CN116935655A - 一种面向复杂城市道路网络的交通状态判别方法及系统 - Google Patents
一种面向复杂城市道路网络的交通状态判别方法及系统 Download PDFInfo
- Publication number
- CN116935655A CN116935655A CN202311194279.7A CN202311194279A CN116935655A CN 116935655 A CN116935655 A CN 116935655A CN 202311194279 A CN202311194279 A CN 202311194279A CN 116935655 A CN116935655 A CN 116935655A
- Authority
- CN
- China
- Prior art keywords
- license plate
- road
- road section
- traffic
- time
- 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 35
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000004891 communication Methods 0.000 claims description 13
- 238000012850 discrimination method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000011144 upstream manufacturing Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000003137 locomotive effect Effects 0.000 claims 1
- 238000007726 management method Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling 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
- G08G1/0125—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
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
-
- 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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种面向复杂城市道路网络的交通状态判别方法及系统,其方法包括获取预设时间段目标区域内所有车牌识别数据并进行标准化处理，得到路网内每一个路段的车牌识别数据集和行程时间数据集；根据车牌识别数据集和行程时间数据集计算各路段处于稳态状态下的特征参数，并计算各路段各时刻的特征参数；根据各路段各时刻的交通特征参数以及各路段处于稳定状态下的特征参数确定各路段各时刻的交通状态。本发明可实现各路段各时刻交通状态的准确划分，为城市道路交通规划、交通管理控制以及智能网联车路协同等智能交通手段的实现提供了基础，同时在计算过程中充分考虑了城市道路交通流的物理特性，且无需其他来源数据辅助计算，易于工程实现。
Description
技术领域
本发明涉及城市智能交通研究技术领域，尤其涉及一种面向复杂城市道路网络的交通状态判别方法及系统。
背景技术
城市道路交通流状态是城市道路交通规划、交通管理控制以及智能网联车路协同等智能交通手段的基础。现阶段对于城市道路交通状态的理论研究和实践基础较多，理论研究方面通常聚焦于特定场景下的交通状态判别，如快速路状态判别、主干路状态判别、或者考虑信号控制的状态判别，方法的准度、精度较高，但适用面较窄，且需要事前划分场景并匹配合适的方法；工程实践方面，国家交通运输部、高德地图、百度地图等机构主要采用多源数据、综合指标的方法量化路网交通状态，该类方法往往过于简单，缺乏解释性、科学性和可靠性，且需要多源数据的支撑。目前，国内各城市均大量布设电子警察、射频识别等设备，可获取大量车牌识别数据，且该类数据采样率高并且相对准确，如何在将车牌识别数据作为唯一数据来源的前提下，实现城市复杂路网的交通状态判别，提出一种无需考虑道路等级、信号控制条件、道路长度等各类因素的通用方法尤为重要。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足，提供一种面向复杂城市道路网络的交通状态判别方法及系统。
本发明解决上述技术问题的技术方案如下：一种面向复杂城市道路网络的交通状态判别方法, 包括如下步骤：
获取预设时间段目标区域内所有车牌识别数据并进行标准化处理，得到路网内每一个路段的车牌识别数据集和行程时间数据集；
根据所述行程时间数据集和车牌识别数据集计算各路段处于稳态状态下的特征参数，并计算各路段各时刻的特征参数；
根据各路段各时刻的交通特征参数以及各路段处于稳定状态下的特征参数确定各路段各时刻的交通状态。
在上述技术方案的基础上，本发明还可以做如下改进：
进一步：所述获取预设时间段目标区域内所有车牌识别数据并进行标准化处理具体包括如下步骤：
获取预设时间段目标区域内所有车牌识别数据，并形成车牌识别数据集：
其中，D为车牌识别数据集，其中每一个元素表示一条车牌识别记录，代表车牌号为/>的车辆n在/>时刻从/>方向的/>车道通过编号为In的交通卡口；对于车牌识别数据集D中每一个车牌识别记录/>，提取该车辆上一次被检测的记录/>,并计算车牌号为的车辆n通过路段/>所花费的实际行程时间，并生成行程时间数据集TD：
其中，为基于车牌识别设备定义的城市道路网络的一个路段，所述行程时间数据集TD包含多对当前车牌识别记录/>及对应的上一次识别记录/>；
从所述行程时间数据集TD中提取目标区域内所有基于车牌识别设备的路段，形成目标区域的路段集合L：
其中，代表路网中基于车牌识别设备形成的第m条路段，其上游卡口断面为/>，下游卡口断面为/>；
从所述行程时间数据集TD中提取路段的所有行程时间记录，形成该路段的行程时间数据集LTD：
从车牌识别数据集D中提取路段的所有车牌识别记录，并计算每一辆车的车头时距，形成该路段的车牌识别数据集LD：
式中，为车辆n通过卡口方向/>方向/>车道/>时与前车的车头时距。
上述进一步方案的有益效果是：通过车牌识别数据集分别计算车辆通过对应路面的行程时间，并生成行程时间数据集TD，进而根据行程时间数据集TD进一步提取目标区域的路段集合L、行程时间数据集LTD和车牌识别数据集LD，这样方便后续根据这些参数信息准确判断各路段各时刻的交通状态。
进一步：所述获取预设时间段目标区域内所有车牌识别数据，并形成车牌识别数据集后，还包括如下步骤：
剔除所述车牌识别数据集D中的重复数据：如果所述车牌识别数据集D中存在两个车牌识别记录 的时间间隔小于预设时间间隔阈值，则两个车牌识别记录/>为重复检测记录，剔除较早的车牌识别记录记录，保留较晚的车牌识别记录/>。
上述进一步方案的有益效果是：通过对所述车牌识别数据集D中的重复数据进行剔除处理，可以降低计算量，并且提高计算结果的精度。
进一步：所述计算各路段处于稳态状态下的特征参数具体包括如下步骤：
基于路段的车牌识别数据集LD计算预设时间段/>内各时间窗的车头时距50分位数序列和车头时距80分位数序列：
其中，为第i个时间窗的车头时距50分位数，/>为第i个时间窗的车头时距80分位数，第i个时间窗所处的时段为：/>其中，/>为稳态判别时间窗；
分别计算车头时距分位数序列的众数作为路段/>的车头时距特征参数：
其中，稳态状态下的特征参数一，取值为/>路段车头时距50分位数序列的众数，/>稳态状态下的特征参数二，取值为/>路段车头时距80分位数序列的众数；
基于路段的行程时间数据集LTD计算稳态状态下的行程时间特征值/>
其中，稳态状态下的特征参数三，取值为/>路段行程时间10分位数，/>稳态状态下的特征参数四，取值为/>路段行程时间90分位数。
上述进一步方案的有益效果是：通过车牌识别数据集LD计算预设时间段内各时间窗的车头时距50分位数序列和车头时距80分位数序列，进而可以计算车头时距分位数序列/>的众数作为路段/>的车头时距特征参数以及稳态状态下的行程时间特征值，作为后续判断各路段各时刻的交通状态的依据。
进一步：所述计算各路段各时刻的特征参数具体包括如下步骤：
基于车牌识别数据集LD计算各时间窗的车头时距50分位数、车头时距80分位数/>：
其中，W2为交通状态判别时间窗；
根据所述车牌识别数据集LD计算各时间窗的平均车道流量：
其中，为车牌识别数据集LD中的出现的唯一车道数，由方向/>车道/>的取值组合决定；
根据行程时间数据集LTD计算各时间窗的行程时间众数：
上述进一步方案的有益效果是：通过所述车牌识别数据集LD、车牌识别数据集LD和行程时间数据集LTD分别计算各时间窗的车头时距50分位数、车头时距80分位数、平均车道流量/>和行程时间众数/>，进而可以作为后续判断各路段各时刻的交通状态的依据。
进一步：所述根据各路段各时刻的交通特征参数以及各路段处于稳定状态下的特征参数确定各路段各时刻的交通状态具体包括如下步骤：
对于第i个时间窗，如果平均车道流量低于预设阈值或者行程时间众数低于稳态状态下的特征参数三，则判断该时间窗对应的道路交通处于畅通状态：
式中，为第i个时间窗的交通状态等级，/>为每分钟的车流量阈值；
对于第i个时间窗，如果行程时间众数处于稳态状态下的特征参数三与特征参数四之间，且小于等于交通状态判别时间窗与每分钟的车流量阈值/>之积，则判断该时间窗对应的车头时距50分位数、80分位数是否符合如下预设条件，如果符合，则判断该时间窗对应的道路交通处于基本畅通状态，并将其状态等级进行划分，所述预设条件为：
其中，分别为车头时距阈值一、车头时距阈值二，表征车头时距的浮动范围；
对于第i个时间窗，如果行程时间众数高于稳态状态下的特征参数四且大于交通状态判别时间窗与每分钟的车流量阈值/>之积，则判断该时间窗的道路交通状态处于拥堵状态，并根据行程时间众数的取值计算拥堵等级。
上述进一步方案的有益效果是：通过所述平均车道流量、预设阈值、行程时间众数低于稳态状态下的特征参数三、特征参数四以及时间窗对应的车头时距50分位数、80分位数是否符合如下预设条件，来确定道路交通是否处于畅通状态或基本畅通状态，以及根据行程时间众数、稳态状态下的特征参数四交通状态判别时间窗/>来确定道路交通是否处于拥堵状态，并计算拥堵等级。
进一步：所述根据行程时间众数的取值计算拥堵等级的计算公式为:
其中，roundup为向上舍入函数。
本发明还提供了一种面向复杂城市道路网络的交通状态判别系统, 包括数据处理模块、数据计算模块和状态判断模块；
数据处理模块，用于所述获取预设时间段目标区域内所有车牌识别数据并进行标准化处理，得到路网内每一个路段的车牌识别数据集和行程时间数据集；
数据计算模块，用于根据所述车牌识别数据集和行程时间数据集计算各路段处于稳态状态下的特征参数，并计算各路段各时刻的特征参数；
状态判断模块，用于根据各路段各时刻的交通特征参数以及各路段处于稳定状态下的特征参数确定各路段各时刻的交通状态。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现所述的方法。
本发明还提供了一种面向复杂城市道路网络的交通状态判别设备，包括通信接口、存储器、通信总线和所述的处理器，其中，所述处理器、通信接口和存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现所述的面向复杂城市道路网络的交通状态判别方法的步骤。
本发明的面向复杂城市道路网络的交通状态判别方法及系统，通过每一个路段的行程时间数据集和车牌识别数据集计算各路段处于稳态状态下的特征参数，并计算各路段各时刻的特征参数，进而实现各路段各时刻的交通状态的准确划分，为城市道路交通规划、交通管理控制以及智能网联车路协同等智能交通手段的实现提供了基础，同时该方法在计算过程中充分考虑了城市道路交通流的物理特性，且无需其他来源数据辅助计算，易于工程实现。
附图说明
图1为本发明一实施例的面向复杂城市道路网络的交通状态判别方法的流程示意图；
图2为本发明一实施例的车牌识别数据处理的流程示意图；
图3为本发明一实施例的各路段处于稳态状态下的特征参数的计算流程示意图；
图4为本发明一实施例的各路段各时刻的特征参数的计算流程示意图；
图5为本发明一实施例的特征参数的计算结果示意图；
图6为本发明一实施例的交通状态判断结果示意图；
图7为本发明一实施例的面向复杂城市道路网络的交通状态判别系统的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1所示，一种面向复杂城市道路网络的交通状态判别方法, 包括如下步骤：
S1：获取预设时间段目标区域内所有车牌识别数据并进行标准化处理，得到路网内每一个路段的车牌识别数据集和行程时间数据集；
S2：根据所述车牌识别数据集和行程时间数据集计算各路段处于稳态状态下的特征参数，并计算各路段各时刻的特征参数；
S3：根据各路段各时刻的交通特征参数以及各路段处于稳定状态下的特征参数确定各路段各时刻的交通状态。
本发明的面向复杂城市道路网络的交通状态判别方法，通过每一个路段的行程时间数据集和车牌识别数据集计算各路段处于稳态状态下的特征参数，并计算各路段各时刻的特征参数，进而实现各路段各时刻的交通状态的准确划分，为城市道路交通规划、交通管理控制以及智能网联车路协同等智能交通手段的实现提供了基础，同时该方法在计算过程中充分考虑了城市道路交通流的物理特性，且无需其他来源数据辅助计算，易于工程实现。
如图2所示，在本发明的一个或多个实施例中，所述获取预设时间段目标区域内所有车牌识别数据并进行标准化处理具体包括如下步骤：
S11：获取预设时间段目标区域内所有车牌识别数据，并形成车牌识别数据集：
其中，D为车牌识别数据集，其中每一个元素表示一条车牌识别记录，代表车牌号为/>的车辆n在/>时刻从/>方向的/>车道通过编号为In的交通卡口；
S13：对于车牌识别数据集D中每一个车牌识别记录，提取该车辆上一次被检测的记录/>，并计算车牌号为/>的车辆n通过路段/>所花费的实际行程时间，并生成行程时间数据集TD：
其中，为基于车牌识别设备定义的城市道路网络的一个路段，所述行程时间数据集TD包含多对当前车牌识别记录/>及对应的上一次识别记录/>；
这里，对于车牌识别数据集D中每一个车牌识别记录，提取该车辆上一次被检测的记录/>，如果存在/>，则/>满足如下关系：
为车牌号为/>的车辆n通过路段/>所花费的实际行程时间，也可理解为相继通过卡口/>所需要的时间。
实际中，将车牌识别数据集D中存在的每一对存入行程时间数据集TD，使得每一个元素/>代表一条车牌识别记录以及该车辆上一次被检测的记录。
S14：从所述行程时间数据集TD中提取目标区域内所有基于车牌识别设备的路段，形成目标区域的路段集合L：
其中，代表路网中基于车牌识别设备形成的第m条路段，其上游卡口断面为/>，下游卡口断面为/>；
S15：从所述行程时间数据集TD中提取路段的所有行程时间记录，形成该路段的行程时间数据集LTD：
S15：从车牌识别数据集D中提取路段的所有车牌识别记录，并计算每一辆车的车头时距，形成该路段的车牌识别数据集LD：
式中，为车辆n通过卡口/>方向/>车道/>时与前车的车头时距。
通过车牌识别数据集分别计算车辆通过对应路面的行程时间，并生成行程时间数据集TD，进而根据行程时间数据集TD进一步提取目标区域的路段集合L、行程时间数据集LTD和车牌识别数据集LD，这样方便后续根据这些参数信息准确判断各路段各时刻的交通状态。
如图2所示，可选地，在本发明的一个或多个实施例中，所述获取预设时间段目标区域内所有车牌识别数据，并形成车牌识别数据集后，还包括如下步骤：
S12：剔除所述车牌识别数据集D中的重复数据：如果所述车牌识别数据集D中存在两个车牌识别记录，使得/>、的时间间隔小于预设时间间隔阈值，则两个车牌识别记录/>为重复检测记录，剔除较早的车牌识别记录记录，保留较晚的车牌识别记录/>。
通过对所述车牌识别数据集D中的重复数据进行剔除处理，可以降低计算量，并且提高计算结果的精度。
如图3所示，在本发明的一个或多个实施例中，所述计算各路段处于稳态状态下的特征参数具体包括如下步骤：
S21a：基于路段的车牌识别数据集LD计算预设时间段[10:00，22：00）内各时间窗的车头时距50分位数序列和车头时距80分位数序列：
其中，为第i个时间窗的车头时距50分位数，/>为第i个时间窗的车头时距80分位数，第i个时间窗所处的时段为：
其中，为稳态判别时间窗，本实施例中，建议取值30min。
S22a：分别计算车头时距分位数序列的众数作为路段/>的车头时距特征参数：
其中，为路段/>稳态状态下的特征参数一，取值为/>路段车头时距50分位数序列的众数，/>为路段/>稳态状态下的特征参数二，取值为/>路段车头时距80分位数序列的众数；
S23a：基于路段的行程时间数据集LTD计算稳态状态下的行程时间特征值：
其中，稳态状态下的特征参数三，取值为/>路段行程时间10分位数，/>稳态状态下的特征参数四，取值为/>路段行程时间90分位数。
这里，第i个时间窗是否为稳态交通流所处时段的判断方法为：如果该时间窗主要表现为稳态交通流，则其车头时距50分位数小于等于，且其车头时距80分位数大于等于。
通过车牌识别数据集LD计算预设时间段[t s ，t e ）内各时间窗的车头时距50分位数序列和车头时距80分位数序列，进而可以计算车头时距分位数序列的众数作为路段/>的车头时距特征参数以及稳态状态下的行程时间特征值，作为后续判断各路段各时刻的交通状态的依据。
如图4所示，在本发明的一个或多个实施例中，所述计算各路段各时刻的特征参数具体包括如下步骤：
S21b：基于车牌识别数据集LD计算各时间窗的车头时距50分位数、车头时距80分位数/>：
其中，W2为交通状态判别时间窗，本实施例中取值为5min。
S22b：根据所述车牌识别数据集LD计算各时间窗的平均车道流量：
其中，为车牌识别数据集LD中的出现的唯一车道数，由方向/>车道/>的取值组合决定；
S23b：根据行程时间数据集LTD计算各时间窗的行程时间众数：
通过所述车牌识别数据集LD、车牌识别数据集LD和行程时间数据集LTD分别计算各时间窗的车头时距50分位数、车头时距80分位数/>、平均车道流量/>和行程时间众数/>，如图5所示，进而可以作为后续判断各路段各时刻的交通状态的依据。
在本发明的一个或多个实施例中，所述根据各路段各时刻的交通特征参数以及各路段处于稳定状态下的特征参数确定各路段各时刻的交通状态具体包括如下步骤：
S31：对于第i个时间窗，如果平均车道流量低于预设阈值（本实施例中取交通状态判别时间窗/>与每分钟的车流量阈值/>之积）或者行程时间众数低于稳态状态下的特征参数三，则判断该时间窗对应的道路交通处于畅通状态：
式中，为第i个时间窗的交通状态等级，/>为每分钟的车流量阈值；
S32：对于第i个时间窗，如果行程时间众数处于稳态状态下的特征参数三与特征参数四之间，且小于等于预设阈值（交通状态判别时间窗与每分钟的车流量阈值/>之积），则判断该时间窗对应的车头时距50分位数、80分位数是否符合如下预设条件，如果符合，则判断该时间窗对应的道路交通处于基本畅通状态，并将其状态等级进行划分，所述预设条件为：
其中，分别为车头时距阈值一、车头时距阈值二，表征车头时距的浮动范围，本实施例中，取值分别为2s和20s；
S33：对于第i个时间窗，如果行程时间众数高于稳态状态下的特征参数四且大于预设阈值（交通状态判别时间窗与每分钟的车流量阈值/>之积），则判断该时间窗的道路交通状态处于拥堵状态，并根据行程时间众数的取值计算拥堵等级。如图6所示，为本发明实施例计算的各路段各时刻的交通状态结果。
通过所述平均车道流量、预设阈值、行程时间众数低于稳态状态下的特征参数三、特征参数四以及时间窗对应的车头时距50分位数、80分位数、预设阈值、行程时间众数低于稳态状态下的特征参数三、特征参数四以及时间窗对应的车头时距50分位数、80分位数/>来确定道路交通是否处于拥堵状态，并计算拥堵等级。
在本发明的一个或多个实施例中，所述根据行程时间众数的取值计算拥堵等级的计算公式为:
其中，roundup为向上舍入函数。
如图7所示，本发明还提供了一种面向复杂城市道路网络的交通状态判别系统,包括数据处理模块、数据计算模块和状态判断模块；
数据处理模块，用于所述获取预设时间段目标区域内所有车牌识别数据并进行标准化处理，得到路网内每一个路段的车牌识别数据集和行程时间数据集；
数据计算模块，用于根据所述车牌识别数据集和行程时间数据集计算各路段处于稳态状态下的特征参数，并计算各路段各时刻的特征参数；
状态判断模块，用于根据各路段各时刻的交通特征参数以及各路段处于稳定状态下的特征参数确定各路段各时刻的交通状态。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现所述的方法。
本发明还提供了一种面向复杂城市道路网络的交通状态判别设备，包括通信接口、存储器、通信总线和所述的处理器，其中，所述处理器、通信接口和存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现所述的面向复杂城市道路网络的交通状态判别方法的步骤。
本发明的面向复杂城市道路网络的交通状态判别方法及系统，通过每一个路段的行程时间数据集和车牌识别数据集计算各路段处于稳态状态下的特征参数，并计算各路段各时刻的特征参数，进而实现各路段各时刻的交通状态的准确划分，为城市道路交通规划、交通管理控制以及智能网联车路协同等智能交通手段的实现提供了基础，同时该方法在计算过程中充分考虑了城市道路交通流的物理特性，且无需其他来源数据辅助计算，易于工程实现。
以上所述仅为本发明的较佳实施例，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 (9)
1.一种面向复杂城市道路网络的交通状态判别方法, 其特征在于，包括如下步骤：
获取预设时间段目标区域内所有车牌识别数据并进行标准化处理，得到路网内每一个路段的车牌识别数据集和行程时间数据集；
根据所述车牌识别数据集和行程时间数据集计算各路段处于稳态状态下的特征参数，并计算各路段各时刻的特征参数；
根据各路段各时刻的交通特征参数以及各路段处于稳定状态下的特征参数确定各路段各时刻的交通状态；
所述获取预设时间段目标区域内所有车牌识别数据并进行标准化处理具体包括如下步骤：
获取预设时间段目标区域内所有车牌识别数据，并形成车牌识别数据集：
其中，D为车牌识别数据集，其中每一个元素/>表示一条车牌识别记录，代表车牌号为/>的车辆n在/>时刻从方向的/>车道通过编号为In的交通卡口；
对于车牌识别数据集D中每一个车牌识别记录，提取该车辆上一次被检测的记录，并计算车牌号为/>的车辆n通过路段/>所花费的实际行程时间，并生成行程时间数据集TD：
其中，/>为基于车牌识别设备定义的城市道路网络的一个路段，所述行程时间数据集TD包含多对当前车牌识别记录/>及对应的上一次识别记录/>； 从所述行程时间数据集TD中提取目标区域内所有基于车牌识别设备的路段，形成目标区域的路段集合L：
其中，/>代表路网中基于车牌识别设备形成的第m条路段，其上游卡口断面为/>，下游卡口断面为/>；
从所述行程时间数据集TD中提取路段的所有行程时间记录，形成该路段的行程时间数据集LTD：/>从车牌识别数据集D中提取路段/>的所有车牌识别记录，并计算每一辆车的车头时距，形成该路段的车牌识别数据集LD：
式中，/>为车辆n通过卡口/>方向/>车道/>时与前车的车头时距。
2.根据权利要求1所述的面向复杂城市道路网络的交通状态判别方法, 其特征在于，所述获取预设时间段目标区域内所有车牌识别数据，并形成车牌识别数据集后，还包括如下步骤：剔除所述车牌识别数据集D中的重复数据：如果所述车牌识别数据集D中存在两个车牌识别记录，使得/>、的时间间隔小于预设时间间隔阈值，则两个车牌识别记录/>为重复检测记录，剔除较早的车牌识别记录记录，保留较晚的车牌识别记录/>。
3.根据权利要求1所述的面向复杂城市道路网络的交通状态判别方法, 其特征在于，所述计算各路段处于稳态状态下的特征参数具体包括如下步骤：基于路段的车牌识别数据集LD计算预设时间段/>内各时间窗的车头时距50分位数序列和车头时距80分位数序列：/>其中，为第i个时间窗的车头时距50分位数，/>为第i个时间窗的车头时距80分位数，第i个时间窗所处的时段为：/>其中，/>为稳态判别时间窗；分别计算车头时距分位数序列/>的众数作为路段/>的车头时距特征参数：/>其中，/>为路段/>稳态状态下的特征参数一，取值为/>路段车头时距50分位数序列的众数，/>为路段/>稳态状态下的特征参数二，取值为/>路段车头时距80分位数序列的众数；基于路段/>的行程时间数据集LTD计算稳态状态下的行程时间特征值/>
其中，为路段/>稳态状态下的特征参数三，取值为/>路段行程时间10分位数，/>为路段/>稳态状态下的特征参数四，取值为/>路段行程时间90分位数。
4.根据权利要求1所述的面向复杂城市道路网络的交通状态判别方法, 其特征在于，所述计算各路段各时刻的特征参数具体包括如下步骤：
基于车牌识别数据集LD计算各时间窗的车头时距50分位数、车头时距80分位数：/>其中，W2为交通状态判别时间窗；根据所述车牌识别数据集LD计算各时间窗的平均车道流量/>：其中，/>为车牌识别数据集LD中的出现的唯一车道数，由方向/>车道/>的取值组合决定；根据行程时间数据集LTD计算各时间窗的行程时间众数/>：/>
5.根据权利要求4所述的面向复杂城市道路网络的交通状态判别方法, 其特征在于，所述根据各路段各时刻的交通特征参数以及各路段处于稳定状态下的特征参数确定各路段各时刻的交通状态具体包括如下步骤：
对于第i个时间窗，如果平均车道流量低于预设阈值或者行程时间众数低于稳态状态下的特征参数三，则判断该时间窗对应的道路交通处于畅通状态：/>式中，/>为第i个时间窗的交通状态等级，/>为每分钟的车流量阈值；
对于第i个时间窗，如果行程时间众数处于稳态状态下的特征参数三与特征参数四之间，且小于等于交通状态判别时间窗与每分钟的车流量阈值/>之积，则判断该时间窗对应的车头时距50分位数、80分位数是否符合如下预设条件，如果符合，则判断该时间窗对应的道路交通处于基本畅通状态，并将其状态等级进行划分，所述预设条件为：
其中，/>分别为车头时距阈值一、车头时距阈值二，表征车头时距的浮动范围；
对于第i个时间窗，如果行程时间众数高于稳态状态下的特征参数四且大于交通状态判别时间窗与每分钟的车流量阈值/>之积，则判断该时间窗的道路交通状态处于拥堵状态，并根据行程时间众数的取值计算拥堵等级。
6.根据权利要求5所述的面向复杂城市道路网络的交通状态判别方法, 其特征在于，所述根据行程时间众数的取值计算拥堵等级的计算公式为:
其中，roundup为向上舍入函数。
7.一种面向复杂城市道路网络的交通状态判别系统, 其特征在于，包括数据处理模块、数据计算模块和状态判断模块；
数据处理模块，用于所述获取预设时间段目标区域内所有车牌识别数据并进行标准化处理，得到路网内每一个路段的车牌识别数据集和行程时间数据集；
数据计算模块，用于根据所述车牌识别数据集和行程时间数据集计算各路段处于稳态状态下的特征参数，并计算各路段各时刻的特征参数；
状态判断模块，用于根据各路段各时刻的交通特征参数以及各路段处于稳定状态下的特征参数确定各路段各时刻的交通状态;所述获取预设时间段目标区域内所有车牌识别数据并进行标准化处理的具体实现为：
获取预设时间段目标区域内所有车牌识别数据，并形成车牌识别数据集：
其中，D为车牌识别数据集，其中每一个元素/>表示一条车牌识别记录，代表车牌号为/>的车辆n在/>时刻从方向的/>车道通过编号为In的交通卡口；
对于车牌识别数据集D中每一个车牌识别记录，提取该车辆上一次被检测的记录，并计算车牌号为/>的车辆n通过路段/>所花费的实际行程时间，并生成行程时间数据集TD：
其中，/>为基于车牌识别设备定义的城市道路网络的一个路段，所述行程时间数据集TD包含多对当前车牌识别记录/>及对应的上一次识别记录/>； 从所述行程时间数据集TD中提取目标区域内所有基于车牌识别设备的路段，形成目标区域的路段集合L：
其中，/>代表路网中基于车牌识别设备形成的第m条路段，其上游卡口断面为/>，下游卡口断面为/>；
从所述行程时间数据集TD中提取路段的所有行程时间记录，形成该路段的行程时间数据集LTD：/>从车牌识别数据集D中提取路段/>的所有车牌识别记录，并计算每一辆车的车头时距，形成该路段的车牌识别数据集LD：
式中，/>为车辆n通过卡口/>方向/>车道/>时与前车的车头时距。
8.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1至6任一项所述的方法。
9.一种面向复杂城市道路网络的交通状态判别设备，其特征在于：包括通信接口、存储器、通信总线和处理器，其中，所述处理器、通信接口和存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现权利要求1至6任一项所述的面向复杂城市道路网络的交通状态判别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311194279.7A CN116935655B (zh) | 2023-09-15 | 2023-09-15 | 一种面向复杂城市道路网络的交通状态判别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311194279.7A CN116935655B (zh) | 2023-09-15 | 2023-09-15 | 一种面向复杂城市道路网络的交通状态判别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116935655A true CN116935655A (zh) | 2023-10-24 |
| CN116935655B CN116935655B (zh) | 2023-12-05 |
Family
ID=88375761
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311194279.7A Active CN116935655B (zh) | 2023-09-15 | 2023-09-15 | 一种面向复杂城市道路网络的交通状态判别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116935655B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080077316A1 (en) * | 2006-09-27 | 2008-03-27 | Xanavi Informatics Corporation | Traffic State Predicting Apparatus |
| WO2014103149A1 (en) * | 2012-12-27 | 2014-07-03 | Toyota Jidosha Kabushiki Kaisha | Travel time information providing apparatus and travel time information providing method |
| WO2016135310A1 (en) * | 2015-02-26 | 2016-09-01 | Tomtom Navigation B.V. | Methods and systems for generating routing policies and routes |
| CN110046218A (zh) * | 2019-05-13 | 2019-07-23 | 东软集团股份有限公司 | 一种用户出行模式的挖掘方法、装置、系统和处理器 |
| CN111145544A (zh) * | 2019-12-25 | 2020-05-12 | 北京交通大学 | 一种基于拥堵蔓延消散模型的行程时间及路径预测方法 |
| CN114613137A (zh) * | 2022-03-07 | 2022-06-10 | 同盾科技有限公司 | 应用于高速公路的拥堵指数确定方法、装置、介质及设备 |
| CN116386330A (zh) * | 2023-03-28 | 2023-07-04 | 同济大学 | 一种基于Copula的行程时间分布预测方法及系统 |
-
2023
- 2023-09-15 CN CN202311194279.7A patent/CN116935655B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080077316A1 (en) * | 2006-09-27 | 2008-03-27 | Xanavi Informatics Corporation | Traffic State Predicting Apparatus |
| WO2014103149A1 (en) * | 2012-12-27 | 2014-07-03 | Toyota Jidosha Kabushiki Kaisha | Travel time information providing apparatus and travel time information providing method |
| WO2016135310A1 (en) * | 2015-02-26 | 2016-09-01 | Tomtom Navigation B.V. | Methods and systems for generating routing policies and routes |
| CN110046218A (zh) * | 2019-05-13 | 2019-07-23 | 东软集团股份有限公司 | 一种用户出行模式的挖掘方法、装置、系统和处理器 |
| CN111145544A (zh) * | 2019-12-25 | 2020-05-12 | 北京交通大学 | 一种基于拥堵蔓延消散模型的行程时间及路径预测方法 |
| CN114613137A (zh) * | 2022-03-07 | 2022-06-10 | 同盾科技有限公司 | 应用于高速公路的拥堵指数确定方法、装置、介质及设备 |
| CN116386330A (zh) * | 2023-03-28 | 2023-07-04 | 同济大学 | 一种基于Copula的行程时间分布预测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| XIAOQIN LUO 等: "Queue Length Estimation for Signalized Intersections Using License Plate Recognition Data", 《IEEE INTELLIGENT TRANSPORTATION SYSTEMS MAGAZINE》, pages 209 - 220 * |
| 符锌砂;郑伟;王晓飞;: "基于MLE-LM算法估计的交通流断面速度Weibull分布模型", 交通运输系统工程与信息, no. 03, pages 126 - 132 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116935655B (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111508094B (zh) | 一种基于etc门架与卡口通行数据的高速公路拥堵发现方法 | |
| CN109272756B (zh) | 一种信控交叉口排队长度估计方法 | |
| WO2017157119A1 (zh) | 一种车辆异常行为的识别方法及装置 | |
| CN110751828B (zh) | 一种路段拥堵测量方法、装置、计算机设备及存储介质 | |
| CN102097007B (zh) | 城市实时交通路况信息准确性的判定方法及装置 | |
| CN116644373B (zh) | 基于人工智能的汽车流量数据分析管理系统 | |
| CN105488498A (zh) | 一种基于激光点云的车道边线自动提取方法及系统 | |
| CN110705484B (zh) | 利用行车轨迹识别连续变更车道违法行为的方法 | |
| CN105702031A (zh) | 基于宏观基本图的路网关键路段识别方法 | |
| CN102622885B (zh) | 检测交通事件的方法和装置 | |
| CN101882374A (zh) | 一种车辆行程分布综合信息分析系统及方法 | |
| CN103093625B (zh) | 一种基于可信度验证的城市道路交通状态实时估计方法 | |
| CN105046959B (zh) | 基于双窗口滑动匹配机制的城市道路行程时间提取方法 | |
| CN104318327A (zh) | 一种车辆轨迹预测分析方法 | |
| CN111768619A (zh) | 一种基于卡口数据的快速路车辆od点确定方法 | |
| CN113935158B (zh) | 一种针对高速公路事故多发点的交通检测器优化布设方法 | |
| CN108629982B (zh) | 一种基于旅行时间分布规律的路段车辆数估计方法 | |
| CN110827537B (zh) | 一种潮汐车道的设置方法、装置及设备 | |
| CN110400462A (zh) | 基于模糊理论的轨道交通客流监测预警方法及其系统 | |
| CN116935655B (zh) | 一种面向复杂城市道路网络的交通状态判别方法及系统 | |
| CN116704750B (zh) | 一种基于聚类算法的交通状态识别方法、电子设备、介质 | |
| CN109190924B (zh) | 视频号牌数据质量分析方法 | |
| CN104794896A (zh) | 基于升降式限高架的高架桥拥堵空间热点自动提取方法 | |
| CN110060370B (zh) | 车辆急加速急减速次数等效统计方法 | |
| CN104809869A (zh) | 基于升降式限高架的高架桥入口匝道交通状态判别方法 |
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 |