一种基于CUBE数据的交通承载力辅助分析方法及系统与流程

一种基于cube数据的交通承载力辅助分析方法及系统
技术领域
1.本发明涉及于交通承载力模拟技术领域，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。


背景技术：

2.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。
3.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。
4.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。


技术实现要素：

5.为了现有技术存在的上述技术缺陷，本发明提供了一种基于cube数据的交通承载力辅助分析方法及系统，可以有效解决背景技术中的问题。
6.为了解决上述技术问题，本发明提供的技术方案具体如下：
7.本发明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：
8.步骤一：建立交通流预测模型；
9.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；
10.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；
11.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。
12.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。
13.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。
14.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。
15.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，zk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，li为第i辆车的车身长度。
16.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，zs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，ti为第i辆车经过监测路段所用的时间。
17.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。
18.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。
19.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：
20.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；
21.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；
22.步骤三：运用确定的模型进行交通流量的预测；
23.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。
24.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，xi，为预测值，xi为实际值。
25.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。
26.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。
27.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。
28.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。
29.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。
30.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，摄像装置寿命有限，且容易受到外界环境的干扰。
31.在上述任一方案中优选的是，所述浮动车检测技术是利用装有gps的城市公共车辆行驶信息，应用路径推测、地图匹配等计算模型，将车辆与道路空间和时间相匹配，算出交通状况信息，浮动车技术是目前智能交通系统中，获取道路交通状况信息的重要手段。
32.在上述任一方案中优选的是，在对交通流数据进行储存和组织时，以主干道为主要节点，对交通流数据进行组织。
33.第二方面，一种基于cube数据的交通承载力辅助分析系统，包括：
34.生成模块，用于建立交通流预测模型；
35.采集模块，用于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；
36.存储模块，用于对收集并进行预处理后的交通流数据进行组织和储存；
37.分析模块，用于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。
38.与现有技术相比，本发明的有益效果：
39.1、本发明通过将交通道路划分为不同的道路区间，减少了交通流预测模型的计算工作量，并且增加了预测模型预测的精准度。
40.2、本发明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。
41.3、本发明通过采用雷达检测技术、图像检测技术、交调站检测技术和收费站检测
技术的组合对交通流数据进行收集，可以采集到准确的交通流数据，增加预测的精准性。
附图说明
42.附图用于对本发明的进一步理解，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
43.图1是本发明实施例所提供的基于cube数据的交通承载力辅助分析方法流程图；
44.图2是本发明实施例所提供的基于cube数据的交通承载力辅助分析系统模块示意图。
具体实施方式
45.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
46.需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至该另一个元件上。
47.在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
48.此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
49.为了更好地理解上述技术方案，下面将结合说明书附图及具体实施方式对本发明技术方案进行详细说明。
50.如图1所示，一种基于cube数据的交通承载力辅助分析方法，包括以下步骤：
51.步骤一：建立交通流预测模型；
52.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；
53.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；
54.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。
55.具体的，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。
56.作为优选的，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。
57.作为优选的，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。
58.作为优选的，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，zk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，li为第i辆车的车身长度。
59.作为优选的，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，zs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，ti为第i辆车经过监测路段所用的时间。
60.作为优选的，所述交通预测模型根据交通流数据对相邻道路区间内的车辆进入道路区间的概率进行统计，并定义为道路区间的相干系数。
61.作为优选的，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，并通过道路区间的相干系数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。
62.作为优选的，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。
63.所述交通流预测模型的建模包括以下步骤：
64.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；
65.步骤二：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；
66.步骤三：运用确定的模型进行交通流量的预测；
67.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。
68.作为优选的，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，xi，为预测值，xi为实际值。
69.作为优选的，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。
70.作为优选的，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。
71.作为优选的，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。
72.作为优选的，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。
73.作为优选的，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。
74.作为优选的，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，摄像装置寿命有限，且容易受到外界环境的干扰。
75.作为优选的，所述浮动车检测技术是利用装有gps的城市公共车辆行驶信息，应用路径推测、地图匹配等计算模型，将车辆与道路空间和时间相匹配，算出交通状况信息，浮动车技术是目前智能交通系统中，获取道路交通状况信息的重要手段。
76.作为优选的，所述车辆识别系统是利用多种交通信息采集技术，实现交通流量数据、交通拥堵状况分析、车牌信息采集、车辆信息判断的综合交通信息采集系统，车辆识别系统，通常应用在高速公路、城市道路监控、停车场等，车辆识别系统的识别精度高，且检测的范围广，自动化程度高，极大地提高了交通信息的采集程度，但是，集成了多种功能的车辆识别系统往往成本较高，且容易受到外界干扰。
77.作为优选的，所述交调站检测系统由一系列交调站点构成，通过专用的交调检测设备对交通道路信息进行采集，最后将信息通过网络进行传输到交调数据中心。
78.作为优选的，采用雷达检测技术、图像检测技术、交调站检测技术和收费站检测技术的组合对交通流数据进行收集。
79.作为优选的，在对交通流数据进行储存和组织时，以主干道为主要节点，对交通流数据进行组织。
80.如图2所示，本发明还提供了一种基于cube数据的交通承载力辅助分析系统，包括：
81.生成模块，用于建立交通流预测模型；
82.采集模块，用于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；
83.存储模块，用于对收集并进行预处理后的交通流数据进行组织和储存；
84.分析模块，用于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。
85.与现有技术相比，本发明提供的有益效果是：
86.1、本发明通过将交通道路划分为不同的道路区间，减少了交通流预测模型的计算工作量，并且增加了预测模型预测的精准度。
87.2、本发明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，能够及时观察到。
88.3、本发明通过采用雷达检测技术、图像检测技术、交调站检测技术和收费站检测技术的组合对交通流数据进行收集，可以采集到准确的交通流数据，增加预测的精准性。
89.以上仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
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,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。7.根据权利要求6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。8.根据权利要求7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。9.根据权利要求8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：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。10.根据权利要求1至9任一项所述的基于cube数据的交通承载力辅助分析系统，其特征在于：包括：生成模块，用于建立交通流预测模型；采集模块，用于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；存储模块，用于对收集并进行预处理后的交通流数据进行组织和储存；分析模块，用于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。

技术总结
本发明涉及一种基于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。


技术研发人员：刘兆鹏 张鹏鹏 李向杰 李云峰 吴建兵
受保护的技术使用者：南通市市政工程设计院有限责任公司
技术研发日：2023.01.29
技术公布日：2023/6/26