基于车牌识别数据的城市路网车流OD不确定性估计方法技术

本发明专利技术公开了一种基于车辆号牌识别数据的城市路网车流OD不确定性估计方法，包括：获取车辆号牌识别数据，重构车辆轨迹，并按照Time

【技术实现步骤摘要】
基于车牌识别数据的城市路网车流OD不确定性估计方法


[0001]本专利技术属于城市路网车流OD估计
，尤其涉及一种基于车辆号牌识别数据的城市路网车流OD不确定性估计方法。

技术介绍

[0002]路网车流OD反映特定时间段内道路交通网络中各交通小区之间的交通需求，能够为城市交通规划与管理提供有效的决策依据。路网车流OD估计是道路交通管控智能化的重要基础环节，也是利用交通供需关系实现主动式交通管理的关键支撑，其准确性和鲁棒性在基于供需关系的智能交通管控与服务中显得尤为重要。实时、全样本车流OD是城市交通规划和主动交通管理的重要输入，传统上通过交通调查的方式获取车流OD费时费力。利用观测数据进行车流OD估计的方法能以更小的经济、时间成本获取车流OD，且具有时效性。
[0003]现有的路网车流OD估计方法为：将计算图作为底层建模工具，基于多源数据估计不同层级(出行生成、出行分布、交通分配)的出行需求；将不同类型的数据与不同层级关联，通过计算图统一表达数据和定义状态来分解复杂的复合函数，刻画交通需求估计问题内部的数学结构；同时利用反向传播算法自动计算梯度，求解计算图各层级的交通需求估计值。现有的路网车流OD估计方法本质可以看作双层问题建模和求解：上层是针对车流OD估计问题进行建模，主要基于统计优化函数、状态空间方程、计算图；下层是针对交通分配问题进行建模，主要是基于非动态交通分配方法、显式动态交通分配方法、隐式动态交通分配方法。
[0004]现有车流OD估计模型变量和参数隐含确定性假设，无法有效反映交通流异方差不确定性和动态交通分配过程不确定性，动态车流OD估计的不确定性建模水平有待进一步量化提升，不能有效支撑城市交通规划和主动交通管理；另外，现有车流OD估计技术中的交通分配模型多以用户均衡为模型收敛目标，主动交通管理等场景下的车辆出行路径选择通常介于用户均衡和系统最优之间，现有方法未充分利用车辆号牌识别数据等轨迹数据捕捉到的车辆真实轨迹分布。因此，如何反映路网车流OD与交通流量的非线性映射关系，实现城市路网历史车流OD、实时车流OD的不确定性量化，进一步提高车流OD估计的鲁棒性和准确性，成为亟需解决的技术问题。

技术实现思路

[0005]解决的技术问题：本专利技术公开了一种基于车辆号牌识别数据的城市路网车流OD不确定性估计方法，能够反映路网车流OD与交通流量的非线性映射关系，通过构建路网车流OD不确定性估计框架，实现城市路网历史车流OD、实时车流OD的不确定性量化，进一步提高车流OD估计的鲁棒性和准确性，对提升交通管理系统的响应能力和服务水平具有重要意义。
[0006]技术方案：
[0007]一种基于车辆号牌识别数据的城市路网车流OD不确定性估计方法，所述不确定性
估计方法包括以下步骤：
[0008]S1，获取车辆号牌识别数据，重构车辆轨迹，并按照Time
‑
of
‑
Day的时间维度提取路网样本车流OD、样本路径流量、样本路段流量和实际路段流量；路网车流OD是指交通网络中起点O与终点D之间在指定时间段内的车辆出行总量；
[0009]S2，基于贝叶斯计算图框架构建得到车流OD不确定性估计框架，车流OD不确定性估计框架由车流OD层、路径流量层、路段流量层这三层结构组成；框架中所有神经元和权重均为由均值和方差表示的正态分布；其中，车流OD层的各个神经元与路网中的各OD对一一对应，每个神经元的值代表相应OD对的OD值，层神经元的数量为时段数量n乘以OD对的数量(k
×
k)，k为小区数量；路径流量层的各个神经元与路网中各条路径一一对应，每个神经元的值代表对应路径上的流量，层神经元的数量为时段数量n乘以路径的数量p；路段流量层的各个神经元与路网中各条路段一一对应，每个神经元的值代表对应路段上的流量，层神经元的数量为路段的数量m；不同层间的神经元根据实际路网的时间和空间关联情况进行连接；
[0010]S3，分别设计历史车流OD、实时车流OD的不确定性估计流程，基于车流OD不确定性估计框架，设置损失函数，采用Adam方法进行训练求解，得到实时车流OD和历史车流OD的不确定性估计结果。
[0011]进一步地，步骤S1中，获取车辆号牌识别数据，重构车辆轨迹，并按照Time
‑
of
‑
Day的时间维度提取路网样本车流OD、样本路径流量、样本路段流量和实际路段流量的过程包括以下子步骤：
[0012]S11，获取卡口式电子警察设备采集的车辆号牌识别数据，包括过车时刻、设备编号、车牌编号与车道编号；设备编号是卡口式电子警察设备的编号，车道编号为车辆被记录时所在车道；
[0013]S12，统计相邻轨迹点间各车辆的行程时间，设置时间阈值为相邻出行轨迹点间平均行程时间的两倍；
[0014]S13，利用时间阈值，将车辆出行链划分为车辆轨迹；
[0015]S14，将装有卡口式电子警察设备的交叉口作为交通小区，并将各车辆轨迹的起点和终点与交通小区匹配；
[0016]S15，判断各车辆出行轨迹是否完整，采用最短路算法将不完整的车辆出行轨迹重构补全；
[0017]S16，基于重构的车辆轨迹，提取各预设单位时段的样本车流OD、样本路径流量和样本路段流量；
[0018]S17，针对每个卡口式电子警察设备，统计各预设单位时段的过车数量，得到实际路段流量。
[0019]进一步地，所述预设单位时段为15分钟。
[0020]进一步地，步骤S2中，基于贝叶斯计算图框架构建得到车流OD不确定性估计框架的过程包括以下子步骤：
[0021]S21，假设当前时段的路段流量由当前时段和前n
‑
1个时段释放的交通流共同影响，每个时段的数据为一个样本，采用下述公式计算时段数量n：
[0022][0023]其中，t
max
表示路网内的交通小区之间行程时间的最大值，t表示单个时段的时长，表示向上取整；
[0024]S22，构建车流OD不确定性估计框架，框架中的所有神经元和权重均为由均值和方差表示的正态分布；
[0025]S23，设置层间连接关系，不同层间的神经元根据实际路网的时间和空间关联情况进行连接；时间关联是指，处于j时段的路段流量受到j、j
‑
1...j
‑
(n
‑
1)时段路径流量的影响，处于j时段的路径流量仅受到j时段车流OD的影响；空间关联是指，任意一个路段流量被经过该路段的路径流量影响，任意一个路径流量被选择该路径的车流OD影响。
[0026]进一步地，步骤S3中，分别设计历史车流OD、实时车流OD的不确定性估计流程，基于车流OD不确定性估计框架，设置损失函数，采用Adam方法进行训练求解，得到实时车流OD和历史车流OD的不确定性估计结果的过程包括以下子步骤：
[0027]S31，设置贝叶斯计算图求解过程中的损失函数：
[0028]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于车辆号牌识别数据的城市路网车流OD不确定性估计方法，其特征在于，所述不确定性估计方法包括以下步骤：S1，获取车辆号牌识别数据，重构车辆轨迹，并按照Time
‑
of
‑
Day的时间维度提取路网样本车流OD、样本路径流量、样本路段流量和实际路段流量；路网车流OD是指交通网络中起点O与终点D之间在指定时间段内的车辆出行总量；S2，基于贝叶斯计算图框架构建得到车流OD不确定性估计框架，车流OD不确定性估计框架由车流OD层、路径流量层、路段流量层这三层结构组成；框架中所有神经元和权重均为由均值和方差表示的正态分布；其中，车流OD层的各个神经元与路网中的各OD对一一对应，每个神经元的值代表相应OD对的OD值，层神经元的数量为时段数量n乘以OD对的数量(k
×
k)，k为小区数量；路径流量层的各个神经元与路网中各条路径一一对应，每个神经元的值代表对应路径上的流量，层神经元的数量为时段数量n乘以路径的数量p；路段流量层的各个神经元与路网中各条路段一一对应，每个神经元的值代表对应路段上的流量，层神经元的数量为路段的数量m；不同层间的神经元根据实际路网的时间和空间关联情况进行连接；S3，分别设计历史车流OD、实时车流OD的不确定性估计流程，基于车流OD不确定性估计框架，设置损失函数，采用Adam方法进行训练求解，得到实时车流OD和历史车流OD的不确定性估计结果。2.根据权利要求1所述的基于车辆号牌识别数据的城市路网车流OD不确定性估计方法，其特征在于，步骤S1中，获取车辆号牌识别数据，重构车辆轨迹，并按照Time
‑
of
‑
Day的时间维度提取路网样本车流OD、样本路径流量、样本路段流量和实际路段流量的过程包括以下子步骤：S11，获取卡口式电子警察设备采集的车辆号牌识别数据，包括过车时刻、设备编号、车牌编号与车道编号；设备编号是卡口式电子警察设备的编号，车道编号为车辆被记录时所在车道；S12，统计相邻轨迹点间各车辆的行程时间，设置时间阈值为相邻出行轨迹点间平均行程时间的两倍；S13，利用时间阈值，将车辆出行链划分为车辆轨迹；S14，将装有卡口式电子警察设备的交叉口作为交通小区，并将各车辆轨迹的起点和终点与交通小区匹配；S15，判断各车辆出行轨迹是否完整，采用最短路算法将不完整的车辆出行轨迹重构补全；S16，基于重构的车辆轨迹，提取各预设单位时段的样本车流OD、样本路径流量和样本路段流量；S17，针对每个卡口式电子警察设备，统计各预设单位时段的过车数量，得到实际路段流量。3.根据权利要求2所述的基于车辆号牌识别数据的城市路网车流OD不确定性估计方法，其特征在于，所述预设单位时段为15分钟。4.根据权利要求1所述的基于车辆号牌识别数据的城市路网车流OD不确定性估计方法，其特征在于，步骤S2中，基于贝叶斯计算图框架构建得到车流OD不确定性估计框架的过程包括以下子步骤：
S21，假设当前时段的路段流量由当前时段和前n
‑
1个时段释放的交通流共同影响，每个时段的数据为一个样本，采用下述公式计算时段数量n：其中，t
max
表示路网内的交通小区之间行程时间的最大值，t表示单个时段的时长，表示向上取整；S22，构建车流OD不确定性估计框架，框架中的所有神经元和权重均为由均值和方差表示的正态分布；S23，设置层间连接关系，不同层间的神经元根据实际路网的时间和空间关联情况进行连接；时间关联是指，处于j时段的路段流量受到j、j
‑
1...j
‑
(n
‑
1)时段路径流量的影响，处于j时段的路径流量仅受到j时段车流OD的影响；空间关联是指，任意一个路段流量被经过该路段的路径流量影响，任意一个路径流量被选择该路...

【专利技术属性】
技术研发人员：赵嘉悦，王寅朴，成岷，夏井新，陆振波，
申请(专利权)人：东南大学，
类型：发明
国别省市：