CN117542195A - 一种交通运行状态识别方法、装置、设备及介质 - Google Patents
一种交通运行状态识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117542195A CN117542195A CN202311497952.4A CN202311497952A CN117542195A CN 117542195 A CN117542195 A CN 117542195A CN 202311497952 A CN202311497952 A CN 202311497952A CN 117542195 A CN117542195 A CN 117542195A
- Authority
- CN
- China
- Prior art keywords
- road
- road speed
- speed
- probability distribution
- data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000009826 distribution Methods 0.000 claims abstract description 112
- 238000013507 mapping Methods 0.000 claims abstract description 20
- 230000011218 segmentation Effects 0.000 claims description 41
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 21
- 230000000875 corresponding effect Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 14
- 230000008439 repair process Effects 0.000 claims description 11
- 230000000295 complement effect Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 5
- KJONHKAYOJNZEC-UHFFFAOYSA-N nitrazepam Chemical compound C12=CC([N+](=O)[O-])=CC=C2NC(=O)CN=C1C1=CC=CC=C1 KJONHKAYOJNZEC-UHFFFAOYSA-N 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000005266 casting Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method 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
- 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
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种交通运行状态识别方法、装置、设备及介质,通过均值统计和地图匹配混合修复的方式补全修复异常数据,并提取车辆定位匹配数据构成道路速度环境。分别以滑动时间窗口和等速度间距对车辆定位匹配数据集和道路速度进行分段,并且通过道路速度概率分布获取相似性距离平方和的最大值,所对应的滑动时间窗口识别为畅行区间,然后实时计算滑动时间窗口中道路速度的概率分布与道路畅行区间速度的概率分布之间的皮尔森相关系数,并建立基于概率分布相关性的交通运行状态分类与识别的准则,自适应识别交通运行状态,进一步构建相关性系数与不同拥堵指数标准映射关系,达到可泛化应用的交通运行状态自适应识别的目的。
Description
技术领域
本发明涉及智能交通信息技术领域,具体涉及一种交通运行状态识别方法、装置、设备及介质。
背景技术
随着我国城市化进程的稳步推进,城市交通基础设施扩张的同时,也带动了城市人口快速聚集以及机动车保有量的增长,然而,两者的非对称性增速问题,极容易造成城市交通拥堵状态频发,严重情况下甚至影响了城市化质量。因此,建立有效识别城市交通运行状态的方法,对于促进城市交通路网与城市规划协调发展具有理论与现实意义。
针对交通拥堵状态识别的问题,现市面上的方法主要是从指标分级与建模分析两个方向展开。指标分级方法是以交通道路平均速度、出行时间、流量等单一物理量作为指标变量,由于此类变量主要以固定道路监测设备为主,无法达到动态调节拥堵指数的目的,因此通常应用于宏观交通规划或静态交通运行状态评估方面。建模分析是基于浮动车技术和GPS定位设备数据,建立了车辆速度与其所行驶交通道路的拥堵程度之间的交互分析过程。但是,由于此类建模分析中,畅行速度仍是通过经验阈值或车辆速度的统计分布规律获得,无法依据交通历史数据的时空特征进行合理选择,降低了交通拥堵指数的自适应调节能力。
有鉴于此,提出本申请。
发明内容
有鉴于此,本发明的目的在于提供一种交通运行状态识别方法、装置、设备及介质,能够有效解决现有技术中的交通拥堵状态识别方法存在无法达到动态调节拥堵指数的目的,无法依据交通历史数据的时空特征进行合理选择,降低了交通拥堵指数的自适应调节能力的问题。
本发明公开了一种交通运行状态识别方法,包括:
选取车载GPS终端设备,采集车辆行驶的时间、经纬度、速度、航向角以及车牌号作为相互关联的属性,并读取关联属性的数据,构成车辆定位初始数据集;
通过均值统计与地图匹配对所述车辆定位初始数据集数据进行补全修复处理,构成车辆定位匹配数据集;
提取所述车辆定位匹配数据集中的时间、车辆速度和匹配路段编号数据,构成所属道路速度环境,其中,所述所属道路速度环境为道路上各种车流形成的不同速度构成的道路速度环境;
提取所述道路速度环境中的道路速度数据,按照预设的滑动时间窗口对道路速度进行分段处理,获得道路速度分段区间,并按照相同间距对道路限速进行分段,获得道路速度分段区间和道路限速分段区间;
计算滑动时间窗口中的道路速度值落入道路限速分段区间内的概率密度,并进行积分计算,获得其概率分布;
计算任意两段滑动时间窗口内道路速度概率分布间的相似性距离,获得相似性距离平方和;
查询特定时间内相似性距离平方和最大值所处滑动时间窗口,获得道路畅行区间速度概率分布;
实时计算滑动时间窗口中道路速度的概率分布与道路畅行区间速度的概率分布之间的皮尔森相关系数;
将皮尔森相关系数强弱分级为极度相关[0.8~1],强相关[0.6~0.8],中等相关[0.4~0.6],弱相关[0.2~0.4],不相关[0~0.2]5个等级,以建立基于概率分布相关性的交通运行状态分类,并建立自适应识别交通运行状态的识别准则,其中,所述识别准则包括:
构建相关性系数与不同拥堵指数标准映射关系。
本发明还公开了一种交通运行状态识别装置,包括:
车辆定位初始数据集生成单元,用于选取车载GPS终端设备,采集车辆行驶的时间、经纬度、速度、航向角以及车牌号作为相互关联的属性,并读取关联属性的数据,构成车辆定位初始数据集;
车辆定位匹配数据集生成单元,用于通过均值统计与地图匹配对所述车辆定位初始数据集数据进行补全修复处理,构成车辆定位匹配数据集;
所属道路速度环境生成单元,用于提取所述车辆定位匹配数据集中的时间、车辆速度和匹配路段编号数据,构成所属道路速度环境,其中,所述所属道路速度环境为道路上各种车流形成的不同速度构成的道路速度环境;
分段处理单元,用于提取所述道路速度环境中的道路速度数据,按照预设的滑动时间窗口对道路速度进行分段处理,获得道路速度分段区间,并按照相同间距对道路限速进行分段,获得道路速度分段区间和道路限速分段区间;
概率分布计算单元,用于计算滑动时间窗口中的道路速度值落入道路限速分段区间内的概率密度,并进行积分计算,获得其概率分布;
相似性距离平方和计算单元,用于计算任意两段滑动时间窗口内道路速度概率分布间的相似性距离,获得相似性距离平方和;
道路畅行区间速度概率分布获得单元,用于查询特定时间内相似性距离平方和最大值所处滑动时间窗口,获得道路畅行区间速度概率分布;
皮尔森相关系数计算单元,用于实时计算滑动时间窗口中道路速度的概率分布与道路畅行区间速度的概率分布之间的皮尔森相关系数;
交通运行状态分类与识别准则建立单元,用于将皮尔森相关系数强弱分级为极度相关[0.8~1],强相关[0.6~0.8],中等相关[0.4~0.6],弱相关[0.2~0.4],不相关[0~0.2]5个等级,以建立基于概率分布相关性的交通运行状态分类,并建立自适应识别交通运行状态的识别准则,其中,所述识别准则包括:
映射关系构建单元,用于构建相关性系数与不同拥堵指数标准映射关系。
本发明还公开了一种交通运行状态识别设备,包括处理器、存储器以及存储在所述存储器中且被配置由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上任意一项所述的一种交通运行状态识别方法。
本发明还公开了一种可读存储介质,存储有计算机程序,所述计算机程序能够被该存储介质所在设备的处理器执行,以实现如上任意一项所述的一种交通运行状态识别方法。
综上所述,本实施例提供的一种交通运行状态识别方法、装置、设备及介质,通过均值统计和地图匹配混合修复的方式补全修复异常数据,并提取车辆定位匹配数据构成道路速度环境。分别以滑动时间窗口和等速度间距对车辆定位匹配数据集中的道路速度和道路限速进行分段,并且通过道路速度概率分布获取相似性距离平方和的最大值,所对应的滑动时间窗口识别为畅行区间,然后实时计算滑动时间窗口中道路速度的概率分布与道路畅行区间速度的概率分布之间的皮尔森相关系数,并建立基于概率分布相关性的交通运行状态分类与识别的准则,自适应识别交通运行状态,进一步构建相关性系数与不同拥堵指数标准映射关系,达到可泛化应用的交通运行状态自适应识别的目的。从而有效解决现有技术中的交通拥堵状态识别方法存在无法达到动态调节拥堵指数的目的,无法依据交通历史数据的时空特征进行合理选择,降低了交通拥堵指数的自适应调节能力的问题。
附图说明
图1是本发明实施例提供的一种交通运行状态识别方法的流程示意图。
图2是本发明实施例提供的一种交通运行状态识别方法的数据处理与补全修复模块流程示意图。
图3是本发明实施例提供的车辆轨迹点经地图匹配后,每段滑动时间窗口中轨迹点Pi所具有的速度v落入限速分段区间m中的概率p的原理示意图。
图4是本发明实施例提供的一种交通运行状态识别方法的速度概率数据距离散点分布,以及由此划分的畅行速度区间以及对应的速度曲线的效果示意图。
图5是本发明实施例提供的一种交通运行状态识别装置的模块示意图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。因此,以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
以下结合附图对本发明的具体实施例做详细说明。
请参阅图1至图4,本发明的第一实施例提供了一种交通运行状态识别方法,其可由交通运行状态识别设备(以下简称识别设备)来执行,特别的,由识别设备内的一个或者多个处理器来执行,以实现如下步骤:
S1,选取车载GPS终端设备,采集车辆行驶的时间、经纬度、速度、航向角以及车牌号作为相互关联的属性,并读取关联属性的数据,构成车辆定位初始数据集;
具体地,在本实施例中,步骤一,读取车载GPS定位设备中的关联属性数据,构成车辆定位初始数据集。为了数据的统一管理以及后续的数据预处理、补全修复、地图匹配、拥堵指数计算相关工作,将车载GPS定位设备中的时间、经纬度、速度、航向角、车牌号作为相互关联的数据信息存储为车辆定位初始数据集。
S2,通过均值统计与地图匹配对所述车辆定位初始数据集数据进行补全修复处理,构成车辆定位匹配数据集;
具体地,步骤S2包括:依据车辆代码和时间对获取到的原始数据集进行排序处理;
筛选出重复的时间数据、重复的经纬度数据、低频采样数据和异常数据,并约简重复的时间数据、经纬度数据;
判断时间跨度是否大于设定时间阈值;
若是,进行轨迹分割;
若否,计算预测样本前后数据的均值,并将均值作为修复值补全到数据集中;
将所述原始数据集中的经纬度数据投至电子地图中,修复GPS定位误差偏移量,构成车辆定位匹配数据集。
具体地,在本实施例中,步骤二,通过均值统计与地图匹配补全修复车辆定位初始数据集数据,构成车辆定位匹配数据集。为了保持数据点的时序性并修正GPS定位数据的精度误差,采用均值统计法与地图匹配法对车辆定位初始数据集进行修复补全,构成车辆定位匹配数据集。
首先,将原始数据依据车辆代码进行排序;其次,筛选出重复的时间数据、重复的经纬度数据、低频采样数据和异常数据;再次,约简重复的时间数据、经纬度数据;从次,判断时间跨度是否大于设定时间阈值,设定时间阈值为5min,若大于5min则进行轨迹分割,若小于5min则计算预测样本前后数据的均值,并将均值作为修复值补全到数据集中,可表示为:
式中,xt为t时刻的补全值,m、n为待补全值前后的数据样本个数。
然后,将原始数据集中的经纬度数据投至电子地图中,修复GPS定位误差偏移量。假设GPS轨迹P=(P1,P2,…,Pi,…,Pn)由一系列可观测的轨迹数据构成,检索距离车辆GPS轨迹点Pi最近的点作为候选点,候选点所在的道路作为候选道路,形成的候选点集合可表示为c={c1i,c2i,…cji,},候选道路可表示为l={l1i,l2i,…lji,}。基于最短距离原则搜索GPS轨迹点的相邻点,观测到的轨迹点符合高斯正态分布规律可以表示为:
式中,p为轨迹点P落到候选道路l的概率,σ为GPS测量值中的标准差。
最后,通过对一个GPS轨迹序列的局部初始观测点不断递推当前状态,利用局部状态回溯得到最可能出现的车辆路径,形成车辆定位匹配数据集。
S3,提取所述车辆定位匹配数据集中的时间、车辆速度和匹配路段编号数据,构成所属道路速度环境,其中,所述所属道路速度环境为道路上各种车流形成的不同速度构成的道路速度环境;
具体地,在本实施例中,步骤三,提取车辆定位匹配数据集中的时间、车辆速度、匹配路段编号,构成所属道路速度环境。为了获取地图匹配后各车流在特定匹配道路上构成的道路速度环境,需要提取车辆定位匹配数据集中的车辆速度关联信息。首先,提取车辆定位匹配数据集中时间、车辆速度、匹配路段编号数据;其次,道路上各种车流形成的不同速度构成道路速度环境。
S4,提取所述道路速度环境中的道路速度数据,按照预设的滑动时间窗口对道路速度进行分段处理,获得道路速度分段区间,并按照相同间距对道路限速进行分段,获得道路速度分段区间和道路限速分段区间;
具体地,在本实施例中,步骤四,依据概率求解区分道路速度具体所处的道路限速时段;将道路速度按照滑动时间窗口分段,同时按照相同间距对道路限速进行分段,获得道路速度分段区间和道路限速分段区间。
在本实施例中,提取道路速度环境中的道路速度数据;按照滑动时间窗口对道路速度进行分段,获得道路速度分段区间。假设滑动时间窗口设置为5分钟,则每个分段区间中包含该5分钟内的所有道路速度;按照相同间距对道路限速进行分段,道路限速分段区间。假设道路限速为100km/h,按照5km/h的道路限速增量分段,即可将道路速度值等间距划分为20段,如[0,5],[5,10],[10,15],…,[95,100]km/h。
S5,计算滑动时间窗口中的道路速度值落入道路限速分段区间内的概率密度,并进行积分计算,获得其概率分布;
具体地,步骤S5包括:从每个滑动窗口中获得相同的两个道路速度样本数据g和u,记为速度vg和vu;
建立概率密度分段函数,计算道路速度样本数据g和u分别落入任意道路限速分段区间L(L≤M)中的概率密度,其表达式为:
其中,K(.)为核函数,h>0为一个平滑参数,为缩放核函数,v为速度vg和vu;
对概率密度进行积分处理,得到积分值,所述积分值为道路速度样本数据g和u落入道路限速分段区间L中的概率,记为pL,g和pL,u,其表达式为:
形成道路速度概率分布。
具体地,在本实施例中,步骤五,计算滑动时间窗口中的道路速度值落入道路限速分段区间中的概率密度,并积分获得其概率分布。为了模拟真实情况下的驾驶状况,如红绿灯、人行横道、道路交叉口等,将道路速度转换为具有概率的随机分布变量,以包含所有突发可能性。
在本实施例中,从每个滑动窗口中获得相同的两个道路速度样本g和u,记为速度vg和vu;建立概率密度分段函数,计算道路速度样本数据g和u分别落入任意道路限速分段区间L(L≤M)中的概率密度,其表达式为:
其中,K(.)为核函数,h>0为一个平滑参数,为缩放核函数,v为速度vg和vu;对概率密度进行积分,该积分值即为道路速度样本数据g和u落入道路限速分段区间L中的概率,记为pL,g和pL,u,其表达式为:
由此形成道路速度概率分布。
S6,计算任意两段滑动时间窗口内道路速度概率分布间的相似性距离,获得相似性距离平方和;
具体地,步骤S6包括:基于欧式距离原理,建立任意两段滑动时间窗口内道路速度概率分布间的相似性距离方程,其表达式为:
其中,为道路速度概率分布间的相似性距离平方和;
采用动态时间规整算法对道路速度概率分布间的相似性距离进行修正处理,该算法方程表示为:
D(g,u)=Dist(g,u)+min(D(g-1,u),D(g,u-1),D(g-1,u-1))
其中,Dist(g,u)为道路速度样本g和u之间的距离,D(g,u)为道路速度样本g和u之间的规整路径距离,分别表示为:
wk=(g,u),wk+1=(g′,u′)
其中,k为规整路径上点的索引,g≤g′,u≤u′;
计算相似性距离平方和,以便于找到道路速度畅行区间,计算公式表示为:
其中,d为相似性距离平方和。
具体地,在本实施例中,步骤六,计算任意两段滑动时间窗口内速度概率分布间的相似性距离及其距离平方和。为了找到交通运行状态阈值的划分依据以及道路畅行速度区间概率分布,采用时间和概率建立基于欧式距离的相似性数据距离方程。由于欧氏距离对于非等长序列的相似性存在局限性,采用动态时间规整(DTW)算法对欧式距离进行修正。
首先,基于欧式距离原理,建立任意两段滑动时间窗口内道路速度概率分布间的相似性距离方程,其表达式为:
其中,为道路速度概率分布间的相似性距离平方和。
其次,由于欧氏距离对于非等长序列的相似性存在局限性,采用动态时间规整(DTW)算法对道路速度概率分布间的相似性距离进行修正,该算法方程可以表示为:
D(g,u)=Dist(g,u)+min(D(g-1,u),D(g,u-1),D(g-1,u-1))
式中Dist(g,u)为道路速度样本g和u之间的距离,D(g,u)为道路速度样本g和u之间的规整路径距离,分别可以表示为:
wk=(g,u),wk+1=(g′,u′)
其中,k为规整路径上点的索引,g≤g′,u≤u′。
最后,计算相似性距离平方和以便于找到道路速度畅行区间,相似性距离平方和可以表示为:
S7,查询特定时间内相似性距离平方和最大值所处滑动时间窗口,获得道路畅行区间速度概率分布;
具体地,步骤S7包括:查询相似性距离平方和处于时间区间T内的最大值,其表达式为:
dmax=max(d),t∈T
其中,T为凌晨0时至早晨6时和夜间23时至夜间24时;
识别所述相似性距离平方和最大值所对应的滑动时间窗口,所述对应的滑动时间窗口为时间属性数据内道路的畅行速度v0以及对应的道路畅行区间q,该窗口所对应的道路速度概率分布为道路畅行区间速度概率分布,其表达式为:f(v0,q)=f(max(vq))。
具体地,在本实施例中,步骤七,查询特定时间内相似性距离平方和最大值所处滑动时间窗口,获得道路畅行区间速度概率分布。查询特定时间内相似性距离平方和最大值所处滑动时间窗口,找到符合传统道路畅行区间对时间段定义的滑动时间窗口,将该窗口设定为道路畅行区间,对应的道路速度概率分布即为道路畅行区间速度概率分布。
在本实施例中,查询相似性距离平方和处于时间区间T内的最大值,其表达式为:
dmax=max(d),t∈T
式中,T为凌晨0时至早晨6时和夜间23时至夜间24时。
识别所述相似性距离平方和最大值所对应的滑动时间窗口,即为时间属性数据内道路的畅行速度v0以及对应的道路畅行区间q,该窗口所对应的道路速度概率分布即为道路畅行区间速度概率分布,其表达式为:
f(v0,q)=f(max(vq))
S8,实时计算滑动时间窗口中道路速度的概率分布与道路畅行区间速度的概率分布之间的皮尔森相关系数;
具体地,步骤S8包括:实时计算滑动时间窗口中道路速度的概率分布与道路畅行区间速度的概率分布之间的皮尔森相关系数,计算公式为:
r=Cov(X,Y)/(SD(X)×SD(Y))
其中,r表示两个变量X和Y之间的相关系数,Cov表示协方差,SD表示标准差;
单次实时计算结束,重复上述步骤,累计更新道路畅行区间速度概率分布,始终保持最优的道路畅行区间数据。
具体地,在本实施例中,步骤八,实时计算滑动时间窗口中道路速度的概率分布与道路畅行区间速度的概率分布之间的皮尔森相关系数。为了获取与道路畅行区间速度的概率分布之间的关联性,采用相似性系数作为相似性评价指标,以皮尔森相关系数的强弱分级映射交通运行状态的分类。
在本实施例中,实时计算滑动时间窗口中道路速度的概率分布与道路畅行区间速度的概率分布之间的皮尔森相关系数,可表示为:
r=Cov(X,Y)/(SD(X)×SD(Y))
其中,r表示两个变量X和Y之间的相关系数,Cov表示协方差,SD表示标准差。实时计算结束,循环步骤S1至步骤S8,累计更新道路畅行区间速度概率分布,始终保持最优的道路畅行区间数据。
S9,将皮尔森相关系数强弱分级为极度相关[0.8~1],强相关[0.6~0.8],中等相关[0.4~0.6],弱相关[0.2~0.4],不相关[0~0.2]5个等级,以建立基于概率分布相关性的交通运行状态分类,并建立自适应识别交通运行状态的识别准则,其中,所述识别准则包括:
具体地,在本实施例中,步骤九,建立基于概率分布相关性的交通运行状态分类与识别准则;为了实现交通运行状态的自适应,将皮尔森相关系数的强弱分级与交通运行状态相对应,并建立分类与识别准则。
将皮尔森相关系数强弱分级为:极度相关[0.8~1],强相关[0.6~0.8],中等相关[0.4~0.6],弱相关[0.2~0.4],不相关[0~0.2]5个等级。
建立自适应识别交通运行状态的准则: 假设畅行区间速度概率分布与某一道路速度概率分布之间极度相关,自适应识别该道路速度概率分布为畅行状态,若某一道路速度概率分布与畅行区间速度概率分布历史数据之间存在强相关、中等相关、弱相关或不相关四种强弱关系,则分别对应缓行、轻度拥堵、中度拥堵和极度拥堵四种交通运行状态。
S10,构建相关性系数与不同拥堵指数标准映射关系。
具体地,步骤S10包括:根据基于概率分布相关性的交通运行状态分类与识别准则与不同拥堵指数标准建立映射关系,实现泛化应用交通运行状态的自适应识别,映射关系表示为:
其中,ε为任意传统拥堵指数模型中计算的时间、速度、拥堵指数,r为任意道路累计更新的道路畅行速度概率分布历史数据与实时计算滑动时间窗口的道路速度概率分布之间的皮尔森相关系数,不同道路运行状态的集合为整体交通运行状态。
具体地,在本实施例中,步骤十,构建相关性系数与不同拥堵指数标准映射关系。根据基于概率分布相关性的交通运行状态分类与识别准则与不同拥堵指数标准建立映射关系,实现泛化应用交通运行状态的自适应识别,映射关系可表示为:
其中,ε可以为任意传统拥堵指数模型中计算的时间、速度、拥堵指数,r为任意道路累计更新的道路畅行速度概率分布历史数据与实时计算滑动时间窗口的道路速度概率分布之间的皮尔森相关系数。不同道路运行状态的集合即为整体交通运行状态。
综上,第一,所述交通运行状态识别方法对浮动车数据中存在的错误数据、冗余数据、异常数据等,通过均值统计与地图匹配混合修复的方法进行修复补全,为拥堵指数的计算提供了更完整的数据集。第二,所述交通运行状态识别方法引入了概率密度分段原理和动态时间归整算法,将多种突发情况出现的概率包含在内,用最大相似性距离平方和找到畅行区间以及对应的畅行速度,为交通指数的建模分析提供了更好的解决方案。第三,所述交通运行状态识别方法采用了模式匹配的概念,用滑动时间窗口的速度概率分布与该路段累计更新的畅行速度概率分布历史数据间相关性系数的强弱分级与不同拥堵指数标准建立映射关系,达到可泛化应用的交通运行状态自适应识别的目的。
请参阅图5,本发明的第二实施例提供了一种交通运行状态识别装置,包括:
车辆定位初始数据集生成单元201,用于选取车载GPS终端设备,采集车辆行驶的时间、经纬度、速度、航向角以及车牌号作为相互关联的属性,并读取关联属性的数据,构成车辆定位初始数据集;
车辆定位匹配数据集生成单元202,用于通过均值统计与地图匹配对所述车辆定位初始数据集数据进行补全修复处理,构成车辆定位匹配数据集;
所属道路速度环境生成单元203,用于提取所述车辆定位匹配数据集中的时间、车辆速度和匹配路段编号数据,构成所属道路速度环境,其中,所述所属道路速度环境为道路上各种车流形成的不同速度构成的道路速度环境;
分段处理单元204,用于提取所述道路速度环境中的道路速度数据,按照预设的滑动时间窗口对道路速度进行分段处理,获得道路速度分段区间,并按照相同间距对道路限速进行分段,获得道路速度分段区间和道路限速分段区间;
概率分布计算单元205,用于计算滑动时间窗口中的道路速度值落入道路限速分段区间内的概率密度,并进行积分计算,获得其概率分布;
相似性距离平方和计算单元206,用于计算任意两段滑动时间窗口内道路速度概率分布间的相似性距离,获得相似性距离平方和;
道路畅行区间速度概率分布获得单元207,用于查询特定时间内相似性距离平方和最大值所处滑动时间窗口,获得道路畅行区间速度概率分布;
皮尔森相关系数计算单元208,用于实时计算滑动时间窗口中道路速度的概率分布与道路畅行区间速度的概率分布之间的皮尔森相关系数;
交通运行状态分类与识别准则建立单元209,用于将皮尔森相关系数强弱分级为极度相关[0.8~1],强相关[0.6~0.8],中等相关[0.4~0.6],弱相关[0.2~0.4],不相关[0~0.2]5个等级,以建立基于概率分布相关性的交通运行状态分类,并建立自适应识别交通运行状态的识别准则,其中,所述识别准则包括:
映射关系构建单元210,用于构建相关性系数与不同拥堵指数标准映射关系。
本发明的第三实施例提供了一种交通运行状态识别设备,包括处理器、存储器以及存储在所述存储器中且被配置由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上任意一项所述的一种交通运行状态识别方法。
本发明的第四实施例提供了一种可读存储介质,存储有计算机程序,所述计算机程序能够被该存储介质所在设备的处理器执行,以实现如上任意一项所述的一种交通运行状态识别方法。
示例性地,本发明第三实施例和第四实施例中所述的计算机程序可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述一种交通运行状态识别设备中的执行过程。例如,本发明第二实施例中所述的装置。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述一种交通运行状态识别方法的控制中心,利用各种接口和线路连接整个所述实现对所述一种交通运行状态识别方法的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述一种交通运行状态识别方法的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、文字转换功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、文字消息数据等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述实现的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一个计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。
Claims (10)
1.一种交通运行状态识别方法,其特征在于,包括:
选取车载GPS终端设备,采集车辆行驶的时间、经纬度、速度、航向角以及车牌号作为相互关联的属性,并读取关联属性的数据,构成车辆定位初始数据集;
通过均值统计与地图匹配对所述车辆定位初始数据集数据进行补全修复处理,构成车辆定位匹配数据集;
提取所述车辆定位匹配数据集中的时间、车辆速度和匹配路段编号数据,构成所属道路速度环境,其中,所述所属道路速度环境为道路上各种车流形成的不同速度构成的道路速度环境;
提取所述道路速度环境中的道路速度数据,按照预设的滑动时间窗口对道路速度进行分段处理,获得道路速度分段区间,并按照相同间距对道路限速进行分段,获得道路速度分段区间和道路限速分段区间;
计算滑动时间窗口中的道路速度值落入道路限速分段区间内的概率密度,并进行积分计算,获得其概率分布;
计算任意两段滑动时间窗口内道路速度概率分布间的相似性距离,获得相似性距离平方和;
查询特定时间内相似性距离平方和最大值所处滑动时间窗口,获得道路畅行区间速度概率分布;
实时计算滑动时间窗口中道路速度的概率分布与道路畅行区间速度的概率分布之间的皮尔森相关系数;
将皮尔森相关系数强弱分级为极度相关[0.8~1],强相关[0.6~0.8],中等相关[0.4~0.6],弱相关[0.2~0.4],不相关[0~0.2]5个等级,以建立基于概率分布相关性的交通运行状态分类,并建立自适应识别交通运行状态的识别准则,其中,所述识别准则包括:
构建相关性系数与不同拥堵指数标准映射关系。
2.根据权利要求1所述的一种交通运行状态识别方法,其特征在于,通过均值统计与地图匹配对所述车辆定位初始数据集数据进行补全修复处理,构成车辆定位匹配数据集,具体为:
依据车辆代码和时间对获取到的原始数据集进行排序处理;
筛选出重复的时间数据、重复的经纬度数据、低频采样数据和异常数据,并约简重复的时间数据、经纬度数据;
判断时间跨度是否大于设定时间阈值;
若是,进行轨迹分割;
若否,计算预测样本前后数据的均值,并将均值作为修复值补全到数据集中;
将所述原始数据集中的经纬度数据投至电子地图中,修复GPS定位误差偏移量,构成车辆定位匹配数据集。
3.根据权利要求2所述的一种交通运行状态识别方法,其特征在于,计算滑动时间窗口中的道路速度值落入道路限速分段区间内的概率密度,并进行积分计算,获得其概率分布,具体为:
从每个滑动窗口中获得相同的两个道路速度样本数据g和u,记为速度vg和vu;
建立概率密度分段函数,计算道路速度样本数据g和u分别落入任意道路限速分段区间L(L≤M)中的概率密度,其表达式为:
其中,K(.)为核函数,h>0为一个平滑参数,为缩放核函数,v为速度vg和vu;
对概率密度进行积分处理,得到积分值,所述积分值为道路速度样本数据g和u落入道路限速分段区间L中的概率,记为pL,g和pL,u,其表达式为:
形成道路速度概率分布。
4.根据权利要求3所述的一种交通运行状态识别方法,其特征在于,计算任意两段滑动时间窗口内道路速度概率分布间的相似性距离,获得相似性距离平方和,具体为:
基于欧式距离原理,建立任意两段滑动时间窗口内道路速度概率分布间的相似性距离方程,其表达式为:
其中,为道路速度概率分布间的相似性距离平方和;
采用动态时间规整算法对道路速度概率分布间的相似性距离进行修正处理,该算法方程表示为:
D(g,u)=Dist(g,u)+min(D(g-1,u),D(g,u-1),D(g-1,u-1))
其中,Dist(g,u)为道路速度样本g和u之间的距离,D(g,u)为道路速度样本g和u之间的规整路径距离,分别表示为:
wk=(g,u),wk+1=(g′,u′)
其中,k为规整路径上点的索引,g≤g′,u≤u′;
计算相似性距离平方和,以便于找到道路速度畅行区间,计算公式表示为:
其中,d为相似性距离平方和。
5.根据权利要求4所述的一种交通运行状态识别方法,其特征在于,查询特定时间内相似性距离平方和最大值所处滑动时间窗口,获得道路畅行区间速度概率分布,具体为:
查询相似性距离平方和处于时间区间T内的最大值,其表达式为:
dmax=max(d),t∈T
其中,T为凌晨0时至早晨6时和夜间23时至夜间24时;
识别所述相似性距离平方和最大值所对应的滑动时间窗口,所述对应的滑动时间窗口为时间属性数据内道路的畅行速度v0以及对应的道路畅行区间q,该窗口所对应的道路速度概率分布为道路畅行区间速度概率分布,其表达式为:f(v0,q)=f(max(vq))。
6.根据权利要求5所述的一种交通运行状态识别方法,其特征在于,实时计算滑动时间窗口中道路速度的概率分布与道路畅行区间速度的概率分布之间的皮尔森相关系数,具体为:
实时计算滑动时间窗口中道路速度的概率分布与道路畅行区间速度的概率分布之间的皮尔森相关系数,计算公式为:
r=Cov(X,Y)/(SD(X)×SD(Y))
其中,r表示两个变量X和Y之间的相关系数,Cov表示协方差,SD表示标准差;
单次实时计算结束,重复上述步骤,累计更新道路畅行区间速度概率分布,始终保持最优的道路畅行区间数据。
7.根据权利要求6所述的一种交通运行状态识别方法,其特征在于,构建相关性系数与不同拥堵指数标准映射关系,具体为:
根据基于概率分布相关性的交通运行状态分类与识别准则与不同拥堵指数标准建立映射关系,实现泛化应用交通运行状态的自适应识别,映射关系表示为:
其中,ε为任意传统拥堵指数模型中计算的时间、速度、拥堵指数,r为任意道路累计更新的道路畅行速度概率分布历史数据与实时计算滑动时间窗口的道路速度概率分布之间的皮尔森相关系数,不同道路运行状态的集合为整体交通运行状态。
8.一种交通运行状态识别装置,其特征在于,包括:
车辆定位初始数据集生成单元,用于选取车载GPS终端设备,采集车辆行驶的时间、经纬度、速度、航向角以及车牌号作为相互关联的属性,并读取关联属性的数据,构成车辆定位初始数据集;
车辆定位匹配数据集生成单元,用于通过均值统计与地图匹配对所述车辆定位初始数据集数据进行补全修复处理,构成车辆定位匹配数据集;
所属道路速度环境生成单元,用于提取所述车辆定位匹配数据集中的时间、车辆速度和匹配路段编号数据,构成所属道路速度环境,其中,所述所属道路速度环境为道路上各种车流形成的不同速度构成的道路速度环境;
分段处理单元,用于提取所述道路速度环境中的道路速度数据,按照预设的滑动时间窗口对道路速度进行分段处理,获得道路速度分段区间,并按照相同间距对道路限速进行分段,获得道路速度分段区间和道路限速分段区间;
概率分布计算单元,用于计算滑动时间窗口中的道路速度值落入道路限速分段区间内的概率密度,并进行积分计算,获得其概率分布;
相似性距离平方和计算单元,用于计算任意两段滑动时间窗口内道路速度概率分布间的相似性距离,获得相似性距离平方和;
道路畅行区间速度概率分布获得单元,用于查询特定时间内相似性距离平方和最大值所处滑动时间窗口,获得道路畅行区间速度概率分布;
皮尔森相关系数计算单元,用于实时计算滑动时间窗口中道路速度的概率分布与道路畅行区间速度的概率分布之间的皮尔森相关系数;
交通运行状态分类与识别准则建立单元,用于将皮尔森相关系数强弱分级为极度相关[0.8~1],强相关[0.6~0.8],中等相关[0.4~0.6],弱相关[0.2~0.4],不相关[0~0.2]5个等级,以建立基于概率分布相关性的交通运行状态分类,并建立自适应识别交通运行状态的识别准则,其中,所述识别准则包括:
映射关系构建单元,用于构建相关性系数与不同拥堵指数标准映射关系。
9.一种交通运行状态识别设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述的一种交通运行状态识别方法。
10.一种可读存储介质,其特征在于,存储有计算机程序,所述计算机程序能够被该存储介质所在设备的处理器执行,以实现如权利要求1至7任意一项所述的一种交通运行状态识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311497952.4A CN117542195A (zh) | 2023-11-10 | 2023-11-10 | 一种交通运行状态识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311497952.4A CN117542195A (zh) | 2023-11-10 | 2023-11-10 | 一种交通运行状态识别方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117542195A true CN117542195A (zh) | 2024-02-09 |
Family
ID=89791163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311497952.4A Pending CN117542195A (zh) | 2023-11-10 | 2023-11-10 | 一种交通运行状态识别方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117542195A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117912272A (zh) * | 2024-03-19 | 2024-04-19 | 深圳市新创中天信息科技发展有限公司 | 一种基于ai大模型的城市交通信号优化方法 |
-
2023
- 2023-11-10 CN CN202311497952.4A patent/CN117542195A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117912272A (zh) * | 2024-03-19 | 2024-04-19 | 深圳市新创中天信息科技发展有限公司 | 一种基于ai大模型的城市交通信号优化方法 |
CN117912272B (zh) * | 2024-03-19 | 2024-05-24 | 深圳市新创中天信息科技发展有限公司 | 一种基于ai大模型的城市交通信号优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111539454B (zh) | 一种基于元学习的车辆轨迹聚类方法及系统 | |
WO2019205020A1 (zh) | 一种路况识别方法、装置及设备 | |
CN111310583A (zh) | 一种基于改进的长短期记忆网络的车辆异常行为识别方法 | |
CN109459045B (zh) | 一种针对低频gps轨迹的改进交互式投票匹配方法 | |
US20230215272A1 (en) | Information processing method and apparatus, computer device and storage medium | |
CN117542195A (zh) | 一种交通运行状态识别方法、装置、设备及介质 | |
CN116504076A (zh) | 基于etc门架数据的高速公路车流量预测方法 | |
CN112732905B (zh) | 一种基于知识图谱的交通事故分析与防控方法及系统 | |
CN111144446B (zh) | 一种基于时空网格的司机身份识别方法和系统 | |
CN110889558A (zh) | 路况预测方法及装置 | |
CN111881243A (zh) | 一种出租车轨迹热点区域分析方法及系统 | |
CN113159403B (zh) | 路口行人轨迹预测的方法及装置 | |
CN113380043B (zh) | 一种基于深度神经网络计算的公交到站时间预测方法 | |
CN116524712A (zh) | 融合时空关联数据的高速公路拥堵预测方法、系统及装置 | |
CN112185108A (zh) | 基于时空特征的城市路网拥堵模式识别方法、设备及介质 | |
Zhang et al. | Online anomalous subtrajectory detection on road networks with deep reinforcement learning | |
CN112926425A (zh) | 道路状态检测方法、装置及设备 | |
CN116091964A (zh) | 高位视频场景解析方法以及系统 | |
CN110851450A (zh) | 一种基于增量计算的伴随车即时发现方法 | |
Marciniuk et al. | Machine learning applied to acoustic-based road traffic monitoring | |
CN112101132B (zh) | 一种基于图嵌入模型和度量学习的交通状况预测方法 | |
CN114492544A (zh) | 模型训练方法及装置、交通事件发生概率评估方法及装置 | |
CN115271001B (zh) | 车辆行驶工况的识别方法、装置、车辆及存储介质 | |
CN117171141B (zh) | 一种基于关系图谱的数据模型建模方法 | |
CN117152973B (zh) | 基于etc门架数据的高速公路实时流量监测方法及系统 |
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 |