CN113870564A - 一种封闭路段交通拥堵分类方法、***、电子设备及存储介质 - Google Patents
一种封闭路段交通拥堵分类方法、***、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113870564A CN113870564A CN202111247033.2A CN202111247033A CN113870564A CN 113870564 A CN113870564 A CN 113870564A CN 202111247033 A CN202111247033 A CN 202111247033A CN 113870564 A CN113870564 A CN 113870564A
- Authority
- CN
- China
- Prior art keywords
- traffic
- road section
- detection area
- density
- detected
- 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
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
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种封闭路段交通拥堵分类方法、***、电子设备及存储介质,属于智能交通管理技术领域。该方法通过选取封闭路段的第一检测区域以及第二检测区域,根据过车数据确定第一检测区域在第一预定时段的第一车流密度,根据过车数据确定第二检测区域在第二预定时段的第二车流密度;将所述第一车流密度与所述第二车流密度分别与所述标准车流密度进行比较,判断待测路段的交通拥堵场景,来明确交通拥堵场景是局部路段拥堵还是整体路段拥堵,便于交管部门实时掌控各道路交通状态,对城市交通管理进行优化管理,提高城市的运转效率,且为了后面的交通拥堵分级弹性报警提供支撑。
Description
技术领域
本发明属于智能交通管理技术领域,具体地说,涉及一种封闭路段交通拥堵分类方法、***、电子设备及存储介质。
背景技术
近年来,国家及地方相继制定了有关城市交通运行状况评价的规范与标准,其中交通运行指数(Traffic Performance Index,TPI),又称交通拥堵指数,是综合反映城市路网畅通或拥堵的概念性指数值,实现了道路交通拥堵状況的数字化描述。对于交通拥堵的治理有着重大的意义。而在交通拥堵征兆显现时,能够有效识别并发出报警信号,就有可能通过前期设置的预案进行管控,加强现场交通秩序督导、疏导上游车辆选择其他路径等措施来缓解乃至消除交通拥堵,防止交通拥堵进一步加剧。因此,交通拥堵治理关键一环在于拥堵报警的及时有效。
目前,基于电子警察采集的数据分析封闭路段交通拥堵分级弹性报警的方法研究较少,一般是基于架设的雷达或采集GPS数据的方式,获取车流量、速度两个维度的指标与拥堵条件下设定的阈值进行比较,最后对拥堵进行分级别报警。例如中国专利公开号为CN111081019A的方案。该类方案能够实现路段的同类型分级报警,但需要增加前端设备的部署,或接入路段车辆全覆盖的浮动车数据,这无疑增加建设成本,很难实现路段车辆全覆盖的浮动车数据采集,这些都是导致其不能广泛应用的限制因素,同时,现有技术方式没有考虑动态车流的交通特性,无法解决拥堵报警频发问题。
另外,上述方案中也没有考虑到交通拥堵类型的影响,例如在道路出口的拥堵与在道路中间出现交通事故的拥堵,二者在道路中车流密度,以及车辆的拥堵的排队形式,也各不相同。因此如何确定交通道路的拥堵类型,并据此进行交通拥堵分级弹性报警,也是本领域亟待解决的问题。
发明内容
针对如何确定封闭路段的拥堵类型的问题,本发明提供一种封闭路段交通拥堵分类方法,通过实时车流密度进行判定检测,能够明确交通拥堵场景,便于交管部门方便的调用该模块进行拥堵判断,实时掌控各道路交通状态,对城市交通管理进行科学决策以及管理优化,提高城市的运转效率。
这一目的和其他目的至少部分地通过所附独立权利要求中限定的封闭路段交通拥堵分类方法和封闭路段交通拥堵分级弹性预警的方法来实现。
具体而言,根据本公开第一方面提供一种封闭路段交通拥堵分类方法,包括:
通过选取封闭路段的第一检测区域以及第二检测区域,根据过车数据确定第一检测区域在第一预定时段的第一车流密度,根据过车数据确定第二检测区域在第二预定时段的第二车流密度;将所述第一车流密度与所述第二车流密度分别与所述标准车流密度进行比较,判断待测路段的交通拥堵场景,来明确交通拥堵场景是局部路段拥堵还是整体路段拥堵,便于交管部门实时掌控各道路交通状态,对城市交通管理进行科学决策以及管理优化,提高城市的运转效率,且为了后面的交通拥堵分级弹性报警问题提供支撑。
本公开第二方面提供一种封闭路段交通拥堵分级弹性预警的方法,根据上述封闭路段交通拥堵分类方法确定待测路段交通拥堵类型;根据待测路段交通拥堵类型,确定待测路段拥堵的动态变化排队长度;将所述待测路段拥堵的动态变化排队长度作为第一判断条件,确定报警响应等级,并输出。本公开能够根据该报警函数值进行判别设定符合实际需要的多级报警机制,便于交通管理者针对性实施管控预案,及时消除拥堵。同时,为避免动态数据的短期波动下,报警“短频高次”的发生,根据第一判断条件和第二判断条件,设置了可靠的弹性机制,使得模型识别了稳态交通拥堵后产生可靠报警,帮助交通管理者及时采用相应的交通疏导策略,提高道路通行效率、保障交通安全。
通过实施从属权利要求的一个或多个特征来实现进一步的优点。
在一个示例性实施方式中,所述获取在待测路段中的过车数据步骤包括:
接收第一检测区域以及第二检测区域附近卡口过车数据,将待测路段中的过车数据进行聚类分析,剔除边缘波动数据;
分别确定第一检测区域和第二检测区域的地点车速的聚类样本。
在一个示例性实施方式中,基于第一检测区域和第二检测区域地点平均车速的聚类样本,计算第一检测区域A和第二检测区域B的车流密度,其中计算公式如下:
C表示封闭路段的车道数;
Nc表示mh时段内检测到的路段过车总数;
vj表示mh时段内在检测区域某一车道聚类样本内先后检测到的车辆地点车速;
t1表示mh时段内在检测区域某一车道聚类样本内首辆检测时刻与预定时段mh起点时刻的间隔时间;
tj表示mh时段内在检测区域某一车道聚类样本内相邻车辆检测时刻的间隔时间或预定时段终点时刻与相邻车辆检测时刻的间隔时间。
在一个示例性实施方式中,所述的第二预定时段的确定步骤包括:
获取车辆在第一预定时段mi内经过第一检测区域A的第一过车数据;
将第一过车数据中车辆在经过第二检测区域B达到预设数值的时段作为第二预定时段mj。
在一个示例性实施方式中,所述判断所述待测路段的交通拥堵场景步骤包括:
当满足且所述待测路段的交通拥堵场景为整体路段拥堵;其中,Km表示封闭路段在低服务水平的饱和车流条件下车流密度;表示在第一预定时段mi内第一检测区域的车流密度;表示第二预定时段mj内的第二检测区域的车流密度。
在一个示例性实施方式中,所述判断所述待测路段的交通拥堵场景步骤还包括:
在一个示例性实施方式中,获取第一检测区域在第一预定时段mi采集的第一过车数量;获取第二检测区域在第一预定时段mi采集的第二过车数量;
将第一过车数量和第二过车数量的差值作为第二判断条件;
根据第一判断条件和第二判断条件,确定报警响应等级。
本发明第三方面提供一种封闭路段交通拥堵分类***,包括:
目标选取模块,其用于选取封闭路段的第一检测区域以及第二检测区域,将第一检测区域与第二检测区域之间的路段作为待测路段;
数据统计模块,其用于按照预定时间粒度,获取在待测路段中的过车数据;
计算模块,其用于根据所述过车数据确定第一检测区域在第一预定时段的第一车流密度,根据所述过车数据确定第二检测区域在第二预定时段的第二车流密度;
判断模块,其用于将所述第一车流密度与所述第二车流密度分别与所述标准车流密度进行比较,判断所述待测路段的交通拥堵场景,并输出;其中所述标准车流密度为所述封闭路段在最大通行条件下的车流密度;所述交通拥堵场景包括局部路段拥堵以及整体路段拥堵。
本发明第四方面提供一种电子设备,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器依次连接,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如上述的方法。
本发明第五方面提供一种可读存储介质,所述存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如上述的方法。
相比于现有技术,本发明的有益效果为:
(1)本发明基于获取过车数据和交通流的时刻特性,应用聚类分析方法筛选车流动态波动数据,使得依赖短期车流数据的精度和可靠性更高,并根据实际情况设计了两种拥堵场景下多类交通数据的判定条件,通过实时车流密度交通拥堵进行判定检测,能够明确交通拥堵场景,便于交管部门方便的调用该模块进行拥堵判断,实时掌控各道路交通状态。
(2)本发明通过构建拥堵排队长度函数,能够及时准确的表征交通拥堵的实际情况,并能够根据该报警函数值进行判别设定符合实际需要的多级报警机制,便于交通管理者针对性实施管控预案,及时消除拥堵。
(3)本发明为避免动态数据的短期波动下,报警“短频高次”的发生,通过两组判断条件,设置了可靠的弹性机制,使得模型识别了稳态交通拥堵后产生可靠报警,帮助交通管理者及时采用相应的交通疏导策略,提高道路通行效率、保障交通安全,为降低社会成本,提高社会出行效率,具有十分广阔的应用前景。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。附图中:
图1是本发明实施例提供的一种封闭路段交通拥堵分类方法流程图;
图2是本发明实施例提供的聚类分析示意图;
图3是本发明实施例提供的第一类交通拥堵示意图;
图4图示了根据本申请实施例的电子设备的框图;
图5是本发明实施例提供的第一类交通拥堵交通密度示意图;
图6是本发明实施例提供的第二类交通拥堵示意图;
图7是本发明实施例提供的第二类交通拥堵交通密度和平均速度示意图;
图8是本发明实施例提供的一种封闭路段交通拥堵分类***框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
示例性方法
如图1所示,一种封闭路段交通拥堵分类方法,包括如下步骤:
S110:选取封闭路段的第一检测区域以及第二检测区域,将第一检测区域与第二检测区域之间的路段作为待测路段。
具体的,本示例是对于封闭路段的交通拥堵情况进行分类,这里的封闭路段可以是高速公路,或者是绕城高速公路。例如,是从高速某一段的入口到出口,作为待测路段。第一检测区域和第二检测区域是根据需要在封闭路段上进行选取的。本示例中按照车流方向,一般选取入口位置作为起点,而作为起点的收集过车数据的可以成为检测区域。例如,对于起点的检测区域,本示例中定义为第一检测区域A;将封闭路段的出口作为终点,而作为终点的收集的过车数据的,成为第二检测区域B。应当理解,对于一个封闭路段而言,顺着车流方向选取起点和终点,对于起点和终点的位置都可以根据需要设定,不作为对于本发明的限定。
S120:按照预定时间粒度,获取在待测路段中的过车数据。
具体的,收集封闭路段起、终点的过车数据一般都是通过卡口或者电子警察获取的。例如,以1分钟为粒度分别整理起、终点的所有过车数据,并生成以检测时间先后顺序的数据表。过车数据可以包括检测设备ID、车牌号、车道编号、检测时间、地点车速信息等,按车道编号对所有数据表进行分类存储。另外,应当理解,获取过车数据,也可以是接收储存在服务器中过车数据。
S130:根据所述过车数据确定第一检测区域在第一预定时段的第一车流密度,根据所述过车数据确定第二检测区域在第二预定时段的第二车流密度。
具体的,如图5和图7,车流密度是衡量道路拥堵状态的一个重要指标,其是检测道路运行状态的单调性指标,随着车流密度的逐渐增大,道路服务水平降低,道路拥堵加剧。采集时段内的车速差异性变化,反映的路况情况有一定程度误差。因此,选择车流密度去判断交通拥堵具有高可靠性。
例如标准车流密度为所述封闭路段在最大通行条件下车流密度。其中,在最低服务水平下,达到能通过该道路横截面最大的标准单位交通量时,该路段的车流密度即为最大通行条件下车流密度。在一个示例性实施方式中,基于第一检测区域和第二检测区域地点平均车速的聚类样本,计算第一检测区域A和第二检测区域B的车流密度,其中计算公式如下:
C表示封闭路段的车道数;
Nc表示mh时段内检测到的路段过车总数;
vj表示mh时段内在第x检测区域某一车道聚类样本内先后检测到的车辆地点车速;
t1表示mh时段内在第x检测区域某一车道聚类样本内首辆检测时刻与预定时段mh起点时刻的间隔时间;
tj表示mh时段内在第x检测区域某一车道聚类样本内相邻车辆检测时刻的间隔时间。
S140:将所述第一车流密度与所述第二车流密度分别与所述标准车流密度进行比较,判断所述待测路段的交通拥堵场景,并输出。
具体的,第二预定时段mj是根据第一预定时段mi确定的,所述的第二预定时段的确定步骤包括:获取车辆在第一预定时段内经过第一检测区域A的第一过车数据;将第一过车数据中车辆在经过第二检测区域B达到预设数值的时段作为第二预定时段。
先判别第一预定时段mi时段内通过起点的第一检测区域后,该第一预定时段内50%以上的车辆在终点检测区获取的时段为mj,则在第二检测区的mj时段内的车流密度为时段内在起点检测区域的车流密度为该50%以上的车辆AB路段的行程时间平均值为
如图3和图6所示,本示例中交通拥堵场景包括局部路段拥堵(第一类拥堵场景)以及整体路段拥堵(第二类拥堵场景)。需要说明的是,造成交通拥堵的主要特征可分为两类:第一,是源于交通流量增大,道路供给不能满足通行需求,形成拥堵,该拥堵从前方瓶颈处逐渐沿道路线性向***延伸,本示例中定义为整体路段拥堵。第二,是源于路段某处发生事故等事件,造成路段局部车道被占形成道路瓶颈,产生的交通拥堵,本示例中定义为局部路段拥堵。
其中,表示在第一预定时段mi内第一检测区域的车流密度;表示第二预定时段mj内的第二检测区域的车流密度;lab表示待测封闭路段的长度;α表示交通拥堵的车流密度系数;β表示交通拥堵的平均速度系数;表示预定数值的车辆经过第一检测区域A以及第二检测区域B的行程时间平均值。
作为一个变化例,所述获取在待测路段中的过车数据步骤包括:
接收第一检测区域以及第二检测区域附近的卡口过车数据,将待测路段中的过车数据进行聚类分析,剔除边缘波动数据;分别确定第一检测区域和第二检测区域地点平均车速的聚类样本。如图2所示,这里的边缘波动数据是指由于驾驶员遇到突发状况,导致车辆突然加速或者减速;或者驾驶员操作不规范,随意减速等状况。
具体的,分别对mi时段内起终点的数据表内的数据进行聚类分析,剔除影响均值的边缘波动数据,分别计算得出起、终点检测区域的平均车速、车流密度等。
其中,待测封闭路段起、终点检测区域平均车速的计算方法流程如下:
S112:获取mi时段内封闭路段起点的第一检测区域的所有车辆地点车速;
S116:选取距离中心点最近的样本进行归类,且样本数达到mi时段内总样本量的预定比例以上,本示例中预定百分比为80%。
S117:与mi时段的上一次地点车速类别的样本进行对比,如果相同,流程终止,以类别为选取该样本为最终样本类别;
进一步,基于上述获取mi时段内地点车速的聚类样本,计算封闭路段起、终点检测区域车流密度:
C表示封闭路段的车道数;
Nc表示mi时段内检测到的路段过车总数;
vj表示mi时段内在检测区域某一车道聚类样本内先后检测到的车辆地点车速;
t1表示mi时段内在检测区域某一车道聚类样本内首辆检测时刻与预定时段起点时刻的间隔时间;
tj表示mi时段内在检测区域某一车道聚类样本内相邻车辆检测时刻的间隔时间或预定时段终点时刻与相邻车辆检测时刻的间隔时间。
作为一个变化例,在基于上述方法确定待测路段交通拥堵类型后,还可以计算待测路段拥堵的动态变化排队长度,用作确定待测路段交通拥堵类型等级的判断条件。
具体的,对于第一类交通拥堵,需要确定mi时段后,从封闭路段检测区域B(终点)到排队末端的平均排队长度;对于第二类交通拥堵,需要确定mi时段后,从封闭路段事故发生点S排队末端的平均排队长度。
本示例在计算待测路段拥堵的动态变化排队长度之前,还需要获取封闭路段当前时段mi检测区域AB间的在途车辆数,具体方式如下:
S132:取某一时刻为起点,统计在起点时刻若干小时(时段)内通过检测起点所有车辆Q1;
S134:以起点时刻若干小时内通过检测起点所有车辆都通过检测终点时为终点时刻,统计从起点时刻起至终点时刻通过检测起点所有车辆Q2;
S142:获取事故地点距离封闭路段检测终点的距离lbs,例如通过驾驶员或民警事故地点信息;
式中:l0表示拥堵路段单个车辆占据的路段长度,含车头间距,一般取值为7米;表示封闭路段的车道数;表示封闭路段时段mi内A检测区域间采集的标准车当量数;表示封闭路段时段mi内B检测区域间采集的标准车当量数。
本公开了还提供一种封闭路段交通拥堵分级弹性预警的方法,包括如下步骤:
S210:根据待测路段交通拥堵类型,确定待测路段拥堵的动态变化排队长度;
具体的,定待测路段拥堵的动态变化排队长度可以通过上述步骤确定。
S220:将所述待测路段拥堵的动态变化排队长度作为第一判断条件,确定报警响应等级,并输出。
本示例通过动态变化排队长度作为判断条件,设置不同的报警阈值对道路交通状况进行分级拥堵报警,即根据拥堵路段的实际情况,排队长度阈值是针对预案的报警级别进行设置,如设定为3个响应等级(三级、二级、一级),应当理解,此处的响应等级可以根据实际进行设定,例如分为5级或者7级等。另外,一旦发现流量突变、恶劣天气等交通事件***能够报警,对警情进行分级管控。
具体的,对于封闭路段交通流的动态变化,设置报警的弹性空间,避免报警“短频高次”发生。例如第一类交通拥堵当前时段mj的判断条件:
作为一个变化例,还可以将第一过车数量和第二过车数量的差值作为第二判断条件;根据第一判断条件和第二判断条件,确定报警响应等级。
例如,对于第一类交通拥堵当前时段mj的判断条件:
若满足时段mi内满足不等式(1)且不等式(2)的判别条件,则第一类交通拥堵的报警级别为s。
对于第二类交通拥堵当前时段mj的判断条件:
若满足时段mi内满足不等式(3)且不等式(4)的判别条件,则第一类交通拥堵的报警级别为s。
示例性***
如图8所示,一种封闭路段交通拥堵分类***,包括:
目标选取模块20,其用于选取封闭路段的第一检测区域以及第二检测区域,将第一检测区域与第二检测区域之间的路段作为待测路段;
数据统计模块30,其用于按照预定时间粒度,获取在待测路段中的过车数据;
计算模块40,其用于根据所述过车数据确定第一检测区域在第一预定时段的第一车流密度,根据所述过车数据确定第二检测区域在第二预定时段的第二车流密度;第二预定时段的确定步骤包括:获取车辆在第一预定时段mi内经过第一检测区域A的第一过车数据;将第一过车数据中车辆在经过第二检测区域B达到预设数值的时段作为第二预定时段mj。
基于第一检测区域和第二检测区域地点平均车速的聚类样本,计算第一检测区域A和第二检测区域B的车流密度,其中计算公式如下:
C表示封闭路段的车道数;
Nc表示mh时段内检测到的路段过车总数;
vj表示mh时段内在检测区域某一车道聚类样本内先后检测到的车辆地点车速;
t1表示mh时段内在检测区域某一车道聚类样本内首辆检测时刻与预定时段mh起点时刻的间隔时间;
tj表示mh时段内在检测区域某一车道聚类样本内相邻车辆检测时刻的间隔时间或预定时段终点时刻与相邻车辆检测时刻的间隔时间。
判断模块50,其用于将所述第一车流密度与所述第二车流密度分别与所述标准车流密度进行比较,判断所述待测路段的交通拥堵场景,并输出;其中所述标准车流密度为所述封闭路段在最大通行条件下的车流密度;所述交通拥堵场景包括局部路段拥堵以及整体路段拥堵。
作为一个变化例,封闭路段交通拥堵分类***还包括数据聚类模块,所述数据聚类模块用于接收第一检测区域以及第二检测区域附近卡口过车数据,将待测路段中的过车数据进行聚类分析,剔除边缘波动数据;分别确定第一检测区域和第二检测区域地点平均车速的聚类样本。
所述判断所述待测路段的交通拥堵场景步骤包括:
所述判断所述待测路段的交通拥堵场景步骤还包括:
示例性电子设备
下面,参考图1来描述根据本申请实施例的电子设备。该电子设备可以是可移动设备本身,或与其独立的单机设备,该单机设备可以与可移动设备进行通信,以从它们接收所采集到的输入信号,并向其发送所选择的目标决策行为。
图4图示了根据本申请实施例的电子设备的框图。
如图4所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的决策行为决策方法以及/或者其他期望的功能。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线***和/或其他形式的连接机构(未示出)互连。例如,该输入设备13可以包括例如车载诊断***(OBD)、统一诊断服务(UDS)、惯性测量单元(IMU)、摄像头、激光雷达、毫米波雷达、超声波雷达、车载通信(V2X)等各种设备。该输入设备13还可以包括例如键盘、鼠标等等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图4中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的决策行为决策方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的决策行为决策方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (11)
1.一种封闭路段交通拥堵分类方法,其特征在于,所述方法包括:
选取封闭路段的第一检测区域以及第二检测区域,将第一检测区域与第二检测区域之间的路段作为待测路段;
按照预定时间粒度,获取在待测路段中的过车数据;
根据所述过车数据确定第一检测区域在第一预定时段的第一车流密度,根据所述过车数据确定第二检测区域在第二预定时段的第二车流密度;
将所述第一车流密度与所述第二车流密度分别与所述标准车流密度进行比较,判断所述待测路段的交通拥堵场景;其中所述标准车流密度为所述封闭路段在最大通行条件下的车流密度。
2.根据权利要求1所述的封闭路段交通拥堵分类方法,其特征在于,所述获取在待测路段中的过车数据步骤包括:
接收第一检测区域以及第二检测区域中卡口的过车数据,将待测路段中的过车数据进行聚类分析,剔除边缘波动数据;
分别确定第一检测区域和第二检测区域的地点车速的聚类样本。
4.根据权利要求3所述的封闭路段交通拥堵分类方法,其特征在于,所述的第二预定时段的确定步骤包括:
获取车辆在第一预定时段mi内经过第一检测区域A的第一过车数据;
将第一过车数据中车辆在经过第二检测区域B达到预设数值后的时段作为第二预定时段mj。
7.一种封闭路段交通拥堵分级弹性预警的方法,其特征在于:
选取封闭路段的第一检测区域以及第二检测区域,将第一检测区域与第二检测区域之间的路段作为待测路段;
按照预定时间粒度,获取在待测路段中的过车数据;
根据所述过车数据确定第一检测区域在第一预定时段的第一车流密度,根据所述过车数据确定第二检测区域在第二预定时段的第二车流密度;
将所述第一车流密度与所述第二车流密度分别与所述标准车流密度进行比较,判断所述待测路段的交通拥堵场景;其中所述标准车流密度为所述封闭路段在最大通行条件下车流密度;获取待测路段交通拥堵类型;
根据待测路段交通拥堵类型,确定待测路段拥堵的动态变化排队长度;
将所述待测路段拥堵的动态变化排队长度作为第一判断条件,确定报警响应等级,并输出。
8.根据权利要求7所述的封闭路段交通拥堵分级弹性预警的方法,其特征在于:
获取第一检测区域在第一预定时段mi采集的第一过车数量;获取第二检测区域在第一预定时段mj采集的第二过车数量;
将第一过车数量和第二过车数量的差值作为第二判断条件;
根据第一判断条件和第二判断条件,确定报警响应等级。
9.一种封闭路段交通拥堵分类***,其特征在于,包括:
目标选取模块,其用于选取封闭路段的第一检测区域以及第二检测区域,将第一检测区域与第二检测区域之间的路段作为待测路段;
数据统计模块,其用于按照预定时间粒度,获取在待测路段中的过车数据;
计算模块,其用于根据所述过车数据确定第一检测区域在第一预定时段的第一车流密度,根据所述过车数据确定第二检测区域在第二预定时段的第二车流密度;
判断模块,其用于将所述第一车流密度与所述第二车流密度分别与所述标准车流密度进行比较,判断所述待测路段的交通拥堵场景,并输出;其中所述标准车流密度为所述封闭路段在最大通行条件下的车流密度;所述交通拥堵场景包括局部路段拥堵以及整体路段拥堵。
10.一种电子设备,其特征在于,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器依次连接,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如权利要求1-8任一项所述的方法。
11.一种可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111247033.2A CN113870564B (zh) | 2021-10-26 | 2021-10-26 | 一种封闭路段交通拥堵分类方法、***、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111247033.2A CN113870564B (zh) | 2021-10-26 | 2021-10-26 | 一种封闭路段交通拥堵分类方法、***、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113870564A true CN113870564A (zh) | 2021-12-31 |
CN113870564B CN113870564B (zh) | 2022-09-06 |
Family
ID=78997689
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111247033.2A Active CN113870564B (zh) | 2021-10-26 | 2021-10-26 | 一种封闭路段交通拥堵分类方法、***、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113870564B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114708728A (zh) * | 2022-03-23 | 2022-07-05 | 青岛海信网络科技股份有限公司 | 一种识别交通高峰期的方法、电子设备及存储介质 |
CN114999164A (zh) * | 2022-08-05 | 2022-09-02 | 深圳支点电子智能科技有限公司 | 智能交通预警处理方法及相关设备 |
CN116403419A (zh) * | 2023-06-07 | 2023-07-07 | 贵州鹰驾交通科技有限公司 | 基于车路协同的交通灯控制方法 |
CN117495204A (zh) * | 2023-12-29 | 2024-02-02 | 济南市城市交通研究中心有限公司 | 基于数据分析的城市公交运行效率评估方法及*** |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1506919A (zh) * | 2002-12-13 | 2004-06-23 | 乐金信世股份有限公司 | 交通事故监测方法 |
WO2009080067A1 (en) * | 2007-12-20 | 2009-07-02 | Tomtom International B.V. | Navigation device and method |
US20090177373A1 (en) * | 2008-01-07 | 2009-07-09 | Lucien Groenhuijzen | Navigation device and method |
CN102034348A (zh) * | 2010-11-26 | 2011-04-27 | 南京莱斯信息技术股份有限公司 | 一种道路交通状态识别方法 |
CN103280098A (zh) * | 2013-05-23 | 2013-09-04 | 北京交通发展研究中心 | 交通拥堵指数计算方法 |
CN105160867A (zh) * | 2015-08-20 | 2015-12-16 | 南京安通杰科技实业有限公司 | 交通讯息预测方法 |
CN105469612A (zh) * | 2016-01-22 | 2016-04-06 | 大连楼兰科技股份有限公司 | 一种交通拥堵报警***及方法 |
CN106355884A (zh) * | 2016-11-18 | 2017-01-25 | 成都通甲优博科技有限责任公司 | 一种基于车型分类的高速公路车辆引导***及方法 |
CN106683405A (zh) * | 2016-12-28 | 2017-05-17 | 安徽科力信息产业有限责任公司 | 基于道路车流密度的道路交通状态评价方法 |
US20170352262A1 (en) * | 2016-06-03 | 2017-12-07 | Here Global B.V. | Method and apparatus for classifying a traffic jam from probe data |
CN108269401A (zh) * | 2018-01-30 | 2018-07-10 | 银江股份有限公司 | 一种基于数据驱动的高架桥交通拥堵预测方法 |
CN110363985A (zh) * | 2019-06-27 | 2019-10-22 | 北京易华录信息技术股份有限公司 | 一种交通数据分析方法、装置、存储介质及设备 |
US20200234581A1 (en) * | 2019-01-17 | 2020-07-23 | International Business Machines Corporation | Vehicle traffic information analysis and traffic jam management |
CN111462484A (zh) * | 2020-03-31 | 2020-07-28 | 腾讯科技(深圳)有限公司 | 拥堵状态的确定方法、装置、设备及计算机可读存储介质 |
CN111608102A (zh) * | 2020-04-23 | 2020-09-01 | 哈尔滨工业大学 | 一种高速公路交通事件的分级预警方法 |
CN111680745A (zh) * | 2020-06-08 | 2020-09-18 | 青岛大学 | 一种基于多源交通大数据融合的突发拥堵判别方法及*** |
CN112069944A (zh) * | 2020-08-25 | 2020-12-11 | 青岛海信网络科技股份有限公司 | 一种道路拥堵等级确定方法 |
CN113313950A (zh) * | 2021-07-28 | 2021-08-27 | 长沙海信智能***研究院有限公司 | 车辆拥堵的检测方法、装置、设备及计算机存储介质 |
-
2021
- 2021-10-26 CN CN202111247033.2A patent/CN113870564B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1506919A (zh) * | 2002-12-13 | 2004-06-23 | 乐金信世股份有限公司 | 交通事故监测方法 |
WO2009080067A1 (en) * | 2007-12-20 | 2009-07-02 | Tomtom International B.V. | Navigation device and method |
US20090177373A1 (en) * | 2008-01-07 | 2009-07-09 | Lucien Groenhuijzen | Navigation device and method |
CN102034348A (zh) * | 2010-11-26 | 2011-04-27 | 南京莱斯信息技术股份有限公司 | 一种道路交通状态识别方法 |
CN103280098A (zh) * | 2013-05-23 | 2013-09-04 | 北京交通发展研究中心 | 交通拥堵指数计算方法 |
CN105160867A (zh) * | 2015-08-20 | 2015-12-16 | 南京安通杰科技实业有限公司 | 交通讯息预测方法 |
CN105469612A (zh) * | 2016-01-22 | 2016-04-06 | 大连楼兰科技股份有限公司 | 一种交通拥堵报警***及方法 |
US20170352262A1 (en) * | 2016-06-03 | 2017-12-07 | Here Global B.V. | Method and apparatus for classifying a traffic jam from probe data |
CN106355884A (zh) * | 2016-11-18 | 2017-01-25 | 成都通甲优博科技有限责任公司 | 一种基于车型分类的高速公路车辆引导***及方法 |
CN106683405A (zh) * | 2016-12-28 | 2017-05-17 | 安徽科力信息产业有限责任公司 | 基于道路车流密度的道路交通状态评价方法 |
CN108269401A (zh) * | 2018-01-30 | 2018-07-10 | 银江股份有限公司 | 一种基于数据驱动的高架桥交通拥堵预测方法 |
US20200234581A1 (en) * | 2019-01-17 | 2020-07-23 | International Business Machines Corporation | Vehicle traffic information analysis and traffic jam management |
CN110363985A (zh) * | 2019-06-27 | 2019-10-22 | 北京易华录信息技术股份有限公司 | 一种交通数据分析方法、装置、存储介质及设备 |
CN111462484A (zh) * | 2020-03-31 | 2020-07-28 | 腾讯科技(深圳)有限公司 | 拥堵状态的确定方法、装置、设备及计算机可读存储介质 |
CN111608102A (zh) * | 2020-04-23 | 2020-09-01 | 哈尔滨工业大学 | 一种高速公路交通事件的分级预警方法 |
CN111680745A (zh) * | 2020-06-08 | 2020-09-18 | 青岛大学 | 一种基于多源交通大数据融合的突发拥堵判别方法及*** |
CN112069944A (zh) * | 2020-08-25 | 2020-12-11 | 青岛海信网络科技股份有限公司 | 一种道路拥堵等级确定方法 |
CN113313950A (zh) * | 2021-07-28 | 2021-08-27 | 长沙海信智能***研究院有限公司 | 车辆拥堵的检测方法、装置、设备及计算机存储介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114708728A (zh) * | 2022-03-23 | 2022-07-05 | 青岛海信网络科技股份有限公司 | 一种识别交通高峰期的方法、电子设备及存储介质 |
CN114999164A (zh) * | 2022-08-05 | 2022-09-02 | 深圳支点电子智能科技有限公司 | 智能交通预警处理方法及相关设备 |
CN116403419A (zh) * | 2023-06-07 | 2023-07-07 | 贵州鹰驾交通科技有限公司 | 基于车路协同的交通灯控制方法 |
CN116403419B (zh) * | 2023-06-07 | 2023-08-25 | 贵州鹰驾交通科技有限公司 | 基于车路协同的交通灯控制方法 |
CN117495204A (zh) * | 2023-12-29 | 2024-02-02 | 济南市城市交通研究中心有限公司 | 基于数据分析的城市公交运行效率评估方法及*** |
CN117495204B (zh) * | 2023-12-29 | 2024-04-16 | 济南市城市交通研究中心有限公司 | 基于数据分析的城市公交运行效率评估方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN113870564B (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113870564B (zh) | 一种封闭路段交通拥堵分类方法、***、电子设备及存储介质 | |
Basso et al. | Real-time crash prediction in an urban expressway using disaggregated data | |
Zheng et al. | Comparison of traffic conflict indicators for crash estimation using peak over threshold approach | |
CN112700072B (zh) | 交通状况预测方法、电子设备和存储介质 | |
CN110164130B (zh) | 交通事件检测方法、装置、设备及存储介质 | |
Pande et al. | Comprehensive analysis of the relationship between real-time traffic surveillance data and rear-end crashes on freeways | |
Xu et al. | Quantitative risk assessment of freeway crash casualty using high-resolution traffic data | |
Abdel-Aty et al. | Crash risk assessment using intelligent transportation systems data and real-time intervention strategies to improve safety on freeways | |
CN108346288B (zh) | 路段运行状态预警方法、装置及电子设备 | |
CN110363985B (zh) | 一种交通数据分析方法、装置、存储介质及设备 | |
Goyani et al. | Investigation of traffic conflicts at unsignalized intersection for reckoning crash probability under mixed traffic conditions | |
US20220383738A1 (en) | Method for short-term traffic risk prediction of road sections using roadside observation data | |
Loulizi et al. | Steady‐State Car‐Following Time Gaps: An Empirical Study Using Naturalistic Driving Data | |
Yuan et al. | Modeling real-time cycle-level crash risk at signalized intersections based on high-resolution event-based data | |
Zhang et al. | Real-time pedestrian conflict prediction model at the signal cycle level using machine learning models | |
CN112116263B (zh) | 一种交通路口风险级别评估方法、装置、电子设备及存储介质 | |
Meng et al. | Expressway crash prediction based on traffic big data | |
Ansariyar et al. | Statistical analysis of vehicle-vehicle conflicts with a LIDAR sensor in a signalized intersection. | |
Caleffi et al. | A multivariate-based conflict prediction model for a Brazilian freeway | |
CN116386316A (zh) | 交通风险的预测方法和装置、电子设备及存储介质 | |
JP2002190090A (ja) | 交通流の異常検知装置及び方法(スペクトル) | |
Alrassy et al. | Driver behavior indices from large-scale fleet telematics data as surrogate safety measures | |
Yang et al. | Developing a new real-time traffic safety management framework for urban expressways utilizing reinforcement learning tree | |
Samerei et al. | Analyzing the transition from two-vehicle collisions to chain reaction crashes: A hybrid approach using random parameters logit model, interpretable machine learning, and clustering | |
Chen et al. | The impact of truck proportion on traffic safety using surrogate safety measures in China |
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 | ||
CB02 | Change of applicant information |
Address after: Room 707-710, 7th floor, building B3, innovation industrial park, No. 800, Wangjiang West Road, hi tech Zone, Hefei City, Anhui Province Applicant after: Anhui Baicheng Huitong Technology Co.,Ltd. Address before: Room 707-710, 7th floor, building B3, innovation industrial park, No. 800, Wangjiang West Road, hi tech Zone, Hefei City, Anhui Province Applicant before: ANHUI BAI CHENG HUI TONG TECHNOLOGY CO.,LTD. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |