CN110379169B - 基于视频号牌设备的待转区车道饱和车头时距计算方法 - Google Patents
基于视频号牌设备的待转区车道饱和车头时距计算方法 Download PDFInfo
- Publication number
- CN110379169B CN110379169B CN201910219855.6A CN201910219855A CN110379169B CN 110379169 B CN110379169 B CN 110379169B CN 201910219855 A CN201910219855 A CN 201910219855A CN 110379169 B CN110379169 B CN 110379169B
- Authority
- CN
- China
- Prior art keywords
- headway
- saturated
- vehicle
- group
- number plate
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
-
- 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
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于视频号牌设备的待转区车道饱和车头时距计算方法,通过采取路口特征信息识别待转区车道,提取出设定时间内的视频号牌设备识别的过车数据,整合得到路口的车道的途径所有车辆的车头时距;进行分组得到若干车头时距组;根据车头时距数值从中确定饱和车辆S和非饱和车辆U;将各饱和车头时距组与单位时间段相对应;对各单位时段的饱和车头时距求解,进而求得设定时间内的饱和车头时距。本发明针对现阶段饱和车头时距未考虑车道待转区的问题,在对饱和车头时距提取分析时,自动根据车道待转区的特征信息筛选合理的饱和车头时距分析范围,提升了饱和车头时距筛选范围的准确度,提高饱和车头时距的精准性。
Description
技术领域
本发明涉及一种基于视频号牌设备的待转区车道饱和车头时距计算方法。
背景技术
车头时距是道路研究的重点参数,车道级车头时距可以获取相应车道的饱和流量,为道路交通设计、管理提供具有实际意义的参考数值,为交叉口信号灯配时优化提供了良好的数据支持。由此可见,饱和车头时距的获取在交通管理与控制研究中具有重要意义。
目前饱和车头时距的采集是通过人为统计筛选,进而通过拟合算法或聚类分析得到。该种人工观测法耗费大量人力物力,同时针对存在待转区的车道,需要挨个对待转区车辆的车头时距进行剔除,因此急需对存在待转区路口进行车道级饱和车头时距的智能化计算分析。
中国专利CN 201710124151.1提出一种“基于隐马尔科夫链的交叉口实时饱和流率估计方法”将车头时距分为加速状态、稳定状态、减速状态、不停车驶过状态,进而利用隐马尔科夫链模型求的平均饱和车头时距;专利CN 201110371621.7提出一种“饱和流量确定方法”,根据检测器输出的脉冲数据得到车头时距饱和流量值。中国专利CN201110371621.7是利用脉冲计数器得到车辆车头时距,而随着电警/卡口等智能设备的大范围应用以及号牌自动识别技术的发展,目前已可由电警/卡口过车记录自动得到路口车辆的车头时距,同时该专利的方法是将车头时距与设定的饱和车头时距区间对比提取,误差较大;专利201710124151.1根据绿灯时间的车头时距求饱和流率,仍需人工进行车头时距的筛选。另一方面,两篇专利虽都是针对饱和车头时距进行分析计算,但都未考虑到车道存在待转区的情况。
发明内容
本发明的目的是提供一种基于视频号牌设备的待转区车道饱和车头时距计算方法解决现有技术中存在的人工筛选车头时距及未考虑待转区情况,误差较大的问题。
术语解释:
车头时距(time headway):在同一车道上行驶的车辆队列中,两连续车辆车头端部通过某一断面的时间间隔。一般用ht表示单位s/Veh。平均车头时距可以有以下计算方式:平均车头时距=平均车头间距/平均车速。一般情况下,最短车头时距取2s左右。
车头间距(space headway):在一条车道上同向行驶的一列车队中,前后相邻车辆之间的间距,一般用车辆上具有代表性的点来衡量,如前保险杆或前轮。
饱和车头时距:观察一列稳定的车队得到不变的车头时距称为饱和车头时距,即饱和车头时距*饱和交通流量=3600
本发明的技术解决方案是:
一种基于视频号牌设备的待转区车道饱和车头时距计算方法,包括以下步骤,
S1、采取路口特征信息识别待转区车道,提取出设定时间内的视频号牌设备识别的过车数据,采用设定单位进行时间戳处理,进一步按时间戳整合得到路口的车道的途径所有车辆的车头时距;
S2、基于过车记录车头时距时间序列将过车记录进行分组,得到若干车头时距组;
S3、基于车头时距组内过车辆和最小样本量筛选饱和车头时距号牌范围,并根据车头时距数值从中确定饱和车辆S和非饱和车辆U;
S4、提取饱和车头时距S的过车记录,并将各饱和车头时距组与单位时间段相对应,即根据各饱和车头时距组中饱和车头时距S中车辆的过车记录时刻,将其划分到设定时间内的相应单位时间段;
S5、对各单位时段的饱和车头时距求解,进而求得设定时间内的饱和车头时距。
进一步地,步骤S2中,基于过车记录车头时距时间序列将过车记录进行分组,得到若干车头时距组,具体为,
S21、若号牌i的车辆车头时距大于间断流阈值,则默认为车辆i与车辆i-1之间间隔较大,不存在饱和情况,将i车辆划分至下一车头时距组,否则将号牌i的车辆车头时距划分为本组;
S22、进而根据车头时距数值将当日过车记录分为若干车头时距组。
进一步地,步骤S3具体为,
S31、若车头时距组内的过车量N小于等于最小样本量n,则将该车头时距组剔除,不再作为饱和车头时距计算量,直接跳转至下一车头时距组数据,否则确定车头时距组的筛选饱和车头时距号牌范围:
[n-n中+1,N-n中+1]
式中,N为组内号牌数量;n为车道最小样本量,取整数,即:n=n忽+n中+1,其中,n忽为忽略车辆数,基于路口车道特征信息得到,即:L为路口车道待转区长度,为平均车道间距;n中为饱和车头时距采集中断样本量,即组内取整数后连续递减的车头时距被车头时距异常值中断的次数;
S32、基于车头数据数值及饱和车头时距中断样本量对筛选提取出的号牌范围进行非饱和车头时距和饱和车头时距分类;
S33、对各组的饱和车头时距进行整合。
进一步地,步骤S32中,进行非饱和车头时距和饱和车头时距分类,具体为,
S321、若号牌i车辆的车头时距大于饱和车头时距异常值时,则将i车辆及其组内后续所有车辆的饱和状态设置为非饱和状态U;否则重复本步骤对i+1车辆进行判断;
S322、若号牌i车辆的车头时距大于饱和车头时距阈值,则计数并转到下一步骤,否则先默认i车辆属于饱和车头时距S,转回S321判断i+1车辆;
S324、计算车头时距大于饱和车头时距阈值的连续数值,若连续数值等于饱和车头时距采集中断样本量,则号牌i之前的车辆状态为饱和S,号牌i及之后的车辆状态为非饱和U,否则转回S321判断i+1车辆。
进一步地,步骤S5具体为,
S51、对各车头时距组的饱和车头时距求解,同时剔除出异常数值,具体为,提取出车头时距组内标记为饱和车头时距的车头时距数值,求得平均饱和车头时距数值,若该数值小于合理时距最小值,则将该组饱和车头时距进行剔除,否则直接转到步骤S52;
S52、对步骤S51中各组的饱和车头时距进行整合,基于步骤S4的单位时间段和车头时距组的对应关系,对设定时间内各单位时间段的饱和车头时距求解。
进一步地,步骤S52中,对设定时间内各单位时间段的饱和车头时距求解,具体为,
S521、若单位时间段内存在饱和车头时距,则单位时段的饱和车头时距为各组平均饱和车头时距的平均值,否则直接转到下一步骤;
S522、若当天每个单位时间段内均不存在饱和车头时距,则设定时间内车道的饱和车头时距取默认值,否则转到下一步骤;
S523、基于步骤S521整合设定时间内各单位时间段内的平均饱和车头时距,结合相邻饱和车头时距数值,利用平滑分析算法,得到无饱和车头时距单位时间段内的饱和车头时距。
本发明的有益效果是:
一、该种基于视频号牌设备的待转区车道饱和车头时距计算方法,针对现阶段饱和车头时距未考虑车道待转区的问题,在对饱和车头时距提取分析时,自动根据车道待转区的特征信息筛选合理的饱和车头时距分析范围,提升了饱和车头时距筛选范围的准确度,提高饱和车头时距的精准性。
二、该种基于视频号牌设备的待转区车道饱和车头时距计算方法,依托电子警察/智能卡口的过车记录,按时间戳形式整合过车车辆的车头时距,从而自动划分出饱和车头时距和非饱和车头时距,无需人工采集或筛选,提高了有效车头时距提取的效率,提升了饱和车头时距计算的准确性。
三、本发明将视频号牌过车记录提取,整合得到当日该车道经过车辆的车头时距,进一步将车头时距划分为若干车头时距组,并基于待转区车道通行特点识别饱和车头时距和非饱和车头时距,进一步将各组饱和车头时距与当日各单位时间段对应,从而求得全天各时间段饱和车头时距,提高车道饱和状态识别能力,增加车道饱和车头时距计算的准确性,为交通规划和信控管理提供有效支撑依据。
附图说明
图1是本发明实施例基于视频号牌设备的待转区车道饱和车头时距计算方法的流程示意图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
实施例
一种基于视频号牌设备的待转区车道饱和车头时距计算方法,用于实现待转区车道的饱和车头时距的自动测算,如图1,包括以下步骤,
S1.采取路口特征信息识别待转区车道,提取出设定时间优选为一日的路口电警/卡口设备等视频号牌设备识别的过车数据,采用毫秒进行时间戳处理,将当日第一辆车头的车头时距设为0。如路口A南进口待转区车道B某日00:00:05.138第一条过车记录,00:00:16.446第二条过车记录,则将00:00:05.138过车记录车辆X的车头时距默认为0,将00:00:16.446过车记录车辆Y的车头时距判定为11.308s,进一步按时间戳整合得到全天路口A车道B途径所有车辆的车头时距。
S2.基于过车记录车头时距时间序列将过车记录进行分组。具体为,
S21.若号牌i的车辆车头时距大于间断流阈值,则默认为车辆i与车辆i-1之间间隔较大,不存在饱和情况,将i车辆划分至下一车头时距组,否则将号牌i的车辆车头时距划分为本组。
S22.进而根据车头时距数值将当日过车记录分为若干车头时距组。
一般来说,间断流阈值根据路口特征和路口信号灯控制方案确定,即根据待转区长度及待转区通行上一相位的绿灯时长确定,如一个十字路口,其间断流阈值一般选取30s左右。
如连续12个过车记录车辆的车头时距数据如下:
其中车辆③的车头时距为77.006s,则车辆③自动划分至下一车头时距组。
S3.基于车头时距组内过车辆和最小样本量筛选饱和车头时距号牌范围,并根据车头时距数值从中确定饱和车辆S和非饱和车辆U。
S31.若车头时距组内的过车量N小于等于最小样本量n,则将该车头时距组剔除,不再作为饱和车头时距计算量,直接跳转至下一车头时距组数据,否则确定车头时距组的筛选饱和车头时距号牌范围:
[n-n中+1,N-n中+1]
式中:N为组内号牌数量;n为车道最小样本量,取整数,即:n=n忽+n中+1,其中,n忽为忽略车辆数,基于路口车道特征信息得到,一般选取整数,即:L为路口车道待转区长度,一般长度在10m-15m之间;为平均车道间距,一般7m左右。
n中为饱和车头时距采集中断样本量,即组内取整数后连续递减的车头时距被车头时距异常值中断的次数。一般情况下,将车头时距取整数,其被车头时距异常值中断的次数即为本数值,该数值一般取1或2,若一组车头时距取整数后为77、6、16、3、3、3、3、3,则其中断次数为1。
一般情况下,筛选的饱和车头时距号牌范围是从排除待转区车辆后第二辆车辆起始,默认到饱和车头时距中断截止的车辆位置。
S32.基于车头数据数值及饱和车头时距中断样本量对筛选提取出的号牌范围进行非饱和车头时距和饱和车头时距分类。
S321.若号牌i车辆的车头时距大于饱和车头时距异常值时,则将i车辆及其组内后续所有车辆的饱和状态设置为非饱和状态U;否则重复本步骤对i+1车辆进行判断;一般情况下,饱和车头时距异常值为6s;
S322.若号牌i车辆的车头时距大于饱和车头时距阈值,则计数并转到下一步骤,否则先默认i车辆属于饱和车头时距S,转回S321判断i+1车辆;一般情况下,饱和车头时距阈值为3.5s;
S324.计算车头时距大于饱和车头时距阈值的连续数值,若连续数值等于饱和车头时距采集中断样本量,则号牌i之前的车辆状态为饱和S,号牌i及之后的车辆状态为非饱和U,否则转回S321判断i+1车辆;
S33.对各组的饱和车头时距进行整合。
S4.提取饱和车头时距S的过车记录,并各车头时距组与当日单位时间段相对应。一般情况下,单位时间段为15min,一日存在96个单位时间段。
具体来说,根据各组中饱和车头时距S中车辆的过车记录时刻,将其划分到当日相应单位时间段。一般情况下,因夜间时间段车辆较少,可能存在单位时间段内无车头时距组,而早晚高峰期间车辆较多,可能存在单位时间段内对应多个车头时距组。同时若同一组的饱和车头时距对应车辆的过车时刻跨越了两个单位时间段,则根据组内饱和车头时距在前后单位时间段内数目,以车辆数目多的单位时间段为主。
如下表所示,组内的饱和车头时距跨越了11:00:00-11:15:00和11:15:00-11:30:00两个单位时间段,因组内饱和车头时距中有3条记录在11:15:00-11:30:00单位时间段,则将该组数据划分至11:15:00-11:30:00单位时间段内。
序号 | 时间 | 车头时距 |
1 | 11:14:58.116 | 2.84 |
2 | 11:15:00.776 | 2.66 |
3 | 11:15:03.416 | 2.64 |
4 | 11:15:06.005 | 2.589 |
S5.对各单位时段的饱和车头时距求解,进而求得全天的饱和车头时距。
S51.对各车头时距组的饱和车头时距求解,同时剔除出异常数值。具体如下,提取出车头时距组内标记为饱和车头时距的车头时距数值,求得平均饱和车头时距数值,若该数值小于合理时距最小值,则将该组饱和车头时距进行剔除,否则直接转到步骤S52。
S52.对步骤S51中各组的饱和车头时距进行整合,基于步骤S4的单位时间段和车头时距组的对应关系,对全天各单位时间段的饱和车头时距求解。
S521.若单位时间段内存在饱和车头时距,则单位时段的饱和车头时距为各组平均饱和车头时距的平均值,否则直接转到下一步骤;
S522.若当天每个单位时间段内均不存在饱和车头时,则全天车道的饱和车头时距取默认值优选为2.7,否则转到下一步骤;
S523.基于步骤S521整合当天各单位时间段内的平均饱和车头时距,结合相邻饱和车头时距数值,利用平滑分析算法,得到无饱和车头时距单位时间段内的饱和车头时距。如11:00:00-11:15:00的平均饱和车头时距为2.66,11:30:00-11:45:00的平均饱和车头时距为2.8,则根据两个数值平均求解,得到无饱和车头时距时间段11:15:00-11:30:00的饱和车头时距数值为2.73。
该种基于视频号牌设备的待转区车道饱和车头时距计算方法,依托路口电子警察/智能卡口等视频号牌识别设备采集的过车记录信息,整合得到当日车道级别的车头时距数据并进行分组,基于车道待转区的特征信息,对各组的饱和车头时距和非饱和车头时距进行自动识别和分类,从而基于各组过车记录时间将各组饱和车头时距组对应到单位时间段上,进一步求解出全天各时段的饱和车头时距数值,提高饱和车头时距的准确性,为交通规划和信号控制管理提供数据支撑。
该种基于视频号牌设备的待转区车道饱和车头时距计算方法,针对现阶段饱和车头时距未考虑车道待转区的问题,在对饱和车头时距提取分析时,自动根据车道待转区的特征信息筛选合理的饱和车头时距分析范围,提升了饱和车头时距筛选范围的准确度,提高饱和车头时距的精准性。
实施例的一个具体示例如下:
一个十字路口其南口左转存在待转区,待转区长度为15m,则忽略车辆数取2。从南进口道的卡口设备提取出全天的过车记录,以毫秒形式按时间戳整合。进一步根据过车时距进行分组,其中间断流阈值取30s,若车头时距超过30s,则将该数据对应车头时距划分至下一组。因此1:00:00-2:00:00夜间时间段因车辆较少,车辆间隔较大,无车头时距组。
实施例分别选取平峰10:30-10:45及早高峰8:00-8:15进行示意。
1.平峰10:30:00-10:45:00
该时段共有6组车头时距组,以第一组为例,根据数据可知其中断样本量n中为1,因此车道最小样本量n为4,同时组内号牌数量N为7,而组内号牌数量大于车道最小样本量,因此可确定本组车头时距号牌范围为[4,7],即车头时距组为1.821、1.486、2.06、6.785;同理可对其余组进行求解,剩余各车头时距组筛选后的信息如下表所示:
组序号 | 车头时距序列 |
1 | 1.821、1.486、2.06、6.785 |
2 | 2.88、2.18 |
3 | 无 |
4 | 无 |
5 | 4.552、11.423 |
6 | 无 |
7 | 无 |
进一步对各组饱和车头时距和非饱和车头时距分类,其中第一组和第二组,均为饱和车头时距,第五组均为非饱和车头时距,进一步对各组平均饱和车头时距求解,即第一组为1.789s,第二组为2.53s,因此本时间段内平均饱和车头时距为2.159s。
2.早高峰8:00:00-8:15:00
该时段共有6组车头时距组,以第一组为例,根据数据可知其中断样本量n中为2,因此车道最小样本量n为5,同时组内号牌数量N为13,而组内号牌数量大于车道最小样本量,因此可确定本组车头时距号牌范围为[4,12],即车头时距组为4.66、2.423、2.157、2.28、2.64、2.62、3.621、2.14、2.539、3.72;同理可对其余组进行求解,剩余各车头时距组筛选后的信息如下表所示:
组序号 | 车头时距序列 |
1 | 4.66、2.423、2.157、2.28、2.64、2.62、3.621、2.14、2.539、3.72 |
2 | 2.301、5.019、2.422、2.508、2.3、3.391、2.709、1.58、7.081 |
3 | 2.78、2.84、3.62、2.28、2.64、2.88、3.83、2.641、5.149 |
4 | 3.719、3.462、2.068、1.92、1.8、3.73、1.681、2.173、2.158 |
5 | 5.52、1.8、2.52、1.8、1.92、1.801、3.36、1.819、5.38 |
6 | 2.53、2.181、2.859、2.52、3.13、3.87 |
进一步对各组饱和车头时距和非饱和车头时距分类,以第二组为例,其最后一个车头诗距数值为7.081s,为非饱和车头时距,进而对各组平均饱和车头时距求解,数值如下表所示:
组序号 | 平均饱和车头时距(s) |
1 | 2.88 |
2 | 2.779 |
3 | 3.184 |
4 | 2.523 |
5 | 2.88 |
6 | 2.848 |
因此本时间段内平均饱和车头时距为2.849s。
同样可对当日各单位时间段内平均饱和车头时距求解,若某单位时间段内无数值,则进行平滑分析。
Claims (3)
1.一种基于视频号牌设备的待转区车道饱和车头时距计算方法,其特征在于:包括以下步骤,
S1、采集路口特征信息识别待转区车道,提取出设定时间内的视频号牌设备识别的过车数据,采用设定单位进行时间戳处理,按时间戳整合得到路口的车道的途经所有车辆的车头时距;
S2、基于过车记录车头时距时间序列将过车记录进行分组,得到若干车头时距组;
S3、基于车头时距组内过车量和最小样本量筛选饱和车头时距号牌范围,并根据车头时距数值从中确定饱和车辆S和非饱和车辆U;步骤S3具体为,
S31、若车头时距组内的过车量N小于等于最小样本量n,则将该车头时距组剔除,不再作为饱和车头时距计算量,直接跳转至下一车头时距组数据,否则确定车头时距组的筛选饱和车头时距号牌范围:
[n-n中+1,N-n中+1]
式中,N为组内号牌数量;n为车道最小样本量,取整数,即:n=n忽+n中+1,其中,n忽为忽略车辆数,基于路口车道特征信息得到,即:L为路口车道待转区长度,为平均车道间距;n中为饱和车头时距采集中断样本量,即组内取整数后连续递减的车头时距被车头时距异常值中断的次数;
S32、基于车头时距数值及饱和车头时距采集中断样本量对筛选提取出的号牌范围进行非饱和车头时距和饱和车头时距分类;具体为,
S321、若号牌i车辆的车头时距大于饱和车头时距异常值时,则将号牌i车辆及其组内后续所有车辆的状态设置为非饱和车辆U;否则重复本步骤对号牌i+1车辆进行判断;
S322、若号牌i车辆的车头时距大于饱和车头时距阈值,则计数并转到步骤S323,否则先默认号牌i车辆属于饱和车辆S,转回S321判断号牌 i+1车辆;
S323、计算车头时距大于饱和车头时距阈值的连续数值,若连续数值等于饱和车头时距采集中断样本量,则号牌i车辆之前的车辆状态为饱和车辆S,号牌i车辆及之后的车辆状态为非饱和车辆U,否则转回S321判断号牌i+1车辆;
S33、对各组的饱和车头时距进行整合;
S4、提取饱和车辆S的过车记录,并将各饱和车头时距组与单位时间段相对应,即根据各饱和车头时距组中饱和车辆S中车辆的过车记录时刻,将其划分到设定时间内的相应单位时间段;
S5、对各单位时间段的饱和车头时距求解,进而求得设定时间内的饱和车头时距;步骤S5具体为,
S51、对各车头时距组的饱和车头时距求解,同时剔除出异常数值,具体为,提取出车头时距组内标记为饱和车头时距的车头时距数值,求得平均饱和车头时距数值,若该平均饱和车头时距数值小于合理时距最小值,则将该车头时距组饱和车头时距进行剔除,否则直接转到步骤S52;
S52、对步骤S51中各车头时距 组的饱和车头时距进行整合,基于步骤S4的单位时间段和车头时距组的对应关系,对设定时间内各单位时间段的饱和车头时距求解。
2.如权利要求1所述的基于视频号牌设备的待转区车道饱和车头时距计算方法,其特征在于:步骤S2中,基于过车记录车头时距时间序列将过车记录进行分组,得到若干车头时距组,具体为,
S21、若号牌i车辆车头时距大于间断流阈值,则默认为号牌i车辆与号牌i-1车辆之间间隔较大,不存在饱和情况,将号牌i车辆划分至下一车头时距组,否则将号牌i车辆车头时距划分为本组;
S22、进而根据车头时距数值将当日过车记录分为若干车头时距组。
3.如权利要求1所述的基于视频号牌设备的待转区车道饱和车头时距计算方法,其特征在于:步骤S52中,对设定时间内各单位时间段的饱和车头时距求解,具体为,
S521、若单位时间段内存在饱和车头时距,则单位时间段的饱和车头时距为各车头时距组平均饱和车头时距的平均值,否则直接转到步骤S522;
S522、若当天每个单位时间段内均不存在饱和车头时距,则设定时间内车道的饱和车头时距取默认值,否则转到步骤S523;
S523、基于步骤S521整合设定时间内各单位时间段内的平均饱和车头时距,结合相邻饱和车头时距数值,利用平滑分析算法,得到无饱和车头时距单位时间段内的饱和车头时距。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910219855.6A CN110379169B (zh) | 2019-03-21 | 2019-03-21 | 基于视频号牌设备的待转区车道饱和车头时距计算方法 |
PCT/CN2019/114367 WO2020186764A1 (zh) | 2019-03-21 | 2019-10-30 | 基于视频号牌设备的待转区车道饱和车头时距计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910219855.6A CN110379169B (zh) | 2019-03-21 | 2019-03-21 | 基于视频号牌设备的待转区车道饱和车头时距计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110379169A CN110379169A (zh) | 2019-10-25 |
CN110379169B true CN110379169B (zh) | 2021-08-17 |
Family
ID=68248440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910219855.6A Active CN110379169B (zh) | 2019-03-21 | 2019-03-21 | 基于视频号牌设备的待转区车道饱和车头时距计算方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110379169B (zh) |
WO (1) | WO2020186764A1 (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110379169B (zh) * | 2019-03-21 | 2021-08-17 | 江苏智通交通科技有限公司 | 基于视频号牌设备的待转区车道饱和车头时距计算方法 |
CN110956824A (zh) * | 2019-12-12 | 2020-04-03 | 天地伟业技术有限公司 | 一种基于视频的事件监测方法 |
CN113724492A (zh) * | 2021-07-29 | 2021-11-30 | 东南大学 | 考虑车辆类型和组群的骑行者闯红灯行为预测方法 |
CN113936453B (zh) * | 2021-09-09 | 2022-08-19 | 上海宝康电子控制工程有限公司 | 一种基于车头时距的信息识别方法及*** |
CN114664098B (zh) * | 2022-04-20 | 2023-08-04 | 北京京东乾石科技有限公司 | 一种路权分配方法和装置 |
CN115063977B (zh) * | 2022-06-20 | 2023-05-26 | 公安部交通管理科学研究所 | 一种从单个出发地到多个目的地的车辆流向分析方法 |
CN115100856B (zh) * | 2022-06-20 | 2023-05-26 | 公安部交通管理科学研究所 | 一种从多个出发地到多个目的地的车辆流向分析方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002109681A (ja) * | 2000-10-03 | 2002-04-12 | Nippon Signal Co Ltd:The | 飽和交通流率の算出方法 |
CN101777259A (zh) * | 2010-01-22 | 2010-07-14 | 同济大学 | 城市道路交叉路口平均延误获取方法 |
CN102509456A (zh) * | 2011-11-21 | 2012-06-20 | 青岛海信网络科技股份有限公司 | 饱和流量确定方法和装置 |
CN107204115A (zh) * | 2017-06-28 | 2017-09-26 | 江苏智通交通科技有限公司 | 干线车流停车率估计方法 |
CN107564290A (zh) * | 2017-10-13 | 2018-01-09 | 公安部交通管理科学研究所 | 一种城市道路交叉口饱和流率计算方法 |
CN109118770A (zh) * | 2018-09-11 | 2019-01-01 | 东南大学 | 一种基于交通监测数据的路段通行能力挖掘方法 |
CN109300317A (zh) * | 2018-10-17 | 2019-02-01 | 哈尔滨工业大学 | 直行、左转共相位时左转待转区的信号控制方法 |
CN109389826A (zh) * | 2018-12-14 | 2019-02-26 | 武汉理工大学 | 一种信号交叉口饱和流率的实时计算方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110379169B (zh) * | 2019-03-21 | 2021-08-17 | 江苏智通交通科技有限公司 | 基于视频号牌设备的待转区车道饱和车头时距计算方法 |
-
2019
- 2019-03-21 CN CN201910219855.6A patent/CN110379169B/zh active Active
- 2019-10-30 WO PCT/CN2019/114367 patent/WO2020186764A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002109681A (ja) * | 2000-10-03 | 2002-04-12 | Nippon Signal Co Ltd:The | 飽和交通流率の算出方法 |
CN101777259A (zh) * | 2010-01-22 | 2010-07-14 | 同济大学 | 城市道路交叉路口平均延误获取方法 |
CN102509456A (zh) * | 2011-11-21 | 2012-06-20 | 青岛海信网络科技股份有限公司 | 饱和流量确定方法和装置 |
CN107204115A (zh) * | 2017-06-28 | 2017-09-26 | 江苏智通交通科技有限公司 | 干线车流停车率估计方法 |
CN107564290A (zh) * | 2017-10-13 | 2018-01-09 | 公安部交通管理科学研究所 | 一种城市道路交叉口饱和流率计算方法 |
CN109118770A (zh) * | 2018-09-11 | 2019-01-01 | 东南大学 | 一种基于交通监测数据的路段通行能力挖掘方法 |
CN109300317A (zh) * | 2018-10-17 | 2019-02-01 | 哈尔滨工业大学 | 直行、左转共相位时左转待转区的信号控制方法 |
CN109389826A (zh) * | 2018-12-14 | 2019-02-26 | 武汉理工大学 | 一种信号交叉口饱和流率的实时计算方法 |
Non-Patent Citations (4)
Title |
---|
信号交叉口左弯待转区对左转车道通行能力的影响;陈亦新 等;《长安大学学报(自然科学版)》;20151130;第35卷(第6期);111-116 * |
信号交叉口进口车道饱和流率估计方法;别一鸣 等;《吉林大学学报(工学版)》;20190930;第49卷(第5期);1459-1464 * |
基于遗传算法的左转待行区交叉口信号配时优化研究;李硕 等;《公路工程》;20181031;第43卷(第5期);131-137 * |
直行待行区对十字信号交叉口通行能力影响研究;王吉栋;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20180915(第09期);C034-315 * |
Also Published As
Publication number | Publication date |
---|---|
CN110379169A (zh) | 2019-10-25 |
WO2020186764A1 (zh) | 2020-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110379169B (zh) | 基于视频号牌设备的待转区车道饱和车头时距计算方法 | |
CN109871876B (zh) | 一种基于浮动车数据的高速公路路况识别与预测方法 | |
CN108629973A (zh) | 基于固定检测设备的路段交通拥堵指数计算方法 | |
CN103258430B (zh) | 路段旅行时间统计、以及交通路况判定方法和装置 | |
CN110164132B (zh) | 一种道路交通异常的检测方法及*** | |
CN103531031B (zh) | 一种基于城市交通干线软封闭区视频检测识别实现一路绿灯通行的控制方法 | |
CN110111592B (zh) | 基于交通信号控制机动态匹配最优信号配时方案的方法 | |
CN105355049B (zh) | 一种基于宏观基本图的高速公路运行状态评价方法 | |
CN112512020B (zh) | 一种基于多源数据融合的交通状态弱信号感知研判方法 | |
CN107204115B (zh) | 干线车流停车率估计方法 | |
CN109191830A (zh) | 一种基于视频图像处理的道路拥堵检测方法 | |
CN104851287B (zh) | 基于视频检测器的城市道路路段行程时间检测方法 | |
CN103761430A (zh) | 一种基于浮动车的路网高峰时段识别方法 | |
CN113436432A (zh) | 一种利用路侧观测数据进行路段短时交通风险预测的方法 | |
CN106683406B (zh) | 一种基于公交车载gps数据的公交专用道通行瓶颈检测方法 | |
CN106846808B (zh) | 一种基于车牌数据的车辆停车次数计算方法 | |
US20220319323A1 (en) | Method for identifying road risk based on networked vehicle-mounted adas | |
CN109272760B (zh) | 一种scats***检测器数据异常值的在线检测方法 | |
CN103198707A (zh) | 一种基于晴天状况下危险交通流特征的车辆调控方法 | |
CN117173899A (zh) | 一种智慧城市数据处理方法 | |
CN103914984B (zh) | 一种基于单元-区间协作的城市道路交通状态分析方法 | |
CN110853350B (zh) | 一种基于浮动车轨迹数据的干道相位差优化方法 | |
Kavaler et al. | Arterial performance measurement system with wireless magnetic sensors | |
CN114387778B (zh) | 一种城市快速路拥堵原因分析的方法 | |
CN114333359A (zh) | 基于人工智能的自适应交通信号灯控制方法及*** |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 211106 19 Su Yuan Avenue, Jiangning economic and Technological Development Zone, Nanjing, Jiangsu Applicant after: JIANGSU ZHITONG TRAFFIC TECHNOLOGY Co.,Ltd. Address before: 210006, Qinhuai District, Jiangsu, Nanjing should be 388 days street, Chenguang 1865 Technology Creative Industry Park E10 building on the third floor Applicant before: JIANGSU ZHITONG TRAFFIC TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |