CN114093164B - 基于车辆轨迹的动态交通流识别校正方法、装置及设备 - Google Patents

基于车辆轨迹的动态交通流识别校正方法、装置及设备 Download PDF

Info

Publication number
CN114093164B
CN114093164B CN202111347692.3A CN202111347692A CN114093164B CN 114093164 B CN114093164 B CN 114093164B CN 202111347692 A CN202111347692 A CN 202111347692A CN 114093164 B CN114093164 B CN 114093164B
Authority
CN
China
Prior art keywords
vehicle
path
travel
traffic flow
flow
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
CN202111347692.3A
Other languages
English (en)
Other versions
CN114093164A (zh
Inventor
王磊
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.)
Shanghai Urban-Rural Construction And Transportation Development Research Institute
Original Assignee
Shanghai Urban-Rural Construction And Transportation Development Research Institute
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 Shanghai Urban-Rural Construction And Transportation Development Research Institute filed Critical Shanghai Urban-Rural Construction And Transportation Development Research Institute
Priority to CN202111347692.3A priority Critical patent/CN114093164B/zh
Publication of CN114093164A publication Critical patent/CN114093164A/zh
Application granted granted Critical
Publication of CN114093164B publication Critical patent/CN114093164B/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
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • 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)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于车辆轨迹的动态交通流识别校正方法、装置及设备，针对现有的车辆轨迹数据缺失，不能满足准确估算交通流和机动车排放量的基本要求的问题，一方面通过空间分析技术，基于车辆轨迹数据，提取车辆的动态出行路径特征，一方面预设校核线，利用车辆轨迹数据，同步提取各校核线的双向实际过车量；使用批量梯度下降法的机器学习手段，修正特征路径的参数，实现动态交通流的修正。既保留了动态特征对实际交通流分布的真实演绎，保障了监督学习对拟合交通流的精度，也避免了常规方法受数据质量影响而精度无法保证的缺点，以及拟合方法对动态演绎有脱离实际的现象。

Description

基于车辆轨迹的动态交通流识别校正方法、装置及设备
技术领域
本发明属于交通流量计算的技术领域，尤其涉及一种基于车辆轨迹的动态交通流识别校正方法、装置及设备。
背景技术
车辆轨迹数据在智能交通领域的应用十分广泛，实时应用大多以服务车队监管、道路车速、交通指数等对轨迹数据完整性要求不高的需求为主。事实上，实时的轨迹数据普遍有缺失问题是不可避免的，现状应用在技术路线设计中都规避了这个问题，或以大规模冗余弥补完整性缺失，或强调车辆实时位置而忽略路径溯源的需求。
另一方面，随着“碳达峰、碳中和”及环境污染防治的研究和监管需求日益迫切，在针对机动车污染大户(即重型货车)的污染物排放监控、碳排放测算、运营监管等需求中，实时提供准确的动态重货交通流测算能力，是推进监管的重要因素。目前，实时接入的(重型货车)车辆轨迹通常存在一定比例的随机缺失，利用车辆的实时轨迹通常不足以支撑对车辆行驶的不间断识别，从而不能满足准确估算交通流和机动车排放量的基本需求。
发明内容
本发明的目的是提供一种基于车辆轨迹的动态交通流识别校正方法、装置及设备，克服车辆轨迹普遍存在的缺失问题，在识别碎片路径的基础上进一步构建以校核线为监督的迭代修正，为无人值守的运算环境，提供高度智能化的纠正控制，从而满足动态环境下的高精度交通流的应用需求，有效提高实时交通(重货)流的测算精度。
为解决上述问题，本发明的技术方案为：
一种基于车辆轨迹的动态交通流识别校正方法，包括：
基于车辆轨迹数据，提取路径特征；根据车辆的停留时间划分车辆的出行，按出行辨识车辆的行驶路径，即从轨迹周边筛选车辆途径的备选路段，利用最短路径算法，梳理出连通的路径，依据出行的行程时间及行程距离，确定车辆的最终出行路径；汇总多车出行路径形成车辆出行路径集；
预设校核线，基于车辆轨迹数据，测算各校核线的双向实际过车量；所述校核线是指为测算计算量与实际量之间的误差，而选取的交通流量观测断面；
基于所述车辆出行路径集及所述校核线处测算的双向过车量，生成车辆路径与校核线流量的关联式；基于所述关联式，计算车辆出行路径的流量与校核线过车量的差值，迭代修正各出行路径的系数，从而得到校正后的交通流量。
根据本发明一实施例，所述生成车辆路径与校核线流量的关联式进一步包括：
根据动态辨识的车辆出行路径，构建车辆路径与校核线流量的关联式，所述关联式为：
yi＝δi1*θ1+δi2*θ2+δi3*θ3+...+δik*θk
式中：
yi代表第i条校核线的过车量；k代表第k条特征路径；
Figure BDA0003354601910000021
θk指路径k的流量，相关link的集合为：{link1,link2,link3…linki}。
根据本发明一实施例，基于所述车辆路径与校核线流量的关联式，得到n个校核线的流量表达式：Yt[n]＝A[n,k]*X[k]+(ε)，其中，Yt[n]为校核线流量，X[k]为路径权重，A[n,k]为校核线与路径的关系矩阵，(ε)为一常量矩阵。
根据本发明一实施例，所述计算车辆出行路径的流量与校核线过车量的差值，迭代修正各车辆出行路径的系数进一步包括：
建立车辆出行路径与校核线流量的关系模型，基于最小二乘法和L1正则式，生成目标损失函数；
基于批量梯度下降法更新所述关系模型参数，在迭代中更新路径系数，直至所述目标损失函数收敛。
根据本发明一实施例，所述最短路径算法为Dijkstra算法、A*算法、SPFA算法、Bellman-Ford算法、Floyd-Warshall算法中的任意一种。
一种基于车辆轨迹的动态交通流识别校正装置，包括：
路径特征提取模块，用于基于车辆轨迹数据，提取路径特征；根据车辆的停留时间划分车辆的出行，按出行辨识车辆的行驶路径，即从轨迹周边筛选车辆途径的备选路段，利用最短路径算法，梳理出连通的路径，依据出行的行程时间及行程距离，确定车辆的最终出行路径；汇总多车出行路径形成车辆出行路径集；
校核线流量模块，用于预设校核线，基于车辆轨迹数据，测算各校核线的双向实际过车量；所述校核线是指为测算计算量与实际量之间的误差，而选取的交通流量观测断面；
流量校正模块，用于基于所述车辆出行路径集及所述校核线处测算的双向过车量，生成车辆路径与校核线流量的关联式；基于所述关联式，计算车辆出行路径的流量与校核线过车量的差值，迭代修正各出行路径的系数，从而得到校正后的交通流量。
一种基于车辆轨迹的动态交通流识别校正设备，包括：
存储器和处理器，所述存储器中存储有指令，所述存储器和所述处理器通过线路互连；
所述处理器调用所述存储器中的所述指令，实现本发明一实施例中的基于车辆轨迹的动态交通流识别校正方法。
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现本发明一实施例中的基于车辆轨迹的动态交通流识别校正方法。
本发明由于采用以上技术方案，使其与现有技术相比具有以下的优点和积极效果：
本发明一实施例中的基于车辆轨迹的动态交通流识别校正方法，针对现有的车辆轨迹数据缺失，不能满足准确估算交通流和机动车排放量的基本要求的问题，一方面通过空间分析技术，基于车辆轨迹数据，提取车辆的动态出行路径特征，一方面预设校核线，利用车辆轨迹数据，同步提取各校核线的双向实际过车量；结合批量梯度下降法的机器学习手段，修正特征路径的参数，实现动态交通流的修正。既保留了动态特征对实际交通流分布的真实演绎，保障了监督学习对拟合交通流的精度，也避免了常规方法受数据质量影响而精度无法保证的缺点，以及拟合方法对动态演绎有脱离实际的现象。
附图说明
图1为本发明一实施例中的基于车辆轨迹的动态交通流识别校正方法流程图；
图2为本发明一实施例中的车辆出行标定的流程图；
图3为本发明一实施例中的提取车辆出行路径的流程图；
图4为本发明一实施例中的校正交通流量的流程图；
图5为本发明一实施例中的基于车辆轨迹的动态交通流识别校正装置的框图；
图6为本发明一实施例中的基于车辆轨迹的动态交通流识别校正设备的示意图。
具体实施方式
以下结合附图和具体实施例对本发明提出的一种基于车辆轨迹的动态交通流识别校正方法、装置及设备作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。
实施例一
目前，在车辆轨迹实时回报、传输、接收、转发、处理的数据链条中，各个环节衔接松散，很难保证持续稳定不丢包，从应用端对原始轨迹数据的质量分析来看，3成车辆上传的轨迹不完整，13％的车辆有(间歇性或持续性)数据掉线现象，<5％的轨迹存在严重超速(或漂移)现象。
采用常规的空间分析技术追溯车辆路径，对原始轨迹的质量要求较高，碎片化的轨迹，不足以支撑对全体车辆的连续路径识别。流量校核的结果显示，可追溯路径的汇总流量与校核线(划定若干条主通道路段作为流量对比)流量存在约2成的误差，且各测算时段的误差动态不固定。空间分析技术的局限是不能兼容所有的原始数据质量问题。
针对上述问题，本实施例在空间分析技术获取车辆动态路径的基础上，融合了常态的路径分布特征(假设其中存在有丢失的车辆出行特征)，并设计了针对校核流量的梯度下降，在迭代中缩小与校核流量误差，逐步接近真实值，从而达到交通流的高精度复原。
请参看图1，本实施例提供的基于车辆轨迹的动态交通流识别校正方法，基于实时接入的车辆(重型货车)轨迹，一方面通过空间运算，按出行辨识车辆的实际行驶路径，(其中，行驶路径由路段描述)；一方面构造若干条校核线作为对流量的约束，使用批量梯度下降法开展动态流量校正。
下面以重型货车为例，详细说明对重型货车的动态流量校正过程。
首先，基于车辆轨迹数据，提取路径特征；根据车辆的停留时间划分车辆的出行，按出行辨识车辆的行驶路径，即从轨迹周边筛选车辆途径的备选路段，利用最短路径算法，梳理出连通的路径，依据出行的行程时间及行程距离，确定车辆的最终出行路径；汇总多车出行路径形成车辆出行路径集。
由于车辆轨迹数据中存在因原始数据随机缺失而导致的路径碎片化现象，利用空间分析技术，可梳理出以路段集形式描述的车辆出行路径特征，为后续的交通量扩算和修正做准备。车辆出行路径特征的提取，可分为以下步骤：
步骤1：在提取车辆出行路径特征之前，需对车辆的停留地进行识别(即车辆的出行标定)，根据车辆的停留时间划分车辆的出行，如：[t0,t1],[t2,t3]…,其中，t1，t2分别是前序出行的到达时间和后续出行的出发时间。在实际应用中，请参看图2，将持续低速时间大于5分钟或进出港区堆场，判定为车辆到达停留地。通过车辆停留地识别的各次出行起讫点结果，请参看表1：
表1
Figure BDA0003354601910000051
Figure BDA0003354601910000061
步骤2：识别各次出行的备选路径。利用车辆第n次出行的轨迹，整理此次出行相关的路段，形成备选路段集，按最短路径梳理形成出行的完整路径，若存在多义路径，则导出可辅助判断的备选路径集，如：{vehid,pathid，link1,link2,link3,link4…length,time}。具体过程，请参看图3。
在实际应用中，备选路段集包含了利用GIS方法逐点收集轨迹附近的路段，以及按最短路径法收集相邻轨迹间的连接路段。该GIS方法为在GIS(地理信息系统)中实现空间数据分析，即从空间数据中获取有关地理对象的空间位置、分布、形态、形成和演变等信息并进行分析。
其中，最短路径问题是图论研究中的一类经典算法，旨在寻找图(由结点和路径组成的)中两结点之间的最短路径。用于解决最短路径问题的算法被称做“最短路径算法”。常用的路径算法有：Dijkstra算法、A*算法、SPFA算法、Bellman-Ford算法和Floyd-Warshall算法。
步骤3：根据出行轨迹逐点累加的行程时间和行程距离指标，对比备选路径，将指标最契合的备选路径确认为该次出行的最终路径。得到如：[vehid,tid,link1,link2,link3…linkn]的车辆出行路径描述。结果如表2的前3列。整理后的车辆出行路径是每辆车的基本分布特征，是流量修正的基础。第四列是步骤8拟合后的系数。
表2
时段 以车辆id代表的路径id 路径(略) 拟合系数
0800 沪05c11baef55781f68876ebf71d921ea2 Link1,link2,link3… 1.92629
0800 沪05c4279b8e30847e190c4c8b41afe6ae 1
0800 沪05ce00236ab0ab5ae8ea9fb27dbc7a5f 0.745271
0800 沪05e4746c41e22f1a68a1306ad23f29f6 1.01314
0800 沪05f3f6665fb3f19a710d3ea743caacce 0.845938
0800 沪05fa448b1140d2f7719582ba0528c45b 0.6602
0800 沪0601633b7884f61a8a2a0326adb63200 2.52517
0800 沪062e28828395d9db247b5b790260915f 0.897627
0800 沪062fa0656e8e74f1ac8f1f216095b0ed 0.686126
0800 沪0630c984e8f7d552e9a4bde586ab23eb 1.89263
0800 沪0633fca1a03a9d02e3972df0c85714a3 1
0800 沪0634386ecfeb0acba7bc5c28489e773f 0.89374
0800 沪063cfeb453655ba527d9e3637d814963 1
0800 沪06437f289f6f091e759e84437e17504b 2.01935
0800 沪06467391afbcb2c1b4bc3c79093e318d 1.30833
0800 沪064bc6dc054b3729d95e6665f1378951 1
0800 沪065060c7a15ccb99ece55ba33f1b07a2 2.01935
0800 沪0660bb41433219e1bdbde71a41853119 1.10098
0800 沪066d3735c26d409f8fe9b158f07025a3 0.6602
0800 沪066da5482936ebeb88a5a7fde8c5e831 1.10629
0800 沪066dfb11e30afeb88eac781fa83a9378 2.14892
0800 沪066ef8516600d2ca5b268d7d4dcc3053 0.816002
0800 沪06726e62ef21c8165e9bc00cebbbb101 1
0800 沪0674f05f8e81dd7f9f42bafffc4d2046 1
0800 沪0679cc1cc573e3c046025b8169ed0269 0.758472
0800 沪068a86c912b806391f7d0c53bd45c628 0.995311
0800 沪069d27be10ffd06d56abacdcff36b60f 1
0800 沪06a037ae0c78956cd56eac3c2f2bdd9a 0.725852
0800 沪06b3ededca0c1e0cdfd6ae1ac55d4def 1
0800 沪06be67b10d2d4edf04b8780fea966a08 1.33556
0800 沪06c24268bfea949045b0fbb6534cc204 1
0800 沪06c3ed5c2bd6558fa7cde5669c3b9cfe 1
0800 沪06cc5ec741a71d2b51ff5d6bc547eff7 1
0800 沪06d7f746668b48cdc24e06d26d0ce82a 1.1498
0800 沪06d9ae2254517775107e00576dc93300 1.56543
0800 沪06e24346dab9113a33c53e0652402ca8 1
0800 沪06e8bcb01b499ffd9a2f0a2380806897 1.12358
0800 沪06f2463d71bae86d02dc63826640b9e9 1
0800 沪070cfee262d7cb44ca876b479fb665b9 0.781864
重复上述步骤1～步骤3，直至所有的车辆出行均辨识完毕。
其次，预设校核线，基于车辆轨迹数据，测算各校核线的双向实际过车量；所述校核线是指为测算计算量与实际量之间的误差，而选取的交通流量观测断面；
根据车辆跨越校核线的行为，统计校核线所在路段的双向实际过车量，因避开了原始车辆轨迹的缺失，校核线过车量的准确性较高，可为后续的交通流修正扩算提供全样基础。
实际应用中为缩小与校核线观测量的综合误差，修正各条路径的权重值，以达到综合误差收敛的效果，及全网流量校正的目的。
预设校核线应遵循以下原则：
1)流量最大化原则，首要考虑主通道；
2)路径多样化原则，确保车辆路径特征多样性和互质性；
3)间隔适中原则，间隔设置参考车辆的可达能力，确保校核线间的关联性。
具体的，可通过以下步骤实现提取校核线的过车量：
步骤4：利用车辆轨迹数据，对有跨越校核线行为的车辆按统计周期形成汇总清单，格式如：[区域id，时间id，车辆类型，车辆id]。
步骤5：区分过车流向，根据跨越校核线的车辆行驶方向，确定车辆的行驶路段；格式如：[路段id，时间id，，车辆类型，通过量]。
校核线所在路段的实际过车量(即表3的第4列)和基于车辆出行路径统计的汇总量(即表3的第3列)形成修正基础，表3的第5列是步骤8批量梯度下降法修正后的流量。
表3
Figure BDA0003354601910000081
Figure BDA0003354601910000091
最后，基于车辆出行路径集及校核线处辨识的通过量，生成车辆路径与校核线流量的关联式；基于该关联式，计算车辆出行路径的流量与校核线过车量的差值，迭代修正各车辆出行路径的系数，从而得到校正后的交通流量。
在实际应用中，车辆出行路径集是由基于车辆轨迹辨识的实际出行路径集，以及反映常态出行的路径集共同构成，且实际出行路径的权重大于常态出行路径。常态出行路径集是对历史交通流的累加平均，可由宏观静态交通模型基于平衡分配状态下导出。
请参看图4，在步骤5中得到的校核线处的双向过车量，通过梯度下降法，在迭代中修正各车辆出行路径的参数，当车辆出行路径流量与校核线过车量的差值小于ε，或迭代次数达到预设数量n时，则停止迭代，得到修正的路径参数，从而可以根据修正的路径参数，修正交通流。
本实施例在空间分析法识别实际出行路径有缺失的基础上，进行交通流量校正。不仅可提高交通流量的识别精度，也可满足无人值守的应用需求。对交通流量实施修正包括以下步骤：
步骤6：构建校核线流量与路径的关系式。
根据动态辨识的车辆出行路径，构建车辆路径与校核线的关联式，该关联式为：
yi＝δi1*θ1+δi2*θ2+δi3*θ3+...+δik*θk
式中：
yi代表第i条校核线的过车量；k代表第k条特征路径；
Figure BDA0003354601910000092
θk指路径k的流量系数，相关路段的集合为：{link1,link2,link3…linki}。
n个校核线的流量表达式可表示为A[n_link,n_path]●X[n_path]的矩阵乘形式：
Figure BDA0003354601910000101
车辆路径与校核线流量的简化式：Yt[n]＝A[n,k]*X[k]+(ε)，
其中，Yt[n]为校核线流量(int[])，X[k]为路径权重(double[]){θ1，θ2，θ3，θ4，θ5，...θk}，A[n,k]为校核线与路径的关系矩阵，(ε)为一常量矩阵。
本实施例中，基于最小二乘法和L1正则式的目标损失函数：
Figure BDA0003354601910000102
其中，正则化是为了防止在减小误差的拟合过程中出现过拟合。过拟合现象(训练集表现很好，测试集表现较差)，会导致模型的泛化能力下降，这时候，使用正则化会有助于降低模型复杂度，避免过拟合。
L1正则化时，对应惩罚项为L1范数，是各权重的绝对值之和:
Figure BDA0003354601910000103
步骤7：基于批量梯度下降法更新关系模型参数，计算路径流量与校核线流量的差值，迭代修正各条车辆出行路径的系数。
其中，批量梯度下降法作为机器学习中较常使用的优化算法。梯度：对于可微的数量场f(x,y,z)，以
Figure BDA0003354601910000104
为分量的向量场称为f的梯度或斜量。在单变量的函数中，梯度其实就是函数的微分，代表着函数在某个给定点的切线的斜率；在多变量函数中，梯度是一个向量，向量有方向，梯度的方向就指出了函数在给定点的下降最快的方向。利用批量梯度下降的基本步骤如下：
1、求梯度，▽＝h'(x)
2、向梯度相反的方向移动x，如x←x-λ，其中，λ为步长。如果步长足够小，则可以保证每一次迭代都在减小，但可能导致收敛太慢，如果步长太大，则不能保证每一次迭代都减少，也不能保证收敛。
3、循环迭代步骤2，直到x的值变化到使得hθ(x)在两次迭代之间的差值足够小，比如0.00000001，也就是说，直到两次迭代计算出来的hθ(x)基本没有变化，则说明此时hθ(x)已经达到局部最小值了。
4、此时，输出x，这个x就是使得函数hθ(x)最小时的x的取值。
其中的相关概念有：
a.步长λ(Learning rate)：步长决定了在梯度下降迭代的过程中，每一步沿梯度负方向前进的长度。是在当前这一步所在位置沿着最陡峭最易下山的位置走的那一步的长度。
b.损失函数(loss function)：为了评估模型拟合的好坏，通常用损失函数来度量拟合的程度。损失函数极小化，意味着拟合程度最好，对应的模型参数即为最优参数。在线性回归中，损失函数通常为样本输出和假设函数的差取平方。比如对于m个样本(xi,yi)(i＝1,2,...m)(xi,yi)(i＝1,2,...m),采用线性回归，损失函数为：
L(θ0,θ1)＝∑(hθ(xi)-yi)2
其中，xi表示第i个样本特征，yi表示第i个样本对应的输出，hθ(xi)为假设函数。
c.特征(feature)：指的是样本中输入部分，比如拥有2个单特征的样本(x(0),y(0))，(x(1),y(1))，则第一个样本特征为x(0)，第一个样本输出为y(0)。
d.假设函数(hypothesis function)：在监督学习中，为了拟合输入样本，而使用的假设函数，记为hθ(x)。比如对于单个特征的m个样本(x(i),y(i))(i＝1,2,...m)，可以采用拟合函数如下：hθ(x)＝θ0+θ1x。
本实施例中，利用梯度下降法更新模型参数，α为学习率超参数。
Figure BDA0003354601910000121
Figure BDA0003354601910000122
...
Figure BDA0003354601910000123
步骤8：在迭代中更新校核线的路径拟合流量，即更新：
yi＝δi1*θ1+δi2*θ2+δi3*θ3+...+δik*θk
重复步骤7、步骤8，直至目标损失函数收敛(或迭代次数达到预设次数)。
上述表2第4列的系数和表3第5列的拟合流量将在这个步骤不断更新，直至综合误差最小(即L(θ)公式最小化)。
在确定了各条出行路径的系数(即X[])后，即可汇总计取交通量。实际分路段的汇总交通量的结果如表4所示：
表4
路段id 车型 时段 流量值
220007-419016 国四_集卡_重货 0800 4
220007-419016 国三_集卡_重货 0800 2
220007-419016 国五_集卡_重货 0800 2
220008-432631 国四_普货_重货 0800 1
220008-432631 国五_普货_重货 0800 1
220013-220026 国四_集卡_重货 0800 34
220013-220026 国五_集卡_重货 0800 6
220013-220026 国三_集卡_重货 0800 2
220013-220026 国四_普货_重货 0800 2
220013-220026 国三_普货_重货 0800 1
220013-220781 国四_集卡_重货 0800 39
220013-220781 国五_集卡_重货 0800 13
220013-220781 国三_集卡_重货 0800 2
220013-220781 国四_普货_重货 0800 2
220013-220781 国三_普货_重货 0800 1
220013-424170 国四_集卡_重货 0800 15
220013-424170 国五_集卡_重货 0800 8
220013-424170 国三_集卡_重货 0800 1
220013-424170 国四_普货_重货 0800 1
220016-220292 国四_集卡_重货 0800 38
220016-220292 国五_集卡_重货 0800 13
综合，本实施例中的基于车辆轨迹的动态交通流识别校正方法，基于实时接入的车辆(重型货车)轨迹，一方面通过空间分析运算，按出行辨识车辆的实际行驶路径，(其中，行驶路径由路段描述)；一方面构造若干条校核线作为对流量的约束，使用批量梯度下降法开展动态流量校正。从而满足动态环境下的高精度交通流的应用需求，有效提高实时交通(重货)流的测算精度。
实施例二
本实施例提供了一种基于车辆轨迹的动态交通流识别校正装置，请参看图5，该装置包括：
路径特征提取模块，用于基于车辆轨迹数据，提取路径特征；根据车辆的停留时间划分车辆的出行，按出行辨识车辆的行驶路径，即从轨迹周边筛选车辆途径的备选路段，利用最短路径算法，梳理出连通的路径，依据出行的行程时间及行程距离，确定车辆的最终出行路径；汇总多车出行路径形成车辆出行路径集；
校核线流量模块，用于预设校核线，基于车辆轨迹数据，测算各校核线的双向实际过车量；所述校核线是指为测算计算量与实际量之间的误差，而选取的交通流量观测断面；
流量校正模块，用于基于所述车辆出行路径集及所述校核线处测算的双向过车量，生成车辆路径与校核线流量的关联式；基于所述关联式，计算车辆出行路径的流量与校核线过车量的差值，迭代修正各出行路径的系数，从而得到校正后的交通流量。
上述路径特征提取模块1、校核线流量模块2及流量校正模块3的功能及实现方式如上述实施例一中所述，在此不再赘述。
实施例三
本实施例提供了一种基于车辆轨迹的动态交通流识别校正设备。请参看图6，该基于车辆轨迹的动态交通识别校正设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)510(例如，一个或一个以上处理器)和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对基于车辆轨迹的动态交通识别校正设备500中的一系列指令操作。
进一步地，处理器510可以设置为与存储介质530通信，在基于车辆轨迹的动态交通识别校正设备500上执行存储介质530中的一系列指令操作。
基于车辆轨迹的动态交通识别校正设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作系统531，例如Windows Server、Vista等等。
本领域技术人员可以理解，图6示出的基于车辆轨迹的动态交通识别校正设备结构并不构成对基于车辆轨迹的动态交通识别校正设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质。该计算机可读存储介质中存储有指令，当该指令在计算机上运行时，使得计算机执行实施例一中的基于车辆轨迹的动态交通识别校正方法的步骤。
实施例二中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，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的形式体现出来，该计算机软件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(可以是个人计算机，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、移动硬盘、只读存储器(Read-only memory，ROM)、随机存取存储器(Random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置及设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式。即使对本发明作出各种变化，倘若这些变化属于本发明权利要求及其等同技术的范围之内，则仍落入在本发明的保护范围之中。

Claims (7)

1.一种基于车辆轨迹的动态交通流识别校正方法，其特征在于，包括：
基于车辆轨迹数据，提取路径特征；根据车辆的停留时间划分车辆的出行，按出行辨识车辆的行驶路径，从轨迹周边筛选车辆途径的备选路段，利用最短路径算法，梳理出连通的路径，依据出行的行程时间及行程距离，确定车辆的最终出行路径；汇总多车出行路径形成车辆出行路径集；
预设校核线，基于车辆轨迹数据，测算各校核线的双向过车量；所述校核线是指为测算计算量与实际量之间的误差，而选取的交通流量观测断面；
基于所述车辆出行路径集及所述校核线处测算的双向过车量，生成车辆路径与校核线流量的关联式；基于所述关联式，计算车辆出行路径的流量与校核线过车量的差值，迭代修正各出行路径的系数，从而得到校正后的交通流量；
其中，车辆路径与校核线流量的关联式为：
yi＝δi1*θ1+δi2*θ2+δi3*θ3+...+δik*θk
式中：
yi代表第i条校核线的过车量；k代表第k条特征路径；
Figure FDA0003729772840000011
θk指路径k的流量系数，相关路段的集合为：{link1,link2,link3…linki}。
2.如权利要求1所述的基于车辆轨迹的动态交通流识别校正方法，其特征在于，基于所述车辆路径与校核线流量的关联式，得到n个校核线的流量表达式：Yt[n]＝A[n,k]*X[k]+(ε)，其中，Yt[n]为校核线流量，X[k]为路径权重，A[n,k]为校核线与路径的关系矩阵，(ε)为一常量矩阵。
3.如权利要求1所述的基于车辆轨迹的动态交通流识别校正方法，其特征在于，所述计算车辆出行路径的流量与校核线过车量的差值，迭代修正各出行路径的系数进一步包括：
建立车辆出行路径与校核线流量的关系模型，基于最小二乘法和L1正则式，生成目标损失函数；
基于批量梯度下降法更新所述关系模型参数，在迭代中更新路径系数，直至所述目标损失函数收敛。
4.如权利要求1所述的基于车辆轨迹的动态交通流识别校正方法，其特征在于，所述最短路径算法为Dijkstra算法、A*算法、SPFA算法、Bellman-Ford算法、Floyd-Warshall算法中的任意一种。
5.一种基于车辆轨迹的动态交通流识别校正装置，其特征在于，包括：
路径特征提取模块，用于基于车辆轨迹数据，提取路径特征；根据车辆的停留时间划分车辆的出行，按出行辨识车辆的行驶路径，即从轨迹周边筛选车辆途径的备选路段，利用最短路径算法，梳理出连通的路径，依据出行的行程时间及行程距离，确定车辆的最终出行路径；汇总多车出行路径形成车辆出行路径集；
校核线流量模块，用于预设校核线，基于车辆轨迹数据，测算各校核线的双向实际过车量；所述校核线是指为测算计算量与实际量之间的误差，而选取的交通流量观测断面；
流量校正模块，用于基于所述车辆出行路径集及所述校核线处测算的双向过车量，生成车辆路径与校核线流量的关联式；基于所述关联式，计算车辆出行路径的流量与校核线过车量的差值，迭代修正各出行路径的系数，从而得到校正后的交通流量；其中，所述关联式为：
yi＝δi1*θ1+δi2*θ2+δi3*θ3+...+δik*θk
式中：
yi代表第i条校核线的过车量；k代表第k条特征路径；
Figure FDA0003729772840000021
θk指路径k的流量系数，相关路段的集合为：{link1,link2,link3…linki}。
6.一种基于车辆轨迹的动态交通流识别校正设备，其特征在于，包括：
存储器和处理器，所述存储器中存储有指令，所述存储器和所述处理器通过线路互连；
所述处理器调用所述存储器中的所述指令，实现如权利要求1-4中任意一项所述的基于车辆轨迹的动态交通流识别校正方法。
7.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-4中任意一项所述的基于车辆轨迹的动态交通流识别校正方法。
CN202111347692.3A 2021-11-15 2021-11-15 基于车辆轨迹的动态交通流识别校正方法、装置及设备 Active CN114093164B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111347692.3A CN114093164B (zh) 2021-11-15 2021-11-15 基于车辆轨迹的动态交通流识别校正方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111347692.3A CN114093164B (zh) 2021-11-15 2021-11-15 基于车辆轨迹的动态交通流识别校正方法、装置及设备

Publications (2)

Publication Number Publication Date
CN114093164A CN114093164A (zh) 2022-02-25
CN114093164B true CN114093164B (zh) 2022-08-19

Family

ID=80300677

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111347692.3A Active CN114093164B (zh) 2021-11-15 2021-11-15 基于车辆轨迹的动态交通流识别校正方法、装置及设备

Country Status (1)

Country Link
CN (1) CN114093164B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012084024A (ja) * 2010-10-14 2012-04-26 Hitachi Ltd 交差点交通流計測装置
CN106845371A (zh) * 2016-12-31 2017-06-13 中国科学技术大学 一种城市路网机动车尾气排放遥感监控系统
WO2018122585A1 (zh) * 2016-12-30 2018-07-05 同济大学 一种基于浮动车数据的城市道路交通异常检测方法
CN109215347A (zh) * 2018-10-22 2019-01-15 北京航空航天大学 一种基于众包轨迹数据的交通数据质量控制方法
CN109388140A (zh) * 2018-09-13 2019-02-26 江苏大学 一种改进的用于地面车辆路径跟踪的纯追踪控制方法
CN109448370A (zh) * 2018-10-29 2019-03-08 东南大学 一种基于车辆轨迹数据的交通控制子区划分方法
CN113112816A (zh) * 2021-04-06 2021-07-13 安徽百诚慧通科技有限公司 一种车辆在路段平均行驶延误的提取方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012084024A (ja) * 2010-10-14 2012-04-26 Hitachi Ltd 交差点交通流計測装置
WO2018122585A1 (zh) * 2016-12-30 2018-07-05 同济大学 一种基于浮动车数据的城市道路交通异常检测方法
CN106845371A (zh) * 2016-12-31 2017-06-13 中国科学技术大学 一种城市路网机动车尾气排放遥感监控系统
CN109388140A (zh) * 2018-09-13 2019-02-26 江苏大学 一种改进的用于地面车辆路径跟踪的纯追踪控制方法
CN109215347A (zh) * 2018-10-22 2019-01-15 北京航空航天大学 一种基于众包轨迹数据的交通数据质量控制方法
CN109448370A (zh) * 2018-10-29 2019-03-08 东南大学 一种基于车辆轨迹数据的交通控制子区划分方法
CN113112816A (zh) * 2021-04-06 2021-07-13 安徽百诚慧通科技有限公司 一种车辆在路段平均行驶延误的提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
动态交通流信息采集系统若干问题研究;张晓东;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20041215;C034-265 *

Also Published As

Publication number Publication date
CN114093164A (zh) 2022-02-25

Similar Documents

Publication Publication Date Title
CN104574967B (zh) 一种基于北斗的城市大面积路网交通感知方法
CN111832814A (zh) 一种基于图注意力机制的空气污染物浓度预测方法
CN109508818B (zh) 一种基于LSSVM的在线NOx预测方法
CN110895878B (zh) 一种基于ge-gan的交通状态虚拟检测器的生成方法
CN111950627B (zh) 一种多源信息融合方法及其应用
CN104835103A (zh) 基于神经网络和模糊综合评价的移动网络健康评价方法
CN114882696B (zh) 道路容量的确定方法、装置及存储介质
CN113723010A (zh) 一种基于lstm温度-位移相关模型的桥梁损伤预警方法
CN113808396B (zh) 基于交通流量数据融合的交通速度预测方法和系统
CN107248003A (zh) 基于带滑动窗口贝叶斯网络的自适应软测量预测方法
CN111292534A (zh) 一种基于聚类与深度序列学习的交通状态估计方法
CN107464017A (zh) 基于带时间差分贝叶斯网络的自适应软测量预测方法
CN110689055B (zh) 一种顾及格网单元属性分级的跨尺度统计指标空间化方法
CN113987912A (zh) 一种基于地理信息的污染物在线监测系统
CN108765961A (zh) 一种基于改进型限幅平均滤波的浮动车数据处理方法
CN104050551B (zh) 一种基于车辆目的地预测的智能配货方法和系统
CN116739376A (zh) 一种基于数据挖掘的公路路面预防性养护决策方法
CN114093164B (zh) 基于车辆轨迹的动态交通流识别校正方法、装置及设备
CN112562311B (zh) 基于gis大数据的工况权重因子获取方法及装置
CN113077089B (zh) 一种多因素对空气质量影响的评价方法和装置
CN114694382A (zh) 一种基于车联网环境的动态单向交通控制系统
CN115936242B (zh) 空气质量与交通状况的溯源关系数据获取方法及装置
CN117472893A (zh) 一种系统化提升交通流数据质量方法
CN114281808B (zh) 一种交通大数据清洗方法、装置、设备及可读存储介质
CN111210085A (zh) 一种基于多视图集成学习的煤矿瓦斯浓度预警方法

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