CN113868492A - 一种基于电警、卡口数据的可视化od分析方法及应用 - Google Patents
一种基于电警、卡口数据的可视化od分析方法及应用 Download PDFInfo
- Publication number
- CN113868492A CN113868492A CN202110894187.4A CN202110894187A CN113868492A CN 113868492 A CN113868492 A CN 113868492A CN 202110894187 A CN202110894187 A CN 202110894187A CN 113868492 A CN113868492 A CN 113868492A
- Authority
- CN
- China
- Prior art keywords
- data
- layer
- analysis
- information
- vehicle
- 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.)
- Pending
Links
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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/904—Browsing; Visualisation therefor
-
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于电警、卡口数据的可视化OD分析方法、***及应用,其包括应用层:其用于根据获取的道路车辆监测数据进行分析和判断;支撑层:其用于为应用层提供对应的技术支撑;接口层:其用于根据需求而提供基础数据体系接口、运行数据体系接口和业务应用体系接口;数据层:其用于存储接入层上传的车辆数据,并利用采集的车辆信息进行数据计算和车辆数据的分析并完成相关的计算模型建立及转换;接入层:其用于连接现有的卡口、电子警察和管理***完成车辆数据信息的获取和上传并能够对获取的数据信息进行预处理;物理层:其包括基础的硬件设备、基础网络和***软件。
Description
技术领域
本发明涉及智慧交通技术领域,尤其涉及一种基于电警、卡口数据的可 视化OD分析方法及应用。
背景技术
近年来,随着各种形态大数据的涌现及相关分析技术的进步,城市交通 研究者的关注重点已逐渐从***运行状态监测,转到出行需求分析上来(含 车辆溯源分析)。获取车辆出行OD及相关路径信息是交通需求分析的关键 内容之一。但很多传统检测数据在计算车辆OD时存在局限,如GPS定位数 据往往因样本量有限不能代表所有社会车辆,道路定点车辆检测数据(如微 波车辆检测数据)则缺少车辆身份信息。
高清智能卡口***自动识别的车牌数据(以下简称卡口数据)不但包含 车辆身份信息且与道路路段固定对应,无需复杂的匹配计算,理论上是计算 车辆出行OD的理想数据。但实际上,目前大部分城市都难以做到卡口设备 在路网中全覆盖,即使把所有路口和路段都装上卡口设备也经常由于设备老 化、车牌污损、恶劣天气等各种原因而发生车辆识别遗漏或错误的情况。因 此,利用点位分布不全、数据有瑕疵的卡口数据计算路网机动车出行OD并 非易事。
中国专利CN109035784A公开了一种基于多源异构数据的动态车流 OD估计方法,将视频号牌识别数据和车辆GPS数据进行整合,将路网断面 流量拆分为可观测OD和不可观测OD,同时基于卡尔曼滤波对不可观测OD 进行估计,进而与可观测OD整合得到动态车流OD信息;该种基于多源异 构数据的动态车流OD估计方法,将号牌识别设备采集的过车数据与GPS数 据相结合,提取出有效路径作为可观测OD需求,并划分为可观测部分和不 可观测部分来实现路网OD估计,对比传统仅基于断面数据进行估计。该专 利仅在车牌识别数据的基础上补充已录入***的车辆GPS数据进行现有数 据缺失部分的补充和完善,并不能保证补充后的技术数据能有效覆盖整个道 路网络,且该方法的为单一数据量的多方面分析,其应用方向同样为单一的 现象研判即车流动态研判。
针对现有互联网数据,受样本量限制导致数据的置信度、准确性有所偏 差,本技术利用卡口、电警数据进行全样本量的数据汇集,无需考虑用户数 量、在线时间等互联网道路数据获得的制约,也无需新建,减少建设投入成 本。本技术可通过全域车辆全时数据、路口流向级流量、路段车道级流量, 精准分析路口、路段、路网状态。
此外,一方面由于对本领域技术人员的理解存在差异;另一方面由于发 明人做出本发明时研究了大量文献和专利,但篇幅所限并未详细罗列所有的 细节与内容,然而这绝非本发明不具备这些现有技术的特征,相反本发明已 经具备现有技术的所有特征,而且申请人保留在背景技术中增加相关现有技 术之权利。
发明内容
针对现有技术之不足,本发明的技术方案提供的是一种基于电警、卡口 数据的可视化OD分析方法,其包括:应用层:其用于根据获取的道路车辆 监测数据进行分析和判断;支撑层:其用于为应用层提供对应的技术支撑, 还能够用于管理数据层和应用层之间相关数据的交换与共享,包括数据采集 支撑、数据共享交换支撑、数据统计分析支撑和地理信息服务;接口层:其 用于根据需求而提供基础数据体系接口、运行数据体系接口和业务应用体系 接口;数据层:其用于存储接入层上传的车辆数据,并利用采集的车辆信息 进行数据计算和车辆数据的分析并完成相关的计算模型建立及转换;接入 层:其用于连接现有的卡口、电子警察和管理***完成车辆数据信息的获取 和上传并能够对获取的数据信息进行预处理;物理层:其包括基础的硬件设 备、基础网络和***软件。其优势在于,针对目前互联网数据受样本量限制 导致数据的置信度、准确性有所偏差,本申请利用卡口、电警数据进行全样 本量的数据汇集,无需考虑用户数量、在线时间等互联网道路数据获得的制约。本技术可通过全域车辆全时数据、路口流向级流量、路段车道级流量, 精准分析路口、路段、路网状态;本申请为了避免软硬件在算力层面的相互 制约,通过合理的核心组件实现软硬件的优化适配,保障计算环境的算力有 效稳定。同时考虑接口的兼容及安全性,便于多源数据的接入与输出;为了 避免算法降效或特殊场景下的不匹配,在全样本数据的支撑和多场景的学习 下,持续对算法进行迭代达到多场景复制应用,增强软件的普适性。
根据一种优选的实施方式,所述接入层能够选择性地根据卡口数据、电 子警察数据和/或地图数据完成道路车辆信息的数据上传、数据抽取转换和 清洗,在所述接入层获取到卡口数据的情况下,其还收集相关道路的电子警 察数据并将卡口数据与电子警察数据进行联合,使得数据层能够按照动静态 数据相互校核的方式完成对接入层上传卡口点位信息的核查,在路口进口车 道级的流量采集获取的电子警察数据能够与路段中卡口采集的断面流量数 据进行互补和修正。其优势在于,本申请能够将行业内网中的卡口数据和电 子警察数据进行有效地结合,消除电子警察或卡口采集数据的单一性,尤其 是两者在道路上的设置区域能够进行相互补偿,使得路口进口车道级的流量 与路段中断面车流量进行结合,通过两者采集结果相互印证将右转车辆等可 能造成数据缺失、数据异常的情况进行修正。
根据一种优选的实施方式,所述数据层核查处理后的车辆数据能够通过 应用层的OD算法进行卡口数据缺陷的进一步修补,其中,所述OD算法能 够在全样本数据的支撑和多场景的学习下,持续对算法进行迭代达到多场景 复制应用,使得所述应用层能够捕捉到指定车辆的完整行程信息。其优势在 于,通过对缺失数据的修补能够获取到更加完整准确的车辆行程信息,从而 方便相关部门及使用人员更加准确地根据路况做出适应性通行方案调整。
根据一种优选的实施方式,所述数据层能够根据上传的车辆信息进行数 据计算、车流量模型建立和数据统计分析,从而应用层能够根据用户指令而 利用数据层处理后的多源数据完成对设定车辆行程信息的修补与校核,并选 择性地向用户展示设定区域内的道路交通状态。其优势在于,能够通过直观 的车辆出现OD分析结果图展示处理结果、路况现状以及相关预测等结果展 示。
根据一种优选的实施方式,所述支撑层至少包括地理信息服务平台、系 统管理模块和大数据分析***,其中,所述***管理模块能够对所述应用层 的研判***的运行状态和指挥平台内部模块的运行状态进行监视、预警和审 计,且所述***管理模块还通过限制用户登录需进行设定认证的方式对用户 及用户所属的角色进行权限管理,分级控制。
根据一种优选的实施方式,所述地理信息服务平台能够根据用户指令而 完成设定道路区域内的车辆信息查询和搜索,其中,所述地理信息服务平台 能够根据所述接入层实时上传的数据完成设定道路车流量的展示。
根据一种优选的实施方式,所述应用层的研判分析模块能够根据处理后 的完整车辆行程信息进行对应道路区域内流向流量、道路平均车速、旅行时 间,交通流态势进行定性定量研判分析。
根据一种优选的实施方式,所述大数据分析***通过接入数据进行分类 整理、融合处理,并结合GIS道路网络数据进行关联分析,其中,用户能够 查看路口、路段、区域的OD数据信息,通过视频接口调看路口实时监控图 像。
本申请还提供一种基于电警、卡口数据的可视化OD分析方法,包括:
S1:点位信息核查及预处理;
S11:静态点位信息核查及预处理;
S12:动态数据核查;
S2:行程完整性分析与初次行程修补;
S3:OD扩样及二次修补;
S31:OD路径分配;
S32:OD扩样;
S32:行程信息二次修补。
根据一种优选的实施方式,所述静态点位信息核查及预处理包括:点位 核查,通过将卡口静态数据和电警抓拍数据等进行相互印证,从而以动静态 数据相互校核的方式完成行程信息中缺失的排查和修改;点位分类及标记, 在进行车辆信息处理分类时,将卡口点位数据按所在道路路段的性质进行分 类标记。
附图说明
图1是本发明的一种基于电警、卡口数据的可视化OD分析方法的优选 实施例的***架构示意图;
图2是本发明的一种基于电警、卡口数据的可视化OD分析方法的优选 实施例的技术架构示意图;
图3是本发明的一种基于电警、卡口数据的可视化OD分析方法的优选 实施例的数据架构示意图。
具体实施方式
下面结合附图进行详细说明。
本申请提供一种基于电警、卡口数据的可视化OD分析方法,其利用现 有采集设备与***(卡口及电子警察)获得的数据进行行业应用赋能:可利 用于控制优化设计、交通组织及管理、公路网规划、新建或改建项目可行性 研究等各方面。对远景交通量的预测、道路类型及等级的确定、互通立交的 设置、道路横断面的设计、交通服务设施的配置、交通管理与控制、规划方 案和建设项目的国民经济评价、以及财务分析等提供定量依据,进而为交通 规划的完善和建设项目的科学决策奠定基础。
优选地,OD大数据分析研判***利用多数据融合技术、大数据挖掘分 析技术对***接入层采集的数据进行挖掘分析,以产生可供城市交通管理等 部门查看的信息,帮助用户层的用户进行管理和科学决策,从而提高城市交 通的服务水平,使得OD大数据分析研判***相对于现有技术能够有效地提 升数据价值与应用效能。优选地,基于OD大数据分析研判***的可视化OD 分析方法是基于交通状况监测模块、研判分析模块、数据报告模块、交通流 大数据整合模块、城市停车管理功能整合模块、地理信息***、***管理模 块进行技术实现的,具体如下:
1、交通状况监测模块:通过接入数据进行分类整理、融合处理,并结 合GIS道路网络数据进行关联分析,实时反映城市道路交通状态。在***中, 可以查看路口、路段、区域的OD(Origin Destination交通起止点)数据信 息,通过视频接口调看路口实时监控图像。
2、研判分析模块:实现对辖区路口流向流量,道路平均车速、旅行时 间,交通流态势等数据进行定性定量研判分析。
3、数据报告模块:节点路口统计及特征报告、通勤线路统计及特征报 告、过境线路统计及特征报告、节假日线路统计及特征报告、重要单位周边 线路统计及特征报告、区划及辖区交界道路交通特征报告、自定义范围的交 通特征报告、环路出入口及分流特征分析、微循环道路挖掘及分析停车资源 与需求分析等。
4、交通流大数据整合模块:通过统一的接口规范和适配接入服务,对 交通流、卡口、视频等交通数据进行接入、存储、抽取、清洗、关联、比对 等分析处理。
5、城市停车管理功能整合模块:支持停车场位置信息录入审核、图层 标注、查询展示等功能,支持在地图上直观调阅停车场周边道路的交通路况 及视频。支持停车场位置和属性查询;支持停车场车位数量和空闲车位数量 查询;支持停车场车位状态显示,用不同的颜色标记车位是否空闲;支持停 车场内车位所停车辆车牌查询;车位空闲率查询。
6、地理信息***:信息查询、搜索。渲染服务:将采实时数据,实时 渲染到地图上。
7、***管理模块:对***的运行状态和指挥平台内部模块的运行状态 进行监视、预警和审计。对登录***的用户进行合法性认证,对用户及用户 所属的角色进行权限管理,分级控制。并能实时记录平台功能运行与用户操 作日志,对日志信息进行查询和统计。
实施例1
根据图1示出的一种可视化OD分析***,其包括:
应用层:其用于根据获取的道路车辆监测数据进行分析和判断,即通过 全域车辆全时数据、路口流向级流量、路段车道级流量,精准分析路口、路 段、路网状态。
支撑层:其用于为应用层提供对应的技术支撑,还能够用于管理数据层 和应用层之间相关数据的交换与共享,包括数据采集支撑、数据共享交换支 撑、数据统计分析支撑和地理信息服务等。
接口层:其用于根据需求而提供基础数据体系接口、运行数据体系接口 和业务应用体系接口等,使得使用者通过不同接口访问并获取不同的底层硬 件使用权限。
数据层:其用于存储接入层上传的车辆数据,并利用采集的车辆信息进 行数据计算和车辆数据的分析并完成相关的计算模型建立及转换。
接入层:其用于连接现有的卡口、电子警察和管理***完成车辆数据信 息的获取和上传并能够对获取的数据信息进行预处理。
物理层:其包括基础的硬件设备、基础网络和***软件。
优选地,应用层即是支撑***、接口服务、数据存储等在OD大数据分 析***上开展的交通管理相关应用。优选地,支撑层包括有地理信息模块、 ***管理模块和OD大数据分析模块等,支撑***应用的上述三个模块均通 过数据集中的方式进行统一管理,并利用将所有信息整合在同一个直观图上 的方式完成在OD大数据分析研判***的基础上进行建设。优选地,接口层 为支撑层提供外接口,方便数据的输入,其包括基础数据体系接口、运行数 据体系接口、业务应用体系接口等。优选地,数据层包括应用支撑服务模块 和地图支撑服务模块。优选地,应用支撑服务模块提供***展示、功能开发 所需要的相关数据接口。优选地,地图支撑服务模块提供地图相关展示、规 划等GIS服务。优选地,接入层用于地图数据、信号、卡口、电警、停车场 数据等外部数据的输入,并能够根据待接入数据需求,实现数据的接入转换 等,以及用户授权服务。优选地,物理层包括主机设施、存储设施、网络设施和安全设施等。优选地,主机设施为支撑计算、应用部署的服务器(计算 中心)。存储设施为支撑数据存储的存储硬件。网络设施为本***的通信基 础设施。安全设施为保证数据、应用安全的软件硬件保障设施。
进一步优选地,数据层还可以包括采集数据库、共享支撑数据库、用户 数据库、清分结算数据库、基础资料数据库、备案数据库、地理信息数据库、 主体分析数据库等。优选地,常规用户的信息服务可以通过微信和手持终端 APP进行提供。本申请利用卡口、电警(无需新建,减少建设投入成本)数 据进行全样本量的数据汇集,无需考虑用户数量、在线时间等互联网道路数 据获得的制约。本技术可通过全域车辆全时数据、路口流向级流量、路段车 道级流量,精准分析路口、路段、路网状态;此外,为了避免软硬件在算力 层面的相互制约,本申请通过合理的核心组件实现软硬件的优化适配,保障 计算环境的算力有效稳定。同时考虑接口的兼容及安全性,便于多源数据的 接入与输出。最后,在全样本数据的支撑和多场景的学习下,***通过持续 对算法进行迭代达到多场景复制应用,增强分析***的普适性。
优选地,本申请针对现有采集设备与***获得的数据进行行业应用赋 能:利用现有全量数据进行应用挖掘,进行行业应用,范围如下:
信控优化设计(流量特征、特殊时段、通勤路线等分析);
交通组织及管理(标线、渠化、单行等优化分析);
交通服务设施的配置(公交线路、机动车停车区域、非机动车停车区域 等);
公路网规划(环路、快速路出入口、道路横断面的设计、互通立交的设 置、新建或改建项目可行性研究等);
远景交通量的预测(吸引量、发生量、过境量等);
规划方案和建设项目的国民经济评价、以及财务分析。
OD大数据分析研判***需要处理不同种类交通传感器采集的数据,存 在较高的特异性和复杂性。***通过多源数据融合技术实现不同传感器的交 通数据取长补短、互补融合,较准确地反映实时交通状态信息。同时,由于 数据具有实时性、突发性、无序性等特征,因此***采用分布式流式处理框 架,在处理数据时解决数据量过多、数据源在不同时空范围状态不统一、数 据无序性等问题,全面、准确、有效地评估实时交通运行状态。针对采集的 海量数据,***通过大数据统计分析,应用统计方法、事例推理、决策树、 遗传算法等,找出交通数据中的规律,为智能交通设计提供技术支持,有利 于缓解交通拥堵、优化交通路网运行,促进交通健康稳定发展。平台采用B/S (浏览器/服务器)多层体系进行构造,用户通过Web浏览器、WAP浏览 器和APP访问。通过该平台,交通管理部门可以实时掌握城市交通路况,从 而针对城市路段进行交通预测,以制定相应的交通管理方案。路况统计针对全路网、区域、商圈及道路,对运行指数及流量进行时间和空间的统计及对 比分析,最终形成拥堵指数对比、拥堵状态对比、流量对比和运行指数分析。
实施例2
本申请还提供一种基于电警、卡口数据的可视化车辆出行OD分析方法。 针对现有道路网络中卡口点位不全而无法有效地构建完善的机动车出行OD 分析基础数据库的问题,本申请能够通过在卡口数据的基础上进一步结合电 子警察数据、地图数据和管理数据等数据来实现缺失行程信息的修补和OD 量扩样等问题。
优选地,本申请提供的可视化车辆出行OD分析方法可以通过二次修补、 迭代扩样的方法解决现有技术的缺陷。具体地,“二次修补”是指基于车辆 时空行为特征对卡口原始车牌数据中缺失行程信息进行的初次修补,以及基 于电子警察采集数据对卡口设备严重缺失路段进行的第二次行程信息修补。 通过这两次修补车辆出行OD在分布上将更接近真实情况;“迭代扩样”是 指将卡口数据中提取的初始OD分配到路网上,以道路断面流量为总量约束, 对卡口OD进行多次迭代扩样,直至卡口分配流量与微波检测流量相接近的 过程。迭代扩样过程将使不同类型的OD在数量上更接近真实情况。
优选地,一种可视化车辆出行OD分析方法可以包括以下步骤:
S1:点位信息核查及预处理
S11:静态点位信息核查及预处理
(1)点位核查。在实际的单一数据信息采集时,原始卡口点位信息可 能存在坐标错误、名称错误/含糊不清、设备时间不准等问题,这会影响后 续交通流大数据整合模块和研判分析模块有效地进行信息的整理、录入以及 分析处理,因此为了保证对监测的行程信息进行准确计算,本申请需要通过 将卡口静态数据和电警抓拍数据等进行相互印证,使得本申请以动静态数据 相互校核方法对前述问题进行逐一排查和修改。
(2)点位分类及标记。优选地,在进行车辆信息处理分类时,为准确 判断车辆行驶位置,需将卡口点位数据按所在道路路段的性质进行分类标 记。
S12:动态数据核查
在交通状况监测模块实际数据监控时,常常会存在数据缺失情况的发 生,因此需要通过算法上的修补或扩样对于弥补卡口自身数据缺陷、捕捉车 辆的完整行程信息。理论上,经过位于上游主线进入端位置处卡口点位的车 辆在理论上必然会被下游的下匝道出口端位置处卡口点位或下游主线出口 端位置处卡口点位检测到对应车辆的数据。实际监测过程中,经过位于上游 主线进入端位置处卡口点位的车辆仅存在80%-85%会被下游的下匝道出口 端位置处卡口点位或下游主线出口端位置处卡口点位检测的车辆完成有效匹配。
S2:行程完整性分析与初次行程修补
优选地,定义车辆在道路***上一次完整的行程为:车辆驶入道路上匝 道或平面入口(即O点),以及驶离下匝道或平面出口(即D点)时均留有 车牌识别信息的行程。O点或D点有任何一段信息缺失的都称为非完整行程。 行程完整性分析的目的就是对原始卡口行程信息的缺失情况进行分类统计, 从而针对不同的缺失类型采取不同的数据修补方法。优选地,道路上不同卡 口点位之间本身存在一定的拓扑关系,很多车辆在道路网行驶时间和行驶路 径也存在一定规律性。对上述规律和特征进行充分挖掘并总结提炼,便可对 卡口初始行程信息进行修补(即初次修补)。具体有以下几种缺失行程信息 的推测方法:
(1)根据卡口空间位置关系推测。即车辆进入道路***时信息缺失, 但在周边地面道路以及道路主线行驶时均留有车牌识别数据(反之亦然)的 情况。此时,在地面点位以及紧邻的道路主线点位之间进行最短路径搜索, 便可推断出车辆可能经过的上匝道(反之亦然);
(2)根据车辆时间出行特征推测。即利用车辆在一天或多天内出行过 程中的重复性或对称性特征推测缺失的起/终点信息。如某辆车在早高峰期 间留下了上匝道信息,没有下匝道信息;而晚高峰则在相反的方向留下上匝 道信息,没有下匝道信息。多天重复这一特征,则推断早晚高峰的起终点有 一定互补性(前提是匝道基本对称布置);
(3)根据卡口设备的检测精度推测。有时根据空间位置关系或时间出 行特征推测出来的上匝道/入口(或下匝道/出口)仍存在多种可能性,此时 可结合这些断面上卡口设备的检测精度(或有无卡口设备)做进一步判断。 基本原则是卡口设备的检测精度越低则遗漏车辆的概率越大。
上述方法并非独立互斥,实际使用时需要多种方法结合才能使推断结果 的可信度最大。
S3:OD扩样及二次修补
S31:OD路径分配
由于道路断面流量是与特定的道路link相对应的,因此对卡口OD进行 扩样前必须先将其分配到具体的道路上,建立行程信息与道路link的对应关 系。具体过程是,首先将卡口点位匹配到道路网link上,对路网文件进行拓 扑检查与处理。其次,进行OD分类,即把每辆车的OD数据按起点(O点)、 终点(D点)、中间点(M点)进行分类集计。最后,实施路径分配。该步 骤可利用TRANSCAD等交通模型软件或通过ArcGIS二次开发完成。
OD路径分配得到的成果有两部分,一是每一类OD对应的出行路径数 据(ArcGISshp格式),其包含的属性信息有起/终点卡口编号、中间经过 的卡口编号、中间经过的每个link编号以及该类路径包含的OD量,二是道 路断面流量分配结果。
S32:OD扩样
对于某一类型的车辆出行OD,其分配到路网上以后将经过n个道路 link。因此对该OD对进行扩样之前必须先计算每个道路link的卡口分配流 量偏差情况,然后在n个link之间进行适当权衡以决定该OD最终需扩大或 缩小的倍数。因此,OD扩样环节分两个步骤实现。一是计算道路断面检测 流量与卡口分配流量的比值,称为断面流量修正系数;二是根据每个link上 的断面流量修正系数计算每一类OD的扩样系数。
(1)断面流量修正系数
在快速路网上均匀选取若干个断面(称为校核断面)用以校核卡口分配 流量的准确率,
对于校核断面i,定义断面流量修正系数(记为ki)如下:
Ki=Qi/qi (1)
其中Qi、qi分别为该断面的检测流量以及由卡口OD分配得到的流量。
基于上述特征,采取分批次扩样的总体策略,即将卡口分布多、行程捕 捉相对完整的中心城区与卡口相对更少的***区域分开处理。优先对中心城 区的道路断面进行扩样,使问题集中于***。然后再利用多种车辆轨迹数据 (含电警抓拍数据、出租车GPS、UGC轨迹数据等)对***断面缺失的行程 方向进行集中修补。最后对所有OD行程进行统一迭代扩样,使推算的OD 分布尽可能接近实际情况。
(2)OD扩样系数
考虑到大流量的校核断面对于***整体偏差影响更大,本申请采用正比 加权的方法计算最终扩样系数(记为K),即某类OD的K值等于其经过的 每个link的断面流量修正系数按其检测流量值加权平均的结果。因此,该 OD扩样后的数量为:
OD′=OD×K (2)
(3)扩样效果的评价标准
实际操作中,上述“分配-扩样-校核-再分配-再扩样”过程反复迭 代进行。每一轮扩样之后,不同OD被扩大或缩小的倍数都不尽相同,为衡 量整体扩样效果,引入所有校核断面上的卡口分配流量与检测流量差异的均 方根误差值(RMSE)作为评价标准。若每次扩样后RMSE值越来越小,则 说明扩样结果越来越好。
其中q′i为扩样后小何端面i上的卡口OD分配流量,Qi为该端面内的检 测流量,m为校核端面数量。
S32:行程信息二次修补
***地区由于卡口点位相对较少,必然有一些车辆的行程信息完全丢 失,从而造成OD分布上的失真。该问题单靠已有OD扩样是无法解决的, 需借助其他数据源把缺失的行程补充上才能反映更真实的出行。GPS数据具 有轨迹清晰、分布较广的优点,因此,本申请采用上述轨迹数据对***卡口 缺失严重的地方进行行程信息二次修补。
(1)GPS数据行程信息提取。首先将GPS数据按地图匹配、行程切分 等步骤进行处理得到分车辆的出行路径数据。由于此处重点关注的是***快 速路上卡口点位缺失较多的断面。因此,选取上述断面在相同分析时段内的 GPS路径数据,并将路径的起终点都截断至快速路的上或下匝道(或进出口) 上。为了跟卡口路径数据的格式保持一致,将GPS数据得到的出行路径也按 起、终点组合进行分类合并,最终得到的GPS数据行程集记为Tgps={trip1, trip2,…tripn}。
(2)行程对比。以某快速路断面i为例,将经过断面i的卡口数据行程 集记为Tk={trip1,trip2,…tripm}。对比Ugps和Uk,找出GPS行程集里 有但卡口行程集里没有的元素,记为Uadd={trip|trip∈Ugps and trip Uk}, Uadd中的行程即为断面i所有待补充的行程。
(3)卡口行程信息的修补。由于GPS数据并非全样本数据,上述待补 充的行程Uadd需经过扩样才能与卡口行程(已经过扩样)合并。记道路断 面i上的检测流量为Q,卡口分配流量为q(数值远小于Q),GPS车流量 为qt,则Udd中每一类行程需要扩大的系数为k=(Q-q)/qt。
实施例3
本申请还提供一种基于电警、卡口数据的可视化车辆出行OD分析*** 的应用。如图2和3所示,消息中间件通过接入层的物理连接线路获取内网 中的卡口数据、电警数据及停车场数据等。在获取到一定区域范围内道路相 关的实时视频数据后,接入层能够按照对接入的视频监控数据进行转换的方 式完成数据集资源的接入处理。完成预处理后的卡口数据、电警数据及停车 场数据等接入数据能够输送至分析***的计算模型中完成数据的整合、互补 和修正,从而通过作为终端应用的OD大数据分析研判***输出相对准确地 设定地图区域内个路段上车辆出行OD分析结果。优选地,电警有采集绿灯 时过车数据的卡口功能,主要针对路口进口车道级的流量采集,可与路段中 卡口采集的断面流量数据进行互补和修正,如:电警与卡口采集的数据可实 现右转车辆轨迹的纠偏。优选地,计算模型还能够根据接入数据计算并获取 指定道路的实时交通概况并输出相关的统计报告。优选地,接入数据来源定 位于行业内网数据,通过接入城市级电警与卡口的采集数据进行融合和分析。具体数据量根据城市实际电警与卡口的部署密度而定。优选地,接入的 实时视频数据、计算获取的实时交通概况、统计报告以及通过研判分析得到 的研判结果均能通过与分析***相关联的可视化终端进行直观展示。优选 地,本***还能够用户主动输入初始数据生成相对应的车辆出行OD分析结 果,实现指定路段在演练状况下的交通仿真结果输出和展示。通过在预设参 数下的路况模拟能够方便相关部分对不同路段提前做出不同的通行方案,极 大地避免了出现交通意外等造成道路堵塞。
需要注意的是,上述具体实施例是示例性的,本领域技术人员可以在本 发明公开内容的启发下想出各种解决方案,而这些解决方案也都属于本发明 的公开范围并落入本发明的保护范围之内。本领域技术人员应该明白,本发 明说明书及其附图均为说明性而并非构成对权利要求的限制。本发明的保护 范围由权利要求及其等同物限定。
Claims (10)
1.一种基于电警、卡口数据的可视化OD分析***,其特征在于,包括:
应用层:其用于根据获取的道路车辆监测数据进行分析和判断;
支撑层:其用于为应用层提供对应的技术支撑,还能够用于管理数据层和应用层之间相关数据的交换与共享,包括数据采集支撑、数据共享交换支撑、数据统计分析支撑和地理信息服务;
接口层:其用于根据需求而提供基础数据体系接口、运行数据体系接口和业务应用体系接口;
数据层:其用于存储接入层上传的车辆数据,并利用采集的车辆信息进行数据计算和车辆数据的分析并完成相关的计算模型建立及转换;
接入层:其用于连接现有的卡口、电子警察和管理***完成车辆数据信息的获取和上传并能够对获取的数据信息进行预处理;
物理层:其包括基础的硬件设备、基础网络和***软件。
2.如权利要求1所述的基于电警、卡口数据的可视化OD分析***,其特征在于,所述接入层能够选择性地根据卡口数据、电子警察数据和/或地图数据完成道路车辆信息的数据上传、数据抽取转换和清洗,在所述接入层获取到卡口数据的情况下,其还收集相关道路的电子警察数据并将卡口数据与电子警察数据进行联合,使得数据层能够按照动静态数据相互校核的方式完成对接入层上传卡口点位信息的核查,其中,在路口进口车道级的流量采集获取的电子警察数据能够与路段中卡口采集的断面流量数据进行互补和修正。
3.如权利要求2所述的基于电警、卡口数据的可视化OD分析***,其特征在于,所述数据层核查处理后的车辆数据能够通过应用层的OD算法进行卡口数据缺陷的进一步修补,其中,所述OD算法能够在全样本数据的支撑和多场景的学习下,持续对算法进行迭代达到多场景复制应用,使得所述应用层能够捕捉到指定车辆的完整行程信息。
4.如权利要求3所述的基于电警、卡口数据的可视化OD分析***,其特征在于,所述数据层能够根据上传的车辆信息进行数据计算、车流量模型建立和数据统计分析,从而应用层能够根据用户指令而利用数据层处理后的多源数据完成对设定车辆行程信息的修补与校核,并选择性地向用户展示设定区域内的道路交通状态。
5.如权利要求1所述的基于电警、卡口数据的可视化OD分析***,其特征在于,所述支撑层至少包括地理信息服务平台、***管理模块和大数据分析***,其中,
所述***管理模块能够对所述应用层的研判***的运行状态和指挥平台内部模块的运行状态进行监视、预警和审计,且所述***管理模块还通过限制用户登录需进行设定认证的方式对用户及用户所属的角色进行权限管理,分级控制。
6.如权利要求5所述的基于电警、卡口数据的可视化OD分析***,其特征在于,所述地理信息服务平台能够根据用户指令而完成设定道路区域内的车辆信息查询和搜索,其中,所述地理信息服务平台能够根据所述接入层实时上传的数据完成设定道路车流量的展示。
7.如前述权利要求之一所述的基于电警、卡口数据的可视化OD分析***,其特征在于,所述应用层的研判分析模块能够根据处理后的完整车辆行程信息进行对应道路区域内流向流量、道路平均车速、旅行时间,交通流态势进行定性定量研判分析。
8.如前述权利要求之一所述的基于电警、卡口数据的可视化OD分析***,其特征在于,所述大数据分析***通过接入数据进行分类整理、融合处理,并结合GIS道路网络数据进行关联分析,其中,用户能够查看路口、路段、区域的OD数据信息,通过视频接口调看路口实时监控图像。
9.一种基于电警、卡口数据的可视化OD分析方法,其特征在于,包括:
S1:点位信息核查及预处理;
S11:静态点位信息核查及预处理;
S12:动态数据核查;
S2:行程完整性分析与初次行程修补;
S3:OD扩样及二次修补;
S31:OD路径分配;
S32:OD扩样;
S32:行程信息二次修补。
10.如前述权利要求之一所述的基于电警、卡口数据的可视化OD分析方法,其特征在于,所述静态点位信息核查及预处理包括:
点位核查,通过将卡口静态数据和电警抓拍数据等进行相互印证,从而以动静态数据相互校核的方式完成行程信息中缺失的排查和修改;
点位分类及标记,在进行车辆信息处理分类时,将卡口点位数据按所在道路路段的性质进行分类标记。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110894187.4A CN113868492A (zh) | 2021-08-04 | 2021-08-04 | 一种基于电警、卡口数据的可视化od分析方法及应用 |
CN202210462841.9A CN114707035A (zh) | 2021-08-04 | 2022-04-27 | 一种可视化交通起始点分析*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110894187.4A CN113868492A (zh) | 2021-08-04 | 2021-08-04 | 一种基于电警、卡口数据的可视化od分析方法及应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113868492A true CN113868492A (zh) | 2021-12-31 |
Family
ID=78990190
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110894187.4A Pending CN113868492A (zh) | 2021-08-04 | 2021-08-04 | 一种基于电警、卡口数据的可视化od分析方法及应用 |
CN202210462841.9A Pending CN114707035A (zh) | 2021-08-04 | 2022-04-27 | 一种可视化交通起始点分析*** |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210462841.9A Pending CN114707035A (zh) | 2021-08-04 | 2022-04-27 | 一种可视化交通起始点分析*** |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN113868492A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114758499A (zh) * | 2022-04-01 | 2022-07-15 | 济南市公安局交通警察支队 | 一种基于多源数据的城市高架快速路匝道智能自动控制的方法、设备及存储介质 |
CN115410375A (zh) * | 2022-11-02 | 2022-11-29 | 华路易云科技有限公司 | 一种基于雷卡融合交通数据的融合交通指标集生成方法 |
CN116071929A (zh) * | 2023-03-06 | 2023-05-05 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于卡口车牌识别数据的实时路况监测***及其方法 |
-
2021
- 2021-08-04 CN CN202110894187.4A patent/CN113868492A/zh active Pending
-
2022
- 2022-04-27 CN CN202210462841.9A patent/CN114707035A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114758499A (zh) * | 2022-04-01 | 2022-07-15 | 济南市公安局交通警察支队 | 一种基于多源数据的城市高架快速路匝道智能自动控制的方法、设备及存储介质 |
CN114758499B (zh) * | 2022-04-01 | 2023-08-18 | 济南市公安局交通警察支队 | 一种基于多源数据的城市高架快速路匝道智能自动控制的方法、设备及存储介质 |
CN115410375A (zh) * | 2022-11-02 | 2022-11-29 | 华路易云科技有限公司 | 一种基于雷卡融合交通数据的融合交通指标集生成方法 |
CN116071929A (zh) * | 2023-03-06 | 2023-05-05 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于卡口车牌识别数据的实时路况监测***及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114707035A (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110111575B (zh) | 一种基于复杂网络理论的城市交通流量网络分析方法 | |
Wang et al. | Automatic intersection and traffic rule detection by mining motor-vehicle GPS trajectories | |
CN113868492A (zh) | 一种基于电警、卡口数据的可视化od分析方法及应用 | |
Cui et al. | Identifying mismatch between urban travel demand and transport network services using GPS data: A case study in the fast growing Chinese city of Harbin | |
CN111275965B (zh) | 一种基于互联网大数据的实时交通仿真分析***与方法 | |
CN110363985B (zh) | 一种交通数据分析方法、装置、存储介质及设备 | |
Chen et al. | Data analytics approach for travel time reliability pattern analysis and prediction | |
CN104809112A (zh) | 一种基于多源数据的城市公交发展水平综合评价方法 | |
Liu et al. | Intersection delay estimation from floating car data via principal curves: a case study on Beijing’s road network | |
Chen et al. | Dynamic travel time prediction using pattern recognition | |
Wang et al. | Digital roadway interactive visualization and evaluation network applications to WSDOT operational data usage. | |
CN110021161B (zh) | 一种交通流向的预测方法及*** | |
Růžička et al. | Big data application for urban transport solutions | |
Huang et al. | Impact of bicycle traffic on the macroscopic fundamental diagram: some empirical findings in Shanghai | |
CN108447257B (zh) | 一种基于Web的交通数据分析方法及*** | |
Ma et al. | An interpretable analytic framework of the relationship between carsharing station development patterns and built environment for sustainable urban transportation | |
Lian et al. | Advances in estimating pedestrian measures through artificial intelligence: From data sources, computer vision, video analytics to the prediction of crash frequency | |
Kurte et al. | Regional-scale spatio-temporal analysis of impacts of weather on traffic speed in Chicago using probe data | |
KR102359902B1 (ko) | 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법, 그리고 이를 포함하는 저장매체 | |
Turner et al. | Exploring Crowdsourced Monitoring Data for Safety | |
Golze et al. | Impact analysis of accidents on the traffic flow based on massive floating car data | |
Dorosan et al. | Use of machine learning in understanding transport dynamics of land use and public transportation in a developing city | |
CN114973671A (zh) | 公路网od数据处理方法、装置、设备及存储介质 | |
Dunne et al. | A large scale method for extracting geographical features on bus routes from OpenStreetMap and assessment of their impact on bus speed and reliability | |
Wang et al. | Grid mapping for road network abstraction and traffic congestion identification based on probe vehicle data |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20211231 |
|
WD01 | Invention patent application deemed withdrawn after publication |