CN115497306A - 一种基于gis数据的速度区间权重计算方法 - Google Patents
一种基于gis数据的速度区间权重计算方法 Download PDFInfo
- Publication number
- CN115497306A CN115497306A CN202211462775.1A CN202211462775A CN115497306A CN 115497306 A CN115497306 A CN 115497306A CN 202211462775 A CN202211462775 A CN 202211462775A CN 115497306 A CN115497306 A CN 115497306A
- Authority
- CN
- China
- Prior art keywords
- road
- speed
- traffic flow
- data
- calculating
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 claims description 34
- 150000001875 compounds Chemical class 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 18
- 238000011835 investigation Methods 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000000556 factor analysis Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 241001420287 Strobilanthes maculata Species 0.000 claims description 4
- 230000033228 biological regulation Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000007417 hierarchical cluster analysis Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims 1
- 238000012827 research and development Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 230000008859 change Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000013028 emission testing Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010200 validation analysis Methods 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于GIS数据的速度区间权重计算方法,包括以下步骤:S1、选取典型城市;S2、对于步骤S1中典型城市的道路交通状况进行分类;S3、对道路交通流数据采集及特征计算;S4、建立多维度交通流模型及验证;S5、基于多维度交通流模型计算城市交通流特征;S6、权重因子计算。本发明有益效果:创新性的引入GIS数据来评估车辆的实际运行情况,并基于视频交通流数据构建了多维度交通流模型,能够客观计算各个速度区间权重因子,使汽车工况更为贴近车辆实际运行状态。综上所述,本专利可以为政府和企业在汽车工况相关领域的政策制定、产品研发提供技术支持。
Description
技术领域
本发明属于交通运输领域,尤其是涉及一种基于GIS数据的速度区间权重计算方法。
背景技术
汽车工况是汽车行业用于车辆能耗测试/排放测试的标准。在工况构建中,低速、中速和高速三种速度区间的权重影响着工况的真实性和准确性。而传统速度区间阈值确认方法主要基于车队采集数据进行计算,采集车队数量与路线规划不合理容易造成权重的偏差。工况权重量化是行业的共性难题。
随着地理信息系统的发展,GIS车辆出行数据凭借着其道路覆盖范围广、实时性强、采集成本低的优势,为利用大数据方法进行工况权重量化提供了良好的基础。但由于采集到的GIS大数据信息只包含车辆速度、位置和时间等基础信息,无法直接获得道路的流量信息,也无法实现车辆小时数(Vehicle Hours Travelled, VHT)、车辆出行距离(VehicleKilometers Travelled, VKT)的计算。
本发明的特点在于利用视频交通流数据并综合考虑多种交通流影响因素,建立了一种多维度交通流模型,提供了一种基于GIS数据的速度区间权重因子计算方法。
发明内容
有鉴于此,本发明旨在提出一种基于GIS数据的速度区间权重计算方法,以解决传统工况权重受车队选择影响较大,本发明利用能够客观反映我国车辆真实行驶情景的GIS交通大数据,建立适用于全国典型城市的交通流模型,提供了一种基于GIS数据的交通流量计算方法,实现全国速度区间权重的准确计算,为工况开发提供数据基础。
为达到上述目的,本发明的技术方案是这样实现的:
一种基于GIS数据的速度区间权重计算方法,包括以下步骤:
S1、选择典型城市;
S2、对于步骤S1中典型城市的道路交通状况进行分类;
S3、针对步骤S2中的各类道路交通状况分别进行道路交通流数据采集及特征计算;
S4、基于步骤S3采集的道路交通流数据建立多维度交通流模型及验证;
S5、基于步骤S4建立的多维度交通流模型计算城市交通车辆出行时间分布特征;
S6、基于步骤S5中的车辆出行时间分布特征计算各速度区间权重因子;
在步骤S1中的选取典型城市包括以下步骤:
A1、统计全国663个城市的指标,指标包括GDP、人口数、人均汽车保有量、城市道路面积、车均道路面积;
A2、对步骤A1中统计的指标进行因子分析,得到指标中的代表性因子;A3、并根据步骤A2中的代表性因子进行层次聚类分析,将城市划分为不同类别;
A4、依据车辆保有量比例,从步骤A3中的各类城市中选取典型城市。
进一步的,在步骤S3中的道路交通流数据采集及特征计算包括以下步骤:
B1、对每类道路交通状况中的典型城市调研道路进行选择;
B2、对步骤B1中的典型城市调研道路进行交通流数据采集,得到每类道路交通状况的道路调研数据;
B3、根据步骤B2的道路调研数据计算每类道路交通状况的道路平均速度、道路流量和道路密度,将每类道路交通状况的道路平均速度、道路流量和道路密度作为每类道路交通状况的道路交通流特征。
进一步的,所述道路平均速度的计算公式为:
进一步的,所述道路密度的计算公式为:
进一步的,在步骤S4中的建立多维度交通流模型及验证包括以下步骤:
C1、对步骤B3中每类道路交通状况的道路交通流特征进行预处理剔除异常数据,按照3:1比例将预处理后的每类道路交通状况的道路交通流特征随机分开,得到每类道路交通状况的训练集数据和测试集数据;训练集数据为速度-密度数据,测试集数据为速度-流量数据。
C2、根据步骤C1中的训练集数据和测试集数据建立多维度交通流模型;
C3、通过测试集数据对步骤C2中建立的多维度交通流模型进行精度验证。
进一步的,在步骤C2中的多维度交通流模型建立包括以下步骤:
C21、根据步骤S2中的每类道路交通状况,分别基于训练集数据进行Underwood、Greenshields、Van Aerde交通流模型拟合,利用最小二乘法选择相关系数R2最优模型;如果该类道路交通状况的相关系数<0.7,则进入步骤C22后再进入步骤C3;否,则直接进入步骤C3;
C22、将进入该步骤的每类道路交通状况的训练集数据根据各道路密度下速度标准差划分为自由流、同步流、阻塞流三部分,分别利用Underwood、Greenshields、Van Aerde交通流模型拟合,建立多维度交通流模型。
进一步的,在步骤S5中的计算城市交通流特征包括以下步骤:
D1、利用道路平均速度合理阈值公式剔除GIS道路异常数据,判断处理后的GIS道路数据的道路速度缺失率是否小于30%,是,则利用ARIMA模型进行道路速度补充,并进入步骤D2;否,则速度缺失率大于30%,对该GIS道路数据不做处理,并进入步骤D2;
D2、计算各个道路平均车道数、道路长度,利用道路id与道路运行速度相匹配,得到GIS道路-速度数据库;
D3、利用多维度交通流模型对步骤D2中GIS道路-速度数据库进行计算,得到全路网所有道路不同时刻流量和VHT。
进一步的,所述道路平均速度合理阈值公式为:
进一步的,所述道路平均车道数的计算公式为:
进一步的,在步骤S6中的各速度区间权重因子计算,包括以下步骤:
E1、按照速度区间划分阈值,分别划分低速区间、中速区间和高速区间;
E2、通过权重因子计算公式计算低速区间、中速区间和高速区间的累计车辆小时数,获得各城市各速度区间权重因子;
权重因子计算公式为:
相对于现有技术,本发明所述的一种基于GIS数据的速度区间权重计算方法具有以下优势:
本发明所述的一种基于GIS数据的速度区间权重计算方法,创新性的引入GIS数据来评估车辆的实际运行情况,并基于视频交通流数据构建了多维度交通流模型,能够客观计算各个速度区间权重因子,使汽车工况更为贴近车辆实际运行状态。综上所述,本专利可以为政府和企业在汽车工况相关领域的政策制定、产品研发提供技术支持。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例所述的速度区间权重因子获取细节流程示意图;
图2为本发明实施例所述的交通流模型选取示意图;
图3为本发明实施例所述的各等级道路交通流量示意图;
图4为本发明实施例所述的各等级道路区间速度-VHT分布示意图;
图5为本发明实施例所述的方法整体流程示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以通过具体情况理解上述术语在本发明中的具体含义。
名词解释:
主成分法:是指因素分析的一种。用少数重要的主成分经标准化后作为公共因素。因素分析早期将主成分模型与公共因素模型区别看待,1967年哈门提出公共因素模型的主成分估计。主成分法是主轴因素法的特例。
下面将参考附图并结合实施例来详细说明本发明。
以下结合附图,对发明方法做进一步详细说明,图1为基于GIS数据的速度区间权重计算的细节流程,图5为基于GIS数据的速度区间权重计算的整体流程。
一种基于GIS数据的速度区间权重计算方法,包括以下步骤:
S1、选择典型城市;
S2、对于步骤S1中典型城市的道路交通状况进行分类;
S3、针对步骤S2中的各类道路交通状况分别进行道路交通流数据采集及特征计算;
S4、基于步骤S3采集的道路交通流数据建立多维度交通流模型及验证;
S5、基于步骤S4建立的多维度交通流模型计算城市交通车辆出行时间分布特征;
S6、基于步骤S5中的车辆出行时间分布特征计算各速度区间权重因子。
本发明创新性的引入GIS数据来评估车辆的实际运行情况,并基于视频交通流数据构建了多维度交通流模型,能够客观计算各个速度区间权重因子,使汽车工况更为贴近车辆实际运行状态。综上所述,本专利可以为政府和企业在汽车工况相关领域的政策制定、产品研发提供技术支持。
在本发明一种优选的实施方式中,在步骤S1中的选取典型城市包括以下步骤:
A1、统计全国663个城市的指标,指标包括GDP、人口数、人均汽车保有量、城市道路面积、车均道路面积;
A2、对步骤A1中统计的指标进行因子分析,得到指标中的代表性因子;A3、并根据步骤A2中的代表性因子进行层次聚类分析,将城市划分为不同类别;
A4、依据车辆保有量比例,从步骤A3中的各类城市中选取典型城市。
在本实施例里,1.城市选择:
统计全国除港澳台外共663个城市GDP、人均汽车保有量、车均道路面积、城市道路面积等10项指标,对10项指标进行因子分析,计算10项指标相关系数矩阵和KMO检验。计算结果表明,变量间相关系数普遍较高,可以做因子分析。
利用主成分法计算因子载荷矩阵,根据以下两条规则来提取公因子:(1)方差(特征值)大于0的因子;(2)公因子累积方差贡献率达到85%。最终提取得到2个公因子。
旋转因子载荷矩阵,可以发现对于公因子1,常住人口、GDP、年末城市道路面积等变量因子载荷明显较高。对于公因子2,人均汽车保有量、车均道路面积等变量因子载荷明显高。公因子1反映GDP、车、路的规模,因子2反映人均车辆保有情况和车均道路面积情况,将公因子1定义为城市规模指标,公因子2定义为车路水平指标。
因子分析模型是原始变量为公因子的线性组合,利用回归的方法,得到公因子的表达式,从而计算得到各城市因子得分。根据因子得分对城市进行层次聚类分析,将城市聚为5类。
接下来,进行城市抽样。根据5类聚类结果,结合城市车辆保有量,以及地域和地形特点,最终共选择41个城市。
2.道路交通状况分类
受道路用途差异和出行需求影响,不同道路类型、出行时间及时段的交通流表现出不同的变化规律。根据居民入户调研结果表明,上下班通勤类出行占总出行量占比最高。节假日期间,居民通勤需求降低,交通状况与工作日差异性较大。为保证交通流模型准确性,将道路交通状况按照城市(5类)、道路等级(4种)、工作日/节假日、白天/夜间分为80种类别。
关于交通模型分类类型,本发明提出的包括城市(5类)、道路等级(4种)、工作日/节假日、白天/夜间。
模型计算方面:本发明先进行道路状况分类并确定模型和参数,相同条件下不同道路交通流模型一致,不会随车道数等参数变化而产生变化,然后再统一计算。
在本发明一种优选的实施方式中,在步骤S3中的道路交通流数据采集及特征计算包括以下步骤:
B1、对每类道路交通状况中的典型城市调研道路进行选择;
B2、对步骤B1中的典型城市调研道路进行交通流数据采集,得到每类道路交通状况的道路调研数据;
B3、根据步骤B2的道路调研数据计算每类道路交通状况的道路平均速度、道路流量和道路密度,将每类道路交通状况的道路平均速度、道路流量和道路密度作为每类道路交通状况的道路交通流特征。
在本发明一种优选的实施方式中,所述道路平均速度的计算公式为:
在本发明一种优选的实施方式中,所述道路密度的计算公式为:
在本实施例里,3.交通流数据采集及特征计算
(1)城市调研道路选择:选择具有城市道路服务水平代表性和道路几何特征代表性的道路作为交通流模型调研道路。服务水平是指驾驶员感受公路交通流运行状况的质量指标,通常用平均行驶速度、驾驶自由度和交通延误等指标表征;道路几何条件是通常为车道数、车道宽度和道路长度等指标;
交通流模型调研道路的筛选原则为选择典型城市意义相同,都是因为无法采集全部数据,因此要选择典型道路。
(2)交通流数据采集:拍摄选择道路监控视频,统计所有车辆通过检测区域速度及时间点,其中部分车辆瞬时速度远远超出对应采集道路的限速值,将数值进行限速值的最大化处理。速度阈值计算公式为道路限速值×1.2,作为速度异常阈值,将超过该阈值的速度点赋予阈值。其中,最大化的目的就是为了剔除不合适的数据。
(3)道路交通流特征计算:通过车辆通过检测区域速度及时间点计算得到道路流量、道路平均速度、道路密度等交通流数据,用于后续交通流模型建模。计算目的为了得到道路交通流数据,用于后续交通流建模。
具体的,(1)城市调研道路选择
基于上述城市交通流模型分类,在每类城市中分别选择一个典型城市,在每个典型城市中选择高速公路、快速路、主干路及次支路四个道路等级的道路,各等级道路选择4条道路,采集时间包括工作日和节假日全天。
为保证调研道路具有代表性,根据城市道路的服务水平(道路拥堵指数、平均行驶速度等)、道路几何形状(道路车道数、道路长度等)等指标选取对应道路。在选择调研道路截面时,应选择道路平坦顺直,断面离交叉口有一定距离,减少道路条件、信号灯等对车辆速度影响。
(2)交通流数据采集
在选择的道路截面架设摄像机,拍摄道路监控视频。统计所有车辆通过检测区域速度及时间点。
(3)道路交通流特征计算
道路交通流特征需要统计道路平均速度、道路流量和道路密度。道路流量为单位时间段内通过车辆数。
道路平均速度可由通过该区域路段的车辆速进行计算,计算公式如下所示:
其中部分车辆瞬时速度远远超出道路的限速值,将数值进行限速值的最大化处理。速度阈值计算公式为道路限速值×1.2,作为速度异常阈值,将超过该阈值的速度点赋予阈值。
道路密度是多维度交通流模型中的描述道路状态的重要参数。计算公式如下所示。
道路交通流特征计算结果如表1所示。
表1 道路交通流特征
在本发明一种优选的实施方式中,在步骤S4中的建立多维度交通流模型及验证包括以下步骤:
C1、对步骤B3中每类道路交通状况的道路交通流特征进行预处理剔除异常数据,按照3:1比例将预处理后的每类道路交通状况的道路交通流特征随机分开,得到每类道路交通状况的训练集数据和测试集数据;其中训练集数据为速度-密度数据,测试集数据为速度-流量数据。
C2、根据步骤C1中的训练集数据和测试集数据建立多维度交通流模型;
C3、通过测试集数据对步骤C2中建立的多维度交通流模型进行精度验证。
在本发明一种优选的实施方式中,在步骤C2中的多维度交通流模型建立包括以下步骤:
C21、根据步骤S2中的每类道路交通状况,分别基于训练集数据进行Underwood、Greenshields、Van Aerde交通流模型拟合,利用最小二乘法选择相关系数R2最优模型;如果该类道路交通状况的相关系数<0.7,则进入步骤C22后再进入步骤C3;否,则直接进入步骤C3;
C22、将进入该步骤的每类道路交通状况的训练集数据根据各道路密度下速度标准差划分为自由流、同步流、阻塞流三部分,分别利用Underwood、Greenshields、Van Aerde交通流模型拟合,建立多维度交通流模型。
在本实施例里,4.多维度交通流模型选取及验证
(1)道路交通流特征预处理:针对道路交通流特征异常数据进行剔除,其目的是为了模型能够更好的代表,并将交通流数据集分为训练集和测试集。
(2)多维度交通流模型选取:为了保证模型更加符合实际道路情况准确性,根据步骤2得到的交通状况分类,分别基于训练集速度-密度数据进行Underwood、Greenshields、Van Aerde交通流模型拟合,利用最小二乘法选择相关系数R2最优模型。如部分城市交通状况下道路情况较为复杂,单一道路相关系数R2较低,则根据各密度下速度标准差将速度-密度数据划分为自由流、同步流、阻塞流三部分,分段模型拟合,最终建立覆盖多工况的多维度交通流模型。
(3)多维度交通流模型验证:基于多维度交通流模型利用测试集道路平均速度进行交通流量计算,并和测试集道路流量数据进行对比,将各小时交通量的相对误差和绝对误差作为模型指标,验证多维度交通流模型准确性。
具体的,多维度交通流模型选取及验证
(1)道路交通流特征预处理
数据采集中过程中,采集车辆的速度会受到行人横穿马路、车祸、道路维修等突发情况影响,在分析原始数据时,异常数据的存在会掩盖研究对象的变化规律并对分析结果产生重要的影响,因此需要对原始数据进行预处理以保证原始数据的可靠性。
基于采集的道路交通流特征,以交通流密度做为横轴划分密度区间,在各密度区间内对速度分布绘制箱线图,利用箱线图原则对异常值进行查找、剔除。
将各类城市、各等级道路采集的4条道路交通数据随机选择三条作为训练集,剩余一条作为测试集。
(2)多维度交通流模型选取
根据交通模式的分类,按照模型分类分别进行模型拟合。其中,夜间车辆较少,道路状态主要处于自由流状态,流量与速度相关性较小,车流量主要随时间进行变化,因此选择时间-流量三次项式进行拟合。模型拟合如图2(a)所示。
当道路上的汽车数量增多时,密度增大,车辆间距会变小,车辆间的相互影响使得驾驶人降低车速,因此速度随着密度的增加而减小。基于交通流基本关系式,由密度和车速就可以计算得到流量。
基于城市分类和道路交通分类,分别基于训练集速度-密度数据进行Greenshields、Underwood、Van Aerde 交通流模型拟合,根据相关系数R2选取最优模型,模型拟合如图2(b)(c)(d)所示。
如果部分城市交通状况下道路情况较为复杂,单一模型相关系数R2较低,则对交通流进行分段式拟合。当车流密度较小时,车辆之间相互作用较小,此时道路上速度波动较大,随着密度增加,车辆之间相互作用变大,道路上车辆速度趋于一致。基于对实际交通流数据研究发现,车辆在不同交通状态下,各车流密度下速度标准差有着较大差异。因此将各密度下速度标准差发生较大的变化的点作为临界密度,用于划分交通流状态。将交通流状态划分为自由流、同步流、阻塞流三部分,分段进行交通流模型拟合,选择最优模型,拟合结果如表2所示。
表2 交通流模型拟合结果
基于模型拟合状况进一步建立区分城市类别、道路等级、工作日/节假日和白天/夜间交通状况多维度交通流模型库。
(3)交通流模型验证
基于多维度交通流模型利用测试集速度进行交通流量计算,并和交通流测试集流量数据相对比,将两者各小时交通量相对误差作为模型指标,用于验证交通流模型准确性,相对误差小于10%则认为模型准确。
在本发明一种优选的实施方式中,在步骤S5中的计算城市交通流特征包括以下步骤:
D1、利用道路平均速度合理阈值公式剔除GIS道路异常数据,判断处理后的GIS道路数据的道路速度缺失率是否小于30%,是,则利用ARIMA模型进行道路速度补充,并进入步骤D2;否,则速度缺失率大于30%,对该GIS道路数据不做处理,并进入步骤D2;
D2、计算各个道路平均车道数、道路长度,利用道路id与道路运行速度相匹配,得到GIS道路-速度数据库;
D3、利用多维度交通流模型对步骤D2中GIS道路-速度数据库进行计算,得到全路网所有道路不同时刻流量和VHT。
在本发明一种优选的实施方式中,所述道路平均速度合理阈值公式为:
在本发明一种优选的实施方式中,所述道路平均车道数的计算公式为:
在本实施例里,5.城市交通流特征计算
(1)GIS数据预处理:由于GPS漂移,网络传输等等原因,数据会存在离群、缺失等情况。针对数据过大(过小)的离群值,设置速度阈值予以剔除。计算各条道路GIS数据的缺失率,对缺失率在30%以下速度数据利用差分整合移动平均自回归模型(Auto-RegressiveIntegrated Moving Average model, ARIMA)予以补充。
(2)道路信息匹配:计算各个道路平均车道数、道路长度等道路信息,利用道路id与道路运行速度相匹配,得到GIS道路-速度数据库。
(3)全路网流量计算:利用标定的多维度交通流模型,对GIS道路-速度数据库进行计算,得到全路网所有道路不同时刻流量和VHT。
具体的,城市交通流特征计算
(1)GIS数据预处理
GIS数据作为车辆实际行驶数据,由于GPS漂移、网络传输等原因,数据会存在数据异常、缺失等情况。缺失数据是指因为某些原因没有采集到的空白数据,表现为无数据。造成异常数据主要原因为GPS异常或采集数据由于环境发生突然变化,导致数据不正常地过大或过小。
速度异常值通过对数据设置阈值,来对异常数据进行识别。对于道路平均速度交通速度,其合理阈值公式为:
对道路GIS交通数据进行缺失率计算,如道路速度缺失率小于30%,利用ARIMA模型进行道路速度补充;速度缺失率大于30%,对该道路数据不做处理。
(2)GIS速度信息和道路信息匹配
部分道路存在道路条数发生变化的情况,但GIS道路速度数据为全道路每5分钟道路平均速度,因此为得到全路段流量信息,需计算道路平均车道数,公式如下:
将GIS速度信息和道路信息利用道路名称一一匹配,构建得到GIS道路-速度数据库。
(3)交通流模型计算
将GIS道路-速度数据库作为输入,利用多维度交通流模型库计算得到道路交通流量。计算结果如图3所示。
为计算各个速度区间权重因子,需要统计各个速度区间下车辆出行时间(VHT)。计算公式如下所示:
分别统计各速度区间对应VHT值,得到速度-VHT分布,结果如图4所示。
在本发明一种优选的实施方式中,在步骤S6中的各速度区间权重因子计算,包括以下步骤:
E1、按照速度区间划分阈值,分别划分低速区间、中速区间和高速区间;
E2、通过权重因子计算公式计算低速区间、中速区间和高速区间的累计车辆小时数,获得各城市各速度区间权重因子;
权重因子计算公式为:
在本实施例里,6.权重因子计算
按照速度区间划分阈值,分别划分低速区间、中速区间和高速区间,进而计算低速区间、中速区间和高速区间的累计车辆小时数,最终获得各城市各速度区间权重因子。
以各个城市不同速度区间的累计车辆小时数除以各速度区间总的车辆小时数,便可以得到全国各速度区间的权重。计算公式如下所示:
表3速度区间权重因子
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于GIS数据的速度区间权重计算方法,其特征在于:包括以下步骤:
S1、选择典型城市;
S2、对于步骤S1中典型城市的道路交通状况进行分类;
S3、针对步骤S2中的各类道路交通状况分别进行道路交通流数据采集及特征计算;
S4、基于步骤S3采集的道路交通流数据建立多维度交通流模型及验证;
S5、基于步骤S4建立的多维度交通流模型计算城市交通车辆出行时间分布特征;
S6、基于步骤S5中的车辆出行时间分布特征计算各速度区间权重因子;
在步骤S1中的选取典型城市包括以下步骤:
A1、统计全国663个城市的指标,指标包括GDP、人口数、人均汽车保有量、城市道路面积、车均道路面积;
A2、对步骤A1中统计的指标进行因子分析,得到指标中的代表性因子;A3、并根据步骤A2中的代表性因子进行层次聚类分析,将城市划分为不同类别;
A4、依据车辆保有量比例,从步骤A3中的各类城市中选取典型城市。
2.根据权利要求1所述的一种基于GIS数据的速度区间权重计算方法,其特征在于:在步骤S3中的道路交通流数据采集及特征计算包括以下步骤:
B1、对每类道路交通状况中的典型城市调研道路进行选择;
B2、对步骤B1中的典型城市调研道路进行交通流数据采集,得到每类道路交通状况的道路调研数据;
B3、根据步骤B2的道路调研数据计算每类道路交通状况的道路平均速度、道路流量和道路密度,将每类道路交通状况的道路平均速度、道路流量和道路密度作为每类道路交通状况的道路交通流特征。
5.根据权利要求2所述的一种基于GIS数据的速度区间权重计算方法,其特征在于:在步骤S4中的建立多维度交通流模型及验证包括以下步骤:
C1、对步骤B3中每类道路交通状况的道路交通流特征进行预处理,得到每类道路交通状况的训练集数据和测试集数据;
C2、根据步骤C1中的训练集数据和测试集数据建立多维度交通流模型;
C3、通过测试集数据对步骤C2中建立的多维度交通流模型进行精度验证。
6.根据权利要求5所述的一种基于GIS数据的速度区间权重计算方法,其特征在于:在步骤C2中的多维度交通流模型建立包括以下步骤:
C21、根据步骤S2中的每类道路交通状况,分别基于训练集数据进行Underwood、Greenshields、Van Aerde交通流模型拟合,利用最小二乘法选择相关系数R2最优模型;如果该类道路交通状况的相关系数<0.7,则进入步骤C22后再进入步骤C3;否,则直接进入步骤C3;
C22、将进入该步骤的每类道路交通状况的训练集数据根据各道路密度下速度标准差划分为自由流、同步流、阻塞流三部分,分别利用Underwood、Greenshields、Van Aerde交通流模型拟合,建立多维度交通流模型。
7.根据权利要求6所述的一种基于GIS数据的速度区间权重计算方法,其特征在于:在步骤S5中的计算城市交通流特征包括以下步骤:
D1、利用道路平均速度合理阈值公式剔除GIS道路异常数据,判断处理后的GIS道路数据的道路速度缺失率是否小于30%,是,则利用ARIMA模型进行道路速度补充,并进入步骤D2;否,则速度缺失率大于30%,对该GIS道路数据不做处理,并进入步骤D2;
D2、计算各个道路平均车道数、道路长度,利用道路id与道路运行速度相匹配,得到GIS道路-速度数据库;
D3、利用多维度交通流模型对步骤D2中GIS道路-速度数据库进行计算,得到全路网所有道路不同时刻流量和VHT。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211462775.1A CN115497306A (zh) | 2022-11-22 | 2022-11-22 | 一种基于gis数据的速度区间权重计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211462775.1A CN115497306A (zh) | 2022-11-22 | 2022-11-22 | 一种基于gis数据的速度区间权重计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115497306A true CN115497306A (zh) | 2022-12-20 |
Family
ID=85115447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211462775.1A Pending CN115497306A (zh) | 2022-11-22 | 2022-11-22 | 一种基于gis数据的速度区间权重计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115497306A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116756205A (zh) * | 2023-05-12 | 2023-09-15 | 北京建筑大学 | 面向行驶周期的细分速度vkt和vht分布构建方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819955A (zh) * | 2012-09-06 | 2012-12-12 | 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 |
CN104778834A (zh) * | 2015-01-23 | 2015-07-15 | 哈尔滨工业大学 | 一种基于车辆gps数据的城市道路交通拥堵判别方法 |
CN107067722A (zh) * | 2017-04-24 | 2017-08-18 | 中国汽车技术研究中心 | 一种新的车辆行驶工况构建方法 |
CN108171975A (zh) * | 2017-12-29 | 2018-06-15 | 吉林大学 | 一种基于路段和交叉口分布的城市汽车运行速度预测方法 |
CN108470444A (zh) * | 2018-03-21 | 2018-08-31 | 特斯联(北京)科技有限公司 | 一种基于遗传算法优化的城市区域交通大数据分析系统与方法 |
CN108492553A (zh) * | 2018-03-12 | 2018-09-04 | 中山大学 | 一种面向实时路网排放评估的车辆活动水平分析方法 |
CN108629974A (zh) * | 2018-05-17 | 2018-10-09 | 电子科技大学 | 顾及城市道路交通网络特征的交通运行指数建立方法 |
CN109932191A (zh) * | 2019-03-15 | 2019-06-25 | 中国汽车技术研究中心有限公司 | 一种实际道路行驶工况库及构建方法 |
CN110009908A (zh) * | 2019-03-27 | 2019-07-12 | 招商局重庆交通科研设计院有限公司 | 基于道路交通管控时间与区域计算的交通道路长度控制方法 |
CN111275983A (zh) * | 2020-02-14 | 2020-06-12 | 北京百度网讯科技有限公司 | 车辆追踪方法、装置、电子设备和计算机可读存储介质 |
CN112562311A (zh) * | 2020-10-21 | 2021-03-26 | 中国汽车技术研究中心有限公司 | 基于gis大数据的工况权重因子获取方法及装置 |
CN113744530A (zh) * | 2021-09-08 | 2021-12-03 | 河南科技大学 | 一种车辆工况的构建方法 |
CN114136312A (zh) * | 2021-11-25 | 2022-03-04 | 中汽研汽车检验中心(天津)有限公司 | 一种坡度速度组合工况开发装置及开发方法 |
CN114791975A (zh) * | 2021-01-25 | 2022-07-26 | 中国科学院计算技术研究所临沂分所(临沂中科人工智能创新研究院) | 一种可跨平台的ai模型推荐系统及方法 |
CN114923711A (zh) * | 2022-05-31 | 2022-08-19 | 东风汽车集团股份有限公司 | Rde模拟测试方法、装置、设备及可读存储介质 |
CN115293585A (zh) * | 2022-08-09 | 2022-11-04 | 广东旭诚科技有限公司 | 一种基于gis-t搭建路网机动车动态排放清单的方法 |
-
2022
- 2022-11-22 CN CN202211462775.1A patent/CN115497306A/zh active Pending
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819955A (zh) * | 2012-09-06 | 2012-12-12 | 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 |
CN104778834A (zh) * | 2015-01-23 | 2015-07-15 | 哈尔滨工业大学 | 一种基于车辆gps数据的城市道路交通拥堵判别方法 |
CN107067722A (zh) * | 2017-04-24 | 2017-08-18 | 中国汽车技术研究中心 | 一种新的车辆行驶工况构建方法 |
CN108171975A (zh) * | 2017-12-29 | 2018-06-15 | 吉林大学 | 一种基于路段和交叉口分布的城市汽车运行速度预测方法 |
CN108492553A (zh) * | 2018-03-12 | 2018-09-04 | 中山大学 | 一种面向实时路网排放评估的车辆活动水平分析方法 |
CN108470444A (zh) * | 2018-03-21 | 2018-08-31 | 特斯联(北京)科技有限公司 | 一种基于遗传算法优化的城市区域交通大数据分析系统与方法 |
CN108629974A (zh) * | 2018-05-17 | 2018-10-09 | 电子科技大学 | 顾及城市道路交通网络特征的交通运行指数建立方法 |
WO2020187100A1 (zh) * | 2019-03-15 | 2020-09-24 | 中国汽车技术研究中心有限公司 | 一种实际道路行驶工况库及构建方法 |
CN109932191A (zh) * | 2019-03-15 | 2019-06-25 | 中国汽车技术研究中心有限公司 | 一种实际道路行驶工况库及构建方法 |
CN110009908A (zh) * | 2019-03-27 | 2019-07-12 | 招商局重庆交通科研设计院有限公司 | 基于道路交通管控时间与区域计算的交通道路长度控制方法 |
CN111275983A (zh) * | 2020-02-14 | 2020-06-12 | 北京百度网讯科技有限公司 | 车辆追踪方法、装置、电子设备和计算机可读存储介质 |
CN112562311A (zh) * | 2020-10-21 | 2021-03-26 | 中国汽车技术研究中心有限公司 | 基于gis大数据的工况权重因子获取方法及装置 |
CN114791975A (zh) * | 2021-01-25 | 2022-07-26 | 中国科学院计算技术研究所临沂分所(临沂中科人工智能创新研究院) | 一种可跨平台的ai模型推荐系统及方法 |
CN113744530A (zh) * | 2021-09-08 | 2021-12-03 | 河南科技大学 | 一种车辆工况的构建方法 |
CN114136312A (zh) * | 2021-11-25 | 2022-03-04 | 中汽研汽车检验中心(天津)有限公司 | 一种坡度速度组合工况开发装置及开发方法 |
CN114923711A (zh) * | 2022-05-31 | 2022-08-19 | 东风汽车集团股份有限公司 | Rde模拟测试方法、装置、设备及可读存储介质 |
CN115293585A (zh) * | 2022-08-09 | 2022-11-04 | 广东旭诚科技有限公司 | 一种基于gis-t搭建路网机动车动态排放清单的方法 |
Non-Patent Citations (3)
Title |
---|
刘昱: "中国乘用车工况构建", 《交通运输系统工程与信息》 * |
尹月华等: "基于GIS的北京市道路交通流特性研究", 《公路工程》 * |
陆化普 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116756205A (zh) * | 2023-05-12 | 2023-09-15 | 北京建筑大学 | 面向行驶周期的细分速度vkt和vht分布构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107067722B (zh) | 一种车辆行驶工况构建方法 | |
CN104809878B (zh) | 利用公交车gps数据检测城市道路交通异常状态的方法 | |
CN109147330B (zh) | 一种拥堵识别方法及装置 | |
CN111310786B (zh) | 基于随机森林分类器的交通检测器异常诊断方法及装置 | |
CN110276953A (zh) | 基于北斗定位系统的车辆违规行驶风险分析方法 | |
CN110363985B (zh) | 一种交通数据分析方法、装置、存储介质及设备 | |
CN110807919A (zh) | 基于过车数据的城市路网交通运行态势评价方法 | |
CN111242484B (zh) | 基于转移概率的车辆风险综合评价方法 | |
CN112053558A (zh) | 一种交通拥堵状态识别方法及装置和设备 | |
CN109191861B (zh) | 一种基于视频检测器的高速公路逃费车辆异常行为检测系统及方法 | |
CN114783183A (zh) | 一种基于交通态势算法的监控方法与系统 | |
CN105355049A (zh) | 一种基于宏观基本图的高速公路运行状态评价方法 | |
CN102087789B (zh) | 基于交通状态参数的交通状态判别系统和方法 | |
CN115691120A (zh) | 一种基于高速公路流水数据的拥堵识别方法及系统 | |
CN114819305B (zh) | 一种基于碳排放度量尺度下的路径规划方法 | |
CN106056903A (zh) | 基于gps数据的道路拥塞区域的检测方法 | |
CN112435463A (zh) | 一种基于道路物联网监测的车型与车重分类方法 | |
Biswas et al. | Assessment of level-of-service on urban arterials: a case study in Kolkata metropolis | |
CN109598931A (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 | |
CN111080158A (zh) | 一种基于复合权重的城市路口通行危险指数评价方法 | |
CN115497306A (zh) | 一种基于gis数据的速度区间权重计算方法 | |
CN111127887B (zh) | 一种基于实时交通状态驱动的信号控制优化系统及方法 | |
CN113095387B (zh) | 基于联网车载adas的道路风险识别方法 | |
CN114023065A (zh) | 一种利用视频解析数据智能诊断路口服务等级的算法 | |
CN114757447B (zh) | 一种多模型混合的客运枢纽站客流量预测方法及系统 |
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 |