CN114267173B - 高速公路时空特征的多源数据融合方法、装置及设备 - Google Patents
高速公路时空特征的多源数据融合方法、装置及设备 Download PDFInfo
- Publication number
- CN114267173B CN114267173B CN202111518366.4A CN202111518366A CN114267173B CN 114267173 B CN114267173 B CN 114267173B CN 202111518366 A CN202111518366 A CN 202111518366A CN 114267173 B CN114267173 B CN 114267173B
- Authority
- CN
- China
- Prior art keywords
- data
- traffic
- highway
- vehicle
- sub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了高速公路时空特征的多源数据融合方法、装置及设备，获取高速公路全景交通数据；将SCATS地感线圈数据和门架***数据均与高速公路路网进行匹配，并对高速公路路网进行双层次路网划分，得到交通区域划分数据和交通区域关联数据；根据门架***数据和高速出入口记录数据，得到基于空间序列模型的车辆通行轨迹数据；根据高速公路沿线气象数据，得到基于时态栅格模型的气象变化数据；根据交通区域关联数据，将各子交通区域的交通通行状态数据和通行影响因素数据进行融合，得到高速公路时空特征。本发明能够融合各类多源异构的传感器数据，保留交通数据特有的时间和空间特征，构建全息交通数据为面向安全与效率的出行业务服务。
Description
技术领域
本发明属于数据融合和特征提取领域，尤其涉及高速公路时空特征的多源数据融合方法、装置及设备。
背景技术
道路网络是一个复杂的***，车辆在道路上的行驶状态受到天气、道路条件、车辆状态等多种因素制约，在时空尺度表现出一定的关联性。时间序列性，研究对象的数据随着时间先后顺序排列起来的一组数据，如前时段交通量与前几个时段的交通量之间存在着一定的联系，排列成一组有规律的交通量数据序列。空间序列性，源于高速公路路网***的固有结构。高速公路路网***由各个路段连接组成，路网内某一路段交通量与其上下游路段交通量分布具有一定的关联性。当道路运行顺畅时，车流整体呈现均匀前行状态，而路段遇到瓶颈时，会产生一种与车流运行方向相反的聚集波，车流密度增大，车速降低；拥挤消散时，则会产生一种与车流运行方向相同的消散波，车流密度减小，车速升高。
随着信息技术的迅猛发展和大数据时代的到来，智能化信息化的道路交通领域会产生海量多源异构的数据，这些数据中蕴含着丰富的时空序列信息，想要有效的管理和利用，必须对海量多源异构的数据进行解析和推演，通过数据融合和知识拾取等手段，挖掘底层各类传感器数据反映的时间特征和空间属性，从而获得多维交通数据的时间序列和空间序列，满足不同时空跨度的数据分析需求。
数据融合按融合对象的抽象层次可分为：数据级融合、特征级融合和决策级融合。数据级融合，对最原始的传感器数据进行融合，存储直接采集的数据，数据最贴近真实世界，缺点是数据量大，存储和传输难。特征级融合利用从传感器数据中提取的特征信息进行综合利用和处理，其优点是特征提取，数据压缩，减小了数据传输量，缺点是提取到特征不具有统一的模式。决策级融合是在各传感器的数据经过分析处理，做出基本判断和决策的基础上做出的更高一级的融合，其容错性较高，在融合之前，已经进行了预处理、特征提取、目标识别、决策判断等一系列过程，已经结合多源数据生成了基本的结论，为后续的分析应用提供了更为可靠的数据。
中国专利文献在2019.09.06公开了一种多源交通数据融合的高速公路拥堵区间探测方法，该专利公开号为CN110211380A、申请号为CN201910479607.5。该专利对高速公路路径识别***的识别数据、联网收费***收费站流水数据、两客一危重点车辆GPS轨迹数据三类交通数据作数据预处理，并对高速公路路网进行多层次的路网划分；利用预处理后的三类交通源数据及划分的路网，对第一层次的路网、第二层次的路网以及第三层次的路网上的数据进行匹配；使用三个层次匹配的数据，利用层次拥堵区间探测框架计算得出多层次的高速公路各基本路段的交通状态。该专利对交通拥堵的状态评价是通过模糊评价来得到的，因此很难精细的刻画道路实际运行状态，此外由于高速公路GPS数据易受信号干扰，收费***数据只在行驶行程两头等问题，高速公路中间行驶过程的交通状态感知较为困难。
中国专利文献在2020.12.25公开了基于5G的智慧交通大数据管理方法、***、设备及介质，该专利公开号为CN112133099A、申请号为CN202011042631.1。基于5G的智慧交通大数据管理方法、***、设备及介质。该发明通过5G传感器实时采集道路图像信息和道路视频信息并对其进行处理，得到交通事故发生位置信息和交通流量信息；进行评估，得到交通事故严重性等级和交通流量畅通指数。该专利主要针对图像和视频数据进行融合，主要考虑的是非结构化数据的监测，但未考虑道路基础、车辆、气候等其他结构化、半结构化数据来源。
此外，以上的专利均聚焦于两个不同来源的数据进行融合和特征提取，针对三类及以上不同来源的数据的专利方法较少，考虑三者以上的多源异构的数据融合的研究还没有。在进行交通数据融合中兼顾交通数据时间序列性质和空间序列性质的研究尚未出现。在推进智慧高速公路建设的过程中，如何更加合理利用数据融合技术，融合各类多源异构的传感器数据，保留交通数据特有的时间和空间特征，构建全息交通数据为面向安全与效率的出行业务服务是本发明要解决的首要问题。
发明内容
针对现有技术中存在的问题，本发明提供了高速公路时空特征的多源数据融合方法、装置及设备，其目的在于能够融合各类多源异构的传感器数据，保留交通数据特有的时间和空间特征，构建全息交通数据为面向安全与效率的出行业务服务。
为了解决上述技术问题，本发明通过以下技术方案予以实现：
一种高速公路时空特征的多源数据融合方法，包括：
获取高速公路全景交通数据，所述高速公路全景交通数据包括SCATS地感线圈数据、门架***数据、高速出入口记录数据、高速公路沿线气象数据、高速公路交通事件数据和车辆基础信息数据；
将所述SCATS地感线圈数据和门架***数据均与高速公路路网进行匹配，并对高速公路路网进行双层次路网划分，得到交通区域划分数据和交通区域关联数据；
根据所述门架***数据和高速出入口记录数据，得到基于空间序列模型的车辆通行轨迹数据；根据所述高速公路沿线气象数据，得到基于时态栅格模型的气象变化数据；根据所述车辆基础信息数据，得到基于基态修正模型的车辆信息数据；
将所述车辆通行轨迹数据、气象变化数据、车辆信息数据和高速公路全景交通数据拟合匹配到所述交通区域划分数据中的各子交通区域；
根据匹配到所述各子交通区域的SCATS地感线圈数据、门架***数据和车辆通行轨迹数据，得到各子交通区域交通通行状态数据；根据匹配到所述各子交通区域的气象变化数据、高速公路交通事件数据和车辆基础信息数据，得到各子交通区域通行影响因素数据；
根据所述交通区域关联数据，将各子交通区域的交通通行状态数据和通行影响因素数据进行融合，得到高速公路时空特征。
进一步地，获取高速公路全景交通数据后，还包括对获取的高速公路全景交通数据进行预处理。
进一步地，所述将所述SCATS地感线圈数据和门架***数据均与高速公路路网进行匹配，并对高速公路路网进行双层次路网划分，得到交通区域划分数据和交通区域关联数据，具体包括：
提取高速公路路网数据，对高速公路路网进行拓扑检查，形成完善的高速公路路网数据；
将SCATS地感线圈位置信息和门架***位置信息在完善的高速公路路网数据上进行标记，得到基于门架***的第一层大尺度区域划分和基于SCATS地感线圈的第二层小尺度区域划分，即得到交通区域划分数据；
基于双层次路网划分，根据第一层大尺度区域和第二层小尺度区域间的完全包含或部分包含及高速出入口节点影响因素，建立双层次路网映射关系，得到交通区域关联数据。
进一步地，所述根据所述门架***数据和高速出入口记录数据，得到基于空间序列模型的车辆通行轨迹数据，具体为：
根据所述门架***数据和高速出入口记录数据，采用集合运算和关系运算方法得到基于空间序列模型的车辆通行轨迹数据；
所述根据所述高速公路沿线气象数据，得到基于时态栅格模型的气象变化数据，具体为：
根据所述高速公路沿线气象数据，采用集合运算和关系运算方法得到基于时态栅格模型的气象变化数据；
所述根据所述车辆基础信息数据，得到基于基态修正模型的车辆信息数据，具体为：
根据所述车辆基础信息数据，采用集合运算和关系运算方法得到基于基态修正模型的车辆信息数据。
进一步地，所述将所述车辆通行轨迹数据、气象变化数据、车辆信息数据和高速公路全景交通数据拟合匹配到所述交通区域划分数据中的各子交通区域，具体包括：
提取所述车辆通行轨迹数据、气象变化数据、车辆信息数据和所述高速公路全景交通数据中的位置信息以及时空序列关系信息；
将交通区域划分数据中的位置信息以及时空序列关系信息分别与提取的车辆通行轨迹数据、气象变化数据、车辆信息数据和所述高速公路全景交通数据中的位置信息以及时空序列关系信息进行对比，完成拟合匹配。
进一步地，所述根据匹配到所述各子交通区域的SCATS地感线圈数据、门架***数据和车辆通行轨迹数据，得到各子交通区域交通通行状态数据，具体包括：
根据对应子交通区域内SCATS地感线圈的记录数据，运算得到各个SCATS地感线圈在各个时段内的交通饱和度数据和时间占有率数据；
根据门架***数据中的瞬时速度及瞬时速度对应的时间，运算得到车辆在各个路段的平均速度及通过各个门架***的所有车辆的平均速度；
根据车辆通行轨迹数据，运算得到对应子交通区域内各个时段的行驶车辆数。
进一步地，所述根据匹配到所述各子交通区域的气象变化数据、高速公路交通事件数据和车辆基础信息数据，得到各子交通区域通行影响因素数据，具体包括：
根据对应子交通区域内气象变化数据，得到气象因素交通影响等级；
根据对应子交通区域内行驶车辆数及车辆基础信息数据得到对应车辆信息数据，根据对应车辆信息数据，运算得到车辆因素交通影响等级；
根据对应子交通区域内高速公路交通事件，得到交通事件因素交通影响等级。
进一步地，所述根据所述交通区域关联数据，将各子交通区域的交通通行状态数据和通行影响因素数据进行融合，得到高速公路时空特征，具体包括：
对各关联子交通区域的交通通行状态数据和通行影响因素数据进行组合、归纳和演绎，得到高速公路时空特征。
一种高速公路时空特征的多源数据融合装置，包括：
数据获取模块，用于获取高速公路全景交通数据，所述高速公路全景交通数据包括SCATS地感线圈数据、门架***数据、高速出入口记录数据、高速公路沿线气象数据、高速公路交通事件数据和车辆基础信息数据；
第一处理模块，用于将所述SCATS地感线圈数据和门架***数据均与高速公路路网进行匹配，并对高速公路路网进行双层次路网划分，得到交通区域划分数据和交通区域关联数据；
第二处理模块，用于根据所述门架***数据和高速出入口记录数据，得到基于空间序列模型的车辆通行轨迹数据；根据所述高速公路沿线气象数据，得到基于时态栅格模型的气象变化数据；根据所述车辆基础信息数据，得到基于基态修正模型的车辆信息数据；
拟合匹配模块，用于将所述车辆通行轨迹数据、气象变化数据、车辆信息数据和高速公路全景交通数据拟合匹配到所述交通区域划分数据中的各子交通区域；
第三处理模块，用于根据匹配到所述各子交通区域的SCATS地感线圈数据、门架***数据和车辆通行轨迹数据，得到各子交通区域交通通行状态数据；根据匹配到所述各子交通区域的气象变化数据、高速公路交通事件数据和车辆基础信息数据，得到各子交通区域通行影响因素数据；
第四处理模块，用于根据所述交通区域关联数据，将各子交通区域的交通通行状态数据和通行影响因素数据进行融合，得到高速公路时空特征。
一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述一种高速公路时空特征的多源数据融合方法的步骤。
与现有技术相比，本发明至少具有以下有益效果：
1.可对高速公路路网进行双层次路网划分，高效获取交通区域划分数据和交通区域关联数据，为高速公路全景交通数据包含的多类不同来源数据建立可靠的关联关系划分依据，为后续时空特征分析、数据融合提供支持。
2.可对高速公路全景交通数据进行时空特征提取，针对不同来源不同类型数据的特征与表现形式采用不同的时空数据模型进行处理，获得高速公路全景交通数据的时间序列和空间序列结构化信息，保留数据时空特征的同时实现高效数据分析。
3.可对高速公路全景交通数据所含六类数据进行拟合匹配，基于路网拓扑结构将数据拟合到对应的子交通区域，有效匹配不同来源、不同尺度、不同精度与细节的多源数据，提高数据融合效率。
4.可对SCATS地感线圈数据、门架***数据和车辆通行轨迹数据进行数据融合，解决了单一数据源存在较大空白盲区路段，或由于数据模糊性导致不确定因素较多的问题，得到各子交通区域交通通行状态数据，提高数据可靠性，从效率角度描述高速公路时空特征。
5.可对交通区域通行影响因素进行分析，综合考虑气象变化数据、高速公路交通事件数据和车辆基础信息数据，从安全角度描述高速公路时空特征。
6.本发明可对多源异构的高速公路全景交通数据进行数据融合，从多角度表示高速公路交通运行时间和空间范围内的效率与安全状况，以此提供完善的通行状态数据分析与预测决策支持能力。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式中的技术方案，下面将对具体实施方式描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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的附图。
图1为本发明一种高速公路时空特征的多源数据融合方法示意图；
图2为高速公路双层次路网划分示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，作为本发明的某一具体实施方式，一种高速公路时空特征的多源数据融合方法，具体包括以下步骤：
步骤1、获取高速公路全景交通数据，优选的，获取高速公路全景交通数据后，对获取的高速公路全景交通数据进行预处理；高速公路全景交通数据包括SCATS地感线圈数据、门架***数据、高速出入口记录数据、高速公路沿线气象数据、高速公路交通事件数据和车辆基础信息数据。
具体地说，SCATS地感线圈数据包括：数据采集时间、采集周期、线圈编号、线圈位置、通过记录。
具体地说，门架***数据包括：门架***基础数据与门架***记录数据，其中门架***基础数据包含设备编号、设备位置、设备朝向、设备监控车道、设备类型；门架***记录数据包含记录编号、记录类型、记录时间、记录方向、通行方向、车牌号、车牌颜色、车辆类型、经过车道、设备编号、瞬时速度。
具体地说，高速出入口记录数据包括：车牌号、进入入口、进入时间、离开出口、离开时间、车辆类型、载重情况、行驶方向。
具体地说，高速公路沿线气象数据包括：记录编号、记录时间戳、记录日期、记录时段、记录地点编号、记录地点坐标、天气类别、气温、风速、时段降雨量、能见度。
具体地说，高速公路交通事件数据包括：记录编号、事件类型、事件起始时间、预计结束时间、事件地点。
具体地说，车辆基础信息数据包括：车辆编号、车牌号、车牌颜色、车辆类型、车辆颜色、事故记录、载重能力。
具体地说，对获取的高速公路全景交通数据进行预处理包括：
步骤1.1、对获取的高速公路全景交通数据进行数据清洗，通过数据去噪清除垃圾数据、消除异常值，通过数据填充填补缺失数据；
步骤1.2、通过数据标准化转换统一量纲与数据格式，消除数据结构差异，得到高质量标准化的高速公路全景交通数据。
步骤2、将SCATS地感线圈数据和门架***数据均与高速公路路网进行匹配，并对高速公路路网进行双层次路网划分，得到交通区域划分数据和交通区域关联数据，具体如下：
步骤2.1、提取高速公路路网数据，对高速公路路网进行拓扑检查，拓扑检查的内容包括不能有重叠、不能有悬挂点以及不能相交，最终形成完善的高速公路路网数据；
步骤2.2、将SCATS地感线圈位置信息和门架***位置信息在完善的高速公路路网数据上进行标记，得到基于门架***的第一层大尺度区域划分和基于SCATS地感线圈的第二层小尺度区域划分，即得到交通区域划分数据；
步骤2.3、基于双层次路网划分，根据第一层大尺度区域和第二层小尺度区域间的完全包含或部分包含及高速出入口节点影响因素，建立双层次路网映射关系，得到交通区域关联数据。
步骤3、采用集合运算和关系运算方法，根据门架***数据和高速出入口记录数据，得到基于空间序列模型的车辆通行轨迹数据；根据高速公路沿线气象数据，得到基于时态栅格模型的气象变化数据；根据车辆基础信息数据，得到基于基态修正模型的车辆信息数据。
具体地说，集合运算包括：
并(Union)：例如门架***对同一车辆的两条记录R与S具有相同的N组属性，则将两条记录合并的操作为并运算，记作R∪S；
差(Difference)：例如在某一时刻发生改变前后的两条车辆基础信息数据R与S具有相同的N组属性，则由新值S减去旧值R得出车辆基础信息变动值的操作为差运算，记作：R－S；
交(Intersection Referential integrity)：例如某一路段同时处于相邻的两处自动气象站监测范围内，两处自动气象站记录的两组高速公路沿线气象数据R与S具有相同的N组属性，则由R与S两组数据交集得出该路段高速公路沿线气象数据的操作为交运算，记作：R∩S。
具体地说，关系运算包括：
选择(Selection)：指在一组或多组数据中选择满足给定条件的数据条目，例如在所有SCATS地感线圈数据中选出某一地感线圈记录的数据；
投影(Projection)：指将一组或多组数据中一部分属性列摘出组成新的数据，例如自一组高速公路沿线气象数据提取能见度数据与记录时间数据进行相关分析；
连接(Join)：包括自然连接，外连接，半连接，指从两组或多组数据中选取属性满足一定条件的属性，通过一定规则如等值连接、自然连接进行比较运算建立起多组数据间的关系，例如通过车牌号与记录时间这两条属性，将门架***数据和高速出入口记录数据经行连接运算得出车辆通行轨迹数据。
具体地说，根据门架***数据和高速出入口记录数据，采用集合运算和关系运算方法得到基于空间序列模型的车辆通行轨迹数据，其步骤包括：
逐条读取高速出入口记录数据，依照其车牌号、入口信息、出口信息、进入时间、离开时间作为限制条件，进而检索门架***数据，得到所有在上述限制条件规定的路段内、在上述限制条件规定的时段内某一车辆从进入高速到离开道路的完整行车轨迹，得到基于空间序列模型的车辆通行轨迹数据。
根据高速公路沿线气象数据，采用集合运算和关系运算方法得到基于时态栅格模型的气象变化数据，其步骤包括：
逐条读取高速公路沿线气象数据，依照其记录时间、纪录地点作为限制与区分条件，依据上述限制条件将地区气象信息数据库中的信息分组归类，将对应的每组数据整合，以每天每一监测点的所有数据记录归纳整合为一条高度有序的高速公路沿线气象数据，得到基于时态栅格模型的气象变化数据。
根据车辆基础信息数据，采用集合运算和关系运算方法得到基于基态修正模型的车辆信息数据，其步骤包括：
逐条读取车辆基础信息数据，再将其中的车辆信息变更数据对应的变更值依照变更类型修改添加在相应的车辆基础信息数据属性位置，就此完成针对一条车辆信息变更数据的车辆基础信息数据修改，得到基于基态修正模型的车辆信息数据。
步骤4、将车辆通行轨迹数据、气象变化数据、车辆信息数据和高速公路全景交通数据拟合匹配到交通区域划分数据中的各子交通区域，具体如下：
步骤4.1、提取车辆通行轨迹数据、气象变化数据、车辆信息数据和高速公路全景交通数据中的位置信息以及时空序列关系信息；
步骤4.2、将交通区域划分数据中的位置信息以及时空序列关系信息分别与提取的车辆通行轨迹数据、气象变化数据、车辆信息数据和高速公路全景交通数据中的位置信息以及时空序列关系信息进行对比，完成拟合匹配；
步骤5、根据匹配到各子交通区域的SCATS地感线圈数据、门架***数据和车辆通行轨迹数据，得到各子交通区域交通通行状态数据；根据匹配到各子交通区域的气象变化数据、高速公路交通事件数据和车辆基础信息数据，得到各子交通区域通行影响因素数据。
具体地说，根据匹配到各子交通区域的SCATS地感线圈数据、门架***数据和车辆通行轨迹数据，得到各子交通区域交通通行状态数据，具体包括：
根据对应子交通区域内SCATS地感线圈的记录数据，运算得到各个SCATS地感线圈在各个时段内的交通饱和度数据和时间占有率数据，其中：
根据SCATS地感线圈数据中的记录集Nx＝{n1,n2,n3…},其中Nx代表第x个线圈记录的数据集，ny代表一辆车经过线圈时产生的单条记录，包含有车辆经过时间ty，通过时间限制对Nx包含的元素进行筛选，得出一定时间内通过该线圈的，另查询获取该线圈对应路段最大设计通行能力C，根据道路交通饱和度计算公式分别进行计算，可得各个线圈在各个时段内的交通饱和度数据；
同理，提取出时段T之内某一线圈记录的车辆经过时间ty及车辆数N，依照时间占有率公式分别进行计算，可得各个线圈在各个时段内的时间占有率数据；
根据门架***数据中的瞬时速度及瞬时速度对应的时间，运算得到车辆在各个路段的平均速度及通过各个门架***的所有车辆的平均速度，其中：
根据门架***数据中的瞬时速度记录Vxy及记录时间Txy(分别为车辆y在第x号门架产生的记录)及门架位置数据Px，可得出车辆在某一路段的平均速度及通过某一门架的所有车辆平均速度/>
根据车辆通行轨迹数据，运算得到对应子交通区域内各个时段的行驶车辆数。
具体地说，根据匹配到各子交通区域的气象变化数据、高速公路交通事件数据和车辆基础信息数据，得到各子交通区域通行影响因素数据，具体包括：
根据对应子交通区域内气象变化数据，得到气象因素交通影响等级；
根据对应子交通区域内行驶车辆数及车辆基础信息数据得到对应车辆信息数据，根据对应车辆信息数据，运算得到车辆因素交通影响等级；
根据对应子交通区域内高速公路交通事件，得到交通事件因素交通影响等级。
步骤6、根据交通区域关联数据，将各子交通区域的交通通行状态数据和通行影响因素数据进行融合，得到高速公路时空特征，具体如下：
建立高速公路交通状态评判对象因素集U＝[V,T,P,D1,D2]，其中V为车辆平均通行速度，T为车辆平均通行时间，P为路段单位时间内通行车辆数，D1为车辆特征因素相关影响指标，D2为环境特征因素相关影响指标；
建立二维高速公路交通状态评判结果集：A＝[F,L]，其中F＝[f1,f2,f3,f4,f5]为交通状态；L＝[l1,l2,l3,l4]为风险等级。根据我国公路各级服务水平的交通流状态划分标准,在本发明中将高速公路的交通状态与风险等级分别划分为五类，f1、f2、f3、f4、f5分别对应了畅通、较畅通、较拥挤、拥挤和拥堵这五类交通状态；l1、l2、l3、l4分别对应无风险、低风险、中风险、高风险四级预警水平；
对各关联子交通区域的交通通行状态数据和通行影响因素数据进行组合、归纳和演绎，采用归一化算法将其转化为特征指标，带入高速公路交通状态评判对象因素集与二维高速公路交通状态评判结果集，得到高速公路时空特征数据。
一种高速公路时空特征的多源数据融合装置，包括：
数据获取模块，用于获取高速公路全景交通数据，高速公路全景交通数据包括SCATS地感线圈数据、门架***数据、高速出入口记录数据、高速公路沿线气象数据、高速公路交通事件数据和车辆基础信息数据；
第一处理模块，用于将SCATS地感线圈数据和门架***数据均与高速公路路网进行匹配，并对高速公路路网进行双层次路网划分，得到交通区域划分数据和交通区域关联数据；
第二处理模块，用于根据门架***数据和高速出入口记录数据，得到基于空间序列模型的车辆通行轨迹数据；根据高速公路沿线气象数据，得到基于时态栅格模型的气象变化数据；根据车辆基础信息数据，得到基于基态修正模型的车辆信息数据；
拟合匹配模块，用于将车辆通行轨迹数据、气象变化数据、车辆信息数据和高速公路全景交通数据拟合匹配到交通区域划分数据中的各子交通区域；
第三处理模块，用于根据匹配到各子交通区域的SCATS地感线圈数据、门架***数据和车辆通行轨迹数据，得到各子交通区域交通通行状态数据；根据匹配到各子交通区域的气象变化数据、高速公路交通事件数据和车辆基础信息数据，得到各子交通区域通行影响因素数据；
第四处理模块，用于根据交通区域关联数据，将各子交通区域的交通通行状态数据和通行影响因素数据进行融合，得到高速公路时空特征。
本发明在一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，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，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于一种高速公路时空特征的多源数据融合方法的操作。
本发明在一个实施例中，一种高速公路时空特征的多源数据融合方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。
所述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种高速公路时空特征的多源数据融合方法，其特征在于，包括：
获取高速公路全景交通数据，所述高速公路全景交通数据包括SCATS地感线圈数据、门架***数据、高速出入口记录数据、高速公路沿线气象数据、高速公路交通事件数据和车辆基础信息数据；
将所述SCATS地感线圈数据和门架***数据均与高速公路路网进行匹配，并对高速公路路网进行双层次路网划分，得到交通区域划分数据和交通区域关联数据；
根据所述门架***数据和高速出入口记录数据，得到基于空间序列模型的车辆通行轨迹数据；根据所述高速公路沿线气象数据，得到基于时态栅格模型的气象变化数据；根据所述车辆基础信息数据，得到基于基态修正模型的车辆信息数据；
将所述车辆通行轨迹数据、气象变化数据、车辆信息数据和高速公路全景交通数据拟合匹配到所述交通区域划分数据中的各子交通区域；
根据匹配到所述各子交通区域的SCATS地感线圈数据、门架***数据和车辆通行轨迹数据，得到各子交通区域交通通行状态数据；根据匹配到所述各子交通区域的气象变化数据、高速公路交通事件数据和车辆基础信息数据，得到各子交通区域通行影响因素数据；
根据所述交通区域关联数据，将各子交通区域的交通通行状态数据和通行影响因素数据进行融合，得到高速公路时空特征。
2.根据权利要求1所述的一种高速公路时空特征的多源数据融合方法，其特征在于，获取高速公路全景交通数据后，还包括对获取的高速公路全景交通数据进行预处理。
3.根据权利要求1所述的一种高速公路时空特征的多源数据融合方法，其特征在于，所述将所述SCATS地感线圈数据和门架***数据均与高速公路路网进行匹配，并对高速公路路网进行双层次路网划分，得到交通区域划分数据和交通区域关联数据，具体包括：
提取高速公路路网数据，对高速公路路网进行拓扑检查，形成完善的高速公路路网数据；
将SCATS地感线圈位置信息和门架***位置信息在完善的高速公路路网数据上进行标记，得到基于门架***的第一层大尺度区域划分和基于SCATS地感线圈的第二层小尺度区域划分，即得到交通区域划分数据；
基于双层次路网划分，根据第一层大尺度区域和第二层小尺度区域间的完全包含或部分包含及高速出入口节点影响因素，建立双层次路网映射关系，得到交通区域关联数据。
4.根据权利要求1所述的一种高速公路时空特征的多源数据融合方法，其特征在于，所述根据所述门架***数据和高速出入口记录数据，得到基于空间序列模型的车辆通行轨迹数据，具体为：
根据所述门架***数据和高速出入口记录数据，采用集合运算和关系运算方法得到基于空间序列模型的车辆通行轨迹数据；
所述根据所述高速公路沿线气象数据，得到基于时态栅格模型的气象变化数据，具体为：
根据所述高速公路沿线气象数据，采用集合运算和关系运算方法得到基于时态栅格模型的气象变化数据；
所述根据所述车辆基础信息数据，得到基于基态修正模型的车辆信息数据，具体为：
根据所述车辆基础信息数据，采用集合运算和关系运算方法得到基于基态修正模型的车辆信息数据。
5.根据权利要求1所述的一种高速公路时空特征的多源数据融合方法，其特征在于，所述将所述车辆通行轨迹数据、气象变化数据、车辆信息数据和高速公路全景交通数据拟合匹配到所述交通区域划分数据中的各子交通区域，具体包括：
提取所述车辆通行轨迹数据、气象变化数据、车辆信息数据和所述高速公路全景交通数据中的位置信息以及时空序列关系信息；
将交通区域划分数据中的位置信息以及时空序列关系信息分别与提取的车辆通行轨迹数据、气象变化数据、车辆信息数据和所述高速公路全景交通数据中的位置信息以及时空序列关系信息进行对比，完成拟合匹配。
6.根据权利要求1所述的一种高速公路时空特征的多源数据融合方法，其特征在于，所述根据匹配到所述各子交通区域的SCATS地感线圈数据、门架***数据和车辆通行轨迹数据，得到各子交通区域交通通行状态数据，具体包括：
根据对应子交通区域内SCATS地感线圈的记录数据，运算得到各个SCATS地感线圈在各个时段内的交通饱和度数据和时间占有率数据；
根据门架***数据中的瞬时速度及瞬时速度对应的时间，运算得到车辆在各个路段的平均速度及通过各个门架***的所有车辆的平均速度；
根据车辆通行轨迹数据，运算得到对应子交通区域内各个时段的行驶车辆数。
7.根据权利要求6所述的一种高速公路时空特征的多源数据融合方法，其特征在于，所述根据匹配到所述各子交通区域的气象变化数据、高速公路交通事件数据和车辆基础信息数据，得到各子交通区域通行影响因素数据，具体包括：
根据对应子交通区域内气象变化数据，得到气象因素交通影响等级；
根据对应子交通区域内行驶车辆数及车辆基础信息数据得到对应车辆信息数据，根据对应车辆信息数据，运算得到车辆因素交通影响等级；
根据对应子交通区域内高速公路交通事件，得到交通事件因素交通影响等级。
8.根据权利要求1所述的一种高速公路时空特征的多源数据融合方法，其特征在于，所述根据所述交通区域关联数据，将各子交通区域的交通通行状态数据和通行影响因素数据进行融合，得到高速公路时空特征，具体包括：
对各关联子交通区域的交通通行状态数据和通行影响因素数据进行组合、归纳和演绎，得到高速公路时空特征。
9.一种高速公路时空特征的多源数据融合装置，其特征在于，包括：
数据获取模块，用于获取高速公路全景交通数据，所述高速公路全景交通数据包括SCATS地感线圈数据、门架***数据、高速出入口记录数据、高速公路沿线气象数据、高速公路交通事件数据和车辆基础信息数据；
第一处理模块，用于将所述SCATS地感线圈数据和门架***数据均与高速公路路网进行匹配，并对高速公路路网进行双层次路网划分，得到交通区域划分数据和交通区域关联数据；
第二处理模块，用于根据所述门架***数据和高速出入口记录数据，得到基于空间序列模型的车辆通行轨迹数据；根据所述高速公路沿线气象数据，得到基于时态栅格模型的气象变化数据；根据所述车辆基础信息数据，得到基于基态修正模型的车辆信息数据；
拟合匹配模块，用于将所述车辆通行轨迹数据、气象变化数据、车辆信息数据和高速公路全景交通数据拟合匹配到所述交通区域划分数据中的各子交通区域；
第三处理模块，用于根据匹配到所述各子交通区域的SCATS地感线圈数据、门架***数据和车辆通行轨迹数据，得到各子交通区域交通通行状态数据；根据匹配到所述各子交通区域的气象变化数据、高速公路交通事件数据和车辆基础信息数据，得到各子交通区域通行影响因素数据；
第四处理模块，用于根据所述交通区域关联数据，将各子交通区域的交通通行状态数据和通行影响因素数据进行融合，得到高速公路时空特征。
10.一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述一种高速公路时空特征的多源数据融合方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111518366.4A CN114267173B (zh) | 2021-12-13 | 2021-12-13 | 高速公路时空特征的多源数据融合方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111518366.4A CN114267173B (zh) | 2021-12-13 | 2021-12-13 | 高速公路时空特征的多源数据融合方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114267173A CN114267173A (zh) | 2022-04-01 |
| CN114267173B true CN114267173B (zh) | 2023-08-18 |
Family
ID=80827023
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111518366.4A Active CN114267173B (zh) | 2021-12-13 | 2021-12-13 | 高速公路时空特征的多源数据融合方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114267173B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114783194A (zh) * | 2022-04-02 | 2022-07-22 | 贵州汇联通电子商务服务有限公司 | 一种基于高速龙门架获取断面流量的方法与*** |
| CN115186781B (zh) * | 2022-09-14 | 2022-11-22 | 南京感动科技有限公司 | 一种多来源路侧交通观测数据的实时融合方法 |
| CN117912253A (zh) * | 2024-01-31 | 2024-04-19 | 广州云玥科技有限公司 | 一种城市交通数据库信息采集方法和*** |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102231231A (zh) * | 2011-06-16 | 2011-11-02 | 同济大学 | 区域公路网交通安全态势预警***及其方法 |
| CN102779410A (zh) * | 2012-07-19 | 2012-11-14 | 杭州师范大学 | 一种多源异类海量交通数据融合的并行实现方法 |
| CN106781457A (zh) * | 2016-11-29 | 2017-05-31 | 东南大学 | 一种基于多源融合数据的高速公路交通流参数修正方法 |
| CN110211380A (zh) * | 2019-06-04 | 2019-09-06 | 武汉大学 | 一种多源交通数据融合的高速公路拥堵区间探测方法 |
| AU2020100946A4 (en) * | 2019-10-18 | 2020-07-16 | Chang'an University | Multi-source traffic information sensing roadside device for smart highway |
| CN111582130A (zh) * | 2020-04-30 | 2020-08-25 | 长安大学 | 一种基于多源异构信息的交通行为感知融合***及方法 |
| CN111583675A (zh) * | 2020-05-14 | 2020-08-25 | 吴钢 | 一种区域路网交通信号灯协调控制***和方法 |
| CN111862655A (zh) * | 2020-05-27 | 2020-10-30 | 南京美慧软件有限公司 | 一种智能高速公路网交通设施***及控制方法 |
| CN112512020A (zh) * | 2020-11-20 | 2021-03-16 | 北京中交国通智能交通***技术有限公司 | 一种基于多源数据融合的交通状态弱信号感知研判方法 |
| CN113269960A (zh) * | 2021-05-17 | 2021-08-17 | 郑州航空工业管理学院 | 一种高速公路隧道***通事故风险的分析方法 |
| CN113538898A (zh) * | 2021-06-04 | 2021-10-22 | 南京美慧软件有限公司 | 一种基于多源数据的高速公路拥堵管控*** |
| CN113781767A (zh) * | 2021-08-05 | 2021-12-10 | 浙江省机电设计研究院有限公司 | 一种基于多源感知的交通数据融合方法及*** |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113554869B (zh) * | 2021-07-01 | 2022-04-05 | 华东师范大学 | 一种基于多特征融合的道路封闭检测方法 |
| CN113724504B (zh) * | 2021-08-06 | 2023-04-07 | 之江实验室 | 一种面向车辆轨迹大数据的城市区域流量预测***及方法 |
-
2021
- 2021-12-13 CN CN202111518366.4A patent/CN114267173B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102231231A (zh) * | 2011-06-16 | 2011-11-02 | 同济大学 | 区域公路网交通安全态势预警***及其方法 |
| CN102779410A (zh) * | 2012-07-19 | 2012-11-14 | 杭州师范大学 | 一种多源异类海量交通数据融合的并行实现方法 |
| CN106781457A (zh) * | 2016-11-29 | 2017-05-31 | 东南大学 | 一种基于多源融合数据的高速公路交通流参数修正方法 |
| CN110211380A (zh) * | 2019-06-04 | 2019-09-06 | 武汉大学 | 一种多源交通数据融合的高速公路拥堵区间探测方法 |
| AU2020100946A4 (en) * | 2019-10-18 | 2020-07-16 | Chang'an University | Multi-source traffic information sensing roadside device for smart highway |
| CN111582130A (zh) * | 2020-04-30 | 2020-08-25 | 长安大学 | 一种基于多源异构信息的交通行为感知融合***及方法 |
| CN111583675A (zh) * | 2020-05-14 | 2020-08-25 | 吴钢 | 一种区域路网交通信号灯协调控制***和方法 |
| CN111862655A (zh) * | 2020-05-27 | 2020-10-30 | 南京美慧软件有限公司 | 一种智能高速公路网交通设施***及控制方法 |
| CN112512020A (zh) * | 2020-11-20 | 2021-03-16 | 北京中交国通智能交通***技术有限公司 | 一种基于多源数据融合的交通状态弱信号感知研判方法 |
| CN113269960A (zh) * | 2021-05-17 | 2021-08-17 | 郑州航空工业管理学院 | 一种高速公路隧道***通事故风险的分析方法 |
| CN113538898A (zh) * | 2021-06-04 | 2021-10-22 | 南京美慧软件有限公司 | 一种基于多源数据的高速公路拥堵管控*** |
| CN113781767A (zh) * | 2021-08-05 | 2021-12-10 | 浙江省机电设计研究院有限公司 | 一种基于多源感知的交通数据融合方法及*** |
Non-Patent Citations (1)
| Title |
|---|
| 考虑特定OD分布形态的路网容量双层规划模型;张晓婷;吴兵;;交通运输工程与信息学报(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114267173A (zh) | 2022-04-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114267173B (zh) | 高速公路时空特征的多源数据融合方法、装置及设备 | |
| CN103971523B (zh) | 一种山区道路交通安全动态预警*** | |
| Fang et al. | FTPG: A fine-grained traffic prediction method with graph attention network using big trace data | |
| CN106856049B (zh) | 基于卡口号牌识别数据的关键交叉口需求集聚分析方法 | |
| CN109523786A (zh) | 一种高速公路交通事故成因分析方法 | |
| CN103839409A (zh) | 基于多断面视觉传感聚类分析的交通流状态判别方法 | |
| CN113963539B (zh) | 高速公路交通事故识别方法、模块及*** | |
| Ansariyar et al. | Statistical analysis of vehicle-vehicle conflicts with a LIDAR sensor in a signalized intersection. | |
| Meng et al. | Expressway crash prediction based on traffic big data | |
| CN113868492A (zh) | 一种基于电警、卡口数据的可视化od分析方法及应用 | |
| US20220319323A1 (en) | Method for identifying road risk based on networked vehicle-mounted adas | |
| Wang et al. | ARIMA Model and Few‐Shot Learning for Vehicle Speed Time Series Analysis and Prediction | |
| Prontri et al. | Traffic signal control using fuzzy logic | |
| Zong et al. | Bus-Car Mode Identification: Traffic Condition–Based Random-Forests Method | |
| Pandey et al. | Assessment of Level of Service on urban roads: a revisit to past studies. | |
| CN112185120A (zh) | 一种基于电子车牌数据的通勤私家车识别方法 | |
| Katariya et al. | A pov-based highway vehicle trajectory dataset and prediction architecture | |
| CN116259173A (zh) | 一种基于d-s证据理论的多检测方式交通事件融合方法 | |
| CN105118289A (zh) | 一种交通态势评估方法 | |
| Huang | SVM‐Based Real‐Time Identification Model of Dangerous Traffic Stream State | |
| Zhang et al. | Modeling lane-change risk in urban expressway off-ramp area based on naturalistic driving data | |
| CN117273964B (zh) | 一种自适应行驶数据的智能车险策略生成***及方法 | |
| Ge et al. | Research on characteristics and trends of traffic flow based on mixed velocity method and background difference method | |
| Anik et al. | Prediction of Crash Injury Severity in Florida's Interstate-95 | |
| Patil et al. | Infrastructure Camera Video Data Processing of Traffic at Roundabouts |
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 |