CN117197913B - 一种云计算的高速公路etc收费数据管理分析方法 - Google Patents
一种云计算的高速公路etc收费数据管理分析方法 Download PDFInfo
- Publication number
- CN117197913B CN117197913B CN202311263182.7A CN202311263182A CN117197913B CN 117197913 B CN117197913 B CN 117197913B CN 202311263182 A CN202311263182 A CN 202311263182A CN 117197913 B CN117197913 B CN 117197913B
- Authority
- CN
- China
- Prior art keywords
- toll station
- schedulable
- charging
- vehicle
- current
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 56
- 238000013523 data management Methods 0.000 title claims abstract description 14
- 230000006978 adaptation Effects 0.000 claims abstract description 64
- 238000012790 confirmation Methods 0.000 claims abstract description 4
- 238000011156 evaluation Methods 0.000 claims description 29
- 230000004308 accommodation Effects 0.000 claims description 22
- 230000003111 delayed effect Effects 0.000 claims description 22
- 238000000034 method Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000013075 data extraction Methods 0.000 abstract 1
- 230000008676 import Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及高速公路ETC收费数据管理技术领域,具体公开一种云计算的高速公路ETC收费数据管理分析方法,该方法包括当前收费信息采集、收费站当前拥挤度分析、待调度车辆信息采集、收费站信息采集、历史收费数据提取和车辆调度分析确认;本发明通过计算目标收费站当前的拥挤度,并当拥挤度大于设定值时结合待调度车辆信息、收费站信息和历史收费数据计算调度适配度,从而进行车辆调度,降低了车辆调度分析中存在的误差性,提高了车辆调度分析的综合性和说服力,同时为车辆调度适配结果确认提供了更加稳固的支撑依据,提高了高速公路的通行效率,并减少了交通拥堵,从而实现了车辆调度的优化。
Description
技术领域
本发明涉及高速公路ETC收费数据管理技术领域,具体而言,涉及一种云计算的高速公路ETC收费数据管理分析方法。
背景技术
随着云计算的快速发展,ETC收费在高速公路收费中越来越普及,ETC收费实现了车辆的快速通行和自动收费,从而提高了通行效率,并减少了交通拥堵,而ETC收费数据反映了高速公路收费状态,为了促进高速公路收费顺畅性,需要对其ETC收费数据进行管理。
现有的ETC收费数据进行管理通过时间信息和车辆信息两个方面对其他车辆进行车辆调度,很显然,这种管理分析方式还存在以下几个方面的问题:1、仅根据当前的ETC收费数据,未结合历史收费数据,未对收费站的收费情况进行动态规律性分析,即未根据历史收费站的收费总次数和各次收费时间差情况,仅根据收费站当前的车辆数目,可能导致因收费站自身收费能力不足而导致的拥堵情况,使得收费站的收费情况分析覆盖面不够全面。
2、对其实际通行情况考虑较为片面,即仅考虑车辆当前位置与收费站之间的距离,未考虑车辆的目标驶往位置与收费站之间的距离以及车辆抵达时的汇入车辆情况,使得车辆调度存在局限性,存在出行需求差异,一定程度上增加了车辆行驶的成本,使得调度的适配性得不到保障,浪费了车主的出行时间。
发明内容
鉴于此,为解决上述背景技术中所提出的问题,现提出一种云计算的高速公路ETC收费数据管理分析方法。
本发明的目的可以通过以下技术方案实现:本发明提供一种云计算的高速公路ETC收费数据管理分析方法,包括以下步骤:S1、当前收费信息采集:将目标高速公路对应目标收费站的各关联高速路段记为各目标高速路段,采集各目标高速路段当前的车辆数目,并采集目标收费站当日的累计收费数据。
S2、收费站当前拥挤度分析:分析目标收费站当前的拥挤度,当目标收费站当前的拥挤度大于设定值,则执行S3步骤。
S3、待调度车辆信息采集:将驶入各目标高速路段的各路段记为各驶入路段,将各驶入路段内的各车辆记为各待调度车辆,采集各待调度车辆的当前位置和目标驶往位置。
S4、收费站信息采集:将目标收费站的各邻近收费站记为各可调度收费站,将各可调度收费站的各关联高速路段记为各监测高速路段,将驶入各监测高速路段的各路段记为各驶入监测路段,采集各可调度收费站对应各监测高速路段的当前存在的车辆数目,分析各待调度车辆行驶至各可调度收费站的预估时长和在其预估时长内各可调度收费站的预计汇入车辆数目。
S5、历史收费数据提取:提取各可调度收费站内的ETC通道在历史各年限当前所处月份内各通行日的ETC收费次数和各次ETC收费的时间点。
S6、车辆调度分析确认:计算各可调度收费站在当前所处月份的容纳度,进而分析各待调度车辆对应各可调度收费站的调度适配度,并将各待调度车辆对应最大调度适配度的可调度收费站作为其最优收费站。
具体地,所述当日的累计收费数据包括各累计收费车辆的收费完成时间点以及感应时间点。
具体地,所述分析目标收费站当前的拥挤度,具体分析过程为:A1、将各目标高速路段当前的车辆数目进行累加,得到目标高速公路对应目标收费站的目标高速路段当前的车辆总数目,记为ε。
A2、从当日的累计收费数据中提取各累计收费车辆的收费完成时间点以及感应时间点,并将其进行对比,得到各累计收费车辆的收费时长,记为Ti,其中,i表示累计收费车辆的编号,i=1,2,...,n。
A3、计算目标收费站当前的收费顺畅度δ,其中,T′和ΔT分别表示设定参照的收费时长和收费时长偏差。
A4、计算目标收费站当前的拥挤度φ,
其中,δ′和ε′分别表示设定参照的收费顺畅度和车辆总数目,a1和a2分别表示设定的收费顺畅度和车辆总数目对应拥挤度评估占比权重,γ1表示设定的拥挤度评估修正因子。
具体地,所述计算各可调度收费站在当前所处月份的容纳度,具体计算过程为:B1、将各可调度收费站内的ETC通道在历史各年限当前所处月份内各通行日的ETC收费次数进行累加,得到各可调度收费站内的ETC通道在历史各年限对应当前所处月份的总收费次数,记为τjg,其中,j表示可调度收费站的编号,j=1,2,...,m,g表示历史各年限的编号,g=1,2,...,p。
B2、将各可调度收费站内的ETC通道在历史各年限当前所处月份的总收费次数进行相互对比,统计各总收费次数对应历史年限数目,并将历史年限数目最多的总收费次数,作为参照收费次数,并记为同时将参照收费次数的历史年限数目记为τ′j。
B3、计算各可调度收费站当前所处月份的预估总收费次数 其中,p表示历史年限总数。
B4、计算各可调度收费站当前所处月份的繁忙指数βj。
B5、根据各可调度收费站内的ETC通道在历史各年限当前所处月份内各通行日的各次ETC收费时间点,计算各可调度收费站当前所处月份的工作处理效率指数χj;
B6、计算各可调度收费站当前所处月份的容纳度ψj,
其中,β′和χ′分别表示设定参照的繁忙指数和工作处理效率指数,a3和a4分别表示设定的繁忙指数和工作处理效率指数对应容纳度评估占比权重,e表示自然常数。
具体地,所述各可调度收费站当前所处月份的繁忙指数的计算公式为:其中,τ′当表示设定参照的月份的总收费次数,a5和a6分别表示设定的总收费次数偏差和月份的总收费次数对应繁忙指数评估占比权重。
具体地,所述计算各可调度收费站当前所处月份的工作处理效率指数,具体计算过程为:C1、将各可调度收费站内的ETC通道在历史各年限当前所处月份内各通行日的各次ETC收费的时间点进行作差,得到各可调度收费站内的ETC通道在历史各年限当前所处月份内各通行日对应各次ETC收费的间隔时长。
C2、若某可调度收费站内的ETC通道在历史各年限当前所处月份内某通行日对应某次ETC收费的间隔时长大于设定值,则判定该次ETC收费为延迟收费,统计各可调度收费站内的ETC通道在历史各年限当前所处月份内各通行日的延迟收费次数,并将其进行累加,进而得到各可调度收费站在历史当前所处月份的延迟收费总次数,记为
C3、将各可调度收费站在历史当前所处月份的各次延迟收费时间差与设定超出延误时长进行对比,若某次延迟收费时间差大于设定超出延误时长,则判定该次延迟收费为超出延误收费,统计各可调度收费站在历史当前所处月份的超出延迟收费总次数,记为
C4、计算各可调度收费站当前所处月份的工作处理效率指数χj,
其中,K1和K2分别表示设定参照的延迟收费总次数占比和超出延迟收费总次数占比,a7和a8分别表示设定的延迟收费总次数占比和超出延迟收费总次数占比对应工作处理效率评估占比权重。
具体地,所述分析各待调度车辆对应各可调度收费站的调度适配度,具体分析过程为:D1、从云数据库中提取各可调度收费站的位置。
D2、将各待调度车辆的当前位置与各可调度收费站的位置进行对比,得到各待调度车辆的当前位置与各可调度收费站的位置之间的距离,记为Lrj,其中,r表示待调度车辆的编号,r=1,2,...,f。
D3、将各待调度车辆的目标驶往位置与各可调度收费站的位置进行对比,得到各待调度车辆的目标驶往位置与各可调度收费站的位置之间的距离,记为ηrj。
D4、计算各待调度车辆对应各可调度收费站的距离层面的调度适配度
D5、根据各可调度收费站对应各监测高速路段的当前存在的车辆数目和各待调度车辆在其预估时长内各可调度收费站的预计汇入车辆数目,计算各可调度收费站的车流量层面的调度适配度ωj。
D6、计算各待调度车辆对应各可调度收费站的调度适配度θrj,其中,ψ′表示设定参照的容纳度,b1、b2和b3分别表示设定的容纳度评估、距离层面和车流量层面对应调度适配度评估占比权重。
具体地,所述各待调度车辆对应各可调度收费站的距离层面的调度适配度的计算公式为:其中,b4和b5分别表示设定的当前距离和目标驶往距离对应距离层面的调度适配度评估占比权重,γ2表示设定的距离层面的调度适配度评估修正因子。
具体地,所述计算各可调度收费站的车流量层面的调度适配度,具体计算过程为:E1、将各可调度收费站对应各监测高速路段的当前存在的车辆数目和各待调度车辆行驶至各可调度收费站的预估时长内各可调度收费站的预计汇入车辆数目进行对应累加,得到各可调度收费站当前存在车辆总数目和预计汇入车辆总数目,并分别记为σj和μj。
E2、计算各可调度收费站的车流量层面的调度适配度ωj,其中,σ′和μ′分别表示设定参照的当前存在车辆数目和预计汇入车辆数目,b6和b7分别表示设定的当前存在车辆数目和预计汇入车辆数目对应车流量层面的调度适配度评估占比权重,γ3表示设定的车流量层面的调度适配度评估修正因子。
相较于现有技术,本发明的实施例至少具有如下优点或有益效果:(1)本发明通过计算目标收费站当前的拥挤度,并当拥挤度大于设定值时结合待调度车辆信息、收费站信息和历史收费数据计算调度适配度,从而进行车辆调度,有效解决了当前对高速公路ETC收费数据时间层面和车辆数目层面分析中存在的局限性问题,降低了车辆调度分析中存在的误差性,提高了车辆调度分析的综合性和说服力,同时为车辆调度适配结果确认提供了更加稳固的支撑依据,提高了高速公路的通行效率,并减少了交通拥堵,从而实现了车辆调度的优化。
(2)本发明通过计算可调度收费站容纳度,并结合双休距离和车流量层面的调度适配度,从而分析各待调度车辆对应各可调度收费站的调度适配度,实现了调度适配度的多维度分析,直观地展示了各可调度收费站的调度适配度情况,拓展了调度适配度分析的覆盖面,同时提高了调度适配度分析的准确性和参考性。
(3)本发明通过对ETC收费次数和各次ETC收费时间点进行深度分析,从而计算各可调度收费站当前所处月份的繁忙指数和工作处理效率指数,进而分析得到各可调度收费站当前所处月份的容纳度,最大程度上降低了因收费站自身收费能力不足而导致的拥堵情况发生的可能性,提高了收费站的收费情况分析的全面性。
(4)本发明通过各待调度车辆的当前位置和目标驶往位置以及收费站位置,计算各待调度车辆对应各可调度收费站的距离层面的调度适配度,降低了车辆距离层面调度分析中存在的局限性,进而保障了车主的出行需求差异,一定程度上降低了车辆行驶的成本,节省了车主的出行时间。
(5)本发明通过提取预估时长,并采集预估时长内的预计汇入车辆数目,计算车流量层面的调度适配度,最大程度提高了车辆调度分析结果确认的准确性和可靠性,为后续车辆调度分析结果确认提供了可靠的数据支撑依据。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明方法步骤流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1所示,本发明提供了一种云计算的高速公路ETC收费数据管理分析方法,包括:S1、当前收费信息采集:将目标高速公路对应目标收费站的各关联高速路段记为各目标高速路段,采集各目标高速路段当前的车辆数目,并采集目标收费站当日的累计收费数据。
需要说明的是,所述各目标高速路段当前的车辆数目和后续所提及的各可调度收费站对应各监测高速路段的当前存在的车辆数目均从G IS地理地图中定位得到。
在本发明具体实施例中,所述当日的累计收费数据包括各累计收费车辆的收费完成时间点以及感应时间点。
需要说明的是,所述当日的累计收费数据和后续所提及的历史收费数据均通过从ETC收费系统后台采集得到。
S2、收费站当前拥挤度分析:分析目标收费站当前的拥挤度,当目标收费站当前的拥挤度大于设定值,则执行S3步骤。
在本发明具体实施例中,所述分析目标收费站当前的拥挤度,具体分析过程为:A1、将各目标高速路段当前的车辆数目进行累加,得到目标高速公路对应目标收费站的目标高速路段当前的车辆总数目,记为ε。
A2、从当日的累计收费数据中提取各累计收费车辆的收费完成时间点以及感应时间点,并将其进行对比,得到各累计收费车辆的收费时长,记为Ti,其中,i表示累计收费车辆的编号,i=1,2,...,n。
A3、计算目标收费站当前的收费顺畅度δ,其中,T′和ΔT分别表示设定参照的收费时长和收费时长偏差。
A4、计算目标收费站当前的拥挤度φ,
其中,δ′和ε′分别表示设定参照的收费顺畅度和车辆总数目,a1和a2分别表示设定的收费顺畅度和车辆总数目对应拥挤度评估占比权重,γ1表示设定的拥挤度评估修正因子。
S3、待调度车辆信息采集:将驶入各目标高速路段的各路段记为各驶入路段,将各驶入路段内的各车辆记为各待调度车辆,采集各待调度车辆的当前位置和目标驶往位置。
需要说明的是,所述各待调度车辆的当前位置和目标驶往位置从车辆导航系统后台采集得到。
S4、收费站信息采集:将目标收费站的各邻近收费站记为各可调度收费站,将各可调度收费站的各关联高速路段记为各监测高速路段,将驶入各监测高速路段的各路段记为各驶入监测路段,采集各可调度收费站对应各监测高速路段的当前存在的车辆数目,分析各待调度车辆行驶至各可调度收费站的预估时长和在其预估时长内各可调度收费站的预计汇入车辆数目。
需要说明的是,所述分析各待调度车辆行驶至各可调度收费站的预估时长,具体分析过程为:F1、从云数据库中提取各待调度车辆行驶的平均速度,记为vr。
F2、从云数据库中提取各可调度收费站当日的累计收费数据,按照目标收费站当前的拥挤度的分析方式同理分析得到各可调度收费站当前的拥挤度,记为ξj。
F3、计算各待调度车辆行驶至各可调度收费站的预估时长Trj,ξ′表示设定参照的拥挤度,Δt表示单位拥挤度偏差对应的参照浮动时长。
需要说明的是,所述分析各待调度车辆在其预估时长内各可调度收费站的预计汇入车辆数目,具体分析过程为:G1、从云数据库中提取各可调度收费站单位时长对应的汇入车辆数目,记为
G2、计算各待调度车辆在其预估时长内各可调度收费站的预计汇入车辆数目ζrj, 表示单位拥挤度偏差对应的参照浮动汇入车辆数目。
S5、历史收费数据提取:提取各可调度收费站内的ETC通道在历史各年限当前所处月份内各通行日的ETC收费次数和各次ETC收费的时间点。
S6、车辆调度分析确认:计算各可调度收费站在当前所处月份的容纳度,进而分析各待调度车辆对应各可调度收费站的调度适配度,并将各待调度车辆对应最大调度适配度的可调度收费站作为其最优收费站。
本发明实施例通过计算目标收费站当前的拥挤度,并当拥挤度大于设定值时结合待调度车辆信息、收费站信息和历史收费数据计算调度适配度,从而进行车辆调度,有效解决了当前对高速公路ETC收费数据时间层面和车辆数目层面分析中存在的局限性问题,降低了车辆调度分析中存在的误差性,提高了车辆调度分析的综合性和说服力,同时为车辆调度适配结果确认提供了更加稳固的支撑依据,提高了高速公路的通行效率,并减少了交通拥堵,从而实现了车辆调度的优化。
在本发明具体实施例中,所述计算各可调度收费站在当前所处月份的容纳度,具体计算过程为:B1、将各可调度收费站内的ETC通道在历史各年限当前所处月份内各通行日的ETC收费次数进行累加,得到各可调度收费站内的ETC通道在历史各年限对应当前所处月份的总收费次数,记为τjg,其中,j表示可调度收费站的编号,j=1,2,...,m,g表示历史各年限的编号,g=1,2,...,p。
B2、将各可调度收费站内的ETC通道在历史各年限当前所处月份的总收费次数进行相互对比,统计各总收费次数对应历史年限数目,并将历史年限数目最多的总收费次数,作为参照收费次数,并记为同时将参照收费次数的历史年限数目记为τ′j。
B3、计算各可调度收费站当前所处月份的预估总收费次数 其中,p表示历史年限总数。
B4、计算各可调度收费站当前所处月份的繁忙指数βj。
在本发明具体实施例中,所述各可调度收费站当前所处月份的繁忙指数的计算公式为:其中,τ′当表示
其中,τ当表示设定参照的月份的总收费次数,a5和a6分别表示设定的总收费次数偏差和月份的总收费次数对应繁忙指数评估占比权重。
B5、根据各可调度收费站内的ETC通道在历史各年限当前所处月份内各通行日的各次ETC收费时间点,计算各可调度收费站当前所处月份的工作处理效率指数χj;
在本发明具体实施例中,所述计算各可调度收费站当前所处月份的工作处理效率指数,具体计算过程为:C1、将各可调度收费站内的ETC通道在历史各年限当前所处月份内各通行日的各次ETC收费的时间点进行作差,得到各可调度收费站内的ETC通道在历史各年限当前所处月份内各通行日对应各次ETC收费的间隔时长。
C2、若某可调度收费站内的ETC通道在历史各年限当前所处月份内某通行日对应某次ETC收费的间隔时长大于设定值,则判定该次ETC收费为延迟收费,统计各可调度收费站内的ETC通道在历史各年限当前所处月份内各通行日的延迟收费次数,并将其进行累加,进而得到各可调度收费站在历史当前所处月份的延迟收费总次数,记为
C3、将各可调度收费站在历史当前所处月份的各次延迟收费时间差与设定超出延误时长进行对比,若某次延迟收费时间差大于设定超出延误时长,则判定该次延迟收费为超出延误收费,统计各可调度收费站在历史当前所处月份的超出延迟收费总次数,记为
C4、计算各可调度收费站当前所处月份的工作处理效率指数χj,
其中,K1和K2分别表示设定参照的延迟收费总次数占比和超出延迟收费总次数占比,a7和a8分别表示设定的延迟收费总次数占比和超出延迟收费总次数占比对应工作处理效率评估占比权重。
B6、计算各可调度收费站当前所处月份的容纳度ψj,
其中,β′和χ′分别表示设定参照的繁忙指数和工作处理效率指数,a3和a4分别表示设定的繁忙指数和工作处理效率指数对应容纳度评估占比权重,e表示自然常数。
本发明实施例通过对ETC收费次数和各次ETC收费时间点进行深度分析,从而计算各可调度收费站当前所处月份的繁忙指数和工作处理效率指数,进而分析得到各可调度收费站当前所处月份的容纳度,最大程度上降低了因收费站自身收费能力不足而导致的拥堵情况发生的可能性,提高了收费站的收费情况分析的全面性。
在本发明具体实施例中,所述分析各待调度车辆对应各可调度收费站的调度适配度,具体分析过程为:D1、从云数据库中提取各可调度收费站的位置。
D2、将各待调度车辆的当前位置与各可调度收费站的位置进行对比,得到各待调度车辆的当前位置与各可调度收费站的位置之间的距离,记为Lrj,其中,r表示待调度车辆的编号,r=1,2,...,f。
D3、将各待调度车辆的目标驶往位置与各可调度收费站的位置进行对比,得到各待调度车辆的目标驶往位置与各可调度收费站的位置之间的距离,记为ηrj。
D4、计算各待调度车辆对应各可调度收费站的距离层面的调度适配度
在本发明具体实施例中,所述各待调度车辆对应各可调度收费站的距离层面的调度适配度的计算公式为:其中,b4和b5分别表示设定的当前距离和目标驶往距离对应距离层面的调度适配度评估占比权重,γ2表示设定的距离层面的调度适配度评估修正因子。
本发明实施例通过各待调度车辆的当前位置和目标驶往位置以及收费站位置,计算各待调度车辆对应各可调度收费站的距离层面的调度适配度,降低了车辆距离层面调度分析中存在的局限性,进而保障了车主的出行需求差异,一定程度上降低了车辆行驶的成本,节省了车主的出行时间。
D5、根据各可调度收费站对应各监测高速路段的当前存在的车辆数目和各待调度车辆在其预估时长内各可调度收费站的预计汇入车辆数目,计算各可调度收费站的车流量层面的调度适配度ωj。
在本发明具体实施例中,所述计算各可调度收费站的车流量层面的调度适配度,具体计算过程为:E1、将各可调度收费站对应各监测高速路段的当前存在的车辆数目和各待调度车辆行驶至各可调度收费站的预估时长内各可调度收费站的预计汇入车辆数目进行对应累加,得到各可调度收费站当前存在车辆总数目和预计汇入车辆总数目,并分别记为σj和μj。
E2、计算各可调度收费站的车流量层面的调度适配度ωj,其中,σ′和μ′分别表示设定参照的当前存在车辆数目和预计汇入车辆数目,b6和b7分别表示设定的当前存在车辆数目和预计汇入车辆数目对应车流量层面的调度适配度评估占比权重,γ3表示设定的车流量层面的调度适配度评估修正因子。
本发明实施例通过提取预估时长,并采集预估时长内的预计汇入车辆数目,计算车流量层面的调度适配度,最大程度提高了车辆调度分析结果确认的准确性和可靠性,为后续车辆调度分析结果确认提供了可靠的数据支撑依据。
D6、计算各待调度车辆对应各可调度收费站的调度适配度θrj,其中,ψ′表示设定参照的容纳度,b1、b2和b3分别表示设定的容纳度评估、距离层面和车流量层面对应调度适配度评估占比权重。
本发明实施例通过计算可调度收费站容纳度,并结合双休距离和车流量层面的调度适配度,从而分析各待调度车辆对应各可调度收费站的调度适配度,实现了调度适配度的多维度分析,直观地展示了各可调度收费站的调度适配度情况,拓展了调度适配度分析的覆盖面,同时提高了调度适配度分析的准确性和参考性。
以上内容仅仅是对本发明的构思所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的构思或者超越本发明所定义的范围,均应属于本发明的保护范围。
Claims (5)
1.一种云计算的高速公路ETC收费数据管理分析方法,其特征在于,包括如下步骤:
S1、当前收费信息采集:将目标高速公路对应目标收费站的各关联高速路段记为各目标高速路段,采集各目标高速路段当前的车辆数目,并采集目标收费站当日的累计收费数据;
S2、收费站当前拥挤度分析:分析目标收费站当前的拥挤度,当目标收费站当前的拥挤度大于设定值,则执行S3步骤;
S3、待调度车辆信息采集:将驶入各目标高速路段的各路段记为各驶入路段,将各驶入路段内的各车辆记为各待调度车辆,采集各待调度车辆的当前位置和目标驶往位置;
S4、收费站信息采集:将目标收费站的各邻近收费站记为各可调度收费站,将各可调度收费站的各关联高速路段记为各监测高速路段,将驶入各监测高速路段的各路段记为各驶入监测路段,采集各可调度收费站对应各监测高速路段的当前存在的车辆数目,分析各待调度车辆行驶至各可调度收费站的预估时长和在其预估时长内各可调度收费站的预计汇入车辆数目;
S5、历史收费数据提取:提取各可调度收费站内的ETC通道在历史各年限当前所处月份内各通行日的ETC收费次数和各次ETC收费的时间点;
S6、车辆调度分析确认:计算各可调度收费站在当前所处月份的容纳度,进而分析各待调度车辆对应各可调度收费站的调度适配度,并将各待调度车辆对应最大调度适配度的可调度收费站作为其最优收费站;
所述计算各可调度收费站在当前所处月份的容纳度,具体计算过程为:
B1、将各可调度收费站内的ETC通道在历史各年限当前所处月份内各通行日的ETC收费次数进行累加,得到各可调度收费站内的ETC通道在历史各年限对应当前所处月份的总收费次数,记为,其中,/>表示可调度收费站的编号,/>,/>表示历史各年限的编号,/>;
B2、将各可调度收费站内的ETC通道在历史各年限当前所处月份的总收费次数进行相互对比,统计各总收费次数对应历史年限数目,并将历史年限数目最多的总收费次数,作为参照收费次数,并记为,同时将参照收费次数的历史年限数目记为/>;
B3、计算各可调度收费站当前所处月份的预估总收费次数,/>,其中,/>表示历史年限总数;
B4、计算各可调度收费站当前所处月份的繁忙指数;
B5、根据各可调度收费站内的ETC通道在历史各年限当前所处月份内各通行日的各次ETC收费时间点,计算各可调度收费站当前所处月份的工作处理效率指数;
B6、计算各可调度收费站当前所处月份的容纳度,;
其中,和/>分别表示设定参照的繁忙指数和工作处理效率指数,/>和/>分别表示设定的繁忙指数和工作处理效率指数对应容纳度评估占比权重,/>表示自然常数;
所述各可调度收费站当前所处月份的繁忙指数的计算公式为:
,其中,/>表示设定参照的月份的总收费次数,/>和/>分别表示设定的总收费次数偏差和月份的总收费次数对应繁忙指数评估占比权重;
所述计算各可调度收费站当前所处月份的工作处理效率指数,具体计算过程为:
C1、将各可调度收费站内的ETC通道在历史各年限当前所处月份内各通行日的各次ETC收费的时间点进行作差,得到各可调度收费站内的ETC通道在历史各年限当前所处月份内各通行日对应各次ETC收费的间隔时长;
C2、若某可调度收费站内的ETC通道在历史各年限当前所处月份内某通行日对应某次ETC收费的间隔时长大于设定值,则判定该次ETC收费为延迟收费,统计各可调度收费站内的ETC通道在历史各年限当前所处月份内各通行日的延迟收费次数,并将其进行累加,进而得到各可调度收费站在历史当前所处月份的延迟收费总次数,记为;
C3、将各可调度收费站在历史当前所处月份的各次延迟收费时间差与设定超出延误时长进行对比,若某次延迟收费时间差大于设定超出延误时长,则判定该次延迟收费为超出延误收费,统计各可调度收费站在历史当前所处月份的超出延迟收费总次数,记为;
C4、计算各可调度收费站当前所处月份的工作处理效率指数,
;
其中,和/>分别表示设定参照的延迟收费总次数占比和超出延迟收费总次数占比,/>和/>分别表示设定的延迟收费总次数占比和超出延迟收费总次数占比对应工作处理效率评估占比权重;
所述分析各待调度车辆对应各可调度收费站的调度适配度,具体分析过程为:
D1、从云数据库中提取各可调度收费站的位置;
D2、将各待调度车辆的当前位置与各可调度收费站的位置进行对比,得到各待调度车辆的当前位置与各可调度收费站的位置之间的距离,记为,其中,/>表示待调度车辆的编号,/>;
D3、将各待调度车辆的目标驶往位置与各可调度收费站的位置进行对比,得到各待调度车辆的目标驶往位置与各可调度收费站的位置之间的距离,记为;
D4、计算各待调度车辆对应各可调度收费站的距离层面的调度适配度;
D5、根据各可调度收费站对应各监测高速路段的当前存在的车辆数目和各待调度车辆在其预估时长内各可调度收费站的预计汇入车辆数目,计算各可调度收费站的车流量层面的调度适配度;
D6、计算各待调度车辆对应各可调度收费站的调度适配度,,其中,/>表示设定参照的容纳度,/>和/>分别表示设定的容纳度评估、距离层面和车流量层面对应调度适配度评估占比权重。
2.根据权利要求1所述的一种云计算的高速公路ETC收费数据管理分析方法,其特征在于:所述当日的累计收费数据包括各累计收费车辆的收费完成时间点以及感应时间点。
3.根据权利要求2所述的一种云计算的高速公路ETC收费数据管理分析方法,其特征在于:所述分析目标收费站当前的拥挤度,具体分析过程为:
A1、将各目标高速路段当前的车辆数目进行累加,得到目标高速公路对应目标收费站的目标高速路段当前的车辆总数目,记为;
A2、从当日的累计收费数据中提取各累计收费车辆的收费完成时间点以及感应时间点,并将其进行对比,得到各累计收费车辆的收费时长,记为,其中,/>表示累计收费车辆的编号,/>;
A3、计算目标收费站当前的收费顺畅度,/>,其中,/>和/>分别表示设定参照的收费时长和收费时长偏差;
A4、计算目标收费站当前的拥挤度,/>;
其中,和/>分别表示设定参照的收费顺畅度和车辆总数目,/>和/>分别表示设定的收费顺畅度和车辆总数目对应拥挤度评估占比权重,/>表示设定的拥挤度评估修正因子。
4.根据权利要求1所述的一种云计算的高速公路ETC收费数据管理分析方法,其特征在于:所述各待调度车辆对应各可调度收费站的距离层面的调度适配度的计算公式为:,其中,/>和/>分别表示设定的当前距离和目标驶往距离对应距离层面的调度适配度评估占比权重,/>表示设定的距离层面的调度适配度评估修正因子。
5.根据权利要求1所述的一种云计算的高速公路ETC收费数据管理分析方法,其特征在于:所述计算各可调度收费站的车流量层面的调度适配度,具体计算过程为:
E1、将各可调度收费站对应各监测高速路段的当前存在的车辆数目和各待调度车辆行驶至各可调度收费站的预估时长内各可调度收费站的预计汇入车辆数目进行对应累加,得到各可调度收费站当前存在车辆总数目和预计汇入车辆总数目,并分别记为和/>;
E2、计算各可调度收费站的车流量层面的调度适配度,,其中,/>和/>分别表示设定参照的当前存在车辆数目和预计汇入车辆数目,/>和/>分别表示设定的当前存在车辆数目和预计汇入车辆数目对应车流量层面的调度适配度评估占比权重,/>表示设定的车流量层面的调度适配度评估修正因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311263182.7A CN117197913B (zh) | 2023-09-27 | 2023-09-27 | 一种云计算的高速公路etc收费数据管理分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311263182.7A CN117197913B (zh) | 2023-09-27 | 2023-09-27 | 一种云计算的高速公路etc收费数据管理分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117197913A CN117197913A (zh) | 2023-12-08 |
CN117197913B true CN117197913B (zh) | 2024-04-16 |
Family
ID=88996145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311263182.7A Active CN117197913B (zh) | 2023-09-27 | 2023-09-27 | 一种云计算的高速公路etc收费数据管理分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117197913B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101277007B1 (ko) * | 2012-02-29 | 2013-06-24 | 장성우 | 차량의 고속도로 통행시간 제공방법 및 그 시스템 |
CN108665707A (zh) * | 2018-05-24 | 2018-10-16 | 金陵科技学院 | 一种预防局部交通拥堵的高速公路入口分流及流量协同控制方法 |
CN115392659A (zh) * | 2022-08-10 | 2022-11-25 | 同盾科技有限公司 | 收费站拥堵程度的获取方法、装置、电子设备、程序及介质 |
CN115691120A (zh) * | 2022-10-12 | 2023-02-03 | 广州市交通运输研究院有限公司 | 一种基于高速公路流水数据的拥堵识别方法及系统 |
-
2023
- 2023-09-27 CN CN202311263182.7A patent/CN117197913B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101277007B1 (ko) * | 2012-02-29 | 2013-06-24 | 장성우 | 차량의 고속도로 통행시간 제공방법 및 그 시스템 |
CN108665707A (zh) * | 2018-05-24 | 2018-10-16 | 金陵科技学院 | 一种预防局部交通拥堵的高速公路入口分流及流量协同控制方法 |
CN115392659A (zh) * | 2022-08-10 | 2022-11-25 | 同盾科技有限公司 | 收费站拥堵程度的获取方法、装置、电子设备、程序及介质 |
CN115691120A (zh) * | 2022-10-12 | 2023-02-03 | 广州市交通运输研究院有限公司 | 一种基于高速公路流水数据的拥堵识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117197913A (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108806021B (zh) | 基于物理模型和道路特征参数的电动汽车目标路段能耗预测方法 | |
Li et al. | Prediction of urban human mobility using large-scale taxi traces and its applications | |
CN104318770B (zh) | 基于手机数据实时检测高速公路交通拥堵状态的方法 | |
CN102394008B (zh) | 使用来自移动数据源的数据估算道路交通状况 | |
CN108848460B (zh) | 基于rfid和gps数据的人车关联方法 | |
CN111815948B (zh) | 基于工况特征的车辆行驶工况预测方法 | |
US20040230376A1 (en) | Vehicle traveling speed pattern estimation device/method | |
CN104272328A (zh) | 用于确定机动车的预期消耗值的方法 | |
CN104792543A (zh) | 一种道路循环工况的构建方法 | |
CN104123833A (zh) | 一种道路状况的规划方法和装置 | |
CN113808401B (zh) | 交通拥堵预测方法、装置、设备及存储介质 | |
CN103177576B (zh) | 一种收费站上下游路况信息的判断方法及装置 | |
CN111932886B (zh) | 预计到达时间预估方法、装置、计算机设备和存储介质 | |
CN106485935B (zh) | 一种基于gps预测公交到站时间的方法 | |
CN110491158A (zh) | 一种基于多元数据融合的公交车到站时间预测方法及系统 | |
JP3981067B2 (ja) | 走行速度データ分類装置、走行速度パターン推定装置、及びハイブリッド車両の駆動制御装置 | |
CN109493449B (zh) | 一种基于货车gps轨迹数据和高速交易数据的货车载货状态估计方法 | |
CN111707287A (zh) | 一种电动汽车前往充电桩路线的综合智能推荐方法 | |
CN115497299B (zh) | 基于etc的服务区车流量预测方法、系统和服务区 | |
JP2005184867A (ja) | 走行速度パターン推定装置、及びハイブリッド車両の駆動制御装置 | |
CN109489679A (zh) | 一种导航路径中的到达时间计算方法 | |
CN110827537B (zh) | 一种潮汐车道的设置方法、装置及设备 | |
CN114005275B (zh) | 一种基于多数据源融合的高速公路车辆拥堵判别方法 | |
CN117197913B (zh) | 一种云计算的高速公路etc收费数据管理分析方法 | |
CN114360264A (zh) | 一种基于交通流量进行调节的智慧城市交通管理方法 |
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 |