CN116597649A - 一种基于高速公路收费系统的路网交通流量推演方法 - Google Patents
一种基于高速公路收费系统的路网交通流量推演方法 Download PDFInfo
- Publication number
- CN116597649A CN116597649A CN202310684641.2A CN202310684641A CN116597649A CN 116597649 A CN116597649 A CN 116597649A CN 202310684641 A CN202310684641 A CN 202310684641A CN 116597649 A CN116597649 A CN 116597649A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- road
- track
- road network
- cluster
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013507 mapping Methods 0.000 claims abstract description 14
- 238000005520 cutting process Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 238000000547 structure data Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 14
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000013439 planning Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008676 import Effects 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
- 238000003032 molecular docking Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- 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
-
- 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
- G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
-
- 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
-
- 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
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于高速公路收费系统的路网交通流量推演方法。该方法包括以下步骤:1)收集高速公路收费系统的车辆通行数据;2)构建路网拓扑结构;3)根据收集到的车辆通行数据,计算路网中各路段的交通流量;4)校准和优化交通流量推演模型,以提高预测的准确性和精度;5)基于道路网络和交通流理论,结合车辆通行规律,推演簇的中心点、密度和半径信息到对应的道路段上,实现簇与道路段的空间关系映射;6)通过空间关系判断簇所属的道路段,进而推演出道路段的实时交通流量。本发明通过对道路网络的建模和分析,实现对路网中各路段的交通流量推演,能够准确预测道路上的实时交通流量,实现高效、实时的交通流量推演。
Description
技术领域
本发明属于计算机技术领域,具体涉及一种基于高速公路收费系统的路网交通流量推演方法。
背景技术
当前,随着城市化的加快和交通工具普及率的增加,道路交通拥堵问题日益突出。准确推演路网的交通流量对交通管理、规划和优化具有重要意义。现有的交通流量推演方法存在着计算复杂度高、实时性差的问题,原因在于目前的交通流量推演方法多基于传感器数据或车辆GPS轨迹数据,如地面感应器、车辆探测器、交通摄像头等,这些设备需要大量的人力和物力投入进行安装和维护,并且在一些道路上的部署存在限制。此外,GPS轨迹数据的获取也面临着隐私保护的问题。因而导致目前的交通流量推演方法存在计算复杂度高、设备安装成本高、实时性差等问题。
因此,需要一种基于高速公路收费系统的新方法来解决这些问题。
发明内容
考虑到上述问题而提出了本发明。本发明提供了一种基于高速公路收费系统的路网交通流量推演方法,基于高速公路收费系统中普及和更新换ETC(电子不停车收费)系统,使得路网交通流量推演时的能够得到稳定可靠的数据源,无需额外设备,实现高效、实时的交通流量推演。
本发明采用以下技术方案实现:
第一方面,本发明提供了一种基于高速公路收费系统的路网交通流量推演方法,该方法包括以下步骤:
获取高速公路收费系统中的车辆通行数据,提取并记录所述车辆的行驶轨迹,建立车辆行驶轨迹数据库;
基于所述车辆行驶轨迹数据库中提取的车辆的行驶轨迹,获得道路上的实时交通流量结果;
建立路网运行态势的路网交通流量推演模型,根据所述路网交通流量推演模型以及高速公路网络拓扑结构推演路网中各路段的交通流量,推演得到交通流量结果;
将推演得到的所述交通流量结果与所述实时交通流量结果进行比对,根据比对结果,对所述路网交通流量推演模型进行校准和优化,通过优化后的所述路网交通流量推演模型,预测目标时段路网的交通流量。
作为本发明的进一步方案,提取并记录所述车辆的行驶轨迹,包括以下步骤:
从高速公路收费系统中获取车辆通行数据,其中,所述车辆通行数据包括车辆的进入和离开高速公路的时间戳和位置信息、车牌号码以及ETC卡号信息;
根据车辆的进入和离开高速公路的时间戳和位置信息推算出车辆的行驶轨迹,将提取的车辆行驶轨迹记录到车辆行驶轨迹数据库中;
其中,车辆行驶轨迹、起始时间和位置、结束时间和位置、途径路段、车牌号码以及ETC卡号信息根据数据格式的字段创建表格,使用SQL语句批量导入数据库,并在车辆行驶轨迹数据库中添加索引标识。
作为本发明的进一步方案,基于车辆行驶轨迹数据库获得道路上的实时交通流量结果,包括以下步骤:
从车辆行驶轨迹数据库中提取所需的车辆轨迹数据,将车辆轨迹切割成离散的轨迹片段;
对每个轨迹片段中的轨迹点进行聚类分析,将相邻的轨迹点归为同一类簇;
对每个簇进行特征提取,获取每个簇的中心点、密度和半径信息;
基于道路网络,将聚类后的簇的中心点、密度和半径信息映射到对应的道路段上,使用空间关系判断簇所属的道路段;
根据簇在道路段上的位置和特征信息,计算道路段上的实时交通流量,将计算得到的实时交通流量结果使用地图进行可视化展示。
作为本发明的进一步方案,将车辆轨迹切割成离散的轨迹片段,包括以下步骤:
从车辆行驶轨迹数据库中提取所需的车辆轨迹数据,对每辆车的轨迹点按照时间戳或距离进行排序;
遍历每辆车的轨迹点,根据时间间隔、距离间隔以及速度变化值进行轨迹切割,将两个相邻轨迹点之间的时间间隔、距离间隔以及速度变化值超过设定阈值的轨迹切割为不同的轨迹片段;
对于每辆车的轨迹,根据切割的结果,生成离散的轨迹片段,其中,每个轨迹片段对应一个时间段或一段距离。
作为本发明的进一步方案,使用k-means聚类算法对每个轨迹片段中的轨迹点进行聚类分析,并将相邻的轨迹点归为同一类簇,包括以下步骤:
选择一个目标轨迹片段,提取所述目标轨迹片段中的轨迹点作为聚类的输入数据;
确定聚类算法的簇数k,并随机选择k个轨迹点作为初始的聚类中心,计算每个轨迹点与各个聚类中心之间的距离,并将轨迹点分配给距离最近的聚类中心;
检查聚类中心的变化情况,判断聚类中心的变化是否小于设定的阈值,若是则达到终止条件,结束迭代,得到最终的聚类中心和每个轨迹点的分类结果;
根据每个轨迹点的分类结果,将相邻的轨迹点归为同一类簇,对每个轨迹片段重复执行以上步骤,进行聚类分析和相邻轨迹点的归类。
作为本发明的进一步方案,基于道路网络,将聚类后的簇的中心点、密度和半径信息映射到对应的道路段上,使用空间关系判断簇所属的道路段,包括以下步骤:
步骤1、道路网络建模:将道路网络表示为节点和边的网络模型,其中节点代表道路交叉口或道路段的起点和终点,边代表道路段;
步骤2、簇的中心点映射:计算每个道路段的中心点,并将簇的中心点与道路段的中心点进行比较,将簇的中心点与最近的道路段的中心点关联起来,判断簇所属的道路段;
步骤3、簇的密度映射:根据簇的密度信息,使用道路段的车道通行能力、道路长度来估计道路段的通行能力;
步骤4、簇的半径映射:根据簇的半径信息与道路段的长度比较,弱簇的中心点位于道路段的中心位置,则将簇与该道路段进行匹配。
作为本发明的进一步方案,计算道路段上的实时交通流量包括以下步骤:
a、道路段划分:将道路网络划分为多个道路段,每个道路段代表一个特定的道路段落;
b、簇与道路段的匹配:根据簇的中心点、密度和半径信息,将每个簇与其所属的道路段进行匹配;
c、计算簇的密度权重:根据簇内轨迹点的密度进行求和计算簇的密度权重;其中,计算公式如下:
簇的密度权重=簇内轨迹点的密度总和/簇内轨迹点的数量
其中,簇内轨迹点的密度总和表示簇内所有轨迹点的密度值之和,簇内轨迹点的数量表示簇内轨迹点的个数;
d、计算道路段上的实时交通流量:基于簇的密度权重和簇内轨迹点的数量,计算道路段上的实时交通流量,计算公式如下:
实时交通流量=Σ(簇内轨迹点数量*簇的密度权重)
其中,Σ表示对所有与该道路段关联的簇进行求和。
作为本发明的进一步方案,建立路网运行态势的路网交通流量推演模型时,包括以下步骤:
收集路网拓扑结构数据和实时交通数据,其中,所述路网拓扑结构数据包括道路段的起点和终点、道路属性的长度、车道数信息;所述实时交通数据为根据车辆行驶轨迹数据库获得道路上的实时交通流量结果,包含车辆轨迹、高速公路收费系统车辆通行数据以及交通信号灯状态数据;
基于路网拓扑结构数据,构建路网模型,将道路段表示为节点,道路之间的连接表示为边,并为路网中的道路段赋予道路容量、车道通行能力的属性参数;
选择交通流模型映射车辆在路网中的运行行为,并基于选择的交通流模型和实时交通数据,进行路网交通流量推演;
基于拥堵指数、交通延误、平均速度指标评估交通状况,分析推演得到的交通流量结果,评估路网的运行态势,并将交通流量结果可视化展示。
作为本发明的进一步方案,将推演得到的所述交通流量结果与所述实时交通流量结果进行比对时,包括:
将相同的时间段和相同的空间范围的两组数据推演得到的交通流量结果和实时交通流量结果;
将推演得到的交通流量结果和实时交通流量结果进行匹配,使得相同位置和相同时间的数据对齐,并进行道路段的标识符、经纬度、时间戳信息的比对和匹配;
对匹配后的数据进行比对分析,比较推演得到的交通流量结果和实时交通流量结果之间的差异的绝对值和相对误差,得到比对结果。
作为本发明的进一步方案,通过优化后的所述路网交通流量推演模型,预测目标时段路网的交通流量,包括:
将推演得到的交通流量结果与实时交通流量结果进行比对,将位置、时间以及道路段标识符信息进行匹配和对齐,得到推演结果与实际数据之间的比对结果;
根据比对结果分析推演结果与实际数据之间差异的绝对值和相对误差,对路网交通流量推演模型中的参数进行调整,缩小推演结果与实际数据之间的差异至设定差异阈值内,完成对路网交通流量推演模型进行优化;
使用优化后的路网交通流量推演模型对历史数据进行验证,并与实际情况进行比对,并根据根据验证结果进行调试和修正。
与现有技术相比,本发明的基于高速公路收费系统的路网交通流量推演方法具有以下有益效果:
1.实时交通流量监测:通过该方法,可以实时监测路网中各个道路段的交通流量情况。这对于交通管理部门和交通运输公司来说非常重要,可以帮助他们了解当前的交通状况,及时采取相应的交通管理措施,如调整信号配时、引导交通、优化路线等。
2.智能交通管理:基于该方法得到的实时交通流量信息,可以应用于智能交通管理系统中。通过数据分析和交通流量预测,可以更准确地评估道路瓶颈、拥堵情况以及交通运行效率,从而提供智能化的交通管理策略,减少交通拥堵和改善道路利用效率。
3.路况预测和导航优化:交通流量推演方法可以通过分析历史交通数据和实时交通流量,预测未来的交通状况。这对于驾驶员和导航系统来说非常有价值,可以提供准确的路况信息和实时导航建议,帮助驾驶员选择最佳路线,避免拥堵和交通延误。
4.支持交通规划和设计:该方法可以为交通规划和设计提供有价值的数据支持。通过分析交通流量数据,可以发现交通热点区域、交通需求变化趋势等,帮助规划部门做出更准确的决策,如道路扩建、新建交通设施等,以满足日益增长的交通需求。
5.资源配置和效率提升:交通流量推演方法可以帮助交通管理部门更好地配置交通资源,如交通信号控制、路口改造等。通过准确预测交通流量,可以合理安排交通信号配时,优化交通运行效率,提高道路的通行能力和交通系统的整体效率。
综上所述,基于高速公路收费系统的路网交通流量推演方法可以提供实时交通信息、智能交通管理、路况预测和导航优化等多种有益效果,对于提升交通运输系统的效率和提供更好的交通服务具有重要意义。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明一个实施例的基于高速公路收费系统的路网交通流量推演方法的流程图。
图2为本发明一个实施例的基于高速公路收费系统的路网交通流量推演方法中建立车辆行驶轨迹数据库的流程图。
图3为本发明一个实施例的基于高速公路收费系统的路网交通流量推演方法中获取实时交通流量结果的流程图。
图4为本发明实施例中基于高速公路收费系统的路网交通流量推演方法中切割成轨迹片段的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
需要说明的是,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明公开及其应用或使用的任何限制。
在实现本发明公开的过程中,本发明实施例提供一种基于高速公路收费系统的路网交通流量推演方法,基于高速公路收费系统中普及和更新换ETC系统,使得路网交通流量推演时的能够得到稳定可靠的数据源,无需额外设备,实现高效、实时的交通流量推演。
本发明可以提供实时交通信息、智能交通管理、路况预测和导航优化等多种有益效果,对于提升交通运输系统的效率和提供更好的交通服务具有重要意义。
具体地,下面结合附图,对本申请实施例作进一步阐述。
请参阅图1所示,图1示出了根据本发明公开的基于高速公路收费系统的路网交通流量推演方法的一个实施例的流程的流程图。为了便于说明,仅示出与本发明实施例相关的部分。在本发明实施例中,本实施例提供了一种基于高速公路收费系统的路网交通流量推演方法,包括以下步骤:
S10、获取高速公路收费系统中的车辆通行数据,提取并记录所述车辆的行驶轨迹,建立车辆行驶轨迹数据库。
在本实施例中,请参阅图2所示,为了获取高速公路收费系统中的车辆通行数据并建立车辆行驶轨迹数据库,以下是详细的步骤说明:
S101、从高速公路收费系统中获取车辆通行数据
从高速公路收费系统中获取车辆通行数据,其中包括车辆的进入和离开高速公路的时间戳和位置信息、车牌号码以及ETC卡号信息。这些数据可以通过与高速公路收费系统进行接口对接或者数据导出的方式获取。
S102、推算车辆的行驶轨迹并记录到车辆行驶轨迹数据库中
根据车辆的进入和离开高速公路的时间戳和位置信息,推算出车辆的行驶轨迹。可以通过计算车辆在不同时间段内的位置信息变化,以及结合道路网络拓扑结构和车辆行驶规律,确定车辆在高速公路上的具体行驶轨迹。将提取的车辆行驶轨迹记录到车辆行驶轨迹数据库中。
S103、创建表格并导入车辆行驶轨迹数据
为了存储车辆行驶轨迹数据,根据数据格式的字段,创建相应的表格。表格中的字段包括车辆行驶轨迹、起始时间和位置、结束时间和位置、途径路段、车牌号码以及ETC卡号信息等。使用SQL语句批量导入从车辆通行数据中提取的车辆行驶轨迹数据到数据库中。为了提高查询效率,可以在车辆行驶轨迹数据库中添加索引标识,以便快速检索和查询特定车辆的行驶轨迹数据。
通过以上步骤,可以从高速公路收费系统中获取车辆通行数据,并提取、记录车辆的行驶轨迹到车辆行驶轨迹数据库中。这样可以为后续的交通流量推演和预测提供可靠的数据基础,并为交通管理和决策提供有益的信息支持。
示例性的,在获取高速公路收费系统中的车辆通行数据并建立车辆行驶轨迹数据库时,包括以下步骤:
1.获取车辆通行数据:
通过与高速公路收费系统进行接口对接或者数据导出的方式,获取车辆通行数据。
车辆通行数据应包括车辆的进入和离开高速公路的时间戳和位置信息、车牌号码以及ETC卡号信息。
2.创建车辆行驶轨迹数据库:
在数据库管理系统中创建一个新的数据库,用于存储车辆行驶轨迹数据。
3.创建数据表格:
根据车辆行驶轨迹数据的字段,创建相应的数据表格。例如,可以创建名为"Vehicle_Trajectory"的表格,包含以下字段:
Trajectory_ID:行驶轨迹的唯一标识符。
Vehicle_ID:车辆的唯一标识符,可以使用车牌号码或ETC卡号。
Start_Time:车辆进入高速公路的时间戳。
Start_Location:车辆进入高速公路的位置信息。
End_Time:车辆离开高速公路的时间戳。
End_Location:车辆离开高速公路的位置信息。
Waypoints:车辆行驶途径的道路段信息。
4.导入车辆行驶轨迹数据:
通过SQL语句或数据库导入工具,将从车辆通行数据中提取的车辆行驶轨迹数据批量导入到数据库中的"Vehicle_Trajectory"表格中。
确保数据的准确性和完整性,并根据数据格式的要求进行字段匹配和数据类型转换。
5.添加索引标识:
为了提高查询效率,可以在"Vehicle_Trajectory"表格中适当的字段上添加索引标识。例如,可以为Vehicle_ID字段添加索引,以便根据车辆标识符快速检索和查询相应的行驶轨迹数据。
通过以上步骤,可以成功获取高速公路收费系统中的车辆通行数据,并将提取的车辆行驶轨迹数据记录到车辆行驶轨迹数据库中。这样,本发明就可以在后续的交通流量推演和预测等任务中使用该数据库,并进行相应的数据分析和处理。
S20、基于所述车辆行驶轨迹数据库中提取的车辆的行驶轨迹,获得道路上的实时交通流量结果。
其中,请参阅图3所示,基于车辆行驶轨迹数据库获得道路上的实时交通流量结果,包括以下步骤:
S201、从车辆行驶轨迹数据库中提取所需的车辆轨迹数据,将车辆轨迹切割成离散的轨迹片段;
S202、对每个轨迹片段中的轨迹点进行聚类分析,将相邻的轨迹点归为同一类簇;
S203、对每个簇进行特征提取,获取每个簇的中心点、密度和半径信息;
S204、基于道路网络,将聚类后的簇的中心点、密度和半径信息映射到对应的道路段上,使用空间关系判断簇所属的道路段;
S205、根据簇在道路段上的位置和特征信息,计算道路段上的实时交通流量,将计算得到的实时交通流量结果使用地图进行可视化展示。
在本实施例中,步骤S201中,请参阅图4所示,将车辆轨迹切割成离散的轨迹片段,包括以下步骤:
S2011、从车辆行驶轨迹数据库中提取所需的车辆轨迹数据,对每辆车的轨迹点按照时间戳或距离进行排序,确保轨迹点按照时间或距离的先后顺序排列;
S2012、遍历每辆车的轨迹点,根据时间间隔、距离间隔以及速度变化值进行轨迹切割,将两个相邻轨迹点之间的时间间隔、距离间隔以及速度变化值超过设定阈值的轨迹切割为不同的轨迹片段。
例如,如果两个相邻轨迹点之间的时间间隔超过设定阈值,可以将它们分为不同的轨迹片段。
S2013、对于每辆车的轨迹,根据切割的结果,生成离散的轨迹片段,其中,每个轨迹片段对应一个时间段或一段距离。可以使用数据结构(如列表或数组)来存储离散的轨迹片段。
需要注意的是,在轨迹切割过程中,如果需要将轨迹按照时间段切割,可以设定固定的时间间隔;如果需要根据车辆的速度变化来切割轨迹,可以设置速度的阈值。
在本实施例中,步骤S201中,使用k-means聚类算法对每个轨迹片段中的轨迹点进行聚类分析,并将相邻的轨迹点归为同一类簇,包括以下步骤:
选择一个目标轨迹片段,提取所述目标轨迹片段中的轨迹点作为聚类的输入数据。其中,每个轨迹点可以表示为一个多维特征向量,例如包含经度、纬度和时间等属性。
确定聚类算法的簇数k,并随机选择k个轨迹点作为初始的聚类中心,计算每个轨迹点与各个聚类中心之间的距离,并将轨迹点分配给距离最近的聚类中心,更新每个簇的聚类中心为该簇内所有轨迹点的均值;
检查聚类中心的变化情况,判断聚类中心的变化是否小于设定的阈值,若是则达到终止条件,结束迭代,得到最终的聚类中心和每个轨迹点的分类结果;在判断终止条件时,可以通过设置一个最大迭代次数来避免无限循环。
根据每个轨迹点的分类结果,将相邻的轨迹点归为同一类簇,对每个轨迹片段重复执行以上步骤,进行聚类分析和相邻轨迹点的归类。
在本实施例中,基于道路网络,将聚类后的簇的中心点、密度和半径信息映射到对应的道路段上,并使用空间关系判断簇所属的道路段的步骤如下:
步骤1:道路网络建模
将道路网络表示为节点和边的网络模型,其中节点代表道路交叉口或道路段的起点和终点,边代表道路段。通过道路网络的拓扑结构,可以建立道路段之间的关联关系。
步骤2:簇的中心点映射
计算每个道路段的中心点,并将簇的中心点与道路段的中心点进行比较。通过计算簇的中心点与各道路段中心点之间的距离,并选择最近的道路段中心点与该簇的中心点进行关联,从而判断簇所属的道路段。
步骤3:簇的密度映射
根据簇的密度信息,结合道路段的车道通行能力和道路长度来估计道路段的通行能力。通过将簇内轨迹点的密度与道路段的车道通行能力进行比较,可以确定簇在道路段上的通行能力。
步骤4:簇的半径映射
根据簇的半径信息与道路段的长度进行比较。如果簇的中心点位于道路段的中心位置,并且簇的半径与道路段的长度相当,则将该簇与该道路段进行匹配,说明该簇与该道路段有较高的关联性。
通过以上步骤,可以将聚类后的簇的中心点、密度和半径信息映射到对应的道路段上,并使用空间关系判断簇所属的道路段。这样可以准确地将簇的交通流量信息与道路网络中的具体道路段进行关联,实现道路段上的实时交通流量推演和预测。
在本实施例中,计算道路段上的实时交通流量的步骤如下:
a.道路段划分:将道路网络划分为多个道路段,每个道路段代表一个特定的道路段落。这可以通过道路网络的拓扑结构和道路分段信息来实现,确保每个道路段具有独特的标识和边界。
b.簇与道路段的匹配:根据簇的中心点、密度和半径信息,将每个簇与其所属的道路段进行匹配。这可以通过计算簇中心点与道路段之间的距离,并根据一定的阈值进行匹配判断。簇的中心点可以通过聚类算法得到,例如K-means算法。
c.计算簇的密度权重:根据簇内轨迹点的密度进行求和计算簇的密度权重。簇内轨迹点的密度表示簇内的车辆密度,可以通过计算簇内轨迹点的数量或其他密度估计算法来获得。计算簇的密度权重的公式如下:
簇的密度权重=簇内轨迹点的密度总和/簇内轨迹点的数量
其中,簇内轨迹点的密度总和表示簇内所有轨迹点的密度值之和,簇内轨迹点的数量表示簇内轨迹点的个数。
d.计算道路段上的实时交通流量:基于簇的密度权重和簇内轨迹点的数量,计算道路段上的实时交通流量。对于每个与道路段关联的簇,将其簇内轨迹点数量与簇的密度权重相乘,并对所有与该道路段关联的簇进行求和,得到道路段上的实时交通流量。计算道路段上的实时交通流量的公式如下:
实时交通流量=Σ(簇内轨迹点数量*簇的密度权重)
其中,Σ表示对所有与该道路段关联的簇进行求和。
通过以上步骤,可以结合簇的密度和道路段的匹配关系,计算道路段上的实时交通流量,从而提供对道路交通状况的实时监测和评估。这样的推演方法可以为交通管理部门和交通运输公司提供宝贵的信息支持,用于优化交通运行、提供实时路况信息和最佳路线导航建议等应用。
S30、建立路网运行态势的路网交通流量推演模型,根据所述路网交通流量推演模型以及高速公路网络拓扑结构推演路网中各路段的交通流量,推演得到交通流量结果。
其中,建立路网运行态势的路网交通流量推演模型时,包括以下步骤:
S301、收集路网拓扑结构数据和实时交通数据:
收集路网拓扑结构数据,包括道路段的起点和终点、长度、车道数等信息。这些数据可以从相关交通部门或地理信息系统中获取。
从车辆行驶轨迹数据库中提取实时交通数据,包括车辆轨迹、高速公路收费系统的车辆通行数据和交通信号灯状态数据。
S302、构建路网模型:
基于路网拓扑结构数据,构建路网模型。将道路段表示为节点,道路之间的连接表示为边。
为每个道路段赋予道路容量、车道通行能力等属性参数,以反映道路的交通能力和限制条件。
S303、选择交通流模型并进行路网交通流量推演:
根据具体的需求和实际情况,选择适用的交通流模型,例如宏观模型(如LTM、CTM等)或微观模型(如基于车辆间微观模拟的模型)。
基于选择的交通流模型和实时交通数据,进行路网交通流量推演。根据模型的算法和假设,计算各个道路段的交通流量,并考虑交通信号灯等交通控制设施的影响。
S304、评估交通状况和可视化展示:
基于推演得到的交通流量结果,使用指标如拥堵指数、交通延误、平均速度等,评估路网的运行态势和交通状况。
将交通流量结果进行可视化展示,可以使用地图、图表、动态模拟等方式,以便更直观地观察和分析路网的运行态势。
通过以上步骤,本发明可以建立路网运行态势的路网交通流量推演模型,并利用该模型和实时交通数据对路网中各路段的交通流量进行推演。这样,本发明可以评估路网的交通状况和运行效果,并做出相应的交通管理和决策。
S40、将推演得到的所述交通流量结果与所述实时交通流量结果进行比对,根据比对结果,对所述路网交通流量推演模型进行校准和优化,通过优化后的所述路网交通流量推演模型,预测目标时段路网的交通流量。
在本实施例中,将推演得到的所述交通流量结果与所述实时交通流量结果进行比对时,包括:
S401、将相同的时间段和相同的空间范围的两组数据推演得到的交通流量结果和实时交通流量结果;
S402、将推演得到的交通流量结果和实时交通流量结果进行匹配,使得相同位置和相同时间的数据对齐,并进行道路段的标识符、经纬度、时间戳信息的比对和匹配;
S403、对匹配后的数据进行比对分析,比较推演得到的交通流量结果和实时交通流量结果之间的差异的绝对值和相对误差,得到比对结果。
在本实施例中,通过优化后的所述路网交通流量推演模型,预测目标时段路网的交通流量,包括:
在本实施例中,通过优化后的路网交通流量推演模型进行预测目标时段路网的交通流量,包括以下步骤和操作:
1.将推演得到的交通流量结果与实时交通流量结果进行比对:
将推演得到的交通流量结果和实时交通流量结果进行比对,确保两者的数据格式和时间尺度一致。
根据位置、时间以及道路段标识符信息,将推演结果和实际数据进行匹配和对齐,以确保对比的准确性。
2.分析推演结果与实际数据之间的差异:
对比推演结果与实际数据之间的差异,可以计算差异的绝对值和相对误差,以衡量预测的准确性。
分析差异的原因,可能包括路网拓扑结构不准确、交通流模型参数设置不合理等。
3.对路网交通流量推演模型进行优化:
根据分析结果,调整路网交通流量推演模型中的参数,以缩小推演结果与实际数据之间的差异。
优化参数的目标是使推演结果更加接近实际数据,并且达到预先设定的差异阈值内。
4.验证优化后的路网交通流量推演模型:
使用优化后的路网交通流量推演模型对历史数据进行验证,并与实际情况进行比对。
分析验证结果,比较推演结果与实际数据之间的一致性,评估模型的准确性和可靠性。
根据验证结果进行调试和修正,进一步优化路网交通流量推演模型,确保其能够准确预测路网的交通流量。
通过以上步骤,本发明可以通过优化后的路网交通流量推演模型预测目标时段路网的交通流量,并与实际数据进行比对和验证,以进一步优化模型的准确性和可靠性。这样,本发明可以更精确地了解路网的交通状况,并为交通管理和决策提供有价值的参考依据。
综上所述,本发明的基于高速公路收费系统的路网交通流量推演方法具有以下有益效果:通过获取车辆通行数据并建立车辆行驶轨迹数据库,能够实时记录和分析车辆的行驶情况;结合路网拓扑结构和实时交通数据,建立路网交通流量推演模型,能够准确推演出各路段的交通流量;通过比对推演结果和实时数据,进行模型校准和优化,提高推演准确性;最终能够预测目标时段路网的交通流量,为交通管理和决策提供准确的交通状况信息,优化交通运行,提高道路利用效率,为实现智能交通提供有益效果。
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、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于高速公路收费系统的路网交通流量推演方法,其特征在于,包括以下步骤:
获取高速公路收费系统中的车辆通行数据,提取并记录所述车辆的行驶轨迹,建立车辆行驶轨迹数据库;
基于所述车辆行驶轨迹数据库中提取的车辆的行驶轨迹,获得道路上的实时交通流量结果;
建立路网运行态势的路网交通流量推演模型,根据所述路网交通流量推演模型以及高速公路网络拓扑结构推演路网中各路段的交通流量,推演得到交通流量结果;
将推演得到的所述交通流量结果与所述实时交通流量结果进行比对,根据比对结果,对所述路网交通流量推演模型进行校准和优化,通过优化后的所述路网交通流量推演模型,预测目标时段路网的交通流量。
2.如权利要求1所述的基于高速公路收费系统的路网交通流量推演方法,其特征在于,提取并记录所述车辆的行驶轨迹,包括以下步骤:
从高速公路收费系统中获取车辆通行数据,其中,所述车辆通行数据包括车辆的进入和离开高速公路的时间戳和位置信息、车牌号码以及ETC卡号信息;
根据车辆的进入和离开高速公路的时间戳和位置信息推算出车辆的行驶轨迹,将提取的车辆行驶轨迹记录到车辆行驶轨迹数据库中;
其中,车辆行驶轨迹、起始时间和位置、结束时间和位置、途径路段、车牌号码以及ETC卡号信息根据数据格式的字段创建表格,使用SQL语句批量导入数据库,并在车辆行驶轨迹数据库中添加索引标识。
3.如权利要求2所述的基于高速公路收费系统的路网交通流量推演方法,其特征在于,基于车辆行驶轨迹数据库获得道路上的实时交通流量结果,包括以下步骤:
从车辆行驶轨迹数据库中提取所需的车辆轨迹数据,将车辆轨迹切割成离散的轨迹片段;
对每个轨迹片段中的轨迹点进行聚类分析,将相邻的轨迹点归为同一类簇;
对每个簇进行特征提取,获取每个簇的中心点、密度和半径信息;
基于道路网络,将聚类后的簇的中心点、密度和半径信息映射到对应的道路段上,使用空间关系判断簇所属的道路段;
根据簇在道路段上的位置和特征信息,计算道路段上的实时交通流量,将计算得到的实时交通流量结果使用地图进行可视化展示。
4.如权利要求3所述的基于高速公路收费系统的路网交通流量推演方法,其特征在于,将车辆轨迹切割成离散的轨迹片段,包括以下步骤:
从车辆行驶轨迹数据库中提取所需的车辆轨迹数据,对每辆车的轨迹点按照时间戳或距离进行排序;
遍历每辆车的轨迹点,根据时间间隔、距离间隔以及速度变化值进行轨迹切割,将两个相邻轨迹点之间的时间间隔、距离间隔以及速度变化值超过设定阈值的轨迹切割为不同的轨迹片段;
对于每辆车的轨迹,根据切割的结果,生成离散的轨迹片段,其中,每个轨迹片段对应一个时间段或一段距离。
5.如权利要求3所述的基于高速公路收费系统的路网交通流量推演方法,其特征在于,使用k-means聚类算法对每个轨迹片段中的轨迹点进行聚类分析,并将相邻的轨迹点归为同一类簇,包括以下步骤:
选择一个目标轨迹片段,提取所述目标轨迹片段中的轨迹点作为聚类的输入数据;
确定聚类算法的簇数k,并随机选择k个轨迹点作为初始的聚类中心,计算每个轨迹点与各个聚类中心之间的距离,并将轨迹点分配给距离最近的聚类中心;
检查聚类中心的变化情况,判断聚类中心的变化是否小于设定的阈值,若是则达到终止条件,结束迭代,得到最终的聚类中心和每个轨迹点的分类结果;
根据每个轨迹点的分类结果,将相邻的轨迹点归为同一类簇,对每个轨迹片段重复执行以上步骤,进行聚类分析和相邻轨迹点的归类。
6.如权利要求5所述的基于高速公路收费系统的路网交通流量推演方法,其特征在于,基于道路网络,将聚类后的簇的中心点、密度和半径信息映射到对应的道路段上,使用空间关系判断簇所属的道路段,包括以下步骤:
步骤1)、道路网络建模:将道路网络表示为节点和边的网络模型,其中节点代表道路交叉口或道路段的起点和终点,边代表道路段;
步骤2)、簇的中心点映射:计算每个道路段的中心点,并将簇的中心点与道路段的中心点进行比较,将簇的中心点与最近的道路段的中心点关联起来,判断簇所属的道路段;
步骤3)、簇的密度映射:根据簇的密度信息,使用道路段的车道通行能力、道路长度来估计道路段的通行能力;
步骤4)、簇的半径映射:根据簇的半径信息与道路段的长度比较,弱簇的中心点位于道路段的中心位置,则将簇与该道路段进行匹配。
7.如权利要求6所述的基于高速公路收费系统的路网交通流量推演方法,其特征在于,计算道路段上的实时交通流量包括以下步骤:
a、道路段划分:将道路网络划分为多个道路段,每个道路段代表一个特定的道路段落;
b、簇与道路段的匹配:根据簇的中心点、密度和半径信息,将每个簇与其所属的道路段进行匹配;
c、计算簇的密度权重:根据簇内轨迹点的密度进行求和计算簇的密度权重;其中,计算公式如下:
簇的密度权重=簇内轨迹点的密度总和/簇内轨迹点的数量
其中,簇内轨迹点的密度总和表示簇内所有轨迹点的密度值之和,簇内轨迹点的数量表示簇内轨迹点的个数;
d、计算道路段上的实时交通流量:基于簇的密度权重和簇内轨迹点的数量,计算道路段上的实时交通流量,计算公式如下:
实时交通流量=Σ(簇内轨迹点数量*簇的密度权重)
其中,Σ表示对所有与该道路段关联的簇进行求和。
8.如权利要求1所述的基于高速公路收费系统的路网交通流量推演方法,其特征在于,建立路网运行态势的路网交通流量推演模型时,包括以下步骤:
收集路网拓扑结构数据和实时交通数据,其中,所述路网拓扑结构数据包括道路段的起点和终点、道路属性的长度、车道数信息;所述实时交通数据为根据车辆行驶轨迹数据库获得道路上的实时交通流量结果,包含车辆轨迹、高速公路收费系统车辆通行数据以及交通信号灯状态数据;
基于路网拓扑结构数据,构建路网模型,将道路段表示为节点,道路之间的连接表示为边,并为路网中的道路段赋予道路容量、车道通行能力的属性参数;
选择交通流模型映射车辆在路网中的运行行为,并基于选择的交通流模型和实时交通数据,进行路网交通流量推演;
基于拥堵指数、交通延误、平均速度指标评估交通状况,分析推演得到的交通流量结果,评估路网的运行态势,并将交通流量结果可视化展示。
9.如权利要求8所述的基于高速公路收费系统的路网交通流量推演方法,其特征在于,将推演得到的所述交通流量结果与所述实时交通流量结果进行比对时,包括:
将相同的时间段和相同的空间范围的两组数据推演得到的交通流量结果和实时交通流量结果;
将推演得到的交通流量结果和实时交通流量结果进行匹配,使得相同位置和相同时间的数据对齐,并进行道路段的标识符、经纬度、时间戳信息的比对和匹配;
对匹配后的数据进行比对分析,比较推演得到的交通流量结果和实时交通流量结果之间的差异的绝对值和相对误差,得到比对结果。
10.如权利要求9所述的基于高速公路收费系统的路网交通流量推演方法,其特征在于,通过优化后的所述路网交通流量推演模型,预测目标时段路网的交通流量,包括:
将推演得到的交通流量结果与实时交通流量结果进行比对,将位置、时间以及道路段标识符信息进行匹配和对齐,得到推演结果与实际数据之间的比对结果;
根据比对结果分析推演结果与实际数据之间差异的绝对值和相对误差,对路网交通流量推演模型中的参数进行调整,缩小推演结果与实际数据之间的差异至设定差异阈值内,完成对路网交通流量推演模型进行优化;
使用优化后的路网交通流量推演模型对历史数据进行验证,并与实际情况进行比对,并根据根据验证结果进行调试和修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310684641.2A CN116597649B (zh) | 2023-06-09 | 2023-06-09 | 一种基于高速公路收费系统的路网交通流量推演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310684641.2A CN116597649B (zh) | 2023-06-09 | 2023-06-09 | 一种基于高速公路收费系统的路网交通流量推演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116597649A true CN116597649A (zh) | 2023-08-15 |
CN116597649B CN116597649B (zh) | 2024-07-16 |
Family
ID=87604470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310684641.2A Active CN116597649B (zh) | 2023-06-09 | 2023-06-09 | 一种基于高速公路收费系统的路网交通流量推演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116597649B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117475628A (zh) * | 2023-11-01 | 2024-01-30 | 中交资产管理有限公司 | 一种基于风险理论的高速公路运营方法及信息系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787858A (zh) * | 2016-03-29 | 2016-07-20 | 交通运输部公路科学研究所 | 一种高速公路网态势推演方法 |
CN109871876A (zh) * | 2019-01-22 | 2019-06-11 | 东南大学 | 一种基于浮动车数据的高速公路路况识别与预测方法 |
US20190228593A1 (en) * | 2016-02-18 | 2019-07-25 | South China University Of Technology | Toll road network traffic information collection and guidance system based on route identification system |
CN113611115A (zh) * | 2021-08-06 | 2021-11-05 | 安徽师范大学 | 一种基于路网敏感特征的车辆轨迹聚类方法 |
WO2022032781A1 (zh) * | 2020-08-12 | 2022-02-17 | 深圳技术大学 | 车流量特征提取方法及系统 |
CN114999181A (zh) * | 2022-05-11 | 2022-09-02 | 山东高速建设管理集团有限公司 | 一种基于etc系统数据的高速公路车辆速度异常识别方法 |
-
2023
- 2023-06-09 CN CN202310684641.2A patent/CN116597649B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190228593A1 (en) * | 2016-02-18 | 2019-07-25 | South China University Of Technology | Toll road network traffic information collection and guidance system based on route identification system |
CN105787858A (zh) * | 2016-03-29 | 2016-07-20 | 交通运输部公路科学研究所 | 一种高速公路网态势推演方法 |
CN109871876A (zh) * | 2019-01-22 | 2019-06-11 | 东南大学 | 一种基于浮动车数据的高速公路路况识别与预测方法 |
WO2022032781A1 (zh) * | 2020-08-12 | 2022-02-17 | 深圳技术大学 | 车流量特征提取方法及系统 |
CN113611115A (zh) * | 2021-08-06 | 2021-11-05 | 安徽师范大学 | 一种基于路网敏感特征的车辆轨迹聚类方法 |
CN114999181A (zh) * | 2022-05-11 | 2022-09-02 | 山东高速建设管理集团有限公司 | 一种基于etc系统数据的高速公路车辆速度异常识别方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117475628A (zh) * | 2023-11-01 | 2024-01-30 | 中交资产管理有限公司 | 一种基于风险理论的高速公路运营方法及信息系统 |
CN117475628B (zh) * | 2023-11-01 | 2024-05-03 | 中交资产管理有限公司 | 一种基于风险理论的高速公路运营方法及信息系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116597649B (zh) | 2024-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Antoniou et al. | W–SPSA in practice: Approximation of weight matrices and calibration of traffic simulation models | |
EP2603770B1 (en) | Parking lot detection using probe data | |
US6879907B2 (en) | Method and system for modeling and processing vehicular traffic data and information and applying thereof | |
US8706459B2 (en) | Traffic sensor management | |
Pan et al. | Forecasting spatiotemporal impact of traffic incidents for next-generation navigation systems | |
CN108961758A (zh) | 一种基于梯度提升决策树的路口展宽车道探测方法 | |
CN116597649B (zh) | 一种基于高速公路收费系统的路网交通流量推演方法 | |
CN112652172B (zh) | 一种基于车辆gps轨迹的路段交通量分析方法 | |
US20040064450A1 (en) | Method for preparing data to be analyzed, data analysis method, data analysis device, data preparation program, data analysis program, data prediction device, data prediction method, data prediction program and computer | |
CN116437291B (zh) | 一种基于手机信令的文化圈规划方法和系统 | |
Aziz et al. | Identifying and characterizing truck stops from GPS data | |
CN115331425A (zh) | 一种交通预警方法、装置和系统 | |
Liu et al. | Themis: A participatory navigation system for balanced traffic routing | |
CN110264725B (zh) | 路段流量的确定方法及装置 | |
Fahs et al. | Traffic congestion prediction based on multivariate modelling and neural networks regressions | |
CN115691140A (zh) | 一种汽车充电需求时空分布的分析与预测方法 | |
Abbas et al. | Evaluation of the use of streaming graph processing algorithms for road congestion detection | |
Hadi et al. | Traffic management simulation development. | |
Kurkcu et al. | A Hierarchical Clustering Based Travel Time Estimation Model in a Connected Vehicle Environment | |
Chien et al. | Feasibility of Lane Closures Using Probe Data | |
CN117636638A (zh) | 一种基于c-v2x的车辆拥堵综合分析方法及系统 | |
CN112927116A (zh) | 一种智慧交通的智能调度方法、装置及调度中心 | |
Awaad et al. | Estimation of Origin-Destination Matrix Using Open-Source Applications Based on Traffic Counts for Mansoura City in Egypt | |
Kinateder et al. | Sampling designs and estimators for monitoring vehicle characteristics under limited inspection capacity | |
CN116166968A (zh) | 一种基于车辆轨迹分析构建通勤路径的方法 |
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 |