一种基于车牌识别和卡口状态的车辆路径重构方法与流程

本发明涉及一种基于车牌识别数据的路径重构和卡口状态识别系统，属于模式识别以及数据挖掘。

背景技术：

1、重构车辆路径能够高置信度还原机动车的出行需求特征，具体可以获取区域范围内的交通流量和出行路径。传统的实现方法是基于od的采样，然后通过效用理论确定机动车的出行需求。至于机动车需求在交通路网上的分配，往往需求准确标定道路特征和路径选择等相关参数，其过程复杂且精度显著提高难度较大。卡口的广泛布设为掌握机动车出行特征提供了新的解决方案。然而，考虑路口的实际条件和最优布点策略，整个路网中可能存在没有安设卡口的路口。另外，卡口在工作中也可能会出现故障或数据丢失等问题。因此，需要根据现有的卡口数据重构出机动车的连续的出行路径。现有技术对于备选路径的选择，一般是计算各路径的旅行时间，并以此匹配真实的时间差。然而，信号控制下的间断交通流的旅行时间分布并不满足备选路径的选择充要条件。路网在高峰、平峰时段的流量延误关系不同，目前现有的算法并未严格区分各交通状态下的行车速度和延误等情况。

2、以上原因可能导致出行路径不连续，因此需要结合路网上的交通状态完成路径的拼接和重构，并实现流量的修复工作。

技术实现思路

1、本发明要解决的技术问题是：现有的重构交通路径方法可能导致出行路径不连续。

2、为了解决上述技术问题，本发明的技术方案是提供了一种基于车牌识别和卡口状态的车辆路径重构方法，其特征在于，包括以下步骤：

3、步骤1：通过高清地图采集获取路网的拓扑结构，同时通过卡口设备获取各转向下车辆的车牌信息，然后对采集到的数据进行预处理；

4、步骤2：通过卡口数据，分时段计算安设卡口的邻近节点在各种交通状态下的真实运行速度，基于真实运行速度推算安设卡口的邻近节点在各种交通状态下的旅行时间，其中，通过卡口数据，分时段计算安设卡口的邻近节点在各种交通状态下的真实运行速度包括以下步骤：

5、步骤2-1：按照路网的拓扑结构和卡口的布设位置，确定上下游路口均设置卡口的路段集合r_link_avi；

6、步骤2-2：根据时间差，确定车辆通过路段集合r_link_avi中每条路段的邻近节点的行程时间集合：

7、

8、式中，rtravle time表示路段集合r_link_avi中路段的邻近节点的行程时间集合；表示车辆k经过下游进口道的时刻；表示车辆k经过上游进口道的时刻；tk表示车辆k的邻近节点行程时间，单位：s。

9、步骤2-3：将全天邻近节点的行程时间集合从小至大排列，默认前10％所对应的车辆运行处于自由流状态，并以此确定该路段的自由流速度。如图1所示：

10、

11、式中：v0_link表示路段的自由流状态；length_link表示路段的长度；t_min10％表示近路段的行程时间集合从小至大排列的前10％集合。

12、步骤2-4：取邻近节点的行程时间集合rtravle time分位点85％，然后根据邻近节点路段长度计算各车辆正常运行速度的最低值，最后求平均确定邻近节点间的运行速度；

13、步骤2-5：根据高峰、平峰时段交通流状态精准划分时段，结合步骤2-4获得的邻近节点间的运行速度分别给出各时段的真实速度分布；

14、步骤3：按照网路中的同一道路或道路等级，补全未安设卡口路段的邻近节点旅行时间，并将补全后的邻近节点的旅行时间作为更新后的路网初始权重；

15、步骤4：根据卡口的布设密度和检测到的路段旅行时间判定出行链判别阈值，车辆在路网中不定时长的停车，超过设定的出行链时间段判定阈值将划分当前车辆的出行链；

16、步骤5：将邻近节点的旅行时间作为广义成本，利用dijkstra算法得到重构路径集合；

17、步骤6：dijkstra算法下的路径重构结果判定，具体包括以下步骤：

18、步骤6-1：根据设定的可靠率robustness，利用聚类分析，确定正常卡口集合r_normal；

19、步骤6-2：确定dijkstra算法下的正常卡口集合r_normal的方差dijkstra_v(fnr)和平均相对误差dijkstra_e(fnr)；

20、步骤6-3：将dijkstra_v(fnr)和dijkstra_e(fnr)分别记录至按照最小旅行时间确定的重构路径；

21、步骤6-4：计算全局的平均置信度dijkstra_e(fnr)_all，并记录到按照最小旅行时间确定的重构路径；

22、步骤7：执行ksp，确定k条最短路径，结合漏检率分别得到最大效用的路径和置信度，具体包括以下步骤：

23、步骤7-1：按照ksp，选择k＝m，拟定出m条最小出行时间的路径；

24、步骤7-2：考虑卡口高稳定性和布设密度，大段路径缺失的可能性很低，因此将漏检率fnr用以计算每一条路径的效用，如下式所示：

25、

26、其中，表示路径所经过卡口的漏检率fnr的乘积，n表示路径所经过路口的数量，travel_time表示邻近节点的旅行时间。

27、步骤7-3：根据最大效用umax，利用ksp算法选择合理的重构路径：

28、umax＝max{ui},i＝1,2,…m

29、ksp算法选择最大效用umax的路径作为重构路径；

30、步骤7-4：保存ksp算法得到的路径，并采用漏检率fnr的均值作为该路径的置信度：

31、confidencei＝avg(fnri),i＝1,2,…n

32、其中，n表示当前路径下所经过邻近节点的数量。

33、步骤7-5：根据设定的可靠率robustness，利用聚类分析确定正常卡口集合r_normal；

34、步骤7-6：确定ksp算法下的正常集合的方差ksp_v(fnr)和平均相对误差ksp_e(fnr)；

35、步骤7-7：计算全局的平均置信度ksp_e(fnr)_all，并记录到按照ksp确定的最大效用下的重构路径；

36、步骤8：根据ksp确定的路径再反推漏检率，评估卡口的工作状态。

37、优选地，步骤1中，通过对采集到的数据进行预处理补足检测的数据，避免流量丢失并保证转向精度。

38、优选地，所述步骤3包括以下步骤：

39、步骤3-1：确定当前待补全路口linki，确定上游或下游最邻近的设置卡口的路段linkj_avi；

40、步骤3-2：若linki和linkj_avi属于同一道路的不同路段，则旅行时间差由路段距离差来确定，如下式所示：

41、

42、其中，和表示路段linki的旅行时间和长度，和表示路段linkj_avi的旅行时间和长度，v0_表示路段的自由流速度。

43、优选地，所述步骤5包括以下步骤：

44、步骤5-1：根据交通状态所划分的时段，从调取相应的路网及权重；

45、步骤5-2：按照dijkstra算法计算得到并保存最短路径；

46、步骤5-3：通过重构得到的进口道检测流量：dijkstra_reconstructed；

47、步骤5-4：获得dijkstra算法下的相对误差，即卡口漏检率dijkstra_，又表示为fnr：

48、

49、ifdijkstra_reconstructed＝0,thfnr＝100％

50、式中，qdetected表示卡口所检测到的流量数据；

51、步骤5-5：按照dijkstra算法生成最短旅行时间路径，并计算各卡口漏检率fnr。

52、本发明公开的方法可以较高精度地完成漏检或未安设卡口造成的车辆路径还原和流量修复，在实际的案例中有良好的表现，与现有技术方案相比，本发明具体具有如下有益效果：

53、(1)本发明通过卡口的数据可以获取大量车辆经过的关键节点，然后利用算法串联关键节点即可得到精准度较高的路径。另外，基于卡口数据的分析可以直接得到机动车的od，避免了传统方式划分的误差。

54、(2)本发明利用两次路径重构过程，首先初步判定卡口的工作状态，然后利用ksp再确定最大效用的路径。最后，基于最终的路径再反推每个卡口的漏检率，其可以用于评估算法的可靠性，同时也可以反映卡口的数据不良，并从数据追本溯源评估每个卡口的工作状态。

55、(3)本发明基于用户路径选择的最大效用假设，然后再通过卡口的工作状态反推路径的选择。该部分不仅考虑了最小成本的效用，而且充分利用卡口的工作状态服务高置信度的路径选择。

56、(4)本发明将传统的最短路径算法中邻近节点的路段长度换算为出行时间，其可以更好地反映实时的路径广义成本(出行时间)。基于此，建议按照交通状态的波动情况进行精准划分，然后分别计算各时段下邻近节点的旅行时间。