CN114898574A - 交通参数的估计方法和系统 - Google Patents
交通参数的估计方法和系统 Download PDFInfo
- Publication number
- CN114898574A CN114898574A CN202210444707.6A CN202210444707A CN114898574A CN 114898574 A CN114898574 A CN 114898574A CN 202210444707 A CN202210444707 A CN 202210444707A CN 114898574 A CN114898574 A CN 114898574A
- Authority
- CN
- China
- Prior art keywords
- unit time
- time interval
- license plate
- preset
- calculating
- 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
- G08G1/065—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
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/08—Payment architectures
- G06Q20/14—Payment architectures specially adapted for billing systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07B—TICKET-ISSUING APPARATUS; FARE-REGISTERING APPARATUS; FRANKING APPARATUS
- G07B15/00—Arrangements or apparatus for collecting fares, tolls or entrance fees at one or more control points
- G07B15/06—Arrangements for road pricing or congestion charging of vehicles or vehicle users, e.g. automatic toll systems
-
- 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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
Landscapes
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种交通参数的估计方法,其包括:统计单元区域在预设单元时间区间内的车辆的出行总数A,统计单元区域在预设单元时间区间内的上线车牌数B;计算得单元区域内在预设单元时间区间内单车出行次数C;基于车牌识别设备,统计单元区域在待测单元时间区间内的上线车牌数D,计算与待测单元时间区间相似的多个预设单元时间区间对应的单车平均出行次数C′,计算得单元区域在待测单元时间区间内的车辆的出行总数E。本发明针对ETC收费设备和车牌识别设备两个数据源的各自特点,设计相应的统计方法,将ETC收费设备和车牌识别设备采集的两个数据源融合使用,共同服务好特殊场景下路网运行监测和管理工作。
Description
技术领域
本发明涉及智能交通领域。更具体地说,本发明涉及一种交通参数的估计方法和系统。
背景技术
快速、准确地获知高速公路宏观交通流量分布情况对于路网运行监测与管理工作而言具有重要的意义。中国专利号CN106558220 B,名为“一种公路交通量的统计方法与装置”,提出基于移动位置数据来评估高速公路网宏观和微观交通流量分布,但鉴于移动位置数据仅是全部出行车辆的采样样本,其计算结果近似满足相对量的比较,不满足绝对量的估算。
2019年以来,国家积极推进省界站拆除和高速公路ETC联网收费等工作,随着收费门架及ETC收费设备、车牌识别设备的布设,基本构建起在高速公路上对全量车牌的感知能力,这为在高速路网上开展绝对量的宏观流量分布监测工作提供了坚实的数据基础。
ETC收费设备采集数据准确性较高,但其存在高速公路免通假期期间不可用的问题,车牌识别设备可全天候使用,但其受限于车牌识别的准确性,存在车牌、车型信息识别错误的情况;因此,依赖ETC收费设备或车牌识别设备任一一方采集的数据作为数据源,在免通假期等场景下进行高速公路上的交通参数的估计均不够准确。
发明内容
本发明的一个目的是解决至少上述问题,并提供至少后面将说明的优点。
本发明还有一个目的是提供一种交通参数的估计方法,其针对ETC收费设备和车牌识别设备两个数据源的各自特点,设计相应的统计方法,将ETC收费设备和车牌识别设备采集的两个数据源融合使用,共同服务好特殊场景下路网运行监测和管理工作。
为了实现根据本发明的这些目的和其它优点,提供了一种交通参数的估计方法,其包括:
基于ETC收费设备,统计单元区域在预设单元时间区间内的车辆的出行总数A,基于车牌识别设备,统计单元区域在预设单元时间区间内的上线车牌数B;
根据C=A/B,计算得单元区域内在预设单元时间区间内单车出行次数C;
基于车牌识别设备,统计单元区域在待测单元时间区间内的上线车牌数D,计算与待测单元时间区间相似的多个预设单元时间区间对应的单车平均出行次数C′,根据E=D×C′,计算得单元区域在待测单元时间区间内的车辆的出行总数E;
其中,选取自待测单元时间区间向前间隔预设周期区间的多个预设单元时间区间,即为与待测单元时间区间相似的多个预设单元时间区间。
优选的是,所述的交通参数的估计方法,单元区域为每个省份;单元时间区间为每天;预设周期区间为一天或一周。
优选的是,所述的交通参数的估计方法,还包括建立交通数据库,交通数据库包括所有车辆的车辆属性信息,任一车辆属性信息包括车辆类型和车牌信息;
基于交通数据库去除单元区域在预设单元时间区间内/在待测单元时间区间内的无效上线车牌,得到单元区域在预设单元时间区间内的上线车牌数B/单元区域在待测单元时间区间内的上线车牌数D。
优选的是,所述的交通参数的估计方法,车辆的出行总数A包括多个不同类型车辆对应的出行总数a;
上线车牌数B包括多个不同类型车辆对应的上线车牌数b;
根据c=a/b,计算得单元区域内不同类型车辆对应的预设单元时间区间内单车出行次数c;
上线车牌数D包括多个不同类型车辆对应的上线车牌数d;
根据e=d×c′,计算得单元区域内不同类型车辆对应的待测单元时间区间内的出行总数e。
优选的是,所述的交通参数的估计方法,出行总数A包括货车出行总数a1和客车出行总数a2;
上线车牌数B包括货车上线车牌数b1,客车上线车牌数b2;
根据c=a/b,分别计算单元区域内在预设单元时间区间内货车单车出行次数c1和客车单车出行次数c2;
上线车牌数D包括货车上线车牌数d1,客车上线车牌数d2;
计算单元区域内在待测单元时间区间对应的货车单车平均出行次数c′1和客车单车平均出行次数c′2;
根据e=d×c′,计算得单元区域内在待测单元时间区间内的货车出行总数e1和客车出行总数e2;根据f=e2/e1计算得单元区域内在待测单元时间区间内的客货比f。
优选的是,所述的交通参数的估计方法,基于历史ETC收费设备和车牌识别设备记录的车辆信息,将所有有效车牌对应的车辆信息进行统计获得所述交通数据库。
优选的是,所述的交通参数的估计方法,基于交通数据库去除单元区域在预设单元时间区间内/在待测单元时间区间内的无效上线车牌,具体为:采集车牌识别设备记录的单元区域在预设单元时间区间内/在待测单元时间区间内的上线车牌数据,判断上线车牌数据中的任一车牌信息是否存在于交通数据库内,若存在则该车牌信息为有效上线车牌;若不存在,则判断该车牌信息在上线车牌数据中出现的次数是否小于预设次数,若不小于则该车牌信息为有效上线车牌并将该车牌信息添加至交通数据库内,若小于则该车牌信息为无效上线车牌并将该车牌信息去除。
本发明还提供一种交通参数的估计系统,其上述的交通参数的估计方法,其包括:
第一统计模块,其用于基于ETC收费设备,统计单元区域在预设单元时间区间内的车辆的出行总数A;
第二统计模块,其用于基于车牌识别设备,统计单元区域在预设单元时间区间内的上线车牌数B,和统计单元区域在待测单元时间区间内的上线车牌数D;
第一计算模块,其用于根据C=A/B,计算得单元区域内在预设单元时间区间内单车出行次数C;
第二计算模块,其用于计算与待测单元时间区间相似的多个预设单元时间区间对应的单车平均出行次数C′,以及根据E=D×C′,计算得单元区域在待测单元时间区间内的车辆的出行总数E。
本发明还提供一种电子设备,其包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行上述的方法。
本发明还提供一种存储介质,其上存储有计算机程序,该程序被处理器执行时,实现上述的方法。
本发明至少包括以下有益效果:
1、本发明针对ETC收费设备和车牌识别设备两个数据源的各自特点,设计相应的统计方法,将ETC收费设备和车牌识别设备采集的两个数据源融合使用,共同服务好特殊场景下路网运行监测和管理工作。
2、本发明估计方法简单易行,摒弃了现有技术中复杂路径还原过程,不需要进行繁琐的数据计算过程,为宏观维度的高速公路流量估计提供了新的思路,即本发明在简化估计方法的同时,还实现了对宏观交通流量数据的准确监测。
本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明所述交通参数的估计方法的流程示意图;
图2现有技术中基于高速公路ETC收费设备和车牌识别设备估算交通流量分布的流程图;
图3为本发明基于历史ETC收费记录和车牌识别记录估计单车平均出行次数的流程图;
图4为本发明基于车牌识别记录和单车平均出行次数估计交通流量分布的流程图;
图5本发明对交通流量估计的准确性评估结果图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
应当理解,本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
需要说明的是,下述实施方案中所述实验方法,如无特殊说明,均为常规方法,所述试剂和材料,如无特殊说明,均可从商业途径获得。
在本发明的描述中,术语“横向”、“纵向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,并不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
如图1所示,本发明提供一种交通参数的估计方法,其包括:
基于ETC收费设备,统计单元区域在预设单元时间区间内的车辆的出行总数A,基于车牌识别设备,统计单元区域在预设单元时间区间内的上线车牌数B;
根据C=A/B,计算得单元区域内在预设单元时间区间内单车出行次数C;
基于车牌识别设备,统计单元区域在待测单元时间区间内的上线车牌数D,计算与待测单元时间区间相似的多个预设单元时间区间对应的单车平均出行次数C′,根据E=D×C′,计算得单元区域在待测单元时间区间内的车辆的出行总数E;
其中,选取自待测单元时间区间向前间隔预设周期区间的多个预设单元时间区间,即为与待测单元时间区间相似的多个预设单元时间区间。
在上述技术方案中,本发明针对ETC收费设备和车牌识别设备两个数据源的各自特点,设计相应的统计方法,将ETC收费设备和车牌识别设备采集的两个数据源融合使用,共同服务好特殊场景下路网运行监测和管理工作。
作为数据源,ETC收费设备和车牌识别设备具有不同的特征,ETC收费记录的采集准确性较高,但在免通假期期间不可用(采集不到高速公路上行驶车辆的信息);车牌识别设备可全天候使用,但受限于车牌识别设备的采集原理,会存在车牌、车型误识别的情况。因此,本技术方案中,将两个数据源进行结合,弥补彼此采集数据的缺陷,在高速免通等特殊场景下将车牌识别设备的数据作为ETC交易数据的替代方案,同时利用ETC收费设备采集准确性高的优点,不仅提高了车牌识别设备数据的利用率,还得到更加准确的流量统计数据。
此外,本发明估计方法简单易行,摒弃了现有技术中复杂路径还原过程,不需要进行繁琐的数据计算过程,为宏观维度的高速公路流量估计提供了新的思路,即本发明在简化估计方法的同时,还实现了对宏观交通流量数据的准确监测。
上述技术方案中,本发明提出基于车牌上线数和单车平均出行次数两个参数,来估计每个单元区域的车辆出行总数。对于单元区域在相似的单元时间区间内,单车平均出行次数具有较强的同质性,因此,本发明根据历史数据(基于非免通假期期间ETC收费设备记录的数据统计得出行总数A,基于车牌识别设备记录的数据,统计相应的上线车牌数B)事先计算出单元区域在单元时间区间内的单车出行次数C,在进行待测单元时间区间内,车辆流量估计时,可参考事先统计好的多个相似的单元时间区间对应的单车平均出行次数C′,根据E=D×C′,计算即可得单元区域在待测单元时间区间内的车辆的出行总数E;本技术方案覆盖了免通假期的时间区间,同时又克服了仅靠车牌识别设备采集的数据会带来误采的技术缺陷,重要的是,本技术方案的估计方法,简单可行,估计数据可靠性较强,具有较高的经济实用性。
单元时间区间可为某一天,可为某一天当中的一个小时或几个小时,具体的,如单元时间区间为某一天时,对应的相似的单元时间区间可以理解为,自待测单元时间区间按照预设周期区间滚动向前提取的多天;如单元时间区间为某一天当中的截取的时间段(一个小时或几个小时),对应的相似的单元时间区间可以理解为,自待测单元时间区间按照预设周期区间滚动向前提取的多个时间段。
另一种技术方案中,所述的交通参数的估计方法,单元区域为每个省份;单元时间区间为每天;预设周期区间为一天或一周。经分析发现各省份的单车平均出行次数具有强同质性,但不同省份之间又存在异质性,从一定程度上代表了一省的出行特征规律,因此,本技术方案选择每个省份作为一个单元区域,进行更加有针对性的交通数据的分析估计,提高交通参数估计结果的可靠性。
另一种技术方案中,所述的交通参数的估计方法,还包括建立交通数据库,交通数据库包括所有车辆的车辆属性信息,任一车辆属性信息包括车辆类型和车牌信息;
基于交通数据库去除单元区域在预设单元时间区间内/在待测单元时间区间内的无效上线车牌,得到单元区域在预设单元时间区间内的上线车牌数B/单元区域在待测单元时间区间内的上线车牌数D。
在上述技术方案中,鉴于车牌识别设备存在一定的识别误差,本技术方案进一步的通过事先建立的交通数据库,对基于车牌识别设备采集的单元区域在待测单元时间区间内的上线车牌数B/单元区域在待测单元时间区间内的上线车牌数D,进行过滤去除无效车牌信息,确保采集得到的上线车牌数的有效性和准确性,进一步提高本发明估计方法的准确性可靠性。
另一种技术方案中,所述的交通参数的估计方法,车辆的出行总数A包括多个不同类型车辆对应的出行总数a;
上线车牌数B包括多个不同类型车辆对应的上线车牌数b;
根据c=a/b,计算得单元区域内不同类型车辆对应的预设单元时间区间内单车出行次数c;
上线车牌数D包括多个不同类型车辆对应的上线车牌数d;
根据e=d×c′,计算得单元区域内不同类型车辆对应的待测单元时间区间内的出行总数e。
在上述技术方案中,本发明对不同类型的车辆分别进行出行总数(车辆流量)估计,通过分别统计不同类型车辆对应的历史单车平均出行次数,统计不同类型车辆对应的上线车牌数(在单元区域(指定省份)待测单元时间内的上线车牌数),对于任一类型车辆,计算该类型车辆对应的历史单车平均出行次数(计算与单元区域的待测单元时间区间相似的多个预设单元时间区间,对应的多个单车出行次数的平均数,即为单车平均出行次数)与上线车牌数(待测单元时间区间内,单元区域内该类型车辆的上线车牌数)的乘积即得单元区域在待测单元时间区间内的车辆流量(车辆出行总数)。
另一种技术方案中,所述的交通参数的估计方法,出行总数A包括货车出行总数a1和客车出行总数a2;
上线车牌数B包括货车上线车牌数b1,客车上线车牌数b2;
根据c=a/b,分别计算单元区域内在预设单元时间区间内货车单车出行次数c1和客车单车出行次数c2;
上线车牌数D包括货车上线车牌数d1,客车上线车牌数d2;
计算单元区域内在待测单元时间区间对应的货车单车平均出行次数c′1和客车单车平均出行次数c′2;
根据e=d×c′,计算得单元区域内在待测单元时间区间内的货车出行总数e1和客车出行总数e2;根据f=e2/e1计算得单元区域内在待测单元时间区间内的客货比f。
在上述技术方案中,本发明选用较常规的货车和客车两个类型的车辆作为研究参数(本方法可以扩展到更为精细的车型划分),并进一步计算了客货比,最终可得到单元区域在单元时间区间内的,货车流量、客车流量和客货比例,实现对宏观交通流量分布情况的监测。
另一种技术方案中,所述的交通参数的估计方法,基于历史ETC收费设备和车牌识别设备记录的车辆信息,将所有有效车牌对应的车辆信息进行统计获得所述交通数据库。ETC收费设备的采集准确性较高,可通过ETC收费设备记录的数据统计有效车牌的车辆信息,并形成交通数据库,对于免通假期期间的空缺可通过车牌视频设备记录的数据来弥补,进而建立一个包含完整准确的车牌信息的交通数据库(map型数据库CAR_DB),其为车牌-车型的二元组数据库。
另一种技术方案中,所述的交通参数的估计方法,基于交通数据库去除单元区域在预设单元时间区间内/在待测单元时间区间内的无效上线车牌,具体为:采集车牌识别设备记录的单元区域在预设单元时间区间内/在待测单元时间区间内的上线车牌数据,判断上线车牌数据中的任一车牌信息是否存在于交通数据库内,若存在则该车牌信息为有效上线车牌;若不存在,则判断该车牌信息在上线车牌数据中出现的次数是否小于预设次数,若不小于则该车牌信息为有效上线车牌并将该车牌信息添加至交通数据库内,若小于则该车牌信息为无效上线车牌并将该车牌信息去除。
上述技术方案中,将上线车牌数B/上线车牌数D中的每一条车辆信息都与交通数据库进行对比,在交通数据库内进行检索,若交通数据库中检索到了该条车辆信息说明该条车辆信息对应的车牌为有效车牌,将上线车牌数加1,若交通数据库中未检索到该条车辆信息,则说明书该车辆对应的车牌为出现的一个新的car_id,该车辆信息对应的车牌存在两种可能,一种是属于第一次上高速的车牌,另一种是属于车牌识别设备错误识别的车牌,具体的可以通过分析车牌识别记录中该车牌出现的次数,若小于预设次数,则判断该车牌为无效车牌(车牌识别设备错误识别记录的),将该车牌信息删除,上线车牌数不加1,若不小于预设次数,即该车牌信息出现了多条识别记录,则判断该车牌信息为第一次上高速的有效车牌,上线车牌数加1,并将该车牌信息添加至交通数据库内,更新交通数据库;基于过滤后的车牌识别记录,能够得到准确、有效的上线车牌数B/D,进而保证交通参数估计的准确性和可靠性。
本发明还提供一种交通参数的估计系统,其执行上述的交通参数的估计方法,其包括:
第一统计模块,其用于基于ETC收费设备,统计单元区域在预设单元时间区间内的车辆的出行总数A;
第二统计模块,其用于基于车牌识别设备,统计单元区域在预设单元时间区间内的上线车牌数B,和统计单元区域在待测单元时间区间内的上线车牌数D;
第一计算模块,其用于根据C=A/B,计算得单元区域内在预设单元时间区间内单车出行次数C;
第二计算模块,其用于计算与待测单元时间区间相似的多个预设单元时间区间对应的单车平均出行次数C′,以及根据E=D×C′,计算得单元区域在待测单元时间区间内的车辆的出行总数E。
上述技术方案中,本发明提供一种交通参数估计系统,能够执行交通参数的估计方法,最终得到高速公路上车辆流量的估计数据,实现对宏观交通流量分布情况的监测。
本发明还提供一种电子设备,其包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行上述的方法。
本发明还提供一种存储介质,其上存储有计算机程序,该程序被处理器执行时,实现上述的方法。
如图2所示,高速公路网在每个收费站入口和出口部署ETC收费设备(如TG1~TG4),在每个门架部署ETC收费设备和车牌识别设备(如p1~p6)。上述路网和设备在行政区划上分属于A省和B省两个省。
设有两辆客车C1和C2,以及两辆货车C3和C4,其在高速公路网上行驶时被设备采集的记录如下:
Record(C1)=TG1→p2→p3→TG2;
Record(C2)=TG2→p4→TG4;
Record(C3)=TG1→p2→p3→p4→p5→TG3;
Record(C4)=TG4→p5→TG3。
如图1所示的ETC收费设备和车牌识别设备与A省和B省的隶属关系,可知,客车C1只在A省的范围内行驶;客车C2横跨A省和B省;货车C3横跨A省和B省;货车C4只在B省的范围内行驶。进一步分析可知,A省的流量为3(C1、C2和C3),客货比为2∶1;B省的流量也为3(C2、C3和C4),客货比为1∶2。
定义ETC收费设备的记录如下:
FeeRecord=<car_id,car_type,trip_id,equ_id,t>
上述五元组定义了车辆经过ETC收费设备时采集的记录。其中,car_id唯一标识一辆车的车牌信息,car_type定义了车的类型,这里主要指客车或货车,亦可以是更细分的车型;trip_id唯一标识车辆的一个行程,即车辆在一个行程过程中从入口收费站到出口收费站,每一条收费设备采集的记录都是同一个trip_id;equ_id唯一标识一个采集设备,如收费站TG1~TG4或门架p1~p6;t为车辆经过采集设备的时刻。
定义车牌识别设备的记录如下:
PicRecord=<car_id,car_type,equ_id,t>
上述四元组定义了车辆经过车牌识别设备时采集的记录。与收费设备不同,车牌识别设备并不能识别车辆的行程,因此无trip_id的记录,而trip_id对于划分车辆行程具有重要的价值。此外,由于受光线、设备识别能力等因素的影响,牌照识别设备在车牌、车型上具有一定的误识别率,这会给行程划分带来误差。
以车辆C3为例,不妨设在门架p4处,车牌识别设备将车辆的唯一标识识别为C5,则在车牌识别记录中我们可以提取的相关记录如下:
<C3,truck,p2,t1)、<C3,truck,p3,t2>、<C5,truck,p4,t3>和<C3,truck,p5,t4)
当p4处误识别为C5时,系统会误以为车辆C5与C2的轨迹类似,从而给流量和客货比的计算带来误差;此外,对于C3而言,当t2和t4之间的时间间隔较大时,考虑到车辆存在进出高速的可能性,将车辆C3的轨迹划分为p2→p3和p5两部分,进一步引发计算的误差。
有上述分析可知,由于trip_id的存在,基于ETC收费设备记录是很容易构造出Record(Ck)所述的车辆行程的,进而很方便计算出分省流量和客货比指标;反之,由于trip_id的缺失,以及识别设备的误差,基于车牌识别设备记录进行车辆行程的划分是困难的,本发明即解决如何基于车牌识别记录估算分省流量和客货比的问题。
以上分析是本发明构思的原因起点,本发明解决了如何基于车牌识别记录和ETC收费设备相互配合,估算单元区域(分省)流量和客货比的问题。
<实施例1>
以Prok某省作为单元区域,某一天作为单元时间区间;一种交通参数的估计方法,其包括以下步骤:
第一步,基于ETC收费设备建立交通数据库
鉴于ETC收费记录具有较高的准确性,可以基于ETC记录建立车牌/车型的交通数据库,用于过滤车牌识别设备记录中误识别的错误车牌、车型。
交通数据库的构建方法为,基于ETC收费设备记录,建立车辆和车型的key-value二元组<car_id,car_type>,并存入到map型数据库CAR_DB中形成交通数据库。
第二步,基于历史数据估计单车平均出行次数
如图3所示,设dj是历史时段dm~dn中的某一天,我们可以提取其一天的ETC收费记录为通过FeeRecord.equ_id可以确定车辆经过的设备所在的省份Prok,FeeRecord.car_type可以确定车辆的类型。因此,可以很方便地提取省份Prok的流量计算真值(这里用R作前缀区分),分别是客车出行总数货车出行总数以及客货比
提取dj的一天的车牌识别记录采集dj的上线车牌数B,通过PicRecord.equ_id可以确定车辆经过的设备所在的省份Prok,PicRecord.car_type可以确定车辆的类型。鉴于车牌识别设备存在一定的识别误差,需要根据第一步中建立的交通数据库CAR_DB对每一条车牌识别记录进行过滤,如果PicRecord.car_id在CAR_DB的key中不存在,则认为PicRecord是一条潜在的误识别记录。
进一步地,对于车牌识别记录中出现的一个新的car_id,其未在CAR_DB的key中,则存在两种可能性,一种是car_id是第一次上高速被识别,另一种是car_id是一个错误识别的车牌。本发明中认为二者的区别在于,若car_id是一个正常车牌第一次上高速,则应当有连续多条的车牌识别记录(即出现次数不小于预设次数);否则为无效的车牌识别记录(出现次数小于预设次数)。当car_id判定为一个正常车牌时,将其<car_id,car_type>对收录到CAR_DB中。
分别估算Prok在dj天单车出行次数:(根据c=a/b)
第三步、基于单车平均出行次数,估计di的(待测单元时间区间)交通流量分布(客车出行总数e1,货车出行总数e2以及客货比f);
估算Prok的交通流量分布值如下:
对本发明的方法进行了验证,取dm为2020年10月12日,dn为2020年10月18日共一周的数据作为训练数据,取di分别为2020年10月20日、21日、22日作为测试数据,用下述三个指标来评估各省的估算准确性:
就本发明提出的单车平均出行次数而言,相同省份在不同天具有强同质性,但不同省份又存在很强的异质性,例如全国单车平均出行次数约为1.67,但华南某省的单车平均出行次数约为1.8次,而华东某省的单车平均出行次数为1.2次左右,推测与出行模式有一定的相关性。
需要指出的是,交通流量分布的统计口径有很多,例如基于出口的客货流量统计和客货比统计等,经验证本发明的方法依旧有效。
这里说明的设备数量和处理规模是用来简化本发明的说明的。对本发明的应用、修改和变化对本领域的技术人员来说是显而易见的。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (10)
1.交通参数的估计方法,其特征在于,包括:
基于ETC收费设备,统计单元区域在预设单元时间区间内的车辆的出行总数A,基于车牌识别设备,统计单元区域在预设单元时间区间内的上线车牌数B;
根据C=A/B,计算得单元区域内在预设单元时间区间内单车出行次数C;
基于车牌识别设备,统计单元区域在待测单元时间区间内的上线车牌数D,计算与待测单元时间区间相似的多个预设单元时间区间对应的单车平均出行次数C′,根据E=D×C′,计算得单元区域在待测单元时间区间内的车辆的出行总数E;
其中,选取自待测单元时间区间向前间隔预设周期区间的多个预设单元时间区间,即为与待测单元时间区间相似的多个预设单元时间区间。
2.如权利要求1所述的交通参数的估计方法,其特征在于,单元区域为每个省份;单元时间区间为每天;预设周期区间为一天或一周。
3.如权利要求1所述的交通参数的估计方法,其特征在于,还包括建立交通数据库,交通数据库包括所有车辆的车辆属性信息,任一车辆属性信息包括车辆类型和车牌信息;
基于交通数据库去除单元区域在预设单元时间区间内/在待测单元时间区间内的无效上线车牌,得到单元区域在预设单元时间区间内的上线车牌数B/单元区域在待测单元时间区间内的上线车牌数D。
4.如权利要求3所述的交通参数的估计方法,其特征在于,车辆的出行总数A包括多个不同类型车辆对应的出行总数a;
上线车牌数B包括多个不同类型车辆对应的上线车牌数b;
根据c=a/b,计算得单元区域内不同类型车辆对应的预设单元时间区间内单车出行次数c;
上线车牌数D包括多个不同类型车辆对应的上线车牌数d;
根据e=d×c′,计算得单元区域内不同类型车辆对应的待测单元时间区间内的出行总数e。
5.如权利要求4所述的交通参数的估计方法,其特征在于,出行总数A包括货车出行总数a1和客车出行总数a2;
上线车牌数B包括货车上线车牌数b1,客车上线车牌数b2;
根据c=a/b,分别计算单元区域内在预设单元时间区间内货车单车出行次数c1和客车单车出行次数c2;
上线车牌数D包括货车上线车牌数d1,客车上线车牌数d2;
计算单元区域内在待测单元时间区间对应的货车单车平均出行次数c′1和客车单车平均出行次数c′2;
根据e=d×c′,计算得单元区域内在待测单元时间区间内的货车出行总数e1和客车出行总数e2;根据f=e2/e1计算得单元区域内在待测单元时间区间内的客货比f。
6.如权利要求3所述的交通参数的估计方法,其特征在于,基于历史ETC收费设备和车牌识别设备记录的车辆信息,将所有有效车牌对应的车辆信息进行统计获得所述交通数据库。
7.如权利要求3所述的交通参数的估计方法,其特征在于,基于交通数据库去除单元区域在预设单元时间区间内/在待测单元时间区间内的无效上线车牌,具体为:采集车牌识别设备记录的单元区域在预设单元时间区间内/在待测单元时间区间内的上线车牌数据,判断上线车牌数据中的任一车牌信息是否存在于交通数据库内,若存在则该车牌信息为有效上线车牌;若不存在,则判断该车牌信息在上线车牌数据中出现的次数是否小于预设次数,若不小于则该车牌信息为有效上线车牌并将该车牌信息添加至交通数据库内,若小于则该车牌信息为无效上线车牌并将该车牌信息去除。
8.交通参数的估计系统,其执行如权利要求1~7任一一项所述的交通参数的估计方法,其特征在于,包括:
第一统计模块,其用于基于ETC收费设备,统计单元区域在预设单元时间区间内的车辆的出行总数A;
第二统计模块,其用于基于车牌识别设备,统计单元区域在预设单元时间区间内的上线车牌数B,和统计单元区域在待测单元时间区间内的上线车牌数D;
第一计算模块,其用于根据C=A/B,计算得单元区域内在预设单元时间区间内单车出行次数C;
第二计算模块,其用于计算与待测单元时间区间相似的多个预设单元时间区间对应的单车平均出行次数C′,以及根据E=D×C′,计算得单元区域在待测单元时间区间内的车辆的出行总数E。
9.电子设备,其特征在于,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行权利要求1~7中任一项所述的方法。
10.存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时,实现权利要求1~7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210444707.6A CN114898574B (zh) | 2022-04-26 | 2022-04-26 | 交通参数的估计方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210444707.6A CN114898574B (zh) | 2022-04-26 | 2022-04-26 | 交通参数的估计方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114898574A true CN114898574A (zh) | 2022-08-12 |
CN114898574B CN114898574B (zh) | 2023-04-04 |
Family
ID=82720552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210444707.6A Active CN114898574B (zh) | 2022-04-26 | 2022-04-26 | 交通参数的估计方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114898574B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004326410A (ja) * | 2003-04-24 | 2004-11-18 | Denso Corp | 自動料金収受システムの料金所端末装置、etc車載機、退場可否判定方法 |
US20060064236A1 (en) * | 2004-09-21 | 2006-03-23 | Denso Corporation | System and apparatus for road traffic congestion degree estimation |
CN105590346A (zh) * | 2016-02-18 | 2016-05-18 | 华南理工大学 | 基于路径识别系统的收费公路网交通信息采集与诱导系统 |
US20170372161A1 (en) * | 2016-06-24 | 2017-12-28 | Accenture Global Solutions Limited | Intelligent automatic license plate recognition for electronic tolling environments |
CN111695767A (zh) * | 2020-04-30 | 2020-09-22 | 孙艳 | 高速公路路网通行效率评估方法、电子设备、存储介质 |
CN111932898A (zh) * | 2020-09-23 | 2020-11-13 | 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 |
CN113870570A (zh) * | 2021-12-02 | 2021-12-31 | 湖南省交通科学研究院有限公司 | 一种基于etc的路网运行状态方法、系统和存储介质 |
CN114331234A (zh) * | 2022-03-16 | 2022-04-12 | 北京交通大学 | 基于乘客出行信息的轨道交通客流预测方法和系统 |
-
2022
- 2022-04-26 CN CN202210444707.6A patent/CN114898574B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004326410A (ja) * | 2003-04-24 | 2004-11-18 | Denso Corp | 自動料金収受システムの料金所端末装置、etc車載機、退場可否判定方法 |
US20060064236A1 (en) * | 2004-09-21 | 2006-03-23 | Denso Corporation | System and apparatus for road traffic congestion degree estimation |
CN105590346A (zh) * | 2016-02-18 | 2016-05-18 | 华南理工大学 | 基于路径识别系统的收费公路网交通信息采集与诱导系统 |
US20170372161A1 (en) * | 2016-06-24 | 2017-12-28 | Accenture Global Solutions Limited | Intelligent automatic license plate recognition for electronic tolling environments |
CN111695767A (zh) * | 2020-04-30 | 2020-09-22 | 孙艳 | 高速公路路网通行效率评估方法、电子设备、存储介质 |
CN111932898A (zh) * | 2020-09-23 | 2020-11-13 | 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 |
CN113870570A (zh) * | 2021-12-02 | 2021-12-31 | 湖南省交通科学研究院有限公司 | 一种基于etc的路网运行状态方法、系统和存储介质 |
CN114331234A (zh) * | 2022-03-16 | 2022-04-12 | 北京交通大学 | 基于乘客出行信息的轨道交通客流预测方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114898574B (zh) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107329977B (zh) | 一种基于概率分布的假牌车二次筛选方法 | |
CN105590346A (zh) | 基于路径识别系统的收费公路网交通信息采集与诱导系统 | |
CN106846801A (zh) | 一种基于车辆轨迹的区域徘徊异常行为检测方法 | |
CN103077610A (zh) | 一种路段旅行时间估计的方法和系统 | |
CN104318781B (zh) | 基于rfid技术的行程速度获取方法 | |
CN109191861B (zh) | 一种基于视频检测器的高速公路逃费车辆异常行为检测系统及方法 | |
CN109410368B (zh) | 一种基于铁路车号信息计算货车运行里程的方法 | |
CN105118305A (zh) | 室外停车场出口车辆管理平台 | |
CN108806248A (zh) | 一种针对rfid电子车牌数据的车辆出行轨迹划分方法 | |
CN109493449B (zh) | 一种基于货车gps轨迹数据和高速交易数据的货车载货状态估计方法 | |
CN113642893B (zh) | 一种新能源汽车运行风险的评估方法 | |
CN106327866A (zh) | 基于rfid的车辆出行od切分方法及其系统 | |
CN115691120A (zh) | 一种基于高速公路流水数据的拥堵识别方法及系统 | |
CN106651732A (zh) | 一种高速公路异车换卡逃费车辆筛查方法及系统 | |
CN115830729A (zh) | 基于高速公路etc数据融合的车辆出行信息提取方法 | |
WO2024067210A1 (zh) | 一种交通状态确定方法、装置及设备 | |
CN108305461A (zh) | 一种偷逃费嫌疑车辆的确定方法和装置 | |
CN105575120B (zh) | 面向道路实时速度计算的浮动车数据停车行为模式清洗方法 | |
CN112215497A (zh) | 一种纯电动汽车运行风险预警方法 | |
CN115761920A (zh) | 一种基于etc门架数据的车辆轨迹可信提取方法及系统 | |
CN114664087A (zh) | 基于轨迹识别车辆上下高速的方法、装置、设备及介质 | |
CN114898574B (zh) | 交通参数的估计方法和系统 | |
CN116844334A (zh) | Etc门架信息缺失情况下的车辆路径还原方法及系统 | |
CN114973681B (zh) | 一种在途车辆感知方法及设备 | |
CN115731713A (zh) | 一种预测异常车辆高速出口及时间的方法 |
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 |