CN114764977A - 一种基于驾驶数据的道路拥堵计算方法及系统 - Google Patents

Abstract

本发明涉及一种基于驾驶数据的道路拥堵计算方法及系统，包括从数据库中获取一段时间内包括经度、纬度、时间、速度和车辆标识的车辆全部行驶数据，得到数据集G；通过设置过滤条件的方式对数据集G中的车辆行驶数据进行预处理，得到数据集G₁；对数据集G₁进行排序得到相应序列，通过计算公式对序列进行计算，得到某地点车辆在某时刻的拥堵程度；对序列进行转换和分组得到数据集H_i，并对数据集H_i进行聚类处理和统计得到拥堵清单。本发明应用前一个月的数据得到道路拥堵清单，可以最大限度的得到道路拥堵的统计结果，通过应用数据分布式计算，同时采用kdtree‑dbscan密度聚类方法，提高了计算速度及聚类效果。

Description

一种基于驾驶数据的道路拥堵计算方法及系统

技术领域

本发明涉及安全驾驶技术领域，特别是专利名称涉及一种基于驾驶数据的道路拥堵计算方法及系统。

背景技术

车辆驾驶危险及驾驶行为与道路的实时情况密切相关，道路拥堵情况的计算在驾驶行为及危险分析中比较关键，为了获得道路时空维度的拥堵情况，需要对其进行计算分析；现有的分析统计方法大多是对道路段车辆速度的实时统计，数据严重依赖当前道路上可用于计算的车辆数量，如无可计算车辆在当前路段行驶，则无法获知当前道路的拥堵情况，因此，如何通过已有数据分析道路的拥堵情况，是现阶段需要考虑的。

发明内容

本发明的目的在于克服现有技术的缺点，提供了一种基于驾驶数据的道路拥堵计算方法及系统，解决了现有的分析统计方法大多是对道路段车辆速度的实时统计，数据严重依赖当前道路上可用于计算的车辆数量存在的不足。

本发明的目的通过以下技术方案来实现：一种基于驾驶数据的道路拥堵计算方法，所述计算方法包括：

数据获取步骤：从数据库中获取一段时间内包括经度lon、纬度Lat、时间t、速度m和车辆标识id的车辆全部行驶数据，得到数据集G；

数据预处理步骤：通过设置过滤条件的方式对数据集G中的车辆行驶数据进行预处理，得到数据集G₁∈G（t.m>Mmin）；

序列计算步骤：对数据集G₁进行排序得到相应序列，通过计算公式对序列进行计算，得到某地点车辆在某时刻的拥堵程度；

聚类处理步骤：对序列进行转换和分组得到数据集H_i(i∈1，2……12），并对数据集H_i进行聚类处理和统计得到拥堵清单。

所述序列计算步骤具体包括：

对数据集G₁排序按照时间及车辆标识排序得到序列T_id,t；

通过计算公式：t_difference =T_id,t+1_.t-T_id,t.t进行计算并过滤掉t_difference 小于预设值的数据，得到序列T_{id,tdifference} ，序列代表着该gps地点车辆缓行的时间长度，也就是该地点车辆在t时刻拥堵程度。

所述聚类处理步骤包括：

对序列T_{id,tdifference} 的时间t进行转换得到小时数据h；

对序列T_{id,tdifference} 按照小时数据分组得到数据集H_i(i∈1，2……12）；

对数据集H_i进行kdtree-dbscan密度聚类，得到这一时间段内每小时该路段的拥堵数据集H；

对H进行计数统计得到拥堵清单。

一种基于驾驶数据的道路拥堵计算系统，它包括数据获取模块、数据预处理模块、序列计算模块和聚类处理模块；

所述数据获取模块用于从数据库中获取一段时间内包括经度lon、纬度Lat、时间t、速度m和车辆标识id的车辆全部行驶数据，得到数据集G；

所述数据预处理用于通过设置过滤条件的方式对数据集G中的车辆行驶数据进行预处理，得到数据集G₁∈G（t.m>Mmin）；

所述序列计算模块用于对数据集G₁进行排序得到相应序列，通过计算公式对序列进行计算，得到某地点车辆在某时刻的拥堵程度；

所述聚类处理用于对序列进行转换和分组得到数据集H_i(i∈1，2……12），并对数据集H_i进行聚类处理和统计得到拥堵清单。

还包括过滤模块，所述过滤模块设置速度小于5的过滤条件，并根据过滤条件对数据集G中的车辆行驶数据进行过滤得到数据集G₁。

所述序列计算模块包括排序单元和计算单元；所述排序单元用于对数据集G₁排序按照时间及车辆标识排序得到序列T_id,t；所述计算单元用于通过计算公式：t_difference =T_id,t+1_.t-T_id,t.t进行计算并过滤掉t_difference 小于预设值的数据，得到序列T_{id,tdifference} ，序列代表着该gps地点车辆缓行的时间长度，也就是该地点车辆在t时刻拥堵程度。

所述聚类处理模块包括转换单元、分组单元和聚类统计单元；所述转换单元用于对序列T_{id,tdifference} 的时间t进行转换得到小时数据h；所述分组单元用于对序列T_{id,tdifference} 按照小时数据分组得到数据集H_i(i∈1，2……12）；所述聚类统计单元用于对数据集H_i进行kdtree-dbscan密度聚类，得到这一时间段内每小时该路段的拥堵数据集H，并对H进行计数统计得到拥堵清单。

本发明具有以下优点：一种基于驾驶数据的道路拥堵计算方法及系统，应用前一个月的数据得到道路拥堵清单，可以最大限度的得到道路拥堵的统计结果，通过应用数据分布式计算，同时采用kdtree-dbscan密度聚类方法，提高了计算速度及聚类效果。

附图说明

图1 为本发明方法的流程示意图。

具体实施方式

下面结合附图对本发明做进一步的描述，但本发明的保护范围不局限于以下所述。

如图1所示，本发明的一种实施例具体涉及一种基于驾驶数据的道路拥堵计算方法，所述计算方法包括：

数据获取步骤：从数据库中获取一段时间内包括经度lon、纬度Lat、时间t、速度m和车辆标识id的车辆全部行驶数据，得到数据集G；

数据预处理步骤：通过设置过滤条件的方式对数据集G中的车辆行驶数据进行预处理，得到数据集G₁∈G（t.m>Mmin），Mmin为速度阀值；具体为过滤掉速度小于5的数据。

序列计算步骤：对数据集G₁进行排序得到相应序列，通过计算公式对序列进行计算，得到某地点车辆在某时刻的拥堵程度；

聚类处理步骤：对序列进行转换和分组得到数据集H_i(i∈1，2……12），并对数据集H_i进行聚类处理和统计得到拥堵清单。

进一步地，序列计算步骤具体包括：

对数据集G₁排序按照时间及车辆标识升序排序得到序列T_id,t；其中，id为车辆标识，t为时间；

通过计算公式：t_difference =T_id,t+1_.t-T_id,t.t进行计算得到同id下顺序相邻下的时间差，并过滤掉t_difference 小于预设值的数据，得到序列T_{id,tdifference} ，序列代表着该gps地点车辆缓行的时间长度，也就是该地点车辆在t时刻拥堵程度。

所述聚类处理步骤包括：

对序列T_{id,tdifference} 的时间t进行转换得到小时数据h；

对序列T_{id,tdifference} 按照小时数据分组得到数据集H_i(i∈1，2……12）；

对数据集H_i进行kdtree-dbscan密度聚类，得到这一时间段内每小时该路段的拥堵数据集H；

进一步地，kdtree-dbscan密度聚类算法步骤包括：

1、把同一小时划分的数据以数据集数据的经纬度为轴得到一个kdtree；

2、对每个点使用 Kdtree 进行邻域查找，生成所有距离<=eps的点集合；

3、过滤点集合如果数量=1，则点为噪声点，如果minp>数量>1则为边缘点，如果数量>minp则为核心点，其中minp(最小聚类数量)。

对核心点的点集合进行合并，得到聚类结果)

对H进行计数统计得到拥堵清单。

本发明的另一实施例涉及一种基于驾驶数据的道路拥堵计算系统，它包括数据获取模块、数据预处理模块、序列计算模块和聚类处理模块；

所述数据获取模块用于从数据库中获取一段时间内包括经度lon、纬度Lat、时间t、速度m和车辆标识id的车辆全部行驶数据，得到数据集G；

所述数据预处理用于通过设置过滤条件的方式对数据集G中的车辆行驶数据进行预处理，得到数据集G₁∈G（t.m>Mmin）；

所述序列计算模块用于对数据集G₁进行排序得到相应序列，通过计算公式对序列进行计算，得到某地点车辆在某时刻的拥堵程度；

所述聚类处理用于对序列进行转换和分组得到数据集H_i(i∈1，2……12），并对数据集H_i进行聚类处理和统计得到拥堵清单。

进一步地，还包括过滤模块，所述过滤模块设置速度小于5的过滤条件，并根据过滤条件对数据集G中的车辆行驶数据进行过滤得到数据集G₁。

进一步地，序列计算模块包括排序单元和计算单元；所述排序单元用于对数据集G₁排序按照时间及车辆标识排序得到序列T_id,t；所述计算单元用于通过计算公式：t_difference=T_id,t+1_.t-T_id,t.t进行计算得到同id下顺序相邻下的时间差，并过滤掉t_difference 小于预设值的数据，得到序列T_{id,tdifference} ，序列代表着该gps地点车辆缓行的时间长度，也就是该地点车辆在t时刻拥堵程度。

进一步地，聚类处理模块包括转换单元、分组单元和聚类统计单元；所述转换单元用于对序列T_{id,tdifference} 的时间t进行转换得到小时数据h；所述分组单元用于对序列T_{id,tdifference} 按照小时数据分组得到数据集H_i(i∈1，2……12）；所述聚类统计单元用于对数据集H_i进行kdtree-dbscan密度聚类，得到这一时间段内每小时该路段的拥堵数据集H，并对H进行计数统计得到拥堵清单。

以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (7)

1.一种基于驾驶数据的道路拥堵计算方法，其特征在于：所述计算方法包括：

数据获取步骤：从数据库中获取一段时间内包括经度lon、纬度Lat、时间t、速度m和车辆标识id的车辆全部行驶数据，得到数据集G；

数据预处理步骤：通过设置过滤条件的方式对数据集G中的车辆行驶数据进行预处理，得到数据集G₁∈G（t.m>Mmin）；

序列计算步骤：对数据集G₁进行排序得到相应序列，通过计算公式对序列进行计算，得到某地点车辆在某时刻的拥堵程度；

聚类处理步骤：对序列进行转换和分组得到数据集H_i(i∈1，2……12），并对数据集H_i进行聚类处理和统计得到拥堵清单。

2.根据权利要求1所述的一种基于驾驶数据的道路拥堵计算方法，其特征在于：所述序列计算步骤具体包括：

对数据集G₁排序按照时间及车辆标识排序得到序列T_id,t；

通过计算公式：t_difference =T_id,t+1_.t-T_id,t.t进行计算得到同id下顺序相邻下的时间差，并过滤掉t_difference 小于预设值的数据，得到序列T_{id,tdifference} ，序列代表着该gps地点车辆缓行的时间长度，也就是该地点车辆在t时刻拥堵程度。

3.根据权利要求2所述一种基于驾驶数据的道路拥堵计算方法，其特征在于：所述聚类处理步骤包括：

对序列T_{id,tdifference} 的时间t进行转换得到小时数据h；

对序列T_{id,tdifference} 按照小时数据分组得到数据集H_i(i∈1，2……12）；

对数据集H_i进行kdtree-dbscan密度聚类，得到这一时间段内每小时该路段的拥堵数据集H；

对H进行计数统计得到拥堵清单。

4.一种基于驾驶数据的道路拥堵计算系统，其特征在于：它包括数据获取模块、数据预处理模块、序列计算模块和聚类处理模块；

所述数据获取模块用于从数据库中获取一段时间内包括经度lon、纬度Lat、时间t、速度m和车辆标识id的车辆全部行驶数据，得到数据集G；

所述数据预处理用于通过设置过滤条件的方式对数据集G中的车辆行驶数据进行预处理，得到数据集G₁∈G（t.m>Mmin）；

所述序列计算模块用于对数据集G₁进行排序得到相应序列，通过计算公式对序列进行计算，得到某地点车辆在某时刻的拥堵程度；

所述聚类处理用于对序列进行转换和分组得到数据集H_i(i∈1，2……12），并对数据集H_i进行聚类处理和统计得到拥堵清单。

5.根据权利要求4所述的一种基于驾驶数据的道路拥堵计算系统，其特征在于：还包括过滤模块，所述过滤模块设置速度小于5的过滤条件，并根据过滤条件对数据集G中的车辆行驶数据进行过滤得到数据集G₁。

6.根据权利要求4所述的一种基于驾驶数据的道路拥堵计算系统，其特征在于：所述序列计算模块包括排序单元和计算单元；所述排序单元用于对数据集G₁排序按照时间及车辆标识排序得到序列T_id,t；所述计算单元用于通过计算公式：t_difference =T_id,t+1_.t-T_id,t.t进行计算得到同id下顺序相邻下的时间差，并过滤掉t_difference 小于预设值的数据，得到序列T_{id,tdifference} ，序列代表着该gps地点车辆缓行的时间长度，也就是该地点车辆在t时刻拥堵程度。

7.根据权利要求4所述的一种基于驾驶数据的道路拥堵计算系统，其特征在于：所述聚类处理模块包括转换单元、分组单元和聚类统计单元；所述转换单元用于对序列T_{id,tdifference} 的时间t进行转换得到小时数据h；所述分组单元用于对序列T_{id,tdifference} 按照小时数据分组得到数据集H_i(i∈1，2……12）；所述聚类统计单元用于对数据集H_i进行kdtree-dbscan密度聚类，得到这一时间段内每小时该路段的拥堵数据集H，并对H进行计数统计得到拥堵清单。

Images