CN110992698A - 基于Apriori支持度与行驶距离加权计算交叉口间关联程度的方法 - Google Patents

基于Apriori支持度与行驶距离加权计算交叉口间关联程度的方法 Download PDF

Info

Publication number
CN110992698A
CN110992698A CN201911369859.9A CN201911369859A CN110992698A CN 110992698 A CN110992698 A CN 110992698A CN 201911369859 A CN201911369859 A CN 201911369859A CN 110992698 A CN110992698 A CN 110992698A
Authority
CN
China
Prior art keywords
intersections
degree
distance
intersection
support degree
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.)
Pending
Application number
CN201911369859.9A
Other languages
English (en)
Inventor
王超
李大鹏
严海
王凤淇
刘润坤
刘昕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN201911369859.9A priority Critical patent/CN110992698A/zh
Publication of CN110992698A publication Critical patent/CN110992698A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了基于Apriori支持度与行驶距离加权计算交叉口间关联程度的方法，运用Apriori算法对交叉口之间的支持度进行计算，遍历车辆轨迹序列，通过设置最小支持度阈值来获得其中满足最小支持度的频繁项集，并对交叉口的关联性求解。将交叉口的关联度研究的扩展至城市范围，以挖掘在城市道路网下大范围的运行规律，对于挖掘交通流状态(如拥堵状态)在路网的传播和蔓延方向具有很好的展示作用。从技术优势来讲，对车辆轨迹数据和交叉口做级联分析，找出单个车辆轨迹经过的交叉口集合，算法所需空间复杂度和时间复杂度较低。另外，调用百度地图API计算交叉口间行驶距离的技术较为成熟，具有较好的可扩展性。

Description

基于Apriori支持度与行驶距离加权计算交叉口间关联程度 的方法
技术领域
本发明属于交通规划与管理领域，城市路网交叉口关联度分析。本发明适用于较大范围路网，对不同距离间的交叉口关联程度进行计算。
背景技术
在交通控制领域中，现有研究关注临近交叉口之间关联特性，以优化信号配时，提高运行效率。Mohebifard,R.等[1]考虑信号交叉口之间的联合控制，优化相位时间以避免交叉口长队与堵塞。Zhao,J.等[2]考虑信号交叉口上游路段，通过仿真验证进行交叉口饱和流率的分析，并进行信号控制优化。上述研究对于小区域的交叉***通现象得到了较好的解析，但很难体现出路网的全局特征，以及非直接关联的交叉口通行效率是否存在关联性或者是否会相互影响。同时，现有研究中所涉及的数据量不大，数据获取方法成本较高并且效率低。
而经典的关联规则挖掘算法包括Apriori算法[3]和FP-growth算法[4]。Apriori算法多次扫描交易数据库，每次利用候选频繁集产生频繁集；而FP-growth则利用树形结构，无需产生候选频繁集而是直接得到频繁集，以减少扫描交易数据库的次数，从而提高了算法的效率。但是Apriori的算法扩展性较好，可以用于并行计算等领域，不仅如此其具有简单、易于理解、数据要求较低的优点。
发明内容
在交通控制领域中，传统的交叉口关联研究的目的主要是优化区域内交通信号控制，以提高区域内路网运行效率。然而在交通轨迹数据研究中，发现车辆在交叉口延误的蔓延和累计现象具有较长的轨迹。因而使用本方法，基于Apriori 算法的支持度，考虑不同相距距离的交叉口，以计算出大范围内的交叉口关联度特征，试图解决城市路网规模下的交叉口拥堵治理问题。
本发明采用的技术方案为基于Apriori支持度与行驶距离加权计算交叉口间关联程度的方法，S1运用Apriori算法对交叉口之间的支持度进行计算，遍历车辆轨迹序列，通过设置最小支持度阈值来获得其中满足最小支持度的频繁项集，并对交叉口的关联性求解。其中，支持度是指某交通运行状态的发生频率。交通运行状态项A→交通运行状态项B的支持度，代表在交通运行状态数据库包含A 和B的百分比，其支持度用公式(1)表示。
Figure BDA0002339388240000021
其具体求解过程如下：
Figure BDA0002339388240000022
在计算出各个交叉口的支持度后已经表示交叉口间的关联关系，然而不同交叉口之间相差的行驶距离较大，并且支持度会随着交叉口间的距离而衰减，所以要综合考虑交叉口间的支持度与距离，来描述交叉口间的关联程度。现对交叉口支持度与相距距离进行加权，将不同距离下的所有交叉口变换至同一维度下进行比较，进而凸显出不同距离范围下的重要交叉口。
S2通过调用百度地图API应用程序接口，获取目标交叉口与其关联交叉口间的最短路径行驶距离。
S3根据轨迹实际距离和支持度，加权计算出新的关联程度。
S4对各交叉口加权后的关联度进行统计，不同距离下的所有交叉口变换至同一维度下进行比较，进而凸显出每个距离段下的重要交叉口。
通过以上步骤，可以综合考虑距离因素，更加容易发现城市中与重要交叉口关联性较强的热点区域，找出各个距离范围内的重要交叉口区域。
相较于传统研究，从应用价值来讲，能将交叉口的关联度研究的扩展至城市范围，以挖掘在城市道路网下大范围的运行规律，对于挖掘交通流状态(如拥堵状态)在路网的传播和蔓延方向具有很好的展示作用。从技术优势来讲，对车辆轨迹数据和交叉口做级联分析，找出单个车辆轨迹经过的交叉口集合，算法所需空间复杂度和时间复杂度较低。另外，调用百度地图API计算交叉口间行驶距离的技术较为成熟，具有较好的可扩展性。
附图说明
图1为No.691交叉口关联度示意图。
图2为考虑距离因素后的No.691交叉口关联度示意图。
具体实施方式
现实案例的研究区域为成都市东北片区，其面积为8km×8km，研究的目标节点为成都市二环路刃具立交(编号691)。
一、使用Apriori算法计算刃具立交与路网中其他交通网络节点的支持度
运用Apriori算法对交叉口之间的支持度进行计算，遍历车辆轨迹序列，通过设置最小支持度阈值，来获得其中满足最小支持度的频繁项集，对交叉口的关联性求解。
图1中星号表示691交叉口的位置，该交叉口为所分析交叉口中重要性第二位。图中的点，表示与其关联的交叉口，可以看出它几乎与所有的交叉口都有关联。将Apriori算法得到的支持度以热力图的形式可视化展示，颜色越深表示与 691交叉口的支持度越大。
(1)通过调用百度地图SDK，获取691交叉口与其关联交叉口间的最短路径行驶距离。
表1交叉口691与其他各交叉口间距(部分)
交叉口编号 实际行驶距离(m)
212 10110
213 3559
214 3473
215 3137
216 3716
217 3976
218 3522
219 3881
(2)将691号交叉口间支持度与交叉口间距进行加权，求得交叉口的关联度A，在这里取w1,w2各为1/2。
A＝w1*S+w2*D
(3)对各交叉口加权后关联度进行统计，凸显出每个距离段下与刃具立交 (编号691)关联性较强的交叉口，如图2所示。
可以看出，以691交叉口为中心，成都市西北和西南角的一些交叉口，尽管与691交叉口的距离较远，但仍然具有较高的关联度。这也就进一步说明了，路网中的一些交叉口不仅仅直接影响上下游的交叉口，在实际的道路运行中，还会与远端的交叉口具有关联。
通过以上步骤，可以消除距离因素，更加容易发现城市中与目标交叉口(本例为刃具立交)关联性较强的热点交叉口或交叉口群，找出各个距离范围内的重要交叉口区域。
参考文献：
[1]Mohebifard,R.,Al Islam,S.B.,&Hajbabaie,A.(2019).Cooperativetraffic signal and perimeter control in semi-connected urban-streetnetworks.Transportation Research Part C:EmergingTechnologies,104,408-427.
[2]Zhao,J.,Yun,M.,&Yang,X.(2013).Capacity model for signalizedintersection under the impact of upstream short lane.Procedia-Social andBehavioral Sciences,96,1745-1754.
[3]Agrawal,Rakesh,Srikant,al.Fast algorithms for mining associationrules[C]//International Conference on Very Large Data Bases,San Francisco,CA,USA.Morgan Kaufmann Publishers Inc.1994:487-499.
[4]Han J,Pei J,Yin Y.Mining frequent patterns without candidategeneration[J]. ACM SIGMOD Record,2000,29(2):1-12。

Claims (2)

1.基于Apriori支持度与行驶距离加权计算交叉口间关联程度的方法，其特征在于：S1运用Apriori算法对交叉口之间的支持度进行计算，遍历车辆轨迹序列，通过设置最小支持度阈值来获得其中满足最小支持度的频繁项集，并对交叉口的关联性求解；支持度是指某交通运行状态的发生频率；交通运行状态项A→交通运行状态项B的支持度，代表在交通运行状态数据库包含A和B的百分比，其支持度用公式(1)表示；
Figure FDA0002339388230000011
具体求解过程如下：
输入：D:车辆轨迹订单的集合；
输出：L:D中的车辆轨迹订单经过的交叉口集合；
min_sup:最小支持度即车辆轨迹经过的交叉口数量；
T:单个车辆轨迹订单；
Ck：大小为k的候选集合；
C：Ck的子集；
Lk：车辆轨迹经过的交叉口集合，k为交叉口数量；
提取频繁项集：
找出某车辆经过1次的交叉口集合，产生候选，并剪枝；扫描D的每一个车辆轨迹记录得到T的子集；
在计算出各个交叉口的支持度后已经表示交叉口间的关联关系，然而不同交叉口之间相差的行驶距离较大，并且支持度会随着交叉口间的距离而衰减，所以要综合考虑交叉口间的支持度与距离，来描述交叉口间的关联程度；对交叉口支持度与相距距离进行加权，将不同距离下的所有交叉口变换至同一维度下进行比较，进而凸显出不同距离范围下的重要交叉口；
S2通过调用百度地图API应用程序接口，获取目标交叉口与其关联交叉口间的最短路径行驶距离；
S3根据轨迹实际距离和支持度，加权计算出新的关联程度；
S4对各交叉口加权后的关联度进行统计，不同距离下的所有交叉口变换至同一维度下进行比较，进而凸显出每个距离段下的重要交叉口。
2.根据权利要求1所述的基于Apriori支持度与行驶距离加权计算交叉口间关联程度的方法，其特征在于：综合考虑距离因素，城市中与重要交叉口关联性较强的热点区域，找出各个距离范围内的重要交叉口区域。
CN201911369859.9A 2019-12-26 2019-12-26 基于Apriori支持度与行驶距离加权计算交叉口间关联程度的方法 Pending CN110992698A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911369859.9A CN110992698A (zh) 2019-12-26 2019-12-26 基于Apriori支持度与行驶距离加权计算交叉口间关联程度的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911369859.9A CN110992698A (zh) 2019-12-26 2019-12-26 基于Apriori支持度与行驶距离加权计算交叉口间关联程度的方法

Publications (1)

Publication Number Publication Date
CN110992698A true CN110992698A (zh) 2020-04-10

Family

ID=70077401

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911369859.9A Pending CN110992698A (zh) 2019-12-26 2019-12-26 基于Apriori支持度与行驶距离加权计算交叉口间关联程度的方法

Country Status (1)

Country Link
CN (1) CN110992698A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112465253A (zh) * 2020-12-09 2021-03-09 重庆邮电大学 一种城市路网中的链路预测方法及装置
CN112885120A (zh) * 2021-01-31 2021-06-01 安徽达尔智能控制***股份有限公司 一种提高道路通畅的区域交通信号控制方法及***
CN114170796A (zh) * 2021-11-20 2022-03-11 无锡数据湖信息技术有限公司 算法改进型拥堵传播分析方法
CN115662158A (zh) * 2022-10-31 2023-01-31 东南大学 一种面向交通溢流的关键路径信号控制优化方法
CN116486621A (zh) * 2023-06-21 2023-07-25 联友智连科技有限公司 一种前方车辆静止或者低速行驶碰撞预警方法和***

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105320756A (zh) * 2015-10-15 2016-02-10 江苏省邮电规划设计院有限责任公司 一种基于改进Apriori算法的数据库关联规则挖掘方法
CN105825690A (zh) * 2016-06-15 2016-08-03 北京航空航天大学 一种面向可协调控制的干线交叉口关联性分析及划分方法
CN109448370A (zh) * 2018-10-29 2019-03-08 东南大学 一种基于车辆轨迹数据的交通控制子区划分方法
CN109584551A (zh) * 2018-11-27 2019-04-05 南京航空航天大学 一种基于层次聚类的关联交叉口群划分的设计方法
US20190156665A1 (en) * 2017-08-17 2019-05-23 Panasonic Intellectual Property Management Co., Ltd. Investigation assist device, investigation assist method and investigation assist system
CN109816984A (zh) * 2019-03-19 2019-05-28 太原理工大学 一种交通路网区域划分及动态调整方法
CN110111561A (zh) * 2019-03-27 2019-08-09 浙江工业大学 一种基于som-pam聚类算法的路网动态划分方法
CN110415519A (zh) * 2019-07-30 2019-11-05 黄卫 一种基于车辆轨迹数据的区域交通信号实时优化控制方法
CN110415523A (zh) * 2019-08-13 2019-11-05 东南大学 一种基于车辆出行轨迹数据的信号控制子区划分方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105320756A (zh) * 2015-10-15 2016-02-10 江苏省邮电规划设计院有限责任公司 一种基于改进Apriori算法的数据库关联规则挖掘方法
CN105825690A (zh) * 2016-06-15 2016-08-03 北京航空航天大学 一种面向可协调控制的干线交叉口关联性分析及划分方法
US20190156665A1 (en) * 2017-08-17 2019-05-23 Panasonic Intellectual Property Management Co., Ltd. Investigation assist device, investigation assist method and investigation assist system
CN109448370A (zh) * 2018-10-29 2019-03-08 东南大学 一种基于车辆轨迹数据的交通控制子区划分方法
CN109584551A (zh) * 2018-11-27 2019-04-05 南京航空航天大学 一种基于层次聚类的关联交叉口群划分的设计方法
CN109816984A (zh) * 2019-03-19 2019-05-28 太原理工大学 一种交通路网区域划分及动态调整方法
CN110111561A (zh) * 2019-03-27 2019-08-09 浙江工业大学 一种基于som-pam聚类算法的路网动态划分方法
CN110415519A (zh) * 2019-07-30 2019-11-05 黄卫 一种基于车辆轨迹数据的区域交通信号实时优化控制方法
CN110415523A (zh) * 2019-08-13 2019-11-05 东南大学 一种基于车辆出行轨迹数据的信号控制子区划分方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴友宝: "Hadoop平台下基于路网加权分层和关联规则的最短路径算法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
潘策: "基于多源数据融合的交通子区划分研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112465253A (zh) * 2020-12-09 2021-03-09 重庆邮电大学 一种城市路网中的链路预测方法及装置
CN112465253B (zh) * 2020-12-09 2022-07-01 重庆邮电大学 一种城市路网中的链路预测方法及装置
CN112885120A (zh) * 2021-01-31 2021-06-01 安徽达尔智能控制***股份有限公司 一种提高道路通畅的区域交通信号控制方法及***
CN112885120B (zh) * 2021-01-31 2022-08-16 安徽达尔智能控制***股份有限公司 一种提高道路通畅的区域交通信号控制方法及***
CN114170796A (zh) * 2021-11-20 2022-03-11 无锡数据湖信息技术有限公司 算法改进型拥堵传播分析方法
CN114170796B (zh) * 2021-11-20 2023-01-10 无锡数据湖信息技术有限公司 算法改进型拥堵传播分析方法
CN115662158A (zh) * 2022-10-31 2023-01-31 东南大学 一种面向交通溢流的关键路径信号控制优化方法
CN115662158B (zh) * 2022-10-31 2023-08-29 东南大学 一种面向交通溢流的关键路径信号控制优化方法
CN116486621A (zh) * 2023-06-21 2023-07-25 联友智连科技有限公司 一种前方车辆静止或者低速行驶碰撞预警方法和***

Similar Documents

Publication Publication Date Title
CN110992698A (zh) 基于Apriori支持度与行驶距离加权计算交叉口间关联程度的方法
Lou et al. Map-matching for low-sampling-rate GPS trajectories
CN108596202B (zh) 基于移动终端gps定位数据计算个人通勤时间的方法
CN106971547B (zh) 一种考虑时空相关性的短时交通流预测方法
KR102205096B1 (ko) 거래 위험 검출 방법 및 장치
CN104331466B (zh) 基于时空邻近搜索的移动轨迹序列模式快速挖掘方法
CN104063467B (zh) 基于改进的相似性搜索技术的域内交通流量模式发现方法
CN110188803A (zh) 基于出租车轨迹数据的出行时空模式识别方法与***
Ai et al. Generation of constrained network Voronoi diagram using linear tessellation and expansion method
Tiwari et al. Route prediction using trip observations and map matching
CN105678590A (zh) 一种面向社交网络基于云模型的topN推荐方法
CN107169301A (zh) 一种分而治之航迹关联方法
Xia et al. Spatio-temporal similarity measure for network constrained trajectory data
CN105205052A (zh) 一种数据挖掘方法及装置
Grzybek et al. Evaluation of dynamic communities in large-scale vehicular networks
Aydin et al. A graph-based approach to spatiotemporal event sequence mining
Rossi et al. Gamma-GQM time headway model: endogenous effects in rural two-lane two-way roads
CN102637227A (zh) 基于最短路径的土地资源评价因子作用域划分方法
Novak et al. Data-driven modeling of urban traffic travel times for short-and long-term forecasting
CN104331424A (zh) 一种用户移动轨迹中敏感轨迹模式的净化方法
CN110909037A (zh) 一种频繁轨迹模式的挖掘方法及装置
Trinh et al. Traffic flow forecasting using multivariate time-series deep learning and distributed computing
Zhang et al. An Algorithm for Mining Gradual Moving Object Clusters Pattern From Trajectory Streams.
Yu et al. High-frequency trajectory map matching algorithm based on road network topology
CN111177294B (zh) 基于车辆轨迹数据求解交叉口中介中心性的方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200410