CN113535819A - 交通态势感知分析方法、装置、计算机存储介质及终端 - Google Patents
交通态势感知分析方法、装置、计算机存储介质及终端 Download PDFInfo
- Publication number
- CN113535819A CN113535819A CN202110802472.9A CN202110802472A CN113535819A CN 113535819 A CN113535819 A CN 113535819A CN 202110802472 A CN202110802472 A CN 202110802472A CN 113535819 A CN113535819 A CN 113535819A
- Authority
- CN
- China
- Prior art keywords
- traffic
- gate
- time
- adjacent
- bayonet
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 39
- 230000008447 perception Effects 0.000 title abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 238000012163 sequencing technique Methods 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 11
- 230000000875 corresponding effect Effects 0.000 description 22
- 238000002474 experimental method Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开交通态势感知分析方法、装置、计算机存储介质及终端。该方法包括如下:S1:获取交通卡口记录数据,对每辆车的交通卡口记录按时间先后顺序排序;S2:按时空关联性和近邻关系算法切割路径形成每辆车每次出行起止点OD;S3:基于一天不同出行时间段获取起止点OD经过的交通卡口集合,构建出行起止点交通卡口事务集合T;S4:应用时空关联规则算法在该集合T上筛选出强关联交通卡口集合X;S5:根据该集合X,计算对应时间段内交通卡口的交通量及交通态势相关性。该方法能提前分析未来受交通拥堵事件影响的路段。该装置与该方法一一对应。该计算机存储介质存储有执行该方法的程序。该终端的存储器存储有能实现该方法的程序。
Description
技术领域
本发明涉及智能交通***技术领域,尤其涉及交通态势感知分析方法、装置、计算机存储介质及终端。
背景技术
近几年随着城市经济的快速发展,汽车保有量迅速增加与居民出行需求迅猛增长,城市交通***的运行压力不断增加,而道路设施、交通规划与管理等方面响应速度无法及时跟上,导致道路拥堵现象频繁出现,增加居民出行时间成本。此外,道路拥堵时车辆密度高,容易引发交通事故,进一步加剧交通延误。
为了提高居民的出行效率,不少研究基于交通大数据探索缓解交通拥堵问题的方法,例如,分析交通道路拥堵状态并对道路拥堵状态划分等级;通过分析卡口历史车流量总结规律来预测未来短期的交通卡口的车流量等。道路交通量的预测有助于政府交管部门提前知道城市的拥堵区域并采取相应的行动。
城市道路交通状态具有周期性和时空相关性,某一个路段的交通状况会沿着道路结构蔓延到周围相关路段,进而在一定时间内改变周围一定空间范围内路段的交通状况。
为此,中国发明专利申请201910998328.X公开了一种基于时空关联规则的区域交通拥堵相关性计算方法,可以给交通管理人员和出行者提供道路情况预警,可以有效避免并缓解交通拥堵的演化与传播。具体实施方案是对路网进行区域划分,并采集区域交通流量与速度数据;使用融合FCM和kmeans++的聚类算法对历史交通数据进行聚类,获得区域的交通状态;进而构建拥堵事务集T,并运用时空关联规则算法,根据相关性指标,计算强关联规则中区域间的相关性,从而获得同一时段,具有强相关关系的区域信息。
但是,上述方案存在的缺点有:(1)区域交通拥堵分析通过聚类方式识别出拥堵,聚类方式受数据影响可能存在偏差;(2)区域交通拥堵分析是通过构建拥堵事务集T,在拥堵事务集T应用时空关联规则获取强关联规则时只能分析历史发生过交通拥堵事件的路段,不能分析未发生交通拥堵事件的路段;(3)区域交通拥堵分析采用的apriori算法,在大规模数据中处理效率较低。
发明内容
为了克服上述现有技术的不足,本发明的第一个发明目的在于提供一种交通态势感知分析方法,其能够分析通过时空相关性分析计算交通卡口集合之间关联系数,从而实现卡口间交通态势动态感知,提前分析未来受交通拥堵事件影响的路段。本发明的第二个发明目的在于提供与所述交通态势感知分析方法一一对应的交通态势感知分析装置。本发明的第三个发明目的在于提供一种存储有用于运行上述交通态势感知分析方法的计算机程序的计算机存储介质;本发明的第四个发明目的在于提供一种终端,其处理器能够读取存储于存储器中能够实现上述交通态势感知分析方法的计算机程序。
为了实现上述第一个发明目的,本发明采用的技术方案内容具体如下:
交通态势感知分析方法,所述分析方法应用在服务器上,包括如下步骤:
S1:获取交通卡口的记录数据,对每辆车的交通卡口记录按时间先后顺序排序;
S2:根据时空关联性和近邻关系算法切割路径,形成每辆车每次出行的起止点OD;
S3:按照一天中公路交通压力情况划分不同出行时间段,基于不同出行时间段的每辆车每次出行起止点OD经过的交通卡口集合,构建出行起止点交通卡口事务集合T;
S4:在出行交通卡口事务集合T的基础上,应用时空关联规则算法,筛选出满足预先设定的最小支持度规则和最小置信度规则的集合,即具有时空相关性的强关联交通卡口集合X;
S5:根据强关联交通卡口集合X,计算对应时间段内交通卡口的交通量,同时利用皮尔森相关系数分析对应强关联交通卡口集合X的交通态势相关性。
进一步地,所述S2中根据时空关联性和近邻关系算法切割路径的具体步骤包括如下:
S21:根据同一辆车在任意两交通卡口之间的行驶顺序来辨别所述两交通卡口是否为邻近交通卡口对;若是,则执行S22,若否,则执行S25;
S22:根据每辆车经过该邻近交通卡口对的时间先后顺序,计算每辆车的邻近交通卡口对的旅行时间;
S23:根据S22计算出的旅行时间,利用3σ准则判断每个交通卡口每个时间段的有效旅行时间范围;
S24:利用车辆在预设时间段先后经过邻近交通卡口对的旅行时间,对比S22获得的对应邻近卡口对在对应时间段的有效旅行时间范围,若在有效旅行时间范围内,则邻近卡口对连续,否则,邻近卡口对截断;
S25:车辆在预设时间段先后经过非邻近交通卡口对时,利用如下规则判断非邻近卡口对连续与否:
对于时间相邻的非邻近交通卡口对,其上一个交通卡口类型为高速入口,下一个交通卡口类型为高速出口或视频卡口,则非邻近卡口对连续;
或者,对于时间相邻的非邻近交通卡口对,其上一个交通卡口类型为视频卡口或高速入口,下一个交通卡口类型为高速出口,则非邻近卡口对连续;
对于其他类型的非邻近卡口对,则按照预设时间阈值进行判断,即:若非邻近卡口对先后旅行时间超过预设时间阈值,则非邻近卡口对截断;若非邻近卡口对先后旅行时间在预设时间阈值之内,则非邻近卡口对连续。
进一步地,所述时空关联规则算法为FP-growth算法。
优选地,所述S4包括如下步骤:
S41:设置最小支持度min_sup和最小置信度min_conf;
S42:过滤出满足最小支持度min_sup项,构建FP树;
S43:基于FP树中挖掘频繁项集;
S44:过滤出满足最小置信度min_conf的频繁模式对应的关联规则。
所述关联规则:形如X→Y的表达式,其中X和Y是不相交的交通卡口项集。
频繁项集:是指在所有出行起止点OD中大量频繁出现的数据集合。
置信度:是用于确定交通卡口项集Y在包含交通卡口项集X的出行起止点OD事务集合T中出行的频繁程度,计算公式为:其中σ(X∪Y)为交通卡口项集X和交通卡口项集Y同时出现的次数,其中σ(X)为交通卡口项集X出现次数。
或者,所述时空关联规则算法为apriori算法。
进一步地,S5中所述的利用皮尔森相关系数分析对应强关联交通卡口集合X的交通态势相关性,具体包含以下步骤:
S51:按照时间单位统计各强关联交通卡口的交通量;
S52:在车辆经过强关联交通卡口具有时滞性的情况下,将强关联交通卡口按时间进行移位N个时间单位,生成移位的交通量序列;
S53:利用皮尔森相关系数,计算强关联交通卡口对移位的交通量序列的相关性,计算方式为:其中cov(a,b)为交通卡口对中的交通卡口a与交通卡口b交通流时间序列的协方差,D(xa),D(xb)分别为交通卡口a和交通卡口b的方差;
S54:获取交通卡口对相关性最大对应的移动位置,即得到交通卡口对间交通流经过的时间;
S55:通过S54获取到交通卡口对间的交通流经过的时间后,当某一交通卡口发生交通拥堵时,与之强关联的交通卡口在所述交通流经过的时间也会发生交通拥堵,则可提前采取措施进行疏导。
为了实现上述第二个发明目的,本发明采用的技术方案内容具体如下:
交通态势感知分析装置,包括:
排序模块,用于获取交通卡口的记录数据,对每辆车的交通卡口记录按时间先后顺序排序;
起止点OD形成模块,用于根据时空关联性和近邻关系算法切割路径,形成每辆车每次出行的起止点OD;
出行起止点交通卡口事务集合T模块构建模块,用于按照一天中公路交通压力情况划分不同出行时间段,基于不同出行时间段的每辆车每次出行起止点OD经过的交通卡口集合,构建出行起止点交通卡口事务集合T;
具有时空相关性的强关联交通卡口集合X获取模块,用于在出行交通卡口事务集合T的基础上,应用时空关联规则算法FP-growth,筛选出满足预先设定的最小支持度规则和最小置信度规则的集合,即具有时空相关性的强关联交通卡口集合X;
强关联交通卡口集合X的交通态势相关性获取模块,用于根据强关联交通卡口集合X,计算对应时间段内交通卡口的交通量,同时利用皮尔森相关系数分析对应强关联交通卡口集合X的交通态势相关性。
为了实现上述第三个发明目的,本发明采用的技术方案内容具体如下:
计算机存储介质,其上存储有实现交通态势感知分析程序,该交通态势感知分析程序被处理器执行前述的交通态势感知分析方法。
为了实现上述第四个发明目的,本发明采用的技术方案内容具体如下:
终端,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的交通态势感知分析程序,所述处理器执行所述交通态势感知分析程序时实现前述的交通态势感知分析方法。
相比现有技术,本发明的有益效果在于:
1.本发明的交通态势感知分析方法,采用起止点OD分析交通态势,相比现有技术CN201910998328.X的区域交通拥堵分析采用聚类方式识别出拥堵,能更精确计算出车流量。
2.现有技术CN201910998328.X应用区域交通拥堵分析是通过应用时空关联规则来构建拥堵事务集T来进行区域交通拥堵分析,只能分析历史发生过交通拥堵事件的路段,不能提前分析未来受交通拥堵事件影响的路段。本发明的交通态势感知分析方法,通过应用时空关联规则,构建具有时空相关性的强关联交通卡口集合X配合皮尔森相关系数,从而能提前分析未来受交通拥堵事件影响的路段,能够针对交通态势提前采取措施进行疏导。
3.对出行交通卡口事务集合T在分析时所使用时空关联规则算法FP-growth相对于现有技术CN201910998328.X在区域交通拥堵分析中采用的apriori算法,在大规模数据中处理效率更高。
下面结合附图和具体实施方式对本发明作进一步详细说明。
附图说明
为了更清楚的说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍,显而易见的,下面的描述中的附图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附图。
图1为本发明的交通态势感知分析方法较优选实施例的整体方法流程图;
图2是图1中的S2的细分步骤图;
图3是图1中的S4的细分步骤图;
图4是图1中的S5的细分步骤图;
图5是图1中的S5中分析具有强关联时序相关系的SX与CZ两个交通卡口在早高峰的交通量的时序图;
图6是图1中的S5中分析具有强关联时序相关系的SX与CZ两个交通卡口在早高峰的交通量时间滞后的相关性。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是,对于这些实施方式的说明用于帮助理解本发明,但并不构成对本发明的限定。此外,下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
图1至图6以一个具体的实施例,对本发明所述的交通态势感知分析方法作出详细的说明。
如图1所示,本发明所述的交通态势感知分析方法的整体步骤包括如下:
S1:获取交通卡口的记录数据,对每辆车的交通卡口记录按时间先后顺序排序;
S2:根据时空关联性和近邻关系算法切割路径,形成每辆车每次出行的起止点OD;
S3:按照一天中公路交通压力情况划分不同出行时间段(如将一天划分为早高峰7:00至9:00、平峰9:00至18:00和晚高峰18:00至20:00三个出行时间段),基于不同出行时间段的每辆车每次出行起止点OD经过的交通卡口集合,构建出行起止点交通卡口事务集合T;所述出行起止点交通卡口事务集合T包括多个交通卡口项集I,所述交通卡口项集I包含经过交通卡口的时序大小和交通卡口的名称;本次实验采用早高峰时间段7:00至9:00每辆车每次出行起止点OD经过的交通卡口集和,构出行起止点交通卡口事务集合T,如表1所示。
S4:在出行交通卡口事务集合T的基础上,应用时空关联规则算法,筛选出满足预先设定的最小支持度规则和最小置信度规则的集合,即具有时空相关性的强关联交通卡口集合X;
S5:根据强关联交通卡口集合X,计算对应时间段内交通卡口的交通量,同时利用皮尔森相关系数分析对应强关联交通卡口集合X的交通态势相关性。
表1
OD_NO | OD_details |
001 | i<sub>1</sub>,i<sub>2</sub>,i<sub>4</sub>,i<sub>6</sub>,i<sub>10</sub> |
002 | i<sub>1</sub>,i<sub>2</sub>,i<sub>5</sub>,i<sub>8</sub>,i<sub>10</sub> |
003 | i<sub>2</sub>,i<sub>3</sub>,i<sub>5</sub>,i<sub>9</sub>,i<sub>10</sub> |
表1为车辆出行起止点按时间先后顺序经过交通卡口的数据,整张表为一个事务集,即出行起止点交通卡口事务集T。每一行是每辆车出行OD的记录,为一个事务。每个交通卡口对应一个项。I={i1,i2,...,id}是所有交通卡口的集合。而T={t1,t2,...,tN}是所有OD事务的集合。每个事务ti包含的项集都是I的子集。关联分析中,定义项集为包含0个或多个项的集合。以第一行为例,OD_NO为001表示OD编号为001,即第1条OD,OD_details为{i1,i2,i4,i6,i10},表示在第001条OD中,车辆按时间先后顺序依次经过i1卡口、i2卡口、i4卡口、i6卡口和i10卡口。
需要说明的是,所述交通卡口包括高速入口、高速出口和视频卡口。
具体地,如图2所示,所述S2中根据时空关联性和近邻关系算法切割路径的具体步骤包括如下:
S21:根据同一辆车在任意两交通卡口之间的行驶顺序来辨别所述两交通卡口是否为邻近交通卡口对;若是,则执行S22,若否,则执行S25;
S22:根据每辆车经过该邻近交通卡口对的时间先后顺序,计算每辆车的邻近交通卡口对的旅行时间;
S23:根据S22计算出的旅行时间,利用3σ准则(又叫3西格玛准则)判断每个交通卡口每个时间段(例如,15分钟)的有效旅行时间范围;
S24:利用车辆在预设时间段先后经过邻近交通卡口对的旅行时间,对比S22获得的对应邻近卡口对在对应时间段的有效旅行时间范围,若在有效旅行时间范围内,则邻近卡口对连续,否则,邻近卡口对截断;
S25:车辆在预设时间段先后经过非邻近交通卡口对时,利用如下规则判断非邻近卡口对连续与否:
对于时间相邻的非邻近交通卡口对,其上一个交通卡口类型为高速入口,下一个交通卡口类型为高速出口或视频卡口,则非邻近卡口对连续;
或者,对于时间相邻的非邻近交通卡口对,其上一个交通卡口类型为视频卡口或高速入口,下一个交通卡口类型为高速出口,则非邻近卡口对连续;
对于其他类型的非邻近卡口对,则按照预设时间阈值进行判断,即:若非邻近卡口对先后旅行时间超过预设时间阈值(例如,2小时),则非邻近卡口对截断;若非邻近卡口对先后旅行时间在预设时间阈值之内,则非邻近卡口对连续。
为了提高时空关联规则在大规模数据中的处理效率,所述时空关联规则算法为FP-growth算法。
具体地,如图3所示,所述S4包括如下步骤:
S41:设置最小支持度min_sup和最小置信度min_conf;
S42:过滤出满足最小支持度min_sup项,构建FP树;
S43:基于FP树中挖掘频繁项集;
S44:过滤出满足最小置信度min_conf的频繁模式对应的关联规则。
其中,使用者可以根据实际的使用需要与场景来设置最小支持度min_sup和最小置信度min_conf的具体数值,并且最小支持度min_sup和最小置信度min_conf的数值越大,所得到的关联规则就越强,而在本实施例中,最小支持度min_sup=500,最小置信度min_conf=0.9。
所述关联规则:形如X→Y的表达式,其中X和Y是不相交的交通卡口项集。
其中,所述频繁项集,是指在所有出行起止点OD中大量频繁出现的数据集合。
所述置信度是用于确定交通卡口项集Y在包含交通卡口项集X的出行起止点OD事务集合T中出行的频繁程度,计算公式为:其中σ(X∪Y)为交通卡口项集X和交通卡口项集Y同时出现的次数,其中σ(X)为交通卡口项集X出现次数。
具体地,S5中所述的利用皮尔森相关系数分析对应强关联交通卡口集合X的交通态势相关性,具体包含以下步骤:
S51:按照时间单位统计各强关联交通卡口的交通量;
S52:在车辆经过强关联交通卡口具有时滞性的情况下,将强关联交通卡口按时间进行移位N个时间单位,生成移位的交通量序列;
S53:利用皮尔森相关系数,计算强关联交通卡口对移位的交通量序列的相关性,计算方式为:其中cov(a,b)为交通卡口对中的交通卡口a与交通卡口b交通流时间序列的协方差,D(xa),D(xb)分别为交通卡口a和交通卡口b的方差;
S54:获取交通卡口对相关性最大对应的移动位置,即得到交通卡口对间交通流经过的时间;
S55:通过S54获取到交通卡口对间的交通流经过的时间后,当某一交通卡口发生交通拥堵时,与之强关联的交通卡口在所述交通流经过的时间也会发生交通拥堵,则可提前采取措施进行疏导。
针对S5,如图4所示,本发明简述一个应用场景来说明步骤S5的具体过程:
S51:按照分钟粒度统计各强关联交通卡口对的交通量,本次分析结果中分析SX交通卡口与CZ交通卡口(即SX-->CZ)强关联交通卡口对的交通量进行分析,按照分钟粒度统计交通卡口SX与交通卡口CZ(即SX-->CZ)强关联卡口对的交通量,如图5所示;
S52:考虑到车辆经过强交通关联卡口对具有时滞性,即交通卡口a的交通量不会马上影响交通卡口b,需要延迟一段时间才能到达b,将强关联卡口对按时间进行移位N个时间单位(例如,分钟粒度),生成移位的交通量序列,本次实验中对强关联的交通卡口SX与交通卡口CZ(SX-->CZ)中的CZ移位N=20个时间单位,即移位20分钟;
S53:利用皮尔森相关系数,计算关联交通卡口对移位的序列相关性,计算方式为:其中cov(a,b)为交通卡口a与交通卡口b交通流时间序列的协方差,D(xa),D(xb)分为别各自的方差,本次实验强关交通卡口SX与交通卡口CZ(即SX-->CZ)的计算结果如图6所示:
从图中可以看出在第一个采样点两者互相关系数没有达到最大,这是因为交通卡口SX与交通卡口CZ两断面同时进行采样,交通卡口SX交通流对交通卡口CZ交通流变化的影响并没有完全体现出来;当经过一段时间延迟(例如,3分钟)后,两者的相互关系数会达到一个最大值,然后逐渐减少。这表示一定时间延迟后,上游交通流率传递到预测断面,两者互相关系数达到最大,但随着时滞的増大,互相关系数逐渐减小。
S54:获取交通卡口对相关性最大对应的移动位置,即得到交通卡口对间交通流经过的时间,本次实验强关联交通卡口SX与交通卡口CZ(即SX-->CZ)从图6中可以看出相关性最大对应的移动位置为4个时间单元,即交通卡口SX与交通卡口CZ交通流经过的时间为4分钟;
S55:交通态势影响分析,通过S54获取到的交通卡口对间交通流经过的时间后,当某一卡口发生交通拥堵时,与之强关联的卡口在未来时间段内(交通流经过的时间)也会发生交通拥堵,则可提前采取措施进行疏导,例如,在本次实验中,当交通卡口SX发生交通拥堵时,与之强关联的交通卡口CZ在未来4分钟内也会发生拥堵,因此要提前采取措施进行疏导。
考虑到有数据缺失及脏数据,通过设置最小支持度作为阈值过滤出行频率低的交通卡口对获取较为准确的邻近卡口,本次实验中采用所有交通卡口出行频率为95%最小出行次数作为阈值。
两交通卡口(即交通卡口对)出行频次低于所有交通卡口出行频率为95%对应的最小出行次数则为非邻近卡口对;两交通卡口(即交通卡口对)出行频次高于所有交通卡口出行频率为95%对应的最小出行次数则为邻近卡口对。
需要说明的是,在其他实施例中,如果处理的数据为小规模数据,所述时空关联规则算法可以选用apriori算法去代替FP-growth算法。
本发明还公开了一种交通态势感知分析装置,包括:
排序模块,用于获取交通卡口的记录数据,对每辆车的交通卡口记录按时间先后顺序排序;
起止点OD形成模块,用于根据时空关联性和近邻关系算法切割路径,形成每辆车每次出行的起止点OD;
出行起止点交通卡口事务集合T模块构建模块,用于按照一天中公路交通压力情况划分不同出行时间段,基于不同出行时间段的每辆车每次出行起止点OD经过的交通卡口集合,构建出行起止点交通卡口事务集合T;
具有时空相关性的强关联交通卡口集合X获取模块,用于在出行交通卡口事务集合T的基础上,应用时空关联规则算法FP-growth,筛选出满足预先设定的最小支持度规则和最小置信度规则的集合,即具有时空相关性的强关联交通卡口集合X;
强关联交通卡口集合X的交通态势相关性获取模块,用于根据强关联交通卡口集合X,计算对应时间段内交通卡口的交通量,同时利用皮尔森相关系数分析对应强关联交通卡口集合X的交通态势相关性。
本发明还公开了一种计算机存储介质,其上存储有实现交通态势感知分析程序,该交通态势感知分析程序被处理器执行前述的交通态势感知分析方法。
本发明还公开一种终端,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的交通态势感知分析程序,所述处理器执行所述交通态势感知分析程序时实现前述的交通态势感知分析方法。
以上结合附图对本发明的实施方式作了详细说明,但本发明不限于所描述的实施方式。对于本领域的技术人员而言,在不脱离本发明原理和精神的情况下,对这些实施方式进行多种变化、修改、替换和变型,仍落入本发明的保护范围内。
Claims (9)
1.交通态势感知分析方法,所述分析方法应用在服务器上,其特征在于,包括如下步骤:
S1:获取交通卡口的记录数据,对每辆车的交通卡口记录按时间先后顺序排序;
S2:根据时空关联性和近邻关系算法切割路径,形成每辆车每次出行的起止点OD;
S3:按照一天中公路交通压力情况划分不同出行时间段,基于不同出行时间段的每辆车每次出行起止点OD经过的交通卡口集合,构建出行起止点交通卡口事务集合T;
S4:在出行交通卡口事务集合T的基础上,应用时空关联规则算法,筛选出满足预先设定的最小支持度规则和最小置信度规则的集合,即具有时空相关性的强关联交通卡口集合X;
S5:根据强关联交通卡口集合X,计算对应时间段内交通卡口的交通量,同时利用皮尔森相关系数分析对应强关联交通卡口集合X的交通态势相关性。
2.根据权利要求1所述的交通态势感知分析方法,其特征在于:所述S2中根据时空关联性和近邻关系算法切割路径的具体步骤包括如下:
S21:根据同一辆车在任意两交通卡口之间的行驶顺序来辨别所述两交通卡口是否为邻近交通卡口对;若是,则执行S22,若否,则执行S25;
S22:根据每辆车经过该邻近交通卡口对的时间先后顺序,计算每辆车的邻近交通卡口对的旅行时间;
S23:根据S22计算出的旅行时间,利用3σ准则判断每个交通卡口每个时间段的有效旅行时间范围;
S24:利用车辆在预设时间段先后经过邻近交通卡口对的旅行时间,对比S22获得的对应邻近卡口对在对应时间段的有效旅行时间范围,若在有效旅行时间范围内,则邻近卡口对连续,否则,邻近卡口对截断;
S25:车辆在预设时间段先后经过非邻近交通卡口对时,利用如下规则判断非邻近卡口对连续与否:
对于时间相邻的非邻近交通卡口对,其上一个交通卡口类型为高速入口,下一个交通卡口类型为高速出口或视频卡口,则非邻近卡口对连续;
或者,对于时间相邻的非邻近交通卡口对,其上一个交通卡口类型为视频卡口或高速入口,下一个交通卡口类型为高速出口,则非邻近卡口对连续;
对于其他类型的非邻近卡口对,则按照预设时间阈值进行判断,即:若非邻近卡口对先后旅行时间超过预设时间阈值,则非邻近卡口对截断;若非邻近卡口对先后旅行时间在预设时间阈值之内,则非邻近卡口对连续。
3.根据权利要求1所述的交通态势感知分析方法,其特征在于:所述时空关联规则算法为FP-growth算法。
4.根据权利要求3所述的交通态势感知分析方法,其特征在于:所述S4包括如下步骤:
S41:设置最小支持度min_sup和最小置信度min_conf;
S42:过滤出满足最小支持度min_sup项,构建FP树;
S43:基于FP树中挖掘频繁项集;
S44:过滤出满足最小置信度min_conf的频繁模式对应的关联规则。
5.根据权利要求1所述的交通态势感知分析方法,其特征在于:所述时空关联规则算法为apriori算法。
6.根据权利要求1-5任意一项所述的交通态势感知分析方法,其特征在于:S5中所述的利用皮尔森相关系数分析对应强关联交通卡口集合X的交通态势相关性,具体包含以下步骤:
S51:按照时间单位统计各强关联交通卡口的交通量;
S52:在车辆经过强关联交通卡口具有时滞性的情况下,将强关联交通卡口按时间进行移位N个时间单位,生成移位的交通量序列;
S53:利用皮尔森相关系数,计算强关联交通卡口对移位的交通量序列的相关性,计算方式为:其中cov(a,b)为交通卡口对中的交通卡口a与交通卡口b交通流时间序列的协方差,D(xa),D(xb)分别为交通卡口a和交通卡口b的方差;
S54:获取交通卡口对相关性最大对应的移动位置,即得到交通卡口对间交通流经过的时间;
S55:通过S54获取到交通卡口对间的交通流经过的时间后,当某一交通卡口发生交通拥堵时,与之强关联的交通卡口在所述交通流经过的时间也会发生交通拥堵,则可提前采取措施进行疏导。
7.交通态势感知分析装置,其特征在于,包括:
排序模块,用于获取交通卡口的记录数据,对每辆车的交通卡口记录按时间先后顺序排序;
起止点OD形成模块,用于根据时空关联性和近邻关系算法切割路径,形成每辆车每次出行的起止点OD;
出行起止点交通卡口事务集合T模块构建模块,用于按照一天中公路交通压力情况划分不同出行时间段,基于不同出行时间段的每辆车每次出行起止点OD经过的交通卡口集合,构建出行起止点交通卡口事务集合T;
具有时空相关性的强关联交通卡口集合X获取模块,用于在出行交通卡口事务集合T的基础上,应用时空关联规则算法FP-growth,筛选出满足预先设定的最小支持度规则和最小置信度规则的集合,即具有时空相关性的强关联交通卡口集合X;
强关联交通卡口集合X的交通态势相关性获取模块,用于根据强关联交通卡口集合X,计算对应时间段内交通卡口的交通量,同时利用皮尔森相关系数分析对应强关联交通卡口集合X的交通态势相关性。
8.计算机存储介质,其特征在于:其上存储有实现交通态势感知分析程序,该交通态势感知分析程序被处理器执行实现权利要求1-6任意一项所述的交通态势感知分析方法。
9.终端,其特征在于:包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的交通态势感知分析程序,所述处理器执行所述交通态势感知分析程序时实现如权利要求1-6任意一项所述交通态势感知分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110802472.9A CN113535819B (zh) | 2021-07-15 | 2021-07-15 | 一种交通态势感知分析方法、装置、计算机存储介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110802472.9A CN113535819B (zh) | 2021-07-15 | 2021-07-15 | 一种交通态势感知分析方法、装置、计算机存储介质及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113535819A true CN113535819A (zh) | 2021-10-22 |
CN113535819B CN113535819B (zh) | 2023-02-28 |
Family
ID=78099574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110802472.9A Active CN113535819B (zh) | 2021-07-15 | 2021-07-15 | 一种交通态势感知分析方法、装置、计算机存储介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113535819B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114170796A (zh) * | 2021-11-20 | 2022-03-11 | 无锡数据湖信息技术有限公司 | 算法改进型拥堵传播分析方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104916129A (zh) * | 2015-05-05 | 2015-09-16 | 杭州电子科技大学 | 基于大规模卡口过车数据的道路实时通行速度计算方法 |
JP2016033782A (ja) * | 2014-07-31 | 2016-03-10 | 富士通株式会社 | 地図表示プログラム、地図表示方法および情報処理装置 |
WO2017157119A1 (zh) * | 2016-03-18 | 2017-09-21 | 中兴通讯股份有限公司 | 一种车辆异常行为的识别方法及装置 |
CN109887283A (zh) * | 2019-03-07 | 2019-06-14 | 东莞数汇大数据有限公司 | 一种基于卡口数据的道路拥堵预测方法、***及装置 |
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 |
CN113034913A (zh) * | 2021-03-22 | 2021-06-25 | 平安国际智慧城市科技股份有限公司 | 交通拥堵预测方法、装置、设备及存储介质 |
-
2021
- 2021-07-15 CN CN202110802472.9A patent/CN113535819B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016033782A (ja) * | 2014-07-31 | 2016-03-10 | 富士通株式会社 | 地図表示プログラム、地図表示方法および情報処理装置 |
CN104916129A (zh) * | 2015-05-05 | 2015-09-16 | 杭州电子科技大学 | 基于大规模卡口过车数据的道路实时通行速度计算方法 |
WO2017157119A1 (zh) * | 2016-03-18 | 2017-09-21 | 中兴通讯股份有限公司 | 一种车辆异常行为的识别方法及装置 |
CN109887283A (zh) * | 2019-03-07 | 2019-06-14 | 东莞数汇大数据有限公司 | 一种基于卡口数据的道路拥堵预测方法、***及装置 |
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 |
CN113034913A (zh) * | 2021-03-22 | 2021-06-25 | 平安国际智慧城市科技股份有限公司 | 交通拥堵预测方法、装置、设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114170796A (zh) * | 2021-11-20 | 2022-03-11 | 无锡数据湖信息技术有限公司 | 算法改进型拥堵传播分析方法 |
CN114170796B (zh) * | 2021-11-20 | 2023-01-10 | 无锡数据湖信息技术有限公司 | 算法改进型拥堵传播分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113535819B (zh) | 2023-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109147330B (zh) | 一种拥堵识别方法及装置 | |
Zhang et al. | Spatial-temporal traffic flow pattern identification and anomaly detection with dictionary-based compression theory in a large-scale urban network | |
CN109410577B (zh) | 基于空间数据挖掘的自适应交通控制子区划分方法 | |
CN111008223A (zh) | 一种基于时空关联规则的区域交通拥堵相关性计算方法 | |
Luo et al. | Grouped travel time estimation in signalized arterials using point-to-point detectors | |
CN111159247A (zh) | 一种区域交通拥堵传播轨迹挖掘方法 | |
Izadpanah et al. | Automatic traffic shockwave identification using vehicles’ trajectories | |
Meng et al. | Expressway crash prediction based on traffic big data | |
CN113535819B (zh) | 一种交通态势感知分析方法、装置、计算机存储介质及终端 | |
Ou et al. | Systematic clustering method to identify and characterise spatiotemporal congestion on freeway corridors | |
Kazagli et al. | Arterial travel time estimation from automatic number plate recognition data | |
Zargari et al. | Analyzing the effects of congestion on planning time index–Grey models vs. random forest regression | |
Abdel-Aty et al. | Assessing crash occurrence on urban freeways by applying a system of interrelated equations | |
Park et al. | Use of clustering model and adjusted boxplot model for identification of secondary incidents | |
Wang et al. | Congestion prediction for urban areas by spatiotemporal data mining | |
Anderson et al. | Understanding factors affecting arterial reliability performance metrics | |
Park et al. | Applying Clustered KNN Algorithm for Short‐Term Travel Speed Prediction and Reduced Speed Detection on Urban Arterial Road Work Zones | |
CN114863676A (zh) | 一种拥堵识别方法及装置 | |
Rempe et al. | Feature engineering for data-driven traffic state forecast in urban road networks | |
Turki et al. | Using a new algorithm in Machine learning Approaches to estimate level-of-service in hourly traffic flow data in vehicular ad hoc networks | |
Buono et al. | A visual analytic approach to analyze highway vehicular traffic | |
Bae | Real-time traffic flow detection and prediction algorithm: Data-driven analyses on spatio-temporal traffic dynamics | |
Bertini et al. | Using archived ITS data to automatically identify freeway bottlenecks in Portland, Oregon | |
El-Sayed et al. | Urban area congestion detection and propagation using histogram model | |
Lopez | Traffic state estimation and prediction in freeways and urban networks |
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 |