CN115080638B - 微观仿真的多源数据融合分析方法、电子设备及存储介质 - Google Patents
微观仿真的多源数据融合分析方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115080638B CN115080638B CN202210849888.0A CN202210849888A CN115080638B CN 115080638 B CN115080638 B CN 115080638B CN 202210849888 A CN202210849888 A CN 202210849888A CN 115080638 B CN115080638 B CN 115080638B
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- time
- traffic
- simulation
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24553—Query execution of query operations
- G06F16/24554—Unary operations; Data partitioning operations
- G06F16/24556—Aggregation; Duplicate elimination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2477—Temporal data queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
本发明提出微观仿真的多源数据融合分析方法、电子设备及存储介质,属于交通仿真技术领域。首先采集多源交通数据,根据规范化的数据结构对各类数据进行存储;然后,基于存储的规范化多源交通数据,建立面向精细化微观交通仿真的多源数据融合挖掘算法模型,有效提取交通仿真建模所需的参数信息,包括道路断面流量时空分布特征、车辆类型结构、道路分车型车头时距分布特征、路段分车型运行速度分布特征等;最后基于VISSIM仿真软件建立一套精细化微观交通仿真参数标定校核体系,结合提取的交通流信息进行微观仿真模型标定及校核工作。解决仿真过程中缺少对交通流参数的应用,导致仿真结果不精确技术问题。
Description
技术领域
本申请涉及一种数据融合分析方法,尤其涉及微观仿真的多源数据融合分析方法、电子设备及存储介质,属于交通仿真技术领域。
背景技术
随着城市经济的发展,交通环境也日益复杂,对微观交通仿真提出了更高的要求。微观交通仿真模型要综合考虑车辆、道路、驾驶行为、环境、交通管制措施等影响因素,精细化还原路网的交通运行状况。然而一般微观交通仿真模型的参数根据国外交通流特征及驾驶行为特征进行设定,作为模型的默认参数。对于不同地区、不同路段,交通流特征具有较大差异,缺少交通流分析的仿真模型必定会导致评估结果与实际运行状况不相符。
因此,构建高精度的微观交通仿真模型,必须通过调研、分析路网的实际交通数据,提取本地化的交通流特征,对微观交通仿真模型的参数进行本地化标定,保证仿真运行结果的精度。
现阶段交通流数据的分析主要面向道路断面流量、路段运行速度检测等目的开展,大数据在交通流分析领域的应用已经取得了一定的成果突破,能满足大部分智能交通系统应用的需要,但是流量、速度等指标的应用大部分支撑宏观层面的交通流分析,缺乏对交通流细节的分析,而且尚未从整体上把握高速公路交通流运行特征精细化分析要求,未能形成完备的数据分析框架与应用。随着大数据在交通领域的不断发展,交通数据的种类越来越多,数据量也越来越大,如何充分挖掘数据的价值、深度分析交通流特征对后续相关项目和技术研发具有重要意义。
现有基于信息物理融合系统的交通数据驱动框架及构建方法:采用数据驱动的思想,实时采集处理存储交通碎片数据,对采集到的数据按照格式化进行初步分类,对“车—路”数据之间的多维多层关系进行统一建模,使用分布式部署的数据库进行存储,利用智能交通出行算法通过数据共享,利用数据驱动的方法来输出优化当前交通出行状况的管控方案,提高交通运行效率,包括市级范围内的城市道路车载定位设备位置采集、无人机视频计算、微观仿真器模拟融合、开源路网获取方法、时空数据存储方法、数据共享及管控方案输出方法。
然而这种方法仅对采集到的数据按照格式化进行初步分类,未详细介绍数据结构以及数据处理流程;只采用微观仿真器SUMO融合数据产生交通控制模型,不适用于微观仿真器VISSIM;只用道路平均速度、车辆数等指标来反映交通运行的拥堵状况,未考虑交通流参数之间的关系。
发明内容
在下文中给出了关于本发明的简要概述,以便提供关于本发明的某些方面的基本理解。应当理解,这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分,也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念,以此作为稍后论述的更详细描述的前序。
鉴于此,为解决现有技术中存在的仿真过程中缺少对交通流参数的应用,导致仿真结果不精确技术问题,本发明提供微观仿真的多源数据融合分析方法、电子设备及存储介质。
方案一: 微观仿真的多源数据融合分析方法,采集多源数据,提取构建微观交通仿真模型所需的交通特征并分析交通特征及数据处理,对处理后的交通特征进行数据特征融合,构建微观交通仿真模型并进行参数标定校核体系。
优选的,所述交通特征包括道路断面流量时空分布特征、道路车头时距分布特征和路段运行速度分布特征。
优选的,所述构建微观交通仿真模型并进行参数标定校核体系包括交通量特性标定校核、速度特性标定校核和车头时距特性标定校核。
优选的,所述多源数据包括交通监控视频、车牌识别数据、微波雷达数据、车辆GPS数据和地磁流量数据。
优选的,所述道路断面流量时空分布特征基于车牌识别数据提取,分析提取道路断面流量时空分布特征,具体指标包括:高峰时段分车型流量、高峰时段分车道流量、车辆颜色分布比例,在配置完成数据统计的输入条件后,按照指标分析目的,对车牌识别数据进行流程化数据处理,包括:数据去重、时间标准化、统计时间粒度流量、确定分析时段、高峰时段流量计算、统计高峰时段分车型、分车道流量和统计高峰时段车辆颜色的分布比例。
具体流程包括:
(1)数据去重:根据设备编号、时间戳、车牌ID三个字段对数据进行去重处理;
(2)时间标准化:提取时间戳信息,将年、月、日组合为日期字段,时、分、秒作为新的字段,同时按照5 min时间粒度,划分全天为288个时间片,相应增加时间片字段;
(3)统计时间粒度流量:在时间标准化的基础上,根据日期字段对数据进行分组,并统计每组的数据量,计算一个星期内每天的断面流量变化;根据日期、小时字段对数据进行分组,并统计每组的数据量,计算每天小时的流量变化;根据日期、时间片字段对数据进行分组,并统计每组的数据量,计算每天5 min粒度的流量变化;
(4)确定分析时段:根据不同的场景,输入不同的分析时段;
(5)高峰时段流量计算:
式中,为高峰时段流量,为第个5 min时间片的流量;
以5min计的高峰小时系数为:
(6)统计高峰时段分车型、分车道流量:在步骤(5)的基础上,根据车道字段、车辆类型字段对数据进行分组,统计每组的数据量,计算分车型、分车道的断面流量;
(7)统计高峰时段车辆颜色的分布比例:确定分析时段为高峰时段,过滤保留高峰时段对应的车牌识别数据,根据车辆颜色字段对数据进行分组,统计每组的数据量,计算不同颜色车辆的流量;
所述道路车头时距分布特征基于规范化的车牌识别数据提取,分析道路车头时距分布特征,具体指标包括:车头时距、分车型的车头时距,在配置完成数据统计的输入条件后,按照指标分析的目的,对车牌识别数据进行流程化处理,包括:数据去重、时间标准化、统计单车道车辆序列和计算车头时距;
具体流程包括:
(1)数据去重:根据设备编号、时间戳、车牌ID三个字段对数据进行去重处理;
(2)时间标准化:提取时间戳信息,将年、月、日组合为日期字段,时、分、秒作为新的字段,同时按照5 min时间粒度,划分全天为288个时间片,相应增加时间片字段;
(3)统计单车道车辆序列:在时间标准化的基础上,根据日期字段、车道字段对数据进行分组,基于时间戳字段对每组数据进行排序,统计同一条车道的过车序列数据;
(4)计算车头时距:基于时间字段计算同组、前后相邻两个数据的时间差,作为前后两辆车的车头时距,车头时距过大的数据存在丢车的可能较大,属于异常无效数据,因此根据高峰时段的交通流特征,剔除跟车时距大于15 s的异常数据,车头时距计算如下:
式中,为第辆车的车头时距,为第辆车的时间数据,为第辆车(即前车)的时间数据;
(5)统计分车型的车头时距:在步骤(3)、(4)的基础上,添加车型字段作为分组条件,即根据车道字段、日期字段、车型字段对数据进行分组,计算每条车道分车型的跟车时距;
所述路段运行速度分布特征基于规范化车辆GPS数据提取,分析提取路段运行速度分布特征,具体指标为车辆个体运行速度,在配置完成数据统计的输入条件后,按照指标分析的目的,对车辆GPS数据进行流程化数据处理,包括:时间过滤、LINK过滤、遍历LINK、遍历车辆和输出结果;
具体流程包括:
(1)时间过滤:针对不同的分析时段,根据时间片字段对数据进行筛选,保留分析时段数据;
(2)LINK过滤:统计分析目标路段集合,作为关键LINK序列,另存为文本文件,读取文件,根据LINK字段对数据进行筛选,保留分析路段数据;
(3)遍历LINK:遍历数据文件,读取车道数字段;
(4)遍历车辆:根据读取的车辆数,对当前LINK的所有车辆进行遍历,提取车辆的车牌ID与车辆速度信息,另存数据集,车辆个体路段运行速度计算如下:
式中,为当前LINK第辆车的运行速度,为当前LINK的长度,和分别为第辆车通过当前LINK的起止时刻;
(5)输出结果:当读取最后一个LINK,输出车辆信息数据集。
优选的,所述交通量特性标定校核包括车辆输入参数、仿真交通量校核和3D建模车辆颜色分布参数;
优选的,所述速度特性标定校核包括车辆期望速度与分布标定和车辆仿真速度与分布校核。
优选的,车头时距特性标定校核决定路段的同行能力,对仿真输出车辆记录中车头时距特征属性统计,得到仿真过程中每辆车的跟车时距,将其与现状高峰时段的车头时距对比,分析高峰时段的通行能力与仿真的通行能力的相似程度。
方案二:一种电子设备,包括存储器和处理器,存储器存储有计算机程序,所述的处理器执行所述计算机程序时实现方案一所述的微观仿真的多源数据融合方法的步骤。
方案三:一种计算机可读存储介质,其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方案一所述的微观仿真的多源数据融合方法。
本发明的有益效果如下:
1) 本发明通过建立数据融合挖掘算法模型对多源交通大数据进行融合挖掘,有利于形成规范化的数据结构及数据处理流程对各类交通大数据进行存储与特征提取分析。
2) 本发明能有效提取分方向分车型分车道道路断面流量、车头时距、路段运行速度等交通流参数,有利于全面分析交通流、驾驶行为全要素特征。
3) 本发明结合精准的本地化交通特征对微观交通仿真参数进行标定,有利于构建高精度的微观交通仿真模型。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为流程示意图;
图2为路断面流量时空分布处理流程示意图;
图3为道路车头时距分布处理流程示意图;
图4为路段运行速度分布统计处理示意图;
图5为车辆输入参数标定流程示意图;
图6为车辆输入流量切分比例示意图;
图7为仿真模型分方向的车辆输入流量设置示意图;
图8为仿真模型车辆组成参数设置;
图9为仿真交通量校核示意图;
图10仿真模型交通量评估结果示意图;
图11车辆颜色分布参数标定过程示意图;
图12仿真模型车辆颜色分布标定示意图;
图13 车辆速度分布参数标定与结果校核流程示意图;
图14小汽车基本路段期望速度分布参数标定示意图;
图15 仿真平均运行速度与分布校核示意图;
图16仿真车辆记录特征属性示意图;
图17车头时距校核流程示意图;
图18高峰时段仿真车头时距结果统计示意图。
具体实施方式
为了使本申请实施例中的技术方案及优点更加清楚明白,以下结合附图对本申请的示例性实施例进行进一步详细的说明,显然,所描述的实施例仅是本申请的一部分实施例,而不是所有实施例的穷举。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
实施例1、参照图1-图18说明本实施方式,微观仿真的多源数据融合分析方法,采集多源数据,提取构建微观交通仿真模型所需的交通特征并分析交通特征及数据处理,对处理后的交通特征进行数据特征融合,构建微观交通仿真模型并进行参数标定校核体系。
参照图1说明本实施例的方法流程:
首先采集交通监控视频数据、车牌识别数据、微波雷达数据、车辆GPS数据、地磁流量数据等多源交通数据,根据规范化的数据结构对各类数据进行存储;然后,基于存储的规范化多源交通数据,建立面向精细化微观交通仿真的多源数据融合挖掘算法模型,有效提取交通仿真建模所需的参数信息,包括道路断面流量时空分布特征、车辆类型结构、道路分车型车头时距分布特征、路段分车型运行速度分布特征等;最后基于VISSIM仿真软件建立一套精细化微观交通仿真参数标定校核体系,结合提取的交通流信息进行微观仿真模型标定及校核工作。
所述多源数据包括交通监控视频、车牌识别数据、微波雷达数据、车辆GPS数据和地磁流量数据。
所述车牌识别数据包括道路分车道的抓拍车辆信息,数据结构参见表1车牌识别数据结构表;
表 车牌识别数据结构表
序号 | 字段 | 别名 | 数据类型 | 样例 |
1 | 流水号 | ListNo | VARCHAR | 00003046-0003-5c347b46-0182822769 |
2 | 设备编码 | DeviceID | Integer | 12358 |
3 | 车道编码 | LaneID | Integer | 3 |
4 | 抓拍时间 | Optime | Datetime | 2019-01-08 18:28:22.000 |
5 | 行驶方向 | Direction | Datetime | 东行 |
6 | 车牌号码 | VehPlate | VARCHAR | 粤LHM*** |
7 | 车牌人工识别 | VehPlateManual | VARCHAR | 0 |
8 | 车牌软识别 | VehPlateSoft | VARCHAR | 1 |
9 | 车牌颜色编码 | PlateColorNo | Integer | 1 |
10 | 车辆速度 | VehSpeed | Integer | 59.6 |
11 | 车辆颜色编码 | VehBodyColorNo | Integer | 1 |
12 | 车辆颜色深浅编码 | VehBodyDeepNo | Integer | 1 |
13 | 车辆类型编码 | VehTypeNo | Integer | 1 |
14 | 车牌种类编码 | PlateTypeNo | Integer | 2 |
15 | 时间戳 | UpLoadTime | Datetime | 2019-01-08 18:28:44.000 |
所述微波雷达数据对固定断面的车辆进行检测,数据结构参见表2微波雷达数据结构表;
表2微波雷达数据结构表
所述车辆GPS数据包含出租车、货车、包车客车、班车客车、百度导航五类,不同车型对应的GPS数据结构相同,数据结构参见表3车辆GPS数据结构表,本实施例以出粗车为例;
表3车辆GPS数据结构表
序号 | 字段 | 别名 | 数据类型 | 样例 |
1 | 日期 | TIME | Integer | 20190116 |
2 | 时间片 | PERIOD | Integer | 1 |
3 | 路段ID | LINKID | Integer | 119397 |
4 | 车辆数 | COUNT | Integer | 3 |
5 | 车牌1 | VEHPLATE1 | VARCHAR | 粤BD***** |
6 | 速度1 | SPEED1 | NUMBER(4,2) | 34.85 |
7 | 车牌2 | VEHPLATE2 | VARCHAR | 粤BD***** |
8 | 速度2 | SPEED2 | NUMBER(4,2) | 44.08 |
9 | 车牌3 | VEHPLATE3 | VARCHAR | 粤BDD**** |
10 | 速度3 | SPEED3 | NUMBER(4,2) | 34.93 |
所述地磁流量数据包含路段LINK级数据与车道LANE级数据,数据结构参见表4车道LINE级数据结构表、表5LANE级数据结构表;
表4地磁LINK级数据表
序号 | 字段 | 别名 | 数据类型 | 样例 |
1 | 日期 | TIME | NUMBER(8) | 20170516 |
2 | 当前时间片段 | PERIOD | NUMBER(3) | 28 |
3 | LINK编号 | LINKID | NUMBER(10) | 6510 |
4 | 物理车辆计数 | VEHCOUNT | NUMBER(10) | 53 |
5 | 大车数 | BIGVEH | NUMBER(10) | 0 |
6 | 中车数 | MIDVEH | NUMBER(10) | 12 |
7 | 小车数 | SMALLVEH | NUMBER(10) | 12 |
8 | 微车数 | MINIVEH | NUMBER(10) | 29 |
9 | 流量 | FLOW | NUMBER(11,1) | 658.5 |
10 | 速度 | SPEED | NUMBER(6,2) | 35.6 |
11 | 车头距 | HEADINTERVAL | NUMBER(10) | 12 |
12 | 占有率 | OCCUPANCY | NUMBER(10) | 26 |
13 | 间隔 | INTERVAL | NUMBER(10) | 32 |
14 | 车辆长度 | VEHICLELENGTH | NUMBER(10) | 5 |
15 | 排队长度 | QUEUELENGTH | NUMBER(10) | 0 |
表5地磁LANE级数据表
序号 | 字段 | 别名 | 数据类型 | 样例 |
1 | 日期 | TIME | NUMBER(8) | 20170516 |
2 | 当前时间片段 | PERIOD | NUMBER(3) | 28 |
3 | 检测器编号 | INTERSECTIONCODE | NUMBER(10) | 10025012 |
4 | 方向 | DIRECTION | NUMBER(1) | 1 |
5 | 车道编号 | DRIVEWAYCODE | NUMBER(3) | 1 |
6 | 物理车辆计数 | VEHCOUNT | NUMBER(10) | 25 |
7 | 大车数 | BIGVEH | NUMBER(10) | 0 |
8 | 中车数 | MIDVEH | NUMBER(10) | 0 |
9 | 小车数 | SMALLVEH | NUMBER(10) | 0 |
10 | 微车数 | MINIVEH | NUMBER(10) | 25 |
11 | 流量 | FLOW | NUMBER(11,1) | 280.5 |
12 | 速度 | SPEED | NUMBER(8,2) | 36.5 |
13 | 车头距 | HEADINTERVAL | NUMBER(10) | 32 |
14 | 占有率 | OCCUPANCY | NUMBER(10) | 5 |
所述交通特征包括道路断面流量时空分布特征、道路车头时距分布特征和路段运行速度分布特征。
所述道路断面流量时空分布特征基于规范化的车牌识别数据,分析提取道路断面流量时空分布特征,具体指标包括:高峰时段分车型流量、高峰时段分车道流量、车辆颜色分布比例,在配置完成数据统计的输入条件后,按照指标分析的目的,对车牌识别数据进行流程化处理,参照图2,包括:
(1)数据去重:原始数据存在识别车辆重复的情况,首先需要对数据进行去重处理,根据设备编号、时间戳、车牌ID三个字段,对原始数据进行去重,保留有效数据。
(2)时间标准化:车牌识别数据的时间信息以时间戳的形式保存,这种数据格式不利于对后续的数据处理,因此提取时间戳信息中的年、月、日、时、分、秒等信息,分别另存为新的字段,年、月、日组合为日期字段,时、分、秒分别作为新的字段。同时按照5 min时间粒度,划分全天为288个时间片,相应增加时间片字段。
(3)统计时间粒度流量:在时间标准化的基础上,根据日期字段对数据进行分组,并统计每组的数据量,计算一个星期内每天的断面流量变化;根据日期、小时字段对数据进行分组,并统计每组的数据量,计算每天小时的流量变化;根据日期、时间片字段对数据进行分组,并统计每组的数据量,计算每天5 min粒度的流量变化;
(4)确定分析时段:根据不同的场景,输入不同的分析时段;
(5)高峰时段流量计算:
高峰时段流量指全天以5分钟时间片段为最小统计粒度下,统计1小时时间范围流量达到最大的值,所在的1小时时间范围为高峰时段,计算公式如下:
式中,为高峰时段流量,为第个5 min时间片的流量;
以5min计的高峰小时系数为:
(6)统计高峰时段分车型、分车道流量:在步骤(5)的基础上,添加车道字段作为分组条件,即根据车道字段、车辆类型字段对数据进行分组,统计每组的数据量,计算分车型、分车道的断面流量。
(7)统计高峰时段车辆颜色的分布比例:确定分析时段为高峰时段,过滤保留高峰时段对应的车牌识别数据,根据车辆颜色字段对数据进行分组,统计每组的数据量,计算不同颜色车辆的流量;
所述道路车头时距分布特征基于规范化的车牌识别数据提取,分析道路车头时距分布特征,具体指标包括:车头时距、分车型的车头时距,在配置完成数据统计的输入条件后,按照指标分析的目的,对车牌识别数据进行流程化处理,参照图3,包括:
(1)数据去重:根据设备编号、时间戳、车牌ID三个字段对数据进行去重处理;
(2)时间标准化:提取时间戳信息,将年、月、日组合为日期字段,时、分、秒作为新的字段,同时按照5 min时间粒度,划分全天为288个时间片,相应增加时间片字段;
(3)统计单车道车辆序列:在时间标准化的基础上,根据日期字段、车道字段对数据进行分组,基于时间戳字段对每组数据进行排序,统计同一条车道的过车序列数据;
(4)计算车头时距:基于时间字段(小时、分、秒)计算同组、前后相邻两个数据的时间差,作为前后两辆车的车头时距,车头时距过大的数据存在丢车的可能较大,属于异常无效数据,因此根据高峰时段的交通流特征,剔除跟车时距大于15 s的异常数据,车头时距计算如下:
式中,为第辆车的车头时距,为第辆车的时间数据,为第辆车(即前车)的时间数据;
(5)统计分车型的车头时距:在步骤(3)、(4)的基础上,添加车型字段作为分组条件,即根据车道字段、日期字段、车型字段对数据进行分组,计算每条车道分车型的跟车时距;
所述路段运行速度分布特征基于规范化车辆GPS数据提取,分析提取路段运行速度分布特征,具体指标为车辆个体运行速度。在配置完成数据统计的输入条件后,按照指标分析的目的,对车辆GPS数据进行流程化数据处理,参照图4,包括:
(1)时间过滤:针对不同的分析时段,根据时间片字段对数据进行筛选,保留分析时段数据;
(2)LINK过滤:统计分析目标路段集合,作为关键LINK序列,另存为文本文件,读取文件,根据LINK字段对数据进行筛选,保留分析路段数据;
(3)遍历LINK:遍历数据文件,读取车道数字段;
(4)遍历车辆:根据读取的车辆数,对当前LINK的所有车辆进行遍历,提取车辆的车牌ID与车辆速度信息,另存数据集,车辆个体路段运行速度计算如下:
式中,为当前LINK第辆车的运行速度,为当前LINK的长度,和分别为第辆车通过当前LINK的起止时刻;
(5)输出结果:当读取最后一个LINK,输出车辆信息数据集。
具体的,对处理后的交通数据采用特征级融合方法进行数据融合,先是将各种交通运行数据进行特征提取,提取的特征信息包括道路断面流量时空分布特征、道路车头时距分布特征和路段运行速度分布特征,可以充分表示交通流量、速度、密度三要素,然后按照特征信息对多源交通数据进行分类、聚集和综合,产生特征矢量,而后采用加权融合法融合这些特征矢量,得到交通量特性、速度特性、车头时距、流速关系、交通流量特性、出行OD数据等属性结果;在此基础上,基于VISSIM构建微观交通仿真模型,首先结合道路设计方案绘制车道级仿真路网模型,然后在仿真路网模型上加载交通控制方案及出行OD需求矩阵,最后根据交通数据的特征融合分析结果,对仿真模型进行参数标定与校核。
通过对车牌识别数据、视频监控数据、微波雷达数据等的统计与分析,得到了现状交通量在时间变化、空间分布、交通组成及车辆颜色分布的特征,基于VISSIM的微观仿真模型构建及标定工作:构建微观交通仿真模型并进行参数标定校核体系包括交通量特性标定校核、速度特性标定校核和车头时距特性标定校核;
所述交通量特性标定校核包括车辆输入参数、仿真交通量校核和3D建模车辆颜色分布参数;
所述车辆输入参数是仿真模型最基本的输入参数,是决定仿真模型评估结果精度最重要的因素。结合全天的交通量统计并不能支撑细致的微观仿真模型评估,需要对全天交通量进行合理切分,增加车辆类型组成等要素,才能够还原高峰小时的真实交通流运行情况。车辆输入参数标定过程参见图5所示,高峰小时流量切分比例参见图6所示,分方向的高峰小时车辆输入参见图7所示,高峰小时交通组成参见图8所示。
所述仿真交通量校核,仿真交通量的统计可以分为两个阶段,参见图9,第一阶段断面方向两和仿真路段流量,第二阶段分车道分型流量和仿真数据采集结果,第一阶段是以交通量的时间变化分布为基础,校核仿真断面方向的交通流量是否与宏观层面需求预测接近;第二阶段以交通量的空间分布特征为基础,校核仿真分车道、分车型的交通量分布比例;
仿真中对路段断面及路段车道分别统计交通量,仿真评估结果参见图10所示。
所述3D建模车辆颜色分布参数;为了提高仿真模型的精度与视觉效果,对车辆颜色分布进行统计分析,得到的结果在仿真模型中标定车辆的颜色分布及划分比例,具体的,高峰小时车辆颜色分布可以分为高峰小时车辆颜色分布和高峰小时车辆颜色比例。仿真模型中参数标定参见图12所示。
通过对车辆速度进行了分路段、分时段的全面分析,为基于VISSIM的微观仿真建模过程奠定了速度标定与校核的数据基础,所述速度特性标定校核包括车辆期望速度与分布标定和车辆仿真速度与分布校核;
所述车辆期望速度与分布标定,在交通量特性中已经对车辆的输入情况进行了标定,但是仍然无法准确得到每一类车型的速度分布情况。本步骤通过对零流时段的车辆速度分布进行统计,可以实现对不同车型的期望速度参数的标定,参数标定包括分车型的自有流速度和分车型的自由流时段速度分布标定。标定过程参见图13所示。
基于零流时段车辆速度分布统计结果,对仿真中输入的车辆期望速度分布进行正态函数的累计频率分布曲线标定,斜率与速度的分布概率成正比,即斜率越大表示该速度出现的概率越高,参照图14所示;
标准正态分布的概率密度函数为:
式中,为变量,为位置参数,为尺度参数。
车辆仿真速度与分布校核,流量与速度是仿真重要的两个输出结果,本步骤主要描述速度的校核过程,参照图15所示。一方面,通过对车辆在高峰时段的平均运行速度与车辆速度分布函数进行统计,得到实际高峰时段车辆速度的分布情况;另一方面,在仿真结束后对路段的平均运行速度与车辆的速度统计分析,得到仿真的速度评估结果,将现状分析与仿真评估两个结果对比校核,从速度的层面分析仿真的精度。
在仿真评估过程中,通过对车辆记录文件的分析,统计仿真车辆的运行速度分布情况,并与现状分析结果对比,分析二者的相关系数,校核仿真运行的精度,参见图16所示。
所述车头时距特性标定校核决定路段的同行能力,对仿真输出车辆记录中车头时距特征属性统计,得到仿真过程中每辆车的跟车时距,将其与现状高峰时段的车头时距对比,分析高峰时段的通行能力与仿真的通行能力的相似程度,校核流程参见图17所示。
在仿真评估过程中,通过对车辆记录文件的分析,统计仿真车辆车头时距的分布情况,并与现状分析结果对比,分析二者的相关系数,校核仿真运行的精度,参见图18所示。
本实施例的数据融合挖掘算法模型明确了多源交通数据存储的数据结构,通过规范化的数据处理流程,使得交通大数据的特征提取对微观仿真建模更有针对性。
本实施例根据不同方向、不同车型、不同车道,分别计算道路断面流量、车头时距和路段运行速度,使得交通运行特征分析更全面。
本实施例在基于VISSIM的仿真参数标定校核过程中使用多源数据融合分析的交通流参数,使得微观仿真模型的评估结果与实际运行状况更相符。
实施例2、本发明的计算机装置可以是包括有处理器以及存储器等装置,例如包含中央处理器的单片机等。并且,处理器用于执行存储器中存储的计算机程序时实现上述的基于CREO软件的可修改由关系驱动的推荐数据的推荐方法的步骤。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
实施例3、计算机可读存储介质实施例
本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质,包括但不限于非易失性存储器、易失性存储器、铁电存储器等,计算机可读存储介质上存储有计算机程序,当计算机装置的处理器读取并执行存储器中所存储的计算机程序时,可以实现上述的基于CREO软件的可修改由关系驱动的建模数据的建模方法的步骤。
所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
尽管根据有限数量的实施例描述了本发明,但是受益于上面的描述,本技术领域内的技术人员明白,在由此描述的本发明的范围内,可以设想其它实施例。此外,应当注意,本说明书中使用的语言主要是为了可读性和教导的目的而选择的,而不是为了解释或者限定本发明的主题而选择的。因此,在不偏离所附权利要求书的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围,对本发明所做的公开是说明性的,而非限制性的,本发明的范围由所附权利要求书限定。
Claims (7)
1.微观仿真的多源数据融合分析方法,其特征在于,采集多源数据,提取构建微观交通仿真模型所需的交通特征并分析交通特征及数据处理,对处理后的交通特征进行数据特征融合,构建微观交通仿真模型并进行参数标定校核体系;
所述多源数据包括交通监控视频、车牌识别数据、微波雷达数据、车辆GPS数据和地磁流量数据;
所述交通特征包括道路断面流量时空分布特征、道路车头时距分布特征和路段运行速度分布特征;
所述道路断面流量时空分布特征基于车牌识别数据提取,分析提取道路断面流量时空分布特征,具体指标包括:高峰时段分车型流量、高峰时段分车道流量、车辆颜色分布比例,在配置完成数据统计的输入条件后,按照指标分析目的,对车牌识别数据进行流程化数据处理,包括:数据去重、时间标准化、统计时间粒度流量、确定分析时段、高峰时段流量计算、统计高峰时段分车型、分车道流量和统计高峰时段车辆颜色的分布比例;
其中,高峰时段流量计算:
式中,为高峰时段流量,为第个5 min时间片的流量;
以5min计的高峰小时系数为:
所述道路车头时距分布特征基于规范化的车牌识别数据提取,分析道路车头时距分布特征,具体指标包括:车头时距、分车型的车头时距,在配置完成数据统计的输入条件后,按照指标分析的目的,对车牌识别数据进行流程化处理,包括:数据去重、时间标准化、统计单车道车辆序列和计算车头时距;
其中,计算车头时距:基于时间字段计算同组、前后相邻两个数据的时间差,作为前后两辆车的车头时距,根据高峰时段的交通流特征,剔除跟车时距大于15s的异常数据,车头时距计算如下:
式中,为第辆车的车头时距,为第辆车的时间数据,为第辆车的时间数据;
所述路段运行速度分布特征基于规范化车辆GPS数据提取,分析提取路段运行速度分布特征,具体指标为车辆个体运行速度,在配置完成数据统计的输入条件后,按照指标分析的目的,对车辆GPS数据进行流程化数据处理,包括:时间过滤、LINK过滤、遍历LINK、遍历车辆和输出结果;
其中,时间过滤:针对不同的分析时段,根据时间片字段对数据进行筛选,保留分析时段数据;
其中,LINK过滤:统计分析目标路段集合,作为关键LINK序列,另存为文本文件,读取文件,根据LINK字段对数据进行筛选,保留分析路段数据;
其中,遍历LINK:遍历数据文件,读取车道数字段;
其中,遍历车辆:根据读取的车辆数,对当前LINK的所有车辆进行遍历,提取车辆的车牌ID与车辆速度信息,另存数据集,车辆个体路段运行速度计算如下:
式中,为当前LINK第辆车的运行速度,为当前LINK的长度,和分别为第辆车通过当前LINK的起止时刻;
其中,输出结果:当读取最后一个LINK,输出车辆信息数据集。
2.根据权利要求1所述的 微观仿真的多源数据融合分析方法,其特征在于,所述构建微观交通仿真模型并进行参数标定校核体系包括交通量特性标定校核、速度特性标定校核和车头时距特性标定校核。
3.根据权利要求2所述的 微观仿真的多源数据融合分析方法,其特征在于,所述交通量特性标定校核包括车辆输入参数、仿真交通量校核和3D建模车辆颜色分布参数。
4.根据权利要求2所述的 微观仿真的多源数据融合分析方法,其特征在于,所述交通量特性标定校核包括车辆输入参数、仿真交通量校核和3D建模车辆颜色分布参数。
5.根据权利要求4所述的 微观仿真的多源数据融合分析方法,其特征在于,车头时距特性标定校核决定路段的同行能力,对仿真输出车辆记录中车头时距特征属性统计,得到仿真过程中每辆车的跟车时距,将其与现状高峰时段的车头时距对比,分析高峰时段的通行能力与仿真的通行能力的相似程度。
6.电子设备,其特征在于,包括存储器和处理器,存储器存储有计算机程序,所述的处理器执行所述计算机程序时实现权利要求1-5任一项所述的微观仿真的多源数据融合分析方法的步骤。
7.计算机可读存储介质,其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权利要求1-5任一项所述的 微观仿真的多源数据融合分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210849888.0A CN115080638B (zh) | 2022-07-20 | 2022-07-20 | 微观仿真的多源数据融合分析方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210849888.0A CN115080638B (zh) | 2022-07-20 | 2022-07-20 | 微观仿真的多源数据融合分析方法、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115080638A CN115080638A (zh) | 2022-09-20 |
CN115080638B true CN115080638B (zh) | 2023-04-07 |
Family
ID=83259977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210849888.0A Active CN115080638B (zh) | 2022-07-20 | 2022-07-20 | 微观仿真的多源数据融合分析方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115080638B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115526064B (zh) * | 2022-11-03 | 2023-03-28 | 西安羚控电子科技有限公司 | 战场仿真多源数据融合的方法、装置及存储介质 |
CN115544599B (zh) * | 2022-11-22 | 2023-05-16 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于交通仿真模型的参数校核标定方法 |
CN117493777B (zh) * | 2023-12-29 | 2024-03-15 | 成都秦川物联网科技股份有限公司 | 基于物联网的超声波流量计数据清洗方法、系统及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103050009A (zh) * | 2013-01-21 | 2013-04-17 | 北京世纪高通科技有限公司 | 一种提供动态交通信息的方法、装置及系统 |
WO2016169290A1 (zh) * | 2015-04-21 | 2016-10-27 | 华南理工大学 | 一种面向道路交通事故应急处置的决策支持系统及方法 |
CN114627650A (zh) * | 2022-05-11 | 2022-06-14 | 深圳市城市交通规划设计研究中心股份有限公司 | 城市公交优先仿真推演系统、方法、电子设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866654B (zh) * | 2015-05-06 | 2017-10-13 | 广州市交通规划研究院 | 一种一体化城市动态交通仿真平台的构建方法 |
CN110570660A (zh) * | 2019-11-06 | 2019-12-13 | 深圳市城市交通规划设计研究中心有限公司 | 一种实时在线交通仿真系统及方法 |
CN114462233A (zh) * | 2022-01-18 | 2022-05-10 | 广州方纬智慧大脑研究开发有限公司 | 微观交通仿真方法、计算机装置和存储介质 |
-
2022
- 2022-07-20 CN CN202210849888.0A patent/CN115080638B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103050009A (zh) * | 2013-01-21 | 2013-04-17 | 北京世纪高通科技有限公司 | 一种提供动态交通信息的方法、装置及系统 |
WO2016169290A1 (zh) * | 2015-04-21 | 2016-10-27 | 华南理工大学 | 一种面向道路交通事故应急处置的决策支持系统及方法 |
CN114627650A (zh) * | 2022-05-11 | 2022-06-14 | 深圳市城市交通规划设计研究中心股份有限公司 | 城市公交优先仿真推演系统、方法、电子设备及存储介质 |
Non-Patent Citations (7)
Title |
---|
"Estimating Traffic Flow in Large Road Networks Based on Multi-Source Traffic Data";Pu Wang 等;《https://ieeexplore.ieee.org/document/9082136》;20200429;1-5 * |
"Mapping spatio-temporal patterns and detecting the factors of traffic congestion with multi-source data fusion and mining techniques";Jinchao Song 等;《https://linkinghub.elsevier.com/retrieve/pii/S0198971519301218》;20190915;1-11 * |
"National-scale traffic model calibration in real time with multi-source incomplete data";Desheng Zhang 等;《https://dl.acm.org/doi/pdf/10.1145/3300186》;20190220;1-21 * |
"基于多源数据的交通状态监测与预测方法研究";李琦;《中国博士学位论文全文数据库 信息科技辑》;20130815;I140-171 * |
基于PSO算法的微观交通仿真模型参数标定;韩国华等;《山东建筑大学学报》;20120615(第03期);272-275 * |
微观交通仿真流程及其应用;杨嘉等;《城市交通》;20100925(第05期);79-83 * |
高速公路交织区运行分析方法综述;杨少伟等;《公路交通科技》;20181015(第10期);92-103 * |
Also Published As
Publication number | Publication date |
---|---|
CN115080638A (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115080638B (zh) | 微观仿真的多源数据融合分析方法、电子设备及存储介质 | |
CN110428091B (zh) | 基于数据分析的风险识别方法及相关设备 | |
CN107798876B (zh) | 基于事件的道路交通异常拥堵判断方法 | |
CN101930668B (zh) | 车牌识别的道路交通od信息采集系统的处理方法 | |
CN112447041B (zh) | 识别车辆的营运行为的方法、装置及计算设备 | |
Saha et al. | Pattern recognition using clustering analysis to support transportation system management, operations, and modeling | |
CN111340026B (zh) | 车辆年款识别模型的训练方法以及车辆年款的识别方法 | |
CN103971523A (zh) | 一种山区道路交通安全动态预警系统 | |
CN112053558A (zh) | 一种交通拥堵状态识别方法及装置和设备 | |
CN109598931B (zh) | 基于交通安全风险的群体划分与差异性分析方法及系统 | |
CN105513370A (zh) | 基于稀疏车牌识别数据挖掘的交通小区划分方法 | |
CN106297304A (zh) | 一种基于MapReduce面向大规模卡口数据的套牌车识别方法 | |
CN114973659A (zh) | 一种高速公路的间接事件检测的方法、装置及系统 | |
CN116704750B (zh) | 一种基于聚类算法的交通状态识别方法、电子设备、介质 | |
CN111368868B (zh) | 确定车辆套牌的方法、装置及设备 | |
CN111369790B (zh) | 过车记录校正方法、装置、设备及存储介质 | |
WO2024060588A1 (zh) | 高速公路隧道事故实时风险预测方法、装置、设备及介质 | |
CN110188324B (zh) | 一种基于特征向量空间滤值的交通事故poisson回归分析方法 | |
CN107591003B (zh) | 基于车辆识别数据的城市路网消散能力提取方法 | |
CN116311892A (zh) | 一种基于拥堵传播的城市路段通行关键瓶颈识别方法 | |
CN113192340B (zh) | 高速公路施工车辆的识别方法、装置、设备及存储介质 | |
CN112991804B (zh) | 停留区域确定方法以及相关装置 | |
CN108133597B (zh) | 射频识别信息上传方法及系统 | |
CN112749239A (zh) | 一种事件图谱构建方法、装置及计算设备 | |
CN112257869A (zh) | 基于随机森林的套牌车分析方法、系统及计算机介质 |
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 |