CN115691170B - 一种基于号牌数据的城市干线道路子区划分方法 - Google Patents
一种基于号牌数据的城市干线道路子区划分方法 Download PDFInfo
- Publication number
- CN115691170B CN115691170B CN202211368855.0A CN202211368855A CN115691170B CN 115691170 B CN115691170 B CN 115691170B CN 202211368855 A CN202211368855 A CN 202211368855A CN 115691170 B CN115691170 B CN 115691170B
- Authority
- CN
- China
- Prior art keywords
- trunk
- intersection
- division
- traffic
- subarea
- 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
Classifications
-
- 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
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种基于号牌数据的城市干线道路子区划分方法。该方法包括:获取目标干线的交叉口的号牌数据,以及卡口式电子警察设备与干线道路交叉口关联表,并构建目标干线的干线交通OD流矩阵,进而利用干线道路协调控制距离原则,获取目标干线的干线道路初始划分结果,再根据干线交通OD流矩阵,优化干线道路初始划分结果,得到多个备选子区划分方案,并根据干线交通车辆运行特征和信号协调控制特性,构建目标干线的干线道路子区划分的评价指标,从而根据干线道路子区划分评价指标,对各备选子区划分方案进行评价,确定目标干线的最优子区划分方案,提高干城市干线道路子区划分结果对于干线信号协调控制与优化的作用。
Description
技术领域
本申请涉及道路交通技术领域,特别是涉及一种基于号牌数据的城市干线道路子区划分方法。
背景技术
现有的进行城市干线道路子区划分的方法主要有:(1)关联度划分法,(2)信号联合优化划分法。其中,关联度划分法主要依据是交叉口之间的关联度大小,当其值超过某一设定阈值时,两个交叉口划分到同一子区,但由于此类方法仅考虑相邻交叉口之间的交通特性,如路段交通流量、路段长度等,会产生具有局部最优干线子区的划分结果;信号联合优化划分法主要分为两类,第一类主要是先根据关联度等指标进行初步的干线子区划分,然后利用最大带宽优化算法优化各子区带宽并微调子区划分结果,第二类主要是对子区交叉口数量进行约束,并与最大带宽优化算法构建线性规划模型进行求解同时得到子区划分结果及其最大协调带宽,该两类方法主要还是依据两相邻交叉口之间的交通特性,如距离、车流量以及周期长度等,来进行协调带宽和子区划分的分析和优化,虽然在一定程度上最优化了信号协调控制,但是局部最优子区仍然无法避免。现有城市干线道路子区划分方法无法充分挖掘干线道路交叉口之间的交通出行特性,城市干线道路子区划分结果对于干线信号协调控制与优化的作用较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够能充分挖掘干线道路交叉口之间的交通出行特性,提高干城市干线道路子区划分结果对于干线信号协调控制与优化的作用的基于号牌数据的城市干线道路子区划分方法。
一种基于号牌数据的城市干线道路子区划分方法,其特征在于,所述方法包括:
获取目标干线的交叉口的号牌数据,以及卡口式电子警察设备与干线道路交叉口关联表,并构建所述目标干线的干线交通OD流矩阵;
利用干线道路协调控制距离原则,获取所述目标干线的干线道路初始划分结果;
根据所述干线交通OD流矩阵,优化所述干线道路初始划分结果,得到多个备选子区划分方案;
根据干线交通车辆运行特征和信号协调控制特性,构建所述目标干线的干线道路子区划分的评价指标;
根据所述干线道路子区划分评价指标,对各所述备选子区划分方案进行评价,确定所述目标干线的最优子区划分方案。
在其中一个实施例中,所述获取目标干线的交叉口的号牌数据,以及卡口式电子警察设备与干线道路交叉口关联表,并构建所述目标干线的干线交通OD流矩阵,包括:
获取目标干线的交叉口的号牌数据,以及卡口式电子警察设备与干线道路交叉口关联表,其中,所述号牌数据包括:卡口式电子警察设备的设备编号、采集日期、采集时间和车牌号码;
根据所述卡口式电子警察设备与干线道路交叉口关联表,将检测到的车牌号码与交叉口关联,在车牌号码对应的号牌数据中添加车辆经过的交叉口信息,再将号牌数据按照采集日期、采集时间和车牌号码进行排序,使得车辆经过的交叉口信息连续,形成完整的轨迹,通过识别车辆经过的干线交叉口,提取干线车流轨迹;
根据所述目标干线的所有交叉口,按照交叉口上下游关系依次选取所述目标干线上的两个交叉口,组成交叉口对,提取车辆从上游交叉口进入干线,从下游交叉口离开干线的车流轨迹,并统计某一时段T内所有交叉口对之间的车流轨迹数量,构建干线交通OD流矩阵,其中,共需选取It(It-1)次交叉口对,It为所述目标干线的总交叉口数。
在其中一个实施例中,所述根据干线交通车辆运行特征和信号协调控制特性,构建所述目标干线的干线道路子区划分的评价指标,包括:
根据干线交通车辆运行特征,构建最大化指标M1;
最大化指标M1为:
其中,Tj为第j条车流轨迹,Ij为第j车流轨迹经过所述目标干线的交叉口总数,p为子区总个数,为车流轨迹Ti经过第k个子区的交叉口数,N为时段T内的车流轨迹总数量,表示车流轨迹Tj经过的所有子区中,交叉口数最多的子区对应的交叉口数;
根据信号协调控制特性,构建最小化指标M2,最小化指标M2为:
其中,Ik为第k个子区的交叉口数;
统一最大化指标M1和最小化指标M2,构建统一指标M3,统一指标M3为:
在其中一个实施例中,所述利用干线道路协调控制距离原则,获取所述目标干线的干线道路初始划分结果,包括:
统计所述目标干线上各相邻交叉口之间的路段长度;
以预设路段长度为阈值,将所述目标干线划分为多个初始子区,得到干线道路初始划分结果。
在其中一个实施例中,所述根据所述干线交通OD流矩阵,优化所述干线道路初始划分结果,得到多个备选子区划分方案,包括:
步骤1,初始化各初始子区内的交叉口的划分编号,取值为0;
步骤2,根据所述干线交通OD流矩阵,选取OD流最大的交叉口对,若该交叉口对之间的交叉口从未被编号,则为该交叉口对之间的交叉口赋值划分编号,赋值从1开始逐渐增加,并将干线交通OD流矩阵中,该交叉口对中间的交通流设置为0;若该交叉口对之间至少有一个交叉口被赋值了不为0的划分编号,则放弃为该交叉口对之间交叉口赋值划分编号,并将所述干线交通OD流矩阵中,该交叉口对的交通流设置为0;
步骤3,重复步骤2,直至所有的交叉口编号不为0或者所述干线交通OD流矩阵的值全部为0;
步骤4,若存在划分编号为0的交叉口,则将该交叉口的划分编号更改为该交叉口的相邻交叉口中划分编号最大的值;
步骤5,逐步合并不同划分编号的交叉口,合并原则为将划分编号最大的交叉口,其划分编号优化为相邻交叉口中与原划分编号不同且划分编号最大的划分编号,其中,相同划分编号的交叉口为同一子区;
重复步骤5,直至任意一个初始子区中只有一个交叉口编号,其中,优化过程中,每一次优化,生成一个备选子区方案。
在其中一个实施例中,所述根据所述干线道路子区划分评价指标,对各所述备选子区划分方案进行评价,确定所述目标干线的最优子区划分方案,包括:
根据所述干线道路子区划分的评价指标,对所有的备选子区方案进行评价,得到各备选子区方案对应的指标值;
选取指标值最小的划分方案为最终的最优子区划分方案。
上述基于号牌数据的城市干线道路子区划分方法,通过获取目标干线的交叉口的号牌数据,以及卡口式电子警察设备与干线道路交叉口关联表,并构建所述目标干线的干线交通OD流矩阵,进而利用干线道路协调控制距离原则,获取所述目标干线的干线道路初始划分结果,再根据所述干线交通OD流矩阵,优化所述干线道路初始划分结果,得到多个备选子区划分方案,并根据干线交通车辆运行特征和信号协调控制特性,构建所述目标干线的干线道路子区划分的评价指标,从而根据所述干线道路子区划分评价指标,对各所述备选子区划分方案进行评价,确定所述目标干线的最优子区划分方案。由此,可以衡量所有交叉口对之间的关联特征,进而优化所述干线道路初始划分结果,从多个备选子区划分方案中确定所述目标干线的最优子区划分方案,充分挖掘干线道路交叉口之间的交通出行特性,提高干城市干线道路子区划分结果对于干线信号协调控制与优化的作用。
附图说明
图1为一个实施例中基于号牌数据的城市干线道路子区划分方法的流程示意图;
图2为一个实施例中目标干线的最优子区划分方案的部分区域示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种基于号牌数据的城市干线道路子区划分方法,以该方法应用于终端为例进行说明,包括以下步骤:
步骤S220,获取目标干线的交叉口的号牌数据,以及卡口式电子警察设备与干线道路交叉口关联表,并构建目标干线的干线交通OD流矩阵。
其中,号牌数据,可以是位于交叉口各进口道的卡口式电子警察识别采集的过车数据,包括了卡口式电子警察设备的设备编号、采集日期、采集时间、车牌号码、行驶方向、行驶车道、行驶速度等信息。以中国江苏省昆山市的号牌数据为例,中国江苏省昆山市2018年1月28日的部分号牌数据如表1所示:
表1中国江苏省昆山市2018年1月28日的部分的号牌数据
设备编号 | 采集日期 | 采集时间 | 车牌号牌 |
1924 | 20180128 | 2018-01-28 08:10:17 | 苏A2A*** |
85 | 20180128 | 2018-01-28 08:20:27 | 苏A8E*** |
407 | 20180128 | 2018-01-28 08:26:05 | 苏AF1*** |
1025 | 20180128 | 2018-01-28 08:08:49 | 苏AS1*** |
1025 | 20180128 | 2018-01-28 08:19:39 | 苏B27*** |
1025 | 20180128 | 2018-01-28 08:22:19 | 苏B30*** |
16 | 20180128 | 2018-01-28 08:20:04 | 苏B52*** |
1024 | 20180128 | 2018-01-28 08:24:15 | 苏C05*** |
85 | 20180128 | 2018-01-28 08:25:31 | 苏DJ3*** |
1942 | 20180128 | 2018-01-28 08:02:57 | 苏DQ1*** |
其中,目标干线,可以是当前进行城市干线道路子区划分的城市干线道路。
其中,城市干线道路,可以是城市中心区域内承担较大交通流量的高等级地面道路,但不包括高架、环线等连续通行不受信号控制约束的道路。
其中,较大交通流量的高等级地面道路,可以是交通流量大于城市中心区域内的平均交通流量的地面道路。
其中,干线交通OD流矩阵,可以是通过对每两个交叉口之间的干线车流轨迹进行提取,得到所有交叉口对之间的OD流数量,经过汇总得到的矩阵。
其中,卡口式电子警察设备与干线道路交叉口关联表,可以是安装卡口式电子警察设备时,根据卡口式电子警察设备安装的交叉口位置建立的对应静态信息表格;
其中,卡口式电子警察设备与干线道路交叉口关联表,可以是存储在数据库中,可以从数据库中获取。以中国江苏省昆山市的卡口式电子警察设备与干线道路交叉口关联表为例,中国江苏省昆山市的卡口式电子警察设备与干线道路交叉口的部分关联表如表2所示:
表2昆山市的卡口式电子警察设备与干线道路交叉口的部分关联表
交叉口编号 | 进口道1 | 进口道2 | 进口道3 | 进口道4 |
119108 | 1724 | 182 | 1723 | 181 |
121108 | 59 | 60 | 1719 | 58 |
123108 | 91 | 90 | 89 | 88 |
271108 | -1 | 1729 | -1 | 1728 |
803108 | -1 | 444 | -1 | -1 |
101108 | 118 | 117 | 116 | 115 |
113108 | 579 | 578 | -1 | -1 |
269108 | -1 | 581 | -1 | -1 |
其中,-1表示无设备。
在一个示例中,以中国江苏省昆山市的干线交通OD流矩阵为例,中国江苏省昆山市2018年1月28日前进路部分干线交通OD流矩阵如表3所示:
表3昆山市2018年1月28日前进路部分干线交通OD流矩阵
步骤S240,利用干线道路协调控制距离原则,获取目标干线的干线道路初始划分结果。
在一个示例中,以中国江苏省昆山市的干线道路初始划分结果为例,中国江苏省昆山市部分干线道路初始划分结果如表4所示:
表4昆山市部分干线道路初始划分结果
步骤S260,根据干线交通OD流矩阵,优化干线道路初始划分结果,得到多个备选子区划分方案。
步骤S280,根据干线交通车辆运行特征和信号协调控制特性,构建目标干线的干线道路子区划分的评价指标。
其中,干线交通车辆运行特征,可以是目标干线的车辆运行特征,如:车流轨迹等信息。
应理解,结合干线交通车辆运行特征,可以让车辆在目标干线上的运行应尽量保证其轨迹完整,不应被多个子区割裂开来,所有轨迹保持的完整性越高,子区的划分效果越好。
应理解,结合信号协调控制特性,可以使某一个子区内协调的信号交叉口数量和车辆在该子区通过的交叉口数量保持一致,使得车辆能够充分利用该子区的协调控制优势,所有轨迹的子区交叉口差异越小,子区的划分效果越好。
步骤S300,根据干线道路子区划分评价指标,对各备选子区划分方案进行评价,确定目标干线的最优子区划分方案。
其中,子区划分,可以是通过分析城市干线道路关联特性,将选定干线道路划分为若干个交叉口子区,其中每个子区的交叉口数量至少为两个。
在其中一个实施例中,获取目标干线的交叉口的号牌数据,以及卡口式电子警察设备与干线道路交叉口关联表,并构建目标干线的干线交通OD流矩阵,包括:
获取目标干线的交叉口的号牌数据,以及卡口式电子警察设备与干线道路交叉口关联表,其中,号牌数据包括:卡口式电子警察设备的设备编号、采集日期、采集时间和车牌号码;根据卡口式电子警察设备与干线道路交叉口关联表,将检测到的车牌号码与交叉口关联,在车牌号码对应的号牌数据中添加车辆经过的交叉口信息,再将号牌数据按照采集日期、采集时间和车牌号码进行排序,使得车辆经过的交叉口信息连续,形成完整的轨迹,通过识别车辆经过的干线交叉口,提取干线车流轨迹;根据目标干线的所有交叉口,按照交叉口上下游关系依次选取目标干线上的两个交叉口,组成交叉口对,提取车辆从上游交叉口进入干线,从下游交叉口离开干线的车流轨迹,并统计某一时段T内所有交叉口对之间的车流轨迹数量,构建干线交通OD流矩阵,其中,共需选取It(It-1)次交叉口对,It为目标干线的总交叉口数。
其中,干线车流轨迹,可以是车辆在进入和离开城市干线道路时,分别在两个交叉口被卡口式电子警察设备检测到车牌号码,两个交叉口之间在城市干线道路上经过的交叉口,进入和离开交叉口分别被定义为O(Origin,起点)和D(Destination,终点)。
在其中一个实施例中,根据干线交通车辆运行特征和信号协调控制特性,构建目标干线的干线道路子区划分的评价指标,包括:
根据干线交通车辆运行特征,构建最大化指标M1;
最大化指标M1为:
其中,Tj为第j条车流轨迹,Ij为第j车流轨迹经过目标干线的交叉口总数,p为子区总个数,为车流轨迹Tj经过第k个子区的交叉口数,N为时段T内的车流轨迹总数量,/>表示车流轨迹Tj经过的所有子区中,交叉口数最多的子区对应的交叉口数。
应理解,最大化指标M1可以在子区划分时,减少子对干线车流轨迹的分割,从而保证车流轨迹的完整性。最大化指标M1的值越大,子区划分效果越好。
根据信号协调控制特性,构建最小化指标M2,最小化指标M2为:
其中,Ik为第k个子区的交叉口数。
应理解,最小化指标M2可以使车流轨迹在某一子区内的交叉口数量与该子区的交叉口数量之间的差异尽可能小,从而保证车辆运行充分利用子区划分及其信号协调控制,最小化指标M2的值越小,子区划分效果越好。
统一最大化指标M1和最小化指标M2,构建统一指标M3,统一指标M3为:
其中,统一指标M3的值越小,子区划分效果越好。
在其中一个实施例中,利用干线道路协调控制距离原则,获取目标干线的干线道路初始划分结果,包括:统计目标干线上各相邻交叉口之间的路段长度;以预设路段长度为阈值,将目标干线划分为多个初始子区,得到干线道路初始划分结果。
其中,预设路段长度可以根据交通控制规范和手册确定,交通控制规范和手册可以是《The Manual on Uniform Traffic Control Devices》,2009年。
其中,可以是将预设路段长度设置为800m,当两相邻交叉口之间的路段长度超过800m时,不建议对该交叉口对实施信号协调控制。
在其中一个实施例中,根据干线交通OD流矩阵,优化干线道路初始划分结果,得到多个备选子区划分方案,包括:
步骤1,初始化各初始子区内的交叉口的划分编号,取值为0。
步骤2,根据干线交通OD流矩阵,选取OD流最大的交叉口对,若该交叉口对之间的交叉口从未被编号,则为该交叉口对之间的交叉口赋值划分编号,赋值从1开始逐渐增加,并将干线交通OD流矩阵中,该交叉口对中间的交通流设置为0;若该交叉口对之间至少有一个交叉口被赋值了不为0的划分编号,则放弃为该交叉口对之间交叉口赋值划分编号,并将干线交通OD流矩阵中,该交叉口对的交通流设置为0。
步骤3,重复步骤2,直至所有的交叉口编号不为0或者干线交通OD流矩阵的值全部为0。
步骤4,若存在划分编号为0的交叉口,则将该交叉口的更改为该交叉口的相邻交叉口中划分编号最大的值。
其中,子区划分是在城市干线道路的场景下,因此每一个交叉口最多只有两个相邻的交叉口,如某一个子区的划分编号为0的交叉口,其相邻交叉口的划分编号为2和5,则选取划分编号5,将其赋值给划分编号为0的交叉口。
步骤5,逐步合并不同划分编号的交叉口,合并原则为将划分编号最大的交叉口,其划分编号优化为相邻交叉口中与原划分编号不同且划分编号最大的划分编号,其中,相同划分编号的交叉口为同一子区。
重复步骤5,直至任意一个初始子区中只有一个交叉口编号,其中,优化过程中,每一次优化,生成一个备选子区方案。
应理解,通过干线交通OD流矩阵的数值得到两交叉口之间的干线车流轨迹的大小,数值越大代表两交叉口之间的关联性越强。
在一个示例中,以中国江苏省昆山市的部分干线道路的备选子区方案为例,中国江苏省昆山市的部分干线道路的备选子区方案如表5所示:
表5昆山市的部分干线道路的备选子区方案
在其中一个实施例中,根据干线道路子区划分评价指标,对各备选子区划分方案进行评价,确定目标干线的最优子区划分方案,包括:根据干线道路子区划分的评价指标,对所有的备选子区方案进行评价,得到各备选子区方案对应的指标值。选取指标值最小的划分方案为最终的最优子区划分方案。
在一个示例中,以中国江苏省昆山市的干线道路各备选子区方案对应的指标值为例,中国江苏省昆山市部分干线道路的各备选子区方案对应的指标值如表6所示:
表6昆山市部分干线道路各备选子区方案对应的指标值
/>
从表6可以看出,最终的最优子区划分方案为第13优化次数获得的备选子区方案,第13优化次数获得的备选子区方案的统一指标对应的指标值最小,子区中交叉口的划分编号为:1-1-3-3-3-3-3-2-2-5-5-5-5-5-5-4-4-4-4-4,其中,相同划分编号的交叉口为同一子区,即,划分编号为3的交叉口为一个子区,划分编号为2的交叉口为一个子区,划分编号为5的交叉口为一个子区,划分编号为4的交叉口为一个子区,目标干线的最优子区划分方案的部分区域示意图如图2所示。
上述基于号牌数据的城市干线道路子区划分方法,通过获取目标干线的交叉口的号牌数据,以及卡口式电子警察设备与干线道路交叉口关联表,并构建目标干线的干线交通OD流矩阵,进而利用干线道路协调控制距离原则,获取目标干线的干线道路初始划分结果,再根据干线交通OD流矩阵,优化干线道路初始划分结果,得到多个备选子区划分方案,并根据干线交通车辆运行特征和信号协调控制特性,构建目标干线的干线道路子区划分的评价指标,从而根据干线道路子区划分评价指标,对各备选子区划分方案进行评价,确定目标干线的最优子区划分方案。由此,可以衡量所有交叉口对之间的关联特征,进而优化干线道路初始划分结果,从多个备选子区划分方案中确定目标干线的最优子区划分方案,充分挖掘干线道路交叉口之间的交通出行特性,提高干城市干线道路子区划分结果对于干线信号协调控制与优化的作用。
进一步地,上述基于号牌数据的城市干线道路子区划分方法,能够充分利用号牌数据的特性,提取连续车流轨迹衡量相邻和非相邻交叉口之间的关联关系,避免了子区划分结果陷入局部最优的情况,另外也根据子区划分的特性构建了新的评价指标,相比于人工经验确定的阈值法,更加科学有效。根据此方法获取的干线划分结果,不仅能够反映干线车辆运行的情况,也能为后续干线信号协调控制提供了重要的支撑。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (3)
1.一种基于号牌数据的城市干线道路子区划分方法,其特征在于,所述方法包括:
获取目标干线的交叉口的号牌数据,以及卡口式电子警察设备与干线道路交叉口关联表,并构建所述目标干线的干线交通OD流矩阵;
利用干线道路协调控制距离原则,获取所述目标干线的干线道路初始划分结果;
根据所述干线交通OD流矩阵,优化所述干线道路初始划分结果,得到多个备选子区划分方案;
根据干线交通车辆运行特征和信号协调控制特性,构建所述目标干线的干线道路子区划分的评价指标;
根据所述干线道路子区划分评价指标,对各所述备选子区划分方案进行评价,确定所述目标干线的最优子区划分方案;
所述获取目标干线的交叉口的号牌数据,以及卡口式电子警察设备与干线道路交叉口关联表,并构建所述目标干线的干线交通OD流矩阵,包括:
获取目标干线的交叉口的号牌数据,以及卡口式电子警察设备与干线道路交叉口关联表,其中,所述号牌数据包括:卡口式电子警察设备的设备编号、采集日期、采集时间和车牌号码;
根据所述卡口式电子警察设备与干线道路交叉口关联表,将检测到的车牌号码与交叉口关联,在车牌号码对应的号牌数据中添加车辆经过的交叉口信息,再将号牌数据按照采集日期、采集时间和车牌号码进行排序,使得车辆经过的交叉口信息连续,形成完整的轨迹,通过识别车辆经过的干线交叉口,提取干线车流轨迹;
根据所述目标干线的所有交叉口,按照交叉口上下游关系依次选取所述目标干线上的两个交叉口,组成交叉口对,提取车辆从上游交叉口进入干线,从下游交叉口离开干线的车流轨迹,并统计某一时段T内所有交叉口对之间的车流轨迹数量,构建干线交通OD流矩阵,其中,共需选取It(It-1)次交叉口对,It为所述目标干线的总交叉口数;
所述根据干线交通车辆运行特征和信号协调控制特性,构建所述目标干线的干线道路子区划分的评价指标,包括:
根据干线交通车辆运行特征,构建最大化指标M1;
最大化指标M1为:
其中,Tj为第j条车流轨迹,Ij为第j车流轨迹经过所述目标干线的交叉口总数,p为子区总个数,为车流轨迹Tj经过第k个子区的交叉口数,N为时段T内的车流轨迹总数量,/>表示车流轨迹Tj经过的所有子区中,交叉口数最多的子区对应的交叉口数;
根据信号协调控制特性,构建最小化指标M2,最小化指标M2为:
其中,Ik为第k个子区的交叉口数;
统一最大化指标M1和最小化指标M2,构建统一指标M3,统一指标M3为:
所述利用干线道路协调控制距离原则,获取所述目标干线的干线道路初始划分结果,包括:
统计所述目标干线上各相邻交叉口之间的路段长度;
以预设路段长度为阈值,将所述目标干线划分为多个初始子区,得到干线道路初始划分结果。
2.根据权利要求1所述的方法,其特征在于,所述根据所述干线交通OD流矩阵,优化所述干线道路初始划分结果,得到多个备选子区划分方案,包括:
步骤1,初始化各初始子区内的交叉口的划分编号,取值为0;
步骤2,根据所述干线交通OD流矩阵,选取OD流最大的交叉口对,若该交叉口对之间的交叉口从未被编号,则为该交叉口对之间的交叉口赋值划分编号,赋值从1开始逐渐增加,并将干线交通OD流矩阵中,该交叉口对中间的交通流设置为0;若该交叉口对之间至少有一个交叉口被赋值了不为0的划分编号,则放弃为该交叉口对之间交叉口赋值划分编号,并将所述干线交通OD流矩阵中,该交叉口对的交通流设置为0;
步骤3,重复步骤2,直至所有的交叉口编号不为0或者所述干线交通OD流矩阵的值全部为0;
步骤4,若存在划分编号为0的交叉口,则将该交叉口的划分编号更改为该交叉口的相邻交叉口中划分编号最大的值;
步骤5,逐步合并不同划分编号的交叉口,合并原则为将划分编号最大的交叉口,其划分编号优化为相邻交叉口中与原划分编号不同且划分编号最大的划分编号,其中,相同划分编号的交叉口为同一子区;
重复步骤5,直至任意一个初始子区中只有一个交叉口编号,其中,优化过程中,每一次优化,生成一个备选子区方案。
3.根据权利要求1所述的方法,其特征在于,所述根据所述干线道路子区划分评价指标,对各所述备选子区划分方案进行评价,确定所述目标干线的最优子区划分方案,包括:
根据所述干线道路子区划分的评价指标,对所有的备选子区方案进行评价,得到各备选子区方案对应的指标值;
选取指标值最小的划分方案为最终的最优子区划分方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211368855.0A CN115691170B (zh) | 2022-11-03 | 2022-11-03 | 一种基于号牌数据的城市干线道路子区划分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211368855.0A CN115691170B (zh) | 2022-11-03 | 2022-11-03 | 一种基于号牌数据的城市干线道路子区划分方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115691170A CN115691170A (zh) | 2023-02-03 |
CN115691170B true CN115691170B (zh) | 2023-08-29 |
Family
ID=85047694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211368855.0A Active CN115691170B (zh) | 2022-11-03 | 2022-11-03 | 一种基于号牌数据的城市干线道路子区划分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115691170B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116665439B (zh) * | 2023-04-28 | 2024-05-07 | 东南大学 | 基于车牌识别数据的城市路网车流od不确定性估计方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002060189A1 (en) * | 2001-01-25 | 2002-08-01 | Iljin Diamond Co., Ltd. | Image compensation methods and apparatus using correction zones |
CN102024330A (zh) * | 2010-10-26 | 2011-04-20 | 隋亚刚 | 基于高清视频技术的智能交通信号控制系统、方法及设备 |
CN102024331A (zh) * | 2010-10-26 | 2011-04-20 | 隋亚刚 | 可用于智能交通信号控制系统的系统 |
CN106297334A (zh) * | 2016-10-27 | 2017-01-04 | 东南大学 | 绿波协调控制下的干线路段划分方法 |
CN110415523A (zh) * | 2019-08-13 | 2019-11-05 | 东南大学 | 一种基于车辆出行轨迹数据的信号控制子区划分方法 |
CN111814596A (zh) * | 2020-06-20 | 2020-10-23 | 南通大学 | 一种遥感影像与出租车轨迹融合的自动城市功能分区方法 |
CN112801552A (zh) * | 2021-03-25 | 2021-05-14 | 苏州智能交通信息科技股份有限公司 | 基于交通大数据挖掘和智能分析的网约车和巡游车的监管方法 |
CN113345230A (zh) * | 2021-06-02 | 2021-09-03 | 江苏智通交通科技有限公司 | 一种协调干线管控问题研判的优化方法与优化系统 |
CN113593220A (zh) * | 2021-07-02 | 2021-11-02 | 南京泛析交通科技有限公司 | 一种基于宏观基本图的路网承载力估计方法 |
KR102339454B1 (ko) * | 2020-12-09 | 2021-12-15 | 인플랩 주식회사 | 재난대응 교육훈련을 위한 시리어스게임 시스템 |
-
2022
- 2022-11-03 CN CN202211368855.0A patent/CN115691170B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002060189A1 (en) * | 2001-01-25 | 2002-08-01 | Iljin Diamond Co., Ltd. | Image compensation methods and apparatus using correction zones |
CN102024330A (zh) * | 2010-10-26 | 2011-04-20 | 隋亚刚 | 基于高清视频技术的智能交通信号控制系统、方法及设备 |
CN102024331A (zh) * | 2010-10-26 | 2011-04-20 | 隋亚刚 | 可用于智能交通信号控制系统的系统 |
CN106297334A (zh) * | 2016-10-27 | 2017-01-04 | 东南大学 | 绿波协调控制下的干线路段划分方法 |
CN110415523A (zh) * | 2019-08-13 | 2019-11-05 | 东南大学 | 一种基于车辆出行轨迹数据的信号控制子区划分方法 |
CN111814596A (zh) * | 2020-06-20 | 2020-10-23 | 南通大学 | 一种遥感影像与出租车轨迹融合的自动城市功能分区方法 |
KR102339454B1 (ko) * | 2020-12-09 | 2021-12-15 | 인플랩 주식회사 | 재난대응 교육훈련을 위한 시리어스게임 시스템 |
CN112801552A (zh) * | 2021-03-25 | 2021-05-14 | 苏州智能交通信息科技股份有限公司 | 基于交通大数据挖掘和智能分析的网约车和巡游车的监管方法 |
CN113345230A (zh) * | 2021-06-02 | 2021-09-03 | 江苏智通交通科技有限公司 | 一种协调干线管控问题研判的优化方法与优化系统 |
CN113593220A (zh) * | 2021-07-02 | 2021-11-02 | 南京泛析交通科技有限公司 | 一种基于宏观基本图的路网承载力估计方法 |
Non-Patent Citations (1)
Title |
---|
城市交通综合治理现代化――中国城市交通发展论坛2017年第3次研讨会;城市交通(05);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115691170A (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109448370B (zh) | 一种基于车辆轨迹数据的交通控制子区划分方法 | |
CN112820108B (zh) | 一种自学习的路网交通状态分析及预测方法 | |
CN110362557B (zh) | 一种基于机器学习和车牌识别数据的缺失路径修复方法 | |
CN103903441B (zh) | 一种基于半监督学习的道路交通状态判别方法 | |
CN108922174B (zh) | 一种快速路入口匝道周围交叉口群内路径动态分级方法 | |
CN115691170B (zh) | 一种基于号牌数据的城市干线道路子区划分方法 | |
CN110188797B (zh) | 一种基于贝叶斯优化的智能汽车快速测试方法 | |
CN111554105B (zh) | 一种复杂交通路口的智能流量识别与统计方法 | |
CN114023073B (zh) | 一种基于车辆行为分析的高速公路拥堵预测方法 | |
CN108122186B (zh) | 一种基于卡口数据的职住位置估计方法 | |
CN110021161B (zh) | 一种交通流向的预测方法及系统 | |
CN107067727B (zh) | 一种基于模糊knn特征匹配的道路交通服务水平评价方法 | |
CN111192457A (zh) | 一种城市级整体的交通信号控制的方法及装置 | |
CN114463868A (zh) | 面向交通流管控的收费站交通流组合预测方法及系统 | |
CN110827537B (zh) | 一种潮汐车道的设置方法、装置及设备 | |
CN114528646B (zh) | 一种基于在线地图数据的车辆行驶工况构建方法 | |
CN109489679A (zh) | 一种导航路径中的到达时间计算方法 | |
CN109979198B (zh) | 基于大规模浮动车数据的城市快速道路车速离散辨识方法 | |
CN109615865B (zh) | 一种基于od数据增量迭代式估计路段交通流量的方法 | |
CN111951572B (zh) | 一种城市道路交叉口多时段信号控制方案的时段划分优化方法 | |
CN110459067B (zh) | 基于车辆个体的交通绿路信号协调控制评价方法及系统 | |
CN110097757B (zh) | 一种基于深度优先搜索的交叉口群关键路径识别方法 | |
CN115631082B (zh) | 一种基于高速路网拓扑结构的多场景路径还原方法 | |
CN116798223A (zh) | 基于宏观基本图/fcm聚类的子区划分及状态识别方法 | |
CN111260927A (zh) | 一种公路路网流量预测方法 |
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 |