CN116704750A - 一种基于聚类算法的交通状态识别方法、电子设备、介质 - Google Patents
一种基于聚类算法的交通状态识别方法、电子设备、介质 Download PDFInfo
- Publication number
- CN116704750A CN116704750A CN202310519877.0A CN202310519877A CN116704750A CN 116704750 A CN116704750 A CN 116704750A CN 202310519877 A CN202310519877 A CN 202310519877A CN 116704750 A CN116704750 A CN 116704750A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- track data
- vehicle track
- lane
- data set
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 24
- 238000009826 distribution Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000000926 separation method Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 239000006185 dispersion Substances 0.000 claims description 2
- 230000004931 aggregating effect Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005065 mining Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000011664 signaling 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
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于聚类算法的交通状态识别方法、电子设备、介质,包括:结合待分析区域的地理位置信息,从历史车辆轨迹数据中提取对应区域的车辆轨迹数据并进行预处理,获得标准车辆轨迹数据集;根据车辆运行时道路边缘的距离特性,对标准车辆轨迹数据集进行聚类以对车道进行分离和识别,生成车道车辆轨迹数据集;根据各车道车辆时空分布,通过聚类提取某一时间段内的停止车辆,以识别交叉路口停车线;根据不同周期产生的车辆排队可以从时空中进行区分的特性,基于车道车辆轨迹数据集对路段上的车辆排队进行识别,计算车辆排队长度。获取绿灯和红灯的开始时间进行信号灯状态估计。
Description
技术领域
本发明涉及交通状态识别领域,尤其涉及一种基于聚类算法的交通状态识别方法、电子设备、介质。
背景技术
近年来,智能交通***已经成为解决交通问题的有力手段,其中交通状态识别是其中重要的一环。作为交通控制和诱导的前提,交通状态识别在智能交通***的管理和动态控制中具有重要作用。许多现实实践表明,数据对于交通状态识别的准确性和有效性具有重要的作用,然而目前现存的传感器,在数据采集、处理的实时性上具有一定的问题,同时比较难以获取可以反应整个道路网络的全局信息的交通数据。
目前常用的数据采集方式有两种:一是基于固定传感器的数据方法,二是基于移动传感器的数据采集方法。其中固定传感器大多只能提取断面的交通数据,很难反映整个路段交通流的时空特性,并且其安装维修的成本较高。而移动传感器主要由装有GPS的网联车、浮动车等为主,但由于其市场占有率较小,因此距离全方位覆盖还有不小的距离。
随着计算机视觉技术、计算能力和通信技术的不断提高,以无人机为主要采集手段的高时空分辨率的车辆轨迹数据越来越受到大家的关注。本发明旨在基于机器学习中的聚类算法,通过挖掘车辆轨迹数据价值,提取关键的交通信息,进而实现交通状态的高效识别,可用于解释交通现象和为交通管控等应用提供数据支撑。
发明内容
有鉴于此,本发明提出了一种基于聚类算法的交通状态识别方法、电子设备、介质。
根据本发明实施例的第一方面,提供了一种基于聚类算法的交通状态识别方法,所述方法包括:
步骤S1,结合待分析区域的地理位置信息,从历史车辆轨迹数据中提取对应区域的车辆轨迹数据并进行预处理,获得标准车辆轨迹数据集;
步骤S2,根据车辆运行时道路边缘的距离特性,对步骤S1获取的标准车辆轨迹数据集进行聚类以对车道进行分离和识别,生成车道车辆轨迹数据集;
步骤S3,根据各车道车辆时空分布,通过聚类提取某一时间段内的停止车辆,以识别交叉路口停车线;
步骤S4,根据不同周期产生的车辆排队可以从时空中进行区分的特性,基于车道车辆轨迹数据集对路段上的车辆排队进行识别,计算车辆排队长度;
步骤S5,获取绿灯和红灯的开始时间进行信号灯状态估计。
根据本发明实施例的第二方面,提供了一种基于聚类算法的交通状态识别***,所述***包括:
数据标准化模块,用于结合待分析区域的地理位置信息,从有标签的路段的历史车辆轨迹数据中提取对应区域的车辆轨迹数据并进行预处理,获得标准车辆轨迹数据集;
地理信息提取模块,根据车辆运行时道路边缘的距离特性,对标准车辆轨迹数据集进行聚类以对车道进行分离和识别,生成车道车辆轨迹数据集;根据各车道车辆时空分布,通过聚类提取某一时间段内的停止车辆,以识别交叉路口停车线;
排队信息识别模块,根据不同周期产生的车辆排队可以从时空中进行区分的特性,基于车道车辆轨迹数据集对路段上的车辆排队进行识别,计算车辆排队长度;
信号状态估计模块,用于获取绿灯和红灯的开始时间进行信号灯状态估计。
根据本发明实施例的第三方面,提供了一种电子设备,包括存储器和处理器,所述存储器与所述处理器耦接;其中,所述存储器用于存储程序数据,所述处理器用于执行所述程序数据以实现上述的发明名称方法。
根据本发明实施例的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述的发明名称方法。
与现有技术相比,本发明的有益效果在于:本发明基于高分辨率轨迹数据识别交通状态,且采用的数据为主流的公共数据集,具有较高的可实施性。本发明按照数据输入、数据预处理和数据处理三大模块进行交通状态的识别,可以充分提高交通状态识别的准确性。本发明的聚类算法对不同的交通信号周期进行区别计算,充分考虑交通信息的时空特性。识别出来的交通状态可以用于不同的应用,例如交通分析和交通建模。本发明以路段为计算最小单元,可以实现多尺度时空交通状态识别,有助于从时间与空间角度,为交通应用提供全方位的数据支撑。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于聚类算法的交通状态识别方法的流程图;
图2是本发明实施例提供的从车辆轨迹中挖掘出车道方向的示意图;
图3是本发明实施例提供的一种基于聚类算法的交通状态识别***的示意图;
图4是本发明实施例提供的一种电子设备的示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
下面结合附图,对本发明进行详细说明。在不冲突的情况下,下述的实施例及实施方式中的特征可以相互组合。
如图1所示,本发明实施例提出了一种聚类算法的交通状态识别方法,所述方法具体包括以下步骤:
步骤S1,数据标准化:获取有标签的路段的历史车辆轨迹数据,结合待分析区域的地理位置信息,提取对应区域的车辆轨迹数据;并对车辆轨迹数据进行预处理,获得标准车辆轨迹数据集。
具体地,所述步骤S1包括以下子步骤:
步骤S101,获取有标签的路段的历史车辆轨迹数据,自定义待分析区域,将不同的待分析区域的车辆轨迹数据结合地理信息进行分离,提取对应区域的车辆轨迹数据;在本实例中,将不同的待分析区域定义为对应的不同的多边形,以便在后续分析中对不同的待分析区域进行独立处理。
步骤S102,将待分析区域沿道路方向划分为长度相同的子路段,统计每个子路段的车辆总停止次数,当车辆总停止次数大幅减少时,该子路段可作为两个交叉路口之间的分离点。在确定交叉路口之间的分离点之后,从区域的车辆轨迹数据按照分离点进行分割,进而提取每个交叉路口的车辆轨迹数据,即得标准车辆轨迹数据集。
由于待分析区域中可能存在多个交叉路口,因此需要将车辆轨迹数据根据每个交叉路口进行分离。总停止次数随着车辆到停车线距离的增加而减少,因此,本发明使用车辆的总停止次数的动态变化按交叉路口划分车辆轨迹数据。
步骤S2,根据车辆运行时道路边缘的距离特性,对步骤S1获取的标准车辆轨迹数据集进行聚类以对车道进行分离和识别,生成车道车辆轨迹数据集。
具体地,所述步骤S2包括以下子步骤:
步骤S201,对步骤S1获取的标准车辆轨迹数据集进行去噪。
示例性地,在步骤S1获取的标准车辆轨迹数据集中包含小汽车对应的标准车辆轨迹数据、摩托车对应的标准车辆轨迹数据。其中,摩托车对应的标准车辆轨迹数据会在车道检测中产生噪声,因为摩托车可能不严格遵守车道线,并在拥挤的情况下超车。我们使用数据去除手段将摩托车数据作为噪声移除。
步骤S202,将去噪后的标准车辆轨迹数据转换为一维的标准车辆轨迹数据,用于表示道路边缘与每辆车位置之间的距离。
进一步地,在步骤S102中,待分析区域沿道路方向划分为长度相同的子路段的过程中,获取各子条路段上的标准车辆轨迹数据,该标准车辆轨迹数据为二维车辆轨迹数据数据。
步骤S203,对一维的标准车辆轨迹数据进行聚类以对车道进行分离和识别,生成车道车辆轨迹数据集。
其中,对一维的标准车辆轨迹数据进行聚类的过程包括:
步骤S20301,设定初始的类别数量,所述初始的类别数量一般设置为1-8。
步骤S20302,由于车辆在不同车道上的分布不同,采用高斯混合模型对一维的标准车辆轨迹数据进行聚类,在聚类的过程中,检查各类别中距离数据的均值,即车道中线的位置,若相邻车道中线相隔大于预设的阈值,考虑到停止和移动的车辆则类别数减1。检查各类别中的点的个数。如果最少点数的群集中点数少于第二个少点数的群集的20%,则类别数减1。
步骤S20303,重复步骤S20302,选择具有最小赤池信息准则值(Akaikeinformation criterion,AIC)的类别数,得到最佳的类别数,返回聚类结果,得到车道车辆轨迹数据集。
需要说明的是,每个点的车道ID由属于每个类别的概率确定。
步骤S3,交叉路口停车线识别:根据各车道车辆时空分布,通过聚类提取某一时间段内的停止车辆,识别交叉路口停车线。
具体地,所述步骤S3包括以下子步骤:
步骤S301,将停车线表示为斜率截距形式,其表达公式为:
y=ax+b
其中,a代表斜率,b代表截距,x代表车辆位置信息。因此在本实例中,可以把停车线识别问题转化为求解a和b的问题。
步骤S302,如图2所示,首先本发明从车辆轨迹中挖掘出车道方向,然后通过根据车道方向与停车线垂直的原理,获取斜率a。
步骤S303,在每个信号周期中,由于红灯的影响,车辆在停止线后面排队,因此停在队列顶部的车辆的位置表示停止线位置的合理近似值。本发明从车道车辆轨迹数据集中选择停车超过阈值的车辆,并提取这些车辆加入和离开队列的时间,将它们包含在名为dataset-A的数据集中。
步骤S304,本发明采用DBSCAN方法对dataset-A中的时间戳进行聚类,并找到属于同一信号周期的数据。
步骤S305,本发明将每类dataset-A的两个最早时间戳做聚合,并将其包含在名为dataset-B的数据集中。
步骤S306,由于部分车辆不符合交通规则,本发明使用dataset-B中的位置信息将所有车道车辆轨迹数据集划分为5m的单元格(这样每个单元格最多包含一辆车),找到数据分布最多的区间,然后使用此区间中的数据位置信息来计算截距b。
步骤S4,路段级车辆排队长度识别:根据不同周期产生的排队可以从时空中进行区分的特性,利用车道车辆轨迹数据集对路段上的车辆排队进行识别,并计算车辆排队长度。
具体地,所述步骤S4包括以下子步骤:
步骤S401,由于不同周期产生的排队数据能够在时空上区分开,同时队列中后车制动时间一定早于前车排队结束并启动的时间。因此,本发明首先以固定的空间间隔Δd划分车道车辆轨迹数据集,将车道车辆轨迹数据集分入不同的距离区间,得到不同的样本集{pd1,pd2,...,pdm}。
步骤S402,为了可以将停止的车辆样本很好地放置在时空平面上,本发明计算交叉路口停车线和停止车辆之间的距离,同时还需要关联对应的时间戳。
步骤S403,在时间层面,由于每个距离区间的数据都是在多个周期内生成的,因此本实例还必须限制每个距离区间内数据的时间范围,在本实例中将同一周期的有效红灯开始时间和有效绿灯开始时间分别用tr和tg表示。
步骤S404,在空间层面,本发明从停车线开始遍历每个距离区间,通过识别当前距离区间的前一个距离区间内是否存在停止的车辆样本,确定当前区间的样本是否属于是因为红灯所停止。如果任一间隔中没有样本,则可以确定队列的末尾在前一个距离间隔中。尽管在随后的距离间隔中可能仍有样本,但这些样本不是因为红灯所停止。
步骤S405,本发明将排队的形成记为Profilef序列,将排队的消散记为Profileg序列。
步骤S406,寻找在其中任意一个样本集的第一辆停车的时间tf和距离df,此处以j为例子:
式中,表示在第t秒第l个车辆的第j个样本,/>表示停止线与第tf秒第k个车辆的第j个样本位置之间的距离,将tf和df***到Profilef中。
步骤S407,由于本发明是在多车道环境中进行的,车辆不能由时间和距离唯一确定,因此可能存在不止一种所谓的第一辆车。因此将车辆集合J记为:
其中,J是具有时间戳和距离等于tf和df的样本的一组车辆。
步骤S408,查找属于车辆集合J中具有最大时间戳和最小距离的样本,并计算其队列中开始消散的最后一辆车的时间td和距离dd。
步骤S409,将td和dd***到Profiled序列中。
步骤S4010,重复步骤S406到步骤S409直到没有在该周期内没有新的数据。
步骤S4011,通过将同一相位周期同一车道的最大dd减去最小dd即为该车道的排队长度。
步骤S5,信号灯状态估计:获取绿灯和红灯的开始时间
具体地,所述步骤S5包括以下子步骤:
由于车辆会从根据信号灯到周期在绿灯时启动并在红灯时停留,因此通过挖掘数据来分离每个周期是很自然的。
步骤S501,本发明通过预设车速阈值来移除所有移动车辆样本,将车辆速度低于预设阈值时收集的数据作为样本。
其中,VEHj代表第j个车辆的第l个样本,和/>分别代表该样本对应的速度和种类,Vth代表预先设定好的车速阈值。
步骤S502,迭代使用聚类算法对停止的车辆样本进行分类,将样本划分为各个周期的样本。
然后,每个周期的停止车辆样本可用于提取信号灯状态。
步骤S503,本发明针对由于红绿灯停车的车辆样本停车时间长的特点,将停止车辆样本进行进一步的分类,该过程如下:
其中,iVEHj,st表示第j辆车在第i次停车持续时间内的整个停车时间,第j次车辆第i次停车期间第l个样本的时间戳描述为
步骤S504,本发明要估计的准确信息是绿灯和红灯的开始时间,因此本发明求解所有停止的样本S1(数据代表在队列开头开始停车的车辆)和启动样本S2(数据代表在队列开头启动的车辆):
步骤S504,最后,本实例利用S1中的最小时间戳来确定该周期的红灯开始时间,利用S2中的最大时间戳来确定该周期的绿灯开始时间。
相应的,如图3所示,本发明还提供了一种基于聚类算法的交通状态识别***,所述***包括:
数据标准化模块,用于结合待分析区域的地理位置信息,从有标签的路段的历史车辆轨迹数据中提取对应区域的车辆轨迹数据并进行预处理,获得标准车辆轨迹数据集;
地理信息提取模块,根据车辆运行时道路边缘的距离特性,对标准车辆轨迹数据集进行聚类以对车道进行分离和识别,生成车道车辆轨迹数据集;根据各车道车辆时空分布,通过聚类提取某一时间段内的停止车辆,以识别交叉路口停车线;
排队信息识别模块,根据不同周期产生的车辆排队可以从时空中进行区分的特性,基于车道车辆轨迹数据集对路段上的车辆排队进行识别,计算车辆排队长度;
信号状态估计模块,用于获取绿灯和红灯的开始时间进行信号灯状态估计。
关于上述实施例中的***,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
对于***实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的***实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
综上所述,本发明提出了基于聚类算法的交通状态识别方法针对无人机等提供的高分辨率车辆轨迹数据,实现挖掘这些数据的适用性,高效提取后续交通管控等应用所需要的信息。本发明针对交通状态中的车道、信号灯状态以及排队信息,采用不同的聚类分析对车辆轨迹数据进行分析,实现路段级的车道分割、排队信息识别,以及交叉口信号状态估计。本发明能够在保证简单易算、结果准确的基础上,根据数据和需求的精细程度不断细化,具有较高的可行性。
该方法利用聚类算法,对基于高分辨车辆轨迹数据的交通状态进行时比赛。方法包括:数据标准化、车道划分、交叉路口停车线识别、路段级车辆排队长度识别、信号灯状态估计。数据获取用于区分不同数据集的适用范围,为后续计算奠定基础。区域划分用于区分不同的地理区域,用于划定研究的空间范围。数据标准化用作对计算的基础和对数据的重组,使得数据满足后续计算的要求,提升发明的可用性。车道划分用于对不同的车道进行划分,为后续的数据挖掘提供更细颗粒度,提升方法的准确性。根据不同车道的数据计算各车道的排队长度,进而推算出路段的车辆排队长度。对于交叉路口停车线识别,该方法用聚类回归出停车线,根据停车线附近的车辆时空信息,聚合得出信号灯的状态信息。
如图4所示,本申请实施例提供一种电子设备,其包括存储器101,用于存储一个或多个程序;处理器102。当一个或多个程序被处理器102执行时,实现如上述第一方面中任一项的方法。
还包括通信接口103,该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块,处理器102通过执行存储在存储器101内的软件程序及模块,从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
其中,存储器101可以是但不限于,随机存取存储器101(Random Access Memory,RAM),只读存储器101(Read Only Memory,ROM),可编程只读存储器101(ProgrammableRead-Only Memory,PROM),可擦除只读存储器101(Erasable Programmable Read-OnlyMemory,EPROM),电可擦除只读存储器101(Electric Erasable Programmable Read-OnlyMemory,EEPROM)等。
处理器102可以是一种集成电路芯片,具有信号处理能力。该处理器102可以是通用处理器102,包括中央处理器102(Central Processing Unit,CPU)、网络处理器102(Network Processor,NP)等;还可以是数字信号处理器102(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请所提供的实施例中,应该理解到,所揭露的方法及***,也可以通过其它的方式实现。以上所描述的方法及***实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的方法及***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
另一方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器102执行时实现如上述第一方面中任一项的方法。所述功能如果以软件功能模块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,本申请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)执行本申请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101(ROM,Read-Only Memory)、随机存取存储器101(RAM,RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员在考虑说明书及实践这里公开的内容后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。
Claims (10)
1.一种基于聚类算法的交通状态识别方法,其特征在于,所述方法包括:
步骤S1,结合待分析区域的地理位置信息,从历史车辆轨迹数据中提取对应区域的车辆轨迹数据并进行预处理,获得标准车辆轨迹数据集;
步骤S2,根据车辆运行时道路边缘的距离特性,对步骤S1获取的标准车辆轨迹数据集进行聚类以对车道进行分离和识别,生成车道车辆轨迹数据集;
步骤S3,根据各车道车辆时空分布,通过聚类提取某一时间段内的停止车辆,以识别交叉路口停车线;
步骤S4,根据不同周期产生的车辆排队可以从时空中进行区分的特性,基于车道车辆轨迹数据集对路段上的车辆排队进行识别,计算车辆排队长度;
步骤S5,获取绿灯和红灯的开始时间进行信号灯状态估计。
2.根据权利要求1所述的一种基于聚类算法的交通状态识别方法,其特征在于,所述步骤S1包括:
获取待分析区域的地理位置信息;
将待分析区域沿道路方向划分为长度相同的子路段,统计每个子路段的车辆总停止次数,当车辆总停止次数大幅减少时,对应的子路段为两个交叉路口之间的分离点;对历史车辆轨迹数据按照分离点进行分割,提取每个交叉路口的车辆轨迹数据,即得标准车辆轨迹数据集。
3.根据权利要求2所述的一种基于聚类算法的交通状态识别方法,其特征在于,所述步骤S1还包括:
对待分析区域的地理位置信息进行分离,将不同的待分析区域定义为对应的不同的多边形。
4.根据权利要求1所述的一种基于聚类算法的交通状态识别方法,其特征在于,所述步骤S2包括:
对步骤S1获取的标准车辆轨迹数据集进行去噪;
将去噪后的标准车辆轨迹数据转换为一维的标准车辆轨迹数据,用于表示道路边缘与每辆车位置之间的距离;
对一维的标准车辆轨迹数据进行聚类以对车道进行分离和识别,生成车道车辆轨迹数据集。
5.根据权利要求1所述的一种基于聚类算法的交通状态识别方法,其特征在于,所述步骤S3包括:
将停车线表示为斜率截距形式,其表达公式为:
y=ax+b
其中,a代表斜率,b代表截距,x代表车辆位置信息;
从车辆轨迹中获取车道方向,根据车道方向与停车线垂直,获取斜率a;
从车道车辆轨迹数据集中选择停车超过预设阈值的车辆,并提取这些车辆加入和离开队列的时间,记为dataset-A数据集;
采用DBSCAN方法对dataset-A数据集中的时间戳进行聚类,并找到属于同一信号周期的数据;
将每类dataset-A的两个最早时间戳做聚合,记为dataset-B数据集;
基于dataset-B中的地理位置信息,将车道车辆轨迹数据集划分为若干区间,根据数据分布最多的区间中的地理位置信息计算得到截距b。
6.根据权利要求1所述的一种基于聚类算法的交通状态识别方法,其特征在于,所述步骤S4包括:
以空间间隔Δd划分车道车辆轨迹数据集,得到不同的样本集{pd1,pd2,...,pdm};
将某一周期的有效红灯开始时间记为tr,有效绿灯开始时间记为tg;
将排队的形成记为Profilef序列,将排队的消散记为Profileg序列;
获取在其中任意一个样本集的第一辆停车的时间tf和距离df,表达式如下:
式中,表示在第t秒第l个车辆的第j个样本,/>表示停止线与第tf秒第k个车辆的第j个样本位置之间的距离,将tf和df***到Profilef序列中;
将车辆集合J记为:
式中,J是具有时间戳和距离等于tf和df的样本的一组车辆;
查找属于车辆集合J中具有最大时间戳和最小距离的样本,并计算其队列中开始消散的最后一辆车的时间td和距离dd;
将时间td和距离dd***到Profiled序列中;
将同一周期同一车道中,最大距离dd减去最小距离dd得到该车道的车辆排队长度。
7.根据权利要求1所述的一种基于聚类算法的交通状态识别方法,其特征在于,所述步骤S5包括:
将车辆速度低于预设阈值时收集的车道车辆轨迹数据作为样本,表达式如下:
其中,VEHj代表第j个车辆的第l个样本,和/>分别代表第l个样本对应的速度和种类,Vth代表预设的车速阈值;
对样本进行进一步的分类,表达式如下:
其中,iVEHj,表示第j辆车在第i次停车持续时间内的整个停车时间,第j次车辆第i次停车期间第l个样本的时间戳描述为
求解所有停止样本S1和启动样本S2,表达式如下:
S1中的最小时间戳为该周期的红灯开始时间,S2中的最大时间戳为该周期的绿灯开始时间。
8.一种基于聚类算法的交通状态识别***,其特征在于,所述***包括:
数据标准化模块,用于结合待分析区域的地理位置信息,从有标签的路段的历史车辆轨迹数据中提取对应区域的车辆轨迹数据并进行预处理,获得标准车辆轨迹数据集;
地理信息提取模块,根据车辆运行时道路边缘的距离特性,对标准车辆轨迹数据集进行聚类以对车道进行分离和识别,生成车道车辆轨迹数据集;根据各车道车辆时空分布,通过聚类提取某一时间段内的停止车辆,以识别交叉路口停车线;
排队信息识别模块,根据不同周期产生的车辆排队可以从时空中进行区分的特性,基于车道车辆轨迹数据集对路段上的车辆排队进行识别,计算车辆排队长度;
信号状态估计模块,用于获取绿灯和红灯的开始时间进行信号灯状态估计。
9.一种电子设备,包括存储器和处理器,其特征在于,所述存储器与所述处理器耦接;其中,所述存储器用于存储程序数据,所述处理器用于执行所述程序数据以实现上述权利要求1-7任一项所述的发明名称方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-7中任一所述的发明名称方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310519877.0A CN116704750B (zh) | 2023-05-06 | 2023-05-06 | 一种基于聚类算法的交通状态识别方法、电子设备、介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310519877.0A CN116704750B (zh) | 2023-05-06 | 2023-05-06 | 一种基于聚类算法的交通状态识别方法、电子设备、介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116704750A true CN116704750A (zh) | 2023-09-05 |
CN116704750B CN116704750B (zh) | 2024-01-12 |
Family
ID=87831882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310519877.0A Active CN116704750B (zh) | 2023-05-06 | 2023-05-06 | 一种基于聚类算法的交通状态识别方法、电子设备、介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116704750B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117522211A (zh) * | 2023-11-17 | 2024-02-06 | 国网河北省电力有限公司物资分公司 | 碳足迹信息采集方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9672734B1 (en) * | 2016-04-08 | 2017-06-06 | Sivalogeswaran Ratnasingam | Traffic aware lane determination for human driver and autonomous vehicle driving system |
KR20170065893A (ko) * | 2015-12-04 | 2017-06-14 | 엘지전자 주식회사 | 주차 지원 장치 및 방법 |
CN108091133A (zh) * | 2017-11-27 | 2018-05-29 | 银江股份有限公司 | 一种基于海量交通数据分析的车辆安全驾驶行为分析方法 |
CN111739299A (zh) * | 2020-07-20 | 2020-10-02 | 平安国际智慧城市科技股份有限公司 | 稀疏轨迹的车辆排队长度确定方法、装置、设备及介质 |
DE102019211098A1 (de) * | 2019-07-25 | 2021-01-28 | Volkswagen Aktiengesellschaft | Verfahren, Vorrichtung und Computerprogramm zum Bestimmen einer Ampelphase einer Ampel einer Ampelanlage |
CN113570868A (zh) * | 2021-09-26 | 2021-10-29 | 华砺智行(武汉)科技有限公司 | 交叉口绿灯通过率计算方法、装置、设备及存储介质 |
CN115601983A (zh) * | 2022-10-14 | 2023-01-13 | 北京百度网讯科技有限公司(Cn) | 交通信号灯的周期时长确定方法、装置、设备和存储介质 |
-
2023
- 2023-05-06 CN CN202310519877.0A patent/CN116704750B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170065893A (ko) * | 2015-12-04 | 2017-06-14 | 엘지전자 주식회사 | 주차 지원 장치 및 방법 |
US9672734B1 (en) * | 2016-04-08 | 2017-06-06 | Sivalogeswaran Ratnasingam | Traffic aware lane determination for human driver and autonomous vehicle driving system |
CN108091133A (zh) * | 2017-11-27 | 2018-05-29 | 银江股份有限公司 | 一种基于海量交通数据分析的车辆安全驾驶行为分析方法 |
DE102019211098A1 (de) * | 2019-07-25 | 2021-01-28 | Volkswagen Aktiengesellschaft | Verfahren, Vorrichtung und Computerprogramm zum Bestimmen einer Ampelphase einer Ampel einer Ampelanlage |
CN111739299A (zh) * | 2020-07-20 | 2020-10-02 | 平安国际智慧城市科技股份有限公司 | 稀疏轨迹的车辆排队长度确定方法、装置、设备及介质 |
CN113570868A (zh) * | 2021-09-26 | 2021-10-29 | 华砺智行(武汉)科技有限公司 | 交叉口绿灯通过率计算方法、装置、设备及存储介质 |
CN115601983A (zh) * | 2022-10-14 | 2023-01-13 | 北京百度网讯科技有限公司(Cn) | 交通信号灯的周期时长确定方法、装置、设备和存储介质 |
Non-Patent Citations (6)
Title |
---|
JUN HU; JI GAO; BIN ZHOU: "Ontology based agent services compatible matchmaking mechanism", IEEE, pages 111 - 116 * |
ZHOU, B (ZHOU, BIN): "Research of fast FCM vehicle image segmenting algorithm based on space constraint", 2015 2ND INTERNATIONAL CONFERENCE ON INFORMATION SCIENCE AND CONTROL ENGINEERING ICISCE 2015, pages 412 - 418 * |
ZHU YIN: "A Study on Urban Traffic Congestion Dynamic Predict Method Based on Advanced Fuzzy Clustering Model", IEEE, pages 96 - 100 * |
周斌: "基于车联网仿真平台的城市交通信号控制", 优秀硕士论文全文库工程科技Ⅱ辑;信息科技, pages 1 - 90 * |
王敏容,樊建平,胡隽: "非概率可靠性在轴压柱加固评估中的应用", 土木工程与管理学报, pages 87 - 92 * |
王铎: "基于驾驶决策过程的黄灯前信号提示策略安全效应研究", 优秀硕士论文全文库工程科技Ⅱ辑, pages 1 - 79 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117522211A (zh) * | 2023-11-17 | 2024-02-06 | 国网河北省电力有限公司物资分公司 | 碳足迹信息采集方法及装置 |
CN117522211B (zh) * | 2023-11-17 | 2024-04-16 | 国网河北省电力有限公司物资分公司 | 碳足迹信息采集方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116704750B (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112512890B (zh) | 一种异常驾驶行为识别方法 | |
Autey et al. | Safety evaluation of right-turn smart channels using automated traffic conflict analysis | |
CN111540201B (zh) | 基于路侧激光雷达的车辆排队长度实时估计方法及*** | |
CN108550262B (zh) | 基于毫米波雷达的城市交通感知*** | |
CN109359690B (zh) | 基于卡口数据的车辆出行轨迹识别方法 | |
CN106096507B (zh) | 智慧交通黑车识别方法 | |
CN108122186B (zh) | 一种基于卡口数据的职住位置估计方法 | |
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 | |
CN111898491B (zh) | 一种车辆逆向行驶的识别方法、装置及电子设备 | |
CN102592446B (zh) | 利用浮动车定位数据计算城际道路旅行时间的方法 | |
CN111489555A (zh) | 一种交通运行状态预测方法、装置和*** | |
EP4020428A1 (en) | Method and apparatus for recognizing lane, and computing device | |
CN115017742B (zh) | 自动驾驶测试场景生成方法、装置、设备及存储介质 | |
CN104875740B (zh) | 用于管理跟随空间的方法、主车辆以及跟随空间管理单元 | |
Tak et al. | Development of AI‐Based Vehicle Detection and Tracking System for C‐ITS Application | |
CN112435276A (zh) | 一种车辆跟踪方法、装置、智能终端及存储介质 | |
CN110021161B (zh) | 一种交通流向的预测方法及*** | |
CN110827537B (zh) | 一种潮汐车道的设置方法、装置及设备 | |
CN115273468B (zh) | 一种交通拥堵控制策略生成方法及装置 | |
Song et al. | Remote estimation of free-flow speeds | |
Brunauer et al. | Deriving driver-centric travel information by mining delay patterns from single GPS trajectories | |
CN113393011B (zh) | 预测限速信息的方法、装置、计算机设备和介质 | |
CN111640303B (zh) | 城市通勤路径识别方法及设备 | |
CN112685517B (zh) | 分歧/合流区域的识别方法和设备 | |
CN109063675B (zh) | 车流密度计算方法、***、终端及计算机可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |