CN113470347B - 结合卡口过车记录和浮动车gps数据的拥堵识别方法及*** - Google Patents
结合卡口过车记录和浮动车gps数据的拥堵识别方法及*** Download PDFInfo
- Publication number
- CN113470347B CN113470347B CN202110553621.2A CN202110553621A CN113470347B CN 113470347 B CN113470347 B CN 113470347B CN 202110553621 A CN202110553621 A CN 202110553621A CN 113470347 B CN113470347 B CN 113470347B
- Authority
- CN
- China
- Prior art keywords
- bus
- road
- congestion
- taxi
- 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
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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/14—Receivers specially adapted for specific applications
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种结合卡口过车记录和浮动车GPS数据的拥堵识别方法及***,包括:步骤S1:利用卡口过车数据进行拥堵等级识别并计算卡口过车数据拥堵等级识别置信度;步骤S2:利用公交车GPS数据进行拥堵等级识别并计算公交车GPS数据拥堵判别置信度;步骤S3:利用出租车GPS数据进行拥堵等级识别并计算出租车GPS数据拥堵判别置信度;步骤S4:根据卡口过车数据拥堵等级、卡口过车拥堵等级置信度、公交车拥堵等级、公交车拥堵等级置信度、出租车拥堵等级以及出租车拥堵等级置信度,利用融合算法计算最后的道路拥堵等级。
Description
技术领域
本发明涉及大数据技术领域,具体地,涉及一种结合卡口过车记录和浮动车GPS数据的拥堵识别方法及***。
背景技术
传统的常发拥堵路段的识别和筛查可有效识别周期性拥堵,但无法识别偶发性拥堵情况,基于信令数据和浮动车数据的拥堵路段识别方法存在数据采集困难的问题,对于多数数据缺失情况无法准确识别拥堵,而基于频射识别计算交通拥堵方法需要依赖特制读写器,在每条路段安装特定装备成本过高。
专利文献CN107730892A(申请号:201711159672.7)公开了基于FCD与互联网数据融合的交通拥堵指数评价方法,基于FCD数据的基础上,引入互联网实时数据减少拥堵指数的空间维度偏差,利用FCD技术和互联网路况数据分别获取的路段平均速度,FCD数据处理技术是根据道路运行车辆位置信息获取道路通行状况的一种技术,利用待有GPS信息的浮动车(出租车、网约车、公交车等)可以实时采集车辆的位移信息,将时间序列的车辆位置坐标与地图进行匹配,可以得到浮动车辆的速度数据,互联网路况数据是利用高德或者百度等互联网有关于城市路况数据,然后对这些速度进行处理,如剔除异常值和求多组数据的平均值,基于两类数据融合,评价当前道路交通拥堵指数,既避免了单一源数据出现异常造成较大误差的情况,同时也提高了交通拥堵指数评价的准确性和可信性。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种结合卡口过车记录和浮动车GPS数据的拥堵识别方法及***。
根据本发明提供的一种结合卡口过车记录和浮动车GPS数据的拥堵识别方法,包括:
步骤S1:利用卡口过车数据进行拥堵等级识别并计算卡口过车数据拥堵等级识别置信度;
步骤S2:利用公交车GPS数据进行拥堵等级识别并计算公交车GPS数据拥堵判别置信度;
步骤S3:利用出租车GPS数据进行拥堵等级识别并计算出租车GPS数据拥堵判别置信度;
步骤S4:根据卡口过车数据拥堵等级、卡口过车拥堵等级置信度、公交车拥堵等级、公交车拥堵等级置信度、出租车拥堵等级以及出租车拥堵等级置信度,利用融合算法计算最后的道路拥堵等级。
优选地,所述步骤S1包括:
步骤S1.1:将每天按照预设时间间隔等分,计算每一间隔平均行程速度kk_vi;
步骤S1.2:将计算出的每一间隔平均行程速度kk_vi从大到小排序,并取排序的前预设数量的值进行平均得到自由流速度,当自由流速度超过道路限速时,则取限速值为当前自由流速度;
步骤S1.3:根据计算得到的自由流速度得到道路拥堵等级;
步骤S1.4:根据车辆通过路段起终点被准确抓拍情况,计算路段每一个车经过生成数据的置信度;
步骤S1.5:对路段所有车置信度取均值得到当前路段拥堵等级的置信度。
优选地,所述步骤S2包括:
步骤S2.1:将历史预设时间段的公交车GPS数据与道路经纬度数据进行匹配,并对历史预设时间段的公交车GPS数据进行数据清洗,得到清洗后的历史预设时间段的公交车GPS数据;
步骤S2.2:将每天按照预设时间间隔等分成多个时区,利用道路预设时间段内公交车实时速度明细数据计算得到每条道路在每个时区内的平均速度bus_avg_vi,得到道路公交车平均速度静态表;
步骤S2.3:在线以预设时间为间隔实时获取、回传公交车GPS数据,并实时清洗数据后计算道路公交车平均速度bus_timezone_vi;
步骤S2.4:计算公交车实时速度bus_timezone_vi与平均速度bus_avg_vi的比例bus_rate,根据预设公交车拥堵指数判定规则,得到bus_rate相对应的拥堵指数;
步骤S2.5:根据实时回传的道路公交车GPS数据量预设置信区间,得到基于道路公交车GPS数据的拥堵指数的可靠性。
优选地,所述步骤S3包括:
步骤S3.1:将历史预设时间出租车GPS数据与道路经纬度数据进行匹配,并对历史预设时间出租车GPS数据进行数据清洗,得到道路历史预设时间出租车实时速度明细;
步骤S3.2:将每天按照预设时间间隔等分成多个时区,利用道路历史预设时间出租车实时速度明细计算得到每条道路在每个时区内的平均速度taxi_avg_vi;
步骤S3.3:在线按照预设时间间隔实时获取、回传出租车GPS数据,并实时清洗数据后计算道路出租车平均速度taxi_timezone_vi;
步骤S3.4:计算出租车实时速度taxi_timezone_vi与平均速度taxi_avg_vi比例taxi_rate,根据预设公交车拥堵指数判定规则,得到taxi_rate相对应的拥堵指数;
步骤S3.5:根据实时回传的道路出租车GPS数据量预设置信区间,得到基于道路出租车GPS数据的拥堵指数的可靠性。
优选地,所述步骤S4包括:根据卡口数据拥堵等级、卡口过车拥堵等级置信度、公交车拥堵等级、公交车拥堵等级置信度、出租车拥堵等级以及出租车拥堵等级置信度,采用pu-bagging思想对每个时区内每条道路的拥堵识别结果进行加权投票表决,得到最终的道路拥堵识别结果。
根据本发明提供的一种结合卡口过车记录和浮动车GPS数据的拥堵识别***,包括:
模块M1:利用卡口过车数据进行拥堵等级识别并计算卡口过车数据拥堵等级识别置信度;
模块M2:利用公交车GPS数据进行拥堵等级识别并计算公交车GPS数据拥堵判别置信度;
模块M3:利用出租车GPS数据进行拥堵等级识别并计算出租车GPS数据拥堵判别置信度;
模块M4:根据卡口过车数据拥堵等级、卡口过车拥堵等级置信度、公交车拥堵等级、公交车拥堵等级置信度、出租车拥堵等级以及出租车拥堵等级置信度,利用融合算法计算最后的道路拥堵等级。
优选地,所述模块M1包括:
模块M1.1:将每天按照预设时间间隔等分,计算每一间隔平均行程速度kk_vi;
模块M1.2:将计算出的每一间隔平均行程速度kk_vi从大到小排序,并取排序的前预设数量的值进行平均得到自由流速度,当自由流速度超过道路限速时,则取限速值为当前自由流速度;
模块M1.3:根据计算得到的自由流速度得到道路拥堵等级;
模块M1.4:根据车辆通过路段起终点被准确抓拍情况,计算路段每一个车经过生成数据的置信度;
模块M1.5:对路段所有车置信度取均值得到当前路段拥堵等级的置信度。
优选地,所述模块M2包括:
模块M2.1:将历史预设时间段的公交车GPS数据与道路经纬度数据进行匹配,并对历史预设时间段的公交车GPS数据进行数据清洗,得到清洗后的历史预设时间段的公交车GPS数据;
模块M2.2:将每天按照预设时间间隔等分成多个时区,利用道路预设时间段内公交车实时速度明细数据计算得到每条道路在每个时区内的平均速度bus_avg_vi,得到道路公交车平均速度静态表;
模块M2.3:在线以预设时间为间隔实时获取、回传公交车GPS数据,并实时清洗数据后计算道路公交车平均速度bus_timezone_vi;
模块M2.4:计算公交车实时速度bus_timezone_vi与平均速度bus_avg_vi的比例bus_rate,根据预设公交车拥堵指数判定规则,得到bus_rate相对应的拥堵指数;
模块M2.5:根据实时回传的道路公交车GPS数据量预设置信区间,得到基于道路公交车GPS数据的拥堵指数的可靠性。
优选地,所述模块M3包括:
模块M3.1:将历史预设时间出租车GPS数据与道路经纬度数据进行匹配,并对历史预设时间出租车GPS数据进行数据清洗,得到道路历史预设时间出租车实时速度明细;
模块M3.2:将每天按照预设时间间隔等分成多个时区,利用道路历史预设时间出租车实时速度明细计算得到每条道路在每个时区内的平均速度taxi_avg_vi;
模块M3.3:在线按照预设时间间隔实时获取、回传出租车GPS数据,并实时清洗数据后计算道路出租车平均速度taxi_timezone_vi;
模块M3.4:计算出租车实时速度taxi_timezone_vi与平均速度taxi_avg_vi比例taxi_rate,根据预设公交车拥堵指数判定规则,得到taxi_rate相对应的拥堵指数;
模块M3.5:根据实时回传的道路出租车GPS数据量预设置信区间,得到基于道路出租车GPS数据的拥堵指数的可靠性。
优选地,所述模块M4包括:根据卡口数据拥堵等级、卡口过车拥堵等级置信度、公交车拥堵等级、公交车拥堵等级置信度、出租车拥堵等级以及出租车拥堵等级置信度,采用pu-bagging思想对每个时区内每条道路的拥堵识别结果进行加权投票表决,得到最终的道路拥堵识别结果。
与现有技术相比,本发明具有如下的有益效果:
1、本发明利用城市交通的多种数据(卡口过车数据、公交GPS数据、出租车GPS数据),来计算城市道路拥堵等级(按照公安部颁布的《GA/T115-2020道路交通拥堵度评价方法》的定义,将道路拥堵分为四级,严重拥堵、中度拥堵、轻度拥堵、畅通)。对比用单一数据源的计算方法,本发明利用了不同数据的特性,数据之间相互补充,达到更加精准地判定道路是否拥堵的效果。
卡口过车数据记录了每辆车出现的道路上的时间和位置,可以用来还原车辆行驶轨迹。精确的车辆轨迹形成的车流能够很好地用来计算道路拥堵。但是卡口的缺陷是一些卡口设备缺失或损坏的道路,会导致轨迹缺失。而公交或出租车GPS数据受限于其城市道路覆盖程度,只能作为采样数据来反映道路运行情况。因此,对三种数据进行融合计算,可以更加精准地计算道路拥堵等级。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为城市道路交通路网示意图;
图2为公交车GPS数据拥堵等级识别数据计算流程图;
图3为出租车GPS数据拥堵等级识别数据计算流程图;
图4为结合卡口过车记录和浮动车GPS数据的拥堵识别方法流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1
根据本发明提供的一种结合卡口过车记录和浮动车GPS数据的拥堵识别方法,包括:
步骤S1:利用卡口过车数据进行拥堵等级识别并计算卡口过车数据拥堵等级识别置信度;
步骤S2:利用公交车GPS数据进行拥堵等级识别并计算公交车GPS数据拥堵判别置信度;
步骤S3:利用出租车GPS数据进行拥堵等级识别并计算出租车GPS数据拥堵判别置信度;
步骤S4:根据卡口过车数据拥堵等级、卡口过车拥堵等级置信度、公交车拥堵等级、公交车拥堵等级置信度、出租车拥堵等级以及出租车拥堵等级置信度,利用融合算法计算最后的道路拥堵等级。
具体地,所述步骤S1包括:
步骤S1.1:将每天按照预设时间间隔等分,计算每一间隔平均行程速度kk_vi;
步骤S1.2:将计算出的每一间隔平均行程速度kk_vi从大到小排序,并取排序的前预设数量的值进行平均得到自由流速度,当自由流速度超过道路限速时,则取限速值为当前自由流速度;
步骤S1.3:根据计算得到的自由流速度得到道路拥堵等级;
步骤S1.4:根据车辆通过路段起终点被准确抓拍情况,计算路段每一个车经过生成数据的置信度;
步骤S1.5:对路段所有车置信度取均值得到当前路段拥堵等级的置信度。
具体地,所述步骤S2包括:
步骤S2.1:将历史预设时间段的公交车GPS数据与道路经纬度数据进行匹配,并对历史预设时间段的公交车GPS数据进行数据清洗,得到清洗后的历史预设时间段的公交车GPS数据;
步骤S2.2:将每天按照预设时间间隔等分成多个时区,利用道路预设时间段内公交车实时速度明细数据计算得到每条道路在每个时区内的平均速度bus_avg_vi,得到道路公交车平均速度静态表;
步骤S2.3:在线以预设时间为间隔实时获取、回传公交车GPS数据,并实时清洗数据后计算道路公交车平均速度bus_timezone_vi;
步骤S2.4:计算公交车实时速度bus_timezone_vi与平均速度bus_avg_vi的比例bus_rate,根据预设公交车拥堵指数判定规则,得到bus_rate相对应的拥堵指数;
步骤S2.5:根据实时回传的道路公交车GPS数据量预设置信区间,得到基于道路公交车GPS数据的拥堵指数的可靠性。
具体地,所述步骤S3包括:
步骤S3.1:将历史预设时间出租车GPS数据与道路经纬度数据进行匹配,并对历史预设时间出租车GPS数据进行数据清洗,得到道路历史预设时间出租车实时速度明细;
步骤S3.2:将每天按照预设时间间隔等分成多个时区,利用道路历史预设时间出租车实时速度明细计算得到每条道路在每个时区内的平均速度taxi_avg_vi;
步骤S3.3:在线按照预设时间间隔实时获取、回传出租车GPS数据,并实时清洗数据后计算道路出租车平均速度taxi_timezone_vi;
步骤S3.4:计算出租车实时速度taxi_timezone_vi与平均速度taxi_avg_vi比例taxi_rate,根据预设公交车拥堵指数判定规则,得到taxi_rate相对应的拥堵指数;
步骤S3.5:根据实时回传的道路出租车GPS数据量预设置信区间,得到基于道路出租车GPS数据的拥堵指数的可靠性。
具体地,所述步骤S4包括:根据卡口数据拥堵等级、卡口过车拥堵等级置信度、公交车拥堵等级、公交车拥堵等级置信度、出租车拥堵等级以及出租车拥堵等级置信度,采用pu-bagging思想对每个时区内每条道路的拥堵识别结果进行加权投票表决,得到最终的道路拥堵识别结果。
本发明利用城市交通的多种数据(卡口过车数据、公交GPS数据、出租车GPS数据),来计算城市道路拥堵等级(按照公安部颁布的《GA/T115-2020道路交通拥堵度评价方法》的定义,将道路拥堵分为四级,严重拥堵、中度拥堵、轻度拥堵、畅通)。对比用单一数据源的计算方法,本发明利用了不同数据的特性,数据之间相互补充,达到更加精准地判定道路是否拥堵的效果。
卡口过车数据记录了每辆车出现的道路上的时间和位置,可以用来还原车辆行驶轨迹。精确的车辆轨迹形成的车流能够很好地用来计算道路拥堵。但是卡口的缺陷是一些卡口设备缺失或损坏的道路,会导致轨迹缺失。而公交或出租车GPS数据受限于其城市道路覆盖程度,只能作为采样数据来反映道路运行情况。因此,对三种数据进行融合计算,可以更加精准地计算道路拥堵等级。
本发明提供的一种结合卡口过车记录和浮动车GPS数据的拥堵识别***,可以通过本发明提供的一种结合卡口过车记录和浮动车GPS数据的拥堵识别方法中的步骤流程实现。本领域技术人员,可以将所述一种结合卡口过车记录和浮动车GPS数据的拥堵识别方法理解为一种结合卡口过车记录和浮动车GPS数据的拥堵识别***的一个优选例。
实施例2
实施例2是实施例1的优选例
本发明对三种数据,分别采用不同的计算方案,得到三种道路拥堵等级以及对应的拥堵置信度,并设计融合算法来产出最后的道路拥堵等级,参考图1至图4所示。
城市道路分为4个等级,严重拥堵、中度拥堵、轻度拥堵、畅通,分别对应用1、2、3、4来表达。
一、利用卡口过车数据进行拥堵等级识别
根据《GA/T 115-2020道路交通拥堵度评价方法》的规定,行程时间比(TTI)对应拥堵等级的判定,如表1。路段的行程时间比即为车流通过该路段的实际行程时间与在自由流速度下通过该路段的行程时间的比值。在道路通畅的情况下,车辆通过路段的速度为自由流速度。卡口过车数据记录车在道路上留下的轨迹点,根据轨迹点的距离和时间差,可以计算车辆的行程速度。而路段距离相同,行程时间的比值可以转为行程速度的比值。
表1
TTI | 道路拥堵级别 |
<2 | 1 |
2-2.5 | 2 |
2.5-3.33 | 3 |
>3.33 | 4 |
行程时间比TTI=实际行程时间/自由流行程时间
自由流速度计算过程如下:
1.将00:00-24:00按给定时间间隔(15min)等分,计算每一间隔平均行程速度的算术平均值kk_vi(为保证样本无偏,样本天数应不少于30天)。
2.将计算出的kk_vi从大到小排序,取前1/9进行平均得到自由流速度,当自由流速度超过道路限速时取限速。
由于部分卡口摄像设备损坏无法实时抓拍或抓拍方向有误等原因会导致获取不到部分卡口数据或者获取了错误的卡口数据等原因,我们在计算道路行程时间时,进行了数据补全。而数据补全的车流与真实的车流存在差异,所以本发明用数据补全车流的多少,来计算当前拥堵等级结果的置信度。
卡口过车数据拥堵等级识别置信度:
具体计算规则如下:
1、计算路段每一个车经过生成数据的置信度(如该车通过路段起终点都被准确抓拍,那么置信度100%,如果起点抓拍终点漏拍下一路口抓拍,本路段占两个路段间行程时间50%,那么置信度50%)
2、对路段所有车置信度取均值得到路段拥堵等级的置信度。
补充说明下数据补全的逻辑:
图1所示A、B、C、D四个卡口,得到AB、ABC、DABC等路段。路段的理想行程时间=距离/限速。
场景1:当B卡口因为一些原因停用时,借助CAR1在AC卡口过车记录,得到AC行程时间,利用最短路径算法,得到ABC为AC的最短路径再根据AB、BC理想行程时间权重,分配行程时间,得到CAR1在AB、BC行程时间。
场景2:当A卡口漏拍,借助CAR2在DC卡口过车记录,得到DC行程时间,通过最短路径算法,得到DABC为DC的最短路径。根据DA、AB、BC理想行程时间权重,分配行程时间,得到赣A00002 DA、AB、BC行程时间。
统计时段内路过A、B、C、D四个卡口的所有CAR,得到DA、AB、BC行程时间。
利用公交车GPS数据进行拥堵等级识别:
输入数据源包括:市区道路信息文件、公交车GPS实时数据、道路公交车平均速度。该方案可以在有公交车路过的道路上利用实时路段公交车平均速度与历史路段平均速度比值数据来反应实时道路拥堵情况。公交车GPS数据拥堵等级识别数据计算链路如图2所示。
计算过程如下:
将历史30天公交车GPS数据与道路经纬度数据进行匹配,并将状态为停运的公交车、速度返回为负、经纬度信息明显不在区域内的数据进行过滤,完成初步数据清洗工作,得到道路30天公交车实时速度明细;
将一天按00:00-24:00按给定时间间隔(15min)等分成96个时区,利用道路30天公交车实时速度明细数据计算得到每条道路在每个时区内的平均速度bus_avg_vi,得到道路公交车平均速度静态表(以月度为周期更新);
线上以2min为间隔实时获取、回传公交车GPS数据,并实时清洗数据后计算道路公交车平均速度bus_timezone_vi;
计算公交车实时速度与平均速度比例bus_rate=bus_timezone_vi/bus_avg_vi。根据表2所示的预设公交车拥堵指数判定规则,将bus_rate映射为相应拥堵指数。
表2
公交车GPS数据拥堵判别置信度:
由于夜间时段以及部分小路公交车路过较少,汇报的GPS数据也相应不全,因此需要根据实时回传的道路公交车GPS数据量来给定一个置信区间,即代表实时计算得到的基于道路公交车GPS数据的拥堵指数的可靠性。具体映射规则如表3所示。
表3
2分钟公交车数据/条 | 置信度 |
<5 | 1 |
5-10 | 2 |
10-20 | 3 |
>20 | 4 |
利用出租车GPS数据进行拥堵等级识别:
输入数据源包括:市区道路信息文件、出租车GPS实时数据、道路出租车平均速度。该方案可以在有出租车路过的道路上利用实时路段出租车平均速度与历史路段平均速度比值数据来反应实时道路拥堵情况。出租车GPS数据拥堵等级识别数据计算链路如图3所示。
计算过程如下:
将历史30天出租车GPS数据与道路经纬度数据进行匹配,并将状态为停运的出租车、速度返回为负、经纬度信息明显不在区域内的数据进行过滤,完成初步数据清洗工作,得到道路30天出租车实时速度明细;
将一天按00:00-24:00按给定时间间隔(15min)等分成96个时区,利用道路30天出租车实时速度明细数据计算得到每条道路在每个时区内的平均速度taxi_avg_vi,得到道路出租车平均速度静态表(以月度为周期更新);
线上以2min为间隔实时获取、回传出租车GPS数据,并实时清洗数据后计算道路出租车平均速度taxi_timezone_vi;
计算出租车实时速度与平均速度比例taxi_rate=taxi_timezone_vi/taxi_avg_vi。根据表4所示的预设公交车拥堵指数判定规则,将taxi_rate映射为相应拥堵指数。
表4
taxi_rate | 道路拥堵级别 |
<0.1 | 1 |
0.1-0.3 | 2 |
0.3-0.5 | 3 |
>0.5 | 4 |
出租车GPS数据拥堵判别置信区间:
由于夜间时段以及部分偏僻道路出租车路过较少,汇报的GPS数据也相应不全,因此需要根据实时回传的道路出租车GPS数据量来给定一个置信区间,即代表实时计算得到的基于道路出租车GPS数据的拥堵指数的可靠性。具体预设映射规则如表5所示。
表5
2分钟出租车数据/条 | 置信度 |
<5 | 1 |
5-10 | 2 |
10-20 | 3 |
>20 | 4 |
多路拥堵识别结果融合
根据以上卡口数据、公交车GPS数据、出租车GPS数据已经得到3种不同数据源、不同识别方案下的道路拥堵识别结果,参考各路方案的置信区间数据,采用pu-bagging思想对每个时区内每条道路的3路拥堵识别结果进行加权投票表决,得到最终的道路拥堵识别结果mixed_congestion_level。其中全部数据输入输出结构如图4所示。
计算过程如下:
从数据库中实时拉取每隔2min计算得到的3路拥堵识别数据和置信度数据。分别为:卡口过车拥堵等级(kk_congestion_level)、卡口过车拥堵等级置信度(kk_confidence)、公交车拥堵等级(bus_congestion_level)、公交车拥堵等级置信度(bus_confidence)、出租车拥堵等级(taxi_congestion_level)、出租车拥堵等级置信度(taxi_confidence)。以路段id,时间戳为主键进行3路拥堵识别结果关联表wide_congestion_level_table;
对wide_congestion_level_table表进行进一步数据清洗,过滤kk_confidence在0.3以下的kk_congestion_level数据和bus_confidence及taxi_confidence在2以下的bus_congestion_level和taxi_congestion_level数据,并以其他2路结果中当前时刻未被过滤的congestion_level数据对过滤值进行填充。如某条路在当前时段下3路拥堵识别结果都由于置信度较低全被过滤,则该道路当前时刻的congestion_level值以-1填充,表明无法获取当前道路的足够数据,无法进行拥堵级别判定。在实际应用中也可将此类情况的congestion_level以4填充,因为同时满足卡口数据不全、公交车、出租车数据少的道路大概率是偏僻道路天然不拥堵,或者是非常小的乡间小路拥堵识别意义不大。
最后根据经过数据清洗的wide_congestion_level_table表中kk_congestion_level、bus_congestion_level、taxi_congestion_level三个拥堵数据根据对应的置信结果加权向上取平均得到最终的道路-时段拥堵识别结果mixed_congestion_level。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的***、装置及其各个模块以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的***、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以,本发明提供的***、装置及其各个模块可以被认为是一种硬件部件,而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构;也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (8)
1.一种结合卡口过车记录和浮动车GPS数据的拥堵识别方法,其特征在于,包括:
步骤S1:利用卡口过车数据进行拥堵等级识别并计算卡口过车数据拥堵等级识别置信度;
步骤S2:利用公交车GPS数据进行拥堵等级识别并计算公交车GPS数据拥堵判别置信度;
步骤S3:利用出租车GPS数据进行拥堵等级识别并计算出租车GPS数据拥堵判别置信度;
步骤S4:根据卡口过车数据拥堵等级、卡口过车拥堵等级置信度、公交车拥堵等级、公交车拥堵等级置信度、出租车拥堵等级以及出租车拥堵等级置信度,利用融合算法计算最后的道路拥堵等级;
所述步骤S1包括:
步骤S1.1:将每天按照预设时间间隔等分,计算每一间隔平均行程速度kk_vi;
步骤S1.2:将计算出的每一间隔平均行程速度kk_vi从大到小排序,并取排序的前预设数量的值进行平均得到自由流速度,当自由流速度超过道路限速时,则取限速值为当前自由流速度;
步骤S1.3:根据计算得到的自由流速度得到道路拥堵等级;
步骤S1.4:根据车辆通过路段起终点被准确抓拍情况,计算路段每一个车经过生成数据的置信度;
步骤S1.5:对路段所有车置信度取均值得到当前路段拥堵等级的置信度。
2.根据权利要求1所述的结合卡口过车记录和浮动车GPS数据的拥堵识别方法,其特征在于,所述步骤S2包括:
步骤S2.1:将历史预设时间段的公交车GPS数据与道路经纬度数据进行匹配,并对历史预设时间段的公交车GPS数据进行数据清洗,得到清洗后的历史预设时间段的公交车GPS数据;
步骤S2.2:将每天按照预设时间间隔等分成多个时区,利用道路预设时间段内公交车实时速度明细数据计算得到每条道路在每个时区内的平均速度bus_avg_vi,得到道路公交车平均速度静态表;
步骤S2.3:在线以预设时间为间隔实时获取、回传公交车GPS数据,并实时清洗数据后计算道路公交车平均速度bus_timezone_vi;
步骤S2.4:计算公交车实时速度bus_timezone_vi与平均速度bus_avg_vi的比例bus_rate,根据预设公交车拥堵指数判定规则,得到bus_rate相对应的拥堵指数;
步骤S2.5:根据实时回传的道路公交车GPS数据量预设置信区间,得到基于道路公交车GPS数据的拥堵指数的可靠性。
3.根据权利要求1所述的结合卡口过车记录和浮动车GPS数据的拥堵识别方法,其特征在于,所述步骤S3包括:
步骤S3.1:将历史预设时间出租车GPS数据与道路经纬度数据进行匹配,并对历史预设时间出租车GPS数据进行数据清洗,得到道路历史预设时间出租车实时速度明细;
步骤S3.2:将每天按照预设时间间隔等分成多个时区,利用道路历史预设时间出租车实时速度明细计算得到每条道路在每个时区内的平均速度taxi_avg_vi;
步骤S3.3:在线按照预设时间间隔实时获取、回传出租车GPS数据,并实时清洗数据后计算道路出租车平均速度taxi_timezone_vi;
步骤S3.4:计算出租车实时速度taxi_timezone_vi与平均速度taxi_avg_vi比例taxi_rate,根据预设公交车拥堵指数判定规则,得到taxi_rate相对应的拥堵指数;
步骤S3.5:根据实时回传的道路出租车GPS数据量预设置信区间,得到基于道路出租车GPS数据的拥堵指数的可靠性。
4.根据权利要求1所述的结合卡口过车记录和浮动车GPS数据的拥堵识别方法,其特征在于,所述步骤S4包括:根据卡口数据拥堵等级、卡口过车拥堵等级置信度、公交车拥堵等级、公交车拥堵等级置信度、出租车拥堵等级以及出租车拥堵等级置信度,采用pu-bagging思想对每个时区内每条道路的拥堵识别结果进行加权投票表决,得到最终的道路拥堵识别结果。
5.一种结合卡口过车记录和浮动车GPS数据的拥堵识别***,其特征在于,包括:
模块M1:利用卡口过车数据进行拥堵等级识别并计算卡口过车数据拥堵等级识别置信度;
模块M2:利用公交车GPS数据进行拥堵等级识别并计算公交车GPS数据拥堵判别置信度;
模块M3:利用出租车GPS数据进行拥堵等级识别并计算出租车GPS数据拥堵判别置信度;
模块M4:根据卡口过车数据拥堵等级、卡口过车拥堵等级置信度、公交车拥堵等级、公交车拥堵等级置信度、出租车拥堵等级以及出租车拥堵等级置信度,利用融合算法计算最后的道路拥堵等级;
所述模块M1包括:
模块M1.1:将每天按照预设时间间隔等分,计算每一间隔平均行程速度kk_vi;
模块M1.2:将计算出的每一间隔平均行程速度kk_vi从大到小排序,并取排序的前预设数量的值进行平均得到自由流速度,当自由流速度超过道路限速时,则取限速值为当前自由流速度;
模块M1.3:根据计算得到的自由流速度得到道路拥堵等级;
模块M1.4:根据车辆通过路段起终点被准确抓拍情况,计算路段每一个车经过生成数据的置信度;
模块M1.5:对路段所有车置信度取均值得到当前路段拥堵等级的置信度。
6.根据权利要求5所述的结合卡口过车记录和浮动车GPS数据的拥堵识别***,其特征在于,所述模块M2包括:
模块M2.1:将历史预设时间段的公交车GPS数据与道路经纬度数据进行匹配,并对历史预设时间段的公交车GPS数据进行数据清洗,得到清洗后的历史预设时间段的公交车GPS数据;
模块M2.2:将每天按照预设时间间隔等分成多个时区,利用道路预设时间段内公交车实时速度明细数据计算得到每条道路在每个时区内的平均速度bus_avg_vi,得到道路公交车平均速度静态表;
模块M2.3:在线以预设时间为间隔实时获取、回传公交车GPS数据,并实时清洗数据后计算道路公交车平均速度bus_timezone_vi;
模块M2.4:计算公交车实时速度bus_timezone_vi与平均速度bus_avg_vi的比例bus_rate,根据预设公交车拥堵指数判定规则,得到bus_rate相对应的拥堵指数;
模块M2.5:根据实时回传的道路公交车GPS数据量预设置信区间,得到基于道路公交车GPS数据的拥堵指数的可靠性。
7.根据权利要求5所述的结合卡口过车记录和浮动车GPS数据的拥堵识别***,其特征在于,所述模块M3包括:
模块M3.1:将历史预设时间出租车GPS数据与道路经纬度数据进行匹配,并对历史预设时间出租车GPS数据进行数据清洗,得到道路历史预设时间出租车实时速度明细;
模块M3.2:将每天按照预设时间间隔等分成多个时区,利用道路历史预设时间出租车实时速度明细计算得到每条道路在每个时区内的平均速度taxi_avg_vi;
模块M3.3:在线按照预设时间间隔实时获取、回传出租车GPS数据,并实时清洗数据后计算道路出租车平均速度taxi_timezone_vi;
模块M3.4:计算出租车实时速度taxi_timezone_vi与平均速度taxi_avg_vi比例taxi_rate,根据预设公交车拥堵指数判定规则,得到taxi_rate相对应的拥堵指数;
模块M3.5:根据实时回传的道路出租车GPS数据量预设置信区间,得到基于道路出租车GPS数据的拥堵指数的可靠性。
8.根据权利要求5所述的结合卡口过车记录和浮动车GPS数据的拥堵识别***,其特征在于,所述模块M4包括:根据卡口数据拥堵等级、卡口过车拥堵等级置信度、公交车拥堵等级、公交车拥堵等级置信度、出租车拥堵等级以及出租车拥堵等级置信度,采用pu-bagging思想对每个时区内每条道路的拥堵识别结果进行加权投票表决,得到最终的道路拥堵识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110553621.2A CN113470347B (zh) | 2021-05-20 | 2021-05-20 | 结合卡口过车记录和浮动车gps数据的拥堵识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110553621.2A CN113470347B (zh) | 2021-05-20 | 2021-05-20 | 结合卡口过车记录和浮动车gps数据的拥堵识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113470347A CN113470347A (zh) | 2021-10-01 |
CN113470347B true CN113470347B (zh) | 2022-07-26 |
Family
ID=77871087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110553621.2A Active CN113470347B (zh) | 2021-05-20 | 2021-05-20 | 结合卡口过车记录和浮动车gps数据的拥堵识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113470347B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5173691A (en) * | 1990-07-26 | 1992-12-22 | Farradyne Systems, Inc. | Data fusion process for an in-vehicle traffic congestion information system |
SE1150291A1 (sv) * | 2011-04-04 | 2012-10-05 | Scania Cv Ab | Skattning av väglutning medelst utnyttjande av en sensorfusion |
CN105205486A (zh) * | 2015-09-15 | 2015-12-30 | 浙江宇视科技有限公司 | 一种车标识别方法及装置 |
WO2018122585A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种基于浮动车数据的城市道路交通异常检测方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ATE391980T1 (de) * | 2006-02-02 | 2008-04-15 | Fiat Ricerche | System zur detektion von fahrzeugverkehr mittels bordeigener telematischer kooperationsplattform basierend auf erweiterten stichprobenfahrzeugdaten |
CN102087788B (zh) * | 2009-12-02 | 2012-12-19 | 上海济祥智能交通科技有限公司 | 基于浮动车车速置信度的交通状态参数估计方法 |
CN101710449A (zh) * | 2009-12-04 | 2010-05-19 | 吉林大学 | 基于公交车gps数据的交通流运行状态识别方法 |
CN103871239B (zh) * | 2014-03-17 | 2016-02-10 | 同济大学 | 基于出租车和公交gps数据的公交运行状态判别方法及应用*** |
US9213899B2 (en) * | 2014-03-24 | 2015-12-15 | International Business Machines Corporation | Context-aware tracking of a video object using a sparse representation framework |
CN104484996B (zh) * | 2014-12-18 | 2017-02-22 | 中设设计集团股份有限公司 | 一种基于多源数据的路段交通状态判别方法 |
CN105551241B (zh) * | 2015-12-09 | 2018-02-02 | 中兴软创科技股份有限公司 | 一种基于fcd及ep多源数据的实时拥堵分析方法 |
CN105489016B (zh) * | 2016-02-01 | 2018-07-10 | 北京交通发展研究中心 | 一种城市道路运行情况评估方法 |
CN106448159B (zh) * | 2016-09-09 | 2018-11-02 | 蔡诚昊 | 一种基于动态交通信息的道路交通分级预警方法 |
CN107730892A (zh) * | 2017-11-20 | 2018-02-23 | 中兴软创科技股份有限公司 | 一种基于fcd与互联网数据融合的交通拥堵指数评价方法 |
CN108346292B (zh) * | 2018-04-17 | 2021-02-05 | 吉林大学 | 基于卡口数据的城市快速路实时交通指数计算方法 |
CN110634299B (zh) * | 2019-10-25 | 2022-03-25 | 福州大学 | 基于多源轨迹数据的城市交通状态精细划分与识别方法 |
CN111383452A (zh) * | 2019-12-03 | 2020-07-07 | 东南大学 | 一种城市路网短期交通运行状态估计与预测方法 |
CN112489421A (zh) * | 2020-11-18 | 2021-03-12 | 南京速安交通科技有限公司 | 一种基于多源交通大数据融合的突发拥堵判别方法及*** |
-
2021
- 2021-05-20 CN CN202110553621.2A patent/CN113470347B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5173691A (en) * | 1990-07-26 | 1992-12-22 | Farradyne Systems, Inc. | Data fusion process for an in-vehicle traffic congestion information system |
SE1150291A1 (sv) * | 2011-04-04 | 2012-10-05 | Scania Cv Ab | Skattning av väglutning medelst utnyttjande av en sensorfusion |
CN105205486A (zh) * | 2015-09-15 | 2015-12-30 | 浙江宇视科技有限公司 | 一种车标识别方法及装置 |
WO2018122585A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种基于浮动车数据的城市道路交通异常检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113470347A (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111243277B (zh) | 基于车牌识别数据的通勤车辆时空轨迹重构方法及*** | |
CN109448370B (zh) | 一种基于车辆轨迹数据的交通控制子区划分方法 | |
CN108346292B (zh) | 基于卡口数据的城市快速路实时交通指数计算方法 | |
CN102394008B (zh) | 使用来自移动数据源的数据估算道路交通状况 | |
Asakura et al. | Origin-destination matrices estimation model using automatic vehicle identification data and its application to the Han-Shin expressway network | |
CN109242024B (zh) | 一种基于卡口数据的车辆行为相似度计算方法 | |
CN107885795B (zh) | 一种卡口数据的数据校验方法、***和装置 | |
CN102116639B (zh) | 一种对电子地图的交通限制信息自动校验的方法与装置 | |
CN110807919A (zh) | 基于过车数据的城市路网交通运行态势评价方法 | |
Brockfeld et al. | Benefits and limits of recent floating car data technology–an evaluation study | |
WO2011060727A1 (zh) | 路况预测的方法及装置 | |
CN110838232A (zh) | 基于过车电警数据的单一车辆od获取方法 | |
CN112053558A (zh) | 一种交通拥堵状态识别方法及装置和设备 | |
CN103903436A (zh) | 一种基于浮动车的高速公路交通拥堵检测方法和*** | |
CN105448092A (zh) | 一种关联车辆的分析方法及装置 | |
CN105632222A (zh) | 预报到站时间的方法及其*** | |
Axer et al. | Level of service estimation based on low-frequency floating car data | |
CN110021161B (zh) | 一种交通流向的预测方法及*** | |
CN111199247A (zh) | 一种公交运行仿真方法 | |
CN113470369B (zh) | 一种基于多维度信息判断***辆真实号牌的方法及*** | |
CN113470347B (zh) | 结合卡口过车记录和浮动车gps数据的拥堵识别方法及*** | |
US20210201665A1 (en) | Apparatus and method for correlating environment data with traffic data | |
Elleuch et al. | Towards an efficient traffic congestion prediction method based on neural networks and big GPS data | |
CN110491157A (zh) | 一种基于停车场数据和卡口数据的车辆关联方法 | |
CN113470376B (zh) | 基于卡口过车数据的实时区域在途车辆计数方法及*** |
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 |