CN114999181A - 一种基于etc系统数据的高速公路车辆速度异常识别方法 - Google Patents
一种基于etc系统数据的高速公路车辆速度异常识别方法 Download PDFInfo
- Publication number
- CN114999181A CN114999181A CN202210509108.8A CN202210509108A CN114999181A CN 114999181 A CN114999181 A CN 114999181A CN 202210509108 A CN202210509108 A CN 202210509108A CN 114999181 A CN114999181 A CN 114999181A
- Authority
- CN
- China
- Prior art keywords
- data
- speed
- vehicle
- system data
- road
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000002159 abnormal effect Effects 0.000 claims abstract description 23
- 210000004258 portal system Anatomy 0.000 claims description 15
- 238000007726 management method Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012800 visualization Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000013501 data transformation Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 238000013079 data visualisation Methods 0.000 claims description 2
- 230000003203 everyday effect Effects 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000003068 static effect Effects 0.000 claims description 2
- 230000000903 blocking effect Effects 0.000 claims 1
- 230000015556 catabolic process Effects 0.000 abstract 1
- 238000006731 degradation reaction Methods 0.000 abstract 1
- 230000006399 behavior Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 241000497429 Obus Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- 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
- G08G1/0125—Traffic data processing
-
- 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ETC系统数据的高速公路车辆速度异常识别方法。首先获取ETC系统数据，采集车辆相关的状态数据；并获取车路数据，采集雷达数据和道路数据；接着进行速度异常识别：基于获取的ETC系统数据，进行区间流量、速度提取，结合Van Aerde模型对交通流状态进行识别，并使用K‑Means算法对交通流状态进行精细化聚类；最后基于获取的雷达数据，对低速车辆所在路段进行三级拥堵判别，对超速车辆进行轨迹提取并可视化，并分别向交通管理部门、驾驶人发送预警。本发明能够全面、准确、科学、客观的识别车辆异常速度，并基于识别结果进行低速车辆拥堵判别、超速车辆轨迹记录，可及时完善车辆异常速度造成的路网态势劣化，提升路网运行效率。
Description
技术领域
本发明属于智能交通技术领域，尤其涉及一种高速公路车辆速度异常识别方法。
背景技术
目前，随着人们生活水平的提高，汽车已经成为人们出行的主要交通工具之一，与此同时，也伴随着不良驾驶行为的出现，用户的不良驾驶行为容易导致交通事故的发生。超速、低速行驶是高速公路上最常见的违章行为，也是较危险的一类异常驾驶行为。
由于车辆超速行驶时，驾驶员的视野会变小、驾驶员反应时间内车辆行驶距离远等特征，导致超速行驶容易引发交通事故。因此，有必要对超速行为进行实时监测，在车辆即将发生超速行为或者刚刚发生超速行为时，就对驾驶员发出超速预警，提示其减速行驶，从而提高高速公路的交通安全水平。
车辆低速行驶时，大部分情况是路段拥堵或即将拥堵带来的车辆降速，车流在一定空间内的密度增加也容易引发交通事故，有必要针对不同的拥堵等级对交通管理部门发送预警，提示其选取针对性措施对交通流进行管控，提升道路运行效率，减少车辆在途的通行时间。
现有技术存在的问题及缺陷为：无法全面、准确的对速度异常进行分析。而且现有的ETC系统数据还没有被用于速度异常的分析。
发明内容
本发明的目的是提供一种基于ETC系统数据的高速公路车辆速度异常识别方法，以解决基于现有的ETC系统数据，无法对速度异常进行全面、准确的分析的技术问题。
本发明的一种基于ETC系统数据的高速公路车辆速度异常识别方法，包括：
步骤一，获取ETC系统数据：包括ETC交易流水(双片式OBU)、ETC通行记录(交易失败)、图像流水记录、CPC卡通行记录；获取车路数据：采集雷达数据与道路数据；
步骤二，速度异常识别：基于获取的ETC系统数据，进行区间流量、速度提取，结合Van Aerde模型对交通流状态进行识别，并使用K-Means算法对交通流状态进行精细化聚类；
步骤三，预警：基于获取的雷达数据，对低速车辆所在路段进行三级拥堵判别，对超速车辆进行轨迹提取并可视化。
进一步，步骤一中，所述ETC系统数据、车路数据，包括：
ETC交易流水(双片式OBU)，包括ETC门架编号、车型、车牌号码、交易时间、行驶方向等关键字段；
ETC通行记录(交易失败)，包括ETC门架编号、车型、车牌号码、交易时间、行驶方向等关键字段；
图像流水记录，包括ETC门架编号、设备编码、车道编码、抓拍时间、行驶方向、车牌号码、等关键字段；
CPC卡通行记录，包括ETC门架编号、车型、车牌号码、通过时间、行驶方向、入口路网编号、入口站编号、入口车道编号、入口时间等关键字段；
雷达数据，包括车道号、行驶方向、车牌号码、经度、纬度、行驶速度、机动车类型、时间等关键字段；
道路数据，包括道路类型、路段编号、经度、纬度等关键字段。
并且，需要对获取的数据进行预处理，采用的预处理方法包括：数据清理，数据集成，数据变换，数据归约。
进一步，步骤二中，所述基于获取的ETC系统数据进行速度异常识别包括：
(1)实时获取ETC门架系统数据，以车牌号为键获取已缓存的该车行程，如车牌号不正确或未知则舍弃；
(2)如果新获取的ETC门架系统数据与行程不在一个线路或方向上，则清空行程，并把新获取的ETC门架系统数据添加到新行程，以车牌号为键将新行程缓存后返回；新获取的ETC门架系统数据有重复或者延时过大，则丢弃该数据；否则，将新ETC门架系统数据添加到行程；
(3)门架系统数据数量少于设定值，则返回；
(4)对行程数据进行一次行驶方向上的排序，以剔除桩号拓扑关系与事件时间关系不符合的数据；
(5)根据行程内各ETC门架系统数据和距离关系，计算区间平均速度，若其速度大于路段限速值，或小于路段设计速度，则初步判定为违法行为；
(6)计算相邻门架区间流量，结合平均速度计算结果，基于Van Aerde模型的流量-速度关系理论曲线形成流量-速度关系实际曲线，对曲线代表拥堵的部分筛选出速度异常车辆，判定这些车辆造成拥堵。
进一步，步骤二中，所述基于Van Aerde模型识别异常车辆包括：
(1)选取四参数单一结构的交通流基本图Van Aerde模型为建模基础，其中涉及几个关键特征参数：自由流速度(单位km/h)、临界速度(通行能力下的速度，单位km/h)、临界密度(通行能力下的密度，单位pcu/km/lane)、阻塞密度(单位pcu/km/lane)、通行能力(单位pcu/h/lane)；
(2)基于交通流基本图模型，将路段交通流状态划分为自由流状态、拥挤流状态和阻塞流状态；
(3)结合实际ETC系统数据，对模型的参数进行标定，并将非自由流流划分为轻度、中度、重度拥堵三种状态；
(4)根据参数标定的结果，形成流量-速度关系曲线，获取三种拥堵状态的速度范围，以设计速度120km/h的高速公路为例，可参考范围为：[50,70)km/h、[30,50)km/h、[0,30)km/h。
进一步，步骤二中，所述使用K-Means算法进一步对不同交通流状态进行精细化聚类包括：
(1)根据给定的数据集，随机选取k个初始聚类中心Ci(1≤i≤k)；
(2)根据公式①，计算其余数据对象与聚类中心Ci的欧氏距离；
(3)找出离目标数据对象最近的聚类中心Ci，并将数据对象分配到聚类中心Ci所对应的簇中；
(4)计算每一个簇中数据对象的均值，作为新的聚类中心，根据公式②计算所有簇的SSE；
(5)判断总SSE值是否变化：若变化，返回步骤(2)；若不再变化或达到最大的迭代次数，聚类停止，输出最终聚类结果。
空间中数据对象与聚类中心间的欧式距离计算公式为：
其中，x为数据对象，Ci为第i个聚类中心，m为数据对象的维度，xj、Cij为x和Ci的第j个属性值。
整个数据集的误差平方和SSE计算公式为：
其中，SSE的大小表示聚类结果的好坏，k为簇的个数。
进一步，步骤三中，所述进行拥堵判别流程包括：
(1)若速度位于[50,70)km/h，判断为路段存在轻度拥堵，向交通管理部门发送一级预警信息；
(2)若速度位于[30,50)km/h，判断路段存在为中度拥堵，向交通管理部门发送二级预警信息；
(3)若速度位于[0,30)km/h，判断为路段存在严重拥堵，向交通管理部门发送三级预警信息。
进一步，步骤三中，所述结合雷达数据进一步识别超速车辆包括：
若速度大于120km/h，判断为超速行驶，路段不存在拥堵，结合雷达数据进一步识别超速车辆：针对识别出的超速路段，提取相同时空范围内的雷达数据，包括时间、车道号、车牌号、经度、纬度、速度等关键信息，对速度大于120km/h的异常车辆形成完整轨迹片段，将轨迹中经纬度信息结合道路数据，提取每天每辆车的异常轨迹，存入异常数据集。并向超速车辆发送预警信息，提醒其降低速度。
进一步，步骤四中，所述超速车辆轨迹可视化包括：
(1)读取数据：轨迹数据包括车牌、经度、纬度、时间、速度等关键字段，将其导入ArcGis后为一系列规律性散点，并将地图底图加载并可视化；
(2)数据校准：在车辆停止运行时，位置没有发生移动，但仍然会产生大量定位点，这些静止的定位点除第一和最后一个点外的都可以删除；
(3)数据可视化：可视化单辆车，并显示最短路径，将轨迹数据与最短路径做比对。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明基于ETC系统数据从车辆状态、环境因素等多个方面对超速、低速进行了的分析，能够全面、准确、科学、客观的识别车辆异常速度，并基于异常速度的识别结果进行超速车辆轨迹记录、低速车辆拥堵判别，给予驾驶人和交通管理部门相应的预警，可及时完善车辆异常速度造成的路网态势劣化，提升路网运行效率。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的高速公路车辆速度异常识别整体示意图；
图中：1、ETC系统数据获取；2、车路数据获取；3、交通流管控；4、速度异常识别；5、预警。
图2是本发明实施例提供的ETC系统数据获取示意图；
图中：11、ETC交易流水(双片式OBU)；12、ETC通行记录(交易失败)；13、图像流水记录；14、CPC卡通行记录。
图3是本发明实施例提供的车路数据获取示意图；
图中：21、雷达数据获取；22、道路数据获取。
图4是本发明实施例提供的速度异常识别示意图；
图中：41、区间流量、速度获取；42、Van Aerde模型划分；43、K-Means算法聚类。
图5是本发明实施例提供的预警示意图；
图中：51、三级拥堵判别；52、超速车辆轨迹提取；53、超速车辆轨迹可视化。
图6是本发明实施例提供的高速公路车辆速度异常识别方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种高速公路车辆速度异常识别方法，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的高速公路车辆速度异常识别包括：
ETC系统数据获取1、车路数据获取2、交通流管控3、速度异常识别4、预警5；
ETC系统数据获取1，包括ETC交易流水(双片式OBU)、ETC通行记录(交易失败)、图像流水记录、CPC卡通行记录，用于采集车辆相关的状态数据；
车路数据获取2，用于获取雷达数据与道路数据；
交通流管控3，整体协调ETC系统数据获取、环境数据获取、速度异常识别、预警一系列流程；
速度异常识别4，基于获取的ETC系统数据，进行区间流量、速度提取，结合VanAerde模型对交通流状态进行识别，并使用K-Means算法对交通流状态进行精细化聚类；
预警5，基于获取的雷达数据，对低速车辆所在路段进行三级拥堵判别，对超速车辆进行轨迹提取并可视化。
如图2所示，本发明实施例提供的ETC系统数据获取1包括：
ETC交易流水(双片式OBU)11，用于获取ETC门架编号、车型、车牌号码、交易时间、行驶方向等关键字段；
ETC通行记录(交易失败)12，用于获取ETC门架编号、车型、车牌号码、交易时间、行驶方向等关键字段；
图像流水记录13，用于获取ETC门架编号、设备编码、车道编码、抓拍时间、行驶方向、车牌号码、等关键字段；
CPC卡通行记录14，用于获取ETC门架编号、车型、车牌号码、通过时间、行驶方向、入口路网编号、入口站编号、入口车道编号、入口时间等关键字段。
如图3所示，本发明实施例提供的车路数据获取2包括：
雷达数据获取21，用于通过与高速公路监控系统建立数据连接，基于雷达设备的位置得到所处区域的雷达数据；
道路数据获取22，用于基于车辆当前的位置，确定车辆当前所处的高速公路的道路信息数据。
如图4所示，本发明实施例提供的速度异常识别4包括：
区间流量、速度提取41，用于基于获取的ETC系统数据，进行区间流量、速度提取；
Van Aerde模型判断42，用于结合Van Aerde模型对交通流状态进行自由流、拥挤流、阻塞流识别；
K-Means算法聚类43，用于使用K-Means算法对交通流状态进行精细化聚类。
如图5所示，本发明实施例提供的速度异常识别5包括：
低速车辆三级拥堵判别51，用于根据速度的取值范围对低速车辆所在路段进行轻度、中度、重度拥堵的判别；
超速车辆轨迹提取52，用于结合雷达数据进行超速车辆的轨迹提取；
超速车辆轨迹可视化53，用于基于提取的车辆轨迹在地图上可视化。
如图6所示，本发明实施例提供的高速公路车辆速度异常识别方法包括：
S101，获取ETC系统数据：包括ETC交易流水(双片式OBU)、ETC通行记录(交易失败)、图像流水记录、CPC卡通行记录；获取车路数据：采集雷达数据与道路数据；
S102，速度异常识别：基于获取的ETC系统数据，进行区间流量、速度提取，结合VanAerde模型对交通流状态进行识别，并使用K-Means算法对交通流状态进行精细化聚类；
S103，预警：基于获取的雷达数据，对低速车辆所在路段进行三级拥堵判别，对超速车辆进行轨迹提取并可视化。
本发明实施例提供的高速公路车辆速度异常识别方法，所述ETC系统数据获取、车路数据获取，需要对对获取的数据进行预处理，以便后续的流程实现。采用的预处理方法包括：数据清理，数据集成，数据变换，数据归约。
本发明实施例提供的高速公路车辆速度异常识别方法，所述基于获取的ETC系统数据进行速度异常识别流程包括：
(1)实时获取ETC门架系统数据，以车牌号为键获取已缓存的该车行程；如车牌号不正确或未知则舍弃；
(2)如果新获取的ETC门架系统数据与行程不在一个线路或方向上，则清空行程，并把新获取的ETC门架系统数据添加到新行程，以车牌号为键将新行程缓存后返回；新获取的ETC门架系统数据有重复或者延时过大，则丢弃该数据；否则，将新ETC门架系统数据添加到行程；
(3)门架系统数据数量少于设定值，则返回；
(4)对行程数据进行一次行驶方向上的排序，以剔除桩号拓扑关系与事件时间关系不符合的数据；
(5)根据行程内各ETC门架系统数据和距离关系，计算区间平均速度，若其速度大于路段限速值，或小于路段设计速度，则初步判定为违法行为；
(6)计算相邻门架区间流量，结合平均速度计算结果，基于Van Aerde模型的流量-速度关系理论曲线形成流量-速度关系实际曲线，对曲线代表拥堵的部分筛选出速度异常车辆，判定这些车辆造成拥堵。
以上所述，仅为本发明较优的具体的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于ETC系统数据的高速公路车辆速度异常识别方法，其特征在于，包括：
步骤一，获取ETC系统数据：包括双片式OBUETC交易流水、交易失败ETC通行记录、图像流水记录、CPC卡通行记录；获取车路数据：采集雷达数据与道路数据；
步骤二，速度异常识别：基于获取的ETC系统数据，进行区间流量、速度提取，结合VanAerde模型对交通流状态进行识别，并使用K-Means算法对交通流状态进行精细化聚类；
步骤三，预警：基于获取的雷达数据，对低速车辆所在路段进行三级拥堵判别，对超速车辆进行轨迹提取并可视化。
2.如权利要求1所述一种基于ETC系统数据的高速公路车辆速度异常识别方法，其特征在于，步骤一中，所述ETC系统数据、车路数据，包括：
双片式OBU ETC交易流水，包括ETC门架编号、车型、车牌号码、交易时间、行驶方向等关键字段；
交易失败ETC通行记录，包括ETC门架编号、车型、车牌号码、交易时间、行驶方向等关键字段；
图像流水记录，包括ETC门架编号、设备编码、车道编码、抓拍时间、行驶方向、车牌号码、等关键字段；
CPC卡通行记录，包括ETC门架编号、车型、车牌号码、通过时间、行驶方向、入口路网编号、入口站编号、入口车道编号、入口时间等关键字段；
雷达数据，包括车道号、行驶方向、车牌号码、经度、纬度、行驶速度、机动车类型、时间等关键字段；
道路数据，包括道路类型、路段编号、经度、纬度等关键字段。
并且，需要对获取的数据进行预处理，采用的预处理方法包括：数据清理，数据集成，数据变换，数据归约。
3.如权利要求1所述一种基于ETC系统数据的高速公路车辆速度异常识别方法，其特征在于，步骤二中，速度异常识别为：
(1)实时获取ETC门架系统数据，以车牌号为键获取已缓存的该车行程，如车牌号不正确或未知则舍弃；
(2)如果新获取的ETC门架系统数据与行程不在一个线路或方向上，则清空行程，并把新获取的ETC门架系统数据添加到新行程，以车牌号为键将新行程缓存后返回；新获取的ETC门架系统数据有重复或者延时过大，则丢弃该数据；否则，将新ETC门架系统数据添加到行程；
(3)门架系统数据数量少于设定值，则返回；
(4)对行程数据进行一次行驶方向上的排序，以剔除桩号拓扑关系与事件时间关系不符合的数据；
(5)根据行程内各ETC门架系统数据和距离关系，计算区间平均速度，若其速度大于路段限速值，或小于路段设计速度，则初步判定为违法行为；
(6)计算相邻门架区间流量，结合平均速度计算结果，基于Van Aerde模型的流量-速度关系理论曲线形成流量-速度关系实际曲线，对曲线代表拥堵的部分筛选出速度异常车辆，判定这些车辆造成拥堵。
4.如权利要求3所述一种基于ETC系统数据的高速公路车辆速度异常识别方法，其特征在于，基于Van Aerde模型识别异常车辆包括：
(1)选取四参数单一结构的交通流基本图Van Aerde模型为建模基础，其中涉及几个关键特征参数：自由流速度，单位km/h；临界速度，通行能力下的速度，单位km/h；临界密度，通行能力下的密度，单位pcu/km/lane；阻塞密度，单位pcu/km/lane；通行能力，单位pcu/h/lane；
(2)基于交通流基本图模型，将路段交通流状态划分为自由流状态、拥挤流状态和阻塞流状态；
(3)结合实际ETC系统数据，对模型的参数进行标定，并将非自由流流划分为轻度、中度、重度拥堵三种状态；
(4)根据参数标定的结果，形成流量-速度关系曲线，获取三种拥堵状态的速度范围。
5.如权利要求4所述一种基于ETC系统数据的高速公路车辆速度异常识别方法，其特征在于，基于Van Aerde模型划分交通流状态，使用K-Means算法进一步对不同交通流状态进行精细化聚类包括：
(1)根据给定的数据集，随机选取k个初始聚类中心Ci，其中1≤i≤k；
(2)根据公式①，计算其余数据对象与聚类中心Ci的欧氏距离；
(3)找出离目标数据对象最近的聚类中心Ci，并将数据对象分配到聚类中心Ci所对应的簇中；
(4)计算每一个簇中数据对象的均值，作为新的聚类中心，根据公式②计算所有簇的SSE；
(5)判断总SSE值是否变化：若变化，返回步骤(2)；若不再变化或达到最大的迭代次数，聚类停止，输出最终聚类结果。
空间中数据对象与聚类中心间的欧式距离计算公式为：
其中，x为数据对象，Ci为第i个聚类中心，m为数据对象的维度，xj、Cij为x和Ci的第j个属性值。
整个数据集的误差平方和SSE计算公式为：
其中，SSE的大小表示聚类结果的好坏，k为簇的个数。
6.如权利要求1所述一种基于ETC系统数据的高速公路车辆速度异常识别方法，其特征在于，步骤三中，所述进行拥堵判别流程为，当高速公路限速为120km/h时，
(1)若速度位于[50-70)km/h，判断为路段存在轻度拥堵，向交通管理部门发送一级预警信息；
(2)若速度位于[30-50)km/h，判断路段存在为中度拥堵，向交通管理部门发送二级预警信息；
(3)若速度位于[0-30)km/h，判断为路段存在严重拥堵，向交通管理部门发送三级预警信息。
7.如权利要求1所述一种基于ETC系统数据的高速公路车辆速度异常识别方法，其特征在于，步骤三中，所述结合雷达数据进一步识别超速车辆包括：
若速度大于120km/h，判断为超速行驶，路段不存在拥堵，结合雷达数据进一步识别超速车辆：针对识别出的超速路段，提取相同时空范围内的雷达数据，包括时间、车道号、车牌号、经度、纬度、速度等关键信息，对速度大于120km/h的异常车辆形成完整轨迹片段，将轨迹中经纬度信息结合道路数据，提取每天每辆车的异常轨迹，存入异常数据集；并向超速车辆发送预警信息，提醒其降低速度。
8.如权利要求1所述一种基于ETC系统数据的高速公路车辆速度异常识别方法，其特征在于，步骤三中，所述超速车辆轨迹可视化包括：
(1)读取数据：轨迹数据包括车牌、经度、纬度、时间、速度等关键字段，将其导入ArcGis后为一系列规律性散点，并将地图底图加载并可视化；
(2)数据校准：在车辆停止运行时，位置没有发生移动，但仍然会产生大量定位点，这些静止的定位点除第一和最后一个点外的都可以删除；
(3)数据可视化：可视化单辆车，并显示最短路径，将轨迹数据与最短路径做比对。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210509108.8A CN114999181B (zh) | 2022-05-11 | 2022-05-11 | 一种基于etc系统数据的高速公路车辆速度异常识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210509108.8A CN114999181B (zh) | 2022-05-11 | 2022-05-11 | 一种基于etc系统数据的高速公路车辆速度异常识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114999181A true CN114999181A (zh) | 2022-09-02 |
| CN114999181B CN114999181B (zh) | 2023-12-19 |
Family
ID=83026136
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210509108.8A Active CN114999181B (zh) | 2022-05-11 | 2022-05-11 | 一种基于etc系统数据的高速公路车辆速度异常识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114999181B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116363871A (zh) * | 2023-01-15 | 2023-06-30 | 福建省高速公路信息科技有限公司 | 高速公路假日免征车辆疫情预警及入口信息还原方法 |
| CN116597649A (zh) * | 2023-06-09 | 2023-08-15 | 山西省智慧交通研究院有限公司 | 一种基于高速公路收费系统的路网交通流量推演方法 |
| CN117877274B (zh) * | 2024-03-13 | 2024-05-14 | 四川智慧高速科技有限公司 | 一种基于etc的省域高速路网交通诱导方法 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11281393A (ja) * | 1998-03-30 | 1999-10-15 | Maspro Denkoh Corp | 車両の走行状態監視装置 |
| JP2001331889A (ja) * | 2000-05-23 | 2001-11-30 | Mitsubishi Heavy Ind Ltd | 車速検出システム及びこれを用いた速度超過警報システム並びに渋滞情報提供システム |
| JP2003346283A (ja) * | 2002-05-23 | 2003-12-05 | Hitachi Kokusai Electric Inc | 車輌速度監視システム |
| CN2800406Y (zh) * | 2005-06-17 | 2006-07-26 | 天津市长庆电子科技有限公司 | 基于gis系统的汽车限速定位跟踪装置 |
| CN103236166A (zh) * | 2013-05-13 | 2013-08-07 | 交通运输部公路科学研究所 | 一种使用卫星定位技术进行车辆违章行为辨识的方法 |
| CN103886756A (zh) * | 2014-04-17 | 2014-06-25 | 交通运输部公路科学研究所 | 基于obu的高速公路路网运行状态检测方法 |
| CN105023433A (zh) * | 2015-07-01 | 2015-11-04 | 重庆大学 | 一种高速公路交通异常事件影响范围预估方法 |
| US9633560B1 (en) * | 2016-03-30 | 2017-04-25 | Jason Hao Gao | Traffic prediction and control system for vehicle traffic flows at traffic intersections |
| CN108919256A (zh) * | 2018-07-24 | 2018-11-30 | 河北德冠隆电子科技有限公司 | 四维实景交通仿真车辆超速全程跟踪检测报警系统及方法 |
| CN109145170A (zh) * | 2018-06-27 | 2019-01-04 | 公安部道路交通安全研究中心 | 一种道路交通事故数据挖掘服务器、方法和系统 |
| CN109446881A (zh) * | 2018-09-05 | 2019-03-08 | 重庆大学 | 一种基于异构数据的高速公路路段交通状态检测方法 |
| CN111292534A (zh) * | 2020-02-13 | 2020-06-16 | 北京工业大学 | 一种基于聚类与深度序列学习的交通状态估计方法 |
| JP2020154958A (ja) * | 2019-03-22 | 2020-09-24 | 沖電気工業株式会社 | 異常交通流検出装置、異常交通流検出方法、及び異常交通流検出プログラム |
| CN112562320A (zh) * | 2020-11-19 | 2021-03-26 | 东南大学 | 一种基于改进随机森林的自适应交通事件检测方法 |
| CN113362602A (zh) * | 2021-06-29 | 2021-09-07 | 山东旗帜信息有限公司 | 一种基于门架通行数据的拥堵分析方法及设备 |
-
2022
- 2022-05-11 CN CN202210509108.8A patent/CN114999181B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11281393A (ja) * | 1998-03-30 | 1999-10-15 | Maspro Denkoh Corp | 車両の走行状態監視装置 |
| JP2001331889A (ja) * | 2000-05-23 | 2001-11-30 | Mitsubishi Heavy Ind Ltd | 車速検出システム及びこれを用いた速度超過警報システム並びに渋滞情報提供システム |
| JP2003346283A (ja) * | 2002-05-23 | 2003-12-05 | Hitachi Kokusai Electric Inc | 車輌速度監視システム |
| CN2800406Y (zh) * | 2005-06-17 | 2006-07-26 | 天津市长庆电子科技有限公司 | 基于gis系统的汽车限速定位跟踪装置 |
| CN103236166A (zh) * | 2013-05-13 | 2013-08-07 | 交通运输部公路科学研究所 | 一种使用卫星定位技术进行车辆违章行为辨识的方法 |
| CN103886756A (zh) * | 2014-04-17 | 2014-06-25 | 交通运输部公路科学研究所 | 基于obu的高速公路路网运行状态检测方法 |
| CN105023433A (zh) * | 2015-07-01 | 2015-11-04 | 重庆大学 | 一种高速公路交通异常事件影响范围预估方法 |
| US9633560B1 (en) * | 2016-03-30 | 2017-04-25 | Jason Hao Gao | Traffic prediction and control system for vehicle traffic flows at traffic intersections |
| CN109145170A (zh) * | 2018-06-27 | 2019-01-04 | 公安部道路交通安全研究中心 | 一种道路交通事故数据挖掘服务器、方法和系统 |
| CN108919256A (zh) * | 2018-07-24 | 2018-11-30 | 河北德冠隆电子科技有限公司 | 四维实景交通仿真车辆超速全程跟踪检测报警系统及方法 |
| CN109446881A (zh) * | 2018-09-05 | 2019-03-08 | 重庆大学 | 一种基于异构数据的高速公路路段交通状态检测方法 |
| JP2020154958A (ja) * | 2019-03-22 | 2020-09-24 | 沖電気工業株式会社 | 異常交通流検出装置、異常交通流検出方法、及び異常交通流検出プログラム |
| CN111292534A (zh) * | 2020-02-13 | 2020-06-16 | 北京工业大学 | 一种基于聚类与深度序列学习的交通状态估计方法 |
| CN112562320A (zh) * | 2020-11-19 | 2021-03-26 | 东南大学 | 一种基于改进随机森林的自适应交通事件检测方法 |
| CN113362602A (zh) * | 2021-06-29 | 2021-09-07 | 山东旗帜信息有限公司 | 一种基于门架通行数据的拥堵分析方法及设备 |
Non-Patent Citations (3)
| Title |
|---|
| 刘群，杨濯丞，蔡蕾: "基于ETC门架数据的高速公路短时交通流预测", 公路交通科技, vol. 39, no. 4, pages 123 - 130 * |
| 刘雨辰;张恒博;王新科;李铁柱;: "基于毫米波雷达的路侧感知技术在太湖隧道中的应用", 公路交通科技(应用技术版), no. 04 * |
| 陈大山;孙剑;李克平;张瑜;: "基于van Aerde模型的快速路交通流特征参数辨识", 武汉理工大学学报(交通科学与工程版), no. 06 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116363871A (zh) * | 2023-01-15 | 2023-06-30 | 福建省高速公路信息科技有限公司 | 高速公路假日免征车辆疫情预警及入口信息还原方法 |
| CN116363871B (zh) * | 2023-01-15 | 2024-03-26 | 福建省高速公路信息科技有限公司 | 高速公路假日免征车辆疫情预警及入口信息还原方法 |
| CN116597649A (zh) * | 2023-06-09 | 2023-08-15 | 山西省智慧交通研究院有限公司 | 一种基于高速公路收费系统的路网交通流量推演方法 |
| CN117877274B (zh) * | 2024-03-13 | 2024-05-14 | 四川智慧高速科技有限公司 | 一种基于etc的省域高速路网交通诱导方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114999181B (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11074813B2 (en) | Driver behavior monitoring | |
| CN108550262B (zh) | 基于毫米波雷达的城市交通感知系统 | |
| CN110176139B (zh) | 一种基于dbscan+的道路拥堵识别可视化方法 | |
| CN114999181B (zh) | 一种基于etc系统数据的高速公路车辆速度异常识别方法 | |
| Yang et al. | Methodological evolution and frontiers of identifying, modeling and preventing secondary crashes on highways | |
| CN110264734A (zh) | 一种高速公路车辆稽查系统及其工作方法 | |
| CN108074396A (zh) | 安全行驶评价方法及系统 | |
| CN113870570B (zh) | 一种基于etc的路网运行状态方法、系统和存储介质 | |
| CN109493606B (zh) | 一种高速公路上违停车辆的识别方法及系统 | |
| CN113963539B (zh) | 高速公路交通事故识别方法、模块及系统 | |
| US20220383738A1 (en) | Method for short-term traffic risk prediction of road sections using roadside observation data | |
| Oh et al. | In-depth understanding of lane changing interactions for in-vehicle driving assistance systems | |
| CN114005275B (zh) | 一种基于多数据源融合的高速公路车辆拥堵判别方法 | |
| CN115311858A (zh) | 基于交通流韧性的城市路段分级管制方法 | |
| CN111127882A (zh) | 一种基于大数据的旅游景区停车场来车数量预测方法 | |
| CN115019514B (zh) | 一种基于车联网的公路巡查系统 | |
| Chen et al. | The impact of truck proportion on traffic safety using surrogate safety measures in China | |
| CN112365721B (zh) | 一种车辆异常行为识别、预警方法 | |
| CN113945958A (zh) | 一种基于出租车gps数据的路段中寻客状态车辆识别方法 | |
| CN114119256A (zh) | 一种ubi危险化学品车辆驾驶行为采集分析系统及保费折扣方法 | |
| Chen et al. | Automatic freeway bottleneck identification and visualization using image processing techniques | |
| CN113345220B (zh) | 一种高速公路稽查车辆跟踪与预测分析系统 | |
| CN116469251A (zh) | 一种面向轨迹数据的车辆异常数据筛选方法 | |
| CN117765736A (zh) | 一种基于etc数据的高速公路交通状态动态估计方法 | |
| CN116863549A (zh) | 一种降低行车风险的高速路收费方法、系统、设备及介质 |
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 |