CN114639240B - 基于先进先出规则异常侦测的车辆有效行程时间提取方法 - Google Patents

基于先进先出规则异常侦测的车辆有效行程时间提取方法 Download PDF

Info

Publication number
CN114639240B
CN114639240B CN202210186268.3A CN202210186268A CN114639240B CN 114639240 B CN114639240 B CN 114639240B CN 202210186268 A CN202210186268 A CN 202210186268A CN 114639240 B CN114639240 B CN 114639240B
Authority
CN
China
Prior art keywords
sequence
upstream
time
intersection
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.)
Active
Application number
CN202210186268.3A
Other languages
English (en)
Other versions
CN114639240A (zh
Inventor
申浩亮
安成川
夏井新
陆振波
贺洋
孙琳
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN202210186268.3A priority Critical patent/CN114639240B/zh
Publication of CN114639240A publication Critical patent/CN114639240A/zh
Application granted granted Critical
Publication of CN114639240B publication Critical patent/CN114639240B/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
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于先进先出规则异常侦测的车辆有效行程时间提取方法，步骤为：1、获取路网路口卡口式电子警察检测到的号牌数据，进行上下游号牌匹配；2、筛选出完整通过路段的号牌数据；3、按照车流到达下游交叉口次序，提取车辆通过上游交叉口时的时间戳序列；4、利用车辆先进先出规则，筛检时间戳序列中的异常值，并重新生成符合先进先出规则的时间戳序列；5、将号牌数据与新生成的时间戳序列匹配，计算序列中包含车辆的行程时间值，得到车辆有效路段行程时间。本发明提升了车辆行程时间预处理的科学性和准确性。

Description

基于先进先出规则异常侦测的车辆有效行程时间提取方法
技术领域
本发明属于智能交通技术领域。
背景技术
可靠的行程时间是反映城市交通运行状态的重要指标，可用来估计交叉口延误和排队长度，指导信号控制优化，揭示间断流运行规律，识别城市道路拥堵区域，为交通管理决策方案和效果评价提供数据支撑。近年来交通信息采集技术和设备覆盖率迅速发展，以浮动车技术、蓝牙技术、自动车牌识别技术和自动车辆识别技术为代表的行程信息采集技术极大丰富了行程时间获取渠道。利用自动车牌识别技术可以记录车辆的在不同交叉口断面的行驶信息，并以其连续性和大样本记录的优点，使号牌数据成为获取高质量路段行程时间的观测值的常用数据源。然而由于车辆在路段中可能存在临时停车、绕行、超速等不能反映交通流运行特征的驾驶行为，且路段中出入口会较为显著影响车辆运行速度，被检测车辆行程时间中存在不能反应车流中大多数车辆在路段运行特性的异常值，准确地从号牌数据进行行程时间有效性预处理具有十分重要的研究意义。
现有的车辆行程时间预处理方法大致可分为：(1)绝对阈值法，根据路段物理或交通管制限制设置行程时间的上下限值；(2)分位值法，在特定的统计时间窗内，保留距离样本中央一定距离范围内的行程时间值。绝对阈值法的上下限值设置主观性较强，在剔除过大或过小较为明显的行程时间错误时效果较好；分位值法能适应不同交通流大小的行程时间差异性，但仅通过比例剔除区间外数据的手段不易捕捉行程时间的全部统计分布。以上两种方法的本质都是通过设置阈值，去除区间外离群数据，虽从结果上达到了一定剔除异常驾驶行为下的行程时间的效果，但同时可能遗失部分离群的有效行程时间，不能完全反映交通流运行特征。此外，设置阈值的方法依赖一定的交通管控经验，其提取结果缺乏科学性和可信性。
发明内容
发明目的：为了解决上述现有技术存在的问题，本发明提供了一种利用FIFO规则的车辆有效行程时间提取方法。
技术方案：基于先进先出规则异常侦测的车辆有效行程时间提取方法，具体包括如下步骤：
步骤1：获取路网路口的号牌数据，所述号牌数据包括：交叉口编号、车道编号、日期、车牌号码、交叉口检测时间和路段编号；根据获取数据的设备和交叉口对照表，在号牌数据中增加上下游交叉口编号；对经过路网路口的车牌号码匹配号牌数据，每个车牌号码匹配一条号牌数据，得到数据集m1；
步骤2：针对数据集m1中任意一条车道，在数据集m1中筛选出完整通过该车道上下游交叉口的车牌号码，以及对应的号牌数据，得到数据集m2；
步骤3：将m2中的数据按照下游交叉口的检测时间进行升序排序；在排序后的m2中提取出上游交叉口检测时间和上游交叉口检测时间对应的车牌号码，得到上游时间戳序列l1；
步骤4：基于序列l1，使用最长递增子序列算法生成符合FIFO规则的上游时间戳依次增长的最长递增序列l2，将l1中剩余的上游时间戳，以及剩余的上游时间戳对应的号牌数据作为异常数据；
步骤5：基于最长递增序列l2，在m2中提取符合FIFO规则的号牌数据，计算车辆的行程时间，将该行程时间作为有效行程时间。
进一步的，所述步骤2中完整通过某车道上下游交叉口的车牌号码符合如下条件：
车辆在车道的上下游交叉口检测时间非空，且上下游交叉口检测时间间隔Δt小于等于预设的时间阈值。
进一步的，所述步骤3具体为：
S31将数据集m2中的号牌数据按下游交叉口检测时间重新排序：把数据集m2中每个上下游交叉口的检测时间转换为从当天0时开始至相应检测时间的累计秒数，根据下游交叉口的累计秒数，将m2中的数据按照下游交叉口的累计秒数的升序排序；
S32从升序排序后的数据集中，提取上游交叉口检测时间的累计秒数以及对应的车牌号码，得到上游检测时间戳序列l1；将上游交叉口检测时间对应的累计秒数作为过车时间戳。
进一步的，所述步骤4具体为：
S41：以序列l1的第一个过车时间戳作为递增序列的初始过车时间戳；
S42：如果当前过车时间戳j小于递增序列中的最大过车时间戳，则用当前过车时间戳替换递增序列中最大过车时间戳；
否则将当前过车时间戳添加至递增序列中，同时更新递增序列中过车时间戳的数目；
S43：序列l1遍历结束后，得到的递增序列；
S44：基于序列l1，找到递增序列中每个过车时间戳对应的车牌号码，将递增序列中每个过车时间戳以及对应的车牌号码，作为最长递增序列l2。
进一步的，所述步骤5具体为：
S51：在m2中仅保留l2中存在车牌号牌对应的号牌数据；得到号牌数据集m3；
S52，将m3中任意一个车辆在相应的上下游交叉口之间路段的行程时间，作为该车辆符合FIFO规则的有效行程时间。
有益效果：本发明以车道级的驶离车辆号牌数据为输入，利用FIFO规则，筛选出能反映车流路段行进规律的有效行程时间，以一种不需要的设定阈值的方法进行行程时间有效性预处理。本案不需要主观判断成分和路段物理先验信息，减轻了实际行程时间预处理的工作量。此外，本发明以数据驱动的方法提取有效行程时间，能保留一定的离群有效行程时间样本，得到更符合路段交通运行特征的行程时间。
附图说明
图1为本发明流程图。
图2为不合符FIFO规则的行程时间示意图。
图3为使用本发明方法前后行程时间概率分布对比图；其中图(a)为未采用本发明的行程时间概率分布图；图(b)为采用本发明的行程时间概率分布图。
具体实施方式
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
如图1所示本实施例提供了基于先进先出规则异常侦测的车辆有效行程时间提取方法，包括以下步骤：
步骤1：获取路网路口卡口式电子警察检测到的号牌数据，根据卡口式电子警察设备与交叉口对照表，对路段上下游交叉口号牌数据按车牌号码匹配，得到号牌数据集m1；
S11获路网交叉口号牌数据，主要用到的号牌数据字段有交叉口编号、进口道编号、车道编号、日期、检测时间、车牌号码、路段编号，并利用路段编号字段增加上下游交叉口编号字段。
S12对同一车牌号码匹配上下游交叉口，在口号牌数据中增加上游车辆检测时间字段，得到包含车牌号码、下游交叉口检测时间、上游交叉口检测时间字段的号牌数据集m1。号牌数据集m1如表1所示：
表1
Figure BDA0003523578190000041
步骤2：根据号牌数据集m1，筛选出完整通过路段的车辆号牌数据，得到号牌数据集m2；也既选择符合如下条件A的号牌数据对应的车牌号码。
条件A：上下游交叉口检测时间非空，且上下游交叉口检测时间间隔Δt小于等于预设的时间阈值。本实施例中时间阈值为5分钟，号牌数据集m2如表2所示：
表2
Figure BDA0003523578190000042
Figure BDA0003523578190000051
步骤3：号牌数据集m2中提取检测时间信息，以下游检测时间为基准，生成上游检测时间戳序列l1，具体为：将号牌数据集m2按下游检测时间重新排序，把上下游检测时间转换为从当天0时开始至相应检测时刻的累计秒数(例如，苏ENN7*8这条数据的上游检测时间戳是74737153，它表示的时间为7:47:37.153，转化为从0:00:00经过的秒数)，将累计秒数作为后续生成序列l1的序号标签；根据下游交叉口的累计秒数，将m2中的数据按照下游交叉口的累计秒数的升序排序(也既按照车辆到达的次序进行排列)。
排序的号牌数据集m2中，分车道提取上游时间累计秒数字段和车牌号码字段，记为上游检测时间戳序列l1。上游检测时间戳序列l1入表3所示：
表3
时间戳/秒 车牌号码
27999.676 苏ENN7*8
28001.838 苏E88A*W
28002.478 苏E5L1*5
28006.641 苏ES1Z*9
28000.717 苏E55J*5
28008.082 苏EF36*5
28008.482 苏E5H1*8
28013.926 苏E766*E
27996.473 苏EMH2*0
28015.927 苏EN5R*9
步骤4：根据序列l1，使用最长递增子序列算法，生成序列l1中时间戳依次增长(即符合FIFO规则最大车辆数)的最长递增序列l2，剔除异常车辆的时间戳。
S41：以序列l1的首个时间戳为起始，初始的递增序列为首个时间戳，遍历整个序列l1的时间戳，通过二分法搜索，查找当前序列l1中第i个过车时间戳在已有递增序列M中的位置j-1，记作M(j-1)表示递增序列M中第j-1个过车时间戳，该过车时间戳在序列l1为第i个。
S42：储存M(j-1)在序列l1中的位置为P(i)，通过以下条件更新M(j)：
(1)若当前过车时间戳(也既序列l1中第i+1个过车时间戳)，小于已有递增序列中的最大时间戳，则用当前时间戳替换递增序列中最大时间戳，并动态保存当前时间戳在序列l1和l2中的位置；
(2)若当前过车时间戳大于等于已有递增序列中的最大时间戳，则将当前时间戳作为递增序列的最后一位，同时更新递增序列数目为；并动态保存当前时间戳在序列l1和l2中的位置；
S43：遍历结束后，以最长递增序列中的M(L-1)对应的时间戳为起始，根据P(i)＝M(j-1)的关系，依次将序列l1中的P(M(L-1))，P(P(M(L-1)))，P(P(P(M(L-1))))……位置的时间戳拼接(也既从序列的最后一个时间戳为开始一次找到每个时间戳对应在序列l1中的时间戳)，将生成的完整时间戳序列前后倒转，与序列l1匹配得到时间戳序列对应的车牌号码后，记为最长递增序列l2，如表4所示：
表4
时间戳/秒 车牌号码
27999.676 苏ENN7*8
28001.838 苏E88A*W
28002.478 苏E5L1*5
28006.641 苏ES1Z*9
28008.082 苏EF36*5
28008.482 苏E5H1*8
28013.926 苏E766*E
28015.927 苏EN5R*9
步骤5：根据序列l2，与号牌数据集m2匹配，生成符合FIFO规则的号牌数据集m3，在号牌数据集m3计算并提取车辆有效行程时间信息，具体步骤包括：
S51：将号牌数据集m2与序列l2匹配按上游时间戳匹配，仅保留序列l2中对应的号牌数据，生成号牌数据集m3，m3如表5所示：
表5
Figure BDA0003523578190000061
Figure BDA0003523578190000071
S52：根据号牌数据集m3计算每辆车在上下游交叉口过车记录的时间间隔Δt作为有效行程时间，即为符合FIFO(也既先进先出)规则的有效路段行程时间。
不符合FIFO规则的行程时间如图2虚线所示。(剔除车牌为苏E55J*5和苏EMH20*的号牌数据)。
本实施例以某路段早高峰时段的号牌数据在应用本发明前后，车辆行程时间分布直方图对比如图3所示，图3中的(a)为未应用本发明的方法，(b)为采用本发明的方法；由图3可得在进行基于FIFO规则的异常侦测与有效性提取后，行程时间分布峰值明显、偏度降低，且行程时间大于150秒的异常值大大减少。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。

Claims (3)

1.基于先进先出规则异常侦测的车辆有效行程时间提取方法，其特征在于，具体包括如下步骤：
步骤1：获取路网路口的号牌数据，所述号牌数据包括：交叉口编号、车道编号、日期、车牌号码、交叉口检测时间和路段编号；根据获取数据的设备和交叉口对照表，在号牌数据中增加上下游交叉口编号；对经过路网路口的车牌号码匹配号牌数据，每个车牌号码匹配一条号牌数据，得到数据集m1；
步骤2：针对数据集m1中任意一条车道，在数据集m1中筛选出完整通过车道上下游交叉口的车牌号码，以及对应的号牌数据，得到数据集m2；
步骤3：将m2中的数据按照下游交叉口的检测时间进行升序排序；在排序后的m2中提取出上游交叉口检测时间和上游交叉口检测时间对应的车牌号码，得到上游时间戳序列l1；
步骤4：基于序列l1，使用最长递增子序列算法生成符合FIFO规则的上游时间戳依次增长的最长递增序列l2，将l1中剩余的上游时间戳，以及剩余的上游时间戳对应的号牌数据作为异常数据；
步骤5：基于最长递增序列l2，在m2中提取符合FIFO规则的号牌数据，计算车辆的行程时间，将该行程时间作为有效行程时间；
所述步骤3具体为：
S31将数据集m2中的号牌数据按下游交叉口检测时间重新排序：把数据集m2中每个上下游交叉口的检测时间转换为从当天0时开始至相应检测时间的累计秒数，根据下游交叉口的累计秒数，将m2中的数据按照下游交叉口的累计秒数的升序排序；
S32从升序排序后的数据集中，提取上游交叉口检测时间的累计秒数以及对应的车牌号码，得到上游检测时间戳序列l1；将上游交叉口检测时间对应的累计秒数作为过车时间戳；
所述步骤4具体为：
S41：以序列l1的第一个过车时间戳作为递增序列的初始过车时间戳；
S42：如果当前过车时间戳j小于递增序列中的最大过车时间戳，则用当前过车时间戳替换递增序列中最大过车时间戳；
否则将当前过车时间戳添加至递增序列中，同时更新递增序列中过车时间戳的数目；
S43：序列l1遍历结束后，得到的递增序列；
S44：基于序列l1，找到递增序列中每个过车时间戳对应的车牌号码，将递增序列中每个过车时间戳以及对应的车牌号码，作为最长递增序列l2。
2.根据权利要求1所述的基于先进先出规则异常侦测的车辆有效行程时间提取方法，其特征在于，所述步骤2中完整通过某车道上下游交叉口的车牌号码符合如下条件：
车辆在车道的上下游交叉口检测时间非空，且上下游交叉口检测时间间隔Δt小于等于预设的时间阈值。
3.根据权利要求1所述的基于先进先出规则异常侦测的车辆有效行程时间提取方法，其特征在于，所述步骤5具体为：
S51：在m2中仅保留l2中存在车牌号牌对应的号牌数据；得到号牌数据集m3；
S52，将m3中任意一个车辆在相应的上下游交叉口之间路段的行程时间，作为该车辆符合FIFO规则的有效行程时间。
CN202210186268.3A 2022-02-28 2022-02-28 基于先进先出规则异常侦测的车辆有效行程时间提取方法 Active CN114639240B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210186268.3A CN114639240B (zh) 2022-02-28 2022-02-28 基于先进先出规则异常侦测的车辆有效行程时间提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210186268.3A CN114639240B (zh) 2022-02-28 2022-02-28 基于先进先出规则异常侦测的车辆有效行程时间提取方法

Publications (2)

Publication Number Publication Date
CN114639240A CN114639240A (zh) 2022-06-17
CN114639240B true CN114639240B (zh) 2023-03-21

Family

ID=81947710

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210186268.3A Active CN114639240B (zh) 2022-02-28 2022-02-28 基于先进先出规则异常侦测的车辆有效行程时间提取方法

Country Status (1)

Country Link
CN (1) CN114639240B (zh)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101783073B (zh) * 2010-01-07 2012-01-25 同济大学 基于双截面检测器的信号交叉口延误测定方法
CN105046959B (zh) * 2015-06-30 2018-07-24 东南大学 基于双窗口滑动匹配机制的城市道路行程时间提取方法
CN109191872B (zh) * 2018-10-09 2021-03-19 东南大学 一种基于号牌数据的路***通流特征参数提取方法

Also Published As

Publication number Publication date
CN114639240A (zh) 2022-06-17

Similar Documents

Publication Publication Date Title
CN113327418B (zh) 一种快速路拥堵风险分级实时预测方法
CN108257386B (zh) 行驶轨迹获取方法和装置
CN110298516B (zh) 一种基于客流od数据的拆分过长公交线路的方法、装置、移动端设备及服务器
CN106920402A (zh) 一种基于交通流量的时间序列划分方法与***
CN111768619A (zh) 一种基于卡口数据的快速路车辆od点确定方法
CN112734219A (zh) 一种车辆运输行驶行为分析方法及***
CN103984994A (zh) 一种城市轨道交通客流高峰持续时间预测方法
CN111009123A (zh) 一种基于prefixspan算法的车辆频繁轨迹挖掘方法及***
CN111815973B (zh) 信号交叉口分析方法及相关设备
CN113129594A (zh) 一种基于卡口数据的交叉口饱和流率计算方法
CN111986480B (zh) 一种城市道路交通事件影响评价方法、***及存储介质
CN114596700A (zh) 一种基于门架数据的高速公路路段实时流量估计方法
CN114647684A (zh) 基于stacking算法的流量预测方法、装置及相关设备
CN113380036A (zh) 一种基于电子警察数据的排队长度计算方法
CN114639240B (zh) 基于先进先出规则异常侦测的车辆有效行程时间提取方法
CN111369810A (zh) 车辆出行特征获取方法、装置、电子设备及存储介质
CN110097074B (zh) 一种基于序列相似度的车辆轨迹压缩方法
Song et al. Public transportation service evaluations utilizing seoul transportation card data
CN115376315B (zh) 一种面向路网排放核算的多层级卡口质量控制方法
CN115204755B (zh) 服务区入区率测算方法、装置、电子设备及可读存储介质
CN113780682B (zh) 基于故障标志物的轨道交通***业务故障预测方法
CN113470376B (zh) 基于卡口过车数据的实时区域在途车辆计数方法及***
CN112866934B (zh) 地铁用户识别方法与***
CN112489432A (zh) 一种高速公路在途车数量计算方法、装置及存储介质
CN113536493A (zh) 基于聚类反推的有效路径生成方法及断面客流估算方法

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