基于多源数据融合的路段在线行程时间估计方法

技术领域

本申请涉及一种基于多源数据融合的路段在线行程时间估计方法，属于交通状态预测技术领域。

背景技术

路段行程时间是交通流运行信息中最重要、关注度最高的指标之一，它可以评价道路畅通程度，反映道路运输效率，在交通规划、设计、管理与出行信息服务中起着至关重要的作用。规划部门可以根据行程时间评估交通系统服务水平及运行效率，作为交通系统升级改造的依据。道路管理部门根据行程时间确定交通瓶颈及分析问题成因，为交通设施改造提供量化支持。个体交通出行者可以根据行程时间选择出行交通方式、决定出发时间以及调整路径规避拥堵。

行程时间是受众多固定及突发因素影响的复杂动态参数，这些因素包括道路几何环境、路面情况、天气、交通事故以及驾驶人员与行人的交通行为等信息，不同路段不同时刻的行程时间具有动态变化特征，因而路段行程时间是采集与处理难度很大的交通信息。随着信息采集与通讯技术的发展，实现了大规模和实时的交通信息采集与获取，为计算实时动态路段行程时间提供了有利条件。目前可用于行程时间估计的信息采集手段主要分为三种：第一类是以线圈和雷达为代表的地点和区段(覆盖范围150米)交通流参数采集；第二类是以浮动车为代表的车辆轨迹采集；第三类是以卡口为代表的地点车辆特征采集与上下游匹配。受城市道路交叉口信号控制影响及地点和区间布点位置影响，固定检测并不能准确估计城市道路流量延误和信号控制停车延误。浮动车在不同时段的载客率和出车率差异很大，导致数据样本量不足且分布不均。卡口能够获取直接匹配得到区间行程时间，但是局部设备故障及小样本量情况对路网行程时间的实时性、完整性和稳定性影响较大。

发明内容

本申请要解决的技术问题是如何对路段在线行程时间进行估计。

为了解决上述技术问题，本申请的技术方案是提供了基于多源数据融合的路段在线行程时间估计方法，包括以下步骤：

步骤一、对所研究路网范围内要素组成及其空间分布生成相应路网拓扑关系，包括节点顺序、区间顺序、路段和节点关系、卡口和路段关系、雷达和路段关系；获取历史卡口和雷达数据；

步骤二、对卡口和雷达数据进行预处理，过滤异常以及重复记录；

步骤三、设置区间上下游车牌匹配时间窗规则，对车牌进行匹配并计算得到单车行程时间，基于历史单车行程时间提取各个区间自由流行程时间；利用区间自由流时间对当前计算周期区间单车状态进行划分，以状态分组统计当前计算周期样本量，对当前计算周期区间运行状态进行判别；

步骤四、基于状态判别结果，过滤当前计算周期区间单车行程时间样本，并对区间行程时间样本量可信度进行判断；对于满足可信度计算结果的区间，计算当前周期区间行程时间；

步骤五、区间行程时间拆分到路段，得到对应于路段的在线行程时间估计。

优选的，所述步骤二中，对卡口和雷达数据进行预处理包括车牌数据过滤与去重和雷达数据有效性判别；雷达数据有效性判别基于整体判别和单条记录判别，对可疑故障雷达设备及单条无效记录进行识别，整体判别基于统计规则，可疑故障模式包括交通参数全部为零、占有率100、交通流参数异常识别，根据一天内可疑故障记录统计及统计数据分布，设置阈值进行识别，阈值默认为异常记录超过全天记录数的一半；单条记录判别包括，交通流组合模式及各参数阈值区间。

优选的，所述步骤三具体包括：

S3.1时间窗规则设置：设置区间形成时间计算周期，设置区间上下游车牌断面匹配最大时间窗；

S3.2区间行程时间匹配与计算：以计算周期与匹配最大时间窗筛选区间下游车牌断面过车记录与上游车牌断面过车记录，对当前周期筛选区间上下游车牌进行匹配并计算单车行程时间；

S3.3自由流行程时间计算：基于区间历史单车行程时间，以天为单位对各个区间单车行程时间从高到低进行排序，以第85％行程时间为区间自由流行程时间；

S3.4区间单车状态划分：以区间自由流行程时间，对区间单车状态进行分类，划分规则见下表：

S3.5当前周期区间状态分类：以当前周期内区间单车行程时间和自由流车速计算单车行程时间比值，按照区间单车状态划分规则，对单车状态进行判别，然后按单车状态分类分组统计个数，根据区间状态周期分类规则判别当前计算周期区间运行状态，区间状态周期分类规则见下表：

优选的，所述步骤四中当前周期区间行程时间，具体为：区间周期状态为畅通时，以畅通单车行程时间样本计算区间行程时间；区间周期状态为拥堵时，以畅通、拥挤和阻塞单车行程时间样本计算行程时间；区间周期状态为未知时，区间行程时间样本为不满足计算条件，区间行程时间为-1。

优选的，所述步骤五具体为：对行程时间大于零且跨路段的区间行程时间按组成路段进行拆分，拆分时将区间行程时间分解成自由流部分和延误部分；自由流部分按照组成区间的路段自由流时间按比例拆分，延误部分按照组成区间的路段雷达采集的排队长度按比例拆分；最终得到对应于路段的在线行程时间估计。

本申请优点在于，对于同时布设了卡口与雷达检测设备的连续道路区间，能够依托路网上下游拓扑关系和区间上下游匹配单车行程时间状态分组统计样本量判断区间行程时间可信度，自适应调整行程时间可计算区间并计算行程时间。通过各个区间内停车线前雷达采集数据，估计区间内各路段行程时间分配权重。本申请能够实现卡口数据部分缺失与小样本情况数据资源的充分挖掘与利用，从而提升路网内各路段行程时间时空完整、有效与实时性。

附图说明

图1为本申请的路网路段行程时间估计方法的流程图；

图2-1和图2-2为路网相关要素对象组成的示意图，其中，图2-1包含路段、节点、卡口及其位置关系，图2-2包含雷达和路段位置关系；

图3-1和图3-2为区间行程时间匹配结果，其中，图3-1为区间5分钟间隔单车匹配结果，图3-2为区间5分钟合成结果；

图4-1和图4-2为区间内各路段行程时间拆分权重和结果，图4-1为区间内各个路段雷达排队长度，图4-2为区间内各路段5分钟拆分结果。

具体实施方式

为使本申请更明显易懂，兹以优选实施例，并配合附图作详细说明如下。

本实施例提出一种基于多源数据融合的路段在线行程时间估计方法，能够基于路网上下游拓扑关系和区间上下游匹配单车行程时间状态分组统计样本量判断区间行程时间可信度，自适应调整行程时间可计算区间并计算行程时间。通过各个区间内停车线前雷达采集数据，估计区间内各路段行程时间分配权重，从而实现部分缺失情况数据资源的充分挖掘与利用，确保路网内各路段行程时间时空完整与有效。参照图1，该方法包含如下步骤：

一、获取城市道路的若干条历史卡口和雷达数据并进行数据组织，所述历史卡口数据包括卡口编号、拍摄时间、车道、车牌号；雷达数据包括雷达编号、处理周期、流量、平均速度、时间占有率、空间占有率、排队长度。数据组织关系根据数据处理需求，对所研究路网范围内要素组成及其空间分布对数据结构进行设计并生成相应路网拓扑关系，包括节点顺序、区间顺序、路段和节点关系、卡口和路段关系、雷达和路段关系，如图2-1、图2-2所示。

步骤1-1：数据获取

本实施例所使用的数据采集自某市主城区2022年7月17日与2022年7月18日全天的城市道路卡口和雷达数据。

步骤1-2：数据组织关系设计及基础信息生成

节点顺序包括节点编号、节点沿车行方向在道路中的序号。

表1节点顺序格式示例

区间顺序包括上游节点、下游节点，下游节点对于同一个上游节点按车行方向在道路中的顺序号，如表2所示。

表2区间顺序格式示例

路段和节点关系包括路段编号、所属上游节点编号、所属下游节点编号。

表3路段与节点格式示例

卡口与路段关系包括卡口编号、路段编号。

表4卡口与路段格式示例

雷达与路段关系包括雷达编号、路段编号。

表5雷达与路段格式示例

二、将原始卡口和雷达文件导入数据库，然后根据卡口和雷达编号筛选出研究区域内的所有数据，根据卡口和雷达数据特征，分别设置数据质量过滤和判别规则，对数据进行清洗，将重复数据、错误数据以及异常数据删除。

步骤2-1：车牌数据过滤与去重

基于车牌规则，设置过滤条件，对异常车牌进行过滤，并对断面5分钟内的重复车牌去重，相同车牌保留时刻最大一条记录。过滤条件包括，车牌第一位为零，车牌号码不足七位。

步骤2-2：雷达数据有效性判别

基于整体判别和单条记录判别，对可疑故障雷达设备及单条无效记录进行识别。整体判别基于统计规则，可疑故障模式包括交通参数全部为零、占有率100、交通流参数异常识别，根据一天内可疑故障记录统计及统计数据分布，设置阈值进行识别，阈值默认为异常记录超过全天记录数的一半。单条记录判别包括，交通流组合模式及各参数阈值区间。

三、基于过滤后的车牌记录，设置区间上下游车牌匹配时间窗规则，对车牌进行匹配并计算得到单车行程时间，基于历史单车行程时间提取各个区间自由流行程时间。利用区间自由流时间对当前计算周期区间单车状态进行划分，以状态分组统计当前计算周期样本量，对当前计算周期区间运行状态进行判别。基于状态判别结果，过滤当前计算周期区间单车行程时间样本，并对区间行程时间样本量可信度进行判断。对于满足可信度计算结果的区间，计算当前周期区间行程时间。

3-1：时间窗规则设置

设置区间行程时间计算周期，以开始时刻表示该周期，默认5分钟，比如“2022-7-18 9:15:00”表示(2022-7-18 9:15:00，2022-7-18 9:20:00)时间段；设置区间上下游车牌断面匹配最大时间窗，默认1800秒。

3-2：区间行程时间匹配与计算

以计算周期与匹配最大时间窗筛选区间下游车牌断面过车记录与上游车牌断面过车记录。对当前周期筛选区间上下游车牌进行匹配并计算单车行程时间，行程时间单位为秒。

表6区间行程时间匹配与计算示例

3-3：自由流行程时间计算

基于区间历史单车行程时间记录，以天为单位对各个区间单车行程时间从高到低进行排序，以第85％行程时间为区间自由流行程时间，区间单车行程时间历史结果如图3-1所示。

表7区间自由流行程时间示例

3-4：区间单车状态划分

以区间自由流行程时间，对区间单车状态进行分类，划分规则见表8。

表8区间行程时间分类规则

3-5：当前周期区间状态分类和样本可信度判断

以当前周期内区间单车行程时间和自由流车速计算单车行程时间比值，按照区间单车状态划分规则，对单车状态进行判别，然后按单车状态分类分组统计个数。基于区间单车状态分组统计，对当前周期状态及可信度进行判别，分类规则见表9，判别结果参见表10。

表9区间状态周期分类规则

表10区间状态周期分类计算示例

3-6：当前周期区间行程时间计算

基于当前周期区间状态分类和样本可信度判断，合成当前周期区间行程时间。区间周期状态为畅通时，以畅通单车行程时间样本计算区间行程时间；区间周期状态为拥堵时，以畅通、拥挤和阻塞单车行程时间样本计算行程时间；区间周期状态为未知时，区间行程时间样本为不满足计算条件，区间行程时间输出-1，区间周期计算结果如图3-2所示。

四、路段行程时间拆分

对行程时间大于零且跨路段的区间行程时间按组成路段进行拆分，拆分时将区间行程时间分解成自由流部分和延误部分。自由流部分按照组成区间的路段自由流时间按比例拆分，延误部分按照组成区间的路段雷达采集的排队长度按比例拆分。最终得到对应于路段的在线行程时间估计。

4-1：当前周期区间行程时间拆分规则

获取行程时间大于零且跨路段的区间行程时间以及区间的自由流行程，按如下规则对当前周期区间行程时间进行拆分：

If：当前周期区间行程时间小于等于区间自由流行程时间

/>

Else if：当前周期区间行程时间大于区间自由流行程时间

其中：tt(i,t,free)表示当前周期区间自由流部分行程时间

tt(i,t,delay)表示当前周期区间延误部分行程时间

tt(i,t)表示当前周期区间实际行程时间

tt(i,freedom)表示区间自由流行程时间

4-2：区间内各路段行程时间拆分

读取区间内各路段自由流行程时间和经过数据质量判别的雷达数据，根据路段自由流行程时间对区间自由流部分行程时间按比例拆分；根据雷达排队长度对区间延误部分行程时间按比例进行拆分，区间内各雷达采集区间排队如图4-1所示。按照区间自由流部分和延误部分拆分结果合并得到区间各路段行程时间，区间内各路段行程时间拆分结果如图4-2所示。