交警卡口路况计算方案20200426

交警卡口路况计算方案2020年04月01卡口数据应用0203目录CONTENT评价分析系统CN路况服务简介PART.01卡口数据应用4卡口相机照射路面指定车道，方向固定12卡口相机的主要工作为车牌识别，并返回识别结果：卡口编号，车辆编号，拍摄时间，...卡口数据应用卡口工作特性5卡口数据应用123空间位置准确：

虽然个别卡口位置需要人工校验，但总体上空间位置非常准确真实流量体现：

卡口能够实时获取所在道路的真实流量信息抗干扰能力强：

数据质量不受地形、天气、地理位置等客观条件影响卡口数据特征6卡口数据应用实际应用中遇到的问题数据时间不准确有个别卡口数据记录的时间有误，无论提前或延后，都可能造成路况处理不准确。拍照方向描述有误部分卡口拍摄方向描述有误，由于被拍摄车辆与卡口位置还有一定距离，所以处理时需要将这段距离考虑进去，车头、车尾拍摄方向不同，处理参数也会随之调整。服务器时间不一致外网、专网、数据平台等不同网路的时间不统一，对数据回传、同步等操作造成了一定的负面影响。车牌识别失败实际应用中，常遇到卡口数据车牌识别不成功的情况，这种情况会影响路口流量统计、卡口间车速计算等。红绿灯时间不精确大部分卡口对都会跨过一个红绿灯，处理时，如果能够准确扣除红绿灯等待时间，对路况准确率的提升会有很大帮助。7卡口数据应用路况计算Step1：卡口筛选对数据有效性进行甄别与筛选，包括卡口可用情况分析，空间位置准确性判断与纠正等Step2：卡口对选择及地图匹配根据条件，选择适当的卡口对作为基本处理单元，并将其与地图数据进行匹配，对其间路段做路径推测预处理Step3：基于卡口数据的路况处理对经过卡口对的单车数据进行积攒、速度计算等操作，整理多车速度计算结果，应用融合算法，最终生成卡口对间的真实行车速度8卡口数据应用卡口筛选流量等卡口数据与实际情况严重不符卡口数据时间异常卡口描述有误，正反向说明不清晰卡口安装位置有误，空间位置不详细，无法与地图数据匹配9卡口数据应用1卡口间最多一个红绿灯2卡口间由多个红绿灯组成绿波带3卡口间路径只有直行或最多一个右转调查发现，影响卡口路况准确率的主要因素，包括卡口对间的路网复杂程度、红绿灯个数、道路形状等卡口对挑选原则10首先获取卡口原始数据(卡口id，车辆id，记录时间，...)，并按照车辆编号进行分组。通过卡口对配置文件，将每辆车匹配到各个卡口对上，每个卡口对包含多个车辆的走行信息（Mlink）将卡口对从空间维度继续细分，分成小路段，并将Mlink按照小路段Id进行分组。融合计算每个小路段中的车辆走行信息，通过交通流量模型推算道路通行状态。将生成的状态与线上实时交通信息（CNTF）相融合，并发布最终路况。小路段小路段小路段基于平均速度的路况计算逻辑11基于平均速度下的路况计算逻辑卡口路况是否可信使用卡口路况数据作为最终路况结果CNTF车辆数是否小于阈值可信不可信>=阈值<阈值使用卡口路况数据作为最终路况结果使用CNTF路况作为最终路况结果路况融合CNTF车辆数阈值基于不同道路等级进行调整，范围在3–10辆车之间12当前处理逻辑下，路况状态准确率已经能够达到80%以上，我们对不准确的Case，特别是拥缓误报Case进行深入调查，大部分的此类问题都源于客户提供的卡口数据不准（延时、提前、卡口位置错误），为此我们对算法进行了优化，采取了很多补偿方式：增加时间补偿、距离补偿动态调节早晚高峰融合周期增加车辆数量阈值过滤调节cntf和卡口数据的融合逻辑算法优化13版本迭代实际上这些方案治标不治本，根本原因是我们过度依赖单一的数据特征（两卡口间速度）。一旦这个数据本身存在问题，对我们计算结果影响很大。使用纯速度来表达路况，不会很好地表现出交通流量的实时变化与对应的路况信息，一定程度上缺乏理论依据。【解决方案】

加入新特征，增加数据维度----增加流量特征，寻找更为精确的规律，提高路况可信度，增加理论依据。14概念与理论

通常假设密度K与流量V呈线性关系，因此速度U与流量K满足二次抛物线关系模型。既：其中：Kj

--阻塞密度（车流密集到所有车辆无法移动（U=0）时的速度）U0--畅行速度（车流密度趋于0，车辆可以畅行无阻时的平均车速）Vm--最大流量（流量速度关系曲线的最大值）Um--最佳速度（流量达到最大值Vm时的速度）

交通流可以认为是交通体组成的粒子流。描述交通流特征有3个参数：流量、速度、密度。三者的关系为：其中：V--平均流量（辆/h）U--空间平均车速（km/h）K--平均车流密度（辆/km）15概念与理论-传统模型与实际应用

理论上说，当交通流量达到最大值Vm时，交通流平均速度（最佳速度）Um为零流量速度U0的1/2，此时最大流量Vm代表着道路通行能力。

但是，在实际应用的过程中，我们发现，真实的交通通行特征的数学模型，与理论有些许不同。当交通量大于通行能力时，路段交通阻塞，此时即使到达车辆数增加，能通过的交通流量仍只能是通行能力，即路段流量不能大于通行能力，剩余车辆数（到达车辆数V-通行能力C）会排队等候。在实际曲线中，流量V没有随着拥堵而减小，而继续增大，速度逐渐减小。在流量达到最大值时，速度趋近于0。理论模型实际模型16数据清洗与特征选择使用真实卡口速度与流量数据对模型进行验证清洗后清洗前提取出的数据中包括流量及速度数据（每个卡口每天1440个时间戳），首先进行速度数据处理数据初始特征：存在异常值（0值、离群值）存在波动数据清洗步骤：单天0值平滑单天滑动平均多天加权平均17可以看到上图共计8天的工作日数据，拟合度很高，经处理，最终可得出工作日卡口处车辆数度均值曲线，该曲线可以清晰的反映出当前卡口位置，在工作日各个时间截面上速度分布情况。数据清洗与特征选择18数据分析

流量均值曲线，也可以应用相同的方法求得对速度与流量放在同一量级下进行展示，可见二者呈现出相对反向的变化趋势。在6:00~8:00与16:00~18:00期间，流量呈现上升趋势，速度呈现下降趋势。在8:00~9:00与18:00~20:00期间则相反该曲线，印证了理论模型中，速度与车流量成反比的数学关系19数据分析

下面，将对实际情况中，车辆密度到达峰值后，车流量不随密度增大而减小这一假设进行验证。

将速度多天加权均值与流量多天加权均值，按照时间戳一一对应，形成1440个坐标点。可以看到此散点的构成的曲线近似于之前提到的拥堵模型曲线。问题：如何确定流量-速度变化趋势（模型）？20数据分析-回归

目前只是近似确定了不同速度-流量所代表的路况之间的分类，但还需要进一步确定速度-流量之间的变化关系，因此需要进行回归分析。21数据分析-回归阶数

以往判定预拟合误差（测值和实际值）的标准是RMSE均方根误差和MAE平均绝对误差这两种判定标准可以不受到样本总量的影响，并且消除了量纲的影响：但也有局限性，主要在于，把同样的回归算法应用在不同的问题上，最终结果不可以比较。因此还需要计算R2=1-均方误差/方差22数据分析-多项式回归

可以看到，当Degree=7的时候，R2值最大，RMSE值最小。因此选取Degree=7的多项式回归曲线作为此卡口的拟合曲线。对应模型：y7=-0.0791x+0.09790148x2-0.00287813x3+0.00004406x4+47.551553739523数据分析-多项式回归

将聚类与回归合并，整合如图：观测信息如下：U0（自由流速度）在45~50km/h之间U0速度1/2对应的流量=75此流量在类别4中，类别4的聚类中心点距离此流量最近类别4中，当速度低于拥缓区间上限25时，对应的流量=65因此我们可以确定，此卡口的设计通行能力Vm在65~75(pcu/5m)之间24结果展示

考察整体结果，将以上信息整合：25结果统计

目前包头321个可用卡口对，共训练出有效模型236个，其中：处于绝对自由状态（几乎无缓慢拥堵）的卡口对69个，约占30%有明确的流量拥缓区间的（>50辆/5分钟）125个，约占53%有明确流量拥缓区间但区间较低的（<50辆/5分钟）21个，约占9%处于长期缓慢/拥堵的卡口对21个，约占9%各类型车流特征：26实用案例与结果评价融合前目测畅通缓慢拥堵目测合计畅通3245730411缓慢12151744拥堵24511终端合计3387652466融合后目测畅通缓慢拥堵目测合计畅通3722910411缓慢10221244拥堵12811终端合计3835330466包头路测对比结果

驻场团队在包头本地进行了路测，并对路测结果进行整理，如下PART.02评价分析系统28评价分析系统功能描述数据统计每个时间戳的数据统计，主要包括RTIC数据统计，CNTF数据统计。例如：数据条数，覆盖里程，卡口贡献里程等。路况展示展示指定时间的历史路况，包括展示历史CNTF路况和RTIC路况等。分析回溯品质问题调查溯源。针对结果回溯出参与计算的车辆单车速度及原始的卡口过车数据等评价分析系统功能29评价分析系统技术架构分布式存储系统分析服务评价服务kafkaRTICCNTFCNTBE_CNTFMetaLinkBayonetOrg数据查询接口评价分析系统UIPART.03CN路况服务简介31CN服务介绍事件信息通过与普强信息的合作，公司已将语音识别技术和语义分析技术运用到事件信息采集，大幅减少了人工参与，提高了发布效率。事件信息已经覆盖320+城市，实现1分钟内快速发布。实时交通信息世纪高通交通信息已覆盖全国340+城市，100+车规级城市，主要通勤道路覆盖率达70%-90%，并已实现1分钟快速更新和100米高精度表达，封闭道路的准确率高达90%。核心服务简易图形信息图形画面清晰整洁、表现内容通俗易懂。世纪高通简易图形服务已覆盖40个城市和三大经济圈,简图模板有1515张。32CN服务介绍车道级交通信息：车道级交通信息的发布，主要依托于海量高频率回传数据及智能车道预测判定模型，可以为驾驶者提供更加精准、详细的车道级路况信息，让驾驶者在接近路口之前便可获知各车道的转向信息、速度差异、平均行驶速度和交通状态。路况预测：

基于历史路况数据以及当前实时路况数据对未来的路况进行预测，可以预测任意分钟之后的道路交通情况。33处理系统融合系统转换发布系统存储系统分析系统评价系统展示监控系统实时存储离线CN处理系统简介34CN处理系统简介数据接入GPS数据接入从不同数据源接入GPS数据匹配推测数据预处理原始数据清洗，统一数据规格Link匹配筛选GPS点最有可能途径的link轨迹推测基于单点匹配link，进行路线推测，确定车辆实际行驶轨迹数据融合单车融合整合link上的单车车速多车融合融合多车数据，计算道路通行速度多元融合融合多源数据，优化路况处理结果数据发布平滑填补结合道路空间关系和路况的时间延续性等特点，对发布路况进行时间填补，空间平滑，空间填补