CN113140114B - 一种基于行程时间估计的车辆出行路径重构方法 - Google Patents
一种基于行程时间估计的车辆出行路径重构方法 Download PDFInfo
- Publication number
- CN113140114B CN113140114B CN202110254452.2A CN202110254452A CN113140114B CN 113140114 B CN113140114 B CN 113140114B CN 202110254452 A CN202110254452 A CN 202110254452A CN 113140114 B CN113140114 B CN 113140114B
- Authority
- CN
- China
- Prior art keywords
- travel time
- travel
- vehicle
- path
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000009826 distribution Methods 0.000 claims abstract description 58
- 230000002159 abnormal effect Effects 0.000 claims abstract description 19
- 238000004140 cleaning Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims description 75
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000010162 Tukey test Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000013450 outlier detection Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003116 impacting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- G08G1/017—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096805—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于行程时间估计的车辆出行路径重构方法,包括:对车牌识别数据进行预处理,对车牌识别数据进行清洗;根据车牌识别数据计算第一行程时间分布,并剔除第一行程时间分布中的异常值;根据第一行程时间分布,估计第二行程时间分布,根据第一行程时间分布和第二行程时间分布,构建路段行程时间数据集;获取同一辆车前后生成的两条车牌识别数据,求解得到生成数据的两卡口之间的出行路径可行解集合;根据出行路径可行解集合和路段行程时间数据集,进行出行链打断和路径补全;遍历车牌识别数据集,重构得到全路网车辆的出行路径。本发明提高了车牌识别数据的利用率和路径重构的准确性,可广泛应用于智能交通技术领域。
Description
技术领域
本发明涉及智能交通技术领域,尤其是一种基于行程时间估计的车辆出行路径重构方法。
背景技术
20世纪70年代以来,以信息技术为突破口的新科技革命以前所未有的气势,冲击着人类社会生产和生活的各个方面。人工智能是新科技革命的重要驱动力量。人工智能技术不断发展,不仅渗透到城市中医疗、教育、物流等众多领域中,还极大地推进了交通向智能化、信息化发展。为推进城市道路交通管理全面实现智能化,物联网、云计算等新一代信息技术被应用到城市道路、车辆及其管理部门,通过检测器泛在布局、个体车辆身份感知,实现交通***需求、容量、状态可知。智能交通的核心内容是交通信息采集、处理和发布,即通过布设交通检测器等物联网技术手段,进行车辆身份检测,并将实时信息传输给平台进行路况分析,进而发布实时路况信息实现整个路网的实时交通诱导,由此盘活道路资源、提高交通运行效率。
随着视频技术日益成熟,车辆自动识别(Automatic Vehicle Identification,AVI)检测的交通***信息采集方式在国内得到快速推广,使得获取车辆个体出行路径成为可能。车牌识别数据属于由卡口设备检测得到的一种AVI数据,多用以估计路段流量、行程时间等宏观参数,利用其进行车辆出行路径重构的方法较少,并且相关方法也主要适用于卡口覆盖率较高的中小型路网。然而,当前大多城市路网卡口检测设备覆盖率较低(不足60%)的同时,检测率也不高(良好光照条件下才可达到90%),这种出行数据的严重缺失直接导致车辆路径重构困难。车辆出行路径重构的重要价值在于可以为个体出行规律挖掘、路网交通状态评估以及交通流动态诱导等研究提供可靠的信息支持,因此研究一种适用于低卡口覆盖率大型路网的车辆出行路径重构方法具有重要意义。
发明内容
有鉴于此,本发明实施例提供一种基于行程时间估计的车辆出行路径重构方法,提高车牌识别数据的利用率和路径重构的准确性。
本发明的一方面提供了一种基于行程时间估计的车辆出行路径重构方法,包括:
对车牌识别数据进行预处理,对所述车牌识别数据中的错误检测数据和重复检测数据进行清洗;所述车牌识别数据包括卡口编号、车牌号码、车牌种类、经过时间、行驶方向和车道编号;
根据所述车牌识别数据计算两端均有卡口检测设备的路段的第一行程时间分布,并剔除所述第一行程时间分布中的异常值;
根据可测路段的第一行程时间分布,估计不可测路段的第二行程时间分布,根据所述第一行程时间分布和所述第二行程时间分布,构建路段行程时间数据集;
获取同一辆车前后生成的两条车牌识别数据,求解得到生成数据的两卡口之间的出行路径可行解集合;
根据所述出行路径可行解集合和所述路段行程时间数据集,进行出行链打断和路径补全;
遍历车牌识别数据集,重构得到全路网车辆的出行路径。
可选地,所述对车牌识别数据进行预处理,对所述车牌识别数据中的错误检测数据和重复检测数据进行清洗,包括:
计算卡口错检率;
根据所述卡口错检率,清洗所述车牌识别数据中的错误检测数据和重复检测数据;
其中,所述卡口错检率的计算公式为:
可选地,所述根据所述车牌识别数据计算两端均有卡口检测设备的路段的第一行程时间分布,并剔除所述第一行程时间分布中的异常值,包括:
计算各个车辆分别通过路段的前后交叉口的时刻之差,确定对应车辆在该路段的行程时间,进而确定各个车辆在该路段的行程时间分布;
以小时为单位划分时间窗,根据所述时间窗计算各个车辆通过对应路段时的车辆行程时间数据;
根据Tukey’s test异常值检测方法计算所述车辆行程时间数据的上界和下界;
根据所述上界和所述下界,剔除所述车辆行程时间数据中的异常值。
可选地,所述根据可测路段的第一行程时间分布,估计不可测路段的第二行程时间分布,包括:
根据所述可测路段的最小行程时间与所述可测路段的长度关系,拟合得到所述最小行程时间与长度之间的第一关系式;
根据所述第一关系式对不可测路段的最小行程时间进行估计。
可选地,所述根据可测路段的第一行程时间分布,估计不可测路段的第二行程时间分布,还包括:
获取行程时间处于车流的30%百分位水平以下的第一车辆通行状态;
获取行程时间处于车流的30%-70%百分位水平之间的第二车辆通行状态;
获取行程时间处于车流的70%百分位水平以上的第三车辆通行状态;
根据车辆个体在所述第一车辆通行状态、第二车辆通行状态以及第三车辆通行状态下通过路段的次数,确定车辆个体的类型,所述车辆个体的类型包括激进型、适度型和谨慎型;
根据所述车辆个体的类型训练BP神经网络,得到3个模型;
其中,所述BP神经网络的输入因素包括以下至少之一:路段长度、车道数或时段;所述BP神经网络的输出因素为车辆个体在不可测路段的第二行程时间分布。
可选地,所述根据可测路段的第一行程时间分布,估计不可测路段的第二行程时间分布,还包括:
将可测路段的最大行程时间与路段长度、车道数以及时段进行离差标准化后,利用最小二乘法拟合得到第二关系式;
根据所述第二关系式对所述不可测路段的最大行程时间进行估计。
可选地,所述获取同一辆车前后生成的两条车牌识别数据,求解得到生成数据的两卡口之间的出行路径可行解集合,包括:
基于路网拓扑数据,通过Dijkstra法求解两卡口之间的最短路径,将所述最短路径保存至出行路径可行解集合;
依次删除所述最短路径中的一条路段,执行Dijkstra法得到两卡口之间的可行较短路径,加入所述出行路径可行解集合。
可选地,所述根据所述出行路径可行解集合和所述路段行程时间数据集,进行出行链打断和路径补全,包括:
通过所述出行路径可行解集合中多条路径所含路段的行程时间阈值相加,得到多条路径的行程时间阈值;
根据所述出行路径可行解集合中多条路径的行程时间阈值,确定路径行程时间的最小值和最大值;
根据预设的调整系数对所述最小值和所述最大值进行调整,扩大行程时间阈值区间;
当前后两次卡口检测记录的时间差值属于行程时间阈值区间内时,进行路径补全;反之,则进行出行链打断。
可选地,所述进行路径补全,包括:
从车辆出行路径可行解集合中筛选出个体行程时间相符度满足预设条件的路径,形成备选路径集;
根据路径可信度最高原则,从所述备选路径集中确定车辆个体最可能的行驶路径。
可选地,所述进行出行链打断,包括:
将记录前一条数据的卡口位置确定为前一次出行的终点,记录后一条数据的卡口位置确定为后一次出行的起点,并且结束卡口记录。
可选地,所述个体行程时间相符度的计算公式为:
本发明的实施例首先对车牌识别数据进行预处理,对所述车牌识别数据中的错误检测数据和重复检测数据进行清洗;所述车牌识别数据包括卡口编号、车牌号码、车牌种类、经过时间、行驶方向和车道编号;根据所述车牌识别数据计算两端均有卡口检测设备的路段的第一行程时间分布,并剔除所述第一行程时间分布中的异常值;根据可测路段的第一行程时间分布,估计不可测路段的第二行程时间分布,根据所述第一行程时间分布和所述第二行程时间分布,构建路段行程时间数据集;获取同一辆车前后生成的两条车牌识别数据,求解得到生成数据的两卡口之间的出行路径可行解集合;根据所述出行路径可行解集合和所述路段行程时间数据集,进行出行链打断和路径补全;遍历车牌识别数据集,重构得到全路网车辆的出行路径。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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为本发明实施例提供的车辆出行路径重构方法的整体流程图;
图2为本发明实施例提供的路网拓扑图;
图3是本发明实施例的最小二乘法拟合路段最小行程时间图;
图4是本发明实施例的最小二乘法拟合路段最大行程时间图;
图5是本发明实施例的不同驾驶特性车辆个体比例图;
图6是本发明实施例的谨慎型个体行程时间估计值与观测值的对比图;
图7是本发明实施例的出行路径可行解示意图;
图8为本发明实施例提供的一辆车全天的出行路径重构示意图;
图9为本发明实施例提供的车辆出行路径重构流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
针对现有技术存在的问题,本发明实施例提供了一种基于行程时间估计的车辆出行路径重构方法,所述方法针对车牌识别数据特征,以路径行程时间作为重要判别依据,将车辆出行路径重构过程分成三个阶段进行:出行路径可行解集合生成阶段、出行链提取与打断阶段和出行路径补全阶段。具体来说,所述方法的输入信息为车牌识别数据,首先对路段行程时间分布进行估计,重点在于利用最小二乘法和BP神经网络实现无卡口路段的行程时间分布估计;其后,在全路网的行程时间分布已知的数据基础上,进行车辆出行路径的重构:首先,运用改进Dijkstra法求解得到两卡口间的出行路径可行解集合,然后,判断连续检测两卡口的时间差值是否在出行路径可行解集合的行程时间阈值区间内,否则出行链在此处被打断成两次出行,是则判定车辆仍处于“出行中”状态,再基于行程时间相符程度和路径可信度在出行路径可行解集合中选出最可能行驶路径,以补全出行路径。通过遍历车牌识别数据集完成全路网车辆的出行路径重构工作。本发明可在卡口检测设备覆盖率、检测率较低的条件下,***科学地还原车辆的完整出行路径,为个体出行规律挖掘、路网交通状态评估、交通流动态分配与诱导研究提供重要数据支撑,具备科学实践性,适用于大型路网。
如图1所示,本发明的方法包括以下步骤:
S1.对车牌识别数据进行预处理,包括清洗错误检测数据和重复检测数据,并计算卡口错检率cei,dire;
S2.计算两端均有卡口检测设备的路段的行程时间分布,并剔除异常值;
S3.基于可测路段的行程时间分布,估计不可测路段的行程时间分布,包括路段最小行程时间估计、路段最大行程时间估计和车辆个体的路段行程时间估计,由此构建路段行程时间数据集;
S4.获取同一辆车前后生成的两条车牌识别数据,求解得到生成数据的两卡口之间的出行路径可行解集合Path={path};
S5.基于出行路径可行解集合Path={path},进行出行链打断和路径补全(出行链不打断时);
S6.遍历车牌识别数据集,重复S4、S5,完成全路网车辆的出行路径重构工作。
步骤S1中的车牌识别数据包括属性:卡口编号KKID、车牌号码VehicleID、车牌种类VehicleType、经过时间Time、行驶方向Direction、车道编号LaneID。
步骤S1对车牌识别数据进行预处理,包括清洗错误检测数据和重复检测数据。由于在车牌数据采集过程中,受到卡口设备覆盖率、识别率等的影响,数据往往存在错误检测数据、重复检测数据及丢失数据,因此需要进行数据预处理。其中,错误检测数据是指车牌未被准确识别的数据,车牌信息VehicleID被记录为“车牌”或“未识别”的数据;重复检测数据则是指车辆被同一卡口连续多次检测到所产生的数据。错误检测数据的清洗方法是删除车牌信息VehicleID记录为“车牌”和“未识别”的数据;重复检测数据的清洗通过删除同一车牌300s内被同一卡口连续检测的数据完成。
此外,由于部分点位无卡口设备、部分卡口不抓拍右转车辆,或者受设备识别率和信号传输干扰的影响,导致车辆出行路径信息存在丢失现象。丢失数据的补全工作将通过后续的出行路径补全算法完成。
步骤S1中卡口错检率分路段转向计算,以此表征卡口检测质量。本发明的卡口错检率为路段ei转向dire一天24小时的错误检测数据占比,即其中为路段ei转向dire的错检率,为路段ei转向dire上的卡口错检数据量,为路段ei转向dire上的卡口检测数据总量。
步骤S2中计算两端均有卡口检测设备的路段的行程时间分布,通过计算车辆通过路段的行程时间实现。车辆vehi通过路段eab的行程时间为通过交叉口va、vb的时刻 之差:由此,基于车牌识别数据可以计算得到两端均布置有卡口检测设备的路段的行程时间分布。
步骤S2中对路段行程时间分布进行异常值剔除操作,剔除一部分和其他数据有显著差异的异常值。行程时间异常值剔除具体方法为:以小时为单位划分时间窗,假设车辆平均行程速度不小于2km/h,首先筛选出时间窗内通过路段ei的车辆行程时间的数据,其中,为路段ei的长度;再利用Tukey’s test异常值检测方法进一步剔除异常值。
Tukey’s test异常值检测方法基于下四分位数Q1和上四分位数Q3来计算数值分布的下界和上界:Q=Q1-k(Q3-Q1),其中,k为异常系数,取1.5表示中度异常,取3表示极度异常。本发明取1.5,剔除掉中度异常以上的所有异常值。
步骤S3中的未知路段最小行程时间估计,利用到最小行程时间与路段长度的相关关系,通过最小二乘法拟合得到二者的关系式进而利用该关系式来对数据缺失路段的最小行程时间进行估计。本发明认为路段行程时间为车辆无停驶快速通过路段所花费的最短时间,仅与路段长度相关。
步骤S3中,对未知的路段最大行程时间的估计,将路段最大行程时间与路段长度车道数以及时段h进行离差标准化后,利用最小二乘法拟合实现:由于受到密度延误的影响,路段的最大行程时间的相关因素不仅包括路段长度,还有路段车道数和时段。其中,时段h取值为1-5:根据路段平均行程时间变化曲线将一天分成5个时段,依据平均行程时间大小将5个时段分成5个等级。
步骤S3中,车辆个体在不可测路段的行程时间是在标定个体驾驶特性的基础上利用BP神经网络进行估计的。车牌识别数据是带有车辆个体身份属性的数据,因此可以更为精细化地对车辆个体的行程时间进行估计。
本发明中,将行程时间处于车流的30%百分位水平以下的车辆通行状态视作“快速通过”;将行程时间处于车流的30%-70%百分位水平之间的车辆通行状态视作“中速通过”;将行程时间处于车流的70%百分位水平以上的车辆通行状态视作“慢速通过”。在此定义的基础上,标定车辆个体的驾驶特性的方法为:通过比较车辆个体快速、中速、慢速通过路段的次数来将车辆个体分为激进型、适度型和谨慎型——若个体快速通过路段的次数最多,则将个体标定为激进型;若个体中速通过路段的次数最多,则将个体标定为适度型;若个体慢速通过路段的次数最多,则将个体标定为谨慎型。
获得到车辆个体驾驶特性分类后,基于不同类别的车辆个体数据分别训练BP神经网络模型,共训练得到3个模型,分别对应激进型、适度型、谨慎型。BP神经网络输入因素包括路段长度车道数和时段h,输出因素为一类车辆个体的路段行程时间对模型的训练参数进行设定:设定迭代显示频率为50,学习速率为0.0,训练的次数为10000次,收敛阈值为0.001;网络隐含层神经元传递函数采用S型正切函数(tansig);网络输出层神经元采用线性传递函数(purelin);训练函数选择traingdm。
步骤S4中,基于同一辆车前后生成的两条车牌识别数据,利用改进Dijkstra法求解得到两卡口之间的出行路径可行解集合,具体实现过程如下所述:
1)基于路网拓扑数据,通过Dijkstra法求解两卡口之间的最短路径paths={ei},保存至出行路径可行解集合Path={paths};
2)依次删除最短路径paths={ei}的一条路段,执行Dijkstra法得到两卡口之间的可行较短路径pathr,加入出行路径可行解集合Path={paths,pathr}。
出行路径可行解集合包含三种类型:车辆前后两次检测为同一卡口,集合为空;车辆前后两次检测卡口连续,集合仅包含一条路径;车辆前后两次检测卡口不连续,集合一般包含多条路径。
步骤S5中,基于出行路径可行解集合,进行出行链打断和路径补全(出行链不打断时),具体实现过程如下所述:
1)计算出行路径可行解集合Path={path}中多条路径的行程时间阈值,通过路径所含路段的行程时间阈值简单相加得到,即同样地,出行路径可行解集合Path={path}中多条路径的车辆个体行程时间估计值,通过路径所含路段的车辆个体行程时间估计值简单相加得到,即
2)比较出行路径可行解集合Path={path}中多条路径的行程时间阈值,将路径行程时间最小值和最大值分别记为和利用式T′min=Tmin/ξ、T′max=ξTmax进一步扩大行程时间阈值区间,以将车辆在行驶过程中的短暂加减速行为考虑在内,其中,ξ为调整系数,一般设置为1.15;
3)当前后两次卡口检测记录的时间差值属于行程时间阈值区间内ΔT∈[T′min,T′max],出行连续,进入路径补全阶段,转4);否则,出行链在此处被打断,将记录前一条数据的卡口位置确定为前一次出行的终点,记录后一条数据的卡口位置确定为后一次出行的起点,结束;
5)根据路径可信度最高原则从备选路径集Pαth*={path*}中确定车辆个体最可能行驶路径,路径可信度计算公式为:其中,H为路径可信度,为路段ei转向dire的可信等级,表征车辆被错检、漏检的概率,对于可检测路段转向的可信等级根据卡口错检率确定:对于不可检测路段转向的可信等级定为5。
下面结合说明书附图,对本发明作进一步详细的说明。应当理解,此处所描述的具体实施例仅用于解释本发明,并不用于限定本发明。
将本发明一种基于行程时间估计的车辆出行路径重构方法用于图2所示的某城市道路网络G=(V,R),该路网包含109个节点V={vi},167条路段E={ei},卡口覆盖率为57%。基于该路网卡口一天检测得到的共1,482,736条车牌识别数据对车辆出行路径进行重构,具体步骤如下:
(1)对车牌识别数据进行预处理,包括清洗错误检测数据7.62%和重复检测数据0.44%,并计算各卡口错检率,为64%-92%不等。
(2)计算两端均有卡口检测设备的路段的行程时间分布,并剔除和其他数据有显著差异的异常值。
(3)基于可测路段的行程时间分布,估计不可测路段的行程时间分布,包括路段最小行程时间估计、路段最大行程时间估计和车辆个体的路段行程时间估计,由此构建路段行程时间数据集。
其中,基于最小二乘法拟合估计路段最小行程时间、最大行程时间分别如图3、图4所示,平均绝对百分比误差MAPE分别为11.99%、22.56%;对车辆个体的路段行程时间进行估计,首先通过个体行车快慢频率标定驾驶特性,不同驾驶特性车辆个体比例如图5所示,在标定个体驾驶特性的基础上利用BP神经网络对个体的路段行程时间进行估计:设计网络的结构为三层网络:3×4×1(如图5所示),输入层神经元为3个,分别对应3个输入因素——路段长度、车道数和时段;隐含层神经元为4个,通过试验确定,4个隐含层神经元的网络误差较小;输出层神经元为1个,对应于1个输出量——行程时间。谨慎型个体行程时间估计值与观测值的对比图如图6所示,平均绝对百分比误差MAPE=16.84%。
(4)获取同一辆车前后生成的两条车牌识别数据,求解得到生成数据的两卡口之间的出行路径可行解集合,如图7所示。
(5)基于出行路径可行解集合Path={path},进行出行链打断和路径补全(出行链不打断时)。
判别出行链是否打断:当前后两次卡口检测记录的时间差值ΔT属于行程时间阈值区间内ΔT∈[T′min,T′max],出行连续,进入路径补全阶段;否则,出行链在此处被打断,将记录前一条数据的卡口位置确定为前一次出行的终点,记录后一条数据的卡口位置确定为后一次出行的起点,结束;
路径补全:基于行程时间相符度R和路径可信度H在出行路径可行解集合中选出最可能行驶路径,以补全路径。最可能行驶路径为行程时间相符度R>0.8的最高可信度路径。
(6)遍历车牌识别数据集,重复(4)、(5),完成全路网车辆的出行路径重构工作,重构结果如图8所示,得到57517辆车全天共236501次出行的出行路径。
综上,本发明实施例的车辆出行路径重构流程图如图9所示。
附图中描述位置关系的用于仅用于示例性说明,不能理解为对本专利的限制;
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明,但应当理解的是,除非另有相反说明,所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (7)
1.一种基于行程时间估计的车辆出行路径重构方法,其特征在于,包括:
对车牌识别数据进行预处理,对所述车牌识别数据中的错误检测数据和重复检测数据进行清洗;所述车牌识别数据包括卡口编号、车牌号码、车牌种类、经过时间、行驶方向和车道编号;
根据所述车牌识别数据计算两端均有卡口检测设备的路段的第一行程时间分布,并剔除所述第一行程时间分布中的异常值;
根据可测路段的第一行程时间分布,估计不可测路段的第二行程时间分布,根据所述第一行程时间分布和所述第二行程时间分布,构建路段行程时间数据集;
获取同一辆车前后生成的两条车牌识别数据,求解得到生成数据的两卡口之间的出行路径可行解集合;
根据所述出行路径可行解集合和所述路段行程时间数据集,进行出行链打断和路径补全;
遍历车牌识别数据集,重构得到全路网车辆的出行路径;
所述根据所述车牌识别数据计算两端均有卡口检测设备的路段的第一行程时间分布,并剔除所述第一行程时间分布中的异常值,包括:
计算各个车辆分别通过路段的前后交叉口的时刻之差,确定对应车辆在该路段的行程时间,进而确定各个车辆在该路段的行程时间分布;
以小时为单位划分时间窗,根据所述时间窗计算各个车辆通过对应路段时的车辆行程时间数据;
根据Tukey’s test异常值检测方法计算所述车辆行程时间数据的上界和下界;
根据所述上界和所述下界,剔除所述车辆行程时间数据中的异常值;
所述根据可测路段的第一行程时间分布,估计不可测路段的第二行程时间分布,还包括:
根据所述可测路段的最小行程时间与所述可测路段的长度关系,拟合得到所述最小行程时间与长度之间的第一关系式;
根据所述第一关系式对不可测路段的最小行程时间进行估计;
将可测路段的最大行程时间与路段长度、车道数以及时段进行离差标准化后,利用最小二乘法拟合得到第二关系式;
根据所述第二关系式对所述不可测路段的最大行程时间进行估计;
所述根据可测路段的第一行程时间分布,估计不可测路段的第二行程时间分布,还包括:
获取行程时间处于车流的30%百分位水平以下的第一车辆通行状态;
获取行程时间处于车流的30%-70%百分位水平之间的第二车辆通行状态;
获取行程时间处于车流的70%百分位水平以上的第三车辆通行状态;
根据车辆个体在所述第一车辆通行状态、第二车辆通行状态以及第三车辆通行状态下通过路段的次数,确定车辆个体的类型,所述车辆个体的类型包括激进型、适度型和谨慎型;
根据所述车辆个体的类型训练BP神经网络,得到3个模型;
其中,所述BP神经网络的输入因素包括:路段长度、车道数或时段;所述BP神经网络的输出因素为车辆个体在不可测路段的平均行程时间。
3.根据权利要求1所述的一种基于行程时间估计的车辆出行路径重构方法,其特征在于,所述获取同一辆车前后生成的两条车牌识别数据,求解得到生成数据的两卡口之间的出行路径可行解集合,包括:
基于路网拓扑数据,通过Dijkstra法求解两卡口之间的最短路径,将所述最短路径保存至出行路径可行解集合;
依次删除所述最短路径中的一条路段,执行Dijkstra法得到两卡口之间的可行较短路径,加入所述出行路径可行解集合。
4.根据权利要求1所述的一种基于行程时间估计的车辆出行路径重构方法,其特征在于,所述根据所述出行路径可行解集合和所述路段行程时间数据集,进行出行链打断和路径补全,包括:
通过所述出行路径可行解集合中多条路径所含路段的行程时间阈值相加,得到多条路径的行程时间阈值;
根据所述出行路径可行解集合中多条路径的行程时间阈值,确定路径行程时间的最小值和最大值;
根据预设的调整系数对所述最小值和所述最大值进行调整,扩大行程时间阈值区间;
当前后两次卡口检测记录的时间差值属于行程时间阈值区间内时,进行路径补全;反之,则进行出行链打断。
5.根据权利要求4所述的一种基于行程时间估计的车辆出行路径重构方法,其特征在于,所述进行路径补全,包括:
从车辆出行路径可行解集合中筛选出个体行程时间相符度满足预设条件的路径,形成备选路径集;
根据路径可信度最高原则,从所述备选路径集中确定车辆个体最可能的行驶路径。
6.根据权利要求4所述的一种基于行程时间估计的车辆出行路径重构方法,其特征在于,所述进行出行链打断,包括:
将记录前一条数据的卡口位置确定为前一次出行的终点,记录后一条数据的卡口位置确定为后一次出行的起点,并且结束卡口记录。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110254452.2A CN113140114B (zh) | 2021-03-09 | 2021-03-09 | 一种基于行程时间估计的车辆出行路径重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110254452.2A CN113140114B (zh) | 2021-03-09 | 2021-03-09 | 一种基于行程时间估计的车辆出行路径重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113140114A CN113140114A (zh) | 2021-07-20 |
CN113140114B true CN113140114B (zh) | 2022-07-29 |
Family
ID=76810959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110254452.2A Active CN113140114B (zh) | 2021-03-09 | 2021-03-09 | 一种基于行程时间估计的车辆出行路径重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113140114B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114706937A (zh) * | 2022-06-07 | 2022-07-05 | 山东科技大学 | 智能交通路径生成方法、电子设备和存储介质 |
CN115422704B (zh) * | 2022-07-19 | 2024-04-05 | 中山大学 | 基于个体车辆全过程出行行为链的VOCs排放测算方法 |
CN115512543B (zh) * | 2022-09-21 | 2023-11-28 | 浙江大学 | 一种基于深度逆向强化学习的车辆路径链重构方法 |
CN115934701B (zh) * | 2023-01-06 | 2023-08-01 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于知识图谱的个体出行补全方法、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108961747A (zh) * | 2018-07-03 | 2018-12-07 | 北京航空航天大学 | 一种不完备卡口数据条件下的城市道路交通状态信息提取方法 |
CN109584553A (zh) * | 2018-11-29 | 2019-04-05 | 中电海康集团有限公司 | 一种基于时空信息的路段关联度缺失补全方法 |
CN110838232A (zh) * | 2019-09-27 | 2020-02-25 | 浙江工业大学 | 基于过车电警数据的单一车辆od获取方法 |
CN111243277A (zh) * | 2020-03-09 | 2020-06-05 | 山东大学 | 基于车牌识别数据的通勤车辆时空轨迹重构方法及*** |
CN111314857A (zh) * | 2020-02-13 | 2020-06-19 | 青岛海信网络科技股份有限公司 | 一种基于过车视频数据的车辆实时出行轨迹获取方法 |
CN112116810A (zh) * | 2020-09-07 | 2020-12-22 | 东南大学 | 基于城市道路卡口数据的全路网路段行程时间估计方法 |
CN112365711A (zh) * | 2020-10-21 | 2021-02-12 | 东南大学 | 一种基于车牌识别数据的车辆轨迹重构方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108470449B (zh) * | 2017-02-23 | 2020-12-25 | 杭州海康威视数字技术股份有限公司 | 卡口间的过车时间阈值确定方法及装置 |
CN110751828B (zh) * | 2019-09-10 | 2020-10-20 | 平安国际智慧城市科技股份有限公司 | 一种路段拥堵测量方法、装置、计算机设备及存储介质 |
-
2021
- 2021-03-09 CN CN202110254452.2A patent/CN113140114B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108961747A (zh) * | 2018-07-03 | 2018-12-07 | 北京航空航天大学 | 一种不完备卡口数据条件下的城市道路交通状态信息提取方法 |
CN109584553A (zh) * | 2018-11-29 | 2019-04-05 | 中电海康集团有限公司 | 一种基于时空信息的路段关联度缺失补全方法 |
CN110838232A (zh) * | 2019-09-27 | 2020-02-25 | 浙江工业大学 | 基于过车电警数据的单一车辆od获取方法 |
CN111314857A (zh) * | 2020-02-13 | 2020-06-19 | 青岛海信网络科技股份有限公司 | 一种基于过车视频数据的车辆实时出行轨迹获取方法 |
CN111243277A (zh) * | 2020-03-09 | 2020-06-05 | 山东大学 | 基于车牌识别数据的通勤车辆时空轨迹重构方法及*** |
CN112116810A (zh) * | 2020-09-07 | 2020-12-22 | 东南大学 | 基于城市道路卡口数据的全路网路段行程时间估计方法 |
CN112365711A (zh) * | 2020-10-21 | 2021-02-12 | 东南大学 | 一种基于车牌识别数据的车辆轨迹重构方法 |
Non-Patent Citations (1)
Title |
---|
基于车牌自动识别数据的机动车出行路径挖掘算法研究;阮树斌;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20190115;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113140114A (zh) | 2021-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113140114B (zh) | 一种基于行程时间估计的车辆出行路径重构方法 | |
CN109448370B (zh) | 一种基于车辆轨迹数据的交通控制子区划分方法 | |
EP2610836B1 (en) | Device and method for the on-line prediction of the driving cycle in an automotive vehicle | |
CN107958269A (zh) | 一种基于隐马尔可夫模型的行车危险度预测方法 | |
CN107292383B (zh) | 基于深度学习算法与混合整数线性规划相结合的水质波动区间预测方法 | |
CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
CN107310550A (zh) | 道路交通工具行驶控制方法和装置 | |
CN113379099B (zh) | 一种基于机器学习与copula模型的高速公路交通流自适应预测方法 | |
CN107978148A (zh) | 一种基于多源交通数据动态可靠性的交通状态预测方法 | |
CN109409541A (zh) | 实现报废汽车蓄电池逆向物流可行性评价的方法 | |
CN115311858A (zh) | 基于交通流韧性的城市路段分级管制方法 | |
CN114385765B (zh) | 一种基于航迹数据的耙吸挖泥船生产时间预估方法 | |
CN115311229A (zh) | 基于激光雷达的路面病害检测分类方法、***和存储介质 | |
CN116348752B (zh) | 用于轮胎磨损预测的分级数据结构和方法 | |
Sadeghian et al. | A stepwise methodology for transport mode detection in GPS tracking data | |
Park et al. | Intelligent speed profile prediction on urban traffic networks with machine learning | |
CN111160594B (zh) | 一种到达时间的预估方法、装置及存储介质 | |
CN110610016A (zh) | 一种基于大数据机器学习进行轨道交通停准问题预测方法 | |
CN112634620B (zh) | 基于Encoder-Decoder深度神经网络的路网动态交通分配方法 | |
Li et al. | Route restoration method for sparse taxi GPS trajectory based on Bayesian network | |
Kodieswari et al. | Statistical AI Model in an Intelligent Transportation System | |
CN113393666A (zh) | 一种营运车辆的交通仿真方法、装置、设备及介质 | |
Raju et al. | Replicating driving behavior under heterogeneous non-lane-based traffic environment: A supervised machine learning based methodology | |
CN114283575B (zh) | 基于视频监控数据的信号灯交叉路口排队长度估计方法 | |
Pangesta et al. | Travel duration prediction based on traffic speed and driving pattern using deep learning |
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 |