一种基于车辆gps数据的城市道路交通拥堵判别方法
【技术领域】
[0001] 本发明涉及一种城市道路交通拥堵判别方法。
【背景技术】
[0002] 据公安部数据显示，截止2013年底全国汽车保有量超过1. 37亿，相较于2012年 增长达到11. 4%，全国有31个城市的汽车拥有量超过百万。城市汽车数量的激增，会导致 严重的交通拥堵问题，已经成为全国各城市所面临的共同难题，导致巨大的经济损失。据交 通部数据显示，交通拥堵每年导致的经济损失达到2500亿元，相当于全年⑶P的5% -8%。 此外，交通拥堵也会导致城市环境恶化、居民健康水平下降、城市出行满意度降低等间接损 失。利用道路交通流量、行驶速度、占有率等数据，对城市道路交通拥堵进行实时判别，一方 面能够向公众出行者发布出行信息服务，提高居民的出行满意度；另一方面能够告知城市 交通管理部门，以便对交通拥堵进行及时干预及管理，防止交通拥堵的扩散并减低交通拥 堵带来的损失，具有重要的现实意义。
[0003] 在以往的研宄中，城市道路交通拥堵判别的数据来源广泛，主要包括三类：传统的 道路固定交通信息检测器，如线圈检测器、微波检测器、视频检测器等；交叉口自适应控制 设备检测器，如Scats、Scoot设备等；专门的道路移动检测器，如浮动车、专用交通信息监 测车等。而这些交通信息检测设备，往往存在安装布设的成本高、技术难度大、后期维护运 营困难等问题，使得依托于这些检测设备数据的交通拥堵判别方法的应用范围存在较大局 限性。通过统计发现，这些研宄的实际应用倾向于经济条件好的大城市或城市范围的快速 路、主干路等主要路段，也印证了这一问题。
[0004] 随着LBS(LocationBasedService)技术的发展普及，城市交通出行的GPS数据 (如安装有GPS模块的出租车及公交车、居民的移动通信设备等）成本更低、获取更容易，对 城市交通的参与者（行人及车辆）的位置信息的采集变的越来越容易，这些数据成为一种 隐性财富被大量的保存下来，而这些海量的位置信息通常以GPS数据的形式存储于各种管 理机构及政府部门，利用这些GPS定位点数据进行交通拥堵的判别已经成为近些年来研宄 的热点。
【发明内容】
[0005] 本发明的目的是提供一种基于车辆GPS数据的城市道路交通拥堵判别方法，以解 决现有城市道路交通拥堵判别方法由于采用传统交通信息检测设备，往往存在安装布设的 成本高、技术难度大、后期维护运营困难，使得依托于这些检测设备数据的交通拥堵判别方 法的应用范围存在较大局限性的问题。
[0006] 本发明为解决上述技术问题采取的技术方案是：
[0007] -种基于车辆GPS数据的城市道路交通拥堵判别方法，所述方法的实现过程为：
[0008] 步骤一、以行驶于城市道路的车辆GPS数据为基础，结合城市道路拓扑结构信息， 对不同类型的城市道路路段行程时间分配进行划分；得到目标路段的历史行程时间TsW;
[0009] 步骤二、基于人工神经网络模型构建城市道路路段行程时间估计模型：输入神经 元为由车辆GPS获得的位置向量p(i)、路段编号向量s(i)、时间戳向量t(i)、速度向量 v(i)，对应的输出量为步骤一所述的目标路段的历史行程时间TsW，通过加载海量GPS数据 信息及道路网络信息进行训练，获得训练良好的城市道路路段行程时间计算模型；
[0010] 利用城市道路路段行程时间估计模型，根据车辆GPS获得的当前时刻的位置向量 p(i)、路段编号向量S(i)、时间戳向量t⑴、速度向量v(i)，计算得到当前时刻的路段行程 时间数据；
[0011] 步骤三、基于步骤二获得的路段行程时间数据，进一步计算得出路段交通流速度 vp和路段交通流密度Kp;
[0012] 步骤四、以路段交通流速度vp和路段交通流密度1^数据为输入条件，判定道路交 通拥堵状态。
[0013] 在步骤一中，所述目标路段的历史行程时间的到得方式为：
[0014] 由于车辆GPS数据计算出的行程时间是车辆自一个路段的某一位置行驶到另一 路段的某一位置得到的；将这一过程可以分为三种类型，并分别给出计算行程时间的方 法：
[0015] 第一种类型为所调查路段上存在至少两个车辆GPS定位点，在这种情况下，所调 查路段的行程时间由此路段上首尾两GPS定位点之间的时间差值、上游交叉口到首个GPS 定位点的行驶时间以及末尾GPS定位点到下游交叉口的行驶时间三者的加和计算得出；计 算公式如下：
[0016] TL2=t2，分离+t3-t2+t3,分*⑴
[0017] 其中，1\2为所调查路段L2的行程时间，t2』s为上游交叉口到首个GPS定位点的 行驶时间，t3_t2为此路段上首尾两GPS定位点之间的时间差值，13为末尾GPS定位点到 下游交叉口的行驶时间；
[0018] 第二种类型为所调查路段上只存在一个车辆GPS定位点，在这种情况下，所调查 路段的行程时间由上游交叉口到此GPS定位点的时间以及此GPS定位点到下游交叉口的 行驶时间的加和计算得出：
[0019] TL2=12,分离+t3,分离（2)
[0020] 其中，IY2为所调查路段L2的行程时间，、_为上游交叉口到GPS定位点的行驶 时间，t3为GPS定位点到下游交叉口的行驶时间；
[0021] 第三种类型为所调查路段上不存在车辆GPS定位点，在这种情况下，所调查路段 的行程时间由此调查路段临近两GPS定位点之间的时间差计算得出：
[0022]TL2=t2，^?离 ⑶
[0023] 其中，IY2为所调查路段L2的行程时间，t2』s为调查路段临近两GPS定位点之间 的时间差的代换值。
[0024] 在步骤二中，所述人工神经网络模型（ANN模型）的数学描述如下：
[0025]输入层
[0026]
[0027] 其中p(i)是浮动车i在上游路段、目标路段和下游路段上的位置向量；s(i)是路 段编号向量，表明浮动车所在路段；t(i)是时间戳向量，表明浮动车发送信息的时刻；v(i) 是速度向量；
[0028] 模型中输入神经元的数量可以由以下决定：
[0029] N=n*m(2)
[0030] 其中n是每辆浮动车所考虑的信息点数量;m是信息的类别，所述m为4分别表示： 位置、路段ID、时间戳和速度；
[0031] 隐藏层
[0032]
【主权项】
1. 一种基于车辆GPS数据的城市道路交通拥堵判别方法