CN107424410A - 一种基于路径旅行时间计算的交通异常检测方法 - Google Patents
一种基于路径旅行时间计算的交通异常检测方法 Download PDFInfo
- Publication number
- CN107424410A CN107424410A CN201710573350.0A CN201710573350A CN107424410A CN 107424410 A CN107424410 A CN 107424410A CN 201710573350 A CN201710573350 A CN 201710573350A CN 107424410 A CN107424410 A CN 107424410A
- Authority
- CN
- China
- Prior art keywords
- time
- path
- section
- msub
- mrow
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000013459 approach Methods 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 2
- 230000002045 lasting effect Effects 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 8
- 230000005856 abnormality Effects 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 5
- 230000029305 taxis Effects 0.000 abstract description 4
- 230000003321 amplification Effects 0.000 abstract description 3
- 238000003199 nucleic acid amplification method Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013450 outlier detection Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000001594 aberrant effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G08G1/0133—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)
Abstract
本发明公开了一种基于路径旅行时间计算的交通异常检测方法,包括步骤一:建立路径旅行时间和路段速度历史数据库;步骤二:检测异常路径;步骤三:衡量异常路径覆盖路段受影响情况,该方法能够过滤掉偶然因素导致的局部路段异常(如个别出租车的短时停靠导致的单次通过时间增加,个别车辆短时违规行为导致的能快速自行消散的异常等);若路段连接且相互影响,能将多路段协同影响的作用叠加放大,从而得到较好的异常检测效果。
Description
技术领域
本发明涉及一种基于路径旅行时间计算的交通异常检测方法。
背景技术
交通异常检测一直是交通管理中的一项重要任务,在当今推行智能交通***的形势下显得更加重要。在现有的交通异常检测算法中,模式识别法是使用较多的方法。它利用车辆检测器收集车道占有率、交通密度、交通速度等信息,按照设计的算法,甄别出不正常的数据,检测交通异常。运用模式识别法常使用交通固定线圈、视频、红外传感装置等,但用这类设备采集数据成本昂贵且灵活性低,随着全球定位***(GPS)日益普及,移动对象的跟踪在许多城市已成为现实,而GPS采集数据具有高精度、全天候、高效率、多功能等优点。从现有异常检测方法来看,模式识别法多基于路段进行异常判断,这能直观清晰地将路段通行情况展示给出行者,但脱离了路段之间内部联系和相互作用。
发明内容
为了克服目前采用模式识别法进行的交通异常检测存在脱离了路段之间内部联系和相互作用的技术问题,本专利提出了一种基于路径分析的,能挖掘出道路异常时空信息的异常检测算法,该方法能够过滤掉偶然因素导致的局部路段异常(如个别出租车的短时停靠导致的单次通过时间增加,个别车辆短时违规行为导致的能快速自行消散的异常等);若路段连接且相互影响,能将多路段协同影响的作用叠加放大,从而得到较好的异常检测效果。
为了实现上述技术目的,本发明的技术方案是,
一种基于路径旅行时间计算的交通异常检测方法,包括以下步骤:
步骤一:建立路径旅行时间和路段速度历史数据库:定义同一车辆在一个地理区域内的连续GPS轨迹点为一条GPS轨迹T:p1→p2→…→pn,并以该GPS轨迹作为路径,然后以该地理区域为单位,找到该地理区域中所有的GPS轨迹,计算每条GPS轨迹中每两个相邻轨迹点间的实际行驶路程长度,然后再计算得到相应的实际地理位置上各路段的速度,再在所测的时间段内统计各个时间窗内各路段的速度,如果一个时间窗内路段有多个车辆的速度记录,取其平均值,作为路段在该时间窗的平均通行速度,以每条GPS轨迹的起始轨迹点和最终轨迹点之间的时间差为GPS轨迹的旅行时间;
步骤二:检测异常路径:在待测区域中,对一个时间窗,获取一条路径的所有通行记录,并分别计算通行时间,使用基于密度的聚类算法对该时间窗的通行时间进行聚类,一个通行时间记录为一个聚类实例,一个时间窗路径的所有通行记录组成聚类数据集;经过聚类后,聚类数据集中的实例被分成m个团簇,以拥有最多实例的团簇为中心团簇,中心团簇中最大值为初始异常阈值,聚类数据集中,初步定义所有小于初始异常阈值的实例为正常实例,再以这些正常实例的平均值为路径在所测时间段的正常平均旅行时间<t>,定义1.5*<t>为异常阈值,超出异常阈值的通行时间为异常值,将路径的待测通行时间与异常阈值对比,若出现连续的时间窗超出异常阈值,认为该路径出现通行异常;
步骤三:衡量异常路径覆盖路段受影响情况:首先计算路径在各个时间窗的平均通过时间,然后计算路径在各个时间窗的受影响程度=平均通过时间 /<t>,取受影响程度最大的时间窗进行各路段异常程度R值的计算:
其中vr为一个月中该时间窗的平均通行速度,va为受影响程度最大的时间窗的平均通行速度,如果路段被多条路径覆盖,该路段R取其中的最大值:
由路径上各路段的R值分布体现路段受影响的程度。
所述的一种基于路径旅行时间计算的交通异常检测方法,在执行步骤一之前,首先将路网分割m×n个相同大小的方格区域,以每个方格区域为单位进行随后的步骤。
所述的一种基于路径旅行时间计算的交通异常检测方法,所述的步骤一中,构成GPS轨迹的持续GPS轨迹点满足以下条件:
1)轨迹点处于同一方格区域内;
2)轨迹点的时间标签是递增的;
3)两个相邻的轨迹点时间差小于35秒;
4)同一条路径的轨迹点属于同一车辆;
5)轨迹点半径50米范围内存在路段。
所述的一种基于路径旅行时间计算的交通异常检测方法,所述的步骤一中,计算每条GPS轨迹中每两个相邻轨迹点间的实际行驶路程长度包括以下步骤:
步骤1:将GPS轨迹所在方格区域进一步细分为等大小的子方格,为每个子方格赋予独立的ID,并储存被覆盖路段的信息;
步骤2:将待匹配的GPS轨迹点pi定位到其所在的的子方格S;
步骤3:遍历子方格S中道路,找到满足min{w1*O_diff[i]+w2* L_diff[i]}的路段i,其中O_diff[i]为当前GPS点与上次GPS点形成的线段与道路i的方向夹角;L_diff[i]为当前GPS点与道路i的垂直距离,w1和w2为分别为二者权重,从而获取GPS轨迹T:p1→p2→…→pn的匹配路径P: c1→c2→…→cn。
所述的一种基于路径旅行时间计算的交通异常检测方法,所述的步骤一中,计算路径旅行时间和路段速度包括以下步骤,计算所得的路径旅行时间和路段速度所属时间窗为T时间标签所属时间窗:
获得GPS轨迹的途径路段节点序列组成的行驶路径后,以起始轨迹点和最终轨迹点的时间差为该路径的通行时间,如果路径在该时间窗内有多个通行记录,对通行时间取平均值,作为路径在该时间窗的平均通行时间。每两个相邻轨迹点之间的行驶速度由以下公式计算:
wi-1→i是ci-1到ci的最短路径长度,Δti-1→i是i-1和pi的时间标签之差,将计算得到的速度对应到相应的途径路段上,如果路段在该时间窗有多个速度记录,则对其取平均值,从而获得路径和路段在不同时间窗的旅行时间和平均速度。
本发明的技术效果在于,提出了一种基于路径分析的,能挖掘出道路异常时空信息的异常检测算法,该方法能够过滤掉偶然因素导致的局部路段异常(如个别出租车的短时停靠导致的单次通过时间增加,个别车辆短时违规行为导致的能快速自行消散的异常等);若路段连接且相互影响,能将多路段协同影响的作用叠加放大,从而得到较好的异常检测效果。
下面结合附图对本发明作进一步说明,但不作为对本发明的限定。
附图说明
图1为算法流程图;
图2为一条路径的异常检测;
图3为检测区域内异常路径;
图4为异常路径覆盖路段受影响程度。
具体实施方式
近年来,随着科技水平的发展,针对路段旅行时间和拥堵的判断技术已十分成熟,出行者在出行时可以借助各种软件,查看到各个路段的实时信息,比如拥堵情况、运行速度、限速情况等。对路段进行模式的识别能给出行者带来直观的指导信息,但是对于交通决策者和运营者来说,局部的、可以自行消散的路段异常出现频繁,没有足够的能力进行全面的定向疏导。
交通事故或交通拥堵等交通异常事件最为明显的特点是路段的通行速度降低。通过实验发现,由于路段长度较短,数据由非同次记录计算得到,邻接路段性质容易失去连续性,导致异常检测的结果波动;非邻接路段相互之间虽然没有直接联系,但也会由于拓扑结构相互影响,以及出租车的临时停靠,信号灯影响等偶然因素,导致路段速度发生不规则波动。因此通过路段速度判断异常,对于单位路段来说清晰明确,但难以找寻一致性规律及异常成因。本发明选择路径的旅行时间作为研究对象,以求组成路径的路段之间属性的相互叠加和抵消,能表现更明显的异常特征。
本发明具体包括以下步骤:
步骤一:将地理区域进行方格化处理。为方便计算和分析,将路网分割 m×n个方格区域,以地理子区为单位进行异常检测。
步骤二:建立路径旅行时间和路段速度历史数据库。用步骤一所得的区域划分GPS数据,满足以下条件的GPS轨迹点构成GPS轨迹T:p1→p2→…→pn:1)轨迹点处于同一方格区域内2)pi的时间标签是递增的3)记录pi和 pi-1的时间差小于35秒4)同一条路径的轨迹点属于同一车辆5)pi50米半径范围内存在路段。找到每个方格区域中所有的GPS轨迹,对于每条轨迹T, 定义p1的时间为轨迹T的时间标签。对所有轨迹执行地图匹配算法求得轨迹途径路径,路径通行时间和路段平均速度,具体有步骤如下:
步骤1:将方格区域进一步方格化,每个方格储存被覆盖道路
步骤2:将待匹配的GPS点pi定位到子方格S
步骤3:遍历子方格中道路,找到满足min{w1*O_diff[i]+w2* L_diff[i]}的路i;其中O_diff[i]为当前GPS点与上次GPS点形成的线段与道路i的方向夹角;L_diff[i]为当前GPS点与道路i的垂直距离,w1和w2为分别为二者权重,从而获取T:p1→p2→…→pn的匹配路径P:c1→c2→…→cn。
步骤5:计算路径旅行时间和路段速度。获得T的途径路段节点序列组成的行驶路径后,定义pn和p1的时间差为该路径的旅行时间。pi-1到pi的行驶速度由以下公式计算:
wi-1→i是ci-1到ci的最短路径长度,Δti-1→i是i-1和pi的时间标签之差。计算所得的路径旅行时间和路段速度所属时间窗为T时间标签所属时间窗。如果该时间窗有多个记录,则对其取平均值,从而获得路径和路段在不同时间窗的旅行时间和平均速度。
步骤三:检测异常路径。在待测区域中,获取以路径为对象所有有效时间窗的通行时间。以某条路径P为例,使用基于密度的聚类算法计算P每30min 的异常阈值,选择合适的EPS、MinPt值,经过聚类后,聚类数据集中的实例被分成m个团簇,定义拥有最多实例的团簇为中心团簇,中心团簇中最大值为初始异常阈值,初步认为数据集中所有小于初始异常阈值的对象是正常的,这些实例的平均值<t>为路径在所测时间段的正常旅行时间即超出异常阈值的通行时间为异常值。为减少DBSCAN参数对阈值计算结果的影响程度,最终定义1.5<t>为路径在该时间段内的异常阈值。将待测路径的通行时间与异常阈值对比,若出现连续时间窗(>1)超出异常阈值,则认为该路径出现通行异常。
步骤四:衡量异常路径覆盖路段受影响情况。为衡量异常路径覆盖路段受影响程度,引入R值进行计算:先计算路径各个时间窗的平均通过时间/<t>,先计算路径在各个时间窗的受影响程度=平均旅行时间/<t>,取受影响程度最大的时间窗进行各路段的计算:
vr为路段在一个月中该时间窗的平均通行速度,va为受影响程度最大的时间窗的平均通行速度,如果路段被多条路径覆盖,该路段R取其中的最大值:
由R值分布可看出路段受影响的程度。
下面采用具体数据给出具体实施例,本实施例中使用的地理数据是深圳路网数据。GPS数据是深圳区域内的13,584辆配备GPS接收器的出租车采集到的,平均频率为15s/次,使用2014年某月所有工作日的数据,共采集到GPS 记录916,851,503条。过滤掉异常数据,保留6:00-23:00时间段的数据,平均每天有13,446,868条出租车记录被保留下来。
步骤一:将地理区域进行方格化处理。为方便计算和分析,将路网分割848x 427个1000mx1000m的方格区域,以方格区域为单位进行异常检测。
步骤二:建立路径旅行时间和路段速度历史数据库。用步骤一所得的区域划分GPS数据,满足以下条件的GPS轨迹点构成GPS轨迹T:p1→p2→…→pn:1)轨迹点处于同一方格区域内2)pi的时间标签是递增的3)记录pi和 pi-1的时间差小于35秒4)同一条路径的轨迹点属于同一车辆5)pi50米半径范围内存在路段。找到每个区域中所有的的GPS轨迹,对于每条轨迹T,定义p1的时间为轨迹T的时间标签。对所有轨迹执行地图匹配算法求得轨迹途径路径,路径通行时间和路段平均速度,具体有步骤如下:
步骤1:将地理子区进一步方格化为100mx100m子方格,每个方格储存被覆盖道路。
步骤2:将待匹配的GPS点pi定位到子方格S。
步骤3:遍历子方格中道路,找到满足min{w1*O_diff[i]+w2* L_diff[i]}的路i;其中O_diff[i]为当前GPS点与上次GPS点形成的线段与道路i的方向夹角;L_diff[i]为当前GPS点与道路i的垂直距离,w1和w2为分别为二者权重,从而获取匹配路径P:c1→c2→…→cn。
步骤5:计算路径旅行时间和路段速度。获得T的途径路段节点序列组成的行驶路径后,定义pn和p1的时间差为该路径的旅行时间。pi-1到pi的行驶速度由以下公式计算:
wi-1→i是ci-1到ci的最短路径长度,Δti-1→i是i-1和pi的时间标签之差。计算所得的路径旅行时间和路段速度所属时间窗为T时间标签所属时间窗。如果该时间窗有多个记录,则对其取平均值,从而获得路径和路段在不同时间窗的旅行时间和平均速度。
步骤三:检测异常路径。在待测区域中,获取以路径为对象所有有效时间窗的通行时间。以某条路径P为例,使用基于密度的聚类算法计算P在每个小时段的异常阈值,针对路径旅行时间特征,选取EPS值为20,MinPt值为5,经过聚类后,聚类数据集中的实例被分成m个团簇,定义拥有最多实例的团簇为中心团簇,中心团簇中最大值为初始异常阈值,初步认为数据集中所有小于初始异常阈值的对象是正常的,这些实例的平均值<t>为路径在所测时间段的正常旅行时间即超出异常阈值的通行时间为异常值。为减少 DBSCAN参数对阈值计算结果的影响程度,最终定义1.5<t>为路径在该时间段内的异常阈值。将待测路径的通行时间与异常阈值对比,若出现连续时间窗(>1)超出异常阈值,则认为该路径出现通行异常。如图3所示,图2为某条路径一个月内10:15-12:15分的所有通行记录,每30min计算一次异常阈值。图2为该时间段内一条待测路径,每10分钟计算一次路径的平均通过时间,与其对应的异常阈值对比,三角形的记录点超出了异常阈值,定义异常通行时间段为连续超出异常阈值的时间段,即11:00-11:30,异常持续了30分钟。图3为某个检测区域所检测出的4条异常路径的通过时间随时间的变化,实线部分表示超出异常阈值。
步骤四:衡量异常路径覆盖路段受影响情况。为衡量异常路径覆盖路段受影响程度,引入R值进行计算:先计算路径各个时间窗的平均通过时间/<t>,先计算路径在各个时间窗的受影响程度=平均旅行时间/<t>,取受影响程度最大的时间窗进行各路段的计算:
vr为一个月中该时间窗的平均通行速度,va为受影响程度最大的时间窗的平均通行速度,如果路段被多条路径覆盖,该路段R取其中的最大值:
图4为路径覆盖路段的R值分布,可看出路段受影响的程度。
为验证该区域异常,搜索微博,发现以下信息:
时间:2014年10月8日14:39
内容:深圳莲花路同新洲路十字路口堵得死死的,大家争先恐后,就怕落后!报警近二十分钟,交警还未到!这一会又连出几起事故!
经地图查证,微博反映位置正是图4中十字路口区域,微博发出时,路径旅行时间正位于一个较高的值,算法比微博更早地检测出了异常,说明该算法的真实有效,能为交通管理者和运营者提供有效指导。
Claims (5)
1.一种基于路径旅行时间计算的交通异常检测方法,其特征在于,包括以下步骤:
步骤一:建立路径旅行时间和路段速度历史数据库:定义同一车辆在一个地理区域内的连续GPS轨迹点为一条GPS轨迹T:p1→p2→…→pn,并以该GPS轨迹作为路径,然后以该地理区域为单位,找到该地理区域中所有的GPS轨迹,计算每条GPS轨迹中每两个相邻轨迹点间的实际行驶路程长度,然后再计算得到相应的实际地理位置上各路段的速度,再在所测的时间段内统计各个时间窗内各路段的速度,如果一个时间窗内路段有多个车辆的速度记录,取其平均值,作为路段在该时间窗的平均通行速度,以每条GPS轨迹的起始轨迹点和最终轨迹点之间的时间差为GPS轨迹的旅行时间;
步骤二:检测异常路径:在待测区域中,对一个时间窗,获取一条路径的所有通行记录,并分别计算通行时间,使用基于密度的聚类算法对该时间窗的通行时间进行聚类,一个通行时间记录为一个聚类实例,一个时间窗路径的所有通行记录组成聚类数据集;经过聚类后,聚类数据集中的实例被分成m个团簇,以拥有最多实例的团簇为中心团簇,中心团簇中最大值为初始异常阈值,聚类数据集中,初步定义所有小于初始异常阈值的实例为正常实例,再以这些正常实例的平均值为路径在所测时间段的正常平均旅行时间<t>,定义1.5*<t>为异常阈值,超出异常阈值的通行时间为异常值,将路径的待测通行时间与异常阈值对比,若出现连续的时间窗超出异常阈值,认为该路径出现通行异常;
步骤三:衡量异常路径覆盖路段受影响情况:首先计算路径在各个时间窗的平均通过时间,然后计算路径在各个时间窗的受影响程度=平均通过时间/<t>,取受影响程度最大的时间窗进行各路段异常程度R值的计算:
<mrow>
<msub>
<mi>R</mi>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
</msub>
<mo>=</mo>
<msub>
<mi>v</mi>
<mi>r</mi>
</msub>
<mo>/</mo>
<msub>
<mi>v</mi>
<mi>a</mi>
</msub>
</mrow>
其中vr为一个月中该时间窗的平均通行速度,va为受影响程度最大的时间窗的平均通行速度,如果路段被多条路径覆盖,该路段R取其中的最大值:
<mrow>
<mi>R</mi>
<mo>=</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>{</mo>
<msub>
<mi>R</mi>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
</msub>
<mo>}</mo>
</mrow>
由路径上各路段的R值分布体现路段受影响的程度。
2.根据权利要求1所述的一种基于路径旅行时间计算的交通异常检测方法,其特征在于,在执行步骤一之前,首先将路网分割m×n个相同大小的方格区域,以每个方格区域为单位进行随后的步骤。
3.根据权利要求2所述的一种基于路径旅行时间计算的交通异常检测方法,其特征在于,所述的步骤一中,构成GPS轨迹的持续GPS轨迹点满足以下条件:
1)轨迹点处于同一方格区域内;
2)轨迹点的时间标签是递增的;
3)两个相邻的轨迹点时间差小于35秒;
4)同一条路径的轨迹点属于同一车辆;
5)轨迹点半径50米范围内存在路段。
4.根据权利要求3所述的一种基于路径旅行时间计算的交通异常检测方法,其特征在于,所述的步骤一中,计算每条GPS轨迹中每两个相邻轨迹点间的实际行驶路程长度包括以下步骤:
步骤1:将GPS轨迹所在方格区域进一步细分为等大小的子方格,为每个子方格赋予独立的ID,并储存被覆盖路段的信息;
步骤2:将待匹配的GPS轨迹点pi定位到其所在的的子方格S;
步骤3:遍历子方格S中道路,找到满足min{w1*O_diff[i]+w2*L_diff[i]}的路段i;其中O_diff[i]为当前GPS点与上次GPS点形成的线段与道路i的方向夹角;L_diff[i]为当前GPS点与道路i的垂直距离,w1和w2为分别为二者权重,从而获取GPS轨迹T:p1→p2→…→pn的匹配路径P:c1→c2→…→cn。
5.根据权利要求4所述的一种基于路径旅行时间计算的交通异常检测方法,其特征在于,所述的步骤一中,计算路径旅行时间和路段速度包括以下步骤,计算所得的路径旅行时间和路段速度所属时间窗为T时间标签所属时间窗:
获得GPS轨迹的途径路段节点序列组成的行驶路径后,以起始轨迹点和最终轨迹点的时间差为该路径的通行时间,如果路径在该时间窗内有多个通行记录,对通行时间取平均值,作为路径在该时间窗的平均通行时间。每两个相邻轨迹点之间的行驶速度由以下公式计算:
<mrow>
<msub>
<mi>v</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
<mo>&RightArrow;</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
<mo>&RightArrow;</mo>
<mi>i</mi>
</mrow>
</msub>
<mrow>
<msub>
<mi>&Delta;t</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
<mo>&RightArrow;</mo>
<mi>i</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>&le;</mo>
<mi>i</mi>
<mo>&le;</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
wi-1→i是ci-1到ci的最短路径长度,Δti-1→i是pi-1和pi的时间标签之差,将计算得到的速度对应到相应的途径路段上,如果路段在该时间窗有多个速度记录,则对其取平均值,从而获得路径和路段在不同时间窗的旅行时间和平均速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710573350.0A CN107424410B (zh) | 2017-07-14 | 2017-07-14 | 一种基于路径旅行时间计算的交通异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710573350.0A CN107424410B (zh) | 2017-07-14 | 2017-07-14 | 一种基于路径旅行时间计算的交通异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107424410A true CN107424410A (zh) | 2017-12-01 |
CN107424410B CN107424410B (zh) | 2018-06-05 |
Family
ID=60427705
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710573350.0A Expired - Fee Related CN107424410B (zh) | 2017-07-14 | 2017-07-14 | 一种基于路径旅行时间计算的交通异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107424410B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108444487A (zh) * | 2018-01-30 | 2018-08-24 | 北京小度信息科技有限公司 | 导航数据处理方法、导航方法及相关装置 |
CN109448379A (zh) * | 2018-12-13 | 2019-03-08 | 中南大学 | 一种社交媒体数据偶发***通事件的识别及定位方法 |
CN109859516A (zh) * | 2019-03-13 | 2019-06-07 | 重庆皓石金科技有限公司 | 一种出租汽车异常聚集识别方法及装置 |
CN110362612A (zh) * | 2019-07-19 | 2019-10-22 | 中国工商银行股份有限公司 | 由电子设备执行的异常数据检测方法、装置和电子设备 |
CN111192454A (zh) * | 2020-01-07 | 2020-05-22 | 中山大学 | 基于行程时间演化的交通异常识别方法、***及存储介质 |
CN111737378A (zh) * | 2020-03-26 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 道路通行方向识别方法、装置、计算机设备和存储介质 |
CN112150795A (zh) * | 2019-06-26 | 2020-12-29 | 杭州海康威视数字技术股份有限公司 | 一种车辆轨迹异常的检测方法及装置 |
CN114764977A (zh) * | 2022-04-06 | 2022-07-19 | 成都亿盟恒信科技有限公司 | 一种基于驾驶数据的道路拥堵计算方法及*** |
CN116729371A (zh) * | 2023-06-15 | 2023-09-12 | 黑龙江大学 | 基于雷达和视频联动的车辆潜在危险检测*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101650876A (zh) * | 2009-08-26 | 2010-02-17 | 重庆大学 | 城市路段交通流平均速度获取方法 |
US9129522B2 (en) * | 2013-07-01 | 2015-09-08 | Iteris, Inc. | Traffic speed estimation using temporal and spatial smoothing of GPS speed data |
CN105023428A (zh) * | 2014-04-15 | 2015-11-04 | 高德软件有限公司 | 路况信息评估方法及装置 |
CN105869398A (zh) * | 2016-05-10 | 2016-08-17 | 浙江工业大学 | 一种基于K-means聚类的道路交通畅通度判断方法 |
-
2017
- 2017-07-14 CN CN201710573350.0A patent/CN107424410B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101650876A (zh) * | 2009-08-26 | 2010-02-17 | 重庆大学 | 城市路段交通流平均速度获取方法 |
US9129522B2 (en) * | 2013-07-01 | 2015-09-08 | Iteris, Inc. | Traffic speed estimation using temporal and spatial smoothing of GPS speed data |
CN105023428A (zh) * | 2014-04-15 | 2015-11-04 | 高德软件有限公司 | 路况信息评估方法及装置 |
CN105869398A (zh) * | 2016-05-10 | 2016-08-17 | 浙江工业大学 | 一种基于K-means聚类的道路交通畅通度判断方法 |
Non-Patent Citations (1)
Title |
---|
朱燕;李宏伟;樊超;许栋浩;施方林: "基于聚类的出租车异常轨迹检测", 《计算机工程》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108444487A (zh) * | 2018-01-30 | 2018-08-24 | 北京小度信息科技有限公司 | 导航数据处理方法、导航方法及相关装置 |
CN109448379A (zh) * | 2018-12-13 | 2019-03-08 | 中南大学 | 一种社交媒体数据偶发***通事件的识别及定位方法 |
CN109859516A (zh) * | 2019-03-13 | 2019-06-07 | 重庆皓石金科技有限公司 | 一种出租汽车异常聚集识别方法及装置 |
CN109859516B (zh) * | 2019-03-13 | 2021-06-15 | 重庆皓石金科技有限公司 | 一种出租汽车异常聚集识别方法及装置 |
CN112150795A (zh) * | 2019-06-26 | 2020-12-29 | 杭州海康威视数字技术股份有限公司 | 一种车辆轨迹异常的检测方法及装置 |
CN110362612A (zh) * | 2019-07-19 | 2019-10-22 | 中国工商银行股份有限公司 | 由电子设备执行的异常数据检测方法、装置和电子设备 |
CN110362612B (zh) * | 2019-07-19 | 2022-02-22 | 中国工商银行股份有限公司 | 由电子设备执行的异常数据检测方法、装置和电子设备 |
CN111192454B (zh) * | 2020-01-07 | 2021-06-01 | 中山大学 | 基于行程时间演化的交通异常识别方法、***及存储介质 |
CN111192454A (zh) * | 2020-01-07 | 2020-05-22 | 中山大学 | 基于行程时间演化的交通异常识别方法、***及存储介质 |
CN111737378A (zh) * | 2020-03-26 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 道路通行方向识别方法、装置、计算机设备和存储介质 |
CN114764977A (zh) * | 2022-04-06 | 2022-07-19 | 成都亿盟恒信科技有限公司 | 一种基于驾驶数据的道路拥堵计算方法及*** |
CN114764977B (zh) * | 2022-04-06 | 2023-07-28 | 成都亿盟恒信科技有限公司 | 一种基于驾驶数据的道路拥堵计算方法及*** |
CN116729371A (zh) * | 2023-06-15 | 2023-09-12 | 黑龙江大学 | 基于雷达和视频联动的车辆潜在危险检测*** |
CN116729371B (zh) * | 2023-06-15 | 2023-11-14 | 黑龙江大学 | 基于雷达和视频联动的车辆潜在危险检测*** |
Also Published As
Publication number | Publication date |
---|---|
CN107424410B (zh) | 2018-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107424410A (zh) | 一种基于路径旅行时间计算的交通异常检测方法 | |
CN109584553B (zh) | 一种基于时空信息的路段关联度缺失补全方法 | |
CN107657813A (zh) | 基于行车轨迹的高速公路交通执法判别方法 | |
CN103646187B (zh) | 一种统计周期内车辆出行路线及od矩阵获取方法 | |
CN106781490A (zh) | 城市道路交通运行分析评价*** | |
Qiu et al. | Estimation of freeway traffic density with loop detector and probe vehicle data | |
CN102509454B (zh) | 基于fcd与地磁检测器的道路状态融合方法 | |
CN107293116A (zh) | 一种基于视频分析的交通事件检测*** | |
CN105957380A (zh) | 基于车路协同的道路交通事件检测预警方法及检测预警*** | |
US20160012722A1 (en) | Methods and systems for estimating road traffic | |
CN110363985A (zh) | 一种交通数据分析方法、装置、存储介质及设备 | |
Liu et al. | Evaluation of floating car technologies for travel time estimation | |
CN106205125A (zh) | 一种救护车抵达时间实时预测***及方法 | |
CN107730892A (zh) | 一种基于fcd与互联网数据融合的交通拥堵指数评价方法 | |
CN108351220A (zh) | 用于数字地图服务的车道信息的聚合方法 | |
CN113870570A (zh) | 一种基于etc的路网运行状态方法、***和存储介质 | |
Kumar et al. | Study on road traffic congestion: A review | |
JP3775394B2 (ja) | 走行リンク確定システム及びリンク旅行時間計測システム | |
Kassim et al. | Critical review of cyclist speed measuring techniques | |
CN105551241B (zh) | 一种基于fcd及ep多源数据的实时拥堵分析方法 | |
CN105118310A (zh) | 一种基于视频的单点自优化信号控制方法及装置 | |
US11928962B2 (en) | Location risk determination and ranking based on vehicle events and/or an accident database | |
CN107886726A (zh) | 占道/停车行为检测方法与装置 | |
Dailey et al. | AVL-equipped vehicles as traffic probe sensors | |
CN107134148A (zh) | 占道停车行为检测方法与装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180605 |