四维图新指数平台概述-20200429

提供与需求匹配的成果案例介绍目前针对路况发布、指数计算、拥堵分析等能力，我司在全国多个城市有落地案例：西安交警、沈阳交警、济南交警、青岛交警、苏州交警、包头交警、张家口交警、鞍山交警、抚顺交警…西安交警整体界面：拥堵识别：堵点预警：常规拥堵、异常拥堵、区域筛选交通指数：道路通行能力：交通报告：四维交通指数平台：各维度分析、对比济南交警：全域交通态势感知，路况发布、指数、通行能力青岛交警：交通流溯源分析

速度计算技术路线及结果准确度为哈尔滨市政工程设计院规划的实时交通流计算处理平台，计划接入设计院内部卡口过车数据、实时浮动车GPS轨迹数据，以及基于网约车、物流车、私家车等计算生成的互联网轨迹大数据，充分结合各数据源特征，优势互补，经过数据清洗、地图匹配、路径推测、单车速度计算、多源融合等处理环节，生成高准确率的实时路况数据，数据刷新频率达到分钟级。处理流程说明处理流程图交通流处理模块卡口数据处理组件路网预处理针对卡口序列化数据的处理组件，可将卡口过车信息转化为途径车辆的速度信息。处理流程主要包括：数据预处理主要是对智能卡口设备的基础数据和道路基础数据根据需要进行重新组合。过程如下：首先挑选相邻的两个卡口作为卡口对（图1中AB构成卡口对），并筛选出有效的卡口对，有效卡口对筛选条件为：相邻的卡口对之间经过道路的红绿灯个数小于等于1次。相邻的卡口对之间经过道路只能出现直行和一次右转。挑选出所有有效卡口所在路网信息，再根据路径推测计算出有效卡口对之间所经过的路径上的所有路段（如图1，AB为卡口对，12/23/34等为卡口对之间所经过的路段），及卡口对之间所需要行驶的距离(如图1，经过所有路段的长度和减去1A和B8的长度)。图1单车计算单车计算是计算出单个车辆经过卡口对的平均速度，主要依赖数据预处理后得到的卡口对资源表，其过程如下：数据积攒对单车经过卡口数据进行积攒处理，然后识别出单车经过的相邻卡口对。路网匹配单车实时经过的卡口对与资源表进行匹配处理，得到卡口对的静态资源数据。结果计算计算出单车经过卡口对行驶的平均速度（卡口对行驶距离/卡口对过车时间差），即为相邻卡口对路径上各路段的速度，结果为“单车轨迹速度信息”。内网浮动车轨迹处理组件数据整备浮动车实时GPS数据在生成、传输等过程中，受硬件设备、网络传输条件等因素影响，容易出现数据缺失、时间倒叙等情况，且数据源本身也可能存在回传周期不一致、经纬度偏移等问题。数据整备的意义，就在于通过技术手段，将原始浮动车GPS数据进行清洗、降噪、抽稀等操作，生成可供后续处理逻辑使用的数据类型。数据整备的过程，主要包括：数据清洗符合以下特征的数据，属于异常数据，应予以过滤：GPS速度过大；时间跳变（数据时间戳倒叙）；空间跳变（反复出现调头等前后点连线角度差异常）。数据降噪数据降噪主要针对扎堆点进行处理，扎堆点一般有两种：第一种，为空间完全重合的一系列GPS轨迹点，这种情况我们视为车辆完全静止，在后续处理中，无需对每一个重叠的轨迹点进行反复处理，为避免冗余处理，只保留空间静止GPS序列的首个点和最后一个点，将其他点删除后，再进行后续处理；第二种情况，由于GPS硬件设备存在误差，可能导致在车辆静止时，GPS设备返回的数据还保持在低速运动状态（如图2红框部分），这种情况的特征一般为，GPS点在一个范围内不规则散布，且GPS速度极低，散布范围与硬件设备精度、天气等因素有关，一般在50至100米以内，这种情况下，通过算法将扎堆点进行识别，组成扎堆点序列，然后参照情况一中的处理方式，保留序列首位数据，过滤其余GPS轨迹点。图2数据抽稀对于回传周期短、行驶规律性强的数据，为提高后续逻辑处理效率、提升算法性能，可在数据整备阶段，对后续无需处理的冗余点进行抽稀，如图3中所示，车辆行驶轨迹清晰，可以以100米为距离抽稀阈值，对1至13号点进行抽稀处理，将其中2、3、5、6、8、9、11、12号点抽稀删除400m300m200m100m0m400m300m200m100m0m图3前后点连线关系判定在后续匹配推测处理流程中，车辆行驶方向与道路行车方向夹角大小，是车辆与路网匹配的重要条件之一，由于受GPS设备精度等因素影响，GPS数据中自带的车头朝向信息，可能会存在较大误差，为了提升算法准确率，在数据整备阶段，需要基于GPS位置序列中的前后点连线方向信息，推断车辆真实行驶朝向与行驶速度，为后续处理做准备。匹配推测匹配推测是根据车辆轨迹时空特征信息，推断车辆真实行驶路线的过程。如前文所说，受GPS硬件设备存在精度误差、天气、路网地图精度等影响，车辆回传的GPS轨迹几乎不可能完美的与地图路网重合，所以需要将轨迹点与路网数据进行匹配推测，应用最优行驶轨迹筛选算法，结合预处理数据，将车辆最优可能的行驶路线找到，整个过程分为匹配和推测两部分：匹配匹配的目的，是找到各个GPS轨迹点最有可能处在的一条，或多条路段，尽最大努力还原车辆当前所在的真实位置点。匹配过程中所涉及的重要步骤包括：车辆所在位置路段集检索此过程需要提前将路网数据进行预处理，并放置在高性能内存型数据库中，以保证程序高效调用。将地图以约200米见方的方格进行划分，取出各方格中包含的路段信息，分组存储，使用时，先通过GPS经纬度，定位车辆所在方格，再根据方格ID，获取到当前方格中所有路段信息，由于GPS存在误差，所以车辆有可能在该方格内的任意一条路段上行驶。备选路段筛选取到GPS轨迹点周边路段集合后，将根据车辆行驶方向与路段行车方向一致性、GPS轨迹点与路段垂直距离等条件，对备选路段进行筛选，并将筛选后的最优备选路段，作为后续推测逻辑的输入数据。推测推测逻辑是将单点匹配结果串联，根据行驶距离、速度可信性等条件，对完整行车轨迹进行推测的过程。推测方法采用2个点连通最短路径法，首先查询首点备选路段90秒可到达的路段信息，然后在与后面备选路段匹配，得到两点之间的路径，多个点时就产生接续路段的轨迹信息，如果存在多个路径，采用最小cost值方法进行优选。最优路径选举方法经过路径连通性推测，可能得到多条可连通的路径，车辆行驶在那一条都是有可能的，那么经过本章节的方法，选举出最有可能的一条路径，作为最优路径，最优路径选举如下：COST值比较：通过对COST值进行对比分析，取最小COST值的路径Cost值计算方式：Cost=路径长度+所有点到link的垂足距离和如果没有垂足那么点到线的距离异常跳点处理当点对很出现无法推测成功时，会进行跳点操作，屏蔽掉异常的GPS点，使路径推测更加准确合理，具体跳点步骤见图4：图4当推测发生断开，尝试后跳点与前跳点，都失败后，才进行路径断开操作。点对异常过滤当点对发生异常时，需要删除点对，防止错误点对对路况的影响，以下情况可判定为点对异常：平均速度校验，大于指定阀值或小于0；平均速度与瞬时速度校验，差值大于20，且时间小于10秒；ETA校验，根据车辆加速度与减速度，在指定时间范围内无法达到指定操作；载客状态变更；GPS速度与连线速度校验。红绿灯模型红绿灯模型主要应对路况计算中红绿灯对路况的影响。红绿灯逻辑：等灯次数小于1次，且时间小于指定阈值，红绿灯前路况为畅通；等灯次数大于1次，且时间大于指定阈值，红绿灯前路况为非畅通；强制设置此路况waitTime为0。通过异常路段处理，把红绿灯影响降低到最小。平行路处理平行路处理主要针对高速与国道平行路处理。当车辆有waitTime并且waitTime在红绿灯附近，那么证明在国道上行驶，去掉高速备选路段。单车融合匹配推测处理生成的数据为车辆点对数据，描述的是两个GPS轨迹点间包含的路段信息，以及途径这些路段时车辆的行驶速度，两个GPS轨迹点间可能包含多个路段，也可能两点落于同一路段上，单车融合的目的，是将各点对相衔接，通过点对驶入时间和GPS投影位置等信息，精确计算车辆在各路段上行驶的准确时间戳和平均行驶速度，最终形成以单车、单路段、单一时间戳为单位的速度信息，即“单车轨迹速度信息”数据。互联网车辆轨迹处理组件单车融合为节约处理资源、减少处理冗余、提升处理效率，我们将互联网车辆原始GPS数据的数据整备和匹配推测操作放置在供应商处进行，通过互联网接入的车辆轨迹数据，为匹配推测处理后生成的点对数据，因此，互联网车辆轨迹处理组件中的单车融合处理逻辑，和内网浮动车轨迹处理组件中的单车融合处理逻辑基本一致。多源融合模块数据过滤数据过滤组件主要对输入数据中的异常进行过滤，输入数据异常主要包含三个方面。速度值异常过滤计算各路段自由流速度，以自由流速度*1.2所得的值，作为速度异常阈值，将超过该阈值的单车轨迹速度信息进行过滤。自由流速度是一个交通工程术语，指不受上下游条件影响的交通流运行速度。一般需要经过长年的历史数据分析挖掘，才能计算出每条道路的具体自由流速度。速度离群过滤通过对当前融合周期内的所有数据进行离群操作，过滤掉不符合条件的数据。离群过滤的具体含义，是将同一融合周期内速度值明显与其他车辆不同的单车速度信息进行甄别和过滤，主要包括以下4个步骤：M1=v1v2…vn

;

a1=sum(v1+…+vn)/nStep1：计算得到每个路段上单车速度矩阵M1=Step2：计算得到M1速度矩阵的标准方差σσ=σ=Step3：利用方差思想大范围剔除速度异常离群点，得到速度矩阵M2及速度矩阵M2的平均速度值a2。M2=M1(abs(M1M2=M1(abs(M1a2=average(M2);普通平均值Step4：小范围剔除离群点，得到速度矩阵M3及速度矩阵M3的平均速度值a3M3=M2(

(M2-a2)>=-a2M3=M2(

(M2-a2)>=-a2完走率过滤通过对不同车辆的完走率计算，过滤掉完走率过低的车辆数据。完走率是指当前车辆在当前路段上行驶里程占路段长度的比例(如果完走率过低,那么标识车辆的轨迹在当前路段上不具有代表意义)。加权融合加权融合是将基于不同车辆轨迹计算生成的速度值进行融合处理，生成当前时间戳该路段旅行速度结果值的过程，主要包括以下步骤：权重计算数据鲜度计算计算出每条数据在当前融合周期内的数据鲜度，算法如下：单条数据鲜度变量说明：C=融合周期(秒)；dt=数据时间(秒)；et=融合周期结束点时间(秒)；状态权重此处状态值经过速度推算的交通拥堵情况，状态相同的越多，在此状态下的数据融合权重越高，此过程负责计算出每条数据在当前融合周期内的状态权重，具体算法如下：单条数据状态权重：变量说明：N=与当前数据状态相同的数据数量；L=数据总数量。加权融合加权融合是根据上述步骤中计算求得的权重值，对旅行速度求加权平均值的过程，算法如下：融合后速度：变量说明：V1=车辆速度；X1=数据鲜度；W1=状态权重。通过上述过程，将各类基于路段的速度进行融合计算，最终评选出最优的速度，并以此速度来评价当前路段的实际通行能力（即：路况状态）。发布模块发布模块的主要职责，是将融合后，以路段为单位的实时交通流信息进行平滑与填补等操作，并转换为顶层业务系统能够识别的数据规格，并对外进行统一发布。填补处理主要针对因某个时间点，某个路段无车辆通过而导致无路况发布的情况，填补处理一般分为时间填补、空间填补和历史填补三种。时间填补对于近期内（一般定义为15分钟以内），有车辆通过未计算出路况的路段,那么用最近时间戳的路况数据对该时间戳进行填补。空间填补当某条路段上没有实时交通流信息并且时间填补失败，就在当前时间的数据中查找该路段的前后接续路段是否存在实时交通流信息，如果存在，就进行空间填补否则不进行填补。时间填补与空间填补整体流程如下：历史填补历史填补依赖对历史路况结果数据的积累，通过对历史浮动车路况进行深度挖掘分析，可形成一套路况TrafficPattern系统，可以查询出历史当前时间特征下的路况信息，对缺失路况的路段进行数据填补。TrafficPattern可视为历史数据分析的一套工具,通过聚类/平滑/决策树等方法，计算出每个特征日，每个时间段等多个特征下，当前时间戳的交通状态,如当前时间17点30分，特征是周五晚高峰/暴雨天，那么就可以分析出历史周五晚高峰/暴雨天当前路况的运行状态用作填补。三种填补方式的优先顺序为时间空间历史，通过这三种不同的填补方式，来保证满足填补条件的数据的正常发布。平滑处理平滑处理的主要目的，是防止交通状态发生异常跳变，使对外发布和展示的交通状态更加有连续性，平滑处理的主要目是使得路况表达更为接近实际交通行为，主要包含两个方面。时间平滑时间平滑主要是防止对外发布的同一路段的路况信息在时间维度上发生跳变。例如，某路段，有超过10个以上的连续时间戳，都是畅通路况，突然当前路况被计算为拥堵，且数据源车辆数较少，那么有很大的概率，当前时间戳路况计算有误。这时，系统会将其甄别出来，并套用时间平滑算法，获取之前时间戳的旅行速度信息，对当前时间戳的速度进行调整，以此降低错误路况信息发布的可能性，提升整体路况质量。空间平滑空间平滑主要是防止对外发布的几段连续路段的路况信息在空间维度上发生跳变。空间维度上的跳变如下图所示：针对空间跳变的情况，处理方式与时间跳变类似，即取前后接续路段的旅行速度信息，对当前路段的速度进行调整。信息发布经过填补与平滑处理后，实时交通流信息便具备了发布条件，该数据应用场景极其丰富，除了作为指数计算、交通态势感知等算法与模型的输入外，可以直接通过可视化大数据平台进行展示。实时路况展示该功能可实现将交通流处理生成的实时交通路况信息进行大屏展示，如图5、图6所示，结合GIS平台强大的可视化能力，可实现二、三维复杂场景下的路况展示，效果直观生动、便于判读，可有效提升工具可用性。图5图6速度计算准确率说明经过多年的算法优化与品质提升，目前，四维图新实时路况准确率，在城市主要道路内，已经能达到90%以上。路况准