CN106530693A - 基于融合数据的城市快速路交通状态滚动估计方法 - Google Patents
基于融合数据的城市快速路交通状态滚动估计方法 Download PDFInfo
- Publication number
- CN106530693A CN106530693A CN201610970510.0A CN201610970510A CN106530693A CN 106530693 A CN106530693 A CN 106530693A CN 201610970510 A CN201610970510 A CN 201610970510A CN 106530693 A CN106530693 A CN 106530693A
- Authority
- CN
- China
- Prior art keywords
- speed
- time
- test point
- section
- 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.)
- Granted
Links
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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于多源异构数据融合的城市快速路交通状态滚动估计方法,包括步骤如下:针对待预侧路段获取检测点的卡口、微波数据;通过卡口的匹配车辆获取其真实的旅行时间,通过微波检测器获取检测点的真实速度,按照其空间相对位置,进行多源异构数据的融合;通过非线性插值算法获得任意非检测点速度,并构建虚拟轨迹线获取其估计旅行时间;通过优化函数(速度和旅行时间的均方根误差),对其参数进行标定;利用标定好的参数对该时间段的速度和旅行时间进行估计。本发明方法简便有效,便于操作,避免了传统方法在参数标定的过程中,一经标定,即不随交通流状态变化而动态改变的弊端。
Description
技术领域
本发明涉及交通状态的估计领域,具体是一种基于多源异构数据融合的城市快速路交通状态滚动估计方法。
背景技术
交通状态估计是实现智能交通管理的重要一环,是其能够正常运行并发挥作用的前提和关键,状态估计的好坏直接影响交通控制及管理的效果。交通状态估计要解决的问题就是如何从带有随机性和不确定性的交通状态变化中,根据来自交通流信息采集设备的交通流参数数据,结合其它影响因素,进行***的数据分析,找出其中的规律性。交通***的强非线性特点以及交通***复杂度的不断增大使得传统的交通估计算法具有局限性。
在城市道路交通中,交通流是由成千上万的人、车参与的,每个交通的参与者都会基于自己的行为目标与行为准则,依据不同的交通运行环境做出符合自身利益的决策。这种决策主要来源于对未来交通流运行状况的估计,只有准确的把握交通流运行过程中的行为变化,才能使制定出的决策更富有针对性。传统的交通状态估计模型参数依赖于对历史数据的校准,而且模型参数一经标定,便不再改变,在此情况下进行标定的参数就存在了一些不足的地方,不能够适应实时的交通状态估计,存在着应用的局限性。
发明内容
本发明为克服上述不足之处,提供一种基于多源异构数据融合的交通状态滚动估计方法,本发明通过获取卡口、微波数据,并在此基础上进行数据分析和参数的标定,实现对历史时间段内的道路交通状况进行估计。本发明方法简便有效,便于操作,克服了传统的静态参数标定方法不能应用于实时交通状态估计的不足,解决了现有交通参数标定方法适用范围的局限性问题。
一种基于多源异构数据融合的城市快速路交通状态滚动估计方法,包括步骤如下:
(1)针对交通状态待估计的路段,获取检测点的位置,所述检测点包括布设在该路段的卡口和微波检测器。
(2)获得路段的真实旅行时间T(tj)和检测点(xi,ti)处的真实速度v(xi,ti),其中,tj为在卡口处获取车辆驶入上匝道的时间,结合该车辆驶出下匝道时间,从而得到车辆的真实旅行时间T(tj),根据实测道路长度计算车辆在该路段的空间平均速度,并以该平均速度作为车辆在卡口处的行驶速度,即获得卡口处的真实行驶速度;通过微波探测器获取车辆的时间平均速度,从而得到该路段上微波检测器位置处的行驶速度,即得到微波检测器位置点的真实速度。
(3)将该路段上检测点的行驶速度,按照其空间相对位置进行多源异构数据融合。
(4)在步骤(3)的融合数据基础上,重建时空速度场。根据已知检测点的真实速度v(xi,ti),求该路段上除检测点以外的非检测点的估计速度,具体采用如下非线性插值算法:
V(x,t)=w(x,t)Vcong(x,t)+[1-w(x,t)]Vfree(x,t)
式中,Vthr临界速度,ΔV为自由流和阻塞流转换之间的带宽,cfree为自由流速度,ccong消散波速度。ti,xi,vi分别为已知检测点所在的时刻、位置、速度。t,x,v分别为任意非检测点所在的时刻、位置、速度。σ为空间平滑宽度,τ是时间平滑宽度。
(5)计算检测点的估计速度,具体为:针对某一检测点,通过其余检测点的真实速度,结合步骤(4)所述的非线性插值算法,计算出测试点的估计速度
(6)根据步骤(3)中检测点的真实速度v(xi,ti)和步骤(4)中非检测点的估计速度,构建虚拟轨迹线,对旅行时间进行估计,得到估计旅行时间
(7)微波数据估计速度的标准均方根误差为
卡口数据估计旅行时间的标准均方根误差为
其中,v(xi,ti)为真实速度,为估计速度,T(tj)为真实旅行时间,为估计旅行时间,N为微波检测数据量,M为卡口旅行时间数据量。
(8)采用交通状态滚动估计优化算法,通过计算其目标函数,对空间平滑宽度σ、时间平滑宽度τ两个参数进行标定:
式中:Dmicrowave(t0-Th→t0)为从t0-Th时刻到t0时刻的微波数据,DLPR(t0-Th→t0)为同一时间段的卡口数据,t0为当前时刻,Th为历史时间窗口,g为目标函数,即两种数据的标准均方根误差之和。
(9)根据步骤(8)标定后的空间平滑宽度σ、时间平滑宽度τ,采用步骤(4)所述的非线性的插值算法,结合当前时刻采集的真实速度,对该路段上任意位置的历史时刻行驶速度进行估计,进一步根据估计后的速度,采用步骤(6)所述的虚拟轨迹线算法,对该历史时刻的旅行时间进行估计。
本发明的有益效果是采用滚动优化思想,在进行交通估计的过程中,依据实时数据,不断调整和更新模型参数,使得估计结果更加贴合实际,从而避免传统方法在参数标定过程中,一经标定,即不发生改变,造成交通状态估计结果与实际出现很大偏差的弊端。
附图说明
图1路段拓扑结构和检测器布设位置;
图2望江路上匝道、登云路下匝道所匹配的车辆为例,构建其虚拟轨迹线;
图3是本发明交通状态估计滚动方法示意图。
具体实施方式
本发明是基于国家自然科学基金青年基金项目(51508505)和浙江省自然科学基金杰出青年项目(LR17E080002)的研究,提出一种基于多源异构数据融合的城市快速路交通状态滚动估计方法。下面结合具体实施例对本发明进行进一步描述,但本发明的保护范围并不仅限于此。
以杭州市上塘-中河高架快速路为例,选取由南向北行驶的一段长度为9.7km的路段。其中共包含9个上下匝道(4个上匝道和5个下匝道),以及6个微波检测器。路段拓扑结构和检测器布设位置如图1所示。通过以下方法对该路段的交通状态进行短时估计。
(1)针对交通状态待估计的路段,获取检测点的位置,所述检测点包括布设在该路段的卡口和微波检测器。
(2)获得路段的真实旅行时间T(tj)和检测点的真实速度v(xi,ti):
在卡口处获取车辆驶入上匝道和驶出下匝道时间,从而得到车辆的真实旅行时间T(tj),根据实测道路长度计算车辆在该路段的空间平均速度,并以该平均速度作为车辆在卡口处的行驶速度,即获得卡口处的真实行驶速度,其中上下匝道匹配车辆数和平均旅行时间如表1所示;通过微波探测器获取车辆的时间平均速度,从而得到该路段上微波检测器位置处的行驶速度,即得到微波检测器位置点的真实速度v(xi,ti)。
表1
(3)将该路段上检测点的行驶速度,按照其空间相对位置进行多源异构数据融合。
(4)在步骤(3)的融合数据基础上,重建时空速度场。根据已知检测点的真实速度v(xi,ti),求该路段上除检测点以外的非检测点的估计速度,具体采用如下非线性插值算法:
V(x,t)=w(x,t)Vcong(x,t)+[1-w(x,t)]Vfree(x,t)
式中,Vthr临界速度,ΔV为自由流和阻塞流转换之间的带宽,cfree为自由流速度,ccong消散波速度。ti,xi,vi分别为已知检测点所在的时刻、位置、速度。t,x,v分别为任意非检测点所在的时刻、位置、速度。σ为空间平滑宽度,τ是时间平滑宽度。
(5)计算检测点的估计速度,具体为:针对某一检测点,通过其余检测点的真实速度,结合步骤(4)所述的非线性插值算法,计算出测试点的估计速度
(6)根据步骤(3)中检测点的真实速度v(xi,ti)和步骤(4)中非检测点的估计速度,构建虚拟轨迹线,对旅行时间进行估计,得到估计旅行时间以上塘-中河高架望江路上匝道,登云路下匝道所匹配的车辆为例,构建其虚拟轨迹线如图2所示。具体如下:
(6.1)给定足够小的时间增量Δt和空间增量Δx。
(6.2)如果一辆车从点A(tA,xA)出发,那么该辆车的虚拟轨迹线可以通过重复以下步骤构建。
(6.3)假设车辆当前的位置是点(t,x),采用所使用的插值算法计算出该点的速度v(t,x)。
(6.4)如果v(t,x)=0,给时间一个增量即t'=t+Δt,更新当前位置至x'=x,进入第6)步。
(6.5)否则以v(t,x)为斜率,更新至下一点的位置即t'=t+Δt,x'=x+Δx,然后对新点进行速度的插值计算。
(6.6)检查x'≥xF,若为否,则转入第3)步。
(6.7)否则,计算车辆在xF处时的时间,TF=t+(t'-t)*(xF-x)/(x'-x)。
(6.8)车辆的估计旅行时间为TF-TA,在此过程中,车辆由A点行驶至F点。
(7)微波数据估计速度的标准均方根误差为
卡口数据估计旅行时间的标准均方根误差为
其中,v(xi,ti)为真实速度,为估计速度,T(tj)为真实旅行时间,为估计旅行时间。
(8)采用交通状态估计滚动优化算法,通过计算其目标函数,对空间平滑宽度σ、时间平滑宽度τ两个参数进行标定:
式中:Dmicrowave(t0-Th→t0)为从t0-Th时刻到t0时刻的微波数据,DLPR(t0-Th→t0)为同一时间段的卡口数据,t0为当前时刻,Th为历史时间窗口,g为目标函数,即两种数据的标准均方根误差之和。
(9)根据步骤(8)标定后的空间平滑宽度σ、时间平滑宽度τ,采用步骤(4)所述的非线性的插值算法,结合当前时刻采集的真实速度,对该路段上任意位置的历史时刻行驶速度进行估计,进一步根据估计后的速度,采用步骤(6)所述的虚拟轨迹线算法,对该历史时刻的旅行时间进行估计。
交通状态滚动估计示意如图3所示,采用传统默认值方法和滚动优化算法估计结果如表2所示。
表2默认与滚动优化算法估计结果。
从表2可以看出,滚动优化算法的均方根误差(RMSE)、标准均方根误差(NRMSE)对称绝对百分比误差(SMAPE1,SMAPE2)均低于默认算法,从而验证了滚动优化算法优于一般的默认值方法。
Claims (1)
1.一种基于多源异构数据融合的城市快速路交通状态滚动估计方法,包括步骤如下:
(1)针对交通状态待估计的路段,获取检测点的位置,所述检测点包括布设在该路段的卡口和微波检测器。
(2)获得路段的真实旅行时间T(tj)和检测点(xi,ti)处的真实速度v(xi,ti),其中,tj为在卡口处获取车辆驶入上匝道的时间,结合该车辆驶出下匝道时间,从而得到车辆的真实旅行时间T(tj),根据实测道路长度计算车辆在该路段的空间平均速度,并以该平均速度作为车辆在卡口处的行驶速度,即获得卡口处的真实行驶速度;通过微波探测器获取车辆的时间平均速度,从而得到该路段上微波检测器位置处的行驶速度,即得到微波检测器位置点的真实速度。
(3)将该路段上检测点的行驶速度,按照其空间相对位置进行多源异构数据融合。
(4)在步骤(3)的融合数据基础上,重建时空速度场。根据已知检测点的真实速度v(xi,ti),求该路段上除检测点以外的非检测点的估计速度,具体采用如下非线性插值算法:
V(x,t)=w(x,t)Vcong(x,t)+[1-w(x,t)]Vfree(x,t)
式中,Vthr临界速度,ΔV为自由流和阻塞流转换之间的带宽,cfree为自由流速度,ccong消散波速度。ti,xi,vi分别为已知检测点所在的时刻、位置、速度。t,x,v分别为任意非检测点所在的时刻、位置、速度。σ为空间平滑宽度,τ是时间平滑宽度。
(5)计算检测点的估计速度,具体为:针对某一检测点,通过其余检测点的真实速度,结合步骤(4)所述的非线性插值算法,计算出测试点的估计速度
(6)根据步骤(3)中检测点的真实速度v(xi,ti)和步骤(4)中非检测点的估计速度,构建虚拟轨迹线,对旅行时间进行估计,得到估计旅行时间
(7)微波数据估计速度的标准均方根误差为
卡口数据估计旅行时间的标准均方根误差为
其中,v(xi,ti)为真实速度,为估计速度,T(tj)为真实旅行时间,为估计旅行时间,N为微波检测数据量,M为卡口旅行时间数据量。
(8)采用交通状态滚动估计优化算法,通过计算其目标函数,对空间平滑宽度σ、时间平滑宽度τ两个参数进行标定:
式中:Dmicrowave(t0-Th→t0)为从t0-Th时刻到t0时刻的微波数据,DLPR(t0-Th→t0)为同一时间段的卡口数据,t0为当前时刻,Th为历史时间窗口,g为目标函数,即两种数据的标准均方根误差之和。
(9)根据步骤(8)标定后的空间平滑宽度σ、时间平滑宽度τ,采用步骤(4)所述的非线性的插值算法,结合当前时刻采集的真实速度,对该路段上任意位置的历史时刻行驶速度进行估计,进一步根据估计后的速度,采用步骤(6)所述的虚拟轨迹线算法,对该历史时刻的旅行时间进行估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610970510.0A CN106530693B (zh) | 2016-11-02 | 2016-11-02 | 基于融合数据的城市快速路交通状态滚动估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610970510.0A CN106530693B (zh) | 2016-11-02 | 2016-11-02 | 基于融合数据的城市快速路交通状态滚动估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106530693A true CN106530693A (zh) | 2017-03-22 |
CN106530693B CN106530693B (zh) | 2019-02-05 |
Family
ID=58326055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610970510.0A Active CN106530693B (zh) | 2016-11-02 | 2016-11-02 | 基于融合数据的城市快速路交通状态滚动估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106530693B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107230350A (zh) * | 2017-06-23 | 2017-10-03 | 东南大学 | 一种基于卡口与手机流量话单数据的城市交通量获取方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101226689A (zh) * | 2008-02-03 | 2008-07-23 | 北京交通大学 | 道路交通信息采集的多传感器接入装置及其数据融合方法 |
CN101286270A (zh) * | 2008-05-26 | 2008-10-15 | 北京捷讯畅达科技发展有限公司 | 兼有动态实时交通数据的交通流量预测方法 |
CN101286269A (zh) * | 2008-05-26 | 2008-10-15 | 北京捷讯畅达科技发展有限公司 | 兼有动态实时交通数据的交通流量预测*** |
CN101510357A (zh) * | 2009-03-26 | 2009-08-19 | 美慧信息科技(上海)有限公司 | 一种基于手机信号数据检测交通状态的方法 |
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 |
CN102881162A (zh) * | 2012-09-29 | 2013-01-16 | 北京市交通信息中心 | 大规模交通信息的数据处理及融合方法 |
US9183743B2 (en) * | 2013-10-31 | 2015-11-10 | Bayerische Motoren Werke Aktiengesellschaft | Systems and methods for estimating traffic signal information |
US20160104377A1 (en) * | 2013-03-14 | 2016-04-14 | Sirius Xm Radio Inc. | High resolution encoding and transmission of traffic information |
CN105868870A (zh) * | 2016-05-17 | 2016-08-17 | 北京数行健科技有限公司 | 一种基于数据融合的城市快速路旅行时间估计方法和装置 |
-
2016
- 2016-11-02 CN CN201610970510.0A patent/CN106530693B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101226689A (zh) * | 2008-02-03 | 2008-07-23 | 北京交通大学 | 道路交通信息采集的多传感器接入装置及其数据融合方法 |
CN101286270A (zh) * | 2008-05-26 | 2008-10-15 | 北京捷讯畅达科技发展有限公司 | 兼有动态实时交通数据的交通流量预测方法 |
CN101286269A (zh) * | 2008-05-26 | 2008-10-15 | 北京捷讯畅达科技发展有限公司 | 兼有动态实时交通数据的交通流量预测*** |
CN101510357A (zh) * | 2009-03-26 | 2009-08-19 | 美慧信息科技(上海)有限公司 | 一种基于手机信号数据检测交通状态的方法 |
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 |
CN102881162A (zh) * | 2012-09-29 | 2013-01-16 | 北京市交通信息中心 | 大规模交通信息的数据处理及融合方法 |
US20160104377A1 (en) * | 2013-03-14 | 2016-04-14 | Sirius Xm Radio Inc. | High resolution encoding and transmission of traffic information |
US9183743B2 (en) * | 2013-10-31 | 2015-11-10 | Bayerische Motoren Werke Aktiengesellschaft | Systems and methods for estimating traffic signal information |
CN105868870A (zh) * | 2016-05-17 | 2016-08-17 | 北京数行健科技有限公司 | 一种基于数据融合的城市快速路旅行时间估计方法和装置 |
Non-Patent Citations (2)
Title |
---|
徐涛 等: "面向城市道路交通状态估计的数据融合研究", 《计算机工程与应用》 * |
曹晶 李清泉: "城市路网中浮动车数据和线圈数据的融合", 《交通与计算机》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107230350A (zh) * | 2017-06-23 | 2017-10-03 | 东南大学 | 一种基于卡口与手机流量话单数据的城市交通量获取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106530693B (zh) | 2019-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106530694B (zh) | 一种基于交通拥堵传播模型的交通拥堵预测方法及*** | |
Ashalatha et al. | Critical gap through clearing behavior of drivers at unsignalised intersections | |
Srivastava et al. | Empirical observations of capacity drop in freeway merges with ramp control and integration in a first-order model | |
CN102708698B (zh) | 基于车联网的车辆最优路径导航方法 | |
Lu et al. | Effects of winter weather on traffic operations and optimization of signalized intersections | |
CN104574968B (zh) | 一种临界交通状态参数的确定方法 | |
CN106571034A (zh) | 基于融合数据的城市快速路交通状态滚动预测方法 | |
CN105513371B (zh) | 一种基于核密度估计的高速公路违章停车检测方法 | |
CN103927872A (zh) | 一种基于浮动车数据预测多时段行程时间分布的方法 | |
Lu et al. | Using taxi GPS data for macroscopic traffic monitoring in large scale urban networks: calibration and MFD derivation | |
CN102930718A (zh) | 基于浮动车数据和线圈流量融合的间断流路段行程时间估计方法 | |
Aljamal et al. | Real-time estimation of vehicle counts on signalized intersection approaches using probe vehicle data | |
CN104992049B (zh) | 一种以平面位置数据建立路面抗滑性能模型的方法 | |
CN107564279A (zh) | 一种基于浮动车数据的交通指数计算方法及*** | |
CN109147358A (zh) | 一种山区高速公路降雨环境预警***及方法 | |
CN109816271A (zh) | 基于共享单车轨迹数据的自行车道服务水平评价方法 | |
Mahapatra et al. | Dynamic parameters of vehicles under heterogeneous traffic stream with non-lane discipline: an experimental study | |
CN106023602B (zh) | 山地城市信号交叉口延误计算方法 | |
CN105185103A (zh) | 一种路段行程时间的管理控制方法 | |
CN106530693A (zh) | 基于融合数据的城市快速路交通状态滚动估计方法 | |
Cipriani et al. | Traffic state estimation based on data fusion techniques | |
Salim et al. | Estimation of average space headway under heterogeneous traffic conditions | |
CN111009140A (zh) | 一种基于开源路况信息的智能交通信号控制方法 | |
Gan et al. | Estimation of performance metrics at signalized intersections using loop detector data and probe travel times | |
CN109448381A (zh) | 一种基于车联网大数据的交通路况预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |