CN117593891B - 一种基于高速公路交通大数据的车流量分析***及方法 - Google Patents
一种基于高速公路交通大数据的车流量分析***及方法 Download PDFInfo
- Publication number
- CN117593891B CN117593891B CN202410076843.3A CN202410076843A CN117593891B CN 117593891 B CN117593891 B CN 117593891B CN 202410076843 A CN202410076843 A CN 202410076843A CN 117593891 B CN117593891 B CN 117593891B
- Authority
- CN
- China
- Prior art keywords
- road section
- traffic
- congestion
- data
- analysis
- 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 35
- 238000005206 flow analysis Methods 0.000 title claims abstract description 15
- 208000027744 congestion Diseases 0.000 claims abstract description 102
- 238000004458 analytical method Methods 0.000 claims description 53
- 230000008859 change Effects 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012502 risk assessment Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 238000007405 data analysis Methods 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 12
- 206010039203 Road traffic accident Diseases 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000002407 reforming Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002344 surface layer Substances 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
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- 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
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- 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
- 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
本发明涉及交通数据分析技术领域,公开了一种基于高速公路交通大数据的车流量分析***及方法,包括:获取终端设备在目标路段上的指定时间内的第一交通数据;在指定时间内获取指定路段上的第二交通数据;融合第一交通数据和第二交通数据获得对应的交通信息数据;根据交通信息数据对目标路段进行拥堵风险预测;根据拥堵风险预测结果发出相应的预警警示信息;不仅仅考虑第一交通数据,还将第二交通数据纳入考量范围,充分考虑前置路段中车辆的速度、位置以及数量对目标路段的交通影响,从而达到对目标路段进行更加精准的拥堵预测的效果,有利于相关工作部门及时对指定路段进行管制限流,保障目标路段安全畅通。
Description
技术领域
本发明涉及交通数据分析技术领域,具体涉及一种基于高速公路交通大数据的车流量分析***及方法。
背景技术
近十年来,我国干线公路基础设施建设取得迅猛发展,公路网运行管理与服务水平得到了有效提升,高速公路联网运行与服务工作取得重大突破。
造成高速公路交通堵塞的原因包括以下几点:
1.交通事故造成的交通堵塞。各类违法行为或其他意外原因发生的单方或多车碰撞交通事故特别是大型或重型车辆发生特大交通事故,导致事故车辆占据高速公路大幅路面或整幅路面,后车无法通行,引发堵塞。有的交通事故会引发车辆或危险化学品泄露***等严重后果,造成交通中断或形成交通瓶颈,从而造成严重堵塞。
2.恶劣天气导致的交通堵塞。对交通影响比较大的是冰雪天和雾天,冰雪天气易导致高速公路路面结冰,特别是高速公路的桥梁更易结冰,行驶车辆极易打滑,无法正常安全通行。大雾天气导致高速公路大面积长距离的能见度降低,已进入高速公路行驶的车辆不得不降低车速,从而造成堵塞。此外,冰雪和大雾天气往往会引发交通事故,甚至往往导致二次事故或多车追尾,造成高速公路严重堵塞。
3.道路施工作业引发的交通堵塞。交通量激增普遍使高速公路不堪重负,路面疲劳加速,老化提前,高速公路经营管理单位需要对损坏的道路或其他设施进行维修、改造、升级时需要占用一定的车道,致使行车道变窄,车速降低,造成交通堵塞。
4.交通量激增引发的交通拥堵。车流量的迅猛增长成为拥堵的最直接的因素,随着我国经济社会持续快速发展,机动车增长迅速,特别是国家实行高速公路节假日免费政策后,节假日期间车流量更是猛增,远远超出当初高速公路的设计流量,达到饱和状态从而易引发交通拥堵。
现有技术中对于高速公路交通堵塞问题的解决,一般通过监控视频来发现高速公路中的拥堵路段,再安排相关人员到拥堵路段开展车流量的管控,然而,该解决办法不仅需要花费大量的人力,而且还缺乏灵活性,不能主动地对高速公路的运行状况进行调节。
发明内容
本发明的目的在于提供一种基于高速公路交通大数据的车流量分析***及方法,解决以下技术问题:
如何能够主动且有针对性的对某路段进行车流量分析,以达到能够及时对其进行拥堵预警的效果。
本发明的目的可以通过以下技术方案实现:
一种基于高速公路交通大数据的车流量分析方法,包括:
获取终端设备在目标路段上的指定时间内的第一交通数据;
在所述指定时间内获取指定路段上的第二交通数据;
融合所述第一交通数据和所述第二交通数据获得对应的交通信息数据;
根据所述交通信息数据对目标路段进行拥堵风险预测;
根据所述拥堵风险预测结果发出相应的预警警示信息;
其中,所述目标路段为历史上容易发生拥堵的路段,所述指定路段为所述目标路段之前的路口路段;
所述第一交通数据包括所述终端设备的速度、位置、数量以及限速情况;所述第二交通数据包括驶入所述路口路段的车辆的速度、位置、数量。
作为本发明进一步的方案:所述融合所述第一交通数据和所述第二交通数据获得对应的交通信息数据的方法包括:
在所述指定时间的起始时刻,在所述目标路段上随机选取M个等预设长度的分析路段;
针对第m个所述分析路段,获取所述指定时间内对应的分析段平均车速变化曲线和终端数量变化曲线;
根据所述第二交通数据,获取所述指定时间内所述指定路段上的路口段平均车速变化曲线和路口段车量变化曲线;
将所述分析段平均车速变化曲线和所述路口段平均车速变化曲线合并坐标轴,并将所述终端数量变化曲线和所述路口段车量变化曲线合并坐标轴后,融合至空白图片中,得到与所述分析路段对应的所述交通信息数据。
作为本发明进一步的方案:所述根据所述交通信息数据对目标路段进行拥堵风险预测的方法包括:
将所述交通信息数据发送拥堵判断模块,获取所述拥堵判断模块输出的与所述分析路段对应的拥堵概率值;
计算第m个所述分析路段在所述指定时间的拥堵风险评分;
综合所述拥堵概率值和所述拥堵风险评分/>得到所述拥堵风险预测结果;
其中,所述拥堵判断模块为经过训练的神经网络模型。
作为本发明进一步的方案:所述综合所述拥堵概率值和所述拥堵风险评分/>得到所述拥堵风险预测结果的方法包括:
;
其中,为所述拥堵风险预测结果,/>和/>为预设权重系数。
作为本发明进一步的方案:所述拥堵风险评分的计算方法包括:
;
;
其中,为所述指定时间T内第m个所述分析路段的车辆总数,/>为时间内的超车次,/>为所述分析路段的限速值,/>为所述指定路段内车辆的平均车速,/>为第m个所述分析路段内车辆的平均车速;/>分别为预设的权重系数;
表示t时刻时,第m个所述分析路段内车辆与所述指定路段内车辆的实际距离。
作为本发明进一步的方案:所述实际距离的确定方法包括:
计算t时刻时,每个所述终端设备与所述分析路段起始点的路线距离,求得平均值后确定第一位置;
计算t时刻时,每个所述车辆与所述指定路段起始点的路线距离,求得平均值后确定第二位置;
将所述第一位置距离所述第二位置的路线距离作为所述实际距离。
作为本发明进一步的方案:所述根据所述拥堵风险预测结果发出相应的预警警示信息的方法包括:
当时,发出一级拥堵预警;
当时,发出二级拥堵预警;
当时,发出三级拥堵预警;
当时,将M增加预设幅度,重新获取所述拥堵风险预测结果;
当时,不发出拥堵预警;
其中,为拥堵风险预警阈值。
作为本发明进一步的方案:包括:
终端数据采样模块,用于获取终端设备在目标路段上的指定时间内的第一交通数据;
路侧数据采样模块,用于在所述指定时间内获取指定路段上的第二交通数据;
数据处理模块,用于融合所述第一交通数据和所述第二交通数据获得对应的交通信息数据;
风险评估模块,用于根据所述交通信息数据对目标路段进行拥堵风险预测;
告警模块,用于根据所述拥堵风险预测结果发出相应的预警警示信息;
其中,所述目标路段为历史上容易发生拥堵的路段,所述指定路段为所述目标路段之前的路口路段;
所述第一交通数据包括所述终端设备的速度、位置、数量以及限速情况;所述第二交通数据包括驶入所述路口路段的车辆的速度、位置、数量。
本发明的有益效果:本发明在判断目标路段是否有可能在未来发生拥堵时,不仅仅考虑第一交通数据,还将第二交通数据纳入考量范围,充分考虑前置路段中车辆的速度、位置以及数量对目标路段的交通影响,从而达到对目标路段进行更加精准的拥堵预测的效果,还能够在目标路段发生交通事故时及时预警,有利于相关工作部门及时对指定路段进行管制限流,保障目标路段安全畅通。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本发明中车流量分析***的基本模块连接示意图。
具体实施方式
下面将结合本发明实施例中的附图,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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明为一种基于高速公路交通大数据的车流量分析方法,包括:
获取终端设备在目标路段上的指定时间内的第一交通数据;
在指定时间内获取指定路段上的第二交通数据;
融合第一交通数据和第二交通数据获得对应的交通信息数据;
根据交通信息数据对目标路段进行拥堵风险预测;
根据拥堵风险预测结果发出相应的预警警示信息;
其中,目标路段为历史上容易发生拥堵的路段,指定路段为目标路段之前的路口路段;
第一交通数据包括终端设备的速度、位置、数量以及限速情况;第二交通数据包括驶入路口路段的车辆的速度、位置、数量。
在本发明的本实施例中,可通过服务器获取车载的终端设备的GPS和陀螺仪等信息来获取第一交通数据,通过电子眼、传感器等采样设备获取指定路段上车辆的第二交通数据,在判断目标路段是否有可能在未来发生拥堵时,不仅仅考虑第一交通数据,还将第二交通数据纳入考量范围,充分考虑前置路段中车辆的速度、位置以及数量对目标路段的交通影响,从而达到对目标路段进行更加精准的拥堵预测的效果,还能够在目标路段发生交通事故时及时预警,有利于相关工作部门及时对指定路段进行管制限流,保障目标路段安全畅通。
作为本发明进一步的方案:融合第一交通数据和第二交通数据获得对应的交通信息数据的方法包括:
在指定时间的起始时刻,在目标路段上随机选取M个等预设长度的分析路段;
针对第m个分析路段,获取指定时间内对应的分析段平均车速变化曲线和终端数量变化曲线;
根据第二交通数据,获取指定时间内指定路段上的路口段平均车速变化曲线和路口段车量变化曲线;
将分析段平均车速变化曲线和路口段平均车速变化曲线合并坐标轴,并将终端数量变化曲线和路口段车量变化曲线合并坐标轴后,融合至空白图片中,得到与分析路段对应的交通信息数据。
在上述方案中,目标路段一般是从整段相同且连续的等值限速路段中选取,比如从4Km长的限速为110km/h的路段中选取1Km长的目标路段,再从该目标路段中随机选取10段等长的不同路段作为分析路段,每个分析路段的长度可为0.5Km,如此,指定路段的长度也可选为0.5Km。
一般来说,若分析路段的平均车速较慢而指定路段的平均车速较快,则分析路段在未来发生拥堵的概率也较大;若分析路段的平均车速出现变慢的趋势而指定路段的平均车速出现变快的趋势,则分析路段在未来发生拥堵的概率也会上升;同理,终端数量和路口段车量也同样可反映分析路段在未来发生拥堵的概率变化趋势。在本发明中,分析路段中的终端数量和指定路段中的车辆数可10秒更新一次。
作为本发明进一步的方案:根据交通信息数据对目标路段进行拥堵风险预测的方法包括:
将交通信息数据发送拥堵判断模块,获取拥堵判断模块输出的与分析路段对应的拥堵概率值;
计算第m个分析路段在指定时间的拥堵风险评分;
综合拥堵概率值和拥堵风险评分/>得到拥堵风险预测结果;
其中,拥堵判断模块为经过训练的神经网络模型。
作为本发明进一步的方案:综合拥堵概率值和拥堵风险评分/>得到拥堵风险预测结果的方法包括:
;
其中,为拥堵风险预测结果,/>和/>为预设权重系数。如此设计,是考虑到神经网络模型的判断结果不一定完全正确,因此综合采用计算/>的方式来评价分析路段在未来发生拥堵的概率,提升拥堵风险预警的准确性。
在本发明中的神经网络模型可采用卷积神经网络为基础进行建设,卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一,其专门用于处理具有类似网格结构数据的深度学习模型,例如图像、语音信号等。
卷积神经网络主要由以下几个部分组成:
输入层:输入层是整个神经网络的输入,在处理图像的卷积神经网络中,它一般代表了一张图片的像素矩阵。
卷积层:卷积层是CNN中最重要的部分,它由多个卷积核组成,每个卷积核会对输入数据进行卷积操作,提取局部特征。
激活函数层:激活函数层用于引入非线性因素,使得神经网络能够更好地学习和识别复杂的模式。
池化层:池化层用于降低数据的维度,减少计算量和过拟合的风险。
全连接层:全连接层用于对前面层的输出进行整合和分类。
输出层:输出层通常采用Softmax函数将多分类问题转换为概率分布形式,以便对不同类别进行预测和分类。
这些结构共同构成了卷积神经网络的基本框架,通过不断优化和改进网络结构,可以进一步提高模型的性能和泛化能力。它通过使用卷积核来对输入数据进行局部连接和卷积操作,从而有效地提取出图像中的局部特征。
卷积神经网络的输出准确性取决于多个因素,包括网络结构、训练数据、训练算法的优化等。在本发明的本实施例中,针对训练数据,也就是针对拥堵概率值和拥堵风险评分/>以及对应的拥堵风险预测结果的获取和处理方式进行设计,提升输出准确性。
作为本发明进一步的方案:拥堵风险评分的计算方法包括:
;
;
其中,为指定时间T内第m个分析路段的车辆总数,/>为/>时间内的超车次,/>为分析路段的限速值,/>为指定路段内车辆的平均车速,/>为第m个分析路段内车辆的平均车速;/>分别为预设的权重系数;
表示t时刻时,第m个分析路段内车辆与指定路段内车辆的实际距离。
一般来说,在路段较为畅通的情况下,由于驾驶员不同的驾驶***均车速,容易影响拥堵判断的准确性,因此可将路段中发生超车的频次纳入拥堵考量范围,发生超车的频次越高,说明该路段实际上相对较为畅通,能够提供足够的超车空间;而且,还将分析路段与指定路段中整体车辆之间的距离变化纳入拥堵预警的计算范围,若实际距离变小,说明两波车辆在目标路段合流的概率增加,更容易发生拥堵;如此,可综合的提升拥堵预警的准确度。
另外,本发明中,分析路段可为相互重叠,如此目标路段的中部重合概率最高,两头最小,如果目标路段中某个分析路段中出现严重的交通事故,由于分析路段设计为多个,因此按照上述计算规则计算出的拥堵风险评分会迅速升高,从而可以提醒工作人员需要对指定路段的车辆汇入入口(高速进站口或者服务区出口)进行车流限制,以减少产生二次交通事故的风险概率。
在上述技术方案中,实际距离的确定方法包括:
计算t时刻时,每个终端设备与分析路段起始点的路线距离,求得平均值后确定第一位置;
计算t时刻时,每个车辆与指定路段起始点的路线距离,求得平均值后确定第二位置;
将第一位置距离第二位置的路线距离作为实际距离。
作为本发明进一步的方案:根据拥堵风险预测结果发出相应的预警警示信息的方法包括:
当时,发出一级拥堵预警;
当时,发出二级拥堵预警;
当时,发出三级拥堵预警;
当时,将M增加预设幅度,重新获取拥堵风险预测结果;
当时,不发出拥堵预警;
其中,为拥堵风险预警阈值。
作为本发明进一步的方案:如图1所示,一种基于高速公路交通大数据的车流量分析***,包括:
终端数据采样模块,用于获取终端设备在目标路段上的指定时间内的第一交通数据;
路侧数据采样模块,用于在指定时间内获取指定路段上的第二交通数据;
数据处理模块,用于融合第一交通数据和第二交通数据获得对应的交通信息数据;
风险评估模块,用于根据交通信息数据对目标路段进行拥堵风险预测;
告警模块,用于根据拥堵风险预测结果发出相应的预警警示信息;
其中,目标路段为历史上容易发生拥堵的路段,指定路段为目标路段之前的路口路段;
第一交通数据包括终端设备的速度、位置、数量以及限速情况;第二交通数据包括驶入路口路段的车辆的速度、位置、数量。
以上对本发明的一个实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的涵盖范围之内。
Claims (4)
1.一种基于高速公路交通大数据的车流量分析方法,其特征在于,包括:
获取终端设备在目标路段上的指定时间内的第一交通数据;
在所述指定时间内获取指定路段上的第二交通数据;
融合所述第一交通数据和所述第二交通数据获得对应的交通信息数据;
根据所述交通信息数据对目标路段进行拥堵风险预测;
根据拥堵风险预测结果发出相应的预警警示信息;
其中,所述目标路段为历史上容易发生拥堵的路段,所述指定路段为所述目标路段之前的路口路段;
所述第一交通数据包括所述终端设备的速度、位置、数量以及限速情况;所述第二交通数据包括驶入所述路口路段的车辆的速度、位置、数量;
所述融合所述第一交通数据和所述第二交通数据获得对应的交通信息数据的方法包括:
在所述指定时间的起始时刻,在所述目标路段上随机选取M个等预设长度的分析路段;
针对第m个所述分析路段,获取所述指定时间内对应的分析段平均车速变化曲线和终端数量变化曲线;
根据所述第二交通数据,获取所述指定时间内所述指定路段上的路口段平均车速变化曲线和路口段车量变化曲线;
将所述分析段平均车速变化曲线和所述路口段平均车速变化曲线合并坐标轴,并将所述终端数量变化曲线和所述路口段车量变化曲线合并坐标轴后,融合至空白图片中,得到与所述分析路段对应的所述交通信息数据;
所述根据所述交通信息数据对目标路段进行拥堵风险预测的方法包括:
将所述交通信息数据发送拥堵判断模块,获取所述拥堵判断模块输出的与所述分析路段对应的拥堵概率值;
计算第m个所述分析路段在所述指定时间的拥堵风险评分;
综合所述拥堵概率值和所述拥堵风险评分/>得到所述拥堵风险预测结果;
其中,所述拥堵判断模块为经过训练的神经网络模型;
所述综合所述拥堵概率值和所述拥堵风险评分/>得到所述拥堵风险预测结果的方法包括:
;
其中,为所述拥堵风险预测结果,/>和/>为预设权重系数;
所述拥堵风险评分的计算方法包括:
;
;
其中,为所述指定时间T内第m个所述分析路段的车辆总数,/>为/>时间内的超车次,/>为所述分析路段的限速值,/>为所述指定路段内车辆的平均车速,为第m个所述分析路段内车辆的平均车速;/>分别为预设的权重系数;
表示/>时刻时,第m个所述分析路段内车辆与所述指定路段内车辆的实际距离,/>表示/>时刻时,第m个所述分析路段内车辆与所述指定路段内车辆的实际距离。
2.根据权利要求1所述的基于高速公路交通大数据的车流量分析方法,其特征在于,所述实际距离的确定方法包括:
计算t时刻时,每个所述终端设备与所述分析路段起始点的路线距离,求得平均值后确定第一位置;
计算t时刻时,每个所述车辆与所述指定路段起始点的路线距离,求得平均值后确定第二位置;
将所述第一位置距离所述第二位置的路线距离作为所述实际距离。
3.根据权利要求2所述的基于高速公路交通大数据的车流量分析方法,其特征在于,所述根据所述拥堵风险预测结果发出相应的预警警示信息的方法包括:
当时,发出一级拥堵预警;
当时,发出二级拥堵预警;
当时,发出三级拥堵预警;
当时,将M增加预设幅度,重新获取所述拥堵风险预测结果;
当时,不发出拥堵预警;
其中,为拥堵风险预警阈值。
4.一种基于高速公路交通大数据的车流量分析***,采用如权利要求1-3中任意一项的所述车流量分析方法,其特征在于,包括:
终端数据采样模块,用于获取终端设备在目标路段上的指定时间内的第一交通数据;
路侧数据采样模块,用于在所述指定时间内获取指定路段上的第二交通数据;
数据处理模块,用于融合所述第一交通数据和所述第二交通数据获得对应的交通信息数据;
风险评估模块,用于根据所述交通信息数据对目标路段进行拥堵风险预测;
告警模块,用于根据拥堵风险预测结果发出相应的预警警示信息;
其中,所述目标路段为历史上容易发生拥堵的路段,所述指定路段为所述目标路段之前的路口路段;
所述第一交通数据包括所述终端设备的速度、位置、数量以及限速情况;所述第二交通数据包括驶入所述路口路段的车辆的速度、位置、数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410076843.3A CN117593891B (zh) | 2024-01-19 | 2024-01-19 | 一种基于高速公路交通大数据的车流量分析***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410076843.3A CN117593891B (zh) | 2024-01-19 | 2024-01-19 | 一种基于高速公路交通大数据的车流量分析***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117593891A CN117593891A (zh) | 2024-02-23 |
CN117593891B true CN117593891B (zh) | 2024-05-07 |
Family
ID=89917002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410076843.3A Active CN117593891B (zh) | 2024-01-19 | 2024-01-19 | 一种基于高速公路交通大数据的车流量分析***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117593891B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0239400A (ja) * | 1988-07-29 | 1990-02-08 | Nec Home Electron Ltd | 交通量監視システム |
CN101697254A (zh) * | 2009-10-22 | 2010-04-21 | 姜廷顺 | 兼有交通拥堵报警及超速拍照功能的电子警察及运行方法 |
JP2011180667A (ja) * | 2010-02-26 | 2011-09-15 | Sumitomo Electric Ind Ltd | 交通情報処理装置とこれを用いた渋滞情報の検出方法 |
CN103150930A (zh) * | 2013-02-01 | 2013-06-12 | 东南大学 | 针对快速道路常发性拥堵路段的追尾事故实时预测方法 |
CN104282165A (zh) * | 2013-07-12 | 2015-01-14 | 深圳市赛格导航科技股份有限公司 | 路段拥堵预警方法及装置 |
CH708593A2 (de) * | 2013-09-18 | 2015-03-31 | Dr Oreste N Cortesi | Einrichtung zur Vermeidung von Staus im Strassenverkehr. |
WO2016192666A2 (zh) * | 2015-06-05 | 2016-12-08 | 刘光明 | 带有相对交通状况的地图与行车路线 |
CN106816008A (zh) * | 2017-02-22 | 2017-06-09 | 银江股份有限公司 | 一种道路拥堵预警及拥堵形成时间预测方法 |
WO2018058957A1 (zh) * | 2016-09-30 | 2018-04-05 | 广州大正新材料科技有限公司 | 一种车路协同智能交通控制*** |
CN107993438A (zh) * | 2017-12-08 | 2018-05-04 | 上海云砥信息科技有限公司 | 一种高速公路瓶颈路段拥堵预警方法 |
WO2020083399A1 (zh) * | 2018-10-26 | 2020-04-30 | 江苏智通交通科技有限公司 | 基于交通流数据的协调干线线路规划方法及配置*** |
WO2020259074A1 (zh) * | 2019-06-28 | 2020-12-30 | 佛山科学技术学院 | 一种基于大数据的交通拥堵预测***、方法及存储介质 |
CN116244900A (zh) * | 2022-12-16 | 2023-06-09 | 信通院车联网创新中心(成都)有限公司 | 基于事故易发地数据的v2x功能测试场景库的构建方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9424748B2 (en) * | 2014-09-09 | 2016-08-23 | Here Global B.V. | Reporting traffic conditions on road segments containing a bottleneck |
-
2024
- 2024-01-19 CN CN202410076843.3A patent/CN117593891B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0239400A (ja) * | 1988-07-29 | 1990-02-08 | Nec Home Electron Ltd | 交通量監視システム |
CN101697254A (zh) * | 2009-10-22 | 2010-04-21 | 姜廷顺 | 兼有交通拥堵报警及超速拍照功能的电子警察及运行方法 |
JP2011180667A (ja) * | 2010-02-26 | 2011-09-15 | Sumitomo Electric Ind Ltd | 交通情報処理装置とこれを用いた渋滞情報の検出方法 |
CN103150930A (zh) * | 2013-02-01 | 2013-06-12 | 东南大学 | 针对快速道路常发性拥堵路段的追尾事故实时预测方法 |
CN104282165A (zh) * | 2013-07-12 | 2015-01-14 | 深圳市赛格导航科技股份有限公司 | 路段拥堵预警方法及装置 |
CH708593A2 (de) * | 2013-09-18 | 2015-03-31 | Dr Oreste N Cortesi | Einrichtung zur Vermeidung von Staus im Strassenverkehr. |
WO2016192666A2 (zh) * | 2015-06-05 | 2016-12-08 | 刘光明 | 带有相对交通状况的地图与行车路线 |
WO2018058957A1 (zh) * | 2016-09-30 | 2018-04-05 | 广州大正新材料科技有限公司 | 一种车路协同智能交通控制*** |
CN106816008A (zh) * | 2017-02-22 | 2017-06-09 | 银江股份有限公司 | 一种道路拥堵预警及拥堵形成时间预测方法 |
CN107993438A (zh) * | 2017-12-08 | 2018-05-04 | 上海云砥信息科技有限公司 | 一种高速公路瓶颈路段拥堵预警方法 |
WO2020083399A1 (zh) * | 2018-10-26 | 2020-04-30 | 江苏智通交通科技有限公司 | 基于交通流数据的协调干线线路规划方法及配置*** |
WO2020259074A1 (zh) * | 2019-06-28 | 2020-12-30 | 佛山科学技术学院 | 一种基于大数据的交通拥堵预测***、方法及存储介质 |
CN116244900A (zh) * | 2022-12-16 | 2023-06-09 | 信通院车联网创新中心(成都)有限公司 | 基于事故易发地数据的v2x功能测试场景库的构建方法 |
Non-Patent Citations (4)
Title |
---|
交通事故下的交通波特性分析――以广州市机场高速公路为例;冯树民;年东;祁首铭;邱磊;叱干都;;大连交通大学学报;20200615(03);全文 * |
城市道路交通拥堵自动判断算法研究;全洪波;陈锐祥;;中山大学学报(自然科学版);20080115(01);全文 * |
基于Cox风险模型的城市道路交通拥堵持续时间分析;王文成;杨小宝;周映雪;环梅;;长安大学学报(自然科学版);20150115(S1);全文 * |
高速公路智能交通诱导***研究;戴晨;;科技资讯;20180823(24);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117593891A (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11990036B2 (en) | Driver behavior monitoring | |
JP6045846B2 (ja) | 交通事故発生予報装置、方法およびプログラム | |
CN110077398B (zh) | 一种用于智能驾驶的危险处理方法 | |
WO2016067550A1 (ja) | 危険予測装置、運転支援システム | |
EP3403219A1 (en) | Driver behavior monitoring | |
US10593200B2 (en) | Traffic hindrance risk indication apparatus | |
CN115294767B (zh) | 一种高速公路车道线实时检测与交通安全预警方法及装置 | |
Choi et al. | Proactive strategy for variable speed limit operations on freeways under foggy weather conditions | |
CN114454878B (zh) | 车速控制模型训练样本的确定方法及装置 | |
CN112418237A (zh) | 车辆驾驶决策方法、装置及电子设备 | |
US12020566B2 (en) | Machine-learning based control of traffic operation | |
CN112101670A (zh) | 数据处理方法、装置、电子设备和可读存储介质 | |
CN115782905A (zh) | 一种自动驾驶车辆驾驶安全度量化*** | |
CN116186884A (zh) | 一种智能网联汽车功能安全与预期功能安全联动验证方法 | |
Kumar et al. | Moving Vehicles Detection and Tracking on Highways and Transportation System for Smart Cities | |
CN117894178A (zh) | 一种基于智慧高速的智慧云监理*** | |
CN118014349A (zh) | 一种隧道事故风险评估方法、***及设备 | |
CN117593891B (zh) | 一种基于高速公路交通大数据的车流量分析***及方法 | |
Louah et al. | Traffic operations at an entrance ramp of a suburban freeway first results | |
CN116824911A (zh) | 会车提醒信息的生成及会车提醒方法、装置、介质、产品 | |
CN110718064A (zh) | 一种车辆违章检测方法和装置 | |
CN116168542B (zh) | 一种基于大型车辆的行为监测的预警方法及*** | |
CN117922580A (zh) | 一种基于人工智能的智能驾驶监管方法及*** | |
CN117636627A (zh) | 交通事故预测模型的训练方法、交通事故预测方法及装置 | |
CN116978225A (zh) | 一种快速路合流区危险驾驶行为的风险等级判别方法 |
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 |