一种基于CUBE数据的交通承载力辅助分析方法及系统技术方案

本发明专利技术涉及一种基于CUBE数据的交通承载力辅助分析方法及系统；包括以下步骤：建立交通流预测模型；收集网络上的交通流数据，并进行网络上的交通流数据预处理；对收集并进行预处理后的交通流数据进行组织和储存；以处理后的交通流数据作为交通流预测模型的输入源，通过交通流预测模型对实时的交通流进行预测，并对异常的交通流数据进行预警并分析。本发明专利技术通过对道路区间内的平均驾驶速度、车辆密度、空间占有率和时间占有率进行计算，可以直观的观察出道路区间内的交通状况，并当道路区间内发生事故时，能够进行及时观察。能够进行及时观察。能够进行及时观察。

【技术实现步骤摘要】
一种基于CUBE数据的交通承载力辅助分析方法及系统


[0001]本专利技术涉及于交通承载力模拟
，尤其涉及一种基于CUBE数据的交通承载力辅助分析方法及系统。

技术介绍

[0002]交通承载力分析是对道路路段、卡口、路网的交通流量进行预测分析，对于实现智能化交通信息系统，制定合理的交通安检策略和交通管理与诱导措施，缓解道路交通拥堵有重要的意义,目前技术革新越演越烈，智能化与数字化成为了社会的前进方向。尤其随着电动汽车，无人驾驶与智能卡口的技术发展，将会产生海量的异构化的交通流信息。这对于智能交通系统的实时性，预测精度有了更高的要求。因此，对于对道路交通承载力分析，并根据实时交通情况对成千上万车辆进行实时交通路线规划的实时交通信息系统的研究变得越来越重要。
[0003]目前的交通数据采集设备已经相当完善，各种智能化立体卡口系统存在于道路出入口、收费站、省际卡口等处，道路信息采集系统能够实现对车辆的各种信息采集，如图像数据、速度数据等，并可以根据采集数据进一步分析出车辆的详细信息，比如图像数据，作为卡口的高分辨率数字摄像机的分辨率达200万像素，可以完整的显现出车辆的车牌，车身和驾驶员状况，通过分析可以获得车型，车辆颜色等各种信息。
[0004]然而，道路信息采集的发展带来了大量的可用数据，但是一个道路网络每天将会产生TB级的交通数据，现有的交通承载力分析系统不能直观的观察出道路区间内的交通状况，为道路交通承载力的分析和存储增加了难度。

技术实现思路

[0005]为了现有技术存在的上述技术缺陷，本专利技术提供了一种基于CUBE数据的交通承载力辅助分析方法及系统，可以有效解决
技术介绍
中的问题。
[0006]为了解决上述技术问题，本专利技术提供的技术方案具体如下：
[0007]本专利技术实施例公开了一种基于CUBE数据的交通承载力辅助分析方法，所述方法包括以下步骤：
[0008]步骤一：建立交通流预测模型；
[0009]步骤二：收集网络上的交通流数据，并进行网络上的交通流数据预处理；
[0010]步骤三：对收集并进行预处理后的交通流数据进行组织和储存；
[0011]步骤四：以处理后的交通流数据作为交通流预测模型的输入源，通过交通流预测模型对实时的交通流进行预测，并对异常的交通流数据进行预警并分析。
[0012]在上述任一方案中优选的是，所述交通流预测模型通过公式对统计道路区间内的不同车道的交通量进行预测；其中，q为交通量，i为车道编号；T为采集周期，N为T采集周期内统计的汽车数量。
[0013]在上述任一方案中优选的是，所述交通预测模型通过公式计算观测周期内的平均驾驶速度；其中，V为周期内的平均速度，M为周期内的车辆数量，n为周期内车辆的编号。
[0014]在上述任一方案中优选的是，所述交通预测模型通过公式计算周期内的车辆密度；其中，N为T采集周内的统计的汽车数量，L为统计道路区间内的道路长度。
[0015]在上述任一方案中优选的是，所述交通预测模型通过公式计算统计道路区间内的空间占有率；其中，Z
k
为统计道路区间内的空间占有率，L为统计道路区间内的道路长度，N为T采集周内的统计的汽车数量，l
i
为第i辆车的车身长度。
[0016]在上述任一方案中优选的是，所述交通预测模型通过公式计算统计道路区间内的时间占有率；其中，Z
s
为统计道路区间内的时间占有率，T为采集周期的长度，N为T采集周期内统计的汽车数量，t
i
为第i辆车经过监测路段所用的时间。
[0017]在上述任一方案中优选的是，所述交通流预测模型通过对道路区间的车辆密度和车辆速度对离开道路区间的车辆数量进行估计，并通过对相邻道路区间的离开道路区间的车辆数据对进入道路区间的车辆数量进行估计，再对车辆密度进行预测。
[0018]在上述任一方案中优选的是，当所述交通流预测模型预测到车辆密度、道路区间内的空间占有率和道路区间内的时间占有率大于阈值后，发出预警。
[0019]在上述任一方案中优选的是，所述交通流预测模型的建模步骤包括：
[0020]步骤一：利用ADF单位根检验方法对原始流量序列进行平稳性检验，若原始流量序列不平稳，则进行差分变换，直至新序列通过平稳性检验；
[0021]步骤二：运用AI C准则确定模型的阶数，即确定AR(p)模型中p的值，运用最小二乘法进行参数估计；
[0022]步骤三：运用确定的模型进行交通流量的预测；
[0023]步骤四：当有新的采样数据产生时，重复步骤一至步骤三，实现流量的动态预测。
[0024]在上述任一方案中优选的是，在利用ADF单位根检验方法对原始流量序列进行平稳性检验时，通过公式对预测模型的绝对百分比误差进行计算；其中，x
i
，为预测值，x
i
为实际值。
[0025]在上述任一方案中优选的是，在利用ADF单位根检验方法对原始流量序列进行平稳性检验时，通过公式对预测模型的平均绝对百分比误差进行计算；其中，N为预测次数。
[0026]在上述任一方案中优选的是，在对交通流数据进行采集时，通过线圈检测技术、雷
达检测技术、红外检测技术、图像检测技术、浮动车检测技术、车辆识别系统、交调站检测系统和收费站检测系统中的一种或多种对交通流数据进行采集。
[0027]在上述任一方案中优选的是，所述线圈检测技术主要是通过地下间隔埋置的感应线圈实现。当车辆通过线圈埋设路段时，会切断磁通线，使线圈中产生电流，然后，系统将采集到的电流信号进行分析，获得车速与交通流量数据，这种线圈检测的方法能够得到广泛的应用，主要是该技术原理简单，且由于地下埋置，不易受到外界的干扰，且准确率高，但同时，地下埋设的方式，一旦受到损坏，不利于设备的维修。
[0028]在上述任一方案中优选的是，所述雷达检测技术的原理是，检测设备向路面发射雷达波，当有车辆时，车辆会对雷达波进行阻挡，并反射。检测设备对反射波进行采集，并运算获得车速、车流量等信息。
[0029]在上述任一方案中优选的是，所述红外检测技术是通过红外监测器实现的，所述红外检测器分为主动红外检测器与被动红外检测器，主动红外检测器使用激光二极管主动发射激光，通过对能量反射的检测，计算出车辆速度与轮廓，被动红外检测器是用热电堆传感器或热释电传感器接收汽车发动机发出的热辐射并将其转变成电信号，根据多个信号计算车辆速度信息，红外检测器对于高速运动的车辆速度检测精度不足，相比于雷达检测器，虽然原理相似，但不适用于雨雪天气。
[0030]在上述任一方案中优选的是，所述图像检测技术是通过图像检测器实现的，所述图像检测器使用摄像装置对道路交通路口或路段的图像进行采集，并将图像传输到图像分析设备，通过图像处理技术，获得车辆的速度，外形，和车道变更信息，图像检测方法相比于其它检测方法，依托于图像处理技术，可以获得车辆的更多信息，但是其技术瓶颈高，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CUBE数据的交通承载力辅助分析方法，其特征在于：包括以下步骤：建立交通流预测模型；收集网络上的交通流数据，并进行网络上的交通流数据预处理；对收集并进行预处理后的交通流数据进行组织和储存；以处理后的交通流数据作为交通流预测模型的输入源，通过交通流预测模型对实时的交通流进行预测，并对异常的交通流数据进行预警并分析。2.根据权利要求1所述的基于CUBE数据的交通承载力辅助分析方法，其特征在于：所述交通流预测模型的建模步骤包括：利用ADF单位根检验方法对原始流量序列进行平稳性检验，若原始流量序列不平稳，则进行差分变换，直至新序列通过平稳性检验；运用AIC准则确定模型的阶数，即确定AR(p)模型中p的值，运用最小二乘法进行参数估计；运用确定的模型进行交通流量的预测；当有新的采样数据产生时，重复上述操作，实现流量的动态预测。3.根据权利要求2所述的基于CUBE数据的交通承载力辅助分析方法，其特征在于:在利用ADF单位根检验方法对原始流量序列进行平稳性检验时，通过公式对预测模型的绝对百分比误差进行计算；其中，x
i
，为预测值，x
i
为实际值。4.根据权利要求3所述的基于CUBE数据的交通承载力辅助分析方法，其特征在于：在利用ADF单位根检验方法对原始流量序列进行平稳性检验时，通过公式对预测模型的平均绝对百分比误差进行计算；其中，N为预测次数。5.根据权利要求4所述的基于CUBE数据的交通承载力辅助分析方法，其特征在于：所述交通流预测模型通过公式对统计道路区间内的不同车道的交通量进行预测；其中，q为交通量，i为车道编号；T为采集周期，N为T采集周期内统计的汽车数量。6.根据权利要求5所述的基于CUBE数据的交通承载力辅助分析方法，其特征在于：所述交通预测模型...

【专利技术属性】
技术研发人员：刘兆鹏，张鹏鹏，李向杰，李云峰，吴建兵，
申请(专利权)人：南通市市政工程设计院有限责任公司，
类型：发明
国别省市：