基于在线地图交通状态的关键道路动态识别方法

交通运输系统工程与信息 ›› 2019, Vol. 19 ›› Issue (5): 50-58.

• 智能交通系统与信息技术 • 上一篇下一篇

基于在线地图交通状态的关键道路动态识别方法

陈华伟^a，邵毅明^{*a, b}，敖谷昌^{a, b} ，张惠玲^{a, b}

重庆交通大学a. 交通运输学院；b.山地城市交通系统与安全重庆市重点实验室，重庆 400074

收稿日期:2019-03-01 修回日期:2019-05-07 出版日期:2019-10-25 发布日期:2019-10-25
作者简介:陈华伟(1993-)，男，海南海口人，博士生.
基金资助:
国家自然科学基金/ National Natural Science Foundation of China(51508061)；山地城市交通系统与安全重点实验室开放基金/Fund of Chongqing Key Lab of Traffic System & Safety in Mountain Cities(2018TSSMC03)；重庆市教委科学技术研究项目/Science and Technology Research Program of Chongqing Municipal Education Commission(KJQN201800727).

Dynamic Identification Method of Critical Roads Based on Traffic State of Online Map

CHEN Hua-wei^a, SHAO Yi-minga, b, AO Gu-changa^{, b,}ZHANG Hui-linga, ^b

a. School of Traffic & Transportation; b. Chongqing Key Lab of Traffic System & Safety in Mountain Cities, Chongqing Jiaotong University, Chongqing 400074, China

Received:2019-03-01 Revised:2019-05-07 Online:2019-10-25 Published:2019-10-25

摘要/Abstract

摘要：

交通拥堵问题日趋严重，关键道路识别成为了交通领域的研究重点. 以在线地图的交通状态数据为基础，利用时空相关性理论计算道路交通状态的预测值和波动影响值，并通过Moran 散点图划分道路类型，提出了基于在线地图交通状态的关键道路动态识别方法. 首先，调用在线地图开发者平台API 采集路网的交通状态数据，利用集成学习动态预测交通状态；其次，分析交通状态波动的传播结构，以此量化道路对其近邻道路的影响值；然后，结合道路交通状态的预测值和波动影响值划分道路类型，进而识别出关键道路；最后，以实际路网为例，论证方法可行性.

关键词: 交通工程, 关键道路, Moran散点图, 在线地图, 集成学习

Abstract:

Traffic congestion becomes more and more serious, and critical roads identification has become a research focus in the field of transportation. Based on the traffic state data of online map, this paper calculates prediction of traffic state and affection of traffic state wave by using spatial-temporal correlation theory, classifies different road types by using Moran scatterplot, and then proposes the dynamic identification method of critical roads based on traffic state of online map. Firstly, API of developer platform provided by online map is employed to collect the traffic state in road network, to dynamically predict traffic state by using ensemble learning. Then, the propagation structure of traffic state wave is analyzed to quantify the affection of a road on the roads neighbored it. Next, to identify critical roads, different road types are classified according to the prediction of traffic state and the affection of traffic state wave. Finally, taking actual road network as an example, the feasibility of the method is demonstrated.

Key words: traffic engineering, critical roads, Moran scatterplot, online map, ensemble learning

中图分类号:

U491.1

陈华伟，邵毅明，敖谷昌，张惠玲. 基于在线地图交通状态的关键道路动态识别方法[J]. 交通运输系统工程与信息, 2019, 19(5): 50-58.

CHEN Hua-wei, SHAO Yi-ming, AO Gu-chang, ZHANG Hui-ling. Dynamic Identification Method of Critical Roads Based on Traffic State of Online Map[J]. Journal of Transportation Systems Engineering and Information Technology, 2019, 19(5): 50-58.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.tseit.org.cn/CN/abstract/abstract19904.shtml

http://www.tseit.org.cn/CN/Y2019/V19/I5/50

参考文献

[1] SHEN Y, DINH T N, THAI M T. Adaptive algorithms for detecting critical links and nodes in dynamic networks [C]. MILCOM 2012 IEEE Military Communications Conference, 2012.

[2] 苏飞, 董宏辉, 贾利民, 等. 基于时空相关性的城市交通路网关键路段识别[J]. 交通运输系统工程与信息, 2017, 17(3): 213-221. [SU F, DONG H H, JIA L M, et al. Identification of critical section in urban traffic road network based on space-time correlation[J]. Journal of Transportation Systems Engineering and Information Technology, 2017, 17(3): 213-221.]

[3] SCOTT D M, NOVAK D C, AULTMAN-HALL L, et al. Network robustness index: A new method for identifying critical links and evaluating the performance of transportation networks[J]. Journal of Transport Geography, 2006, 14(3): 215-227.

[4] 韦伟, 毛保华, 陈绍宽, 等. 基于当期事件识别的拥堵传播特征研究[J]. 交通运输系统工程与信息, 2016, 16 (4): 165-170. [WEI W, MAO B H, CHEN S K, et al. Spatial propagating study of urban traffic congestion based on current event recognition[J]. Journal of Transportation Systems Engineering and Information Technology, 2016, 16(4): 165-170.]

[5] 韦伟, 毛保华, 陈绍宽, 等. 基于时空自相关的道路交通状态聚类方法[J]. 交通运输系统工程与信息, 2016, 16(2): 57-63. [WEI W, MAO B H, CHEN S K, et al. Urban traffic status clustering method based on spatiotemporal autocorrelation[J]. Journal of Transportation Systems Engineering and Information Technology, 2016, 16(2): 57-63.]

[6] AURELIEN G. Hands-on machine learning with scikitlearn and tensorflow[M]. O'Reilly Media, 2017.

[7] IAN G, YOSHUA B, AARON C. Deep learning[M]. The MIT Press, 2011.

[8] TAYLOR M A P, SEKHAR S V C, D'ESTE G M. Application of accessibility based methods for vulnerability analysis of strategic road networks[J]. Networks and Spatial Economics, 2006, 6(3- 4): 267- 291.

[9] ANSELIN L, FLORAX R J G M. New directions in spatial econometrics[M]. Springer, 1995. 58

[1]	林建新, 刘博, 赵霞, 张蕾. 基于混合约束自编码器的机动车工况智能构建方法[J]. 交通运输系统工程与信息, 2022, 22(2): 109-116.
[2]	戢晓峰, 耿昭师. 山区双车道公路货车碰撞预测的双变量冲突极值模型[J]. 交通运输系统工程与信息, 2022, 22(2): 230-238.
[3]	张建波, 孙建平, 徐春玲, 郭镜霞, 温慧敏, 宋国华. 考虑交通运行条件影响的驾驶员特征聚类[J]. 交通运输系统工程与信息, 2022, 22(2): 330-336.
[4]	马景峰, 任刚, 李豪杰, 曹奇, 杜建玮. 电动自行车与机动车事故严重性影响因素分析[J]. 交通运输系统工程与信息, 2022, 22(2): 337-348.
[5]	宗芳, 王猛, 贺正冰. 考虑多车影响的分子动力学智能网联跟驰模型[J]. 交通运输系统工程与信息, 2022, 22(1): 37-48.
[6]	马小龙, 余强, 刘建蓓. 基于路侧毫米波雷达的车辆碰撞概率计算方法[J]. 交通运输系统工程与信息, 2022, 22(1): 57-66.
[7]	廖鹏, 唐铁桥. 基于车辆动力传动和转向系统的换道轨迹优化策略[J]. 交通运输系统工程与信息, 2022, 22(1): 98-105.
[8]	刘永红, 罗霞, 胡剑鹏. 考虑临时和预约需求的共享泊位动态分配方法[J]. 交通运输系统工程与信息, 2022, 22(1): 171-181.
[9]	袁振洲, 郭曼泽, 彭泳鑫, 杨洋. 基于梯度关联规则的老年行人交通事故风险识别[J]. 交通运输系统工程与信息, 2022, 22(1): 195-208.
[10]	张玉婷, 陈波佑, 张双焱, 闫学东, 李晓梦. 抵近信控交叉口分心驾驶识别模型[J]. 交通运输系统工程与信息, 2022, 22(1): 217-224.
[11]	宋浪, 王健, 杨滨毓, 安实. 连续流交叉口左转非机动车交通组织创新设计[J]. 交通运输系统工程与信息, 2022, 22(1): 225-233.
[12]	白婧荣, 唐伯明, 孙宗元, 毕辉云, 向恬君. 毗邻互通立交特长隧道驾驶负荷研究[J]. 交通运输系统工程与信息, 2022, 22(1): 301-310.
[13]	郭彦茹, 罗志雄, 王家川, 何方. 数据驱动的共享单车停放区规划方法研究[J]. 交通运输系统工程与信息, 2021, 21(6): 9-16.
[14]	李君羡, 沈宙彪, 童文聪, 吴志周. 基于分类车头时距的城市道路大型车影响分析[J]. 交通运输系统工程与信息, 2021, 21(6): 55-62.
[15]	卢凯, 周志洁, 张勇刚, 赵世杰, 徐广辉. 面向单向交通路网的绿波协调设计方法[J]. 交通运输系统工程与信息, 2021, 21(6): 74-83.

基于在线地图交通状态的关键道路动态识别方法

Dynamic Identification Method of Critical Roads Based on Traffic State of Online Map

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics