基于驾驶习惯的综合评分法识别车辆出行路径

吴 磊,朱文佳,秦忱忱

(安徽百诚慧通科技有限公司,安徽 合肥 230088)

1 路径识别的基本思路

通过获取某一天所有电子警察识别车辆的过车数据,并按车牌进行分类和处理后,结合路网信息分析得出某辆车的相邻检测点位不能直接相连的情况,提取相邻检测点之间所有可能的有效路径。其中通过在路径选择中设定路网层级数Q,确定有效路径集的规模。即将相邻检测点下游检测点根据路网关联节点信息串联其上游多个节点路径,同时将相邻检测点上游检测点根据路网关联节点信息串联其下游多个节点路径,最后,将有共同节点的路径信息合并为一条完整的交通路径[1-3]。

基于车辆在不同路段上的行驶时段及路段长度,确定同时段互联网平台在不同路段的平均速度等数据信息,从而确定不同路径每个路段的旅行时间,最后确定不同路径的旅行时间。由于不同时段的平均车速都会存在差异,因此,通过多次迭代的方式,使得不同路径的旅行时间接近真实值。虽然迭代次数越多精度越高,但计算量也越大,同时迭代达到一定次数,精度的提高就不再明显,因此需要选择合适的迭代次数。通过将不同路径旅行时间多次迭代计算后与相邻检测点时间差值进行对比,确定相连检测点间车辆最优行驶路径集[4-7]。

根据相邻检测点间产生的最优行驶路径集,采用综合评分法[8]确定最优的行驶路径。首先分析基于驾驶习惯进行路径选择的路径信息影响因素,并对这些因素展开归一化[9-10]处理,同时不同地区的驾驶习惯不同,因此通过问卷调查获取不同因素权重,获得不同路径中各因素的评分值并对其进行综合权重计算,得出最优路径,集中各个路径的综合评分情况,以最高值确定相邻检测点间最大可能路径。具体实现流程如图1所示。

图1 实现路径流程示意图

2 路径识别的具体方法

依据上述的路径识别的基本思路,具体实现的方法是基于路网以及过车信息,分析获取基于旅行时间的最优路径集,然后分析基于驾驶习惯的路径选择影响因素,并进行归一化处理,最后采用综合评分法得出可能性最大的出行路径。

2.1 基于旅行时间的最优路径集

(1)第一阶段旅行时间。

获取检测点间某条有效路径,依次提取路径中路段长度信息以及各个路段在相邻两个检测时间区间[ti,ti+1]内互联网平台的平均运行速度,得出第一阶段某条出行路径的旅行时间

(n-1)o

(1)

求出相邻两个检测时间ti和ti+1的差值

Δt=ti+1-ti,i=1,2,…,n-1

(2)

(2)第二阶段旅行时间。

(3)

(n-1)o

(4)

(3)第K三阶段旅行时间。

(n-1)o

(5)

(4)最优路径集。

通过上述K次迭代计算得出不同交通路径的旅行时间,并以不同路径旅行时间减去相邻检测点时间差值的绝对值进行判别

|tsK-Δti|≤Δti/10

(6)

将满足公式(6)的路径保存在相邻检测点间最优路径集中。

2.2 综合评分法

分析路径驾驶习惯影响因素,并根据上述得出最优路径集中的路径信息,对每一条路径影响因素进行归一化处理,结合不同因素的权重,采用综合评分法量化每一条路径综合评分值,从而确定相邻检测点间最大可能路径。

(1)因素集。

通过分析,需要考虑的影响路径选择的路径信息因素包括路径旅行时间、路径转弯数、路径节点周期。因此因素集U可以定义为U={路径旅行时间、路径转弯数、路径节点周期},表示为U={u1,u2,u3}。

因素集U上的因素子集A记为权重向量A=(a1,a2,a3),其中ai表示单因素ui在总体评分因素中所起作用大小的度量,0≤ai≤1。通过调研确定权重向量A,不同地区ai取值存在差异。

(2)单因素的评分。

对驾驶习惯影响因素进行归一化设计。

①路径旅行时间归一化

(7)

式中:r1j为路径旅行时间归一值;ts5为第K阶段交通路径的旅行时间,s。

②路径转弯数归一化

(8)

式中:r2j为路径转弯数归一值;g1为相邻检测点之间不同路径需要统计直行和左转合计次数,次;g2为相邻检测点之间不同路径需要统计右转合计次数,次;m为右转关系系数,右转灯控路口取值1,右转非灯控路口取值为0.5。

③路径节点周期归一化

按现行信号路口的信号周期长短划分四个区间。

(9)

式中:r3j为路径节点周期归一值;h1为不同路径通过信号周期≤80 s的路口数,个;h2为不同路径通过信号周期>80 s且≤110 s的路口数,个;h3为不同路径通过信号周期>110 s且≤140 s的路口数,个;h4为不同路径通过信号周期>140 s的路口数,个;w1为不同路径通过信号周期≤80 s的系数;w2为不同路径通过信号周期>80 s且≤110 s的系数;w3为不同路径通过信号周期>110 s且≤140 s的系数;w4为不同路径通过信号周期>140 s的系数。

(3)评分矩阵。

综上所述,最优路径集中每一个出行路径对不同因素的评分程度,以rij表示,其中列向量r1为单个出行路径对每个影响因素的评分列向量。R为最优路径集中全部出行路径对各个因素评分的合成,即为多路径评分矩阵

(10)

(4)综合评分值。

评判最优路径集综合评分值向量B=(b1,b2,…,b3),其中bj为不同路径的综合评判结果;对于U上的权重向量A,可得综合评判关系

=[b1,b2,…,bn]

(11)

通过广义运算可得

(12)

在所得到的B=(b1,b2,bn)寻找最大值bj作为评分结果:综合评分函数F(x1,x2,x3)=maxbj,表明bj路径的可能性最大。采用bj取值最大的交通路径为相邻检测点间可能性最大的出行路径。

3 模型验证和实例分析

(1)基本情况。

本次模拟建设的路网位于合肥城区,如图2所示。车辆从起点V1行驶至终点V16,在车辆行进途中,依次被电警警察抓拍V5→V6→V15→V16, 过车数据信息如表1所示。通过数据表和路网信息,可知相邻检测点非直连点为V6和V15,其检测时间的差值为324 s。

表1 过车数据信息表

图2 路网示意图

(2)基于旅行时间的最优路径集。

表2 第5阶段不同路径的旅行时间表

(3)综合评分法。

通过问卷调查获取三个因素权重向量A=(a1,a2,a3)=(0.54,0.29,0.17),根据单一因素归化函数计算出最优路径集中2种交通路径对应的不同因素评分,结果如表3所示。

表3 最优路径的单因素评分表

于是,得到不同路径对应的综合评分值为

B=AR=(0.54,0.29,0.17)×

由此可知,路径编号2为相邻检测点间很大可能路径,即相邻检测点V6和V15间的路径V6→V10→V11→V15。

4 结 语

为解决车辆相邻检测点在路网中非直连情况下交通路径识别难题,基于车辆电警检测信息、互联网的实时路况数据和路网矢量信息,从车辆时空特性出发,分析路径旅行时间与相邻检测点的时间差值,通过多次迭代方式将不同路径的旅行时间逐步趋近真实的相邻检测时间段。研究可知驾驶习惯影响路径选择的因素有路径旅行时间、路径转弯数和路径节点周期,并设计了影响因素归一化处理方式。通过调研确定合肥城区的影响因素权重,采用综合评分法选择出相邻检测点间最大可能路径与实际路径一致。