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。
