CN117253364B - 交通拥堵事件提取与态势融合方法与*** - Google Patents
交通拥堵事件提取与态势融合方法与*** Download PDFInfo
- Publication number
- CN117253364B CN117253364B CN202311516071.2A CN202311516071A CN117253364B CN 117253364 B CN117253364 B CN 117253364B CN 202311516071 A CN202311516071 A CN 202311516071A CN 117253364 B CN117253364 B CN 117253364B
- Authority
- CN
- China
- Prior art keywords
- congestion
- time
- event
- subgraph
- mileage
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 21
- 238000007500 overflow downdraw method Methods 0.000 title claims description 7
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000013507 mapping Methods 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 8
- 238000010845 search algorithm Methods 0.000 claims description 3
- 208000027744 congestion Diseases 0.000 description 194
- 238000004458 analytical method Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000013467 fragmentation Methods 0.000 description 2
- 238000006062 fragmentation reaction Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 101100377706 Escherichia phage T5 A2.2 gene Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及交通拥堵事件提取与态势融合方法与***,从不同来源拥堵事件数据中提取拥堵特征,构建拥堵事件的集合;以里程桩为节点,里程桩的邻接关系为弧构建路网拓扑图,将拥堵位置的经纬度坐标映射至里程桩;以时间切片为单位基于里程桩拓扑网络逐时间构建拓扑子图,每张子图表征路网某一局部的拥堵状态;按照时间切片顺序,将子图按照节点交集情况合并,使每张子图表征路网某一局部的一次完整拥堵事件;对每个事件子图按照预设的时间窗口切片,得到拥堵事件的态势时序数据。本发明的技术方案能够实时对高速路网的交通拥堵事件进行实时建模和提取,更准确地定位拥堵路段和当时拥堵程度,掌握拥堵的时间变化规律。
Description
技术领域
本发明属于智慧交通信息化领域,涉及一种基于高速路网拓扑图计算的交通拥堵事件提取与态势融合算法与***。
背景技术
随着城市化进程的不断加速,道路交通日益拥堵,交通拥堵已成为城市交通运行的最大难题之一。目前,大多数互联网地图服务商通过向司乘人员提供导航等出行服务时获取的浮动GPS信息,实现对路网中拥堵事件的感知,并通过聚合分析得到某路段在某个时间点的拥堵状态,从而再次形成拥堵相关的数据服务。
但是,由于浮动车配置数量以及其观测范围和精度的限制,无法对路网拥堵状态进行完备的观测,从而导致其上报的拥堵事件数据缺乏时空连续性;同时面对全国路网范围如此庞大的数据,人工提取、处理、分析拥堵数据的工作量巨大,亟需一个工具协助处理分析;此外,各服务商提供对拥堵事件定义的口径不一致,难以实现融合多方拥堵数据以提升观测精度的目标。因此当前对高速路网拥堵状况的分析工作一般通过GIS可视化拥堵热力图的方式进行事件提取分析,但该方法只能发现拥堵事件的静态覆盖范围,而没法从时间-空间的动态角度进行描述。
发明内容
本发明旨在克服海量高速交通拥堵数据缺乏时空连续性的问题及多源数据间的融合复杂性问题,利用高速路网拓扑图建模方法,提供一种交通拥堵事件提取与态势融合方法与***,以输出彼此独立、完整的拥堵事件。
为实现上述技术目的,本发明采用如下技术方案:
一种交通拥堵事件提取与态势融合方法,包括:
S1从不同来源拥堵事件数据中提取拥堵特征,构建拥堵事件的集合;所述拥堵特征包括拥堵位置、拥堵时间和拥堵程度等级;
S2以里程桩为节点,里程桩的邻接关系为弧构建路网拓扑图,将拥堵位置的经纬度坐标映射至里程桩,构建附着里程桩路网后的拥堵事件的集合;
S3基于S2中构建的集合,以时间切片为单位逐时间构建拓扑子图,对每条时间切片内的里程桩节点,基于节点的连通性确定构成一张子图的节点,按节点顺序在子图内添加节点和弧,并基于拥堵程度等级对弧赋予权重属性,则每张子图表征路网某一局部的拥堵状态;
S4按照时间切片顺序,将子图按照节点交集情况合并,使每张子图表征路网某一局部的一次完整拥堵事件;
S5对每个事件子图按照预设的时间窗口切片,得到拥堵事件的态势时序数据。
作为一种优选的实施方式,所述S1中,所述拥堵位置为以LineString对象提供的空间路线信息,映射时,基于最近邻居搜索算法将拥堵位置映射至里程桩。
作为一种优选的实施方式,所述S2中,构建路网拓扑图时,以里程桩的桩号加上下行标识作为节点编号。
作为一种优选的实施方式,所述S3中,构建拓扑子图时,对于同一拥堵事件子图不连通的情况,对不连通的里程桩节点返回以最短路径规划的里程桩节点路径。
作为一种优选的实施方式,所述S3中,构建拓扑子图时,对子图设置追溯标识,用于通过映射关系追溯构成子图的各服务商的拥堵数据。
作为一种优选的实施方式,所述S4中,设定第一时间窗口,对超过第一时间窗口无拥堵数据上报的子图,视为表征一次完整拥堵事件的事件子图;对无拥堵数据上报时间不超过第一时间窗口的子图,根据节点交集情况合并为新的子图,直至子图无拥堵数据上报时间超过所述第一时间窗口。
作为一种优选的实施方式,所述S5还包括,切片数据中,如果一个弧被不同来源服务商赋予不同拥堵程度等级,则对所述拥堵程度等级数值进行加权融合。
作为一种优选的实施方式,根据拥堵程度等级数据的来源服务商提供的拥堵数据获取拥堵持续时间和拥堵频度占比,基于拥堵持续时间和拥堵频度占比分配各拥堵程度等级的权重;
所述拥堵持续时间指每种拥堵程度等级事件对应的时间占比;
所述拥堵频度占比指拥堵程度等级事件对应的频度占比,按照数据上报的记录数计算。
作为一种优选的实施方式,对拥堵持续时间和拥堵频度进行加权获得拥堵程度等级的权重,拥堵持续时间的权重高于拥堵频度的权重。
本发明的另一目的在于提供一种交通拥堵事件提取与态势融合***,包括:
拥堵特征提取模块,从不同来源拥堵事件数据中提取拥堵特征,构建拥堵事件的集合;所述拥堵特征包括拥堵位置、拥堵时间和拥堵程度等级;
里程桩路网构建模块,以里程桩为节点,里程桩的邻接关系为弧构建路网拓扑图,将拥堵位置的经纬度坐标映射至里程桩,构建附着里程桩路网后的拥堵事件的集合;
子图创建模块,以时间切片为单位逐时间构建拓扑子图,对每条时间切片内的里程桩节点,基于节点的连通性确定构成一张子图的节点,按节点顺序在子图内添加节点和弧,并基于拥堵程度等级对弧赋予权重属性,则每张子图表征路网某一局部的拥堵状态;按照时间切片顺序,将子图按照节点交集情况合并,使每张子图表征路网某一局部的一次完整拥堵事件;
态势时序数据输出模块,对每个事件子图按照预设的时间窗口切片,得到拥堵事件的态势时序数据。
作为一种优选的实施方式,所述态势时序数据输出模块包括数据融合单元,如果切片数据的某个弧被不同来源服务商赋予不同拥堵程度等级,则对所述拥堵程度等级数值进行加权融合。
作为一种优选的实施方式,根据拥堵程度等级数据的来源服务商提供的拥堵数据获取拥堵持续时间和拥堵频度占比,基于拥堵持续时间和拥堵频度占比分配权重;
所述拥堵持续时间指每种拥堵程度等级事件对应的时间占比;
所述拥堵频度占比指拥堵程度等级事件对应的频度占比,按照数据上报的记录数计算。
作为一种优选的实施方式,对拥堵持续时间和拥堵频度进行加权获得拥堵程度等级的权重,拥堵持续时间的权重高于拥堵频度的权重。
本发明以交通拥堵事件的图网络建模为核心解决思想,即对每个时间片段的高速交通拥堵事件映射到高速里程桩区间内,并在图网络建模,通过设定时间窗口,不断增加新的拥堵事件进图网络(增加边),并剔除满足一定条件的边(一次完整的拥堵事件),实现实时的拥堵事件的提取与融合。
本发明具有以下几个特点:1)提出对拥堵数据的关键特征定义;2)可根据拥堵事件离散化数据实时进行大范围图网络动态建模;3)支持多来源的交通拥堵事件数据融合;4)支持交通拥堵事件的态势融合。
本发明的方法和***通过集成多方的高速拥堵事件数据来源,可以建立一个统一的交通拥堵监测***,以克服单一数据来源的局限性。本发明方案能够实时对高速路网的交通拥堵事件进行实时建模和提取,更准确地定位拥堵路段和当时拥堵程度,掌握拥堵的时间变化规律。在抽取高准确度的完整拥堵事件结果的同时还能够对拥堵事件分析,基于融合数据的交通态势分析,可以找到拥堵形成的根源,提出有针对性的交通管理对策。该技术方案填补了当前交通管理领域的数据碎片化空白,有助于各部门协同应对城市交通拥堵,提高管理水平和治理能力,为交通出行公众提供更优质的服务。
具体实施方式
本发明的方法接收多条高速交通拥堵事件记录,输出被区分的交通拥堵事件,包括三大步骤:A1拥堵事件特征提取与路网构建方法;A2拥堵事件的路网附着与事件子图构建;A3拥堵事件的态势融合方法,具体如下:
A1 拥堵事件特征提取与路网构建过程
本步骤的目标为:1)对拥堵事件的规范化提取,便于后续将各来源交通拥堵数据进行事件对齐与融合;2)基于高速路网里程桩的拓扑结构构建道路网络,便于后续步骤拥堵事件附着于路网上。
A1.1 拥堵事件特征提取
由于路况采集设备的精度和频度、设备分布的位置、检测对象等不同,不同来源的拥堵事件数据,其表现出来的结果会有一定的差异。比如,腾讯提供的拥堵数据较百度更多,且覆盖区域范围更广,但其拥堵数据字段内容较少(缺少道路编号和拥堵位置的下行方向),而百度拥堵数据除了必要的基础信息外,还能提供如拥堵距离、持续时间等增强字段。
在数据质量各异的情况下,为保证多源拥堵事件融合的可行性,需要对拥堵事件进行特征提取。考虑到本作后续方法的应用,可以将拥堵事件提取为以下几个关键特征:
拥堵位置:LineString格式的位置信息,表示拥堵覆盖的路线范围,坐标统一使用WGS84坐标;
时间:设备监测的拥堵事件发生时间,精确到分钟;
拥堵情况:表示拥堵程度等级,1表示畅通,2表示缓行,3表示拥堵,4表示严重拥堵。
基于以上特征即可构建拥堵事件提取算法,其余增强数据可作为拥堵事件分析过程中的细化数据,具体步骤可见步骤A3。
A1.2 高速路网构建方法
根据观测对象不同,路网有多种构建形式,本申请使用基于里程桩的拓扑结构关系构建路网有向图。之所以使用里程桩作为路网节点,是因为其相对于门架设施有更高的密度(里程桩间隔100米,而门架间隔几百到几千米不等),同时业务上在判断拥堵事件时,不会要求到米级或十米级,使用里程桩作为路网构建的节点,其作为道路基础设施,相比geohash网格化方式等处理方法,更贴近业务需求。
里程桩编号由绝对位置和相对位置共同构成,如G310 K24+600表示在310高速公路上,以公路起点方向为正,距离该高速公路起点24.6公里处。另外需要注意的是,同一位置道路两侧的里程桩桩号一致,为在构建拓扑网络时能够区分为不同节点,对其额外增加上下行标识。本案定义里程桩编号顺序递增为上行方向(编码为1),反之为下行方向(编码为0)。例如:G310 K24+600处,其上行方向里程桩节点编号为G310 K24+600-1,下行编号为G310 K24+600-0。
基于上述处理后的里程桩节点编号,构建路网拓扑图,定义如下:
:有向图G是由一个非空有限集合V和E中某些元素的有序对集合构成的
二元组;
为图G的节点集,V中的每一个元素为图G的
一个节点,即每个节点表示一个里程桩;
为图G的弧集,E中的每一个元素记为,表示图G的一条到的弧,该弧集基于现有里程桩邻接关系进行构建,即仅
包含两两相邻里程桩间拓扑关系;
是一个映射,给定任意两个里程桩节点和,返回以最短路
径规划的里程桩节点路径,按顺序排序。
A2 拥堵事件的路网附着与事件子图构建
拥堵事件位置信息是以LineString对象提供的空间路线信息,为满足拥堵事件的建模需要,首先需要将其位置映射到里程桩拓扑网络上。在此基础上,随着拥堵事件数据的持续更新,实现拥堵事件的叠加。将该步骤分为A2.1)拥堵事件的路网附着;A2.2)拥堵事件拓扑子图生成两个工作进行开展。
A2.1 拥堵事件的路网附着
LineString对象包含的是一系列道路(经纬度)坐标点,在路网附着过程中,本发明采用最近邻居搜索算法,以完成线数据到网络图的映射。该算法有通用处理手段,亦不是本发明的重点,故不在此详细介绍。对于拥堵事件的附着过程定义如下:
:T表示所有的拥堵事件的集
合,表示s服务商的在t时刻上报的第r条拥堵数据;
:τ表示上报的一条
拥堵事件数据,每个括号内的内容为s服务商提供的路况数据(如),其中d表示拥
堵程度等级,表示对应的一个经纬度坐标位置,按照路线顺序排序;
是一个映射,通过最近邻居算法将经纬度坐标映射到对应里程桩上。
遍历τ,通过将经纬度坐标映射至里程桩上,得到:
,其中
是附着了经纬度坐标的里程桩节点;
为附着到里程桩后的拥堵数
据。
下述工作均基于里程桩附着后的结果开展。
A2.2 事件子图构建与事件提取
上述步骤是对拥堵事件中一个时间片段的事件提取,要构建出完整的一次拥堵事件,需要处理连续时间片段下的拥堵数据。因为事件发生位置大多只在高速路网上的一段道路上,如果构建整个路网拓扑,在识别全网拥堵事件的时候,会消费很多额外的计算资源。因此本发明基于里程桩拓扑网络(附着到里程桩后的拥堵数据集合),采用逐时间构建拓扑子图(即路网局部结构)的方式提取事件。按以下步骤开展:
S1:获取时间切片为t1(单位为分钟,不足分钟的以小数记)的拥堵数据,假设当前拥堵数据提供厂家为a,b两家,则分别有拥堵切片数据:
S2:由于里程桩是由最近邻居算法进行附着,所以存在里程桩前后两个经纬度定
位点附着到同一个里程桩的情况,在构建子图时可能会存在同一个拥堵事件的子图不连通
的情况。本步骤考虑此情况,对与的节点进行映射,得到补全后的拥堵切片数据与;
S3:对每条时间切片内的里程桩节点v,按节点顺序在子图添加节点和弧,得到图,为与的里程桩节点构成,由拥堵程度等级构成两两相邻里程桩
节点间的权重,即根据拥堵程度等级对弧的权重赋值1、2、3或4。
一张子图内各里程桩节点整体连通,当出现一个与子图内里程桩节点不连通的新的拥堵里程桩节点,则该拥堵里程桩节点表示新的拥堵事件,即属于新的子图。
不同服务商对同一路段观测的拥堵程度可能不一致,即一个弧可能包含多个权重值,后续将通过加权计算进行指标融合,解决这一问题。
S4:完成S1~S3步骤后,图会存在多个子图,每个子图表示全路网上出现的不
同的拥堵事件,对每个子图进行区分,并标记为,其中是
各子图,表示构成子图的各服务商的拥堵数据,通过映射关系可以找到对应的拥堵
数据,ts是子图创建的开始时间,te是拥堵事件的结束时间,第一次创建子图时,默认其拥
堵结束时间在一分钟后(即te=ts+1,因为服务商数据上报时间间隔一到两分钟)。
考虑到实际应用中获得的上报数据时效性在分钟级,同时时间分辨率太大又可能无法区分不同的拥堵事件,因此需设定一个合理的时间窗口W,在超过时间窗口无拥堵上报,则认为该拥堵事件结束,即认为提取出一个完整的某一个子图,本发明默认设定为W=10(分钟)。
S5:每个时间切片提取子图后,对每个子图的拥堵事件的结束时间进行判断,如果
超过10分钟无拥堵上报,即连续10分钟没有新的子图加入,则认为一个拥堵事件已经结束,
并将该子图归档到R图集合中,表示为,同时将该子图移出;R图
中的集合即表征一次完整拥堵事件的子图的集合;对于无拥堵上报时间不超过10分钟的子
图,认为该拥堵事件仍在继续,保留子图;
S6:对每个时间切片(以切片起点时间ts为准)在以内的子图,判断子图节点
是否有交集,有交集则合并为更新为一张子图,以ts最小的为起点时间,te最大的为结束时
间。如三个子图可以合并为子图,此处中i表示子图编号,
j表示时间切片,即第j个时间切片开始构建的子图。
重复S1~S6步骤,不断添加、更新和移出子图,完成对各拥堵事件的完整提取。
A3 拥堵事件的态势融合方法
A2步骤是对一次拥堵事件从开始到结束的时间和地点的提取,侧重点在于拥堵事件的完整性,解决的是拥堵事件数据离散化、片段化的问题。然而,上述工作结果仅能够支撑如拥堵次数、拥堵范围等相关的业务分析。路网某区域在何时开始逐渐拥堵、在何时达到最高拥堵程度等级、随时间该区域内拥堵如何蔓延传导并在何时消散,可以为交警、路公司等管理管控方提供精细化的指导和预警。
本步骤在前述工作基础上,开展拥堵事件态势融合工作,具体步骤如下:
S1:考虑到拥堵事件波动传导范围,设定滑动时间窗口w=5(分钟),从ts开始,按照w对拥堵事件时间段切片;
S2:获取R中的一个子图,根据时间窗口进行切片,得到时间片;
S3:按顺序取时间片,获取时间范围在的子图,并通过追溯
的拥堵数据,记为;
S4:由于中,两两相邻里程桩,不同服务商对其观测的拥堵程度可能不一致,对
其进行融合,得到融合后拥堵程度等级为:
其中,dc表示不同服务商观测的拥堵程度等级,θc是为拥堵程度等级分配的权重,其根据拥堵持续时间和拥堵频度占比进行分配,定义如下:
每种拥堵程度等级事件对应的时间占比:,为按照拥堵程度等级统
计的累计时间;
每种拥堵程度等级事件对应的频度占比:,为按照拥堵程度等级
统计的拓扑边的个数,即数据上报的记录数;
例如,对于某两两相邻里程桩,服务商1观测的拥堵程度等级是3,服务商2观测的
拥堵程度等级是4,则基于拥堵数据分别计算拥堵程度等级为3和4的拥堵持续时间和拥堵
频度,最后得到拥堵程度等级3的权重θ3和拥堵程度等级4的权重θ4,则融合后拥堵程度等级
为。
拥堵事件频度容易受各服务商上报数据频度以及设备情况的影响,而拥堵事件持
续时间相对更加稳健,因此考虑使用7:3的比例对两个因素进行加权,最终得到加权参数:
重复S1~S4步骤,最终得到一次拥堵事件的态势时序数据,即。基于此,可以实现拥堵事件的回溯与推演。
Claims (10)
1.一种交通拥堵事件提取与态势融合方法,其特征在于,包括:
S1从不同来源拥堵事件数据中提取拥堵特征,构建拥堵事件的集合;所述拥堵特征包括拥堵位置、拥堵时间和拥堵程度等级;
S2以里程桩为节点,里程桩的邻接关系为弧构建路网拓扑图,将拥堵位置的经纬度坐标映射至里程桩,构建附着里程桩路网后的拥堵事件的集合;
S3基于S2中构建的集合,以时间切片为单位逐时间构建拓扑子图,对每条时间切片内的里程桩节点,基于节点的连通性确定构成一张子图的节点,按节点顺序在子图内添加节点和弧,并基于拥堵程度等级对弧赋予权重属性,则每张子图表征路网某一局部的拥堵状态;
S4按照时间切片顺序,将子图按照节点交集情况合并,使每张子图表征路网某一局部的一次完整拥堵事件;
S5对每个事件子图按照预设的时间窗口切片,得到拥堵事件的态势时序数据。
2.根据权利要求1所述的方法,其特征在于,所述S1中,所述拥堵位置为以LineString对象提供的空间路线信息,映射时,基于最近邻居搜索算法将拥堵位置映射至里程桩。
3.根据权利要求1所述的方法,其特征在于,所述S2中,构建路网拓扑图时,以里程桩的桩号加上下行标识作为节点编号。
4.根据权利要求1所述的方法,其特征在于,所述S3中,构建拓扑子图时,对于同一拥堵事件子图不连通的情况,对不连通的里程桩节点返回以最短路径规划的里程桩节点路径。
5.根据权利要求1所述的方法,其特征在于,所述S3中,构建拓扑子图时,对子图设置追溯标识,用于通过映射关系追溯构成子图的各服务商的拥堵数据。
6.根据权利要求1所述的方法,其特征在于,所述S4中,设定第一时间窗口,对超过第一时间窗口无拥堵数据上报的子图,视为表征一次完整拥堵事件的事件子图;对无拥堵数据上报时间不超过第一时间窗口的子图,根据节点交集情况合并为新的子图,直至子图无拥堵数据上报时间超过所述第一时间窗口。
7.根据权利要求1或5所述的方法,其特征在于,所述S5还包括,切片数据中,如果一个弧被不同来源服务商赋予不同拥堵程度等级,则对所述拥堵程度等级数值进行加权融合。
8.根据权利要求7所述的方法,其特征在于,根据拥堵程度等级数据的来源服务商提供的拥堵数据获取拥堵持续时间和拥堵频度占比,基于拥堵持续时间和拥堵频度占比分配各拥堵程度等级的权重;
所述拥堵持续时间指每种拥堵程度等级事件对应的时间占比;
所述拥堵频度占比指拥堵程度等级事件对应的频度占比,按照数据上报的记录数计算。
9.根据权利要求8所述的方法,其特征在于,对拥堵持续时间和拥堵频度进行加权获得拥堵程度等级的权重,拥堵持续时间的权重高于拥堵频度的权重。
10.一种交通拥堵事件提取与态势融合***,其特征在于,包括:
拥堵特征提取模块,从不同来源拥堵事件数据中提取拥堵特征,构建拥堵事件的集合;所述拥堵特征包括拥堵位置、拥堵时间和拥堵程度等级;
里程桩路网构建模块,以里程桩为节点,里程桩的邻接关系为弧构建路网拓扑图,将拥堵位置的经纬度坐标映射至里程桩,构建附着里程桩路网后的拥堵事件的集合;
子图创建模块,以时间切片为单位逐时间构建拓扑子图,对每条时间切片内的里程桩节点,基于节点的连通性确定构成一张子图的节点,按节点顺序在子图内添加节点和弧,并基于拥堵程度等级对弧赋予权重属性,则每张子图表征路网某一局部的拥堵状态;按照时间切片顺序,将子图按照节点交集情况合并,使每张子图表征路网某一局部的一次完整拥堵事件;
态势时序数据输出模块,对每个事件子图按照预设的时间窗口切片,得到拥堵事件的态势时序数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311516071.2A CN117253364B (zh) | 2023-11-15 | 2023-11-15 | 交通拥堵事件提取与态势融合方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311516071.2A CN117253364B (zh) | 2023-11-15 | 2023-11-15 | 交通拥堵事件提取与态势融合方法与*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117253364A CN117253364A (zh) | 2023-12-19 |
CN117253364B true CN117253364B (zh) | 2024-01-26 |
Family
ID=89137194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311516071.2A Active CN117253364B (zh) | 2023-11-15 | 2023-11-15 | 交通拥堵事件提取与态势融合方法与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117253364B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809879A (zh) * | 2015-05-14 | 2015-07-29 | 重庆大学 | 基于动态贝叶斯网络的高速公路路段交通状态估计方法 |
CN108765939A (zh) * | 2018-05-11 | 2018-11-06 | 贵阳信息技术研究院(中科院软件所贵阳分部) | 基于聚类算法的动态交通拥堵指数计算方法 |
CN108898833A (zh) * | 2018-07-11 | 2018-11-27 | 贵州交通信息与应急指挥中心 | 一种高速拥堵时空分析方法 |
CN110675629A (zh) * | 2019-10-08 | 2020-01-10 | 苏交科集团股份有限公司 | 一种基于大数据的高速公路拥堵预测与主动防控方法 |
CN111540199A (zh) * | 2020-04-21 | 2020-08-14 | 浙江省交通规划设计研究院有限公司 | 一种基于多模态融合和图注意力机制的高速交通流预测方法 |
CN115457764A (zh) * | 2022-08-24 | 2022-12-09 | 华南理工大学 | 基于车辆轨迹数据的路段交通密度估测方法、装置及介质 |
CN115547084A (zh) * | 2021-06-30 | 2022-12-30 | 阿里巴巴新加坡控股有限公司 | 道路通行状况预测方法、装置、电子设备及计算机程序产品 |
CN115641721A (zh) * | 2022-12-06 | 2023-01-24 | 南京感动科技有限公司 | 多来源交通流指标融合及基于融合指标的路况计算方法 |
CN115880909A (zh) * | 2022-12-15 | 2023-03-31 | 北京电信规划设计院有限公司 | 基于浮动车数据的高速公路拥堵识别方法 |
CN116596380A (zh) * | 2023-05-16 | 2023-08-15 | 浙江高信技术股份有限公司 | 高速公路施工组织方案和管控方案的优化确定方法、平台、设备及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070002866A1 (en) * | 2005-06-29 | 2007-01-04 | Denso Corporation | Receive power priority flooding in mobile ad hoc networks |
US10922965B2 (en) * | 2018-03-07 | 2021-02-16 | Here Global B.V. | Method, apparatus, and system for detecting a merge lane traffic jam |
-
2023
- 2023-11-15 CN CN202311516071.2A patent/CN117253364B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809879A (zh) * | 2015-05-14 | 2015-07-29 | 重庆大学 | 基于动态贝叶斯网络的高速公路路段交通状态估计方法 |
CN108765939A (zh) * | 2018-05-11 | 2018-11-06 | 贵阳信息技术研究院(中科院软件所贵阳分部) | 基于聚类算法的动态交通拥堵指数计算方法 |
CN108898833A (zh) * | 2018-07-11 | 2018-11-27 | 贵州交通信息与应急指挥中心 | 一种高速拥堵时空分析方法 |
CN110675629A (zh) * | 2019-10-08 | 2020-01-10 | 苏交科集团股份有限公司 | 一种基于大数据的高速公路拥堵预测与主动防控方法 |
CN111540199A (zh) * | 2020-04-21 | 2020-08-14 | 浙江省交通规划设计研究院有限公司 | 一种基于多模态融合和图注意力机制的高速交通流预测方法 |
CN115547084A (zh) * | 2021-06-30 | 2022-12-30 | 阿里巴巴新加坡控股有限公司 | 道路通行状况预测方法、装置、电子设备及计算机程序产品 |
CN115457764A (zh) * | 2022-08-24 | 2022-12-09 | 华南理工大学 | 基于车辆轨迹数据的路段交通密度估测方法、装置及介质 |
CN115641721A (zh) * | 2022-12-06 | 2023-01-24 | 南京感动科技有限公司 | 多来源交通流指标融合及基于融合指标的路况计算方法 |
CN115880909A (zh) * | 2022-12-15 | 2023-03-31 | 北京电信规划设计院有限公司 | 基于浮动车数据的高速公路拥堵识别方法 |
CN116596380A (zh) * | 2023-05-16 | 2023-08-15 | 浙江高信技术股份有限公司 | 高速公路施工组织方案和管控方案的优化确定方法、平台、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117253364A (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110111575B (zh) | 一种基于复杂网络理论的城市交通流量网络分析方法 | |
US10984652B2 (en) | Method and system for modeling and processing vehicular traffic data and information and applying thereof | |
CN110111574B (zh) | 一种基于流量树分析的城市交通不平衡评价方法 | |
CN109697221A (zh) | 轨迹规律的挖掘方法、装置、存储介质及电子设备 | |
CN110796337B (zh) | 一种评价城市公交站点服务可达性的*** | |
JP2018538627A (ja) | 交通道路の経路ヒートを取得する方法および装置 | |
WO2022083166A1 (zh) | 一种卡口数据缺失下的车辆行车轨迹重建方法及*** | |
Kong et al. | RMGen: A tri-layer vehicular trajectory data generation model exploring urban region division and mobility pattern | |
CN112991743A (zh) | 基于行驶路径的实时交通风险ai预测方法及其*** | |
CN114298493A (zh) | 一种公路运行监测***、方法、终端及存储介质 | |
CN117253364B (zh) | 交通拥堵事件提取与态势融合方法与*** | |
Liu et al. | Determination of routing velocity with GPS floating car data and webGIS-based instantaneous traffic information dissemination | |
CN116668958A (zh) | 基于手机信令数据的城市居民动态od矩阵提取方法 | |
CN112288591A (zh) | 一种基于激光点云地图的三维管控平台*** | |
Habtie et al. | Cellular network based real-time urban road traffic state estimation framework using neural network model estimation | |
CN109166310A (zh) | 基于lbs和传统交通路况数据的路段旅行时间估计方法 | |
CN113284030B (zh) | 一种城市交通网络社区划分方法 | |
CN114238533A (zh) | 用户通勤路径规划方法、装置、计算机设备及存储介质 | |
Arregui et al. | Impact of the road network configuration on map‐matching algorithms for FCD in urban environments | |
CN111640303A (zh) | 城市通勤路径识别方法及设备 | |
Xu et al. | Identifying and Tracking Network-Wide Traffic Congestion Based on Mapping-to-Cells Vehicle Trajectory Data | |
Celuch et al. | Data Fusion for Public Transport Traffic Data Analysis: A Case Study | |
Joubert et al. | Development of a map-matching algorithm for dynamic-sampling-rate GPS signals to determine vehicle routes on a MATSim network | |
CN113190769B (zh) | 通勤特征数据确定方法、装置、电子设备和存储介质 | |
CN113990064B (zh) | 一种交通数据采集方法、***和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 |