CN114023073B - 一种基于车辆行为分析的高速公路拥堵预测方法 - Google Patents

一种基于车辆行为分析的高速公路拥堵预测方法 Download PDF

Info

Publication number
CN114023073B
CN114023073B CN202210010637.3A CN202210010637A CN114023073B CN 114023073 B CN114023073 B CN 114023073B CN 202210010637 A CN202210010637 A CN 202210010637A CN 114023073 B CN114023073 B CN 114023073B
Authority
CN
China
Prior art keywords
vehicle
traffic
data
time
passing
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
CN202210010637.3A
Other languages
English (en)
Other versions
CN114023073A (zh
Inventor
白雪
卞加佳
胡昕宇
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.)
Nanjing Microvideo Technology Co ltd
Original Assignee
Nanjing Microvideo Technology Co ltd
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 Nanjing Microvideo Technology Co ltd filed Critical Nanjing Microvideo Technology Co ltd
Priority to CN202210010637.3A priority Critical patent/CN114023073B/zh
Publication of CN114023073A publication Critical patent/CN114023073A/zh
Application granted granted Critical
Publication of CN114023073B publication Critical patent/CN114023073B/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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Marketing (AREA)
  • Chemical & Material Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于车辆行为分析的高速公路拥堵预测方法，主要包括如下步骤：1)准备本方案所需输入数据；2)基于车辆通行历史数据生成车辆通行行为表且区分工作日与非工作日；3)计算路段延误时间比，生成交通运行状况实时监测结果；4)结合车辆行为与车辆通行实时数据对入网车辆的通行路径与速度进行动态预测；5)计算预测时间下路段的延误时间比，判定该路段是否发生了拥堵，生成交通运行状况短期预测结果；6)综合交通运行状况实时监测结果与短期预测结果，在对应标记点采取相应的主动管控措施。本发明能够对道路交通运行状况进行实时监测并对路段拥堵进行动态预测，使得对道路交通状况的主动管控更加准确有效。

Description

一种基于车辆行为分析的高速公路拥堵预测方法
技术领域
本发明属于交通工程研究领域，具体涉及一种基于车辆行为分析的高速公路交通状况实时监测与拥堵预测方法。
背景技术
随着经济社会的快速发展，客运量与货运量逐年递增，高速公路承担的压力也越来越大，尤其是在车流高峰期，一些小的突发事件都会严重影响高速公路的正常运营，交通拥堵也呈现常态化的特点。交通拥堵严重影响居民的正常工作与生活，交通拥堵状态越严重，居民出行所需的时间越久。实时观测交通的拥堵状况及对交通状况的预测对居民合理选择出行方式与高速公路的主动管控有重大意义。
现有的高速公路交通状况实时监测与拥堵预测方法绝大多数是基于宏观交通流进行研究优化，没有对路段针对性地预判交通状况，因此出现了针对性较弱，推广性较差的情况。此外，在对交通状况的预测过程中，缺少对车辆行为的认知，因此无法动态判断车辆的变动情况，进而影响交通状况预测的准确性。
发明内容
本发明的目的在于提供一种基于车辆行为分析的高速公路交通状况实时监测与拥堵预测方法，旨在克服当前人工干预方式中存在的问题，为高速公路的主动管控提供科学的决策依据。
为实现上述目的，本发明的具体技术方案是：一种基于车辆行为分析的高速公路拥堵预测方法，包括以下步骤：
S1获取路网的车辆实时通行数据、车辆历史通行数据和路网结构数据；基于高速公路的实际路网结构，将高速公路上的数据采集点抽象为拓扑网络图中的标记点，将直接连接两个标记点的有向路线即路段抽象为拓扑网络图中的边，建立拓扑网络图；所述标记点赋予编号；
S2基于车辆历史通行数据分别生成工作日车辆通行行为表与非工作日车辆通行行为表，行为表中记录车辆的行驶路径和行驶速度偏好；所述行驶路径和行驶速度偏好以区间为单位统计；所述区间由拓扑网络图中的边及边两端的标记点组成；
S3基于车辆历史通行数据计算路段的自由流速度；基于车辆实时通行数据中获取车辆通行路径和通行时间，结合路段自由流速度数据计算路段的延误时间比；根据路段延误时间比与城市交通运行指数的对应关系，判断路段的交通状况等级，生成交通运行状况实时监测结果；
S4基于车辆实时通行数据获取进入路网的车辆车牌、通行路径与通行时间，结合S2生成的工作日车辆通行行为表与非工作日车辆通行行为表对入网车辆的未来车辆行驶路径和通行速度进行动态预测；
S5根据未来车辆行驶路径和通行速度的动态预测结果计算路段通行时间，之后结合该路段的自由流速度，计算路段的延误时间比，生成交通运行状况短期预测结果。
本发明所述的车辆实时通行数据、车辆历史通行数据，统称为实时通行数据，指车辆经过高速公路数据采集点后被观测记录到的时间与身份（车牌编号）信息，以及路网中采集点本身的识别信息。路网拓扑结构数据指高速公路上数据采集点之间相互的通行关系抽象成图的形式的数据表达。高速公路上数据采集的重要位置与路网拓扑结构数据中的‘点’是一一对应的，即高速公路的每一个数据采集的重要位置均被抽象为一个点；其次，连接两个点的路线（即路段）直接连通(即中间不经过其他点)且具有方向性，将路段抽象为‘边’，因此高速公路上的路段与路网拓扑结构数据中的‘边’也是一一对应的关系。
作为一种优选的实施方式，所述数据采集点包括门架系统、收费站、服务区位置处。数据采集点通常设置于高速公路上影响车流的重要位置，如门架系统，收费站，服务区等位置处。
作为一种优选的实施方式，所述S2中，当区间的两个标记点接近时，将该区间与前一区间或后一区间合并形成新的区间，以新的区间为单位统计行驶路径和行驶速度偏好，例如假设车辆路径是A-B-C，A、B两个标记点非常接近，则将A-B区间和后区间B-C区间合并为A-C区间。
作为一种优选的实施方式，所述行驶速度偏好以快车、慢车或正常三种分类指标表征，统计方式如下：
1）选取一定时间段内的车辆历史通行速度数据并对数据进行清洗（即数据异常值与数据缺失值处理），避免由于数据采集过程中的误差影响车辆行驶行为的评估。其中数据异常值识别基于箱线图原理，进而将异常值转化为缺失值进行处理，数据缺失值处理采用线性插值的方法。
2）按区间对上述数据进行分组，对处于同一区间内的车辆的速度按升序顺序进行排列，进而计算百分位数，基于百分位数确定行驶行为习惯中快车，慢车的阈值。
3）基于上述阈值，可判断某区间车辆的行驶行为习惯，综合所有区间的计算结果，可得到某车辆在一定时间段内的驾驶行为习惯。
4）选取其他时间段重复上述实验，进而对车辆的行驶行为进行评估，若车辆长时间、多区间处于某个状态，则认为该车的行驶行为是该状态。
作为一种优选的实施方式，所述行驶路径偏好以通行概率量化表征，其计算方式如下：
1）选取车辆历史通行数据中车辆的行驶路径数据，并对车辆的各个行驶路径的通行次数进行计算；
2）基于上述计算结果，若车辆在历史数据中仅有一种行驶路径，那么通行概率为100%，若有多种通行路径，则以通行次数作为权重计算通行概率。
作为一种优选的实施方式，所述S4中，根据车辆实时通行数据确定入网车辆经过的标记点，基于最近经过的标记点在工作日/非工作日车辆通行行为表中进行搜索，可确定下一个可能到达的标记点，实现对未来车辆行驶路径的预测。
作为一种优选的实施方式，通行速度的预测方式为：
建立通行路况计算模型如下：
Figure 900891DEST_PATH_IMAGE001
其中，
Figure 552452DEST_PATH_IMAGE002
：车辆在区间
Figure 801030DEST_PATH_IMAGE003
的通行速度，且
Figure 868344DEST_PATH_IMAGE003
为预测区间；
Figure 151557DEST_PATH_IMAGE004
：车辆在区间
Figure 705511DEST_PATH_IMAGE003
的上一个区间的通行速度；
Figure 644648DEST_PATH_IMAGE005
：车辆在区间
Figure 577969DEST_PATH_IMAGE003
的第前
Figure 918952DEST_PATH_IMAGE006
个区间的通行速度；
Figure 646736DEST_PATH_IMAGE007
：对应区间的权重系数；
Figure 73170DEST_PATH_IMAGE008
：区间
Figure 544602DEST_PATH_IMAGE003
的上一个区间中的第
Figure 740091DEST_PATH_IMAGE009
个车辆的通行速度。
基于车辆历史通行数据可对上述模型进行求解得到区间的权重系数
Figure 638777DEST_PATH_IMAGE007
及相应函数关系，进而结合实时通行数据中车辆的区间速度数据与车辆通行速度偏好数据可计算区间速度短期预测值。
作为一种优选的实施方式，所述方法还包括，对所述工作日车辆通行行为表与非工作日车辆通行行为表进行及时更新，以捕获车辆行为的变化情况，提高预测的准确率。
作为一种优选的实施方式，所述方法还包括，将生成的交通运行状况实时监测结果和交通运行状况短期预测结果按时间与位置进行切片。
作为一种优选的实施方式，所述方法还包括：基于S3获取的交通运行状况实时监测结果，可观测到当前路网的交通运行状况，进而对于不同的拥堵等级采取不同的主动管控措施；以及基于S5获取的交通运行状况短期预测结果，可对未来可能会发生拥堵的路段进行提前管控。
本发明基于对车辆行为的分析提出了一种基于车辆行为分析的高速公路交通状况实时监测与拥堵预测方法，并从主动管控角度出发，精细到路段研究，改进现有的高速公路交通状况实时监测与拥堵预测方法存在的缺陷，对交通状况进行实时监控并做出预测。与现有技术相比，具有以下有益效果：
1、本发明对于高速路网的当前交通运行状况实现了一定时间间隔的实时监测，并且可以定位不同路段的不同交通运行状况，将交通运行状况分为畅通、基本畅通、轻度拥堵、中度拥堵及严重拥堵五个等级，以便对不同等级的拥堵状况采取不同的主动管控措施。
2、本发明在对未来的交通运行状况进行预测的时候考虑了车辆的通行行为偏好，并分别对工作日与非工作日的车辆通行行为进行统计分析，进而合理预测车辆的通行路径，进一步提高交通运行状况预测的准确率。
3、本发明在车辆的通行行为偏好研究中考虑了车辆通行速度偏好，并应用分类指标对其进行量化，基于此提出了一种车辆通行速度偏好的计算方法。
4、本发明在对区间速度进行短期预测时，考虑了两个重要的因素：车辆通行速度偏好与通行路况，并创新性提出了通行路况的量化方法与计算方法。
附图说明
图1为基于车辆行为分析的高速公路交通状况实时监测与拥堵预测方法的技术路线图。
图2为路网示例图。
图3为抽象的路网拓扑图。
图4为实施例1路段交通运行状况实时监测结果。
图5为实施例1路段交通运行状况短期监测结果。
具体实施方式
下面结合附图说明和实施例1，详细描述本发明的具体实施方式，以下实施方式主要用于对本发明的技术方案作进一步阐述，而不能限制本发明。
实施例1
在本实施例中公开了一种基于车辆行为分析的高速公路交通状况实时监测与拥堵预测方法，本例实施方式如下：
1、基于高速公路的实际路网结构，获取拓扑网络图
基于江苏省高速公路的实际路网结构，如图1 所示，将高速公路上的门架系统，收费站，服务区等抽象为拓扑网络图中的‘点’，其中车辆驶入高速路网的点记为‘入口点’，车辆驶出高速路网的点记为‘出口点’；将直接连接两个标记点的有向路线抽象为拓扑网络图中的‘边’，得到的拓扑网络图如图2所示。
2、生成车辆通行行为表(区分工作日与非工作日)
基于步骤S1获取的拓扑网络图，选取江苏省某高速路段进行研究，局部细节图如图2示意图所示，图2示意图为路段单向示意图且只展示分流的标记点，直线路段的标记点不做展示。选取该路段的车辆工作日历史通行数据进行处理，生成工作日车辆通行行为表，用于存储工作日(周一至周五)期间车辆的行驶路径偏好和行驶速度偏好。
行驶速度偏好的计算步骤如下：
1）选取一定时间段内的车辆历史通行速度数据并对数据进行清洗（即数据异常值与数据缺失值处理），避免由于数据采集过程中的误差影响车辆行驶行为的评估。其中数据异常值识别基于箱线图原理，进而将异常值转化为缺失值进行处理，数据缺失值处理采用线性插值的方法。
2）按区间对上述数据进行分组，对处于同一区间内的车辆的速度按升序顺序进行排列，进而计算百分位数，基于百分位数确定行驶行为习惯中快车，慢车的阈值。
3）基于上述阈值，可判断某区间车辆的行驶行为习惯，综合所有区间的计算结果，可得到某车辆在一定时间段内的驾驶行为习惯。
4）选取其他时间段重复上述实验，进而对车辆的行驶行为进行评估，若车辆长时间、多区间处于某个状态，则认为该车的行驶行为是该状态。
通行概率的计算方法如下：
1）选取车辆历史通行数据中车辆的行驶路径数据，并对车辆的各个行驶路径的通行次数进行计算；
2）基于上述计算结果，若车辆在历史数据中仅有一种行驶路径，那么通行概率为100%，若有多种通行路径，则以通行次数作为权重计算通行概率。
计算生成的工作日车辆通行行为表如下表所示：
表1 工作日车辆通行行为表
Figure 614823DEST_PATH_IMAGE011
同样地，选取车辆非工作日历史通行数据进行处理与计算，生成非工作日车辆通行行为表，用于存储非工作日(周六和周日)期间车辆的行驶路径偏好和行驶速度偏好，如下表所示：
表2 非工作日车辆通行行为表
Figure 562051DEST_PATH_IMAGE012
3、生成交通运行状况实时监测结果
基于高速公路的车辆历史通行数据，以《城市交通运行状况评价规范》(GB/T33171—2016)为表征，计算路段的自由流速度，按以下步骤进行：
1）按一定的时间间隔(时间间隔长度不超过15min)将6：00~24：00进行等分；
2）计算每一时间间隔内每一车辆的平均行驶速度，进而对路段内的所有车辆求算数平均值作为路段平均行驶速度，样本天数至少为30天；
3）将以上计算得到的路段平均行驶速度从大到小排序，选取排序结果的前1/9并计算平均值，将该结果作为路段自由流速度；
4）如果以上计算得到的路段自由流速度大于路段设计速度，则取路段设计速度。
然后结合高速公路车辆实时通行数据中的车辆通行路径与通行时间数据，计算路段的延误时间比。路段的延误时间比(DTP)按以下公式进行计算：
Figure 937013DEST_PATH_IMAGE013
其中，
Figure 944283DEST_PATH_IMAGE014
表示时间间隔
Figure 407625DEST_PATH_IMAGE015
内车辆经过路段
Figure 955281DEST_PATH_IMAGE016
所使用的平均时间(单位：h)，
Figure 125363DEST_PATH_IMAGE017
表示路段
Figure 631431DEST_PATH_IMAGE016
在自由流状态下的行驶时间(单位：h)。当实际行程时间
Figure 254173DEST_PATH_IMAGE018
小于自由流行程时间时，设定DTP=0。
基于《城市交通运行状况评价规范》(GB/T33171—2016)得到的路段延误时间比与城市交通运行指数、交通运行状况等级的对应关系如下表3所示：
表3路段延误时间比与城市交通运行指数、交通运行状况等级的对应关系
延误时间比 [0,0.3) [0.3,0.5) [0.5,0.6) [0.6,0.7) [0.7,1]
城市交通运行指数 [0,2) [2,4) [4,6) [6,8) [8,10]
运行状况等级 畅通 基本畅通 轻度拥堵 中度拥堵 严重拥堵
进而根据路段延误时间比与城市交通运行指数的对应关系，可判断路段的交通状况等级，生成交通运行状况实时监测结果。EF路段在2021年5月2日中午12点的实时监测结果如图4所示，状态选取三种拥堵状态(轻度拥堵、中度拥堵及严重拥堵) ，时间区间为0点到12点，时间间隔为15分钟，位置量化为从入口标记点开始的千米数。
4、生成交通运行状况短期预测结果
首先基于车辆历史通行数据可对以下模型进行求解：
Figure 605520DEST_PATH_IMAGE001
得到区间的权重系数
Figure 692424DEST_PATH_IMAGE007
及相应函数关系；然后按以下公式进行计算路段的延误时间比(DTP)：
Figure 307077DEST_PATH_IMAGE013
进而根据路段延误时间比与城市交通运行指数的对应关系，可判断预测路段的交通状况等级，生成交通运行状况短期预测结果如图5所示，状态选取三种拥堵状态(轻度拥堵、中度拥堵及严重拥堵) ，预测时间区间为未来两小时，即12点到14点，时间间隔为15分钟，位置量化为从入口标记点开始的千米数。生成的交通运行状况短期预测结果与交通运行状况实时监测结果有一样的形式，即按照时间与位置切片。
5、主动管控
基于生成的交通运行状况实时监测结果及交通运行状况短期预测结果，观测到当前路网及未来的交通运行状况，对于当前的不同等级的交通状况采取不同的管控措施，对于未来可能发生拥堵的路段进行提前管控，可在多个入口点进行管控或采取车道关闭等措施。

Claims (8)

1.一种基于车辆行为分析的高速公路拥堵预测方法，其特征在于，包括如下步骤：
S1获取路网的车辆实时通行数据、车辆历史通行数据和路网结构数据；基于高速公路的实际路网结构，将高速公路上的数据采集点抽象为拓扑网络图中的标记点，将直接连接两个标记点的有向路线即路段抽象为拓扑网络图中的边，建立拓扑网络图；所述标记点赋予编号；
S2基于车辆历史通行数据分别生成工作日车辆通行行为表与非工作日车辆通行行为表，行为表中记录车辆的行驶路径和行驶速度偏好；所述行驶路径和行驶速度偏好以区间为单位统计；所述区间由拓扑网络图中的边及边两端的标记点组成；
所述行驶速度偏好以快车、慢车或正常三种分类指标表征，统计方式如下：
1）选取一定时间段内的车辆历史通行断面速度数据并对数据进行清洗；
2）按区间对清洗后的数据分组，对处于同一区间内的车辆的速度按升序排序，计算百分位数，基于百分位数确定行驶行为习惯中快车，慢车的阈值；
3）基于上述阈值判断某区间车辆的行驶行为习惯，综合所有区间的计算结果得到某车辆在一定时间段内的驾驶行为习惯；
4）选取其他时间段重复上述步骤1）-3），进而评估车辆的行驶行为，若车辆长时间、多区间处于某一指标状态，则认为该车的行驶速度偏好是该指标；
S3基于车辆历史通行数据计算路段的自由流速度；基于车辆实时通行数据中获取车辆通行路径和通行时间，结合路段自由流速度数据计算路段的延误时间比；根据路段延误时间比与城市交通运行指数的对应关系，判断路段的交通状况等级，生成交通运行状况实时监测结果；
S4基于车辆实时通行数据获取进入路网的车辆车牌、通行路径与通行时间，结合S2生成的工作日车辆通行行为表与非工作日车辆通行行为表对入网车辆的未来车辆行驶路径和通行速度进行动态预测；
S5根据未来车辆行驶路径和通行速度的动态预测结果计算路段通行时间，之后结合该路段的自由流速度，计算路段的延误时间比，生成交通运行状况短期预测结果；
所述通行速度的预测方式为：
建立通行路况计算模型如下：
Figure DEST_PATH_IMAGE002
其中：
Figure DEST_PATH_IMAGE004
为预测区间；
Figure DEST_PATH_IMAGE006
为车辆在预测区间
Figure 185742DEST_PATH_IMAGE004
的通行速度；
Figure DEST_PATH_IMAGE008
为车辆的预测区间
Figure 509407DEST_PATH_IMAGE004
前一个区间的通行速度；
Figure DEST_PATH_IMAGE010
为车辆在预测区间
Figure 958318DEST_PATH_IMAGE004
的第前
Figure DEST_PATH_IMAGE012
个区间的通行速度；
Figure DEST_PATH_IMAGE014
为对应区间的权重系数；
Figure DEST_PATH_IMAGE016
为预测区间
Figure 369839DEST_PATH_IMAGE004
前一个区间中第
Figure DEST_PATH_IMAGE018
个车辆的通行速度；
基于车辆历史通行数据对上述模型进行求解得到区间的权重系数
Figure 856315DEST_PATH_IMAGE014
及相应函数关系，结合实时通行数据中车辆的区间速度数据与车辆行驶速度偏好数据计算预测区间
Figure 350881DEST_PATH_IMAGE004
速度短期预测值
Figure 546809DEST_PATH_IMAGE006
。
2.根据权利要求1所述的方法，其特征在于，所述数据采集点包括门架系统、收费站、服务区位置处。
3.根据权利要求1所述的方法，其特征在于，所述S2中，当区间的两个标记点接近时，将该区间与前一区间或后一区间合并形成新的区间，以新的区间为单位统计行驶路径和行驶速度偏好。
4.根据权利要求1所述的方法，其特征在于，所述行驶路径偏好以通行概率量化表征，其计算方式如下：
1）选取车辆历史通行数据中车辆的行驶路径数据，并对车辆的各个行驶路径的通行次数进行计算；
2）基于上述计算结果，若车辆在历史数据中仅有一种行驶路径，则通行概率为100%，若有多种通行路径，则以通行次数作为权重计算通行概率。
5.根据权利要求1所述的方法，其特征在于，所述S4中，根据车辆实时通行数据确定入网车辆经过的标记点，基于最近经过的标记点在工作日/非工作日车辆通行行为表中进行搜索，可确定下一个可能到达的标记点，实现对未来车辆行驶路径的预测。
6.根据权利要求1所述的方法，其特征在于，还包括，对所述工作日车辆通行行为表与非工作日车辆通行行为表进行实时更新。
7.根据权利要求1所述的方法，其特征在于，还包括，将生成的交通运行状况实时监测结果和交通运行状况短期预测结果按时间与位置进行切片。
8.根据权利要求1所述的方法，其特征在于，还包括，基于S3获取的交通运行状况实时监测结果，对于不同的拥堵等级采取不同的主动管控措施；
以及基于S5获取的交通运行状况短期预测结果，对未来可能会发生拥堵的路段进行提前管控。
CN202210010637.3A 2022-01-06 2022-01-06 一种基于车辆行为分析的高速公路拥堵预测方法 Active CN114023073B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210010637.3A CN114023073B (zh) 2022-01-06 2022-01-06 一种基于车辆行为分析的高速公路拥堵预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210010637.3A CN114023073B (zh) 2022-01-06 2022-01-06 一种基于车辆行为分析的高速公路拥堵预测方法

Publications (2)

Publication Number Publication Date
CN114023073A CN114023073A (zh) 2022-02-08
CN114023073B true CN114023073B (zh) 2022-04-19

Family

ID=80069574

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210010637.3A Active CN114023073B (zh) 2022-01-06 2022-01-06 一种基于车辆行为分析的高速公路拥堵预测方法

Country Status (1)

Country Link
CN (1) CN114023073B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115410375A (zh) * 2022-11-02 2022-11-29 华路易云科技有限公司 一种基于雷卡融合交通数据的融合交通指标集生成方法
CN116153079B (zh) * 2023-04-17 2023-06-23 湖南工商大学 基于车辆轨迹分析的道路车流量预测方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103956050B (zh) * 2012-09-06 2016-08-24 北京交通发展研究中心 基于车辆行程数据的道路网运行评价方法
CN103942953A (zh) * 2014-03-13 2014-07-23 华南理工大学 一种基于浮动车数据的城市路网动态交通拥挤预测方法
CN108335485B (zh) * 2018-01-31 2020-04-24 杭州远眺科技有限公司 基于车牌识别数据的大事件交通动态仿真拥堵预测的方法
CN108648445B (zh) * 2018-04-19 2020-02-21 浙江浙大中控信息技术有限公司 基于交通大数据的动态交通态势预测方法
CN110675629B (zh) * 2019-10-08 2021-12-24 苏交科集团股份有限公司 一种基于大数据的高速公路拥堵预测与主动防控方法
CN111932898B (zh) * 2020-09-23 2020-12-22 南京感动科技有限公司 一种基于etc门架系统的短时流量预测方法

Also Published As

Publication number Publication date
CN114023073A (zh) 2022-02-08

Similar Documents

Publication Publication Date Title
CN114023073B (zh) 一种基于车辆行为分析的高速公路拥堵预测方法
Van Arem et al. Recent advances and applications in the field of short-term traffic forecasting
CN108364467B (zh) 一种基于改进型决策树算法的路况信息预测方法
CN102521965B (zh) 基于车牌识别数据的交通需求管理措施效果评价方法
CN105185115A (zh) 一种交通预测方法和预测系统
CN103413263B (zh) 旅行时间指数熵交通运行评价方法
CN106781499B (zh) 一种交通网络效率评价系统
CN105825310A (zh) 基于信息熵的出租车寻客路线推荐方法
CN111008223B (zh) 一种基于时空关联规则的区域交通拥堵相关性计算方法
CN107085943B (zh) 一种道路旅行时间短期预测方法和系统
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
CN113870570B (zh) 一种基于etc的路网运行状态方法、系统和存储介质
CN111179601B (zh) 隧道交通运行管控方法
CN103984994A (zh) 一种城市轨道交通客流高峰持续时间预测方法
CN115691120A (zh) 一种基于高速公路流水数据的拥堵识别方法及系统
CN111583628B (zh) 基于数据质量控制的道路网重型货车交通流量预测方法
CN111724592B (zh) 一种基于收费数据与卡口数据的高速公路交通拥堵检测方法
CN116052435B (zh) 一种城市道路拥堵影响范围界定与道路影响力计算方法
CN115331425A (zh) 一种交通预警方法、装置和系统
CN111640304A (zh) 面向连续流交通设施的交通拥堵传播特征自动化量化提取方法
CN110021161B (zh) 一种交通流向的预测方法及系统
CN115311858A (zh) 基于交通流韧性的城市路段分级管制方法
CN114037158A (zh) 一种基于od路径的客流预测方法及应用方法
Deng et al. Heterogenous trip distance-based route choice behavior analysis using real-world large-scale taxi trajectory data
Cohen et al. Travel time estimation between loop detectors and FCD: A compatibility study on the Lille network, France

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