CN115880909A - 基于浮动车数据的高速公路拥堵识别方法 - Google Patents
基于浮动车数据的高速公路拥堵识别方法 Download PDFInfo
- Publication number
- CN115880909A CN115880909A CN202211612353.8A CN202211612353A CN115880909A CN 115880909 A CN115880909 A CN 115880909A CN 202211612353 A CN202211612353 A CN 202211612353A CN 115880909 A CN115880909 A CN 115880909A
- Authority
- CN
- China
- Prior art keywords
- congestion
- floating car
- car data
- time interval
- highway
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000005311 autocorrelation function Methods 0.000 claims description 11
- 238000007621 cluster analysis Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 3
- 230000008859 change Effects 0.000 abstract description 2
- 230000001133 acceleration Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于浮动车数据的高速公路拥堵识别方法、设备及计算机可读存储介质，该方法通过相空间重构高速公路某时段的浮动车数据，通过聚类分析浮动车速度数据，根据聚类分析结果和上一时段的拥堵状态确定当前时段高速公路的拥堵通顺情况。本发明通过浮动车速度聚类，能准确的识别车辆形成过程中的速度大小变化，从而判别出高速公里的拥堵通顺情况，提高了车辆行程时间预测的准确率，助力了市民高效出行。
Description
技术领域
本发明涉及交通技术领域，尤其是涉及基于浮动车数据的高速公路拥堵识别方法。
背景技术
随着交通方式机动化和高速公路的发展，人们对高速公路的服务需求愈加提高。同时，人们越来越关注高速公路的实时动态交通信息发布，其中旅行时间是高速公路交通信息中最有价值也最备受关注的内容之一。然而，在道路顺畅的交通状态下进行行程时间预测是容易的，但当道路因不同情况而发生拥堵时，预测车辆的行程时间就变得复杂且多变。基于此，准确地识别高速公路的拥堵情况是有必要的，可以提高车辆行程时间预测的准确率，助力市民高效出行。
发明内容
本发明的目的在于提供一种基于浮动车数据的高速公路拥堵识别方法、设备及计算机可读存储介质，以准确识别高速公路的拥堵情况，助力市民高效出行。
为实现上述目的，本发明采取下述技术方案：
本发明所述的基于浮动车数据的高速公路拥堵识别方法，包括以下步骤：
S1，获取高速公路某时段的浮动车数据，以及上一时段的拥堵状态；
S2，利用自相关函数确定相空间重构延迟时间
；
S3，用虚假邻近法确定相空间重构的嵌入维数m；
S4，根据所述嵌入维数
和所述延迟时间/>
对所述时段浮动车的连续时间速度序列进行相空间重构;
S5，对相空间重构后的浮动车连续时间速度序列进行聚类分析；
S6，根据所述聚类分析结果和所述上一时段的拥堵状态准确识别所述时段高速公路的拥堵状态。
进一步地，所述浮动车数据包括车辆位置、速度、方向；浮动车数据为一连续数据序列。
进一步地，所述自相关函数为：
其中，n为所述时段的浮动车数据总数量；i为浮动车数据的序列号；t为时间间隔。
进一步地，所述自相关函数下降到
时，所得到的时间/>
记为相空间的重构延迟时间/>
。
进一步地，S3步具体包括：从所述嵌入维数最小值开始，计算虚假最临近点的比例；逐渐增加嵌入维数，直到虚假最临近点的比例小于5%或者虚假最临近点不再随嵌入维数的增加而减少为止；此时的嵌入维数记为相空间重构的嵌入维数m。
进一步地，所述聚类分析算法为：DBSCAN。
进一步地，S7步具体包括：
若聚类分析结果为1类簇，当所述上一时段的拥堵状态为通顺，则判定所述时段高速公路拥堵状态为通顺；反之，判定所述时段高速公路拥堵状态为拥堵结束；
若聚类分析结果为3类簇，判定所述时段高速公路拥堵状态为拥堵开始；
若聚类分析结果为4类簇，判定所述时段高速公路拥堵状态为拥堵集结；
若聚类分析结果为5类簇，判定所述时段高速公路拥堵状态为拥堵消散。
本发明所述的一种基于浮动车数据的告诉公路拥堵识别设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述的基于浮动车数据的高速公路拥堵识别方法的步骤。
本发明所述的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于浮动车数据的高速公路拥堵识别方法的步骤。
本发明的优点在于通过相空间重构高速公路某时段的浮动车数据，通过聚类分析浮动车速度数据，根据聚类分析结果和上一时段的拥堵状态确定当前时段高速公路的拥堵通顺情况。本发明通过浮动车速度聚类，能准确的识别车辆形成过程中的速度大小变化，从而判别出高速公里的拥堵通顺情况，提高了车辆行程时间预测的准确率，助力了市民高效出行。
附图说明
图1是本发明所述方法的流程图。
图2~图5是本发明所述实施例的聚类分析结构示意图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，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，本发明所述的基于浮动车数据的高速公路拥堵识别方法，包括以下步骤：
S1，获取高速公路某时段的浮动车数据，以及上一时段的拥堵状态；浮动车数据包括车辆位置、速度、方向；其为一连续数据序列，一般计算窗口取20min。
S2，利用自相关函数确定相空间重构延迟时间
；
自相关函数为：
其中，n为所述时段的浮动车数据总序列长度；i为浮动车数据的序列号；t为时间间隔。
针对浮动车数据中一辆速度时间序列长度大于30的浮动车，对其当前所有连续的数据进行速度相空间重构，已知的浮动车速度序列数据
，提取速度序列之间的线性相关性，根据自相关函数，做出自相关函数随时间间隔变化的图像。当自相关函数下降到/>
时，所得到的时间 QUOTE />
/>
记为相空间的重构延迟时间/>
。
S3，用虚假邻近法确定相空间重构的嵌入维数m；
用字母d表示嵌入维数，则在
维相空间中，有
，，且存在最近邻点
。定义其距离
。
增加嵌入维数
至/>
时，/>
与/>
之间的距离为
。
令
，如果/>
（阈值/>
可在/>
之间取值），那么认为/>
是/>
的虚假最近邻点。
即，从嵌入维数d的最小值开始，计算虚假最临近点的比例；逐渐增加嵌入维数d，直到虚假最临近点的比例小于5%或者虚假最临近点不再随嵌入维数d的增加而减少为止；此时可以认为混沌吸引子已经完全打开，此时的嵌入维数d记为相空间重构的嵌入维数m。
S4，根据所述嵌入维数
和所述延迟时间/>
对所述时段浮动车的连续时间速度序列进行相空间重构;
如取相空间重构延迟时间
为3，相空间重构的嵌入维数m为2，对下述浮动车的连续时间速度序列/>
进行相空间重构，重构结果如下。
S5，对相空间重构后的浮动车连续时间速度序列进行聚类分析；聚类分析算法为：DBSCAN。
DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一个比较有代表性的基于密度的聚类算法。它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。
S6，根据所述聚类分析结果和所述上一时段的拥堵状态准确识别所述时段高速公路的拥堵状态。
具体包括：
若聚类分析结果为1类簇，当所述上一时段的拥堵状态为通顺，则判定所述时段高速公路拥堵状态为通顺；反之，判定所述时段高速公路拥堵状态为拥堵结束；
若聚类分析结果为3类簇，判定所述时段高速公路拥堵状态为拥堵开始；
若聚类分析结果为4类簇，判定所述时段高速公路拥堵状态为拥堵集结；
若聚类分析结果为5类簇，判定所述时段高速公路拥堵状态为拥堵消散。
如图2-5所示，取样本集为单辆车的相空间重构结果，设定邻域距离阈值
，簇的最少数目/>
，并对不同车辆的相空间重构的结果进行聚类，分析如下：
如图2所示，浮动车速度数据使用DBSCAN聚类分析方法只聚出1类簇，相空间点两个速度均较大，表明这辆车在高速路上行驶过程中只有高速状态，可判别此时高速路段处于顺畅或拥堵结束状态；此时若上一时段交通状态是顺畅的，则此时高速路段处于顺畅状态，否则处于拥堵结束状态；
如图3所示，浮动车速度数据使用DBSCAN聚类分析方法聚出3类簇，分别对应相空间点两个速度都较大、两个速度先大后小、两个速度先小后大，分别表明这辆车经过了高速、减速、加速 3 种速度状态，可判别此时高速路段处在拥堵开始状态；
如图4所示，浮动车速度数据使用DBSCAN聚类分析方法聚出4类簇，分别对应相空间点两个速度都较大、两个速度先大后小、两个速度都较小、两个速度先小后大，表明这辆车经过了高速、减速、低速、加速 4 种速度状态，可判别此时高速路段处于拥堵集结状态；
如图5所示，浮动车数据使用DBSCAN聚类分析方法聚出5类簇，分别对应相空间点两个速度都较大、两个速度先大后小、两个速度都较小、两个速度都中等、 两个速度先小后大，表明这辆车经过了高速、减速、低速、中速、加速五种速度状态，可判别此时高速路段处于拥堵消散状态。
相应于基于浮动车数据的高速公路拥堵识别方法，本发明提供的一种基于浮动车数据的高速公路拥堵识别设备，该识别设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器和存储器。存储器，用于存储计算机程序；处理器，用于执行计算机程序时实现上述基于浮动车数据的高速公路拥堵识别方法的步骤。
相应于基于浮动车数据的高速公路拥堵识别方法，本发明提供的一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述基于浮动车数据的高速公路拥堵识别方法的步骤
该计算机可读存储介质具体可以为U盘、移动硬盘、只读存储器（Read-OnlyMemory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可存储程序代码的可读存储介质。
Claims (9)
1.一种基于浮动车数据的高速公路拥堵识别方法，其特征在于：包括以下步骤：
S1，获取高速公路某时段的浮动车数据，以及上一时段的拥堵状态；
S2，利用自相关函数确定相空间重构延迟时间
；
S3，用虚假邻近法确定相空间重构的嵌入维数m；
S4，根据所述嵌入维数
和所述延迟时间/>
对所述时段浮动车的连续时间速度序列进行相空间重构;
S5，对相空间重构后的浮动车连续时间速度序列进行聚类分析；
S6，根据所述聚类分析结果和所述上一时段的拥堵状态准确识别所述时段高速公路的拥堵状态。
2.根据权利要求1所述的基于浮动车数据的高速公路拥堵识别方法，其特征在于：所述浮动车数据包括车辆位置、速度、方向；浮动车数据为一连续数据序列。
3.根据权利要求1所述的基于浮动车数据的高速公路拥堵识别方法，其特征在于：所述自相关函数为：
其中，n为所述时段的浮动车数据总数量；i为浮动车数据的序列号；t为时间间隔。
4.根据权利要求3所述的基于浮动车数据的高速公路拥堵识别方法，其特征在于：所述自相关函数下降到
时，所得到的时间/>
记为相空间的重构延迟时间/>
。
5.根据权利要求1所述的基于浮动车数据的高速公路拥堵识别方法，其特征在于：S3步具体包括：从所述嵌入维数最小值开始，计算虚假最临近点的比例；逐渐增加嵌入维数，直到虚假最临近点的比例小于5%或者虚假最临近点不再随嵌入维数的增加而减少为止；此时的嵌入维数记为相空间重构的嵌入维数m。
6.根据权利要求1所述的基于浮动车数据的高速公路拥堵识别方法，其特征在于：所述聚类分析算法为：DBSCAN。
7.根据权利要求1所述的基于浮动车数据的高速公路拥堵识别方法，其特征在于：S7步具体包括：
若聚类分析结果为1类簇，当所述上一时段的拥堵状态为通顺，则判定所述时段高速公路拥堵状态为通顺；反之，判定所述时段高速公路拥堵状态为拥堵结束；
若聚类分析结果为3类簇，判定所述时段高速公路拥堵状态为拥堵开始；
若聚类分析结果为4类簇，判定所述时段高速公路拥堵状态为拥堵集结；
若聚类分析结果为5类簇，判定所述时段高速公路拥堵状态为拥堵消散。
8.一种基于浮动车数据的告诉公路拥堵识别设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述的基于浮动车数据的高速公路拥堵识别方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于浮动车数据的高速公路拥堵识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211612353.8A CN115880909A (zh) | 2022-12-15 | 2022-12-15 | 基于浮动车数据的高速公路拥堵识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211612353.8A CN115880909A (zh) | 2022-12-15 | 2022-12-15 | 基于浮动车数据的高速公路拥堵识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115880909A true CN115880909A (zh) | 2023-03-31 |
Family
ID=85767626
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211612353.8A Pending CN115880909A (zh) | 2022-12-15 | 2022-12-15 | 基于浮动车数据的高速公路拥堵识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115880909A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117253364A (zh) * | 2023-11-15 | 2023-12-19 | 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*** |
-
2022
- 2022-12-15 CN CN202211612353.8A patent/CN115880909A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117253364A (zh) * | 2023-11-15 | 2023-12-19 | 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*** |
| 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*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9527384B2 (en) | Driving context generation system for generating driving behavior description information | |
| CN112700072B (zh) | 交通状况预测方法、电子设备和存储介质 | |
| WO2021203972A1 (zh) | 基于碰撞模型的风险预防方法、装置、设备及存储介质 | |
| CN113401143B (zh) | 一种基于驾驶风格和意图的个性化自适应轨迹预测方法 | |
| Marczak et al. | Key variables of merging behaviour: empirical comparison between two sites and assessment of gap acceptance theory | |
| Li et al. | Characterizing Heterogeneity in Drivers’ Merging Maneuvers Using Two‐Step Cluster Analysis | |
| CN110738856A (zh) | 一种基于移动聚类的城市交通拥堵精细识别方法 | |
| US11195412B2 (en) | Predicting short-term traffic flow congestion on urban motorway networks | |
| 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 | |
| CN111126438B (zh) | 一种驾驶行为识别方法及*** | |
| CN115880909A (zh) | 基于浮动车数据的高速公路拥堵识别方法 | |
| US20220343637A1 (en) | Traffic flow machine-learning modeling system and method applied to vehicles | |
| Oh et al. | In-depth understanding of lane changing interactions for in-vehicle driving assistance systems | |
| CN113297795A (zh) | 一种纯电动汽车行驶工况构建方法 | |
| Xu et al. | Utilizing structural equation modeling and segmentation analysis in real-time crash risk assessment on freeways | |
| CN110766940A (zh) | 道路信号交叉口运行状况评估方法 | |
| Wang et al. | ARIMA Model and Few‐Shot Learning for Vehicle Speed Time Series Analysis and Prediction | |
| Taylor et al. | Road type classification through data mining | |
| Gomes et al. | A survey on traffic flow prediction and classification | |
| CN111860383B (zh) | 一种群体异常行为识别方法、装置、设备及存储介质 | |
| CN116704750B (zh) | 一种基于聚类算法的交通状态识别方法、电子设备、介质 | |
| Louah et al. | Traffic operations at an entrance ramp of a suburban freeway first results | |
| CN110097074B (zh) | 一种基于序列相似度的车辆轨迹压缩方法 | |
| CN115257803A (zh) | 一种适用于高速自动驾驶功能场景提取方法 | |
| CN113393011B (zh) | 预测限速信息的方法、装置、计算机设备和介质 |
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 |