CN113554869A - 一种基于多特征融合的道路封闭检测方法 - Google Patents

一种基于多特征融合的道路封闭检测方法 Download PDF

Info

Publication number
CN113554869A
CN113554869A CN202110747124.6A CN202110747124A CN113554869A CN 113554869 A CN113554869 A CN 113554869A CN 202110747124 A CN202110747124 A CN 202110747124A CN 113554869 A CN113554869 A CN 113554869A
Authority
CN
China
Prior art keywords
road
closed
grid
road section
track
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
CN202110747124.6A
Other languages
English (en)
Other versions
CN113554869B (zh
Inventor
毛嘉莉
蔡圣诚
周傲英
赵俐晟
金澈清
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.)
East China Normal University
Original Assignee
East China Normal University
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 East China Normal University filed Critical East China Normal University
Priority to CN202110747124.6A priority Critical patent/CN113554869B/zh
Publication of CN113554869A publication Critical patent/CN113554869A/zh
Application granted granted Critical
Publication of CN113554869B publication Critical patent/CN113554869B/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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于多特征融合的道路封闭检测方法，包括以下步骤：离线阶段，将待检测区域进行网格化处理并为轨迹数据和路网数据建立网格索引。随后，提取路段间的通行关联强度；同时，基于历史轨迹数据获取网格车流量序列、各路段的强相关联道路转向流量序列以及局部区域内的车辆掉头频次序列。在线检测阶段，利用CNN和LSTM的组合模型预测各个网格当前时刻的车流量，筛选候选封闭网格。采用GCN与LSTM的组合模型预测其中各路段的强相关联道路的转向量与局部区域内的掉头频次，再根据转向流量的骤减或车辆掉头频次激增特性识别封闭路段。最后结合行驶偏航检测以及单车轨迹数据进一步判别道路的封闭类型。本发明提高检测效率以保证实时性。

Description

一种基于多特征融合的道路封闭检测方法
技术领域
本发明属于轨迹挖掘技术领域，具体涉及一种基于多特征融合的道路封闭检测方法。
背景技术
随着GPS设备的广泛使用，居民的日常出行越来越多地依赖于地图导航。为保证电子地图的高精度，亟需感知路网的动态变化以更新地图。近年来，有大量研究致力于路网中的缺失道路发现、路口位置及范围识别等道路拓扑结构变化的检测。在道路网络中，由于交通事故、交通管制、道路修建等因素会导致部分路段无法通行。道路封闭事件的不及时检测，不仅给居民出行带来不便，还会导致巨大的经济损失。例如，2019年10月10日，无锡市312 国道1号桥梁坍塌，导致周边路段较长时间处于封闭状态。然而，由于地图导航软件未能及时检测到封闭路段，仍有不少司机按导航线路出行，导致坍塌桥梁附近区域出现了大面积的交通瘫痪。
传统导航***主要通过为交通参与者提供路段封闭实时上报的功能模块发现道路封闭事件。这些方法费时费力，更新周期长，而且不能保证检测的准确性。随着基于位置的技术快速发展，数据平台积累了大量的轨迹数据，其中包含了丰富的路段实时信息。可以利用轨迹数据检测路段的封闭情况，对路网地图进行实时更新。鉴于路网的动态变化与相邻道路之间交通状况的相互影响，以及轨迹数据的倾斜分布特性，仅有少数研究致力于解决封路检测问题，它们提出了基于阈值的方法与基于统计的方法，或基于历史数据学习交通流量的上下界、通过检测交通流序列的异常判断封路事件，或通过建立泊松过程计算道路封闭的可能性。
考虑到道路封闭通常会导致交通流量骤降等交通异常情况，部分学者设计了交通异常检测方法发现封闭道路，包括基于区域的交通异常检测和基于轨迹的交通异常检测。前者根据区域间车辆的异常流动识别异常区域，采用的方法包括主成分分析(PCA)，基于小波变换的方法，基于Mahalanobis距离的方法，基于Likelihood Ratio Test(LRT)的方法，基于支持向量机(SVM)的方法，基于相对散度的方法等。后者提出了一种基于隔离的异常检测方法，通过比较异常路线与历史上正常路线的差异度，识别封闭的道路。
上述方法仅仅考虑了交通流量异常骤降的属性且没有结合轨迹数据的时空特性，无法涵盖不同道路封闭事件的交通特征变化多样性，容易将交通拥堵误判为道路封闭。此外，现有方法未关注对道路封闭类型的区分，无法为导航服务提供准确支持。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足，提供一种基于多特征融合的道路封闭检测方法，利用轨迹数据精准定位封闭道路，且保证高效执行，为导航服务和路径规划提供有效的决策支持。本发明针对日常生活中多种因素导致路段暂时或长期无法通行，电子地图没有及时更新从而导航不准确的现象，提出了一种基于多特征融合的道路封闭检测方法。
为实现上述技术目的，本发明采取的技术方案为：
一种基于多特征融合的道路封闭检测方法，该方法包括离线道路封闭特征建模与在线道路封闭检测两个阶段，具体包含以下步骤：
S1:离线道路封闭特征建模阶段：将待检测区域进行网格划分，为路网数据和机动车轨迹数据分别建立网格索引。
S2:通过地图匹配获得机动车轨迹数据经过的路段序列以提取路段间的通行关联强度。
S3：根据历史轨迹数据提取每个时间窗口tf中各网格单元的车流量、各路段的强相关联道路转向流量序列和局部区域内(路段自身及邻接道路)的车辆掉头频次序列。
S4：在线检测阶段：由S3获得的各网格历史车流量序列，提出卷积神经网络(CNN)与长短期记忆神经网络(LSTM)的组合模型获得各网格车流量在当前时刻的预测值，根据流量预测值和真实值的差异大于设定阈值筛选出封闭候选网格。
S5：对于S4中得到的候选封闭网格，使用图卷积神经网络(GCN)和长短期记忆神经网络(LSTM)的组合模型，获得各路段强相关联道路转向流量和局部区域内(即各路段自身与其邻接道路)掉头频次在当前时刻的预测值，根据转向流量的骤减或掉头频次的激增特性识别封闭路段。
S6:基于S5识别的封闭路段，结合机动车轨迹偏航检测和单车轨迹数据对道路的封闭类型进行判别。
为优化上述技术方案，采取的具体措施还包括：
上述的步骤S1具体包括：
在离线阶段，由于道路的封闭行为不是孤立的，会影响周围邻近路段的交通状况，为了更好地捕捉封闭路段及其邻接路段的交通行为变化，降低地图匹配的计算开销，将待检测区域平均划分为网格，为路网数据和机动车轨迹数据建立网格索引。考虑到路段的平均长度和较大的网格单元大小会忽略局部车流量的波动，将网格的边长设置为l，本发明中所述l＝500m。
上述步骤S2具体包括：
道路封闭时，其上游道路转向到该路段的车辆数将会减少，即路网中相邻路段交通状况会相互影响，其影响程度也不相同，所以需要提取道路之间的关联强度以凸显强相关联道路之间交通行为的影响。
通过采用基于隐马尔科夫的地图匹配算法获得每条轨迹经过的路段序列(路段上下游关系)，根据上下游关系出现的频率评估道路间的关联强度，频率越高，关联强度越高。相关性最强的道路被称为强相关联道路，对于双向道路在每个方向上都有各自的强相关联道路。
上述步骤S3具体包括：
基于S1得到的建立了网格索引的轨迹数据，可以通过轨迹数据获取每个网格在每个时间窗口tf下的车辆数总和作为车流量。
再基于S2中得到的每条轨迹经过的路段序列以及路段间的关联强度，根据关联强度最大的道路作为强关联道路以及轨迹对应的路段序列中‘强相关联道路-当前道路’该上下游序列对出现的次数，可以获取每个路段的强相关联道路转向流量序列。
对于掉头轨迹的提取，先遍历轨迹，当轨迹点与前序轨迹点方向间的差值大于预设的阈值thangle1，判断该轨迹点为转向点，再将所有转向点采用DBSCAN算法聚类，提取聚类结果的凸包形式，最后根据凸包范围内轨迹进入点和离开点的方向差值是否超过预设的阈值thangle2识别掉头轨迹，并记录每时间窗口tf内所述局部区域内的车辆掉头频次(本发明中tf＝1h， thangle1＝35°，thangle2＝150°)。
上述步骤S4具体包括：
在线检测阶段，结合交通数据的时空依赖性进行封闭特征值的预测，所述封闭特征值包括流量、转向流量、掉头频次；考虑到交通数据有一定的周期性和趋势性(时间相关性)，比如有早高峰和晚高峰，并且道路封闭事件一旦产生，会对周围一定区域内都造成影响(空间相关性)，仅仅比较历史同一时刻数据或者比较邻近路段交通状况容易误判封闭事件，需要结合交通数据的时空依赖性并通过比较预测值和真实值之间差异性的方法，将差异度大于设定阈值的路段检测为封闭路段。为了减少地图匹配的时间开销，采用先筛选候选封闭网格再检测网格内的封闭路段方法。具体来说，将每个网格的小时级车流量转换为一组二维矩阵作为模型的输入，由于网格是具有平移不变性的规则空间结构(欧几里德结构)，因此采用多层的卷积神经网络(CNN)捕获网格间欧式空间特征。每层的转换可以定义为：
Figure BDA0003143344460000031
其中
Figure BDA0003143344460000032
表示在t时间窗口内i网格第k层的流量矩阵，
Figure BDA0003143344460000033
表示在t时间窗口内i网格第 k-1层的流量矩阵，*为卷积运算符，f是ReLU激活函数，Wk是指模型需要学习的权重参数、 bk是指偏置参数。
在经过卷积神经网络CNN提取空间特征之后，通过全连接神经网络层处理卷积神经网络 CNN输出的带有空间属性的特征矩阵，转换为一维的特征矩阵
Figure BDA0003143344460000034
从而输入到长短期记忆神经网络中(LSTM)中，以捕获时间相关性，所述时间相关性是指交通数据的周期性和趋势性。
以下公式为LSTM的架构表述：
Figure BDA0003143344460000041
Figure BDA0003143344460000042
Figure BDA0003143344460000043
Figure BDA0003143344460000044
Figure BDA0003143344460000045
Figure BDA0003143344460000046
其中W、U、b是学习的参数，I、F、O分别为输入层、隐层和输出层，用于控制是否保留前序网络层的信息。运算符σ、
Figure BDA0003143344460000047
分别为激活函数和哈达玛积，
Figure BDA0003143344460000048
表示在i网格t时间窗口下的输出，
Figure BDA0003143344460000049
为带有空间属性的一维特征矩阵，
Figure BDA00031433444600000410
是记忆单元，维护前序信息的积累程度和当前信息的保留程度。
最后将结合空间与时间属性的特征矩阵输入到全连接神经网络层中，得到每个网格在当前时刻的流量预测值。根据实时轨迹流，统计当前时刻下每个网格的车流量，将预测值与真实值进行比较，若预测值与真实值之间的差值超过预设的阈值thα，则将该网格判定为候选封闭网格(本发明中
Figure BDA00031433444600000411
dg为检测网格的轨迹密度，avg(dg)为所有网格的平均轨迹密度)。
上述步骤S5具体包括：
基于S6获取的候选封闭网格，鉴于封路事件会影响其附近区域的交通行为和网格边际的信息丢失，提取每个候选封闭网格及邻接网格形成封路检测区域。由于封闭路段具有明显的交通特征变化：强相关联道路的转向流量减少和局部区域内掉头频次的增加，首先根据S3的方法获取当前时刻的路段封闭特征。再基于S4得到的结果提取检测区域内每条路段的强相关联道路转向流量和掉头频次的历史序列。采用图卷积神经网络(GCN)和长短期记忆神经网络 LSTM的组合预测模型，道路网络采用非欧几里得结构图的形式表征。根据路段的上下游关系建立路段的邻接矩阵A，每个节点将其强相关道路的转向流量和局部区域内掉头频次两个特征形成特征矩阵Y，输入到GCN图卷积神经网络网络层。其中GCN图卷积神经网络层与层之间的传播方式为：
Figure BDA00031433444600000412
其中
Figure BDA00031433444600000413
I是单位矩阵，
Figure BDA00031433444600000414
是
Figure BDA00031433444600000415
的度矩阵，H1则是第1层的输出，W1包含了当前层的所有权重参数以及σ是非线性激活函数。
然后构造一个两层的GCN图卷积神经网络，激活函数分别为softmax和ReLu：
Figure BDA00031433444600000416
其中
Figure BDA0003143344460000051
W(0)是输入层到隐层的权重矩阵，W(1)是隐层到输出层的权重矩阵。
将经过GCN提取交通特征的空间拓扑相关性后，和S4同样的方式输入到LSTM长短期记忆神经网络中提取时间相关性。得到候选网格内各个路段的强相关联道路的转向流量和局部区域内掉头频次预测值，分别与真实值进行比较，若转向流量的预测值与真实值之间差值超过预设的阈值thβ，或者掉头频次真实值与预测值之间差值超过预设的阈值thγ，则将该路段判定为封闭路段。(本发明中
Figure BDA0003143344460000052
其中avg(T)为当前路段强相关联道路转向流量的历史平均值，avg(Tall)为所有路段强相关联道路转向流量的历史平均值， avg(U)是当前路段局部区域内掉头频次的历史平均值，avg(Uall)为所有路段局部区域内掉头频次的历史平均值)。
上述步骤S6具体包括：
基于S5获取的封闭道路结合单车轨迹数据进行进一步的观测，将封闭类型分为：全封闭，机动车单封闭，并道半封闭以及非并道半封闭。其判别方法如下：
1.全封闭与机动车单封闭：提取封闭路段所在网格的单车轨迹数据，采用基于隐马尔科夫的地图匹配算法，将单车轨迹数据与网格内的路段进行匹配，如果封闭路段没有任何单车轨迹匹配成功，则判别为全封闭路段，如果封闭路段有单车轨迹匹配成功，则判别为机动车单封闭路段。
2.非并道半封闭：基于S2得到的结果，双向道路在每一方向路段都有一个强相关联道路。在S5目标路段强相关联道路转向流量的预测中，如果双向道路其中一个方向路段强相关联道路转向流量的预测值大于真实值，但是另一个方向路段强相关联道路转向流量的预测值小于真实值，则判别为非并道半封闭。
3.并道半封闭：并道半封闭的一个显著特征就是在封闭处车辆的行驶路线会有一个明显的偏航，原本的双车道行驶改变为单车道。首先提取封闭道路的道路中心线，然后计算该路段历史轨迹和当前时刻轨迹相对于道路中心线的偏移量，再通过计算Wasserstein距离，得到历史轨迹偏移量分布和当前轨迹偏移量分布的差异度，如果差异度超过阈值thθ，则判定为在该路段上车辆行驶路线产生偏航，最后将该路段判别为并道半封闭(本发明中thθ＝1.25* avg(distW)，其中avg(distW)为当前路段的轨迹与其前序轨迹Wasserstein距离的历史平均值)。
本发明先采用了建立网格索引的方法将轨迹数据和路网数据网格化，用于区域级别检测和路段级别检测，提高检测效率。再基于DBSCAN聚类算法和隐马尔科夫的地图匹配算法对道路封闭特征进行建模，提取路段间的关联强度、转向流量和掉头频次。然后通过结合轨迹数据的时空相关性，采用了捕获时间和空间两种依赖的表征学习神经网络进行预测封闭特征，根据预测值和真实值的差异度检测封闭道路，最后通过检测道路上轨迹点的分布差异度检测其偏航程度，并结合单车流量进一步识别封闭的多种类型。
其中根据考虑的特征不同，预测模型可以进行替换。比如只考虑时间序列关系，可以采用ARIMA、EWMA等传统的数学模型，或者是单独采用循环神经网络或长短期记忆神经网络进行预测。
本发明具有以下有益效果：
1.本发明考虑了结合网格机动车流量、路段转向流量、路段掉头频次多个特征检测封闭道路，与现有技术相比避免了对交通拥堵的误判以及能检测出除道路全封闭外多种类型的封闭道路。
2.本发明考虑了结合轨迹偏航和路段单车流量对检测出的封闭道路进一步识别其类型，与现有技术相比，对封闭道路进行分类，为导航服务提供了更好的支持。
3.本发明考虑了检测的实时性，结合区域级别和路段级别的检测提出了两步骤的检测方法，与现有技术相比，在保证检测精度的同时提升了检测效率。
4.基于机动车轨迹数据，本发明首次结合车流量，强相关联道路的转向流量和局部区域内的掉头频次等多个特征检测封闭道路，区别于现有技术只考虑车流量单个特征，无法精准定位封闭路段。
5.考虑不同类型的封闭事件对交通状态有着不同的影响程度和影响范围，本发明首次结合轨迹异常偏航和单车轨迹数据对道路封闭类型进行准确分类，以进一步服务于出行路线的合理规划，区别于现有技术只对道路全封闭进行检测，无法涵盖日常情况下多种封闭类型的识别。
6.提出道路封闭的两阶段检测方法，通过初步筛选候选封闭区域，从而提高检测效率以保证实时性，区别于现有技术直接进行区域级别或者路段级别的搜索，通过结合两者分步进行，在保证检测精度的同时提高了检测时效性。
附图说明
图1为本发明多特征融合的道路封闭检测方法的流程示意图。
图2为本发明在线道路封闭识别阶段模型图。
具体实施方式
结合以下具体实施例和附图，对发明作进一步的详细说明。实施本发明的过程、条件、实验方法等，除以下专门提及的内容之外，均为本领域的普遍知识和公知常识，本发明没有特别限制内容。下面结合附图对本发明的技术方案做进一步的详细说明。
本发明公开了一种基于多特征融合的封闭道路检测方法，如图1所示，方法包括离线和在线两个阶段。离线道路封闭特征建模阶段，首先将待检测区域作网格化处理，再将轨迹数据和路网数据建立网格索引，然后提取道路之间的关联强度，并基于历史数据提取各网格的车流量，各路段的强相关联道路转向流量和局部区域内的掉头频次。在线道路封闭检测阶段，如图2所示，本发明提出了候选封闭网格筛选和道路封闭检测两步策略。考虑到道路封闭特征的时空依赖性，本发明采用深度学习技术预测当前时间段内每个网格(或道路)的封闭特征的值。通过计算每个网格(或道路)的预测值和真实值之间的差异，并将它们与预定义的阈值进行比较，识别封闭的候选网格(或道路封闭)。最后，进一步判定封闭道路的类型以更好地支持导航服务。
如图1所示，本发明一种基于多特征融合的道路封闭检测方法，包括以下步骤：
S1:离线道路封闭特征建模阶段：将检测区域进行网格化处理并对路网数据和轨迹数据建立网格索引。
实施例中，步骤S1具体包括：
在离线阶段，由于道路的封闭行为不是孤立的，会影响到周围路段的交通状况，为了更好地捕捉封闭路段及其邻接路段的交通行为变化，降低地图匹配开销，将待检测区域平均划分为网格，为路网数据和轨迹数据建立网格索引。考虑到路段的平均长度和过大的网格可能会忽略局部车流量的波动，将网格的边长设置为l，所述l＝500m。
S2：基于地图匹配获得机动车轨迹数据经过的路段序列以提取路网中路段间的关联强度。
实施例中，步骤S2具体包括：
道路封闭时，其上游道路转向到该路段的车辆数将会减少，也就是说路网中相邻的路段会互相影响交通行为，其影响程度也不相同，需要提取每条道路之间的关联强度以聚焦强相关联道路之间交通行为的影响。通过采用基于隐马尔科夫的地图匹配算法获得每条轨迹经过的路段序列(路段上下游关系)，根据上下游关系出现的频率来评估道路间的关联强度，频率越高，关联强度越高。相关性最强的道路被称为强相关联道路，双向道路在每个方向上都有各自的强相关联道路。
S3：根据历史数据提取每个时间窗口内各网格单元的车流量、各路段的强相关联道路转向流量和局部区域内(自身和邻接道路)的掉头频次。
实施例中，步骤S3具体包括：
基于S1得到的建立了网格索引的轨迹数据，通过轨迹数据中的车辆编号获取每个网格在每个时间窗口tf下的车流量。再基于S2中得到的每条轨迹经过的路段序列和路段间的关联强度，获取每个路段的强相关联道路转向流量序列。最后需要提取掉头轨迹，首先遍历轨迹，当轨迹点方向与其前一个轨迹点方向的差值大于阈值thangle1，判断该轨迹点为转向点，然后将所有转向点通过DBSCAN算法进行聚类，再提取聚类结果的凸包形式，最后根据凸包范围内轨迹进入点和离开点的方向差值是否大于阈值thangle2来判定掉头轨迹并记录每个路段每时间窗口的掉头频次(本发明中tf＝1h，thangle1＝35°，thangle2＝150°)。
S4：在线检测阶段：由S3得到的各网格历史车流量序列，基于卷积神经网络(CNN)和长短期记忆神经网络(LSTM)模型获得各网格车流量在当前时刻的预测值，根据预测值明显大于真实值的特性筛选出封闭候选网格。
实施例中，步骤S4具体包括：
在检测阶段，考虑到交通数据有一定的周期性和趋势性(时间相关性)，比如有早高峰和晚高峰，并且道路封闭事件一旦产生，会对周围一定区域内都造成影响(空间相关性)，所以如果单一纵向比较历史同一时刻数据或者横向比较周围情况的话容易误判，所以在道路封闭检测阶段需要考虑结合交通数据的时空依赖性并且采用预测值和真实值进行比较的方法，如果差值过大则判定成封闭。同时为了减少后续地图匹配的时间开销，先筛选出候选的封闭网格，再进一步对网格内的路段检测其封闭情况。具体来说，将每个网格的小时级车流量转换为一组二维矩阵作为模型的输入，由于网格是具有平移不变性的规则空间结构(欧几里德结构)，采用具有多层的卷积神经网络(CNN)来捕获网格间欧式空间特征。每层的转换可以定义为：
Figure BDA0003143344460000081
其中
Figure BDA0003143344460000082
表示在i网格t时间窗口下第k层的流量矩阵，*为卷积运算符，f是ReLU激活函数，Wk是指模型需要学习的权重参数、bk是指偏置参数。
在经过CNN提取空间特征之后，通过全连接神经网络层处理CNN输出的带有空间属性的特征矩阵，转换为一维的特征矩阵
Figure BDA0003143344460000083
从而输入到长短期记忆神经网络中(LSTM)中，以捕获时间相关性。以下公式为LSTM的架构表述：
Figure BDA0003143344460000084
Figure BDA0003143344460000085
Figure BDA0003143344460000086
Figure BDA0003143344460000087
Figure BDA0003143344460000088
Figure BDA0003143344460000089
其中W、U、b是学习的参数，I、F、O分别为输入层、隐层和输出层，用于控制是否保留前序网络层的信息。运算符σ、
Figure BDA00031433444600000810
分别为激活函数和哈达玛积，
Figure BDA00031433444600000811
表示在i网格t时间窗口下的输出。
最后将结合空间与时间属性的特征矩阵输入到全连接神经网络层中的得到每个网格在当前时刻的流量预测值。根据实时轨迹流，统计当前时刻下每个网格的车流量，将预测值与真实值进行比较，若真实值小于预测值超过阈值thα，则将该网格判定为候选封闭网格(本发明中
Figure BDA0003143344460000091
dg为检测网格的轨迹密度，avg(dg)为所有网格的平均轨迹密度)。
S5：基于S4中得到的可能存在道路封闭的网格使用图卷积神经网络(GCN)和长短期记忆神经网络(LSTM)模型获得各路段强相关联道路转向流量和局部区域内掉头频次在当前时刻的预测值，根据根据转向流量的骤减或掉头频次的激增特性甄别封闭路段。
实施例中，步骤S5具体包括：
基于S6获取的候选封闭网格，首先考虑到封路事件通常会影响其附近区域的交通行为和网格边际的信息丢失，提取每个候选封闭网格及其相邻网格以形成封路检测区域。由于封闭的路段有着两个明显的交通特征变化：强相关联道路的转向流量减少和局部区域内掉头频次的增加，首先根据S3的方法获取当前时刻的路段封闭特征。再基于S4得到的结果提取检测区域内每条路段的强相关联道路转向流量和掉头频次的历史序列。采用图卷积神经网络(GCN) 和LSTM的组合预测模型，道路网络采用图(非欧几里得结构)的形式表征。根据路段的上下游关系建立路段的邻接矩阵A，每个节点将其强相关道路的转向流量和局部区域内掉头频次两个特征形成特征矩阵Y，输入到GCN网络层。其中GCN层与层之间的传播方式为：
Figure BDA0003143344460000092
其中
Figure BDA0003143344460000093
I是单位矩阵，
Figure BDA0003143344460000094
呈
Figure BDA0003143344460000095
的度矩阵，H1则是第1层的输出，Wl包含了当前层的所有权重参数以及σ是非线性激活函数。
然后构造一个两层的GCN，激活函数分别为softmax和ReLu：
Figure BDA0003143344460000096
其中
Figure BDA0003143344460000097
W(0)是输入层到隐层的权重矩阵，W(1)是隐层到输出层的权重矩阵。
将经过GCN提取交通特征的空间拓扑相关性后，和S4同样的方式输入到LSTM中提取时间相关性。得到候选网格内各个路段的强关联道路的转向流量和局部区域内掉头频次预测值，分别与真实值进行比较，若转向流量的真实值小于预测值超过阈值thβ，或者掉头频次真实值大于预测值超过阈值thγ，则将该路段判定为封闭路段(本发明中
Figure BDA00031433444600000910
Figure BDA0003143344460000099
其中avg(T)为当前路段强关联道路转向流量的历史平均值，avg(Tall)为所有路段强关联道路转向流量的历史平均值，avg(U)是当前路段局部区域内掉头频次的历史平均值，avg(Uall)为所有路段局部区域内掉头频次的历史平均值)。
S6:基于S5得到封闭路段，结合机动车轨迹偏航检测和单车轨迹数据对封闭类型进行判别。
实施例中，步骤S6具体包括：
基于S5获取的封闭道路结合单车轨迹数据进行进一步的观测，将封闭类型分为：全封闭，机动车单封闭，并道半封闭以及非并道半封闭。其判别方法如下：
1.全封闭与机动车单封闭：提取封闭路段所在网格的单车轨迹数据，采用基于隐马尔科夫的地图匹配算法，将单车轨迹数据与网格内的路段进行匹配，如果封闭路段没有任何单车轨迹匹配成功，则判别为全封闭路段，如果封闭路段有单车轨迹匹配成功，则判别为机动车单封闭路段。
2.非并道半封闭：基于S2得到的结果，双向道路在每一方向路段都有一个强相关联道路。在S5目标路段强关联道路转向流量的预测中，如果双向道路其中一个方向路段强关联道路转向流量的预测值大于真实值，但是另一个方向路段强关联道路转向流量的预测值小于真实值，则判别为非并道半封闭。
3.并道半封闭：并道半封闭的一个显著特征就是在封闭处车辆的行驶路线会有一个明显的偏航，原本的双车道行驶改变为单车道。先提取封闭道路的道路中心线，然后计算该路段历史轨迹和当前时刻轨迹相对于道路中心线的偏移量，再通过计算Wasserstein距离，得到历史轨迹偏移量分布和当前轨迹偏移量分布的差异度，如果差异度超过阈值thθ，则判定为在该路段上车辆行驶路线产生偏航，最后将该路段判别为并道半封闭(本发明中thθ＝1.25* avg(distW)，其中avg(distW)为当前路段的轨迹与其前序轨迹Wasserstein距离的历史平均值)。
本发明综合采用数据网格索引、DBSCAN聚类技术、基于隐马尔科夫的地图匹配、卷积神经网络、长短期记忆神经网络、图卷积神经网络、Wasserstein距离等技术，形成了一种基于多特征融合道路封闭检测方法，通过轨迹数据挖掘，能够准确定位道路的封闭及其封闭类型，从而为导航播报和路径规划提供有效的帮助。
以上仅是本发明的优选实施方式，本发明的保护范围并不局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进，本领域技术人员能够想到的变化和优点都应视为本发明的保护范围，并且以所附的权利要求书为保护范围。

Claims (7)

1.一种基于多特征融合的道路封闭检测方法，其特征在于，包括以下步骤：
S1：离线道路封闭特征建模阶段：将待检测区域进行网格化处理并对路网数据和轨迹数据分别建立网格索引；
S2：通过地图匹配获得机动车轨迹数据经过的路段序列以提取路网中各路段之间的通行关联强度；
S3：基于历史数据提取每个时间窗口tf内各网格单元的车流量、各路段的强相关联道路转向流量序列和局部区域内的车辆掉头频次序列；
S4：在线检测阶段：由S3得到的各网格历史车流量序列，采用卷积神经网络与长短期记忆神经网络的组合模型获得当前时刻各网格车流量的预测值，将流量预测值与真实值差异度超过阈值的网格作为封闭候选网格；
S5：对于S4中获得的封闭候选网格，使用图卷积神经网络与长短期记忆神经网络的组合模型获得各路段强相关联道路转向流量以及当前时刻局部区域内掉头频次的预测值，根据转向流量的骤减或掉头频次的激增特性甄别封闭路段；
S6：基于S5获得封闭路段，结合机动车轨迹偏航检测和单车轨迹数据对道路封闭的类型进行判别。
2.根据权利要求1所述的一种基于多特征融合的道路封闭检测方法，其特征在于，所述步骤S1具体包括：
在离线阶段，为了捕捉封闭路段及其邻接路段的交通行为变化，降低地图匹配过程的计算开销，将待检测区域平均划分为网格，为路网数据和轨迹数据建立网格索引，网格的边长设置为l，所述l＝500m。
3.根据权利要求1所述的一种基于多特征融合的道路封闭检测方法，其特征在于，所述步骤S2具体包括：
在道路封闭时，提取道路之间的通行关联强度，确定强相关联道路之间的交通行为影响程度；所述强相关联道路是指：通过采用基于隐马尔科夫的地图匹配算法获得每条轨迹经过的路段序列，即获取路段上下游关系，根据上下游关系出现的频率评估道路间的关联强度，频率越高，关联强度越高，相关性最强的道路即强相关联道路；对于双向道路在不同方向上都有各自的强相关联道路。
4.根据权利要求1所述的一种基于多特征融合的道路封闭检测方法，其特征在于，所述步骤S3具体包括：
所述局部区域是指各路段自身和邻接道路；
所述各网格单元在每个时间窗口tf的车流量，通过S1中建立的网格索引中的轨迹数据中的车辆数总和获得；
所述各路段的强相关联道路转向流量序列，通过S2中得到的每条机动车轨迹数据经过的路段序列和路段间的关联强度，根据关联强度最大的道路作为强相关联道路以及轨迹对应的路段序列中‘强关联道路-当前道路’该上下游序列对出现的次数，获取每个路段的强相关联道路转向流量序列；
所述局部区域内的车辆掉头频次序列，首先遍历轨迹，当轨迹点与其前一个轨迹点之间的方向差值大于预设阈值thangle1，判断该轨迹点为转向点，然后将所有转向点采用DBSCAN算法聚类，同时提取聚类结果的凸包形式，最后根据凸包范围内轨迹进入点和离开点的方向差值是否大于设定阈值thangle2识别掉头轨迹；并记录每个时间窗口tf内所述局部区域内的车辆掉头频次；
所述tf＝1h，thangle1＝35°，thangle2＝150°。
5.根据权利要求1所述的一种基于多特征融合的道路封闭检测方法，其特征在于，所述步骤S4具体包括：
在线检测阶段，结合交通数据的时空依赖性进行封闭特征值的预测，所述封闭特征值包括流量、转向流量、掉头频次；通过比较预测值和真实值之间差异性的方法，将差异度大于设定阈值的路段检测为封闭路段；在检测过程中，为减少地图匹配的时间开销，采用先筛选候选封闭网格再检测网格内的封闭路段的方法；具体地，将每个网格的小时级车流量转换为一组二维矩阵作为模型的输入，由于网格是具有平移不变性的规则空间结构，即欧几里德结构，采用多层的卷积神经网络捕获网格间欧式空间特征；每层的转换定义为：
Figure FDA0003143344450000021
其中
Figure FDA0003143344450000022
表示在t时间窗口下i网格第k层的流量矩阵，
Figure FDA0003143344450000023
表示在t时间窗口内i网格第k-1层的流量矩阵，*为卷积运算符，f是ReLU激活函数，Wk是指模型需要学习的权重参数、bk是指偏置参数；
在经过卷积神经网络提取空间特征之后，通过全连接神经网络层处理卷积神经网络输出的带有空间属性的特征矩阵，转换为一维的特征矩阵
Figure FDA0003143344450000024
并输入到长短期记忆神经网络中，以捕获时间相关性，所述时间相关性是指交通数据的周期性和趋势性，以下公式为LSTM的架构表述：
Figure FDA0003143344450000025
Figure FDA0003143344450000026
Figure FDA0003143344450000027
Figure FDA0003143344450000031
Figure FDA0003143344450000032
Figure FDA0003143344450000033
其中W、U、b是学习的参数，I、F、O分别为输入层、隐层和输出层，用于控制是否保留前序网络层的信息；运算符σ、°分别为激活函数和哈达玛积，
Figure FDA0003143344450000034
表示在t时间窗口内i网格的输出；
最后将结合空间与时间属性的特征矩阵输入到全连接神经网络层中，得到每个网格在当前时刻的流量预测值；根据实时轨迹流，统计当前时刻下每个网格的车流量，将预测值与真实值进行比较，若真实值与预测值之间的差值超过预设的阈值thα，则将该网格判定为候选封闭网格，所述
Figure FDA0003143344450000035
dg为检测网格的轨迹密度，avg(dg)为所有网格的平均轨迹密度。
6.根据权利要求1所述的一种基于多特征融合的道路封闭检测方法，其特征在于，所述步骤S5具体包括：
基于S6获取的候选封闭网格，提取每个候选封闭网格及其相邻网格以形成封路检测区域；由于封闭的路段有着两个明显的交通特征变化：强相关联道路的转向流量减少和局部区域内掉头频次的增加，首先根据S3的方法获取当前时刻的路段封闭特征；再基于S4得到的结果提取检测区域内每条路段的强相关联道路转向流量和掉头频次的历史序列；采用图卷积神经网络和长短期记忆神经网络的组合预测模型，道路网络采用非欧几里得结构图的形式表征；根据路段间的上下游关系建立路段的邻接矩阵A，每个节点将其强相关道路的转向流量和局部区域内掉头频次两个特征形成特征矩阵Y，输入到图卷积神经网络网络层；图卷积神经网络层与层之间的传播方式为：
Figure FDA0003143344450000036
其中
Figure FDA0003143344450000037
I是单位矩阵，
Figure FDA0003143344450000038
是
Figure FDA0003143344450000039
的度矩阵，Hl则是第l层的输出，Wl包含了当前层的所有权重参数以及σ是非线性激活函数；
然后构造一个两层的图卷积神经网络，激活函数分别为softmax和ReLu：
Figure FDA00031433444500000310
其中
Figure FDA00031433444500000311
W(0)是输入层到隐层的权重矩阵，W(1)是隐层到输出层的权重矩阵；
将经过图卷积神经网络提取交通特征的空间拓扑相关性后，和S4同样的方式输入到长短期记忆神经网络中提取时间相关性；得到候选网格内各个路段的强相关联道路的转向流量和局部区域内掉头频次预测值，分别将其与真实值进行比较，若转向流量的真实值与预测值之间差值超过预设的阈值thβ，或者掉头频次真实值与预测值之间的差值超过预设的阈值thγ，则将该路段判定为封闭路段；所述
Figure FDA0003143344450000041
其中avg(T)为当前路段强相关联道路转向流量的历史平均值，avg(Tall)为所有路段强相关联道路转向流量的历史平均值，avg(U)是当前路段局部区域内掉头频次的历史平均值，avg(Uall)为所有路段局部区域内掉头频次的历史平均值。
7.根据权利要求1所述的一种基于多特征融合的道路封闭检测方法，其特征在于，所述步骤S6具体包括：
基于S5获取的封闭道路结合单车轨迹数据进行进一步的观测，将道路封闭类型分为全封闭，机动车单封闭，并道半封闭以及非并道半封闭五类；其判别方法如下：
(1)全封闭与机动车单封闭：提取封闭路段所在网格的单车轨迹数据，采用基于隐马尔科夫的地图匹配算法，将单车轨迹数据与网格内的路段进行匹配，如果封闭路段无匹配的单车轨迹，则将其判别为全封闭路段，如果封闭路段有匹配的单车轨迹，则判别其为机动车单封闭路段；
(2)非并道半封闭：基于S2得到的结果，双向道路在每一方向路段都有一个强相关联道路；在S5目标路段强相关联道路转向流量的预测中，如果双向道路其中一个方向路段强相关联道路转向流量的预测值大于真实值，但是另一个方向路段强相关联道路转向流量的预测值小于真实值，则判别为非并道半封闭事件；
(3)并道半封闭：并道半封闭的一个显著特征是在车辆的行驶轨迹有明显偏航，由于双车道行驶改变为单车道所致；先提取封闭道路的道路中心线，再计算该路段历史轨迹和当前时刻轨迹相对于道路中心线的偏移量，随后通过计算Wasserstein距离，获得历史轨迹偏移量分布以及当前轨迹偏移量分布的差异度，当差异度超过预设的阈值thθ，则判定为在该路段上车辆行驶路线产生偏航，并将该路段判别为并道半封闭，所述thθ＝1.25*avg(distW)，其中avg(distW)为当前路段的轨迹与其前序轨迹Wasserstein距离的历史平均值。
CN202110747124.6A 2021-07-01 2021-07-01 一种基于多特征融合的道路封闭检测方法 Active CN113554869B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110747124.6A CN113554869B (zh) 2021-07-01 2021-07-01 一种基于多特征融合的道路封闭检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110747124.6A CN113554869B (zh) 2021-07-01 2021-07-01 一种基于多特征融合的道路封闭检测方法

Publications (2)

Publication Number Publication Date
CN113554869A true CN113554869A (zh) 2021-10-26
CN113554869B CN113554869B (zh) 2022-04-05

Family

ID=78131246

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110747124.6A Active CN113554869B (zh) 2021-07-01 2021-07-01 一种基于多特征融合的道路封闭检测方法

Country Status (1)

Country Link
CN (1) CN113554869B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114267173A (zh) * 2021-12-13 2022-04-01 河北雄安京德高速公路有限公司 高速公路时空特征的多源数据融合方法、装置及设备

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101281038A (zh) * 2008-05-27 2008-10-08 凯立德欣技术（深圳）有限公司 封闭道路上的周边检索装置及其方法
CN101571993A (zh) * 2008-04-30 2009-11-04 奥城同立科技开发（北京）有限公司 对封闭道路辅路平面出口的交通控制方法
CN103235933A (zh) * 2013-04-15 2013-08-07 东南大学 一种基于隐马尔科夫模型的车辆异常行为检测方法
CN105139682A (zh) * 2015-07-27 2015-12-09 福建工程学院 一种封闭道路的确认方法及***
CN105206075A (zh) * 2015-08-12 2015-12-30 合肥工业大学 一种城市道路临时封闭路段的路况信息提示***
CN105389978A (zh) * 2015-09-15 2016-03-09 安徽省综合交通研究院股份有限公司 封闭快速道路监测***及监控数据处理方法
CN108442198A (zh) * 2018-05-21 2018-08-24 江苏苏科建设项目管理有限公司 一种基于封闭道路的自动驾驶***
CN109598930A (zh) * 2018-11-27 2019-04-09 上海炬宏信息技术有限公司 一种自动检测高架封闭***
US20190205640A1 (en) * 2017-12-29 2019-07-04 Baidu Online Network Technology (Beijing) Co., Ltd Method and apparatus for identifying intersection in electronic map
CN109997179A (zh) * 2016-12-30 2019-07-09 同济大学 一种非等距时空划分的道路交通异常检测方法
CN110444013A (zh) * 2019-06-28 2019-11-12 安徽四创电子股份有限公司 一种用于封闭路段的交通监测***及方法
US10497256B1 (en) * 2018-07-26 2019-12-03 Here Global B.V. Method, apparatus, and system for automatic evaluation of road closure reports
CN110689719A (zh) * 2019-05-31 2020-01-14 北京嘀嘀无限科技发展有限公司 用于识别封闭路段的***和方法
CN111931905A (zh) * 2020-07-13 2020-11-13 江苏大学 一种图卷积神经网络模型、及利用该模型的车辆轨迹预测方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101571993A (zh) * 2008-04-30 2009-11-04 奥城同立科技开发（北京）有限公司 对封闭道路辅路平面出口的交通控制方法
CN101281038A (zh) * 2008-05-27 2008-10-08 凯立德欣技术（深圳）有限公司 封闭道路上的周边检索装置及其方法
CN103235933A (zh) * 2013-04-15 2013-08-07 东南大学 一种基于隐马尔科夫模型的车辆异常行为检测方法
CN105139682A (zh) * 2015-07-27 2015-12-09 福建工程学院 一种封闭道路的确认方法及***
CN105206075A (zh) * 2015-08-12 2015-12-30 合肥工业大学 一种城市道路临时封闭路段的路况信息提示***
CN105389978A (zh) * 2015-09-15 2016-03-09 安徽省综合交通研究院股份有限公司 封闭快速道路监测***及监控数据处理方法
CN109997179A (zh) * 2016-12-30 2019-07-09 同济大学 一种非等距时空划分的道路交通异常检测方法
US20190205640A1 (en) * 2017-12-29 2019-07-04 Baidu Online Network Technology (Beijing) Co., Ltd Method and apparatus for identifying intersection in electronic map
CN108442198A (zh) * 2018-05-21 2018-08-24 江苏苏科建设项目管理有限公司 一种基于封闭道路的自动驾驶***
US10497256B1 (en) * 2018-07-26 2019-12-03 Here Global B.V. Method, apparatus, and system for automatic evaluation of road closure reports
CN109598930A (zh) * 2018-11-27 2019-04-09 上海炬宏信息技术有限公司 一种自动检测高架封闭***
CN110689719A (zh) * 2019-05-31 2020-01-14 北京嘀嘀无限科技发展有限公司 用于识别封闭路段的***和方法
US20210063180A1 (en) * 2019-05-31 2021-03-04 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for identifying closed road section
CN110444013A (zh) * 2019-06-28 2019-11-12 安徽四创电子股份有限公司 一种用于封闭路段的交通监测***及方法
CN111931905A (zh) * 2020-07-13 2020-11-13 江苏大学 一种图卷积神经网络模型、及利用该模型的车辆轨迹预测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
BU YY, CHEN L, FU AWC, LIU DW: "Efficient anomaly monitoring over moving object trajectory streams", 《IN: PROC. OF THE SIGKDD》 *
CAN LUO; LIANG BAI; YANG YANG: "Anomalous Sub-trajectory Monitoring Of Moving Objects Over Trajectory Streams", 《 2019 5TH INTERNATIONAL CONFERENCE ON BIG DATA AND INFORMATION ANALYTICS (BIGDIA)》 *
周子钦: "广南高速公路道路封闭与不良气象条件的相关性研究", 《河南科技》 *
姜燕: "封闭式道路分流影响区交通流特性研究", 《交通标准化》 *
毛嘉莉: "轨迹大数据异常检测:研究进展及***框架", 《软件学报》 *
毛嘉莉: "面向轨迹流的聚类与异常检测技术研究", 《中国知网博士论文电子期刊》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114267173A (zh) * 2021-12-13 2022-04-01 河北雄安京德高速公路有限公司 高速公路时空特征的多源数据融合方法、装置及设备

Also Published As

Publication number Publication date
CN113554869B (zh) 2022-04-05

Similar Documents

Publication Publication Date Title
CN110147321B (zh) 一种基于软件网络的缺陷高风险模块的识别方法
CN109754597B (zh) 一种城市道路区域拥堵调控策略推荐***及方法
Sepasgozar et al. Network traffic prediction model considering road traffic parameters using artificial intelligence methods in VANET
CN111882869B (zh) 一种考虑不良天气的深度学习交通流预测方法
CN100468481C (zh) 城市交通行程时间智能化分析***
CN113704956A (zh) 一种基于数字孪生技术的城市道路在线微观仿真方法及***
CN108345666A (zh) 一种基于时间-空间孤立点的车辆异常轨迹检测方法
CN101334845A (zh) 一种基于轨迹序列分析和规则归纳的视频行为识别方法
CN111179601B (zh) 隧道交通运行管控方法
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
CN117671992A (zh) 一种公交车智能调度方法及***
CN114267173B (zh) 高速公路时空特征的多源数据融合方法、装置及设备
CN111210621A (zh) 基于实时路况的信号绿波协调路线优化控制方法及***
Luo et al. Grouped travel time estimation in signalized arterials using point-to-point detectors
CN113554869B (zh) 一种基于多特征融合的道路封闭检测方法
CN112614373A (zh) 一种基于BiLSTM周车换道意图预测方法
Fitters et al. Enhancing LSTM prediction of vehicle traffic flow data via outlier correlations
CN116758762A (zh) 基于大数据的控制方法
CN110619340A (zh) 一种自动驾驶汽车换道规则的生成方法
Zhang et al. Automatic Traffic Anomaly Detection on the Road Network with Spatial‐Temporal Graph Neural Network Representation Learning
CN117689693A (zh) 一种基于图对比自监督学习的异常局部轨迹检测方法和装置
Wang et al. PSTN: periodic spatial-temporal deep neural network for traffic condition prediction
Katariya et al. A pov-based highway vehicle trajectory dataset and prediction architecture
Krishna et al. A Computational Data Science Based Detection of Road Traffic Anomalies
Hao et al. Estimating signal timing of actuated signal control using pattern recognition under connected vehicle environment

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