CN112116806B - 车流量特征提取方法及*** - Google Patents
车流量特征提取方法及*** Download PDFInfo
- Publication number
- CN112116806B CN112116806B CN202010805829.4A CN202010805829A CN112116806B CN 112116806 B CN112116806 B CN 112116806B CN 202010805829 A CN202010805829 A CN 202010805829A CN 112116806 B CN112116806 B CN 112116806B
- Authority
- CN
- China
- Prior art keywords
- track
- point
- cluster
- sample
- historical
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims description 29
- 238000011156 evaluation Methods 0.000 claims description 20
- 238000013210 evaluation model Methods 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000007726 management method Methods 0.000 abstract description 6
- 239000000463 material Substances 0.000 abstract description 3
- 239000002699 waste material Substances 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 6
- 238000000638 solvent extraction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
-
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了车流量特征提取方法及***,该方法包括以下步骤:S100,通过物联网抓取若干车辆的历史轨迹数据,基于预设规则获取出发点集合及结束点集合,提取出车辆的轨迹时间分布特征;S200,基于节点密度,根据所述历史轨迹数据分别确定单个车辆的若干关键点,合并生成关键点集合,以及,根据所述关键点集合得到轨迹热点区域特征;S300,根据所述轨迹时间分布特征及所述轨迹热点区域特征,确定车辆通行瓶颈节点区域及瓶颈时段。本发明可得出车辆通行瓶颈节点区域及时段,可提前通知驾驶员回避该时段或区域,交通管理部门可提前介入管理,防止拥堵加深;也为道路规划提供了有力的数据依据,避免了人力物力财力的浪费。
Description
技术领域
本发明涉及车辆智能管理技术领域,特别涉及一种车流量特征提取方法及***。
背景技术
随着越来越多的车辆走入千家万户,路面行驶的车辆也越来越多,驾车途中很可能遭遇堵车、车流不畅等情况,给驾驶员及交通管理部门造成各种不便。此外,道路的改建及修建规划也需要获取车流量的特征来提供数据依据,从而避免财力物力浪费。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种车流量特征提取方法,能够有效提取车流量特征,为车辆通行及道路规划提供数据基础。
本发明还提出一种具有上述车流量特征提取方法的车流量特征提取***。
本发明还提出一种具有上述车流量特征提取方法的计算机可读存储介质。
根据本发明的第一方面实施例的车流量特征提取方法,包括以下步骤:S100,通过物联网抓取若干车辆的历史轨迹数据,基于预设规则获取出发点集合及结束点集合,提取出车辆的轨迹时间分布特征;S200,基于节点密度,根据所述历史轨迹数据分别确定单个车辆的若干关键点,合并生成关键点集合,以及,根据所述关键点集合得到轨迹热点区域特征;S300,根据所述轨迹时间分布特征及所述轨迹热点区域特征,确定车辆通行瓶颈节点区域及瓶颈时段。
根据本发明实施例的车流量特征提取方法,至少具有如下有益效果:通过获取车辆的出发点及结束点,得出轨迹分布特征,根据节点密度得到轨迹热点区域特征,可得出车辆通行瓶颈节点区域及时段,可提前通知驾驶员回避该时段或区域,交通管理部门可提前介入管理,防止拥堵加深;也为道路规划提供了有力的数据依据,避免了人力物力财力的浪费。
根据本发明的一些实施例,所述步骤S100包括:S110,获取单个车辆的所述历史轨迹数据,基于第一时间阈值清洗所述历史轨迹数据中未移动的轨迹点,并将所述历史轨迹数据划分为若干个行程;S120,若所述行程的起止时间大于等于第二时间阈值,则将所述行程的起点添加至所述出发点集合,以及,将所述行程的终点添加至所述结束点集合;S130,所有所述历史轨迹数据处理完成后,使用累计分布函数,从所述发点集合及所述结束点集合,提取出所述轨迹时间分布特征。
根据本发明的一些实施例,所述步骤S110包括:S111,按时间顺序从单个车辆的所述历史轨迹数据的轨迹点中获取第一轨迹点及第二轨迹点;S112,若所述第一轨迹点的速度为0,判断所述第二轨迹点与所述第一轨迹点的位置是否相同;S113,若所述第二轨迹点与所述第一轨迹点的位置相同,则继续按时间顺序向后查找与所述第一轨迹点的位置不同的第三轨迹点;S114,清洗所述第二轨迹点,并判断所述第三轨迹点及所述第一轨迹点的时间差是否大于所述第一时间阈值;S115,若所述第三轨迹点及所述第一轨迹点的时间差大于所述第一时间阈值,则所述第一轨迹点为上一所述行程的终点,所述第三轨迹点为下一所述行程的起点。
根据本发明的一些实施例,所述步骤S200包括:S210,获取单个车辆的所述历史轨迹数据,基于节点密度构建簇划分计算模型,根据所述历史轨迹数据得到第一簇集合;S220,清除所述第一簇集合中的节点数量少于第一数量的簇,获取所述第一簇集合中对应簇的所述关键点,合并至所述关键点集合,其中所述关键点与簇中另外的点的距离之和最小;S230,基于所述簇划分计算模型,根据所述关键点集合获取第二簇集合,得到所述轨迹热点区域特征。
根据本发明的一些实施例,所述簇划分计算模型的计算方法包括:S241,根据第一地面邻域距离阈值,分别获取样本点的邻域子样本集合,得到第一邻域子样本集合,若所述第一邻域子样本集合的样本数量大于第一样本数,则合并所述样本点至核心对象集合Ω;S242,在所述核心对象集合Ω中随机获取轨迹点o,初始化轨迹队列Ωcur={o},初始化当前样本簇Ck={o},更新未访问轨迹点集合Γ=Γ-{o};S243,从所述轨迹队列Ωcur中取出轨迹点o′,根据第一地面邻域距离阈值获取所述轨迹点o′的所述邻域子样本集合N∈(o′),令Δ=N∈(o′)∩Γ,更新Ck=Ck∪Δ,更新Γ=Γ-Δ,更新Ωcur=Ωcur∪(Δ∩Ω)-o′,更新Ω=Ω-Ck;S245,重复执行所述步骤S243,直至所述轨迹队列Ωcur为空;若所述轨迹队列Ωcur为空,则更新所述样本簇Ck至簇集合,并返回至所述步骤S242,直到所述核心对象集合Ω为空。
根据本发明的一些实施例,还包括:基于评估模型,对所述第一地面邻域距离阈值及所述第一样本数进行评估,根据评估结果对所述轨迹热点区域特征进行迭代更新,其中所述评估模型为:其中S(i)表示样本i的评估值,ai为样本i到同簇其他样本的平均距离,bi为样本i到其他簇的平均距离的最小值。
根据本发明的一些实施例,所述第一地面邻域距离阈值被配置为1000,所述第一样本数被配置为15。
根据本发明的第二方面实施例的车流量特征提取***,包括:轨迹数据获取模块,用于通过物联网抓取若干车辆的历史轨迹数据;时间分布特征提取模块,用于基于预设规则根据所述历史轨迹数据获取出发点集合及结束点集合,提取出车辆的轨迹时间分布特征;热点区域特征提取模块,用于基于节点密度,根据所述历史轨迹数据分别确定单个车辆的若干关键点,合并生成关键点集合,以及,根据所述关键点集合得到轨迹热点区域特征;瓶颈分析模块,用于根据所述轨迹时间分布特征及所述轨迹热点区域特征,确定车辆通行瓶颈节点区域及瓶颈时段。
根据本发明实施例的车流量特征提取***,至少具有同本发明第一方面的实施例同样的有益效果。
根据本发明的一些实施例,所述热点区域特征提取模块包括:配置模块,用于配置第一地面邻域距离阈值及第一样本数,构建基于节点密度的簇划分计算模型;第一计算模块,用于基于所述簇划分计算模型,根据所述历史轨迹数据获取第一簇集合,清除所述第一簇集合中的节点数量少于第一数量的簇,获取所述第一簇集合中对应簇的关键点,合并至所述关键点集合,其中所述关键点与簇中另外的点的距离之和最小;第二计算模块,用于基于所述簇划分计算模型,根据所述关键点集合获取第二簇集合,得到所述轨迹热点区域特征;评估模块,用于基于评估模型,对所述第一地面邻域距离阈值及所述第一样本数的进行评估,获得评估结果,其中所述评估模型为:其中S(i)表示样本i的评估值,ai为样本i到同簇其他样本的平均距离,bi为样本i到其他簇的平均距离的最小值;迭代控制模块,用于根据基于所述评估结果,对所述轨迹热点区域特征进行迭代更新。
根据本发明的第三方面实施例的计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本发明第一方面实施例的方法。
根据本发明实施例的计算机存储介质,至少具有同本发明第一方面的实施例同样的有益效果。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例的方法的流程示意图;
图2为本发明实施例的方法中时间分布特征提取过程中的行程划分示意图;
图3为本发明实施例的方法中提取热点区域特征的过程示意图;
图4为本发明实施例的方法中的簇划分计算模型的计算步骤示意图;
图5为本发明实施例的***的模块示意框图。
附图标记:
轨迹数据获取模块100、时间分布特征提取模块200、热点区域特征提取模块300、瓶颈分析模块400;
配置模块310、第一计算模块320、第二计算模块330、评估模块340,迭代控制模块350。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个及两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
参照图1,本发明的实施例的方法包括:通过物联网与若干车辆建立通信连接,抓取其历史轨迹数据,然后分别进行移动时间分布特征及轨迹热点区域特征的提取。移动时间分布特征提取过程中,基于预设规则获取所有车辆的出发点集合及结束点集合,提取出车辆的轨迹时间分布特征。轨迹热点区域特征提取过程中,基于节点密度,通过历史轨迹数据分别确定单个车辆的若干关键点,合并生成关键点集合,然后基于节点密度,根据该关键点集合得出轨迹热点区域特征。得到时间分布特征及轨迹热点区域特征后,即可分析获得车辆通行的瓶颈节点区域及瓶颈时段。
本发明实施例的移动时间分布特征提取,包括以下步骤。首先,针对单个物联网节点(即单个车辆)的历史轨迹数据进行清洗,计算出行程,获得相应的出发点及结束点。对单个车辆的历史轨迹数据进行清洗并计算行程的过程,参照图2。按顺序获取历史轨迹数据中的轨迹点,若发现某一轨迹点X1的速度记录为0,则标记X1为第一轨迹点。若第一轨迹点之后有若干与第一轨迹点中位置相同的若干轨迹点,如图2中为X1到Xn,则标记X1到Xn为第二轨迹点;Xn+1的位置与前一轨迹点Xn的位置不同,标记为第三轨迹点。首先对第二轨迹点进行清洗,并基于第一时间阈值划分行程。参照图2第二行,若第三轨迹点Xn+1与第一轨迹点X1的时间差值小于等于第一时间阈值(例如:5分钟),则认为该行程未结束,继续向后计算。参照图2第三行,若第三轨迹点Xn+1与第一轨迹点X1的时间差值大于第一时间阈值,则认为将行程分为两部分,其中第一轨迹点X1为上一行程的终点,第三轨迹点Xn+1为下一行程的起点。行程划分完成后,还将继续进一步筛选,去除时间较短的行程。若行程的总长超过第二时间阈值(如:10分钟),则将该行程的起点添加至出发点集合,并将该行程的终点添加至结束点集合。所有车辆的历史数据处理完成,则得到完整的出发点集合及结束点集合,通过累计分布函数,提取出轨迹时间分布特征。
本发明实施例的热点活动区域特征提取过程,参照图3。获取单个车辆的所述历史轨迹数据,基于节点密度构建簇划分计算模型,分别计算每个车辆各自的第一簇集合。然后,清除第一簇集合中的节点数量少于第一数量的簇,这一步可去除干扰的噪点节点,以及排除节点密度过小的簇;对第一簇集合中剩余的簇,分别计算各簇中的关键点,该关键点与本簇中另外的点的距离之和最小;再将这些关键点合并至所有车辆共享的关键点集合中。最后,基于簇划分计算模型,根据关键点集合提取第二簇集合,该第二簇集合即为轨迹热点区域特征。
两个样本点之间的地面距离的计算公式如下:
其中,(x1,y1)为样本点Xi的经纬坐标,(x2,y2)为样本点Xj的经纬坐标,R为地球半径,distance为两个样本点Xi与Xj的地面距离。若这两个点的地面距离在邻域距离阈值∈,则样本点Xi为样本点Xj的∈-邻域子样本集N∈(Xj);显然,样本点Xj亦为样本点Xi的∈-邻域子样本集N∈(Xi)。
本发明实施例中的簇划分计算模型的处理步骤,参照图4。具体过程如下:
步骤2:接收输入的样本集合,对于其中的任一样本点Xj,根据公式一,通过第一地面邻域距离阈值,得出样本点Xj的邻域子样本集N∈(Xj),若该邻域子样本集中的个数|N∈(Xj)|≥MinPts,则将样本Xj加入集合Ω=Ω∪{Xj},本发明的一个实施例中,MinPts(即第一样本数)取15;
步骤4:在核心核心对象集合Ω,随机选择一个核心对象o,队列Ωcur={o},初始化类别序号k=k+1,当前样本集合Ck={o},更新集合Γ=Γ-{o};
步骤6:在队列Ωcur中取出一个样本点o′,根据公式一,通过第一地面邻域距离阈值∈找出该样本点o′所有的∈-邻域子样本集N∈(o′),(在本发明的一些实施例中,邻域距离阈值取1000),令Δ=N∈(o′)∩Γ,更新集合Ck=Ck∪Δ,更新集合Γ=Γ-Δ,更新Ωcur=Ωcur∪(Δ∩Ω)-o′,转入步骤5。
本发明的实施例中,通过抓取单个车辆的历史轨迹数据,以该历史轨迹数据为样本点集合作为输入,通过执行上述步骤1至6,可获取第一簇集合,参照图3。假定第一簇集合为C={C1,C2,...,Ck},还会将len(Ci)<n,i=1,2,..k的簇(即簇中样本数量少于n的簇)从集合C中删除,得到结果:C={C1,C2,...,Cm},m≤k,在本发明一些实施例中,n取值20。这一步的目的是去除干扰的噪声点,排队节点密集度不足的簇。然后初始化关键点集合对于每个簇求其关键点,即其中ci即为簇Ci的关键点,将ci加入关键点集合D;显然关键点ci到簇Ci中其它各点的距离之和最小。然后以该关键点集合D作为输入,执行上述步骤1至6,可获得第二簇集合。显然,在本发明一些实施例中,在以历史轨迹数据为样本点集合作为输入时,选取的第一地面邻域距离阈值及第一样本数MinPts可以与关键点集合D进行输入时选取的值不同;即针对第一簇集合与第二簇集合的获取过程,设计两套第一地面邻域距离阈值及第一样本数MinPts的值。
在本发明的一些实施例中,还会根据下述公式二对第一地面邻域距离阈值及第一样本数MinPts进行评估:
其中,ai为样本i到同簇其他样本的平均距离,bi为样本i到其他簇的平均距离的最小值。S(i)值越接近1,表明选取的第一地面邻域距离阈值及第一样本数MinPts越适合。得到评估结果后,若评估结果不合预期,还会重新选择第一地面邻域距离阈值及第一样本数MinPts进行迭代,获取新的轨迹热点区域特征。
本发明实施例的装置,参照图5,包括:轨迹数据获取模块100,用于通过物联网抓取若干车辆的历史轨迹数据;时间分布特征提取模块200,用于基于预设规则根据历史轨迹数据获取出发点集合及结束点集合,提取出车辆的轨迹时间分布特征;热点区域特征提取模块300,根据基于节点密度,根据历史轨迹数据分别确定单个车辆的若干关键点,合并生成关键点集合,以及,根据关键点集合得到轨迹热点区域特征;瓶颈分析模块400,根据轨迹时间分布特征及轨迹热点区域特征,确定车辆通行瓶颈节点区域及瓶颈时段。
参照图5,本发明实施例的热点区域特征提取模块包括以下模块:配置模块310、第一计算模块320、第二计算模块330、评估模块340及迭代控制模块350。配置模块310,用于配置第一地面邻域距离阈值及第一样本数,构建基于节点密度的簇划分计算模型。第一计算模块320,用于基于簇划分计算模型,根据历史轨迹数据获取第一簇集合,清除第一簇集合中的节点数量少于第一数量的簇,得出第一簇集合中的各簇中的关键点,合并至关键点集合,其中关键点与簇中另外的点的距离之和最小。第二计算模块330,用于基于簇划分计算模型,根据关键点集合获取第二簇集合,得到轨迹热点区域特征。评估模块340,用于基于评估模型,对第一地面邻域距离阈值及第一样本数的进行评估,获得评估结果,其中评估模型为:
其中ai为样本i到同簇其他样本的平均距离,bi为样本i到其他簇的平均距离的最小值。迭代控制模块350,用于根据基于评估结果,对轨迹热点区域特征进行迭代更新。
在本发明的另一些实施例中,热点区域特征提取模块包括配置模块310、第一计算模块320及第二计算模块330,不包括评估模块340及迭代控制模块350。
尽管本文描述了具体实施方案,但是本领域中的普通技术人员将认识到,许多其它修改或另选的实施方案同样处于本公开的范围内。例如,结合特定设备或组件描述的功能和/或处理能力中的任一项可以由任何其它设备或部件来执行。另外,虽然已根据本公开的实施方案描述了各种例示性具体实施和架构,但是本领域中的普通技术人员将认识到,对本文所述的例示性具体实施和架构的许多其它修改也处于本公开的范围内。
上文参考根据示例性实施方案所述的***、方法、***和/或计算机程序产品的框图和流程图描述了本公开的某些方面。应当理解,框图和流程图中的一个或多个块以及框图和流程图中的块的组合可分别通过执行计算机可执行程序指令来实现。同样,根据一些实施方案,框图和流程图中的一些块可能无需按示出的顺序执行,或者可以无需全部执行。另外,超出框图和流程图中的块所示的那些部件和/或操作以外的附加部件和/或操作可存在于某些实施方案中。
因此,框图和流程图中的块支持用于执行指定功能的装置的组合、用于执行指定功能的元件或步骤的组合以及用于执行指定功能的程序指令装置。还应当理解,框图和流程图中的每个块以及框图和流程图中的块的组合可以由执行特定功能、元件或步骤的专用硬件计算机***或者专用硬件和计算机指令的组合来实现。
本文所述的程序模块、应用程序等可包括一个或多个软件组件,包括例如软件对象、方法、数据结构等。每个此类软件组件可包括计算机可执行指令,所述计算机可执行指令响应于执行而使本文所述的功能的至少一部分(例如,本文所述的例示性方法的一种或多种操作)被执行。
软件组件可以用各种编程语言中的任一种来编码。一种例示性编程语言可以为低级编程语言,诸如与特定硬件体系结构和/或操作***平台相关联的汇编语言。包括汇编语言指令的软件组件可能需要在由硬件架构和/或平台执行之前由汇编程序转换为可执行的机器代码。另一种示例性编程语言可以为更高级的编程语言,其可以跨多种架构移植。包括更高级编程语言的软件组件在执行之前可能需要由解释器或编译器转换为中间表示。编程语言的其它示例包括但不限于宏语言、外壳或命令语言、作业控制语言、脚本语言、数据库查询或搜索语言、或报告编写语言。在一个或多个示例性实施方案中,包含上述编程语言示例中的一者的指令的软件组件可直接由操作***或其它软件组件执行,而无需首先转换成另一种形式。
软件组件可存储为文件或其它数据存储构造。具有相似类型或相关功能的软件组件可一起存储在诸如特定的目录、文件夹或库中。软件组件可为静态的(例如,预设的或固定的)或动态的(例如,在执行时创建或修改的)。
上面结合附图对本发明实施例作了详细说明,但是本发明不限于上述实施例,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (8)
1.一种车流量特征提取方法,其特征在于,包括以下步骤:
S100,通过物联网抓取若干车辆的历史轨迹数据,基于预设规则获取出发点集合及结束点集合,提取出车辆的轨迹时间分布特征;
S200,获取单个车辆的所述历史轨迹数据,基于节点密度构建簇划分计算模型,根据所述历史轨迹数据得到第一簇集合;清除所述第一簇集合中的节点数量少于第一数量的簇,获取所述第一簇集合中对应簇的关键点,合并至关键点集合,其中所述关键点与簇中另外的点的距离之和最小;基于所述簇划分计算模型,根据所述关键点集合获取第二簇集合,得到所述轨迹热点区域特征;其中,所述簇划分计算模型的计算方法包括:S241,根据第一地面邻域距离阈值,分别获取样本点的邻域子样本集合,得到第一邻域子样本集合,若所述第一邻域子样本集合的样本数量大于第一样本数,则合并所述样本点至核心对象集合Ω;S242,在所述核心对象集合Ω中随机获取轨迹点o,初始化轨迹队列Ωcur={o},初始化当前样本簇Ck={o},更新未访问轨迹点集合Γ=Γ-{o};S243,从所述轨迹队列Ωcur中取出轨迹点o′,根据第一地面邻域距离阈值获取所述轨迹点o′的所述邻域子样本集合N∈(o′),令Δ=N∈(o′)∩Γ,更新Ck=Ck∪Δ,更新Γ=Γ-Δ,更新Ωcur=Ωcur∪(Δ∩Ω)-o′,更新Ω=Ω-Ck;以及,S244,重复执行所述步骤S243,直至所述轨迹队列Ωcur为空;若所述轨迹队列Ωcur为空,则更新所述样本簇Ck至簇集合,并返回至所述步骤S242,直到所述核心对象集合Ω为空;
S300,根据所述轨迹时间分布特征及所述轨迹热点区域特征,确定车辆通行瓶颈节点区域及瓶颈时段。
2.根据权利要求1所述的车流量特征提取方法,其特征在于,所述步骤S100包括:
S110,获取单个车辆的所述历史轨迹数据,基于第一时间阈值清洗所述历史轨迹数据中未移动的轨迹点,并将所述历史轨迹数据划分为若干个行程;
S120,若所述行程的起止时间大于等于第二时间阈值,则将所述行程的起点添加至所述出发点集合,以及,将所述行程的终点添加至所述结束点集合;
S130,所有所述历史轨迹数据处理完成后,使用累计分布函数,从所述发点集合及所述结束点集合,提取出所述轨迹时间分布特征。
3.根据权利要求2所述的车流量特征提取方法,其特征在于,所述步骤S110包括:
S111,按时间顺序从单个车辆的所述历史轨迹数据的轨迹点中获取第一轨迹点及第二轨迹点;
S112,若所述第一轨迹点的速度为0,判断所述第二轨迹点与所述第一轨迹点的位置是否相同;
S113,若所述第二轨迹点与所述第一轨迹点的位置相同,则继续按时间顺序向后查找与所述第一轨迹点的位置不同的第三轨迹点;
S114,清洗所述第二轨迹点,并判断所述第三轨迹点及所述第一轨迹点的时间差是否大于所述第一时间阈值;
S115,若所述第三轨迹点及所述第一轨迹点的时间差大于所述第一时间阈值,则所述第一轨迹点为上一所述行程的终点,所述第三轨迹点为下一所述行程的起点。
5.根据权利要求4所述的车流量特征提取方法,其特征在于,所述第一地面邻域距离阈值被配置为1000,所述第一样本数被配置为15。
6.一种车流量特征提取***,使用权利要求1至5中任一项的方法,其特征在于,包括:
轨迹数据获取模块,用于通过物联网抓取若干车辆的历史轨迹数据;
时间分布特征提取模块,用于基于预设规则根据所述历史轨迹数据获取出发点集合及结束点集合,提取出车辆的轨迹时间分布特征;
热点区域特征提取模块,用于基于节点密度,根据所述历史轨迹数据分别确定单个车辆的若干关键点,合并生成关键点集合,以及,根据所述关键点集合得到轨迹热点区域特征;
瓶颈分析模块,用于根据所述轨迹时间分布特征及所述轨迹热点区域特征,确定车辆通行瓶颈节点区域及瓶颈时段。
7.根据权利要求6所述的车流量特征提取***,其特征在于,所述热点区域特征提取模块包括:
配置模块,用于配置第一地面邻域距离阈值及第一样本数,构建基于节点密度的簇划分计算模型;
第一计算模块,用于基于所述簇划分计算模型,根据所述历史轨迹数据获取第一簇集合,清除所述第一簇集合中的节点数量少于第一数量的簇,获取所述第一簇集合中对应簇的关键点,合并至所述关键点集合,其中所述关键点与簇中另外的点的距离之和最小;
第二计算模块,用于基于所述簇划分计算模型,根据所述关键点集合获取第二簇集合,得到所述轨迹热点区域特征;
评估模块,用于基于评估模型,对所述第一地面邻域距离阈值及所述第一样本数的进行评估,获得评估结果,其中所述评估模型为:其中S(i)表示样本i的评估值,ai为样本i到同簇其他样本的平均距离,bi为样本i到其他簇的平均距离的最小值;
迭代控制模块,用于根据基于所述评估结果,对所述轨迹热点区域特征进行迭代更新。
8.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至5中任一项的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010805829.4A CN112116806B (zh) | 2020-08-12 | 2020-08-12 | 车流量特征提取方法及*** |
PCT/CN2020/114489 WO2022032781A1 (zh) | 2020-08-12 | 2020-09-10 | 车流量特征提取方法及*** |
DE112020001662.5T DE112020001662T5 (de) | 2020-08-12 | 2020-09-10 | Verfahren und System zum Extrahieren von Merkmalen des Verkehrsflusses |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010805829.4A CN112116806B (zh) | 2020-08-12 | 2020-08-12 | 车流量特征提取方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112116806A CN112116806A (zh) | 2020-12-22 |
CN112116806B true CN112116806B (zh) | 2021-08-24 |
Family
ID=73804048
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010805829.4A Active CN112116806B (zh) | 2020-08-12 | 2020-08-12 | 车流量特征提取方法及*** |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN112116806B (zh) |
DE (1) | DE112020001662T5 (zh) |
WO (1) | WO2022032781A1 (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112652170B (zh) * | 2020-12-24 | 2022-04-08 | 航天科工智能运筹与信息安全研究院(武汉)有限公司 | 交通拥堵热点的定位方法和装置 |
CN114676917B (zh) * | 2022-03-29 | 2024-07-02 | 福州大学 | 一种空驶出租汽车空间分布评估方法及*** |
CN115423841B (zh) * | 2022-08-08 | 2023-06-23 | 华东师范大学 | 一种面向大宗物流的运输终点校准方法及*** |
CN115457767B (zh) * | 2022-08-30 | 2023-08-29 | 同济大学 | 一种基于众包机动车轨迹的车道信息提取方法 |
CN115655281B (zh) * | 2022-12-06 | 2024-07-16 | 亿海蓝(北京)数据技术股份公司 | 海上航路的规划方法、规划装置和可读存储介质 |
CN116030629B (zh) * | 2023-01-09 | 2023-09-19 | 云艾网人工智能科技(江苏)有限公司 | 基于轨迹大数据的交通拥堵溯源方法、存储介质及服务器 |
CN116401568A (zh) * | 2023-02-02 | 2023-07-07 | 道枢(上海)数字技术有限公司 | 一种基于密度聚类的事件多发区域智能划分方法 |
CN116597649B (zh) * | 2023-06-09 | 2024-07-16 | 山西省智慧交通研究院有限公司 | 一种基于高速公路收费***的路网交通流量推演方法 |
CN117455918B (zh) * | 2023-12-25 | 2024-03-26 | 深圳市辉熙智能科技有限公司 | 基于图像分析的防堵送料方法及*** |
CN117994987B (zh) * | 2024-04-07 | 2024-06-11 | 东南大学 | 基于目标检测技术的交通参数提取方法及相关装置 |
CN118243131B (zh) * | 2024-05-27 | 2024-07-23 | 北京车慧达科技有限公司 | 根据车辆轨迹语义分析和深度信念网络的轨迹预测方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9576481B2 (en) * | 2015-04-30 | 2017-02-21 | Here Global B.V. | Method and system for intelligent traffic jam detection |
CN104952248B (zh) * | 2015-06-08 | 2017-09-12 | 浙江大学 | 一种基于欧氏空间的车辆汇聚预测方法 |
CN105843919A (zh) * | 2016-03-24 | 2016-08-10 | 云南大学 | 一种基于多特征融合与聚类集成的移动对象轨迹聚类方法 |
CN107610464B (zh) * | 2017-08-11 | 2019-02-12 | 河海大学 | 一种基于高斯混合时间序列模型的轨迹预测方法 |
CN108847023A (zh) * | 2018-06-13 | 2018-11-20 | 新华网股份有限公司 | 推送告警信息的方法、装置及终端设备 |
CN109033011B (zh) * | 2018-06-19 | 2022-06-21 | 东软集团股份有限公司 | 计算轨迹频繁度的方法、装置、存储介质及电子设备 |
CN109034226A (zh) * | 2018-07-16 | 2018-12-18 | 福州大学 | 一种基于图论的车辆轨迹聚类方法 |
CN110176139B (zh) * | 2019-02-21 | 2021-01-05 | 淮阴工学院 | 一种基于dbscan+的道路拥堵识别可视化方法 |
CN110135450B (zh) * | 2019-03-26 | 2020-06-23 | 中电莱斯信息***有限公司 | 一种基于密度聚类的热点路径分析方法 |
CN111915893B (zh) * | 2019-04-15 | 2021-05-11 | 北京嘀嘀无限科技发展有限公司 | 一种道路瓶颈点识别方法、装置、电子设备及存储介质 |
CN111275963A (zh) * | 2020-01-14 | 2020-06-12 | 北京百度网讯科技有限公司 | 热点区域的挖掘方法、装置、电子设备和存储介质 |
-
2020
- 2020-08-12 CN CN202010805829.4A patent/CN112116806B/zh active Active
- 2020-09-10 WO PCT/CN2020/114489 patent/WO2022032781A1/zh active Application Filing
- 2020-09-10 DE DE112020001662.5T patent/DE112020001662T5/de active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2022032781A1 (zh) | 2022-02-17 |
DE112020001662T5 (de) | 2022-04-21 |
CN112116806A (zh) | 2020-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112116806B (zh) | 车流量特征提取方法及*** | |
CN111091200A (zh) | 训练模型的更新方法、***、智能体、服务器及存储介质 | |
CN110874564A (zh) | 分类车线后补像素检测车线的方法及装置 | |
US11994862B2 (en) | Method and system for training reinforcement learning agent using adversarial sampling | |
CN103115626B (zh) | 计算拥堵信息并基于其进行导航的方法、装置和设备 | |
CN110348969B (zh) | 基于深度学习和大数据分析的出租车寻客策略推荐方法 | |
CN113188562B (zh) | 可行驶区域的路径规划方法、装置、电子设备及存储介质 | |
CN114781267B (zh) | 基于多源大数据的职住接驳动态公交管理方法及*** | |
CN112384759A (zh) | 用于为车辆路线规划确定路线的方法和设备 | |
JP2020123269A (ja) | 演算装置 | |
CN110843768B (zh) | 汽车自动泊车控制方法、装置、设备及存储介质 | |
CN114511077A (zh) | 使用基于伪元素的数据扩增来训练点云处理神经网络 | |
US12013251B2 (en) | Dynamic map generation with focus on construction and localization field of technology | |
CN115560771A (zh) | 基于采样的路径规划方法及装置、自动行驶设备 | |
CN110909588B (zh) | 基于cnn的用于车道线检测的方法和装置 | |
CN114253975B (zh) | 一种负载感知的路网最短路径距离计算方法及装置 | |
CN113682302B (zh) | 一种驾驶状态估计方法、装置、电子设备及存储介质 | |
CN112269848A (zh) | 一种众包轨迹数据融合方法及装置 | |
US11120687B2 (en) | Systems and methods for utilizing a machine learning model to identify public parking spaces and for providing notifications of available public parking spaces | |
CN111695389B (zh) | 一种车道线聚类方法及装置 | |
CN111190984A (zh) | 职住地提取方法、装置及计算机可读存储介质 | |
CN113946159B (zh) | 无人机高速公路巡逻的路径优化方法和*** | |
CN111177190A (zh) | 数据处理方法、装置、电子设备及可读存储介质 | |
CN112118535B (zh) | 车辆漫游区域预测方法及*** | |
KR20140006491A (ko) | 확률 그래프의 효과적인 그래프 클러스터링 장치 및 방법 |
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 |