CN110276950A - 一种基于卡口视频数据的城市交通出行链重构方法 - Google Patents
一种基于卡口视频数据的城市交通出行链重构方法 Download PDFInfo
- Publication number
- CN110276950A CN110276950A CN201910550349.5A CN201910550349A CN110276950A CN 110276950 A CN110276950 A CN 110276950A CN 201910550349 A CN201910550349 A CN 201910550349A CN 110276950 A CN110276950 A CN 110276950A
- Authority
- CN
- China
- Prior art keywords
- path
- decision
- bayonet
- attribute
- track
- 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
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
-
- 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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明采用PPA路径搜索算法(潜在路径区域路径搜索算法),进行构建初始决策路径,采用决策属性因子模型训练方法最终输出算法复原的真实路径;并选取五种决策优化因子:路径行程时间、路径长度、路径转弯次数、路径受信号控制卡口数作为决策属性使得轨迹复原的决策因素更加具有环境适应性;本发明决策权重的设置由主、客观数据综合确立,更具科学实践性,算法速度快,可处理较大规模数据;适用于中小型路网的路径重构,可以高精度完成漏检车辆轨迹的复原,具有良好的鲁棒性,为进一步统计城市交通路网微观参数的统计奠定基础。
Description
技术领域
本发明涉及智能交通领域,更具体地,涉及一种基于卡口视频数据的城市交通出行链重构方法。
背景技术
随着城市先进交通设施的布设,交通管理手段与交通运行模型的不断变化调整,传统的居民交通出行调查耗费人力成本和财力时间成本较大,且时效性与准确性都很低,无法满足新时代交通规划与管理的需求。
目前,大数据存储与数据挖掘技术在智能交通领域行业的发展势头正如火如荼,大数据存储与数据挖掘技术主要基于交通基础数据,如自动车牌识别数据(AutomaticNumber Plate Recognition,ANPR)、全球定位***数据(Global Positioning System,GPS)数据、线圈数据、手机信令等,通过对交通出行轨迹进行数据的提取,反推交通出行起讫点(Origin Destination,OD)信息以及职住比信息,可为交通政策制定、交通规划与设计、交通控制与管理、交通信息发布等决策提供可靠的信息支持。
而目前基于大数据存储与数据挖掘技术的交通控制与管理所采用的技术对于车辆出行轨迹还原的准确率差,从而对交通政策制定、交通规划与设计、交通控制与管理、交通信息发布等决策造成了一定的影响。
发明内容
为了解决现有技术对于车辆出行轨迹还原的准确率差的不足,本发明提供了一种基于卡口视频数据的城市交通出行链重构方法。
为解决上述技术问题,本发明的技术方案如下:
一种基于卡口视频数据的城市交通出行链重构方法,包括以下步骤:
步骤S1:通过视频采集通过卡口的车辆车牌数据,对采集到的车牌数据进行预处理,提取得到每辆车的行车轨迹;
步骤S2:将每辆车行车轨迹中连续被4个及以上卡口检测到的路径保存作为历史路径数据集,将每辆车行车轨迹中存在被2个不连续卡口检测到的数据保存作为需要复原的轨迹;
步骤S3:根据PPA(潜在路径区域路径搜索算法)路径算法确定需要复原的轨迹两卡口间的所有可能的行驶轨迹集合Ti;
步骤S4:计算历史路径数据集中对应的可能的行驶轨迹集合Ti的每条路径的路径行程时间、路段最小流量、路径长度、路径转弯次数以及路径受信号控制卡口数,并求取得到关于路径行程时间、路段最小流量、路径长度、路径转弯次数以及路径受信号控制卡口数的属性决策因子;
步骤S5:将历史路径数据集中所有相同的起始卡口和终点卡口的路径轨迹全部单独取出,通过基于熵权Vague集的方法计算得到每个相同的起始卡口和终点卡口路径轨迹反推路径决策模型的权重参数;
步骤S6:以历史路径数据集中所有相同的起始卡口和终点卡口的路径轨迹和可能的行驶轨迹集合Ti的路径行程时间、路径长度、路径转弯次数以及路径受信号控制卡口数的属性决策因子作为路径决策模型的输入,结合权重参数,得到最终的轨迹复原方案。
优选的,步骤S2中所述的历史路径数据集包括轨迹完整路径、轨迹起点卡口、轨迹终点卡口、轨迹起点被检测时间、轨迹终点被检测时间、路径行程时间。
优选的,步骤S3的具体步骤如下:
在调查的整片路网上事先划定不同的路网子区,判断卡口是否属于相同路网子区,如果属于相同路网子区,则用深度优先搜索算法进行两点间路径搜索,
如果属于不同路网子区,则在两子区进行路径搜索后,根据重合卡口进行接合,从而初步得到可行轨迹集合Tpre;
引入历史路径数据集中,判断集合Tpre是否每个元素都在历史路径数据集中都出现过,如果没有出现过,则剔除掉集合Tpre中代表该路径的元素,从而得到可行轨迹集合Thisto;
根据需要复原轨迹的终点卡口点位的车辆进口方向,进一步筛选掉Thisto中产生的可行路经集,最终确定下所有待复原轨迹两卡口的可能的行驶轨迹集合Ti。
优选的,步骤S4中计算可能的行驶轨迹集合Ti的每条路径的路径行程时间、路段最小流量、路径长度、路径转弯次数以及路径受信号控制卡口数的属性决策因子的具体步骤如下:
定义行程时间匹配度属性因子GTT(Ti),路段最小流量属性因子GForce(Ti),路径长度属性因子GLen(Ti),路径转弯次数属性因子GC(Ti),路径信号控制卡口量属性因子GI(Ti)5个属性决策因子,并通过标准化评价函数求取GTT(Ti)、GForce(Ti)、GLen(Ti)、GC(Ti)、GI(Ti),所述的标准化评价函数包括:
(a)行程时间匹配度标准化属性评价函数;
(b)交通小区吸引度标准化属性评价函数;
(c)路径长度标准化属性评价函数;
(d)路径转弯次数标准化属性评价函数;
(e)路径信号控制卡口量标准化属性评价函数;
行程时间匹配度标准化属性评价函数计算公式如下如下:
其中,是Ti中的理论路径行程时间,ti为Ti中的真实行程时间;j代表Ti集合中的每个元素,即还原的一种路径方案,记为方案j;是方案j中的理论路径行程时间,tj为方案j中的真实行程时间;
交通小区吸引度标准化属性评价函数计算公式如下如下:
其中,Fi为Ti中的进口方向途径的交通小区的吸引力,Fj为方案j中的进口方向途径的交通小区的吸引力,其具体计算引用了重力模型,根据轨迹经过的相邻卡口间的吸引力累积来计算,具体如下,
其中Qentrance表示Ti进口经过的第一条路段的流量,Fcar代表吸引的汽车单元,取值为1,t表示道路阻抗,等价于完成轨迹所需的行程时间;
路径长度标准化属性评价函数计算公式如下如下:
其中,Li为Ti中的路径长度;Lj为方案j中的路径长度
路径转弯次数标准化属性评价函数计算公式如下如下:
其中,Ni为Ti中需要转弯的次数;Nj为方案j中需要转弯的次数;
路径信号控制卡口量标准化属性评价函数计算公式如下如下:
其中,Ii为Ti中受信号控制卡口的个数;Ij为方案j中受信号控制卡口的个数;
初始化可行的路径轨迹集合Ti,求得GTT(Ti)、GForce(Ti)、GLen(Ti)、GC(Ti)、GI(Ti)。
优选的,步骤S5的具体步骤如下:
设置5个属性决策因子GTT(Ti)、GForce(Ti)、GLen(Ti)、GC(Ti)、GI(Ti)的权重w1,w2,w3,w4,w5,决策权重值的确定由历史路径数据集进行训练拟合得到;
模型的输入以历史路径数据集中所有相同的起始卡口和终点卡口和Ti的决策属性因子GTT(Ti)、GForce(Ti)、GLen(Ti)、GC(Ti)、GI(Ti),其中i=1,K,n,模型的方案为可能的行驶轨迹集合T={T1,T2,Ti,K,Tn};
由熵权法计算决策属性因子的客观权重,步骤如下,
令λij为决策方案j在决策属性i的属性因子标准值;
决策***的熵的计算可通过公式:计算得到,决策属性的信息熵越小,提供的信息越大,则该决策属性因子分配的权重也应该越大,反之则分配的权重也应该越小;
将决策属性熵值取补后归一化处理得到决策属性的客观权重为:
从而决策属性客观权重向量为:w'=(w1',w'2,K,w'5)
主观决策属性权重w”=(w1”,w'2',K,w'5'),从而得到决策属性权重向量区间为:
记W=([w11,w12],[w21,w22],K,[w51,w52])。
优选的,步骤S6的具体步骤如下:
设d=(d1,d2,K,d5)T表示决策属性的向量,di中包括每种方案在决策属性i下的属性因子标准值:
Sj={di∈d|λij>λU}
Oj={di∈d|λij<λL}
Nj={di∈d|λL≤λij≤λU}
Sj,Oj,Nj分别是方案j的决策支持集、方案j的决策反对集、方案j的决策中立集;
对备选方案T={T1,T2,Ti,K,Tn},它在5个决策属性上满足要求的程度用Vague值Vt∈T表示,其中t代表每种备选方案,Vt∈T=[lt∈T,CIdt∈T],I为权重全集,即每个元素皆为1,lt∈T=[αt∈T,βt∈T],dt∈T=[μt∈T,ηt∈T]
其中
定义决策目标函数:
其中ft∈T∈[-1,1]
则最终轨迹复原方案为:max(ft∈T)。
与现有技术相比,本发明技术方案的有益效果是:
本发明采用PPA算法进行构建初始决策路径,采用决策属性因子模型训练方法最终输出算法复原的真实路径;并选取五种决策优化因子:路径行程时间、路径长度、路径转弯次数、路径受信号控制卡口数作为决策属性使得轨迹复原的决策因素更加具有环境适应性;本发明决策权重的设置由主、客观数据综合确立,更具科学实践性,算法速度快,可处理较大规模数据;适用于中小型路网的路径重构,可以高精度完成漏检车辆轨迹的复原,具有良好的鲁棒性,为进一步统计城市交通路网微观参数的统计奠定基础。
附图说明
图1为本发明的方法流程图。
图2为本发明实施例二的PPA路径搜索图。
图3为本发明实施例二的熵权决策过程示意。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示,一种基于卡口视频数据的城市交通出行链重构方法,包括以下步骤:
步骤S1:通过视频采集通过卡口的车辆车牌数据,对采集到的车牌数据进行预处理,提取得到每辆车的行车轨迹;
步骤S2:将每辆车行车轨迹中连续被4个及以上卡口检测到的路径保存作为历史路径数据集,将每辆车行车轨迹中存在被2个不连续卡口检测到的数据保存作为需要复原的轨迹;
步骤S3:根据PPA路径算法确定需要复原的轨迹两卡口间的所有可能的行驶轨迹集合Ti;
步骤S4:计算历史路径数据集中对应的可能的行驶轨迹集合Ti的每条路径的路径行程时间、路段最小流量、路径长度、路径转弯次数以及路径受信号控制卡口数,并求取得到关于路径行程时间、路段最小流量、路径长度、路径转弯次数以及路径受信号控制卡口数的属性决策因子;
步骤S5:将历史路径数据集中所有相同的起始卡口和终点卡口的路径轨迹全部单独取出,通过基于熵权Vague集的方法计算得到每个相同的起始卡口和终点卡口路径轨迹反推路径决策模型的权重参数;
步骤S6:以历史路径数据集中所有相同的起始卡口和终点卡口的路径轨迹和可能的行驶轨迹集合Ti的路径行程时间、路径长度、路径转弯次数以及路径受信号控制卡口数的属性决策因子作为路径决策模型的输入,结合权重参数,得到最终的轨迹复原方案。
作为一个优选的实施例,步骤S2中所述的历史路径数据集包括轨迹完整路径、轨迹起点卡口、轨迹终点卡口、轨迹起点被检测时间、轨迹终点被检测时间、路径行程时间。
作为一个优选的实施例,步骤S3的具体步骤如下:
在调查的整片路网上事先划定不同的路网子区,判断卡口是否属于相同路网子区,如果属于相同路网子区,则用深度优先搜索算法进行两点间路径搜索,
如果属于不同路网子区,则在两子区进行路径搜索后,根据重合卡口进行接合,从而初步得到可行轨迹集合Tpre;
引入历史路径数据集中,判断集合Tpre是否每个元素都在历史路径数据集中都出现过,如果没有出现过,则剔除掉集合Tpre中代表该路径的元素,从而得到可行轨迹集合Thisto;
根据需要复原轨迹的终点卡口点位的车辆进口方向,进一步筛选掉Thisto中产生的可行路经集,最终确定下所有待复原轨迹两卡口的可能的行驶轨迹集合Ti。
作为一个优选的实施例,步骤S4中计算可能的行驶轨迹集合Ti的每条路径的路径行程时间、路段最小流量、路径长度、路径转弯次数以及路径受信号控制卡口数的属性决策因子的具体步骤如下:
定义行程时间匹配度属性因子GTT(Ti),路段最小流量属性因子GForce(Ti),路径长度属性因子GLen(Ti),路径转弯次数属性因子GC(Ti),路径信号控制卡口量属性因子GI(Ti)5个属性决策因子,并通过标准化评价函数求取GTT(Ti)、GForce(Ti)、GLen(Ti)、GC(Ti)、GI(Ti),所述的标准化评价函数包括:
(a)行程时间匹配度标准化属性评价函数;
(b)交通小区吸引度标准化属性评价函数;
(c)路径长度标准化属性评价函数;
(d)路径转弯次数标准化属性评价函数;
(e)路径信号控制卡口量标准化属性评价函数;
行程时间匹配度标准化属性评价函数计算公式如下如下:
其中,是Ti中的理论路径行程时间,ti为Ti中的真实行程时间;j代表Ti集合中的每个元素,即还原的一种路径方案,记为方案j;是方案j中的理论路径行程时间,tj为方案j中的真实行程时间;
交通小区吸引度标准化属性评价函数计算公式如下如下:
其中,Fi为Ti中的进口方向途径的交通小区的吸引力,Fj为方案j中的进口方向途径的交通小区的吸引力,其具体计算引用了重力模型,根据轨迹经过的相邻卡口间的吸引力累积来计算,具体如下,
其中Qentrance表示Ti进口经过的第一条路段的流量,Fcar代表吸引的汽车单元,取值为1,t表示道路阻抗,等价于完成轨迹所需的行程时间;
路径长度标准化属性评价函数计算公式如下如下:
其中,Li为Ti中的路径长度;Lj为方案j中的路径长度
路径转弯次数标准化属性评价函数计算公式如下如下:
其中,Ni为Ti中需要转弯的次数;Nj为方案j中需要转弯的次数;
路径信号控制卡口量标准化属性评价函数计算公式如下如下:
其中,Ii为Ti中受信号控制卡口的个数;Ij为方案j中受信号控制卡口的个数;
初始化可行的路径轨迹集合Ti,求得GTT(Ti)、GForce(Ti)、GLen(Ti)、GC(Ti)、GI(Ti)。
作为一个优选的实施例,步骤S5的具体步骤如下:
设置5个属性决策因子GTT(Ti)、GForce(Ti)、GLen(Ti)、GC(Ti)、GI(Ti)的权重w1,w2,w3,w4,w5,决策权重值的确定由历史路径数据集进行训练拟合得到;
模型的输入以历史路径数据集中所有相同的起始卡口和终点卡口和Ti的决策属性因子GTT(Ti)、GForce(Ti)、GLen(Ti)、GC(Ti)、GI(Ti),其中i=1,K,n,模型的方案为可能的行驶轨迹集合T={T1,T2,Ti,K,Tn};
由熵权法计算决策属性因子的客观权重,步骤如下,
令λij为决策方案j在决策属性i的属性因子标准值;
决策***的熵的计算可通过公式:计算得到,决策属性的信息熵越小,提供的信息越大,则该决策属性因子分配的权重也应该越大,反之则分配的权重也应该越小;
将决策属性熵值取补后归一化处理得到决策属性的客观权重为:
从而决策属性客观权重向量为:w'=(w1',w'2,K,w'5)
主观决策属性权重w”=(w”1,w”2,K,w”5),从而得到决策属性权重向量区间为:
记W=([w11,w12],[w21,w22],K,[w51,w52])。
作为一个优选的实施例,步骤S6的具体步骤如下:
设d=(d1,d2,K,d5)T表示决策属性的向量,di中包括每种方案在决策属性i下的属性因子标准值:
Sj={di∈d|λij>λU}
Oj={di∈d|λij<λL}
Nj={di∈d|λL≤λij≤λU}
Sj,Oj,Nj分别是方案j的决策支持集、方案j的决策反对集、方案j的决策中立集;
对备选方案T={T1,T2,Ti,K,Tn},它在5个决策属性上满足要求的程度用Vague值Vt∈T表示,其中t代表每种备选方案,Vt∈T=[lt∈T,CIdt∈T],I为权重全集,即每个元素皆为1,lt∈T=[αt∈T,βt∈T],dt∈T=[μt∈T,ηt∈T]
其中
定义决策目标函数:
其中ft∈T∈[-1,1]
则最终轨迹复原方案为:max(ft∈T)。
实施例2
如图1、图2以及图3所示,在本实施例中,将一天24小时按每30min进行一次数据统计,划分后可以得到48个时间统计窗
按照统计时间窗进行采集到的数据预处理,得到采样后的行程时间样本,估计每个统计时间窗下的路段行程时间估计方法如下,
首先,通过统计时间窗下采集的路段行程时间数据,对于一天中交通拥堵不同的情况分别进行了噪声处理;
首先对于不同时段的路段行程时间,都应满足此刻的行程时间大于自由流时间,设置Tl=Tfreeflow*α,Tfreeflow为路段的自由流时间,为给予城市道路超速样本一定阈值空间,α一般取0.8-0.9,保证采样的充足性;
对于高峰时期(可根据具体城市交通的历史数据来判断高峰时期的来临与消退,一般确定早高峰为7:00-9:00或7:30:00-9:30:00,晚高峰为17:00:00-19:00:00或16:30:00-18:30:00),剔除行程时间超过Tu的样本,Tu为路段行程时间的上限,这里可取为1800s,将其列为噪声数据;
对于平峰时期(一般确定为10:00:00-16:00:00),Tu可取Tu=β*Tfreeflow,β一般取3.5左右,根据路段特性调整阈值,平峰时期城市路网在正常交通运行状况下,其道路拥堵等级处于中等或畅通状态,故对于个别较大行程时间样本可能出现车辆在两卡口点位间出现短暂停车现象;
对于夜间凌晨时间(0:00:00-6:00:00,19:00:00-23:59:59),Tu可取Tu=γ*Tfreeflow,γ一般取1.5左右,排除在此期间的噪声样本的影响;
由上述几步,得到初步筛选后的行程时间样本数据,计算统计时窗内的离群点,按需要设定合适参数剔除离群噪声样本,
TT”'N=(TT”Ni|TT'N.mean-2σN.mean≤TT”Ni≤TT'N.mean+2σN.mean)
TT”'N=(TT”Ni|TT”N.median-3DNf.mean≤TT”'Ni≤TT”N.median+3DNa.mean)
其中TT”N.median为TT”N的中位数,
(n为偶数的情况,m=n/2,奇数依此类推)为样本和样本中位数的平均绝对偏差;
根据实际数据情况重复多次上述步骤,直到噪声数据剔除干净,保证研究的行程时间数据的集群性和代表性;
将清洗后的行程时间车辆样本所对应的初始时刻对应所属统计时间窗,取统计时间窗的所有行程时间取平均得到该统计时间窗内的路段行程时间估计值,并记录下所有统计时间窗的路段行程时间估计值;
计算得到所有路段所有统计时间窗的行程时间估计值,并将其保存用于后续行程时间匹配的路径理论行程时间计算;
按统计时间窗进行采集到的数据预处理,得到各路段每个流向的车辆流量;
根据城市道路等级对车辆限速及路段最大行程时间阈值及道路拓扑结构对出行路径进行初步提取;
将其中连续被4个及以上卡口检测到的路径保存作为历史路径数据集,数据集包括轨迹完整路径、轨迹起点卡口、轨迹终点卡口、轨迹起点被检测时间、轨迹终点被检测时间、路径行程时间;
将每辆车行车轨迹中存在被不连续两个卡口检测点检测到的数据进行记录,将其标记为需要复原的轨迹段;
确定需要复原轨迹的两卡口间(即在路网拓扑中没被相邻卡口卡口设备检测的路径)的所有可能的行驶轨迹集合;
假设图2所示为城市路网的某片路网,本路网包含25个节点,35条路段,由路网划分出2个路径搜索子区;
若图2中的路网中两个不连续的卡口检测点位分为’6’,’22’,可根据PPA路径搜索算法确定可行的路径,具体步骤如下,
在调查的整片路网上事先划定不同的路网子区,判断卡口是否属于相同路网子区,如果属于相同路网子区,则用深度优先搜索(DFS)算法进行两点间路径搜索;
如果属于不同路网子区,则根据两子区重合的交叉口进行路径搜索接合;
如果属于不同路网子区,则在两子区进行路径搜索后,根据衔接卡口进行路径黏合,从而得到可行轨迹集合Tpre={T1,T2,K,Tk},其中k为满足复原轨迹条件的预备轨迹总数;
引入历史路径数据集,判断集合Tpre是否每个元素都在历史路径数据集中都出现过,如果没有出现过,则剔除掉集合Tpre中代表该路径的元素,从而得到可行轨迹集合Thisto={T1,T2,K,Tm};
根据需要复原轨迹的终点卡口点位的车辆进口方向,可进一步筛选掉产生的可行路经集,最终确定下所有待复原轨迹两卡口的可能的行驶轨迹集合T={T1,T2,Ti,K,Tn},其中n为初步筛选后的预备轨迹总数;
设定行程时间匹配度属性因子,路段最小流量属性因子,路径长度属性因子,路径转弯次数属性因子,路径信号控制卡口量属性因子5个属性决策因子,并设计标准化评价函数:
行程时间匹配度标准化属性评价函数:
其中,是Ti中的理论路径行程时间,ti为Ti中的真实行程时间;
交通小区吸引度标准化属性评价函数:
其中,T为Ti中的途径的路段集合,Fi为Ti中的进口方向途径的交通小区的吸引力,其具体计算引用了重力模型,根据轨迹经过的相邻卡口间的吸引力累积来计算,具体如下,
其中Qentrance表示Ti进口经过的第一条路段的流量,Fcar代表吸引的汽车单元,取值为1,t表示道路阻抗,等价于完成轨迹所需的行程时间;
路径长度标准化属性评价函数:
其中,Li为Ti中的路径长度;
路径转弯次数标准化属性评价函数:
其中,Ni为Ti中需要转弯的次数;
路径信号控制卡口量标准化属性评价函数:
其中,Ii为Ti中受信号控制卡口的个数;
初始化可行的路径轨迹集合Ti,求得GTT(Ti)、GForce(Ti)、GLen(Ti)、GC(Ti)、GI(Ti)。
根据历史路径数据集,将其中每个所有相同的起始卡口和终点卡口所对应的所有路径集记录单独提取出来,每个所有相同的起始卡口和终点卡口的历史路径集合数据可用于后续的属性因子决策参数的训练;
设置5个属性决策因子GTT(Ti)、GForce(Ti)、GLen(Ti)、GC(Ti)、GI(Ti)的权重w1,w2,w3,w4,w5,决策权重值得确定根据历史数据集进行训练拟合得到;
通过基于熵权Vague集的方法计算得到每个所有相同的起始卡口和终点卡口反推路径决策模型的权重参数,模型的输入为分开保存的历史所有相同的起始卡口和终点卡口间轨迹集合中Ti的决策属性因子:GTT(Ti)、GForce(Ti)、GLen(Ti)、GC(Ti)、GI(Ti),其中i=1,K,n,如图3所示,模型的方案为可能的行驶轨迹集合T={T1,T2,Ti,K,Tn};
由熵权法计算决策属性因子的客观权重,步骤如下,
令λij为决策方案j在决策属性i的属性因子标准值;
决策***的熵的计算可通过公式:计算得到,决策属性的信息熵越小,提供的信息越大,则该决策属性因子分配的权重也应该越大,反之则分配的权重也应该越小;
将决策属性熵值取补后归一化处理得到决策属性的客观权重为:
从而决策属性客观权重向量为:w'=(w1',w'2,K,w'5)
主观决策属性权重w”=(w”1,w”2,K,w”5),从而得到决策属性权重向量区间为:
记W=([w11,w12],[w21,w22],K,[w51,w52]);
设d=(d1,d2,K,d5)T表示决策属性的向量,di中包括每种方案在决策属性i下的属性因子标准值:
Sj={di∈d|λij>λU}
Oj={di∈d|λij<λL}
Nj={di∈d|λL≤λij≤λU}
Sj,Oj,Nj分别是方案j的决策支持集、方案j的决策反对集、方案j的决策中立集;
对备选方案T={T1,T2,Ti,K,Tn},它在5个决策属性上满足要求的程度用Vague值Vt∈T表示,其中t代表每种备选方案,Vt∈T=[lt∈T,CIdt∈T],I为权重全集,即每个元素皆为1,lt∈T=[αt∈T,βt∈T],dt∈T=[μt∈T,ηt∈T]
其中
定义决策目标函数:
其中ft∈T∈[-1,1]
则最终轨迹复原方案为:max(ft∈T)。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (6)
1.一种基于卡口视频数据的城市交通出行链重构方法,其特征在于,包括以下步骤:
步骤S1:采集通过卡口的车辆的视频数据,然后对视频数据进行处理,得到通过卡口的车辆的车牌数据,基于从不同卡口提取得到的车辆车牌数据构建每辆车的行车轨迹;
步骤S2:将每辆车行车轨迹中连续被4个及以上卡口检测到的路径保存作为历史路径数据集,将每辆车行车轨迹中存在卡口漏检的路径标记为需要复原的轨迹;
步骤S3:根据PPA路径算法确定需要复原的轨迹中其首尾两卡口间的所有可能的行驶轨迹集合Ti;
步骤S4:初始化可能的行驶轨迹集合Ti,可能的行驶轨迹集合Ti的每条路径的路径行程时间、路段最小流量、路径长度、路径转弯次数以及路径受信号控制路口数,得到关于路径行程时间、路段最小流量、路径长度、路径转弯次数以及路径受信号控制路口数的属性决策因子;
步骤S5:构建路径决策模型,将历史路径数据集中与需要复原的轨迹其首尾两卡口相同的路径取出,然后基于这些数据通过基于熵权Vague集的方法计算反推得到路径决策模型的权重参数;
步骤S6:以可能的行驶轨迹集合Ti中需要复原的轨迹其首尾两卡口相同的路径的路径行程时间、路径长度、路径转弯次数以及路径受信号控制路口数的属性决策因子和权重参数作为路径决策模型的输入,得到最终的轨迹复原方案。
2.根据权利要求1所述的一种基于卡口视频数据的城市交通出行链重构方法,其特征在于,步骤S2中所述的历史路径数据集包括轨迹完整路径、轨迹起点卡口、轨迹终点卡口、轨迹起点被检测时间、轨迹终点被检测时间、路径行程时间。
3.根据权利要求2所述的一种基于卡口视频数据的城市交通出行链重构方法,其特征在于,步骤S3的具体步骤如下:
将设置有卡口的路段划分为不同的路网子区,判断卡口两两之间是否属于相同的路网子区,如果属于相同路网子区,则用深度优先搜索算法进行两点间路径搜索,如果属于不同路网子区,则在两路网子区进行路径搜索后,根据重合卡口进行接合,从而初步得到可行轨迹集合Tpre;
引入历史路径数据集中,判断集合Tpre是否每个元素都在历史路径数据集中都出现过,如果没有出现过,则剔除掉集合Tpre中代表该路径的元素,从而得到可行轨迹集合Thisto;
根据需要复原轨迹的终点卡口点位的车辆进口方向,进一步筛选掉Thisto中产生的可行路径集,最终确定下所有复原的轨迹中其首尾两卡口间的所有可能的行驶轨迹集合Ti。
4.根据权利要求3所述的一种基于卡口视频数据的城市交通出行链重构方法,其特征在于,步骤S4中计算可能的行驶轨迹集合Ti的每条路径的路径行程时间、路段最小流量、路径长度、路径转弯次数以及路径受信号控制卡口数的属性决策因子的具体步骤如下:
定义行程时间匹配度属性因子GTT(Ti),路段最小流量属性因子GForce(Ti),路径长度属性因子GLen(Ti),路径转弯次数属性因子GC(Ti),路径信号控制卡口量属性因子GI(Ti)5个属性决策因子,并通过标准化评价函数求取GTT(Ti)、GForce(Ti)、GLen(Ti)、GC(Ti)、GI(Ti),所述的标准化评价函数包括:
(a)行程时间匹配度标准化属性评价函数;
(b)交通小区吸引度标准化属性评价函数;
(c)路径长度标准化属性评价函数;
(d)路径转弯次数标准化属性评价函数;
(e)路径信号控制卡口量标准化属性评价函数;
行程时间匹配度标准化属性评价函数计算公式如下如下:
其中,是Ti中的理论路径行程时间,ti为Ti中的真实行程时间;j代表Ti集合中的每个元素,即还原的一种路径方案,记为方案j;是方案j中的理论路径行程时间,tj为方案j中的真实行程时间;
交通小区吸引度标准化属性评价函数计算公式如下如下:
其中,Fi为Ti中的进口方向途径的交通小区的吸引力,Fj为方案j中的进口方向途径的交通小区的吸引力,其具体计算引用了重力模型,根据轨迹经过的相邻卡口间的吸引力累积来计算,具体如下,
其中Qentrance表示Ti进口经过的第一条路段的流量,Fcar代表吸引的汽车单元,取值为1,t表示道路阻抗,等价于完成轨迹所需的行程时间;
路径长度标准化属性评价函数计算公式如下如下:
其中,Li为Ti中的路径长度;Lj为方案j中的路径长度
路径转弯次数标准化属性评价函数计算公式如下如下:
其中,Ni为Ti中需要转弯的次数;Nj为方案j中需要转弯的次数;
路径信号控制卡口量标准化属性评价函数计算公式如下如下:
其中,Ii为Ti中受信号控制卡口的个数;Ij为方案j中受信号控制卡口的个数;
初始化可行的路径轨迹集合Ti,求得GTT(Ti)、GForce(Ti)、GLen(Ti)、GC(Ti)、GI(Ti)。
5.根据权利要求4所述的一种基于卡口视频数据的城市交通出行链重构方法,其特征在于,步骤S5中求取路径决策模型的权重参数的具体步骤如下:
定义5个属性决策因子GTT(Ti)、GForce(Ti)、GLen(Ti)、GC(Ti)、GI(Ti)的权重为w1,w2,w3,w4,w5,决策权重值的确定由历史路径数据集进行训练拟合得到;
模型的输入以Ti的决策属性因子GTT(Ti)、GForce(Ti)、GLen(Ti)、GC(Ti)、GI(Ti),其中i=1,K,n,模型的方案为可能的行驶轨迹集合T={T1,T2,Ti,K,Tn};
由熵权法计算决策属性因子的客观权重,步骤如下,
令λij中i为5个属性决策因子GTT(Ti)、GForce(Ti)、GLen(Ti)、GC(Ti)、j为Ti中n个可能的行驶轨迹方案;
决策***的熵的计算可通过公式:
其中,决策属性的信息熵越小,提供的信息越大,则该决策属性因子分配的权重也应该越大,反之则分配的权重也应该越小;
将决策属性熵值取补后归一化处理得到决策属性的客观权重为:
从而求得5个属性决策因子GTT(Ti)、GForce(Ti)、GLen(Ti)、GC(Ti)、GI(Ti)的决策属性客观权重向量为:w'=(w′1,w'2,K,w'5)
设5个属性决策因子GTT(Ti)、GForce(Ti)、GLen(Ti)、GC(Ti)、GI(Ti)的主观决策属性权重为w”=(w″1,w″2,K,w″5),从而得到决策属性权重向量区间为:
记W=([w11,w12],[w21,w22],K,[w51,w52])。
6.根据权利要求5所述的一种基于卡口视频数据的城市交通出行链重构方法,其特征在于,步骤S6中求取最终的轨迹复原方案的具体步骤如下:
定义d=(d1,d2,K,d5)T表示决策属性的向量,di中包括每个可能的行车轨迹在决策属性下的属性因子标准值:
Sj={di∈d|λij>λU}
Oj={di∈d|λij<λL}
Nj={di∈d|λL≤λij≤λU}
Sj,Oj,Nj分别定义为方案j的决策支持集、方案j的决策反对集、方案j的决策中立集;
对于T={T1,T2,Ti,K,Tn},它在GTT(Ti)、GForce(Ti)、GLen(Ti)、GC(Ti)、GI(Ti)5个决策属性上满足要求的程度用Vague值Vt∈T表示,其中t代表每种备选方案,Vt∈T=[lt∈T,CIdt∈T],I为权重全集,即每个元素皆为1,lt∈T=[αt∈T,βt∈T],dt∈T=[μt∈T,ηt∈T];
其中Ψ={i|di∈Sj},Θ={i|di∈Oj},
定义决策目标函数:
其中ft∈T∈[-1,1]
则最终轨迹复原方案为:max(ft∈T)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910550349.5A CN110276950B (zh) | 2019-06-24 | 2019-06-24 | 一种基于卡口视频数据的城市交通出行链重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910550349.5A CN110276950B (zh) | 2019-06-24 | 2019-06-24 | 一种基于卡口视频数据的城市交通出行链重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110276950A true CN110276950A (zh) | 2019-09-24 |
CN110276950B CN110276950B (zh) | 2021-12-31 |
Family
ID=67961789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910550349.5A Active CN110276950B (zh) | 2019-06-24 | 2019-06-24 | 一种基于卡口视频数据的城市交通出行链重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110276950B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111768619A (zh) * | 2020-06-16 | 2020-10-13 | 苏州大学 | 一种基于卡口数据的快速路车辆od点确定方法 |
CN112289026A (zh) * | 2020-10-26 | 2021-01-29 | 山东旗帜信息有限公司 | 一种车辆路径还原方法、设备及介质 |
CN112309118A (zh) * | 2020-11-03 | 2021-02-02 | 广州市交通规划研究院 | 一种基于时空相似度的车辆轨迹推算方法 |
CN112365711A (zh) * | 2020-10-21 | 2021-02-12 | 东南大学 | 一种基于车牌识别数据的车辆轨迹重构方法 |
CN112985442A (zh) * | 2021-03-03 | 2021-06-18 | 北京嘀嘀无限科技发展有限公司 | 行驶路径匹配方法、可读存储介质和电子设备 |
CN113129589A (zh) * | 2021-03-26 | 2021-07-16 | 中山大学 | 一种基于卡口检测数据的个体级od小区推断方法 |
CN113297342A (zh) * | 2021-05-18 | 2021-08-24 | 北京理工大学前沿技术研究院 | 一种车辆行驶轨迹重构方法、装置、设备及存储介质 |
CN113763696A (zh) * | 2020-06-01 | 2021-12-07 | 杭州海康威视数字技术股份有限公司 | 一种车辆路径重构方法、装置、电子设备及存储介质 |
WO2022083166A1 (zh) * | 2020-10-19 | 2022-04-28 | 山东交通学院 | 一种卡口数据缺失下的车辆行车轨迹重建方法及*** |
CN115512543A (zh) * | 2022-09-21 | 2022-12-23 | 浙江大学 | 一种基于深度逆向强化学习的车辆路径链重构方法 |
CN117711174A (zh) * | 2023-12-07 | 2024-03-15 | 山东高速集团有限公司 | 一种车辆通行信息的数据处理方法及*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440764A (zh) * | 2013-08-19 | 2013-12-11 | 同济大学 | 一种基于车辆自动识别数据的城市路网车辆出行路径重构方法 |
CN104778274A (zh) * | 2015-04-23 | 2015-07-15 | 山东大学 | 基于稀疏出租车gps数据的大范围城市路网旅行时间估计方法 |
CN105606110A (zh) * | 2015-11-03 | 2016-05-25 | 中兴软创科技股份有限公司 | 基于深度优先遍历的可达路径的查找方法与装置 |
CN105678410A (zh) * | 2015-12-31 | 2016-06-15 | 哈尔滨工业大学 | 一种考虑网络连通性时变特征的公交***时空可达性建模方法 |
CN106023589A (zh) * | 2016-06-16 | 2016-10-12 | 北京航空航天大学 | 一种基于卡口数据的车辆轨迹重构方法 |
CN107195180A (zh) * | 2017-06-08 | 2017-09-22 | 青岛海信网络科技股份有限公司 | 一种基于电警数据的交通出行轨迹提取方法和装置 |
WO2018099480A1 (zh) * | 2016-12-01 | 2018-06-07 | 中兴通讯股份有限公司 | 车辆行驶轨迹监测方法及*** |
CN108335485A (zh) * | 2018-01-31 | 2018-07-27 | 夏莹杰 | 基于车牌识别数据的大事件交通动态仿真拥堵预测的方法 |
CN108961747A (zh) * | 2018-07-03 | 2018-12-07 | 北京航空航天大学 | 一种不完备卡口数据条件下的城市道路交通状态信息提取方法 |
CN109166309A (zh) * | 2018-08-06 | 2019-01-08 | 重庆邮电大学 | 一种面向复杂城市交通网络的缺失流量数据恢复方法 |
CN109190056A (zh) * | 2018-08-22 | 2019-01-11 | 深圳先进技术研究院 | 一种车辆轨迹重建方法、***及电子设备 |
-
2019
- 2019-06-24 CN CN201910550349.5A patent/CN110276950B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440764A (zh) * | 2013-08-19 | 2013-12-11 | 同济大学 | 一种基于车辆自动识别数据的城市路网车辆出行路径重构方法 |
CN104778274A (zh) * | 2015-04-23 | 2015-07-15 | 山东大学 | 基于稀疏出租车gps数据的大范围城市路网旅行时间估计方法 |
CN105606110A (zh) * | 2015-11-03 | 2016-05-25 | 中兴软创科技股份有限公司 | 基于深度优先遍历的可达路径的查找方法与装置 |
CN105678410A (zh) * | 2015-12-31 | 2016-06-15 | 哈尔滨工业大学 | 一种考虑网络连通性时变特征的公交***时空可达性建模方法 |
CN106023589A (zh) * | 2016-06-16 | 2016-10-12 | 北京航空航天大学 | 一种基于卡口数据的车辆轨迹重构方法 |
WO2018099480A1 (zh) * | 2016-12-01 | 2018-06-07 | 中兴通讯股份有限公司 | 车辆行驶轨迹监测方法及*** |
CN107195180A (zh) * | 2017-06-08 | 2017-09-22 | 青岛海信网络科技股份有限公司 | 一种基于电警数据的交通出行轨迹提取方法和装置 |
CN108335485A (zh) * | 2018-01-31 | 2018-07-27 | 夏莹杰 | 基于车牌识别数据的大事件交通动态仿真拥堵预测的方法 |
CN108961747A (zh) * | 2018-07-03 | 2018-12-07 | 北京航空航天大学 | 一种不完备卡口数据条件下的城市道路交通状态信息提取方法 |
CN109166309A (zh) * | 2018-08-06 | 2019-01-08 | 重庆邮电大学 | 一种面向复杂城市交通网络的缺失流量数据恢复方法 |
CN109190056A (zh) * | 2018-08-22 | 2019-01-11 | 深圳先进技术研究院 | 一种车辆轨迹重建方法、***及电子设备 |
Non-Patent Citations (2)
Title |
---|
曾令宇: "适用于不同交通状态的交通控制小区动态划分方法研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
赵庆庆: "基于熵权Vague集的多目标决策方法", 《计算机应用》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763696A (zh) * | 2020-06-01 | 2021-12-07 | 杭州海康威视数字技术股份有限公司 | 一种车辆路径重构方法、装置、电子设备及存储介质 |
CN111768619A (zh) * | 2020-06-16 | 2020-10-13 | 苏州大学 | 一种基于卡口数据的快速路车辆od点确定方法 |
WO2022083166A1 (zh) * | 2020-10-19 | 2022-04-28 | 山东交通学院 | 一种卡口数据缺失下的车辆行车轨迹重建方法及*** |
CN112365711A (zh) * | 2020-10-21 | 2021-02-12 | 东南大学 | 一种基于车牌识别数据的车辆轨迹重构方法 |
CN112365711B (zh) * | 2020-10-21 | 2021-11-02 | 东南大学 | 一种基于车牌识别数据的车辆轨迹重构方法 |
CN112289026A (zh) * | 2020-10-26 | 2021-01-29 | 山东旗帜信息有限公司 | 一种车辆路径还原方法、设备及介质 |
CN112309118A (zh) * | 2020-11-03 | 2021-02-02 | 广州市交通规划研究院 | 一种基于时空相似度的车辆轨迹推算方法 |
CN112985442A (zh) * | 2021-03-03 | 2021-06-18 | 北京嘀嘀无限科技发展有限公司 | 行驶路径匹配方法、可读存储介质和电子设备 |
CN112985442B (zh) * | 2021-03-03 | 2022-11-04 | 北京嘀嘀无限科技发展有限公司 | 行驶路径匹配方法、可读存储介质和电子设备 |
CN113129589A (zh) * | 2021-03-26 | 2021-07-16 | 中山大学 | 一种基于卡口检测数据的个体级od小区推断方法 |
CN113297342A (zh) * | 2021-05-18 | 2021-08-24 | 北京理工大学前沿技术研究院 | 一种车辆行驶轨迹重构方法、装置、设备及存储介质 |
CN113297342B (zh) * | 2021-05-18 | 2022-05-10 | 北京理工大学前沿技术研究院 | 一种车辆行驶轨迹重构方法、装置、设备及存储介质 |
CN115512543A (zh) * | 2022-09-21 | 2022-12-23 | 浙江大学 | 一种基于深度逆向强化学习的车辆路径链重构方法 |
CN115512543B (zh) * | 2022-09-21 | 2023-11-28 | 浙江大学 | 一种基于深度逆向强化学习的车辆路径链重构方法 |
CN117711174A (zh) * | 2023-12-07 | 2024-03-15 | 山东高速集团有限公司 | 一种车辆通行信息的数据处理方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN110276950B (zh) | 2021-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110276950A (zh) | 一种基于卡口视频数据的城市交通出行链重构方法 | |
CN102394008B (zh) | 使用来自移动数据源的数据估算道路交通状况 | |
CN103593974B (zh) | 一种基于定位信息的公交载客量采集方法 | |
Li et al. | Prediction of urban human mobility using large-scale taxi traces and its applications | |
CN106197458A (zh) | 一种基于手机信令数据和导航路线数据的手机用户出行方式识别方法 | |
Brockfeld et al. | Benefits and limits of recent floating car data technology–an evaluation study | |
WO2021082464A1 (zh) | 预测车辆的目的地的方法和装置 | |
CN110400462B (zh) | 基于模糊理论的轨道交通客流监测预警方法及其*** | |
CN109615851B (zh) | 一种在群智感知***中基于关键路段的感知节点选取方法 | |
CN105469599B (zh) | 车辆轨迹跟踪和车辆行为预测方法 | |
Thianniwet et al. | Classification of road traffic congestion levels from GPS data using a decision tree algorithm and sliding windows | |
Chen et al. | Dynamic travel time prediction using pattern recognition | |
Xu et al. | Utilizing artificial neural network in GPS-equipped probe vehicles data-based travel time estimation | |
Habtie et al. | Artificial neural network based real-time urban road traffic state estimation framework | |
Kumar et al. | Study on road traffic congestion: A review | |
Nandury et al. | Strategies to handle big data for traffic management in smart cities | |
Ferdous et al. | Intelligent traffic monitoring system using VANET infrastructure and ant colony optimization | |
Weng et al. | Freeway travel speed calculation model based on ETC transaction data | |
Habtie et al. | Cellular network based real-time urban road traffic state estimation framework using neural network model estimation | |
CN111931968B (zh) | 一种应用手机gps数据来优化公共自行车站点布局的方法 | |
KR102646880B1 (ko) | 교통량 증대를 위한 신호교차로 노면조건 및 교통패턴 분석 결과에 따른 신호등 운영 시스템 | |
Yin et al. | Road traffic prediction based on base station location data by Random Forest | |
CN111640303B (zh) | 城市通勤路径识别方法及设备 | |
Li et al. | Intersection congestion analysis based on cellular activity data | |
CN109409731B (zh) | 一种融合断面检测交通数据及众包数据的公路节假日出行特征识别方法 |
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 |