基于结构化视频数据的交叉口评估及问题自动化诊断

发布时间：2021-03-30 08:08

　　为提高视频数据用于交叉口运行评估的处理效率并实现交叉口问题实时诊断,提出了一种使用结构化视频数据、以车头时距为主要分析对象的方法。首先利用流量曲线可复现性快速查找高峰时段;然后仅基于车头时距曲线实现视频数据与信控方案的同步比对,并提出了从信号控制方案和车道两方面进行交叉口效率综合评估方法;最后以动态时间规整和灰色聚类方法,由实际数据识别出车道车头时距曲线的5种类型,并提出了相应的问题及优化方案,可用于低效车道及相位的问题诊断。 

【文章来源】：同济大学学报(自然科学版). 2020,48(08)北大核心EICSCD

【文章页数】：12 页

【部分图文】：

视频数据属性及其类型

设备未完整采集上述所有信息时会标记缺失属性，图2为某设备24h过车车牌漏检数-时刻分布，该数据可以用于支持智能设施运行检测，也可作为后续做车牌属性相关分析如外地车标记、车型组合等时的扩样依据。原始数据存在同一车道连续2条数据过车时间完全一致的情况（此类异常占本次数据比例小于0.1%），为设备上传记录前对未成功获取过车时间的记录，以邻近前一条过车数据时间戳补全导致，应及时修正：对非高峰时段采用前后2次正确记录的时间戳对异常数据做线性插值补全；而高峰期间此类异常对后续计算影响较大，故对整段高峰数据剔除不用。

进一步处理过程中可能观察到其他异常，如单位时间流量急剧下降又迅速恢复、全日流量曲线严重震荡且多日交通完全不具可复现性等如图3，应及时剔除。经上述处理并做全面性、一致性评价后，第1组共有5个交叉口数据各向数据完整、准确，另外有4个交叉口虽缺失1到2个方向的数据，但获取到的数据完整性较好，予以保留；第2组仅第1个交叉口满足要求，下文单口分析方法说明均以其（下称示例交叉口）作为示例，其交通设计如图4，各向车道由内向外从1开始依次编号。

【参考文献】：
期刊论文
[1]基于决策树模型的信号控制交叉口交通状态估计[J]. 刘磊,唐克双,董可然.  公路交通科技. 2019(09)
[2]基于计算机视觉的信号交叉口排队车辆静态间距研究[J]. 郑来,陈永胜,孙金玮.  公路交通科技. 2018(02)
[3]城市信号交叉口交通运行评价参数视频检测[J]. 曹倩霞,罗大庸,王正武.  交通运输系统工程与信息. 2015(06)
[4]基于视频双截面的信号控制交叉口延误检测[J]. 张惠玲,李克平,钱红波,李鑫.  同济大学学报(自然科学版). 2011(07)
[5]交叉口信号控制方案评价指标动态估计模型[J]. 高云峰,徐立鸿,汪涛,韩皓.  同济大学学报(自然科学版). 2011(06)
[6]信号交叉口车头时距特性分析[J]. 赵星,任刚.  交通运输工程与信息学报. 2010(01)
[7]基于灰色模糊聚类法的路网路面使用性能评价[J]. 张丽娟,凌建明,祝云琪.  同济大学学报(自然科学版). 2010(02)
[8]混合交通状态下交叉口排队机动车流启动车头时距研究和应用[J]. 苏岳龙,魏铮,姚丹亚,张毅.  公路交通科技. 2008(07)



本文编号：3109189