CN105608889A - 一种车辆停留分析方法 - Google Patents
一种车辆停留分析方法 Download PDFInfo
- Publication number
- CN105608889A CN105608889A CN201510563308.1A CN201510563308A CN105608889A CN 105608889 A CN105608889 A CN 105608889A CN 201510563308 A CN201510563308 A CN 201510563308A CN 105608889 A CN105608889 A CN 105608889A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- consuming time
- time
- collection point
- stop
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及车辆停留分析领域,特别涉及一种根据稀疏型车辆身份与位置信息分析计算车辆停留行为及其停留地的分析方法,所述方法包括:进行信息采集,采集包括车辆身份与位置信息、采集点信息、停车场信息在内的信息;根据信息采集结果,进行车辆行驶路径分析,计算得出以相邻采集点为道路线段的行驶路径数据;根据行驶路径分析结果,进行参数计算,计算得出包括线周界采集点、线段行驶参数、停车场停留参数在内的参数;根据参数计算结果,进行停留分析,发现车辆停留行为及停留地。
Description
【技术领域】
本发明涉及车辆停留分析领域,特别涉及一种对稀疏型车辆停留分析方法。
【背景技术】
现有技术中,对车辆拥堵、停留时间长短的分析,离不开车辆身份与位置采集手段,目前常用到的主要有三种模式:
1)基于RFID电子车牌的车辆身份与位置信息采集***。该***给每辆车安装RFID身份识别卡,并在多个交通路段安装RFID读卡装置;车辆通过读卡装置安装地点时,***可读取车辆上的RFID信息,得知通行车辆的身份信息,并根据读卡装置安装地点得知车辆当前位置。由于读卡装置安装地点呈现稀疏型,车辆的当前位置信息也是稀疏型的。
2)基于视频车牌识别的车辆身份与位置信息采集***。该***在多个交通路段安装视频监控摄像头,车辆通过视频摄像头指定位置时,***拍摄车辆图像并识别图像上的车牌信息,并根据摄像头安装地点得知车辆当前位置。由于摄像头安装地点呈现稀疏型,车辆的当前位置信息也是稀疏型的。
3)基于GPS定位***的车辆身份与位置信息采集***。该***给每辆车安装GPS终端与无线发送装置,无线发送装置定时向***发送车辆身份信息与当前GPS定位信息。由于该***随时随地发送身份与位置信息,车辆的当前位置信息是致密型的。
在稀疏型车辆身份与位置信息采集***中,主要通过身份采集装置的安装位置获得车辆当前位置。由于建设成本、市容市貌等考虑因素,身份采集装置的安装地点的间隔距离一般比较远,呈现稀疏型状;采集到的车辆位置也呈现稀疏状、间隔距离远,难于直接得到车辆的停留信息。
现有技术中对稀疏型车辆的停留分析主要采用两种方式:
一种方式是采用基于停车场的停留地识别方案:在每个停车场出入口安装车辆身份采集装置;车辆通过停车场出入口时,采集车辆的身份信息;此时可把该停车场即作为车辆停留地。
这种方式存在如下问题:当车辆在两个采集点之间时,无法研判车辆是否发生停留;当车辆停放在没有安装采集装置的停车场所时,***无法得知车辆是否停留;当车辆停放在开放式停车场所时,基于成本考虑采集装置难于覆盖所有停车位,***无法得知部分车辆是否停留;车辆在停车场采集装置附近路过时误采数据,误判断为停留行为。
另一种方式采用根据线段标定行驶耗时比对法:在每两个相邻采集点之间的线段,人工输入并标定正常的行驶耗时时长,如果车辆在线段内行驶耗时远大于标定耗时,则认为车辆在线段内发生停留行为。
这种方式存在的问题更多,最大的问题是一个城市或地区,安装的车辆身份与位置采集装置成百上千,相邻采集节点组成的线段有千万条,要耗费大量的人力物力实地测量每条线段的行驶标定耗时,并录入到***,每当新建采集装置时,还需要重新测量相邻节点的行驶标定耗时。另外,由于车流、人流、交通事故、道路障碍、市政维修、气候等各种突发因素,实时车流流速可能会发生大幅度变化,甚至发生滞留,此时就无法正常地判定车辆是否发生停留。此外,由于路网复杂性以及采集装置的不断建设,对***维护人员而言也是个不小的挑战,对停留分析的而言是难于避免误判的。
【发明内容】
鉴于上述问题,提出了本发明,以便提供一种克服上述问题或至少部分地解决上述问题的一种车辆停留分析方法,用于根据稀疏型车辆身份与位置信息分析判断车辆单次出行的停留行为与停留地。
本发明适用于稀疏型车辆身份与位置采集***,比如基于RFID电子车牌***、基于视频车牌识别***。
依据本发明的一个方面,本发明提供一种车辆停留分析方法,用于根据稀疏型车辆身份与位置信息分析计算车辆的停留行为及停留地,所述方法包括:
进行信息采集,采集包括车辆身份与位置信息、采集点信息和停车场信息在内的信息;
根据信息采集结果,进行车辆行驶路径分析,计算得出以相邻采集点为道路线段的行驶路径数据;
根据行驶路径分析结果,进行参数计算;
根据参数计算结果,进行停留分析,发现车辆停留行为及停留地。
进一步的,所述参数计算包括周界采集点分析、停车场停留参数计算和线段行驶参数计算,所述停留分析包括周界驶入驶出分析、停车场停留分析和非停车场停留分析。
进一步的,根据所述行驶路径分析结果,进行周界采集点分析,计算得出车辆与身份信息***的周界采集点信息;根据所述行驶路径分析结果,进行停车场停留参数计算,计算包括普遍停留耗时、个人习惯停留耗时在内的停车场停留参数;根据所述行驶路径分析结果,进行线段行驶参数计算,计算得出包括普遍行驶耗时、个人习惯行驶耗时在内的线段行驶参数。
进一步的,所述方法具体包括:
根据所述行驶路径分析结果和所述周界采集点分析结果,进行周界驶入驶出分析,判断车辆是否从周界采集点驶入或驶出:如果是,则由于周界采集点外无法得知车辆状态,设为特殊停留行为,周界采集点为特殊停留地,结束处理;如果否,则继续后续停车场停留分析;
根据所述停车场停留参数计算结果及所述车辆行驶路径分析结果,进行停车场停留分析,分析判断车辆在停车场是否发生停留行为:如果是,则把停车场作为车辆停留地,结束处理;如果否,则进行后续非停车场停留分析;
根据所述线段行驶参数计算结果及所述车辆行驶路径分析结果,进行非停车场停留分析,分析计算车辆行驶过程中的非停车场停留行为及停留地。
进一步的,所述分析方法适用于车辆停留事后分析或车辆停留实时分析;所述事后分析是指采用历史采集数据,在事后分析发现车辆的停留行为及停留地;所述实时分析是指采用历史采集数据和实时采集数据,实时分析发现车辆正在发生的停留行为及停留地。
进一步的,所述周界采集点是指车辆身份与位置信息采集***管辖地区的边缘采集点;在该采集点以外的地区没有采集***管辖的采集点。
本发明还提供一种车辆非停车场停留实时分析方法,所述方法包括:
一辆车在一时间点经过一采集点后,启动定时器;其中所述时间点为采集点通过时间;
定时器定时触发后续过程;
实时计算车辆通过该采集点后的时长作为个人当前行驶耗时;
实时判断车辆是否通过下一采集点,并且个人当前行驶耗时小于普遍行驶耗时及个人习惯行驶耗时;如果已通过,则没有发生停留,结束停留实时分析;否则继续以下步骤;
获取采集点的相邻采集点集合、相接线段集合、普遍行驶耗时集合;其中所述下一采集点集合是指该采集点的所有下一采集点的集合,所述相接线段集合是指该采集点与所有下一采集点组成的道路线段的集合,所述普遍行驶耗时集合是指相接线段集合内所有线段的普遍行驶耗时的集合;
判断个人当前行驶耗时是否小于普遍行驶耗时集合中的最大数值,若小于则属于正常范围,返回所述定时器定时触发后续过程步骤;否则可能存在停留,继续以下步骤;
设定时间阀值,取从(采集点通过时间-时间阀值)到(采集点通过时间+时间阀值)的时间范围内经过该采集点的所有车辆集合;
判断下一采集点集合中是否存在另一采集点,所有车辆集合中的所有车辆都没有到达该另一采集点;如果存在这样的另一采集点,则采集点到该另一采集点间对应的线段发生滞留现象,对外发布滞留信息,返回所述定时器定时触发后续过程步骤;若不存在另一采集点,则执行后续步骤;
获得线段线段集合内所有线段的个人习惯行驶耗时组成的个人习惯行驶耗时集合,判断个人当前行驶耗时是否大于个人习惯行驶耗时集合中的最大值,以及个人当前行驶耗时是否大于普遍行驶耗时集合中的最大值,如果是,则判定车辆经过该采集点后,发生停留行为,结束定时循环;如果否,则返回所述定时器定时触发后续过程步骤。
本发明还提供一种车辆非停车场停留事后分析方法,所述方法包括:
步骤S10,获取车辆经过某线段的当前行驶耗时、普遍行驶耗时、个人习惯行驶耗时以及经过起始采集点的时间点,设定第一阀值比例;
步骤S20,判断“当前行驶耗时<(1+第一阀值比例)×线段普遍行驶耗时”是否成立,若成立,则判定没有停留,退出处理;否则执行步骤S30;
步骤S30,判断是否存在个人习惯行驶耗时,如果存在,则设定第二阀值比例,执行步骤S40;否则执行步骤S50;
步骤S40,判断“当前行驶耗时<(1+第二阀值比例)×个人习惯行驶耗时”与“个人习惯行驶耗时<(1+第一阀值比例)×线段普遍行驶耗时”是否成立,若成立,则判定没有发生停留,退出处理;否则继续步骤S50;
步骤S50,设定时间阀值,取从(时间点-时间阀值)到(时间点+时间阀值)的时间范围内经过起始采集点、并最后到达相同的下一采集点的所有车辆的行驶耗时集合VT,经数据挖掘聚合算法获得至少2个聚群;如果当前行驶耗时属于时间量最小的聚群,则判断为车辆发生滞留;否则判断为车辆发生停留行为。
进一步的,所述第一阀值比例的推荐值=
(Σ普遍耗时区间最大值-Σ普遍行驶耗时)/Σ普遍行驶耗时;
所述第二阀值比例的推荐值=
(Σ个人习惯耗时区间最大值-Σ个人习惯行驶耗时)/Σ个人习惯行驶耗时。
进一步的,所述采集点是指安装有车辆身份与位置信息采集装置的地点;
所述普遍行驶耗时是指大多数车辆在一条由两个相邻采集点组成的线段上正常行驶所耗费的时长;
所述个人习惯行驶耗时是指某辆车按个人习惯在大多数情况下在一条由两个相邻采集点组成的线段上正常行驶所耗费的时长。
根据本发明的技术方案可以看出,本发明可有效过滤多种因素的干扰影响,精准判断车辆的停留行为及停留地。
【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中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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例的一种车辆停留分析方法流程示意图。
图2为本发明另一个实施例的一种车辆停留实时分析方法流程示意图。
图3为本发明另一个实施例的一种车辆停留事后分析方法流程示意图。
图4为本发明另一个实施例的一种车辆非停车场停留事后分析方法流程示意图。
【具体实施方式】
下面将参照附图更详细的描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明,而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能更透彻的理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
本发明适用于稀疏型车辆身份与位置信息***,如基于RFID电子车牌的交通信息***、基于图像车牌识别的交通信息***。由于稀疏型***的车辆位置间隔距离远、呈现稀疏状,无法通过简单计算获得车辆停留地信息;本发明可从稀疏型位置信息的车辆通行数据中分析发现车辆的停留地。通过分析发现车辆停留地及起始地/目的地,可以构建每一辆车的行为链;而车辆行为链是基于车辆行为分析与交通相关的交通问题、公共安全问题、经济问题、社会问题、政务问题等重大议题的基础,是基于RFID电子车牌的交通信息***、基于图像车牌识别的交通信息***等***对外提供各种高价值信息服务的基础。
为了详细的说清楚本发明的车辆停留分析方法,先对本发明用到的各详细的具体细节进行一一的阐述,以备在后续预测方法中能直接引用。
本发明的车辆停留事后分析方法会用到的各细节如下:
1)信息采集,采集包括但不限于如下信息:
车辆身份与位置信息:采集包括车牌号码、采集点在内的信息。
采集点信息:采集包括采集点编码、名称、地理位置在内的信息,其中,采集点是指安装有车辆身份与位置信息采集装置的地点。
停车场信息采集:采集包括停车场代码、名称、入口采集点、出口采集点在内的信息。其中,停车场是指有安装车辆身份与位置信息采集装置的车辆停泊场地;停车场停留是车辆在所述停车场的停泊行为;非停车场停留是车辆在没有安装车辆身份与位置信息采集装置的场地的停泊行为。
2)行驶路径分析:以两个相邻采集点间的路线为一条线段,计算得出车辆单次出行所经过的所有线段以及在每条线段行驶所耗费的时间。
3)定期参数计算:在设定的期限内(比如一天的时间),计算线段普遍行驶耗时、线段个人习惯行驶耗时和周界采集点参数,具体的:
a)线段普遍行驶耗时:大多数车辆在一条由两个相邻采集点组成的线段上正常行驶所耗费的时长即为该线段的普遍行驶耗时。
具体的,采用设定时期内(比如一星期、半个月等的设置时间量)所有车辆的行驶路径数据,经数据挖掘处理,获得大多数车辆在每条线段的正常行驶所耗费的时间。数据挖掘的算法可采用聚类算法,包括k-means、birch、dbscan算法等,分别代表划分法、层次法、密度法三大体系的分类算法。例如,采用行驶路径数据,以路段为纬度,行驶耗时为度量,做聚类处理,把行驶路径数据至少划分为5个集合,其中车次最多的集合作为参考集合;参考集合中的行驶耗时最小值与最大值作为普遍行驶耗时区间,集合中的行驶耗时平均值作为普遍行驶耗时。
车辆在一条线段上的行驶速度大体分为三种:一种是比较快的行驶速度,对应一个耗时区间;一种是正常行驶速度,对应一个耗时区间;还有一种是开的比较慢的行驶速度,对应一个耗时时间;这三种行驶速度区间中车次最集中的区域作为大多数车辆的行驶耗时区间,本发明后续提到的“大多数车辆”也指这个意思。
阀值比例B推荐值:保存线段的普遍行驶耗时、普遍行驶耗时区间的历次计算结果;统计所有历史数据,可得出阀值比例B的推荐值=
(Σ普遍耗时区间最大值-Σ普遍行驶耗时)/Σ普遍行驶耗时
b)线段个人习惯行驶耗时:某辆车按个人驾驶习惯在大多数情况下在一条由两个相邻采集点组成的线段上正常行驶所耗费的时长,即为该线段个人习惯行驶耗时。采用一辆车设定时期内的行驶路径数据,经数据挖掘处理,获得该车辆在不同线段上正常行驶所耗费的时间。设定时期与数据挖掘的处理方法,以及本发明后续提到的数据挖掘处理方法,均与上述“1)线段普遍行驶耗时”时描述的一样,不再赘述。
阀值比例C推荐值:保存线段的个人习惯行驶耗时、个人习惯行驶耗时区间的历次计算结果;统计所有历史数据,每辆车的阀值比例C的推荐值=
(Σ个人习惯耗时区间最大值-Σ个人习惯行驶耗时)/Σ个人习惯行驶耗时
c)周界采集点:周界采集点是指车辆身份与位置信息采集***管辖区域的边缘采集点,在该采集点以外的区域并没有采集***管辖的采集点。周界采集点信息是指包括采集点信息是否为周界方向出、入在内的信息,可通过人工录入,也可根据历史数据采用自动计算与人工判定相结合的方式。
采用自动计算与人工判定相结合的方式进行判定的方法,例如:由于区域内的采集点比较密集,普遍行驶耗时比较短;车量驶出周界点后,由于***没有采集点,返回管辖区域采集点时,这两点间的普遍行驶耗时会远大于区域内部两个采集点之间的普遍行驶耗时。因此可采用普遍行驶耗时数据作为训练数据,以其线段为纬度,以普遍行驶耗时为度量,作聚类分析;把普遍行驶耗时数据***成两大集合,其中普遍行驶耗时较大集合作为参考集合;参考集合内所有线段的两端采集点作为备选周界采集点,提交给人工作二次判定;其中参考集合内线段的起始节点作为驶出周界采集点,截止节点作为驶入周界采集点。
d)停车场普遍停留耗时:是指大多数车辆在一个停车场正常停留所耗费的最少时长。
具体的,采用线段普遍行驶耗时数据中相邻采集点都属于同一个停车场的数据,该数据即为停车场普遍停留耗时。
e)停车场个人习惯停留耗时:是指某辆车按个人习惯在大多数情况下在一个停车场正常停留所耗费的最少时长。
具体的,采用线段个人习惯行驶耗时数据中相邻采集点都属于同一个停车场的数据,该数据即为停车场普遍停留耗时。
4)实时计算参数:用于计算线段当前普遍行驶耗时、线段当前个人行驶耗时,具体的:
线段当前普遍行驶耗时:当前大多数车辆行驶通过线段所耗费的时间。采用当前车辆行驶路径数据,通过数据挖掘算法,获得线段当前普遍行驶耗时。
线段当前个人行驶耗时:车辆当前行驶通过线段所耗费的时间。
5)周界驶入驶出分析:用于判断车辆在周界地区驶入或驶出,如果是则由于周界采集点外无法得知车辆状态,设为特殊停留行为,周界采集点为特殊停留地。
根据本发明的一个实施例,如图1所示,一种车辆停留分析方法,用于根据稀疏型车辆身份与位置信息分析计算车辆的停留行为及停留地,所述方法包括:
步骤S110,进行信息采集,采集包括车辆身份与位置信息、采集点信息停车场信息在内的信息。
所述信息采集包括:车辆身份与位置信息采集:采集包括车牌号码、采集点在内的信息;采集点信息采集:采集包括采集点编码、名称、地理位置在内的信息;停车场信息采集:采集包括停车场代码、名称、入口采集点、出口采集点在内的信息。
步骤S120,根据信息采集结果,进行车辆行驶路径分析,计算得出以相邻采集点为道路线段的行驶路径数据。
具体的,参数计算包括周界采集点分析、停车场停留参数计算和线段行驶参数计算,停留分析包括周界驶入驶出分析、停车场停留分析和非停车场停留分析。
步骤S130,根据行驶路径分析结果,进行参数计算,计算得出包括线周界采集点、线段行驶参数、停车场停留参数在内的参数。
具体的,根据行驶路径分析结果,进行周界采集点分析,计算得出车辆与身份信息***的周界采集点信息;根据行驶路径分析结果,进行停车场停留参数计算,计算包括普遍停留耗时、个人习惯停留耗时在内的停车场停留参数;根据行驶路径分析结果,进行线段行驶参数计算,计算得出包括普遍行驶耗时、个人习惯行驶耗时在内的线段行驶参数。
步骤S140,根据参数计算结果,进行停留分析,发现车辆停留行为及停留地。
具体的,根据行驶路径分析结果和周界采集点分析结果,进行周界驶入驶出分析,判断车辆是否从周界采集点驶入或驶出:如果是,则由于周界采集点外无法得知车辆状态,设为特殊停留行为,周界采集点为特殊停留地,结束处理;如果否,则继续后续停车场停留分析;
根据停车场停留参数计算结果及车辆行驶路径分析结果,进行停车场停留分析,分析判断车辆在停车场是否发生停留行为:如果是,则把停车场作为车辆停留地,结束处理;如果否,则进行后续非停车场停留分析;
根据线段行驶参数计算结果及车辆行驶路径分析结果,进行非停车场停留事后分析,分析计算车辆行驶过程中的非停车场停留行为及停留地。
作为本发明上一实施例的进一步改进,该分析方法适用于车辆停留事后分析或车辆停留实时分析,事后分析是指采用历史采集数据,在事后分析发现车辆的停留行为及停留地;实时分析是指采用历史采集数据和实时采集数据,实时分析发现车辆正在发生的停留行为及停留地,二者只是采用的数据来源不同,其原理是一致的。
根据本发明的另一个实施例,一种车辆停留分析方法,用于判断车辆是否在停车场停留,如果发生停留则直接将停车场作为停留地,如图2所示,该方法具体包括:
步骤S210,对包括停车场基础数据在内的信息进行采集。停车场基础数据包括停车场代码、名称、地理位置、驶入采集点、驶出采集点等信息。
步骤S220,根据信息采集结果,将停车场驶入采集点、驶出采集点组成的线段的普遍行驶耗时作为普遍停留耗时。
步骤S230,判断停车场驶入采集点与驶出采集点线段组成的线段中当前个人行驶耗时是否小于普遍停留耗时,如果是,则不作为停留地;否则作为停留地。
根据本发明的另一个实施例,一种车辆非停车场停留实时分析方法,根据线段普遍行驶耗时、个人习惯行驶耗时、个人当前行驶耗时,实时判断车辆经过某采集点后发生的停留行为;如果发生停留,则该采集点与各相邻采集点间形成的区域作为停留地。如图3所示,分析方法如下:
步骤S310,一辆车在一时间点经过一采集点后,启动定时器,其中所述时间点为采集点通过时间。
具体的,假设,一辆车在时间点TimeJ经过采集点Pi后,启动定时器。
步骤S320,定时器定时触发后续过程。
步骤S330,实时计算车辆通过该采集点后的时长作为个人当前行驶耗时。
具体的,个人当前行驶耗时=当前时间-采集点通过时间TimeJ。
步骤S340,实时判断车辆是否通过下一采集点,并且个人当前行驶耗时小于普遍行驶耗时及个人习惯行驶耗时;如果已通过,则没有发生停留,结束停留实时分析;否则继续以下步骤。
步骤S350,获取采集点的相邻采集点集合、相接线段集合、普遍行驶耗时集合;其中所述相邻采集点集合是指该采集点的所有下一采集点的集合,所述相接线段集合是指该采集点与所有下一采集点组成的道路线段的集合,所述普遍行驶耗时集合是指相接线段集合内所有线段的普遍行驶耗时的集合。
具体的,设Pi的下一采集点为P(i,k)(k=1,2,3……,n),n为下一采集点数量;所有的下一采集点集合NP(i,n)={P(i,1),P(i,2),…P(i,n)};Pi与P(i,k)组成的线段为相接线段S(i,k);采集点Pi与所有下一采集点组成的线段集合为相接线段集合NS(i,n)={S(i,1),S(i,2)…S(i,n)}。
获取相接线段NS(i,n)中所有线段的普遍行驶耗时,组成普遍行驶耗时集合NNT(i,n)。设NT(i,k)为线段S(i,k)的普遍行驶耗时,则
NNT(i,n)={NT(i,0),NT(i,1)…NT(i,n)}。
步骤S360,判断个人当前行驶耗时是否小于普遍行驶耗时集合中的最大值,若小于则属于正常范围,返回步骤S320;否则可能存在停留,继续以下步骤。
具体的,遍历普遍行驶耗时集合NNT(i,n),找出最大值NT(i,q);若当前行驶耗时小于NT(i,q)则属于正常范围;否则可能存在停留,继续以下步骤
步骤S370,设定时间阀值,取从(采集点通过时间-时间阀值)到(采集点通过时间+时间阀值)的时间范围内经过该采集点的所有车辆集合。
具体的,设定时间阀值K,取从TimeJ-K到TimeJ+K时间范围内经过采集点Pi的所有车辆集合V(i)={V1,V2…Vm}。
步骤S380,判断下一采集点集合中是否存在另一采集点,所有车辆集合中的车辆都没有到达该另一采集点;如果存在这样的另一采集点,则采集点到该另一采集点间对应的线段发生滞留现象,对外发布滞留信息,返回步骤S320;若不存在这样的另一采集点,则执行后续步骤。
具体的,判断采集点集合NP(i,n)中是否存在另一采集点P(i,q)(q∈1,2,……,n),所有车辆集合V(i)中的所有车辆都没有到达另一采集点P(i,q);如果存在另一采集点P(i,q),则采集点Pi与另一采集点P(i,q)组成的线段S(i,q)可能发生滞留现象,对外发布滞留信息,返回步骤S220;若不存在,则执行后续步骤。
步骤S390,获得相接线段集合内所有线段的个人习惯行驶耗时组成的个人习惯行驶耗时集合,判断个人当前行驶耗时是否大于个人习惯行驶耗时集合中的最大值,以及个人当前行驶耗时是否大于普遍行驶耗时集合中的最大值,如果是,则判定车辆经过该采集点后,发生停留行为,结束定时循环;如果否,则返回步骤S320。
具体的,设CT(i,k)为车辆在线段S(i,k)的个人习惯行驶耗时,线段集合NS(i,k)对应的个人习惯行驶耗时集合CT(i,k)={CT(i,1),CT(i,2)…CT(i,n)},如果个人当前行驶耗时Ti大于CT(i,k)集合中的所有数值,且Ti大于普遍行驶耗时集合NT(i,m)中的所有数值时,则判定车辆经过采集点Pi后,发生停留行为,结束定时循环;如果否,则返回步骤S320。
根据本发明的另一个实施例,一种车辆非停车场停留事后分析方法,根据线段普遍行驶耗时、个人习惯行驶耗时、以及行驶路径历史数据,事后判断车辆在某条线段发生的停留行为,停留的线段作为停留地。如图4所示,分析方法如下:
步骤S410,获取车辆经过某线段的当前行驶耗时、普遍行驶耗时、个人习惯行驶耗时以及经过起始采集点的时间点,设定第一阀值比例(即上文提到的阀值比例B)。
具体的,取车辆经过线段S(Pi,Pi+1)的当前行驶耗时Ti,线段普遍行驶耗时NTi、线段个人习惯行驶耗时CTi,以及经过起始采集点Pi的时间点TimeI。
步骤S420,设定第一阀值比例,判断“当前行驶耗时<(1+第一阀值比例)×线段普遍行驶耗时”是否成立,若成立,则判定没有停留,退出处理;否则执行步骤S430。
具体的,设定阀值比例B(即第一阀值比例),阀值比例B一般设为交通法规要求的合法波动比例,如10%,也可根据城市特点微调,也可采用阀值比例B推荐值(计算方法如上文公式所示),具体可根据区域特点而定。判断当前行驶耗时Ti<(1+B)×NTi是否成立,若成立,则判定没有停留,退出处理;否则执行步骤S430。
步骤S430,判断是否存在个人习惯行驶耗时,如果存在,则设定第二阀值比例(即上文说到的阀值比例C),执行步骤S440;否则执行步骤S450。
具体的,判断是否存在个人习惯行驶耗时CTi,如果存在,则设定阀值比例C,执行步骤S440;否则执行步骤S450。其中阀值比例C一般设为交通法规要求的合法波动比例,如10%,也可根据城市特点微调,也可采用比例阀值C推荐值(计算公式如上文所示),具体可根据区域特点而定。
步骤S440,判断“当前行驶耗时<(1+第二阀值比例)×个人习惯行驶耗时”与“个人习惯行驶耗时<(1+第一阀值比例)×线段普遍行驶耗时”是否成立,若成立,则判定没有发生停留,退出处理;否则继续步骤S450。
具体的,如果当前行驶耗时Ti<(1+C)×CTi,且CTi<(1+B)×NTi,则判定没有发生停留,退出处理;否则继续步骤S450。
步骤S450,设定时间阀值,取从(时间点-时间阀值)到(时间点+时间阀值)的时间范围内经过起始采集点、并最后到达相同的下一采集点的所有车辆的行驶耗时集合VT,经数据挖掘聚合算法获得至少2个聚群;如果当前行驶耗时属于时间量最小的聚群,则判断为车辆发生滞留;否则判断为车辆发生停留行为。
具体的,设定时间阀值K,取从TimeI-K到TimeI+K时间范围内经过采集点Pi、并最后到达下一采集点Pi+1的所有车辆的行驶耗时集合VT,经数据挖掘聚合算法获得多个聚群,取时间量最小的聚群VTT;如果当前行驶耗时Ti属于时间量最小的聚群VTT,则判断为车辆发生滞留;否则判断为车辆发生停留行为。
本发明提供一种车辆停留分析方法,用于根据稀疏型车辆与身份信息分析计算车辆的停留行为及停留地,具备以下优点:
1)能精准判断耗时较长的停留行为及停留地。本发明综合线段普遍行驶耗时、线段个人习惯行驶耗时、线段当前普遍行驶耗时、线段个人行驶耗时等多种参数综合判断车辆的停留行为,可有效过滤多种因素的干扰影响,精准判断车辆的停留行为及停留地。
2)能够自动适应常规干扰因素。本发明定期根据近期的历史数据自动计算线段普遍行驶耗时、线段个人习惯行驶耗时等参数,能够自动适应不同时期出现的市政建设、交通建设、交通管制、线路规划等常规环境干扰因素。
3)能够自动适应突发因素的影响。本发明实时计算并参考线段当前普遍行驶耗时、线段当前个人行驶耗时等参数,可有效避免车流、人流、交通事故、道路障碍、市政维修、气候等各种突发因素的干扰影响。
4)能够节约大量的人力、物力与时间。本发明根据车辆行驶数据自动计算相关参数,不需要人工实地测量各个线段的各个参数,能够节约大量的人力物力与时间。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或***实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及***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。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。
需要说明的是:
在此提供的算法和显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述,构造这类***所要求的结构是显而易见的。此外,本发明也不针对任何特定的编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明内容。
本领域那些技术人员可以理解,可以对实施例中各模块进行自适应性的改变并且把它们设置在与该实施例不同的一个或多个设备中。除非另有明确陈述,本说明书中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。
以上所述仅为本发明之较佳实施例,并非用以限定本发明的权利要求保护范围。同时以上说明,对于相关技术领域的技术人员应可以理解及实施,因此其他基于本发明所揭示内容所完成的等同改变,均应包含在本权利要求书的涵盖范围内。
Claims (10)
1.一种车辆停留分析方法,用于根据稀疏型车辆身份与位置信息分析计算车辆的停留行为及停留地,所述方法包括:
进行信息采集,采集包括车辆身份与位置信息、采集点信息和停车场信息在内的信息;
根据信息采集结果,进行车辆行驶路径分析,计算得出以相邻采集点为道路线段的行驶路径数据;
根据行驶路径分析结果,进行参数计算;
根据参数计算结果,进行停留分析,发现车辆停留行为及停留地。
2.根据权利要求1所述的车辆停留分析方法,其特征在于:
所述参数计算包括周界采集点分析、停车场停留参数计算和线段行驶参数计算,所述停留分析包括周界驶入驶出分析、停车场停留分析和非停车场停留分析。
3.根据权利要求2所述的车辆停留分析方法,其特征在于:根据所述行驶路径分析结果,进行周界采集点分析,计算得出车辆与身份信息***的周界采集点信息;根据所述行驶路径分析结果,进行停车场停留参数计算,计算包括普遍停留耗时、个人习惯停留耗时在内的停车场停留参数;根据所述行驶路径分析结果,进行线段行驶参数计算,计算得出包括普遍行驶耗时、个人习惯行驶耗时在内的线段行驶参数。
4.根据权利要求3所述的车辆停留分析方法,其特征在于,所述方法具体包括:
根据所述行驶路径分析结果和所述周界采集点分析结果,进行周界驶入驶出分析,判断车辆是否从周界采集点驶入或驶出:如果是,则由于周界采集点外无法得知车辆状态,设为特殊停留行为,周界采集点为特殊停留地,结束处理;如果否,则继续后续停车场停留分析;
根据所述停车场停留参数计算结果及所述车辆行驶路径分析结果,进行停车场停留分析,分析判断车辆在停车场是否发生停留行为:如果是,则把停车场作为车辆停留地,结束处理;如果否,则进行后续非停车场停留分析;
根据所述线段行驶参数计算结果及所述车辆行驶路径分析结果,进行非停车场停留分析,分析计算车辆行驶过程中的非停车场停留行为及停留地。
5.根据权利要求1-4任一权利要求所述的车辆停留分析方法,其特征在于,所述分析方法适用于车辆停留事后分析或车辆停留实时分析;所述事后分析是指采用历史采集数据,在事后分析发现车辆的停留行为及停留地;所述实时分析是指采用历史采集数据和实时采集数据,实时分析发现车辆正在发生的停留行为及停留地。
6.根据权利要求2-4任一权利要求所述的车辆停留分析方法,其特征在于,所述周界采集点是指车辆身份与位置信息采集***管辖地区的边缘采集点;在该采集点以外的地区没有采集***管辖的采集点。
7.一种车辆非停车场停留实时分析方法,所述方法包括:
一辆车在一时间点经过一采集点后,启动定时器;其中所述时间点为采集点通过时间;
定时器定时触发后续过程;
实时计算车辆通过该采集点后的时长作为个人当前行驶耗时;
实时判断车辆是否通过下一采集点,并且个人当前行驶耗时小于普遍行驶耗时及个人习惯行驶耗时;如果已通过,则没有发生停留,结束停留实时分析;否则继续以下步骤;
获取采集点的相邻采集点集合、相接线段集合、普遍行驶耗时集合;其中所述下一采集点集合是指该采集点的所有下一采集点的集合,所述相接线段集合是指该采集点与所有下一采集点组成的道路线段的集合,所述普遍行驶耗时集合是指相接线段集合内所有线段的普遍行驶耗时的集合;
判断个人当前行驶耗时是否小于普遍行驶耗时集合中的最大数值,若小于则属于正常范围,返回所述定时器定时触发后续过程步骤;否则可能存在停留,继续以下步骤;
设定时间阀值,取从(采集点通过时间-时间阀值)到(采集点通过时间+时间阀值)的时间范围内经过该采集点的所有车辆集合;
判断下一采集点集合中是否存在另一采集点,所有车辆集合中的所有车辆都没有到达该另一采集点;如果存在这样的另一采集点,则采集点到该另一采集点间对应的线段发生滞留现象,对外发布滞留信息,返回所述定时器定时触发后续过程步骤;若不存在另一采集点,则执行后续步骤;
获得线段线段集合内所有线段的个人习惯行驶耗时组成的个人习惯行驶耗时集合,判断个人当前行驶耗时是否大于个人习惯行驶耗时集合中的最大值,以及个人当前行驶耗时是否大于普遍行驶耗时集合中的最大值,如果是,则判定车辆经过该采集点后,发生停留行为,结束定时循环;如果否,则返回所述定时器定时触发后续过程步骤。
8.一种车辆非停车场停留事后分析方法,所述方法包括:
步骤S10,获取车辆经过某线段的当前行驶耗时、普遍行驶耗时、个人习惯行驶耗时以及经过起始采集点的时间点,设定第一阀值比例;
步骤S20,判断“当前行驶耗时<(1+第一阀值比例)×线段普遍行驶耗时”是否成立,若成立,则判定没有停留,退出处理;否则执行步骤S30;
步骤S30,判断是否存在个人习惯行驶耗时,如果存在,则设定第二阀值比例,执行步骤S40;否则执行步骤S50;
步骤S40,判断“当前行驶耗时<(1+第二阀值比例)×个人习惯行驶耗时”与“个人习惯行驶耗时<(1+第一阀值比例)×线段普遍行驶耗时”是否成立,若成立,则判定没有发生停留,退出处理;否则继续步骤S50;
步骤S50,设定时间阀值,取从(时间点-时间阀值)到(时间点+时间阀值)的时间范围内经过起始采集点、并最后到达相同的下一采集点的所有车辆的行驶耗时集合VT,经数据挖掘聚合算法获得至少2个聚群;如果当前行驶耗时属于时间量最小的聚群,则判断为车辆发生滞留;否则判断为车辆发生停留行为。
9.如权利要求8所述的方法,其特征在于:所述第一阀值比例的推荐值=(Σ普遍耗时区间最大值-Σ普遍行驶耗时)/Σ普遍行驶耗时;
所述第二阀值比例的推荐值=(Σ个人习惯耗时区间最大值-Σ个人习惯行驶耗时)/Σ个人习惯行驶耗时。
10.根据权利要求7或8所述的方法,其特征在于:
所述采集点是指安装有车辆身份与位置信息采集装置的地点;
所述普遍行驶耗时是指大多数车辆在一条由两个相邻采集点组成的线段上正常行驶所耗费的时长;
所述个人习惯行驶耗时是指某辆车按个人习惯在大多数情况下在一条由两个相邻采集点组成的线段上正常行驶所耗费的时长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510563308.1A CN105608889B (zh) | 2015-09-07 | 2015-09-07 | 一种车辆停留分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510563308.1A CN105608889B (zh) | 2015-09-07 | 2015-09-07 | 一种车辆停留分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105608889A true CN105608889A (zh) | 2016-05-25 |
CN105608889B CN105608889B (zh) | 2018-10-26 |
Family
ID=55988793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510563308.1A Active CN105608889B (zh) | 2015-09-07 | 2015-09-07 | 一种车辆停留分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105608889B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106327866A (zh) * | 2016-08-30 | 2017-01-11 | 重庆市交通规划研究院 | 基于rfid的车辆出行od切分方法及其*** |
CN106875044A (zh) * | 2017-01-22 | 2017-06-20 | 斑马信息科技有限公司 | 提供预设服务建议的***及其方法 |
CN107330584A (zh) * | 2017-06-12 | 2017-11-07 | 中国联合网络通信集团有限公司 | 可疑人员识别方法及装置 |
CN109961240A (zh) * | 2019-04-08 | 2019-07-02 | 陈鹏 | 一种对监控车辆综合风险的判断方法 |
CN110276503A (zh) * | 2018-03-14 | 2019-09-24 | 吉旗物联科技(上海)有限公司 | 一种自动识别冷链车辆任务的方法 |
CN110491157A (zh) * | 2019-07-23 | 2019-11-22 | 中山大学 | 一种基于停车场数据和卡口数据的车辆关联方法 |
CN111178806A (zh) * | 2019-12-30 | 2020-05-19 | 北京四维智联科技有限公司 | 一种车辆停留点的查找方法、装置及设备 |
US20220215749A1 (en) * | 2019-05-28 | 2022-07-07 | IFP Energies Nouvelles | Method for predicting at least one profile of the speed of a vehicle on a road network |
CN116151489A (zh) * | 2023-04-19 | 2023-05-23 | 之江实验室 | 基于多任务学习的车辆停留行为分析与预测方法、*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002015395A (ja) * | 2000-06-30 | 2002-01-18 | Public Works Research Institute Ministry Of Land Infrastructure & Transport | 車両位置算出方法 |
CN1464487A (zh) * | 2002-06-03 | 2003-12-31 | 昆明利普机器视觉工程有限公司 | 基于视频车辆光学特征识别匹配的交通流量检测*** |
CN101051418A (zh) * | 2006-04-05 | 2007-10-10 | 中国科学院电子学研究所 | 基于无线传感器网络的道路与车辆管理***和方法 |
CN101510362A (zh) * | 2008-02-14 | 2009-08-19 | 爱信艾达株式会社 | 停车场拥挤状态判定装置、停车场拥挤状态判定方法及计算机程序 |
CN102411846A (zh) * | 2011-11-16 | 2012-04-11 | 江苏大为科技股份有限公司 | 一种车辆行为预警分析方法 |
CN103903439A (zh) * | 2014-03-14 | 2014-07-02 | 深圳先进技术研究院 | 客运车辆违规停车地点识别方法及*** |
-
2015
- 2015-09-07 CN CN201510563308.1A patent/CN105608889B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002015395A (ja) * | 2000-06-30 | 2002-01-18 | Public Works Research Institute Ministry Of Land Infrastructure & Transport | 車両位置算出方法 |
CN1464487A (zh) * | 2002-06-03 | 2003-12-31 | 昆明利普机器视觉工程有限公司 | 基于视频车辆光学特征识别匹配的交通流量检测*** |
CN101051418A (zh) * | 2006-04-05 | 2007-10-10 | 中国科学院电子学研究所 | 基于无线传感器网络的道路与车辆管理***和方法 |
CN101510362A (zh) * | 2008-02-14 | 2009-08-19 | 爱信艾达株式会社 | 停车场拥挤状态判定装置、停车场拥挤状态判定方法及计算机程序 |
CN102411846A (zh) * | 2011-11-16 | 2012-04-11 | 江苏大为科技股份有限公司 | 一种车辆行为预警分析方法 |
CN103903439A (zh) * | 2014-03-14 | 2014-07-02 | 深圳先进技术研究院 | 客运车辆违规停车地点识别方法及*** |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106327866B (zh) * | 2016-08-30 | 2018-11-16 | 重庆市交通规划研究院 | 基于rfid的车辆出行od切分方法及其*** |
CN106327866A (zh) * | 2016-08-30 | 2017-01-11 | 重庆市交通规划研究院 | 基于rfid的车辆出行od切分方法及其*** |
CN106875044B (zh) * | 2017-01-22 | 2022-03-08 | 斑马信息科技有限公司 | 提供预设服务建议的***及其方法 |
CN106875044A (zh) * | 2017-01-22 | 2017-06-20 | 斑马信息科技有限公司 | 提供预设服务建议的***及其方法 |
CN107330584A (zh) * | 2017-06-12 | 2017-11-07 | 中国联合网络通信集团有限公司 | 可疑人员识别方法及装置 |
CN110276503A (zh) * | 2018-03-14 | 2019-09-24 | 吉旗物联科技(上海)有限公司 | 一种自动识别冷链车辆任务的方法 |
CN110276503B (zh) * | 2018-03-14 | 2023-04-21 | 吉旗物联科技(上海)有限公司 | 一种自动识别冷链车辆任务的方法 |
CN109961240A (zh) * | 2019-04-08 | 2019-07-02 | 陈鹏 | 一种对监控车辆综合风险的判断方法 |
US20220215749A1 (en) * | 2019-05-28 | 2022-07-07 | IFP Energies Nouvelles | Method for predicting at least one profile of the speed of a vehicle on a road network |
CN110491157A (zh) * | 2019-07-23 | 2019-11-22 | 中山大学 | 一种基于停车场数据和卡口数据的车辆关联方法 |
CN110491157B (zh) * | 2019-07-23 | 2022-01-25 | 中山大学 | 一种基于停车场数据和卡口数据的车辆关联方法 |
CN111178806A (zh) * | 2019-12-30 | 2020-05-19 | 北京四维智联科技有限公司 | 一种车辆停留点的查找方法、装置及设备 |
CN111178806B (zh) * | 2019-12-30 | 2023-08-15 | 北京四维智联科技有限公司 | 一种车辆停留点的查找方法、装置及设备 |
CN116151489A (zh) * | 2023-04-19 | 2023-05-23 | 之江实验室 | 基于多任务学习的车辆停留行为分析与预测方法、*** |
CN116151489B (zh) * | 2023-04-19 | 2023-07-21 | 之江实验室 | 基于多任务学习的车辆停留行为分析与预测方法、*** |
Also Published As
Publication number | Publication date |
---|---|
CN105608889B (zh) | 2018-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105608889A (zh) | 一种车辆停留分析方法 | |
Xing et al. | Examining traffic conflicts of up stream toll plaza area using vehicles’ trajectory data | |
Rahmani et al. | Non-parametric estimation of route travel time distributions from low-frequency floating car data | |
CN105185115B (zh) | 一种交通预测方法和预测*** | |
WO2013113588A1 (de) | Verfahren zur bereitstellung von parkinformationen zu freien parkplätzen | |
CN104778836B (zh) | 基于手机信令数据质量感知的高速公路交通状态识别方法 | |
Rachmadi et al. | Adaptive traffic signal control system using camera sensor and embedded system | |
CN109754594A (zh) | 一种路况信息获取方法及其设备、存储介质、终端 | |
WO2014202362A1 (de) | Verfahren zum bereitstellen von parkinformationen zu freien parkplätzen | |
CN110363984B (zh) | 交通流量预测方法和设备 | |
US20220327925A1 (en) | Method and system of predictive traffic flow and of traffic light control | |
DE102018118934A1 (de) | Steuereinrichtung für digitale Beschilderung, Steuerverfahren für digitale Beschilderung und Aufzeichnungsmedium | |
DE102015212027A1 (de) | Verfahren und Vorrichtung zum automatischen Ermitteln von Verkehrsregelungen an Straßenkreuzungen | |
EP4020428A1 (en) | Method and apparatus for recognizing lane, and computing device | |
EP2116981B1 (de) | Verfahren und Vorrichtung zur Ermittlung von Rückstaulängen an Lichtsignalanlagen | |
DE102015223656A1 (de) | Fahrerassistenzsystem und -Verfahren zur Fahrspurempfehlung | |
DE102019211098B4 (de) | Verfahren, Vorrichtung und Computerprogramm zum Bestimmen einer Ampelphase einer Ampel einer Ampelanlage | |
DE102015209055A1 (de) | Verfahren und Vorrichtung zum Bestimmen von Signalgruppen an Kreuzungseingängen einer Kreuzung mit einer Lichtsignalanlage zur Verwendung in Fahrerassistenzsystemen | |
CN110021161A (zh) | 一种交通流向的预测方法及*** | |
CN109118769A (zh) | 一种基于交通监测数据的路段自由流速度挖掘方法 | |
Shinde et al. | Traffic optimization algorithms in optical networks for real time traffic analysis | |
Mussone et al. | A neural network approach to motorway OD matrix estimation from loop counts | |
Sheikh et al. | High-occupancy toll lane decision making: Income effects on I-85 express lanes, Atlanta, Georgia | |
Hobi | The impact of real-time information sources on crowd-sourced parking availability prediction | |
Mahajan et al. | A Data Driven Approach to Derive Traffic Intersection Geography using High Resolution Controller Logs. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |