路口,并对数据进行进一步处理。
第三数据提取单元通过互联网或者其他连接方式获取交通流历史数据,同时获取与第三数据提取单元获取数据想对应的历史影响数据。
数据收集传输模块将采集的数据信息通过信息传输模块发送至云服务层。
云服务层包括部署在云端的云数据库及云服务器,其中云数据库用于对车辆在行驶过程中产生的数据进行保存,云服务器用于对数据进行分析计算;其中,所述车辆在行驶过程中产生的数据包括当前环境信息、车辆行驶信息、道路分类信息以及管理设施信息。而服务器利用大数据分析提供合理的交通流分区建议,并根据分区结果进行子区间分级,在根据分级结果对车辆经过各区间路段的时间进行处理,得到车辆通过各个路段所用时间的估计值,最后结合第三方服务提供的行驶路径得到行车时间的最终估计结果。
进一步作为本发明优选的实施方式,云服务器包括路况分区系统,其使用聚类划分方法对获取到的移动源数据、固定源数据、历史行驶数据以及环境影响数据进行融合计算,得到交通流数据的组合特征参数,基于各路段的组合特征参数对交通网络各路段进行聚类计算,基于各路段的相似度数据进行交通流分区方案求取。
首先,第一数据获取单元通过车载GPS、或手机GPS、或北斗系统、或第三方公司获得行车速度特征参数数据,同时第二数据提取单元通过电警或卡口的视频摄像头获得车道流量特征参数数据,对上述数据进行相关性分析,根据以下公式计算相关系数:
其中,ρ表示行车速度和车道流量的皮尔森相关系数,V和Q分别表示所有路段的行车速度和车道流量,cov(V,Q)表示两者的协方差,σV和σQ分别表示V和Q的方差,vi表示路段i的行车速度,qi表示路段i的车道流量,和则分别表示所有路段行车速度和车道流量的平均值,n为交通路网的路段总数。
基于皮尔森相关系数,对行车速度和车道流量规范化后的数据进行线性加权数据融合处理,获得行驶组合特征参数;其中,根据实际的交通流数据采集状况分析,车道流量数据更为准确,因此主特征定为车道流量,辅特征定为行车速度;数据融合的计算公式如下
其中,i=1,2,...,n,xi表示路段i的行车速度或车道流量原始值,μ和σ分别表示这个特征参数的平均值和方差,而则表示xi进行零均值标准化后的值。
其次,通过第三数据获取单元想云服务层的云数据库中请求历史车道流量特征参数数据,参照上述方法求解车道流量特征参数数据以及历史车道流量特征参数数据的皮尔森相关系数,并基于求得的皮尔森相关系数对车道流量特征参数数据以及历史车道流量特征参数数据规范化后的数据进行线性加权数据融合处理,获得历史组合特征参数。根据交通流数据采集状况分析,历史车道流量数据能够体现车道流量数据的变化规律,由于历史车道流量数据必然也包含发送行车事故时,各车道行车流量情况,因此将历史车道流量数据内部,必然也存在事故发生事件对车流量数据的影响音素,所以考虑历史车道流量数据虽然不能直接给出车道流量规律以及随机事故发生情况对当前车道的影响,但是将二者作为相关性数据进行分析的一个参考,在一定程度上能够体现其对各车道流量的影响程度。因此将主特征定为车道流量,辅特征定为历史车道流量数据。这样得到的历史组合特征参数考虑到事故发生的影响,更符合实际交通流数据运行的特征。
再根据预设的权重比例将历史组合特征参数与行驶组合特征参数值进行融合处理,优选地,行驶组合特征参数值的融合比重为0.7,将历史组合特征参数的融合比重为0.3,获取最终的组合特征参数。
云服务层的云服务器在获取路网内所有路段的组合特征参数以后,分别对每一条路段生成一个特征数组,该特征数组包含与路网内路段数量相等的数值。本申请中,利用各路段最终的组合特征参数对每一条路段生成一个反应路段特征的特征数组,包括:
a.将该特征数组设置为包含与路网内路段数量相等的数值;
b.第一个数字为当前路段L1的组合特征值,基于数组排序特征对与当前路段连通的一级相邻路段L1r进行排序,其中r为一级相邻路段数量,然后按顺序依次将对应的组合特征值加入数组,其中所述数组排序特征为数组中已排序的路段的组合特征参数的方差值;
c.获取特征数组第二位组合特征值对应路段L2,在除当前路段L1以及一级相邻路段L1r以外的其他路段对应的组合特征数据中获取与路段L2连通的二级相邻路段L2s,其中s为二级相邻路段数量,并基于数组排序特征对二级相邻路段L2s进行排序,然后按顺序依次将对应的组合特征值加入数组,其中所述数组排序特征为数组中已排序的路段的组合特征参数的方差值;
d.获取特征数组第三位组合特征值对应路段L3,在除当前路段L1、L2、L1r以及L2s以外的其他路段对应的组合特征数据中获取与路段L3连通的三级相邻路段L3t,其中t为三级相邻路段数量,并基于数组排序特征对三级相邻路段L3t进行排序,然后按顺序依次将对应的组合特征值加入数组,其中所述数组排序特征为数组中已排序的路段的组合特征参数的方差值;
e.反复执行上述步骤,直至所有路段的组合特征值均被填入特征数组,则针对当前路段的特征数组构建完成;
f.针对所有路段执行上述步骤,从而获取所有路段对应的特征数组。
具体来说,以随机方式获取当前路段,特征数组中的第一个数字为当前路段的组合特征值,然后将与当前路段连通的一级相邻路段对应的组合特征值加入数组,因为一级相邻路段的数量大多多于一个,此时需要对所有一级相邻路段进行排序。本发明中对一级相邻路段进行排序的过程包括:将任意一个一级相邻路段的组合特征值放置于特征数组的第二位,并基于特征数组的前两位数值计算数组排序特征;在余下的一级相邻路段的组合特征值中再任选一个放置于特征数组的第二位,再次计算数组排序特征,以此类推,直至获取到与一级相邻路段数量相当的数组排序特征,提取对应数组排序特征数值最小的一级相邻路段的组合特征值放置于第二位。再获取余下的与该路段相邻的二级相邻路段,在二级相邻路段的组合特征值中再任选一个放置于特征数组的第三位,再次计算数组排序特征,以此类推,直至获取到与二级相邻路段数量相当的数组排序特征,提取对应数组排序特征数值最小的二级相邻路段的组合特征值放置于第三位。以此类推直至所有路段的组合特征值都放入特征数组。本发明中,数组排序特征为数组前j条路段关于组合特征参数的方差值和平均值,根据以下计算获得:
其中,cj是第j条路段的组合特征参数值。
在一种实施方式中通过上述方式获取到各路段对应的特征数组,对各路段的特征数组进行归一化处理。计算归一化后的各路段特征数组与预设的各交通流分区阈值数组的距离,优选地,该距离为欧式距离。将路段划分到与该路段特征数组距离最小的交通流分区阈值数组所对应的分区内。各交通流分区阈值数组可以根据应用场景的分区需求和分区数量设置。
在另外一种实施方式中,求取各路段对应特征数组的相似度矩阵。再对相似度矩阵进行归一化处理,限制控制子区的大小,防止出现过大或者过小的控制子区,利于交通管理。然后基于SNMF(Symmetric Non-negative Ma trix Factorization:对称非负矩阵分解)对相似度矩阵进行分解从而获取获得最终的交通控制子区划分结果。具体包括:
根据以下方式计算相似度矩阵:
其中,i,j=1,2,…,n,w(i,j)是相似度矩阵W的i行j列的元素,Sik和Sjk分别表示路段i和路段j对应的特征数组si和sj的前k条路段,intersect(Sik,Sjk)则表示Sik和Sjk在尺寸为k的情况下包含相同路段的数量,即针对数组si和sj的前k条路段,计算它们相同路段的数量。
另外,SNMF分解的目标函数为:
通过最小化以上目标函数,可以计算获得相似度矩阵的低秩近似矩阵H,其中,矩阵H每一行最大数值对应列所代表的子区,即为该行对应路段所属的交通子区。
进一步作为本发明优选的实施方式,云服务器还包括路况子区分级系统,其用于根据各路况子区中各路段的车道流量平均值对路况子区进行分级:一级子区车道流量平均值最大,二级次之,…,以此类推获得路网中所有路段的所属子区的级别。举例来说,在一个简单实施例中,路网被分为两个子区,第一子区包括的路段有L1和L2,第二个子区包括的路段有L3、L4以及L5。获取路段L1和L2的车道流量数据并求得平均值A1,获取路段L3、L4以及L5的车道流量数据并求得平均值A2,比较两个平均值大小,平均值较大的子区为一级子区,余下的一个则为二级子区。本发明中子区数量基于路网分区结果确定,并不限于本实施例中的两个。
进一步作为本发明优选的实施方式,云服务器还包括路况子区路段行驶时间评估系统,根据各路段所属区域评级估计车辆在该路段的行驶时间,所述行驶时间与惩罚系数正相关,所述惩罚系数为该路段当前车道流量与所在子区车道流量平均值的比值。具体来说,在上述实施例中,在理想状态下,车辆的行驶时间为路段长度与车辆速度的比值,但在实际行驶过程中,由于道路状况以及车道流量的影响,理想行车时间显然不能直接使用。在实践中可以得知,实际的行车时间应当与路段长度以及车道流量数据相关,路段越长、车道流量越大,行车时间越长。本发明中考虑到不同区域、不同路段之间的相互影响,以路况子区为单位,首先确定一个基准行车时间,该基准行车时间为在理想状态下车辆通过该路段的时间,即路段长度与历史平均车速的比值。此外,基准时间还应当包括子区间加成,加成系数为1~2之间,子区间对应级别越高,加成系数越大在上述实施例中,一级子区加成系数可以为1.2,二级子区加成系数可以为1.1。区间加成系数可以根据分区结果预设,也可以根据区间平均车速的反相关函数确定。然后对基准行车时间进行处理,即将基准行车时间与惩罚系数相乘得到该路段的行车估计时间,其中惩罚系数为该路段当前车道流量与所在子区车道流量平均值的比值。
进一步作为本发明优选的实施方式,云服务器还包括行车时间获取系统,获取出发地信息、目的地信息并通过接入第三方服务根据所述出发地信息和目的地信息获取行驶路径,同时提取路径经过的各路段行车估计时间,将路境内所有行车估计时间相加得到行车时间估计结果。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.一种基于交通流分级的行车时间估计系统,其特征在于,包括:
交通流数据硬件感知层,包括终端节点和数据收集传输模块,其中,终端节点包括布置行驶车辆上的第一数据提取单元、布置在道路固定设施上的第二数据提取单元以及与外部网络连接的第三数据提取单元;
云服务层,包括部署在云端的云数据库及云服务器,云数据库用于对车辆在行驶过程中产生的数据进行保存,其中云服务器包括:
路况分区系统,用于对车辆速度数据、车道流量数据以及历史车道流量数据进行分析计算从而获得路况分区方案;
路况子区分级系统,用于根据各路况子区中各路段的车道流量平均值对路况子区进行分级:一级子区车道流量平均值最大,二级次之,…,以此类推获得路网中所有路段的所属子区的级别;
路况子区路段行驶时间评估系统,根据各路段所属区域评级估计车辆在该路段的行驶时间,所述行驶时间与惩罚系数正相关,所述惩罚系数为该路段当前车道流量与所在子区车道流量平均值的比值;
行车时间获取系统,获取出发地信息、目的地信息并通过接入第三方服务根据所述出发地信息和目的地信息获取行驶路径,同时提取路径经过的各路段行车估计时间,将路径内所有行车估计时间相加得到行车时间估计结果。
2.根据权利要求1所述的基于交通流分级的行车时间估计系统,其特征在于,所述路况分区系统对车辆速度数据、车道流量数据以及历史车道流量数据进行分析计算从而获得路况分区方案,具体包括:
提取车辆速度数据、车道流量数据以及历史车道流量数据,其中所述车辆速度数据由所述第一数据提取单元提取并通过数据收集传输模块发送至云服务器,所述车道流量数据由第二数据提取单元获取并通过数据收集传输模块发送至云服务器,所述历史车道流量数据由所述第三提取单元获取并通过数据收集传输模块发送至云服务器;
基于所述车辆速度数据以及车道流量数据进行融合从而获取各路段行驶组合特征参数;
基于所述车道流量数据以及历史车道流量数据进行融合从而获取各路段历史组合特征参数;
根据预设的权重比例将历史组合特征参数与行驶组合特征参数值进行融合处理获取各路段最终的组合特征参数;
根据各路段最终的组合特征参数的数据特性对各路段进行聚类处理从而获得路况分区方案。
3.根据权利要求2所述的一种基于组合特征参数的路况分区系统,其特征在于,基于所述车辆速度数据以及车道流量数据进行融合从而获取各路段行驶组合特征参数,包括:
对所述车辆速度数据以及车道流量数据进行相关性分析,提取二者相关系数;
对所述车辆速度数据以及车道流量数据进行规范化处理;
基于相关系数对车辆速度数据以及车道流量数据进行特征融合处理,其中所述车道流量数据为主特征。
4.根据权利要求2所述的一种基于组合特征参数的路况分区系统,其特征在于,基于所述车道流量数据以及历史车道流量数据进行融合从而获取各路段历史组合特征参数,包括:
对所述车道流量数据以及历史车道流量数据进行相关性分析,提取二者相关系数;
对所述车道流量数据以及历史车道流量数据进行规范化处理;
基于相关系数对车道流量数据以及历史车道流量数据进行特征融合处理,其中所述车道流量数据为主特征。
5.根据权利要求1所述的一种基于组合特征参数的路况分区系统,其特征在于,所述第一提取单元用于提取指示车辆速度、方向以及位置的轨迹信号,所述轨迹信号通过车载GPS、或手机GPS、或北斗系统、或第三方公司获得。
6.根据权利要求1所述的一种基于组合特征参数的路况分区系统,其特征在于,所述第二提取单元用于通过电警或卡口的视频摄像头获得车道流量数据。
7.根据权利要求1所述的一种基于组合特征参数的路况分区系统,其特征在于,根据各路段最终的组合特征参数的数据特性对各路段进行聚类处理从而获得路况分区方案,包括:利用各路段最终的组合特征参数对每一条路段生成一个反应路段特征的特征数组,再基于各特征数组之间的数据特性获取路口分区方案;
其中,利用各路段最终的组合特征参数对每一条路段生成一个反应路段特征的特征数组,包括:
将该特征数组设置为包含与路网内路段数量相等的数值;
第一个数字为当前路段L1的组合特征值,基于数组排序特征对与当前路段连通的一级相邻路段L1r进行排序,其中r为一级相邻路段数量,然后按顺序依次将对应的组合特征值加入数组,其中所述数组排序特征为数组中已排序的路段的组合特征参数的方差值;
获取特征数组第二位组合特征值对应路段L2,在除当前路段L1以及一级相邻路段L1r以外的其他路段对应的组合特征数据中获取与路段L2连通的二级相邻路段L2s,其中s为二级相邻路段数量,并基于数组排序特征对二级相邻路段L2s进行排序,然后按顺序依次将对应的组合特征值加入数组,其中所述数组排序特征为数组中已排序的路段的组合特征参数的方差值;
获取特征数组第三位组合特征值对应路段L3,在除当前路段L1、L2、L1r以及L2s以外的其他路段对应的组合特征数据中获取与路段L3连通的三级相邻路段L3t,其中t为三级相邻路段数量,并基于数组排序特征对三级相邻路段L3t进行排序,然后按顺序依次将对应的组合特征值加入数组,其中所述数组排序特征为数组中已排序的路段的组合特征参数的方差值;
反复执行上述步骤,直至所有路段的组合特征值均被填入特征数组,则针对当前路段的特征数组构建完成;
针对所有路段执行上述步骤,从而获取所有路段对应的特征数组。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110777834.3A CN113538907B (zh) | 2021-07-09 | 2021-07-09 | 一种基于交通流分级的行车时间估计系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110777834.3A CN113538907B (zh) | 2021-07-09 | 2021-07-09 | 一种基于交通流分级的行车时间估计系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113538907A true CN113538907A (zh) | 2021-10-22 |
CN113538907B CN113538907B (zh) | 2022-05-03 |
Family
ID=78098206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110777834.3A Active CN113538907B (zh) | 2021-07-09 | 2021-07-09 | 一种基于交通流分级的行车时间估计系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113538907B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114613145A (zh) * | 2022-05-12 | 2022-06-10 | 中运科技股份有限公司 | 一种大数据下的客运流量感知预警系统及方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001084479A (ja) * | 1999-09-14 | 2001-03-30 | Matsushita Electric Ind Co Ltd | 交通流データ予測装置及び交通流データ予測方法 |
JP2007011596A (ja) * | 2005-06-29 | 2007-01-18 | Matsushita Electric Ind Co Ltd | 経路旅行時間推定予測装置および方法 |
US20070208492A1 (en) * | 2006-03-03 | 2007-09-06 | Inrix, Inc. | Dynamic time series prediction of future traffic conditions |
CN101373559A (zh) * | 2007-08-24 | 2009-02-25 | 同济大学 | 基于浮动车数据评估城市路网交通状态的方法 |
KR20090124197A (ko) * | 2008-05-29 | 2009-12-03 | 주식회사 세인시스템 | 복합검지체계를 가진 교통정보 예측 복합 검지기 및교통정보 예측 방법 |
CN101894461A (zh) * | 2009-05-22 | 2010-11-24 | 上海宝康电子控制工程有限公司 | 城市地面道路行程时间预测方法 |
CN103730005A (zh) * | 2014-01-22 | 2014-04-16 | 广东欧珀移动通信有限公司 | 一种路程行驶时间的预测方法和系统 |
CN104823021A (zh) * | 2012-10-11 | 2015-08-05 | 沃尔沃技术公司 | 用于估计车辆的行进时间的方法和计算机程序产品 |
CN107886718A (zh) * | 2017-11-01 | 2018-04-06 | 沈阳世纪高通科技有限公司 | 一种路况分析方法、装置及网络系统 |
CN109166317A (zh) * | 2018-10-29 | 2019-01-08 | 东北林业大学 | 基于状态特征的城市交通路径通过时间确定方法 |
CN111710160A (zh) * | 2020-06-01 | 2020-09-25 | 北方工业大学 | 一种基于浮动车数据的行程时间预测方法 |
CN111915887A (zh) * | 2020-07-10 | 2020-11-10 | 广州运星科技有限公司 | 一种基于多源异构交通数据的集成与处理系统及其方法 |
CN112512020A (zh) * | 2020-11-20 | 2021-03-16 | 北京中交国通智能交通系统技术有限公司 | 一种基于多源数据融合的交通状态弱信号感知研判方法 |
-
2021
- 2021-07-09 CN CN202110777834.3A patent/CN113538907B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001084479A (ja) * | 1999-09-14 | 2001-03-30 | Matsushita Electric Ind Co Ltd | 交通流データ予測装置及び交通流データ予測方法 |
JP2007011596A (ja) * | 2005-06-29 | 2007-01-18 | Matsushita Electric Ind Co Ltd | 経路旅行時間推定予測装置および方法 |
US20070208492A1 (en) * | 2006-03-03 | 2007-09-06 | Inrix, Inc. | Dynamic time series prediction of future traffic conditions |
CN101373559A (zh) * | 2007-08-24 | 2009-02-25 | 同济大学 | 基于浮动车数据评估城市路网交通状态的方法 |
KR20090124197A (ko) * | 2008-05-29 | 2009-12-03 | 주식회사 세인시스템 | 복합검지체계를 가진 교통정보 예측 복합 검지기 및교통정보 예측 방법 |
CN101894461A (zh) * | 2009-05-22 | 2010-11-24 | 上海宝康电子控制工程有限公司 | 城市地面道路行程时间预测方法 |
CN104823021A (zh) * | 2012-10-11 | 2015-08-05 | 沃尔沃技术公司 | 用于估计车辆的行进时间的方法和计算机程序产品 |
CN103730005A (zh) * | 2014-01-22 | 2014-04-16 | 广东欧珀移动通信有限公司 | 一种路程行驶时间的预测方法和系统 |
CN107886718A (zh) * | 2017-11-01 | 2018-04-06 | 沈阳世纪高通科技有限公司 | 一种路况分析方法、装置及网络系统 |
CN109166317A (zh) * | 2018-10-29 | 2019-01-08 | 东北林业大学 | 基于状态特征的城市交通路径通过时间确定方法 |
CN111710160A (zh) * | 2020-06-01 | 2020-09-25 | 北方工业大学 | 一种基于浮动车数据的行程时间预测方法 |
CN111915887A (zh) * | 2020-07-10 | 2020-11-10 | 广州运星科技有限公司 | 一种基于多源异构交通数据的集成与处理系统及其方法 |
CN112512020A (zh) * | 2020-11-20 | 2021-03-16 | 北京中交国通智能交通系统技术有限公司 | 一种基于多源数据融合的交通状态弱信号感知研判方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114613145A (zh) * | 2022-05-12 | 2022-06-10 | 中运科技股份有限公司 | 一种大数据下的客运流量感知预警系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113538907B (zh) | 2022-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11836802B2 (en) | Vehicle operation analytics, feedback, and enhancement | |
CN109952592B (zh) | 自动位置相关测量和预测汽车风险的绝对和相对风险系统和方法 | |
CN110807930B (zh) | 危险车辆预警方法及装置 | |
CA2390352C (en) | Apparatus and methods for providing route guidance for vehicles | |
CN102394008B (zh) | 使用来自移动数据源的数据估算道路交通状况 | |
US6490519B1 (en) | Traffic monitoring system and methods for traffic monitoring and route guidance useful therewith | |
CN109145954A (zh) | 一种基于多源时空数据的网约车出行安全评价方法及系统 | |
US8886447B2 (en) | Fuel efficiency ranking method for vehicle driver and system therefor | |
CN108256714A (zh) | 一种基于车联网大数据的行车轨迹实时风险评估模型 | |
CN108074396A (zh) | 安全行驶评价方法及系统 | |
CN112200351A (zh) | 一种基于手机信令数据的城市区域客流量预测方法 | |
DE102008047446A1 (de) | Streckenlängenberechnungsvorrichtung, Streckenlängenberechnungsverfahren, Streckenlängenberechnungsprogramm, Fahrzeugklimaanlage und Steuerung für in mobilem Objekt montierte Vorrichtung | |
CN114435138B (zh) | 一种车辆能耗预测方法、装置、车辆及存储介质 | |
WO2021082464A1 (zh) | 预测车辆的目的地的方法和装置 | |
CN111144446B (zh) | 一种基于时空网格的司机身份识别方法和系统 | |
CN114463972A (zh) | 一种基于etc门架通信数据的路段区间交通分析预测方法 | |
Reddy et al. | Bus travel time prediction under high variability conditions | |
CN104599002A (zh) | 预测订单价值的方法及设备 | |
CN105046996A (zh) | 用于预测的驾驶需求建模的方法和设备 | |
CN110021161B (zh) | 一种交通流向的预测方法及系统 | |
CN113538907B (zh) | 一种基于交通流分级的行车时间估计系统 | |
CN110889444B (zh) | 一种基于卷积神经网络的驾驶轨迹特征分类方法 | |
DE102019114595B4 (de) | Verfahren zum Steuern des Betriebs eines Kraftfahrzeugs und zum Ableiten von Straßenabschnittsgeschwindigkeitsgrenzwerten | |
CN109658693B (zh) | 一种路况信息获取和处理的方法及装置 | |
CN112435485B (zh) | 一种用于车路信息协同的系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |