CN105118289A - 一种交通态势评估方法 - Google Patents
一种交通态势评估方法 Download PDFInfo
- Publication number
- CN105118289A CN105118289A CN201510351580.3A CN201510351580A CN105118289A CN 105118289 A CN105118289 A CN 105118289A CN 201510351580 A CN201510351580 A CN 201510351580A CN 105118289 A CN105118289 A CN 105118289A
- Authority
- CN
- China
- Prior art keywords
- real
- time
- relation
- equivalence
- repair
- 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
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明提供一种交通态势评估方法,包括:采用各类传感器采集各种道路初始信息;对各初始信息进行数值缺失检验,对缺失数据进行修复;对各初始信息、修复信息进行阈值检验或机理关系检验;确定实时最大传感器连接组,并获取最大传感器连接组内的平均车流量、平均车速、平均占有率;根据实时交通事件、实时车辆排队长度、实时行程时间、实时行车距离、实时拥挤长度、修复交通事件、修复车辆排队长度、修复行程时间、修复行车距离、修复拥挤长度确定实时交通状态;根据平均车流量、平均车速、平均占有率、实时交通状态是否相容确定采用相容融合或不相容融合方法获取交通状态预测结果。本发明具有评估准确、可信度较高等特点,可广泛应用于交通领域。
Description
技术领域
本发明涉及评估技术,特别是涉及一种交通态势评估方法。
背景技术
随着社会经济实力与科技水平的发展,交通智能化已成为未来交通运输的发展趋势。近年来,世界各国都加大智能交通的研发力度。城市交通诱导***是智能交通运输***的一个重要方面,其通过实时采集、分析交通信息获取实时交通状态。目前,国内外交通诱导***中的交通态势状态以各种信息通讯手段为基础,综合考虑车辆、道路一体化集成,实现交通参与者、车辆、交通基础设施、管理者之间的关联。通过分析国内外交通诱导***发展状况,从海量的、不完善的交通信息中获取实时交通状态是交通诱导***的重点与难点。当前,由于并非所有路段都安装有检测装置,而且采集的交通信息也存在较大的差异,交通诱导***也缺乏交通流信息处理的有效方法,因此交通状态预测结果不够准确、可信度也比较低。
由此可见,在现有技术中,交通态势评估方法存在不准确、可信度低等问题。
发明内容
有鉴于此,本发明的主要目的在于提供一种评估准确、可信度较高的交通态势评估方法。
为了达到上述目的,本发明提出的技术方案为:
一种交通态势评估方法,包括如下步骤:
步骤1、采用感应线圈se1采集第一实时车流量q1、第一实时车速v1、第一实时占有率o1,采用红外检测器se2采集第二实时车流量q2、第二实时车速v2、第二实时占有率o2,采用微波检测器se3采集第三实时车流量q3、第三实时车速v3、第三实时占有率o3,采用声学检测器se4采集第四实时车流量q4、第四实时车速v4、第四实时占有率o4,采用视频检测器se5采集第五实时车流量q5、第五实时车速v5、第五实时占有率o5、实时交通事件acc、实时车辆排队长度le;采用浮动车采集路段实时行程时间tp、实时行车距离s、实时拥挤长度lw。
步骤2、对步骤1采集得到的各初始信息进行数值缺失检验:若缺失,则对采用相关分析法进行数值修复后得到的第一修复车流量q’1、第一修复车速v’1、第一修复占有率o’1、第二修复车流量q’2、第二修复车速v’2、第二修复占有率o’2、第三修复车流量q’3、第三修复车速v’3、第三修复占有率o’3、第四修复车流量q’4、第四修复车速v’4、第四修复占有率o’4、第五修复车流量q’5、第五修复车速v’5、第五修复占有率o’5、修复交通事件acc’、修复车辆排队长度l’e、修复行程时间t’p、修复行车距离s’、修复拥挤长度l’w执行步骤3;若不缺失,则直接执行步骤3。
步骤3、对步骤1采集得到的各初始信息、步骤2修复得到的各修复信息进行阈值检验或机理关系检验:当数值超过阈值范围或不满足机理关系时删除该数值;当数值满足阈值范围与机理关系时执行步骤4。
步骤4、确定实时最大传感器连接组;同时,获取实时最大传感器组内相同指标的平均值,包括:平均车流量平均车速平均占有率
步骤5、根据实时交通事件acc、实时车辆排队长度le、实时行程时间tp、实时行车距离s、实时拥挤长度lw、修复交通事件acc’、修复车辆排队长度l’e、修复行程时间t’p、修复行车距离s’、修复拥挤长度l’w确定实时交通状态d的初始值为畅通、缓行、一般拥堵或严重拥堵。
步骤6、判定平均车流量平均车速平均占有率实时交通状态d是否相容,并根据判定结果采用相容融合方法或不相容融合方法确定交通状态预测结果。
综上所述,本发明所述交通态势评估方法首先尽可能的利用各种传感器采集各种道路状况信息,并对采集过程中由于天气、传感器故障等原因导致的信息丢失进行了修复,这就使得本发明所获取的道路状况信息比较充分,尽可能避免了信息丢失。其次,本发明方法对道路状况原始信息与道路状况修复信息依次进行了阈值检验、机理检验,进一步去除掉了由于天气、传感器故障或人为等因素导致的与道路实际情况不同的不合理信息,进一步保证了信息的真实性。再次,本发明通过实时最大传感器连接组确定实时的相互关联的对实时道路状况起重要作用的各传感器,同时,去除相互关联性差、对实时道路状况不起作用或作用很小的传感器,也就是说,实时动态传感器组的组成是实时变化的,这就进一步保证了道路信息的准确性,同时排除了一些不相关的道路信息。最后,本发明通过判别道路信息组成的决策***的相容性,确定交通态势预测是采用相容融合方法还是不相容融合方法,又进一层保证了预测准确性。由此可见,本发明所述交通态势评估方法具有评估准确、可信度较高的特点,同时,计算复杂度也比较小。
附图说明
图1为本发明所述交通态势评估方法的总体流程示意图。
图2为本发明所述相关分析法进行数值修复的流程图。
图3为本发明所述相容判定方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图及具体实施例对本发明作进一步地详细描述。
图1为本发明所述交通态势评估方法的总体流程示意图。如图1所示,本发明所述交通态势评估方法,包括如下步骤:
步骤1、采用感应线圈se1采集第一实时车流量q1、第一实时车速v1、第一实时占有率o1,采用红外检测器se2采集第二实时车流量q2、第二实时车速v2、第二实时占有率o2,采用微波检测器se3采集第三实时车流量q3、第三实时车速v3、第三实时占有率o3,采用声学检测器se4采集第四实时车流量q4、第四实时车速v4、第四实时占有率o4,采用视频检测器se5采集第五实时车流量q5、第五实时车速v5、第五实时占有率o5、实时交通事件acc、实时车辆排队长度le;采用浮动车采集路段实时行程时间tp、实时行车距离s、实时拥挤长度lw。
步骤2、对步骤1采集得到的各初始信息进行数值缺失检验:若缺失,则对采用相关分析法进行数值修复后得到的第一修复车流量q’1、第一修复车速v’1、第一修复占有率o’1、第二修复车流量q’2、第二修复车速v’2、第二修复占有率o’2、第三修复车流量q’3、第三修复车速v’3、第三修复占有率o’3、第四修复车流量q’4、第四修复车速v’4、第四修复占有率o’4、第五修复车流量q’5、第五修复车速v’5、第五修复占有率o’5、修复交通事件acc’、修复车辆排队长度l’e、修复行程时间t’p、修复行车距离s’、修复拥挤长度l’w执行步骤3;若不缺失,则直接执行步骤3。
步骤3、对步骤1采集得到的各初始信息、步骤2修复得到的各修复信息进行阈值检验或机理关系检验:当数值超过阈值范围或不满足机理关系时删除该数值;当数值满足阈值范围与机理关系时执行步骤4。
步骤4、确定实时最大传感器连接组;同时,获取实时最大传感器组内相同指标的平均值,包括:平均车流量平均车速平均占有率
这里,相同指标为实时最大传感器组内各传感器采集得到的实时车流量,或者,各传感器采集得到的实时车速,或者,各传感器采集得到的实时占有率。
步骤5、根据实时交通事件acc、实时车辆排队长度le、实时行程时间tp、实时行车距离s、实时拥挤长度lw、修复交通事件acc’、修复车辆排队长度l’e、修复行程时间t’p、修复行车距离s’、修复拥挤长度l’w确定实时交通状态d的初始值为畅通、缓行、一般拥堵或严重拥堵。
步骤6、判定平均车流量平均车速平均占有率实时交通状态d是否相容,并根据判定结果采用相容融合方法或不相容融合方法确定交通状态预测结果。
总之,本发明所述交通态势评估方法首先尽可能的利用各种传感器采集各种道路状况信息,并对采集过程中由于天气、传感器故障等原因导致的信息丢失进行了修复,这就使得本发明所获取的道路状况信息比较充分,尽可能避免了信息丢失。其次,本发明方法对道路状况原始信息与道路状况修复信息依次进行了阈值检验、机理检验,进一步去除掉了由于天气、传感器故障或人为等因素导致的与道路实际情况不同的不合理信息,进一步保证了信息的真实性。再次,本发明通过实时最大传感器连接组确定实时的相互关联的对实时道路状况起重要作用的各传感器,同时,去除相互关联性差、对实时道路状况不起作用或作用很小的传感器,也就是说,实时动态传感器组的组成是实时变化的,这就进一步保证了道路信息的准确性,同时排除了一些不相关的道路信息。最后,本发明通过判别道路信息组成的决策***的相容性,确定交通态势预测是采用相容融合方法还是不相容融合方法,又进一层保证了预测准确性。由此可见,本发明所述交通态势评估方法具有评估准确、可信度较高的特点,同时,计算复杂度也比较小。
图2为本发明所述相关分析法进行数值修复的流程图。如图2所示,本发明步骤2中,所述采用相关分析法进行数值修复,具体包括如下步骤:
步骤21、设定初始信息数值缺失时刻t之前的n个数值序列为xt-n,xt-n+1,…,xt-i,…,xt-1;其中,xt-i为n个序列中的任一值,t、n、i均为自然数,且1≤i≤n。
步骤22、获取xt-n,xt-n+1,…,xt-i,…,xt-1的k阶自相关系数rk:
步骤23、获取数值缺失时刻t的修复值
本发明步骤3中,所述阈值检验包括:
实时车流量阈值检测,具体为:0≤qb≤fcCT/60;修复车流量阈值检验,具体为:0≤q’b≤fcCT/60;其中,C为道路通行能力,T为采样时间,fc为第一修正系数,b为自然数且1≤b≤5。
实时车速阈值检测,具体为:0≤vb≤fvvm;修复车速阈值检验,具体为:0≤v’b≤fvvm;其中,vm位道路限速,fv为第二修正系数。
实时占有率阈值检测,具体为:0≤ob≤60TSc;修复占有率阈值检验,具体为:0≤o’b≤60TS;其中,Sc为所述感应线圈se1、所述红外检测器se2、所述微波检测器se3、所述声学检测器se4或者所述视频检测器se5的扫描频率。
实时行程时间阈值检测,具体为:修复行程时间阈值检测,具体为:其中,l为道路长度,le为车辆排队长度,τmax为红灯信号长度。
本发明步骤3中,所述机理关系检验包括:
实时车流量与实时占有率的机理关系:
修复车流量与修复占有率的机理关系:λo’b 2+ηo’b 2-ζσq≤q’b≤λo’b 2+ηo’b 2+ζσq。
实时车流量与实时车速的机理关系:
修复车流量与修复车速的机理关系:
实时行程时间与实时拥挤长度的机理关系:
修复行程时间与修复拥挤长度的机理关系:
其中,λ、η、α、β、χ1、χ2、χ3为参数;σq为实时车流量的标准偏差,σv为实时车速的标准偏差,σf为浮动车采集得到的信息的标准偏差;N为车道数;f为每公里道路信号交叉口数;ζ、θ、μ为修正系数。
本发明步骤4中,所述确定实时最大传感器连接组,具体包括如下步骤:
步骤41、将道路同一断面的感应线圈se1、红外检测器se2、微波检测器se3、声学检测器se4、视频检测器se5组成传感器组。
步骤42、根据传感器组中各传感器的测量值,获取各传感器单独对交通状态的决策值db,具体为:感应决策值d1、红外决策值d5、微波决策值d4、声学决策值d4、视频决策值d5。
步骤43、获取传感器组中各传感器之间的决策距离:ugj=2|(dg-1/2)(dj-dg)|、ujg=2|(dj-1/2)(dg-dj)|;其中,g,j=1,2,3,4,5且g≠j。
步骤44、获取决策距离矩阵
步骤45、设定判决阈值ρ,并令获取关系矩阵:
步骤46、由rij=rji=1的所有传感器组成实时最大传感器连接组。
图3为本发明所述相容判定方法的流程图。如图3所示,本发明步骤6中,所述判定平均车流量平均车速平均占有率实时交通状态d是否相容,具体为:
步骤61、将平均车流量平均车速平均占有率构成初始条件属性集将实时交通状态d构成决策属性集De={d},将所述最大传感器组检测序号作为论域U,由论域U、初始条件属性集A、决策属性集De、初始条件属性值与决策属性值组成初始决策***。
步骤62、将论域U分别表示为关于决策属性De的等价关系F={X1,X2,X3,X4}、关于初始条件属性A的等价关系R;其中,X1表示决策属性值为畅通的论域集合,X2表示决策值为缓行的论域集合,X3表示决策值为一般拥堵的论域集合,X4表示决策值为严重拥堵的论域集合。
步骤63、判断精度是否成立:如果成立,则初始决策***相容;如果不成立,则初始决策***不相容;其中,上近似集 下近似集 card(·)表示基数,[r]R表示等价关系R中的各分类,h=1,2,3,4。
本发明步骤6中,所述采用相容融合方法确定交通状态预测结果,包括如下步骤:
步骤6A1、构造第一区分矩阵Qe×e(A)={q(v,w)}e×e;其中,且p(dv)≠p(dw))},1≤v<w≤e,e=card(U);表示论域U中的元素v的初始条件属性的属性值,表示论域U中的元素w的初始条件属性的属性值,p(dv)表示论域U中的元素v的决策属性d的属性值,p(dw)表示论域U中的元素w的决策属性d的属性值;
步骤6A2、根据第一区分矩阵列写第一区分函数并通过对第一区分函数的化简去除冗余条件属性,获得初始决策***的条件属性核与必要条件属性,且由条件属性核与必要条件属性组成的简化条件属性集A’={a’y};其中,y为自然数,且y≤3。
步骤6A3、由简化条件属性集A’={a’y}、决策属性集De构造简化决策***,并构造第二区分矩阵Qk×k(B)={q’(v,w)|e×e;q’(v,w)=q’(w,v)}e×e;其中,q’(v,w)={a’y∈A’;f(a’yv)≠f(a’yw)且p(dv)≠p(dw))}。
步骤6A4、根据第二区分矩阵列写第二区分函数并通过对第二区分函数的化简去除简化决策***中的冗余条件属性值,得到最简决策***。
步骤6A5、根据最简决策***得到处交通状态预测结果的确定性规则。
这里,交通状态预测结果的确定性规则的格式为:IFTHENp(d);其中,f(a’y)为简化条件属性a’y的属性值,表示f(a’y)的与逻辑或者或逻辑;p(d)为决策属性d的属性值。例如,如果y=3、Logic[·]为与逻辑时,则也就是说当f(a’1)、f(a’2)、f(a’3)均成立时,p(d)成立。
本发明步骤6中,所述采用不相容融合方法确定交通状态预测结果,包括如下步骤:
步骤6B1、写出初始决策***关于初始条件属性的所有等价关系:关于平均车流量的等价关系Rq,关于平均车速的等价关系Rv,关于平均占有率的等价关系Ro,关于平均车流量与平均车速的等价关系Rqv,关于平均车速与平均占有率的等价关系Rvo,关于平均车流量与平均占有率的等价关系Rqo,关于平均车流量平均车速与平均占有率的等价关系Rqvo;并求上述各等价关系关于等价关系F的上近似集、下近似集:等价关系Rq关于等价关系F的上近似集等价关系Rq关于等价关系F的下近似集等价关系Rv关于等价关系F的上近似集等价关系Rv关于等价关系F的下近似集等价关系Ro关于等价关系F的上近似集等价关系Ro关于等价关系F的下近似集等价关系Rqv关于等价关系F的上近似集等价关系Rqv关于等价关系F的下近似集等价关系Rvo关于等价关系F的上近似集等价关系Rvo关于等价关系F的下近似集等价关系Rqo关于等价关系F的上近似集等价关系Rqo关于等价关系F的下近似集等价关系Rqvo关于等价关系F的上近似集等价关系Rqvo关于等价关系F的下近似集
步骤6B2、求上述各等价关系关于等价关系F的边界集及对应的可信度:
Pq(Xh)=card(Xh)/card(Bnq(Xh));
Pv(Xh)=card(Xh)/card(Bnv(Xh));
Po(Xh)=card(Xh)/card(Bno(Xh));
Pqv(Xh)=card(Xh)/card(Bnqv(Xh));
Pvo(Xh)=card(Xh)/card(Bnvo(Xh));
Pqo(Xh)=card(Xh)/card(Bnqo(Xh));
Pqvo(Xh)=card(Xh)/card(Bnqvo(Xh))。
步骤6B3、根据上述各等价类的下近似集导出确定性规则,根据上述各等价类的边界集导出各可信度Pq(Xh)、Pv(Xh)、Po(Xh)、Pqv(Xh)、Pvo(Xh)、Pqvo(Xh)对应的可能性规则。
交通状态预测结果的可能性规则的格式为:IFTHENp(d)∈Xh,且满足Pm(Xh);其中,m=q,v,o,qv,vo,qvo,q、v、o与a’1、a’2、a’3一一对应。例如,如果y=3、Logic[·]为与逻辑时,则也就是说当f(a’1)、f(a’2)、f(a’3)均成立时,p(d)∈Xh成立;且该条可能性规则成立的准确度为Pqvo(Xh)。
综上所述,以上仅为本发明的较佳实施例而已,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)
1.一种交通态势评估方法,其特征在于,所述评估方法包括如下步骤:
步骤1、采用感应线圈se1采集第一实时车流量q1、第一实时车速v1、第一实时占有率o1,采用红外检测器se2采集第二实时车流量q2、第二实时车速v2、第二实时占有率o2,采用微波检测器se3采集第三实时车流量q3、第三实时车速v3、第三实时占有率o3,采用声学检测器se4采集第四实时车流量q4、第四实时车速v4、第四实时占有率o4,采用视频检测器se5采集第五实时车流量q5、第五实时车速v5、第五实时占有率o5、实时交通事件acc、实时车辆排队长度le;采用浮动车采集路段实时行程时间tp、实时行车距离s、实时拥挤长度lw;
步骤2、对步骤1采集得到的各初始信息进行数值缺失检验:若缺失,则对采用相关分析法进行数值修复后得到的第一修复车流量q’1、第一修复车速v’1、第一修复占有率o’1、第二修复车流量q’2、第二修复车速v’2、第二修复占有率o’2、第三修复车流量q’3、第三修复车速v’3、第三修复占有率o’3、第四修复车流量q’4、第四修复车速v’4、第四修复占有率o’4、第五修复车流量q’5、第五修复车速v’5、第五修复占有率o’5、修复交通事件acc’、修复车辆排队长度l’e、修复行程时间t’p、修复行车距离s’、修复拥挤长度l’w执行步骤3;若不缺失,则直接执行步骤3;
步骤3、对步骤1采集得到的各初始信息、步骤2修复得到的各修复信息进行阈值检验或机理关系检验:当数值超过阈值范围或不满足机理关系时删除该数值;当数值满足阈值范围与机理关系时执行步骤4;
步骤4、确定实时最大传感器连接组;同时,获取实时最大传感器组内相同指标的平均值,包括:平均车流量平均车速平均占有率
步骤5、根据实时交通事件acc、实时车辆排队长度le、实时行程时间tp、实时行车距离s、实时拥挤长度lw、修复交通事件acc’、修复车辆排队长度l’e、修复行程时间t’p、修复行车距离s’、修复拥挤长度l’w确定实时交通状态d的初始值为畅通、缓行、一般拥堵或严重拥堵;
步骤6、判定平均车流量平均车速平均占有率实时交通状态d是否相容,并根据判定结果采用相容融合方法或不相容融合方法确定交通状态预测结果。
2.根据权利要求1所述的交通态势评估方法,其特征在于,步骤2中,所述采用相关分析法进行数值修复,具体包括如下步骤:
步骤21、设定初始信息数值缺失时刻t之前的n个数值序列为xt-n,xt-n+1,…,xt-i,…,xt-1;其中,xt-i为n个序列中的任一值,t、n、i均为自然数,且1≤i≤n;
步骤22、获取xt-n,xt-n+1,…,xt-i,…,xt-1的k阶自相关系数rk:
步骤23、获取数值缺失时刻t的修复值
3.根据权利要求1所述的交通态势评估方法,其特征在于,步骤3中,所述阈值检验包括:
实时车流量阈值检测,具体为:0≤qb≤fcCT/60;其中,C为道路通行能力,T为采样时间,fc为第一修正系数,b为自然数且1≤b≤5;
修复车流量阈值检验,具体为:0≤q’b≤fcCT/60;
实时车速阈值检测,具体为:0≤vb≤fvvm;其中,vm位道路限速,fv为第二修正系数;
修复车速阈值检验,具体为:0≤v’b≤fvvm;
实时占有率阈值检测,具体为:0≤ob≤60TSc;其中,Sc为所述感应线圈se1、所述红外检测器se2、所述微波检测器se3、所述声学检测器se4或者所述视频检测器se5的扫描频率;
修复占有率阈值检验,具体为:0≤o’b≤60TS;
实时行程时间阈值检测,具体为:其中,l为道路长度,le为车辆排队长度,τmax为红灯信号长度;
修复行程时间阈值检测,具体为:
4.根据权利要求3所述的交通态势评估方法,其特征在于,步骤3中,所述机理关系检验包括:
实时车流量与实时占有率的机理关系:
修复车流量与修复占有率的机理关系:
实时车流量与实时车速的机理关系:
修复车流量与修复车速的机理关系:
实时行程时间与实时拥挤长度的机理关系:
修复行程时间与修复拥挤长度的机理关系:
其中,λ、η、α、β、χ1、χ2、χ3为参数;σq为实时车流量的标准偏差,σv为实时车速的标准偏差,σf为浮动车采集得到的信息的标准偏差;N为车道数;f为每公里道路信号交叉口数;ζ、θ、μ为修正系数。
5.根据权利要求1所述的交通态势评估方法,其特征在于,步骤4中,所述确定实时最大传感器连接组,具体包括如下步骤:
步骤41、将道路同一断面的感应线圈se1、红外检测器se2、微波检测器se3、声学检测器se4、视频检测器se5组成传感器组;
步骤42、根据传感器组中各传感器的测量值,获取各传感器单独对交通状态的决策值db,具体为:感应决策值d1、红外决策值d5、微波决策值d4、声学决策值d4、视频决策值d5;
步骤43、获取传感器组中各传感器之间的决策距离:ugj=2|(dg-1/2)(dj-dg)|、ujg=2|(dj-1/2)(dg-dj)|;其中,g,j=1,2,3,4,5且g≠j;
步骤44、获取决策距离矩阵
步骤45、设定判决阈值ρ,并令获取关系矩阵:
步骤46、由rij=rji=1的所有传感器组成实时最大传感器连接组。
6.根据权利要求1所述的交通态势评估方法,其特征在于,步骤6中,所述判定平均车流量平均车速平均占有率实时交通状态d是否相容,具体为:
步骤61、将平均车流量平均车速平均占有率构成初始条件属性集将实时交通状态d构成决策属性集De={d},将所述最大传感器组检测序号作为论域U,由论域U、初始条件属性集A、决策属性集De、初始条件属性值与决策属性值组成初始决策***;
步骤62、将论域U分别表示为关于决策属性De的等价关系F={X1,X2,X3,X4}、关于初始条件属性A的等价关系R;其中,X1表示决策属性值为畅通的论域集合,X2表示决策值为缓行的论域集合,X3表示决策值为一般拥堵的论域集合,X4表示决策值为严重拥堵的论域集合;
步骤63、判断精度 是否成立:如果成立,则初始决策***相容;如果不成立,则初始决策***不相容;其中,上近似集下近似集R(Xh)={r∈U:[r]R∩Xh≠Φ},card(·)表示基数,[r]R表示等价关系R中的各分类,h=1,2,3,4。
7.根据权利要求6所述的交通态势评估方法,其特征在于,步骤6中,所述采用相容融合方法确定交通状态预测结果,包括如下步骤:
步骤6A1、构造第一区分矩阵Qe×e(A)={q(v,w)}e×e;其中,且f(dv)≠f(dw))},1≤v<w≤e,e=card(U);表示论域U中的元素v的初始条件属性的属性值,表示论域U中的元素w的初始条件属性的属性值,f(dv)表示论域U中的元素v的决策属性d的属性值,f(dw)表示论域U中的元素w的决策属性d的属性值;
步骤6A2、根据第一区分矩阵列写第一区分函数并通过对第一区分函数的化简去除冗余条件属性,获得初始决策***的条件属性核与必要条件属性,且由条件属性核与必要条件属性组成的简化条件属性集A’={a’y};其中,y为自然数,且y≤3;
步骤6A3、由简化条件属性集A’={a’y}、决策属性集De构造简化决策***,并构造第二区分矩阵Qk×k(B)={q’(v,w)|e×e;q’(v,w)=q’(w,v)}e×e;其中,q’(v,w)={a’y∈A’;f(a’yv)≠f(a’yw)且f(dv)≠f(dw))};
步骤6A4、根据第二区分矩阵列写第二区分函数并通过对第二区分函数的化简去除简化决策***中的冗余条件属性值,得到最简决策***;
步骤6A5、根据最简决策***得到交通状态预测结果的确定性规则。
8.根据权利要求6所述的交通态势评估方法,其特征在于,步骤6中,所述采用不相容融合方法确定交通状态预测结果,包括如下步骤:
步骤6B1、写出初始决策***关于初始条件属性的所有等价关系:关于平均车流量的等价关系Rq,关于平均车速的等价关系Rv,关于平均占有率的等价关系Ro,关于平均车流量与平均车速的等价关系Rqv,关于平均车速与平均占有率的等价关系Rvo,关于平均车流量与平均占有率的等价关系Rqo,关于平均车流量平均车速与平均占有率的等价关系Rqvo;并求上述各等价关系关于等价关系F的上近似集、下近似集:等价关系Rq关于等价关系F的上近似集等价关系Rq关于等价关系F的下近似集R q (Xh),等价关系Rv关于等价关系F的上近似集等价关系Rv关于等价关系F的下近似集R v (Xh),等价关系Ro关于等价关系F的上近似集等价关系Ro关于等价关系F的下近似集R o (Xh),等价关系Rqv关于等价关系F的上近似集等价关系Rqv关于等价关系F的下近似集R qv (Xh),等价关系Rvo关于等价关系F的上近似集等价关系Rvo关于等价关系F的下近似集R vo (Xh),等价关系Rqo关于等价关系F的上近似集等价关系Rqo关于等价关系F的下近似集R qo (Xh),等价关系Rqvo关于等价关系F的上近似集等价关系Rqvo关于等价关系F的下近似集R qvo (Xh);
步骤6B2、求上述各等价关系关于等价关系F的边界集及对应的可信度:
步骤6B3、根据上述各等价类的下近似集导出交通状态预测结果的确定性规则,根据上述各等价类的边界集导出各可信度Pq(Xh)、Pv(Xh)、Po(Xh)、Pqv(Xh)、Pvo(Xh)、Pqvo(Xh)对应的交通状态预测结果的可能性规则。
9.根据权利要求7或8所述的交通态势评估方法,其特征在于,所述交通状态预测结果的确定性规则的格式为:其中,f(a’y)为简化条件属性a’y的属性值,表示f(a’y)的与逻辑或者或逻辑;p(d)为决策属性d的属性值。
10.根据权利要求8所述的交通态势评估方法,其特征在于,所述交通状态预测结果的可能性规则的格式为:且满足Pm(Xh);其中,m=q,v,o,qv,vo,qvo,q、v、o与a’1、a’2、a’3一一对应。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510351580.3A CN105118289A (zh) | 2015-06-17 | 2015-06-17 | 一种交通态势评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510351580.3A CN105118289A (zh) | 2015-06-17 | 2015-06-17 | 一种交通态势评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105118289A true CN105118289A (zh) | 2015-12-02 |
Family
ID=54666257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510351580.3A Pending CN105118289A (zh) | 2015-06-17 | 2015-06-17 | 一种交通态势评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105118289A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389987A (zh) * | 2015-12-03 | 2016-03-09 | 青岛海信网络科技股份有限公司 | 一种道路交通状况预测方法及装置 |
CN110288826A (zh) * | 2019-05-24 | 2019-09-27 | 浙江工业大学 | 基于多源数据融合和milp的交通控制子区聚类划分方法 |
CN114495494A (zh) * | 2022-01-06 | 2022-05-13 | 电子科技大学 | 基于交通流参数预测的交通态势评估方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0902405A2 (de) * | 1997-09-11 | 1999-03-17 | Siemens Aktiengesellschaft | Verfahren zur Ermittlung von Verkehrsinformationen |
EP1057156B1 (de) * | 1998-02-19 | 2004-01-21 | DDG Gesellschaft für Verkehrsdaten mbH | Verkehrslageerfassung mit fuzzy-klassifikation und mehrdimensionaler morphologischer datenfilterung und dynamischer domänenbildung |
CN101719315A (zh) * | 2009-12-23 | 2010-06-02 | 山东大学 | 一种基于中间件的动态交通信息采集方法 |
CN103593973A (zh) * | 2012-12-18 | 2014-02-19 | 北京科技大学 | 一种城市道路交通态势评估*** |
CN103606274A (zh) * | 2012-12-18 | 2014-02-26 | 北京科技大学 | 一种城市道路交通状态评估方法 |
-
2015
- 2015-06-17 CN CN201510351580.3A patent/CN105118289A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0902405A2 (de) * | 1997-09-11 | 1999-03-17 | Siemens Aktiengesellschaft | Verfahren zur Ermittlung von Verkehrsinformationen |
EP1057156B1 (de) * | 1998-02-19 | 2004-01-21 | DDG Gesellschaft für Verkehrsdaten mbH | Verkehrslageerfassung mit fuzzy-klassifikation und mehrdimensionaler morphologischer datenfilterung und dynamischer domänenbildung |
CN101719315A (zh) * | 2009-12-23 | 2010-06-02 | 山东大学 | 一种基于中间件的动态交通信息采集方法 |
CN103593973A (zh) * | 2012-12-18 | 2014-02-19 | 北京科技大学 | 一种城市道路交通态势评估*** |
CN103606274A (zh) * | 2012-12-18 | 2014-02-26 | 北京科技大学 | 一种城市道路交通状态评估方法 |
Non-Patent Citations (6)
Title |
---|
刘宝民: "动态交通信息采集与数据融合技术的研究", 《中国优秀硕士学位论文全文数据库》 * |
孙亚: "ITS采集交通信息缺失数据修复策略及模型研究", 《黑龙江科技信息》 * |
张素妍 等: "基于粗糙集理论的分布式检测***数据融合", 《北京化工大学学报》 * |
张素妍: "粗糙集理论在数据融合中的应用研究", 《中国优秀硕士学位论文全文数据库》 * |
聂伟 等: "分布式检测***数据不相容情况下的融合方法", 《北京化工大学学报》 * |
邹晓芳: "城市快速路交通流故障数据修复方法研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389987A (zh) * | 2015-12-03 | 2016-03-09 | 青岛海信网络科技股份有限公司 | 一种道路交通状况预测方法及装置 |
CN110288826A (zh) * | 2019-05-24 | 2019-09-27 | 浙江工业大学 | 基于多源数据融合和milp的交通控制子区聚类划分方法 |
CN114495494A (zh) * | 2022-01-06 | 2022-05-13 | 电子科技大学 | 基于交通流参数预测的交通态势评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105913661B (zh) | 一种基于收费数据的高速公路路段交通状态判别方法 | |
CN103839409B (zh) | 基于多断面视觉传感聚类分析的交通流状态判别方法 | |
CN101739824B (zh) | 基于数据融合技术的交通状况估计方法 | |
CN103593973B (zh) | 一种城市道路交通态势评估*** | |
CN111680745B (zh) | 一种基于多源交通大数据融合的突发拥堵判别方法及*** | |
CN110176139A (zh) | 一种基于dbscan+的道路拥堵识别可视化方法 | |
CN104464295B (zh) | 一种基于视频的高架入口匝道智能限行方法 | |
CN102881162B (zh) | 大规模交通信息的数据处理及融合方法 | |
DE112019000714T5 (de) | Glasfasererfassung zur autobahninstandhaltung | |
CN112053558A (zh) | 一种交通拥堵状态识别方法及装置和设备 | |
CN113870570B (zh) | 一种基于etc的路网运行状态方法、***和存储介质 | |
CN114267173B (zh) | 高速公路时空特征的多源数据融合方法、装置及设备 | |
CN103606274A (zh) | 一种城市道路交通状态评估方法 | |
CN113436432A (zh) | 一种利用路侧观测数据进行路段短时交通风险预测的方法 | |
CN105118289A (zh) | 一种交通态势评估方法 | |
CN105513362A (zh) | 一种公交站台毗邻区公交车运行状态评价验证方法 | |
CN116631186A (zh) | 基于危险驾驶事件数据的高速公路交通事故风险评估方法、*** | |
CN112951271A (zh) | 一种基于声学辅助的隧道交通安全警示方法、*** | |
CN115080638A (zh) | 微观仿真的多源数据融合分析方法、电子设备及存储介质 | |
CN115995149A (zh) | 一种基于多源数据的停车供需特征动态评估方法及*** | |
CN111986483A (zh) | 基于电警数据碰撞实现道路拥堵状态研判处理的方法、装置及存储介质 | |
CN110264725A (zh) | 路段流量的确定方法及装置 | |
CN113192340B (zh) | 高速公路施工车辆的识别方法、装置、设备及存储介质 | |
Hammit et al. | Radar-vision algorithms to process the trajectory-level driving data in the SHRP2 Naturalistic Driving Study | |
Chen et al. | Automatic freeway bottleneck identification and visualization using image processing techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20151202 |