CN116257797A - 一种基于高斯混合模型的机动车单次出行轨迹辨识方法 - Google Patents

一种基于高斯混合模型的机动车单次出行轨迹辨识方法 Download PDF

Info

Publication number
CN116257797A
CN116257797A CN202211571204.1A CN202211571204A CN116257797A CN 116257797 A CN116257797 A CN 116257797A CN 202211571204 A CN202211571204 A CN 202211571204A CN 116257797 A CN116257797 A CN 116257797A
Authority
CN
China
Prior art keywords
vehicle
track
travel
model
intersection
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
Application number
CN202211571204.1A
Other languages
English (en)
Inventor
张亚伦
王振飞
周伟
曾旭阳
周俊
陈达
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.)
Jiangsu Zhonglu Transportation Development Co ltd
Original Assignee
Jiangsu Zhonglu Transportation Development Co ltd
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 Jiangsu Zhonglu Transportation Development Co ltd filed Critical Jiangsu Zhonglu Transportation Development Co ltd
Priority to CN202211571204.1A priority Critical patent/CN116257797A/zh
Publication of CN116257797A publication Critical patent/CN116257797A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • 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

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于高斯混合模型的机动车单次出行轨迹辨识方法，属于城市道路交通流量检测技术领域，一种基于高斯混合模型的机动车单次出行轨迹辨识方法，采用贝叶斯信息准则确定模型选择，利用期望最大化算法对模型参数进行求解；在高斯混合分布最优拟合基础上，考虑城市道路间断流行程时间分布的双峰特性，选择高斯分量1和高斯分量2的线性组合形式表征有向交叉口OD对的行程时间分布，基于
Figure 825658DEST_PATH_IMAGE001
原则确定各有向交叉口OD对路径出行行程完成时间决策边界；通过比较连续轨迹点对间的过车记录时间差与出行行程完成时间决策边界，判断车辆出行行程完成状态，进而对机动车单次出行轨迹进行辨识，以实现出行者避开拥堵路段，提升路况整体的出行通行效率。

Description

一种基于高斯混合模型的机动车单次出行轨迹辨识方法
技术领域
本发明涉及一种基于高斯混合模型的机动车单次出行轨迹辨识方法，具体是一种基于高斯混合模型的机动车单次出行轨迹辨识方法。
背景技术
单个车辆出行轨迹是进行路网交通分析的基本组成单元，对于获取路径流信息、分析关联交叉口间路径流运行规律具有重要作用。而实际路网中车辆由于不同的出行目的一天内通常会存在多次出行行为， 通过对车辆单次出行轨迹的可靠辨识，可以将原始轨迹准确划分为多个出行段轨迹，进而获得城市路网交叉口间的交通运行特征信息。
现有的车辆出行行程完成状态判别方法主要有：（1）行程时间阈值法，利用车辆号牌数据获取相邻卡口对所有车辆的单车行程时间并升序排列，取两倍前80%车辆通过相邻卡口对的时间差作为阈值或将95百分位的最大行程时间作为阈值，进行车辆单次出行轨迹辨识。但该方法对行程时间波动性的考虑较为粗放，忽略了因城市路网结构、交叉口延误等因素导致的行程时间间断流特性。（2）速度阈值法，通过车辆号牌数据提取出行链相邻卡口点的速度，结合交叉口邻接矩阵获取最短行驶路径的速度上下限阈值，通过比较速度对车辆单次出行轨迹进行辨识。但该方法复杂度较高，在判别过程中损失了较多的数据信息。
现有技术的缺点在于：（1）利用统计时间窗量化行程时间波动性的方法较为粗放，没有考虑现实路网场景中受信号控制延误和交通状况复杂性影响而使行程时间呈现与连续流不同的分布特征；（2）直接使用行程时间阈值或速度阈值对车辆单次出行轨迹进行辨识，对数据的处理过于简单，没有充分利用现实交通数据对车辆单次出行轨迹进行辨识。
发明内容
发明目的：一种基于高斯混合模型的机动车单次出行轨迹辨识方法，以解决现有技术存在的上述问题。
技术方案：一种基于高斯混合模型的机动车单次出行轨迹辨识方法，包括如下步骤：
S1、获取车辆号牌数据和路网静态信息，将卡口设备与路网静态信息进行空间匹配，实现车辆身份与位置服务数据时空汇集，获取不同身份ID信息的车辆轨迹中每一交叉口OD对路径行程时间；
S2、根据时空汇集的车辆身份与位置服务数据，利用高斯混合模型对每一有向交叉口OD对车辆路径行程时间概率分布进行建模，并采用期望最大化（EM）算法对高斯混合模型参数进行求解，引入模型复杂度的惩罚项避免模型过拟合问题出现；
S3、根据有向交叉口OD对行程时间概率分布，考虑城市道路间断流行程时间分布的双峰特性，通过高斯混合分布最优拟合选择高斯分量1和高斯分量2的线性组合形式表征有向交叉口OD对的行程时间分布，基于
Figure 355130DEST_PATH_IMAGE001
原则确定有向交叉口OD对路径出行行程完成时间决策边界，对车辆出行行程完成状态进行判别。/>
在进一步实施例中，所述S1中不同身份ID信息的车辆轨迹中每一交叉口OD对路径行程时间获取进一步为；
S1.1、获取卡口式车辆号牌识别设备采集的车辆号牌数据，主要用到的数据字段包括进口道编号、设备编号、车道编号、日期、检测时间、车牌号牌等，此外还要获取卡口设备静态信息和交叉口静态信息等路网静态信息；
S1.2、通过匹配车辆唯一身份ID“车辆牌照”，获取所有有效识别到该车辆号牌的设备编号，并按号牌识别检测记录的时间轴顺序进行排列，即获得当前分析时段，按时间轴顺序排列的车辆所经过的号牌识别设备编号为轨迹点组成的轨迹序列；基于卡口设备与路网静态信息空间匹配关系，获得车辆经过的交叉口编号（进口道编号及邻接路段编号）序列，实现车辆身份与位置服务数据时空汇集；
S1.3、根据车辆身份与位置服务数据，以位置点为节点，时间序列为邻接信息所形成的有向拓扑即为车辆在研究路网上的运行轨迹，根据车辆出行轨迹获取每一交叉口OD对路径行程时间
Figure 349631DEST_PATH_IMAGE002
：
Figure 756341DEST_PATH_IMAGE003
式中，
Figure 723160DEST_PATH_IMAGE004
为车辆身份与位置服务数据集中车辆序号/>
Figure 494807DEST_PATH_IMAGE005
；/>
Figure 38921DEST_PATH_IMAGE006
为车辆出行轨迹中轨迹点序号/>
Figure 187006DEST_PATH_IMAGE007
；/>
Figure 742752DEST_PATH_IMAGE008
为车辆出行轨迹中第/>
Figure 278775DEST_PATH_IMAGE006
个轨迹点所在交叉口编号；/>
Figure 982289DEST_PATH_IMAGE009
为第/>
Figure 606169DEST_PATH_IMAGE010
辆车到达其出行轨迹中第/>
Figure 344317DEST_PATH_IMAGE006
个轨迹点对应交叉口/>
Figure 287128DEST_PATH_IMAGE008
过车记录时间；/>
Figure 415621DEST_PATH_IMAGE002
为第/>
Figure 905508DEST_PATH_IMAGE010
辆车从轨迹点/>
Figure 560480DEST_PATH_IMAGE006
对应的交叉口/>
Figure 110410DEST_PATH_IMAGE008
到达轨迹点/>
Figure 726199DEST_PATH_IMAGE011
对应的交叉口/>
Figure 82094DEST_PATH_IMAGE012
所用的行程时间。
在进一步实施例中，所述S2进一步为；
S2.1、以每一有向交叉口OD对
Figure 529256DEST_PATH_IMAGE013
车辆路径行程时间为随机变量/>
Figure 187771DEST_PATH_IMAGE014
（可简写为/>
Figure 353173DEST_PATH_IMAGE015
），构建基于高斯混合模型的有向OD对间车辆路径行程时间概率分布模型：
Figure 512759DEST_PATH_IMAGE016
式中，
Figure 752110DEST_PATH_IMAGE017
为有向交叉口OD对车辆路径行程时间；/>
Figure 643843DEST_PATH_IMAGE018
为/>
Figure 860323DEST_PATH_IMAGE017
的概率密度分布函数；
Figure 230124DEST_PATH_IMAGE019
为混合系数，即每个高斯分量的权重/>
Figure 589561DEST_PATH_IMAGE020
，/>
Figure 652195DEST_PATH_IMAGE021
；/>
Figure 854507DEST_PATH_IMAGE022
为高斯分量的模型分布参数/>
Figure 231261DEST_PATH_IMAGE023
；/>
Figure 507522DEST_PATH_IMAGE024
为第/>
Figure 803374DEST_PATH_IMAGE025
个高斯分量模型分布参数/>
Figure 165085DEST_PATH_IMAGE026
；/>
Figure 79952DEST_PATH_IMAGE027
为第/>
Figure 538615DEST_PATH_IMAGE025
个高斯分量的概率密度函数；
Figure 943051DEST_PATH_IMAGE028
式中：
Figure 729742DEST_PATH_IMAGE025
为随机变量线性组合分量的数目/>
Figure 74398DEST_PATH_IMAGE029
，/>
Figure 325250DEST_PATH_IMAGE030
个子高斯分布模型是混合模型的隐变量；
S2.2、采用行程时间的对数分布形式，利用最大log似然函数对模型参数进行拟合，log似然函数
Figure 103850DEST_PATH_IMAGE031
的形式为：/>
Figure 502471DEST_PATH_IMAGE032
式中，
Figure 821457DEST_PATH_IMAGE033
为有向交叉口OD对观察到的第/>
Figure 864499DEST_PATH_IMAGE034
个车辆路径行程时间/>
Figure 610738DEST_PATH_IMAGE035
。
S2.3、基于期望最大化（EM）算法的模型参数求解。
在进一步实施例中，所述S2.3进一步为；
S2.3.1、初始化模型中的参数
Figure 496655DEST_PATH_IMAGE036
；
S2.3.2、根据当前模型参数，通过观测数据
Figure 557014DEST_PATH_IMAGE037
，计算每个数据/>
Figure 516880DEST_PATH_IMAGE034
来自于子模型/>
Figure 496338DEST_PATH_IMAGE030
的可能性/>
Figure 807233DEST_PATH_IMAGE038
：
Figure 405705DEST_PATH_IMAGE039
S2.3.3、计算新一轮迭代的模型参数。
在进一步实施例中，所述S2.3.3进一步为：
步骤1、更新每个高斯分量的均值
Figure 49438DEST_PATH_IMAGE040
：
Figure 403059DEST_PATH_IMAGE041
步骤2、更新每个高斯分量的方差
Figure 873354DEST_PATH_IMAGE042
：
Figure 72255DEST_PATH_IMAGE043
式中，
Figure 69030DEST_PATH_IMAGE040
为更新后的高斯分量均值：
步骤3、更新每个高斯分量的混合系数
Figure 593552DEST_PATH_IMAGE044
：
Figure 551143DEST_PATH_IMAGE045
步骤4、根据EM算法收敛性条件（
Figure 881631DEST_PATH_IMAGE046
，/>
Figure 670595DEST_PATH_IMAGE047
为一个极小正数，可取/>
Figure 38123DEST_PATH_IMAGE048
，判断模型参数优化结果是否收敛，若不收敛，则重复步骤S2.3.2和步骤S2.3.3；若收敛，则完成高斯混合模型的参数标定，即获得每一有向OD对间车辆路径行程时间概率分布最优拟合模型。
在进一步实施例中，所述S2进一步为：采用贝叶斯信息准则（BIC）确定高斯混合模型中线性组合分量个数k的值，引入与模型复杂度有关的惩罚项，对不同模型的拟合结果设定了评分准则，避免模型过拟合问题的出现，BIC评分计算公式为：
Figure 545327DEST_PATH_IMAGE049
式中，
Figure 413926DEST_PATH_IMAGE030
为高斯混合分布线性组合分量的数目；/>
Figure 260659DEST_PATH_IMAGE050
为样本数量,/>
Figure 126984DEST_PATH_IMAGE051
；/>
Figure 407969DEST_PATH_IMAGE052
为模型达到收敛条件后似然函数值。/>
在进一步实施例中，所述S3进一步为：
S3.1、考虑城市道路间断流行程时间分布的双峰特性，利用
Figure 17942DEST_PATH_IMAGE001
原则，取高斯分量1分布区间/>
Figure 719181DEST_PATH_IMAGE053
和高斯分量2分布区间/>
Figure 490828DEST_PATH_IMAGE054
的并集，以并集中的最大上确界作为有向交叉口OD对路径出行行程完成时间决策边界Gap（单位：秒）；
S3.2、机动车单次出行轨迹辨识。
在进一步实施例中，所述S3.2进一步为：
步骤3.2.1、根据车辆唯一身份ID遍历车辆身份与位置服务数据，利用各有向交叉口OD对出行行程完成时间决策边界结果表，获取原始轨迹中连续轨迹点
Figure 300521DEST_PATH_IMAGE055
对应的有向交叉口OD对/>
Figure 386289DEST_PATH_IMAGE056
及其出行行程完成时间决策边界/>
Figure 4352DEST_PATH_IMAGE057
；
步骤3.2.2、遍历车辆
Figure 9217DEST_PATH_IMAGE058
原始轨迹中连续轨迹点对/>
Figure 712731DEST_PATH_IMAGE055
，计算连续轨迹点对
Figure 602190DEST_PATH_IMAGE055
过车记录的时间差/>
Figure 402656DEST_PATH_IMAGE059
，若/>
Figure 781684DEST_PATH_IMAGE060
，则判定车辆在连续轨迹点/>
Figure 910177DEST_PATH_IMAGE055
对应的有向交叉口OD对/>
Figure 400064DEST_PATH_IMAGE056
已完成此次出行行程，进行下一步骤（步骤3.2.3）；否则，判定车辆出行行程未完成，令/>
Figure 556502DEST_PATH_IMAGE061
，继续进行本步骤直至轨迹点/>
Figure 106432DEST_PATH_IMAGE055
为车辆原始轨迹中最后一对连续轨迹点；
步骤3.2.3、以车辆
Figure 456641DEST_PATH_IMAGE058
原始轨迹目前的第一个轨迹点作为车辆单次出行的O点，以轨迹点i作为车辆单次出行段的D点，从原始轨迹中划分出车辆的单次出行段/>
Figure 78116DEST_PATH_IMAGE062
并且更新车辆原始轨迹，剔除属于单次出行段/>
Figure 525278DEST_PATH_IMAGE062
轨迹点，针对更新后的车辆原始轨迹继续执行步骤3.2.2的流程；
步骤3.2.4、重复步骤（3.2.1）-（3.2.3），直至遍历车辆身份与位置服务数据中所有车辆的原始轨迹，完成数据集所有车辆原始轨迹单次出行段的可靠划分，获取车辆的单次出行段集合
Figure 183792DEST_PATH_IMAGE063
。
有益效果：本发明公开了一种基于高斯混合模型的机动车单次出行轨迹辨识方法，通过高斯混合模型对各有向交叉口OD对车辆行程时间概率的对数分布进行建模，采用贝叶斯信息准则确定模型选择，利用期望最大化算法对模型参数进行求解；在高斯混合分布最优拟合基础上，考虑城市道路间断流行程时间分布的双峰特性，选择高斯分量1和高斯分量2的线性组合形式表征有向交叉口OD对的行程时间分布，基于
Figure 349194DEST_PATH_IMAGE064
原则确定各有向交叉口OD对路径出行行程完成时间决策边界；通过比较连续轨迹点对间的过车记录时间差与出行行程完成时间决策边界，判断车辆出行行程完成状态，进而对机动车单次出行轨迹进行辨识，以实现出行者避开拥堵路段，提升路况整体的出行通行效率。
附图说明
图1为本发明的流程图；
图2为本发明车辆号牌原始数据样例；
图3为本发明车辆轨迹示例；
图4为本发明部分交叉口OD对行程时间高斯混合分布曲线；
图5为本发明有向交叉口OD对出行行程完成时间决策边界结果样例；
图6为本发明车辆单次出行段轨迹样例；
图7为本发明车辆单次出行段轨迹路网层级可视化示意图。
具体实施方式
在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明实施例中可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明实施例中发生混淆，对于本领域公知的一些技术特征未进行描述。
在本发明的描述中，需要理解的是，术语“机动车单次出行”指机动车从出发地到目的地移动的全过程，一次出行仅有一个出发地和目的地、“有向交叉口OD对”指定义路径中O点交叉口进口道至路径中D点交叉口进口道间运行的交通流为有向交叉口OD对间路径流、“车辆身份与位置服务数据”即当前分析时段内，按时间轴顺序排列的车辆所经过的交叉口编号为轨迹点组成的轨迹序列、“高斯混合模型”指为高斯线性混合模型，就是指用多个高斯概率密度函数（正态分布概率密度曲线）的线性组合形式精确地量化事物的概率分布模型、“期望最大化（EM）算法”指一种迭代优化算法，用于含有隐变量的概率参数模型的最大似然估计或极大后验概率估计、“贝叶斯信息准则”指衡量模型拟合优良性的一种标准，通过引入与模型参数个数有关的惩罚项，通过考虑样本数量，对不同模型的拟合结果设定了评分准则，在模型复杂度与模型对数据集描述能力（通过似然函数值）之间寻求一个最佳平衡等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。
本发明通过一种基于高斯混合模型的机动车单次出行轨迹辨识方法，下面通过实施例，并结合附图对本方案做进一步具体说明。
具体的，包括如下步骤：
S1、获取车辆号牌数据和路网静态信息，将卡口设备与路网静态信息进行空间匹配，实现车辆身份与位置服务数据时空汇集，获取不同身份ID信息的车辆轨迹（如图3）中每一交叉口OD对路径行程时间；通过获取卡口式车辆号牌识别设备采集的车辆号牌数据（如图2），主要用到的数据字段包括进口道编号、设备编号、车道编号、日期、检测时间、车牌号牌等，此外还要获取卡口设备静态信息和交叉口静态信息等路网静态信息；通过匹配车辆唯一身份ID“车辆牌照”，获取所有有效识别到该车辆号牌的设备编号，并按号牌识别检测记录的时间轴顺序进行排列，即获得当前分析时段，按时间轴顺序排列的车辆所经过的号牌识别设备编号为轨迹点组成的轨迹序列；基于卡口设备与路网静态信息空间匹配关系，获得车辆经过的交叉口编号（进口道编号及邻接路段编号）序列，实现车辆身份与位置服务数据时空汇集；根据车辆身份与位置服务数据，以位置点为节点，时间序列为邻接信息所形成的有向拓扑即为车辆在研究路网上的运行轨迹，根据车辆出行轨迹获取每一交叉口OD对路径行程时间
Figure 243201DEST_PATH_IMAGE065
：
Figure 544869DEST_PATH_IMAGE003
/>
式中，
Figure 639864DEST_PATH_IMAGE004
为车辆身份与位置服务数据集中车辆序号/>
Figure 89300DEST_PATH_IMAGE066
；/>
Figure 724681DEST_PATH_IMAGE006
为车辆出行轨迹中轨迹点序号/>
Figure 84118DEST_PATH_IMAGE067
；/>
Figure 146752DEST_PATH_IMAGE068
为车辆出行轨迹中第/>
Figure 850528DEST_PATH_IMAGE006
个轨迹点所在交叉口编号；/>
Figure 961703DEST_PATH_IMAGE069
为第/>
Figure 237964DEST_PATH_IMAGE010
辆车到达其出行轨迹中第/>
Figure 533816DEST_PATH_IMAGE006
个轨迹点对应交叉口/>
Figure 895527DEST_PATH_IMAGE068
过车记录时间；/>
Figure 810394DEST_PATH_IMAGE065
为第/>
Figure 534636DEST_PATH_IMAGE010
辆车从轨迹点/>
Figure 939072DEST_PATH_IMAGE006
对应的交叉口/>
Figure 460184DEST_PATH_IMAGE068
到达轨迹点/>
Figure 241058DEST_PATH_IMAGE070
对应的交叉口/>
Figure 554228DEST_PATH_IMAGE071
所用的行程时间。
S2、根据时空汇集的车辆身份与位置服务数据，利用高斯混合模型对每一有向交叉口OD对车辆路径行程时间概率分布进行建模，并采用期望最大化（EM）算法对高斯混合模型参数进行求解，引入模型复杂度的惩罚项避免模型过拟合问题出现；具体的本步骤部分有向交叉口OD点对行程时间高斯混合分布曲线如图4所示。拟合结果表明，不同有向交叉口OD对路径行程时间存在不同的多峰分布特征，但前两个峰值较为准确的对应了行程时间观测数据的两个密集分布区域，表明出行行程未完成状态下存在一定比例的机动车出行者由于城市道路延误而以较长时间完成交叉口OD对间的行程，因此行程时间观测数据的前两个密集分布区域呈现出城市道路间断流的双峰分布特征；而高斯分量3的出现是由于交叉口OD对行程时间观测值中存在一定比例的包含出行完成状态车辆停车时间的行程时间统计异常值。
具体的，S2.1、以每一有向交叉口OD对
Figure 129565DEST_PATH_IMAGE072
（如图5）车辆路径行程时间为随机变量
Figure 403552DEST_PATH_IMAGE073
（可简写为/>
Figure 286319DEST_PATH_IMAGE074
），构建基于高斯混合模型的有向OD对间车辆路径行程时间概率分布模型：
Figure 391679DEST_PATH_IMAGE016
式中，
Figure 75601DEST_PATH_IMAGE017
为有向交叉口OD对车辆路径行程时间；/>
Figure 899200DEST_PATH_IMAGE018
为/>
Figure 84194DEST_PATH_IMAGE017
的概率密度分布函数；
Figure 247322DEST_PATH_IMAGE019
为混合系数，即每个高斯分量的权重/>
Figure 164463DEST_PATH_IMAGE020
，/>
Figure 272096DEST_PATH_IMAGE021
；/>
Figure 932884DEST_PATH_IMAGE022
为高斯分量的模型分布参数/>
Figure 216098DEST_PATH_IMAGE023
；/>
Figure 366457DEST_PATH_IMAGE024
为第/>
Figure 899069DEST_PATH_IMAGE025
个高斯分量模型分布参数/>
Figure 301232DEST_PATH_IMAGE026
；/>
Figure 235690DEST_PATH_IMAGE027
为第/>
Figure 323994DEST_PATH_IMAGE025
个高斯分量的概率密度函数；
Figure 281586DEST_PATH_IMAGE028
式中：
Figure 549756DEST_PATH_IMAGE025
为随机变量线性组合分量的数目/>
Figure 401037DEST_PATH_IMAGE075
，/>
Figure 830881DEST_PATH_IMAGE076
个子高斯分布模型是混合模型的隐变量；
S2.2、采用行程时间的对数分布形式，利用最大log似然函数对模型参数进行拟合，log似然函数
Figure 541349DEST_PATH_IMAGE031
的形式为：
Figure 409947DEST_PATH_IMAGE032
式中，
Figure 53418DEST_PATH_IMAGE033
为有向交叉口OD对观察到的第/>
Figure 857426DEST_PATH_IMAGE034
个车辆路径行程时间/>
Figure 586348DEST_PATH_IMAGE035
。
S2.3、基于期望最大化（EM）算法的模型参数求解
S3、根据有向交叉口OD对行程时间概率分布，考虑城市道路间断流行程时间分布的双峰特性，通过高斯混合分布最优拟合选择高斯分量1和高斯分量2的线性组合形式表征有向交叉口OD对的行程时间分布，基于
Figure 258638DEST_PATH_IMAGE001
原则确定有向交叉口OD对路径出行行程完成时间决策边界，对车辆出行行程完成状态进行判别。
S4、根据车辆出行行程完成状态获取的单次车辆出行段轨迹（如图6）可视化示意图如图7所示。
具体的，S2.3进一步包括如下步骤；
S2.3.1、初始化模型中的参数
Figure 959877DEST_PATH_IMAGE036
；
S2.3.2、根据当前模型参数，通过观测数据
Figure 997104DEST_PATH_IMAGE037
，计算每个数据/>
Figure 777103DEST_PATH_IMAGE034
来自于子模型/>
Figure 925188DEST_PATH_IMAGE030
的可能性/>
Figure 480934DEST_PATH_IMAGE038
：
Figure 689061DEST_PATH_IMAGE039
S2.3.3、计算新一轮迭代的模型参数。
具体的，所述S2.3.3进一步为：
步骤1、更新每个高斯分量的均值
Figure 720471DEST_PATH_IMAGE040
：
Figure 609930DEST_PATH_IMAGE041
步骤2、更新每个高斯分量的方差
Figure 82499DEST_PATH_IMAGE042
：
Figure 523845DEST_PATH_IMAGE043
式中，
Figure 714655DEST_PATH_IMAGE040
为更新后的高斯分量均值：
步骤3、更新每个高斯分量的混合系数
Figure 407804DEST_PATH_IMAGE044
：
Figure 62777DEST_PATH_IMAGE045
步骤4、根据EM算法收敛性条件（
Figure 347128DEST_PATH_IMAGE046
，/>
Figure 962917DEST_PATH_IMAGE047
为一个极小正数，可取/>
Figure 256495DEST_PATH_IMAGE048
，判断模型参数优化结果是否收敛，若不收敛，则重复步骤S2.3.2和步骤S2.3.3；若收敛，则完成高斯混合模型的参数标定，即获得每一有向OD对间车辆路径行程时间概率分布最优拟合模型。
作为一个优选案例，所述S2进一步为：采用贝叶斯信息准则（BIC）确定高斯混合模型中线性组合分量个数k的值，引入与模型复杂度有关的惩罚项，对不同模型的拟合结果设定了评分准则，避免模型过拟合问题的出现，BIC评分计算公式为：
Figure 533018DEST_PATH_IMAGE077
式中，
Figure 191532DEST_PATH_IMAGE030
为高斯混合分布线性组合分量的数目；/>
Figure 91355DEST_PATH_IMAGE050
为样本数量,/>
Figure 985362DEST_PATH_IMAGE051
；/>
Figure 755871DEST_PATH_IMAGE052
为模型达到收敛条件后似然函数值。
作为一个优选案例，S3进一步为：
S3.1、考虑城市道路间断流行程时间分布的双峰特性，利用
Figure 647604DEST_PATH_IMAGE001
原则，取高斯分量1分布区间/>
Figure 362619DEST_PATH_IMAGE053
和高斯分量2分布区间/>
Figure 935683DEST_PATH_IMAGE054
的并集，以并集中的最大上确界作为有向交叉口OD对路径出行行程完成时间决策边界Gap（单位：秒）；
S3.2、机动车单次出行轨迹辨识。
具体的，所述S3.2进一步为：步骤3.2.1、根据车辆唯一身份ID遍历车辆身份与位置服务数据，利用各有向交叉口OD对出行行程完成时间决策边界结果表，获取原始轨迹中连续轨迹点
Figure 357437DEST_PATH_IMAGE055
对应的有向交叉口OD对/>
Figure 482388DEST_PATH_IMAGE056
及其出行行程完成时间决策边界
Figure 356803DEST_PATH_IMAGE057
；步骤3.2.2、遍历车辆/>
Figure 733558DEST_PATH_IMAGE058
原始轨迹中连续轨迹点对/>
Figure 573600DEST_PATH_IMAGE055
，计算连续轨迹点对
Figure 807135DEST_PATH_IMAGE055
过车记录的时间差/>
Figure 106530DEST_PATH_IMAGE059
，若/>
Figure 83713DEST_PATH_IMAGE060
，则判定车辆在连续轨迹点/>
Figure 542376DEST_PATH_IMAGE055
对应的有向交叉口OD对/>
Figure 884496DEST_PATH_IMAGE056
已完成此次出行行程，进行步骤（3）；否则，判定车辆出行行程未完成，令/>
Figure 733503DEST_PATH_IMAGE061
，继续进行本步骤直至轨迹点/>
Figure 576694DEST_PATH_IMAGE055
为车辆原始轨迹中最后一对连续轨迹点；步骤3.2.3、以车辆/>
Figure 561968DEST_PATH_IMAGE058
原始轨迹目前的第一个轨迹点作为车辆单次出行的O点，以轨迹点i作为车辆单次出行段的D点，从原始轨迹中划分出车辆的单次出行段
Figure 74988DEST_PATH_IMAGE062
并且更新车辆原始轨迹，剔除属于单次出行段/>
Figure 739188DEST_PATH_IMAGE062
轨迹点，针对更新后的车辆原始轨迹继续执行步骤3.2.2的流程；步骤3.2.4、重复步骤（3.2.1）-（3.2.3），直至遍历车辆身份与位置服务数据中所有车辆的原始轨迹，完成数据集所有车辆原始轨迹单次出行段的可靠划分，获取车辆的单次出行段集合/>
Figure 58174DEST_PATH_IMAGE063
。进而通过交通出行结构分析确定拥堵路段，提升整体的通行效率。
以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。

Claims (8)

1.一种基于高斯混合模型的机动车单次出行轨迹辨识方法，其特征在于；包括如下步骤：
S1、获取车辆号牌数据和路网静态信息，将卡口设备与路网静态信息进行空间匹配，实现车辆身份与位置服务数据时空汇集，获取不同身份ID信息的车辆轨迹中每一交叉口OD对路径行程时间；
S2、根据时空汇集的车辆身份与位置服务数据，利用高斯混合模型对每一有向交叉口OD对车辆路径行程时间概率分布进行建模，并采用期望最大化（EM）算法对高斯混合模型参数进行求解，引入模型复杂度的惩罚项避免模型过拟合问题出现；
S3、根据有向交叉口OD对行程时间概率分布，考虑城市道路间断流行程时间分布的双峰特性，通过高斯混合分布最优拟合选择高斯分量1和高斯分量2的线性组合形式表征有向交叉口OD对的行程时间分布，基于
Figure 368489DEST_PATH_IMAGE001
原则确定有向交叉口OD对路径出行行程完成时间决策边界，对车辆出行行程完成状态进行判别。
2.根据权利要求1所述的一种基于高斯混合模型的机动车单次出行轨迹辨识方法，其特征在于：所述S1中不同身份ID信息的车辆轨迹中每一交叉口OD对路径行程时间获取进一步为；
S1.1、获取卡口式车辆号牌识别设备采集的车辆号牌数据，主要用到的数据字段包括进口道编号、设备编号、车道编号、日期、检测时间、车牌号牌等，此外还要获取卡口设备静态信息和交叉口静态信息等路网静态信息；
S1.2、通过匹配车辆唯一身份ID“车辆牌照”，获取所有有效识别到该车辆号牌的设备编号，并按号牌识别检测记录的时间轴顺序进行排列，即获得当前分析时段，按时间轴顺序排列的车辆所经过的号牌识别设备编号为轨迹点组成的轨迹序列；基于卡口设备与路网静态信息空间匹配关系，获得车辆经过的交叉口编号（进口道编号及邻接路段编号）序列，实现车辆身份与位置服务数据时空汇集；
S1.3、根据车辆身份与位置服务数据，以位置点为节点，时间序列为邻接信息所形成的有向拓扑即为车辆在研究路网上的运行轨迹，根据车辆出行轨迹获取每一交叉口OD对路径行程时间
Figure 442624DEST_PATH_IMAGE002
：
Figure 469486DEST_PATH_IMAGE003
式中，
Figure 326584DEST_PATH_IMAGE004
为车辆身份与位置服务数据集中车辆序号/>
Figure 850231DEST_PATH_IMAGE005
；/>
Figure 236213DEST_PATH_IMAGE006
为车辆出行轨迹中轨迹点序号/>
Figure 281530DEST_PATH_IMAGE007
；/>
Figure 4635DEST_PATH_IMAGE008
为车辆出行轨迹中第/>
Figure 287849DEST_PATH_IMAGE006
个轨迹点所在交叉口编号；/>
Figure 375891DEST_PATH_IMAGE009
为第/>
Figure 970820DEST_PATH_IMAGE010
辆车到达其出行轨迹中第/>
Figure 435299DEST_PATH_IMAGE006
个轨迹点对应交叉口/>
Figure 307440DEST_PATH_IMAGE011
过车记录时间；/>
Figure 894280DEST_PATH_IMAGE012
为第/>
Figure 914188DEST_PATH_IMAGE013
辆车从轨迹点/>
Figure 854462DEST_PATH_IMAGE006
对应的交叉口/>
Figure 643427DEST_PATH_IMAGE008
到达轨迹点/>
Figure 168211DEST_PATH_IMAGE014
对应的交叉口/>
Figure 613099DEST_PATH_IMAGE015
所用的行程时间。
3.根据权利要求1所述的一种基于高斯混合模型的机动车单次出行轨迹辨识方法，其特征在于：所述S2进一步为；
S2.1、以每一有向交叉口OD对
Figure 153802DEST_PATH_IMAGE016
车辆路径行程时间为随机变量/>
Figure 125169DEST_PATH_IMAGE017
（可简写为/>
Figure 929177DEST_PATH_IMAGE018
），构建基于高斯混合模型的有向OD对间车辆路径行程时间概率分布模型：/>
Figure 923678DEST_PATH_IMAGE019
式中，
Figure 330388DEST_PATH_IMAGE020
为有向交叉口OD对车辆路径行程时间；/>
Figure 93945DEST_PATH_IMAGE021
为/>
Figure 68854DEST_PATH_IMAGE020
的概率密度分布函数；/>
Figure 285072DEST_PATH_IMAGE022
为混合系数，即每个高斯分量的权重/>
Figure 761053DEST_PATH_IMAGE023
，/>
Figure 316799DEST_PATH_IMAGE024
；/>
Figure 524926DEST_PATH_IMAGE025
为高斯分量的模型分布参数/>
Figure 792222DEST_PATH_IMAGE026
；/>
Figure 681680DEST_PATH_IMAGE027
为第/>
Figure 419829DEST_PATH_IMAGE028
个高斯分量模型分布参数/>
Figure 861175DEST_PATH_IMAGE029
；/>
Figure 51985DEST_PATH_IMAGE030
为第/>
Figure 479555DEST_PATH_IMAGE028
个高斯分量的概率密度函数；
Figure 806631DEST_PATH_IMAGE031
式中：
Figure 684457DEST_PATH_IMAGE028
为随机变量线性组合分量的数目/>
Figure 300247DEST_PATH_IMAGE032
，/>
Figure 593825DEST_PATH_IMAGE033
个子高斯分布模型是混合模型的隐变量；
S2.2、采用行程时间的对数分布形式，利用最大log似然函数对模型参数进行拟合，log似然函数
Figure 103303DEST_PATH_IMAGE034
的形式为：
Figure 558555DEST_PATH_IMAGE035
式中，
Figure 927220DEST_PATH_IMAGE036
为有向交叉口OD对观察到的第/>
Figure 322691DEST_PATH_IMAGE037
个车辆路径行程时间/>
Figure 889939DEST_PATH_IMAGE038
：
S2.3、基于期望最大化（EM）算法的模型参数求解。
4.根据权利要求3所述的一种基于高斯混合模型的机动车单次出行轨迹辨识方法，其特征在于；所述S2.3进一步为；
S2.3.1、初始化模型中的参数
Figure 453776DEST_PATH_IMAGE039
；
S2.3.2、根据当前模型参数，通过观测数据
Figure 106474DEST_PATH_IMAGE040
，计算每个数据/>
Figure 69751DEST_PATH_IMAGE037
来自于子模型/>
Figure 163608DEST_PATH_IMAGE041
的可能性
Figure 226242DEST_PATH_IMAGE042
：
Figure 162974DEST_PATH_IMAGE043
S2.3.3、计算新一轮迭代的模型参数。
5.根据权利要求4所述的一种基于高斯混合模型的机动车单次出行轨迹辨识方法，其特征在于；所述S2.3.3进一步为：
步骤1、更新每个高斯分量的均值
Figure 602046DEST_PATH_IMAGE044
：
Figure 81569DEST_PATH_IMAGE045
步骤2、更新每个高斯分量的方差
Figure 377421DEST_PATH_IMAGE046
：/>
Figure 739132DEST_PATH_IMAGE047
式中，
Figure 653999DEST_PATH_IMAGE044
为更新后的高斯分量均值：
步骤3、更新每个高斯分量的混合系数
Figure 784766DEST_PATH_IMAGE048
：
Figure 18563DEST_PATH_IMAGE049
步骤4、根据EM算法收敛性条件（
Figure 805254DEST_PATH_IMAGE050
，/>
Figure 320549DEST_PATH_IMAGE051
为一个极小正数，可取/>
Figure 633718DEST_PATH_IMAGE052
，判断模型参数优化结果是否收敛，若不收敛，则重复步骤S2.3.2和步骤S2.3.3；若收敛，则完成高斯混合模型的参数标定，即获得每一有向OD对间车辆路径行程时间概率分布最优拟合模型。
6.根据权利要求1所述的一种基于高斯混合模型的机动车单次出行轨迹辨识方法，其特征在于；所述S2进一步为：采用贝叶斯信息准则（BIC）确定高斯混合模型中线性组合分量个数k的值，引入与模型复杂度有关的惩罚项，对不同模型的拟合结果设定了评分准则，避免模型过拟合问题的出现，BIC评分计算公式为：
Figure 209056DEST_PATH_IMAGE053
式中，
Figure 748622DEST_PATH_IMAGE041
为高斯混合分布线性组合分量的数目；/>
Figure 129925DEST_PATH_IMAGE054
为样本数量,/>
Figure 235284DEST_PATH_IMAGE055
；/>
Figure 919206DEST_PATH_IMAGE056
为模型达到收敛条件后似然函数值。
7.根据权利要求1所述的一种基于高斯混合模型的机动车单次出行轨迹辨识方法，其特征在于：所述S3进一步为：S3.1、考虑城市道路间断流行程时间分布的双峰特性，利用
Figure 805122DEST_PATH_IMAGE057
原则，取高斯分量1分布区间/>
Figure 927799DEST_PATH_IMAGE058
和高斯分量2分布区间
Figure 825348DEST_PATH_IMAGE059
的并集，以并集中的最大上确界作为有向交叉口OD对路径出行行程完成时间决策边界Gap（单位：秒）；S3.2、机动车单次出行轨迹辨识。
8.根据权利要求7所述的一种基于高斯混合模型的机动车单次出行轨迹辨识方法，其特征在于：所述S3.2进一步为：
步骤3.2.1、根据车辆唯一身份ID遍历车辆身份与位置服务数据，利用各有向交叉口OD对出行行程完成时间决策边界结果表，获取原始轨迹中连续轨迹点
Figure 742489DEST_PATH_IMAGE060
对应的有向交叉口OD对/>
Figure 617166DEST_PATH_IMAGE061
及其出行行程完成时间决策边界/>
Figure 481217DEST_PATH_IMAGE062
；
步骤3.2.2、遍历车辆
Figure 295589DEST_PATH_IMAGE063
原始轨迹中连续轨迹点对/>
Figure 711527DEST_PATH_IMAGE060
，计算连续轨迹点对/>
Figure 244139DEST_PATH_IMAGE060
过车记录的时间差/>
Figure 911881DEST_PATH_IMAGE064
，若/>
Figure 643077DEST_PATH_IMAGE065
，则判定车辆在连续轨迹点
Figure 167599DEST_PATH_IMAGE060
对应的有向交叉口OD对/>
Figure 125191DEST_PATH_IMAGE061
已完成此次出行行程，进行下一步骤（步骤3.2.3）；否则，判定车辆出行行程未完成，令/>
Figure 127782DEST_PATH_IMAGE066
，继续进行本步骤直至轨迹点/>
Figure 244642DEST_PATH_IMAGE060
为车辆原始轨迹中最后一对连续轨迹点；
步骤3.2.3、以车辆
Figure 877749DEST_PATH_IMAGE063
原始轨迹目前的第一个轨迹点作为车辆单次出行的O点，以轨迹点i作为车辆单次出行段的D点，从原始轨迹中划分出车辆的单次出行段/>
Figure 119374DEST_PATH_IMAGE067
并且更新车辆原始轨迹，剔除属于单次出行段/>
Figure 477719DEST_PATH_IMAGE067
轨迹点，针对更新后的车辆原始轨迹继续执行步骤3.2.2的流程；
步骤3.2.4、重复步骤（3.2.1）-（3.2.3），直至遍历车辆身份与位置服务数据中所有车辆的原始轨迹，完成数据集所有车辆原始轨迹单次出行段的可靠划分，获取车辆的单次出行段集合
Figure 386769DEST_PATH_IMAGE068
。/>
CN202211571204.1A 2022-12-08 2022-12-08 一种基于高斯混合模型的机动车单次出行轨迹辨识方法 Pending CN116257797A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211571204.1A CN116257797A (zh) 2022-12-08 2022-12-08 一种基于高斯混合模型的机动车单次出行轨迹辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211571204.1A CN116257797A (zh) 2022-12-08 2022-12-08 一种基于高斯混合模型的机动车单次出行轨迹辨识方法

Publications (1)

Publication Number Publication Date
CN116257797A true CN116257797A (zh) 2023-06-13

Family

ID=86685250

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211571204.1A Pending CN116257797A (zh) 2022-12-08 2022-12-08 一种基于高斯混合模型的机动车单次出行轨迹辨识方法

Country Status (1)

Country Link
CN (1) CN116257797A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117334051A (zh) * 2023-10-26 2024-01-02 江苏中路交通发展有限公司 一种高速路车辆轨迹重构方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130286198A1 (en) * 2012-04-25 2013-10-31 Xerox Corporation Method and system for automatically detecting anomalies at a traffic intersection
CN105894520A (zh) * 2016-04-25 2016-08-24 武汉大学 一种基于高斯混合模型的卫星影像自动云检测方法
CN110304075A (zh) * 2019-07-04 2019-10-08 清华大学 基于混合动态贝叶斯网络和高斯过程的车辆轨迹预测方法
CN110334435A (zh) * 2019-07-03 2019-10-15 北京交通大学 城市轨道交通乘客出行路径选择估计方法
CN110364031A (zh) * 2019-07-11 2019-10-22 北京交通大学 地面传感器网络中无人机集群的路径规划和无线通信方法
CN110634285A (zh) * 2019-08-05 2019-12-31 江苏大学 一种基于高斯混合模型的路段出行时间预测方法
CN112740299A (zh) * 2018-09-19 2021-04-30 祖克斯有限公司 用于车辆的碰撞预测和规避
CN114049765A (zh) * 2021-11-03 2022-02-15 扬州大学 基于自动车辆号牌识别数据的城市路网车流od估计方法
CN114995132A (zh) * 2022-05-26 2022-09-02 哈尔滨工业大学（深圳） 一种基于高斯混合过程的多臂航天器模型预测控制方法、设备和介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130286198A1 (en) * 2012-04-25 2013-10-31 Xerox Corporation Method and system for automatically detecting anomalies at a traffic intersection
CN105894520A (zh) * 2016-04-25 2016-08-24 武汉大学 一种基于高斯混合模型的卫星影像自动云检测方法
CN112740299A (zh) * 2018-09-19 2021-04-30 祖克斯有限公司 用于车辆的碰撞预测和规避
CN110334435A (zh) * 2019-07-03 2019-10-15 北京交通大学 城市轨道交通乘客出行路径选择估计方法
CN110304075A (zh) * 2019-07-04 2019-10-08 清华大学 基于混合动态贝叶斯网络和高斯过程的车辆轨迹预测方法
CN110364031A (zh) * 2019-07-11 2019-10-22 北京交通大学 地面传感器网络中无人机集群的路径规划和无线通信方法
CN110634285A (zh) * 2019-08-05 2019-12-31 江苏大学 一种基于高斯混合模型的路段出行时间预测方法
CN114049765A (zh) * 2021-11-03 2022-02-15 扬州大学 基于自动车辆号牌识别数据的城市路网车流od估计方法
CN114995132A (zh) * 2022-05-26 2022-09-02 哈尔滨工业大学（深圳） 一种基于高斯混合过程的多臂航天器模型预测控制方法、设备和介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
GAO Q等: "Identification of urban regions’ functions in Chengdu, China, based on vehicle trajectory data", 《PLOS ONE》, vol. 14, no. 4, pages 1 - 17 *
刘欢: "基于数据驱动的城市路网动态容量估计方法研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 6, pages 17 - 19 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117334051A (zh) * 2023-10-26 2024-01-02 江苏中路交通发展有限公司 一种高速路车辆轨迹重构方法及系统
CN117334051B (zh) * 2023-10-26 2024-05-10 江苏中路交通发展有限公司 一种高速路车辆轨迹重构方法及系统

Similar Documents

Publication Publication Date Title
CN108269401B (zh) 一种基于数据驱动的高架桥交通拥堵预测方法
CN105913661B (zh) 一种基于收费数据的高速公路路段交通状态判别方法
CN109686090B (zh) 一种基于多源数据融合的虚拟交通流量计算方法
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
CN109686091B (zh) 一种基于多源数据融合的交通流量填补算法
CN108806248B (zh) 一种针对rfid电子车牌数据的车辆出行轨迹划分方法
CN111581538B (zh) 一种基于高速公路收费数据的高速交通流状态推断方法
CN109598930B (zh) 一种自动检测高架封闭系统
CN111640304B (zh) 面向连续流交通设施的交通拥堵传播特征自动化量化提取方法
CN114333292B (zh) 一种基于轨迹重构技术的流量修复方法
CN116257797A (zh) 一种基于高斯混合模型的机动车单次出行轨迹辨识方法
CN116168356B (zh) 一种基于计算机视觉的车辆损伤判别方法
CN110766940A (zh) 道路信号交叉口运行状况评估方法
CN112767684A (zh) 一种基于收费数据的高速公路交通拥堵检测方法
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
CN116052435A (zh) 一种城市道路拥堵影响范围界定与道路影响力计算方法
CN111680638A (zh) 一种乘客路径识别方法和基于该方法的客流清分方法
CN114023073B (zh) 一种基于车辆行为分析的高速公路拥堵预测方法
CN116739376A (zh) 一种基于数据挖掘的公路路面预防性养护决策方法
CN111882858A (zh) 一种基于多源数据的高速公路异常事件排队长度预测方法
CN108665708B (zh) 一种城市交通流不平衡模式挖掘方法及系统
CN116564551B (zh) 一种数据-知识驱动的城市轨道交通风险辨识方法
CN112201041B (zh) 融合电警数据和抽样轨迹数据的干道路径流量估计方法
CN114091581A (zh) 一种基于稀疏轨迹的车辆运营行为类型识别方法
CN112634620A (zh) 基于Encoder-Decoder深度神经网络的路网动态交通分配方法

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