CN113850991A - 一种收费站的交通状况识别方法、装置、存储介质及终端 - Google Patents

一种收费站的交通状况识别方法、装置、存储介质及终端 Download PDF

Info

Publication number
CN113850991A
CN113850991A CN202111014305.4A CN202111014305A CN113850991A CN 113850991 A CN113850991 A CN 113850991A CN 202111014305 A CN202111014305 A CN 202111014305A CN 113850991 A CN113850991 A CN 113850991A
Authority
CN
China
Prior art keywords
lane
queuing length
artificial
toll station
model
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
CN202111014305.4A
Other languages
English (en)
Other versions
CN113850991B (zh
Inventor
陈凌锋
林绵峰
成洪博
田泽阳
胡郑雨
夏曙东
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.)
CHINA TRANSINFO TECHNOLOGY CORP
Original Assignee
CHINA TRANSINFO TECHNOLOGY CORP
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 CHINA TRANSINFO TECHNOLOGY CORP filed Critical CHINA TRANSINFO TECHNOLOGY CORP
Priority to CN202111014305.4A priority Critical patent/CN113850991B/zh
Publication of CN113850991A publication Critical patent/CN113850991A/zh
Application granted granted Critical
Publication of CN113850991B publication Critical patent/CN113850991B/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
    • G08G1/0133—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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Devices For Checking Fares Or Tickets At Control Points (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种收费站的交通状况识别方法、装置、存储介质及终端，方法包括：获取高速路口收费站的ETC车道数据与人工车道数据；根据预构建的M/D/C模型与ETC车道数据计算ETC车道平均排队长度；根据预构建的M/G/1模型与人工车道数据计算人工车道平均排队长度；对ETC车道平均排队长度与人工车道平均排队长度加权求和生成收费站最终排队长度；基于收费站最终排队长度确定收费站的拥堵等级。由于本申请采用基于排队论构建的M/D/C模型和M/G/1模型分别计算ETC车道和人工车道的平均排队长度确定拥堵等级，从而仅需获取简单过车数据和收费站车道数据即可实时对收费站的整体交通状况进行识别，此过程简单高效，同时可为相关部门做出决策提供支持或为公众出行提供信息服务。

Description

一种收费站的交通状况识别方法、装置、存储介质及终端
技术领域
本发明涉及智慧交通技术领域，特别涉及一种收费站的交通状况识别方法、装置、存储介质及终端。
背景技术
收费站交通状况的识别指的是对收费站的交通运行状况进行拥堵级别划分。在我国ETC收费技术的普及热潮之下，人工收费车道的数量骤减，结合项目实际情况而言，某个省所有收费站均只保留一条混合收费车道，其余全为ETC车道。因此，随着智慧交通技术的发展，研发人员更加热衷于如何识别ETC车道和人工车道的混合收费通道的交通状况。
在现有技术中，大多数相关研究都是以人工收费车道作为主体去研究收费站，从而使得与现在的混合收费通道的交通状况识别有很大的不同，从而降低了高速公路交通状况识别的准确度，同时无法准确的为相关部门做出决策提供支持或为公众出行提供信息服务。
发明内容
本申请实施例提供了一种收费站的交通状况识别方法、装置、存储介质及终端。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
第一方面，本申请实施例提供了一种收费站的交通状况识别方法，方法包括：
实时获取高速路口收费站在预设周期内的ETC车道数据与人工车道数据；
根据预构建的M/D/C模型与ETC车道数据计算ETC车道平均排队长度；
根据预构建的M/G/1模型与人工车道数据计算人工车道平均排队长度；
对ETC车道平均排队长度与人工车道平均排队长度加权求和，生成收费站最终排队长度；
基于收费站最终排队长度确定收费站的拥堵等级。
可选的，基于收费站最终排队长度确定收费站的拥堵等级，包括：
加载收费站拥堵等级划分表；
从所述收费站拥堵等级划分表中识别所述收费站最终排队长度所在的排队长度区间；
将排队长度区间对应的交通状况等级确定为收费站的拥堵等级。
可选的，ETC车道数据至少包括ETC收费车道数、单位时间通过收费站所有ETC车道的车辆总数；
根据预构建的M/D/C模型与ETC车道数据计算ETC车道平均排队长度，包括：
获取预设时间段内ETC车道的历史数据，并基于ETC车道的历史数据计算单位时间通过的车辆数期望，将单位时间通过的车辆数期望确定为单个ETC车道服务率；
将单位时间通过收费站所有ETC车道的车辆总数确定为第一离去率；
根据ETC收费车道数、第一离去率以及单个ETC车道服务率计算收费站第一服务强度；
初始化预构建的M/D/C模型，并将ETC收费车道数、单个ETC车道服务率、收费站服务第一强度与M/D/C模型绑定后生成绑定参数的M/D/C模型；
根据第一离去率与绑定参数的M/D/C模型计算ETC车道平均排队长度。
可选的，根据第一离去率与绑定参数的M/D/C模型计算ETC车道平均排队长度，包括：
将第一离去率输入绑定参数的M/D/C模型进行计算后，生成初始ETC车道平均排队长度；
将初始ETC车道平均排队长度与第一离去率相加后生成第一到达率；
将第一到达率输入绑定参数的M/D/C模型进行计算后，生成ETC车道平均排队长度；
其中，M/D/C模型的平均排队长度计算公式为：
Figure BDA0003239311680000031
其中，ρ为收费站服务第一强度即
Figure BDA0003239311680000032
λ为第一到达率，μ为单个ETC车道服务率，c为ETC收费车道数。
可选的，人工车道数据至少包括单位时间通过收费站所有人工车道的车辆总数；
根据预构建的M/G/1模型与人工车道数据计算人工车道平均排队长度，包括：
获取预设时间段内人工车道的历史数据，并基于人工车道的历史数据计算人工车道服务时间期望与人工车道服务时间方差；
根据人工车道服务时间期望计算单位时间通过的车辆数期望，以及将单位时间通过的车辆数期望确定为单个人工车道服务率；
将单位时间通过收费站所有人工车道的车辆总数确定为第二离去率；
将第二离去率与单个人工车道服务率的比值确定为收费站第二服务强度；
初始化预构建的M/G/1模型，并将收费站第二服务强度、人工车道服务时间方差与M/G/1模型绑定后生成绑定参数的M/G/1模型；
根据第二离去率与绑定参数的M/G/1模型计算人工车道平均排队长度。
可选的，根据第二离去率与绑定参数的M/G/1模型计算人工车道平均排队长度，包括：
将第二离去率输入绑定参数的M/G/1模型进行计算后，生成初始人工车道平均排队长度；
将初始人工车道平均排队长度与第二离去率相加后生成第二到达率；
将第二到达率输入绑定参数的M/G/1模型进行计算后，生成人工车道平均排队长度；
其中，M/G/1模型的平均排队长度计算公式为：
Figure BDA0003239311680000033
ρ为收费站第二服务强度，即
Figure BDA0003239311680000034
λ为第二到达率，μ为单个人工车道服务率，v为人工车道服务时间期望，σ2(v)为人工车道服务时间方差。
可选的，收费站最终排队长度的计算公式为：
Figure BDA0003239311680000041
其中，α为ETC车道单位时间内总过车量，Lq1为ETC车道平均排队长度，β为人工车道单位时间内总过车量，Lq2为人工车道平均排队长度。
第二方面，本申请实施例提供了一种收费站的交通状况识别装置，装置包括：
车道数据获取模块，用于实时获取高速路口收费站在预设周期内的ETC车道数据与人工车道数据；
ETC车道平均排队长度计算模块，用于根据预构建的M/D/C模型与ETC车道数据计算ETC车道平均排队长度；
人工车道平均排队长度计算模块，用于根据预构建的M/G/1模型与人工车道数据计算人工车道平均排队长度；
最终排队长度生成模块，用于对ETC车道平均排队长度与人工车道平均排队长度加权求和，生成收费站最终排队长度；
拥堵等级判定模块，用于基于收费站最终排队长度确定收费站的拥堵等级。
第三方面，本申请实施例提供一种计算机存储介质，计算机存储介质存储有多条指令，指令适于由处理器加载并执行上述的方法步骤。
第四方面，本申请实施例提供一种终端，可包括：处理器和存储器；其中，存储器存储有计算机程序，计算机程序适于由处理器加载并执行上述的方法步骤。
本申请实施例提供的技术方案可以包括以下有益效果：
在本申请实施例中，收费站的交通状况识别装置首先实时获取高速路口收费站在预设周期内的ETC车道数据与人工车道数据，然后根据预构建的M/D/C模型与ETC车道数据计算ETC车道平均排队长度，再根据预构建的M/G/1模型与人工车道数据计算人工车道平均排队长度，其次对ETC车道平均排队长度与人工车道平均排队长度加权求和生成收费站最终排队长度，最后基于收费站最终排队长度确定收费站的拥堵等级。由于本申请采用基于排队论构建的M/D/C模型和M/G/1模型分别计算ETC车道和人工车道的平均排队长度确定拥堵等级，从而仅需获取简单过车数据和收费站车道数据即可实时对收费站的整体交通状况进行识别，此过程简单高效，同时可为相关部门做出决策提供支持或为公众出行提供信息服务。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是本申请实施例提供的一种收费站的交通状况识别方法的流程示意图；
图2是本申请实施例提供的一种收费站的交通状况识别装置的结构示意图；
图3是本申请实施例提供的一种终端的结构示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。
应当明确，所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明的描述中，需要理解的是，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。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。此外，在本发明的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本申请提供了一种收费站的交通状况识别方法、装置、存储介质及终端，以解决上述相关技术问题中存在的问题。本申请提供的技术方案中，由于本申请采用基于排队论构建的M/D/C模型和M/G/1模型分别计算ETC车道和人工车道的平均排队长度确定拥堵等级，从而仅需获取简单过车数据和收费站车道数据即可实时对收费站的整体交通状况进行识别，此过程简单高效，同时可为相关部门做出决策提供支持或为公众出行提供信息服务，下面采用示例性的实施例进行详细说明。
下面将结合附图1，对本申请实施例提供的收费站的交通状况识别方法进行详细介绍。该方法可依赖于计算机程序实现，可运行于基于冯诺依曼体系的收费站的交通状况识别装置上。该计算机程序可集成在应用中，也可作为独立的工具类应用运行。
请参见图1，为本申请实施例提供了一种收费站的交通状况识别方法的流程示意图。如图1所示，本申请实施例的方法可以包括以下步骤：
S101，实时获取高速路口收费站在预设周期内的ETC车道数据与人工车道数据；
其中，收费站是设置在高速路口的收费部门，该收费部门可设置ETC收费车道和人工收费车道的混合型收费车道。每个收费车道设置了多个数据采集设备，通过多个数据采集设备实时采集预设周期内的ETC收费车道的ETC车道数据与人工收费车道的人工车道数据。
通常，车辆单个到达收费站时，相继到达的时间间隔服从泊松分布。收费站中共有c+1个收费车道，其中1条为人工/ETC混合收费车道，其余c条车道均为ETC收费车道。混合收费车道服务时间为一般分布，可通过统计得到期望和方差，ETC收费车道的理论服务时间为定长分布，可通过统计得到期望。当车辆到达时，若有空闲的收费车道则马上接受服务，否则便排成一个队列等待，等待时间为无限。
在一种可能的实现方式中，通过多个数据采集设备可以实时地获得以下车辆通行参数：单位时间内ETC车道和混合车道各自的总过车量、收费站各车道类型。根据收费站各车道类型可确定出ETC收费车道数和1条人工收费车道。
具体的，ETC车道数据至少包括ETC收费车道数、单位时间通过收费站所有ETC车道的车辆总数。
具体的，人工车道数据至少包括单位时间通过收费站所有人工车道的车辆总数。
S102，根据预构建的M/D/C模型与ETC车道数据计算ETC车道平均排队长度；
其中，M/D/C模型和M/G/1模型是基于排队论创建的。采用排队论来间接研究收费站的站区交通状况，排队系统的三个基本组成部分为输入过程、排队规则和服务机构。排队模型根据输入过程、排队规则和服务机构的不同，分为很多类别，Kendall记号表示为X/Y/Z/A/B/C。X表示顾客相继到达时间间隔的分布；Y表示服务时间分布；Z表示服务台的个数；A表示服务系统的容量；B表示顾客源的数目；C表示服务规则。
现有研究大多是将整个收费站的模型设置为M/G/K模型，M表示收费站车辆单个到达且到达间隔时长符合泊松分布，服务时间符合一般分布，有K个收费车道(未区分ETC车道和混合车道)。而ETC车道收费的服务时间实际更符合定长服务时间，也就是方差极小。本申请用M/D/C模型和M/G/1模型来研究现有收费站，其中M/D/C模型D指的是ETC车道服务时间视为定长分布，有C个ETC车道，M表示收费站车辆单个到达且属于泊松分布。M/G/1模型是M/G/K模型中K为1的情况下的一个模型。
通常，目前针对M/D/C模型的研究较少，且得出的一些结论十分复杂，难以直接应用于工程实践。尤其是模型中的收费站车辆到达率在现实中获取十分困难，本申请为解决此问题，使用模型的工程近似解公式，可以快速应用于工程实践，具体是提出了使用离去率近似计算到达率的一种方法，首先按照使用离去率近似为到达率，计算出一次平均排队长度，将计算结果加上离去率作为到达率，此法可以供不能直接获取车辆到达率的情况下使用(可以极大简化输入数据，快速运用于实际工程)。目前某省收费站仅保留一条人工车道，可使用/M/G/1模型和/M/D/C模型进行计算排队长度。经过大量收费站真实数据的验证，本文与实际情况符合，实际应用效果较好。且可以通过输入简单的数据即可实现收费站整体交通状况的识别。
在一种可能的实现方式中，在计算ETC车道平均排队长度时，首先获取预设时间段内ETC车道的历史数据，并基于ETC车道的历史数据计算单位时间通过的车辆数期望，将单位时间通过的车辆数期望确定为单个ETC车道服务率，再将单位时间通过收费站所有ETC车道的车辆总数确定为第一离去率，然后根据ETC收费车道数、第一离去率以及单个ETC车道服务率计算收费站第一服务强度，最后初始化预构建的M/D/C模型，并将ETC收费车道数、单个ETC车道服务率、收费站服务第一强度与M/D/C模型绑定后生成绑定参数的M/D/C模型，并根据第一离去率与绑定参数的M/D/C模型计算ETC车道平均排队长度。
具体地，以广东某收费站过车数据为例，经统计计算，该收费站ETC车辆的服务时间期望为3.63s，人工车道的服务时间期望为12.07s。
Figure BDA0003239311680000081
进一步的，在根据第一离去率与绑定参数的M/D/C模型计算ETC车道平均排队长度时，首先假设第一离去率近似等于第一到达率，将第一离去率近似作为第一到达率输入绑定参数的M/D/C模型进行计算后，生成初始ETC车道平均排队长度，这是基于初始化的M/D/C模型的第一次计算，以第一离去率近似作为M/D/C模型中的到达率参数值进行计算，得到初始ETC车道平均排队长度。
然后将初始ETC车道平均排队长度(对应的车辆数)与第一离去率相加后生成第一到达率，最后将第一到达率输入绑定参数的M/D/C模型进行计算后，生成ETC车道平均排队长度。
具体的，M/D/C模型的平均排队长度Lq计算公式为：
Figure BDA0003239311680000082
其中，ρ为收费站服务第一强度即
Figure BDA0003239311680000091
λ为第一到达率，μ为单个ETC车道服务率，c为ETC收费车道数。
S103，根据预构建的M/G/1模型与人工车道数据计算人工车道平均排队长度；
在一种可能的实现方式中，在计算人工车道平均排队长度时，首先获取预设时间段内人工车道的历史数据，并基于人工车道的历史数据计算人工车道服务时间期望与人工车道服务时间方差，再根据人工车道服务时间期望计算单位时间通过的车辆数期望，以及将单位时间通过的车辆数期望确定为单个人工车道服务率，然后将单位时间通过收费站所有人工车道的车辆总数确定为第二离去率，再将第二离去率与单个人工车道服务率的比值确定为收费站第二服务强度，最后初始化预构建的M/G/1模型，并将收费站第二服务强度、人工车道服务时间方差与M/G/1模型绑定后生成绑定参数的M/G/1模型，并根据第二离去率与绑定参数的M/G/1模型计算人工车道平均排队长度。
进一步地，在根据第二离去率近似作为第二到达率，与绑定参数的M/G/1模型计算人工车道平均排队长度时，首先将第二离去率近似作为第二到达率输入绑定参数的M/G/1模型进行计算后，生成初始人工车道平均排队长度，这是基于初始化的M/G/1模型(绑定参数的M/G/1模型)的第一次计算，以第二离去率近似作为M/G/1模型中的到达率参数值进行计算，得到初始人工车道平均排队长度。然后将初始人工车道平均排队长度(对应的车辆数)与第二离去率相加后生成第二到达率，最后将第二到达率输入绑定参数的M/G/1模型进行计算后，生成人工车道平均排队长度。
具体的，M/G/1模型的平均排队长度计算公式为：
Figure BDA0003239311680000092
ρ为收费站第二服务强度，即
Figure BDA0003239311680000093
λ为第二到达率，μ为单个人工车道服务率，v为人工车道服务时间期望，σ2(v)为人工车道服务时间方差。
优选的，历史数据的预设时间段可以为过去5分钟的历史数据。
需要说明的是，历史数据的预设时间段可根据实际情况进行设定，此处不再赘述。
S104，对ETC车道平均排队长度与人工车道平均排队长度加权求和，生成收费站最终排队长度；
在一种可能的实现方式中，将ETC车道平均排队长度与人工车道平均排队长度进行权重划分，即得到收费站最终排队长度。
具体的，收费站最终排队长度的计算公式为：
Figure BDA0003239311680000101
其中，α为ETC车道单位时间内总过车量，Lq1为ETC车道平均排队长度，β为人工车道单位时间内总过车量，Lq2为人工车道平均排队长度。
S105，基于收费站最终排队长度确定收费站的拥堵等级。
在一种可能的实现方式中，首先加载收费站拥堵等级划分表，然后从所述收费站拥堵等级划分表中识别所述收费站最终排队长度所在的排队长度区间，最后将排队长度区间对应的交通状况等级确定为收费站的拥堵等级。
收费站拥堵等级划分表例如表1所示：
表1
Figure BDA0003239311680000102
本申请实施例提供的收费站的交通状况识别过程的过程示意框图，首先获取收费站基础数据做处理后得到ETC车道数据与人工车道数据，然后通过统计计算历史数据标定出M/D/C模型与M/G/1模型各自的相关参数，再使用M/D/C模型与M/G/1模型结合ETC车道数据与人工车道数据分别计算出各自的排队长度，其次将各自的排队长度加权求和后得到最终的排队长度，最后基于排队长度确定出拥堵等级。
需要说明的是，M/G/1模型和M/D/C模型的初始化是预先构建模型，把模型的参数全部变为初始状态，依据适用的当前收费站的数据，获取模型相关的参数，如车道数、车道服务时间期望、ETC车道服务强度、人工车道服务时间期望方差，初始化后，可以将获取的本申请中的参数与对应的模型绑定。
在本申请实施例中，收费站的交通状况识别装置首先实时获取高速路口收费站在预设周期内的ETC车道数据与人工车道数据，然后根据预构建的M/D/C模型与ETC车道数据计算ETC车道平均排队长度，再根据预构建的M/G/1模型与人工车道数据计算人工车道平均排队长度，其次对ETC车道平均排队长度与人工车道平均排队长度加权求和生成收费站最终排队长度，最后基于收费站最终排队长度确定收费站的拥堵等级。由于本申请采用基于排队论构建的M/D/C模型和M/G/1模型分别计算ETC车道和人工车道的平均排队长度确定拥堵等级，从而仅需获取简单过车数据和收费站车道数据即可实时对收费站的整体交通状况进行识别，此过程简单高效，同时可为相关部门做出决策提供支持或为公众出行提供信息服务。
下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。
请参见图2，其示出了本发明一个示例性实施例提供的收费站的交通状况识别装置的结构示意图。该收费站的交通状况识别装置可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。该装置1包括车道数据获取模块10、ETC车道平均排队长度计算模块20、人工车道平均排队长度计算模块30、最终排队长度生成模块40、拥堵等级判定模块50。
车道数据获取模块10，用于实时获取高速路口收费站在预设周期内的ETC车道数据与人工车道数据；
ETC车道平均排队长度计算模块20，用于根据预构建的M/D/C模型与ETC车道数据计算ETC车道平均排队长度；
人工车道平均排队长度计算模块30，用于根据预构建的M/G/1模型与人工车道数据计算人工车道平均排队长度；
最终排队长度生成模块40，用于对ETC车道平均排队长度与人工车道平均排队长度加权求和，生成收费站最终排队长度；
拥堵等级判定模块50，用于基于收费站最终排队长度确定收费站的拥堵等级。
需要说明的是，上述实施例提供的收费站的交通状况识别装置在执行收费站的交通状况识别方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的收费站的交通状况识别装置与收费站的交通状况识别方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请实施例中，收费站的交通状况识别装置首先实时获取高速路口收费站在预设周期内的ETC车道数据与人工车道数据，然后根据预构建的M/D/C模型与ETC车道数据计算ETC车道平均排队长度，再根据预构建的M/G/1模型与人工车道数据计算人工车道平均排队长度，其次对ETC车道平均排队长度与人工车道平均排队长度加权求和生成收费站最终排队长度，最后基于收费站最终排队长度确定收费站的拥堵等级。由于本申请采用基于排队论构建的M/D/C模型和M/G/1模型分别计算ETC车道和人工车道的平均排队长度确定拥堵等级，从而仅需获取简单过车数据和收费站车道数据即可实时对收费站的整体交通状况进行识别，此过程简单高效，同时可为相关部门做出决策提供支持或为公众出行提供信息服务。
本发明还提供一种计算机可读介质，其上存储有程序指令，该程序指令被处理器执行时实现上述各个方法实施例提供的收费站的交通状况识别方法。
本发明还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各个方法实施例的收费站的交通状况识别方法。
请参见图3，为本申请实施例提供了一种终端的结构示意图。如图3所示，终端1000可以包括：至少一个处理器1001，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。
其中，通信总线1002用于实现这些组件之间的连接通信。
其中，用户接口1003可以包括显示屏(Display)、摄像头(Camera)，可选用户接口1003还可以包括标准的有线接口、无线接口。
其中，网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中，处理器1001可以包括一个或者多个处理核心。处理器1001利用各种借口和线路连接整个电子设备1000内的各个部分，通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集，以及调用存储在存储器1005内的数据，执行电子设备1000的各种功能和处理数据。可选的，处理器1001可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable Logic Array，PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(Central Processing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1001中，单独通过一块芯片进行实现。
其中，存储器1005可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选的，该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图3所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及收费站的交通状况识别应用程序。
在图3所示的终端1000中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；而处理器1001可以用于调用存储器1005中存储的收费站的交通状况识别应用程序，并具体执行以下操作：
实时获取高速路口收费站在预设周期内的ETC车道数据与人工车道数据；
根据预构建的M/D/C模型与ETC车道数据计算ETC车道平均排队长度；
根据预构建的M/G/1模型与人工车道数据计算人工车道平均排队长度；
对ETC车道平均排队长度与人工车道平均排队长度加权求和，生成收费站最终排队长度；
基于收费站最终排队长度确定收费站的拥堵等级。
在一个实施例中，处理器1001在执行基于收费站最终排队长度确定收费站的拥堵等级时，具体执行以下操作：
加载收费站拥堵等级划分表；
从所述收费站拥堵等级划分表中识别所述收费站最终排队长度所在的排队长度区间；
将排队长度区间对应的交通状况等级确定为收费站的拥堵等级。
在一个实施例中，处理器1001在执行根据预构建的M/D/C模型与ETC车道数据计算ETC车道平均排队长度时，具体执行以下操作：
获取预设时间段内ETC车道的历史数据，并基于ETC车道的历史数据计算单位时间通过的车辆数期望，将单位时间通过的车辆数期望确定为单个ETC车道服务率；
将单位时间通过收费站所有ETC车道的车辆总数确定为第一离去率；
根据ETC收费车道数、第一离去率以及单个ETC车道服务率计算收费站第一服务强度；
初始化预构建的M/D/C模型，并将ETC收费车道数、单个ETC车道服务率、收费站服务第一强度与M/D/C模型绑定后生成绑定参数的M/D/C模型；
根据第一离去率与绑定参数的M/D/C模型计算ETC车道平均排队长度。
在一个实施例中，处理器1001在执行根据第一离去率与绑定参数的M/D/C模型计算ETC车道平均排队长度时，具体执行以下操作：
将第一离去率输入绑定参数的M/D/C模型进行计算后，生成初始ETC车道平均排队长度；
将初始ETC车道平均排队长度与第一离去率相加后生成第一到达率；
将第一到达率输入绑定参数的M/D/C模型进行计算后，生成ETC车道平均排队长度；
其中，M/D/C模型的平均排队长度计算公式为：
Figure BDA0003239311680000151
其中，ρ为收费站服务第一强度即
Figure BDA0003239311680000152
λ为第一到达率，μ为单个ETC车道服务率，c为ETC收费车道数。
在一个实施例中，处理器1001在执行根据预构建的M/G/1模型与人工车道数据计算人工车道平均排队长度时，具体执行以下操作：
获取预设时间段内人工车道的历史数据，并基于人工车道的历史数据计算人工车道服务时间期望与人工车道服务时间方差；
根据人工车道服务时间期望计算单位时间通过的车辆数期望，以及将单位时间通过的车辆数期望确定为单个人工车道服务率；
将单位时间通过收费站所有人工车道的车辆总数确定为第二离去率；
将第二离去率与单个人工车道服务率的比值确定为收费站第二服务强度；
初始化预构建的M/G/1模型，并将收费站第二服务强度、人工车道服务时间方差与M/G/1模型绑定后生成绑定参数的M/G/1模型；
根据第二离去率与绑定参数的M/G/1模型计算人工车道平均排队长度。
在一个实施例中，处理器1001在执行第二离去率与绑定参数的M/G/1模型计算人工车道平均排队长度时，具体执行以下操作：
将第二离去率输入绑定参数的M/G/1模型进行计算后，生成初始人工车道平均排队长度；
将初始人工车道平均排队长度与第二离去率相加后生成第二到达率；
将第二到达率输入绑定参数的M/G/1模型进行计算后，生成人工车道平均排队长度；
其中，M/G/1模型的平均排队长度计算公式为：
Figure BDA0003239311680000153
ρ为收费站第二服务强度，即
Figure BDA0003239311680000154
λ为第二到达率，μ为单个人工车道服务率，v为人工车道服务时间期望，σ2(v)为人工车道服务时间方差。
在本申请实施例中，收费站的交通状况识别装置首先实时获取高速路口收费站在预设周期内的ETC车道数据与人工车道数据，然后根据预构建的M/D/C模型与ETC车道数据计算ETC车道平均排队长度，再根据预构建的M/G/1模型与人工车道数据计算人工车道平均排队长度，其次对ETC车道平均排队长度与人工车道平均排队长度加权求和生成收费站最终排队长度，最后基于收费站最终排队长度确定收费站的拥堵等级。由于本申请采用基于排队论构建的M/D/C模型和M/G/1模型分别计算ETC车道和人工车道的平均排队长度确定拥堵等级，从而仅需获取简单过车数据和收费站车道数据即可实时对收费站的整体交通状况进行识别，此过程简单高效，同时可为相关部门做出决策提供支持或为公众出行提供信息服务。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，收费站的交通状况识别的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。

Claims (10)

1.一种收费站的交通状况识别方法，其特征在于，所述方法包括：
实时获取高速路口收费站在预设周期内的ETC车道数据与人工车道数据；
根据预构建的M/D/C模型与所述ETC车道数据计算ETC车道平均排队长度；
根据预构建的M/G/1模型与所述人工车道数据计算人工车道平均排队长度；
对所述ETC车道平均排队长度与所述人工车道平均排队长度加权求和，生成收费站最终排队长度；
基于所述收费站最终排队长度确定所述收费站的拥堵等级。
2.根据权利要求1所述的方法，其特征在于，所述基于所述收费站最终排队长度确定所述收费站的拥堵等级，包括：
加载收费站拥堵等级划分表；
从所述收费站拥堵等级划分表中识别所述收费站最终排队长度所在的排队长度区间；
将所述排队长度区间对应的交通状况等级确定为所述收费站的拥堵等级。
3.根据权利要求1所述的方法，其特征在于，所述ETC车道数据至少包括ETC收费车道数、单位时间通过所述收费站所有ETC车道的车辆总数；
所述根据预构建的M/D/C模型与所述ETC车道数据计算ETC车道平均排队长度，包括：
获取预设时间段内ETC车道的历史数据，并基于所述ETC车道的历史数据计算单位时间通过的车辆数期望，将所述单位时间通过的车辆数期望确定为单个ETC车道服务率；
将所述单位时间通过所述收费站所有ETC车道的车辆总数确定为第一离去率；
根据所述ETC收费车道数、第一离去率以及单个ETC车道服务率计算所述收费站第一服务强度；
初始化预构建的M/D/C模型，并将所述ETC收费车道数、单个ETC车道服务率、收费站服务第一强度与所述M/D/C模型绑定后生成绑定参数的M/D/C模型；
根据所述第一离去率与所述绑定参数的M/D/C模型计算ETC车道平均排队长度。
4.根据权利要求3所述的方法，其特征在于，所述根据所述第一离去率与所述绑定参数的M/D/C模型计算ETC车道平均排队长度，包括：
将所述第一离去率输入所述绑定参数的M/D/C模型进行计算后，生成初始ETC车道平均排队长度；
将所述初始ETC车道平均排队长度与所述第一离去率相加后生成第一到达率；
将所述第一到达率输入所述绑定参数的M/D/C模型进行计算后，生成ETC车道平均排队长度；
其中，所述M/D/C模型的平均排队长度计算公式为：
Figure FDA0003239311670000021
其中，ρ为收费站服务第一强度即
Figure FDA0003239311670000022
λ为第一到达率，μ为单个ETC车道服务率，c为ETC收费车道数。
5.根据权利要求1所述的方法，其特征在于，所述人工车道数据至少包括单位时间通过所述收费站所有人工车道的车辆总数；
所述根据预构建的M/G/1模型与所述人工车道数据计算人工车道平均排队长度，包括：
获取预设时间段内人工车道的历史数据，并基于所述人工车道的历史数据计算人工车道服务时间期望与人工车道服务时间方差；
根据所述人工车道服务时间期望计算单位时间通过的车辆数期望，以及将所述单位时间通过的车辆数期望确定为单个人工车道服务率；
将所述单位时间通过所述收费站所有人工车道的车辆总数确定为第二离去率；
将所述第二离去率与所述单个人工车道服务率的比值确定为所述收费站第二服务强度；
初始化预构建的M/G/1模型，将所述收费站第二服务强度、人工车道服务时间方差与所述M/G/1模型绑定后生成绑定参数的M/G/1模型；
根据所述第二离去率与所述绑定参数的M/G/1模型计算人工车道平均排队长度。
6.根据权利要求5所述的方法，其特征在于，根据所述第二离去率与所述绑定参数的M/G/1模型计算人工车道平均排队长度，包括：
将所述第二离去率输入所述绑定参数的M/G/1模型进行计算后，生成初始人工车道平均排队长度；
将所述初始人工车道平均排队长度与所述第二离去率相加后生成第二到达率；
将所述第二到达率输入所述绑定参数的M/G/1模型进行计算后，生成人工车道平均排队长度；
其中，所述M/G/1模型的平均排队长度计算公式为：
Figure FDA0003239311670000031
所述ρ为收费站第二服务强度，即
Figure FDA0003239311670000032
λ为第二到达率，μ为单个人工车道服务率，v为人工车道服务时间期望，σ2(v)为人工车道服务时间方差。
7.根据权利要求1所述的方法，其特征在于，所述收费站最终排队长度的计算公式为：
Figure FDA0003239311670000033
其中，α为ETC车道单位时间内总过车量，Lq1为ETC车道平均排队长度，β为人工车道单位时间内总过车量，Lq2为人工车道平均排队长度。
8.一种收费站的交通状况识别装置，其特征在于，所述装置包括：
车道数据获取模块，用于实时获取高速路口收费站在预设周期内的ETC车道数据与人工车道数据；
ETC车道平均排队长度计算模块，用于根据预构建的M/D/C模型与所述ETC车道数据计算ETC车道平均排队长度；
人工车道平均排队长度计算模块，用于根据预构建的M/G/1模型与所述人工车道数据计算人工车道平均排队长度；
最终排队长度生成模块，用于对所述ETC车道平均排队长度与所述人工车道平均排队长度加权求和，生成收费站最终排队长度；
拥堵等级判定模块，用于基于所述收费站最终排队长度确定所述收费站的拥堵等级。
9.一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如权利要求1-7任意一项的方法步骤。
10.一种终端，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1-7任意一项的方法步骤。
CN202111014305.4A 2021-08-31 2021-08-31 一种收费站的交通状况识别方法、装置、存储介质及终端 Active CN113850991B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111014305.4A CN113850991B (zh) 2021-08-31 2021-08-31 一种收费站的交通状况识别方法、装置、存储介质及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111014305.4A CN113850991B (zh) 2021-08-31 2021-08-31 一种收费站的交通状况识别方法、装置、存储介质及终端

Publications (2)

Publication Number Publication Date
CN113850991A true CN113850991A (zh) 2021-12-28
CN113850991B CN113850991B (zh) 2022-11-01

Family

ID=78976804

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111014305.4A Active CN113850991B (zh) 2021-08-31 2021-08-31 一种收费站的交通状况识别方法、装置、存储介质及终端

Country Status (1)

Country Link
CN (1) CN113850991B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114722596A (zh) * 2022-03-30 2022-07-08 南京信息工程大学 一种河流鱼群丰富程度的识别方法及监测系统
CN116403407A (zh) * 2023-05-31 2023-07-07 山东高速信息集团有限公司 一种公路收费站的车道动态配置与诱导方法、设备及介质

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB1180022A (en) * 1966-04-28 1970-02-04 Automatic Telephone & Elect Improvements in Traffic Control Systems.
JP2008210279A (ja) * 2007-02-27 2008-09-11 Hitachi Systems & Services Ltd 有料道路における料金所システム
CN106228307A (zh) * 2016-07-26 2016-12-14 北京工业大学 高速公路etc系统环境效益测算方法
CN106875682A (zh) * 2017-03-31 2017-06-20 东南大学 Etc车道和人工收费车道的污染气体排放量对比分析方法
CN106991824A (zh) * 2017-05-23 2017-07-28 招商局重庆交通科研设计院有限公司 收费站车辆排队预测方法
CN107331164A (zh) * 2017-07-25 2017-11-07 中南大学 一种高速公路收费站入口车辆数的预测方法
CN108959821A (zh) * 2018-08-01 2018-12-07 河南城建学院 一种高速公路收费站可变向车道通行控制方法
CN108986457A (zh) * 2018-07-02 2018-12-11 东南大学 基于交通冲突分析的etc车道布设方案评价方法
CN109949098A (zh) * 2019-03-22 2019-06-28 山西省交通规划勘察设计院有限公司 一种高速公路收费站车道数的计算方法
CN110008595A (zh) * 2019-04-08 2019-07-12 交通运输部路网监测与应急处置中心 Etc节能减排效益测算方法和装置
CN111145367A (zh) * 2019-12-24 2020-05-12 北京万集科技股份有限公司 车辆扣费系统及方法、存储介质、电子装置
CN111882858A (zh) * 2020-06-01 2020-11-03 重庆大学 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
CN112446972A (zh) * 2020-10-13 2021-03-05 华南理工大学 一种诱导车辆有序进入收费站的系统及方法
CN112767684A (zh) * 2020-12-22 2021-05-07 重庆大学 一种基于收费数据的高速公路交通拥堵检测方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB1180022A (en) * 1966-04-28 1970-02-04 Automatic Telephone & Elect Improvements in Traffic Control Systems.
JP2008210279A (ja) * 2007-02-27 2008-09-11 Hitachi Systems & Services Ltd 有料道路における料金所システム
CN106228307A (zh) * 2016-07-26 2016-12-14 北京工业大学 高速公路etc系统环境效益测算方法
CN106875682A (zh) * 2017-03-31 2017-06-20 东南大学 Etc车道和人工收费车道的污染气体排放量对比分析方法
CN106991824A (zh) * 2017-05-23 2017-07-28 招商局重庆交通科研设计院有限公司 收费站车辆排队预测方法
CN107331164A (zh) * 2017-07-25 2017-11-07 中南大学 一种高速公路收费站入口车辆数的预测方法
CN108986457A (zh) * 2018-07-02 2018-12-11 东南大学 基于交通冲突分析的etc车道布设方案评价方法
CN108959821A (zh) * 2018-08-01 2018-12-07 河南城建学院 一种高速公路收费站可变向车道通行控制方法
CN109949098A (zh) * 2019-03-22 2019-06-28 山西省交通规划勘察设计院有限公司 一种高速公路收费站车道数的计算方法
CN110008595A (zh) * 2019-04-08 2019-07-12 交通运输部路网监测与应急处置中心 Etc节能减排效益测算方法和装置
CN111145367A (zh) * 2019-12-24 2020-05-12 北京万集科技股份有限公司 车辆扣费系统及方法、存储介质、电子装置
CN111882858A (zh) * 2020-06-01 2020-11-03 重庆大学 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
CN112446972A (zh) * 2020-10-13 2021-03-05 华南理工大学 一种诱导车辆有序进入收费站的系统及方法
CN112767684A (zh) * 2020-12-22 2021-05-07 重庆大学 一种基于收费数据的高速公路交通拥堵检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘昌敏: "基于排队论的高速公路收费系统车道配置研究", 《山东交通科技》 *
林培群等: "高速公路收费站车道类型设置问题建模与求解", 《交通运输系统工程与信息》 *
王雨琪: "基于排队论模型和动态配置的收费站设计", 《科技展望》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114722596A (zh) * 2022-03-30 2022-07-08 南京信息工程大学 一种河流鱼群丰富程度的识别方法及监测系统
CN116403407A (zh) * 2023-05-31 2023-07-07 山东高速信息集团有限公司 一种公路收费站的车道动态配置与诱导方法、设备及介质
CN116403407B (zh) * 2023-05-31 2023-09-01 山东高速信息集团有限公司 一种公路收费站的车道动态配置与诱导方法、设备及介质

Also Published As

Publication number Publication date
CN113850991B (zh) 2022-11-01

Similar Documents

Publication Publication Date Title
CN113850991B (zh) 一种收费站的交通状况识别方法、装置、存储介质及终端
CN108364085B (zh) 一种外卖配送时间预测方法和装置
CN109636013B (zh) 配送范围的生成方法、装置、电子设备和存储介质
CN110264711A (zh) 一种交通事故概率的确定方法及装置
CN109816128A (zh) 网约车订单的处理方法、装置、设备及可读存储介质
CN111476460A (zh) 一种银行自助设备智慧运营调度的方法、设备和介质
CN109191052A (zh) 一种多车型车辆路径优化方法、服务器及系统
CN109784817A (zh) 一种同城配送运费计算方法、系统及电子设备
CN111985865A (zh) 订单接收与配送管理方法、管理平台及终端设备
CN114626735A (zh) 催收案件分配方法、装置、设备及计算机可读存储介质
CN114565057B (zh) 一种基于机器学习的均压场识别方法、装置、存储介质及终端
CN109558991A (zh) 基于自贩机的货道量推荐方法、装置、设备及存储介质
CN112507545A (zh) 一种基于系统仿真的室内无人配送模式设计方法
CN109977527B (zh) 一种城市公共充电站网络的充电桩配置方法
CN111193802A (zh) 基于用户组的资源动态分配方法、系统、终端及存储介质
CN112508423B (zh) 引导路线生成方法及装置
CN114036411A (zh) 一种路线规划方法、装置、设备及介质
CN108921214A (zh) 城市属性的获取方法、装置及计算机可读存储介质
CN117217458A (zh) 一种公交路线的车型混配优化方法、装置、设备及介质
CN112712391A (zh) 一种服务推送方法、装置、电子设备以及存储介质
CN111984877A (zh) 一种机场陆侧旅客出行链构建方法、系统、存储介质及终端
CN115907276A (zh) 缴费提醒方法、装置、设备及存储介质
CN114626458B (zh) 一种高压后部识别方法、装置、存储介质及终端
CN113409571A (zh) 一种设置公交车道的判定方法、装置、存储介质及终端
CN109635961A (zh) 基于自贩机的运维调度方法、装置、设备及存储介质

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