基于电警过车数据的排队长度算法

排队长度是城市交通信号控制的重要参数之一。为实时估计交叉口各相位绿灯初始时刻的排队长度,提出一种基于电子警察过车数据并考虑展宽段的排队长度计算方法。本算法考虑上一周期本路段滞留的车辆数,结合上游交叉口各相位驶入本路段参与排队的车辆数,通过时空演化计算本周期绿灯初始时刻的排队车辆数,进而得到相应排队长度值。通过VISSIM仿真软件构建仿真场景验证排队算法,证明本算法具有较好的准确性。

基于目标群体指数的农村地区交通事故汽车通行隐患特征挖掘方法

本文基于卡口过车和事故数据,利用目标群体指数挖掘农村地区交通事故与车辆通行特征的关系,根据车型和通行频次将车辆划分为9类:经常本地通行的通勤小汽车、非通勤小汽车、面包车、轻型货车、重中型货车、大中型客车,以及偶尔本地通行的本地号牌车、本省外地号牌车、外省号牌车,并针对每类车辆群体进行隐患通行特征量化求解。研究结果对于防范化解事故风险具有参考意义。

基于Spark模型的路段行车时间计算方法

近年来,高清摄像头广泛应用于城市交通系统,产生了大量交通卡口过车数据集。该数据集为路段行车时间计算提供了一个良好的数据源。但是,由于该数据集规模较大,现有算法通常采用MapReduce大数据并行模型进行计算以提高效率。然而,现有基于MapReduce模型的路段行车时间计算方法采用两作业迭代完成,两作业之间存在涉及大规模磁盘数据存储,额外消耗了时间,导致性能下降。为此,文章提出一种基于Spark大数据模型的路段行车时间Spark-CoRLTT计算方法,该方法通过1次作业完成计算,避免了额外磁盘数据存储,节约了计算时间。实验证明,文章提出的算法在数据规模较大的情况下,计算性能显著提升。

基于关联规则挖掘的伴随车辆发现算法

伴随车辆是公安刑侦部门对海量车辆通行信息检索的一类实战需求,目的是通过模糊条件查询得到潜在的结伴作案车辆,究其本质,可将此类查询转化为数据挖掘中关联规则挖掘问题。通过对公路车辆智能监测记录系统采集的过车数据进行分析,将伴随车辆查询转化为关联规则挖掘,利用数据挖掘技术对过车数据查询问题进行综合分析,实现高效率的伴随车辆查询算法AVD(Accompany Vehicles D iscovery)。算法分析表明,AVD不但能提供准确的伴随车辆查询结果,而且效率高、扩展性强,具有较高的可行性。

基于交通卡口数据的道路快速化需求评价

基于交通卡口数据,以平湖市为例,通过层次分析法,从道路快速化需求匹配程度、道路快速化需求紧迫程度和道路快速化后实现的价值三个方面构建评价指标体系,提出道路快速化需求评价的方法,为当前国土空间规划土地指标收紧背景下,道路的快速化改造提升提供定量化的决策支撑;通过车辆OD计算在途车辆数,并与传统计算方法结果进行对比,提高在途车计算精度后,作为计算道路快速化需求评价的核心指标的基础。