CN113888872A - 一种基于浮动车数据计算红绿灯时长的方法 - Google Patents
一种基于浮动车数据计算红绿灯时长的方法 Download PDFInfo
- Publication number
- CN113888872A CN113888872A CN202111222541.5A CN202111222541A CN113888872A CN 113888872 A CN113888872 A CN 113888872A CN 202111222541 A CN202111222541 A CN 202111222541A CN 113888872 A CN113888872 A CN 113888872A
- Authority
- CN
- China
- Prior art keywords
- data
- ratio
- slope
- traffic light
- waiting
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明公开了一种基于浮动车数据计算红绿灯时长的方法,其计算方法包括以下步骤:A:基础准备处理,基于高频轨迹点的扎堆点的识别以及等待时间转换处理,红绿灯影响路链:定位红绿灯位置,以及计算红绿灯影响路链;B:基于高频轨迹点历史数据,获取浮动车的GPS数据信息,包含车辆ID,GPS时间、经纬度、以及等待时长信息;C:异常数据清洗,对异常数据进行过滤,以及对于小样本进行过滤,以一个月的历史样本数据,以红绿灯影响链路为基准进行收集。本发明将红绿灯等时识别与传统道路路况处理系统相结合,能提供更高的红绿灯等时精度、更准确的路况信息服务,具有广阔的发展前景和极高的现实意义。
Description
技术领域
本发明涉及智能交通技术领域,具体为一种基于浮动车数据计算红绿灯时长的方法。
背景技术
面对我国不断扩大的城市规模和不断加快的机动化进程,各大中城市面临的交通滞缓状况频繁出现,交通路况可以说是智慧出现必不可少重要工具之一,因此我们对交通路况的准确度的要求也越来也高,对于交通路况的计算中一个始终绕不开的场景就是红绿灯路口场景,而此场景因为存在红灯等待,因此对应拥堵等待以及等红灯等待的区分一直是一个难点,因此红灯时长的获取以及在交通路况系统以及ETA计算中就显得尤为重要,以往的红绿灯时长信息几乎均是与市政单位合作并获取红绿灯的时长信息,优点时间准确,但是存在致命的缺点,数据获取难度大,从交管部门获取全部数据是不现实的,即便获取也存在地域范围的限制,并不适合全国范围的红绿灯场景应用。
现有产品由于均是基于高频浮动车的轨迹点数据进行计算,极其依赖浮动车上传数据量,以及合作方车辆的覆盖区域,导致其覆盖区域有一定的局限性,无法做到所有红绿灯路口均能计算出红灯时长的情况,另外,现有产品对于算力要求较高,从成本的角度考虑暂未采用实时计算的方式,这就导致对于部分动态调控的红绿灯路口,计算模型存得到的红灯时长在一定的误差。
发明内容
本发明的目的在于提供一种基于浮动车数据计算红绿灯时长的方法,具备可以针对红绿灯路口红灯时长场景有效识别,能够更精准的预测出红绿灯路口的交通路况拥堵状态,同时对于ETA计算提供更加精确的红灯路口的通过时间预判,另外可以对红绿灯相位更加合理的配时提供一定帮助的优点,解决了现有产品由于均是基于高频浮动车的轨迹点数据进行计算,覆盖区域有一定的局限性,无法做到所有红绿灯路口均能计算出红灯时长的情况,对于算力要求较高,导致对于部分动态调控的红绿灯路口,计算模型存得到的红灯时长在一定误差的问题。
为实现上述目的,本发明提供如下技术方案:一种基于浮动车数据计算红绿灯时长的方法,其计算方法包括以下步骤:
A:基础准备处理,基于高频轨迹点的扎堆点的识别以及等待时间转换处理,红绿灯影响路链:定位红绿灯位置,以及计算红绿灯影响路链;
B:基于高频轨迹点历史数据,获取浮动车的GPS数据信息,包含车辆ID,GPS时间、经纬度、以及等待时长信息;
C:异常数据清洗,对异常数据进行过滤,以及对于小样本进行过滤,以一个月的历史样本数据,以红绿灯影响链路为基准进行收集,对数据集中等待时长集合进行离群,计算[1/4分位数,中位数,3/4分位数],用四分位法确定数据集上限;
等待时长上限阈值:上四分位值+上四分位值*1.5
分位数计算公式:
[1/4分位数等待时长]:
xdn=(len(data)+1)/4.0-1
[中位数等待时长]:
xme=(len(data)+1)/20-1
[3/4分位数等待时长]:
xup=(len(data)+1)*3/4.0-1
得到的数据集,针对等待时长次数低于50个等待样本的数据进行去除;
D:以红绿灯链路进行二次归类,统计每个步长分组在当前红绿灯影响链路中出现的频次,同时统计出有效等待时长的出现的总频次,用于计算累计比率;
E:上四分位等待时长获取,基于获取数据集,按照分位数计算法,获取备选红灯时长集合中的上四分位的等待时长,备选红灯时长之一,计算公式参考C中的[3/4分位数等待时长];
F:跳变等待时长获取,基于获取数据集,遍历基于升序排序后的所有等待时长数据集,并依次对比相邻两个等待时长的跳变率,并获取最后一个跳变大于50%的等待时长数据,即:临界值—备选红灯时长之一;
跳变率计算公式:
G:基于步长数据集中步长分类总数大于6个的数据,进一步确保计算准确率,计算累计比率数据集;
计算并收集累计比率:
方式:遍历基于升序排序后的所有等待时长数据集,并依次收集每个等待步长在总;
累计比率计算公式:
累计比率数据集:
RatioList=[Ratio0,Ratio1,Ratio2,…,Ration]
H:基于累计比率以及有效步长数据集,计算交叉点等待时长;
I:收集所有备选等待时长数据,上四分位值、跳变值、临界值、以及交叉点值,进行最终结果筛选,筛选标准:基于得到的数据集进行排序获取上四分位值,优选最终结果,并将其作为红绿灯等灯时长。
优选的,所述步骤C中,data-等待时长数据集,xdn-基于数据集长度的1/4位置序号,WTdn-1/4分位数下四分位的等待时长,xme-基于数据集长度的1/2位置序号,WTme-1/2分位数中位数的等待时长,xup-基于数据集长度的3/4位置序号,WTup-3/4分位数上四分位的等待时长。
优选的,所述步骤F中,MutantRatio-跳变/突变比率,WTcur-当前等待时长,Wnxt-基于当前等待数据的下一个数据,注:为了减小误差,跳变率计算的WTcur与WTnxt需要同时满足大于10秒。
优选的,所述步骤G中,Ratio-表示当前等时数据的累计比率,
优选的,所述步骤H中:
(1)基于标准累计比率计算斜率
斜率计算公式:
slopei=(Ratioi+1-Ratioi)/(WTstepi+1-WTstpei)
斜率归一化:
slopei=(slopei-slopemin)/(slopemax-slopemin)
其中:
slopei-表示斜率
WTstepi-表示等待时长步长元素
(2)基于标准累计比率、有效步长数据集、斜率数据,分别计算基于不同阈值的两种交叉点位置等待时长数据,备选红灯时长之一,交叉计算逻辑一:
起始直线:以第一个斜率查小于0的点为起始点,若中间有斜率变化超过0.1则重新计算,以起始点后第一个斜率差小于-0.2的前一个点作为终止点,截取此间范围的点序列作为拟合序列;
结束直线:逆序遍历,当当前点的斜率与结束点的斜率绝对误差超过0.1时结束,截取此间范围的点序列作为拟合序列;
(3)对标准累计比率进行平滑处理,处理方式:
累计比率平滑公式:
Ratioi+i=(Ratioi+Ratioi+2)/2
累计比率数据集:
RatioList=[Ratio0,Ratio1,Ratio2,…,Ration]
其中:
Ratioi-表示标准累计率
(4)基于平滑后的累计比率、有效步长数据集、斜率数据,分别计算基于不同阈值的两种交叉点位置等待时长数据,备选红灯时长之一,交叉计算逻辑二:
起始直线:以第一个斜率查小于0的点为起始点,若中间有斜率变化超过0.1则重新计算,以斜率小于0.2的前一个点作为结束点,截取此间范围的点序列作为拟合序列;
结束直线:逆序遍历,当当前点的斜率与结束点的斜率绝对误差超过0.1时结束,截取此间范围的点序列作为拟合序列。
优选的,所述步骤I中计算公式如下:
3/4分位数速度:
xup=(len(data)+1)*3/4.0-1
其中:
xup—基于数据集长度的3/4位置序号
WTup—3/4分位数上四分位的等待时长。
优选的,所述计算思想:一般情况下,在红绿灯控制范围内,每当放行一次,车辆会移动一次,同样的每次等待时间小于控制时长,因此当车辆在红绿灯前发生等待时,等待时间不会超越红绿灯控制时长。
优选的,所述本红绿灯模型计算程序有如下假设前提:红绿灯控制时长较为固定,红绿灯控制时长较为固定,基于高频车辆轨迹等信息计算,数据质量好。
与现有技术相比,本发明的有益效果如下:
1、本发明检测范围广、信息量大,伴随着互联网的高速发展,4G、5G等移动网络的覆盖,使高频的浮动车回传数据成为了现实,依赖海量的高频的浮动车GPS回传数据,使本发明的有效实施成为可能。
2、本发明检测精度高、受外界影响小,高频浮动车回传的GPS数据精度较高,我们根据车辆回传的GPS数据信息来识别红绿灯路口的等待时长较方便灵活。
3、本发明使用场景更丰富、系统模块化,我们的红灯时长系统不仅能应用到交通路况状态计算系统中,同时对于车辆的预计到达时间(ETA)计算也有很大的精度提升。
4、本发明将红绿灯等时识别与传统道路路况处理系统相结合,能提供更高的红绿灯等时精度、更准确的路况信息服务,具有广阔的发展前景和极高的现实意义。
附图说明
图1为本发明真实高频浮动车轨迹点在红绿灯前的轨迹展示图;
图2为本发明红绿灯影响链路示意图;
图3为本发明交叉点展示图;
图4为本发明红绿灯等待时长整体计算逻辑流程图。
具体实施方式
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,都属于本发明保护的范围。
请参阅图1-图4,一种基于浮动车数据计算红绿灯时长的方法,其计算方法包括以下步骤:
A:基础准备处理,基于高频轨迹点的扎堆点的识别以及等待时间转换处理,红绿灯影响路链:定位红绿灯位置,以及计算红绿灯影响路链;
B:基于高频轨迹点历史数据,获取浮动车的GPS数据信息,包含车辆ID,GPS时间、经纬度、以及等待时长信息;
C:异常数据清洗,对异常数据进行过滤,以及对于小样本进行过滤,以一个月的历史样本数据,以红绿灯影响链路为基准进行收集,对数据集中等待时长集合进行离群,计算[1/4分位数,中位数,3/4分位数],用四分位法确定数据集上限;
等待时长上限阈值:上四分位值+上四分位值*1.5
分位数计算公式:
[1/4分位数等待时长]:
xdn=(len(data)+1)/4.0-1
[中位数等待时长]:
xme=(len(data)+1)/20-1
[3/4分位数等待时长]:
xup=(len(data)+1)*3/4.0-1
得到的数据集,针对等待时长次数低于50个等待样本的数据进行去除;
D:以红绿灯链路进行二次归类,统计每个步长分组在当前红绿灯影响链路中出现的频次,同时统计出有效等待时长的出现的总频次,用于计算累计比率;
E:上四分位等待时长获取,基于获取数据集,按照分位数计算法,获取备选红灯时长集合中的上四分位的等待时长,备选红灯时长之一,计算公式参考C中的[3/4分位数等待时长];
F:跳变等待时长获取,基于获取数据集,遍历基于升序排序后的所有等待时长数据集,并依次对比相邻两个等待时长的跳变率,并获取最后一个跳变大于50%的等待时长数据,即:临界值—备选红灯时长之一;
跳变率计算公式:
G:基于步长数据集中步长分类总数大于6个的数据,进一步确保计算准确率,计算累计比率数据集;
计算并收集累计比率:
方式:遍历基于升序排序后的所有等待时长数据集,并依次收集每个等待步长在总;
累计比率计算公式:
累计比率数据集:
RatioList=[Ratio0,Ratio1,Ratio2,…,Ration]
H:基于累计比率以及有效步长数据集,计算交叉点等待时长;
I:收集所有备选等待时长数据,上四分位值、跳变值、临界值、以及交叉点值,进行最终结果筛选,筛选标准:基于得到的数据集进行排序获取上四分位值,优选最终结果,并将其作为红绿灯等灯时长。
步骤C中,data—等待时长数据集,xdn—基于数据集长度的1/4位置序号,WTdn—1/4分位数下四分位的等待时长,xme—基于数据集长度的1/2位置序号,WTme—1/2分位数中位数的等待时长,xup—基于数据集长度的3/4位置序号,WTup—3/4分位数上四分位的等待时长。
步骤F中,MutantRatio—跳变/突变比率,WTcur—当前等待时长,
WTnxt-基于当前等待数据的下一个数据,注:为了减小误差,跳变率计算的WTcur与WTncr需要同时满足大于10秒。
步骤H中:
(1)基于标准累计比率计算斜率
斜率计算公式:
slopei=(Ratioi+1-Ratioi)/(WTstepi+1-WTstpei)
斜率归一化:
slopei=(slopei-slopemin)/(slopemax-slopemin)
其中:
slopei-表示斜率
WTstepi-表示等待时长步长元素
(2)基于标准累计比率、有效步长数据集、斜率数据,分别计算基于不同阈值的两种交叉点位置等待时长数据,备选红灯时长之一,交叉计算逻辑一:
起始直线:以第一个斜率查小于0的点为起始点,若中间有斜率变化超过0.1则重新计算,以起始点后第一个斜率差小于-0.2的前一个点作为终止点,截取此间范围的点序列作为拟合序列;
结束直线:逆序遍历,当当前点的斜率与结束点的斜率绝对误差超过0.1时结束,截取此间范围的点序列作为拟合序列;
(3)对标准累计比率进行平滑处理,处理方式:
累计比率平滑公式:
Ratioi+i=(Ratioi+Ratioi+2)/2
累计比率数据集:
RatioList=[Ratio0,Ratio1,Ratio2,…,Ration]
其中:
Ratioi—表示标准累计率
(4)基于平滑后的累计比率、有效步长数据集、斜率数据,分别计算基于不同阈值的两种交叉点位置等待时长数据,备选红灯时长之一,交叉计算逻辑二:
起始直线:以第一个斜率查小于0的点为起始点,若中间有斜率变化超过0.1则重新计算,以斜率小于0.2的前一个点作为结束点,截取此间范围的点序列作为拟合序列;
结束直线:逆序遍历,当当前点的斜率与结束点的斜率绝对误差超过0.1时结束,截取此间范围的点序列作为拟合序列。
步骤I中计算公式如下:
3/4分位数速度:
xup=(len(data)+1)3*/4.0-1
其中:
xup—基于数据集长度的3/4位置序号
WTup—3/4分位数上四分位的等待时长。
计算思想:一般情况下,在红绿灯控制范围内,每当放行一次,车辆会移动一次,同样的每次等待时间小于控制时长,因此当车辆在红绿灯前发生等待时,等待时间不会超越红绿灯控制时长。
本红绿灯模型计算程序有如下假设前提:红绿灯控制时长较为固定,红绿灯控制时长较为固定,基于高频车辆轨迹等信息计算,数据质量好。
实施例一:
基于浮动车数据计算红绿灯时长的方法,其计算方法包括以下步骤:
A:基础准备处理,基于高频轨迹点的扎堆点的识别以及等待时间转换处理,红绿灯影响路链:定位红绿灯位置,以及计算红绿灯影响路链;
B:基于高频轨迹点历史数据,获取浮动车的GPS数据信息,包含车辆ID,GPS时间、经纬度、以及等待时长信息;
C:异常数据清洗,对异常数据进行过滤,以及对于小样本进行过滤,以一个月的历史样本数据,以红绿灯影响链路为基准进行收集,对数据集中等待时长集合进行离群,计算[1/4分位数,中位数,3/4分位数],用四分位法确定数据集上限;
等待时长上限阈值:上四分位值+上四分位值*1.5
分位数计算公式:
[1/4分位数等待时长]:
xdn=(len(data)+1)/4.0-1
[中位数等待时长]:
xme=(len(data)+1)/2.0-1
[3/4分位数等待时长]:
xup=(len(data)+1)3*/4.0-1
得到的数据集,针对等待时长次数低于50个等待样本的数据进行去除;
D:以红绿灯链路进行二次归类,统计每个步长分组在当前红绿灯影响链路中出现的频次,同时统计出有效等待时长的出现的总频次,用于计算累计比率;
E:上四分位等待时长获取,基于获取数据集,按照分位数计算法,获取备选红灯时长集合中的上四分位的等待时长,备选红灯时长之一,计算公式参考C中的[3/4分位数等待时长];
F:跳变等待时长获取,基于获取数据集,遍历基于升序排序后的所有等待时长数据集,并依次对比相邻两个等待时长的跳变率,并获取最后一个跳变大于50%的等待时长数据,即:临界值—备选红灯时长之一;
跳变率计算公式:
G:基于步长数据集中步长分类总数大于6个的数据,进一步确保计算准确率,计算累计比率数据集;
计算并收集累计比率:
方式:遍历基于升序排序后的所有等待时长数据集,并依次收集每个等待步长在总;
累计比率计算公式:
累计比率数据集:
RatioList=[Ratio0,Ratio1,Ratio2,…,Ration]
H:基于累计比率以及有效步长数据集,计算交叉点等待时长;
I:收集所有备选等待时长数据,上四分位值、跳变值、临界值、以及交叉点值,进行最终结果筛选,筛选标准:基于得到的数据集进行排序获取上四分位值,优选最终结果,并将其作为红绿灯等灯时长。
步骤C中,data—等待时长数据集,xdn—基于数据集长度的1/4位置序号,WTdn—1/4分位数下四分位的等待时长,xme—基于数据集长度的1/2位置序号,WTme—1/2分位数中位数的等待时长,xup—基于数据集长度的3/4位置序号,WTup—3/4分位数上四分位的等待时长。
步骤F中,MutantRatio—跳变/突变比率,WTcur—当前等待时长,WTnxt—基于当前等待数据的下一个数据,注:为了减小误差,跳变率计算的WTcur与WTnxt需要同时满足大于10秒。
步骤H中:
(1)基于标准累计比率计算斜率
斜率计算公式:
slopei=(Ratioi+1-Ratoi)/(WTstepi+1-WTstpei)
斜率归一化:
slopei=(slopei-skopemin)/(slopemax-slopemin)
其中:
slopei—表示斜率
WTstepi—表示等待时长步长元素
(2)基于标准累计比率、有效步长数据集、斜率数据,分别计算基于不同阈值的两种交叉点位置等待时长数据,备选红灯时长之一,交叉计算逻辑一:
起始直线:以第一个斜率查小于0的点为起始点,若中间有斜率变化超过0.1则重新计算,以起始点后第一个斜率差小于-0.2的前一个点作为终止点,截取此间范围的点序列作为拟合序列;
结束直线:逆序遍历,当当前点的斜率与结束点的斜率绝对误差超过0.1时结束,截取此间范围的点序列作为拟合序列;
(3)对标准累计比率进行平滑处理,处理方式:
累计比率平滑公式:
Ratioi+i=(Ratioi+Ratioi+2)/2
累计比率数据集:
RatioList=[Ratio0,Ratio1,Ratio2,…,Ration]
其中:
Ratioi—表示标准累计率
(4)基于平滑后的累计比率、有效步长数据集、斜率数据,分别计算基于不同阈值的两种交叉点位置等待时长数据,备选红灯时长之一,交叉计算逻辑二:
起始直线:以第一个斜率查小于0的点为起始点,若中间有斜率变化超过0.1则重新计算,以斜率小于0.2的前一个点作为结束点,截取此间范围的点序列作为拟合序列;
结束直线:逆序遍历,当当前点的斜率与结束点的斜率绝对误差超过0.1时结束,截取此间范围的点序列作为拟合序列。
步骤I中计算公式如下:
3/4分位数速度:
xup=(len(data)+1)*3/4.0-1
其中:
xup—基于数据集长度的3/4位置序号
WTup—3/4分位数上四分位的等待时长。
实施例二:
基于浮动车数据计算红绿灯时长的方法,其计算方法包括以下步骤:
A:基础准备处理,基于高频轨迹点的扎堆点的识别以及等待时间转换处理,红绿灯影响路链:定位红绿灯位置,以及计算红绿灯影响路链;
B:基于高频轨迹点历史数据,获取浮动车的GPS数据信息,包含车辆ID,GPS时间、经纬度、以及等待时长信息;
C:异常数据清洗,对异常数据进行过滤,以及对于小样本进行过滤,以一个月的历史样本数据,以红绿灯影响链路为基准进行收集,对数据集中等待时长集合进行离群,计算[1/4分位数,中位数,3/4分位数],用四分位法确定数据集上限;
等待时长上限阈值:上四分位值+上四分位值*1.5
分位数计算公式:
[1/4分位数等待时长]:
xdn=(len(data)+1)/4.0-1
[中位数等待时长]:
xme=(len(data)+1)/2.0-1
[3/4分位数等待时长]:
xup=(len(data)+1)*3/4.0-1
得到的数据集,针对等待时长次数低于50个等待样本的数据进行去除;
D:以红绿灯链路进行二次归类,统计每个步长分组在当前红绿灯影响链路中出现的频次,同时统计出有效等待时长的出现的总频次,用于计算累计比率;
E:上四分位等待时长获取,基于获取数据集,按照分位数计算法,获取备选红灯时长集合中的上四分位的等待时长,备选红灯时长之一,计算公式参考C中的[3/4分位数等待时长];
F:跳变等待时长获取,基于获取数据集,遍历基于升序排序后的所有等待时长数据集,并依次对比相邻两个等待时长的跳变率,并获取最后一个跳变大于50%的等待时长数据,即:临界值—备选红灯时长之一;
跳变率计算公式:
G:基于步长数据集中步长分类总数大于6个的数据,进一步确保计算准确率,计算累计比率数据集;
计算并收集累计比率:
方式:遍历基于升序排序后的所有等待时长数据集,并依次收集每个等待步长在总;
累计比率计算公式:
累计比率数据集:
RatioList=[Ratio0,Ratio1,Ratio2,…,Ration]
H:基于累计比率以及有效步长数据集,计算交叉点等待时长;
I:收集所有备选等待时长数据,上四分位值、跳变值、临界值、以及交叉点值,进行最终结果筛选,筛选标准:基于得到的数据集进行排序获取上四分位值,优选最终结果,并将其作为红绿灯等灯时长。
步骤C中,data—等待时长数据集,xdn—基于数据集长度的1/4位置序号,WTdn—1/4分位数下四分位的等待时长,xme—基于数据集长度的1/2位置序号,WTme—1/2分位数中位数的等待时长,xup—基于数据集长度的3/4位置序号,WTup—3/4分位数上四分位的等待时长。
步骤F中,MutantRatio—跳变/突变比率,WTcur—当前等待时长,WTnxt—基于当前等待数据的下一个数据,注:为了减小误差,跳变率计算的WTcur与WTnxt需要同时满足大于10秒。
步骤H中:
(1)基于标准累计比率计算斜率
斜率计算公式:
slopei=(Ratioi+1-Ratoi)/(WTstepi+1-WTstpei)
斜率归一化:
slopei=(slopei-skopemin)/(slopemax-slopemin)
其中:
slopei—表示斜率
WTstepi—表示等待时长步长元素
(2)基于标准累计比率、有效步长数据集、斜率数据,分别计算基于不同阈值的两种交叉点位置等待时长数据,备选红灯时长之一,交叉计算逻辑一:
起始直线:以第一个斜率查小于0的点为起始点,若中间有斜率变化超过0.1则重新计算,以起始点后第一个斜率差小于-0.2的前一个点作为终止点,截取此间范围的点序列作为拟合序列;
结束直线:逆序遍历,当当前点的斜率与结束点的斜率绝对误差超过0.1时结束,截取此间范围的点序列作为拟合序列;
(3)对标准累计比率进行平滑处理,处理方式:
累计比率平滑公式:
Ratioi+i=(Ratioi+Ratioi+2)/2
累计比率数据集:
RatioList=[Ratio0,Ratio1,Ratio2,…,Ration]
其中:
Ratioi—表示标准累计率
(4)基于平滑后的累计比率、有效步长数据集、斜率数据,分别计算基于不同阈值的两种交叉点位置等待时长数据,备选红灯时长之一,交叉计算逻辑二:
起始直线:以第一个斜率查小于0的点为起始点,若中间有斜率变化超过0.1则重新计算,以斜率小于0.2的前一个点作为结束点,截取此间范围的点序列作为拟合序列;
结束直线:逆序遍历,当当前点的斜率与结束点的斜率绝对误差超过0.1时结束,截取此间范围的点序列作为拟合序列。
综上所述:该基于浮动车数据计算红绿灯时长的方法,解决了现有产品由于均是基于高频浮动车的轨迹点数据进行计算,覆盖区域有一定的局限性,无法做到所有红绿灯路口均能计算出红灯时长的情况,对于算力要求较高,导致对于部分动态调控的红绿灯路口,计算模型存得到的红灯时长在一定误差的问题。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于浮动车数据计算红绿灯时长的方法,其计算方法包括以下步骤:
A:基础准备处理,基于高频轨迹点的扎堆点的识别以及等待时间转换处理,红绿灯影响路链:定位红绿灯位置,以及计算红绿灯影响路链;
B:基于高频轨迹点历史数据,获取浮动车的GPS数据信息,包含车辆ID,GPS时间、经纬度、以及等待时长信息;
C:异常数据清洗,对异常数据进行过滤,以及对于小样本进行过滤,以一个月的历史样本数据,以红绿灯影响链路为基准进行收集,对数据集中等待时长集合进行离群,计算[1/4分位数,中位数,3/4分位数],用四分位法确定数据集上限;
等待时长上限阈值:上四分位值+上四分位值*1.5
分位数计算公式:
[1/4分位数等待时长]:
xdn=(len(data)+1)/4.0-1
[中位数等待时长]:
xme=(len(data)+1)/20-1
[3/4分位数等待时长]:
xup=(len(data)+1)*3/4.0-1
得到的数据集,针对等待时长次数低于50个等待样本的数据进行去除;
D:以红绿灯链路进行二次归类,统计每个步长分组在当前红绿灯影响链路中出现的频次,同时统计出有效等待时长的出现的总频次,用于计算累计比率;
E:上四分位等待时长获取,基于获取数据集,按照分位数计算法,获取备选红灯时长集合中的上四分位的等待时长,备选红灯时长之一,计算公式参考C中的[3/4分位数等待时长];
F:跳变等待时长获取,基于获取数据集,遍历基于升序排序后的所有等待时长数据集,并依次对比相邻两个等待时长的跳变率,并获取最后一个跳变大于50%的等待时长数据,即:临界值-备选红灯时长之一;
跳变率计算公式:
G:基于步长数据集中步长分类总数大于6个的数据,进一步确保计算准确率,计算累计比率数据集;
计算并收集累计比率:
方式:遍历基于升序排序后的所有等待时长数据集,并依次收集每个等待步长在总;
累计比率计算公式:
累计比率数据集:
RatioList=[Ratio0,Ratio1,Ratio2,…,Ration]
H:基于累计比率以及有效步长数据集,计算交叉点等待时长;
I:收集所有备选等待时长数据,上四分位值、跳变值、临界值、以及交叉点值,进行最终结果筛选,筛选标准:基于得到的数据集进行排序获取上四分位值,优选最终结果,并将其作为红绿灯等灯时长。
2.根据权利要求1所述的一种基于浮动车数据计算红绿灯时长的方法,其特征在于:所述步骤C中,data-等待时长数据集,xdn-基于数据集长度的1/4位置序号,WTdn-1/4分位数下四分位的等待时长,xme-基于数据集长度的1/2位置序号,WTme-1/2分位数中位数的等待时长,xup-基于数据集长度的3/4位置序号,WTup-3/4分位数上四分位的等待时长。
3.根据权利要求1所述的一种基于浮动车数据计算红绿灯时长的方法,其特征在于:所述步骤F中,MutantRatio-跳变/突变比率,WTcur-当前等待时长,WTnxt-基于当前等待数据的下一个数据,注:为了减小误差,跳变率计算的WTcur与WTnxt需要同时满足大于10秒。
5.根据权利要求1所述的一种基于浮动车数据计算红绿灯时长的方法,其特征在于:所述步骤H中:
(1)基于标准累计比率计算斜率
斜率计算公式:
slopei=(Ratioi+1-Ratioi)/(WTstepi+1-WTstpei)
斜率归一化:
slopei=(slopei-slopemin)/(slopemax-slopemin)
其中:
slopei-表示斜率
WTstepi-表示等待时长步长元素
(2)基于标准累计比率、有效步长数据集、斜率数据,分别计算基于不同阈值的两种交叉点位置等待时长数据,备选红灯时长之一,交叉计算逻辑一:
起始直线:以第一个斜率查小于0的点为起始点,若中间有斜率变化超过0.1则重新计算,以起始点后第一个斜率差小于-0.2的前一个点作为终止点,截取此间范围的点序列作为拟合序列;
结束直线:逆序遍历,当当前点的斜率与结束点的斜率绝对误差超过0.1时结束,截取此间范围的点序列作为拟合序列;
(3)对标准累计比率进行平滑处理,处理方式:
累计比率平滑公式:
Ratioi+i=(Ratioi+Ratioi+2)/2
累计比率数据集:
RatioList=[Ratio0,Ratio1,Ratio2,…,Ration]
其中:
Ratioi-表示标准累计率
(4)基于平滑后的累计比率、有效步长数据集、斜率数据,分别计算基于不同阈值的两种交叉点位置等待时长数据,备选红灯时长之一,交叉计算逻辑二:
起始直线:以第一个斜率查小于0的点为起始点,若中间有斜率变化超过0.1则重新计算,以斜率小于0.2的前一个点作为结束点,截取此间范围的点序列作为拟合序列;
结束直线:逆序遍历,当当前点的斜率与结束点的斜率绝对误差超过0.1时结束,截取此间范围的点序列作为拟合序列。
7.根据权利要求1所述的一种基于浮动车数据计算红绿灯时长的方法,其特征在于:所述计算思想:一般情况下,在红绿灯控制范围内,每当放行一次,车辆会移动一次,同样的每次等待时间小于控制时长,因此当车辆在红绿灯前发生等待时,等待时间不会超越红绿灯控制时长。
8.根据权利要求1所述的一种基于浮动车数据计算红绿灯时长的方法,其特征在于:所述本红绿灯模型计算程序有如下假设前提:红绿灯控制时长较为固定,红绿灯控制时长较为固定,基于高频车辆轨迹等信息计算,数据质量好。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111222541.5A CN113888872B (zh) | 2021-10-20 | 2021-10-20 | 一种基于浮动车数据计算红绿灯时长的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111222541.5A CN113888872B (zh) | 2021-10-20 | 2021-10-20 | 一种基于浮动车数据计算红绿灯时长的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113888872A true CN113888872A (zh) | 2022-01-04 |
CN113888872B CN113888872B (zh) | 2023-07-28 |
Family
ID=79003741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111222541.5A Active CN113888872B (zh) | 2021-10-20 | 2021-10-20 | 一种基于浮动车数据计算红绿灯时长的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113888872B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010044526A (ja) * | 2008-08-11 | 2010-02-25 | Sumitomo Electric Ind Ltd | 渋滞情報生成装置、コンピュータプログラム及び渋滞情報生成方法 |
CN103854481A (zh) * | 2012-12-06 | 2014-06-11 | 高德软件有限公司 | 一种交通路况信息的采集方法和装置 |
CN103903423A (zh) * | 2012-12-24 | 2014-07-02 | 北京掌城科技有限公司 | 基于浮动车数据的交通事件信息发布范围确定方法 |
CN106875680A (zh) * | 2017-03-21 | 2017-06-20 | 杭州电子科技大学 | 基于大数据分析的路口平均等待时间计算方法 |
CN107331172A (zh) * | 2017-08-25 | 2017-11-07 | 青岛海信网络科技股份有限公司 | 一种基于道路交通状态的交通相位调整方法和装置 |
CN108492589A (zh) * | 2018-03-05 | 2018-09-04 | 俞跃 | 交通灯智能调节方法及装置 |
US20200051428A1 (en) * | 2017-12-13 | 2020-02-13 | Tencent Technology (Shenzhen) Company Limited | Road condition generation method, apparatus and device, and storage medium |
CN110880246A (zh) * | 2018-09-06 | 2020-03-13 | 北京嘀嘀无限科技发展有限公司 | 信号灯周期、配时改变时间、通行时长的确定方法及装置 |
CN111951570A (zh) * | 2019-05-17 | 2020-11-17 | 上海晶赞融宣科技有限公司 | 交通信号灯的控制方法及装置、系统 |
-
2021
- 2021-10-20 CN CN202111222541.5A patent/CN113888872B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010044526A (ja) * | 2008-08-11 | 2010-02-25 | Sumitomo Electric Ind Ltd | 渋滞情報生成装置、コンピュータプログラム及び渋滞情報生成方法 |
CN103854481A (zh) * | 2012-12-06 | 2014-06-11 | 高德软件有限公司 | 一种交通路况信息的采集方法和装置 |
CN103903423A (zh) * | 2012-12-24 | 2014-07-02 | 北京掌城科技有限公司 | 基于浮动车数据的交通事件信息发布范围确定方法 |
CN106875680A (zh) * | 2017-03-21 | 2017-06-20 | 杭州电子科技大学 | 基于大数据分析的路口平均等待时间计算方法 |
CN107331172A (zh) * | 2017-08-25 | 2017-11-07 | 青岛海信网络科技股份有限公司 | 一种基于道路交通状态的交通相位调整方法和装置 |
US20200051428A1 (en) * | 2017-12-13 | 2020-02-13 | Tencent Technology (Shenzhen) Company Limited | Road condition generation method, apparatus and device, and storage medium |
CN108492589A (zh) * | 2018-03-05 | 2018-09-04 | 俞跃 | 交通灯智能调节方法及装置 |
CN110880246A (zh) * | 2018-09-06 | 2020-03-13 | 北京嘀嘀无限科技发展有限公司 | 信号灯周期、配时改变时间、通行时长的确定方法及装置 |
CN111951570A (zh) * | 2019-05-17 | 2020-11-17 | 上海晶赞融宣科技有限公司 | 交通信号灯的控制方法及装置、系统 |
Non-Patent Citations (1)
Title |
---|
董岳;张发明;: "利用低频浮动车交叉口运行状态的单车路段行程时间估计" * |
Also Published As
Publication number | Publication date |
---|---|
CN113888872B (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105913661B (zh) | 一种基于收费数据的高速公路路段交通状态判别方法 | |
WO2019047905A1 (zh) | 一种交通路况分析系统、方法以及装置 | |
CN111091720B (zh) | 基于信令数据和浮动车数据的拥堵路段识别方法及装置 | |
CN109448367B (zh) | 一种基于大数据图像采集的智能道路交通追踪管理系统 | |
CN108629973A (zh) | 基于固定检测设备的路段交通拥堵指数计算方法 | |
CN111724589B (zh) | 一种基于多源数据的高速公路断面流量估计方法 | |
CN111210612B (zh) | 基于公交gps数据与站点信息提取公交线路轨迹的方法 | |
CN100456335C (zh) | 基于交通流相特征的城市交通系统状态可视化评价方法及其应用 | |
CN111243277A (zh) | 基于车牌识别数据的通勤车辆时空轨迹重构方法及系统 | |
CN101777259B (zh) | 城市道路交叉路口平均延误获取方法 | |
CN110276950B (zh) | 一种基于卡口视频数据的城市交通出行链重构方法 | |
CN109859468A (zh) | 基于YOLOv3的多车道车流量计数及车辆跟踪方法 | |
CN102024323B (zh) | 基于浮动车数据提取车辆排队长度的方法 | |
CN105825669A (zh) | 一种识别城市快速路交通瓶颈的系统和方法 | |
CN107590999B (zh) | 一种基于卡口数据的交通状态判别方法 | |
CN113380036B (zh) | 一种基于电子警察数据的排队长度计算方法 | |
CN105096590B (zh) | 交通信息生成方法和交通信息生成设备 | |
Yang et al. | Impact of weather on freeway origin-destination volume in China | |
WO2023216504A1 (zh) | 一种基于多尺度计算的数字路网交通状态推算方法 | |
CN115311854A (zh) | 一种基于数据融合的车辆时空轨迹重构方法 | |
CN106548628A (zh) | 一种基于视觉空间转换网格化的路况分析方法 | |
CN111369810A (zh) | 车辆出行特征获取方法、装置、电子设备及存储介质 | |
CN113888872A (zh) | 一种基于浮动车数据计算红绿灯时长的方法 | |
CN115631082A (zh) | 一种基于高速路网拓扑结构的多场景路径还原方法 | |
CN113593222B (zh) | 一种多源数据支撑的交通管控诊断方法 |
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 |