CN106600965B - 基于尖锐度的交通流早晚高峰时段自动识别方法 - Google Patents
基于尖锐度的交通流早晚高峰时段自动识别方法 Download PDFInfo
- Publication number
- CN106600965B CN106600965B CN201710041037.2A CN201710041037A CN106600965B CN 106600965 B CN106600965 B CN 106600965B CN 201710041037 A CN201710041037 A CN 201710041037A CN 106600965 B CN106600965 B CN 106600965B
- Authority
- CN
- China
- Prior art keywords
- data
- traffic flow
- morning
- sharpness
- evening
- 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.)
- Active
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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提出一种基于尖锐度的交通流早晚高峰时段自动识别方法,包括:获取交通流数据中的采集时间和交通流速度;进行预处理;绘制一时间‑速度曲线图;计算时间‑速度曲线图中各数据点的尖锐度;对所有数据点的尖锐度进行大小排序,取其中尖锐度数值大小在前一定比例的数据点,作为早晚高峰极值点的候选集合;在候选集合中保留初设早晚时间段的数据点,得到早高峰候选子集和晚高峰候选子集;分别搜索早高峰候选子集和晚高峰候选子集中的交通流速度最小的数据点,记录得到的两个数据点的采集时间,以采集时间为原点向前提前和向后推迟一定时间得到早晚高峰时段。本发明能更有效实现道路交通的早晚高峰时段自动识别,方法简单,易于实施。
Description
技术领域
本发明涉及智能交通领域,特别涉及的是一种基于尖锐度的交通流早晚高峰时段自动识别方法。
背景技术
多时段定时控制是根据交通流信息将一天划分为若干个时段,不同的时段采取不同的优化控制方案。多时段定时控制的前提是交通时段的合理划分。到目前为止已有大量的交通时段划分方法。
现阶段大多数交通时段划分是基于聚类算法进行的,属于学习模型,如层次聚类,遗传聚类,人工免疫聚类,模糊C均值聚类等。聚类算法的思想是使同类对象的相似度尽可能高,不同对象的相似度尽可能低,可以实现交通时段的自动识别化分,但现有的用于交通时段划分的聚类方法也存在着一些问题。
对于划分聚类方法如模糊C均值聚类、K均值聚类等,需先设定聚类数目,但现实中聚类的数目是未知的,根据主观经验而获得的聚类数目,具有较强的主观性,易产生不合理的时段划分;层次聚类方法虽然不用先设置聚类数目,但奇异值对聚类效果会产生较大影响,且算法复杂度较高,由于交通流数据实时性强,离群数据点多,数据量大,所以此类方法进行交通时段划分时略敏感。
发明内容
本发明所要解决的技术问题是提供一种基于尖锐度的交通流早晚高峰时段自动识别方法,更有效实现道路交通的早晚高峰时段自动识别,具有方法简单,易于实施等优点。
为解决上述问题,本发明提出一种基于尖锐度的交通流早晚高峰时段自动识别方法,包括以下步骤:
S1:获取交通流数据中的采集时间和交通流速度,作为原始数据;
S2:对所述原始数据进行预处理,得到预处理后的数据;
S3:以所述预处理后的数据为坐标数据,绘制一时间-速度曲线图;
S4:计算所述时间-速度曲线图中各数据点的尖锐度;
S5:对所有数据点的尖锐度由大到小进行排序,取其中尖锐度数值大小在前一定比例的数据点,作为早晚高峰极值点的候选集合;
S6:在所述候选集合中保留初设早晚时间段的数据点,得到早高峰候选子集和晚高峰候选子集;
S7:分别搜索所述早高峰候选子集和晚高峰候选子集中的交通流速度最小的数据点,记录得到的两个数据点的采集时间,以采集时间为原点向前提前和向后推迟一定时间得到的时段即为早晚高峰时段。
根据本发明的一个实施例,所述步骤S1中,采集GPS数据或地感线圈数据作为交通流数据进行存储,并读取交通流数据中的采集时间和交通流速度。
根据本发明的一个实施例,所述步骤S2中,对原始数据中的交通流速度数据依次进行缺失值补全、噪声点剔除和平滑处理,得到预处理后的交通流速度,所述预处理后的交通流速度与原始的采集时间作为所述预处理后的数据。
根据本发明的一个实施例,所述步骤S2中,针对原始数据中的交通流速度数据,采用线性插值对数据缺失值进行补全,接着利用低阶多项式拟合对数据进行降噪处理,然后通过滑动平均方法对数据进行平滑。
根据本发明的一个实施例,所述步骤S3中,对于预处理后的数据,以采集时间作为横轴,以交通流速度作为纵轴,绘制直角坐标系下的时间-速度曲线图。
根据本发明的一个实施例,所述步骤S4中,选取时间-速度曲线图中的数据点Pi,取该数据点Pi左右各k个数据点作为支撑区域,以最左数据点Pi-k至数据点Pi、与数据点Pi至最右数据点Pi+k所夹的角度θi作为数据点Pi的支撑角,PiPi-k、PiPi+k为支撑臂,根据如下公式(a)和(b)确定数据点Pi的尖锐度sharp(pi):
根据本发明的一个实施例,步骤S5中,将时间-速度曲线图中所有数据点的尖锐度由大到小进行排序,取尖锐度数值大小排在前10%的数据点,作为早晚高峰极值点的候选集合。
根据本发明的一个实施例,步骤S6中,在候选集合中只保留时间在6点到11点之间的数据点,得到早高峰候选子集;在候选集合中只保留时间在15点到20点之间的数据点,得到晚高峰候选子集。
根据本发明的一个实施例,步骤S7中,从早高峰候选子集中搜索交通流速度最小的数据点,记录此数据点对应的采集时间Tam,则早高峰时段为采集时间Tam分别向前提前半小时至向后推迟半小时;从晚高峰候选子集中搜索交通流速度最小的数据点,记录此数据点对应的采集时间Tpm,则晚高峰时段为采集时间Tpm分别向前提前半小时至向后推迟半小时。
采用上述技术方案后,本发明相比现有技术具有以下有益效果:
通过将图像处理技术引用于交通数据的分析与处理中,首次创新提出采用图像处理中的尖锐度指标来识别交通流早晚高峰时段;
无需设置聚类数目,且计算复杂度低,计算成本低,方法简便易实现,可操作性强。
附图说明
图1为本发明实施例的基于尖锐度的交通流早晚高峰时段自动识别方法的流程示意图;
图2为本发明实施例的根据预处理后的数据绘制而成的时间-速度曲线图;
图3为本发明实施例的计算尖锐度的原理示意图;
图4为本发明实施例的识别出早晚高峰时段的时间-速度曲线图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施的限制。
参看图1,本发明实施例的基于尖锐度的交通流早晚高峰时段自动识别方法包括以下步骤:
S1:获取交通流数据中的采集时间和交通流速度,作为原始数据;
S2:对所述原始数据进行预处理,得到预处理后的数据;
S3:以所述预处理后的数据为坐标数据,绘制一时间-速度曲线图;
S4:计算所述时间-速度曲线图中各数据点的尖锐度;
S5:对所有数据点的尖锐度有大到小进行排序,取其中尖锐度数值大小在前一定比例的数据点,作为早晚高峰极值点的候选集合;
S6:在所述候选集合中保留初设早晚时间段的数据点,得到早高峰候选子集和晚高峰候选子集;
S7:分别搜索所述早高峰候选子集和晚高峰候选子集中的交通流速度最小的数据点,记录得到的两个数据点的采集时间,以采集时间为原点向前提前和向后推迟一定时间得到的时段即为早晚高峰时段。
本发明实施例的基于尖锐度的交通流早晚高峰时段自动识别方法可应用于城市道路交通管理等方面,适合任何交通路段的交通流时段划分,尤其适合会发生早晚高峰的拥挤路段中。下面对本发明实施例的基于尖锐度的交通流早晚高峰时段自动识别方法进行具体实施例的描述。
在步骤S1中,获取交通流数据中的采集时间和交通流速度,作为原始数据。交通流数据是通过采集检测设备针对交通路段的行车状况采集检测获得的数据或者进一步统计获得的数据,例如可以包括采集时间、交通流量、速度、密度等,具体不作为限制。在本实施例中,获取到交通流数据中的采集时间和交通流速度即可,无需其他复杂数据,获取方便,计算简单。
在一个实施例中,在步骤S1中,可以采集GPS数据或地感线圈数据作为交通流数据进行存储,但不作为限制,还可以采用其他装置或其他方法获取的交通流数据,这些数据可以是现成已获得的历史数据,或者可以去现场采集获得最新数据。交通流数据可以存储至计算机的存储模块中,在步骤S1执行过程中,将交通流数据中的采集时间和交通流速度读入到内存中,以供后续步骤使用。
接着执行步骤S2,为提高数据的质量,从而保证后续处理的效果,需要对原始的速度数据进行预处理,对步骤S1中获得的原始数据进行预处理,得到预处理后的数据。
在一个实施例中,在步骤S2中,对原始数据中的交通流速度数据依次进行缺失值补全、噪声点剔除和平滑处理,得到预处理后的交通流速度,预处理后的交通流速度与原始的采集时间作为预处理后的数据。
具体的,在步骤S2中,针对原始数据中的交通流速度数据,采用线性插值对数据缺失值进行补全,接着利用低阶多项式拟合对数据进行降噪处理,接着通过滑动平均方法对数据进行平滑。可以理解,还可以采用其他的缺失值补全、噪声点剔除和平滑处理方式对交通流速度进行预处理,保证后续数据处理的效果即可。
接着执行步骤S3,参看图2,对于预处理后的数据,在同一坐标系下可以进行描点绘图,将绘制出的数据点连接成曲线后,便绘制出了一幅时间-速度曲线图,将数据转换为了可用图像处理方式处理的图像。
在一个实施例中,步骤S3中,对于预处理后的数据,以采集时间作为横轴,以交通流速度作为纵轴,绘制直角坐标系下的时间-速度曲线图。例如,一个采集时间点的交通流速度与该采集时间分别作为直角坐标系的Y轴坐标值和X轴坐标值,定位到相应坐标处后该坐标处便形成一个数据点,如此地将全部采集时间及交通流速度都对应到坐标系中得到一系列数据点,绘制成曲线。
接着执行步骤S4,计算时间-速度曲线图中各数据点的尖锐度,对于开始的前若干个点和最后的若干个点无法计算其尖锐度。由于这些点的数目一般比较小,不会影响本发明中方法最终的计算结果。
参看图3,为时间-速度曲线的局部轮廓放大图,可以适用于曲线图中的任意非端点的数据点。在一个实施例中,在步骤S4中,选取时间-速度曲线图中的数据点Pi,取该数据点Pi左右各k个数据点作为支撑区域,以最左数据点Pi-k至数据点Pi、与数据点Pi至最右数据点Pi+k所夹的角度θi作为数据点Pi的支撑角,***实线为轮廓线,黑点代表像素点,虚线为Pi-k,Pi,Pi+k这三点拟合成的圆弧,O点为圆心,PiPi-k、PiPi+k为支撑臂,k的取值一般可以为3~5,但不作为限制,数据点Pi,Pi-k,Pi+k近似为一段圆弧上的三点,它们之间的间隔非常小,因而可假设|PiPi-k|=|PiPi+k|。根据如下公式(a)和(b)确定数据点Pi的尖锐度sharp(pi):
sharp(pi)表示支撑角的尖锐程度,sharp(pi)值越大,说明该角越尖锐。根据上式(a)和(b)计算时间-速度曲线图上每一点的尖锐度。对根据坐标数据得到的数据点进行尖锐度计算。
接着执行步骤S5,得到所有数据点的尖锐度后,对所有数据点的尖锐度由大到小进行排序,取其中尖锐度数值大小在前一定比例的数据点,作为早晚高峰极值点的候选集合。
在一个实施例中,在步骤S5中,将时间-速度曲线图中所有数据点的尖锐度由大到小进行排序,取尖锐度数值大小排在前10%的数据点,作为早晚高峰极值点的候选集合。
接着执行步骤S6,在候选集合中保留初设早晚时间段的数据区间,得到早高峰候选子集和晚高峰候选子集。初设早晚时间段可以是根据经验值确定,但具体时间不受限制。
在一个实施例中,在步骤S6中,在候选集合中只保留时间在6点到11点之间的数据点,得到早高峰候选子集;在候选集合中只保留时间在15点到20点之间的数据点,得到晚高峰候选子集。由于数据点已图像化,可以对图像进行复制等处理,因而可以先后对图像进行截取,分别获得早高峰候选子集和晚高峰候选子集。
接着执行步骤S7,分别搜索早高峰候选子集和晚高峰候选子集中的交通流速度最小的数据点,记录得到的两个数据点的采集时间,以采集时间为原点向前提前和向后推迟一定时间得到的时段即为早晚高峰时段。交通流速度最小的数据点表明此时交通最拥挤,为最高峰时间点,此点附近即为早晚高峰时段,因而选取该数据点后向前向后延伸一定时间便可确定早晚高峰时段。
参看图4,在一个实施例中,在步骤S7中,从早高峰候选子集中搜索交通流速度最小的数据点,记录此数据点对应的采集时间Tam,则早高峰时段为采集时间Tam分别向前提前半小时至向后推迟半小时;从晚高峰候选子集中搜索交通流速度最小的数据点,记录此数据点对应的采集时间Tpm,则晚高峰时段为采集时间Tpm分别向前提前半小时至向后推迟半小时。
本发明虽然以较佳实施例公开如上,但其并不是用来限定权利要求,任何本领域技术人员在不脱离本发明的精神和范围内,都可以做出可能的变动和修改,因此本发明的保护范围应当以本发明权利要求所界定的范围为准。
Claims (8)
1.一种基于尖锐度的交通流早晚高峰时段自动识别方法,其特征在于,包括以下步骤:
S1:获取交通流数据中的采集时间和交通流速度,作为原始数据;
S2:对所述原始数据进行预处理,得到预处理后的数据;
S3:以所述预处理后的数据为坐标数据,绘制一时间-速度曲线图;
S4:计算所述时间-速度曲线图中各数据点的尖锐度;
S5:对所有数据点的尖锐度由大到小进行排序,取其中尖锐度数值大小在前一定比例的数据点,作为早晚高峰极值点的候选集合;
S6:在所述候选集合中保留初设早晚时间段的数据点,得到早高峰候选子集和晚高峰候选子集;
S7:分别搜索所述早高峰候选子集和晚高峰候选子集中的交通流速度最小的数据点,记录得到的两个数据点的采集时间,以采集时间为原点向前提前和向后推迟一定时间得到的时段即为早晚高峰时段;
其中,所述步骤S4中,选取时间-速度曲线图中的数据点Pi,取该数据点Pi左右各k个数据点作为支撑区域,以最左数据点Pi-k至数据点Pi、与数据点Pi至最右数据点Pi+k所夹的角度θi作为数据点Pi的支撑角,PiPi-k、PiPi+k为支撑臂,根据如下公式(a)和(b)确定数据点Pi的尖锐度sharp(pi):
2.如权利要求1所述的基于尖锐度的交通流早晚高峰时段自动识别方法,其特征在于,所述步骤S1中,采集GPS数据或地感线圈数据作为交通流数据进行存储,并读取交通流数据中的采集时间和交通流速度。
3.如权利要求1所述的基于尖锐度的交通流早晚高峰时段自动识别方法,其特征在于,所述步骤S2中,对原始数据中的交通流速度数据依次进行缺失值补全、噪声点剔除和平滑处理,得到预处理后的交通流速度,所述预处理后的交通流速度与原始的采集时间作为所述预处理后的数据。
4.如权利要求3所述的基于尖锐度的交通流早晚高峰时段自动识别方法,其特征在于,所述步骤S2中,针对原始数据中的交通流速度数据,采用线性插值对数据缺失值进行补全,接着利用低阶多项式拟合对数据进行降噪处理,然后通过滑动平均方法对数据进行平滑。
5.如权利要求1所述的基于尖锐度的交通流早晚高峰时段自动识别方法,其特征在于,所述步骤S3中,对于预处理后的数据,以采集时间作为横轴,以交通流速度作为纵轴,绘制直角坐标系下的时间-速度曲线图。
6.如权利要求1所述的基于尖锐度的交通流早晚高峰时段自动识别方法,其特征在于,步骤S5中,将时间-速度曲线图中所有数据点的尖锐度由大到小进行排序,取尖锐度数值大小排在前10%的数据点,作为早晚高峰极值点的候选集合。
7.如权利要求1所述的基于尖锐度的交通流早晚高峰时段自动识别方法,其特征在于,步骤S6中,在候选集合中只保留时间在6点到11点之间的数据点,得到早高峰候选子集;在候选集合中只保留时间在15点到20点之间的数据点,得到晚高峰候选子集。
8.如权利要求1所述的基于尖锐度的交通流早晚高峰时段自动识别方法,其特征在于,步骤S7中,从早高峰候选子集中搜索交通流速度最小的数据点,记录此数据点对应的采集时间Tam,则早高峰时段为采集时间Tam分别向前提前半小时至向后推迟半小时;从晚高峰候选子集中搜索交通流速度最小的数据点,记录此数据点对应的采集时间Tpm,则晚高峰时段为采集时间Tpm分别向前提前半小时至向后推迟半小时。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710041037.2A CN106600965B (zh) | 2017-01-19 | 2017-01-19 | 基于尖锐度的交通流早晚高峰时段自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710041037.2A CN106600965B (zh) | 2017-01-19 | 2017-01-19 | 基于尖锐度的交通流早晚高峰时段自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106600965A CN106600965A (zh) | 2017-04-26 |
CN106600965B true CN106600965B (zh) | 2018-12-14 |
Family
ID=58585388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710041037.2A Active CN106600965B (zh) | 2017-01-19 | 2017-01-19 | 基于尖锐度的交通流早晚高峰时段自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106600965B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871412A (zh) * | 2018-12-26 | 2019-06-11 | 航天科工广信智能技术有限公司 | 基于K-Means聚类的车道流量分析方法 |
CN109697849B (zh) * | 2018-12-26 | 2020-06-16 | 航天科工广信智能技术有限公司 | 基于滑动平均算法的智能交通时段划分方法 |
CN113593262B (zh) * | 2019-11-14 | 2022-09-27 | 北京百度网讯科技有限公司 | 交通信号控制方法、装置、计算机设备和存储介质 |
CN112819325B (zh) * | 2021-01-29 | 2024-07-05 | 北京嘀嘀无限科技发展有限公司 | 高峰时段确定方法、装置、电子设备和存储介质 |
CN113399784B (zh) * | 2021-07-09 | 2022-08-12 | 武汉武重机床有限公司 | 工件加工控制方法、装置、设备及存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3580475B2 (ja) * | 1998-09-14 | 2004-10-20 | 矢崎総業株式会社 | 周辺監視装置 |
JP4075585B2 (ja) * | 2002-11-25 | 2008-04-16 | 株式会社デンソー | 車速制御装置およびプログラム |
JP5462945B2 (ja) * | 2010-06-29 | 2014-04-02 | 本田技研工業株式会社 | 渋滞予測表示方法 |
US8803956B2 (en) * | 2011-12-20 | 2014-08-12 | King Fahd University Of Petroleum And Minerals | Computer vision-based valve control system and method |
CN102890866B (zh) * | 2012-09-17 | 2015-01-21 | 上海交通大学 | 基于多核支持向量回归机的交通流速度估计方法 |
CN103761430B (zh) * | 2014-01-10 | 2017-07-07 | 安徽科力信息产业有限责任公司 | 一种基于浮动车的路网高峰时段识别方法 |
CN106295683A (zh) * | 2016-08-01 | 2017-01-04 | 上海理工大学 | 一种基于尖锐度的时间序列数据的离群点检测方法 |
-
2017
- 2017-01-19 CN CN201710041037.2A patent/CN106600965B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106600965A (zh) | 2017-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106600965B (zh) | 基于尖锐度的交通流早晚高峰时段自动识别方法 | |
CN111460984B (zh) | 一种基于关键点与梯度均衡损失的全局车道线检测方法 | |
CN111738055B (zh) | 多类别文本检测***和基于该***的票据表单检测方法 | |
CN109670462B (zh) | 基于定位信息的航空器跨全景持续跟踪方法 | |
Lee et al. | Place recognition using straight lines for vision-based SLAM | |
CN103164694A (zh) | 一种人体动作识别的方法 | |
CN104463117A (zh) | 一种基于视频方式的人脸识别样本采集方法及*** | |
WO2013091369A1 (zh) | 一种基于深度图像的多目标分割和跟踪方法 | |
CN111027377B (zh) | 一种双流神经网络时序动作定位方法 | |
CN105512618B (zh) | 视频跟踪方法 | |
CN107633226A (zh) | 一种人体动作跟踪识别方法及*** | |
CN111597913B (zh) | 一种基于语义分割模型的车道线图片检测分割方法 | |
CN112861931B (zh) | 一种基于差异注意力神经网络的多级别变化检测方法、***、介质及电子设备 | |
CN112509009B (zh) | 一种基于自然语言信息辅助的目标追踪方法 | |
CN112287906B (zh) | 一种基于深度特征融合的模板匹配跟踪方法及*** | |
CN114677323A (zh) | 一种室内动态场景下基于目标检测的语义视觉slam定位方法 | |
CN105513083A (zh) | 一种ptam摄像机跟踪方法及装置 | |
CN116030396B (zh) | 一种用于视频结构化提取的精确分割方法 | |
CN111275732B (zh) | 一种基于深度卷积神经网络的前景对象图像分割方法 | |
CN114037666B (zh) | 一种数据集扩充和阴影图像分类辅助的阴影检测方法 | |
CN113763424B (zh) | 基于嵌入式平台的实时智能目标检测方法及*** | |
Xu et al. | License plate recognition system based on deep learning | |
CN105404682B (zh) | 一种基于数字图像内容的图书检索方法 | |
CN110689559B (zh) | 一种基于密集卷积网络特征的视觉目标跟踪方法 | |
CN107832732A (zh) | 基于三叉树遍历的车道线检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |