本文主要是介绍Estimating Traffic Flow in Large Road Networks Based on Multi-Source Traffic Data,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
Estimating Traffic Flow in Large Road Networks Based on Multi-Source Traffic Data
本篇文章发表在IEEE Transactions on ITS 2020
前言
准确和高分辨率的交通流信息对交通规划和管理具有重要意义,然而,由于安装和维护成本高,道路上的交通传感设备数量有限,而且目前大型公路网中的大多数路段都没有交通流信息。这对交通规划和管理来说是一个巨大的挑战,需要开发理论模型和数据驱动的方法来估计大型公路网的交通流。
摘要
由交通传感设备收集的交通流数据对交通规划和交通管理至关重要。然而,由于交通传感设备的安装和维护成本较高,它们通常稀疏地分布在道路网络中。本研究将车牌识别(LPR)数据与出租车GPS轨迹数据相结合,开发了一种数据驱动的方法,用于估计大型道路网络中的交通流。该方法被应用于估计由5495个路段组成的实际道路网络的交通流,只使用68个路段(占总数的1.2%)的交通流记录。采用五重交叉验证来验证估计的交通流量,并分析了实施拟议方法的数据要求。所开发的数据驱动方法为获取额外的交通流信息提供了一种替代性的、具有成本效益的方法,而不是在道路上安装更多的交通流感应装置。
数据
首先是深圳罗湖区以及福田区的出租车GPS数据,只在这两个规定区域内的GPS轨迹;
其次是所采用的手机GPS数据集是由300万手机用户在2016年9月22日至2016年9月28日的一周时间内收集的。每个手机用户的GPS记录大约每秒钟收集一次。在一周的观察期内,总共记录了43.9亿个GPS坐标;
LPR数据是由交通监控摄像机在同一观察期(2016年9月)收集的。当车辆经过一个LPR设备时,会产生一个LPR记录。该记录由时间、加密的车牌号和LPR设备的ID组成。在一个月的观察期内,总共产生了4,851,926条LPR记录。
方法
这里,出租车GPS数据和LPR数据首先被处理和清理。接下来,LPR设备之间的出租车路径被提取出来,热路径被识别出来。最后,计算出热点路径的最佳比例系数集,以估计大规模道路网络中的交通流。
总结
综上所述,我们开发了一种适用于大型道路网络的数据驱动的交通流估算方法。通过结合车牌识别(LPR)数据的实时特征和出租车GPS轨迹数据的广泛覆盖特征,促进了拟议方法的全网交通流估计。五倍交叉验证法被用于验证带有LPR设备的路段的估计交通流量。此外,芝加哥草图公路网被用来进行更普遍的网络规模验证。分析了出租车运输模式份额和LPR设备占用率的不同情况,以研究实施拟议方法的数据要求。从视频监控、雷达、环形探测仪或其他数据源收集的额外交通流数据可以帮助对没有LPR设备的路段进行验证。
虽然本研究使用了LPR数据,但所开发的方法可以使用从任何其他类型的传感器,如环形探测器[4]、[5]、[7]、[8]、无线传感器[10]、RFID探测器[1]和其他设备[35]获得的道路交通流计数数据,因为只使用交通流信息。因此,所提出的数据驱动方法具有相当大的通用性,可以在大多数城市地区广泛使用。在未来的研究中,其他类型的车辆GPS数据可以被结合起来,以提高轨迹数据对道路上车辆的渗透率。此外,我们还认为所提出的方法可以在几个方向上进一步改进。例如,更先进的路径聚类算法可以被纳入当前的建模框架中,并且可以使用替代算法来计算路径的缩放系数。
本篇文章使用多源数据融合去估计交通流,出租车GPS数据,移动电话GPS数据以及车牌识别的数据。其中对深圳市两个行政区的数据进行处理,对得到的数据又进行了聚类处理。但是我对其中的概念以及方法都不熟悉,甚至是看不懂。这个作者很厉害,年纪轻轻中南大学的正教授,发布多篇CNS顶刊的论文,简直就是神仙,这就是差距吧,自己简直就是渺小的一个小虫子,多看论文,赶紧毕业。
这篇关于Estimating Traffic Flow in Large Road Networks Based on Multi-Source Traffic Data的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!