CN109754599B - 一种基于时空分析的路***通状态识别方法 - Google Patents
一种基于时空分析的路***通状态识别方法 Download PDFInfo
- Publication number
- CN109754599B CN109754599B CN201811554437.4A CN201811554437A CN109754599B CN 109754599 B CN109754599 B CN 109754599B CN 201811554437 A CN201811554437 A CN 201811554437A CN 109754599 B CN109754599 B CN 109754599B
- Authority
- CN
- China
- Prior art keywords
- flow
- time
- traffic
- lane
- stage
- 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
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明提供一种基于时空分析的路***通状态识别方法,包括数据采集、预处理步骤特征向量选取与定义步骤、分类器设计。首先通过时空分析技术得到交通状态识别的特征向量,即将空间交通流数据与时间实时信号数据进行阶段级地精细化深度融合分析,获取与交通状态更加贴合的价值参数,然后对获取的特征向量进行学习训练,对交通状态进行自动化的识别。
Description
技术领域
本专利涉及到通过计算机软件进行交通状态识别的技术领域。
背景技术
城市道路交通拥挤成为困扰世界各大城市的主要社会问题之一,不仅给人们的日常工作与生活带来了很多的不便,还会制约经济的增长、加速城市环境的恶化等等,严重影响着城市的可持续发展。及时、准确地识别路网中发生的交通拥堵,对于制定合理有效的交通信号控制疏导策略具有重要意义。而从许多特征中找出能有效地实现分类与识别的、更好贴合交通状态的特征,更是亟需解决的关键首要问题。
传统的交通状态识别选取的特征向量大多是基于线圈检测、地磁检测、微波检测采集的单一断面的流量、占有率特征或者单一检测区域内的车辆排队特征的基础数据,这些数据无法精细刻画路口渠化段内车辆动态信息,在根源上就不能较好代表路口的实时交通运行状态,且最主要的是,这些数据与信号放行状态数据孤立,而对于交通状态识别的结果需求(即制定交通信号控制疏导策略)来看,这样识别的结果就不能直接指导相关技术人员的信号控制疏导策略的具体实施。
发明内容
发明目的:本发明提供一种自动调整周期和绿信比的交通信号协调控制方法,以实现在满足协调方向的车流一次通过交叉口的情况下信号周期时长,相位时长自主调整的干线协调协调控制。充分提高交叉口绿灯利用率,提高交叉口通行效率。
技术方案:为实现上述发明目的,本发明可采用以下技术方案:
一种基于时空分析的路***通状态识别方法,包括以下步骤:
(1)、数据采集:通过交通流设备对车道中车队的排队长度、排队起始位置、车辆数、平均速度进行采集,检测的区域为预设检测范围内的整个车道;同时也通过交通信号设备采集交通信号实时运行时间数据;
(2)、预处理:交通流设备与交通信号设备的数据发送延迟小于预设范围之内,如果大于这个范围需要将交通流设备与交通信号设备采集的数据剔除;为了使融合同步,需要将交通流设备与交通信号设备的设备时间校时成为统一的时间;
(3)、特征向量选取和定义:获取车道的阶段小时流量、阶段消散率、阶段饱和度;
(4)、分类器设计:定义观测矩阵x=[阶段小时流量,阶段消散率,阶段饱和度],将观测矩阵x带入SVM判别函数,实现状态分类。
进一步的,所述步骤(1)中,预设检测范围的一端,即一号检测断面靠近路口车辆停止线,预设检测范围的另一端,即二号检测断面为车道渠化末端。
进一步的,阶段小时流量的获取方法为:
开始:阶段切换时刻SplitTime,单位为秒;
实时记录各车道对应一号断面流量:其中的每一条存在性数据为一个流量;基于交通流设备与实际路段的对应关系,将交通流设备的车道匹配成本单元识别的车道,将交通流设备上传的存在性数据累计计算成车道一号断面流量;
记录持续时间是否已超过SplitTime且各阶段执行次数相等:从选取的计算时刻开始,当某个阶段运行结束,计算这段时间是否超过SplitTime,如果超过再判断这段时间内各阶段执行次数是否相等;当都满足执行下一步,并记录具体持续时间TotolPhaseLen,不满足继续上一步直到条件满足;
统计各车道对应一号断面SplitTime时间内总流量,根据车道通行状况添加权重系数调整该车道流量:统计各车道一号断面总流量;
将车道流量转换成流向流量:基于流向车道对应关联关系,根据流向车道流量转换算法模型fDirTatalFlow将车道流量转换成流向流量DirTatalFlow;
将流向流量转换成阶段流量:基于阶段流向对应关联关系,根据阶段流向流量转换算法模型fPhaseTatalFlow将流向流量转换成阶段流量PhaseTatalFlow;
根据TotolPhaseLen转换成小时流量得到阶段小时流量:
HourFlow=(PhaseTatalFlow*3600)/(TotolPhaseLen)。
进一步的,阶段消散率的获取方法为:
设某个阶段期间对应的某一条车道断面通过了十辆车,将第二到第十辆车的车头时距与十辆车的占有时间打成位于二维直角坐标系即XY坐标系的散点图;该XY坐标系在Y方向具有两个纵坐标;其中X坐标为每辆车的过车点,左边纵坐标为占有时间的纵坐标,右边纵坐标为车头时距的纵坐标;
进一步的,阶段饱和度的获取方法为:
阶段运行开始时刻,记录对应车道车辆数n1,阶段运行结束时刻,记录对应车道车辆数n2,记录阶段运行结束时刻t1,检测车辆数达到某个阈值的时刻t2,计算得到时间差t=t2-t1,计算输出
b=(w1n1+w2n2–w3t)/(w1N1+w2N2-w3T)*100%,
其中N1、N2、T是根据不同路口渠化取的不同固定值。
有益效果:本发明基于交通状态识别特征向量的时空分析技术,即将空间交通流数据与时间实时信号数据进行车道级地精细化深度融合分析,获取与交通状态更加贴合的价值参数。本发明应用于交通信号控制***后,体现了如下优点:
(1)、采集的基础源数据全面丰富,与单一的基础数据相比更能代表交通状态;
(2)、经时空分析技术得到的进行交通状态识别的特征向量更加精细化,且与信号相关,可直接指导信号控制策略的具体实施。
附图说明
图1为本发明路***通状态识别方法的流程图。
图2为本发明中车道检测区域设定示意图。
图3为本发明中获取阶段小时流量的流程图。
图4为本发明中车头时距占有时间散点图。
图5为本发明中获取阶段饱和度的流程图。
具体实施方式
本发明公开一种自动调整周期和绿信比的交通信号协调控制方法,其步骤过程如图1所示,包括以下步骤:
(1)数据采集、(2)预处理步骤、(3)特征向量选取与定义步骤、(4)分类器设计步骤。
结合交通工程方面的具体应用将实际的每个操作步骤说明如下。
(1)数据采集
1)本方法提供了接口采集交通流设备发送的空间数据,其中交通流设备数据采集模式,为一种进口道空间2断面1区域的检测方法,其示意图如图2所示。每个车道都有两个检测断面和一个检测区域,两个检测断面分别位于停止线前约0.5米以及渠化末端,检测的区域为一定检测范围内的整个车道。两个断面检测的为存在性数据,发送触发条件为车辆经过,发送的数据有车辆通过时间、车辆类型、速度、占有时间等交通信息,检测区域检测的为排队数据,发送触发条件为按一定频率,发送的数据有排队长度、排队起始位置、车辆数、平均速度等交通信息。
依次将停止线前约0.5米以及渠化末端两个断面编号为1、2号检测断面。
2)方法同时提供了接口来采集交通信号设备发送的交通信号实时运行时间数据。
(2)预处理
1)为了使融合分析得到的数据可以及时反映道路交通状态,需要交通流设备与交通信号设备的数据发送延迟小于一定范围之内,如果大于这个范围需要将数据剔除;为了使融合同步,需要将交通流设备与交通信号设备的设备时间校时成本***统一的时间;
2)对于时间、空间数据,需要将其中的异常数据进行清洗剔除;
3)映射成本方法识别的数据,即基于路网数据将基础数据与时空数据进行匹配。
(3)特征向量选取与定义
1)阶段小时流量
如图3所示,阶段小时流量获取方法如下。
开始:计算时刻选取,可根据不同需求选择不同的时间颗粒度,本方法选取的是阶段切换时刻,通过实时获取信号设备运行状态获取,本计算单元是根据一个不断移动的时间窗口计算的输出单元;输入SplitTime大小,单位为秒。
实时记录各车道对应一号断面流量:对于交通流设备的原始数据来说,其中的每一条存在性数据为一个流量。基于交通流设备与实际路段的对应关系,将交通流设备的车道匹配成本单元识别的车道(车道匹配模型),将交通流设备上传的存在性数据累计计算成车道一号断面流量。
记录持续时间是否已超过SplitTime且各阶段执行次数相等:从选取的计算时刻开始,当某个阶段运行结束,计算这段时间是否超过SplitTime,如果超过再判断这段时间内各阶段执行次数是否相等。当都满足执行下一步,并记录具体持续时间TotolPhaseLen,不满足继续上一步直到条件满足。
统计各车道对应一号断面SplitTime时间内总流量,根据车道通行状况可添加权重系数调整该车道流量:统计各车道一号断面总流量,对于掉头转向或者大车占比高等情况的车道,可以适当的添加车道权重系数来调节。
将车道流量转换成流向流量:基于流向车道对应关联关系,根据流向车道流量转换算法模型fDirTatalFlow将车道流量转换成流向流量DirTatalFlow。
将流向流量转换成阶段流量:基于阶段流向对应关联关系,根据阶段流向流量转换算法模型fPhaseTatalFlow将流向流量转换成阶段流量PhaseTatalFlow。根据TotolPhaseLen转换成小时流量得到阶段小时流量:HourFlow=(PhaseTatalFlow*3600)/(TotolPhaseLen)。
2)阶段消散率
假设某个阶段期间对应的某一条车道断面通过了十辆车,将第二到第十辆车的车头时距与十辆车的占有时间打成散点图如图4所示:
其中x坐标为每辆车的过车点,左边纵坐标为占有时间的纵坐标,单位为ms,右边纵坐标为车头时距的纵坐标,单位为s。
3)阶段饱和度
如图5所示,阶段运行开始时刻,记录对应车道车辆数n1,阶段运行结束时刻,记录对应车道车辆数n2,记录阶段运行结束时刻t1,检测车辆数达到某个阈值的时刻t2,计算得到时间差t=t2-t1,计算输出b=(w1n1+w2n2–w3t)/(w1N1+w2N2-w3T)*100%,其中N1、N2、T是根据不同路口渠化取的不同固定值。
(4)分类器设计
1)分类
在《GBT 33171-2016城市交通运行状况评价规范》这个国标里,把交通的运行状况分成畅通、基本畅通、轻度拥堵、中度拥堵、严重拥堵这5级。参照国标,本方法采用有监督的学习方式,将交通状态(非路口路段而是精确到路口的阶段)以畅通、基本畅通、轻度拥堵、中度拥堵、严重拥堵为标签分类成五类。
2)学习训练
传统的统计模式识别方法都是在样本数目足够多的前提下进行研究,所提出的方法只有在样本数趋于无穷大时其性能才有理论上的保证。而实际上,样本数目通常是有限的。而近年来迅速发展起来的统计学习理论是一种专门研究小样本学习的模式识别理论,为研究有限样本情况下的统计模式识别和更广泛的机器学习问题建立了较好的理论框架,同时也发展了一种新的模式识别方法--支持向量机,能够较好的解决小样本学习问题。
支持向量机在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势,决定使用它进行学习和分类。下面对支持向量机进行模式学习和分类的原理结合本方法实际应用情况进行简要介绍。
对于本方法来说,定义观测矩阵x=[阶段小时流量,阶段消散率,阶段饱和度],选取适当的核函数,并将观测矩阵x带入SVM判别函数,实现状态分类。
SVM方法是从线性可分情况下的最优分类面提出的,它的求解分类器为
其中的ai,i=1,2,…,n,是下列二次优化问题的解
0≤αi≤C i=1,2,…,n
其中的b可通过使如下方程成立的样本(即支持向量)求得:
对于线性不可分情况,SVM通过满足Mercer条件的核函数代替原模式空间的向量数积运算以实现非线性变换,而不是显式地使用非线性变换的具体形式,其实质是将原模式空间变换为一个高维甚至无限维的Hilbert空间。如果对x进行非线性变换,记新特征为可以证明,无论变换的具体形式如何,变换对支持向量机的影响是把两个在元特征空间中的内积(xi*xj)变成了在新空间中的内积
其中的系数α是下列优化问题的解:
0≤αi≤C i=1,2,…,n
系数b通过使如下方程成立的样本(即支持向量)求得:
对于目前常用的核函数,通过比较,结合交通状态实际具体情况,由于本方法选取的矩阵维数比较小,样本数量一般,故本方法选取的是径向基(RBF)核函数,作为另外一个常用的线性核函数,其为RBF的一个特例,使用RBF就不需要再关注线性问题,此外RBF的参数要少于多项式核函数,这样可以大大降低复杂程度,减少数值的计算困难。
本方法构建的道路交通状态识别体系是一个多类分类问题,由于传统的支持向量机方法只考虑了二值分类的问题,所以需要对SVM模型进行扩展,建立多个支持向量机分类器。目前,构造SVM多类分类器主要有两类方法,其中直接法计算复杂度比较高,实现起来比较困难,只适合用于小型问题中,本方法采用的是另一类间接法,即通过组合多个二分类器来实现多类分类器的构造。
Claims (2)
1.一种基于时空分析的路***通状态识别方法,其特征在于,包括以下步骤:
(1)、数据采集:通过交通流设备对车道中车队的排队长度、排队起始位置、车辆数、平均速度进行采集,检测的区域为预设检测范围内的整个车道;同时也通过交通信号设备采集交通信号实时运行时间数据;
(2)、预处理:交通流设备与交通信号设备的数据发送延迟小于预设范围之内,如果大于这个范围需要将交通流设备与交通信号设备采集的数据剔除;为了使融合同步,需要将交通流设备与交通信号设备的设备时间校时成为统一的时间;
(3)、特征向量选取和定义:获取车道的阶段小时流量、阶段消散率、阶段饱和度;
阶段小时流量的获取方法为:
开始:阶段切换时刻SplitTime,单位为秒;
实时记录各车道对应一号断面流量:其中的每一条存在性数据为一个流量;基于交通流设备与实际路段的对应关系,将交通流设备的车道匹配成本单元识别的车道,将交通流设备上传的存在性数据累计计算成车道一号断面流量;
记录持续时间是否已超过SplitTime且各阶段执行次数相等:从选取的计算时刻开始,当某个阶段运行结束,计算这段时间是否超过SplitTime,如果超过再判断这段时间内各阶段执行次数是否相等;当都满足执行下一步,并记录具体持续时间TotolPhaseLen,不满足继续上一步直到条件满足;
统计各车道对应一号断面SplitTime时间内总流量,根据车道通行状况添加权重系数调整该车道流量:统计各车道一号断面总流量;
将车道流量转换成流向流量:基于流向车道对应关联关系,根据流向车道流量转换算法模型fDirTatalFlow将车道流量转换成流向流量DirTatalFlow;
将流向流量转换成阶段流量:基于阶段流向对应关联关系,根据阶段流向流量转换算法模型fPhaseTatalFlow将流向流量转换成阶段流量PhaseTatalFlow;
根据TotolPhaseLen转换成小时流量得到阶段小时流量:
HourFlow=(PhaseTatalFlow*3600)/(TotolPhaseLen);
阶段消散率的获取方法为:
设某个阶段期间对应的某一条车道断面通过了十辆车,将第二到第十辆车的车头时距与十辆车的占有时间打成位于二维直角坐标系即XY坐标系的散点图;该XY坐标系在Y方向具有两个纵坐标;其中X坐标为每辆车的过车点,左边纵坐标为占有时间的纵坐标,右边纵坐标为车头时距的纵坐标;
阶段饱和度的获取方法为:
阶段运行开始时刻,记录对应车道车辆数n1,阶段运行结束时刻,记录对应车道车辆数n2,记录阶段运行结束时刻t1,检测车辆数达到某个阈值的时刻t2,计算得到时间差t=t2-t1,计算输出
b=(w1n1+w2n2-w3t)/(w1N1+w2N2-w3T)*100%,
其中N1、N2、T是根据不同路口渠化取的不同固定值;
(4)、分类器设计:定义观测矩阵x=[阶段小时流量,阶段消散率,阶段饱和度],将观测矩阵x带入SVM判别函数,实现状态分类。
2.根据权利要求1所述的路***通状态识别方法,其特征在于,所述步骤(1)中,预设检测范围的一端,即一号检测断面靠近路口车辆停止线,预设检测范围的另一端,即二号检测断面为车道渠化末端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811554437.4A CN109754599B (zh) | 2018-12-19 | 2018-12-19 | 一种基于时空分析的路***通状态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811554437.4A CN109754599B (zh) | 2018-12-19 | 2018-12-19 | 一种基于时空分析的路***通状态识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109754599A CN109754599A (zh) | 2019-05-14 |
CN109754599B true CN109754599B (zh) | 2022-01-04 |
Family
ID=66403723
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811554437.4A Active CN109754599B (zh) | 2018-12-19 | 2018-12-19 | 一种基于时空分析的路***通状态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109754599B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160062880A (ko) * | 2014-11-26 | 2016-06-03 | 휴앤에스(주) | 카메라 및 레이더를 이용한 교통정보 관리시스템 |
CN108171365A (zh) * | 2017-12-15 | 2018-06-15 | 南京理工大学 | 一种基于改进svm算法的交通状态预测方法 |
CN108417039A (zh) * | 2018-05-07 | 2018-08-17 | 大连理工大学 | 一种交通流组成影响的信号交叉***通需求估算方法 |
CN108492568A (zh) * | 2018-04-25 | 2018-09-04 | 南京邮电大学 | 一种基于时空特性分析的短时交通流预测方法 |
-
2018
- 2018-12-19 CN CN201811554437.4A patent/CN109754599B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160062880A (ko) * | 2014-11-26 | 2016-06-03 | 휴앤에스(주) | 카메라 및 레이더를 이용한 교통정보 관리시스템 |
CN108171365A (zh) * | 2017-12-15 | 2018-06-15 | 南京理工大学 | 一种基于改进svm算法的交通状态预测方法 |
CN108492568A (zh) * | 2018-04-25 | 2018-09-04 | 南京邮电大学 | 一种基于时空特性分析的短时交通流预测方法 |
CN108417039A (zh) * | 2018-05-07 | 2018-08-17 | 大连理工大学 | 一种交通流组成影响的信号交叉***通需求估算方法 |
Non-Patent Citations (2)
Title |
---|
于荣 等.基于支持向量机的城市道路交通状态模式识别研究.《交通运输***工程与信息》.2013,第13卷(第1期),第130-136页. * |
基于支持向量机的城市道路交通状态模式识别研究;于荣 等;《交通运输***工程与信息》;20130228;第13卷(第1期);第130-136页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109754599A (zh) | 2019-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022206974A1 (zh) | 一种基于路侧感知单元的静态和非静态物体点云识别方法 | |
CN102819952B (zh) | 一种基于视频检测技术的车辆违法变道检测方法 | |
CN109902806A (zh) | 基于卷积神经网络的噪声图像目标边界框确定方法 | |
CN105528794A (zh) | 基于混合高斯模型与超像素分割的运动目标检测方法 | |
CN103903441B (zh) | 一种基于半监督学习的道路交通状态判别方法 | |
CN105608505A (zh) | 一种基于手机信令数据的居民轨道交通出行方式识别方法 | |
CN104809895A (zh) | 相邻交叉口的干道协调控制模型及其优化方法 | |
CN105513349A (zh) | 基于双视角学习的山区高速公路车辆事件检测方法 | |
CN103164697B (zh) | 一种处理时间与识别精度自适应的车牌识别方法 | |
CN105354542A (zh) | 一种拥挤场景下视频异常事件检测方法 | |
CN111882858B (zh) | 一种基于多源数据的高速公路异常事件排队长度预测方法 | |
CN114023062A (zh) | 一种基于深度学习和边缘计算的交通流信息监测方法 | |
CN101976451B (zh) | 一种基于加速度传感器的运动控制与动画生成方法 | |
Xiong et al. | Contrastive learning for automotive mmWave radar detection points based instance segmentation | |
CN113516854A (zh) | 一种基于卡警、视频检测器的多路口协调自适应控制方法 | |
CN109859475B (zh) | 一种基于dbscan密度聚类的交叉口信号控制方法、装置及*** | |
CN106846808B (zh) | 一种基于车牌数据的车辆停车次数计算方法 | |
CN109584564B (zh) | 一种适用多设备的信控方案实施优化方法及其***和装置 | |
CN101794383B (zh) | 基于隐马尔科夫模型的拥塞交通场景的视频车辆检测方法 | |
CN109754599B (zh) | 一种基于时空分析的路***通状态识别方法 | |
Bui et al. | Big data analytics-based urban traffic prediction using deep learning in ITS | |
CN116704750B (zh) | 一种基于聚类算法的交通状态识别方法、电子设备、介质 | |
CN103065152B (zh) | 一种视频中数字时钟的识别方法 | |
CN105069407B (zh) | 一种基于视频的交通流量获取方法 | |
CN113096415B (zh) | 一种行人二次过街交叉口信号协调优化控制方法 |
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 |