CN113554422B - 一种基于etc收费数据的车辆驶入服务区判别方法及装置 - Google Patents

一种基于etc收费数据的车辆驶入服务区判别方法及装置 Download PDF

Info

Publication number
CN113554422B
CN113554422B CN202110638951.1A CN202110638951A CN113554422B CN 113554422 B CN113554422 B CN 113554422B CN 202110638951 A CN202110638951 A CN 202110638951A CN 113554422 B CN113554422 B CN 113554422B
Authority
CN
China
Prior art keywords
service area
parameter
function
probability distribution
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.)
Active
Application number
CN202110638951.1A
Other languages
English (en)
Other versions
CN113554422A (zh
Inventor
孙棣华
赵敏
魏铨
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.)
Chongqing University
Original Assignee
Chongqing University
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 Chongqing University filed Critical Chongqing University
Priority to CN202110638951.1A priority Critical patent/CN113554422B/zh
Publication of CN113554422A publication Critical patent/CN113554422A/zh
Application granted granted Critical
Publication of CN113554422B publication Critical patent/CN113554422B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/04—Payment circuits
    • G06Q20/06—Private payment circuits, e.g. involving electronic currency used among participants of a common payment scheme
    • G06Q20/065—Private payment circuits, e.g. involving electronic currency used among participants of a common payment scheme using e-cash
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/08—Payment architectures
    • G06Q20/14—Payment architectures specially adapted for billing systems
    • 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
    • G08G1/015—Detecting movement of traffic to be counted or controlled with provision for distinguishing between two or more types of vehicles, e.g. between motor-cars and cycles
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于ETC收费数据的车辆驶入服务区判别方法，包括：对高速公路ETC数据进行时空匹配，得到时空匹配数据；根据ETC数据的时空匹配数据，计算每辆车在服务区路段的平均行驶速度；根据车辆的平均行驶速度构建混合高斯模型，并得到对数似然函数；根据对数似然函数以及EM算法得到混合高斯模型的参数迭代式子；根据参数迭代式子分别求客车和货车平均速度的概率分布参数；根据客车和货车平均速度的概率分布参数，求解速度阈值目标函数，包括：客车速度阈值目标函数和货车速度阈值目标函数；利用模拟退火算法求解所述速度阈值目标函数，得到划分客车与货车驶入服务区的判别标准。本发明可适用于车辆驶入高速公路服务区判别。

Description

一种基于ETC收费数据的车辆驶入服务区判别方法及装置
技术领域
本发明属于智能交通领域，具体涉及一种基于ETC收费数据的车辆驶入服务区判别方法及装置。
背景技术
随着国家日益蓬勃地发展，人们出行需求越来越频繁，高速公路车流量逐年增长，高速公路在人们出行中占据着不可或缺的地位。高速公路服务区作为高速公路重要的组成部分，其价值日益凸显，准确地判别车辆是否驶入服务区，可以为探究历史驶入服务区车辆情况进行数据挖掘创造条件，这样不仅可以为高速公路服务区管理人员提供有效的决策依据，一方面也可以有利于提升服务区服务能力和出行者满意度。
目前并没有针对服务区车辆判别方面的专利。但现在大多服务区入口并没有安装检测车流量的设备，无法直接采集进入高速公路服务区的车辆信息，也就不能对驶入服务区车辆进行相应的规律分析。而ETC数据具有分布广、质量好、稳定性好等优点，通过ETC门架数据建立模型对车辆驶入服务区进行判别，一方面可以做到对基本上所有服务区适用，另外一方面从ETC数据中可以得到车辆具体的信息，可以对高速公路服务区驶入车辆进行全面的数据挖掘工作。因此利用ETC数据去判别车辆驶入高速公路服务区具有十分重要的经济价值与理论意义。
发明内容
有鉴于此，本发明提出一种基于ETC数据的驶入服务区车流量预测方法及装置，用于解决现有技术中的至少一个缺陷。
本发明的目的是通过以下技术方案来实现的：一种基于高速公路ETC收费数据的车辆驶入服务区判别方法，该方法包括：
对高速公路ETC数据进行时空匹配，得到时空匹配数据；
根据ETC数据的时空匹配数据，计算每辆车在服务区路段的平均行驶速度；
根据车辆的平均行驶速度构建混合高斯模型，并得到对数似然函数；
根据所述对数似然函数以及EM算法得到混合高斯模型的参数迭代式子；
根据所述参数迭代式子分别求客车和货车平均速度的概率分布参数；
根据所述客车和货车平均速度的概率分布参数，求解速度阈值目标函数，包括：客车速度阈值目标函数和货车速度阈值目标函数；
利用模拟退火算法求解所述速度阈值目标函数，得到划分客车与货车驶入服务区的判别标准。
可选地，所述根据ETC数据的时空匹配数据，计算每辆车在服务区路段的平均行驶速度，包括：
根据所述时空匹配数据得到车辆n驶入服务区路段的时间ta(n)和驶离服务区路段的时间tb(n)；
计算车辆n在服务区路段的平均行驶速度vf(n)：
Figure GDA0003264897800000021
其中：dab为服务区路段的长度。
可选地，所述根据车辆的平均行驶速度构建混合高斯模型，并得到对数似然函数，包括：
设定混合高斯模型由一个正态分布和截断正态分布组成，其概率函数为：
Figure GDA0003264897800000022
其中：αk为第k个分布类别的概率，
Figure GDA0003264897800000023
f(x；θk)为第k个概率密度函数；θk表示(μk,σk)；为第k个概率密度函数的均值；为第k个概率密度函数的标准差；m为类别数；
根据概率分布函数得到似然函数，似然函数f(x,z；θ)为：
Figure GDA0003264897800000024
其中：
Figure GDA0003264897800000025
xi为第i个独立分布的观察数据；zi1为隐变量，取值为0或1；zi2为隐变量，取值为0或1；
nk表示n个观测数据中由第k个高斯分布模型生成的数据个数，且满足
Figure GDA0003264897800000031
Figure GDA0003264897800000032
μ1为未驶入服务区概率分布函数的均值参数；
μ2为驶入服务区概率分布函数的均值参数；
Figure GDA0003264897800000033
为未驶入服务区概率分布函数的方差参数；
Figure GDA0003264897800000034
为驶入服务区概率分布函数的方差参数；
xl为截断正态分布的左边界取值；
xr为截断正态分布的右边界取值；
根据似然函数得到对数似然函数，其中对数似然函数logf(x,z；θ)为：
Figure GDA0003264897800000035
其中：nk表示n个观测数据中由第k个高斯分布模型生成的数据个数，且满足
Figure GDA0003264897800000036
Figure GDA0003264897800000037
m为所求分布概率曲线的个数；
xi为第i个独立分布的观察数据；
μ1为未驶入服务区概率分布函数的均值参数；
μ2为驶入服务区概率分布函数的均值参数；
Figure GDA0003264897800000038
为未驶入服务区概率分布函数的方差参数；
Figure GDA0003264897800000039
为驶入服务区概率分布函数的方差参数；
Φ(ur)为标准正态分布概率的分布函数小于xr的值；
Φ(ul)为标准正态分布概率的分布函数小于xl的值。
可选地，所述根据所述对数似然函数以及EM算法得到混合高斯模型的参数迭代式子，包括：
获取对数似然函数的期望Q(θ|x,θi)，Q(θ|x,θi)为：
Figure GDA0003264897800000041
其中：
Figure GDA0003264897800000042
对所述对数似然函数的期望进行整理，得到：
Figure GDA0003264897800000043
其中：
Figure GDA0003264897800000044
当k＝1时，为
Figure GDA0003264897800000045
当k＝2，为
Figure GDA0003264897800000046
Figure GDA0003264897800000047
Figure GDA0003264897800000048
根据EM算法，使Q(θ|x,θi)达到极大值，即：
Figure GDA0003264897800000049
根据式子Q(θ|x,θi)对参数
Figure GDA00032648978000000410
分别求偏导使得Q达到极大，得到参数迭代式子，所述参数迭代式子中各个参数的估计值为：
Figure GDA0003264897800000051
Figure GDA0003264897800000052
Figure GDA0003264897800000053
其中：
Figure GDA0003264897800000054
Figure GDA0003264897800000055
Figure GDA0003264897800000056
mi＝hi+ti。
可选地，所述根据所述参数迭代式子分别求客车和货车平均速度的概率分布参数，包括：
利用Kmeans算法对客车参数
Figure GDA0003264897800000057
进行初始化；
根据所述参数迭代式子，求解客车的概率分布参数
Figure GDA0003264897800000058
k＝0为不驶入服务区的概率分布参数，k＝1为驶入服务区的概率分布参数；
利用Kmeans算法对货车参数
Figure GDA0003264897800000059
进行初始化；
根据所述参数迭代式子，求解客车的概率分布参数
Figure GDA00032648978000000510
k＝0为不驶入服务区的概率分布参数，k＝1为驶入服务区的概率分布参数。
可选地，所述根据所述客车和货车平均速度的概率分布参数，求解速度阈值目标函数，包括：
建立客车速度阈值目标函数为：
Figure GDA0003264897800000061
其中：α和β为权系数；
Figure GDA0003264897800000062
f1 ke(x)是以
Figure GDA0003264897800000063
为参数的截断正态概率分布函数
Figure GDA0003264897800000064
为以
Figure GDA0003264897800000065
为参数的正态概率分布函数
建立货车速度阈值目标函数为：
Figure GDA0003264897800000066
Figure GDA0003264897800000067
f1 huo(x)是以
Figure GDA0003264897800000068
为参数的截断正态概率分布函数；
Figure GDA0003264897800000069
为以
Figure GDA00032648978000000610
为参数的正态概率分布函数。
可选地，所述模拟退火算法求解所述速度阈值目标函数，得到划分客车与货车驶入服务区的判别标准，包括：
设定模拟退火算法的参数；
使用模拟退火算法对客车速度阈值目标函数进行求解，得到最优的客车速度阈值ake，即客车驶入服务区的判定标准为客车平均行驶速度是否小于ake；
使用模拟退火算法对货车速度阈值目标函数进行求解，得到最优的货车速度阈值ahuo，即货车驶入服务区的判定标准为货车平均行驶速度是否小于ahuo。
本发明的目的是通过以下技术方案来实现的：一种基于ETC收费数据的车辆驶入服务区判别装置，该装置包括：
数据匹配模块，用于对高速公路ETC数据进行时空匹配，得到时空匹配数据；
速度计算模块，用于根据ETC数据的时空匹配数据，计算每辆车在服务区路段的平均行驶速度；
模型构建模块，用于根据车辆的平均行驶速度构建混合高斯模型，并得到对数似然函数；
迭代式子计算模块，用于根据所述对数似然函数以及EM算法得到混合高斯模型的参数迭代式子；
概率分布参数计算模块，用于根据所述参数迭代式子分别求客车和货车平均速度的概率分布参数；
函数建立模块，用于根据所述客车和货车平均速度的概率分布参数，求解速度阈值目标函数，包括：客车速度阈值目标函数和货车速度阈值目标函数；
目标函数求解模块，用于利用模拟退火算法求解所述速度阈值目标函数，得到客车与货车驶入服务区的判别标准。
由于采用了上述技术方案，本发明具有如下的优点：
本发明在高速公路服务区出入口无交通检测设备的情况下，利用历史收费数据和ETC门架信息，根据车辆通行信息对车辆是否驶入服务区进行判别，可适用于车辆驶入高速公路服务区判别。本发明可以对不同历史时间窗口的服务区驶入车流量进行估计，可以为交通管控提供参考。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
本发明的附图说明如下。
图1为本发明一实施例的高速公路路段示意图；
图2为本发明一实施例的高速公路ETC数据匹配后示意图；
图3为本发明一实施例的高速公路车辆在服务区路段平均行驶速度的频数分布图；
图4为本发明一实施例一种基于ETC收费数据的车辆驶入服务区判别方法的流程图；
图5为本发明一实施例一种基于ETC收费数据的车辆驶入服务区判别装置的示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能理解为对本申请的限制。相反，本申请的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
参见图4，本发明的一种基于ETC收费数据的车辆驶入服务区判别方法，包括如下步骤：
S1对高速公路ETC数据进行时空匹配，得到时空匹配数据；
S2根据ETC数据的时空匹配数据，计算每辆车在服务区路段的平均行驶速度；
S3根据车辆的平均行驶速度构建混合高斯模型，并得到对数似然函数；
S4根据所述对数似然函数以及EM算法得到混合高斯模型的参数迭代式子；
S5根据所述参数迭代式子分别求客车和货车平均速度的概率分布参数；
S6根据所述客车和货车平均速度的概率分布参数，求解速度阈值目标函数，包括：客车速度阈值目标函数和货车速度阈值目标函数；
S7利用模拟退火算法求解所述速度阈值目标函数，得到划分客车与货车驶入服务区的判别标准。
本发明在高速公路服务区出入口无交通检测设备的情况下，利用历史收费数据和ETC门架信息，根据车辆通行信息对车辆是否驶入服务区进行判别，可适用于车辆驶入高速公路服务区判别。
在一实施例中，对高速公路ETC数据进行时空匹配，得到时空匹配数据，包括：
S11原始ETC数据预处理，为了降低匹配的时间复杂度，对原始ETC数据表根据ETC门架进行分表。
S12根据门架a与门架b的距离d和门架之间是否有服务区，设定匹配时间阈值t：如果门架之间有服务区，时间阈值设置为24h；如果门架之间没有服务区，时间阈值设置为3*d/50。
S13将门架a与门架b的数据按照条件进行匹配：(1)车牌相等；(2)门架b记录车辆通过的时间-门架a记录车辆通过的时间<时间阈值t。对门架a和门架b的数据进行全匹配，得到原始匹配数据。
S14由于匹配是用的全匹配，可能会造成：(1)同一条门架a的数据与几条不同门架b的数据都进行了匹配；(2)几条不同门架a的数据与同一条门架b的数据都进行了匹配，如图2所示。因此需要对原始匹配数据进行预处理，删除掉匹配无效的数据。剔除条件是：在重复匹配数据中，保留门架a与门架b时间差最小的匹配数据。假设门架a中车牌：X001，时间：ta的数据与门架b中(1)车牌：X001，时间：tb1、(2)车牌：X001，时间：tb2、(3)车牌：X001，时间：tb3的数据都进行了匹配，则只保留tb1-ta、tb2-ta、tb3-ta中最小的数据。
遍历原始匹配数据，按步骤S14的剔除条件对原始匹配数据进行处理，得到最终的时空匹配数据，其匹配结果如图2所示。
在一实施例中，所述根据ETC数据的时空匹配数据，计算每辆车在服务区路段的平均行驶速度，包括：
S21根据所述时空匹配数据得到车辆n驶入服务区路段的时间ta(n)和驶离服务区路段的时间tb(n)；
S22计算车辆n在服务区路段的平均行驶速度vf(n)：
Figure GDA0003264897800000091
其中：dab为服务区路段的长度。
在一实施例中，如图3所示，服务区路段中车辆驶入服务区的平均速度大致为截断正态分布、车辆不驶入服务区的速度大致为正态分布。
因此，所述根据车辆的平均行驶速度构建混合高斯模型，并得到对数似然函数，包括：
S31设定混合高斯模型由一个正态分布和截断正态分布组成，其概率函数为：
Figure GDA0003264897800000092
其中：αk称为第k个分布类别的概率，同时也叫做各个高斯概率分布的权重系数，即混合系数，其需要满足两个条件：
Figure GDA0003264897800000093
f(x；θk)是第k个概率密度函数；θk表示(μk,σk)；m为类别数，在本实施例中m定为2，因为车辆分为驶入服务区和未驶入服务区两种情况。
S32根据概率分布函数得到似然函数，似然函数f(x,z；θ)为：
Figure GDA0003264897800000094
其中：
Figure GDA0003264897800000095
S33根据似然函数得到对数似然函数，其中对数似然函数logf(x,z；θ)为：
Figure GDA0003264897800000096
在一实施例中，所述根据所述对数似然函数以及EM算法得到混合高斯模型的参数迭代式子，包括：
S41获取对数似然函数的期望Q(θ|x,θi)，Q(θ|x,θi)为：
Figure GDA0003264897800000101
其中：
Figure GDA0003264897800000102
其中，对数似然函数的期望是在在给定观测数据x和第i轮迭代的参数θ(i)时求得的；
S42对所述对数似然函数的期望进行整理，得到：
Figure GDA0003264897800000103
S43根据EM算法，为了求取下一轮迭代的参数θi+1，使Q(θ|x,θi)达到极大值，即：
Figure GDA0003264897800000104
S44根据式子Q(θ|x,θi)对参数
Figure GDA0003264897800000105
分别求偏导使得Q达到极大，得到参数迭代式子，所述参数迭代式子中各个参数的估计值为：
Figure GDA0003264897800000106
Figure GDA0003264897800000111
Figure GDA0003264897800000112
其中：
Figure GDA0003264897800000113
Figure GDA0003264897800000114
Figure GDA0003264897800000115
mi＝hi+ti。
在一实施例中，所述根据所述参数迭代式子分别求客车和货车平均速度的概率分布参数，包括：
S51利用Kmeans算法对客车参数
Figure GDA0003264897800000116
进行初始化；
S52根据所述参数迭代式子，求解客车的概率分布参数
Figure GDA0003264897800000117
k＝0为不驶入服务区的概率分布参数，k＝1为驶入服务区的概率分布参数；
S53利用Kmeans算法对货车参数
Figure GDA0003264897800000118
进行初始化；
S54根据所述参数迭代式子，求解客车的概率分布参数
Figure GDA0003264897800000119
k＝0为不驶入服务区的概率分布参数，k＝1为驶入服务区的概率分布参数。
在一实施例中，所述根据所述客车和货车平均速度的概率分布参数，求解速度阈值目标函数，包括：
建立客车速度阈值目标函数为：
Figure GDA00032648978000001110
其中：α和β为权系数，因为车辆驶入服务区与不驶入服务区的比列不一样，所以需要进行加权，并且α+β＝1，本实施例中
Figure GDA0003264897800000121
Figure GDA0003264897800000122
f1 ke(x)是以
Figure GDA0003264897800000123
为参数的截断正态概率分布函数
Figure GDA0003264897800000124
为以
Figure GDA0003264897800000125
为参数的正态概率分布函数
建立货车速度阈值目标函数为：
Figure GDA0003264897800000126
其中：α和β为权系数，因为车辆驶入服务区与不驶入服务区的比列不一样，所以需要进行加权，并且α+β＝1，本实施例中
Figure GDA0003264897800000127
Figure GDA0003264897800000128
f1 huo(x)是以
Figure GDA0003264897800000129
为参数的截断正态概率分布函数；
Figure GDA00032648978000001210
为以
Figure GDA00032648978000001211
为参数的正态概率分布函数。
在一实施例中，所述模拟退火算法求解所述速度阈值目标函数，得到划分客车与货车驶入服务区的判别标准，包括：
S61设定模拟退火算法的参数：T_min为10-9，T_max为1，L为300，迭代次数为150；
S62使用模拟退火算法对客车速度阈值目标函数进行求解，得到最优的客车速度阈值ake，即客车驶入服务区的判定标准为客车平均行驶速度是否小于ake；
S63使用模拟退火算法对货车速度阈值目标函数进行求解，得到最优的货车速度阈值ahuo，即货车驶入服务区的判定标准为货车平均行驶速度是否小于ahuo。
如图5所示，本申请实施例一种基于ETC收费数据的车辆驶入服务区判别装置，该装置包括：
数据匹配模块，用于对高速公路ETC数据进行时空匹配，得到时空匹配数据；
速度计算模块，用于根据ETC数据的时空匹配数据，计算每辆车在服务区路段的平均行驶速度；
模型构建模块，用于根据车辆的平均行驶速度构建混合高斯模型，并得到对数似然函数；
迭代式子计算模块，用于根据所述对数似然函数以及EM算法得到混合高斯模型的参数迭代式子；
概率分布参数计算模块，用于根据所述参数迭代式子分别求客车和货车平均速度的概率分布参数；
函数建立模块，用于根据所述客车和货车平均速度的概率分布参数，求解速度阈值目标函数，包括：客车速度阈值目标函数和货车速度阈值目标函数；
目标函数求解模块，用于利用模拟退火算法求解所述速度阈值目标函数，得到客车与货车驶入服务区的判别标准。
需要说明的是，前述图1-图4实施例中对车辆检测方法的实施例的解释说明也适用于该实施例提出的基于ETC收费数据的车辆驶入服务区判别装置，其实现原理类似，此处不再赘述。
需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (8)

1.一种基于ETC收费数据的车辆驶入服务区判别方法，其特征在于，该方法包括：
对高速公路ETC数据进行时空匹配，得到时空匹配数据；
根据ETC数据的时空匹配数据，计算每辆车在服务区路段的平均行驶速度；
根据车辆的平均行驶速度构建混合高斯模型，并得到对数似然函数；
根据所述对数似然函数以及EM算法得到混合高斯模型的参数迭代式子；
根据所述参数迭代式子分别求客车和货车平均速度的概率分布参数；
根据所述客车和货车平均速度的概率分布参数，求解速度阈值目标函数，包括：客车速度阈值目标函数和货车速度阈值目标函数；
利用模拟退火算法求解所述速度阈值目标函数，得到划分客车与货车驶入服务区的判别标准。
2.根据权利要求1所述的基于ETC收费数据的车辆驶入服务区判别方法，其特征在于，所述根据ETC数据的时空匹配数据，计算每辆车在服务区路段的平均行驶速度，包括：
根据所述时空匹配数据得到车辆n驶入服务区路段的时间ta(n)和驶离服务区路段的时间tb(n)；
计算车辆n在服务区路段的平均行驶速度vf(n)：
Figure FDA0003106925030000011
其中：dab为服务区路段的长度。
3.根据权利要求2所述的基于ETC收费数据的车辆驶入服务区判别方法，其特征在于，所述根据车辆的平均行驶速度构建混合高斯模型，并得到对数似然函数，包括：
设定混合高斯模型由一个正态分布和截断正态分布组成，其概率函数为：
Figure FDA0003106925030000012
其中：αk为第k个分布类别的概率，
Figure FDA0003106925030000013
f(x；θk)为第k个概率密度函数；θk表示(μk,σk)；μk为第k个概率密度函数的均值；σk为第k个概率密度函数的标准差；m为类别数；
根据概率分布函数得到似然函数，似然函数f(x,z；θ)为：
Figure FDA0003106925030000021
其中：
Figure FDA0003106925030000022
xi为第i个独立分布的观察数据；
zi1为隐变量，取值为0或1；
zi2为隐变量，取值为0或1；
nk表示n个观测数据中由第k个高斯分布模型生成的数据个数，且满足
Figure FDA0003106925030000023
Figure FDA0003106925030000024
Figure FDA0003106925030000025
μ1为未驶入服务区概率分布函数的均值参数；
μ2为驶入服务区概率分布函数的均值参数；
Figure FDA0003106925030000026
为未驶入服务区概率分布函数的方差参数；
Figure FDA0003106925030000027
为驶入服务区概率分布函数的方差参数；
xl为截断正态分布的左边界取值，本文取0；
xr为截断正态分布的右边界取值，本文取140；
根据似然函数得到对数似然函数，其中对数似然函数log f(x,z；θ)为：
Figure FDA0003106925030000028
其中：
nk表示n个观测数据中由第k个高斯分布模型生成的数据个数，且满足
Figure FDA0003106925030000031
Figure FDA0003106925030000032
m为所求分布概率曲线的个数，本文取2；
xi为第i个独立分布的观察数据；
μ1为未驶入服务区概率分布函数的均值参数；
μ2为驶入服务区概率分布函数的均值参数；
Figure FDA0003106925030000033
为未驶入服务区概率分布函数的方差参数；
Figure FDA0003106925030000034
为驶入服务区概率分布函数的方差参数；
Φ(ur)为标准正态分布概率的分布函数小于xr的值；
Φ(ul)为标准正态分布概率的分布函数小于xl的值。
4.根据权利要求3所述的基于ETC收费数据的车辆驶入服务区判别方法，其特征在于，所述根据所述对数似然函数以及EM算法得到混合高斯模型的参数迭代式子，包括：
获取对数似然函数的期望Q(θ|x,θi)，Q(θ|x,θi)为：
Figure FDA0003106925030000035
其中：
Figure FDA0003106925030000036
对所述对数似然函数的期望进行整理，得到：
Figure FDA0003106925030000041
其中：
Figure FDA0003106925030000042
当k＝1时，为
Figure FDA0003106925030000043
当k＝2，为
Figure FDA0003106925030000044
Figure FDA0003106925030000045
Figure FDA0003106925030000046
根据EM算法，使Q(θ|x,θi)达到极大值，即：
Figure FDA0003106925030000047
根据式子Q(θ|x,θi)对参数
Figure FDA0003106925030000048
分别求偏导使得Q达到极大，得到参数迭代式子，所述参数迭代式子中各个参数的估计值为：
Figure FDA0003106925030000049
Figure FDA00031069250300000410
Figure FDA00031069250300000411
其中：
Figure FDA00031069250300000412
Figure FDA00031069250300000413
Figure FDA0003106925030000051
mi＝hi+ti。
5.根据权利要求4所述的基于ETC收费数据的车辆驶入服务区判别方法，其特征在于，所述根据所述参数迭代式子分别求客车和货车平均速度的概率分布参数，包括：
利用Kmeans算法对客车参数
Figure FDA0003106925030000052
进行初始化；
根据所述参数迭代式子，求解客车的概率分布参数
Figure FDA0003106925030000053
k＝0为不驶入服务区的概率分布参数，k＝1为驶入服务区的概率分布参数；
利用Kmeans算法对货车参数
Figure FDA0003106925030000054
进行初始化；
根据所述参数迭代式子，求解客车的概率分布参数
Figure FDA0003106925030000055
为不驶入服务区的概率分布参数，k＝1为驶入服务区的概率分布参数。
6.根据权利要求5所述的基于ETC收费数据的车辆驶入服务区判别方法，其特征在于，所述根据所述客车和货车平均速度的概率分布参数，求解速度阈值目标函数，包括：
建立客车速度阈值目标函数为：
min E(a)＝α×(1-F1 ke(a))+β×F2 ke(a)
其中：α和β为权系数，
Figure FDA0003106925030000056
为f1 ke(x)小于a的分布函数值；
Figure FDA0003106925030000057
为f2 ke(x)小于a的分布函数值；
f1 ke(x)是以
Figure FDA0003106925030000058
为参数的截断正态概率分布函数；
f2 ke(x)为以
Figure FDA0003106925030000059
为参数的正态概率分布函数；
α、β为权系数，因为车辆驶入服务区与不驶入服务区的比列不一样，所以需要进行加权，并且α+β＝1；本文用前文概率分布函数系数代替，α，β；
建立货车速度阈值目标函数为：
min E(a)＝α×(1-F1 huo(a))+β×F2 huo(a)
Figure FDA00031069250300000510
f1 huo(x)是以
Figure FDA0003106925030000061
为参数的截断正态概率分布函数；
f2 huo(x)为以
Figure FDA0003106925030000062
为参数的正态概率分布函数。
7.根据权利要求6所述的基于ETC收费数据的车辆驶入服务区判别方法，其特征在于，所述模拟退火算法求解所述速度阈值目标函数，得到划分客车与货车驶入服务区的判别标准，包括：
设定模拟退火算法的参数；
使用模拟退火算法对客车速度阈值目标函数进行求解，得到最优的客车速度阈值ake，即客车驶入服务区的判定标准为客车平均行驶速度是否小于ake；
使用模拟退火算法对货车速度阈值目标函数进行求解，得到最优的货车速度阈值ahuo，即货车驶入服务区的判定标准为货车平均行驶速度是否小于ahuo。
8.一种基于ETC收费数据的车辆驶入服务区判别装置，其特征在于，该装置包括：
数据匹配模块，用于对高速公路ETC数据进行时空匹配，得到时空匹配数据；
速度计算模块，用于根据ETC数据的时空匹配数据，计算每辆车在服务区路段的平均行驶速度；
模型构建模块，用于根据车辆的平均行驶速度构建混合高斯模型，并得到对数似然函数；
迭代式子计算模块，用于根据所述对数似然函数以及EM算法得到混合高斯模型的参数迭代式子；
概率分布参数计算模块，用于根据所述参数迭代式子分别求客车和货车平均速度的概率分布参数；
函数建立模块，用于根据所述客车和货车平均速度的概率分布参数，求解速度阈值目标函数，包括：客车速度阈值目标函数和货车速度阈值目标函数；
目标函数求解模块，用于利用模拟退火算法求解所述速度阈值目标函数，得到客车与货车驶入服务区的判别标准。
CN202110638951.1A 2021-06-08 2021-06-08 一种基于etc收费数据的车辆驶入服务区判别方法及装置 Active CN113554422B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110638951.1A CN113554422B (zh) 2021-06-08 2021-06-08 一种基于etc收费数据的车辆驶入服务区判别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110638951.1A CN113554422B (zh) 2021-06-08 2021-06-08 一种基于etc收费数据的车辆驶入服务区判别方法及装置

Publications (2)

Publication Number Publication Date
CN113554422A CN113554422A (zh) 2021-10-26
CN113554422B true CN113554422B (zh) 2022-04-22

Family

ID=78102061

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110638951.1A Active CN113554422B (zh) 2021-06-08 2021-06-08 一种基于etc收费数据的车辆驶入服务区判别方法及装置

Country Status (1)

Country Link
CN (1) CN113554422B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113963544B (zh) * 2021-11-05 2022-09-02 贵州省通信产业服务有限公司 一种服务区车流量预测系统
CN114187671A (zh) * 2021-11-24 2022-03-15 广州市埃特斯通讯设备有限公司 一种基于etc在高速公路上识别车辆是否进入服务区的方法及系统
CN114373309B (zh) * 2021-12-29 2023-07-14 联通智网科技股份有限公司 服务区车流量的计算方法、装置、终端设备及介质
CN114446064B (zh) * 2021-12-31 2023-04-28 北京掌行通信息技术有限公司 一种分析高速公路服务区流量的方法、装置、存储介质及终端
CN115311861B (zh) * 2022-08-10 2023-04-11 交通运输部科学研究院 高速公路疲劳驾驶判别方法、装置、电子设备及存储介质
CN115527380B (zh) * 2022-09-15 2023-07-21 交通运输部科学研究院 车辆行驶速度测算方法、装置、计算机设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104702378A (zh) * 2013-12-06 2015-06-10 华为技术有限公司 混合高斯分布的参数估计方法和装置
CN109800916A (zh) * 2019-01-23 2019-05-24 山东省交通规划设计院 一种高速公路服务区驶入车流量的建模方法
CN112581774A (zh) * 2020-12-08 2021-03-30 重庆大学 一种基于etc数据的高速公路服务区驶入车流量估计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7912628B2 (en) * 2006-03-03 2011-03-22 Inrix, Inc. Determining road traffic conditions using data from multiple data sources

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104702378A (zh) * 2013-12-06 2015-06-10 华为技术有限公司 混合高斯分布的参数估计方法和装置
CN109800916A (zh) * 2019-01-23 2019-05-24 山东省交通规划设计院 一种高速公路服务区驶入车流量的建模方法
CN112581774A (zh) * 2020-12-08 2021-03-30 重庆大学 一种基于etc数据的高速公路服务区驶入车流量估计方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
An application of Bayesian multilevel model to evaluate variations in stochastic and dynamic transition of traffic conditions;Emmanuel Kidando 等;《journal of modern transport》;20191019;第27卷(第4期);第235-249页 *
Daily ETC Traffi c Flow Time Series Prediction Based on k-NN and BP Neural Network;Yanjing Chen 等;《ICYCSEE 2016》;20161231;第135-146 *
基于车流速度的混合Gaussian分布模型;谌业文 等;《统计与决策》;20161024(第20期);第87-91页 *
基于高斯混合模型的车辆自由流速度分布;徐程;《公路交通科技》;20120831;第29卷(第8期);第132-135、158页 *

Also Published As

Publication number Publication date
CN113554422A (zh) 2021-10-26

Similar Documents

Publication Publication Date Title
CN113554422B (zh) 一种基于etc收费数据的车辆驶入服务区判别方法及装置
CN113380052B (zh) 基于etc数据的驶入服务区车流量预测方法及装置
CN111832225B (zh) 一种构建汽车行驶工况的方法
CN103985182B (zh) 一种公交客流自动计数方法及自动计数系统
CN102081846A (zh) 基于高速公路收费数据轨迹匹配的交通状态识别方法
CN112767684A (zh) 一种基于收费数据的高速公路交通拥堵检测方法
Javadi et al. Vehicle classification based on multiple fuzzy c-means clustering using dimensions and speed features
CN111882858B (zh) 一种基于多源数据的高速公路异常事件排队长度预测方法
CN108806003A (zh) 一种基于机器学习的收费公路绿通车检测方法
Biswas et al. Assessment of level-of-service on urban arterials: a case study in Kolkata metropolis
CN116168356B (zh) 一种基于计算机视觉的车辆损伤判别方法
CN114879192A (zh) 基于路侧毫米波雷达的决策树车型分类方法、电子设备
CN114155706A (zh) 一种服务区车辆判别方法、装置、电子设备和存储介质
CN111724590A (zh) 基于行程时间修正的高速公路异常事件发生时间估计方法
CN113626586A (zh) 一种磁浮列车的故障文本分析处理方法
Bitar et al. A probabilistic approach to improve the accuracy of axle-based automatic vehicle classifiers
CN116597642A (zh) 一种交通拥堵状况的预测方法及系统
CN116206451A (zh) 一种智慧交通车流数据分析方法
CN109830101A (zh) 一种基于异常微波交通数据修复的拥堵区域识别方法
Mussa et al. Probabilistic neural networks application for vehicle classification
CN111640294A (zh) 一种新建地铁线路影响下城市公交线路客流变化预测方法
CN115762140B (zh) 一种考虑变量异质性的高速公路交通事故风险预测方法
CN114201530B (zh) 一种疑似非正常营运客车提前甄别及预防式监管方法
CN115931096A (zh) 一种基于神经网络的胎压式实时车载称重方法、系统
CN112183597B (zh) 一种基于谱聚类的非均衡交通事故严重程度分析方法

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