CN115100848A - 一种地面交通拥堵的出行溯源方法和系统 - Google Patents

一种地面交通拥堵的出行溯源方法和系统 Download PDF

Info

Publication number
CN115100848A
CN115100848A CN202210556377.XA CN202210556377A CN115100848A CN 115100848 A CN115100848 A CN 115100848A CN 202210556377 A CN202210556377 A CN 202210556377A CN 115100848 A CN115100848 A CN 115100848A
Authority
CN
China
Prior art keywords
congestion
grid
travel
time
departure
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
Application number
CN202210556377.XA
Other languages
English (en)
Other versions
CN115100848B (zh
Inventor
晏龙旭
涂鸿昌
王德
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN202210556377.XA priority Critical patent/CN115100848B/zh
Publication of CN115100848A publication Critical patent/CN115100848A/zh
Application granted granted Critical
Publication of CN115100848B publication Critical patent/CN115100848B/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
    • 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
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/60—Planning or developing urban green infrastructure

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种地面交通拥堵的出行溯源方法和系统，方法包括以下步骤：获取手机信令数据，取设定时间范围内的地面交通出行OD信息；利用多源数据集成构建城市道路的网络路径模拟模型；将所有出行的OD矩阵输入网络路径模拟模型，输出得到所有出行的时空轨迹，形成数据表；根据数据表计算表中每个出发网格的出发拥堵贡献率和出发拥堵时间集中度、每个到达网格的到达拥堵贡献率和到达拥堵时间集中度，以及从出发网格到到达网格的所有组合的出行方向拥堵贡献率和出行方向拥堵时间集中度；筛选出每个指标排名靠前的若干个网格完成出行溯源。与现有技术相比，本发明具有快速、低成本、精确度高等优点。

Description

一种地面交通拥堵的出行溯源方法和系统
技术领域
本发明涉及交通拥堵管理领域，尤其是涉及一种地面交通拥堵的出行溯源方法和系统。
背景技术
随着城市化快速发展，交通拥堵等“城市病”日益突出，急需精细化的问题诊断方法。交通拥堵的主要原因是短时间内过量的车辆同时出现在同一路段。出现在拥堵路段上的车辆，本身就是拥堵的贡献者。要精准识别交通拥堵的出行成因，就是要追溯各路段拥堵时的车辆从哪里来、到哪里去。
实现这种追溯的可能方法之一是，采用覆盖整个道路网络的监控设备(例如城市大脑系统)，持续监控并追踪位于拥堵路段的车辆的出发地、到达地和路径轨迹。但这种方法成本高、工作量极大、算法复杂，且可能存在侵犯隐私的情况。
已有的其他方法只能实现较粗略的追溯。如专利号为CN201910197618.4的中国发明公开了一种基于手机信令的城市交通早高峰拥堵源头识别方法。其主要思路是利用手机信令数据，获得个体的起始出行行为信息并计算出行特征指标，然后识别获得目标城市的交通早高峰拥堵源头。但是，该方法仍然存在以下问题：1)该方法仅通过城市单元的出行特征指标(出行距离、出行方向等)来判断短时间内集中出行导致拥堵的可能性，没有考虑地面交通拥堵的真实状况；2)该方法无法精细地反映造成某个道路片区或某条道路拥堵的出行原因，只能从城市整体层面粗略分析拥堵成因。3)该方法只考虑了从家出发的首次出行，忽略了出发后更为复杂的出行情况。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种地面交通拥堵的出行溯源方法和系统，实现地面交通拥堵全面、精确的出行溯源。
本发明的目的可以通过以下技术方案来实现：
一种地面交通拥堵的出行溯源方法，包括以下步骤：
S1、获取手机信令数据，基于手机信令数据提取设定时间范围内的地面交通出行OD信息，地面交通OD信息包括设定长度的网格和网格之间的出行OD矩阵；
S2、利用多源数据集成构建城市道路的网络路径模拟模型；
S3、将所有出行的OD矩阵输入网络路径模拟模型，输出得到所有出行的时空轨迹，包括出行编号、出发网格编号、到达网格编号，到达路段编号、到达路段时间、离开路段时间和拥堵态势，形成数据表；
S4、根据数据表计算表中每个出发网格的出发拥堵贡献率和出发拥堵时间集中度、每个到达网格的到达拥堵贡献率和到达拥堵时间集中度，以及从出发网格到到达网格的所有组合的出行方向拥堵贡献率和出行方向拥堵时间集中度；筛选出每个指标排名靠前的若干个网格完成出行溯源。
进一步地，所述步骤S2具体包括：
S21、通过开放地图数据平台获取城市道路网络数据集，数据集包含道路矢量、道路等级和车道方向信息；
S22、为城市道路网络数据集附加非拥堵时交通速度信息；非拥堵时交通速度信息的获取来源包括第三方提供的出租车时空轨迹数据集，或者商用导航地图API；
S23、为城市道路网络数据集附加拥堵态势和拥堵时平均通行速度信息；所述拥堵态势和拥堵时平均通行速度信息的获取来源为商用导航地图API；所述拥堵态势为每个时刻各路段拥堵等级；
S24、对处理后的城市道路网络数据结合最短时耗路径模拟算法，构建城市道路的网络路径模拟模型。
进一步地，所述步骤S22中，使用出租车时空轨迹数据集时，出租车轨迹匹配到道路网络，统计非拥堵时段每条路段的平均速度；使用商用导航地图API时，获取各路段非拥堵时的平均通行速度，然后通过空间匹配的方法将该速度附加到道路网络的对应路段上。
进一步地，所述步骤S23中，所述拥堵态势包括畅通、缓行、轻微拥堵、拥堵和严重拥堵五种等级；将拥堵态势和商用导航地图API中拥堵时平均通行速度，通过空间匹配的方法将信息附加到道路网络的对应路段上。
进一步地，所述步骤S3中，所述时空轨迹的获取方式包括：对于OD矩阵中的每一出行，在其出发网格和到达网格中分别随机选择一个空间位置作为其实际的出发点和到达点，将出发点和到达点，以及出发时间输入至网络路径模拟模型，得到该出行的时空轨迹。
进一步地，所述步骤S4中，出发拥堵贡献度
Figure BDA0003654950030000031
的表达式为：
Figure BDA0003654950030000032
Figure BDA0003654950030000033
其中，
Figure BDA0003654950030000034
是指从网格i出发的出行贡献的拥堵总里程；
Figure BDA0003654950030000035
是指从网格i出发的第m个出行贡献的拥堵里程；
Figure BDA0003654950030000036
是指对从网格i出发的所有出行贡献的拥堵里程进行求和；
Figure BDA0003654950030000037
指从网格i出发的第m个出行的行驶里程；
Figure BDA0003654950030000038
是从网格i出发的所有出行的行驶总里程；
到达拥堵贡献度
Figure BDA0003654950030000039
的表达式：
Figure BDA00036549500300000310
Figure BDA00036549500300000311
其中，
Figure BDA00036549500300000312
是指到达单元j的出行贡献的拥堵总里程；
Figure BDA00036549500300000313
是指到达单元j的第m个出行贡献的拥堵里程；
Figure BDA00036549500300000314
是指对到达网格i的所有出行贡献的拥堵里程进行求和；
Figure BDA00036549500300000315
指到达单元j的第m个出行的行驶里程；
Figure BDA00036549500300000316
是到达网格i的所有出行的行驶总里程。
进一步地，所述步骤S4中，出发拥堵时间集中度
Figure BDA00036549500300000317
的表达式为：
Figure BDA00036549500300000318
Figure BDA00036549500300000319
其中，
Figure BDA00036549500300000320
是指某一时段t内，某网格i出发的出行对交通拥堵的贡献
Figure BDA00036549500300000321
占整个早高峰该单元总贡献
Figure BDA00036549500300000322
的比例；
到达拥堵时间集中度
Figure BDA00036549500300000323
的表达式为：
Figure BDA0003654950030000041
Figure BDA0003654950030000042
其中，
Figure BDA0003654950030000043
是指某一时段t内，到达网格j的出行对交通拥堵的贡献
Figure BDA0003654950030000044
占整个早高峰该单元总贡献
Figure BDA0003654950030000045
的比例。
进一步地，所述步骤S4中，出行方向拥堵贡献率Cij的表达式为：
Figure BDA0003654950030000046
Figure BDA0003654950030000047
其中，Lij是指网格i到网格j这个方向的所有出行贡献的拥堵总里程；VMCm(ij)是指从网格i到网格j的第m个出行贡献的拥堵里程；∑mVMCm(ij)是指从网格i到网格j的所有出行贡献的拥堵里程进行求和；VMTm(ij)指从网格i到网格j的第m个出行的行驶里程；∑mVMTm(ij)是从网格i出发的所有出行的行驶总里程求和。
进一步地，所述步骤S4中，出行方向拥堵时间集中度Hij的表达式为：
Hij＝-∑tp(Lij_t)log(p(Lij_t))
Figure BDA0003654950030000048
其中，其中，p(Lij_t)是指某一时段t内，从网格i到网格j的出行对交通拥堵的贡献Lij_t占整个早高峰该单元总贡献∑tLij_t的比例。
一种地面交通拥堵的出行溯源系统，包括处理器和存储器，所述处理器调用所述存储器中存储的程序执行如上任一所述的一种地面交通拥堵的出行溯源方法。
与现有技术相比，本发明具有以下有益效果：
1、本发明首先利用手机信令数据提取早高峰出行OD信息，并采用城市道路的网络路径模拟模型获得所有出行的时空轨迹；其次，利用开放地图数据平台的道路网络数据集、商用导航地图的实时路况信息、路径模拟算法，构建城市道路网络模型，用于模拟任意出行的时空轨迹；然后，基于模拟获得的时空轨迹并结合实时路况信息(道路拥堵状态)；最后，设计并计算合理的指标体系，对造成城市道路拥堵的出行进行溯源，分析总体上、具体路段上的拥堵是由哪些出行造成。由此，本发明综合采用了手机信令数据、交通态势数据和路径模拟技术，实现快速、低成本、精确度高的交通拥堵的出行溯源方法。
2、本发明在交通速度信息有两种获取方式，一是采用出租车时空轨迹数据集，将出租车轨迹匹配到道路网络，统计非拥堵时段每条路段的平均速度；二是采用地图的导航API，获取各路段非拥堵时的平均通行速度，并通过空间匹配的方法将信息附加到道路网络的对应了路段上。一般采用第一种方式具有更好的精确性，在没有出租车时空轨迹数据集时，可以采取第二种，提高方法的整体适用性。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图1所示，本实施例公开了一种地面交通拥堵的出行溯源方法，包括以下步骤：
步骤S1、获取手机信令数据，基于手机信令数据提取设定时间范围内的地面交通出行OD信息，包括设定长度的网格和网格之间的出行OD矩阵。
步骤S2、利用多源数据集成构建城市道路的网络路径模拟模型。
步骤S3、将所有出行的OD矩阵输入网络路径模拟模型输出得到所有出行的时空轨迹，包括出行编号、出发网格编号、到达网格编号，到达路段编号、到达路段时间、离开路段时间和拥堵态势，形成数据表。
步骤S4、根据数据表计算表中每个出发网格的出发拥堵贡献率和出发拥堵时间集中度、每个到达网格的到达拥堵贡献率和到达拥堵时间集中度，以及从出发网格到到达网格的所有组合的出行方向拥堵贡献率和出行方向拥堵时间集中度；筛选出每个指标排名靠前的若干个网格完成出行溯源。
每个步骤的具体展开如下：
一、步骤S1中，基于手机信令数据提取地面交通“出发-到达”(OD)信息。
在获取手机信令数据时，为了避免隐私问题，需要对手机信令数据进行数据清洗，然后识别有效用户的居住地、就业地、早高峰时段停留点构成的活动链、早高峰时段出行方式(地面交通还是地铁)。
筛选早高峰时段(7:00-10:00)、出行距离大于3km、地面交通出行、停留时长大于半小时的停留点有关的所有出行，将每条出行的出发地(Origin，简称O)和到达地(Destination，简称D)匹配到所在的1km网格，获得全市1km网格间OD矩阵，并标记每个出行的出发时间、出行类型(是否是通勤出行)。之所以要匹配到1km网格，也是为了避免泄漏个人具体出行位置等隐私信息。
二、步骤S2中，利用多源数据集成构建可供进一步路径模拟使用的网络路径模拟模型。
(1)通过开放地图数据平台OpenStreetMap获取某市道路网络数据集，数据集包含道路矢量、车道方向等信息。
(2)为道路网络附加非拥堵时交通速度信息。交通速度信息有两种获取方式，一是采用出租车时空轨迹数据集，将出租车轨迹匹配到道路网络，统计非拥堵时段每条路段的平均速度；二是采用如百度地图、高德地图等商用导航API，获取各路段非拥堵时的平均通行速度，再通过空间匹配的方法将该速度附加到道路网络的对应路段上。一般来说，第一种获得的各路段通行速度更精确。在没有出租车时空轨迹数据集时，可以采取第二种。
(3)为道路网络附加拥堵态势和拥堵时平均通行速度信息。利用百度地图或高德地图API获取与手机数据同日期早高峰时段每15分钟的每条路段的拥堵态势(即每个时刻各路段拥堵等级，一般分为畅通、缓行、轻微拥堵、拥堵、严重拥堵)、拥堵时平均通行速度，并通过空间匹配的方法将信息附加到道路网络的对应路段上。
(4)利用道路网络数据(包括道路矢量以及附加的各时刻交通速度和拥堵态势)和最短时耗路径模拟算法(Dijkstra算法)，构建城市道路的网络路径模拟模型。该模型可以输入早高峰期间任意一个出行的出发点、到达点、出发时间，输出该出行的具体时空轨迹，包括经过的所有路段及经过时间。
三、步骤S3中是具体进行每个出行的路径模拟。
对于OD矩阵中的每一个出行，在其出发地、到达地网格中分别随机选择一个空间位置作为实际出发点、到达点，将出发点、到达点、出发时间输入城市道路的网络路径模拟模型，获得该出行的具体时空轨迹。
依次模拟所有早高峰期间OD的时空轨迹，记录其到达所有路段的顺序、空间位置(路段编号)、经过时刻、出行类型等信息，形成以下数据表：
Figure BDA0003654950030000071
四、步骤S4中，具体分析和进行出行溯源。
定义以下分析指标：
(1)出发拥堵贡献度
Figure BDA0003654950030000072
其中，
Figure BDA0003654950030000073
是指从网格i出发的出行贡献的拥堵总里程，单元可以是1km网格单元，也可以是街道、城区等任意的更大的空间单元，如果是更大的单元，按其覆盖的1km网格单元汇总统计。
Figure BDA0003654950030000074
是指从网格i出发的第m个出行贡献的拥堵里程，VMC意思是Vehicle Miles Congested。
Figure BDA0003654950030000075
是指对从网格i出发的所有出行贡献的拥堵里程进行求和。
Figure BDA0003654950030000076
越大，表示从网格i出发的出行造成的拥堵越多。
(2)到达拥堵贡献度
Figure BDA0003654950030000077
其中，
Figure BDA0003654950030000078
是指到达网格j的出行贡献的拥堵总里程。
Figure BDA0003654950030000079
是指到达网格j的第m个出行贡献的拥堵里程。
Figure BDA00036549500300000710
同样是求和。
Figure BDA00036549500300000711
越大，表示到达网格j的出行造成的拥堵越多。
(3)出行方向拥堵贡献度
Figure BDA00036549500300000712
其中，Lij是指网格i—网格j这个方向的所有出行贡献的拥堵总里程。网格单元同样可以是1km网格单元，也可以是街道、城区等任意的更大的空间单元。VMCm(ij)是指从网格i到网格j的第m个出行贡献的拥堵里程。∑mVMCm(ij)同样是求和。
Figure BDA00036549500300000713
越大，表示网格i—网格j这个方向的出行造成的拥堵越多。
(4)出发拥堵贡献率
Figure BDA0003654950030000081
其中，
Figure BDA0003654950030000082
指从网格i出发的第m个出行的行驶里程，VMT的意思是VehicleMiles Traveled。
Figure BDA0003654950030000083
是从网格i出发的所有出行的行驶总里程。
Figure BDA0003654950030000084
的值越大，表明从i出发的出行越有可能造成拥堵。
(5)到达拥堵贡献率
Figure BDA0003654950030000085
其中，
Figure BDA0003654950030000086
指到达网格j的第m个出行的行驶里程。
Figure BDA0003654950030000087
同样是求和。
Figure BDA0003654950030000088
的值越大，表明到达网格j的出行越有可能造成拥堵。
(6)出行方向拥堵贡献率
Figure BDA0003654950030000089
其中，VMTm(ij)指从网格i到网格j的第m个出行的行驶里程。∑mVMTm(ij)同样是求和。Cij的值越大，表明从网格i到网格j的出行越有可能造成拥堵。
(7)出发拥堵时间集中度
Figure BDA00036549500300000810
Figure BDA00036549500300000811
其中，
Figure BDA00036549500300000812
是指某一时段内(t，比如每15分钟一个时间段)某网格i出发的出行对交通拥堵的贡献
Figure BDA00036549500300000813
占整个早高峰该单元总贡献
Figure BDA00036549500300000814
的比例。借鉴Shannon信息熵的定义，
Figure BDA00036549500300000815
指网格i出发的出行对交通拥堵的贡献在时间上的集中度。
Figure BDA00036549500300000816
值越大，表明该单元对拥堵的影响在时间上分布越集中。
(8)到达拥堵时间集中度
Figure BDA00036549500300000817
Figure BDA00036549500300000818
其中，
Figure BDA0003654950030000091
是指某一时段内(t，比如每15分钟一个时间段)到达网格j的出行对交通拥堵的贡献
Figure BDA0003654950030000092
占整个早高峰该单元总贡献
Figure BDA0003654950030000093
的比例。借鉴Shannon信息熵的定义，
Figure BDA0003654950030000094
指到达网格j的出行对交通拥堵的贡献在时间上的集中度。
Figure BDA0003654950030000095
值越大，表明该单元对拥堵的影响在时间上分布越集中。
(9)出行方向拥堵时间集中度
Hij＝-∑tp(Lij_t)log(p(Lij_t))
Figure BDA0003654950030000096
其中，p(Lij_t)是指某一时段内(t，比如每15分钟一个时间段)从网格i到网格j的出行对交通拥堵的贡献(Lij_t)占整个早高峰该单元总贡献(∑tLij_t)的比例。借鉴Shannon信息熵的定义，Hij指从网格i到网格j的出行对交通拥堵的贡献在时间上的集中度。Hij值越大，表明从网格i到网格j的出行对拥堵的影响在时间上分布越集中。
基于表1计算上述指标，为相关交通缓堵政策提供依据：
识别出发拥堵贡献度
Figure BDA0003654950030000097
出发拥堵贡献率
Figure BDA0003654950030000098
较大的单元，即出发的出行造成累积拥堵越多、拥堵概率越高的单元，可以通过引导该地居民的出发时间来缓解拥堵。识别到达拥堵贡献度
Figure BDA0003654950030000099
到达拥堵贡献率
Figure BDA00036549500300000910
较大的单元，即到达该地的出行造成累积拥堵越多、拥堵概率越高，可以通过引导该地居民的到达时间来缓解拥堵。识别出行方向拥堵贡献度(Lij)、出行方向拥堵贡献率(Cij)较大的单元，可以通过提高网格i到网格j的公共交通供给来缓解拥堵。通过
Figure BDA00036549500300000911
Figure BDA00036549500300000912
和Hij进一步分析各单元出发、到达以及各出行方向的拥堵贡献的时间集中度，
Figure BDA00036549500300000913
和Hij的值较高的单元，可以在对应的出发或到达最密集的时间段开展集中的交通管理。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
本实施例还提供了一种地面交通拥堵的出行溯源系统，包括数据集制作模块，用于执行步骤S2。出行路径模拟模块，用于执行步骤S3。造成地面交通拥堵的出行识别与分析模块，用于执行步骤S4。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种地面交通拥堵的出行溯源方法，其特征在于，包括以下步骤：
S1、获取手机信令数据，基于手机信令数据提取设定时间范围内的地面交通OD信息，地面交通OD信息包括设定边长的网格和网格之间的出行OD矩阵；
S2、利用多源数据集成构建城市道路的网络路径模拟模型；
S3、将所有出行的OD矩阵输入网络路径模拟模型，输出得到所有出行的时空轨迹，包括出行编号出发网格编号、到达网格编号，到达路段编号、到达路段时间、离开路段时间和拥堵态势，形成数据表；
S4、根据数据表计算表中每个出发网格的出发拥堵贡献率和出发拥堵时间集中度、每个到达网格的到达拥堵贡献率和到达拥堵时间集中度，以及从出发网格到到达网格的所有组合的出行方向拥堵贡献率和出行方向拥堵时间集中度；筛选出每个指标排名靠前的若干个网格完成出行溯源。
2.根据权利要求1所述的一种地面交通拥堵的出行溯源方法，其特征在于，所述步骤S2具体包括：
S21、通过开放地图数据平台获取城市道路网络数据集，数据集包含道路矢量、道路等级和车道方向信息；
S22、为城市道路网络数据集附加非拥堵时交通速度信息；非拥堵时交通速度信息的获取来源包括第三方提供的出租车时空轨迹数据集，或者商用导航地图API；
S23、为城市道路网络数据集附加拥堵态势和拥堵时平均通行速度信息；所述拥堵态势和拥堵时平均通行速度信息的获取来源为商用导航地图API；所述拥堵态势为每个时刻各路段拥堵等级；
S24、对处理后的城市道路网络数据结合最短时耗路径模拟算法，构建城市道路的网络路径模拟模型。
3.根据权利要求2所述的一种地面交通拥堵的出行溯源方法，其特征在于，所述步骤S22中，使用出租车时空轨迹数据集时，出租车轨迹匹配到道路网络，统计非拥堵时段每条路段的平均速度；使用商用导航地图API时，获取各路段非拥堵时的平均通行速度，然后通过空间匹配的方法将该速度附加到道路网络的对应路段上。
4.根据权利要求2所述的一种地面交通拥堵的出行溯源方法，其特征在于，所述步骤S23中，所述拥堵态势包括畅通、缓行、轻微拥堵、拥堵和严重拥堵五种等级；将拥堵态势和商用导航地图API中拥堵时平均通行速度，通过空间匹配的方法将信息附加到道路网络的对应路段上。
5.根据权利要求1所述的一种地面交通拥堵的出行溯源方法，其特征在于，所述步骤S3中，所述时空轨迹的获取方式包括：对于OD矩阵中的每一出行，在其出发网格和到达网格中分别随机选择一个空间位置作为其实际的出发点和到达点，将出发点和到达点，以及出发时间输入至网络路径模拟模型，得到该出行的时空轨迹。
6.根据权利要求1所述的一种地面交通拥堵的出行溯源方法，其特征在于，所述步骤S4中，出发拥堵贡献度
Figure FDA0003654950020000021
的表达式为：
Figure FDA0003654950020000022
Figure FDA0003654950020000023
其中，
Figure FDA0003654950020000024
是指从网格i出发的出行贡献的拥堵总里程；
Figure FDA0003654950020000025
是指从网格i出发的第m个出行贡献的拥堵里程；
Figure FDA0003654950020000026
是指对从网格i出发的所有出行贡献的拥堵里程进行求和；
Figure FDA0003654950020000027
指从网格i出发的第m个出行的行驶里程；
Figure FDA0003654950020000028
是从网格i出发的所有出行的行驶总里程；
到达拥堵贡献度
Figure FDA0003654950020000029
的表达式：
Figure FDA00036549500200000210
Figure FDA00036549500200000211
其中，
Figure FDA00036549500200000212
是指到达单元j的出行贡献的拥堵总里程；
Figure FDA00036549500200000213
是指到达单元j的第m个出行贡献的拥堵里程；
Figure FDA00036549500200000214
是指对到达网格i的所有出行贡献的拥堵里程进行求和；
Figure FDA00036549500200000215
指到达单元j的第m个出行的行驶里程；
Figure FDA00036549500200000216
是到达网格i的所有出行的行驶总里程。
7.根据权利要求1所述的一种地面交通拥堵的出行溯源方法，其特征在于，所述步骤S4中，出发拥堵时间集中度
Figure FDA0003654950020000031
的表达式为：
Figure FDA0003654950020000032
Figure FDA0003654950020000033
其中，
Figure FDA0003654950020000034
是指某一时段t内，某网格i出发的出行对交通拥堵的贡献
Figure FDA0003654950020000035
占整个早高峰该单元总贡献
Figure FDA0003654950020000036
的比例；
到达拥堵时间集中度
Figure FDA0003654950020000037
的表达式为：
Figure FDA0003654950020000038
Figure FDA0003654950020000039
其中，
Figure FDA00036549500200000310
是指某一时段t内，到达网格j的出行对交通拥堵的贡献
Figure FDA00036549500200000311
占整个早高峰该单元总贡献
Figure FDA00036549500200000312
的比例。
8.根据权利要求1所述的一种地面交通拥堵的出行溯源方法，其特征在于，所述步骤S4中，出行方向拥堵贡献率Cij的表达式为：
Figure FDA00036549500200000313
Figure FDA00036549500200000314
其中，Lij是指网格i到网格j这个方向的所有出行贡献的拥堵总里程；VMCm(ij)是指从网格i到网格j的第m个出行贡献的拥堵里程；∑mVMCm(ij)是指从网格i到网格j的所有出行贡献的拥堵里程进行求和；VMTm(ij)指从网格i到网格j的第m个出行的行驶里程；∑mVMTm(ij)是从网格i出发的所有出行的行驶总里程求和。
9.根据权利要求1所述的一种地面交通拥堵的出行溯源方法，其特征在于，所述步骤S4中，出行方向拥堵时间集中度Hij的表达式为：
Figure FDA00036549500200000315
Figure FDA00036549500200000316
其中，其中，p(Lij_t)是指某一时段t内，从网格i到网格j的出行对交通拥堵的贡献Lij_t占整个早高峰该单元总贡献∑tLij_t的比例。
10.一种地面交通拥堵的出行溯源系统，其特征在于，包括处理器和存储器，所述处理器调用所述存储器中存储的程序执行如权利要求1～9任一所述的一种地面交通拥堵的出行溯源方法。
CN202210556377.XA 2022-05-20 2022-05-20 一种地面交通拥堵的出行溯源方法和系统 Active CN115100848B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210556377.XA CN115100848B (zh) 2022-05-20 2022-05-20 一种地面交通拥堵的出行溯源方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210556377.XA CN115100848B (zh) 2022-05-20 2022-05-20 一种地面交通拥堵的出行溯源方法和系统

Publications (2)

Publication Number Publication Date
CN115100848A true CN115100848A (zh) 2022-09-23
CN115100848B CN115100848B (zh) 2023-08-29

Family

ID=83288856

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210556377.XA Active CN115100848B (zh) 2022-05-20 2022-05-20 一种地面交通拥堵的出行溯源方法和系统

Country Status (1)

Country Link
CN (1) CN115100848B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116013083A (zh) * 2023-01-10 2023-04-25 合肥工业大学 一种基于电子地图数据的路网常发性交通状态识别方法
CN116580563A (zh) * 2023-07-10 2023-08-11 中南大学 基于马尔可夫链的区域拥堵车源预测方法、装置及设备
CN117133130A (zh) * 2023-10-26 2023-11-28 中国市政工程西南设计研究总院有限公司 一种机场道路拥堵预测仿真方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103956050A (zh) * 2012-09-06 2014-07-30 北京交通发展研究中心 基于车辆行程数据的道路网运行评价方法
CN105046949A (zh) * 2015-06-12 2015-11-11 中南大学 一种基于手机数据计算o-d流进行车源预测的方法
CN111091720A (zh) * 2020-03-23 2020-05-01 北京交研智慧科技有限公司 基于信令数据和浮动车数据的拥堵路段识别方法及装置
US20200143672A1 (en) * 2017-03-31 2020-05-07 Nec Corporation Traffic congestion estimating device, traffic congestion estimating method, and recording medium storing program thereof
CN112863176A (zh) * 2021-01-06 2021-05-28 北京掌行通信息技术有限公司 交通拥堵溯源方法、装置、电子设备及存储介质
CN113763712A (zh) * 2021-10-19 2021-12-07 西南交通大学 基于出行事件知识图谱的区域交通拥堵溯因方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103956050A (zh) * 2012-09-06 2014-07-30 北京交通发展研究中心 基于车辆行程数据的道路网运行评价方法
CN105046949A (zh) * 2015-06-12 2015-11-11 中南大学 一种基于手机数据计算o-d流进行车源预测的方法
US20200143672A1 (en) * 2017-03-31 2020-05-07 Nec Corporation Traffic congestion estimating device, traffic congestion estimating method, and recording medium storing program thereof
CN111091720A (zh) * 2020-03-23 2020-05-01 北京交研智慧科技有限公司 基于信令数据和浮动车数据的拥堵路段识别方法及装置
CN112863176A (zh) * 2021-01-06 2021-05-28 北京掌行通信息技术有限公司 交通拥堵溯源方法、装置、电子设备及存储介质
CN113763712A (zh) * 2021-10-19 2021-12-07 西南交通大学 基于出行事件知识图谱的区域交通拥堵溯因方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ELENORA ANDREA ETAL.: "Detection of traffic congestion and incients from GPS trace analysis", EXPERT SYSTEMS WITH APPLICATION, vol. 73 *
岳锦涛等: "基于手机信令数据的郊区公路交通状态分析", 交通科技与经济, vol. 23, no. 3 *
张晓燕;宋国华;朱琳;何巍楠;孙建平;于雷;: "基于FCD的城市路网常发性拥堵路段识别方法研究", 交通信息与安全, no. 01 *
黄大荣;柴彦冲;赵玲;孙国玺;: "考虑多源不确定信息的路网交通拥堵状态辨识方法", 自动化学报, no. 03 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116013083A (zh) * 2023-01-10 2023-04-25 合肥工业大学 一种基于电子地图数据的路网常发性交通状态识别方法
CN116013083B (zh) * 2023-01-10 2024-03-12 合肥工业大学 一种基于电子地图数据的路网常发性交通状态识别方法
CN116580563A (zh) * 2023-07-10 2023-08-11 中南大学 基于马尔可夫链的区域拥堵车源预测方法、装置及设备
CN116580563B (zh) * 2023-07-10 2023-09-22 中南大学 基于马尔可夫链的区域拥堵车源预测方法、装置及设备
CN117133130A (zh) * 2023-10-26 2023-11-28 中国市政工程西南设计研究总院有限公司 一种机场道路拥堵预测仿真方法及系统
CN117133130B (zh) * 2023-10-26 2024-03-01 中国市政工程西南设计研究总院有限公司 一种机场道路拥堵预测仿真方法及系统

Also Published As

Publication number Publication date
CN115100848B (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
CN110111575B (zh) 一种基于复杂网络理论的城市交通流量网络分析方法
Rahman et al. Analysis of bus travel time distributions for varying horizons and real-time applications
CN115100848A (zh) 一种地面交通拥堵的出行溯源方法和系统
CN103295414B (zh) 一种基于海量历史gps轨迹数据的公交车到站时间预测方法
CN102708698B (zh) 基于车联网的车辆最优路径导航方法
CN107025788B (zh) 一种旅行时间预测方法及装置
CN112863172B (zh) 高速公路交通运行状态判定方法、预警方法、装置及终端
CN105809962A (zh) 一种基于手机数据的交通出行方式划分的方法
CN104464344B (zh) 一种车辆行驶路径预测方法及系统
Necula Dynamic traffic flow prediction based on GPS data
CN107195177A (zh) 基于分布式内存计算框架对城市交通路况的预测方法
CN107085944A (zh) 一种交通数据处理系统及方法
CN112734242A (zh) 一种车辆运行轨迹数据的可用度分析方法、装置、存储介质及终端
CN110021161B (zh) 一种交通流向的预测方法及系统
Habtie et al. Artificial neural network based real-time urban road traffic state estimation framework
CN107655490B (zh) 基于移动用户轨迹分段和最热搜索的热点路径发现方法
CN115752490A (zh) 基于大数据和定位技术的安全出行路径优化方法及系统
CN109754606B (zh) 一种基于出租车定位预测道路拥堵情况的方法
CN102376025A (zh) 一种模拟手机数据并评估城市路网交通状态的方法
CN114662583A (zh) 应急事件防控调度方法、装置、电子设备和存储介质
CN114511938A (zh) 一种智慧停车管理方法和平台
CN114298493A (zh) 一种公路运行监测系统、方法、终端及存储介质
Hoong et al. Road traffic prediction using Bayesian networks
Cerqueira et al. Integrative analysis of traffic and situational context data to support urban mobility planning
KR20120125092A (ko) 범죄 사건, 및 방지에 대한 담당자를 지정하는 지능형 사고처리 시스템

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