文摘
实现一个有效的交通控制策略的前提是准确的交通状态识别。在现有的研究中,交通状态识别方法被使用统计特征和长期加工规模检测交通数据的字段。因此,交通流的动态特性和微妙的变化是很容易被忽视。目前,越来越多的先进的交通检测技术提供了可靠、准确的数据测量和区分城市道路交通状态,如合作汽车基础设施系统、广域雷达技术,5 g技术。本研究提出了一种新颖的方法称为HTSI(精度高的交通状态识别方法),它是基于先进的检测技术在十字路口交通状态识别:原始数据用于十字路口交通状态识别是高精度检测数据跟踪特性,使数据看上去像一幅十字路口在上帝的视角。为此,我们构建一个图像十字路口模型并实现图像特征提取的方式与传统的图像处理不同。然后,在十字路口的交通状态识别问题是翻译成一个图像标记搜索问题。散列算法实现图像搜索。最后,综合实验证明,该方法比其他方法更准确、更精细。
1。介绍
交叉口是城市道路网络的重要节点,交通需求经常在十字路口聚集。多维、复杂和时变特征的交通需求将反映在十字路口的交通状态。因此,实施有效的交通控制的前提下,防止交通堵塞是准确的交通状态识别的十字路口准备识别。
如今,使用最广泛的交通信号控制系统,如疾走(1,2和拟声唱法3)需要准确地识别交通状况保证实现的控制策略是有效的。然而,由于现有的检测技术的局限性和类型的检测数据,这些系统的交通状态识别精度是不够的。具体来说,现有的检测技术主要是基于横断面检测,主要是统计数据和输出数据。尽管这些数据可以反映交通流的运动,细节往往被忽视。
最近,随着合作的发展汽车基础设施提供商系统[4,5),广域雷达技术(6,7),和5 g技术(8- - - - - -10、低延迟、高精度和可追踪的技术已经为路口交通状况的识别提供新的想法,尤其是识别的准确性和恢复交通流的细节。令人惊讶的是,新技术已经广泛应用于交通控制(11,12,交通指南13,14),和自动驾驶15- - - - - -17),但并不用于交通状态识别。
如果我们考虑到在城市路口交通流视频,然后由图像的视频n帧。如果我们假设探测器在十字路口是这个相机的镜头,然后收购过程的检测器的过程记录的视频。探测器的频率是相机的拍摄频率。基于上述假设,我们可以将探测器的数据映射到图像数据。这个假设将意识到该HTSI方法比现有的方法。通过这种方式,研究结果可以引入图像处理领域的十字路口的交通状态识别的研究。然后,交通问题可以转化为图像内容的理解问题[18,19)或图片搜索问题(20.- - - - - -22]。
本文的主要贡献包括以下:(我)我们提出一个十字路口基于扩展的图像模型离散状态编码使用原始数据和高精度检测。(2)我们把问题识别的十字路口的交通状况的问题搜索汽车图像,这是首次提出。这使它可以使用各种复杂的算法在图像领域的搜索。(3)我们进一步证明该方法的优越性。具体地说,它优于现有方法的细度和交通状态识别的有效性。
本文的其余部分组织如下:第二部分给出了文献综述相关的工作。第三部分详细介绍了我们的图像模型的交叉和图像特征提取。第四节描述了十字路口的交通状态识别问题转换成一个图片搜索问题和设计一个图片搜索基于PCA(主成分分析PCA)的散列。第五部分描述了仿真实验,给出了实验结果。本文第六部分总结,讨论了未来的研究方向。
2。相关工作
城市道路交叉口交通状态识别是一个古老的问题,可以追溯到1950年代23]。它也是城市道路交通控制的一个非常重要的问题,因为只有有效的交通状态识别可以实现有效的交通控制策略。所以,它吸引了许多学者的研究,现有的方法通常可以分为两类。
2.1。基于队列长度估计的交通状态识别
估计队列长度在每一个十字路口的方向与单检测器数据(24- - - - - -30.)或多个炮检数据(31日,32)或车辆道路协作数据(33),队列长度作为交通状态识别的基础。它可以通过检查来判断是否队列长度达到阈值。
2.2。交通状态识别基于交通参数
延迟(34)和时间占用(35- - - - - -38]也常用为十字路口的交通状态识别参数。传统检测器可以有效地测量延迟时间和占用,可以反映车辆的运动状态通过这两个参数。这种类型的模型可以用于确定交叉路口的交通状态。
然而,我们所知,上述两种方法难以获得令人满意的结果的细度和十字路口的交通状态识别的有效性。主要原因是这些方法受限于传统的检测技术。传统的粗粒度检测数据的特征和强大的统计特性。他们忽视了交通流的复杂细节。例如,对待交通事故有时是不对的(如图1 (b))附近的一个十字路口的过饱和状态(如图1(一)),但事实并非如此。
(一)
(b)
3所示。该方法
3.1。问题陈述
在本文中,我们考虑一个典型的城市道路交叉路口。十字路口的车辆通常收集因为十字路口将单独的交通需求在时间和空间,以确保安全。交通需求和交通流的特点是动态的和时变的。所以,很难识别这些变化敏感、准确地使用现有的交通检测技术,但使用先进的检测技术,如道路协调和广域雷达可以获得更准确和时间序列更精细的原始数据。假设我们认为交通检测的过程是拍照。我们可以得到照片与连续时间序列(如图2)通过增加检测的频率,就像连续的观察与神交通需求角度的变化(如图3)。这种假设是非常有趣的和有意义的。
3.2。图像模型的十字路口
3.2.1之上。原始数据为先进的检测方法
传统的交通检测数据对交通需求测量包括交通、入住率、密度、和队列长度。这些类型的检测数据的特征检测粗粒度和强大的统计特性。很难有效地描述实时动态交通使用它们的细节。先进的检测技术由合作汽车基础设施系统和广域雷达技术发展迅速,这使得实时高精度轨迹检测成为可能。它正逐渐应用于城市道路交通检测领域的基于这些先进技术(如图4)。
这些先进的检测技术一般提供实时数据,以毫秒为单位。数据类型包括瞬时车辆速度、车辆的纬度和经度,车辆ID、车辆长度和时间戳(如表所示1对原始数据的一个例子一个广域雷达探测器)。与此同时,他们可以提供完整样本数据与一个小错误的有效检测范围内。真正的交通需求的外观可以完全反映在使用这些充分样本实时高精度轨迹数据,因为这些数据是非常微妙和敏感。
3.2.2。扩展的离散状态编码
全彩图像是由红绿蓝(RGB)的颜色。灵感来自于这一点,我们开发一个five-tuple扩展离散状态编码(39,40)方法。它是用来显示车辆的属性和操作车辆的有效探测区域的十字路口。这五个一组对应于表中给出的五种数据类型1。
有效的检测区域的交集 ,它是由实际的探测器的探测距离。然而,它应该强调有效探测区域的边界应大于最大队列十字路口时已经达到过饱和现象。莱恩可以分为 长度单位,相当于汽车作为一个标准。米代表车辆的属性和操作在有效探测区域离散化后在十字路口。表示车道单位是否存储信息的车辆(一个表明车辆的存在;0表示没有车辆。这个描述是映射的结果真正的坐标数据段)的道路。表示速度信息的存储车辆(一个表明车辆速度是通畅的。零意味着没有汽车或汽车停了下来。其余的值是通过映射Sigmod函数和保留一个小数位)。表示加速度信息的存储车辆(一个负数表示车辆的减速运动。零表示车辆的统一运动。一个正数表明车辆的加速度运动)。表示身份信息的存储载体(车辆的识别编号顺序从最里面的车道)。表示车道变化信息的存储车辆(零表示车辆从未改变车道。一个显示车辆车道后的位置变化。0.5是指车辆车道变化的过程)。
图3(一)是经典的离散状态的十字路口t。这样一个十字路口的有效探测区域可以由五部分组成的。我们将它转换成一个图像组成的“像素”,如图5 (b)。这使得成像建模在十字路口。
(一)
(b)
3.3。十字路口的特征提取的图像
图像的实际内容是由其特点决定的,和十字路口的形象也不例外。因此,图像的特征提取的十字路口是必需的。本节将详细描述的特征提取的方法。
假设的有效探测区域的交集是一组关键部件组成。 在哪里 入口通道和代表的路口是入口车道的数量。 代表交叉退出车道的设置是退出车道的数量。 代表一组交叉冲突地区,是一块冲突地区。X,Y,Z被描述为关键部件的有效探测区域的十字路口,如图6。
在方程(3),五倍的计算: 在哪里 的体重指数。
熵的距离(41翻译校正的过程是用来确定 。
在这里,分指数矩阵 。假设 ;将会有一个信息决策矩阵 ,在哪里的观测值吗jth指数, 。(我)步骤1: 矩阵归一化得到一个标准的信息 。归一化的方法是更大的和更好的分项指数: 小和更好的分类指数: 最优单位价值对应于jth选择指标, 。这些规则 (2)步骤2:之间的距离和计算。 (3)步骤3:计算指数的概率。 当 ,没有需要修订 ,在那个时候 。当 ,该指数不工作 ,为了确保所有的索引数据的可用性,需要人工翻译校正 这一次,是恒定的, 。(iv)第四步:计算熵的距离指数。 (v)第五步:计算熵权。 在哪里 。(vi)步骤6:是获得。
的特征值的关键部分路口可以表示为
十字路口的交通状态的方法是表示 。十字路口的交通状态离开车道来标示 。在十字路口的交通状态冲突地区来标示 ,在哪里和 ,分别代表着欠饱和状态和过饱和的状态。
分段线性函数设计如下。它是用来描述交通状态之间的关系和每个关键部分的特征值在十字路口。
分段线性函数的方程(13)是向量转化为获得以下方程:
方程(15)表示为一组十字路口的交通状态的图像。代表的形象我th国家为代表。 在哪里见以下方程:
方程(16)转换如下。得到维的特征向量相交的形象 。
4所示。方法
4.1。方法概述
在本文中,我们将十字路口的交通状态识别问题转化为一个图像搜索问题,和十字路口的成像模型,实现了图像的特征提取在上面的部分中。本节提出了一种基于图像搜索方法监督散列。该方法的核心思想是使用哈希函数将图像特征转化为二进制,然后通过比较来判断图像的相似性的汉明距离。通过这种方式,只需要比较的图像与图像查询标签画廊获得图像的实际内容是问。
如图7,提出了交通状态识别的体系结构。离线学习阶段:首先,使用前一节的方法实现图像建模在十字路口和图像的特征提取。其次,图像特征向量转化为一个固定长度的哈希代码通过构造一个哈希函数。训练库中所有图片哈希编码总散列更改集。在线搜索阶段:首先,输入数据成像和特征提取,数据哈希编码采用离线学习阶段获得一个哈希函数。的汉明距离图像的散列码检查,和训练库中的图像的散列码进行了比较。最后,查询结果会重新排序根据汉明距离并返回,和图像的实际内容进行检查。
4.2。PCA散列算法
4.2.1。准备目标函数
类似于现有的研究(42- - - - - -44),我们使用PCA散列来解决图像检索问题。基本上,PCA算法减少原始数据。一个哈希函数是学会了每个数据点图像的特性转换成二进制代码。
可以形成目标函数最小化目标编码矩阵和由此产生的编码矩阵如下: 在哪里 代表一个新的原始数据矩阵 降维后的主成分分析 , 代表了降维的矩阵。 代表了旋转矩阵。 被认为是一个哈希编码矩阵量化。每个样本的散列码; 是平均向量的哈希编码向量。正则化项的主要角色是减少离群值的影响的过程中学习哈希函数通过减少每个散列码的值之间的偏差和意思。是惩罚的重量。
4.2.2。算法
方程(17)显示了目标函数。由于目标函数是凸函数,不光滑,很难直接找到最优的解决方案。因此,本文使用了两步交替优化方法(45)来解决这个问题。(一)当保持不变,问题 解决方案: (b)当保持不变,问题
通过数学推导的方程(21)的结果得到:
通过推导方程(19),让导数为零,我们得到的最优解 :
二进制编码 :
最后,散列码矩阵 的原始数据集获得(PCA散列算法所示算法1)。
5。仿真实验和案例研究
在本节中,我们提出了(1)仿真实验和(2)的案例研究。
5.1。仿真实验
5.1.1。VISSIM仿真环境
VISSIM的路口实现十字路口。详细的列出了VISSIM仿真环境的设置表2。
5.1.2中。训练集和测试集
仿真数据的采样间隔设置为1 s模拟先进的探测器的检测频率。这将给36000个样本。我们使用30000个样本作为训练集,6000个样本作为测试集(见下表3)。
5.1.3。分析结果
细度TM FI和有效性的影响评估。 其中TP表示搜索正确的样本数量。FN表示搜索的样本数量不正确。菲表示认可。英国《金融时报》代表了总搜索时间。
本研究与相关作者的初步研究工作(30.,37]。从结果的比较分析,本文中使用的方法有更高的细度和有效性改善十字路口的交通状态识别(见图83600年代,数据点计算一次)。如图8 (b),大幅度的提高效率的原因是周期性识别用于十字路口的交通状态识别和实时识别也使用。
(一)
(b)
5.2。案例研究
5.2.1。背景
Balong在许昌城市道路交叉口作为案例研究。静态数据的校准是由交通管理部门提供,和动态数据的标定是进行利用广域雷达的探测数据,如图9。
(一)
(b)
(c)
(d)
5.2.2。结果与讨论
收集到的数据是在工作日的早上高峰时间和晚上高峰时间,如图10。
(一)
(b)
在这个案例研究中,选择的交通状态是欠饱和及过饱和的。欠饱和状态的范围 ,和过饱和的状态的范围 。
如图11,过饱和的发生在早上高峰时间和晚上高峰时间Balong路的十字路口。这个判决结果符合交通流的变化,如图10。因此,本案例研究证明了该方法的有效性。
6。结论
在这篇文章中,灵感来自于高精度检测技术和图像搜索技术,我们开发一个新的HTSI建模方法和semisupervised基于散列的TSI识别算法。我们提出一个详细的过程图像建模和图像搜索方法基于PCA散列和开展综合实验通过使用模拟数据集。结果表明,该方法优于传统的交通状态识别方法在细度和状态识别的有效性。此外,显示了该模型的潜力越复杂交叉口混合交通状态特征如急救车辆、公交优先、有轨电车。然而,本文仍然存在两个缺点:(1)没有巷路口交通混合规则的适用性将被忽略。(2)本文要求的精度检测数据是足够高的,但不考虑不足的适用性在数据的准确性。在未来的研究中,我们将详细研究上述两个问题,试图延长短期交通流量估算方法,交通信号控制等领域。
数据可用性
数据生成的模拟中使用的纸,和参数校准在模拟环境中,因为数据是可用的。在本文提供的数据由河南省许昌交警支队。许昌城市的数据是真正的流量数据。
信息披露
作者的观点是一个人。
的利益冲突
作者宣称没有利益冲突。
作者的贡献
莉莉张和赵气了同样工作。
确认
这项研究受到了北京市长城学者项目批准号下CITTCD20190304,中国国家重点研发项目批准号。2017 yfc0821102和2017 yfc0822504,北京市教育委员会的基本科研项目批准号下110052971803/013,下的北理工大学青年相比项目批准号107051360019 xn133/011。