CN115223359A - 一种对收费站预警的方法、装置、电子设备和存储介质 - Google Patents
一种对收费站预警的方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN115223359A CN115223359A CN202210642394.5A CN202210642394A CN115223359A CN 115223359 A CN115223359 A CN 115223359A CN 202210642394 A CN202210642394 A CN 202210642394A CN 115223359 A CN115223359 A CN 115223359A
- Authority
- CN
- China
- Prior art keywords
- toll
- toll station
- flow
- lane
- upstream
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000003860 storage Methods 0.000 title claims description 16
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 156
- 238000012544 monitoring process Methods 0.000 claims abstract description 65
- 238000010219 correlation analysis Methods 0.000 claims abstract description 10
- 238000013507 mapping Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 12
- 238000005206 flow analysis Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 12
- 238000009826 distribution Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000014759 maintenance of location Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Devices For Checking Fares Or Tickets At Control Points (AREA)
Abstract
本发明提供了一种对收费站预警的方法，其包括：获取预先构建的收费站画像，所述收费站画像包括收费站的广场侧画像和车道侧画像；对所述收费站画像的各指标进行相关性分析，建立收费站延时时长与上游流量、收费车道通行能力的关联关系；获取上游流量监测数据，基于所述上游流量监测数据及所述关联关系对所述收费站进行流量控制。这样，从广场级、车道级两个维度对收费站建立画像，从而可以对收费站的运行状态进行更细致的描述，利用画像指标做相关性分析，进而根据监测到的上游流量数据确定更准确的收费站的运行状态，从而对收费站进行更准确的控制，保证收费站正常运转的情况下提高收费车道的使用效率。
Description
技术领域
本发明涉及智能交通技术领域，具体而言，涉及一种对收费站预警的方法、装置、电子设备和存储介质。
背景技术
随着公众出行的增大与电子商务的发展，公路交通运输在我国经济和社会发展中发挥着越来越重要的作用。近些年来，我国的交通信息化水平取得了长足的发展和进步。近年来，国家积极推进省界站拆除和高速公路ETC联网收费、视频等监测设备推广普及并逐步换代等工作，为收费站的运行监测提供了近乎全流量的计算基础。
对于收费站而言，一个收费站广场往往存在多个收费车道。不同时刻的途径收费站广场的流量并不一致，白天、夜晚的差异尤其明显。若所有车道同时工作，在低流量的时候必然带来资源上的浪费；若关闭部分车道，只保持若干车道工作，在流量大的时候可能造成拥堵。
因此，很难实现收费站交通情况的及时预警。
发明内容
本发明解决的问题是很难在保证收费站正常运转的情况下实现收费站交通情况的及时预警。
为解决上述问题，本发明第一方面提供了一种基于收费数据对收费站预警的方法，其包括：
获取预先构建的收费站画像，所述收费站画像包括收费站的广场侧画像和车道侧画像，所述广场侧画像包括广场流量指标、广场侧拥堵指标，所述车道侧画像包括车道级延时时长指标、车道级流速指标；
对所述收费站画像的各指标进行相关性分析，建立收费站延时时长与上游流量、收费车道通行能力的关联关系；
获取上游流量监测数据，基于所述上游流量监测数据及所述关联关系对所述收费站进行流量控制。
本申请第二方面提供了一种基于收费数据对收费站预警的装置，其包括：
画像获取单元，其用于获取预先构建的收费站画像，所述收费站画像包括收费站的广场侧画像和车道侧画像，所述广场侧画像包括广场流量指标、广场侧拥堵指标，所述车道侧画像包括车道级延时时长指标、车道级流速指标；
关联建立单元，其用于对所述收费站画像的各指标进行相关性分析，建立收费站延时时长与上游流量、收费车道通行能力的关联关系；
流量控制单元，其用于获取上游流量监测数据，基于所述上游流量监测数据及所述关联关系对所述收费站进行流量控制。
本申请第三方面提供了一种电子设备，其包括：存储器和处理器；
所述存储器，其用于存储程序；
所述处理器，耦合至所述存储器，用于执行所述程序，以用于实现如前所述的的方法。
本申请第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现如前述所述的的方法。
这样，从广场级、车道级两个维度对收费站建立画像，从而可以对收费站的运行状态进行更细致的描述，利用画像指标做相关性分析，从而根据上游流量监测数据及关联关系确定更准确的收费站的运行状态，从而对收费站进行更准确的控制，保证收费站正常运转的情况下提高收费车道的使用效率。
本申请抓住收费站流量流入、流出节点，建立收费站延时与上游流量、收费车道通行能力的关系，通过对上游流量的监测，灵活、高效地控制收费车道的运营状态；当流量超出收费站的处理能力时，及时报警使收费站提前采取相应措施。
本申请中，通过拟合流量的计算方法，结合收费站的通过流量，进而得到计算收费站前的滞留流量，明确收费站前的排队情况，一定程度上解决了点位数据时效性差的问题。
附图说明
图1为根据本发明实施例的对收费站预警的方法的流程图；
图2为根据本发明实施例的对收费站预警的方法步骤S10的流程图；
图3为根据本发明实施例的对收费站预警的方法步骤S11的流程图；
图4为根据本发明实施例的对收费站预警的方法步骤S13的流程图；
图5为根据本发明实施例的对收费站预警的方法步骤S12的流程图；
图6为根据本发明实施例流量分析单元的示意图；
图7为根据本发明实施例的对收费站预警的方法步骤S20的流程图；
图8为根据本发明一实施例的对收费站预警的方法步骤S30的流程图；
图9为根据本发明另一实施例的对收费站预警的方法步骤S30的流程图；
图10为根据本发明实施例的收费门架多下游的拓扑示意图；
图11为根据本发明实施例的对收费站预警的装置的结构框图；
图12为根据本发明实施例的电子设备的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
随着公众出行的增大与电子商务的发展，公路交通运输在我国经济和社会发展中发挥着越来越重要的作用。维持公路交通网络的稳定和高效运转，对调整产业结构、推动就业和经济发展、加快城乡一体化建设进程具有重要的意义。近年来，随着机动车保有量的快速增长、公路运输需求的逐步攀升，而收费站作为城际交通的重要节点，运行压力不断增加。
近些年来，我国的交通信息化水平取得了长足的发展和进步。目前，动态交通信息服务主要基于移动位置数据和浮动车技术，通过收集和处理高速道路上采样车辆的位置、行驶速度等数据，来计算和发布道路的平均通行车速信息，具有信息精度高、粒度细、刷新频率快等优点而被广泛应用。需要指出的是，移动位置数据受限于其采样数据的本质特征，在时空分布上并不平衡，这就会导致存在某些收费站虽然有车辆经过，但却未被采样到而无法计算，这种现象在非高峰时段和导航用户较少的城市尤其明显。为此，动态交通信息服务提供商、高速公路管理部门等都在积极探索通过引入其他数据源及多源融合的方法，丰富收费站的交通信息。
近年以来，国家积极推进省界站拆除和高速公路ETC联网收费、视频等监测设备推广普及并逐步换代等工作，为收费站的运行监测提供了近乎全流量的计算基础。但是，无论是ETC还是视频检测设备，其部署的门架点位分布是有限的。例如，收费站与相邻门架一般间距在几公里甚至更远，这意味着数据采集的频次和时效性、信息表达的时效性、全面性等受到了极大的挑战。因此，需要根据收费数据的特点，在保持全样本优势的同时，最大化地弥补数据在时效性、信息表达全面性方面的劣势，使收费数据能够被应用到收费站运行监测和管理的业务中。
对于收费站等基础设施而言，流量是所有情景的基本原因。当流量流入的速度小于流出时，收费站运行平稳；当流入的速度大于流出时，收费站广场前逐渐出现流量滞留，严重时会在收费站广场及其上游产生拥堵。
发生拥堵时，对于收费站的处置而言，最直接的指标是不同车道的流速、收费站广场的滞留车辆、排队长度、通过收费站所需要的延时时间等，移动位置数据受限于其采样数据的本质特征，无法精准地得到上述的结果。收费数据是全流量数据，但是收费数据属于点位数据，无法精确表达门架与收费站之间的交通信息，只能在通过收费站以后才能知道有车辆覆盖。因此不能直接得到车辆什么时刻进入的收费站广场，收费站广场内是否存在排队，排队距离有多长，这反映出收费数据位置单一、时效性差的特点，因此，如何基于收费站上游流量监测数据对收费站交通状况进行预警是一个亟需解决的问题。
一个收费站广场往往存在多个收费车道。不同时刻的途径收费站广场的流量并不一致，白天、夜晚的差异尤其明显。若所有车道同时工作，在低流量的时候必然带来资源上的浪费；若关闭部分车道，只保持若干车道工作，在流量大的时候可能造成拥堵。如何在保证正常运转的前提下提高收费车道的使用效率，同样非常值得探索。
为了便于描述，做如下定义：
收费门架记录：是车辆在经过收费门架时，产生的一条车辆与收费设备关联的数据记录。本发明定义CG＝<Cid,Gid,type,t>表示一条门架的收费记录，其中Cid表示车辆的唯一标识，Gid表示门架的唯一标识，type表示车辆类型，由后台调用车辆的注册信息得到，t表示车辆经过门架的时间。
收费站记录：是车辆在通过收费站时，产生的一条车辆与收费设备关联的数据记录。本发明定义CT＝<Cid,Tid,ct,t,Rid,rt>表示一条收费站的收费记录，其中Cid表示车辆的唯一标识，Tid表示收费站的唯一标识，ct表示车辆类型，由后台调用车辆的注册信息得到，t表示车辆经过收费站的时间，Rid表示车辆所在车道的标识，rt表示车辆所在车道的类型。
广场级收费站画像：是指某时刻下，基于收费数据，从收费站广场角度对目标收费站进行描述的结果。本发明中定义Square＝<pf,ff,hf,ct>表示广场级收费站画像，其中pf表示通过收费站广场的实际流量，ff表示车辆到达收费站广场的拟合流量，hf表示收费站广场前的滞留流量，ct表示车辆由门架到通过收费站广场的延时时间。
车道级收费站画像：是指某时刻下，基于收费数据，从收费车道角度对目标收费站进行描述的结果。本发明中定义Road＝<<fv1,fv2,…>,<ct1,ct2,…>>表示广场级收费站画像，其中fvi表示车道i的流速，流速是指同一车道上相邻的通过车辆的时间间隔；cti表示车辆从门架到通过车道i的延时时间。
本申请实施例提供了一种对收费站预警的方法，该方法可以由对收费站预警的装置来执行，该对收费站预警的装置可以集成在电脑、服务器、计算机等电子设备中。如图1所示，其为根据本发明实施例的对收费站预警的方法的流程图；其中，所述对收费站预警的方法，包括：
S10，获取预先构建的收费站画像，所述收费站画像包括收费站的广场侧画像和车道侧画像，所述广场侧画像包括广场流量指标、广场侧拥堵指标，所述车道侧画像包括车道级延时时长指标、车道级流速指标；
其中，所述收费站画像为从收费站的车道、广场或者更多角度对收费站进行描述的结果，其描述方式可以是通过多个指标进行描述，也可以是通过其他方式进行描述。
其中，所述收费站画像的构建是基于收费数据进行的；在获取收费数据后，根据收费数据构建收费站画像。
S20，对所述收费站画像的各指标进行相关性分析，建立收费站延时时长与上游流量、收费车道通行能力的关联关系；
收费站延时时长与上游流量、收费车道通行能力是具有关联关系的，在其他数据保持不变的情况下，上流流量越大，收费站延时时长越长；在其他数据保持不变的情况下，收费车道通行能力越弱，收费站延时时长越长。其具体关联关系，可以通过对所述收费站画像的各指标进行相关性分析获取。
S30，获取上游流量监测数据，基于所述上游流量监测数据及所述关联关系对所述收费站进行流量控制。
其中，对所述收费站进行流量控制可以是通过控制开放的车道数量，来提高收费车道的使用效率，也可以是在上游流量超出收费站通行能力的情况下对外进行预警，也可以是其他控制方式。
这样，从广场级、车道级两个维度对收费站建立画像，从而可以对收费站的运行状态进行更细致的描述，利用画像指标做相关性分析，确定更准确的收费站的运行状态，从而对收费站进行更准确的预警和控制，保证收费站正常运转的情况下提高收费车道的使用效率且保证对收费站进行及时预警。
优选地，如图2所示，所述构建收费站画像，包括：
S11，构建收费路网拓扑结构；
其中，收费路网拓扑结构基于电子地图与收费门架、收费站位置构建。
S12，基于所述收费路网拓扑结构，获取收费站和收费门架的车辆通行信息；
S13，根据收费站的所述车辆通行信息和所述收费路网拓扑结构，构建该收费站的广场侧画像和车道侧画像；其中，所述广场流量指标包括通过流量的时间序列、到达流量的时间序列、滞留流量的时间序列，所述广场侧拥堵指标包括延迟时长、排队长度，所述车道侧画像包括每个车道的车道级流速的时间序列、车道级延时时长的时间序列。
其中，通过流量、延时时长、车道流速可以利用门架记录和收费记录直接得到，滞留流量、排队长度通过拟合流量间接计算得出。
这样，同时建立广场侧画像与车道侧画像，从不同维度分别描述收费站，使得收费站的运行状态更加完整、清晰。车道侧画像可以精准地判定每个车道的运行状态，可以对通行能力弱的车道专项治理。
优选地，如图3所示，所述S11，构建收费路网拓扑结构，包括：
S111，获取每个收费门架、收费站在收费路网上的路段信息，分别构建二元组tl，gl，其中，tl＝<Tid,linkid>，gl＝<Gid,linkid>，Gid表示门架的唯一标识，Tid表示收费站的唯一标识，linkid表示路段编号的唯一标识；tl的集合记为Ωtl
其中，收费路网可以通过高速公路电子地图获取，或者直接可以将高速公路电子地图作为收费路网的电子地图使用，具体是将收费站、收费门架标记在电子地图上。
其中，收费门架、收费站的路段信息，可以预先设置，也可以通过安装记录等获取或者通过网络获取，具体获取方式在此不再赘述。
其中，将电子地图或者收费路网的路段(或道路)称为link，其中，一个路段(或者一个道路)上一般仅设置一个收费门架或者一个收费站。
其中，可以通过电子地图或者收费路网的信息来获得两个收费门架或者两个收费站或者收费门架与收费站质检的连通距离；也可以通过预先标注的方式来获取。具体获取方式，在此不再赘述。
优选地，可以将所有收费门架或者所有收费站标记在高速公路电子地图上，或者收费路网上，从而可以直观对其进行展示。
S112，对于任意一个收费站，以收费站所在的link为起点，执行深度优先遍历，确定每个收费站的上游元素、并行元素和下游元素以及所述上游元素的拓扑信息；
其中，收费站的上游元素、并行元素、下游元素，可以是收费门架，也可以是收费站，具体形式在此不作限制。
其中，若车辆在通过一个元素(收费门架或收费站)后，可以不经由其他元素而直接到达收费站，则该元素即为该收费站的上游元素。
其中，若车辆在通过一个收费站后，可以不经由其他元素而直接到达一个元素(收费门架或收费站)，则该元素即为该收费站的下游元素。
其中，若车辆在通过一个元素(收费门架或收费站)后，可以不经由其他元素而直接到达收费站，也可以不经由其他元素而直接到达另一元素，则该另一元素为该收费站的并行元素。也可以理解为，与收费站具有相同的上游元素的元素即为该收费站的并行元素。
例如，车辆通过元素A后，可以不经由其他元素而直接到达元素B或者元素C，则元素A分别为元素B、元素C的上游元素；元素B、元素C分别为元素A的下游元素；元素B和元素C互为并行元素。
需要说明的是，也可以通过上述方式确定收费门架的上游元素、下游元素和并行元素，在此不再赘述。
优选地，以收费站所在的link为起点，向上游执行深度优先遍历，可以得到该收费站的所有的上游元素的集合，集合中的元素可能是门架，也可能是其他收费站。
其中，对于任意一个tl∈Ωtl，收费站所有的上游集合记为φtl，其中一个门架为gl，则二者之间的拓扑关系可以记为：topo(tl，gl)＝<rela(tl，gl)，path(tl，gl)，dis(tl，gl)，t(tl，gl)>。其中，rela(tl，gl)标识了收费站tl.Tid与gl.Gid的上下游关系；path(tl，gl)＝<gl.linkid...tl.linkid>记录了门架到收费站之间的路径；dis(tl，gl)给出了路径path(tl，gl)的长度；t(tl，gl)给出了自由流行驶下门架到收费站消耗的时间。
S113，根据所述深度优先遍历的结果，构建所述收费路网拓扑结构。
其中，获取所有收费站的上游元素、并行元素和下游元素以及所述上游元素的拓扑信息，从而基于这些信息构建所述收费路网拓扑结构。
其中，可以直接将对应信息标注或者记录在对应的收费站或者收费门架上，从而构建所述收费路网拓扑结构。
这样，基于电子地图与收费门架、收费站位置，建立了收费路网拓扑，便于利用收费数据计算收费站画像的各个指标。
优选地，如图4所示，所述构建该收费站的广场侧画像和车道侧画像包括：
S131，获取收费站的每个车道的流量，将各车道的流量累加得到收费站广场的通过流量；
其中，记pf＝<flowtotal，flow1，flow2…>表示通过收费站tl的流量，其中flowpass表示通过收费站的总流量，flowi表示收费站各个车道的流量，二者的关系为flowpass＝∑flowi，i∈(0，n)。各个车道的流量可以由收费记录CT中将不同车道的车辆累加得到。
按照车辆通过收费站的时刻，构造流量的时间序列，剔除个别异常数据，可以得到收费站tl在一段时间内的稳定的通过流量分布。
S132，根据收费站的上游元素的车辆通行信息和拓扑信息，通过拟合计算收费站的广场拟合流量；
其中，假设拟合车辆c1的门架收费记录与收费站收费记录分别为<c1，gl.Gid，c1.Ctype，t0>、<c1，tl.Tid，c1.Ctype，t1，tl.Rid，tl.Rtype>，结合门架gl到收费站tl的拓扑关系<rela(tl，gl)，path(tl，gl)，dis(tl，gl)，t(tl，gl)>，可以拟合车辆c1到达收费站广场的时间为t0+t(tl，gl)。
累计一段时间内的拟合车辆，构造流量的时间序列，剔除个别异常数据，可以得到收费站tl在一段时间内的稳定的拟合流量分布。
S133，根据收费站广场的通过流量和广场拟合流量的差值，确定收费站广场的滞留流量；
其中，利用收费站广场的拟合流量减去已经通过的流量即为广场的滞留流量。
其中，记收费站拟合流量的分布为φarrival(t)，通过流量的分布为φpass(t)，滞留流量为yhold(t)，则有
S134，根据收费站的车辆通过信息、上游元素的车辆通行信息和拓扑信息，并确定收费站的广场延时时长；
其中，记Cost表示门架gl到收费站tl的延时时间，基于车辆c1的门架收费记录<c1，gl.Gid，c1.Ctype，t0>、收费站收费记录<c1，tl.Tid，c1.Ctype，t1，tl.Rid，tl.Rtype>以及门架与收费站的拓扑关系<rela(tl，gl)，path(tl，gl)，dis(tl，gl)，t(tl，gl)>可以得到车辆c1的延时时长为
取所有通过收费站的车辆的延时，进行计算即可收费站广场的延时时间，如
其中，按照车辆通过收费站的时刻，构造延时时间的时间序列，剔除个别异常数据，可以得到收费站tl在一段时间内的稳定的延时分布。考虑到客车与货车的速度差异，在刻画门架到收费站之间的延时时间时，可以精细化到不同的分类，各个子类在本申请中不再赘述。
优选地，还可以确定广场的排队长度。
其中，收费站广场的排队长度与广场内的滞留流量直接相关。在收费数据的静态数据中可以明确车辆类型的，定义len表示广场内的平均排队长度，numtruck，numcar分别表示广场内货车、客车的滞留数量，α，β分别表示货车、客车排队中占据的空间范围，n表示收费站的车道数，则有：
S135，将收费站每个车道的相邻车辆的通过时间间隔，确定为该车道的车道级流速；
其中，记fspeedi表示收费站车道i的流速，即该车道上相邻车辆通过收费站的时间间隔。则有
其中，当车辆稀疏时，流速分布是离散、不确定的；当车辆密集甚至产生一定排队时，车辆按照排队顺序依次通过收费站，流速分布是聚集的、稳定的。
S136，根据每个车道的车辆通过信息、上游元素的车辆通行信息和拓扑信息，确定每个车道的延时时长。
其中，记costi表示门架收费站车道i的延时，取收费记录中tl.Rid＝i的车辆c1及其对应的门架记录<c1，gl.Gid，c1.Ctype，t0>与收费记录<c1，tl.Tid，c1.Ctype，t1，tl.Rid，tl.Rtype>，可以得到c1的延时为
对所有经过车道i的样本进行计算，可以得到
这样，通过拟合流量的计算方法，结合收费站的通过流量，进而得到计算收费站前的滞留流量，明确收费站前的排队情况，一定程度上解决了点位数据时效性差的问题。
优选地，如图5所示，所述S12，基于所述收费路网拓扑结构，获取收费站和收费门架的车辆通行信息，包括：
S121，基于所述收费路网拓扑结构，建立收费站与上游元素、并行元素和下游元素的通信连接，构建所述流量分析单元；
S122，基于所述流量分析单元，所述上游元素在检测到车辆通过时，向收费站发送所述车辆的监测信息；
S123，所述收费站接收到所述监测信息后，将所述车辆加入监测任务集合并将所述监测信息转发给所述并行元素和所述下游元素；
S124，所述收费站监测到所述车辆的情况下，记录所述车辆的通过信息并删除所述车辆的监测任务；
S125，所述收费站在未监测到所述车辆的情况下，保留所述车辆的监测任务直至所述收费站的所述并行元素或所述下游元素监测到所述车辆为止；
S126，遍历所述收费路网拓扑结构中的所述收费站，记录每个收费站的车辆通行信息。
其中，如图6所示，流量分析单元可以包括下游收费站(计算核心)的主通信模块以及上游门架和并行门架的从通信模块，从而建立收费站与上游元素、并行元素和下游元素的通信连接；其中，还可以包括用于计时的计时模块和用于监测车辆是否通过的车辆监测模块。在此需要说明的是，图中仅展示出了以当前计算核心为基础的上游门架、并行门架、下游收费站需要具有的功能模块，并非严格限制，在需要时，也可以在上游门架、并行门架、下游收费站增加计时模块、车辆监测模块等等。
具体获取过程举例说明：
如图6所示，对于上游门架gl，如果在收费数据记录<c1,gl.Gid,c1.Ctype,t0>中显示有一辆车c1在t0时刻经过门架gl，则从通信模块向下游收费站tl的主通信模块发送监测信息<c1,t0+t(gl,tl)+Δt>，即通知下游收费站tl，预计在t0+t(gl，tl)+Δt时刻前会有车辆c1经过收费站tl，请收费站tl进行监测；其中，t(gl，tl)为车辆通过门架gl和收费站tl的正常耗时，Δt为耗时的一个容差；在下游收费站tl的车辆监测模块，将c1加入对监测任务集合；并将监测车辆信息发送给并线的门架gl。若t0+t(gl，tl)+Δt时刻前，在并行门架gl中监测到c1的收费数据记录，则回复主通信模块，将监测任务c1从监测任务集合中删除；对于下游收费站tl，如果在时刻t0+t(gl，tl)+Δt之前监测到车辆c1通过了收费站tl，则回复上游门架与并行门架的从通信模块，正常监测到车辆c1；否则持续监测至该下游收费站或并行门架检测到c1的收费数据记录。
优选地，如图7所示，所述S20，对所述收费站画像的各指标进行相关性分析，建立收费站延时时长与上游流量、收费车道通行能力的关联关系包括：
S21，基于所述车道侧画像中开放状态正常运营下每个车道的车道级流量历史统计数据，得到收费站的通行能力；
其中，直接影响从门架到通过收费站延时的因素有两个，一是来自上游的流量，二是收费车道的运营情况(通行能力)，二者分别代表了流量的流入与流出。
其中，定义
表示开放状态正常运营下车道i的通行能力，可以用一段时间内每个车道通过的车辆数来表示，Power表示收费站的通行能力，则有
S22，基于广场侧画像中的延时时长的时间序列、到达流量的时间序列的历史数据，得到延时时长与上游流量的映射关系；
本申请由历史数据中的广场侧画像中的延时时长的时间序列、到达流量的时间序列，发现：当流量极小时，车辆几乎无延时，可以顺畅通过收费站；当流量逐步增长时，车辆通过收费站的延时不断增长，直至流量不再增加；当流量逐渐恢复时，延时随之缩短。同时，不同状态下相同流量产生的延时并不一致，同样的流量在拥堵消散阶段产生的延时要大于拥堵增长阶段。
由此，可以建立延时时长与上游流量的映射关系。其中，这种映射关系可以分别包括拥堵增长阶段的映射关系、拥堵消散阶段的映射关系。
S23，将所述收费站的通行能力与所述映射关系关联，得到收费站延时时长与上游流量、收费车道通行能力的关联关系。
由上述延时时长与上游流量的映射关系，可以得到不同时间段延时时间与上游流量、收费车道通行能力的对应关系f(cost,flow,power)。具体关联关系的数据，可以通过实验等方式获取。
这样，抓住收费站流量流入、流出节点，建立收费站延时与上游流量、收费车道通行能力的关系，从而可以通过对上游流量的监测，灵活、高效地控制收费车道的运营状态。
优选地，如图8所示，所述流量控制包括流量预警，所述S30，获取上游流量监测数据，基于所述上游流量监测数据及所述关联关系对所述收费站进行流量控制包括：
S301，获取所述收费站的目标延时时长及收费车道的最大通行能力；
其中，所述收费站的目标延时时长可以是预先设置的，也可以是根据实际情况调整后得到的，具体获取方式在此不再赘述。
其中，收费车道的最大通行能力，可以通过历史数据获取，也可以是预先设置的，或根据实际情况调整后得到的，具体获取方式在此不再赘述。
S302，根据所述收费站延时时长与上游流量、收费车道通行能力的关联关系，查询对应的目标最大上游流量；
通过上述的收费站延时时长与上游流量、收费车道通行能力的关联关系，可以查询得到对应的目标最大上游流量。
S303，获取监测的上游流量数据，当所述监测的上游流量数据大于所述目标最大上游流量时，对所述收费站进行流量预警。
其中，监测的上游流量数据为该收费站所有上游元素的流量数据的总和。
这样，可以在游流量数据超出后，直接触发报警机制，提醒收费站管理人员采取一定的预警措施，从而保证收费站的正常运行。
优选地，获取所述收费站的目标延时时长及各个收费车道的最大通行能力，以及某时刻上游门架或收费站的流量，通过关联关系查询得到收费站所需要的通行能力，则只需要开放运营车道的总通行能力大于所需要的通行能力，即可保证收费站的正常运行。
优选地，可以在收费站高滞留、高延迟的时候，通过校验每个车道的流速，判定车道的运行状态，如果所有车道流速均正常，说明此时流量已经达到收费站的饱和状态；如果存到车道流速较低，则可以对流速低的车道进行原因分析、专向治理。
其中，定义θi表示车道i正常运行的流速阈值，
表示检测时间内车道i的流速样本。若集合样本的平均值大于流速阈值，且流速阈值内的样本个数小于一定比例，则可以证明车道i运行异常，即
其中，count是对满足条件样本的计数运算，δi是比例阈值。
优选地，如图9所示，所述获取上游流量监测数据，包括：
S311，获取收费站的上游元素流向该收费站的历史流量数据；
S312，根据每个上游元素流向所述收费站的历史流量数据，通过最小二乘法建立该上游元素流向所述收费站的流量与时间特征变量的回归模型；
S313，在确定时间特征变量的情况下，根据所述回归模型预测该时间特征变量下所述上游元素流向所述收费站的流量；
S314，对预测的所有上游元素流向所述收费站的流量累加得到到达所述收费站的上游流量。
需要说明的是，在计算流量的过程中，考虑到同一上游门架可能存在包含目标收费站在内的多个下游，如图10所示，经过门架A的车辆不仅可以驶向收费站B，还可以驶向门架B的方向，因此，采用本申请中的基于线性回归模型的流量预测方法来预测上游流量监测数据。
对其具体过程举例说明：
提取影响上游门架流量分布的特征，年、月、日、小时、星期、节假日分别记为ρyear、ρmonth、ρday、ρhour、ρweek、ρholiday。记
表示下游收费站分支的第i条样本的流量，N表示样本总数，则下游收费站的所有流量样本可以表示为
记ρi表示第i条样本的影响因素的向量，则
下游收费站的所有影响因素可以表示为
用βj表示第j个特征变量的回归系数，所有特征变量的回归系数构成回归系数向量β＝[β0,β1,…βj,…βM]，其中β0表示回归系数向量的常数项，M表示特征变量总数。
线性回归模型如下：
qtoll＝ρtollβT
利用最小二乘法计算特征变量的回归系数，用
表示回归系数向量为β情况下的计算数据与实际数据之间误差的平方和，则有：
当
时，
取最小值，此时有
当给定每个特征变量取值时，可以利用回归模型计算下游收费站交通流量的预测值
将目标收费站的所有上游门架或上游收费站的预测流量累加，即可得到预计驶向目标收费站的流量，进而进行预警判断。
本申请中，通过拟合流量的计算方法，结合收费站的通过流量，进而得到计算收费站前的滞留流量，明确收费站前的排队情况，一定程度上解决了点位数据时效性差的问题。
本申请同时建立广场侧画像与车道侧画像，从不同维度分别描述收费站，使得收费站的运行状态更加完整、清晰。车道侧画像可以精准地判定每个车道的运行状态，可以对通行能力弱的车道专项治理。
本申请抓住收费站流量流入、流出节点，建立收费站延时与上游流量、收费车道通行能力的关系，通过对上游流量的监测，灵活、高效地控制收费车道的运营状态；当流量超出收费站的处理能力时，及时报警使收费站提前采取相应措施。
本申请实施例提供了一种对收费站预警的装置，用于执行本发明上述内容所述的对收费站预警的方法，以下对所述对收费站预警的装置进行详细描述。
如图11所示，所述对收费站预警的装置，其包括：
画像获取单元101，其用于获取预先构建的收费站画像，所述收费站画像包括收费站的广场侧画像和车道侧画像，所述广场侧画像包括广场流量指标、广场侧拥堵指标，所述车道侧画像包括车道级延时时长指标、车道级流速指标；
关联建立单元102，其用于对所述收费站画像的各指标进行相关性分析，建立收费站延时时长与上游流量、收费车道通行能力的关联关系；
流量控制单元103，其用于获取上游流量监测数据，基于所述上游流量监测数据及所述关联关系对所述收费站进行流量控制。
优选地，所述画像获取单元101还用于：
构建收费路网拓扑结构；基于所述收费路网拓扑结构，获取收费站和收费门架的车辆通行信息；根据收费站的所述车辆通行信息和所述收费路网拓扑结构，构建该收费站的广场侧画像和车道侧画像；其中，所述广场流量指标包括通过流量的时间序列、到达流量的时间序列、滞留流量的时间序列，所述广场侧拥堵指标包括延迟时长、排队长度，所述车道侧画像包括每个车道的车道级流速的时间序列、车道级延时时长的时间序列。
优选地，所述画像获取单元101还用于：
获取每个收费门架、收费站在收费路网上的路段信息，分别构建二元组tl，gl，其中，tl＝<Tid,linkid>，gl＝<Gid,linkid>，Gid表示门架的唯一标识，Tid表示收费站的唯一标识，linkid表示路段编号的唯一标识；对于任意一个收费站，以收费站所在的link为起点，执行深度优先遍历，确定每个收费站的上游元素、并行元素和下游元素以及所述上游元素的拓扑信息；根据所述深度优先遍历的结果，构建所述收费路网拓扑结构。
优选地，所述画像获取单元101还用于：
获取收费站的每个车道的流量，将各车道的流量累加得到收费站广场的通过流量；根据收费站的上游元素的车辆通行信息和拓扑信息，通过拟合计算收费站的广场拟合流量；根据收费站广场的通过流量和广场拟合流量的差值，确定收费站广场的滞留流量；根据收费站的车辆通过信息、上游元素的车辆通行信息和拓扑信息，并确定收费站的广场延时时长；将收费站每个车道的相邻车辆的通过时间间隔，确定为该车道的车道级流速；根据每个车道的车辆通过信息、上游元素的车辆通行信息和拓扑信息，确定每个车道的延时时长。
优选地，所述画像获取单元101还用于：
基于所述收费路网拓扑结构，建立收费站与上游元素、并行元素和下游元素的通信连接，构建所述流量分析单元；基于所述流量分析单元，所述上游元素在检测到车辆通过时，向收费站发送所述车辆的监测信息；所述收费站接收到所述监测信息后，将所述车辆加入监测任务集合并将所述监测信息转发给所述并行元素和所述下游元素；所述收费站监测到所述车辆的情况下，记录所述车辆的通过信息并删除所述车辆的监测任务；所述收费站在未监测到所述车辆的情况下，保留所述车辆的监测任务直至所述收费站的所述并行元素或所述下游元素监测到所述车辆为止；遍历所述收费路网拓扑结构中的所述收费站，记录每个收费站的车辆通行信息。
优选地，所述关联建立单元102还用于：
基于所述车道侧画像中开放状态正常运营下每个车道的车道级流量历史统计数据，得到收费站的通行能力；基于广场侧画像中的延时时长的时间序列、到达流量的时间序列的历史数据，得到延时时长与上游流量的映射关系；将所述收费站的通行能力与所述映射关系关联，得到收费站延时时长与上游流量、收费车道通行能力的关联关系。
优选地，所述流量控制单元103还用于：
获取所述收费站的目标延时时长及收费车道的最大通行能力；根据所述收费站延时时长与上游流量、收费车道通行能力的关联关系，查询对应的目标最大上游流量；获取监测的上游流量数据，当所述监测的上游流量数据大于所述目标最大上游流量时，对所述收费站进行流量预警。
优选地，所述流量控制单元103还用于：
获取收费站的上游元素流向该收费站的历史流量数据；根据每个上游元素流向所述收费站的历史流量数据，通过最小二乘法建立该上游元素流向所述收费站的流量与时间特征变量的回归模型；在确定时间特征变量的情况下，根据所述回归模型预测该时间特征变量下所述上游元素流向所述收费站的流量；对预测的所有上游元素流向所述收费站的流量累加得到到达所述收费站的上游流量。
本申请的上述实施例提供的对收费站预警的装置与本申请实施例提供的对收费站预警的方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
以上描述了对收费站预警的装置的内部功能和结构，如图12所示，实际中，该对收费站预警的装置可实现为控制设备(电子设备)，包括：存储器301以及处理器303。
存储器301，可被配置为存储程序。
另外，存储器301，还可被配置为存储其它各种数据以支持在控制设备上的操作。这些数据的示例包括用于在控制设备上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。
存储器301可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
处理器303，耦合至存储器301，用于执行存储器301中的程序，以用于实现如前所述的的方法：
在一种实施方式中，处理器303具体用于：
获取预先构建的收费站画像，所述收费站画像包括收费站的广场侧画像和车道侧画像，所述广场侧画像包括广场流量指标、广场侧拥堵指标，所述车道侧画像包括车道级延时时长指标、车道级流速指标；
对所述收费站画像的各指标进行相关性分析，建立收费站延时时长与上游流量、收费车道通行能力的关联关系；
获取上游流量监测数据，基于所述上游流量监测数据及所述关联关系对所述收费站进行流量控制。
在一种实施方式中，处理器303具体用于：
构建收费路网拓扑结构；基于所述收费路网拓扑结构，获取收费站和收费门架的车辆通行信息；根据收费站的所述车辆通行信息和所述收费路网拓扑结构，构建该收费站的广场侧画像和车道侧画像；其中，所述广场流量指标包括通过流量的时间序列、到达流量的时间序列、滞留流量的时间序列，所述广场侧拥堵指标包括延迟时长、排队长度，所述车道侧画像包括每个车道的车道级流速的时间序列、车道级延时时长的时间序列。
在一种实施方式中，处理器303具体用于：
获取每个收费门架、收费站在收费路网上的路段信息，分别构建二元组tl，gl，其中，tl＝<Tid,linkid>，gl＝<Gid,linkid>，Gid表示门架的唯一标识，Tid表示收费站的唯一标识，linkid表示路段编号的唯一标识；对于任意一个收费站，以收费站所在的link为起点，执行深度优先遍历，确定每个收费站的上游元素、并行元素和下游元素以及所述上游元素的拓扑信息；根据所述深度优先遍历的结果，构建所述收费路网拓扑结构。
在一种实施方式中，处理器303具体用于：
获取收费站的每个车道的流量，将各车道的流量累加得到收费站广场的通过流量；根据收费站的上游元素的车辆通行信息和拓扑信息，通过拟合计算收费站的广场拟合流量；根据收费站广场的通过流量和广场拟合流量的差值，确定收费站广场的滞留流量；根据收费站的车辆通过信息、上游元素的车辆通行信息和拓扑信息，并确定收费站的广场延时时长；将收费站每个车道的相邻车辆的通过时间间隔，确定为该车道的车道级流速；根据每个车道的车辆通过信息、上游元素的车辆通行信息和拓扑信息，确定每个车道的延时时长。
在一种实施方式中，处理器303具体用于：
基于所述收费路网拓扑结构，建立收费站与上游元素、并行元素和下游元素的通信连接，构建所述流量分析单元；基于所述流量分析单元，所述上游元素在检测到车辆通过时，向收费站发送所述车辆的监测信息；所述收费站接收到所述监测信息后，将所述车辆加入监测任务集合并将所述监测信息转发给所述并行元素和所述下游元素；所述收费站监测到所述车辆的情况下，记录所述车辆的通过信息并删除所述车辆的监测任务；所述收费站在未监测到所述车辆的情况下，保留所述车辆的监测任务直至所述收费站的所述并行元素或所述下游元素监测到所述车辆为止；遍历所述收费路网拓扑结构中的所述收费站，记录每个收费站的车辆通行信息。
在一种实施方式中，处理器303具体用于：
基于所述车道侧画像中开放状态正常运营下每个车道的车道级流量历史统计数据，得到收费站的通行能力；基于广场侧画像中的延时时长的时间序列、到达流量的时间序列的历史数据，得到延时时长与上游流量的映射关系；将所述收费站的通行能力与所述映射关系关联，得到收费站延时时长与上游流量、收费车道通行能力的关联关系。
在一种实施方式中，处理器303具体用于：
获取所述收费站的目标延时时长及收费车道的最大通行能力；根据所述收费站延时时长与上游流量、收费车道通行能力的关联关系，查询对应的目标最大上游流量；获取监测的上游流量数据，当所述监测的上游流量数据大于所述目标最大上游流量时，对所述收费站进行流量预警。
在一种实施方式中，处理器303具体用于：
获取收费站的上游元素流向该收费站的历史流量数据；根据每个上游元素流向所述收费站的历史流量数据，通过最小二乘法建立该上游元素流向所述收费站的流量与时间特征变量的回归模型；在确定时间特征变量的情况下，根据所述回归模型预测该时间特征变量下所述上游元素流向所述收费站的流量；对预测的所有上游元素流向所述收费站的流量累加得到到达所述收费站的上游流量。
本申请中，图12中仅示意性给出部分组件，并不意味着电子设备只包括图12所示组件。
本实施例提供的电子设备，与本申请实施例提供的对收费站预警的方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、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。
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设备上，使得在计算机或其他可编程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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现如前述所述的的方法。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的对收费站预警的方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是，在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的结构和技术，以便不模糊对本说明书的理解。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (11)
1.一种基于收费数据对收费站预警的方法，其特征在于，包括：
获取预先构建的收费站画像，所述收费站画像包括收费站的广场侧画像和车道侧画像，所述广场侧画像包括广场流量指标、广场侧拥堵指标，所述车道侧画像包括车道级延时时长指标、车道级流速指标；
对所述收费站画像的各指标进行相关性分析，建立收费站延时时长与上游流量、收费车道通行能力的关联关系；
获取上游流量监测数据，基于所述上游流量监测数据及所述关联关系对所述收费站进行流量控制。
2.根据权利要求1所述的方法，其特征在于，所述构建收费站画像，包括：
构建收费路网拓扑结构；
基于所述收费路网拓扑结构，获取收费站和收费门架的车辆通行信息；
根据收费站的所述车辆通行信息和所述收费路网拓扑结构，构建该收费站的广场侧画像和车道侧画像；
其中，所述广场流量指标包括通过流量的时间序列、到达流量的时间序列、滞留流量的时间序列，所述广场侧拥堵指标包括延迟时长、排队长度，所述车道侧画像包括每个车道的车道级流速的时间序列、车道级延时时长的时间序列。
3.根据权利要求2所述的方法，其特征在于，所述构建收费路网拓扑结构，包括：
获取每个收费门架、收费站在收费路网上的路段信息，分别构建二元组tl，gl，其中，tl＝＜Tid，linkid＞，gl＝＜Gid，linkid＞，Gid表示门架的唯一标识，Tid表示收费站的唯一标识，linkid表示路段编号的唯一标识；
对于任意一个收费站，以收费站所在的link为起点，执行深度优先遍历，确定每个收费站的上游元素、并行元素和下游元素以及所述上游元素的拓扑信息；
根据所述深度优先遍历的结果，构建所述收费路网拓扑结构。
4.根据权利要求1所述的方法，其特征在于，预先构建收费站画像包括：
获取收费站的每个车道的流量，将各车道的流量累加得到收费站广场的通过流量；
根据收费站的上游元素的车辆通行信息和拓扑信息，通过拟合计算收费站的广场拟合流量；
根据收费站广场的通过流量和广场拟合流量的差值，确定收费站广场的滞留流量；
根据收费站的车辆通过信息、上游元素的车辆通行信息和拓扑信息，并确定收费站的广场延时时长；
将收费站每个车道的相邻车辆的通过时间间隔，确定为该车道的车道级流速；
根据每个车道的车辆通过信息、上游元素的车辆通行信息和拓扑信息，确定每个车道的延时时长。
5.根据权利要求2所述的方法，其特征在于，所述基于所述收费路网拓扑结构，获取收费站和收费门架的车辆通行信息，包括：
基于所述收费路网拓扑结构，建立收费站与上游元素、并行元素和下游元素的通信连接，构建流量分析单元；
基于所述流量分析单元，所述上游元素在检测到车辆通过时，向收费站发送所述车辆的监测信息；
所述收费站接收到所述监测信息后，将所述车辆加入监测任务集合并将所述监测信息转发给所述并行元素和所述下游元素；
所述收费站监测到所述车辆的情况下，记录所述车辆的通过信息并删除所述车辆的监测任务；
所述收费站在未监测到所述车辆的情况下，保留所述车辆的监测任务直至所述收费站的所述并行元素或所述下游元素监测到所述车辆为止；
遍历所述收费路网拓扑结构中的所述收费站，记录每个收费站的车辆通行信息。
6.根据权利要求1所述的方法，其特征在于，所述对所述收费站画像的各指标进行相关性分析，建立收费站延时时长与上游流量、收费车道通行能力的关联关系包括：
基于所述车道侧画像中开放状态正常运营下每个车道的车道级流量历史统计数据，得到收费站的通行能力；
基于广场侧画像中的延时时长的时间序列、到达流量的时间序列的历史数据，得到延时时长与上游流量的映射关系；
将所述收费站的通行能力与所述映射关系关联，得到收费站延时时长与上游流量、收费车道通行能力的关联关系。
7.根据权利要求1所述的方法，其特征在于，所述流量控制包括流量预警，所述获取上游流量监测数据，基于所述上游流量监测数据及所述关联关系对所述收费站进行流量控制包括：
获取所述收费站的目标延时时长及收费车道的最大通行能力；
根据所述收费站延时时长与上游流量、收费车道通行能力的关联关系，查询对应的目标最大上游流量；
获取监测的上游流量数据，当所述监测的上游流量数据大于所述目标最大上游流量时，对所述收费站进行流量预警。
8.根据权利要求1-7中任一项所述的方法，其特征在于，所述获取上游流量监测数据，包括：
获取收费站的上游元素流向该收费站的历史流量数据；
根据每个上游元素流向所述收费站的历史流量数据，通过最小二乘法建立该上游元素流向所述收费站的流量与时间特征变量的回归模型；
在确定时间特征变量的情况下，根据所述回归模型预测该时间特征变量下所述上游元素流向所述收费站的流量；
对预测的所有上游元素流向所述收费站的流量累加得到到达所述收费站的上游流量。
9.一种基于收费数据对收费站预警的装置，其特征在于，包括：
画像获取单元，其用于获取预先构建的收费站画像，所述收费站画像包括收费站的广场侧画像和车道侧画像，所述广场侧画像包括广场流量指标、广场侧拥堵指标，所述车道侧画像包括车道级延时时长指标、车道级流速指标；
关联建立单元，其用于对所述收费站画像的各指标进行相关性分析，建立收费站延时时长与上游流量、收费车道通行能力的关联关系；
流量控制单元，其用于获取上游流量监测数据，基于所述上游流量监测数据及所述关联关系对所述收费站进行流量控制。
10.一种电子设备，其特征在于，包括：存储器和处理器；
所述存储器，其用于存储程序；
所述处理器，耦合至所述存储器，用于执行所述程序，以实现如权利要求1-8任一项所述的方法。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器读取并运行时，实现如权利要求1-8任一项所述的的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210642394.5A CN115223359A (zh) | 2022-06-08 | 2022-06-08 | 一种对收费站预警的方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210642394.5A CN115223359A (zh) | 2022-06-08 | 2022-06-08 | 一种对收费站预警的方法、装置、电子设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115223359A true CN115223359A (zh) | 2022-10-21 |
Family
ID=83607857
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210642394.5A Pending CN115223359A (zh) | 2022-06-08 | 2022-06-08 | 一种对收费站预警的方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115223359A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116432803A (zh) * | 2022-12-13 | 2023-07-14 | 陕西高速电子工程有限公司 | 一种基于物联网的通信数据智能预警系统及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108959821A (zh) * | 2018-08-01 | 2018-12-07 | 河南城建学院 | 一种高速公路收费站可变向车道通行控制方法 |
| CN109523806A (zh) * | 2018-10-31 | 2019-03-26 | 上海市政工程设计研究总院（集团）有限公司 | 一种高速公路收费站车辆排队预警系统 |
| CN112766662A (zh) * | 2020-12-31 | 2021-05-07 | 北京掌行通信息技术有限公司 | 确定收费站运营能力的方法、装置、电子设备及介质 |
| CN112785735A (zh) * | 2020-12-31 | 2021-05-11 | 北京掌行通信息技术有限公司 | 一种基于收费数据的高速公路路况的监测方法及装置 |
| CN114333089A (zh) * | 2021-12-22 | 2022-04-12 | 北京北大千方科技有限公司 | 一种收费站拥堵时的快速通行系统和方法 |
| CN114510997A (zh) * | 2021-12-30 | 2022-05-17 | 北京掌行通信息技术有限公司 | 收费站通行模式识别方法和系统 |
-
2022
- 2022-06-08 CN CN202210642394.5A patent/CN115223359A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108959821A (zh) * | 2018-08-01 | 2018-12-07 | 河南城建学院 | 一种高速公路收费站可变向车道通行控制方法 |
| CN109523806A (zh) * | 2018-10-31 | 2019-03-26 | 上海市政工程设计研究总院（集团）有限公司 | 一种高速公路收费站车辆排队预警系统 |
| CN112766662A (zh) * | 2020-12-31 | 2021-05-07 | 北京掌行通信息技术有限公司 | 确定收费站运营能力的方法、装置、电子设备及介质 |
| CN112785735A (zh) * | 2020-12-31 | 2021-05-11 | 北京掌行通信息技术有限公司 | 一种基于收费数据的高速公路路况的监测方法及装置 |
| CN114333089A (zh) * | 2021-12-22 | 2022-04-12 | 北京北大千方科技有限公司 | 一种收费站拥堵时的快速通行系统和方法 |
| CN114510997A (zh) * | 2021-12-30 | 2022-05-17 | 北京掌行通信息技术有限公司 | 收费站通行模式识别方法和系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116432803A (zh) * | 2022-12-13 | 2023-07-14 | 陕西高速电子工程有限公司 | 一种基于物联网的通信数据智能预警系统及方法 |
| CN116432803B (zh) * | 2022-12-13 | 2023-09-15 | 陕西高速电子工程有限公司 | 一种基于物联网的通信数据智能预警系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200211374A1 (en) | System, method, and apparatus for analyzing a traffic road condition | |
| Nagy et al. | Survey on traffic prediction in smart cities | |
| Li et al. | Identifying important variables for predicting travel time of freeway with non-recurrent congestion with neural networks | |
| US20130222158A1 (en) | Electric vehicle (ev) charging infrastructure with charging stations optimumally sited | |
| WO2020148761A1 (en) | System and method for detection and quantification of irregular traffic congestion | |
| Xinghao et al. | Predicting bus real-time travel time basing on both GPS and RFID data | |
| CN109979197B (zh) | 基于融合数据的高速公路交通时间地图构建方法、系统 | |
| CN116431923B (zh) | 一种针对城市道路的交通出行预测方法、设备及介质 | |
| CN116229594A (zh) | 一种基于高速公路的车辆收费监测方法、设备及介质 | |
| Yan et al. | Performance evaluation of bus routes using automatic vehicle location data | |
| CN115223359A (zh) | 一种对收费站预警的方法、装置、电子设备和存储介质 | |
| Hössinger et al. | Development of a real-time model of the occupancy of short-term parking zones | |
| Evans et al. | Evolution and future of urban road incident detection algorithms | |
| Růžička et al. | Big data application for urban transport solutions | |
| CN108269411B (zh) | 一种高速公路etc车流量预测方法 | |
| Tišljarić et al. | Analysis of intersection queue lengths and level of service using GPS data | |
| Snowdon et al. | Spatiotemporal traffic volume estimation model based on GPS samples | |
| Salanova Grau et al. | Multisource data framework for road traffic state estimation | |
| Weng et al. | Freeway travel speed calculation model based on ETC transaction data | |
| Vega | Optimal sensor placement and density estimation in large-scale traffic networks | |
| CN106887138B (zh) | 一种堵车蔓延态势侦测方法与系统 | |
| Cao et al. | Improved DTTE method for route-level travel time estimation on freeways | |
| Ghavidel et al. | A Random Effects Model for Travel-Time Variability Analysis Using Wi-Fi and Bluetooth Data | |
| Shang et al. | Freeway traffic state estimation method based on multisource data | |
| Liu et al. | Evaluating the quality of high-resolution private sector data for providing nonfreeway travel times |
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 |