一种基于ETC交易数据的高速公路拥堵识别方法

一种基于etc交易数据的高速公路拥堵识别方法
技术领域
1.本发明涉及高速公路管理技术领域，尤其涉及一种基于etc交易数据的高速公路拥堵识别方法。


背景技术：

2.目前的判断交通拥堵算法主要可以分为三类：(1)直接检测法，例如通过视频直接对高速公路路段进行拥堵判断，这种方法需要的摄像头太多，成本较高。ameni chetouan[5]基于监控视频制定了四种研究方案来进行拥堵检测,可拥堵的实现效果与硬件的要求成正比，且识别的维度稀少，难以达成想要的拥堵识别效果；(2)间接检测法，主要是根据交通指标对交通流的影响来检测事件的存在性，例如通过速度、流量等常见的交通指标来对当前路段进行拥堵分析。该方法成本低，操作简单，但检测率较低，虚警率高，w.pattara-atikom[7]是利用速度来对拥堵等级进行划分，ahanin[8]也是将路段中的每个时间段的速度进行聚类，最后使用mdl原理来估计缺失交通状态。但此方法测试效果波动明显，交通状态并不会像交通量那样每天波动，从而导致通过指标进行识别方法检测率较低，正像wei-hua lin[9]曾说，检测交通量从而达到检测交通状态的效果并不如直接检测交通状态的效果显著,因此想要识别高速公路的交通拥堵，须对交通状态进行直接识别。因此，大部分人开始通过交通指标来对交通状态进行判别，jianzhen liu[10]建立了基于速度和交通密度的交通状态识别模型，对交通状态进行了直接判别，总体准确率在95％以上，yue tu[11]通过挖掘自由流速度和流量来生成拥堵指数，hong gao[12]则是探究多个拥堵点的时间模式和频繁拥堵路段的空间模式，利用多个指标进行分析，都取得了不错的效果，而wan-xiang wang[13]则是提出了三种交通拥堵指数的计算方法，相互比较从而采取了更加合理的方案。但以上方法忽略了交通指标之间的关联性，在进行拥堵识别时往往会产生拥堵误判，导致拥堵事件无法避免，识别效果并不理想。(3)基于理论模型：设计判断交通指标的算法，该算法包括一些灰色系统理论、聚类分析、模糊综合评价等成熟的理论模型。
[0003]
etc门架产生的交易数据是基于算法实现高速公路拥堵识别的首要保障，其几乎能涵盖高速公路所有区段的通行情况。目前，全网etc平均使用率已超66％[1]，etc门架会自动识别汽车，并上传etc智能交易数据，为高速公路管理部门提供数据支持和有力保障[2]。目前的拥堵识别采用的数据源主要由视频数据和浮动车数据为主，如xiangjie kong[4]使用了基于浮动车数据的粒子群优化算法对交通拥堵实现了检测与预测，但其中的轨迹数据维度简单，数据繁杂，且对拥堵的检测和预测具有一定的局限性；而ameni chetouan[5]基于监控视频制定了四种研究方案来进行拥堵检测,可拥堵的实现效果与硬件的要求成正比，且识别的维度稀少，难以达成想要的拥堵识别。而相比这些浮动车数据和视频数据，etc系统生成的etc数据量大，数据类型多达103种、覆盖面广、实时性强、可靠性高、分析和处理方便，生成的结果丰富，优势明显，被认为是解决这一问题的重要对策[6]。
[0004]
在过去的几十年里，人们对交通拥堵进行了大量的研究，现在大多数研究倾向于通过预测交通量来达到对高速公路拥堵识别的效果，w.pattara-atikom[7]则是利用速度
来对拥堵等级进行划分，ahanin[8]也是将路段中的每个时间段的速度进行聚类，最后使用mdl原理来估计缺失交通状态。但这种测试效果波动明显，交通状态并不会像交通量那样每天波动，正像wei-hua lin[9]曾说，检测交通量从而达到检测交通状态的效果并不如直接检测交通状态的效果显著,因此想要识别高速公路的交通拥堵，须对状态进行直接识别效果最好。因此，大部分人开始通过交通指标来对交通状态进行判别，jianzhen liu[10]建立了基于速度和交通密度的交通状态识别模型，对交通状态进行了直接判别，总体准确率在95％以上，yue tu[11]通过挖掘自由流速度和流量来生成拥堵指数，hong gao[12]则是探究多个拥堵点的时间模式和频繁拥堵路段的空间模式，利用多个指标进行分析，都取得了不错的效果，而wan-xiang wang[13]则是提出了三种交通拥堵指数的计算方法，相互比较从而采取了更加合理的方案。但以上方法忽略了交通指标之间的关联性，在进行拥堵识别时往往会产生拥堵误判，导致拥堵事件无法避免，识别效果并不理想。
[0005]
trinh[14]指出模糊逻辑是一种接近人类观察、推理和决策的定性方法，模糊综合评价在基于模糊逻辑的基础上使用各个交通指标的权重占比对区间内的模糊化信息进行拥堵评估，maja kalinic[15]则利用了模糊推理模型解决了变量之间的关联性问题，他将流量和密度作为模型的输入，测试的检测效果较为理想，作者得出，模糊推理模型在处理主观性、模糊性、不精确性和不确定性上具有灵活性，但忽略了交通指标之间存在差异。khaliun[16]运用ahp对变量的权值进行权衡，结合fce进行拥堵检测，却忽略了道路特点，导致效果不明显；而朱丹丹[17]在基于浮动车行驶特性的基础上，使用了模糊综合评判对拥堵进行状态识别，并考虑了周围道路的影响、服务区、分合流的影响等因素，但并没有将其道路特点结合权重进行拥堵检测，不能很好地实现拥堵识别。


技术实现要素：

[0006]
本发明的目的在于提供一种基于etc交易数据的高速公路拥堵识别方法。
[0007]
本发明采用的技术方案是：
[0008]
一种基于etc交易数据的高速公路拥堵识别方法，其包括以下步骤：
[0009]
步骤1，获取高速公路etc交易数据、拓扑数据以及高速公路车辆轨迹数据，
[0010]
步骤2，基于etc交易数据的时空信息，匹配高速公路etc交易数据与拓扑数据来构建高速公路车辆轨迹数据和区段数据集，
[0011]
步骤3，对高速公路车辆轨迹数据进行集数据清洗以剔除不需要的数据；
[0012]
步骤4，清洗后的etc交易数据按时间顺序构建车辆轨迹集trajs，车辆轨迹集是指所有车辆在高速公路行驶过程中途径的多个etc门架集合。
[0013]
步骤5，对拓扑数据与区段数据集进行拥堵特征匹配构造了区段标签；
[0014]
步骤6，根据高速公路的客观规律构造并计算交通拥堵的三个区段维度参数，三个区段维度参数分别为区段平均速度、区段流量以及区段平均延误时间；将区段平均速度作为拥堵识别方法中的主要评价指标，区段流量和区段平均延误时间作为修正特征。
[0015]
步骤7，对三个区段维度参数构造判断矩阵x，分别计算判断矩阵x的特征值和特征向量，并通过判别矩阵的一致性判断检验后得到最终权重；
[0016]
步骤8，分析高速公路中的区段画像，进而得到不同种类的区段维度参数关系，将对应的交通拥堵权重指标进行赋值；
[0017]
步骤9，通过交通指标与拥堵评价等级之间的关系，构建模糊矩阵r。
[0018][0019]
其中，r1、r2、r3分别对应3个区段维度参数区段平均速度、区段流量以及区段平均延误时各自的模糊矩阵，r
11
～r
16
表示r1的对应位置值；r
21
～r
26
表示r2的对应位置值；r
31
～r
36
表示r3的对应位置值；
[0020]
步骤10，将层次分析法得到的权重a＝[a1，a2，a3]与模糊矩阵r进行综合评判得到矩阵b，根据隶属度最大原则，选取b矩阵中的最大值分数作为区段此时段的拥堵得分c；
[0021]
b＝a*r
ꢀꢀꢀꢀꢀꢀ
(20)
[0022]
其中，a1、a2、a3分别对应3个区段维度参数区段平均速度、区段流量以及区段平均延误时各自的权重值；
[0023]
步骤11，判断拥堵得分c是否大于设定阈值；是则，判断当前区段没有发生拥堵；否则，判定当前区段发生拥堵。
[0024]
进一步地，步骤3中利用切比雪夫定理对区段叠加度so
qd
进行数据切割，对trajs剔除区段叠加度较低的区段，保留so
qd
次数高的区段进行拥堵信息评估，
[0025]
进一步地，区段叠加度so
qd
表示高速公路在一定的时间段内每种区段qd的叠加次数。区段qd表示高速公路上相邻的界点dnd组合成区段；界点dnd包括门架fnd、收费站snd。
[0026]
进一步地，步骤7中使用层次分析法对这三个维度进行分析并加权，对于同一层次的某个元素关于上一层次中某一个准则的重要性两两比较，构造两两比较矩阵，将所有维度进行矩阵构造得到判断矩阵x；
[0027][0028]
其中，x
11
～x
mn
表示两两元素之间的重要比较程度，以用于构造判断矩阵。
[0029]
进一步地，步骤8中区段画像的判断指标如下：
[0030]
l
qd
＝{ρ1，ρ2，ρ3，level}
ꢀꢀꢀꢀ
(13)
[0031][0032][0033][0034]
其中，l
qd
为区段画像的判断指标，ρ1捕捉到高速公路收费站造成的拥堵信息评估的不确定性，ρ2捕捉到高速公路分合流区域造成的拥堵信息评估的不确定性，ρ3捕捉到高速公路服务区造成的拥堵信息评估的不确定性；level为区段画像的联合效应系数，snd、vnd、ynd为三种不确定性因子，level直观地表示为不确定性因素的个数；高速公路上相邻的dnd组合成区段qd，根据不确定性因子uf，可以进一步确定区段类型，其中当qd中uf为snd，则称此区段为sd，uf不存在的则为正常区段fd：
[0035]
qd＝{dnd1，uf，dnd2}
ꢀꢀꢀꢀ
(1)
[0036]
sd＝{dnd1，snd，dnd2}
ꢀꢀ
(2)
[0037]
fd＝{dnd1，dnd2}
ꢀꢀꢀꢀ
(3)
[0038]
其中，dnd表示界点，dnd1为第一界点，dnd2为第二界点；uf表示不确定性因子，
[0039]
当qd中uf为vnd，则称此区段为vd；
[0040]
vd＝{dnd1，vnd，dnd2}
ꢀꢀꢀ
(4)
[0041]
当qd中uf为ynd，称区段为yd
[0042]
yd＝{dnd1，ynd，dnd2}
ꢀꢀꢀ
(5)
[0043]
其中，fnd表示门架，snd表示收费站，vnd表示服务区，ynd表示分合流点，
[0044]
上述公式描述了高速公路影响因素的数据指标。
[0045]
具体地，针对服务区、收费站、分合流区段以及其联合影响区段进行区段画像，以避免了不同区段之间影响因素不同而产生的差异性。
[0046]
本发明采用以上技术方案，通过深层次挖掘高速公路etc交易数据的维度信息，提出了一种结合区段标签的高速公路拥堵识别方法，通过层次分析法的维度加权和区段特征提取对模糊综合评价进行改进，对区段内的拥堵情况进行精准识别。相比传统的拥堵识别方法，该方法能很大层次上避免部分区段的拥堵误判问题，为缓解高速公路拥堵问题提供一定程度的数据支持和辅助决策。
附图说明
[0047]
以下结合附图和具体实施方式对本发明做进一步详细说明；
[0048]
图1为本发明区段叠加度示意图；
[0049]
图2为本发明拥堵识别框架示意图；
[0050]
图3为本发明层次结构示意图；
[0051]
图4为福建省高速公路路网图；
[0052]
图5为切比雪夫示意图；
[0053]
图6为服务区区段速度分析图；
[0054]
图7为交通指标规律图；
[0055]
图8为区段画像数量图；
[0056]
图9为拥堵识别实验图；
[0057]
图10为视频数据示意图；
[0058]
图11为本发明一种基于etc交易数据的高速公路拥堵识别方法。
具体实施方式
[0059]
为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图对本技术实施例中的技术方案进行清楚、完整地描述.
[0060]
定义1交易结点：高速公路路网是由无数个结点nd相连而成，结点主要由门架fnd、收费站snd、服务区vnd、分合流点ynd组成，其中fnd和snd统称为界点dnd。
[0061]
定义2不确定性因子：高速公路上含有各种不同类型的区段，他们的影响因素占比各不相同，其中不确定性因子决定了高速上的区段类型，用uf表示，包括snd、vnd、ynd。
[0062]
定义3高速区段：高速公路上相邻的dnd组合成区段qd，根据不确定性因子uf，可以进一步确定区段类型，其中当qd中uf为snd，则称此区段为sd，uf不存在的则为正常区段fd
[0063]
qd＝{dnd1，uf，dnd2}
ꢀꢀꢀꢀ
(1)
[0064]
sd＝{dnd1，snd，dnd2}
ꢀꢀꢀꢀ
(2)
[0065]
fd＝{dnd1，dnd2}
ꢀꢀꢀꢀ
(3)
[0066]
若qd中uf为vnd，则称此区段为vd；
[0067]
vd＝{dnd1，vnd，dnd2}
ꢀꢀꢀꢀ
(4)
[0068]
若qd中uf为ynd，称区段为yd
[0069]
yd＝{dnd1，ynd，dnd2}
ꢀꢀꢀꢀ
(5)
[0070]
定义4车辆轨迹：高速公路每个车辆都会有单独的一条行驶轨迹，轨迹则由车辆所经过的连续dnd组成。称为traj(n≥2)
[0071]
traj＝{dnd1，dnd2，...，dndn}
ꢀꢀꢀꢀ
(6)
[0072]
定义5车辆轨迹集：由上述定义显示，单一车辆的轨迹为traj，而高速公路往往是由多个车辆在同时行驶，定义多个车辆的轨迹为一个集合，称车辆轨迹集trajs。
[0073]
trajs＝{traj1，traj2，...，trajn}
ꢀꢀꢀꢀ
(7)
[0074]
定义6延误时间：高速公路中每个区段在一定时间段内都会有许多车辆经过，但由于一定程度的拥堵或个人习惯会导致车辆通行时间的或多或少，因此都会产生一定的延误时间，延误时间表示为
[0075]
delay＝d
i-d
qd
ꢀꢀꢀꢀꢀꢀ
(8)
[0076]
其中，di为每辆车的通行时间，d
qd
为这个区段内自由流通过的行驶时间，其中区段通行时间用delta表示。
[0077]
定义7区段交通指标：高速公路上的交通指标描述了高速公路区段内的拥堵信息，其中最具代表性的指标为速度和流量以及通行时间，本发明使用了区段平均速度和区段车流量来进一步对区段的拥堵信息进行评估，分别用speed和flow来表示。
[0078]
定义8区段叠加度：高速公路中，每个qd对于路网都有着不同程度的重要性。单辆车在样本时间中的行驶路线是不相同的，但其中会经过相同的qd，因此高速公路在一定的时间段内，每种qd都有着一定程度的叠加次数，而这个叠加次数，往往代表着这个qd在整体路网中的重要程度，称区段叠加度so
qd
，区段叠加度表示如图1。
[0079]
如图1至图11之一所示，本发明公开了一种基于etc交易数据的高速公路拥堵识别方法。
[0080]
本发明提出了一个新的高速公路拥堵识别框架。该框架是一种基于模糊综合评价的区段拥堵信息评估算法，包括如图2所示的4个模块，包括高速公路区段时空数据集构建模块、输入模块、区段拥堵数据综合评估模块以及输出模块。
[0081]
(1)高速公路区段时空数据集构建模块：模块主要由高速公路etc交易数据、拓扑数据以及高速公路车辆轨迹数据等数据组成，基于etc交易数据的时空信息，本发明匹配高速公路etc交易数据与拓扑数据来构建高速公路车辆轨迹数据集，其中过滤了etc交易数据中的异常数据，本发明基于so
qd
将车辆轨迹集拆分成高速公路区段时空数据集，并进行模块输入。
[0082]
(2)输入模块：本发明使用路网中构建的时区段时空数据集对区段拥堵数据综合
评估模块进行输入。
[0083]
(3)区段拥堵数据综合评估模块：该模块利用ahp模型加权后的数据通过fce进行综合得分评定，经过独区段画像进行多权重计算，最后得到区段拥堵综合得分，分类后得到拥堵等级；
[0084]
(4)输出模块：输出模块主要对路网中每个区段的拥堵时空数据，考虑客观评价后得到拥堵识别结果。
[0085]
etc数据清洗：etc龙头门架能与用户发生交互，在短时间内产生大量的交易数据，但由于设备故障、天气影响以及系统错误所导致etc交易数据出现数据缺失以及数据异常，采集的etc门架交易数据主要存在以下几个问题。1)数据冗余：交易数据中出现维度数据完全相同的交易数据。2)数据异常：存在不符合正常高速常理认知的数据记录，包括轨迹中此次交易时间几乎等于上次交易时间，入口收费站入口时间小于出口时间以及入口编号无法与交易数据进行匹配等。3)数据缺失：车辆在经过门架时不能有效收集采集到的交易数据。这些异常数据大大降低了挖掘etc交易数据的潜在价值，为了更好地实现高速公路的拥堵精细化检测，需要对以上数据进行清洗。
[0086]
区段数据集构建：etc交易数据是由采样获得的连续离散点组成，具有离散和连续的数学特征，显然直接从大量的交易数据中挖掘拥堵信息的工作量大，效率低，而构建区段数据集后，从中挖掘的拥堵信息真实有效且直观。
[0087]
etc门架系统采集的交易数据经过初步清洗后，按时间顺序构建车辆轨迹集trajs。其中车辆轨迹集是指多个车辆在高速公路行驶过程中途径的etc门架集合，根据单一行程编码对交易数据的维度信息进行聚合，在对部分数据进行去重操作后得到车辆轨迹集trajs，trajs中含有拥堵区段和不拥堵的区段，其中拥堵区段只占少数，当拥堵区段较为少的情况下，必然有拥堵信息不充分的情况，为更充分地对区段的拥堵信息进行挖掘，不妨设数学期望e(x)＝μ，方差d(x)＝σ2，根据切比雪夫定理可得
[0088][0089]
即
[0090][0091]
转化为
[0092][0093]
因此，对于拥堵区段的深层次挖掘，本发明利用切比雪夫定理对so
qd
进行数据切割，从中挑选区段叠加度较低的区段，进而对trajs进行剔除，快速识别出海量etc轨迹中的区段拥堵信息。
[0094]
高速公路区段拥堵信息评估：在本发明中，本发明通过对高速公路区段拥堵信息
评估来对区段进行拥堵识别。高速公路的拥堵情况往往不是由单一因素决定的
[17]
，而模糊综合评价在高速公路拥堵识别应用上往往忽视了各交通指标之间的关联性，为了更精准地评价高速公路不同区段的拥堵信息，本发明结合层次分析法并提出了区间画像对模糊综合评价进行改进，加强了各交通指标之间的联系并区分不同区段之间特点实现精准识别，如算法1所示。
[0095]
[0096][0097]
算法1算法流程
[0098]
层次分析法：本发明为更好地进行高速公路的拥堵信息评定，根据高速公路上一般客观规律，构造了交通拥堵常用的三个参数，速度和流量以及区段的延误时间，层次分析方法将一个复杂的问题划分为一个具有若干层的结构，例如对象层、索引层和子索引层
[18]
，也是解决评价类问题的方法，是一种较为主观的方法，其在赋权得到权重向量的时候，主观因素占比很大，能挑选出影响最大的拥堵因素
[19]
，为保证高速公路拥堵识别框架的科学合理性和通用性，本发明使用层次分析法对这三个维度进行分析并加权。首先分析系统中各因素之间的关系，构造的层次结构图如下：对于高速公路的单一区段，每个因素都是互相关联，互相影响的，一个区段的平均速度对车流量或对平均延误时间，都是起到一个正向或反向的关系。因此，本发明需对于同一层次的某个元素关于上一层次中某一个准则
的重要性两两比较，构造两两比较矩阵，因此将所有维度进行矩阵构造，构造出判断矩阵x。
[0099][0100]
将两两元素重要程度比较值填入，其中重要程度如表3-1所示
[0101]
表3-1重要程度比较表
[0102]
标度含义1表示两个因素相比，具有同样重要性3表示两个因素相比，一个因素比另一个因素稍微重要5表示两个因素相比，一个因素比另一个因素明显重要7表示两个因素相比，一个因素比另一个因素强烈重要9表示两个因素相比，一个因素比另一个因素极端重要2、4、6、8上述两相邻判断的中值倒数a和b相比如果标度为3，那么b和a相比就是1/3
[0103]
高速公路上的交通指标对于拥堵信息的判断有着不同的标准，参考大量论文
[20-25]
和实验验证，本发明对三个维度构造判断矩阵x，分别计算判断矩阵x的特征值和特征向量，由于判断矩阵的得分之间可能发生冲突，需通过判别矩阵的一致性判断检验后才可得到最终权重，因此先要将矩阵的特征值和特征向量进行检验，并对矩阵的任一元素进行正数判别，参照表3-2如cr计算后结果小于0.1，则一致性判断通过，此时将特征向量归一化后得到权重集a。
[0104]
表3-2随机一致性指标ri
[0105]
n1234567891011ri000.580.901.121.241.321.411.451.491.51
[0106]
区段画像：传统的高速公路拥堵识别方法无法对高速公路区段拥堵信息很好地进行评估，不同的区段类型对识别的需求存在差异化，需进一步对区段的特征加以提取并构造不同的权重方案。本发明基于高速公路区段数据对区段画像进行了特征建模，高速公路区段拥堵信息评估的不确定性主要来自三个不同的来源，分别为分合流、服务区、收费站三个不同区段类型，所形成的交通流模式具有不同的局部时空特性。首先，先前的研究表明
[26-27]
，服务区或收费站可能会造成高速公路交通状况的变化，极大的影响区段通行时间以及拥堵信息评估的准确性，在不确定性因素未判断时，主要拥堵信息的评估可能难以衡量和获取，特别是当不同影响因子产生的不确定性重叠时，不确定性将会急剧增大。
[0107]
区段画像是对不同类型的区段维度信息进行描述，并提取相应的特征。区段画像反映了这些不同类型区段对应特征的权重比例。在这种模式下，每种类型的区段都有着各自的区段画像与权重方案。本发明需要对高速公路路网信息进行特征提取，识别出各种区段类型，并根据各自区段的特点，提取具有代表性的区段画像来评估拥堵信息的真实性，从而判断区段拥堵等级。以下为区段画像的判断指标，其中l
qd
为区段画像的判断指标，以及以下地变量指标ρ：
[0108]
l
qd
＝{ρ1，ρ2，ρ3，level}
ꢀꢀꢀꢀꢀꢀ
(13)
[0109][0110][0111][0112]
上述公式描述了高速公路影响因素的数据指标，ρ1捕捉到高速公路收费站造成的拥堵信息评估的不确定性，ρ2捕捉到高速公路分合流区域造成的拥堵信息评估的不确定性，ρ3捕捉到高速公路服务区造成的拥堵信息评估的不确定性。level为区段画像的联合效应系数，其中snd、vnd、ynd为三种不确定性因子，level可直观地表示为不确定性因素的个数。
[0113]
表3-3 level解释表
[0114]
level含义0无任何不确定因子1一种不确定因子，如含有snd或vnd或ynd2两种不确定因子，含有不确定因子中的两种情况3三种不确定因子，含有不确定因子中的所有情况
[0115]
模糊综合评价：区段内的拥堵状态是主观性的，每个人对交通状态的认知都是模糊的，而模糊综合评价是一种基于模糊数学的综合评价方法，hua liu
[28]
和s y hao[
29
]等人都将模糊综合评价结合多因素应用到相关的应用场景进行研究，该综合评价法根据模糊数学的隶属度理论把定性评价转化为定量评价，即用模糊数学对受到多种因素制约的事物或对象做出一个总体的评价，它能对区段内的交通情况作出一个清晰、系统性强的特点。
[0116]
首先，定义区段内的交通状态为模糊集μa：x
→
[0，1]，对隶属度的表示采用向量表示法。进而确定隶属函数，采用指派方法来确定隶属函数，本发明根据区段平均速度、区段车流量、区段延误时间在高速公路上的客观规律和一般需要，选取了偏大型隶属函数来指派区间平均速度指标，采用了偏小型隶属函数来指派区段延误时间。
[0117]
偏小型：
[0118][0119]
偏大型：
[0120][0121]
通过交通指标与拥堵评价等级之间的关系，构建模糊矩阵r。
[0122][0123]
将层次分析法得到的权重a＝[a1，a2，a3]与模糊矩阵进行综合评判
[0124]
b＝a*r
ꢀꢀ
(20)根据隶属度最大原则，选取b矩阵中的最大值分数作为区段此时段的拥堵得分，本发明称为c。
[0125]
在本发明中，通过模糊综合评价识别出的高速公路区段拥堵得分c，本发明将c的输出定义为一个连续的值[0，1]，据《公路出行信息服务技术规范》中将区段交通速度作为评价高速公路交通拥堵的主要指标，根据速度的阈值来对c进行分类，以区段车流量flow和区段延误时间delay为辅助指标，从而判断拥堵状态。即如果c≥0.35，本发明认为此区段没有发生拥堵，否在认为此区段拥堵已经发生。
[0126][0127][0128]
本发明环境采用python 2.75作为编写语言，linux7为环境系统。福建省高速公路351座收费站已实现etc车道全覆盖，并建成1021套主线etc门架系统覆盖了高速公路所有收费区间，同时用户侧etc发行量已突破550万辆，占全省汽车保有量的85％。大规模部署的etc系统记录了高速公路上绝大多数车辆的通行状态，为验证本发明方法的拥堵识别准确性，本发明以福建省8个地级市以及13个县级市所在的高速公路etc系统分布处为研究区域，其门架和收费站的空间位置如图所示。
[0129]
实验数据介绍：etc龙头门架系统是高速公路etc系统的重要组成之一，它生成的智能交易数据，能详细描述高速公路上的具体情况，实现拥堵识别，门架检测，路径识别等功能。实验数据主要有三类。一个是2021年5月1日和2021年5月3日-2021年5月5日的福建省高速公路各etc门架所产生的4天的智能交易数据，如表4-1所示，总共有42809819条交易数据，其中拟合为成2599805条轨迹数据，17049087条区段数据，另一种数据是高速公路各门架之间的拓扑关系图以及它们之间的距离。第三种数据则是门架和收费站的经纬度信息。这些数据都来自于福建省高速公路信息科技有限公司。
[0130]
表4-1 etc交易数据
[0131]
nametypesexamplespassidstring01350119382305xxxxxxxx0501163019obuplatestring蓝xxx9742
entimedatetime2021-05-01xx：xx：xxenstationfixedstring(4)35xxflagidstring34xx01tradetimedatetime2021-05-01xx：xx：xx
[0132]
区段数据集构造：匹配etc龙头门架产生的交易数据与拓扑数据，所形成的车辆轨迹数据的交通流模式具有不同的局部时空特性，且其中的拥堵信息并不能很好的进行评估。为更有效地评估高速公路区段的拥堵信息，本发明选取2599805条轨迹数据进行异常数据筛选，剔除拓扑数据不存在导致无法匹配的轨迹数据139197条，利用切比雪夫定理结合so
qd
对轨迹数据进行切割，如图5所示，so
qd
大多集中在6773以下，为更好的评估高速公路区段的拥堵信息，本发明集中对少部分so
qd
次数高的区段进行拥堵信息评估，构造12292350条区段数据集。
[0133]
为最大程度地提取区段数据集中的拥堵特征，本发明对区段数据集做了拥堵数据筛选，并对存在外部因素的区段进行权重方案设计，结合模糊综合评价进行拥堵评估，其中对2769种拓扑数据与区段数据集进行拥堵特征匹配构造了区段标签，经实验验证，存在8种区段标签类型，其中最多的区段类型为分合流区段，其次为分合流和服务区共存区段，分别有8225424和2884151条，高速公路上的区段类型对区段维度信息都有着不可或缺的影响，为设计权重方案，需对每种类型的区段进行维度分析，本发明选取了维度信息影响程度最大的服务区区段进行分析，图6取了服务区的前200条数据。
[0134]
区段特征选取：有效地提取高速公路区段特征有利于对拥堵信息的准确评估，其中区段平均速度能很好地反映区段的交通运行状态。本发明将区段平均速度作为拥堵识别方法中的主要评价指标，区段流量和区段平均延误时间作为修正特征，结合高速公路服务水平分级的相关标准，对区段进行拥堵识别。
[0135]
分析高速公路区段特征的大致趋势，2021年5月3日-2021年5月5日12292350条区段数据的特征维度统计分布如图7所示。图7中所有的统计曲线都是由区段数据集生成的，它展现了高速公路车辆行驶的客观规律，并说明了本发明为模型选择合适的参数的原因。
[0136]
区段画像的有效性：不同区段的影响因素对拥堵信息的评估存在差异性，为了解决不同区段类型之间存在的各种不确定性，本发明提出了区段画像主要针对服务区、收费站、分合流区段等三种区段以及其联合影响区段，表4-2是区段画像的定义。
[0137]
表4-2区段画像
[0138]
服务区收费站分合流fd
×××
sd
×
√
×
vd√
××
yd
××
√svd√√
×
syd
×
√√vyd√
×
√svyd√√√
[0139]
其中每种区段类型的数量如图8所示，经实验验证，服务区区段因存在车辆进服务
区出服务区等情况，在某一时刻速度会极具下降，区段平均速度受影响较大，而区段车流量反而容易造成区段拥堵，收费站区段存在匝道等路段造成车辆速度在限速的情况下造成拥堵信息的评估产生误差，因此，区段画像的提出避免了不同区段之间影响因素不同而产生的差异性。
[0140]
本发明对高速公路的12292350条区段数据进行拥堵识别，经层次分析法的一致性检验，本发明基于不同区段类型的不同权重方案的基础上，以15分钟为时间间隔构建拥堵识别数据集，在1804种区段中筛选出可能拥堵的区段182种，其中选取拥堵特征明显的6种区段，如图9所示。
[0141]
往往在部分区段中，少部分车辆以较慢速度通行时，会被以往的拥堵识别算法检测为拥堵，出现“低流低速”和“高流高速”现象，本发明通过2021年5月1日的数据对比可以看出，本发明提出的拥堵识别方法可避免此类问题，图9中的左侧图是模糊综合评价识别出的结果，右侧图是本发明的方法识别的结果，可以看出，在白龙枢纽至闽侯甘蔗区段(340d19-340d1b)中，凌晨1点左右的拥堵状态曲线开始出现波动，而这往往是因为少数车辆在夜间行驶时采用低速行驶保证安全而造成的；而在闽侯沙堤至荆溪枢纽区段(340d19-350133)中，模糊综合评价在拥堵时段10：00-10：40中的识别结果在轻微拥堵和基本稳定中跳动，而本发明提出的方法结果却稳定在中度拥堵中，这是因为闽侯沙堤至荆溪枢纽区段是属于分合流区段，区段车流量的占比需要比一般的区段车流量占比大，因此造成了拥堵信息评估的错误，也证明了区段画像的有效性。
[0142]
方法测试结果验证：本发明将中度拥堵以上的拥堵等级视为拥堵，以福建省高速公路信息科技有限公司提供的2021年5月1日和2021年5月3日-2021年5月5日的etc交易数据作为验证集进行验证，经视频数据图10验证，区段拥堵识别基本准确。
[0143]
本发明提出了一种基于etc智能交易数据的高速公路拥堵识别方法，首先，在基于etc轨迹数据的基础上构造了区段数据集。分析高速公路的交通特性后构造了三种数据维度，并运用层次分析法进行了数据加权，最终将区段标签和模糊评价相结合进行评估得分，保证了拥堵区段的完整性和准确性。
[0144]
实验结果表明：将层次分析法与区段标签结合对模糊综合评价进行改进，使得模糊综合评价对区段内的模糊情况进行一个合理的评估，有效地提升了对拥堵区段内的情况识别并减少了拥堵误判的发生，并能结合不同区段的特点评估拥堵信息。但工作仍存在一些未能解决的问题：
[0145]
(1)本工作会受高速公路的某些特殊情况影响，比如天气因素，道路养护因素以及交通意外等等，可以考虑更多数据特征，对其进行提取建模，提高识别效果。
[0146]
(2)因各个高速公路的区段的限速有所差异，每个区段之间的平均速度存在一定的差值，对实验结果有一定的影响，对之后的实验，可将每个区段的限速条件与速度作一个比较，将比较差值作为一个参考来衡量区段的拥堵程度。
[0147]
显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其
他实施例，都属于本技术保护的范围。
[0148]
参考文献:
[0149]
[1]交通运输部办公厅，关于进一步做好货车etc发行服务有关工作的通知.https://xxgk.mot.gov.cn/2020/jigou/glj/202111/t20211115_3626254.html
[0150]
[2]交通运输部办公厅，关于加强国家公路省际瓶颈路段建设的通知https://xxgk.mot.gov.cn/2020/jigou/zhghs/202201/t20220124_3638100.html
[0151]
[3]yue tu shukuan,lin jianzhong,qiao bin liu.deep traffic congestion prediction model based on road segment grouping.applied intelligence(2021).
[0152]
[4]xiangjie kone,zhenzhen xu,guojiang shen,jinzhong wang,qiuyuan yang,benshi zhang.urban traffic congestion estimation and prediction based on floating car trajectory data.future generation computer systems.2015.
[0153]
[5]ameni chetouane,sabra mabrouk,imen jemili,mohamed mosbah.vision-based vehicle detection for road traffic congestion classification.first published:09september 2020.concurrency and computation practice and experience.
[0154]
[6]fan zhang,shuyun niu,jian gao,and marianthi mermygka.a study on highway corridor traffic state identification based on data fusion of dsrc data and etc data.cictp 2017.
[0155]
[7]w.pattara-atikom,p.pongpaibool,and s.thajchayapong.estimating road traffic congestion using vehicle velocity.2006 6th international conference on its telecommunications proceedings.
[0156]
[8]fatemeh ahanin,norwati mustapha,nasir bin sulaiman,maslina zolkepli.an efficient traffic state estimation model based of fuzzy c-mean clustering and mdl using fce.journal of theoretical and applied information technology.31st july 2020.vol.98.no 14.
[0157]
[9]wei-hua lin,qingying lu,and joy dahlgren.dynamic procedure for short-term prediction of traffic conditions.transportation research record 1783.
[0158]
[10]trinh dinh toana,y.d.wong.fuzzy logic-based methodology for quantification of traffic congestion.physica a.2021.
[0159]
[11]yue tu,shukuan lin,jianzhong qiao,bin liu.deep traffic congestion prediction model based on road segment grouping.applied intelligence(2021).
[0160]
[12]hong gao,zhenjun yan,xu hu,zhaoyuan yu,wen luo,linwang yuan,and,jiyi zhang.a method for exploring and analyzing spatiotemporal patterns of traffic congestion in expressway networks based on origin
–
destination data.internation journal of geoinformation.2021.
[0161]
[13]wan-xiang wang,rui-jun guo and jing yu.research on road traffic congestion index based on comprehensive parameters:taking dalian city as an example.advances in mechanical engineering 2018.
traffic condition discriminant technology of urban intersections under intelligent lighting system based on fuzzy comprehensive evaluation.ceaee 2021。

技术特征：
1.一种基于etc交易数据的高速公路拥堵识别方法，其特征在于：其包括以下步骤：步骤1，获取高速公路etc交易数据、拓扑数据以及高速公路车辆轨迹数据，步骤2，基于etc交易数据的时空信息，匹配高速公路etc交易数据与拓扑数据来构建高速公路车辆轨迹数据和区段数据集，步骤3，对高速公路车辆轨迹数据进行集数据清洗以剔除不需要的数据；步骤4，清洗后的etc交易数据按时间顺序构建车辆轨迹集trajs，车辆轨迹集是指所有车辆在高速公路行驶过程中途径的多个etc门架集合；步骤5，对拓扑数据与区段数据集进行拥堵特征匹配构造了区段标签；步骤6，根据高速公路的客观规律构造并计算交通拥堵的三个区段维度参数，三个区段维度参数分别为区段平均速度、区段流量以及区段平均延误时间；步骤7，对三个区段维度参数构造判断矩阵x，分别计算判断矩阵x的特征值和特征向量，并通过判别矩阵的一致性判断检验后得到最终权重；步骤8，分析高速公路中的区段画像，进而得到不同种类的区段维度参数关系，将对应的交通拥堵权重指标进行赋值；步骤9，通过交通指标与拥堵评价等级之间的关系，构建模糊矩阵r；其中，r1、r2、r3分别对应3个区段维度参数区段平均速度、区段流量以及区段平均延误时各自的模糊矩阵，r
11
～r
16
表示r1的对应位置值；r
21
～r
26
表示r2的对应位置值；r
31
～r
36
表示r3的对应位置值；步骤10，将层次分析法得到的权重a＝[a1,a2,a3]与模糊矩阵r进行综合评判得到矩阵b，根据隶属度最大原则，选取b矩阵中的最大值分数作为区段此时段的拥堵得分c；b＝a*r
ꢀꢀꢀꢀ
(20)其中，a1、a2、a3分别对应3个区段维度参数区段平均速度、区段流量以及区段平均延误时各自的权重值；步骤11，判断拥堵得分c是否大于设定阈值；是则，判断当前区段没有发生拥堵；否则，判定当前区段发生拥堵。2.根据权利要求1所述的一种基于etc交易数据的高速公路拥堵识别方法，其特征在于：步骤3中利用切比雪夫定理对区段叠加度so
qd
进行数据切割，对trajs剔除区段叠加度较低的区段，保留so
qd
次数高的区段进行拥堵信息评估。3.根据权利要求2所述的一种基于etc交易数据的高速公路拥堵识别方法，其特征在于：区段叠加度so
qd
表示高速公路在一定的时间段内每种区段qd的叠加次数；区段qd表示高速公路上相邻的界点dnd组合成区段；界点dnd包括门架fnd、收费站snd。4.根据权利要求1所述的一种基于etc交易数据的高速公路拥堵识别方法，其特征在于：步骤7中使用层次分析法对这三个维度进行分析并加权，对于同一层次的某个元素关于上一层次中某一个准则的重要性两两比较，构造两两比较矩阵，将所有维度进行矩阵构造得到判断矩阵x；
其中，x
11
～x
mn
表示两两元素之间的重要比较程度，以用于构造判断矩阵。5.根据权利要求1所述的一种基于etc交易数据的高速公路拥堵识别方法，其特征在于：步骤8中区段画像的判断指标如下：l
qd
＝{ρ1,ρ2,ρ3,level}
ꢀꢀꢀꢀ
(13)(13)(13)其中，l
qd
为区段画像的判断指标，ρ1捕捉到高速公路收费站造成的拥堵信息评估的不确定性，ρ2捕捉到高速公路分合流区域造成的拥堵信息评估的不确定性，ρ3捕捉到高速公路服务区造成的拥堵信息评估的不确定性；level为区段画像的联合效应系数，level表示不确定性因素的个数，sd表示含有收费站snd的区段qd，vd表示含有服务区vnd的区段qd，yd表示含有分合流点ynd的区段qd。6.根据权利要求5所述的一种基于etc交易数据的高速公路拥堵识别方法，其特征在于：snd、vnd、ynd为三种不确定性因子，高速公路上相邻的dnd组合成区段qd，根据不确定性因子uf确定区段类型，其中当qd中uf为snd，则称此区段为sd，uf不存在的则为正常区段fd：qd＝{dnd1,uf,dnd2}
ꢀꢀꢀꢀ
(1)sd＝{dnd1,snd,dnd2}
ꢀꢀꢀ
(2)fd＝{dnd1,dnd2}
ꢀꢀꢀꢀꢀꢀꢀ
(3)其中，dnd表示界点，dnd1为第一界点，dnd2为第二界点；uf表示不确定性因子，当qd中uf为vnd，则称此区段为vd；vd＝{dnd1,vnd,dnd2}
ꢀꢀꢀ
(4)当qd中uf为ynd，称区段为yd；yd＝{dnd1,ynd,dnd2}
ꢀꢀꢀ
(5)其中，snd表示收费站，vnd表示服务区，ynd表示分合流点。

技术总结
本发明公开一种基于ETC交易数据的高速公路拥堵识别方法，基于ETC轨迹数据的基础上构造了区段数据集。分析高速公路的交通特性后构造了三种数据维度，并运用层次分析法进行了数据加权，最终将区段标签和模糊评价相结合进行评估得分，保证了拥堵区段的完整性和准确性。本发明很大层次上避免部分区段的拥堵误判问题，为缓解高速公路拥堵问题提供一定程度的数据支持和辅助决策。据支持和辅助决策。据支持和辅助决策。


技术研发人员：陈礼彪 邹复民 曾俊铖 任强 罗晟 田俊山 林子杨 郭峰 蔡祈钦
受保护的技术使用者：福建工程学院
技术研发日：2022.12.31
技术公布日：2023/7/19