CN115457764B - 基于车辆轨迹数据的路段交通密度估测方法、装置及介质 - Google Patents
基于车辆轨迹数据的路段交通密度估测方法、装置及介质 Download PDFInfo
- Publication number
- CN115457764B CN115457764B CN202211018930.0A CN202211018930A CN115457764B CN 115457764 B CN115457764 B CN 115457764B CN 202211018930 A CN202211018930 A CN 202211018930A CN 115457764 B CN115457764 B CN 115457764B
- Authority
- CN
- China
- Prior art keywords
- traffic density
- neural network
- time slice
- value
- track data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000003062 neural network model Methods 0.000 claims abstract description 48
- 239000011159 matrix material Substances 0.000 claims abstract description 47
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000001133 acceleration Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000033001 locomotion Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 230000007787 long-term memory Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000013531 bayesian neural network Methods 0.000 claims description 2
- 230000006403 short-term memory Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of 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
- G08G1/0125—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
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- 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车辆轨迹数据的路段交通密度估测方法、装置及介质,其中方法包括:获取车辆轨迹数据,对所述车辆轨迹数据进行预处理;获取估测时间间隔,对车辆轨迹数据进行切片;提取车辆轨迹数据的特征,构造各时间切片的原始特征矩阵并归一化处理,获得输入特征矩阵;将输入特征矩阵输入预设的多个神经网络模型,训练输出各神经网络模型对于各时间切片的原始交通密度估测值;修正各时间切片交通密度的估测结果;融合多个神经网络模型估测结果。本发明充分挖掘车辆轨迹数据的特征值,融合多种智能算法,可实现更准确的路段交通密度估测,为交通控制与管理提供重要参数。本发明可广泛应用于交通信息智能采集领域。
Description
技术领域
本发明涉及交通信息智能采集领域,尤其涉及一种基于车辆轨迹数据的路段交通密度估测方法、装置及介质。
背景技术
交通密度是交通领域的重要参数,它能够广泛应用于交通控制与管理之中。通过与信号配时方案的结合,交通密度在高速公路匝道控制与城市道路主动控制上也有着广阔的应用前景。当前高速公路与城市内部主干道在特定高峰时段均存在交通拥堵问题。部分导航公司基于排队长度等指标提出智慧交通控制方案,但该方法对于无排队产生的路段,控制效果不佳;而匝道控制、主动控制等方式,本质上都是控制路段的总车辆数,即控制交通密度,因而对各种道路交通状态均有较为良好的控制效果。
现有的交通密度采集技术主要分为固定式和移动式:固定式采集方式往往基于硬件设施,存在易受环境影响、存在视野盲区、精度低、成本高、维护不便等问题,且采集时需要借助直升飞机,在方法上具有不可持续性;而移动式采集方式大多基于浮动车数据,也即车载GPS所收集的部分车辆轨迹数据。导航软件的日益普及为浮动车数据集的收集提供了便利。移动式采集成本低、适用性广,优势明显,利用浮动车轨迹数据估测交通密度的研究具有较高的应用价值。
目前在基于浮动车数据实施交通信息智能采集的领域中,主流学者大多运用人工智能领域的机器学习模型研究交通量估测。然而,交通密度作为交通管理与控制的重要参数,与之相关的研究成果较少,且国内外研究成果均存在一定不足,例如特征值提取仅局限于“宏观-宏观”层面、未充分挖掘特征值交通特性等。即使部分学者提出的模型在准确性上已经具有一定竞争力,但对数据集质量的高要求仍然难以适应城市交通密度采集的现状。
发明内容
为至少一定程度上解决现有技术中存在的技术问题之一,本发明的目的在于提供一种基于车辆轨迹数据的路段交通密度估测方法、装置及介质。
本发明所采用的技术方案是:
一种基于车辆轨迹数据的路段交通密度估测方法,包括以下步骤:
获取车辆轨迹数据,对所述车辆轨迹数据进行预处理;
获取估测时间间隔,根据估测时间间隔对车辆轨迹数据进行切片;
提取车辆轨迹数据的特征,构造各时间切片的原始特征矩阵并归一化处理,获得输入特征矩阵;
将输入特征矩阵输入预设的多个神经网络模型,结合滑动时间窗原理,训练输出各神经网络模型对于各时间切片的原始交通密度估测值;
修正各时间切片交通密度的估测结果,获得修正后交通密度估测值;
融合多个神经网络模型估测结果,以提高各时间切片交通密度估测值的精度。
进一步地,所述车辆轨迹数据包括车辆编号、记录时刻、相对坐标、车速与加速度;
所述对所述车辆轨迹数据进行预处理,包括:
获取数据集记录的第一辆车对应时刻、X坐标、Y坐标作为参考值;
将其余车辆轨迹数据中记录时刻、X坐标、Y坐标与所述参考值作差,获得预处理后的车辆轨迹数据。
进一步地,所述根据估测时间间隔对车辆轨迹数据进行切片,包括:
根据估测时间间隔对车辆轨迹数据进行切片,各时间切片编号记为i,以及将所述时间切片进一步分为n个时间区间;
所述特征包括距离特征、运动特征、对比特征和交通特征,通过以下方式构造时间切片i的输入特征矩阵M′in,m:
构造时间切片i的原始特征矩阵Min,m为:
其中,第j行第k列元素Pj,k表示第j(j=1,2.......,n)个时间区间中第k(k=1,2.......,m)个原始特征值;从各时间区间j中提取m个特征值;
将所述原始特征值Pj,k进行归一化,获得时间切片i的输入特征矩阵M′in,m。
进一步地,所述输入特征矩阵M′in,m的表达式为:
其中,表示时间切片i中n个时间区间的第k个特征元素的平均值,即原始特征矩阵Min,m中第k列平均值;sk表示时间切片i中n个时间区间第k个特征元素的标准差,即原始特征矩阵Min,m中第k列标准差;P′j,k为所述原始特征值Pj,k归一化后数值,表示第j(j=1,2.......,n)个时间区间中第k(k=1,2,.......,m)个输入特征值;M′in,m表示时间切片i的输入特征矩阵。
进一步地,从各时间区间j中提取的m个特征值,包括:
所述距离特征的特征值,包括:相邻车辆坐标点距离平均值相邻车辆坐标点距离标准差sh,相邻车辆坐标点距离极差Rh,相邻车辆坐标点距离平方平均值/>相邻车辆坐标点距离平方标准差/>相邻车辆坐标点距离平方极差/>
所述运动特征的特征值,包括:速度平均值速度标准差sv,速度极差Rv,加速度平均值/>加速度标准差sa,加速度极差Ra;
所述对比特征的特征值,包括:第j+1与第j个时间区间速度平均值之差速度标准差之差/>速度极差之差/>加速度平均值之差/>加速度标准差之差/>加速度极差之差/>
所述交通特征的特征值,包括:车道号W,交通量V;
其中,所述交通量V的计算方式为:
式中,t0表示路段长度L与速度平均值的比值,t表示路段长度L与最大速度vmax比值;a、β、c均为常数。
进一步地,所述神经网络模型包括长短期记忆神经网络模型、极致梯度提升神经网络模型、多层感知机神经网络模型和随机森林神经网络模型;
所述将输入特征矩阵输入预设的多个神经网络模型,结合滑动时间窗原理,训练输出各神经网络模型对于各时间切片的原始交通密度估测值,包括:
将时间切片i的输入特征矩阵M′in,m输入第p种神经网络模型中,结合滑动时间窗原理,为利用时间序列的平滑性获得更准确的估测值;
训练并输出,在所述输入特征矩阵输入下,获得的时间切片i和时间切片i+1的交通密度估测值;
舍去所述时间切片i+1的交通密度估测值,取时间切片i的交通密度估测值dp,i作为所述输入特征矩阵的原始交通密度估测值。
进一步地,所述修正各时间切片交通密度的估测结果,获得修正后交通密度估测值,包括:
运用滤波修正第p种神经网络模型输出的时间切片i的原始交通密度估测值dp,t,以获取与真实值误差更小的修正后密度估测值d′p,t,计算公式为:
d′p,i=f(dp,i-2,dp,i-1,dp,i)
其中,di-2,di-1,di分别表示时间切片i-2,i-1,i的原始交通密度估测值;f()为映射函数。
进一步地,所述融合多个神经网络模型估测结果,包括:
运用贝叶斯算法融合多个神经网络模型估测结果,计算公式如下:
Di=g(d′1,i,......,d′q,i)
其中,d′p,i表示运用第p种神经网络模型获得的修正后时间切片i密度估测值,p=1,2......,q;Di表示融合后的时间切片i密度估测值;函数g表示贝叶斯神经网络的运算。
本发明所采用的另一技术方案是:
一种基于车辆轨迹数据的路段交通密度估测装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现上所述方法。
本发明所采用的另一技术方案是:
一种计算机可读存储介质,其中存储有处理器可执行的程序,所述处理器可执行的程序在由处理器执行时用于执行如上所述方法。
本发明的有益效果是:本发明充分挖掘车辆轨迹数据的特征值,融合多种智能算法,可实现更准确的路段交通密度估测,为交通控制与管理提供重要参数。
附图说明
为了更清楚地说明本发明实施例或者现有技术中的技术方案,下面对本发明实施例或者现有技术中的相关技术方案附图作以下介绍,应当理解的是,下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例,对于本领域的技术人员而言,在无需付出创造性劳动的前提下,还可以根据这些附图获取到其他附图。
图1是本发明实施例中一种基于车辆轨迹数据的路段交通密度估测方法的流程示意图;
图2是本发明实施例中利用车辆轨迹数据估测路段交通密度的思路示意图;
图3是本发明实施例中LSTM神经网络模型输入输出示意图;
图4是本发明实施例中对原始交通密度估测值进行滤波修正的示意图;
图5是本发明实施例中福州数据集路段密度估测结果示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
如图1所示,本实施例提供一种基于车辆轨迹数据的路段交通密度估测方法,充分发挥浮动车数据集优势,融合多种智能算法,以实现更准确的路段交通密度估测,为交通控制与管理提供重要参数。该方法具体包括以下步骤:
S1、获取车辆轨迹数据,对所述车辆轨迹数据进行预处理。
所述车辆轨迹数据包括车辆编号、记录时刻、相对坐标、车速与加速度,所述数据预处理包括以下步骤:
指定数据集记录的第一辆车对应时刻、X坐标、Y坐标作为参考值;
其余车辆轨迹数据中记录时刻、X坐标、Y坐标与所述参考值作差,获得预处理后轨迹数据。
作为一种可选的实施方式,步骤S1包括以下内容S11-S12:
S11、获取用于估测路段交通密度的数据集,需包含车辆编号、记录时刻、相对坐标、车速与加速度等参数。本实施例中选取福州2018年5月5日中心城区浮动车数据集,包含福州中心区域的7073辆出租车在1天内的6,402,027个GPS样本点,数据间隔不均等(5-20秒),密度大,潮汐现象明显。
如图2所示,本发明的思路是通过部分车辆上传的轨迹数据估测路段整体交通密度。在本实施例中,随机抽取比例为15%的车辆作为用于估测的部分车辆,其轨迹数据用于估测交通密度,后续将估测值与全样本的真实值对比得到估测精度。
S12、对所述部分车辆的轨迹数据进行预处理,包括以下步骤:
指定数据集记录的第一辆车对应时刻、X坐标、Y坐标作为参考值;
其余车辆轨迹数据中记录时刻、X坐标、Y坐标与所述参考值作差,获得预处理后轨迹数据,如表1所示。
表1预处理后部分轨迹数据
S2、获取估测时间间隔,根据估测时间间隔对车辆轨迹数据进行切片。
选取估测时间间隔,将总体数据根据估测时间间隔切片,以及将所述时间切片进一步分为n个时间区间。
作为一种可选的实施方式,步骤S2包括以下内容S21-S23:
S21、综合考虑数据集样本间隔情况与交通密度估测需求,选取估测时间间隔为3分钟。
S22、将总体数据根据估测时间间隔切片,各时间切片编号记为i。
S23、将所述时间切片进一步分为n个时间区间,n=6,也即每个时间区间为30秒。
S3、提取车辆轨迹数据的特征,构造各时间切片的原始特征矩阵并归一化处理,获得输入特征矩阵。
提取轨迹数据所包含的特征值,构造所述各时间切片的原始特征矩阵并归一化处理,获得输入特征矩阵。其中,所述特征值分类为距离特征、运动特征、对比特征和交通特征等。
作为一种可选的实施方式,步骤S3包括以下内容S31-S33:
S31、提取轨迹数据所包含的原始特征值,可分为距离特征、运动特征、对比特征和交通特征等。
所述距离特征包括相邻车辆坐标点距离平均值相邻车辆坐标点距离标准差sh,相邻车辆坐标点距离极差Rh,相邻车辆坐标点距离平方平均值/>相邻车辆坐标点距离平方标准差/>相邻车辆坐标点距离平方极差/>
所述运动特征包括速度平均值速度标准差sv,速度极差Rv,加速度平均值/>加速度标准差sa,加速度极差Ra;
所述对比特征包括第j+1与第j个时间区间速度平均值之差速度标准差之差/>速度极差之差/>加速度平均值之差/>加速度标准差之差加速度极差之差/>
所述交通特征包括车道号W,交通量V。其中所述交通量通过路阻函数变式计算获得,公式为:
其中,t0表示路段长度L与速度平均值的比值,t表示路段长度L与最大速度vmax比值;常数a,β分别取默认值0.15与0.4;c基于路段实际情况和历史数据,以常数代替。
S32、构造时间切片i的输入特征矩阵M′in,m:
其中,第j行第k列元素Pj,k表示第j(j=1,2.......,n)个时间区间中第k(k=1,2.......,m)个原始特征值。
S33、对原始特征矩阵做归一化处理。将所述原始特征值Pj,k放入公式逐列归一化,获得时间切片i的输入特征矩阵M′in,m,计算公式为:
其中,表示时间切片i中n个时间区间的第k个特征元素的平均值,也即原始特征矩阵Min,m中第k列平均值;sk表示时间切片i中n个时间区间第k个特征元素的标准差,也即原始特征矩阵Min,m中第k列标准差;P′j,k为所述原始特征值Pj,k归一化后数值,表示第j(j=1,2.......,n)个时间区间中第k(k=1,2,.......,m)个输入特征值;M′in,m表示时间切片i的输入特征矩阵。
S4、将输入特征矩阵输入预设的多个神经网络模型,训练输出各神经网络模型对于各时间切片的原始交通密度估测值。
将所述特征矩阵输入神经网络模型,结合滑动时间窗原理,训练输出各神经网络模型对于各时间切片的原始交通密度估测值。其中,所述神经网络模型包括长短期记忆(LSTM)、极致梯度提升(XGBOOST)、多层感知机(MLP)和随机森林(RF)等。
进一步作为可选的实施方式,将所述时间切片i的输入特征矩阵M′in,m输入第p(p=1,2,3,4)种神经网络模型,结合滑动时间窗原理,为利用时间序列的平滑性获得更准确的估测值,此处训练并输出所述特征矩阵输入下获得的时间切片i和i+1的交通密度估测值。舍去所述时间切片i+1的估测值,取时间切片i的估测值dp,i为所述特征矩阵的原始估测值。其中,所述神经网络模型包括LSTM、XGBOOST、MLP和RF等。如图3所示,以LSTM为例展示神经网络模型输入输出流程。
S5、修正各时间切片交通密度的估测结果,获得修正后交通密度估测值。
运用滤波修正各时间切片交通密度的估测结果,获得修正后交通密度估测值,以减小估测值与真实值的误差。
进一步作为可选的实施方式,运用滤波修正第p种神经网络模型输出的时间切片i的原始交通密度估测值dp,i,以获取与真实值误差更小的修正后密度估测值d′p,t,计算公式为:
d′p,i=f(dp,i-2,dp,i-1,dp,i)
其中,di-2,di-1,di分别表示时间切片i-2,i-1,i的原始交通密度估测值;
如图4所示,映射函数f根据该路段训练数据集中密度估测值和真实值差距最小化思路确定。
S6、融合多个神经网络模型估测结果,以提高各时间切片交通密度估测值的精度。
运用贝叶斯算法融合多个神经网络模型估测结果,以提高所述各时间切片交通密度估测值的精度。
进一步作为可选的实施方式,运用贝叶斯算法融合多个神经网络模型估测结果,计算公式如下:
Di=g(d′1,i,......,d′q,i)
其中,d′p,i表示运用第p种神经网络模型获得的修正后时间切片i密度估测值;p=1,2......,q;Di表示融合后的时间切片i密度估测值;函数g表示贝叶斯神经网络的运算,其基础贝叶斯公式为:
其中,P(A)为先验概率,P(B)为证据;
各方法所得估测值的均方误差和准确率如表2所示,贝叶斯融合后所得估测值准确率最高;其中,均方误差的单位为单位公里车辆数的平方,也即(pcu/km)2。
表2各方法所得估测值的均方误差和准确率
本发明实施例中福州数据集路段密度估测结果示意如图5所示。
综上所述,本实施例相对于现有技术,具有如下优点及有益效果:
(1)本发明提出了基于部分车辆轨迹数据估测路段交通密度的新思路,在充分挖掘浮动车数据微观特性与交通特性的基础上,融合多种机器学习算法,以获得更精准的路段交通密度估测值。本发明设计的交通信息智能采集方法基于数据--模型的联合驱动,对于交通控制与管理具有重要价值,可广泛应用于匝道控制、主动控制、拥堵判断等场景。
(2)本发明充分挖掘浮动车数据特征,提升了交通密度估测的鲁棒性与对不同质量数据集的适应性。在构造输入矩阵时,本发明将特征值分为距离特征、运动特征、对比特征、交通特征等类别,在微观层面提取了坐标点距离等特征,并创造性地引入了路阻函数等交通特征,加强了密度估测与交通学科知识的连结。
(3)本发明采用多种方法提高估测精度,不仅引入滑动时间窗和滤波修正估测值,而且运用贝叶斯算法融合多个神经网络模型估测结果。本发明方法可减小估测值与真实值的误差,提升了交通密度估测的准确性。
本实施例还提供了一种基于车辆轨迹数据的路段交通密度估测装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现图1所示方法。
本实施例的一种基于车辆轨迹数据的路段交通密度估测装置,可执行本发明方法实施例所提供的一种基于车辆轨迹数据的路段交通密度估测方法,可执行方法实施例的任意组合实施步骤,具备该方法相应的功能和有益效果。
本申请实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行图1所示的方法。
本实施例还提供了一种存储介质,存储有可执行本发明方法实施例所提供的一种基于车辆轨迹数据的路段交通密度估测方法的指令或程序,当运行该指令或程序时,可执行方法实施例的任意组合实施步骤,具备该方法相应的功能和有益效果。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明,但应当理解的是,除非另有相反说明,所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的上述描述中,参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施方式,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于上述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (6)
1.一种基于车辆轨迹数据的路段交通密度估测方法,其特征在于,包括以下步骤:
获取车辆轨迹数据,对所述车辆轨迹数据进行预处理;
获取估测时间间隔,根据估测时间间隔对车辆轨迹数据进行切片;
提取车辆轨迹数据的特征,构造各时间切片的原始特征矩阵并归一化处理,获得输入特征矩阵;
将输入特征矩阵输入预设的多个神经网络模型,训练输出各神经网络模型对于各时间切片的原始交通密度估测值;
修正各时间切片交通密度的估测结果,获得修正后交通密度估测值;
融合多个神经网络模型估测结果,以提高各时间切片交通密度估测值的精度;
所述根据估测时间间隔对车辆轨迹数据进行切片,包括:
根据估测时间间隔对车辆轨迹数据进行切片,各时间切片编号记为i,以及将所述时间切片进一步分为n个时间区间;
所述特征包括距离特征、运动特征、对比特征和交通特征,通过以下方式构造时间切片i的输入特征矩阵M′in,m:
构造时间切片i的原始特征矩阵Min,m为:
其中,第j行第k列元素Pj,k表示第j个时间区间中第k个原始特征值;从各时间区间j中提取m个特征值;j=1,2.......,n,k=1,2.......,m;
将所述原始特征值Pj,k进行归一化,获得时间切片i的输入特征矩阵M′in,m;
所述输入特征矩阵M′in,m的表达式为:
其中,表示时间切片i中n个时间区间的第k个特征元素的平均值,即原始特征矩阵Min,m中第k列平均值;sk表示时间切片i中n个时间区间第k个特征元素的标准差,即原始特征矩阵Min,m中第k列标准差;P′j,k为所述原始特征值Pj,k归一化后数值,表示第j个时间区间中第k个输入特征值;M′in,m表示时间切片i的输入特征矩阵;
从各时间区间j中提取的m个特征值,包括:
所述距离特征的特征值,包括:相邻车辆坐标点距离平均值相邻车辆坐标点距离标准差sh,相邻车辆坐标点距离极差Rh,相邻车辆坐标点距离平方平均值/>相邻车辆坐标点距离平方标准差sh2,相邻车辆坐标点距离平方极差Rh2;
所述运动特征的特征值,包括:速度平均值速度标准差sv,速度极差Rv,加速度平均值加速度标准差sa,加速度极差Ra;
所述对比特征的特征值,包括:第j+1与第j个时间区间速度平均值之差速度标准差之差/>速度极差之差/>加速度平均值之差/>加速度标准差之差加速度极差之差/>
所述交通特征的特征值,包括:车道号W,交通量V;
其中,所述交通量V的计算方式为:
式中,t0表示路段长度L与速度平均值的比值,t表示路段长度L与最大速度vmax比值;a、β、c均为常数;
所述神经网络模型包括长短期记忆神经网络模型、极致梯度提升神经网络模型、多层感知机神经网络模型和随机森林神经网络模型;
所述将输入特征矩阵输入预设的多个神经网络模型,训练输出各神经网络模型对于各时间切片的原始交通密度估测值,包括:
将时间切片i的输入特征矩阵M′in,m输入第p种神经网络模型中,结合滑动时间窗原理,为利用时间序列的平滑性获得更准确的估测值;
训练并输出,在所述输入特征矩阵输入下,获得的时间切片i和时间切片i+1的交通密度估测值;
舍去所述时间切片i+1的交通密度估测值,取时间切片i的交通密度估测值dp,i作为所述输入特征矩阵的原始交通密度估测值。
2.根据权利要求1所述的一种基于车辆轨迹数据的路段交通密度估测方法,其特征在于,所述车辆轨迹数据包括车辆编号、记录时刻、相对坐标、车速与加速度;
所述对所述车辆轨迹数据进行预处理,包括:
获取数据集记录的第一辆车对应时刻、X坐标、Y坐标作为参考值;
将其余车辆轨迹数据中记录时刻、X坐标、Y坐标与所述参考值作差,获得预处理后的车辆轨迹数据。
3.根据权利要求1所述的一种基于车辆轨迹数据的路段交通密度估测方法,其特征在于,所述修正各时间切片交通密度的估测结果,获得修正后交通密度估测值,包括:
运用滤波修正第p种神经网络模型输出的时间切片i的原始交通密度估测值dp,i,以获取与真实值误差更小的修正后密度估测值d′p,i,计算公式为:
d′p,i=f(dp,i-2,dp,i-1,dp,i)
其中,dp,i-2,dp,i-1,dp,i分别表示时间切片i-2,i-1,i的原始交通密度估测值;f()为映射函数。
4.根据权利要求1所述的一种基于车辆轨迹数据的路段交通密度估测方法,其特征在于,所述融合多个神经网络模型估测结果,包括:
运用贝叶斯算法融合多个神经网络模型估测结果,计算公式如下:
Di=g(d′1,i,……,d′q,i)
其中,d′p,i表示运用第p种神经网络模型获得的修正后时间切片i密度估测值,p=1,2……,q;Di表示融合后的时间切片i密度估测值;函数g表示贝叶斯神经网络的运算。
5.一种基于车辆轨迹数据的路段交通密度估测装置,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现权利要求1-4任一项所述方法。
6.一种计算机可读存储介质,其中存储有处理器可执行的程序,其特征在于,所述处理器可执行的程序在由处理器执行时用于执行如权利要求1-4任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211018930.0A CN115457764B (zh) | 2022-08-24 | 2022-08-24 | 基于车辆轨迹数据的路段交通密度估测方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211018930.0A CN115457764B (zh) | 2022-08-24 | 2022-08-24 | 基于车辆轨迹数据的路段交通密度估测方法、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115457764A CN115457764A (zh) | 2022-12-09 |
CN115457764B true CN115457764B (zh) | 2023-07-18 |
Family
ID=84299437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211018930.0A Active CN115457764B (zh) | 2022-08-24 | 2022-08-24 | 基于车辆轨迹数据的路段交通密度估测方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115457764B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152973B (zh) * | 2023-10-27 | 2024-01-05 | 贵州宏信达高新科技有限责任公司 | 基于etc门架数据的高速公路实时流量监测方法及*** |
CN117253364B (zh) * | 2023-11-15 | 2024-01-26 | 南京感动科技有限公司 | 交通拥堵事件提取与态势融合方法与*** |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001084479A (ja) * | 1999-09-14 | 2001-03-30 | Matsushita Electric Ind Co Ltd | 交通流データ予測装置及び交通流データ予測方法 |
JP2013210941A (ja) * | 2012-03-30 | 2013-10-10 | I-Transport Lab Co Ltd | 交通流予測装置、交通流予測方法及び交通流予測プログラム |
JP2013214232A (ja) * | 2012-04-03 | 2013-10-17 | Sumitomo Electric Ind Ltd | 交通情報予測装置、交通情報予測方法及びコンピュータプログラム |
KR101530636B1 (ko) * | 2014-11-11 | 2015-06-23 | 한국건설기술연구원 | 단위구간 안의 차량의 수를 계수하여 교통밀도를 산출하는 장치 및 방법 |
WO2016096226A1 (en) * | 2014-12-18 | 2016-06-23 | Be-Mobile Nv | A traffic data fusion system and the related method for providing a traffic state for a network of roads |
CN109272746A (zh) * | 2018-08-20 | 2019-01-25 | 广东交通职业技术学院 | 一种基于bp神经网络数据融合的mfd估测方法 |
CN109754605A (zh) * | 2019-02-27 | 2019-05-14 | 中南大学 | 一种基于注意力时态图卷积网络的交通预测方法 |
CN111341099A (zh) * | 2020-02-27 | 2020-06-26 | 阿里巴巴集团控股有限公司 | 一种数据处理方法、装置及电子设备 |
KR102245580B1 (ko) * | 2020-09-22 | 2021-04-29 | 재단법인차세대융합기술연구원 | Adas 데이터를 이용한 교통 밀도를 추정하는 관제 서버 |
CN112884222A (zh) * | 2021-02-10 | 2021-06-01 | 武汉大学 | 一种面向时间段的lstm交通流密度预测方法 |
CN114333335A (zh) * | 2022-03-15 | 2022-04-12 | 成都交大大数据科技有限公司 | 基于轨迹数据的车道级交通状态估计方法、装置及*** |
WO2022077767A1 (zh) * | 2020-10-16 | 2022-04-21 | 深圳先进技术研究院 | 交通流量预测方法及装置、计算机设备及可读存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201802366D0 (en) * | 2018-02-14 | 2018-03-28 | Tom Tom Traffic B V | Methods and systems for generating taffic volumn or traffic density data |
WO2020027864A1 (en) * | 2018-07-31 | 2020-02-06 | Didi Research America, Llc | System and method for point-to-point traffic prediction |
-
2022
- 2022-08-24 CN CN202211018930.0A patent/CN115457764B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001084479A (ja) * | 1999-09-14 | 2001-03-30 | Matsushita Electric Ind Co Ltd | 交通流データ予測装置及び交通流データ予測方法 |
JP2013210941A (ja) * | 2012-03-30 | 2013-10-10 | I-Transport Lab Co Ltd | 交通流予測装置、交通流予測方法及び交通流予測プログラム |
JP2013214232A (ja) * | 2012-04-03 | 2013-10-17 | Sumitomo Electric Ind Ltd | 交通情報予測装置、交通情報予測方法及びコンピュータプログラム |
KR101530636B1 (ko) * | 2014-11-11 | 2015-06-23 | 한국건설기술연구원 | 단위구간 안의 차량의 수를 계수하여 교통밀도를 산출하는 장치 및 방법 |
WO2016096226A1 (en) * | 2014-12-18 | 2016-06-23 | Be-Mobile Nv | A traffic data fusion system and the related method for providing a traffic state for a network of roads |
CN109272746A (zh) * | 2018-08-20 | 2019-01-25 | 广东交通职业技术学院 | 一种基于bp神经网络数据融合的mfd估测方法 |
CN109754605A (zh) * | 2019-02-27 | 2019-05-14 | 中南大学 | 一种基于注意力时态图卷积网络的交通预测方法 |
CN111341099A (zh) * | 2020-02-27 | 2020-06-26 | 阿里巴巴集团控股有限公司 | 一种数据处理方法、装置及电子设备 |
KR102245580B1 (ko) * | 2020-09-22 | 2021-04-29 | 재단법인차세대융합기술연구원 | Adas 데이터를 이용한 교통 밀도를 추정하는 관제 서버 |
WO2022077767A1 (zh) * | 2020-10-16 | 2022-04-21 | 深圳先进技术研究院 | 交通流量预测方法及装置、计算机设备及可读存储介质 |
CN112884222A (zh) * | 2021-02-10 | 2021-06-01 | 武汉大学 | 一种面向时间段的lstm交通流密度预测方法 |
CN114333335A (zh) * | 2022-03-15 | 2022-04-12 | 成都交大大数据科技有限公司 | 基于轨迹数据的车道级交通状态估计方法、装置及*** |
Non-Patent Citations (2)
Title |
---|
基于图卷积神经网络的交通流量预测;朱凯利;朱海龙;刘靖宇;石晔琼;王欢;;智能计算机与应用(第06期);第168-170、177页 * |
面向季节性时空数据的预测式循环网络及其在城市计算中的应用;张建晋;王韫博;龙明盛;***;王海峰;;计算机学报(第02期);第286-302页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115457764A (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115457764B (zh) | 基于车辆轨迹数据的路段交通密度估测方法、装置及介质 | |
CN112347993B (zh) | 一种基于车辆-无人机协同的高速公路车辆行为和轨迹预测方法 | |
EP3690741A2 (en) | Method for automatically evaluating labeling reliability of training images for use in deep learning network to analyze images, and reliability-evaluating device using the same | |
CN110909909A (zh) | 基于深度学习和多层时空特征图的短时交通流预测方法 | |
CN104599502A (zh) | 一种基于视频监控的车流量统计方法 | |
CN1909022A (zh) | 公路地图管理*** | |
CN110188797A (zh) | 一种基于贝叶斯优化的智能汽车快速测试方法 | |
CN109063771A (zh) | 一种发现车辆可疑行为的方法、装置及设备 | |
CN113362600B (zh) | 一种交通状态估计方法及*** | |
EP4257443A1 (en) | Method and system for automatic driving data collection and closed-loop management | |
CN110194041A (zh) | 多源信息融合的自适应车身高度调节方法 | |
CN116010838A (zh) | 一种融合密度值和K-means算法的车辆轨迹聚类方法 | |
CN115311229A (zh) | 基于激光雷达的路面病害检测分类方法、***和存储介质 | |
CN112562311A (zh) | 基于gis大数据的工况权重因子获取方法及装置 | |
CN110751850B (zh) | 一种基于深度神经网络的车位识别方法和*** | |
CN113311191A (zh) | 一种车载加速度计的在线校准方法及其装置 | |
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 | |
CN114613144B (zh) | 一种基于Embedding-CNN的混合车群运动演化规律的刻画方法 | |
CN114255596B (zh) | 一种基于大数据的停车场车位推荐***及方法 | |
CN110126846A (zh) | 驾驶场景的表示方法、装置、***和存储介质 | |
CN115236772A (zh) | 一种漂流观测仪数据质量控制***及其方法 | |
CN111582563B (zh) | 一种个体行程时间短期预测方法、***、装置及存储介质 | |
CN114299433A (zh) | 异常驾驶行为检测方法、训练方法、装置及存储介质 | |
CN113780157A (zh) | 一种结合深度学习和高斯混合模型的无监督逆行检测算法 | |
CN112193245A (zh) | 一种考虑驾驶员模糊感知的深度学习跟驰预测方法 |
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 |