WO2019007111A1 - 一种公路异常事件的判断方法 - Google Patents

一种公路异常事件的判断方法 Download PDF

Info

Publication number
WO2019007111A1
WO2019007111A1 PCT/CN2018/080943 CN2018080943W WO2019007111A1 WO 2019007111 A1 WO2019007111 A1 WO 2019007111A1 CN 2018080943 W CN2018080943 W CN 2018080943W WO 2019007111 A1 WO2019007111 A1 WO 2019007111A1
Authority
WO
WIPO (PCT)
Prior art keywords
time
sample
point
trajectory
vehicle
Prior art date
Application number
PCT/CN2018/080943
Other languages
English (en)
French (fr)
Inventor
赵凯
毕玉峰
李勇
刘伟
金德鹏
吴伟令
周鹏飞
苏厉
涂贞
牟涛
房培阳
庞化军
马川义
Original Assignee
山东省交通规划设计院
清华大学
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 山东省交通规划设计院, 清华大学 filed Critical 山东省交通规划设计院
Priority to US16/318,691 priority Critical patent/US10573174B2/en
Publication of WO2019007111A1 publication Critical patent/WO2019007111A1/zh

Links

Images

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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • 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

Definitions

  • the invention relates to the technical field of traffic planning data analysis, and more particularly to a method for judging highway abnormal events.
  • mobile devices such as mobile phones have become an indispensable item in people's daily lives. People carry their mobile phones with them during their daily travels. The mobile phone's movement basically reflects people's movement. In addition, the positioning technology of mobile devices is also developing very rapidly. The mobile operator can determine the location of the user according to the base station connected to the mobile phone. The GPS positioning function of the smart phone can also locate the user's location, and the accuracy has reached several tens of meters. Therefore, a large amount of mobile phone mobile information is recorded. From these massive mobile data, we can dig out the user's moving speed. On the highway, it also represents the moving speed of the vehicle. Then we can analyze the traffic conditions on the expressway and have a comprehensive understanding of the traffic jam.
  • Patent 1 A real-time detection method for abnormal highway events based on mobile phone data. The change of the base station mobile phone access amount is used to determine whether an abnormal event occurs. The time series model is used to predict the number of mobile phone accesses of the base station in the future and calculate the abnormal event judgment indicators to determine whether an abnormal event occurs.
  • Patent 2 A mobile Internet-based traffic jam recognition and road condition sharing incentive system. Spreading traffic jam information through users sharing on the Internet is equivalent to an information sharing platform where users communicate with each other.
  • Paper 3 Research on road condition estimation algorithms based on mobile devices. The mobile phone GPS information is used to construct the moving speed of the single vehicle, and then the average speed of the same type of vehicle is estimated, and the traffic condition is judged by the average speed of the vehicle.
  • Patent 1 is judged from the number of access mobile phones of the base station, but the access amount has a relatively large relationship with the traffic flow, and does not reflect the most essential characteristics of traffic jams. That is, the speed of the car, so the traffic information when the traffic jam is not fully reflected.
  • Patent 2 is an information sharing platform for traffic jam scenarios, but this platform is mainly for users and is not suitable for the traffic department to collect complete traffic jam information.
  • the data in Paper 3 utilizes manually generated traffic GPS data and very fine-grained data collected by specialized mobile phone applications, but in reality, such data cannot be obtained, so the scope of application is not wide.
  • the present invention provides a method for judging a highway abnormal event in order to overcome the above problems or at least partially solve the above problems.
  • a method for judging a highway abnormal event including:
  • Step 1 acquiring movement trajectory data of each sample vehicle passing the target road segment H in the target time period T;
  • Step 2 respectively, the T and the H are equally divided, based on the equalized T and H, construct a two-dimensional matrix U representing the discretized movement trajectory of each sample vehicle;
  • Step 3 calculating the average speed of each time and space point of each sample vehicle in the discretized movement trajectory, adding the average speed of each time and space point to the two-dimensional matrix U;
  • Step 4 Calculate a total number of time-space point sample vehicles in the discretized movement trajectory and an average speed of all sample vehicles in each time-space point in the discretized movement trajectory;
  • Step 5 Obtain a traffic jam in the T and H based on the total number of time-space point sample vehicles in the discretized movement trajectory and the average speed of all sample vehicles in each time-space point in the discretized movement trajectory.
  • step 1 further includes:
  • step 2 further includes:
  • a two-dimensional matrix U representing the discretized movement trajectory of each sample vehicle is constructed based on the divided road segments and time segments.
  • step of constructing the two-dimensional matrix U representing the discretized movement trajectory of each sample vehicle based on the divided road segments and time segments in the step 2 further includes:
  • T cd ⁇ T c , T c+1 , . . . , T d ⁇ ;
  • step of obtaining the segments H i corresponding to l k and l k+1 in the step 2 further includes:
  • step of calculating, in step 3, the average speed of each time and space point of each sample vehicle in the discretized movement trajectory further comprises:
  • the average speed of the sample vehicle at any of the discretized movement trajectory points is represented by the average speed of the road segment between X and Y.
  • step of calculating the total number of time-space point sample vehicles in the discretized movement trajectory in the step 4 further includes:
  • step of calculating the average speed of all the sample vehicles in each of the spatiotemporal points in the discretized movement trajectory in the step 4 further includes:
  • the average speed of each road segment is recorded in the velocity two-dimensional matrix F, and F(i,j) represents the average speed of all sample vehicles at the jth time point at the i-th road segment:
  • step 5 further includes:
  • ⁇ d is the length of the road segment
  • m is the number of one-way lanes
  • l is the average length of the vehicle body
  • n is the average passenger capacity of the sample vehicle
  • step 5 further includes:
  • the present application proposes a method for judging highway abnormal events.
  • the solution of the present invention has the following beneficial effects: 1. comprehensively considering the sample vehicle speed information to judge the traffic jam event; 2. determining the overall traffic jam event of the target road segment; 3. more accurate The traffic jam of the target road segment is judged.
  • FIG. 1 is a schematic overall flow chart of a method for judging a highway abnormal event according to an embodiment of the present invention
  • FIG. 2 is a schematic diagram of a location range of a target road segment in a method for judging a highway abnormal event according to an embodiment of the present invention
  • FIG. 3 is a schematic diagram of segmentation of a target road segment in a method for judging a highway abnormal event according to an embodiment of the present invention
  • FIG. 4 is a schematic diagram of a road segment where a vehicle is calculated at time T i according to a method for judging a highway abnormal event according to an embodiment of the present invention
  • FIG. 5 is a schematic flowchart of a speed calculation process of a track point in a discrete track in a method for judging a highway abnormal event according to an embodiment of the present invention
  • FIG. 6 is a schematic diagram of a flow-time-point traffic jam determination flow method for determining a road abnormal event according to an embodiment of the present invention.
  • FIG. 1 is a schematic diagram showing the overall flow of a method for judging a highway abnormal event according to an embodiment of the present invention. In general, including:
  • Step 1 acquiring movement trajectory data of each sample vehicle passing the target road segment H in the target time period T;
  • Step 2 respectively, the T and the H are equally divided, based on the equalized T and H, construct a two-dimensional matrix U representing the discretized movement trajectory of each sample vehicle;
  • Step 3 calculating the average speed of each time and space point of each sample vehicle in the discretized movement trajectory, adding the average speed of each time and space point to the two-dimensional matrix U;
  • Step 4 Calculate a total number of time-space point sample vehicles in the discretized movement trajectory and an average speed of all sample vehicles in each time-space point in the discretized movement trajectory;
  • Step 5 Obtain a traffic jam in the T and H based on the total number of time-space point sample vehicles in the discretized movement trajectory and the average speed of all sample vehicles in each time-space point in the discretized movement trajectory.
  • step 1 further includes:
  • step 2 further includes:
  • a two-dimensional matrix U representing the discretized movement trajectory of each sample vehicle is constructed based on the divided road segments and time segments.
  • a method for judging a highway abnormal event is proposed.
  • a discretized moving trajectory representing the sample vehicles is constructed based on the divided road segments and time segments.
  • the step of the two-dimensional matrix U further includes:
  • T cd ⁇ T c , T c+1 , . . . , T d ⁇ ;
  • the step of obtaining the road segment H i corresponding to l k and l k+1 respectively in the step 2 further includes:
  • a method for determining a highway abnormal event is provided, and in step 3, the step of calculating an average speed of each time and space point of each sample vehicle in the discretized moving trajectory is calculated. Further includes:
  • the average speed of the sample vehicle at any of the discretized movement trajectory points is represented by the average speed of the road segment between X and Y.
  • the step of calculating the total number of time-space sample vehicles in the discretized moving trajectory in the step 4 further includes:
  • a method for judging a highway abnormal event is provided, and the step of calculating an average speed of all the sample vehicles in each time and space point in the discretized moving trajectory is further performed in the step 4 include:
  • the average speed of each road segment is recorded in the velocity two-dimensional matrix F, and F(i,j) represents the average speed of all sample vehicles at the jth time point at the i-th road segment:
  • step 5 further includes:
  • ⁇ d is the length of the road segment
  • m is the number of one-way lanes
  • l is the average length of the vehicle body
  • n is the average passenger capacity of the sample vehicle
  • step 5 further includes:
  • a method for judging a highway abnormal event is proposed.
  • the method identifies an abnormal event on a highway between two specific cities by analyzing mobile phone signaling data.
  • the GPS data of the mobile phone (user ID
  • the specific judgment scheme is as follows.
  • Input The movement trajectory data of a large number of users on a certain intercity highway at a time.
  • Output Whether there is an abnormal event in the road section during the time period. If there is traffic jam, give information about the traffic jam [E 1 , E 2 ,...], where E i represents a traffic jam event. T 1 and T 2 respectively indicate the time at which the traffic jam starts and the time at the end, and L 1 and L 2 respectively indicate the start position and the end position of the traffic jam section. Indicates the average speed during a traffic jam.
  • Step 1 extracts the trajectory of the user on the highway.
  • the trajectory of the user's trajectory may not be at high speed, because we only study the anomalous events on the highway section (representing this highway by H), so we need to first intercept a part of the user's trajectory located on the highway.
  • the specific method is to find the highway on the map, and then manually select a closed polygon A around the highway so that the distance from any point on the polygon to the highway is roughly similar, as shown in Figure 2.
  • the distance value can refer to the accuracy of the positioning method to ensure that the point of normal deviation can be included.
  • Step 2 divides the user track by road segment.
  • Certain time intervals ⁇ t the whole period into a set of data points for each intermediate time period of the n discrete time period represented by equal time intervals T i.
  • discrete time and road segments are constructed into a two-dimensional matrix U to represent his movement trajectory.
  • the non-empty value in the matrix U indicates that the user appears at the time and space point, and one trajectory is equivalent to a set of discrete points. .
  • Step 3 User track discretization.
  • the user's movement trajectory can be connected by discrete points in the shaded part.
  • k i represents the track segment where the user is at time T a+i-1 .
  • Step 4 calculates the average velocity of each point in the discrete trajectory.
  • the average velocity of each discrete trajectory point is calculated.
  • the two track points X and Y are required to satisfy that the two points are not on the same road segment of the discrete point.
  • the average speed of the link between these two points is used to indicate his speed at the discrete point.
  • the specific flow chart is shown in Figure 5.
  • For every point in the discrete track Simultaneously look up X and look backwards to Y.
  • looking forward first determine if there is a record point in the original track. If so, take the last record point (closest to the discrete point Z) of these record points as X. If not, continue to look forward. Until you find it; when looking backwards, first determine if there are any recorded points in the original track. If so, take the first record point (closest to the discrete point Z) of these record points as Y. If not, continue to look backwards. Until you find it.
  • Step 5 calculates the average speed and number of users for all time and space points.
  • the matrix D is a sparse matrix.
  • the number of people in each time and space point is calculated, which is represented by a two-dimensional matrix E, and E(i, j) represents the number of users at the jth time point in the i-th road segment.
  • E(i, j) represents the number of users at the jth time point in the i-th road segment.
  • each time point is calculated, and the average speed of each road segment is recorded in the velocity two-dimensional matrix F, and F(i, j) represents the average speed of all users at the i-th road segment and the j-th time point.
  • the formula for calculating F(i,j) is as follows:
  • Step 6 determines whether there is a traffic jam at any time and space.
  • the number of users collected at this time will also be an abnormal situation. Determine whether the number of users reaches a threshold value n jam . If it is greater than this value, it indicates that a traffic jam has occurred. Otherwise, it is considered that the speed judgment is wrong.
  • the setting of n jam is estimated according to the length ⁇ d of the road division, the number m of unidirectional lanes, the average length l of the vehicle body, and the average passenger capacity n of the vehicle. The calculation formula is
  • the process response of a traffic jam is a time-space point in the matrix J that is partially aggregated to a value of 1. As shown in the example in Table 2, between time T 2 and T 5 , traffic jams occur in the sections H 2 to H 5 . .
  • Step 7 determines whether there is a traffic jam at any time and space.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种公路异常事件的判断方法，基于目标路段各样本车辆的移动轨迹数据，对目标路段中堵车现象进行判断。本方法具有如下有益效果：1、综合考虑样本车辆车速信息进行堵车事件的判断；2、判断目标路段的整体堵车事件；3、更加准确的判断目标路段的堵车事件。

Description

一种公路异常事件的判断方法 技术领域
本发明涉及交通规划数据分析技术领域，更具体地，涉及一种公路异常事件的判断方法。
背景技术
目前，随着城市化进程的加速和高速公路的建设，通过高速公路出行的方式已经越来越普遍。但同时国内人均汽车拥有量的不断提升以及人们出行需求的增加，尤其是在节假日的时候，高速公路上的车流量非常大，另外，由于高速公路上事故处理麻烦，所以经常会出现堵车现象。高速公路堵车具有规模大，时间长，处理困难等特点，对于人们的出行有较大的影响。所以分析高速公路堵车的具体情况，比如容易堵车的路段，堵车的时间长度，对于在交通规划阶段的优化设计，拥堵出现后的实时分析和处理具有很大的帮助。
另一方面，随着人民生活水平的提高，手机等定位移动设备已经成为人们日常生活中必不可少的物品。人们在日常出行中都会将手机随身携带，手机的移动基本反映了人的移动。另外，移动设备的定位技术发展也非常迅速，移动运营商可以依据手机连接的基站来判断用户的位置，智能手机的GPS定位功能也可以定位用户的位置，并且精度已经达到几十米。因此，大量的手机移动信息被记录了下来。从这些海量的手机移动数据中我们可以挖掘出用户的移动速度，在高速公路上它也代表了车辆的移动速度，进而我们可以分析高速公路上的交通状况，对堵车情况有全面的了解。
现有技术存在下述公路堵车情况判断方法：专利1：一种基于手机数据的高速公路异常事件实时检测方法。利用基站手机接入量的变化来判断是否出现异常事件。通过时间序列模型实时对未来时刻基站手机接入数量进行预测并计算异常事件判断指标，确定是否发生异常事件。专利2：一种基于移动互联网的堵车识别和路况分享激励系统。通过用户在互联网上分享来扩散堵车信息，相当于一个用户互相沟通堵车情况的信息共享平台。论文3：基于移动设备的路况估计算法研究。利用手机GPS信息先构建出单量车的移动速度，然后估算同一类车辆的平均速度，通过车辆的平均速度判断交通状况。
综上所述，现有相关文献存在以下技术问题：1)专利1从基站的接入手机数量来判断，但是接入量跟通车流量有比较大的关系，没有反应堵车时最本质的特点，即车速，所以不能完整反应堵车时的交通信息。2)专利2是一种堵车的场景的信息分享平台，但是这种平台主要是针对用户的，并不适用于交通部门收集完整的堵车信息。3)论文3的数据利 用了人工生成的交通GPS数据和专门手机应用收集的非常细粒度的数据，但是现实情况下并不能获取这样的数据，所以适用范围并不广。
发明内容
本发明为克服上述问题或者至少部分地解决上述问题，提供一种公路异常事件的判断方法。
根据本发明的一个方面，提供一种公路异常事件的判断方法，包括：
步骤1，获取目标时间段T内经过目标路段H各样本车辆的移动轨迹数据；
步骤2，分别将所述T和所述H进行等分，基于等分后的T和H，构建表示所述各样本车辆离散化移动轨迹的二维矩阵U；
步骤3，计算所述各样本车辆在所述离散化移动轨迹中各时空点的平均速度，将所各时空点的平均速度加入所述二维矩阵U；
步骤4，计算所述离散化移动轨迹中各时空点样本车辆总数和所述离散化移动轨迹中各时空点所有样本车辆的平均速度；
步骤5，基于所述离散化移动轨迹中各时空点样本车辆总数和所述离散化移动轨迹中各时空点所有样本车辆的平均速度获得所述T和H内的堵车情况。
进一步，所述步骤1进一步包括：
选取目标路段周围的一个封闭多边形A，使得所述A上任意一点到所述目标路段的最短距离相等；所述最短距离为能够包含在所述目标路段上进行定位的样本车辆的定位偏移最大距离；得到各样本车辆的移动轨迹表示：S＝[(t 1,l 1),(t 2,l 2),...,(t n,l n)]，其中第i条记录R i＝(t i,l i)表示时间为t i，样本车辆所在的位置为l i。
进一步，所述步骤2进一步包括：
将所述H划分成m条连续的等长度的路段H＝H 1+H 2+...+H m；将所述T划分成等间隔的n个时间段，所述时间段i的中间时刻点用T i表示；
基于所述划分后的路段和时间段构建表示所述各样本车辆离散化移动轨迹的二维矩阵U。
进一步，所述步骤2中基于所述划分后的路段和时间段构建表示所述各样本车辆离散化移动轨迹的二维矩阵U的步骤进一步包括：
找出所述各样本车辆的轨迹S＝[(t 1,l 1),(t 2,l 2),...,(t n,l n)]的起点H a和终点H b，其中 l 1∈H a,l 2∈H b，所述H表示为H ab＝{H a,H a+1,...,H b}；
找出所述各样本车辆移动轨迹t 1和t n分别对应的起始时间点T c和终止时间点T d，其中T c-1＜t 1≤T d,T c≤t 2＜T d+1，所述各样本车辆移动轨迹所包含的时间点表示为T cd＝{T c,T c+1,...,T d}；
找出所述各样本车辆移动轨迹中各时间点T i所对应的位置信息，其中t k＜T i＜t k+1，所述t k和t k+1分别对应的轨迹点为P(t k,l k),Q(t k+1,l k+1)；
基于所述l k和l k+1获得所述T i所对应的路段H i；
基于所述T i和H i构建表示所述各样本车辆离散化移动轨迹的二维矩阵U，所述离散化移动轨迹表示为S′＝[(H 1,T 1),(H 2,T 2),(H 2,T 3),(H 3,T 4),(H 5,T 5),...]。
进一步，所述步骤2中获得l k和l k+1所分别对应的路段H i的步骤进一步包括：
当所述l k和l k+1在同一段轨迹H i上，所述T i时刻所述样本车辆所对应的路段为H i；
当所述l k和l k+1分别位于Hj和Hj+r两个不同路段上，假设样本车辆在所述l k和l k+1间做匀速直线运动；计算所述l k和l k+1间的速度
Figure PCTCN2018080943-appb-000001
获得T i时刻样本车辆位于l k和l k+1间，与l k距离为v·(t k+1-t k)，即所述目标车辆的地理位置为W＝l k+v·(t k+1-t k)；从所述H ab中找到所述W所在的路段，即为所述T i时刻所述样本车辆所对应的路段H i。
进一步，所述步骤3中计算所述各样本车辆在所述离散化移动轨迹中各时空点的平均速度的步骤进一步包括：
对于所述样本车辆任一离散移动轨迹点，到所述原始轨迹S＝[(t 1,l 1),(t 2,l 2),...,(t n,l n)]中找到所述任一离散移动轨迹点的前后两个轨迹点X和Y，所述X和Y为距离所述任一离散移动轨迹点距离最近且与所述任一离散移动轨迹点不在同一路段上；
利用所述X和Y间的路段平均速度表示所述样本车辆在所述任一离散化移动轨迹点的平均速度。
进一步，所述步骤4中计算所述离散化移动轨迹中各时空点样本车辆总数的步骤进一步包括：
将所有样本车辆的轨迹矩阵U合并为一个三维矩阵D＝[U 1,U 2,...,U u]，其中u为所述样 本车辆的数量，D x,D y,D z分别为所述三维矩阵D的路段、时间和用户三个维度，矩阵中任一元素D(i,j,k)表示在第i个路段，第j个时间点的用户数量；
用二维矩阵E表示所述离散化移动轨迹中各时空点样本车辆总数，E(i,j)表示第i个路段，第j个时间点的用户数量；遍历所述三维矩阵D的D x和D y两个维度，对于所有i和j，找出D(i,j,:)中非空元素集合D′ ij，E(i,j)＝|D′ ij|。
进一步，所述步骤4中计算所述离散化移动轨迹中各时空点所述所有样本车辆的平均速度的步骤进一步包括：
将每一个路段的平均速度记录在速度二维矩阵F中，F(i,j)表示在第i个路段，第j个时间点的所有样本车辆的平均速度：
Figure PCTCN2018080943-appb-000002
进一步，所述步骤5进一步包括：
当所述T和H内任一时空点的平均车速小于预设阈值v jam且所述任一时空点的样本车辆总数大于预设阈值n jam时，确认所述任一时空点发生堵车；其中
Figure PCTCN2018080943-appb-000003
Δ d为路段长度，m为单向车道数量，l为车身平均长度，n为所述样本车辆的平均载客量；
将所述T和H内所有时空点堵车情况判断结果存储在二维二值矩阵J中。
进一步，所述步骤5进一步包括：
对所述矩阵进行平均池化处理，用一个正方形的池化窗求所述J矩阵在窗内的元素的平均值，找到出现所述平均值大于预设阈值的池化窗口位置，该处即为出现堵车的位置；
选择所述出现堵车的位置开始时间T x、结束时间T y以及开始位置H x和结束位置H y；利用所述矩阵F计算所述出现堵车的位置对应子矩阵的平均速度
Figure PCTCN2018080943-appb-000004
获得
Figure PCTCN2018080943-appb-000005
本申请提出一种公路异常事件的判断方法，本发明所述方案具有如下有益效果：1、综合考虑样本车辆车速信息进行堵车事件的判断；2、判断目标路段的整体堵车事件；3、更加准确的判断目标路段的堵车事件。
附图说明
图1为根据本发明实施例一种公路异常事件的判断方法的整体流程示意图；
图2根据本发明实施例一种公路异常事件的判断方法的中目标路段定位范围示意图；
图3根据本发明实施例一种公路异常事件的判断方法的中目标路段分割示意图；
图4根据本发明实施例一种公路异常事件的判断方法的中计算T i时刻车辆所处路段示意图；
图5根据本发明实施例一种公路异常事件的判断方法的中离散轨迹中轨迹点的速度计算流程示意图；
图6根据本发明实施例一种公路异常事件的判断方法的中时空点堵车判断流程示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
如图1，本发明一个具体实施例中，示出一种公路异常事件的判断方法整体流程示意图。总体上，包括：
步骤1，获取目标时间段T内经过目标路段H各样本车辆的移动轨迹数据；
步骤2，分别将所述T和所述H进行等分，基于等分后的T和H，构建表示所述各样本车辆离散化移动轨迹的二维矩阵U；
步骤3，计算所述各样本车辆在所述离散化移动轨迹中各时空点的平均速度，将所各时空点的平均速度加入所述二维矩阵U；
步骤4，计算所述离散化移动轨迹中各时空点样本车辆总数和所述离散化移动轨迹中各时空点所有样本车辆的平均速度；
步骤5，基于所述离散化移动轨迹中各时空点样本车辆总数和所述离散化移动轨迹中各时空点所有样本车辆的平均速度获得所述T和H内的堵车情况。
在本发上述任一具体实施例的基础上，提出一种公路异常事件的判断方法，所述步骤1进一步包括：
选取目标路段周围的一个封闭多边形A，使得所述A上任意一点到所述目标路段的最短距离相等；所述最短距离为能够包含在所述目标路段上进行定位的样本车辆的定位偏移最大距离；得到各样本车辆的移动轨迹表示：S＝[(t 1,l 1),(t 2,l 2),...,(t n,l n)]，其中第i条记录R i＝(t i,l i)表示时间为t i，样本车辆所在的位置为l i。
在本发上述任一具体实施例的基础上，提出一种公路异常事件的判断方法，所述步骤 2进一步包括：
将所述H划分成m条连续的等长度的路段H＝H 1+H 2+...+H m；将所述T划分成等间隔的n个时间段，所述时间段i的中间时刻点用T i表示；
基于所述划分后的路段和时间段构建表示所述各样本车辆离散化移动轨迹的二维矩阵U。
在本发上述任一具体实施例的基础上，提出一种公路异常事件的判断方法，所述步骤2中基于所述划分后的路段和时间段构建表示所述各样本车辆离散化移动轨迹的二维矩阵U的步骤进一步包括：
找出所述各样本车辆的轨迹S＝[(t 1,l 1),(t 2,l 2),...,(t n,l n)]的起点H a和终点H b，其中l 1∈H a,l 2∈H b，所述H表示为H ab＝{H a,H a+1,...,H b}；
找出所述各样本车辆移动轨迹t 1和t n分别对应的起始时间点T c和终止时间点T d，其中T c-1＜t 1≤T d,T c≤t 2＜T d+1，所述各样本车辆移动轨迹所包含的时间点表示为T cd＝{T c,T c+1,...,T d}；
找出所述各样本车辆移动轨迹中各时间点T i所对应的位置信息，其中t k＜T i＜t k+1，所述t k和t k+1分别对应的轨迹点为P(t k,l k),Q(t k+1,l k+1)；
基于所述l k和l k+1获得所述T i所对应的路段H i；
基于所述T i和H i构建表示所述各样本车辆离散化移动轨迹的二维矩阵U，所述离散化移动轨迹表示为S′＝[(H 1,T 1),(H 2,T 2),(H 2,T 3),(H 3,T 4),(H 5,T 5),...]。
在本发上述任一具体实施例的基础上，提出一种公路异常事件的判断方法，所述步骤2中获得l k和l k+1所分别对应的路段H i的步骤进一步包括：
当所述l k和l k+1在同一段轨迹H i上，所述T i时刻所述样本车辆所对应的路段为H i；
当所述l k和l k+1分别位于H j和H j+r两个不同路段上，假设样本车辆在所述l k和l k+1间做匀速直线运动；计算所述l k和l k+1间的速度
Figure PCTCN2018080943-appb-000006
获得T i时刻样本车辆位于l k和l k+1间，与l k距离为v·(t k+1-t k)，即所述目标车辆的地理位置为W＝l k+v·(t k+1-t k)；从所述H ab中找到所述W所在的路段，即为所述T i时刻所述样本车辆所对应的路段H i。
在本发上述任一具体实施例的基础上，提出一种公路异常事件的判断方法，所述步骤3中计算所述各样本车辆在所述离散化移动轨迹中各时空点的平均速度的步骤进一步包括：
对于所述样本车辆任一离散移动轨迹点，到所述原始轨迹S＝[(t 1,l 1),(t 2,l 2),...,(t n,l n)]中找到所述任一离散移动轨迹点的前后两个轨迹点X和Y，所述X和Y为距离所述任一离散移动轨迹点距离最近且与所述任一离散移动轨迹点不在同一路段上；
利用所述X和Y间的路段平均速度表示所述样本车辆在所述任一离散化移动轨迹点的平均速度。
在本发上述任一具体实施例的基础上，提出一种公路异常事件的判断方法，所述步骤4中计算所述离散化移动轨迹中各时空点样本车辆总数的步骤进一步包括：
将所有样本车辆的轨迹矩阵U合并为一个三维矩阵D＝[U 1,U 2,...,U u]，其中u为所述样本车辆的数量，D x,D y,D z分别为所述三维矩阵D的路段、时间和用户三个维度，矩阵中任一元素D(i,j,k)表示在第i个路段，第j个时间点的用户数量；
用二维矩阵E表示所述离散化移动轨迹中各时空点样本车辆总数，E(i,j)表示第i个路段，第j个时间点的用户数量；遍历所述三维矩阵D的D x和D y两个维度，对于所有i和j，找出D(i,j,:)中非空元素集合D′ ij，E(i,j)＝|D′ ij|。
在本发上述任一具体实施例的基础上，提出一种公路异常事件的判断方法，所述步骤4中计算所述离散化移动轨迹中各时空点所述所有样本车辆的平均速度的步骤进一步包括：
将每一个路段的平均速度记录在速度二维矩阵F中，F(i,j)表示在第i个路段，第j个时间点的所有样本车辆的平均速度：
Figure PCTCN2018080943-appb-000007
在本发上述任一具体实施例的基础上，提出一种公路异常事件的判断方法，所述步骤5进一步包括：
当所述T和H内任一时空点的平均车速小于预设阈值v jam且所述任一时空点的样本车辆总数大于预设阈值n jam时，确认所述任一时空点发生堵车；其中
Figure PCTCN2018080943-appb-000008
Δ d为路段长度，m为单向车道数量，l为车身平均长度，n为所述样本车辆的平均载客量；
将所述T和H内所有时空点堵车情况判断结果存储在二维二值矩阵J中。
在本发上述任一具体实施例的基础上，提出一种公路异常事件的判断方法，所述步骤5进一步包括：
对所述矩阵进行平均池化处理，用一个正方形的池化窗求所述J矩阵在窗内的元素的平均值，找到出现所述平均值大于预设阈值的池化窗口位置，该处即为出现堵车的位置；
选择所述出现堵车的位置开始时间T x、结束时间T y以及开始位置H x和结束位置H y；利用所述矩阵F计算所述出现堵车的位置对应子矩阵的平均速度
Figure PCTCN2018080943-appb-000009
获得
Figure PCTCN2018080943-appb-000010
在本发明另一个具体实施例中，提出一种公路异常事件的判断方法，所述方法通过分析手机信令数据，对用户在两个特定城市间高速公路上异常事件进行识别。本实施例主要利用手机的GPS数据(用户ID|时间|经纬度)，连续的时空位置记录构成了用户的移动轨迹。具体判断方案如下。
1、输入：一段时间的大量用户在某条城际高速上的移动轨迹数据，每个用户的轨迹表示为S＝[(t 1,l 1),(t 2,l 2),...,(t n,l n)]，其中第i条记录R i＝(t i,l i)表示连接时间为t i，所在的位置为l i。
2、输出：该路段在该时间段内是否存在异常事件，如果存在堵车情况，给出堵车的信息[E 1,E 2,...],其中E i表示一次堵车事件，
Figure PCTCN2018080943-appb-000011
T 1和T 2分别表示堵车开始的时间和结束的时间，L 1和L 2分别表示堵车路段的起始位置和终止位置，
Figure PCTCN2018080943-appb-000012
表示堵车过程中的平均速度。
3、具体执行方法如下。
步骤1提取用户位于高速公路上的轨迹。
用户的轨迹起讫点可能并不是在高速上，因为我们只研究高速路段(用H表示这段高速公路)上的异常事件，所以需要先将用户的轨迹中位于高速公路中的一部分截取出来。具体方法是在地图上找出高速公路，然后手动选取高速公路周围的一个封闭多边形A使得多边形上任意一点到高速公路的距离大致相似，如图2所示。距离值可参考定位方法的精度，保证能将正常偏离的点包括进来。然后对于任意一条轨迹S＝[(t 1,l 1),(t 2,l 2),...,(t n,l n)]，找出所有位于多边形内部的点，即{(t i,l i)|l i∈A}，构成一条新的移动轨迹。为了表示方 便，我们在接下去的步骤中仍然用S＝[(t 1,l 1),(t 2,l 2),...,(t n,l n)]表示新的轨迹。
步骤2按路段分割用户轨迹。
将高速公路按照一定的距离Δ d间隔分割成m条连续的等长度的路段，H＝H 1+H 2+...+H m，如图3所示。按照一定的时间间隔Δ t将数据集的整个时间段划分成等时间间隔的n个离散时间段每个时间段的中间时刻点用T i表示。对于每一个用户，用离散的时间和路段构建成一个二维的矩阵U来表示他的移动轨迹，矩阵U中非空的值表示该用户在时空点出现，一条轨迹相当于一个离散点的集合。
步骤3用户轨迹离散化。
对于每一条轨迹S＝[(t 1,l 1),(t 2,l 2),...,(t n,l n)]，找出起讫点分别对应的路段，用H a,H b表示，其中l 1∈H a,l 2∈H b，轨迹所在的整个路段用H ab＝{H a,H a+1,...,H b}表示。再找出起讫点t 1,t n分别对应的时间点T c,T d，其中T c-1＜t 1≤T d,T c≤t 2＜T d+1，轨迹中所包含的的时间点用T cd＝{T c,T c+1,...,T d}表示。再找出用户位于每个时间点时他所在的路段。对于任意一个时间点T i，找出它在轨迹中所在的位置(t k＜T i＜t k+1)，对应的轨迹点分别为P(t k,l k),Q(t k+1,l k+1)，找到l k和l k+1分别所在的轨迹段，一共有两种情况，如图4所示。
l k和l k+1在同一段轨迹H j上：则T i时刻，车辆所在的轨迹段为H j；
l k和l k+1不在同一段轨迹上：假设他们分别位于H j和H j+r上，且在这两点之间的移动过程近似为匀速直线运动，首先计算出两点之间的速度
Figure PCTCN2018080943-appb-000013
然后得出T i时刻车辆位于l k和l k+1之间，与l k的距离为v·(t k+1-t k)，即车辆的地理位置近似为W＝l k+v·(t k+1-t k)。从H ab中找到该地理位置所在的路段，即为T i时刻车辆所在的高速路段。
如表1所示，在时空离散化的二维矩阵U中，用户的移动轨迹可以用阴影部分的离散点连接起来为
Figure PCTCN2018080943-appb-000014
其中k i表示用户在T a+i-1时刻所处轨迹段。对于表1中的例子，它的离散化轨迹可以表示为S′＝[(H 1,T 1),(H 2,T 2),(H 2,T 3),(H 3,T 4),(H 5,T 5),...]。
  T 1 T 2 T 3 T 4 T 5 … Tn
H 1 1            
H 2   2 3        
H 3       4      
H 4              
H 5         5    
…              
H m              
表1 离散化移动轨迹形成矩阵U
步骤4计算离散轨迹中各点的平均速度。
在将用户的轨迹离散化之后，计算每个离散轨迹点的平均速度。总体思路是对于任意一个离散点，到原始轨迹S＝[(t 1,l 1),(t 2,l 2),...,(t n,l n)]中分别找出位于它前后的两个轨迹点X和Y，要求满足这两个点不在该离散点的同一路段上。用这两个点之间路段的平均速度来表示他在该离散点的速度，具体流程图见图5。
对于离散轨迹中的每一个点
Figure PCTCN2018080943-appb-000015
同时进行向前查找X和向后查找Y。向前查找时，先判断原始轨迹中是否有记录点位于
Figure PCTCN2018080943-appb-000016
若有，则取这些记录点中的最后一个记录点(最接近离散点Z)为X，若没有，则继续往前找
Figure PCTCN2018080943-appb-000017
直到找到为止；向后查找时，先判断原始轨迹中是否有记录点位于
Figure PCTCN2018080943-appb-000018
若有，则取这些记录点中的第一个记录点(最接近离散点Z)为Y，若没有，则继续往后找
Figure PCTCN2018080943-appb-000019
直到找到为止。特别的，如果Z是离散轨迹的起始点则只向后找Y，用ZY之间的平均速度表示Z点的速度；如果Z是离散轨迹的结束点则只向前找X，用XZ之间的平均速度表示Z点的速度。计算出的每个点的平均速度用v i表示，所有离散点的速度用V＝[v 1,v 2,...,v b-a+1]表示，然后填入到矩阵U中。
步骤5计算所有时空点的平均速度和用户数。
为了判断每个时空点是否存在堵车的情况，我们需要计算每个时空点的用户数目和平均移动速度。首先，将所有用户的轨迹矩阵U合并在一起，构成一个三维的矩阵D＝[U 1,U 2,...,U u]，其中u表示用户的数量。所以三个维度D x,D y,D z分别是路段，时间和用 户。矩阵中任一元素D(i,j,k)表示第k个用户在第i个路段，第j个时间点的速度。若此时刻用户不在该位置，则该元素值为空。矩阵D是一个稀疏矩阵。
首先计算每个时空点的人数，用二维矩阵E表示，E(i,j)表示在第i个路段，第j个时间点的用户数量。遍历三维速度矩阵D的D x,D y两个维度，对于所有i,j，找出D(i,j,:)中非空元素集合D′ ij，则E(i,j)＝|D′ ij|，|D′ ij|表示集合D′ ij的大小。
接下来计算每一个时间点，每一个路段的平均速度，记录在速度二维矩阵F中，F(i,j)表示在第i个路段，第j个时间点的所有用户的平均速度。F(i,j)的计算公式如下：
Figure PCTCN2018080943-appb-000020
步骤6判断任意时空点是否存在堵车情况。
根据用户数量矩阵E和平均速度矩阵F，我们可以来判断任意一个时空点是否存在堵车情况。判断的流程如图5所示。首先判断该点的速度是否出现异常，即小于一般的高速行驶速度，我们设定一个速度阈值v jam，小于这个速度表示可能是发生堵车。国内高速公路的最低限速是60km/h，所以这个阈值可以设为60km/h。但是仅从速度来判断并不能完全说明出现异常情况，可能仅采集到很少的用户，而他们的定位出现问题，不能反应速度大小。所以再从此时此地的用户数量来做进一步验证，一般堵车会造成路面上车辆大量堆积，此时采集到的用户数量也会是一个异常情况。判断用户的数量是否达到一个阈值n jam，如果大于这个值则表示出现堵车，否则认为是速度判断出错。n jam的设定根据道路划分的长度Δ d，单向车道的数量m，车身的平均长度l以及车辆平均载客量n来估计，计算公式为
Figure PCTCN2018080943-appb-000021
判断结果存储在一个二维的二值矩阵J中，
Figure PCTCN2018080943-appb-000022
一次堵车的过程反应在矩阵J中是一个部分聚合在一起的值为1的时空点，如表2中 的例子所示，在时间T 2～T 5之间，路段H 2～H 5出现堵车。
  T 1 T 2 T 3 T 4 T 5 … Tn
H 1 0 0 0 0 0   0
H 2 0 0 0 1 1   0
H 3 0 1 1 1 0   0
H 4 0 1 1 1 1   0
H 5 0 1 1 0 0   0
…           …  
H m 0 0 0 0 0 0 0
表2 J矩阵举例
为了消除判断过程中的一些误差，特别是堵车刚开始和刚结束的时候的判断错误，在J进行中值滤波，使得她更加平滑。
步骤7判断任意时空点是否存在堵车情况。
J已经给出了具体每个时空点是否存在堵车的情况，再根据平均速度矩阵F，我们还可以获知在堵车时每个时空点的平均速度，所以矩阵J比较好地反应了堵车的场景。为了提取出一整次堵车场景，我们对J进行平均池化(average pooling)操作，用一个正方形的池化窗求J矩阵在窗内的元素的平均，找到出现均值大于一定阈值的池化窗位置，该处即为出现堵车的位置。然后手动找出堵车的开始时间T 1结束时间T 2以及开始位置H 1和结束位置H 2，类似于找出表2中的包含红色区域的最小的子矩阵。然后通过矩阵F计算该子矩阵的平均速度
Figure PCTCN2018080943-appb-000023
然后将
Figure PCTCN2018080943-appb-000024
输出。
最后，本申请的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。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 (10)

  1. 一种公路异常事件的判断方法，其特征在于，包括：
    步骤1，获取目标时间段T内经过目标路段H各样本车辆的移动轨迹数据；
    步骤2，分别将所述T和所述H进行等分，基于等分后的T和H，构建表示所述各样本车辆离散化移动轨迹的二维矩阵U；
    步骤3，计算所述各样本车辆在所述离散化移动轨迹中各时空点的平均速度，将所各时空点的平均速度加入所述二维矩阵U；
    步骤4，计算所述离散化移动轨迹中各时空点样本车辆总数和所述离散化移动轨迹中各时空点所有样本车辆的平均速度；
    步骤5，基于所述离散化移动轨迹中各时空点样本车辆总数和所述离散化移动轨迹中各时空点所有样本车辆的平均速度获得所述T和H内的堵车情况。
  2. 如权利要求1所述的方法，其特征在于，所述步骤1进一步包括：
    选取目标路段周围的一个封闭多边形A，使得所述A上任意一点到所述目标路段的最短距离相等；所述最短距离为能够包含在所述目标路段上进行定位的样本车辆的定位偏移最大距离；得到各样本车辆的移动轨迹表示：S＝[(t 1,l 1),(t 2,l 2),...,(t n,l n)]，其中第i条记录R i＝(t i,l i)表示时间为t i，样本车辆所在的位置为l i。
  3. 如权利要求2所述的方法，其特征在于，所述步骤2进一步包括：
    将所述H划分成m条连续的等长度的路段H＝H 1+H 2+...+H m；将所述T划分成等间隔的n个时间段，所述时间段i的中间时刻点用T i 表示；
    基于所述划分后的路段和时间段构建表示所述各样本车辆离散化移动轨迹的二维矩阵U。
  4. 如权利要求3所述的方法，其特征在于，所述步骤2中基于所述划分后的路段和时间段构建表示所述各样本车辆离散化移动轨迹的二维矩阵U的步骤进一步包括：
    找出所述各样本车辆的轨迹S＝[(t 1,l 1),(t 2,l 2),...,(t n,l n)]的起点H a和终点H b，其中l 1∈H a,l 2∈H b，所述H表示为H ab＝{H a,H a+1,...,H b}；
    找出所述各样本车辆移动轨迹t 1和t n分别对应的起始时间点T c和终止时间点T d，其中T c-1＜t 1≤T d,T c≤t 2＜T d+1，所述各样本车辆移动轨迹所包含的时间点表示为T cd＝{T c,T c+1,...,T d}；
    找出所述各样本车辆移动轨迹中各时间点T i所对应的位置信息，其中t k＜T i＜t k+1，所述t k和t k+1分别对应的轨迹点为P(t k,l k),Q(t k+1,l k+1)；
    基于所述l k和l k+1获得所述T i所对应的路段H i；
    基于所述T i和H i构建表示所述各样本车辆离散化移动轨迹的二维矩阵U，所述离散化移动轨迹表示为S′＝[(H 1,T 1),(H 2,T 2),(H 2,T 3),(H 3,T 4),(H 5,T 5),...]。
  5. 如权利要求4所述的方法，其特征在于，所述步骤2中获得l k和l k+1所分别对应的路段H i的步骤进一步包括：
    当所述l k和l k+1在同一段轨迹H i上，所述T i时刻所述样本车辆所对应的路段为H i；
    当所述l k和l k+1分别位于Hj和Hj+r两个不同路段上，假设样本车辆在所述l k和l k+1间做匀速直线运动；计算所述l k和l k+1间的速度
    Figure PCTCN2018080943-appb-100001
    获得T i时刻样本车辆位于l k和l k+1间，与l k距离为v·(t k+1-t k)，即所述目标车辆的地理位置为W＝l k+v·(t k+1-t k)；从所述H ab中找到所述W所在的路段，即为所述T i时刻所述样本车辆所对应的路段H i。
  6. 如权利要求5所述的方法，其特征在于，所述步骤3中计算所述各样本车辆在所述离散化移动轨迹中各时空点的平均速度的步骤进一步包括：
    对于所述样本车辆任一离散移动轨迹点，到所述原始轨迹S＝[(t 1,l 1),(t 2,l 2),...,(t n,l n)]中找到所述任一离散移动轨迹点的前后两个轨迹点X和Y，所述X和Y为距离所述任一离散移动轨迹点距离最近且与所述任一离散移动轨迹点不在同一路段上；
    利用所述X和Y间的路段平均速度表示所述样本车辆在所述任一离散化移动轨迹点的平均速度。
  7. 如权利要求6所述的方法，其特征在于，所述步骤4中计算所述离散化移动轨迹中各时空点样本车辆总数的步骤进一步包括：
    将所有样本车辆的轨迹矩阵U合并为一个三维矩阵D＝[U 1,U 2,...,U u]，其中u为所述样本车辆的数量，D x,D y,D z分别为所述三维矩阵D的路段、时间和用户三个维度，矩阵中任一元素D(i,j,k)表示在第i个路段，第j个时间点的用户数量；
    用二维矩阵E表示所述离散化移动轨迹中各时空点样本车辆总数，E(i,j)表示第i个路段，第j个时间点的用户数量；遍历所述三维矩阵D的D x和D y两个维度，对于所有i和j，找出D(i,j,:)中非空元素集合D′ ij，E(i,j)＝|D′ ij|。
  8. 如权利要求7所述的方法，其特征在于，所述步骤4中计算 所述离散化移动轨迹中各时空点所述所有样本车辆的平均速度的步骤进一步包括：
    将每一个路段的平均速度记录在速度二维矩阵F中，F(i,j)表示在第i个路段，第j个时间点的所有样本车辆的平均速度：
    Figure PCTCN2018080943-appb-100002
  9. 如权利要求8所述的方法，其特征在于，所述步骤5进一步包括：
    当所述T和H内任一时空点的平均车速小于预设阈值v jam且所述任一时空点的样本车辆总数大于预设阈值n jam时，确认所述任一时空点发生堵车；其中
    Figure PCTCN2018080943-appb-100003
    Δ d为路段长度，m为单向车道数量，l为车身平均长度，n为所述样本车辆的平均载客量；
    将所述T和H内所有时空点堵车情况判断结果存储在二维二值矩阵J中。
  10. 如权利要求9所述的方法，其特征在于，所述步骤5进一步包括：
    对所述矩阵进行平均池化处理，用一个正方形的池化窗求所述J矩阵在窗内的元素的平均值，找到出现所述平均值大于预设阈值的池化窗口位置，该处即为出现堵车的位置；
    选择所述出现堵车的位置开始时间T x、结束时间T y以及开始位 置H x和结束位置H y；利用所述矩阵F计算所述出现堵车的位置对应子矩阵的平均速度
    Figure PCTCN2018080943-appb-100004
    获得
    Figure PCTCN2018080943-appb-100005
PCT/CN2018/080943 2017-07-04 2018-03-28 一种公路异常事件的判断方法 WO2019007111A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US16/318,691 US10573174B2 (en) 2017-07-04 2018-03-28 Method for judging highway abnormal event

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201710538098.X 2017-07-04
CN201710538098.XA CN107293117B (zh) 2017-07-04 2017-07-04 一种公路异常事件的判断方法

Publications (1)

Publication Number Publication Date
WO2019007111A1 true WO2019007111A1 (zh) 2019-01-10

Family

ID=60099325

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/080943 WO2019007111A1 (zh) 2017-07-04 2018-03-28 一种公路异常事件的判断方法

Country Status (3)

Country Link
US (1) US10573174B2 (zh)
CN (1) CN107293117B (zh)
WO (1) WO2019007111A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110532250A (zh) * 2019-08-26 2019-12-03 腾讯科技（深圳）有限公司 交规数据的处理方法及装置

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107293117B (zh) 2017-07-04 2019-08-09 清华大学 一种公路异常事件的判断方法
CN108492564B (zh) * 2018-04-18 2020-08-07 山东省交通规划设计院 基于路网匹配测量高速公路车辆行驶速度的方法及系统
CN109727454B (zh) * 2019-02-15 2020-07-31 东南大学 一种基于时空立方体的道路超速事件黑点识别方法
CN111325986B (zh) * 2019-04-04 2020-12-22 北京嘀嘀无限科技发展有限公司 异常停车监测方法、装置、电子设备以及存储介质
CN110009634A (zh) * 2019-04-22 2019-07-12 苏州海赛人工智能有限公司 一种基于全卷积网络的车道内车辆计数方法
TWI719640B (zh) * 2019-09-17 2021-02-21 中華電信股份有限公司 偵測交通事件的方法及系統
CN110738852B (zh) * 2019-10-23 2020-12-18 浙江大学 一种基于车辆轨迹和长短记忆神经网络的交叉口转向溢出检测方法
CN111739283B (zh) * 2019-10-30 2022-05-20 腾讯科技（深圳）有限公司 一种基于聚类的路况计算方法、装置、设备及介质
CN111126144B (zh) * 2019-11-20 2021-10-12 浙江工业大学 一种基于机器学习的车辆轨迹异常检测方法
CN112767698B (zh) * 2021-01-19 2022-03-11 东南大学 一种基于小步长调整的自适应交通事件检测方法
CN113380048B (zh) * 2021-06-25 2022-09-02 中科路恒工程设计有限公司 基于神经网络的高危路段车辆驾驶行为识别方法
CN113593218B (zh) * 2021-06-28 2022-10-18 北京百度网讯科技有限公司 交通异常事件的检测方法、装置、电子设备及存储介质
CN113723346A (zh) * 2021-09-09 2021-11-30 南威软件股份有限公司 基于人像和车辆卡口数据的多轨迹落脚点碰撞分析方法
CN114241140B (zh) * 2022-02-24 2022-05-20 武汉图景空间信息技术有限公司 一种基于gis的车流实景三维建模方法和系统
CN114898571B (zh) * 2022-04-22 2023-06-06 福建工程学院 一种基于etc大数据的高速公路全路段车速测量方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0789341A1 (de) * 1996-02-06 1997-08-13 MANNESMANN Aktiengesellschaft Fahrzeugautonome Detektion von Verkehrsstau
DE102013010321A1 (de) * 2013-06-19 2013-12-12 Daimler Ag Erkennen einer aktuellen Verkehrssituation
CN104408923A (zh) * 2014-12-03 2015-03-11 百度在线网络技术（北京）有限公司 交通状态评估方法和装置
CN104933862A (zh) * 2015-05-26 2015-09-23 大连理工大学 一种基于浮动车轨迹的城市交通拥堵智能组合预测方法
CN105489008A (zh) * 2015-12-28 2016-04-13 北京握奇智能科技有限公司 基于浮动车卫星定位数据的城市道路拥堵计算方法及系统
CN106205126A (zh) * 2016-08-12 2016-12-07 北京航空航天大学 基于卷积神经网络的大规模交通网络拥堵预测方法及装置
CN106781486A (zh) * 2016-12-28 2017-05-31 安徽科力信息产业有限责任公司 基于浮动车数据的交通状态评价方法
CN107293117A (zh) * 2017-07-04 2017-10-24 清华大学 一种公路异常事件的判断方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5696503A (en) * 1993-07-23 1997-12-09 Condition Monitoring Systems, Inc. Wide area traffic surveillance using a multisensor tracking system
CN101908276A (zh) * 2010-07-29 2010-12-08 北京世纪高通科技有限公司 评价交通信息的方法及装置
JP5812831B2 (ja) * 2011-12-02 2015-11-17 三菱電機株式会社 定時通行判定装置及びコンピュータプログラム及び定時通行判定方法
CN103258430B (zh) * 2013-04-26 2015-03-11 青岛海信网络科技股份有限公司 路段旅行时间统计、以及交通路况判定方法和装置
US9697731B2 (en) * 2014-01-20 2017-07-04 Here Global B.V. Precision traffic indication
CN103886756B (zh) * 2014-04-17 2015-12-30 交通运输部公路科学研究所 基于obu的高速公路路网运行状态检测方法
US9576481B2 (en) * 2015-04-30 2017-02-21 Here Global B.V. Method and system for intelligent traffic jam detection
US9761133B2 (en) * 2015-06-26 2017-09-12 Here Global B.V. Determination of a free-flow speed for a link segment
CN105788252B (zh) * 2016-03-22 2018-05-01 连云港杰瑞电子有限公司 基于定点检测器和信号配时数据融合的城市干道车辆轨迹重构方法
US10163339B2 (en) * 2016-12-13 2018-12-25 Sap Se Monitoring traffic congestion

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0789341A1 (de) * 1996-02-06 1997-08-13 MANNESMANN Aktiengesellschaft Fahrzeugautonome Detektion von Verkehrsstau
DE102013010321A1 (de) * 2013-06-19 2013-12-12 Daimler Ag Erkennen einer aktuellen Verkehrssituation
CN104408923A (zh) * 2014-12-03 2015-03-11 百度在线网络技术（北京）有限公司 交通状态评估方法和装置
CN104933862A (zh) * 2015-05-26 2015-09-23 大连理工大学 一种基于浮动车轨迹的城市交通拥堵智能组合预测方法
CN105489008A (zh) * 2015-12-28 2016-04-13 北京握奇智能科技有限公司 基于浮动车卫星定位数据的城市道路拥堵计算方法及系统
CN106205126A (zh) * 2016-08-12 2016-12-07 北京航空航天大学 基于卷积神经网络的大规模交通网络拥堵预测方法及装置
CN106781486A (zh) * 2016-12-28 2017-05-31 安徽科力信息产业有限责任公司 基于浮动车数据的交通状态评价方法
CN107293117A (zh) * 2017-07-04 2017-10-24 清华大学 一种公路异常事件的判断方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110532250A (zh) * 2019-08-26 2019-12-03 腾讯科技（深圳）有限公司 交规数据的处理方法及装置
CN110532250B (zh) * 2019-08-26 2023-04-07 腾讯科技（深圳）有限公司 交规数据的处理方法及装置

Also Published As

Publication number Publication date
US20190189005A1 (en) 2019-06-20
US10573174B2 (en) 2020-02-25
CN107293117A (zh) 2017-10-24
CN107293117B (zh) 2019-08-09

Similar Documents

Publication Publication Date Title
WO2019007111A1 (zh) 一种公路异常事件的判断方法
CN109544932B (zh) 一种基于出租车gps数据与卡口数据融合的城市路网流量估计方法
US10558898B2 (en) System and method for generating a map from activity data
US9672735B2 (en) Traffic classification based on spatial neighbor model
US9564048B2 (en) Origin destination estimation based on vehicle trajectory data
US20180349792A1 (en) Method and apparatus for building a parking occupancy model
US10373494B1 (en) Method and apparatus for estimating a parking event based on device signal observations
US11049390B2 (en) Method, apparatus, and system for combining discontinuous road closures detected in a road network
US20200357273A1 (en) Method, apparatus, and system for detecting venue trips and related road traffic
US20190329788A1 (en) Road condition status prediction method, device, and server, and storage medium
US11867528B2 (en) Method, apparatus, and system for providing road closure graph inconsistency resolution
Stipancic et al. Measuring and visualizing space–time congestion patterns in an urban road network using large-scale smartphone-collected GPS data
EP3822940B1 (en) Method and apparatus for providing dynamic window data transfer between road closure detection and road closure verification
WO2022142418A1 (zh) 一种基于gis地图信息的交通拥堵指数预测方法及装置
CN109489679A (zh) 一种导航路径中的到达时间计算方法
Garg et al. Mining bus stops from raw GPS data of bus trajectories
Apronti et al. Four-step travel demand model implementation for estimating traffic volumes on rural low-volume roads in Wyoming
US20220207992A1 (en) Surprise pedestrian density and flow
US20220252422A1 (en) Method, apparatus, and system for constructing a high-resolution map for geospatial big data processing
US20220170761A1 (en) Method and apparatus for detecting/verifying contraflow lane shift incidents
Efentakis et al. Crowdsourcing turning restrictions for OpenStreetMap.
US11946769B2 (en) Method, apparatus, and system for identifying special areas and cleaning-up map data
CN111931968B (zh) 一种应用手机gps数据来优化公共自行车站点布局的方法
Yang et al. Urban freight performance evaluation using gps data
US11580850B2 (en) Method, apparatus and computer program product for determining lane status confidence indicators using probe data

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18827404

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18827404

Country of ref document: EP

Kind code of ref document: A1