CN111640304A - 面向连续流交通设施的交通拥堵传播特征自动化量化提取方法 - Google Patents
面向连续流交通设施的交通拥堵传播特征自动化量化提取方法 Download PDFInfo
- Publication number
- CN111640304A CN111640304A CN202010498564.8A CN202010498564A CN111640304A CN 111640304 A CN111640304 A CN 111640304A CN 202010498564 A CN202010498564 A CN 202010498564A CN 111640304 A CN111640304 A CN 111640304A
- Authority
- CN
- China
- Prior art keywords
- time
- space
- traffic
- congestion
- spatio
- 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
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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
- G08G1/0133—Traffic data processing for classifying traffic situation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种面向连续流交通设施的交通拥堵传播特征自动化量化提取方法。所提出的方法以路线为分析对象,首先根据收集的交通流状态参数构建交通时空轮廓图,利用k‑means算法对历史交通流平均速度数据进行聚类,并根据聚类的边界速度来自动确定划分拥堵和非拥堵交通状态的阈值;然后,利用图连通性聚类算法识别交通时空轮廓图中独立的(时空非连续的)时空拥堵区域;之后,根据每一块独立时空拥堵区域对应的时空范围,结合时空范围内的交通流状态参数,从交通时空轮廓图中分析和提取交通拥堵传播相关的各类特征指标,实现对连续流交通设施的交通拥堵瓶颈和交通拥堵传播特征的快速自动辨识和量化提取。
Description
技术领域
本发明涉及一种利用计算机自动化分析技术手段来分析和量化提取连续流交通设施发生的交通拥堵的时空传播特征的方法,具体为面向连续流交通设施的交通拥堵传播特征自动化量化提取方法,属于道路交通智能监测与信息管理领域。
背景技术
交通拥堵给世界各国带来了一系列负面影响,例如显著增加了经济损失和出行成本,导致严重的尾气和噪声污染。缓解和治理交通拥堵的一个重要前提是需要对道路上发生的交通拥堵进行智能监测,快速辨识道路交通拥堵瓶颈,科学量化交通拥堵传播特征,从而为合理的交通拥堵管理提供有效的决策支持。
为了实现上述目标,研究者提出了一系列交通拥堵传播特征(如拥堵瓶颈位置、拥堵瓶颈激活时间、拥堵传播最大时间范围、拥堵传播最大空间范围、拥堵产生的车辆延误)的分析与提取方法。面向连续流交通设施(高速公路、限制出入口的公路或城市快速路),上述方法可以划分为两大类,分别是基于局部分析的方法和基于全局分析的方法。
基于局部分析的方法以路段为分析对象(一个路段通常以上下游固定检测器为边界进行定义,也可以通过人工方式进行定义,如将一条交通路线划分为相同长度的若干路段),通过提取和分析上下游检测器采集的交通流状态参数的变化曲线来判断该路段是否发生了交通拥堵,并分析和提取各类交通拥堵特征。之后,对整个交通设施上的所有路段进行相同过程的分析和处理,从而提取出所有路段的交通拥堵特征。最后,通过综合各个路段的拥堵特征、拥堵发生时间先后顺序和拥堵路段邻接关系来辨识交通拥堵瓶颈,提取交通拥堵传播特征。基于局部分析的方法存在两个主要不足:其一是在判断某个路段是否发生交通拥堵时通常采用交通流状态参数阈值法(如速度差阈值法、占有率差阈值法)。由于确定上述最优参数阈值依赖于人工经验,面向大量不同的连续流交通设施无法做到快速自动化处理。此外,参数阈值的确定具有主观性,所构建模型的可靠性得不到充分保障;其二是建模过程中涉及两两路段交通状态的分析和比对,当路段数量很多时,容易导致模型计算复杂度过高。在交通设施规模庞大或需要对交通设施进行多日监测分析时,模型工作效率低下,不利于道路交通的在线自动化监测和管理。
基于全局分析的方法以路线为分析对象,根据路线上各个路段检测的交通流状态参数(如平均速度、行程时间、延误等)来构建面向整条路线的交通时空轮廓图,并据此分析和提取交通拥堵传播特征。相较于基于局部分析的方法,基于全局分析的方法通过构建交通时空轮廓图从全局角度分析路线上交通拥堵的时空演化状况,避免了两两路段之间的比对和分析,通过一次分析便可辨识路线上所有交通拥堵瓶颈,提取交通拥堵传播特征指标。同时,该类方法通过交通时空轮廓图对路线整体交通拥堵状况进行直观可视化呈现,有利于交通研究者和工程管理人员进行直观交互式交通监测和管理。然而,该类方法的主要不足在于,需要依赖人工从交通时空轮廓图中辨识交通拥堵瓶颈和对交通拥堵传播特征进行提取,拥堵瓶颈辨识和拥堵传播特征指标提取准确性不高,在分析效率低下的同时增加了人力成本。另外,一些交通拥堵特征指标,如车辆延误,无法通过人工肉眼观察进行直接提取,这在很大程度上限制了此类方法的普适性和实用性。
发明内容
本发明的目的就是针对上述存在的问题,为了克服上述两类方法的主要不足,本发明提供了一种面向连续流交通设施的交通拥堵传播特征自动化量化提取方法。所提出的方法以路线为分析对象,首先根据收集的交通流状态参数构建交通时空轮廓图,利用k-means算法对历史交通流平均速度数据进行聚类,并根据聚类的边界速度来自动确定划分拥堵和非拥堵交通状态的阈值;然后,利用图连通性聚类算法识别交通时空轮廓图中独立的(时空非连续的)时空拥堵区域;之后,根据每一块独立时空拥堵区域对应的时空范围,结合时空范围内的交通流状态参数,从交通时空轮廓图中分析和提取交通拥堵传播相关的各类特征指标,实现对连续流交通设施的交通拥堵瓶颈和交通拥堵传播特征的快速自动辨识和量化提取。
本发明的目的是这样实现的,
一种面向连续流交通设施的交通拥堵传播特征自动化量化提取方法,其特征在于,包括以下步骤:
步骤1.基于交通流状态参数构建交通时空轮廓图;
(1-1)设待分析的最大时间范围为M(交通时空轮廓图的时间轴的最大值)、最大空间范围为N(交通时空轮廓图的空间轴的最大值)以及交通时空轮廓图的分辨率为n×m,交通时空轮廓图中交通流的方向定义为在空间上由近及远;
(1-2)根据M和N,分别收集连续流交通设施上的交通流平均速度和交通流流量参数的时间序列数据;
(1-3)以时间为横轴,以空间为纵轴,结合时间和空间坐标位置上收集的交通流平均速度和流量时间序列,利用时空插值法构建给定分辨率n×m下的交通平均速度时空轮廓图和交通流量时空轮廓图;对于交通平均速度时空轮廓图而言,一共对应n×m个数据样本(数据点),每个样本对应一个时空区块,表示长度为M/m的道路空间范围内通过的交通流在长度为N/n的时间范围内的平均速度(假定平均速度在该时空范围内恒定)信息,记作 其中,Ti和Si分别是第i个样本的时间特征值和空间特征值,Vi是第i个样本的平均速度特征值;类似地,对于交通流量时空轮廓图而言,一共对应n×m个数据样本(数据点),每个样本对应一个时空区块,表示长度为M/m的道路空间范围内的交通流在长度为N/n的时间范围内的交通流量,记作<Ti,Si,Qi>;其中,Ti和Si取值同前,Qi是第i个样本的流量特征值;
步骤2.基于k-means聚类算法分割交通时空轮廓图中的拥堵区域和非拥堵区域;
(2-1)获取交通时空轮廓图所定义的道路空间范围内的交通流平均速度参数的历史时间序列数据;这里,为了确保聚类质量,历史时间序列数据对应的时间范围长度设定为至少一周;
(2-2)利用无监督聚类技术中的k-means算法对获取的平均速度参数历史时间序列数据进行聚类;聚类数目设置为2,对应交通流运行状态为拥堵和非拥堵两类情形;聚类结束后,输出2个数据簇(聚类),令第1个数据簇中的平均速度最小值和最大值分别为V1_min和V1_max,令第2个数据簇中的平均速度最小值和最大值分别为V2_min和V2_max,则交通拥堵状态判别的平均速度阈值计算为:
(2-3)依据交通拥堵状态判别的平均速度阈值,将交通(平均速度和流量)时空轮廓图分割为时空拥堵区域和时空非拥堵区域,分割规则为:
上式中,Ci表示交通时空轮廓图对应的第i个样本的交通流运行状态,Ci=1表示该样本对应的交通流在其对应的时空范围内为拥堵状态,否则,其为非拥堵状态;时空拥堵区域由Ci=1的样本对应的时空区块构成,时空非拥堵区域则由Ci=0的样本对应的时空区块构成;
步骤3.基于图连通性聚类算法将时空拥堵区域分割为一个或多个独立(时空非连续的)的时空拥堵区域;
(3-1)从交通平均速度时空轮廓图对应样本中筛选出Ci=1的样本;也就是说,本步骤仅分析时空轮廓图中的时空拥堵区域;从筛选的样本中分别提取T特征列和S特征列;
(3-2)对T特征列和S特征列中的特征值分别进行规范化处理,通过如下公式计算:
上式中,T′j是规范化后的第j个样本的时间特征值,其中,1≤j≤α≤n×m,且α为Ci=1的样本个数,μT是T特征列的特征值的平均值,σS是T特征列的特征值的标准差,S′j是规范化后的第j个样本的空间特征值,μS是S特征列的特征值的平均值,σS是S特征列的特征值的标准差;
(3-3)计算时空拥堵区域对应的每一个样本与该区域其余样本之间在时间和空间维度上的欧几里得距离,从而得到距离矩阵D;两两样本之间的距离通过如下公式进行计算:
上式中,Da,b为距离矩阵D中第a行第b列对应的元素值,T′a和T′b分别是时空拥堵区域对应样本集中的第a个和第b个样本的规范化时间特征值,S′a和S′b是时空拥堵区域对应样本集中的第a个和第b个样本的规范化空间特征值;其中,1≤a≤α≤n×m,1≤b≤α≤n×m,且
(3-4)将时空拥堵区域中的每一个时空区块设置为顶点,同时根据各个时空区块之间在时空维度上的邻接关系来设置边,从而构建一个无向无环拓扑图;该拓扑图的邻接矩阵A通过如下公式进行计算:
dconn=max(dT,dS)(12)
上式中,dT是交通时空轮廓图的时间轴方向上两两时空区块之间的最短距离,dS是交通时空轮廓图空间轴方向上两两时空区块之间的最短距离,dconn是研判两两时空区块是否存在连边的连通距离,Aa,b为邻接矩阵A中第a行第b列对应的元素值;
(3-5)利用图论中的深度优先搜索算法从构建的拓扑图中查找所有连通分支,并将同一个连通分支中的所有顶点都归为一个聚类;拓扑图中的连通分支个数对应聚类结果中类别的个数;最终,通过连通分支搜索可以将时空拥堵区域进一步分割为在时空维度上不连续的一个或多个独立的时空拥堵区域;每一个独立的时空拥堵区域是由不同的交通拥堵瓶颈引致;通过分析和量化每一个时空拥堵区域,可以辨识出一条路线中存在的多个独立的交通拥堵瓶颈,并量化提取对应的交通拥堵传播特征指标;
步骤4.对独立的时空拥堵区域进行精调;
第一个环节为对B的主动拥堵瓶颈位置进行精调:
(4-1-1)查找B对应的最下游检测器的空间位置Sdown:
Sdown=min1≤δ≤ξ{Sδ≥Smax_B}(14)
上式中,Smax_B是B中在空间上最远的时空区块所处的位置,Sδ是空间位置等于或远于Smax_B的第δ个检测器的位置,ξ是空间位置等于或远于Smax_B的检测器个数;
(4-1-2)查找与Sdown最邻近的上游检测器的空间位置Sup,则B的主动拥堵瓶颈定义为一个二元组<Sup,Sdown>;
(4-1-3)查找B中空间位置处于Sup和Sdown之间的时空区块集合,记作Bbott;
(4-1-5)对B的主动拥堵瓶颈位置进行精调判断,规则如下:
上式中,Ibott是一个指示函数,Ibott=1表示对B的主动拥堵瓶颈位置需要进行精调,Ibott=0表示不需要对B的主动拥堵瓶颈位置进行精调,ε为持续时间阈值;
(4-1-6)若需要对B的主动拥堵瓶颈位置进行精调,则将Bbott中的时空区块从B中去除,然后对调整后的B进行前述(1)-(6)的处理,直至找到满足Ibott=0规则的B,结束该环节的精调过程;若不需要对B的主动拥堵瓶颈位置进行精调,则结束该环节的精调过程;
第二个环节为对B中时空不连续的区域进行精调:
对B中包含的时空区块按照其空间位置由近及远(或由远及近)进行遍历,即在交通时空轮廓图中按行对B中的时空区块进行顺序扫描;每一空间位置的时空区块集合描述了在该空间位置上交通流随时间变化的交通流运行状态。针对每一空间位置上的时空区块集合:
(4-2-1)找出其中时间最早的时空区块和时间最晚的时空区块对于时间特征值介于和的时间特征值之间的交通时空轮廓图中的所有时空区块(这里的时空区块不一定是B中包含的时空区块),检查其交通流运行状态,若其值为1,则继续进行处理,若其值为0,则将其交通流运行状态值更改为1;实施上述操作的目的是为了确保同一空间位置上交通流在拥堵过程中保持时间连续性;
(4-2-2)重复(4-2-1)中的处理直至所有B中的时空区块的空间位置都遍历完毕;经过处理,每一个独立的时空拥堵区域在时空上均保持连续;
步骤5.量化提取交通拥堵传播特征指标;
步骤目的是从B′中量化提取交通拥堵传播特征指标;各项指标的计算过程如下:
Tspan(B′)=Tclear(B′)-Tonset(B′)(18)
Sspan(B′)=Send(B′)-Sstart(B′)(21)
Ω(B′)=<Sup(B′),Sdown(B′)>(23)
上式中,Tonset(B′)是时空拥堵区域B′的拥堵传播的起始时间,是时空拥堵区域B′中第μ个时空区块的时间特征值,Tclear(B′)是时空拥堵区域B′的拥堵传播的结束时间,Tspan(B′)是时空拥堵区域B′的拥堵传播的持续时间,Sstart(B′)是时空拥堵区域B′的拥堵传播的空间起始位置,是时空拥堵区域B′中第μ个时空区块的空间特征值,Send(B′)是时空拥堵区域B′的拥堵传播的空间结束位置,Sspan(B′)是时空拥堵区域B′的拥堵传播的最大排队长度,R(B′)是时空拥堵区域B′的拥堵传播产生的车辆总延误(单位是),是时空拥堵区域B′中第μ个时空区块的流量特征值(单位是辆/5分钟),Tinterv是交通流数据采集的时间间隔(通常取5分钟),是时空拥堵区域B′中第μ个时空区块的平均速度特征值(单位是千米/小时或英里/小时),Vfree是连续流交通设施上交通流的自由流速度,可以将历史交通流平均速度数据由小到大排序,然后通过计算其95%分位数获得;Ω(B′)是时空拥堵区域B′的主动拥堵瓶颈,Sdown(B′)是时空拥堵区域B′对应的最下游检测器的空间位置,Sup(B′)是与Sdown(B′)最邻近的上游检测器的空间位置。
步骤(1-2)中,交通流平均速度和流量参数数据通过固定式交通检测方式进行直接采集获得或通过移动式交通检测方式收集的交通状态参数数据进行间接估计获取。
所述固定式交通检测方式使用的固定式交通检测设备为感应线圈或微波检测器,固定式交通检测设备可直接采集交通流流量和交通流平均速度;
所述移动式交通检测方式是通过装有GPS设备或装有RFID芯片的浮动车来获取每辆车的瞬时速度和定位信息,在此基础上,通过汇聚给定时空范围内交通流的车辆数得到交通流流量,通过对给定时空范围内交通流的车辆瞬时速度求平均得到交通流平均速度。
步骤(1-3)中,时空插值法为二维线性插值或二维非线性插值。
与现有技术方法相比,本发明的有益效果是实现了对连续流交通设施上发生的交通拥堵在时空维度上传播特征的自动分析与量化提取,免去了人工干预过程,降低了由人工主观经验导致的分析不可靠风险风险,显著提升了面向连续流交通设施进行交通拥堵监测与管理的自动化水平和工作效率。
附图说明
图1为面向连续流交通设施的交通拥堵传播特征自动化分析和提取方法的工作流程;
图2为基于图连通性搜索聚类的时空拥堵区域分割方法的工作流程;
图3为本发明实施例中分析的连续流交通设施;
图4为本发明实施例中2015年3月12日交通平均速度时空轮廓图;
图5为本发明实施例中2015年3月12日时空拥堵区域分割结果图;
图6为本发明实施例中2015年3月12日的独立时空拥堵区域精调结果图;
图7为本发明实施例中2015年3月2日至2015年3月27日之间的22个工作日独立时空拥堵区域精调结果图;
图8为本发明实施例中2015年3月2日至2015年3月27日之间的22个工作日独立时空拥堵区域车辆总延误可视化结果图。
具体实施方式
下面结合附图对本发明进一步说明。
本发明示例所分析的连续流交通设施为某城市一条高速公路走廊,如图3所示。该高速公路走廊自A点开始,至B点结束,长度约为26英里。走廊上一共布设了29个交通检测器,以5分钟为时间间隔对经过检测器的交通流数据进行采集。走廊共包含30个路段。
通过汇总29个检测器(图3中加圈的1-29)采集的2015年3月2日至2015年3月27日之间的22个工作日(周末和周日不考虑)的5分钟时间间隔的交通流平均速度和交通流流量,建立分析数据集。通过步骤1所述的交通时空轮廓图构建方法构建了每一天的交通平均速度时空轮廓图和交通流量时空轮廓图。所构建的交通时空轮廓图的分辨率设置为200×200。图4给出了2015年3月12日交通平均速度时空轮廓图。从图中可以看出,该日一共有4个特别显著的独立时空拥堵区域(时空拥堵区域1、时空拥堵区域2、时空拥堵区域3、时空拥堵区域4)。针对每一块独立的时空拥堵区域,可以提取的拥堵传播特征指标包括主动拥堵瓶颈(用该瓶颈空间位置上下游检测器位置二元组进行标识)、拥堵传播起始时间、拥堵传播结束时间、拥堵传播持续时间、拥堵传播起始位置、拥堵传播结束位置、拥堵传播最大排队长度、车辆总延误(借助交通平均速度时空轮廓图和交通流量时空轮廓图计算)。
在构建交通时空轮廓图之后,根据步骤2对交通时空轮廓图中的拥堵区域和非拥堵区域进行分割。首先,利用k-means聚类算法对交通时空轮廓图定义的道路路段上29个检测器收集的交通流平均速度数据进行聚类。本发明示例中,聚类数据的时间范围选为2015年3月2日至2015年3月8日。经过聚类和阈值计算,得到交通拥堵状态判别平均速度阈值为45.5英里/小时。换言之,在本发明示例中,所提出方法将交通流平均速度值小于或等于45.5英里/小时的交通时空轮廓图中的区域辨识为拥堵区域,而将交通流平均速度值大于45.5英里/小时的交通时空轮廓图中的区域辨识为非拥堵区域。接下来,利用步骤3提出的基于图连通性聚类的时空拥堵区域分割方法,将拥堵区域进一步分割为一个或多个独立的时空拥堵区域。图5给出了经过时空拥堵区域分割步骤处理得到的9个独立的时空拥堵区域。
在获得独立的时空拥堵区域之后,根据步骤4对每一个独立的时空拥堵区域进行精调,得到如图6所示的4个独立时空拥堵区域。可以看出,步骤3处理得到的9个独立时空拥堵区域中的5个由于其主动拥堵瓶颈持续时间小于给定阈值(本发明示例为20分钟)被所提出方法滤除。同时,所提出方法对上述4个独立时空拥堵区域的不连续区域进行了修补。图7给出了自2015年3月2日至2015年3月27日的22个工作日的独立时空拥堵区域精调结果。
在获得精调的独立时空拥堵区域之后,根据步骤5对每一个独立时空拥堵区域的交通拥堵传播特征进行量化提取。表1给出了从2015年3月2日至2015年3月6日的量化提取的独立时空拥堵区域的交通拥堵传播特征指标。图8给出了量化提取的自2015年3月2日至2015年3月27日之间的22个工作日的独立时空拥堵区域的车辆总延误的可视化结果(颜色越深表示车辆总延误越大)。
表1 量化提取的独立时空拥堵区域的交通拥堵传播特征指标
Claims (4)
1.一种面向连续流交通设施的交通拥堵传播特征自动化量化提取方法,其特征在于,包括以下步骤:
步骤1.基于交通流状态参数构建交通时空轮廓图;
(1-1)设待分析的最大时间范围为M(交通时空轮廓图的时间轴的最大值)、最大空间范围为N(交通时空轮廓图的空间轴的最大值)以及交通时空轮廓图的分辨率为n×m,交通时空轮廓图中交通流的方向定义为在空间上由近及远;
(1-2)根据M和N,分别收集连续流交通设施上的交通流平均速度和交通流流量参数的时间序列数据;
(1-3)以时间为横轴,以空间为纵轴,结合时间和空间坐标位置上收集的交通流平均速度和流量时间序列,利用时空插值法构建给定分辨率n×m下的交通平均速度时空轮廓图和交通流量时空轮廓图;对于交通平均速度时空轮廓图而言,一共对应n×m个数据样本(数据点),每个样本对应一个时空区块,表示长度为M/m的道路空间范围内通过的交通流在长度为N/n的时间范围内的平均速度(假定平均速度在该时空范围内恒定)信息,记作 其中,Ti和Si分别是第i个样本的时间特征值和空间特征值,Vi是第i个样本的平均速度特征值;类似地,对于交通流量时空轮廓图而言,一共对应n×m个数据样本(数据点),每个样本对应一个时空区块,表示长度为M/m的道路空间范围内的交通流在长度为N/n的时间范围内的交通流量,记作<Ti,Si,Qi>;其中,Ti和Si取值同前,Qi是第i个样本的流量特征值;
步骤2.基于k-means聚类算法分割交通时空轮廓图中的拥堵区域和非拥堵区域;
(2-1)获取交通时空轮廓图所定义的道路空间范围内的交通流平均速度参数的历史时间序列数据;这里,为了确保聚类质量,历史时间序列数据对应的时间范围长度设定为至少一周;
(2-2)利用无监督聚类技术中的k-means算法对获取的平均速度参数历史时间序列数据进行聚类;聚类数目设置为2,对应交通流运行状态为拥堵和非拥堵两类情形;聚类结束后,输出2个数据簇(聚类),令第1个数据簇中的平均速度最小值和最大值分别为V1_min和V1 _max,令第2个数据簇中的平均速度最小值和最大值分别为V2_min和V2_max,则交通拥堵状态判别的平均速度阈值计算为:
(2-3)依据交通拥堵状态判别的平均速度阈值,将交通(平均速度和流量)时空轮廓图分割为时空拥堵区域和时空非拥堵区域,分割规则为:
上式中,Ci表示交通时空轮廓图对应的第i个样本的交通流运行状态,Ci=1表示该样本对应的交通流在其对应的时空范围内为拥堵状态,否则,其为非拥堵状态;时空拥堵区域由Ci=1的样本对应的时空区块构成,时空非拥堵区域则由Ci=0的样本对应的时空区块构成;
步骤3.基于图连通性聚类算法将时空拥堵区域分割为一个或多个独立(时空非连续的)的时空拥堵区域;
(3-1)从交通平均速度时空轮廓图对应样本中筛选出Ci=1的样本;也就是说,本步骤仅分析时空轮廓图中的时空拥堵区域;从筛选的样本中分别提取T特征列和S特征列;
(3-2)对T特征列和S特征列中的特征值分别进行规范化处理,通过如下公式计算:
上式中,T′j是规范化后的第j个样本的时间特征值,其中,1≤j≤α≤n×m,且j,α为Ci=1的样本个数,μT是T特征列的特征值的平均值,σS是T特征列的特征值的标准差,S′j是规范化后的第j个样本的空间特征值,μS是S特征列的特征值的平均值,σS是S特征列的特征值的标准差;
(3-3)计算时空拥堵区域对应的每一个样本与该区域其余样本之间在时间和空间维度上的欧几里得距离,从而得到距离矩阵D;两两样本之间的距离通过如下公式进行计算:
上式中,Da,b为距离矩阵D中第a行第b列对应的元素值,T′a和T′b分别是时空拥堵区域对应样本集中的第a个和第b个样本的规范化时间特征值,S′a和S′b是时空拥堵区域对应样本集中的第a个和第b个样本的规范化空间特征值;其中,1≤a≤α≤n×m,1≤b≤α≤n×m,且
(3-4)将时空拥堵区域中的每一个时空区块设置为顶点,同时根据各个时空区块之间在时空维度上的邻接关系来设置边,从而构建一个无向无环拓扑图;该拓扑图的邻接矩阵A通过如下公式进行计算:
dconn=max(dT,dS) (12)
上式中,dT是交通时空轮廓图的时间轴方向上两两时空区块之间的最短距离,dS是交通时空轮廓图空间轴方向上两两时空区块之间的最短距离,dconn是研判两两时空区块是否存在连边的连通距离,Aa,b为邻接矩阵A中第a行第b列对应的元素值;
(3-5)利用图论中的深度优先搜索算法从构建的拓扑图中查找所有连通分支,并将同一个连通分支中的所有顶点都归为一个聚类;拓扑图中的连通分支个数对应聚类结果中类别的个数;最终,通过连通分支搜索可以将时空拥堵区域进一步分割为在时空维度上不连续的一个或多个独立的时空拥堵区域;每一个独立的时空拥堵区域是由不同的交通拥堵瓶颈引致;通过分析和量化每一个时空拥堵区域,可以辨识出一条路线中存在的多个独立的交通拥堵瓶颈,并量化提取对应的交通拥堵传播特征指标;
步骤4.对独立的时空拥堵区域进行精调;
第一个环节为对B的主动拥堵瓶颈位置进行精调:
(4-1-1)查找B对应的最下游检测器的空间位置Sdown:
Sdown=min1≤δ≤ξ{Sδ≥Smax_B} (14)
上式中,Smax_B是B中在空间上最远的时空区块所处的位置,Sδ是空间位置等于或远于Smax_B的第δ个检测器的位置,ξ是空间位置等于或远于Smax_B的检测器个数;
(4-1-2)查找与Sdown最邻近的上游检测器的空间位置Sup,则B的主动拥堵瓶颈定义为一个二元组<Sup,Sdown>;
(4-1-3)查找B中空间位置处于Sup和Sdown之间的时空区块集合,记作Bbott;
(4-1-5)对B的主动拥堵瓶颈位置进行精调判断,规则如下:
上式中,Ibott是一个指示函数,Ibott=1表示对B的主动拥堵瓶颈位置需要进行精调,Ibott=0表示不需要对B的主动拥堵瓶颈位置进行精调,ε为持续时间阈值;
(4-1-6)若需要对B的主动拥堵瓶颈位置进行精调,则将Bbott中的时空区块从B中去除,然后对调整后的B进行前述(1)-(6)的处理,直至找到满足Ibott=0规则的B,结束该环节的精调过程;若不需要对B的主动拥堵瓶颈位置进行精调,则结束该环节的精调过程;
第二个环节为对B中时空不连续的区域进行精调:
对B中包含的时空区块按照其空间位置由近及远(或由远及近)进行遍历,即在交通时空轮廓图中按行对B中的时空区块进行顺序扫描;每一空间位置的时空区块集合描述了在该空间位置上交通流随时间变化的交通流运行状态。针对每一空间位置上的时空区块集合:
(4-2-1)找出其中时间最早的时空区块和时间最晚的时空区块对于时间特征值介于和的时间特征值之间的交通时空轮廓图中的所有时空区块(这里的时空区块不一定是B中包含的时空区块),检查其交通流运行状态,若其值为1,则继续进行处理,若其值为0,则将其交通流运行状态值更改为1;实施上述操作的目的是为了确保同一空间位置上交通流在拥堵过程中保持时间连续性;
(4-2-2)重复(4-2-1)中的处理直至所有B中的时空区块的空间位置都遍历完毕;经过处理,每一个独立的时空拥堵区域在时空上均保持连续;
步骤5.量化提取交通拥堵传播特征指标;
步骤目的是从B′中量化提取交通拥堵传播特征指标;各项指标的计算过程如下:
Tspan(B′)=Tclear(B′)-Tonset(B′) (18)
Sspan(B′)=Send(B′)-Sstart(B′) (21)
Ω(B′)=<Sup(B′),Sdown(B′)> (23)
上式中,Tonset(B′)是时空拥堵区域B′的拥堵传播的起始时间,是时空拥堵区域B′中第μ个时空区块的时间特征值,Tclear(B′)是时空拥堵区域B′的拥堵传播的结束时间,Tspan(B′)是时空拥堵区域B′的拥堵传播的持续时间,Sstart(B′)是时空拥堵区域B′的拥堵传播的空间起始位置,是时空拥堵区域B′中第μ个时空区块的空间特征值,Send(B′)是时空拥堵区域B′的拥堵传播的空间结束位置,Sspan(B′)是时空拥堵区域B′的拥堵传播的最大排队长度,R(B′)是时空拥堵区域B′的拥堵传播产生的车辆总延误(单位是),是时空拥堵区域B′中第μ个时空区块的流量特征值(单位是辆/5分钟),Tinterv是交通流数据采集的时间间隔(通常取5分钟),是时空拥堵区域B′中第μ个时空区块的平均速度特征值(单位是千米/小时或英里/小时),Vfree是连续流交通设施上交通流的自由流速度,可以将历史交通流平均速度数据由小到大排序,然后通过计算其95%分位数获得;Ω(B′)是时空拥堵区域B′的主动拥堵瓶颈,Sdown(B′)是时空拥堵区域B′对应的最下游检测器的空间位置,Sup(B′)是与Sdown(B′)最邻近的上游检测器的空间位置。
2.根据权利要求1所述的一种面向连续流交通设施的交通拥堵传播特征自动化量化提取方法,其特征在于,步骤(1-2)中,交通流平均速度和流量参数数据通过固定式交通检测方式进行直接采集获得或通过移动式交通检测方式收集的交通状态参数数据进行间接估计获取。
3.根据权利要求2所述的一种面向连续流交通设施的交通拥堵传播特征自动化量化提取方法,其特征在于,所述固定式交通检测方式使用的固定式交通检测设备为感应线圈或微波检测器,固定式交通检测设备可直接采集交通流流量和交通流平均速度;
所述移动式交通检测方式是通过装有GPS设备或装有RFID芯片的浮动车来获取每辆车的瞬时速度和定位信息,在此基础上,通过汇聚给定时空范围内交通流的车辆数得到交通流流量,通过对给定时空范围内交通流的车辆瞬时速度求平均得到交通流平均速度。
4.根据权利要求1所述的一种面向连续流交通设施的交通拥堵传播特征自动化量化提取方法,其特征在于,步骤(1-3)中,时空插值法为二维线性插值或二维非线性插值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010498564.8A CN111640304B (zh) | 2020-06-04 | 2020-06-04 | 面向连续流交通设施的交通拥堵传播特征自动化量化提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010498564.8A CN111640304B (zh) | 2020-06-04 | 2020-06-04 | 面向连续流交通设施的交通拥堵传播特征自动化量化提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111640304A true CN111640304A (zh) | 2020-09-08 |
CN111640304B CN111640304B (zh) | 2021-01-08 |
Family
ID=72332506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010498564.8A Active CN111640304B (zh) | 2020-06-04 | 2020-06-04 | 面向连续流交通设施的交通拥堵传播特征自动化量化提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111640304B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112233458A (zh) * | 2020-09-27 | 2021-01-15 | 东南大学 | 一种面向二次事故预防动态车道与可变限速协同控制方法 |
CN112233418A (zh) * | 2020-09-27 | 2021-01-15 | 东南大学 | 一种智能网联混合交通流环境下二次交通事故预防控制方法 |
CN113362605A (zh) * | 2021-07-23 | 2021-09-07 | 上海交通大学 | 基于潜在同质区域辨识的分布式交通流优化***及方法 |
CN115527366A (zh) * | 2022-09-09 | 2022-12-27 | 扬州大学 | 一种大规模城市路网交通拥堵瓶颈辨识方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120296560A1 (en) * | 2011-05-19 | 2012-11-22 | Microsoft Corporation | Inferring a Behavioral State of a Vehicle |
CN106960571A (zh) * | 2017-03-30 | 2017-07-18 | 百度在线网络技术(北京)有限公司 | 道路拥堵瓶颈点确定方法、装置、服务器及存储介质 |
US10332391B2 (en) * | 2016-12-06 | 2019-06-25 | Here Global B.V. | Split lane traffic jam detection and remediation |
CN110176139A (zh) * | 2019-02-21 | 2019-08-27 | 淮阴工学院 | 一种基于dbscan+的道路拥堵识别可视化方法 |
CN111008223A (zh) * | 2019-10-21 | 2020-04-14 | 北京交通大学 | 一种基于时空关联规则的区域交通拥堵相关性计算方法 |
CN111159247A (zh) * | 2019-11-20 | 2020-05-15 | 北京交通大学 | 一种区域交通拥堵传播轨迹挖掘方法 |
-
2020
- 2020-06-04 CN CN202010498564.8A patent/CN111640304B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120296560A1 (en) * | 2011-05-19 | 2012-11-22 | Microsoft Corporation | Inferring a Behavioral State of a Vehicle |
US10332391B2 (en) * | 2016-12-06 | 2019-06-25 | Here Global B.V. | Split lane traffic jam detection and remediation |
CN106960571A (zh) * | 2017-03-30 | 2017-07-18 | 百度在线网络技术(北京)有限公司 | 道路拥堵瓶颈点确定方法、装置、服务器及存储介质 |
CN110176139A (zh) * | 2019-02-21 | 2019-08-27 | 淮阴工学院 | 一种基于dbscan+的道路拥堵识别可视化方法 |
CN111008223A (zh) * | 2019-10-21 | 2020-04-14 | 北京交通大学 | 一种基于时空关联规则的区域交通拥堵相关性计算方法 |
CN111159247A (zh) * | 2019-11-20 | 2020-05-15 | 北京交通大学 | 一种区域交通拥堵传播轨迹挖掘方法 |
Non-Patent Citations (2)
Title |
---|
JISHUN OU,ETC.: "Systematic clustering method to identify and characterise spatiotemporal congestion on freeway corridors", 《IET INTELLIGENT TRANSPORT SYSTEMS》 * |
叶晓飞等: "信息化条件下交通拥堵瓶颈识别与扩散判别", 《武汉理工大学学报(交通科学与工程版)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112233458A (zh) * | 2020-09-27 | 2021-01-15 | 东南大学 | 一种面向二次事故预防动态车道与可变限速协同控制方法 |
CN112233418A (zh) * | 2020-09-27 | 2021-01-15 | 东南大学 | 一种智能网联混合交通流环境下二次交通事故预防控制方法 |
CN113362605A (zh) * | 2021-07-23 | 2021-09-07 | 上海交通大学 | 基于潜在同质区域辨识的分布式交通流优化***及方法 |
CN113362605B (zh) * | 2021-07-23 | 2022-06-21 | 上海交通大学 | 基于潜在同质区域分析的分布式高速路优化***及方法 |
CN115527366A (zh) * | 2022-09-09 | 2022-12-27 | 扬州大学 | 一种大规模城市路网交通拥堵瓶颈辨识方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111640304B (zh) | 2021-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111640304B (zh) | 面向连续流交通设施的交通拥堵传播特征自动化量化提取方法 | |
CN110176139B (zh) | 一种基于dbscan+的道路拥堵识别可视化方法 | |
CN116644373B (zh) | 基于人工智能的汽车流量数据分析管理*** | |
CN111539454B (zh) | 一种基于元学习的车辆轨迹聚类方法及*** | |
CN111210612B (zh) | 基于公交gps数据与站点信息提取公交线路轨迹的方法 | |
CN114049765B (zh) | 基于自动车辆号牌识别数据的城市路网车流od估计方法 | |
CN108665703B (zh) | 基于宏观基本图的路网状态转换点判别方法 | |
CN108922174B (zh) | 一种快速路入口匝道周围交叉口群内路径动态分级方法 | |
CN114783183A (zh) | 一种基于交通态势算法的监控方法与*** | |
CN109164450B (zh) | 一种基于多普勒雷达数据的下击暴流预测方法 | |
CN115691120A (zh) | 一种基于高速公路流水数据的拥堵识别方法及*** | |
WO2017107790A1 (zh) | 一种基于大数据预测路段状况的方法及装置 | |
CN116168356B (zh) | 一种基于计算机视觉的车辆损伤判别方法 | |
CN112767684A (zh) | 一种基于收费数据的高速公路交通拥堵检测方法 | |
CN114999181A (zh) | 一种基于etc***数据的高速公路车辆速度异常识别方法 | |
CN112116810A (zh) | 基于城市道路卡口数据的全路网路段行程时间估计方法 | |
CN109147320B (zh) | 一种基于卡口数据的路段交通状态判别方法 | |
CN106446194B (zh) | 一种地理区域的采集参数确定方法及装置 | |
CN116168538B (zh) | 一种平面道路车辆通行空间识别方法 | |
CN113516850B (zh) | 基于空间句法分析的管道沿线交通流量数据采集方法 | |
CN112309129B (zh) | 一种基于卡口车牌识别的车辆出行特征分类的od矩阵形成方法 | |
CN113256014B (zh) | 一种5g通信工程智能检测*** | |
CN112382087A (zh) | 交通堵塞预测方法 | |
Siripanpornchana et al. | Incidents detection through mobile sensing | |
CN115862337B (zh) | 一种基于云端的车辆行程检测方法 |
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 |