CN109712401B

CN109712401B - 一种基于浮动车轨迹数据的复合路网瓶颈点识别方法

Info

Publication number: CN109712401B
Application number: CN201910074831.6A
Authority: CN
Inventors: 马万经; 袁见
Original assignee: Tongji University
Current assignee: Tongji University
Priority date: 2019-01-25
Filing date: 2019-01-25
Publication date: 2021-05-11
Anticipated expiration: 2039-01-25
Also published as: CN109712401A

Abstract

本发明涉及一种基于浮动车轨迹数据的复合路网瓶颈点识别方法，包括：步骤S1：对浮动车轨迹数据进行数据清洗；步骤S2：对经过清洗后的浮动车轨迹数据进行轨迹数据与地理信息数据的融合；步骤S3：进行信息挖掘得到瓶颈点；步骤S4：根据瓶颈点的位置变化将瓶颈点分为移动瓶颈或固定瓶颈，以及根据瓶颈点的时间变化将瓶颈点分为常发性瓶颈或偶发性瓶颈；步骤S5：输出瓶颈点成因。与现有技术相比，本发明轨迹数据无须额外安装交通检测传感器，获取成本低廉。

Description

一种基于浮动车轨迹数据的复合路网瓶颈点识别方法

技术领域

本发明涉及交通状态分析领域，尤其是涉及一种基于浮动车轨迹数据的复合路网瓶颈点识别方法。

背景技术

交通网络中的瓶颈点是指路段中的某一点车辆通过量存在一个显著的下降。瓶颈的形成将直接导致交通拥堵的形成与排队车辆的蔓延。瓶颈点的及时检测与消散是道路交通管理者的首要任务之一。对于瓶颈，其发生的位置，形成的排队长度，以及瓶颈的持续时间，发生频率、规律是交通管理者最关心的内容。

瓶颈通常由两部分参数组成，一是瓶颈起始点，特指下游出现断面交通通过量显著增加并且交通呈现出自由流特征的情况。二是瓶颈造成的排队，它是指瓶颈起始点往上游方向出现的行驶速度缓慢的车辆所形成的队列。

按照瓶颈的起始点在其持续时间段内是否移动，可分为固定瓶颈与移动瓶颈。按照瓶颈出现的时空规律性，可分为常发性瓶颈与偶发性瓶颈。常发性瓶颈点是指一类常在相同或类似地点，在不同时间周期(例如不同天内)重复出现的瓶颈。偶发性瓶颈则呈现出较弱的规律性。

目前已有大量关于瓶颈检测的方法与研究，其中最普遍的做法是检测速度显著下降的断面。但基于的检测数据来源基本为断面固定检测器数据，例如环形线圈。其普遍做法是在多条邻接路段上以一定间隔布设环形线圈并检测速度信息。但是这种方法无法拓展到路网层面进行分析，且该方法精度受到检测器密度的限制。随着轨迹数据的出现，也出现了较多基于此类数据进行瓶颈判断的方法。该方法的优点是获取成本低，无需在道路上安装实体检测设备，且覆盖范围广。但由于浮动车轨迹渗透率低，采样间隔大且不一致，GPS定位精度不一等问题，给数据的直接应用带来了一定的难度。且现有基于轨迹数据的瓶颈点特征计算识别与描述方法还不够充分。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于浮动车轨迹数据的复合路网瓶颈点识别方法。

本发明的目的可以通过以下技术方案来实现：

一种基于浮动车轨迹数据的复合路网瓶颈点识别方法，包括：

步骤S1：对浮动车轨迹数据进行数据清洗；

步骤S2：对经过清洗后的浮动车轨迹数据进行轨迹数据与地理信息数据的融合；

步骤S3：进行信息挖掘得到瓶颈点；

步骤S4：根据瓶颈点的位置变化将瓶颈点分为移动瓶颈或固定瓶颈，以及根据瓶颈点的时间变化将瓶颈点分为常发性瓶颈或偶发性瓶颈；

步骤S5：输出瓶颈点成因。

所述步骤S1具体包括：

步骤S11：判断浮动车轨迹数据中当前轨迹点的车辆ID、时间戳是否缺失或异常，若为是，则执行步骤S12，反之，则执行步骤S13；

步骤S12：丢弃当前轨迹点、读取下一轨迹点并判断轨迹数据是否结束，若为否，则执行步骤S11；

步骤S13：判断当前轨迹点的瞬时速度是否缺失或异常，若为是，则执行步骤S14，反之，则执行步骤S15；

步骤S14：尝试使用相邻轨迹点的瞬时速度平滑修复，并判断是否成功，若为是，则执行步骤S15，反之，则执行步骤S12；

步骤S15：判断当前轨迹点的经纬度是否缺失或异常，若为是，则执行步骤S16，反之，则执行步骤S17；

步骤S16：尝试使用相邻轨迹点的经纬度平滑修复，并判断是否成功，若为是，则执行步骤S17，反之，则执行步骤S12；

步骤S17：读取下一轨迹点并判断轨迹数据是否结束，若为否，则执行步骤S11。

所述步骤S14中判断是否成功的过程具体为：判断相邻轨迹点的瞬时速度之差是否小于阈值速度。

所述步骤S16中判断是否成功的过程具体为：

基于相邻轨迹点的经纬度计算两个轨迹点之间的距离；

根据两个轨迹点之间的距离和时间差计算得到第一速度，并判断该第一速度与瞬时速度的差值是否小于设定比例，若为，则认为成功，反之则认为失败。

所述步骤S2具体包括：

步骤S21：通过划定一个矩形区域，获得目标交叉口群内所有的轨迹点；

步骤S22：赋予轨迹点交叉口编号interid、道路编号roadid、出行编号tripid；

步骤S23：根据轨迹是否通过交叉口以及通过交叉口时的行进方向赋予轨迹点转向编号moveid；

步骤S24：对于处于两个交叉口间的路段，根据车辆所驶向的交叉口修轨迹点的正交叉口编号interid；

步骤S25：获取车辆距离停车线的距离。

所述步骤S22具体包括：

步骤S221：将道路时间格式转化为秒；

步骤S222：对于交叉口间的道路，中间对半开分属两个交叉口，为各轨迹点赋予交叉口编号interid；

步骤S223：为不同路段划定经纬度的区域，对应赋与道路编号roadid值；

步骤S224：根据各轨迹点对应的出行次序赋予出行编号tripid。

所述步骤S25中，对于每辆车的每个每辆车的每个tripid所涵盖的轨迹点，具体包括：

若只包含1个roadid值，则直接计算到交叉口的距离；

若包含了3个roadid值，则只经过了一个交叉口，同样直接计算距离；

若包含大于3个roadid值，则表征经过了多个交叉口，依次筛选一对交叉口编号interid对应的轨迹点，分别计算距离停车线的距离。

所述步骤S5包括：

若为移动瓶颈，输出存在阻滞交通的车辆(可能是大货车或者慢行小汽车)；

若为固定瓶颈，输出该瓶颈点的瓶颈点的现有交通设施的通行能力已经无法满足现状交通需求。

与现有技术相比，本发明具有以下有益效果：

1)轨迹数据的获取无须额外安装交通检测传感器，获取成本低廉。

2)结合复合路网的多样拓扑结构和交通流条件，对瓶颈点进行分类。建立的瓶颈特征判断及归类方法相对更容易执行。

附图说明

图1为本发明方法的主要步骤流程示意图；

图2为轨迹数据的时空轨迹示意图；

图3为轨迹数据融合过程示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本申请的目的是为了克服现有瓶颈点识别分析方法的不足，基于日益丰富的交通轨迹大数据，构建复合路网瓶颈点识别算法，从而提升交通状态检测精确性、扩大瓶颈点识别的应用范围。该方法的提出有助于促进城市交通控制***建设和升级，准确识别存城市交通拥堵关键问题，以到达更有针对性地缓解城市交通拥堵的目的。

提出复合路网瓶颈点识别方法，基于浮动车轨迹数据，从时间域空间角度量化评估瓶颈点的参数特征及规律，从而为网络交通过饱和控制的评价与优化提供客观、有效的依据。

一种基于浮动车轨迹数据的复合路网瓶颈点识别方法，如图1所示，包括：

步骤S1：对浮动车轨迹数据进行数据清洗，如图2所示，具体包括：

具体的，该过程中判断是否成功的过程具体可以为：判断相邻轨迹点的瞬时速度之差是否小于阈值速度。

具体的，其中判断是否成功的过程可包括：

基于相邻轨迹点的经纬度计算两个轨迹点之间的距离；然后根据两个轨迹点之间的距离和时间差计算得到第一速度，并判断该第一速度与瞬时速度的差值是否小于设定比例，若为，则认为成功，反之则认为失败。

步骤S2：对经过清洗后的浮动车轨迹数据进行轨迹数据与地理信息数据的融合，具体包括：

步骤S21：筛选目标区域：文件夹中有大量的无关轨迹点，通过划定一个矩形区域，获得目标交叉口群内所有的轨迹点；

步骤S22：赋予轨迹点交叉口编号interid、道路编号roadid、出行编号tripid，具体包括：

步骤S221：将道路时间格式转化为秒，例如17点35分35秒转化为秒数；

步骤S223：为不同路段划定经纬度的区域，对应赋与道路编号roadid值，具体的，给不同路段划定经纬度的区域，一一对应赋roadid值(交叉口区域可随意赋值)，随后roadid为空的数据行即不在路段上的轨迹点，将其删除；

步骤S224：根据各轨迹点对应的出行次序赋予出行编号tripid，具体的，对于一辆车，在一天中它可能有多次出行，并且在时间上不是连续出现的，因此，要将不同的出行划分开来。若上下两个轨迹点之间时间间隔大于15秒(官方说明，type＝11的轨迹点采样频率为15秒/次，其余为1秒/次)，则判断该车开始了另一次新的出行，tripid从1开始编号，这为后续转向参数的设置做了铺垫。

步骤S23：根据轨迹是否通过交叉口以及通过交叉口时的行进方向赋予轨迹点转向编号moveid，具体的，如下：

a)对于通过了交叉口的车辆轨迹，设置：左转为1，直行为2，右转为3；

b)对于未通过了交叉口的车辆轨迹，设置为4。

步骤S24：对于处于两个交叉口间的路段，根据车辆所驶向的交叉口修轨迹点的正交叉口编号interid，即对于处于两个交叉口间的路段才需要修正：车辆驶向的交叉口是哪一个，就将其interid赋值为哪一个交叉口的编号；

步骤S25：获取车辆距离停车线的距离，其中，对于每辆车的每个每辆车的每个tripid所涵盖的轨迹点，具体包括：

若只包含1个roadid值，则直接计算到交叉口的距离；

接下来，绘制时空图如图3所示，查看虚拟停车线与真实停车线的距离，对现有距离数据进行修正。

步骤S3：进行信息挖掘得到瓶颈点；

瓶颈点分析具体包括：瓶颈点演化规律、瓶颈点影响范围分析。

(1)瓶颈点演化规律

将路段划以一定间隔划分为几段独立空间，假设各单元路段交通状况相同，基于修正轨迹数据进行状态匹配。检测到上游车速明显低于下游的断面，则为瓶颈点。记录不同时刻下的瓶颈点的变化规律，可以利用机器学习算法进行特征识别与演***势预测。

(2)瓶颈点影响范围

针对识别出的瓶颈点，基于轨迹数据观测其上游交通状态。一般按照1km，5km范围进行状态分割(即寻找瓶颈上游拥堵的起始点位置)，状态分割范围按照城市的范围灵活调整。由于轨迹定位精度未达到车道级，因此此处需要通过轨迹的方向角属性来判断。

瓶颈类型包括：

1)常发性瓶颈：多天数据重复识别到某路段在相近时刻存在瓶颈，或者瓶颈点的移动趋势以及瓶颈点的影响范围相一致，则都可归为常发性瓶颈；

2)偶发性瓶颈：检测到的瓶颈点及其影响范围，在历史数据中即不和空间规律相匹配，也不和时间规律相匹配；

3)移动瓶颈与固定瓶颈：针对某次瓶颈，若瓶颈点在形成与消散的过程中未曾移动，则说明是固定瓶颈，否则是移动瓶颈。

步骤S5：输出瓶颈点成因，包括：

Claims

1.一种基于浮动车轨迹数据的复合路网瓶颈点识别方法，其特征在于，包括：

步骤S1：对浮动车轨迹数据进行数据清洗，

步骤S2：对经过清洗后的浮动车轨迹数据进行轨迹数据与地理信息数据的融合，

步骤S3：进行信息挖掘得到瓶颈点，

步骤S4：根据瓶颈点的位置变化将瓶颈点分为移动瓶颈或固定瓶颈，以及根据瓶颈点的时间变化将瓶颈点分为常发性瓶颈或偶发性瓶颈，

步骤S5：输出瓶颈点成因；

所述步骤S1具体包括：

步骤S11：判断浮动车轨迹数据中当前轨迹点的车辆ID、时间戳是否缺失或异常，若为是，则执行步骤S12，反之，则执行步骤S13，

步骤S12：丢弃当前轨迹点、读取下一轨迹点并判断轨迹数据是否结束，若为否，则执行步骤S11，

步骤S13：判断当前轨迹点的瞬时速度是否缺失或异常，若为是，则执行步骤S14，反之，则执行步骤S15，

步骤S14：尝试使用相邻轨迹点的瞬时速度平滑修复，并判断是否成功，若为是，则执行步骤S15，反之，则执行步骤S12，

步骤S15：判断当前轨迹点的经纬度是否缺失或异常，若为是，则执行步骤S16，反之，则执行步骤S17，

步骤S16：尝试使用相邻轨迹点的经纬度平滑修复，并判断是否成功，若为是，则执行步骤S17，反之，则执行步骤S12，

步骤S17：读取下一轨迹点并判断轨迹数据是否结束，若为否，则执行步骤S11；

所述步骤S14中判断是否成功的过程具体为：判断相邻轨迹点的瞬时速度之差是否小于阈值速度；

所述步骤S16中判断是否成功的过程具体为：

基于相邻轨迹点的经纬度计算两个轨迹点之间的距离，

根据两个轨迹点之间的距离和时间差计算得到第一速度，并判断该第一速度与瞬时速度的差值是否小于设定比例，若为，则认为成功，反之则认为失败；

所述步骤S2具体包括：

步骤S21：通过划定一个矩形区域，获得目标交叉口群内所有的轨迹点，

步骤S22：赋予轨迹点交叉口编号interid、道路编号roadid、出行编号tripid，

步骤S23：根据轨迹是否通过交叉口以及通过交叉口时的行进方向赋予轨迹点转向编号moveid，

步骤S24：对于处于两个交叉口间的路段，根据车辆所驶向的交叉口修轨迹点的正交叉口编号interid，

步骤S25：获取车辆距离停车线的距离；

所述步骤S22具体包括：

步骤S221：将道路时间格式转化为秒，

步骤S222：对于交叉口间的道路，中间对半开分属两个交叉口，为各轨迹点赋予交叉口编号interid，

步骤S223：为不同路段划定经纬度的区域，对应赋与道路编号roadid值，

步骤S224：根据各连续轨迹点之间时间戳间隔，赋予每一个轨迹点对应的出行次序编号tripid；

所述步骤S5包括：

若为移动瓶颈，输出存在阻滞交通的车辆，

若为固定瓶颈，输出该瓶颈点的现有交通设施的通行能力已经无法满足现状交通需求。