CN112562311A - 基于gis大数据的工况权重因子获取方法及装置 - Google Patents

基于gis大数据的工况权重因子获取方法及装置 Download PDF

Info

Publication number
CN112562311A
CN112562311A CN202011127726.3A CN202011127726A CN112562311A CN 112562311 A CN112562311 A CN 112562311A CN 202011127726 A CN202011127726 A CN 202011127726A CN 112562311 A CN112562311 A CN 112562311A
Authority
CN
China
Prior art keywords
traffic flow
road
gis
weight factor
calculating
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
Application number
CN202011127726.3A
Other languages
English (en)
Other versions
CN112562311B (zh
Inventor
于晗正男
刘昱
李菁元
梁永凯
安晓盼
吕赫
胡熙
沈姝
马琨其
尹月华
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.)
China Automotive Technology and Research Center Co Ltd
CATARC Automotive Test Center Tianjin Co Ltd
Original Assignee
China Automotive Technology and Research Center Co Ltd
CATARC Automotive Test Center Tianjin Co Ltd
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 China Automotive Technology and Research Center Co Ltd, CATARC Automotive Test Center Tianjin Co Ltd filed Critical China Automotive Technology and Research Center Co Ltd
Priority to CN202011127726.3A priority Critical patent/CN112562311B/zh
Publication of CN112562311A publication Critical patent/CN112562311A/zh
Priority to LU500569A priority patent/LU500569B1/en
Application granted granted Critical
Publication of CN112562311B publication Critical patent/CN112562311B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computing Systems (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Remote Sensing (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)

Abstract

本发明涉及一种基于GIS大数据的工况权重因子获取方法及装置。所述获取方法包括以下步骤：S1、GIS数据补充与修正；S2、道路信息处理与匹配，构建典型城市全路网GIS数据库；S3、建立基于支持向量机的交通流模型选择模型；S4、交通流模型标定及计算，得到全路网道路的交通流量；S5、速度区间权重因子计算。该方法可准确客观的对各个速度区间的权重因子进行计算，为政府、研究机构和企业在道路工况提取相关领域的政策制定、试验设计和产品开发提供技术性支持。

Description

基于GIS大数据的工况权重因子获取方法及装置
技术领域
本发明涉及交通运输领域，具体而言，涉及一种基于GIS大数据的工况权重因子获取方法及装置。
背景技术
汽车产品检测工况是汽车行业的一项重要的共性基础技术，是车辆能耗/排放测试方法和限值标准的基础。在工况构建过程中，如何客观科学地确定车辆在各个速度区间下行驶的权重因子是亟待解决的问题。传统权重因子确定方法是基于实际车队采集数据进行计算，但计算结果受车队组建的主观性影响较大，因而所得权重因子准确性较低，无法客观确定出各个速度区间的权重因子。
有鉴于此，特提出本发明。
发明内容
第一方面，本发明的目的在于提供一种基于GIS大数据的工况权重因子获取方法，该方法可准确客观的对各个速度区间的权重因子进行计算，为政府、研究机构和企业在道路工况提取相关领域的政策制定、试验设计和产品开发提供技术性支持。
第二方面，本发明的目的在于提供一种基于GIS大数据的工况权重因子获取装置。
第三方面，本发明的目的在于提供一种电子设备。
第四方面，本发明的目的在于提供一种介质。
为了实现上述目的，本发明采用以下技术方案：
第一方面，本发明提供了一种基于GIS大数据的工况权重因子获取方法，包括以下步骤：
S1、GIS数据补充与修正；
S2、道路信息处理与匹配，构建典型城市全路网GIS数据库；
S3、建立基于支持向量机的交通流模型选择模型或基于粒子群优化极限学习机的交通流模型选择模型；
S4、交通流模型标定及计算，得到全路网道路的交通流量；
S5、速度区间权重因子计算。
作为进一步优选的技术方案，步骤S1包括：计算各条道路GIS数据的缺失率，对GIS数据缺失率在一定范围内的道路数据进行补充与修正；
优选地，若缺失率大于或等于0.3，则该条道路的GIS数据直接被删除；
若缺失率大于或等于0.1且小于0.3，则采用相邻日期同一时刻的速度平均值补充；
若缺失率小于0.1，则采用当日内相邻时刻平均速度的线性差值对车辆信息进行补充；
优选地，所述相邻日期为当日前五天到当日后五天；
优选地，所述相邻时刻为当前时刻的前15分钟到后15分钟。
作为进一步优选的技术方案，步骤S2包括：根据道路信息对各条道路的车道数进行加权处理，获得该条道路的平均车道数；将道路GIS数据与道路信息相匹配，构建典型城市全路网GIS数据库；
优选地，该条道路的平均车道数采用以下公式计算得到：
Figure BDA0002732658250000021
其中，n为平均车道数；ni为该道路上第i段道路车道数；li为该道路上第i段道路车道长度。
作为进一步优选的技术方案，所述交通流模型选择模型基于支持向量机建立；
优选地，步骤S3包括：
S3a、提供多条道路在不同时刻的交通流量数据；
S3b、选定多种交通流模型，根据GIS数据库中的道路平均速度，分别计算对应道路的交通流量，然后确定对应道路的交通流模型，最后形成各条道路与交通流模型一一对应的交通流模型样本库；
S3c、采用支持向量机，选择核函数及参数，构建基于支持向量机的交通流模型选择模型。
作为进一步优选的技术方案，步骤S3a中，通过对典型道路交通摄像头视频数据的分析处理，获得多条道路在不同时刻的交通流量数据；
优选地，步S3b中，交通流量模型为3种；
优选地，步骤S3b中，采用最小二乘法确定对应道路的交通流模型；
步骤S3c中，将交通流模型样本库分为训练集和测试集，然后构建基于支持向量机的交通流模型选择模型。
作为进一步优选的技术方案，步骤S4包括：
S4a、将道路信息输入到交通流模型选择模型中，计算出道路适用的交通流模型，然后对交通流模型进行标定，包括自由流速度标定和最佳密度系数标定；
S4b、将交通流模型的计算流量和实际调研流量进行对比，并计算各小时交通流量的相对误差平均值和绝对误差平均值；
S4c、将GIS数据库作为输入，通过交通流模型计算得出全路网道路的交通流量；
优选地，所述道路信息包括道路长度、道路加权车道数、道路限速值和道路等级；
优选地，所述相对误差平均值采用以下公式计算得到：
Figure BDA0002732658250000041
Figure BDA0002732658250000042
其中，ε为相对误差平均值，Qi为第i时刻的实际交通流量，qi为第i时刻模型计算出的交通流量；
优选地，所述绝对误差平均值采用以下公式计算得到：
Figure BDA0002732658250000043
Figure BDA0002732658250000044
其中，Q为绝对误差平均值，Qi为第i时刻的实际交通流量，qi为第i时刻模型计算出的交通流量。
作为进一步优选的技术方案，步骤S5包括：根据全路网道路的交通流量，得到全路网不同速度区间的车辆行驶时间分布，按照速度区间阈值，分别划分低速区间、中速区间和高速区间，分别计算低速区间、中速区间和高速区间的累计车辆行驶时间，最终得到各速度区间权重因子。
第二方面，本发明提供了一种基于GIS大数据的工况权重因子获取装置，包括：
GIS数据补充与修正模块，用于对GIS数据进行补充与修正；
道路信息处理与匹配模块，用于对道路信息进行处理与匹配，构建典型城市全路网GIS数据库；
基于支持向量机的交通流模型选择构建模块，用于构建基于支持向量机的交通流模型选择模型；
交通流模型标定及计算模块，用于对交通流模型标定及计算；
以及，速度区间权重因子计算模块，用于计算速度区间权重因子。
第三方面，本发明提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的基于GIS大数据的工况权重因子获取方法。
第四方面，本发明提供了一种介质，所述介质上存储有计算机指令，所述计算机指令用于使所述计算机执行上述的基于GIS大数据的工况权重因子获取方法。
与现有技术相比，本发明的有益效果为：
本发明提供的基于GIS大数据的工况权重因子获取方法创新性的引入了能够相对客观反映我国车辆真实行驶情景的GIS(Geographic Information System或Geo-Information system，地理信息***)交通大数据，通过建立交通流模型选择模型，获取全国典型城市全路网车辆在不同速度区间下的出行时间占比，进而确定各个速度区间的权重因子，为行驶工况的构建提供依据。
该方法基于支持向量机构建了交通流模型选择模型，以道路信息为输入确定每条道路所适用交通流模型。将各道路GIS数据输入对应的交通流模型当中，计算得出典型城市全路网道路流量以及车辆行驶小时数，从而实现对工况各速度区间权重因子的获取。该方法较之传统通过车辆实际采集数据获得工况权重因子的方法，从一定程度上避免了车队组建对权重因子确定的主观性影响，使得权重因子更准确更客观，可以为政府、研究机构和企业在道路工况提取相关领域的政策制定、试验设计和产品开发提供技术性支持。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是实施例1提供的基于GIS大数据的工况权重因子获取方法的流程示意图；
图2是实施例1中道路信息处理与匹配的流程示意图；
图3是实施例1中实测数据与模拟数据拟合图；
图4是实施例1中交通流模型选择模型建立流程图；
图5是实施例1中交通流量时序图；
图6是实施例1中各速度区间占比。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
随着科技的发展，4G网络以及智能手机的不断普及，通过驾驶员的车辆导航数据(GIS大数据)的分析处理可以获取典型城市全路网不同时刻不同地理位置下的平均车速信息，为获取车辆行驶工况的权重因子提供了一种新方法和新思路，在该思路下，本发明的发明人创造性的提出了一种基于GIS大数据的工况权重因子获取方法。
上述基于GIS大数据的工况权重因子获取方法，包括以下步骤：
S1、GIS数据补充与修正；
S2、道路信息处理与匹配，构建典型城市全路网GIS数据库；
S3、建立基于支持向量机的交通流模型选择模型或基于粒子群优化极限学习机的交通流模型选择模型；
S4、交通流模型标定及计算，得到全路网道路的交通流量；
S5、速度区间权重因子计算。
该基于GIS大数据的工况权重因子获取方法创新性的引入了能够相对客观反映我国车辆真实行驶情景的GIS(Geographic Information System或Geo-Informationsystem，地理信息***)交通大数据，通过建立交通流模型选择模型，获取全国典型城市全路网车辆在不同速度区间下的出行时间占比，进而确定各个速度区间的权重因子，为行驶工况的构建提供依据。
该方法基于支持向量机或基于粒子群优化极限学习机构建了交通流模型选择模型，以道路信息为输入确定每条道路所适用交通流模型。将各道路GIS数据输入对应的交通流模型当中，计算得出典型城市全路网道路流量以及车辆行驶小时数，从而实现对工况各速度区间权重因子的获取。该方法较之传统通过车辆实际采集数据获得工况权重因子的方法，从一定程度上避免了车队组建对权重因子确定的主观性影响，使得权重因子更准确更客观，可以为政府、研究机构和企业在道路工况提取相关领域的政策制定、试验设计和产品开发提供技术性支持。
在一种优选的实施方式中，步骤S1包括：计算各条道路GIS数据的缺失率，对GIS数据缺失率在一定范围内的道路数据进行补充与修正。通过对GIS数据缺失率在一定范围内的道路数据进行补充与修正，有利于提高数据的完整性和准确性。
上述“缺失率”是指数据累计缺失时长与采集周期的比值。
优选地，若缺失率大于或等于0.3，则该条道路的GIS数据直接被删除；
若缺失率大于0.1或等于且小于0.3，则采用相邻日期同一时刻的速度平均值补充；
若缺失率小于0.1，则采用当日内相邻时刻平均速度的线性差值对车辆信息进行补充。
优选地，所述相邻日期为当日前五天到当日后五天。例如，若当日为某月15日，则其相邻日期为当月10日、11日、12日、13日、14日、16日、17日、18日、19日和20日。
优选地，所述相邻时刻为当前时刻的前15分钟到后15分钟。例如，若当前时刻为15点25分，则其相邻时刻为15点10分、15点15分、15点20分、15点30分、15点35分、15点40分。应当理解的是，以上所列举的相邻时刻是每5分钟获取一次数据，因而前15分钟到后15分钟所取的是每隔5分钟的时刻，这与目前GIS道路数据的最低刷新频率一致，显然，其中的时间间隔也可根据GIS道路数据的刷新频率进行调整。
在一种优选的实施方式中，步骤S2包括：根据道路信息对各条道路的车道数进行加权处理，获得该条道路的平均车道数；将道路GIS数据与道路信息相匹配，构建典型城市全路网GIS数据库。通常情况下，一条道路在不同的路段车道数会有所变化，因此首先需要对车道数进行加权处理，得到该条道路的平均车道数。
优选地，该条道路的平均车道数采用以下公式计算得到：
Figure BDA0002732658250000081
其中，n为平均车道数；ni为该道路上第i段道路车道数；li为该道路上第i段道路车道长度。
在一种优选的实施方式中，所述交通流模型选择模型基于支持向量机建立。
优选地，步骤S3包括：
S3a、提供多条道路在不同时刻的交通流量数据；
S3b、选定多种交通流模型，根据GIS数据库中的道路平均速度，分别计算对应道路的交通流量，然后确定对应道路的交通流模型，最后形成各条道路与交通流模型一一对应的交通流模型样本库；
S3c、采用支持向量机，选择核函数及参数，构建基于支持向量机的交通流模型选择模型。
本优选实施方式中，首先提供交通流量数据，然后形成各条道路与交通流模型一一对应的交通流模型样本库，再根据样本库，构建出基于支持向量机的交通流模型选择模型。
上述“多条”是指两条以上，例如2条、3条、4条、5条等。上述“多种”是指两种以上，例如2种、3种、4种等。
在一种优选的实施方式中，步骤S3a中，通过对典型道路交通摄像头视频数据的分析处理，获得多条道路在不同时刻的交通流量数据。
在一种优选的实施方式中，步骤S3b中，交通流量模型为3种。
优选地，步骤S3b中，采用最小二乘法确定对应道路的交通流模型。采用最小二乘法可确定出最适合该条道路交通流量估算的交通流量模型。
在一种优选的实施方式中，步骤S3c中，将交通流模型样本库分为训练集和测试集，然后构建基于支持向量机的交通流模型选择模型。训练集可用于对支持向量机进行训练，然后采用测试集对构建的支持向量机模型进行验证测试，以保证模型的准确性。
在一种优选的实施方式中，步骤S4包括：
S4a、将道路信息输入到交通流模型选择模型中，计算出道路适用的交通流模型，然后对交通流模型进行标定，包括自由流速度标定和最佳密度系数标定；
S4b、将交通流模型的计算流量和实际调研流量进行对比，并计算各小时交通流量的相对误差平均值和绝对误差平均值；
S4c、将GIS数据库作为输入，通过交通流模型计算得出全路网道路的交通流量。
本优选实施方式中，通过步骤S4a和S4b的标定和计算，可准确评价交通流模型选择模型的准确性和代表性，然后计算出全路网道路的交通流量。
可选地，在得到全路网道路的交通流量后，还可得到在得到全路网道路的车辆行驶时间(或小时数)；在得到全路网道路的车辆行驶时间后，也可进一步得到各级道路的车辆行驶时间。
车辆行驶时间可采用以下公式计算得到：VHTi＝qi×Ti；
其中，VHTi表示在某一时间下路段i的车辆行驶时间，qi表示某一时间下路段i的平均交通流量，Ti表示车辆在某路段i上的平均行程时间。
优选地，所述道路信息包括道路长度、道路加权车道数、道路限速值和道路等级。
优选地，所述相对误差平均值采用以下公式计算得到：
Figure BDA0002732658250000101
Figure BDA0002732658250000102
其中，ε为相对误差平均值，Qi为第i时刻的实际交通流量，qi为第i时刻模型计算出的交通流量。
优选地，所述绝对误差平均值采用以下公式计算得到：
Figure BDA0002732658250000103
Figure BDA0002732658250000104
其中，Q为绝对误差平均值，Qi为第i时刻的实际交通流量，qi为第i时刻模型计算出的交通流量。
在一种优选的实施方式中，步骤S5包括：根据全路网道路的交通流量，得到全路网不同速度区间的车辆行驶时间分布，按照速度区间阈值，分别划分低速区间、中速区间和高速区间，分别计算低速区间、中速区间和高速区间的累计车辆行驶时间，最终得到各速度区间权重因子。
根据本发明的另一方面，提供了一种基于GIS大数据的工况权重因子获取装置，包括：
GIS数据补充与修正模块，用于对GIS数据进行补充与修正；
道路信息处理与匹配模块，用于对道路信息进行处理与匹配，构建典型城市全路网GIS数据库；
基于支持向量机的交通流模型选择构建模块，用于构建基于支持向量机的交通流模型选择模型；
交通流模型标定及计算模块，用于对交通流模型标定及计算；
以及，速度区间权重因子计算模块，用于计算速度区间权重因子。
上述基于GIS大数据的工况权重因子获取装置通过采用GIS数据补充与修正模块、道路信息处理与匹配模块、基于支持向量机的交通流模型选择构建模块、交通流模型标定及计算模块和速度区间权重因子计算模块，可客观准确地获取不同速度区间的权重因子，为政府、研究机构和企业在道路工况提取相关领域的政策制定、试验设计和产品开发提供技术性支持。
根据本发明的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的方法。
该电子设备中的处理器能够执行上述方法，因而至少具有与上述方法相同的优势。
根据本发明的另一方面，提供了一种介质，所述介质上存储有计算机指令，所述计算机指令用于使所述计算机执行上述的方法。该介质中的计算机指令能够使计算机执行上述方法，因而至少具有与上述方法相同的优势。
下面结合实施例对本发明做进一步详细的说明。
实施例1
如图1所示，本实施例提供了一种基于GIS大数据的工况权重因子获取方法，包括以下步骤：
S1、GIS数据补充与修正：计算各条道路GIS数据的缺失率，对GIS数据缺失率在一定范围内的道路数据进行补充与修正；
若缺失率大于或等于0.3，则该条道路的GIS数据直接被删除；
若缺失率大于或等于0.1且小于0.3，则采用相邻日期(±5天)同一时刻的速度平均值补充；
若缺失率小于0.1，则采用当日内相邻时刻平均速度的线性差值对车辆信息进行补充。
S2、道路信息处理与匹配(如图2所示)：根据道路信息对各条道路的车道数进行加权处理，获得该条道路的平均车道数；将道路GIS数据与道路信息相匹配，构建典型城市全路网GIS数据库；
该条道路的平均车道数采用以下公式计算得到：
Figure BDA0002732658250000121
其中，n为平均车道数；ni为该道路上第i段道路车道数；li为该道路上第i段道路车道长度。
S3、建立基于支持向量机的交通流模型选择模型：
S3a、通过对道路交通摄像头视频数据进行分析处理，通过高斯滤波进行图像平滑处理并进行图像灰度化处理，最终利用标记跟踪来计算该道路在不同时刻下的交通流量大小；
S3b、选定3种交通流模型，根据GIS数据库中的道路平均速度，分别计算对应道路的交通流量，采用最小二乘法确定对应道路的交通流模型，最后形成各条道路与交通流模型一一对应的交通流模型样本库(如图3所示)；
S3c、采用支持向量机，将交通流模型样本库分为训练集和测试集，选择核函数及参数，构建基于支持向量机的交通流模型选择模型(如图4所示，图中“建立SVM模型”即为建立基于支持向量机的交通流模型选择模型)。
S4、交通流模型标定及计算，得到全路网道路的交通流量；
S4a、将道路长度、道路加权车道数、道路限速值和道路等级输入到交通流模型选择模型中，计算出道路适用的交通流模型，然后对交通流模型进行标定，包括自由流速度标定和最佳密度系数标定。
自由流速度通常指在不受交通状况影响下的驾驶员理论驾驶速度，与该条道路的限速值有关，通常情况下自由流速度为相应道路限速值的80-95％，各等级道路有所不同，如表1所示。
表1各等级道路的自由流速度与限速的比例关系
Figure BDA0002732658250000131
Figure BDA0002732658250000141
确定自由流速度后，输入需要计算的速度数据，在模型标定阶段，假设速度数据依次为1-120km/h(以1km/h为间隔单位)，任定义一密度系数，可计算出各速度下的交通流量数据，最大流量即为通行能力。通过迭代的方法，不断调整系数，使通行能力无限逼近推荐值，此时的系数即为最佳密度系数，通行能力的推荐值如下表2所示。
表2通行能力(pcu/h)推荐值
道路等级 超大城市 特大城市 大城市 中小城市
1 1800 1710 1710 1710
2 1572 1493 1493 1493
3 700 665 630 630
4 552 524 497 469
S4b、将交通流模型的计算流量和实际调研流量进行对比，并计算各小时交通流量的相对误差平均值和绝对误差平均值；
所述相对误差平均值采用以下公式计算得到：
Figure BDA0002732658250000142
其中，ε为相对误差平均值，Qi为第i时刻的实际交通流量，qi为第i时刻模型计算出的交通流量。
所述绝对误差平均值采用以下公式计算得到：
Figure BDA0002732658250000143
其中，Q为绝对误差平均值，Qi为第i时刻的实际交通流量，qi为第i时刻模型计算出的交通流量。通常要求模型的计算精度达到，相对误差小于等于±10％。
S4c、将GIS数据库作为输入，通过交通流模型计算得出全路网道路的交通流量；
在完成交通流量模型标定后，即可通过各条道路的GIS数据计算出各条道路的交通流量。为进一步确定速度区间权重因子，则需要引入车辆小时数(VHT)这一参数。车辆小时数是路段上平均交通量与车辆平均行程时间的乘积，包含了道路长度和道路拥堵度的双重影响；它既能反映出交通拥堵状况，又能反映出交通出行者对于交通需求状况。某一时段内，某路段车辆小时数的计算公式为：
VHTi＝qi×Ti；其中，VHTi表示在某一时间下路段i的车辆行驶时间，qi表示某一时间下路段i的平均交通流量，Ti表示车辆在某路段i上的平均行程时间。
根据各条道路各平均速度下的车辆小时数进行累计计算，可以获取不同速度区间下的车辆小时数占比分布，如图5和图6所示。
S5、速度区间权重因子计算：
综合典型城市全路网的GIS数据，最终得到典型城市全路网不同速度区间的车辆行驶小时数分布，按照速度区间阈值，分别划分低速区间、中速区间和高速区间，进而计算低速区间、中速区间和高速区间的累计车辆行驶小时数，最终获得各速度区间权重因子，结果所表3所示。
表3典型城市速度区间占比
Figure BDA0002732658250000151
综上所述，本发明提出的基于GIS大数据的工况权重因子获取方法能够方便快捷的获取典型城市的车辆运行的不同速度区间权重因子，为进一步进行节能减排、智能交通研究提供数据支持。
应该理解的是，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (10)

1.一种基于GIS大数据的工况权重因子获取方法，其特征在于，包括以下步骤：
S1、GIS数据补充与修正；
S2、道路信息处理与匹配，构建典型城市全路网GIS数据库；
S3、建立基于支持向量机的交通流模型选择模型或基于粒子群优化极限学习机的交通流模型选择模型；
S4、交通流模型标定及计算，得到全路网道路的交通流量；
S5、速度区间权重因子计算。
2.根据权利要求1所述的基于GIS大数据的工况权重因子获取方法，其特征在于，步骤S1包括：计算各条道路GIS数据的缺失率，对GIS数据缺失率在一定范围内的道路数据进行补充与修正；
优选地，若缺失率大于或等于0.3，则该条道路的GIS数据直接被删除；
若缺失率大于或等于0.1且小于0.3，则采用相邻日期同一时刻的速度平均值补充；
若缺失率小于0.1，则采用当日内相邻时刻平均速度的线性差值对车辆信息进行补充；
优选地，所述相邻日期为当日前五天到当日后五天；
优选地，所述相邻时刻为当前时刻的前15分钟到后15分钟。
3.根据权利要求1所述的基于GIS大数据的工况权重因子获取方法，其特征在于，步骤S2包括：根据道路信息对各条道路的车道数进行加权处理，获得该条道路的平均车道数；将道路GIS数据与道路信息相匹配，构建典型城市全路网GIS数据库；
优选地，该条道路的平均车道数采用以下公式计算得到：
Figure FDA0002732658240000011
其中，n为平均车道数；ni为该道路上第i段道路车道数；li为该道路上第i段道路车道长度。
4.根据权利要求1所述的基于GIS大数据的工况权重因子获取方法，其特征在于，所述交通流模型选择模型基于支持向量机建立；
优选地，步骤S3包括：
S3a、提供多条道路在不同时刻的交通流量数据；
S3b、选定多种交通流模型，根据GIS数据库中的道路平均速度，分别计算对应道路的交通流量，然后确定对应道路的交通流模型，最后形成各条道路与交通流模型一一对应的交通流模型样本库；
S3c、采用支持向量机，选择核函数及参数，构建基于支持向量机的交通流模型选择模型。
5.根据权利要求4所述的基于GIS大数据的工况权重因子获取方法，其特征在于，步骤S3a中，通过对典型道路交通摄像头视频数据的分析处理，获得多条道路在不同时刻的交通流量数据；
优选地，步骤S3b中，交通流量模型为3种；
优选地，步骤S3b中，采用最小二乘法确定对应道路的交通流模型；
步骤S3c中，将交通流模型样本库分为训练集和测试集，然后构建基于支持向量机的交通流模型选择模型。
6.根据权利要求1所述的基于GIS大数据的工况权重因子获取方法，其特征在于，步骤S4包括：
S4a、将道路信息输入到交通流模型选择模型中，计算出道路适用的交通流模型，然后对交通流模型进行标定，包括自由流速度标定和最佳密度系数标定；
S4b、将交通流模型的计算流量和实际调研流量进行对比，并计算各小时交通流量的相对误差平均值和绝对误差平均值；
S4c、将GIS数据库作为输入，通过交通流模型计算得出全路网道路的交通流量；
优选地，所述道路信息包括道路长度、道路加权车道数、道路限速值和道路等级；
优选地，所述相对误差平均值采用以下公式计算得到：
Figure FDA0002732658240000031
Figure FDA0002732658240000032
其中，ε为相对误差平均值，Qi为第i时刻的实际交通流量，qi为第i时刻模型计算出的交通流量；
优选地，所述绝对误差平均值采用以下公式计算得到：
Figure FDA0002732658240000033
Figure FDA0002732658240000034
其中，Q为绝对误差平均值，Qi为第i时刻的实际交通流量，qi为第i时刻模型计算出的交通流量。
7.根据权利要求1-6任一项所述的基于GIS大数据的工况权重因子获取方法，其特征在于，步骤S5包括：根据全路网道路的交通流量，得到全路网不同速度区间的车辆行驶时间分布，按照速度区间阈值，分别划分低速区间、中速区间和高速区间，分别计算低速区间、中速区间和高速区间的累计车辆行驶时间，最终得到各速度区间权重因子。
8.一种基于GIS大数据的工况权重因子获取装置，其特征在于，包括：
GIS数据补充与修正模块，用于对GIS数据进行补充与修正；
道路信息处理与匹配模块，用于对道路信息进行处理与匹配，构建典型城市全路网GIS数据库；
基于支持向量机的交通流模型选择构建模块，用于构建基于支持向量机的交通流模型选择模型；
交通流模型标定及计算模块，用于对交通流模型标定及计算；
以及，速度区间权重因子计算模块，用于计算速度区间权重因子。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7任一项所述的基于GIS大数据的工况权重因子获取方法。
10.一种介质，其特征在于，所述介质上存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-7任一项所述的基于GIS大数据的工况权重因子获取方法。
CN202011127726.3A 2020-10-21 2020-10-21 基于gis大数据的工况权重因子获取方法及装置 Active CN112562311B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011127726.3A CN112562311B (zh) 2020-10-21 2020-10-21 基于gis大数据的工况权重因子获取方法及装置
LU500569A LU500569B1 (en) 2020-10-21 2021-08-24 Method and device for acquiring driving test cycle weight factors based on gis large data

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011127726.3A CN112562311B (zh) 2020-10-21 2020-10-21 基于gis大数据的工况权重因子获取方法及装置

Publications (2)

Publication Number Publication Date
CN112562311A true CN112562311A (zh) 2021-03-26
CN112562311B CN112562311B (zh) 2022-04-26

Family

ID=75041439

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011127726.3A Active CN112562311B (zh) 2020-10-21 2020-10-21 基于gis大数据的工况权重因子获取方法及装置

Country Status (2)

Country Link
CN (1) CN112562311B (zh)
LU (1) LU500569B1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115497306A (zh) * 2022-11-22 2022-12-20 中汽研汽车检验中心（天津）有限公司 一种基于gis数据的速度区间权重计算方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117094565B (zh) * 2023-10-19 2024-01-12 赛飞特工程技术集团有限公司 一种国有集团企业主体责任落实分级评估***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106997662A (zh) * 2017-04-26 2017-08-01 长安大学 一种城市公交车工况构建方法
CN107067722A (zh) * 2017-04-24 2017-08-18 中国汽车技术研究中心 一种新的车辆行驶工况构建方法
CN109932191A (zh) * 2019-03-15 2019-06-25 中国汽车技术研究中心有限公司 一种实际道路行驶工况库及构建方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107067722A (zh) * 2017-04-24 2017-08-18 中国汽车技术研究中心 一种新的车辆行驶工况构建方法
CN106997662A (zh) * 2017-04-26 2017-08-01 长安大学 一种城市公交车工况构建方法
CN109932191A (zh) * 2019-03-15 2019-06-25 中国汽车技术研究中心有限公司 一种实际道路行驶工况库及构建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
尹月华等: "《基于GIS的北京市道路交通流特性研究》", 《公路工程》 *
陈大山: "《基于ｖａｎＡｅｒｄｅ模型的快速路交通流特征参数辨识》", 《武汉理工大学学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115497306A (zh) * 2022-11-22 2022-12-20 中汽研汽车检验中心（天津）有限公司 一种基于gis数据的速度区间权重计算方法

Also Published As

Publication number Publication date
LU500569B1 (en) 2022-02-24
CN112562311B (zh) 2022-04-26

Similar Documents

Publication Publication Date Title
CN110264709B (zh) 基于图卷积网络的道路的交通流量的预测方法
US9171485B2 (en) Geodatabase information processing
CN112562311B (zh) 基于gis大数据的工况权重因子获取方法及装置
CN110310474A (zh) 一种基于时空残差网络的车流量预测方法及装置
Kou et al. Multiobjective optimization model of intersection signal timing considering emissions based on field data: A case study of Beijing
CN112613225B (zh) 一种基于神经网络元胞传输模型的交叉***通状态预测方法
CN107578620B (zh) 基于车道级***的道路通行能力的计算方法、***和装置
CN108600965B (zh) 一种基于客人位置信息的客流数据预测方法
CN111428558A (zh) 一种基于改进YOLOv3方法的车辆检测方法
CN101123038A (zh) 一种路口关联路段动态路况采集方法
CN115171377B (zh) 一种基于深度学习的交通流参数检测分析方法和装置
CN112633602B (zh) 一种基于gis地图信息的交通拥堵指数预测方法及装置
CN115457764B (zh) 基于车辆轨迹数据的路段交通密度估测方法、装置及介质
CN115691120A (zh) 一种基于高速公路流水数据的拥堵识别方法及***
CN105355047A (zh) 多交通检测源动态时间粒度的数据融合处理方法
CN107331164A (zh) 一种高速公路收费站入口车辆数的预测方法
CN112489026A (zh) 基于多分支并行卷积神经网络的沥青路面病害检测方法
CN107066501B (zh) 一种基于道路相似性的机动车尾气遥测设备布点方法
CN104732760B (zh) 一种道路等级的更新方法和装置
CN117197085A (zh) 基于改进YOLOv8网络的公路快检图像路面病害检测方法
CN114613144B (zh) 一种基于Embedding-CNN的混合车群运动演化规律的刻画方法
CN113362488B (zh) Obd监测数据处理***
CN115905434A (zh) 一种基于学习插值预测的道路网轨迹补全方法
CN111275961A (zh) 基于浮动车数据的城市交通运行状态特征计算方法
CN111785012A (zh) 一种车云协同计算的能耗路谱分析方法

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