为了实时识别快速路交织区拥堵瓶颈的形成及其诱发因素,基于无人机航拍视频构建车辆轨迹数据,提出一种融合交通流不稳定性分析的交织区拥堵识别方法。识别方法由车辆轨迹提取、扰动感知模型和拥堵风险指数构建3个阶段构成。首先,通过YOL...为了实时识别快速路交织区拥堵瓶颈的形成及其诱发因素,基于无人机航拍视频构建车辆轨迹数据,提出一种融合交通流不稳定性分析的交织区拥堵识别方法。识别方法由车辆轨迹提取、扰动感知模型和拥堵风险指数构建3个阶段构成。首先,通过YOLOv4(You Only Look Once,Version 4)网络训练航拍小目标权重检测俯拍车辆,关联外观与运动特征以跟踪车辆轨迹,从而提取无人机航拍视频中的精细车辆轨迹。然后,通过提取车辆微观速度、变道、冲突信息建立车速扰动和变道交织扰动感知模型。最后,采用熵值法结合扰动信息与平均车速构建归一化的拥堵风险指数,根据交织流的拥堵风险指数识别拥堵。本文采集广州大桥数据进行案例分析与测试验证。研究结果表明:学习了小目标特征的网络在航拍场景测试的误检率和少检率均低于5%,所提取的车辆轨迹连续稳定;在交织区拥堵识别评价中,本文方法的F1值达到97.85%,明显优于基本参数识别方法,在各路段中具有较高的识别准确度和算法鲁棒性;相比平均速度指标,所提出的拥堵风险指数能够更精细灵敏地反映短时和局部的拥堵,并能够从平均车速、个体车速差异和变道交织3个维度中识别多种因素引起的交织区交通瓶颈。研究结果可为城市重点路段交通诱导与优化提供技术基础。展开更多
文摘为了实时识别快速路交织区拥堵瓶颈的形成及其诱发因素,基于无人机航拍视频构建车辆轨迹数据,提出一种融合交通流不稳定性分析的交织区拥堵识别方法。识别方法由车辆轨迹提取、扰动感知模型和拥堵风险指数构建3个阶段构成。首先,通过YOLOv4(You Only Look Once,Version 4)网络训练航拍小目标权重检测俯拍车辆,关联外观与运动特征以跟踪车辆轨迹,从而提取无人机航拍视频中的精细车辆轨迹。然后,通过提取车辆微观速度、变道、冲突信息建立车速扰动和变道交织扰动感知模型。最后,采用熵值法结合扰动信息与平均车速构建归一化的拥堵风险指数,根据交织流的拥堵风险指数识别拥堵。本文采集广州大桥数据进行案例分析与测试验证。研究结果表明:学习了小目标特征的网络在航拍场景测试的误检率和少检率均低于5%,所提取的车辆轨迹连续稳定;在交织区拥堵识别评价中,本文方法的F1值达到97.85%,明显优于基本参数识别方法,在各路段中具有较高的识别准确度和算法鲁棒性;相比平均速度指标,所提出的拥堵风险指数能够更精细灵敏地反映短时和局部的拥堵,并能够从平均车速、个体车速差异和变道交织3个维度中识别多种因素引起的交织区交通瓶颈。研究结果可为城市重点路段交通诱导与优化提供技术基础。
文摘目的随着城市交通拥堵问题的日益严重,建立有效的道路拥堵可视化系统,对智慧城市建设起着重要作用。针对目前基于车辆密度分析法、车速判定法、行驶时间判定法等模式单一,可信度低的问题,提出了一种基于DBSCAN+(density-based spatial clustering of applications with noise plus)的道路拥堵识别可视化方法。方法引入分块并行计算,相较于传统密度算法,可以适应大规模轨迹数据,并行降维聚类速度快。对结果中缓行区类簇判别路段起始点和终止点,通过曲线拟合和拓扑网络纠偏算法,将类簇中轨迹样本点所表征的路段通过地图匹配算法匹配在电子地图中,并结合各类簇中浮动车平均行驶速度判别道路拥堵程度,以颜色深浅程度进行区分可视化。结果实验结果表明,DBSCAN+算法相较现有改进的DBSCAN算法时间复杂度具有优势,由指数降为线性,可适应海量轨迹点。相较主流地图产品,利用城市出租车车载OBD(on board diagnostics)数据进行城区道路拥堵识别,提取非畅通路段总检出长度相较最优产品提高28.9%,拥堵识别命中率高达91%,较主流产品城区拥堵识别平均命中率提高15%。结论在城市路网中,基于DBSCAN+密度聚类和缓行区平均移动速度的多表征道路拥堵识别算法与主流地图产品相比,对拥堵识别率、通勤程度划分更具代表性,可信度更高,可以为道路拥堵识别的实时性提供保障。
