CN116383678A - 一种营运客车异常变速行为常发性路段识别方法 - Google Patents

一种营运客车异常变速行为常发性路段识别方法 Download PDF

Info

Publication number
CN116383678A
CN116383678A CN202211578800.2A CN202211578800A CN116383678A CN 116383678 A CN116383678 A CN 116383678A CN 202211578800 A CN202211578800 A CN 202211578800A CN 116383678 A CN116383678 A CN 116383678A
Authority
CN
China
Prior art keywords
speed change
acceleration
abnormal speed
abnormal
road
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
CN202211578800.2A
Other languages
English (en)
Other versions
CN116383678B (zh
Inventor
别一鸣
张国庆
刘亚君
肖乔云
王天贺
李振宁
朱奥泽
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.)
Jilin University
Original Assignee
Jilin 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 Jilin University filed Critical Jilin University
Priority to CN202211578800.2A priority Critical patent/CN116383678B/zh
Publication of CN116383678A publication Critical patent/CN116383678A/zh
Application granted granted Critical
Publication of CN116383678B publication Critical patent/CN116383678B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种营运客车异常变速行为常发性路段识别方法，本发明涉及营运客车异常变速行为常发性路段识别方法。本发明的目的是为了解决已有交通安全隐患路段排查方法属于事故发生后的统计分析，尚未在事故发生之前对隐患路段进行识别、预警，经济成本高、精度低的问题。一种营运客车异常变速行为常发性路段识别方法具体过程为：步骤1.基础数据采集；步骤2.坐标纠偏；步骤3.基础数据计算；步骤4.异常变速行为识别；步骤5.常发性异常变速路段识别。本发明属于公共交通运营管理技术领域。

Description

一种营运客车异常变速行为常发性路段识别方法
技术领域
本发明涉及营运客车异常变速行为常发性路段识别方法。本发明属于公共交通运营管理技术领域。
背景技术
营运客车作为一种重要的公共交通运输方式，具有载客量大、运输效率高、乘车环境舒适等特点，比较适合中短距离的出行。在行车过程中营运客车司机急踩刹车或急踩油门等异常变速行为均可能会造成乘客不适或受伤，还有可能发生追尾、侧翻等事故，引发更为严重的人身伤亡与财产损失。在实际道路上异常变速行为的发生经常存在一定的空间分布规律性，常发生异常变速行为的路段具有较高的安全隐患，对营运客车异常变速行为常发性路段进行识别一方面可以及时对驾驶员进行预警，避免交通事故的发生；另一方面还可以将常发性路段信息提供给道路管理部门，对隐患路段进行改造，以提高道路行车安全性。
当前车辆异常行为判别多采用视频监控或多传感器数据融合的方法，所需数据的规模和质量要求较高，且采集设备和存储设备的经济成本较高。而在车辆异常行为常发性路段识别方面研究还比较少，相关研究多是在现有交通事故数据基础上进行事故风险路段的判别，属于事故发生后的统计分析，尚未在事故发生之前对隐患路段进行识别、预警。
营运客车具有线路固定、班次密集、班次间运行相似性高的特点，并且当前营运客车全部搭载全球定位***(Global Positioning System，GPS)，公交企业可以获得大量营运客车在固定线路上运行时的位置、速度、加速度等数据。车辆的异常运动行为都会在GPS数据中有所体现，如果能够基于上述GPS数据进行异常变速行为常发性路段的识别，将无需额外购置其他设备进行数据采集，不仅能够节约经济成本，还可以方便利用积累的大量数据对道路隐患路段进行排查。
发明内容
本发明的目的是为了解决已有交通安全隐患路段排查方法属于事故发生后的统计分析，尚未在事故发生之前对隐患路段进行识别、预警，经济成本高、精度低的问题，提出一种营运客车异常变速行为常发性路段识别方法，以提高常发性路段识别技术的精确性和可靠性。
一种营运客车异常变速行为常发性路段识别方法具体过程为：
步骤1.基础数据采集；
步骤2.基于基础数据进行坐标纠偏；
步骤3.基于基础数据和坐标纠偏计算速度和加速度；
步骤4.基于速度和加速度进行异常变速行为识别；
步骤5.基于异常变速行为进行常发性异常变速路段识别。
本发明的有益效果为：
本发明所提出的一种营运客车异常变速行为常发性路段识别方法，依靠易于获取的车载GPS数据，通过地图匹配，完成坐标纠偏，减少由于采集设备硬件误差带来的负面影响，提高营运客车运行基本参数的精度；通过拟合加速度阈值曲线，确定各速度对应的加速度阈值，以判别营运客车异常变速行为；进而基于密度的噪点空间聚类法(DBSCAN)实现常发性异常变速行为常发路段的识别。该技术可以向营运客车驾驶人提供道路安全预警，避免在异常变速行为常发路段发生交通事故；同时向道路管理部门提供安全隐患路段位置，为路段改建提供帮助。
附图说明
图1为本发明流程图。
具体实施方式
具体实施方式一：本实施方式一种营运客车异常变速行为常发性路段识别方法具体过程为：
步骤1.基础数据采集；
步骤2.基于基础数据进行坐标纠偏；
步骤3.基于基础数据和坐标纠偏计算速度和加速度；
步骤4.基于速度和加速度进行异常变速行为识别；
步骤5.基于异常变速行为进行常发性异常变速路段识别。
具体实施方式二：本实施方式与具体实施方式一不同的是，所述步骤1中基础数据采集；具体过程为：
步骤1.1.提取一条营运客车线路过去连续N日内所有运行班次的GPS数据，包括GPS数据的采集时间、采样间隔、经纬度、车辆ID、班次方向信息，建议N取值为180；
步骤1.2.营运客车上下行方向的异常变速行为常发性路段空间分布具有明显差异，选取营运客车上行方向运行道路作为研究对象，本发明同样适用于下行方向运行道路；
步骤1.3.定义线路上行方向的运行班次集合为I＝{i:i＝1,2,3,...,I}；班次i共有K个GPS数据采集点，班次i的第k个数据采集点坐标表示为
Figure BDA0003980834580000021
其中lng、lat分别表示经度与纬度，单位为°；GPS采样间隔表示为T，单位为s；k＝1,2,3,...,K；
步骤1.4.提取营运客车运行线路途经区域的GIS路网，包括道路名称、道路编号、道路等级信息。
其它步骤及参数与具体实施方式一相同。
具体实施方式三：本实施方式与具体实施方式一或二不同的是，所述步骤2中基于基础数据进行坐标纠偏(由于GPS坐标的采集是存在偏差的，不能保证坐标点都准确的落在路网上，为了更加准确，认为实现地图匹配后的坐标是更加准确的，此处地图匹配后转换为平面坐标是为了后续计算更加方便)；具体过程为：
步骤2.1.采用基于隐马尔科夫模型的地图匹配算法，完成GPS数据采集点与GIS路网的地图匹配，匹配到的路网即为GPS数据采集点实际所处路网；
步骤2.2.完成地图匹配后的GPS数据采集点坐标即为GPS数据采集点在路网上实际所处的位置，表示为
Figure BDA0003980834580000031
步骤2.3.将地图匹配后的坐标
Figure BDA0003980834580000032
统一转换为平面坐标/>
Figure BDA0003980834580000033
(比如可以采用投影方式将地图匹配后的坐标统一转换为平面坐标，投影方式可以为UTM 3度分带投影方式)，x、y分别是以赤道和中央子午线的交点作为坐标原点的坐标系中，GPS数据采集点距离中央子午线与赤道的投影距离，单位为m。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四：本实施方式与具体实施方式一至三之一不同的是，所述步骤3中基于基础数据和坐标纠偏计算速度和加速度；具体过程为：
步骤3.1.将班次i的第k个数据采集点坐标纠偏后的速度表示为
Figure BDA0003980834580000034
单位为m/s；计算速度/>
Figure BDA0003980834580000035
如下式所示；
Figure BDA0003980834580000036
式中：
Figure BDA0003980834580000037
分别为班次i的第k+1、k个数据采集点坐标纠偏后的平面坐标的x轴坐标，单位为m；
Figure BDA0003980834580000038
分别为班次i的第k+1、k个数据采集点坐标纠偏后的平面坐标的y轴坐标，单位为m；
步骤3.2.将班次i的第k个数据采集点坐标纠偏后的加速度表示为
Figure BDA0003980834580000039
单位为m/s2；计算加速度/>
Figure BDA0003980834580000041
如下式所示；
Figure BDA0003980834580000042
式中：
Figure BDA0003980834580000043
为班次i的第k-1个数据采集点坐标纠偏后的速度。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五：本实施方式与具体实施方式一至四之一不同的是，所述步骤4中基于速度和加速度进行异常变速行为识别；具体过程为：
步骤4.1.将所有I个班次采集的数据中大于等于0的加速度数据放入集合C+，
Figure BDA0003980834580000044
将所有I个班次采集的数据中小于0的加速度数据放入集合C-，
Figure BDA0003980834580000045
班次运行速度的最大值表示为vmax；
式中：vn为集合C+中第n个数据点的速度，
Figure BDA0003980834580000046
为集合C+中第n个数据点的加速度vm为集合C-中第m个数据点的速度，/>
Figure BDA0003980834580000047
为集合C-中第m个数据点的加速度；
步骤4.2.将速度区间[0,vmax]以1m/s为间隔，划分速度区间组成集合Q，
Figure BDA0003980834580000048
第
Figure BDA0003980834580000049
个区间记为Qσ，第/>
Figure BDA00039808345800000410
个区间中点为/>
Figure BDA00039808345800000411
其中，
Figure BDA00039808345800000412
为向上取整的数学符号；
区间Qσ所包含的数据采集点中，有
Figure BDA00039808345800000413
个数据采集点属于集合C+，/>
Figure BDA00039808345800000414
个数据采集点属于集合C-；
步骤4.3.将区间
Figure BDA00039808345800000415
中属于集合C+和C-的数据采集点按照加速度值由小到大排列，分别放入集合/>
Figure BDA00039808345800000416
和/>
Figure BDA00039808345800000417
步骤4.4.将集合
Figure BDA00039808345800000418
中加速度值的第95分位数表示为/>
Figure BDA00039808345800000419
集合/>
Figure BDA00039808345800000420
中加速度值的第95分位数表示为/>
Figure BDA00039808345800000421
Figure BDA00039808345800000422
作为各速度区间下异常变速行为的区分值(此处是将加速度值的第95分位数作为阈值，即超过这个加速度值的认为是非正常的、偏激的变速行为，后面通过多项式的拟合给定加速度阈值，用来判定是否为异常变速行为)，只把5％的加速度对应的行为视为偏激变速行为；
步骤4.5.将正加速度与负加速度区分值点集表示为P+、P-，如下式所示；
分别以点集P+、P-中的数据点绘制加速度阈值曲线，横坐标为速度，纵坐标为加速度；
Figure BDA0003980834580000051
步骤4.6.分别对点集P+、P-采用最小二乘法拟合多项式曲线，以速度v作为自变量，加速度a作为因变量，设多项式曲线函数分别为a+(v)、a-(v)；
步骤4.7.多项式a+(v)、a-(v)分别用2到5阶(多项式a+(v)、a-(v)的最高阶数M、H分别取2.3、4.5进行拟合)进行拟合，以偏差平方和L(α)、L(β)最小为目标，确定拟合多项式系数α0,α1,...,αM、β0,β1,...,βH与最高阶数M、H；
步骤4.8.拟合后的多项式a+(v)、a-(v)分别作为正、负加速度阈值曲线，据此判断营运客车是否存在异常变速行为。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六：本实施方式与具体实施方式一至五之一不同的是，所述步骤4.4中第95分位数确定方法如下式所示；
Figure BDA0003980834580000052
式中：
Figure BDA0003980834580000053
表示集合/>
Figure BDA0003980834580000054
中第/>
Figure BDA0003980834580000055
位的加速度值；
Figure BDA0003980834580000056
表示集合/>
Figure BDA0003980834580000057
中第/>
Figure BDA0003980834580000058
位的加速度值。
其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七：本实施方式与具体实施方式一至六之一不同的是，所述步骤4.6中分别对点集P+、P-采用最小二乘法拟合多项式曲线，以速度v作为自变量，加速度a作为因变量，设多项式曲线函数分别为a+(v)、a-(v)，如下式所示；
Figure BDA0003980834580000061
式中：M、H分别表示多项式曲线函数a+(v)、a-(v)的最高阶数；α0,α1,...,αM表示拟合多项式系数，β0,β1,...,βH表示拟合多项式系数；vM表示速度v的M阶，vH表示速度v的H阶，vj表示速度v的j阶，vl表示速度v的l阶。
其它步骤及参数与具体实施方式一至六之一相同。
具体实施方式八：本实施方式与具体实施方式一至七之一不同的是，所述步骤4.7中L(α)、L(β)计算如下式所示；
Figure BDA0003980834580000062
其它步骤及参数与具体实施方式一至七之一相同。
具体实施方式九：本实施方式与具体实施方式一至八之一不同的是，所述步骤4.8中拟合后的多项式a+(v)、a-(v)分别作为正、负加速度阈值曲线，据此判断营运客车是否存在异常变速行为；具体过程为：
步骤4.8.1.k＝1；
步骤4.8.2.确定班次i的第k个数据采集点坐标纠偏后的加速度
Figure BDA0003980834580000063
对应速度/>
Figure BDA0003980834580000064
的加速度阈值/>
Figure BDA0003980834580000065
与/>
Figure BDA0003980834580000066
(即a+(v)、a-(v)拟合完成后，加速度阈值曲线中每一个速度值就能对应一个加速度阈值)；
步骤4.8.3.判断
Figure BDA0003980834580000067
如果是，进入步骤4.8.4；否则，进入步骤4.8.5；
步骤4.8.4判断
Figure BDA0003980834580000068
如果是，判定营运客车存在一次异常加速行为；否则，判定营运客车不存在异常加速行为；
步骤4.8.5.判断
Figure BDA0003980834580000069
如果是，判定营运客车存在一次异常减速行为；否则，判定营运客车不存在异常减速行为；
步骤4.8.6.k＝k+1，判断k≤K，如果是，转入步骤4.8.2；否则，转入步骤4.8.7；
步骤4.8.7.遍历所有加速度后，筛选出所有异常变速行为点。
其它步骤及参数与具体实施方式一至八之一相同。
具体实施方式十：本实施方式与具体实施方式一至九之一不同的是，所述步骤5中基于异常变速行为进行常发性异常变速路段识别；具体过程为：
研究异常变速行为的空间分布情况，将异常变速行为发生的位置记为一次异常变速行为数据，采用基于改进DBSCAN聚类方法对异常变速行为数据进行空间聚类；
步骤5.1.参数定义；具体过程为：
步骤5.1.1.单个异常变速行为发生位置的坐标r_p(x,y)记为pψ(x,y)，异常变速行为数据组成集合D，总数为z，记作
Figure BDA0003980834580000071
步骤5.1.2.用欧式距离计算异常变速行为样本点
Figure BDA0003980834580000072
与/>
Figure BDA0003980834580000073
间的距离
Figure BDA0003980834580000074
如下式所示；
Figure BDA0003980834580000075
式中：γ,η∈[1,z]；
Figure BDA0003980834580000076
分别为样本点/>
Figure BDA0003980834580000077
平面坐标的x轴坐标，m；
Figure BDA0003980834580000078
分别为样本点/>
Figure BDA0003980834580000079
平面坐标的y轴坐标，m；
步骤5.1.3.异常变速行为点pψ的邻域表示为Npψ，邻域半径为ε，如下式所示；
Figure BDA00039808345800000710
步骤5.1.4.点pψ邻域
Figure BDA00039808345800000711
范围内最小样本点数表示为λ，点pψ作为核心样本点需要满足的条件如下式所示；
Figure BDA00039808345800000712
式中：
Figure BDA00039808345800000713
表示以pψ为核心点的邻域内样本点个数；
步骤5.1.5.用轮廓系数评估聚类样本的聚类效果，异常变速行为样本点
Figure BDA00039808345800000714
的轮廓系数计算如下式所示；
Figure BDA0003980834580000081
式中：
Figure BDA0003980834580000082
为样本点/>
Figure BDA0003980834580000083
到簇内的其它点的平均距离；
Figure BDA0003980834580000084
为样本点/>
Figure BDA0003980834580000085
到其他簇内各点的平均距离；
步骤5.1.6.采用总体轮廓系数平均值
Figure BDA0003980834580000086
作为样本总体聚类效果评价指标，具体计算如下式所示；
Figure BDA0003980834580000087
步骤5.2.具体聚类步骤；具体过程为：
步骤5.2.1.初始化邻域半径ε，根据异常变速行为特性，不建议选择较大的ε，取ε＝100m；
步骤5.2.2.根据道路等级划定簇内最小样本点数可取用最小值为λ1，最大值为λ2(可以根据道路等级灵活调整，比如高速公路、一级公路、二级公路……，可以划定不同的最小样本点数取值范围)，λ为整数，取值范围为[λ1,λ2]；
步骤5.2.3.初始化，令参数h＝0；
步骤5.2.4.λ＝λ1+h，输入ε、λ；
5.2.5.采用DBSCAN聚类方法对集合D中所有异常变速行为点pψ(x,y)完成空间聚类；
步骤5.2.6.计算各异常变速行为样本点轮廓系数
Figure BDA0003980834580000088
与总体轮廓系数平均值
Figure BDA0003980834580000089
步骤5.2.7.判断λ1+h≤λ2，如果是，h＝h+1，返回步骤5.2.4；否则，进入步骤5.2.8；
步骤5.2.8.计算总体轮廓系数最大值
Figure BDA00039808345800000810
如下式所示；
Figure BDA00039808345800000811
每个λ作为输入便对应计算一个总体轮廓系数平均值，步骤5.2.8是对这些总体轮廓系数取最大值；
步骤5.2.9.确定
Figure BDA00039808345800000812
对应的参数λ为λ0，即最终关键参数λ＝λ0；
步骤5.3.确定DBSCAN的聚类参数ε＝100m，λ＝λ0为最优聚类；
步骤5.4.将集合D中所有异常变速行为点pψ(x,y)经最优聚类后输出簇数量与每个簇内样本点数量，簇数量即为常发性异常变速路段数量，每个簇内样本点数量即为该路段发生的异常变速行为数量；
步骤5.5.样本点分布于路网上，故聚类后的簇形状(由于所有的样本点都是在路网上的，所以聚类后的簇形状是路段)是贴合路网的，所得簇类即为常发性异常变速路段，簇类沿路网方向的边缘点即为异常变速常发性路段起终点。
其它步骤及参数与具体实施方式一至九之一相同。
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (10)

1.一种营运客车异常变速行为常发性路段识别方法，其特征在于：所述方法具体过程为：
步骤1.基础数据采集；
步骤2.基于基础数据进行坐标纠偏；
步骤3.基于基础数据和坐标纠偏计算速度和加速度；
步骤4.基于速度和加速度进行异常变速行为识别；
步骤5.基于异常变速行为进行常发性异常变速路段识别。
2.根据权利要求1所述的一种营运客车异常变速行为常发性路段识别方法，其特征在于：所述步骤1中基础数据采集；具体过程为：
步骤1.1.提取一条营运客车线路过去连续N日内所有运行班次的GPS数据，包括GPS数据的采集时间、采样间隔、经纬度、车辆ID、班次方向信息；
步骤1.2.营运客车上下行方向的异常变速行为常发性路段空间分布具有明显差异，选取营运客车上行方向运行道路作为研究对象，本发明同样适用于下行方向运行道路；
步骤1.3.定义线路上行方向的运行班次集合为I＝{i:i＝1,2,3,...,I}；班次i共有K个GPS数据采集点，班次i的第k个数据采集点坐标表示为
Figure FDA0003980834570000011
其中lng、lat分别表示经度与纬度，单位为°；GPS采样间隔表示为T，单位为s；k＝1,2,3,...,K；
步骤1.4.提取营运客车运行线路途经区域的GIS路网，包括道路名称、道路编号、道路等级信息。
3.根据权利要求2所述的一种营运客车异常变速行为常发性路段识别方法，其特征在于：所述步骤2中基于基础数据进行坐标纠偏；具体过程为：
步骤2.1.采用基于隐马尔科夫模型的地图匹配算法，完成GPS数据采集点与GIS路网的地图匹配，匹配到的路网即为GPS数据采集点实际所处路网；
步骤2.2.完成地图匹配后的GPS数据采集点坐标即为GPS数据采集点在路网上实际所处的位置，表示为
Figure FDA0003980834570000012
步骤2.3.将地图匹配后的坐标
Figure FDA0003980834570000013
统一转换为平面坐标/>
Figure FDA0003980834570000014
x、y分别是以赤道和中央子午线的交点作为坐标原点的坐标系中，GPS数据采集点距离中央子午线与赤道的投影距离，单位为m。
4.根据权利要求3所述的一种营运客车异常变速行为常发性路段识别方法，其特征在于：所述步骤3中基于基础数据和坐标纠偏计算速度和加速度；具体过程为：
步骤3.1.将班次i的第k个数据采集点坐标纠偏后的速度表示为
Figure FDA0003980834570000021
单位为m/s；计算速度/>
Figure FDA0003980834570000022
如下式所示；
Figure FDA0003980834570000023
式中：
Figure FDA0003980834570000024
分别为班次i的第k+1、k个数据采集点坐标纠偏后的平面坐标的x轴坐标，单位为m；
Figure FDA0003980834570000025
分别为班次i的第k+1、k个数据采集点坐标纠偏后的平面坐标的y轴坐标，单位为m；
步骤3.2.将班次i的第k个数据采集点坐标纠偏后的加速度表示为
Figure FDA0003980834570000026
单位为m/s2；计算加速度/>
Figure FDA0003980834570000027
如下式所示；
Figure FDA0003980834570000028
式中：
Figure FDA0003980834570000029
为班次i的第k-1个数据采集点坐标纠偏后的速度。
5.根据权利要求4所述的一种营运客车异常变速行为常发性路段识别方法，其特征在于：所述步骤4中基于速度和加速度进行异常变速行为识别；具体过程为：
步骤4.1.将所有I个班次采集的数据中大于等于0的加速度数据放入集合C+，
Figure FDA00039808345700000210
将所有I个班次采集的数据中小于0的加速度数据放入集合C-，
Figure FDA00039808345700000211
班次运行速度的最大值表示为vmax；
式中：vn为集合C+中第n个数据点的速度，
Figure FDA00039808345700000212
为集合C+中第n个数据点的加速度vm为集合C-中第m个数据点的速度，/>
Figure FDA00039808345700000213
为集合C-中第m个数据点的加速度；
步骤4.2.将速度区间[0,vmax]以1m/s为间隔，划分速度区间组成集合Q，
Figure FDA00039808345700000214
第
Figure FDA00039808345700000215
个区间记为Qσ，第/>
Figure FDA00039808345700000216
个区间中点为/>
Figure FDA00039808345700000217
其中，
Figure FDA0003980834570000031
为向上取整的数学符号；
区间Qσ所包含的数据采集点中，有
Figure FDA0003980834570000032
个数据采集点属于集合C+，/>
Figure FDA0003980834570000033
个数据采集点属于集合C-；
步骤4.3.将区间
Figure FDA0003980834570000034
中属于集合C+和C-的数据采集点按照加速度值由小到大排列，分别放入集合/>
Figure FDA0003980834570000035
和/>
Figure FDA0003980834570000036
步骤4.4.将集合
Figure FDA0003980834570000037
中加速度值的第95分位数表示为/>
Figure FDA0003980834570000038
集合/>
Figure FDA0003980834570000039
中加速度值的第95分位数表示为/>
Figure FDA00039808345700000310
Figure FDA00039808345700000311
作为各速度区间下异常变速行为的区分值，只把5％的加速度对应的行为视为偏激变速行为；
步骤4.5.将正加速度与负加速度区分值点集表示为P+、P-，如下式所示；
分别以点集P+、P-中的数据点绘制加速度阈值曲线，横坐标为速度，纵坐标为加速度；
Figure FDA00039808345700000312
步骤4.6.分别对点集P+、P-采用最小二乘法拟合多项式曲线，以速度v作为自变量，加速度a作为因变量，设多项式曲线函数分别为a+(v)、a-(v)；
步骤4.7.多项式a+(v)、a-(v)分别用2到5阶进行拟合，以偏差平方和L(α)、L(β)最小为目标，确定拟合多项式系数α0,α1,...,αM、β0,β1,...,βH与最高阶数M、H；
步骤4.8.拟合后的多项式a+(v)、a-(v)分别作为正、负加速度阈值曲线，据此判断营运客车是否存在异常变速行为。
6.根据权利要求5所述的一种营运客车异常变速行为常发性路段识别方法，其特征在于：所述步骤4.4中第95分位数确定方法如下式所示；
Figure FDA00039808345700000313
式中：
Figure FDA00039808345700000314
表示集合/>
Figure FDA00039808345700000315
中第/>
Figure FDA00039808345700000316
位的加速度值；
Figure FDA0003980834570000041
表示集合/>
Figure FDA0003980834570000042
中第/>
Figure FDA0003980834570000043
位的加速度值。
7.根据权利要求6所述的一种营运客车异常变速行为常发性路段识别方法，其特征在于：所述步骤4.6中分别对点集P+、P-采用最小二乘法拟合多项式曲线，以速度v作为自变量，加速度a作为因变量，设多项式曲线函数分别为a+(v)、a-(v)，如下式所示；
Figure FDA0003980834570000044
式中：M、H分别表示多项式曲线函数a+(v)、a-(v)的最高阶数；α0,α1,...,αM表示拟合多项式系数，β0,β1,...,βH表示拟合多项式系数；vM表示速度v的M阶，vH表示速度v的H阶，vj表示速度v的j阶，vl表示速度v的l阶。
8.根据权利要求7所述的一种营运客车异常变速行为常发性路段识别方法，其特征在于：所述步骤4.7中L(α)、L(β)计算如下式所示；
Figure FDA0003980834570000045
9.根据权利要求8所述的一种营运客车异常变速行为常发性路段识别方法，其特征在于：所述步骤4.8中拟合后的多项式a+(v)、a-(v)分别作为正、负加速度阈值曲线，据此判断营运客车是否存在异常变速行为；具体过程为：
步骤4.8.1.k＝1；
步骤4.8.2.确定班次i的第k个数据采集点坐标纠偏后的加速度
Figure FDA0003980834570000046
对应速度/>
Figure FDA0003980834570000047
的加速度阈值/>
Figure FDA0003980834570000048
与/>
Figure FDA0003980834570000049
步骤4.8.3.判断
Figure FDA00039808345700000410
如果是，进入步骤4.8.4；否则，进入步骤4.8.5；
步骤4.8.4判断
Figure FDA00039808345700000411
如果是，判定营运客车存在一次异常加速行为；否则，判定营运客车不存在异常加速行为；
步骤4.8.5.判断
Figure FDA00039808345700000412
如果是，判定营运客车存在一次异常减速行为；否则，判定营运客车不存在异常减速行为；
步骤4.8.6.k＝k+1，判断k≤K，如果是，转入步骤4.8.2；否则，转入步骤4.8.7；
步骤4.8.7.遍历所有加速度后，筛选出所有异常变速行为点。
10.根据权利要求9所述的一种营运客车异常变速行为常发性路段识别方法，其特征在于：所述步骤5中基于异常变速行为进行常发性异常变速路段识别；具体过程为：
步骤5.1.参数定义；
具体过程为：
步骤5.1.1.单个异常变速行为发生位置的坐标r_p(x,y)记为pψ(x,y)，异常变速行为数据组成集合D，总数为z，记作
Figure FDA0003980834570000051
步骤5.1.2.用欧式距离计算异常变速行为样本点
Figure FDA0003980834570000052
与/>
Figure FDA0003980834570000053
间的距离/>
Figure FDA0003980834570000054
如下式所示；
Figure FDA0003980834570000055
式中：γ,η∈[1,z]；
Figure FDA0003980834570000056
分别为样本点/>
Figure FDA0003980834570000057
平面坐标的x轴坐标，m；
Figure FDA0003980834570000058
分别为样本点/>
Figure FDA0003980834570000059
平面坐标的y轴坐标，m；
步骤5.1.3.异常变速行为点pψ的邻域表示为
Figure FDA00039808345700000510
邻域半径为ε，如下式所示；
Figure FDA00039808345700000511
步骤5.1.4.点pψ邻域
Figure FDA00039808345700000512
范围内最小样本点数表示为λ，点pψ作为核心样本点需要满足的条件如下式所示；
Figure FDA00039808345700000513
式中：
Figure FDA00039808345700000514
表示以pψ为核心点的邻域内样本点个数；
步骤5.1.5.用轮廓系数评估聚类样本的聚类效果，异常变速行为样本点
Figure FDA00039808345700000515
的轮廓系数计算如下式所示；
Figure FDA0003980834570000061
式中：
Figure FDA0003980834570000062
为样本点/>
Figure FDA0003980834570000063
到簇内的其它点的平均距离；
Figure FDA0003980834570000064
为样本点/>
Figure FDA0003980834570000065
到其他簇内各点的平均距离；
步骤5.1.6.采用总体轮廓系数平均值
Figure FDA0003980834570000066
作为样本总体聚类效果评价指标，具体计算如下式所示；
Figure FDA0003980834570000067
步骤5.2.具体聚类步骤；
具体过程为：
步骤5.2.1.初始化邻域半径ε，取ε＝100m；
步骤5.2.2.根据道路等级划定簇内最小样本点数可取用最小值为λ1，最大值为λ2，λ为整数，取值范围为[λ1,λ2]；
步骤5.2.3.初始化，令参数h＝0；
步骤5.2.4.λ＝λ1+h，输入ε、λ；
步骤5.2.5.采用DBSCAN聚类方法对集合D中所有异常变速行为点pψ(x,y)完成空间聚类；
步骤5.2.6.计算各异常变速行为样本点轮廓系数
Figure FDA0003980834570000068
与总体轮廓系数平均值/>
Figure FDA0003980834570000069
步骤5.2.7.判断λ1+h≤λ2，如果是，h＝h+1，返回步骤5.2.4；否则，进入步骤5.2.8；
步骤5.2.8.计算总体轮廓系数最大值
Figure FDA00039808345700000610
如下式所示；
Figure FDA00039808345700000611
步骤5.2.9.确定
Figure FDA00039808345700000612
对应的参数λ为λ0，即最终关键参数λ＝λ0；
步骤5.3.确定DBSCAN的聚类参数ε＝100m，λ＝λ0为最优聚类；
步骤5.4.将集合D中所有异常变速行为点pψ(x,y)经最优聚类后输出簇数量与每个簇内样本点数量，簇数量即为常发性异常变速路段数量，每个簇内样本点数量即为该路段发生的异常变速行为数量；
步骤5.5.样本点分布于路网上，故聚类后的簇形状是贴合路网的，所得簇类即为常发性异常变速路段，簇类沿路网方向的边缘点即为异常变速常发性路段起终点。
CN202211578800.2A 2022-12-05 2022-12-05 一种营运客车异常变速行为常发性路段识别方法 Active CN116383678B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211578800.2A CN116383678B (zh) 2022-12-05 2022-12-05 一种营运客车异常变速行为常发性路段识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211578800.2A CN116383678B (zh) 2022-12-05 2022-12-05 一种营运客车异常变速行为常发性路段识别方法

Publications (2)

Publication Number Publication Date
CN116383678A true CN116383678A (zh) 2023-07-04
CN116383678B CN116383678B (zh) 2024-05-03

Family

ID=86962056

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211578800.2A Active CN116383678B (zh) 2022-12-05 2022-12-05 一种营运客车异常变速行为常发性路段识别方法

Country Status (1)

Country Link
CN (1) CN116383678B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118070074A (zh) * 2024-04-18 2024-05-24 安徽博微广成信息科技有限公司 道路作业异常识别方法、装置及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110029184A1 (en) * 2009-07-31 2011-02-03 Systems and Advances Technologies Engineering S.r.I. (S.A.T.E.) Road Vehicle Drive Behaviour Analysis Method
CN104933863A (zh) * 2015-06-02 2015-09-23 福建工程学院 一种交通道路中异常路段识别的方法及***
CN109059939A (zh) * 2018-06-27 2018-12-21 湖南智慧畅行交通科技有限公司 基于隐马尔科夫模型的地图匹配算法
CN110239559A (zh) * 2019-07-02 2019-09-17 绍兴数鸿科技有限公司 基于新能源车数据的危险驾驶车辆检测方法及装置
CN114756599A (zh) * 2022-04-06 2022-07-15 扬州大学 一种基于车辆gps数据的驾驶员异常变速辨识方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110029184A1 (en) * 2009-07-31 2011-02-03 Systems and Advances Technologies Engineering S.r.I. (S.A.T.E.) Road Vehicle Drive Behaviour Analysis Method
CN104933863A (zh) * 2015-06-02 2015-09-23 福建工程学院 一种交通道路中异常路段识别的方法及***
CN109059939A (zh) * 2018-06-27 2018-12-21 湖南智慧畅行交通科技有限公司 基于隐马尔科夫模型的地图匹配算法
CN110239559A (zh) * 2019-07-02 2019-09-17 绍兴数鸿科技有限公司 基于新能源车数据的危险驾驶车辆检测方法及装置
CN114756599A (zh) * 2022-04-06 2022-07-15 扬州大学 一种基于车辆gps数据的驾驶员异常变速辨识方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张迪: "基于浮动车GPS数据分析的车辆相对异常驾驶行为研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 2019, 15 January 2019 (2019-01-15) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118070074A (zh) * 2024-04-18 2024-05-24 安徽博微广成信息科技有限公司 道路作业异常识别方法、装置及电子设备

Also Published As

Publication number Publication date
CN116383678B (zh) 2024-05-03

Similar Documents

Publication Publication Date Title
EP2710572B1 (en) Vehicle data analysis method and vehicle data analysis system
CN112201038A (zh) 一种基于单车不良驾驶行为风险的路网风险评估方法
CN110428621B (zh) 一种基于轨迹数据的浮动车危险驾驶行为监测与预警方法
CN106956680B (zh) 一种电动汽车驾驶行为识别分析方法
CN111563555A (zh) 一种司机驾驶行为分析方法及***
CN116383678B (zh) 一种营运客车异常变速行为常发性路段识别方法
CN105975757A (zh) 一种基于车辆行驶数据的急减速行为识别方法
CN109583081B (zh) 一种车辆行驶速度预测模型构建方法
CN114379559A (zh) 一种基于车辆信息采集***的驾驶风险评价特征画像方法
CN114999181A (zh) 一种基于etc***数据的高速公路车辆速度异常识别方法
CN113095387B (zh) 基于联网车载adas的道路风险识别方法
CN114912689A (zh) 基于地图网格索引和xgboost的超限车辆目的地预测方法及***
CN114064656B (zh) 一种基于路端感知***的自动驾驶场景识别与转化方法
CN109147320B (zh) 一种基于卡口数据的路段交通状态判别方法
CN112530164B (zh) 一种高海拔地区道路主动驾驶安全预警方法及***
CN115909752A (zh) 一种基于车辆用户历史数据的急转弯识别及统计方法
CN112036709B (zh) 基于随机森林的降雨天气高速公路二次事故致因分析方法
CN114119256A (zh) 一种ubi危险化学品车辆驾驶行为采集分析***及保费折扣方法
CN111775948B (zh) 一种驾驶行为分析方法及装置
CN110544378B (zh) 一种手机用户拥车情况的判断方法
Anil et al. Driver behavior analysis using K-means algorithm
CN116665456B (zh) 一种结合高维指标降维处理对交通状态进行评估的方法
CN114255590B (zh) 基于rfid数据的交通运行分析方法
CN117194930B (zh) 基于车辆行驶数据的隧道路段安全监控方法
CN114944083B (zh) 一种高速公路上行驶车辆与前车距离的判断方法

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