CN106971536A - 一种融合浮动车与路侧视频的高速公路拥堵状态检测方法 - Google Patents
一种融合浮动车与路侧视频的高速公路拥堵状态检测方法 Download PDFInfo
- Publication number
- CN106971536A CN106971536A CN201710249807.2A CN201710249807A CN106971536A CN 106971536 A CN106971536 A CN 106971536A CN 201710249807 A CN201710249807 A CN 201710249807A CN 106971536 A CN106971536 A CN 106971536A
- Authority
- CN
- China
- Prior art keywords
- floating car
- sub
- congestion status
- section region
- video
- 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
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
- G08G1/0108—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
- G08G1/0104—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
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种融合浮动车与路侧视频的高速公路拥堵状态检测方法,包括:S1、将高速公路的路网按长度平均划分为多个子路段区域,在各个子路段区域安装视频采集及通信模块;S2、获取被检测的子路段区域内浮动车的位置信息以及视频数据;S3、通过视频数据和浮动车的位置信息分别计算浮动车通过该子路段区域的平均时间和平均车速;S4、引入被检测的子路段区域的历史数据,通过遗传算法对小波神经网络进行训练,得到遗传算法的适应度趋于稳定时的稳定参数;并将稳定参数带入小波神经网络,求解得到当前子路段区域的精确行程时间和平均车速;S5、判别被检测的子路段区域的拥堵状态等级。本发明能准确的检测高速公路的拥堵状态,检测结果更加可靠。
Description
技术领域
本发明涉及交通拥堵状态检测技术领域,尤其涉及一种融合浮动车与路侧视频的高速公路拥堵状态检测方法。
背景技术
随着我国人均汽车保有量的不断增加,已经导致交通拥堵问题逐步从城市道路蔓延至高速公路,局部路段拥堵导致的交通停滞状况屡见不鲜。为了准确预测交通拥堵状况并实现及时疏散的目标,实时高速公路拥堵状态检测尤为必要。现有技术中,传统检测方法(微波、地埋式检测器)适合大交通流量检测,较为先进的检测方法采用单一浮动车、视频等数据实现高速公路拥堵状态检测,然而由于浮动车数据本身存在样本及到达时间偏差,且视频不便于拍摄具有较长路段行程时间的车辆,因此得到的检测结果也不十分可靠,不利于实现有效的高速公路交通管理;随着车联网技术的快速发展,浮动车车载设备、路侧设备、数据服务中心三者联网成为可能,为实时融合两者检测数据创造了条件,毫无疑问将有助于得到更准确的高速公路拥堵状态检测结果。
发明内容
本发明要解决的技术问题在于针对现有技术中单一浮动车存在样本偏差及到达时间偏差的缺陷,提供一种融合浮动车与路侧视频的高速公路拥堵状态检测方法。
本发明解决其技术问题所采用的技术方案是:
本发明提供一种融合浮动车与路侧视频的高速公路拥堵状态检测方法,通过设置在高速公路路侧的视频采集及通信模块,车联网环境下安装有车载通信设备的浮动车实现;该方法包括以下步骤:
S1、将高速公路的路网按长度平均划分为多个子路段区域,在各个子路段区域的路侧安装视频采集及通信模块;
S2、获取被检测的子路段区域内浮动车的位置信息,以及该子路段区域的视频采集及通信模块采集到的视频数据;
S3、通过视频数据计算浮动车通过该子路段区域的第一平均时间和第一平均车速,根据浮动车的位置信息计算浮动车通过该子路段区域的第二平均时间和第二平均车速;
S4、引入被检测的子路段区域的历史数据,通过遗传算法对小波神经网络进行训练,得到遗传算法的适应度趋于稳定时的稳定参数;
将第一平均时间、第二平均时间、第一平均车速和第二平均车速作为多源异构数据,构建小波神经网络,并将稳定参数带入小波神经网络,求解得到精确的行程时间和平均车速;
S5、将高速公路拥堵状态划分为多个等级,根据得到的精确行程时间和平均车速,判别被检测的子路段区域的拥堵状态等级。
进一步地,本发明的步骤S1中划分子路段区域的方法为:
从高速公路路网的起始点开始,选择等距离设置的里程牌作为划分子路段区域的分界点,在每个里程牌处安装视频采集及通信模块。
进一步地,本发明的步骤S2中包括用于接收浮动车的位置信息和视频采集及通信模块采集到的视频数据的数据服务中心,其接收数据的方法为:
浮动车与该子路段区域内的视频采集及通信模块进行实时通信,将浮动车采集到的位置信息按照国际标准编码,以无线短消息数据包的形式发送至视频采集及通信模块;并调取视频采集及通信模块内部存储的视频数据,上传数据服务中心。
进一步地,本发明的步骤S3中的计算方法具体为:
获取浮动车位置信息中,浮动车经过被检测的子路段区域中前一里程牌的时间戳τ1和后一里程牌的时间戳τ2,两个里程牌之间的距离为d1;第一平均时间t1和第一平均车速v1分别为:
获取视频采集及通信模块采集到的视频数据中,浮动车经过被检测的子路段区域中前一里程牌的时间戳τ3和后一里程牌的时间戳τ4,两个里程牌之间的距离为d1;第二平均时间t2和第二平均车速v2分别为:
进一步地,本发明的步骤S4中通过遗传算法对小波神经网络进行训练的方法为:
a、提取被检测子路段区域的历史数据包,获取浮动车的历史位置信息,将部分数据作为训练样本,另一部分作为测试样本;
小波神经网络的公式为:
其中,为ai伸缩尺度下且位移为bi时的傅立叶变换函数,m为隐含层数,取4,输入参数xi,uij表示连接第i个输入层节点和第j个隐含层节点的权重,wjk表示连接第j个隐含层和第k个输出层的权重,yk表示小波神经网络的网络输出层数据;
选取误差能量函数E作为适应度函数,其公式为:
其中,期望输出值,yk为实际输出值,n为网络输出层节点数,取2;
b、选择种群个体;
取选择概率计算公式:
计算累计概率:
采用轮赌选择法对输入层种群个体进行适应度选择,通过随机产生的4个[0.1]随机数选取个体;设随机数为r,若qa-1≤r≤qa,则个体a被选中;
c、交叉变异:
将被选中的个体a带入适应度函数,求得初代复制群体;设交叉率为100%,即复制群体全体个体染色体参与交叉,得交叉变异群体,为二代群体;
d、反复循环步骤b和步骤c,直到最有个体适应度值趋于稳定;此时得到优化的稳定参数,稳定参数包括伸缩因子ai、平移因子bi、权重wij和uij。
进一步地,本发明的步骤S4中求解精确的行程时间和平均车速的方法为:
以X={x1,x2,x3,x4}作为小波神经网络的网络输入层数据,x1,x2,x3,x4分别对应第一平均时间、第二平均时间、第一平均车速和第二平均车速;
选取Morlet母小波基函数作为隐含层基波函数f(x),其公式为:
将稳定参数伸缩因子ai、平移因子bi、权重wij和uij,带入小波神经网络的公式,求解得到精确的行程时间和平均车速。
进一步地,本发明的步骤S5中将高速公路拥堵状态划分为多个等级的方法为:
通过模糊C均值聚类的方法,将交通拥堵状态进行相对标准划分为四个等级:通畅、轻度拥堵、中度拥堵、严重拥堵;
根据被检测的子路段区域的行程时间和平均速度的历史数据,采用随机选取法初始化四个等级的聚类中心;
选取FCM算法加权类内误差平方和为目标函数,反复迭代,得到最小目标函数,求得最优聚类中心与隶属度函数;
通过隶属度函数将拥堵状态划分为四个等级,得到四个等级的拥堵状态数据集。
进一步地,本发明的步骤S5中根据得到的精确行程时间和平均车速,判别被检测的子路段区域的拥堵状态等级的方法具体为:
计算得到的精确行程时间和平均车速,与四个等级的拥堵状态数据集中的数据之间的欧式距离,得到欧式距离最小的一个拥堵状态数据集,判别该拥堵状态为当前被检测的子路段区域的拥堵状态。
本发明产生的有益效果是:本发明的融合浮动车与路侧视频的高速公路拥堵状态检测方法,基于电子地图高速公路路网区域划分,依靠车联网环境下实时车路通信,确定浮动车所处子路段区域。同时,通过调取该子路段区域路侧通信设备视频检测模块数据,可分别根据浮动车车载通信设备与路侧通信设备视频检测模块数据计算该子路段行程时间和区间平均行驶速度,基于小波神经网络的数据融合方法,在遗传算法对参数优化的基础上,实现准确计算子路段行程时间与区间平均行驶速度,并能够以此为交通拥堵状态判别数据源,为实现高效准确地交通拥堵状态判别提供科学的依据,为实现车联网环境下交通拥堵状态实时发布创造条件。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例的基于车联网环境下的V2I数据采集示意图;
图2是本发明实施例的基于浮动车OBE与RSE数据的路段行程时间与区间行驶速度计算流程;
图3是本发明实施例的小波神经网络拓扑结构图;
图4是本发明实施例的小波神经网络算法流程;
图5是本发明实施例的算法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明实施例的融合浮动车与路侧视频的高速公路拥堵状态检测方法,通过设置在高速公路路侧的视频采集及通信模块,车联网环境下安装有车载通信设备的浮动车实现;该方法包括以下步骤:
S1、将高速公路的路网按长度平均划分为多个子路段区域,在各个子路段区域的路侧安装视频采集及通信模块;
S2、获取被检测的子路段区域内浮动车的位置信息,以及该子路段区域的视频采集及通信模块采集到的视频数据;
S3、通过视频数据计算浮动车通过该子路段区域的第一平均时间和第一平均车速,根据浮动车的位置信息计算浮动车通过该子路段区域的第二平均时间和第二平均车速;
S4、引入被检测的子路段区域的历史数据,通过遗传算法对小波神经网络进行训练,得到遗传算法的适应度趋于稳定时的稳定参数;
将第一平均时间、第二平均时间、第一平均车速和第二平均车速作为多源异构数据,构建小波神经网络,并将稳定参数带入小波神经网络,求解得到精确的行程时间和平均车速;
S5、将高速公路拥堵状态划分为多个等级,根据得到的精确行程时间和平均车速,判别被检测的子路段区域的拥堵状态等级。
步骤S1中划分子路段区域的方法为:
从高速公路路网的起始点开始,选择等距离设置的里程牌作为划分子路段区域的分界点,在每个里程牌处安装视频采集及通信模块。
步骤S2中包括用于接收浮动车的位置信息和视频采集及通信模块采集到的视频数据的数据服务中心,其接收数据的方法为:
浮动车与该子路段区域内的视频采集及通信模块进行实时通信,将浮动车采集到的位置信息按照国际标准编码,以无线短消息数据包的形式发送至视频采集及通信模块;并调取视频采集及通信模块内部存储的视频数据,上传数据服务中心。
步骤S3中的计算方法具体为:
获取浮动车位置信息中,浮动车经过被检测的子路段区域中前一里程牌的时间戳τ1和后一里程牌的时间戳τ2,两个里程牌之间的距离为d1;第一平均时间t1和第一平均车速v1分别为:
获取视频采集及通信模块采集到的视频数据中,浮动车经过被检测的子路段区域中前一里程牌的时间戳τ3和后一里程牌的时间戳τ4,两个里程牌之间的距离为d1;第二平均时间t2和第二平均车速v2分别为:
步骤S4中通过遗传算法对小波神经网络进行训练的方法为:
a、提取被检测子路段区域的历史数据包,获取浮动车的历史位置信息,将部分数据作为训练样本,另一部分作为测试样本;
小波神经网络的公式为:
其中,为ai伸缩尺度下且位移为bi时的傅立叶变换函数,m为隐含层数,取4,输入参数xi,uij表示连接第i个输入层节点和第j个隐含层节点的权重,wjk表示连接第j个隐含层和第k个输出层的权重,yk表示小波神经网络的网络输出层数据;
选取误差能量函数E作为适应度函数,其公式为:
其中,期望输出值,yk为实际输出值,n为网络输出层节点数,取2;
b、选择种群个体;
取选择概率计算公式:
计算累计概率:
采用轮赌选择法对输入层种群个体进行适应度选择,通过随机产生的4个[0.1]随机数选取个体;设随机数为r,若qa-1≤r≤qa,则个体a被选中;
c、交叉变异:
将被选中的个体a带入适应度函数,求得初代复制群体;设交叉率为100%,即复制群体全体个体染色体参与交叉,得交叉变异群体,为二代群体;
d、反复循环步骤b和步骤c,直到最有个体适应度值趋于稳定;此时得到优化的稳定参数,稳定参数包括伸缩因子ai、平移因子bi、权重wij和uij。
步骤S4中求解精确的行程时间和平均车速的方法为:
以X={x1,x2,x3,x4}作为小波神经网络的网络输入层数据,x1,x2,x3,x4分别对应第一平均时间、第二平均时间、第一平均车速和第二平均车速;
选取Morlet母小波基函数作为隐含层基波函数f(x),其公式为:
将稳定参数伸缩因子ai、平移因子bi、权重wij和uij,带入小波神经网络的公式,求解得到精确的行程时间和平均车速。
步骤S5中将高速公路拥堵状态划分为多个等级的方法为:
通过模糊C均值聚类的方法,将交通拥堵状态进行相对标准划分为四个等级:通畅、轻度拥堵、中度拥堵、严重拥堵;
根据被检测的子路段区域的行程时间和平均速度的历史数据,采用随机选取法初始化四个等级的聚类中心;
选取FCM算法加权类内误差平方和为目标函数,反复迭代,得到最小目标函数,求得最优聚类中心与隶属度函数;
通过隶属度函数将拥堵状态划分为四个等级,得到四个等级的拥堵状态数据集。
步骤S5中根据得到的精确行程时间和平均车速,判别被检测的子路段区域的拥堵状态等级的方法具体为:
计算得到的精确行程时间和平均车速,与四个等级的拥堵状态数据集中的数据之间的欧式距离,得到欧式距离最小的一个拥堵状态数据集,判别该拥堵状态为当前被检测的子路段区域的拥堵状态。
在本发明的另一个具体实施例中,该方法包括以下步骤:
(1)划分高速公路路网交通状态检测子路段区域
考虑到高速公路拥堵发生区域的不确定性,交管部门需要实时监控整个高速公路路网的拥堵状态,因此就必须满足对整个高速公路路网的任意区域交通状态进行实时检测。本发明将电子地图中的高速公路路网进行路段区域划分,所要完成的功能是对高速公路路段按长度平均划分,每个划分成的子路段长度合适,保证浮动车在子路段的行程时间足够,满足有效获取车辆状态信息的要求;根据划分的路段,等间距安装集成了视频检测模块的路侧通信设备(Roadside Equipment,RSE),保证检测数据足够充分有效。由于高速公路路网中里程牌和RSE等距离分布(个/km),在本发明中,从被检测的大范围高速公路路网起始点开始,在电子地图中选择连续两个里程牌之间区域作为一个子路段,每个里程牌安装一个RSE,将路网划分成若干个子路段并编号。编号方式按照全国高速公路标准编号表,按照干线名G××-里程牌编号××××顺序。例如G651678代表G65高速公路1678公里里程牌至1679公里里程牌子路段,相应的,RSE ID为G65-1678和G65-1679。
(2)确定浮动车所处的子路段并调取该路段路侧通信设备视频数据
按照第一步中高速公路路网交通状态检测区域划分方法,我们实现了对大范围路网等距离子路段划分,为了达到交通拥堵状态检测的目的,必须采集用于路段交通状态检测的数据。因此本步骤利用车联网环境下装有车载通信设备(On Board Equipment,OBE)的浮动车采集自身位置和速度数据。同时,通过与信号覆盖范围内的路侧设备(RoadsideEquipment,RSE)实时通信,将浮动车OBE采集的GPS/TIM(Traveler InformationManagement,旅行信息管理)/BSM(Basic Safety Message,基本安全信息)按照SAE 2735国际标准编码,以无线短消息(WAVW Short Message,WSM)数据包发送至RSE,再转发至交通数据服务中心,以确定浮动车所处的路网子路段,并调取集成于RSE内部的视频数据,上传至高速公路数据服务中心,数据服务中心再根据标准解析消息,最终获取浮动车位置信息。
如图1所示,基于车联网环境下车路通信(Vehicle to InfrastructureCommunication,V2I),浮动车从1678里程牌向1679里程牌行驶的过程中,分别与ID为G50-1678和G50-1679的RSE通信,进而可确定浮动车位于G501678路段,调取G50-1678和G50-1679RSE视频模块检测关于该浮动车的数据,将浮动车位置数据与路段行驶时间戳通过WSM的形式一并上传至高速公路数据服务中心。
(3)基于浮动车OBE数据与RSE视频检测模块数据计算路段行程时间和区间平均行驶速度
本研究选取路段行程时间作为拥堵判断指标,那么需要根据浮动车OBE数据与RSE视频检测模块数据分别计算路段行程时间。通过V2I通信,相关数据已经通过WSM的形式发送至高速公路数据服务中心,因此,该步骤的数据预处理部分在数据服务中心后台进行。对于浮动车OBE数据,考虑高速公路路网拥堵特性——拥堵距离较长,各被拥堵车辆速度基本一致,那么我们认为该子路段内,浮动车基本保持匀速行驶,因此可以计算子路段的预计行程时间:
τ=τ2-τ1 (1)
区间平均行驶速度:
公式(1)中τ2和τ1为浮动车分别位于1679和1678里程牌处OBE时间戳,公式(2)中d1为两个里程牌之间的距离。
如图2所示,对于RSE视频模块检测数据,计算路段行程时间和区间行驶速度方法与浮动车OBE数据类似。当浮动车位于1678里程牌处时,拍摄浮动车照片,并记录时间戳;当浮动车运动至1679里程牌处时,再此拍摄浮动车照片,记录时间戳。那么,同样地,根据公式(1)和公式(2),可以计算基于RSE视频检测模块数据的路段行程时间和区间行驶速度。
(4)基于小波神经网络的数据融合方法确定路段行程时间和区间平均行驶速度。
上一步分别根据浮动车数据与RSE视频检测模块数据计算得到路段旅行时间。由于天气、软硬件故障等因素的影响,导致各数据源的结果不可靠,因此考虑采用数据融合的方法达到准确估计路段行程时间的目的。
如图3所示,以X={x1,x2,x3,x4}作为网络输入层数据,对应为t1、t2、v1、v2,f(x)表示小波基函数,uij表示连接第i个输入层节点和第j个隐含层节点的权重,wjk表示连接第j个隐含层和第k个输出层的权重,以Y={y1,y2}作为网络输出层数据,构建小波神经网络拓扑结构图。
计算公式为:
公式(3)中为αi伸缩尺度下且位移为bi时的傅立叶变换函数,m为隐含层数,取4。公式(4)根据输入参数xi、输入层与隐含层权重uij计算得到隐含层输出cj。那么将公式(3)与公式(4)合并,求得小波神经网络输出,如公式(5)所示:
选取Morlet母小波基函数作为小波基函数f(x),即:
考虑到单纯使用小波神经网络伸缩因子、平移因子、各层间权重参数确定过程较慢,甚至可能会出现的不收敛情况,因此,借助遗传算法,加快神经网络收敛速度。
a)选取适应度函数;
提取1678-1679子路段历史WSM数据包,获取浮动车历史位置数据,将部分数据作为训练样本,部分作为测试样本,采用遗传算法,选取误差能量函数E作为适应度函数。
其中,期望输出值,yk为实际输出值,n为网络输出层节点数,取2。对建立的小波神经网络进行训练,反复循环直到样本测试输出逼近期望值,以尽可能快速、准确设置伸缩因子ai、平移因子bi、权重wij和uij。
b)种群个体选择;
取选择概率计算公式:
计算累积概率:
采用轮赌选择法对输入层种群个体进行适应度选择,通过随机产生的4个[0.1]随机数选取个体。设随机数为r,若qa-1≤r≤qa,则个体a被选中。
c)交叉变异;
将被选中的个体a带入适应度函数,求得初代复制群体。设交叉率为100%,即复制群体全体个体染色体参与交叉,得交叉变异群体,为二代群体。
反复循环b)、c)步骤,直到最有个体适应度值趋于稳定。此时,将得到优化的伸缩因子ai、平移因子bi、权重wij和uij。
将得到的优化后的各因子参数带入原式,输入当前浮动车OBE与RSE视频检测模块数据,可得到融合数据后的路段行程时间和区间平均车速,如图4所示,完整的小波神经网络算法流程。
(5)子路段拥堵程度判别;
上一步通过数据融合计算得到准确的路段行程时间与区间平均速度,为了实现高速公路拥堵状态检测,需要根据两个指标判别子路段G501678拥堵程度。本研究通过模糊C均值聚类的方法,将交通拥堵状态进行相对标准划分为四个等级:通畅、轻度拥堵、中度拥堵、严重拥堵。同样地,根据G501678行程时间与区间平均速度历史数据,采用随机选取法初始化4个等级的聚类中心,分别为V0={v1,v2,v3,v4};选取FCM算法加权类内误差平方和为目标函数,反复迭代,得到最小目标函数,求得最优聚类中心与隶属度函数;通过隶属度函数将拥堵状态划分为上述四类,得到四类拥堵状态数据集;当前数据输入矩阵应为X1×2=(x11,x12),利用欧式距离计算法,根据距离最小原则,判别出当前交通拥堵状态属性。将拥堵判别结果发送至RSE,再通过V2I通信发送至OBE,最终在终端显示设备电子地图中显示当前道路拥堵状况。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (8)
1.一种融合浮动车与路侧视频的高速公路拥堵状态检测方法,其特征在于,通过设置在高速公路路侧的视频采集及通信模块,车联网环境下安装有车载通信设备的浮动车实现;该方法包括以下步骤:
S1、将高速公路的路网按长度平均划分为多个子路段区域,在各个子路段区域的路侧安装视频采集及通信模块;
S2、获取被检测的子路段区域内浮动车的位置信息,以及该子路段区域的视频采集及通信模块采集到的视频数据;
S3、通过视频数据计算浮动车通过该子路段区域的第一平均时间和第一平均车速,根据浮动车的位置信息计算浮动车通过该子路段区域的第二平均时间和第二平均车速;
S4、引入被检测的子路段区域的历史数据,通过遗传算法对小波神经网络进行训练,得到遗传算法的适应度趋于稳定时的稳定参数;
将第一平均时间、第二平均时间、第一平均车速和第二平均车速作为多源异构数据,构建小波神经网络,并将稳定参数带入小波神经网络,求解得到精确的行程时间和平均车速;
S5、将高速公路拥堵状态划分为多个等级,根据得到的精确行程时间和平均车速,判别被检测的子路段区域的拥堵状态等级。
2.根据权利要求1所述的融合浮动车与路侧视频的高速公路拥堵状态检测方法,其特征在于,步骤S1中划分子路段区域的方法为:
从高速公路路网的起始点开始,选择等距离设置的里程牌作为划分子路段区域的分界点,在每个里程牌处安装视频采集及通信模块。
3.根据权利要求1所述的融合浮动车与路侧视频的高速公路拥堵状态检测方法,其特征在于,步骤S2中包括用于接收浮动车的位置信息和视频采集及通信模块采集到的视频数据的数据服务中心,其接收数据的方法为:
浮动车与该子路段区域内的视频采集及通信模块进行实时通信,将浮动车采集到的位置信息按照国际标准编码,以无线短消息数据包的形式发送至视频采集及通信模块;并调取视频采集及通信模块内部存储的视频数据,上传数据服务中心。
4.根据权利要求2所述的融合浮动车与路侧视频的高速公路拥堵状态检测方法,其特征在于,步骤S3中的计算方法具体为:
获取浮动车位置信息中,浮动车经过被检测的子路段区域中前一里程牌的时间戳τ1和后一里程牌的时间戳τ2,两个里程牌之间的距离为d1;第一平均时间t1和第一平均车速v1分别为:
t1=τ2-τ1;
获取视频采集及通信模块采集到的视频数据中,浮动车经过被检测的子路段区域中前一里程牌的时间戳τ3和后一里程牌的时间戳τ4,两个里程牌之间的距离为d1;第二平均时间t2和第二平均车速v2分别为:
t2=τ4-τ3;
5.根据权利要求1所述的融合浮动车与路侧视频的高速公路拥堵状态检测方法,其特征在于,步骤S4中通过遗传算法对小波神经网络进行训练的方法为:
a、提取被检测子路段区域的历史数据包,获取浮动车的历史位置信息,将部分数据作为训练样本,另一部分作为测试样本;
小波神经网络的公式为:
其中,为αi伸缩尺度下且位移为bi时的傅立叶变换函数,m为隐含层数,取4,输入参数xi,uij表示连接第i个输入层节点和第j个隐含层节点的权重,wjk表示连接第j个隐含层和第k个输出层的权重,yk表示小波神经网络的网络输出层数据;
选取误差能量函数E作为适应度函数,其公式为:
其中,期望输出值,yk为实际输出值,n为网络输出层节点数,取2;
b、选择种群个体;
取选择概率计算公式:
计算累计概率:
采用轮赌选择法对输入层种群个体进行适应度选择,通过随机产生的4个[0.1]随机数选取个体;设随机数为r,若qa-1≤r≤qa,则个体a被选中;
c、交叉变异:
将被选中的个体a带入适应度函数,求得初代复制群体;设交叉率为100%,即复制群体全体个体染色体参与交叉,得交叉变异群体,为二代群体;
d、反复循环步骤b和步骤c,直到最有个体适应度值趋于稳定;此时得到优化的稳定参数,稳定参数包括伸缩因子ai、平移因子bi、权重wij和uij。
6.根据权利要求5所述的融合浮动车与路侧视频的高速公路拥堵状态检测方法,其特征在于,步骤S4中求解精确的行程时间和平均车速的方法为:
以X={x1,x2,x3,x4}作为小波神经网络的网络输入层数据,x1,x2,x3,x4分别对应第一平均时间、第二平均时间、第一平均车速和第二平均车速;
选取Morlet母小波基函数作为隐含层基波函数f(x),其公式为:
将稳定参数伸缩因子αi、平移因子bi、权重wij和uij,带入小波神经网络的公式,求解得到精确的行程时间和平均车速。
7.根据权利要求1所述的融合浮动车与路侧视频的高速公路拥堵状态检测方法,其特征在于,步骤S5中将高速公路拥堵状态划分为多个等级的方法为:
通过模糊C均值聚类的方法,将交通拥堵状态进行相对标准划分为四个等级:通畅、轻度拥堵、中度拥堵、严重拥堵;
根据被检测的子路段区域的行程时间和平均速度的历史数据,采用随机选取法初始化四个等级的聚类中心;
选取FCM算法加权类内误差平方和为目标函数,反复迭代,得到最小目标函数,求得最优聚类中心与隶属度函数;
通过隶属度函数将拥堵状态划分为四个等级,得到四个等级的拥堵状态数据集。
8.根据权利要求7所述的融合浮动车与路侧视频的高速公路拥堵状态检测方法,其特征在于,步骤S5中根据得到的精确行程时间和平均车速,判别被检测的子路段区域的拥堵状态等级的方法具体为:
计算得到的精确行程时间和平均车速,与四个等级的拥堵状态数据集中的数据之间的欧式距离,得到欧式距离最小的一个拥堵状态数据集,判别该拥堵状态为当前被检测的子路段区域的拥堵状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710249807.2A CN106971536A (zh) | 2017-04-17 | 2017-04-17 | 一种融合浮动车与路侧视频的高速公路拥堵状态检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710249807.2A CN106971536A (zh) | 2017-04-17 | 2017-04-17 | 一种融合浮动车与路侧视频的高速公路拥堵状态检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106971536A true CN106971536A (zh) | 2017-07-21 |
Family
ID=59333401
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710249807.2A Pending CN106971536A (zh) | 2017-04-17 | 2017-04-17 | 一种融合浮动车与路侧视频的高速公路拥堵状态检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106971536A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109191849A (zh) * | 2018-10-22 | 2019-01-11 | 北京航空航天大学 | 一种基于多源数据特征提取的交通拥堵持续时间预测方法 |
CN109241373A (zh) * | 2018-11-09 | 2019-01-18 | 百度在线网络技术(北京)有限公司 | 用于采集数据的方法和装置 |
CN109272745A (zh) * | 2018-08-20 | 2019-01-25 | 浙江工业大学 | 一种基于深度神经网络的车辆轨迹预测方法 |
CN109712398A (zh) * | 2019-01-22 | 2019-05-03 | 江苏智通交通科技有限公司 | 高速公路行程时间估计模型参数优化方法 |
CN109920249A (zh) * | 2019-03-12 | 2019-06-21 | 长沙理工大学 | 一种基于多模型融合的高速匝道行驶时间预测方法 |
CN109978128A (zh) * | 2019-03-29 | 2019-07-05 | 百度在线网络技术(北京)有限公司 | 一种训练模型的参数生成方法、装置及电子设备 |
CN111311905A (zh) * | 2020-01-21 | 2020-06-19 | 北京工业大学 | 一种基于粒子群优化小波神经网络的高速公路行程时间预测方法 |
CN112053561A (zh) * | 2020-09-11 | 2020-12-08 | 深兰人工智能芯片研究院(江苏)有限公司 | 非监控路段判断与定位交通事故的方法、***及装置 |
CN112309110A (zh) * | 2019-11-05 | 2021-02-02 | 戚建民 | 基于大数据通信的拥堵检测*** |
CN112447055A (zh) * | 2019-08-31 | 2021-03-05 | 广州中广国科测控技术有限公司 | 一种对高速公路上低速行驶的监测及警示方法 |
CN112489421A (zh) * | 2020-11-18 | 2021-03-12 | 南京速安交通科技有限公司 | 一种基于多源交通大数据融合的突发拥堵判别方法及*** |
CN113053162A (zh) * | 2021-03-11 | 2021-06-29 | 广州市晨力信息科技有限公司 | 一种基于云计算和大数据的智慧城市管理*** |
CN114783179A (zh) * | 2022-03-31 | 2022-07-22 | 北京工业大学 | 基于状态矢量的拥堵聚类判别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102087788A (zh) * | 2009-12-02 | 2011-06-08 | 上海济祥智能交通科技有限公司 | 基于浮动车车速置信度的交通状态参数估计方法 |
US20110161261A1 (en) * | 2009-12-28 | 2011-06-30 | Nec(China) Co., Ltd. | Method and system for traffic prediction based on space-time relation |
CN103000027A (zh) * | 2012-12-19 | 2013-03-27 | 安徽科力信息产业有限责任公司 | 基于浮动车在拥堵状态下的智能交通诱导方法 |
CN104484996A (zh) * | 2014-12-18 | 2015-04-01 | 江苏省交通规划设计院股份有限公司 | 一种基于多源数据的路段交通状态判别方法 |
-
2017
- 2017-04-17 CN CN201710249807.2A patent/CN106971536A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102087788A (zh) * | 2009-12-02 | 2011-06-08 | 上海济祥智能交通科技有限公司 | 基于浮动车车速置信度的交通状态参数估计方法 |
US20110161261A1 (en) * | 2009-12-28 | 2011-06-30 | Nec(China) Co., Ltd. | Method and system for traffic prediction based on space-time relation |
CN103000027A (zh) * | 2012-12-19 | 2013-03-27 | 安徽科力信息产业有限责任公司 | 基于浮动车在拥堵状态下的智能交通诱导方法 |
CN104484996A (zh) * | 2014-12-18 | 2015-04-01 | 江苏省交通规划设计院股份有限公司 | 一种基于多源数据的路段交通状态判别方法 |
Non-Patent Citations (2)
Title |
---|
刘春华: "《基于交通数据融合技术的行程时间预测模型》", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
张正禄等: "《工程的变形监测分析与预报》", 30 November 2007 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109272745A (zh) * | 2018-08-20 | 2019-01-25 | 浙江工业大学 | 一种基于深度神经网络的车辆轨迹预测方法 |
CN109191849A (zh) * | 2018-10-22 | 2019-01-11 | 北京航空航天大学 | 一种基于多源数据特征提取的交通拥堵持续时间预测方法 |
CN109241373A (zh) * | 2018-11-09 | 2019-01-18 | 百度在线网络技术(北京)有限公司 | 用于采集数据的方法和装置 |
CN109241373B (zh) * | 2018-11-09 | 2020-06-02 | 百度在线网络技术(北京)有限公司 | 用于采集数据的方法和装置 |
WO2020151293A1 (zh) * | 2019-01-22 | 2020-07-30 | 江苏智通交通科技有限公司 | 高速公路行程时间估计模型参数优化方法 |
CN109712398A (zh) * | 2019-01-22 | 2019-05-03 | 江苏智通交通科技有限公司 | 高速公路行程时间估计模型参数优化方法 |
CN109712398B (zh) * | 2019-01-22 | 2021-05-28 | 江苏智通交通科技有限公司 | 高速公路行程时间估计模型参数优化方法 |
CN109920249A (zh) * | 2019-03-12 | 2019-06-21 | 长沙理工大学 | 一种基于多模型融合的高速匝道行驶时间预测方法 |
CN109978128A (zh) * | 2019-03-29 | 2019-07-05 | 百度在线网络技术(北京)有限公司 | 一种训练模型的参数生成方法、装置及电子设备 |
CN112447055A (zh) * | 2019-08-31 | 2021-03-05 | 广州中广国科测控技术有限公司 | 一种对高速公路上低速行驶的监测及警示方法 |
CN112309110A (zh) * | 2019-11-05 | 2021-02-02 | 戚建民 | 基于大数据通信的拥堵检测*** |
CN112309110B (zh) * | 2019-11-05 | 2022-06-24 | 山东智和创信息技术有限公司 | 基于大数据通信的拥堵检测*** |
CN111311905A (zh) * | 2020-01-21 | 2020-06-19 | 北京工业大学 | 一种基于粒子群优化小波神经网络的高速公路行程时间预测方法 |
CN112053561A (zh) * | 2020-09-11 | 2020-12-08 | 深兰人工智能芯片研究院(江苏)有限公司 | 非监控路段判断与定位交通事故的方法、***及装置 |
CN112489421A (zh) * | 2020-11-18 | 2021-03-12 | 南京速安交通科技有限公司 | 一种基于多源交通大数据融合的突发拥堵判别方法及*** |
CN113053162A (zh) * | 2021-03-11 | 2021-06-29 | 广州市晨力信息科技有限公司 | 一种基于云计算和大数据的智慧城市管理*** |
CN113053162B (zh) * | 2021-03-11 | 2022-03-08 | 陈宝霞 | 一种基于云计算和大数据的智慧城市管理*** |
CN114783179A (zh) * | 2022-03-31 | 2022-07-22 | 北京工业大学 | 基于状态矢量的拥堵聚类判别方法 |
CN114783179B (zh) * | 2022-03-31 | 2024-04-05 | 北京工业大学 | 基于状态矢量的拥堵聚类判别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106971536A (zh) | 一种融合浮动车与路侧视频的高速公路拥堵状态检测方法 | |
CN109584553B (zh) | 一种基于时空信息的路段关联度缺失补全方法 | |
CN104778834B (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN108198412B (zh) | 车联网下基于mfd的过饱和路网多层控制边界动态划分方法 | |
CN111951549B (zh) | 在网联车辆环境下的自适应交通信号灯控制方法及*** | |
CN102592447B (zh) | 一种基于fcm的区域路网的道路交通状态判别方法 | |
CN111197991B (zh) | 基于深度神经网络的预测车辆最佳驾驶路径方法 | |
CN101789182B (zh) | 一种基于平行仿真技术的交通信号控制***及方法 | |
CN104134344B (zh) | 一种基于车联网的道路交通网络应急疏散路径生成方法 | |
CN106846816B (zh) | 一种基于深度学习的离散化交通状态判别方法 | |
CN104575035B (zh) | 一种基于车联网环境下交叉口的自适用控制方法 | |
CN106781509A (zh) | 一种基于v2v的协作式城市道路拥堵检测方法 | |
CN109191849B (zh) | 一种基于多源数据特征提取的交通拥堵持续时间预测方法 | |
CN105865472A (zh) | 一种基于最佳油耗的车载导航方法 | |
CN104464321A (zh) | 一种基于交通运行指数发展态势的智能交通诱导方法 | |
CN104715610A (zh) | 一种面向城市交通的交通指数计算方法 | |
CN103049829B (zh) | 城乡客运线网与枢纽场站一体化融合方法 | |
CN113706862A (zh) | 一种考虑路网容量约束的分布式主动均衡管控方法 | |
CN105740643A (zh) | 一种基于城市区域网格自适应的pm2.5浓度推测方法 | |
CN109345434B (zh) | 一种开放式小区内外部道路设计安全评价的方法 | |
CN104282142B (zh) | 一种基于出租车gps数据的公交站台设置方法 | |
CN106021902B (zh) | 一种用于城市轨道交通客流拥挤指数的分级方法 | |
CN103500511B (zh) | 一种基于车联网的交叉口信号灯绿信比调节方法 | |
CN107680391A (zh) | 十字路***通流的二型模糊控制方法 | |
CN108039046A (zh) | 一种基于c-v2x的城市交叉路口行人检测识别*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170721 |