CN115311870A - 一种多源数据融合的高速公路区间无感测速方法 - Google Patents

一种多源数据融合的高速公路区间无感测速方法 Download PDF

Info

Publication number
CN115311870A
CN115311870A CN202210671966.2A CN202210671966A CN115311870A CN 115311870 A CN115311870 A CN 115311870A CN 202210671966 A CN202210671966 A CN 202210671966A CN 115311870 A CN115311870 A CN 115311870A
Authority
CN
China
Prior art keywords
service area
time
vehicle
interval
section
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
CN202210671966.2A
Other languages
English (en)
Other versions
CN115311870B (zh
Inventor
邹复民
蔡祈钦
吴松洋
郭峰
罗旭
廖律超
甘振华
包琴
罗思杰
罗永煜
田俊山
陈灏彬
吴金山
陈子瑜
林子杨
任强
许根
王浩琳
于翔
黄世彬
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.)
Fujian University of Technology
Original Assignee
Fujian University of Technology
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 Fujian University of Technology filed Critical Fujian University of Technology
Priority to CN202210671966.2A priority Critical patent/CN115311870B/zh
Publication of CN115311870A publication Critical patent/CN115311870A/zh
Application granted granted Critical
Publication of CN115311870B publication Critical patent/CN115311870B/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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开一种多源数据融合的高速公路区间无感测速方法，其包括以下步骤：步骤1，获取高速公路上车辆实际途径的门架，构建基于ETC数据的行车速度模型；步骤2，对多源数据进行时钟校准，并构建时间偏差优化模型；步骤3，采用基于0.618法的时间配准寻优算法，选取合适的时间偏差；步骤4，构建多源数据融合的服务区区间测速模型；步骤5，利用服务区区间测速模型进行车辆无感测速。本发明依托ETC大数据、服务区数据实现精准的区间无感测速，大大提高了测速精度，有助于高速公路精细化管理及提高高速公路大数据的应用价值。

Description

一种多源数据融合的高速公路区间无感测速方法
技术领域
本发明涉及高速公路技术领域，尤其涉及一种多源数据融合的高速公路区间无感测速方 法。
背景技术
在道路交通中，车辆速度是直接影响交通事故的主要风险因素。特别是，超速驾驶是影 响高速公路行车安全的“三大杀手”之一，但高速公路本身一直难以掌握实时的车辆超速驾 驶动态。因此，如何实现有效监控高速车辆超速/低速行为显得尤为重要。交通道路上车辆速 度测量一般可分为单点测速和区间测速。单点测速又可以分为被动式和主动式，其区别在于 主动式单点测速在车辆内部安装有相应的传感设备实现测速，而被动式单点测速是依靠部署 在路侧的摄像头、雷达、激光等外在设备实现车辆测速。然而，单点测速存在易躲避性等缺 点，即在安装有摄像头抓拍或雷达感应等测速地点，驾驶人高速行驶时往往会有意识地突然 刹车、快速减速，从而达到测速地点的速度要求，但瞬时刹车、突然减速等不良驾驶行为容 易使后来车辆减速不及时从而发生追尾等交通事故。作为高速公路电子测速的重要手段之一, 区间测速有效解决了单点测速的易躲避性，具有更高的精确性、科学性、可行性。区间测速 的应用有效降低了车辆平均速度，使得交通道路行车速度更加平稳，从而显著降低了交通事 故数，势必在未来的高速公路测速中占据主导地位，并在规范驾驶人驾驶行为、减少交通违 法行为、预防道路交通事故及加强道路交通秩序管理中发挥出巨大的作用。现有的区间测速 往往是在某一路段前后安装摄像头等设备以实现车辆平均速度测量，然而，高速公路路网具 有出入口多、跨域广、路段长等特点，难以实现高速公路全面安装监测，导致难以实现高速 公路全路段车辆速度的实时监控。
发明内容
本发明的目的在于提供一种多源数据融合的高速公路区间无感测速方法,为提高高速公 路全路段区间测速度的可实施性，同时提高服务区区间行车速度监测的准确性与实时性，并 满足高速公路全路段行车速度监测的需求，本发明专利
本发明采用的技术方案是：
一种多源数据融合的高速公路区间无感测速方法，其包括以下步骤：
步骤1，获取高速公路上车辆实际途径的门架，构建基于ETC数据的行车速度模型；行车 速度模型为：
Figure BDA0003693564180000011
其中，Δs为车辆经过的区间距离；p1.为车辆经过的区段中第一个门架的时间戳；p2.为车辆经过的区段中第二跟门架的时间戳；
步骤2，对多源数据进行时钟校准，并构建时间偏差优化模型，时间偏差最优化模型为：
Figure BDA0003693564180000021
其中，
Figure BDA0003693564180000022
为寻优后的时间偏差，
Figure BDA0003693564180000023
为第i辆车的时间偏差，argmax为求参数函数，
步骤3，选取成熟的时间配准寻优算法对时间偏差最优化模型进行求解，选取合适的时 间偏差；
步骤4，构建多源数据融合的服务区区间测速模型：
Figure BDA0003693564180000024
其中，Δspre为服务区前区段的距离，即区段起点Node1到服务区入口抓拍点Capture1 的距离；Δsnex为服务区后区段的距离，即服务区出口抓拍点Capture2到区段终点Node2的 距离；Δt为车辆在高速上的行驶时间，不包括在服务区的休息时间；Δtetc为车辆经过服务区 前后门架的总用时；Δtstay为车辆在服务区停留的总时长；tNode1、tNode2分别为车辆经过服务 区前后门架的时刻；
Figure BDA0003693564180000025
分别为车辆进出服务区的时刻；Δtpre为区段起点Node1到 服务区入口抓拍点Capture1的行驶时长；Δtnex为服务区出口抓拍点Capture2到区段终点 Node2的行驶时长。
步骤5，利用服务区区间测速模型进行车辆无感测速。
进一步地，步骤2中时间偏差Δtoff需满足以下4个条件：
Figure BDA0003693564180000026
进一步地，步骤2中构建的时间偏差优化模型的具体步骤如下：
步骤201，获取车辆在有经行服务区区段时，区段起点Node1到服务区入口抓拍点Capture1的真实行驶时长Δtpre：
Figure BDA0003693564180000031
车辆在高速公路上相对匀速行驶，服务区前后区段行驶平均速度一致，满足
Figure BDA0003693564180000032
Figure BDA0003693564180000033
其中，Δtpre表示区段起点Node1到服务区入口抓拍点Capture1的真实行驶时长；Δspre区段起点Node1到服务区入口抓拍点Capture1的距离；Δs为区段距离。
步骤202，获取车辆在有经行服务区区段时，服务区出口抓拍点Capture2到区段终点 Node2的真实行驶时长Δtnex为：
Figure BDA0003693564180000034
Δtnex为服务区出口抓拍点Capture2到区段终点Node2的真实行驶时长；Δsnex为服务区 出口抓拍点Capture2到区段终点Node2的距离。
步骤203，获取时钟偏差公式为：
Figure BDA0003693564180000035
其中，Δtoff表示时钟偏差；Δtnex为服务区出口抓拍点Capture2到区段终点Node2的真 实行驶时长；Δsnex为服务区出口抓拍点Capture2到区段终点Node2的距离；Δtpre表示区段 起点Node1到服务区入口抓拍点Capture1的真实行驶时长；Δspre区段起点Node1到服务区 入口抓拍点Capture1的距离；Δs为区段距离。
步骤204，获取经过时间配准后，真实的抓拍时刻为：
t′Cap1＝tCap1+Δtoff
t′Cap2＝tCap2+Δtoff
其中，Δtoff为未寻优的时间偏差值；t′Cap1为校正后的驶入服务区的时间；t′Cap2为校正后 的驶出服务区的时间；tCap1为车辆驶入服务区的时间；tCap2为车辆驶出服务区的时间。
步骤205，使服务区驶入轨迹集TrajSetser中的车辆进出服务区时刻尽可能多地与车辆经 过门架时刻区间[tNode1,tNode2]相匹配，构建时间偏差最优化模型为：
Figure BDA0003693564180000036
进一步地，步骤3中采用基于0.618法的时间配准寻优算法进行误差寻优。
进一步地，步骤4中构建多源数据融合的服务区区间测速模型的具体步骤如下：
步骤401，构建高速公路服务区区段：
QDser＝<Node1，Cap1，Cap2，Node2>
其中，Node1为服务区前门架节点，Node2为服务区后门架节点，Cap1为服务区入口抓拍 节点，Cap2为服务区出口抓拍节点，包含了节点编号id及位置信息(lon,lat)。
步骤402，构建服务区驶入轨迹：
Trajser＝<pNode1，pCap1，pCap2，pNode2>
其中，pNode1称为轨迹起点，pNode2称为轨迹终点。轨迹点pi包含了节点编号id，车牌plate时间戳t及车辆类型type。在一段时间内，n辆车驶入服务区的轨迹构成服务区驶入轨迹 集
Figure BDA0003693564180000041
步骤403，融合ETC门架交易数据，获取车辆在服务区区间行驶总时长Δtetc，并通过服 务区抓拍数据匹配车辆在服务区区间行驶的实际时长；
步骤404，通过步骤3的结果
Figure BDA0003693564180000042
来调整服务区摄像头时刻为：
Figure BDA0003693564180000043
Figure BDA0003693564180000044
其中，
Figure BDA0003693564180000045
为寻优后的时间偏差值；
Figure BDA0003693564180000046
为校正后的车辆驶出服务区的时间；
Figure BDA0003693564180000047
为校 正后的车辆驶出服务区的时间。
步骤405，构建多源数据融合的服务区区间测速模型为：
Figure BDA0003693564180000048
其中，Δspre为服务区前区段(区段起点Node1→服务区入口抓拍点Capture1)的距离， Δsnex为服务区后区段(服务区出口抓拍点Capture2→区段终点Node2)的距离；Δtetc为车 辆经过服务区前后门架的总用时；Δtser为车辆在服务区停留的总时长；tNode1、tNode2分别为 车辆经过服务区前后门架的时刻；
Figure BDA0003693564180000049
分别为校正过后车辆进出服务区的时刻。
本发明采用以上技术方案，基于多源数据融合的高速公路区间测速算法，利用时间校准 模型解决不同***下的时间偏差问题，并利用0.618法的时间配准寻优计算最优的时间偏差， 从而校正通过服务区的时刻，进而获取精准的区间速度。本发明依托ETC大数据、服务区数 据实现精准的区间无感测速，大大提高了测速精度，有助于高速公路精细化管理及提高高速 公路大数据的应用价值。
附图说明
以下结合附图和具体实施方式对本发明做进一步详细说明；
图1为本发明一种多源数据融合的高速公路区间无感测速方法的流程示意图；
图2为高速服务区抓拍***及前后门加部署示意图；
图3为洋里服务区A区时间偏差分布示意图；
图4为洋里服务区B区时间偏差分布示意图
图5为青云山服务区A区时间偏差分布示意图
图6为青云山服务区B区时间偏差分布示意图
图7为区间长度不同的运行效率对比图；
图8为区间长度相同的运行效率对比图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附 图对本申请实施例中的技术方案进行清楚、完整地描述。
如图1至8之一所示，本发明公开了一种多源数据融合的高速公路区间无感测速方法，
其包括以下步骤：
步骤1，获取高速公路上车辆实际途径的门架，构建基于ETC数据的行车速度模型；行车 速度模型为：
Figure BDA0003693564180000051
其中，Δs为车辆经过的区间距离；p1.为车辆经过的区段中第一个门架的时间戳；p2.为车辆经过的区段中第二跟门架的时间戳；
步骤2，对多源数据进行时钟校准，并构建时间偏差优化模型，时间偏差最优化模型为：
Figure BDA0003693564180000052
其中，
Figure BDA0003693564180000053
为寻优后的时间偏差，
Figure BDA0003693564180000054
为第i辆车的时间偏差，argmax为求参数函数，
步骤3，选取成熟的时间配准寻优算法对时间偏差最优化模型进行求解，选取合适的时 间偏差；
步骤4，构建多源数据融合的服务区区间测速模型：
Figure BDA0003693564180000055
其中，Δspre为服务区前区段的距离，即区段起点Node1到服务区入口抓拍点Capture1 的距离；Δsnex为服务区后区段的距离，即服务区出口抓拍点Capture2到区段终点Node2的 距离；Δt为车辆在高速上的行驶时间，不包括在服务区的休息时间；Δtetc为车辆经过服务区 前后门架的总用时；Δtstay为车辆在服务区停留的总时长；tNode1、tNode2分别为车辆经过服务 区前后门架的时刻；
Figure BDA0003693564180000061
分别为车辆进出服务区的时刻；Δtpre为区段起点Node1到 服务区入口抓拍点Capture1的行驶时长；Δtnex为服务区出口抓拍点Capture2到区段终点 Node2的行驶时长。
步骤5，利用服务区区间测速模型进行车辆无感测速。
进一步地，步骤2中时间偏差Δtoff需满足以下4个条件：
Figure BDA0003693564180000062
进一步地，步骤2中构建的时间偏差优化模型的具体步骤如下：
步骤201，获取车辆在有经行服务区区段时，区段起点Node1到服务区入口抓拍点Capture1的真实行驶时长Δtpre：
Figure BDA0003693564180000063
车辆在高速公路上相对匀速行驶，服务区前后区段行驶平均速度一致，满足
Figure BDA0003693564180000064
Figure BDA0003693564180000065
其中，Δtpre表示区段起点Node1到服务区入口抓拍点Capture1的真实行驶时长；Δspre区段起点Node1到服务区入口抓拍点Capture1的距离；Δs为区段距离。
步骤202，获取车辆在有经行服务区区段时，服务区出口抓拍点Capture2到区段终点 Node2的真实行驶时长Δtnex为：
Figure BDA0003693564180000066
Δtnex为服务区出口抓拍点Capture2到区段终点Node2的真实行驶时长；Δsnex为服务区 出口抓拍点Capture2到区段终点Node2的距离。
步骤203，获取时钟偏差公式为：
Figure BDA0003693564180000071
其中，Δtoff表示时钟偏差；Δtnex为服务区出口抓拍点Capture2到区段终点Node2的真 实行驶时长；Δsnex为服务区出口抓拍点Capture2到区段终点Node2的距离；Δtpre表示区段 起点Node1到服务区入口抓拍点Capture1的真实行驶时长；Δspre区段起点Nodel到服务区 入口抓拍点Capturel的距离；Δs为区段距离。
步骤204，获取经过时间配准后，真实的抓拍时刻为：
t′Cap1＝tCap1+Δtoff
t′Cap2＝tCap2+Δtoff
其中，Δtoff为未寻优的时间偏差值；t′Cap1为校正后的驶入服务区的时间；t′Cap2为校正后 的驶出服务区的时间；tCap1为车辆驶入服务区的时间；tCap2为车辆驶出服务区的时间。
步骤205，使服务区驶入轨迹集TrajSetser中的车辆进出服务区时刻尽可能多地与车辆经 过门架时刻区间[tNode1，tNode2]相匹配，构建时间偏差最优化模型为：
Figure BDA0003693564180000072
进一步地，步骤3中采用基于0.618法的时间配准寻优算法进行误差寻优。
进一步地，步骤4中构建多源数据融合的服务区区间测速模型的具体步骤如下：
步骤401，构建高速公路服务区区段：
QDser＝<Node1，Cap1，Cap2，Node2>
其中，Node1为服务区前门架节点，Node2为服务区后门架节点，Cap1为服务区入口抓拍 节点，Cap2为服务区出口抓拍节点，包含了节点编号id及位置信息(lon，lat)。
步骤402，构建服务区驶入轨迹：
Trajser＝<pNode1，pCap1，pCap2，pNode2>
其中，pNode1称为轨迹起点，pNode2称为轨迹终点。轨迹点pi包含了节点编号id，车牌plate时间戳t及车辆类型type。在一段时间内，n辆车驶入服务区的轨迹构成服务区驶入轨迹 集
Figure BDA0003693564180000073
步骤403，融合ETC门架交易数据，获取车辆在服务区区间行驶总时长Δtetc，并通过服 务区抓拍数据匹配车辆在服务区区间行驶的实际时长；
步骤404，通过步骤3的结果
Figure BDA0003693564180000081
来调整服务区摄像头时刻为：
Figure BDA0003693564180000082
Figure BDA0003693564180000083
其中，
Figure BDA0003693564180000084
为寻优后的时间偏差值；
Figure BDA0003693564180000085
为校正后的车辆驶出服务区的时间；
Figure BDA0003693564180000086
为校 正后的车辆驶出服务区的时间。
步骤405，构建多源数据融合的服务区区间测速模型为：
Figure BDA0003693564180000087
其中，Δspre为服务区前区段(区段起点Node1→服务区入口抓拍点Capture1)的距离， Δsnex为服务区后区段(服务区出口抓拍点Capture2→区段终点Node2)的距离；Δtetc为车 辆经过服务区前后门架的总用时；Δtser为车辆在服务区停留的总时长；tNode1、tNode2分别为 车辆经过服务区前后门架的时刻；
Figure BDA0003693564180000088
分别为校正过后车辆进出服务区的时刻。
下面就本发明的具体原理做详细说明：
根据平均速度公式构建基于ETC数据的行车模型：
Figure BDA0003693564180000089
其中，Δs为车辆经过的区间距离；p1.time为车辆经过的区段中第一个门架的时间戳；p2.time为车辆经过的区段中第二跟门架的时间戳。但由于车辆速度存在低速现象，而低速原因可能 是由于车辆进入服务区休息进而导致车辆速度变慢，因此需要识别车辆是否进入服务区。另 外由于服务区的时钟***和ETC门架的***存在差异，导致二者的时间记录存在误差，在识 别出车辆是否进入服务区后还需进一步对时间进行校正。
车辆经行包含服务区路段时的示意图如图2所示，其中通过服务区时，当摄像头感应到 车辆驶入或驶出服务区时会自动进行抓拍，从而获取车辆驶入或驶出时间、车牌等信息。通 过融合ETC门架交易数据，获取车辆在服务区区间行驶总时长Δtetc，并通过服务区抓拍数据 匹配车辆在ETC门架交易时间段内[tNode1,tNode2]是否进入服务区，并计算车辆在服务区停 留时间Δtser，通过计算车辆在服务区区间行驶的实际时长，即可获得车辆在服务区区间的精 准平均速度：
Figure BDA00036935641800000810
其中，Δt为车辆在高速上的行驶时间，不包括在服务区的休息时间；Δspre为服务区前区段(区 段起点Node1→服务区入口抓拍点Capture1)的距离，Δsnex为服务区后区段(服务区出口 抓拍点Capture2→区段终点Node2)的距离。
实际行驶用时为：
Δt＝Δtetc-Δtstay＝(tNode2-tNode1)-(tCap2-tCap1)
其中，Δtetc为车辆经过服务区前后门架的总用时；Δtser为车辆在服务区停留的总时长； tNode1、tNode2分别为车辆经过服务区前后门架的时刻；tCap1、tCap2分别为车辆进出服务区的 时刻。车辆的平均速度为：
Figure BDA0003693564180000091
其中，Δspre为服务区前区段的距离，即区段起点Node1到服务区入口抓拍点Capture1 的距离；Δsnex为服务区后区段的距离，服务区出口抓拍点Capture2到区段终点Node2的距 离Δt为车辆在高速上的行驶时间，不包括在服务区的休息时间；Δtetc为车辆经过服务区前后 门架的总用时；Δtstay为车辆在服务区停留的总时长；tNode1、tNode2分别为车辆经过服务区前 后门架的时刻；
Figure BDA0003693564180000092
分别为车辆进出服务区的时刻；Δtpre为区段起点Node1到服务 区入口抓拍点Capture1的行驶时长；Δtnex为服务区出口抓拍点Capture2到区段终点Node2 的行驶时长。
然而，不同传感器具有本身内部时钟，导致不同传感器在运行过程中容易出现时间偏差。 ETC门架与摄像头分属两个不同***，其时间坐标系也并不统一，如表1所示。
表1时间偏移样例(以ETC***时钟为基准时钟)
Figure BDA0003693564180000093
从表1中可看到，服务区抓拍***存在时间超前和滞后现象，且各服务区存在不同的时 间偏差，导致在服务区抓拍数据中无法匹配到车辆造成误判。因此，在ETC门架交易数据与 服务区抓拍数据融合之前，需要对两***数据进行时间配准，实现ETC门架与摄像头不同步 的测量数据同步到同一基准时标下，以满足服务区区间测速准确性的需要。因为高速公路不 像城市道路受红绿灯、分叉口等限制，高速公路路况好等优势使得司机行驶较为平稳， 因此假设车辆在高速公路上相对匀速行驶，服务区前后区段行驶平均速度一致，满足：
Figure BDA0003693564180000101
有服务区前区段(区段起点Node1到服务区入口抓拍点Capture1)真实行驶时长为：
Figure BDA0003693564180000102
根据tNode1+Δtpre＝tCap1+Δtoff进而可推算出时钟偏差公式
Figure BDA0003693564180000103
其中，Δtoff表示时钟偏差；Δtnex为服务区出口抓拍点Capture2到区段终点Node2的真 实行驶时长；Δsnex为服务区出口抓拍点Capture2到区段终点Node2的距离；Δtpre表示区段 起点Node1到服务区入口抓拍点Capture1的真实行驶时长；Δspre区段起点Node1到服务区 入口抓拍点Capture1的距离；Δs为区段距离。
因此，经过时间配准后，真实的抓拍时刻为：
t′Cap1＝tCap1+Δtoff
t′Cap2＝tCap2+Δtoff
其中，Δtoff为未寻优的时间偏差值；t′Cap1为校正后的驶入服务区的时间；t′Cap2为校正后 的驶出服务区的时间；tCap1为车辆驶入服务区的时间；tCap2为车辆驶出服务区的时间。
然而，由于司机驾驶行为习惯、出入服务区减速慢行等各种因素，使得在服务区区间行 驶速度变化较大，导致估算出来的时间偏差存在误差，如表2所示。
表2时间偏移误差样例(洋里服务区B区)
Figure BDA0003693564180000104
因此，需要建立时间偏差寻优模型以寻找最优偏差使得尽可能匹配驶入服务区车辆，且 时间偏差Δt{ff需满足以下4个条件：
Figure BDA0003693564180000111
经整理，时间偏差的0-1模型可表示如下：
Figure BDA0003693564180000112
其中，1表示时间偏差Δtoff满足所设条件，0表示时间偏差Δtoff不满足所设条件。
为实现最优时间偏差的寻优，使服务区驶入轨迹集TrajSetser中的车辆进出服务区时刻尽 可能多地与车辆经过门架时刻区间[tNode1,tNode2]相匹配，构建时间偏差最优化模型为：
Figure BDA0003693564180000113
其中，
Figure BDA0003693564180000114
为寻优后的时间偏差，
Figure BDA0003693564180000115
为第i辆车的时间偏差，argmax为求参数函数， 由时间配准模型及其解空间可知，在解空间上寻找最大值是一个一维搜索问题。最简单的办 法是遍历法，遍历解空间每一个解，直到找到最大值的解。然而，随着解空间的增大遍历法 耗时费力显然是不可行的。因此，需要进行优化算法求解以提高效率。作为一个一维搜索问 题，且该模型具有单峰函数性质，0.618法显然是首选之一。0.618法是一种区间消去法，其 取搜索区间长度的0.618(黄金分割数的近似值)倍，按对称规则进行搜索的方法，所以又称 黄金分割法。进一步调整服务区摄像头的时刻：
Figure BDA0003693564180000116
Figure BDA0003693564180000117
其中，
Figure BDA0003693564180000118
为寻优后的时间偏差值；
Figure BDA0003693564180000119
为校正后的车辆驶出服务区的时间；
Figure BDA00036935641800001110
为校 正后的车辆驶出服务区的时间。且M为将
Figure BDA00036935641800001111
配准为
Figure BDA00036935641800001112
数； 令到达时刻为
Figure BDA00036935641800001113
离开时刻
Figure BDA00036935641800001114
则：PAD：将
Figure BDA00036935641800001115
配准为小于等于tArr数；PDE：将
Figure BDA00036935641800001116
配准为大于tArr数；NAD：将
Figure BDA00036935641800001117
配准为小于等于tLea数；NDE：将
Figure BDA00036935641800001118
配准为大于tLea数。
其匹配率为：
Figure BDA00036935641800001119
准确率为：
Figure BDA0003693564180000121
表3匹配率和误差率结果
Figure BDA0003693564180000123
从表3可以看出，所有服务区摄像头***时钟与ETC***时钟均存在偏差，大小不一。 以ETC***时钟为准，大部分服务区出入口抓拍摄像头时间超前较为严重。对于时钟超前区 段，在未配准之前，其匹配率较低，甚至完全未匹配到，表明未进行时钟配准之前，经停服 务区的车辆数据未能得到有效识别，将导致在区间测速过程中造成大量超低速误识别。而在 时钟滞后区段，尽管匹配率已经达到99.9％，但准确率只有11.7％。经过时钟配准后，所有区 段的车辆进入服务区的匹配率不低于99.8％，匹配效果显著，表明该算法显著提高了区间无 感测速的准确率。
将所有服务区的***时间偏差进行统计并可视化，如图3、4、5、6所示。所有区段时间 偏差分布均近似服从高斯正态分布，表明区段数据具有单峰函数性质，符合0.618法对函数 特征的要求。
令β＝100，搜索区间长度为200。相比遍历法，所提的算法在效率上提升了10多倍。
表4运行效率
Figure BDA0003693564180000124
Figure BDA0003693564180000131
其中，区间长度和数据量是限制运行时长的主要因素。为进一步探究区间长度和数据量 对运行时长的影响，分别进行实验分析，具体设置如下：
a)数据量一致，区间长度不同
以青云山服务区B区为例，数据量为6048，区间长度分别设置为200、400、600、800、1000等5个等级。
表5区间长度不同的运行效率比较
Figure BDA0003693564180000132
从图7中可以看出，随着搜索区间的增大，遍历法的运行时长呈线性增长态势，而本发 明的方法运行时长时钟保持平稳态势，表明所提方法在搜索区间不断增大时具有较强的鲁棒 性。
b)区间长度一致，数据量不同
以青云山服务区B区为例，区间长度设置为200，总数据量为6048，分别设置1000、2000、3000、4000、5000等5个等级。
表6区间长度相同运行效率比较
Figure BDA0003693564180000133
从图8中可以看出，随着数据量的增长，传统遍历法的运行时长呈线性增长态势，而本 发明的方法运行时长时钟保持平稳态势，表明所提方法在数据量不断增长时具有较强的鲁棒 性。理论分析和实验结果表明，多源数据融合的高速公路区间测速算法具有较好的鲁棒性、 较高的运行效率，满足高速公路的区间无感测速要求。
本发明采用以上技术方案，构建基于ETC大数据构建多源数据融合的高速公路区间测速 模型。为解决由车辆进入服务区引起的行车速度估计不准确，引入服务区出入口抓拍数据， 并针对多源数据时间不同步问题，提出了一种基于0.618法的时间配准寻优算法。最后，以 福建省高速公路洋里服务区和青云山服务区区段进行实地验证。理论分析与实验结果表明， 经过时间配准优化算法实现车辆进入服务区匹配率高达99.8％，整个寻优效率比传统遍历法 提升了10倍以上。本专利的方法实现了高速公路区段的有效精准无感测速。
显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。在不冲突的情况 下，本申请中的实施例及实施例中的特征可以相互组合。通常在此处附图中描述和示出的本 申请实施例的组件可以以各种不同的配置来布置和设计。因此，本申请的实施例的详细描述 并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中 的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都 属于本申请保护的范围。

Claims (5)

1.一种多源数据融合的高速公路区间无感测速方法，其特征在于：其包括以下步骤：
步骤1，获取高速公路上车辆实际途径的门架，构建基于ETC数据的行车速度模型；行车速度模型为：
Figure FDA0003693564170000011
其中，Δs为车辆经过的区间距离；p1.time为车辆经过的区段中第一个门架的时间戳；p2.time为车辆经过的区段中第二跟门架的时间戳；
步骤2，对多源数据进行时钟校准，并构建时间偏差优化模型，时间偏差最优化模型为：
Figure FDA0003693564170000012
其中，
Figure FDA0003693564170000013
为寻优后的时间偏差，
Figure FDA0003693564170000014
为第i辆车的时间偏差，argmax为求参数函数，
步骤3，选取成熟的时间配准寻优算法对时间偏差最优化模型进行求解，选取合适的时间偏差；
步骤4，构建多源数据融合的服务区区间测速模型：
Figure FDA0003693564170000015
其中，Δspre为服务区前区段的距离，即区段起点Node1到服务区入口抓拍点Capture1的距离；Δsnex为服务区后区段的距离，即服务区出口抓拍点Capture2到区段终点Node2的距离；Δt为车辆在高速上的行驶时间，不包括在服务区的休息时间；Δtetc为车辆经过服务区前后门架的总用时；Δtstay为车辆在服务区停留的总时长；tNode1、tNode2分别为车辆经过服务区前后门架的时刻；
Figure FDA0003693564170000016
分别为车辆进出服务区的时刻；Δtpre为区段起点Node1到服务区入口抓拍点Capture1的行驶时长；Δtnex为服务区出口抓拍点Capture2到区段终点Node2的行驶时长；
步骤5，利用服务区区间测速模型进行车辆无感测速。
2.根据权利要求1所述的一种多源数据融合的高速公路区间无感测速方法，其特征在于：步骤2中时间偏差Δtoff需满足以下4个条件：
Figure FDA0003693564170000021
3.根据权利要求1所述的一种多源数据融合的高速公路区间无感测速方法，其特征在于：步骤2中构建的时间偏差优化模型的具体步骤如下：
步骤201，获取车辆在有经行服务区区段时，区段起点Node1到服务区入口抓拍点Capture1的真实行驶时长Δtpre：
Figure FDA0003693564170000022
车辆在高速公路上相对匀速行驶，服务区前后区段行驶平均速度一致，满足
Figure FDA0003693564170000023
其中，Δtpre表示区段起点Node1到服务区入口抓拍点Capture1的真实行驶时长；Δspre区段起点Node1到服务区入口抓拍点Capture1的距离；Δs为区段距离；
步骤202，获取车辆在有经行服务区区段时，服务区出口抓拍点Capture2到区段终点Node2的真实行驶时长Δtnex为：
Figure FDA0003693564170000024
Δtnex为服务区出口抓拍点Capture2到区段终点Node2的真实行驶时长；Δsnex为服务区出口抓拍点Capture2到区段终点Node2的距离；
步骤203，获取时钟偏差公式为：
Figure FDA0003693564170000025
其中，Δtoff表示时钟偏差；Δtnex为服务区出口抓拍点Capture2到区段终点Node2的真实行驶时长；Δsnex为服务区出口抓拍点Capture2到区段终点Node2的距离；Δtpre表示区段起点Node1到服务区入口抓拍点Capture1的真实行驶时长；Δspre区段起点Node1到服务区入口抓拍点Capture1的距离；Δs为区段距离；
步骤204，获取经过时间配准后，真实的抓拍时刻为：
t′Cap1＝tCap1+Δtoff
t′Cap2＝tCap2+Δtoff
其中，Δtoff为未寻优的时间偏差值；t′Cap1为校正后的驶入服务区的时间；t′Cap2为校正后的驶出服务区的时间；tCap1为车辆驶入服务区的时间；tCap2为车辆驶出服务区的时间；
步骤205，使服务区驶入轨迹集TrajSetser中的车辆进出服务区时刻尽可能多地与车辆经过门架时刻区间[tNode1，tNode2]相匹配，构建时间偏差最优化模型为：
Figure FDA0003693564170000031
4.根据权利要求1所述的一种多源数据融合的高速公路区间无感测速方法，其特征在于：步骤3中采用基于0.618法的时间配准寻优算法进行误差寻优。
5.根据权利要求1所述的一种多源数据融合的高速公路区间无感测速方法，其特征在于：步骤4中构建多源数据融合的服务区区间测速模型的具体步骤如下：
步骤401，构建高速公路服务区区段：
QDser＝<Node1，Cap1，Cap2，Node2>
其中，Node1为服务区前门架节点，Node2为服务区后门架节点，Cap1为服务区入口抓拍节点，Cap2为服务区出口抓拍节点，包含了节点编号id及位置信息(lon，lat)；
步骤402，构建服务区驶入轨迹：
Trajser＝<pNode1，pCap1，pCap2，pNode2>
其中，pNode1称为轨迹起点，pNode2称为轨迹终点；轨迹点pi包含了节点编号id，车牌plate时间戳t及车辆类型type；在一段时间内，n辆车驶入服务区的轨迹构成服务区驶入轨迹集
Figure FDA0003693564170000032
步骤403，融合ETC门架交易数据，获取车辆在服务区区间行驶总时长Δtetc，并通过服务区抓拍数据匹配车辆在服务区区间行驶的实际时长；
步骤404，通过步骤3的结果
Figure FDA0003693564170000033
来调整服务区摄像头时刻为：
Figure FDA0003693564170000034
Figure FDA0003693564170000035
其中，
Figure FDA0003693564170000036
为寻优后的时间偏差值；
Figure FDA0003693564170000037
为校正后的车辆驶出服务区的时间；
Figure FDA0003693564170000038
为校正后的车辆驶出服务区的时间；
步骤405，构建多源数据融合的服务区区间测速模型为：
Figure FDA0003693564170000041
其中，Δspre为服务区前区段(区段起点Node1→服务区入口抓拍点Capture1)的距离，Δsnex为服务区后区段(服务区出口抓拍点Capture2→区段终点Node2)的距离；Δtetc为车辆经过服务区前后门架的总用时；Δtser为车辆在服务区停留的总时长；tNode1、tNode2分别为车辆经过服务区前后门架的时刻；
Figure FDA0003693564170000042
分别为校正过后车辆进出服务区的时刻。
CN202210671966.2A 2022-06-14 2022-06-14 一种多源数据融合的高速公路区间无感测速方法 Active CN115311870B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210671966.2A CN115311870B (zh) 2022-06-14 2022-06-14 一种多源数据融合的高速公路区间无感测速方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210671966.2A CN115311870B (zh) 2022-06-14 2022-06-14 一种多源数据融合的高速公路区间无感测速方法

Publications (2)

Publication Number Publication Date
CN115311870A true CN115311870A (zh) 2022-11-08
CN115311870B CN115311870B (zh) 2024-01-02

Family

ID=83855472

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210671966.2A Active CN115311870B (zh) 2022-06-14 2022-06-14 一种多源数据融合的高速公路区间无感测速方法

Country Status (1)

Country Link
CN (1) CN115311870B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101635094A (zh) * 2008-07-24 2010-01-27 安徽蓝盾光电子股份有限公司 一种车辆区间测速的方法
KR20100068798A (ko) * 2008-12-15 2010-06-24 한국전자통신연구원 고속도로 주행시간 산출 시스템 및 방법
JP2012192799A (ja) * 2011-03-15 2012-10-11 Yupiteru Corp 車両情報表示システム及びプログラム
CN106443074A (zh) * 2016-10-25 2017-02-22 北京航空航天大学 一种测速仪检错和校正方法
CN113740562A (zh) * 2021-09-23 2021-12-03 江苏省计量科学研究院(江苏省能源计量数据中心) 基于无线数据通讯的机动车现场测速仪校准***

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101635094A (zh) * 2008-07-24 2010-01-27 安徽蓝盾光电子股份有限公司 一种车辆区间测速的方法
KR20100068798A (ko) * 2008-12-15 2010-06-24 한국전자통신연구원 고속도로 주행시간 산출 시스템 및 방법
JP2012192799A (ja) * 2011-03-15 2012-10-11 Yupiteru Corp 車両情報表示システム及びプログラム
CN106443074A (zh) * 2016-10-25 2017-02-22 北京航空航天大学 一种测速仪检错和校正方法
CN113740562A (zh) * 2021-09-23 2021-12-03 江苏省计量科学研究院(江苏省能源计量数据中心) 基于无线数据通讯的机动车现场测速仪校准***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
梁华刚;程加乐;孙小喃;茹锋;: "道路监控***中非同步相机时间校正方法", 交通运输工程学报, no. 04, pages 119 - 126 *

Also Published As

Publication number Publication date
CN115311870B (zh) 2024-01-02

Similar Documents

Publication Publication Date Title
CN106355907B (zh) 基于车辆轨迹的信号控制交叉口排队长度实时估计方法
Li et al. Real-time queue length estimation for signalized intersections using vehicle trajectory data
CN103886756B (zh) 基于obu的高速公路路网运行状态检测方法
CN109272756B (zh) 一种信控交叉口排队长度估计方法
US20210375128A1 (en) System and method for detection and quantification of irregular traffic congestion
CN109285349B (zh) 车路协同环境下高速公路交通事件检测方法及预警***
US20220383738A1 (en) Method for short-term traffic risk prediction of road sections using roadside observation data
CN109979197B (zh) 基于融合数据的高速公路交通时间地图构建方法、***
CN111402613B (zh) 一种自动驾驶车辆收费站车道选择方法
CN102592446B (zh) 利用浮动车定位数据计算城际道路旅行时间的方法
CN113380036B (zh) 一种基于电子警察数据的排队长度计算方法
CN113936463A (zh) 一种基于雷达和视频数据融合的隧道交通管控方法及***
CN111613056A (zh) 一种交通异常事件检测方法及装置
CN114944062A (zh) 一种隧道平行交通***构建方法
CN106651061B (zh) 一种基于dsrc数据与点检测器数据的实时融合方法
CN101976508A (zh) 基于车牌识别数据的交通信号干线相位差优化方法
CN115311870A (zh) 一种多源数据融合的高速公路区间无感测速方法
CN109191850B (zh) 一种基于时间窗的停车线检测器和排队检测器的数据融合方法
Robinson Measuring bus stop dwell time and time lost serving stop with London iBus automatic vehicle location data
CN110853350B (zh) 一种基于浮动车轨迹数据的干道相位差优化方法
CN114944055B (zh) 基于电子收费门架的高速公路碰撞风险动态预测方法
KR20170064251A (ko) 불안정 교통류 정보 제공 시스템 및 그 방법
JP3529663B2 (ja) 走行所要時間情報演算装置
WO2023084856A1 (ja) 情報処理装置、情報処理方法、及びコンピュータプログラム
Qu et al. Traffic conflict identification of e-bikes at signalized intersections

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