CN102906800B - 建模和优化交通网络性能的系统及方法 - Google Patents
建模和优化交通网络性能的系统及方法 Download PDFInfo
- Publication number
- CN102906800B CN102906800B CN201180012537.4A CN201180012537A CN102906800B CN 102906800 B CN102906800 B CN 102906800B CN 201180012537 A CN201180012537 A CN 201180012537A CN 102906800 B CN102906800 B CN 102906800B
- Authority
- CN
- China
- Prior art keywords
- intersection
- data
- instruction
- transportation network
- lpm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000005457 optimization Methods 0.000 claims abstract description 62
- 238000012545 processing Methods 0.000 claims abstract description 42
- 238000004891 communication Methods 0.000 claims description 34
- 238000004458 analytical method Methods 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 19
- 238000012805 post-processing Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 description 21
- 230000005540 biological transmission Effects 0.000 description 14
- 238000010223 real-time analysis Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000000875 corresponding effect Effects 0.000 description 11
- 230000003044 adaptive effect Effects 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000003203 everyday effect Effects 0.000 description 5
- 238000009434 installation Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000006978 adaptation Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011900 installation process Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 101000746134 Homo sapiens DNA endonuclease RBBP8 Proteins 0.000 description 1
- 101000969031 Homo sapiens Nuclear protein 1 Proteins 0.000 description 1
- 102100021133 Nuclear protein 1 Human genes 0.000 description 1
- 235000012364 Peperomia pellucida Nutrition 0.000 description 1
- 240000007711 Peperomia pellucida Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/06—Optimizing the usage of the radio link, e.g. header compression, information sizing, discarding information
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/081—Plural intersections under common control
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
提出了一种对交通网络性能建模和优化(例如,对交通信号重新定时)的方法和系统。建模和优化可以这样来实现:从第一交叉路口的摄像机获取的视频信号;处理来自所述视频信号的数据来确定指示通过所述第一交叉路口的对应交通流的至少一个值;通过无线网络将所述至少一个值发送到远程处理实体,来使得所述远程处理实体可以更新所述交通网络的模型,所述交通网络包括所述第一交叉路口和至少一个第二交叉路口;从所述远程处理实体收到用于在所述第一交叉路口的控制器的指令,所述指令由基于至少所述第二交叉路口的数据的所述模型的更新确定;以及使在所述第一交叉路口的所述控制器执行所述指令,来优化所述交通网络的至少一部分。
Description
本申请要求2010年2月1日提交的美国临时专利申请第61/300,240的优先权,其全部内容通过引用结合于此。
技术领域
本文一般地涉及对被观测区域进行监测和控制的系统和方法,所述系统和方法对交通网络的建模和性能优化有特别作用。
背景技术
对交通信号重新定时是在道路网络中改善交通流的最节约成本的方法之一。优化的交通信号可以显著减少驾驶员驶过一段道路时的交通延时和停车。由驾驶员体验到的优化的交通信号的优点包括安全性的改善、耗油量的减少以及排放量的减少。
通常主要针对三个因素在交叉路口进行交通数据统计。首先确定提出的交叉路口、过道或网络的物理上重新设计(即,在现有交叉路口上添加新车道)的影响。第二,确定提出的沿着交叉路口、过道或网络改变土地利用(即,将空闲土地改变为共同所有)的影响。第三,确定提出的改变交叉路口、过道或网络的信号相位(例如,给南北方向更多的绿灯时间)的影响。
发明内容
一方面,提出了对交通网络的建模和优化的方法,所述方法包括:通过无线网络从第一处理模块接收指示对应于通过第一交叉路口的交通流的至少一个值,所述至少一个值通过对来自在所述第一交叉路口的摄像机的视频信号的数据进行处理而获取;使用所述至少一个值来更新所述交通网络的模型,所述交通网络包括所述第一交叉路口和至少一个第二交叉路口;分析所述模型来确定指令,所述指令用来优化在所述第二交叉路口的控制器;以及通过所述无线网络将所述指令发送到在所述第二交叉路口的第二处理模块,使得所述第二处理模块能够使在所述第二交叉路口的所述控制器执行所述指令,从而优化所述交通网络的至少一部分。
另一方面,提出了对交通网络的建模和优化的方法,所述方法包括:从在第一交叉路口的摄像机获取视频信号;处理来自所述视频信号的数据,来确定指示通过所述第一交叉路口的对应的交通流的至少一个值;通过无线网络将所述至少一个值发送到远程处理实体,来使得所述远程处理实体能够更新所述交通网络的模型,所述交通网络包括所述第一交叉路口和至少一个第二交叉路口;从所述远程处理实体接收用于所述第一交叉路口的控制器的指令,所述指令由基于来自至少所述第二交叉路口的数据对所述模型的更新来确定;以及使所述指令由在所述第一交叉路口的所述控制器执行,来优化所述交通网络的至少一部分。
另一方面,提出了对交通网络的建模和优化的方法,所述方法包括:通过无线网络从远程处理实体接收指令,所述指令用来在第一交叉路口对至少一部分交通网络进行控制器优化,由对所述交通网络的模型进行分析的所述远程处理实体确定所述指令,所述交通网络包括所述第一交叉路口,所述模型根据在所述交通网络中的一个或更多个附加交叉路口处获取的数据更新;以及将所述指令发送到与所述交通信号控制器耦合的通信接口。
本文还提供了包括执行上述方法的计算机可执行指令的计算机可读存储媒介。本文还提供了包括执行上述方法的计算机可执行指令的包括各自处理器和存储器的装置或系统。
附图说明
现在将通过参照附图以仅为示例的方式对实施方式进行描述,其中:
图1是监测和控制被观测区域的示例系统的框图。
图2是监测和控制有多个被观测区域的网络的示例系统的框图。
图3是示出了可以在对被观测区域进行监测和控制时执行的示例性操作集的流程图。
图4是示出了可以在图1和图2的示例系统中被升级执行的示例性操作集的流程图。
图5是监测交叉路口和在该交叉路口处的控制交通信号定时的示例系统的框图。
图6是提供交通流信息的示例性数据包的示意图。
图7是用于提供交通定时指令的示例性数据包的示意图。
图8是示出了在监测和控制交通信号定时时可以执行的示例性操作集的流程图。
图9是在处理输入视频信号时可以由本地处理模块(LPM)执行的计算机可执行操作的示例集。
图10为可以由LPM执行的用于进行分析和生成提供交通流信息的数据包的计算机可执行操作的示例集。
图11是可以由远程处理服务器在更新交通模型时执行的计算机可执行操作的示例集。
图12是可以由远程处理服务器执行的用于对交通模型的快照的实时分析并生成提供交通定时指令的数据包的计算机可执行操作的示例集。
图13是可以由通信接口执行的对包含交通定时指令的输入数据包进行处理的计算机可执行操作的示例集。
图14是可以在执行优化信号定时时执行的计算机可执行操作的示例集。
图15是示出了临时性硬件设置的框图。
图16是示出了永久性硬件设置的框图。
图17是示出了对交通模型的快照进行测量的示例集的图示。
图18是示出了图19的待优化的交通模型的快照的部分图示。
图19是示出了基于在交叉路口获得的数据的初始方向(OD)建模的一对交叉路口的示意图。
图20示出了用于对通过交叉路口的OD运动进行建模的百分比的示例矩阵。
具体实施方式
众所周知,由于需要许多手动处理而导致的不便和成本,许多交通信号不会被重新定时。本文所描述的解决方案将手动处理自动化,并对现在所使用的方法提出更加方便和节约成本的解决方案。
已经意识到,本文所讨论的底层框架可以同时被用于任何“被监测区域(例如,交通交叉路口或其它物理环境)”的监测和控制方面。同样地,本文所描述的解决方案不仅可以有助于交通信号重新定时的自动化,也可以有助于更一般的建模和交通网络性能的优化。例如,交通交叉路口不仅可以通过使用摄像机进行监测,也可以通过使用其它传感器(例如,无线振动传感器、应变传感器、话筒、热敏电阻、湿度传感器、激光雷达、雷达、接地环路等)进行监测来获取数据,并且通过从本地处理模块将该数据传递给远程处理端,可以检测和控制交叉路口的各方面,并且可以对数据进行挖掘,来做进一步的分析。从传感器获得的数据还可以扩大从视频信号获取的数据,来使得优化进行得更加全面。例如,通过交叉路口的车辆的历史初始方向(OD)数据的感测可以有助于确定如何在交通网络中的其它交叉路口对特定交通灯进行重新定时。
本文所述的自适应交通信号控制系统的实施可以基于位于交叉路口的单个的摄像机、单个的处理单元、和串行的安全装置(例如,提供通信接口)。此解决方案的成本显著低于传统的感应环路,利用现有的宽带无线网络来最小化网络安装成本,并且使用规模性经济的集群计算资源来最小化对交叉路口处的昂贵的控制器硬件的需求。
由于硬件安装过程简单并节约成本,并且集群计算资源提供规模性经济来服务多个用户,下文所述架构可以被用来提供对市政或其它实体的没有大型成本预付的基于月租的服务。全部这些优点表现为大量成本的节约,从而能够更简单地对交通系统进行升级,而实现自适应信号控制。
现在转到附图,图1示出了监测和控制被观测区域的示例系统,此后将其简称为“系统10”。系统10包括可通信地连接到在被观测区域16中的受控系统14的本地处理模块(LPM)12。LPM 12可以在被观测区域16的附近,直接在被观测区域16中,或者在被观测区域16的可通信的范围内。LPM 12可操作地收集或获取来自被观测区域16或与被观测区域16有关的数据,如果数据可以应用,则处理该数据,并通过无线网络18与远程处理实体20通信,来提供其数据自身或其已处理的版本,从而进行如下文详细解释的实时处理或后期处理。如下文所述,我们发现,由于具有固定的覆盖范围并具有普遍性,通过现有的无线网络(例如,蜂窝网络(例如,GSM/GPRS网络、3G或4G网络(例如EDGE、UMTS以及HSDPA、LTE、Wi-Max))等)的通信对实现本文所描述的系统10是特别有利的,从而能够有效地将一个或更多个被观测区域16连接到远程处理实体20,来进行下文所述的操作。
在图1所示的示例中,LPM 12从摄像机36或任何一个或更多个能够观测和捕捉关于被观测区域16的数据的传感器38获取数据(例如,视频信号)。在下文中,可以将从被观测区域16获取的或与被观测区域16有关的数据集总地称为观测数据40。根据特定协议(例如,用户数据报协议(UDP))将经处理的观测数据40发送到远程处理实体20,从而发送包括通过对可应用的观测数据40进行分析所获取的相关信息或数据(例如,根据视频信号确定的交通流)的一个或更多个消息或数据包。可以将观测数据40或其一部分作为流数据42直接发送到远程处理实体20,通过首先将数据存储到数据存储46并在之后的时间发送(如存储和转发数据48所示),或通过将数据存储到数据存储46并使其带外可用50(例如,使用物理媒介(例如,USB安全设置、可移除闪存驱动器等)),而在之后的时间将观测数据40或其一部分发送到远程处理实体20。因此应意识到的是LPM 12可以使用各渠道以及使用各种协议和技术来传递观测数据40或其已处理的版本。例如,可以将未处理的流数据42提供给远程处理实体20来进行后续处理,并可以使用被处理后的相同的数据来执行对被观测区域16(以及如下文所述的被观测区域16的网络中的其他被观测区域16)的现有情况的实时分析,从而向LPM 12返回指令51来控制或影响对受控系统14的控制。受控系统14也可以将数据返回给LPM 12(例如,用来报告其实际行为、获取状态信息(例如,是否已经执行指令)、心跳/侦测(受控系统14是否正在通信)等。
远程处理实体20也可以通过无线网络18进行通信,来从一个或更多个LPM 12获取流数据42、经处理数据44并存储和转发数据48。在本例中,远程处理实体20包括实时处理服务器22,其用来当数据到达时对其进行处理,并以最小的时延确定并提供要返回给一个或更多个LPM 12的适当的指令51(例如,通过从一个LPM 12接收数据并将指令51提供给一个或更多个其他LPM 12,来对其他被观测区域16进行预先控制)。远程处理实体20还包括后期处理服务器24,来使得数据在后续分析中被挖掘(即,通过在分析结果不被实时需要的时候对数据进行分析)。远程处理实体20还包括操作服务器26,来使得管理员可以访问操作数据的中央存储器,从而控制和/或更新服务器22、24,来开始对系统10的升级(包括远程升级LPM 12)等。
在本例中提供了操作客户端34,其可以在个人电脑(例如,移动电脑、台式电脑等)上运行,来允许操作人员通过互联网30或通过另一个可用的接口或连接访问存储在操作服务器26上的操作数据。操作客户端34还可以用于获取系统10的状态报告。客户浏览器32也可以通过互联网30接入远程处理实体20,来允许客户(即,对观测数据40本身、已处理数据44或通过后期处理获取的数据中的任一个或更多个感兴趣的实体)监测并调整相关被观测区域16或被观测区域16的网络的参数。
实时处理服务器22和后期处理服务器24都可以将第三方数据(例如,交通系统信息)结合到它们的分析中。为了获取该第三方数据,第三方系统28可以可通信地连接到远程处理实体20(例如,通过无线网络18,互联网30或通过如图1所示的其他连接)。
图1中示出的第三方系统28还可以代表从远程处理实体20获取数据的副本29(例如,用于进行数据挖掘或其他目的)的实体。例如,由摄像机36获取的视频可以被流传输、被存储和转发,或者被提供给第三方系统28来用于后续处理(例如,用于将视频资料整合到监控摄像机或交通摄像机的网络中,或用于向警方、保险公司、电视台提供视频等)。同样地,观测数据40可以被用于生成特定网络(例如,道路网格,交叉路口及其上的交通流(将在下文进行全面讨论))的模型。还可以将任何此类模型提供给第三方系统28,来更新客户引导在线地图程序、GPS装置或任何其他可以依靠交通流数据的应用或装置,从而向客户提供实时信息。由传感器38获取的观测数据40还可以对第三方系统38可用,来进行连续地监测或后续数据挖掘。还可以由后处理服务器24执行数据挖掘并将处理结果提供给第三方系统28。例如,可以获取被观测的交通流和各种其他条件来确定通过改善信号重新定时或采用其他优化技术而得到的环境影响(即,汽车温室气体排放量的减少)来获取碳信用,或跟踪这些环境统计结果供今后使用。
应注意的是,虽然图1中所示的结构示出了通过远程处理实体20将数据的副本29发送到第三方系统28的结构,但在其他实施例中至少一些观测数据40可以直接从LPM 12发送到第三方系统28。然而,通过由远程处理系统20发送数据,操作服务器26能够跟踪被发送的数据,来向第三方系统28提供基于后续的服务,从而减轻LPM 12的管理负担。
图1示出了一个LPM 12和一个对应的被观测区域16,然而应注意的是,如图2所示,可以通过远程处理实体20对包括被观测区域16的网络(例如,交通交叉路口网络)的各结构的多个被观测区域16进行检测和控制。现在转到图2,可以看到远程处理实体20可以使用多个实时处理服务器22,其中各实时处理器22与一个或更多个被观测区域16相关联。例如,多个实时处理服务器22可以与对应的交通“网格”或子网络或网络部分相联系,多个网格一同界定被监测和控制的交通网络。应该注意到并不是交通网络中的每个交叉路口都包括LPM 12,即便其对交通流的影响正由LPM 12进行建模,也是如此。因此,应注意的是,交通网络可以具有任何个数的交叉路口或部分,可以使用任何个数的LPM 12,而且并不需要一对一的关系。在某些实施方式中,如果物理环境允许,可以配置单个LPM 12来从(甚至在多个交叉路口的)多个摄像机36获取视频信号,并类似地控制来自相同位置的多个受控系统14。因此,同样应注意的是可以根据物理配置和特殊应用的需求使用各类配置。图2中示出一个示例来说明其灵活性。
在图2所示的示例中,第一实时处理服务器22a负责一对本地处理系统10,每个本地处理系统10对应一个被观测区域16以及对应的受控系统14。如图2所示,多个LPM 12可以被包括在系统10中或由系统10操作(例如,当多个摄像机36被使用在相同交叉路口时)。在此情况下,LPM 12中的一个可以负责将指令51提供给受控系统14(从而可以被耦合),而可以配置系统10中的其他LPM 12来将数据传送给可连接到受控系统14的LPM 12。应注意的是,在其他实施方式中,各LPM 12可连接到远程处理实体20和一个或更多个受控系统14,而远程处理实体20可以负责确定指令应该被发送到哪个LPM 12。此实施方式还可以向特定系统10提供冗余度(例如,容纳一个LPM 12的调解失败)。
在本例中,第二实时处理服务器22b类似地监测并控制多个本地处理系统10,故不需对进一步的细节进行重复。图2中还可以看到,实时处理服务器22a和22b可以彼此进行通信,从而可以使用一个服务器22中的实时分析结果来控制另一个服务器22负责的受控系统14的控制操作。在此方法中,例如,可以使用一个交叉路口的交通流来控制一个或更多个其他交叉路口中的交通信号定时,无论这些交叉路口是由同一实时处理服务器22还是由其他处理服务器22控制。
图3示出了可以在监测和控制被观测区域16时执行的操作的示例集。在52,被称为LPM 1的第一LPM 12获取观测数据40(例如,视频信号以及,如果可以应用,来自一个或更多个传感器38的数据)。在54,LPM 1处理观测数据40。如上所述,可以包括为之后的传递存储数据(例如,带外50或存储和转发48)、直接将数据或其部分流传输42到远程处理实体20(例如,视频流)、或在将结果(例如经处理的数据44)发送到远程处理实体20前将一个或更多个分析例程应用到数据。如图3所示,在本例中,在56将被处理44或被流传输42或既被处理44也被流传输42的数据发送到远程处理实体20,并在60在随后的时间里被有选择地提供(例如,如果之后被存储和转发)。
之后远程处理实体20在58接收数据。在本例中,由后处理服务器24随后地或分别地处理的数据在62被发送到后处理服务器24,从而可以在64执行一个或更多个后处理程序。例如,可以将视频或其他多媒体数据提供给后处理服务器24来针对预定的或提供的参数分析视频内容,从而从LPM 1卸载处理。这样的例子在2007年4月25日提交的名为“分析多媒体内容的方法和系统”的共同未决的美国专利申请第12/104,092号中进行了更加全面的描述,其全部内容通过引用结合于此。
远程处理实体20还将可应用数据(即,至少已部分地经LPM 1处理)提供到实时处理服务器22,来在66进行一个或更多个实时分析。此实时分析可以结合由第三方系统28在68提供的数据(例如,在交通模型分析中的交通调度)。
如上所述,实时分析可以产生指令51,指令51被典型地提供到本例中被称为LPM 2的另一个LPM 12,来基于与LPM 1关联的被观测区域16中进行的确定来控制LPM 2的受控系统14,从而控制对应的被观测区域16(例如,一组交通灯)。例如,由LPM 1观测到的交通流可以被用来确定在由LPM 2观测并控制的交叉路口的交通信号定时的改变。在图3所示的示例中,在70生成并发送应答消息(例如,包含指令51的数据包),并在72由LPM 2接收。在74,LPM 2可以从应答消息中确定指令51并将指令51发送到其被观测区域16中的受控系统14,在76,指令51由受控系统14接收。例如,LPM 2可以通过另一个与交通信号控制器(TSC)114耦合的部件将交通信号定时指令发送到交通信号控制器(TSC)114(见图5),将在下文中提供其进一步的细节。在76接收的指令51可以在78执行,从而监测由LPM 1获取的数据,而控制由LPM 2控制的被观测区域16。应注意的是通过远程处理实体20进行通信不仅可以至少从LPM 12卸载某些处理从而减少在LPM 12处的处理负担,还可以通过使用图1中所示的框图对被观测区域16的更大的网络进行建模和优化以及进行随后的控制。因此,为了便于说明,图3中仅示出两个LPM 12,而作为在66的特定实时分析的结果,也可以由远程处理实体20对更多的附加LPM 12进行指示。类似地,LPM 1也可以基于从LPM 12的网络中的其他LPM 12获取的数据而被指示。
可以得知图1中所示的框架特别适用于使远程处理实体20中心地控制和分配指令,该指令不仅用于优化受控系统14的网络的操作,而且用于在LPM 12上升级固件,从而避免为此而访问每个站点的需要。对于在特定网络中的相对较大并在地理上相隔较远的被观测区域16,远程地升级和更改LPM 12的固件或任何其他可控制部件的能力特别高效,因而节约成本。通过允许客户访问操作服务器26(例如,由客户浏览器32通过安全控制接入),客户能够开始或允许由远程处理实体20提出的升级。例如,新规程可以对控制交通灯的网络的方式进行限制,并且客户可以通过使用客户浏览器32与远程实体20进行通信来建立适用的升级,从而考虑这些限制。
图4示出了例如在操作服务器26的控制下从远程处理实体20对第一LPM 12(LPM 1a)、第二LPM 12(LPM 1b)以及受控系统14中的任何一个或更多个执行升级的操作示例集。在78,由远程处理实体20确定升级(例如,由操作人员通过操作客户端34提出请求)。升级版本可以从外部资源进行装载(例如,通过操作客户端34装载升级的可执行文件),可以在操作服务器上生成,或可以包含指令组来使得LPM1a和/或LPM1b和/或受控系统14进行自我升级(例如,现有参数或设置的小变化)。在本例中,不管是LPM 1a自身要被升级还是可连接到LPM1a的受控系统14或LPM 1b要进行升级,都在80准备升级版本,并在82将升级版本发送到LPM 1。在84,由LPM 1a接收升级版本,并且本例中LPM 1a确定什么正在被升级(例如,其自身、在相同系统10中的LPM 1b或受控系统14)。可以通过检验传送升级版本的数据包或数据包系列的头或其他部分来进行该确定。LPM 1a在88确定其自身是否将被升级。如果是,在90进行升级。如果LPM 1a不被升级,或附加于其自身升级,LPM 1a在92确定是否要升级其他装置(即,LPM 1b,或受控系统14,或LPM 1b和受控系统14两者)。如果不,处理结束。如果要升级另一个装置,在94发送升级版本,并在96a和/或96b,升级版本被接收。之后在98a和98b,在所述的另一个设备处分别应用升级版本。应注意的是从LPM 1a到LPM 1b以及受控系统14的升级的规定仅用于示例的目的并需要将其实现的许可和能力。例如,某些现有受控系统14不允许第三方系统(例如,LPM 12)发起升级,因此,操作96b和98b不能在此情况中出现。
图5还示出了图1所示的适用于优化交通信号定时的系统10和远程处理实体20的配置示例的细节,其中为清晰起见,在图5中对相似的元素给出了具有共同的前缀“1”的附图标记,以及在图5中对相同元素给定相同的附图标记。为了便于解释,图5所示的示例示出了一个LPM 112及其对应的被观测区域116。应注意的是,可以以与图2所示的方法相似的方法对一些LPM 112和被观测区域116进行监测和控制。LPM 112可以被实现为被安置在盒子或其他外壳中并被安装在交叉路口116处(例如,在一个杆子上)的硬件装置。可以添加物理安全性措施(例如,锁或其他难以破坏的装置)。本例中的LPM 112包括用于处理从摄像机36接收的数据(即,视频信号或视频馈入)的视频模块201。视频模块201包括可操作将一个或更多个分析算法应用到观测数据40(例如,图5中所示的视频信号)的分析模块200。可以将LPM 112中的视频模块201、分析模块200以及其他部件实现在印刷电路板(PCB)上,来执行通信固件和分析算法等。应注意的是,用于创建LPM 112的物理部件的温度定额应使其能够经受其所处的环境影响。
在本例中,分析模块200包括交通流算法202,交通流算法202用于对从摄像机36发送到LPM 12的视频信号所确定出的交通流进行实时分析。图5还示出了车辆统计算法204,其可以用于对由后处理服务器24(图5中未示出)执行的后续处理程序执行预处理。将分析模块200的输出提供给例如通过访问被配置为在无线网络18上进行访问和通信的子系统(未示出)而与远程处理实体120进行大量实时通信的LPM应用编程接口(API)206。
本实施例中的交通流算法202代表或包括能够将视频信号转化为一个或更多个与在视频信号中观测到的一个或更多个交通流对应的数值的计算机可执行指令(即,软件)。应注意的是,可以使用多个交通流算法202来获取对应于相同交通流的多个独立数值,来在任何给定的时间更好地预测实际流。类似地,需要不同的交通流算法202来确定在相同交叉路口中的多个交通流(例如,在不同的方向处)。因此,图5中所示的“交通流算法202”可以代表任何一个或更多个交通流算法202。交通流算法202应该实时地或大体实时地运行,从而在能从摄像机36处捕捉视频信号时尽快对其进行处理。本例中的交通流算法202在嵌入式电子平台(例如,上文所述的PCB)上执行。
视频模块201还包括用于在LPM 112不执行任何分析地将从摄像机36接收的视频信号流传输到远程处理实体120的流传输视频模块208,以及用于存储视频内容(例如,用于如上所述的之后的传输或带外传递的包括具体为几分钟或几小时的视频的视频文件)的视频数据存储器210。
为了处理由传感器38获取的数据,LPM 112中还可以包括传感器模块211。与视频模块201相似,传感器模块211包括能够在传感器数据被传送到远程处理实体120之前对传感器数据应用分析算法的传感器分析模块213。本例中的传感器模块211还包括能够将传感器数据流传输到远程处理实体120的流传输传感器模块212,以及能够将传感器数据存储以用于之后的传输或用于提供给带外传递的传感器数据存储器214。
LPM API 206代表或包括控制LPM 112的操作的计算机可执行指令(即,软件)。LPM API 206可以通过互联网协议(IP)连接(例如,宽频蜂窝调制解调器或以太网连接)安全地与远程处理实体120进行通信,并可以如上所述地执行由LPM 112控制的或在LPM 112中的全部软件的固件升级。LPM API 206也可以与和TSC 114紧密耦合的通信接口216进行通信,其将在下文中进行详细的讨论。在LPM 112和通信接口216被物理地分开的某些实施方式中,可以配置LPM API 206来参与在被观测区域116中或其附近能够连续运行的短程无线通信交换(例如,通过蓝牙、物联网、WiFi等)。通过与传感器模块211和视频模块201进行通信,LPM API 206能够连续地或定期地记录并存储任何小时的视频数据和/或传感器数据,并按需地或周期地将存储的数据传递到远程处理实体120。因此可以配置LPM API 206来分别从视频数据存储器210和传感器数据存储器214获取视频文件和传感器数据,从而向远程处理实体120提供未处理的数据(即,未由分析模块200处理的数据),例如用于之后的数据挖掘、周期性的后续处理等,而可以将直接分析的数据传送到远程处理实体120。
LPM API 206也可以在此实施例中与流传输视频模块208和/或感应流传输模块212进行通信(或其自身包含流传输模块208和/或感应流传输模块212,或执行等同的操作)来提供连续的、定期的或点播的流传输直播视频和/或由摄像机36和/或传感器38获取的传感器数据。摄像机36自身可以是全天候的能够多年可操作地捕捉高质量的视频信号(即,合适的使用寿命)。传感器38应该类似地是全天侯的并可常期使用。提供流传输视频模块208(为了便于解释,将其与LPM API 206分开示出)来捕捉摄像机的视频信号,从而如果可以,直接将数据流传输到远程处理实体120,或将未处理的视频信号作为视频文件存储在视频数据存储器210中。传感器模块211也可以被用于获取由传感器38捕捉的数据,并将该数据存储在传感器数据存储器214中。
LPM API 206也能够可通信地连接到与TSC114耦合的通信接口216。通信接口216也可被一般地称作信号控制器接口装置。在本例中,如上所述LPM API 206使用短程通信协议,来传递从远程处理实体120接收的指令51。因此,TSC 114能够由通信接口216修改或指示,使得远程处理实体120和LPM 112能够控制其操作。在本例中,TSC 114可操作地在交叉路口(即,本例中的被观测区域116)控制交通灯217的定时。TSC 114被典型地安置在机械外壳或“交通机箱”中,而在每个交叉路口典型地设置一个TSC 114。通信接口216属于交通机箱中的一个典型硬件装置,其向TSC的通信端口提供安全无线接口(未示出)。通信接口216可以包括执行通信固件并温度被定额为能够适应环境天气条件的PCB。
本例中的远程处理实体120运用云计算的优点(例如,运用与LPM 112位置独立的一组计算资源)。云计算或“服务器群”的使用使得远程处理实体120能够在以后可扩展地在特定网络或新网络中容纳增加的LPM 112(在其候选LPM 112中)。图5中所示LPM 112在此例中由特定实时处理服务器122控制,该实时处理服务器负责监测和控制与一个或更多个交叉路口116相关联的一个或更多个LPM 112。实时处理服务器122包括用于处理从LPM API 206输入的数据并返回指令51的交通API 218。
本例中的交通API负责应用密码和其他安全相关的措施(例如,加密、解密、认证等)以及任何数据压缩/解压缩和数据转换技术。通信协议和通信层应该被高度优化而实现低延迟,并应该能够可缩放地适应额外的现场安装。还可以使用交通API 218来记录关于交通流的往来的消息以及用于信号调整的进一步离线分析。
交通API 218也被用于将到来的数据导入网格模型220。网格模型220为网格或网格的网络的模型(例如,数学上的、视觉上的或数学和视觉两者上的),各网格包括一个或更多个交叉路口116,并且各网格在数据从网格中典型的多个LPM 112到达时被实时的升级。如图5所示,可以使用由第三方系统28提供的数据将网格模型220升级(例如,结合中转路由、调度、与延时有关的升级等)为优化的模型。来自网格模型220的数据(例如,其快照)也可以被提供给第三方系统28(例如,来提供新站点、在线地图程序等的交通数据)。
网格模型220被升级后,使用网格优化模块222来获取网格模型220的快照(snapshot),从而分析最近的快照来优化网格或网格的全部网络。应注意的是,通过提取网格模型220的频率快照,可以执行预测优化来在执行优化程序时不需考虑模型发生的连续变化而对网络基本实时地重新定时。本例中网格模型220的快照表示的是在特定时间中网格模型220的现有状态。
存在不同类型的自适应信号控制优化方法。优化方法的三个主要类型为:
区域约束优化:优化搜索区域受到很多限制以避免信号定时高波动(例如,利用绿信比和相位差的绿信比-周期-相位差优化技术(SCOOT))。
时间约束优化:优化搜索处理受基于本地控制器的限制的时间和/或结构化边界约束(例如,实时分层优化分布有效系统(RHODES)、自适应控制的优化策略(OPAC)等)。
基于规则的调整:使用描述交通情况变化的参数和产生信号定时之间的简单功能的关系(例如,每天时间相位的选择)。
传统上,由于区域约束自适应控制寻找被给定了约束集合的优化解决方案,并与计算最佳方案所需的时间相独立,普遍地认为区域限制适应控制是确定交通信号定时的最好方法。由于可以将优化计算限制到确定的几秒钟而促进实时性能,时间约束和基于规则的调整类型优化更普遍地用于实时或近似实时的系统。这些方法的缺点是计算的优化并不是典型的最优。
本文描述的系统可以基于“云”计算实现自适应配置,从而可以有更强的计算能力,而传统的实现为在交叉路口的硬件上执行优化处理。因此,本文所述的实现不存在典型优化方法中固有的计算限制。换言之,本文所述的系统使用时间限制模型的实时装置运行区域限制优化的模型。为此,系统能够鼓励客户不要过分限制其模型中的区域限制,来将驾驶员体验的时延最小化。
某些传统的自适应系统每5-15分钟更新其信号定时,意味着其不能改变信号定时来应对网络中的单个车辆。实时运行或周期运行的自适应系统能够得到更多预测的模型来实时调整交通信号定时。这些预测模型可以优化每辆车或每组车的交通流。本例中由网格优化模块222执行的自适应控制的实现是实时的和可预测的。并且,某些适应控制系统仅结合每天给定的时间或每周给定的天数使用历史数据来确定优化的信号定时,而其他系统仅使用现有交通情况,可以依据网络中的车辆饱和程度对网格优化模块222进行配置来对这些方法结合使用,从而产生更加优化的结果。此外,某些自适应系统基于在交叉路口的交通队列的直接测量,并尝试将交通队列的整体长度最小化;以及其他系统对通过交叉路口的流进行测量并对队列的长度进行建模,来将所建模的队列长度最小化;其中两种方法在优化交通流上大体相同。网格优化模块222可操作地对交通队列的长度进行建模,可以在某些实施方式中在每个交叉路口仅使用一个摄像机36,并与每个引道(approach)使用一个摄像机相比,节约成本。网格优化模块222还可操作地对交叉路口处的来源地-目的地(OD)运动(即,左转和右转)的测量结果以及由传感器38获取的通过网络的OD运动吞吐量进行处理。系统在交叉路口以及在网络级测量OD的能力可得到更加优化的交通网络模型并进一步减少对高成本的、耗时的系统校准的需求。
通过执行优化,网格优化模块222可以生成一个或更多个要发送到网络中一个或更多个对应的LPM 112的指令51,来执行该网络中的预测优化。例如,通过对通过一个特定交叉路口116的交通流进行观测,网格优化模块222可以调整在该特定交叉路口下游的一个或更多个其他交叉路口116的信号定时,来适应交通流。应注意的是,各种LPM 112与远程处理实体120的连接以及网格模型220的连续的更新使得整个网络的优化大体实时地进行优化。
还提供了管理员(Admin)API 224来使得操作服务器126进行改变或从网格模型220、网格优化模块222或网格模型220和网格优化模块222两者取得信息。在本例中,Admin API 224可以直接由操作客户端34或通过操作服务器126的另一个Admin API接入。操作服务器126还包括用于管理网页的网络服务器230来与客户浏览器32接口。Admin API 226以及网络服务器230均可连接到用于存储大量操作数据的数据库228。
可以找到可能与适应信号控制系统共同存在的的三个主要成本源:
通信网络:典型的自适应系统使用城市级别以太网以及光纤网络。还有一些使用Wifi网络支持自适应控制系统的城市的例子。
检测传感器:典型的自适应系统使用磁感应回路来检测在交叉路口禁停线等候或通过的车辆。其他感应器包括基于雷达和视频的系统。
自适应控制器:根据自适应实施方式,可以由中心管理系统、交通信号控制器或第三方硬件部件实现控制器。
如图5所示的自适应系统可以基于单个摄像机36、单个LPM 112以及串联的安全设置(例如,用于提供通信接口216)来实现,其相较于传统感应回路可以明显减少成本,平衡现有的宽频带无线网络18来最小化网络安装成本,并使用具有经济规模的远程处理实体120来将对交叉路口处昂贵的控制器硬件的需求最小化。根据“自适应交通控制系统:国内和国外的实际状态”(onlinepubs.trb.org/onlinepubs/nchrp/nchrp_syn_403.pdf),自适应系统的平均开销为每个交叉路口$65,000。
由于硬件安装过程简单并节约成本,并且远程处理实体120提供规模性经济来服务多个用户,图5所示的配置可以被用来提供对市政或其它实体的没有大型成本预付的基于月租的服务。全部这些优点表现为大量成本的节约,从而能够更简单地对交通系统进行升级,实现自适应信号控制。
如上所述,用来监控交叉路口116并控制TSC 114的LPM 112能够通过使用分析模块200处理视频信号,来确定交通流并将交通流数据(例如,特定方向的一个或更多个代表交通流的值)发送到远程处理实体120,来执行包括该LPM 112的网格模型220的实时优化。应注意的是,交叉路口116通常包括多个交叉的道路而在同一交叉路口116中产生多个流。如图6所示,为了分清不同的流,视频分析模块200或LPM API 206可以根据为确定特定流而使用的多个算法,为每个流分配流ID 256并将一个或更多个流值258关联到各个流ID 256。本例中的视频分析模块200监测多个视频帧,来了解通过交叉路口116的运动并生成流值。例如,流值可以为由远程处理实体120解释的某范围的值(例如,0到1范围内的值)。图6示出了可以由LPM 112生成的示例性数据包250(例如,通过使用LPM API 206来包括视频分析模块200的输出)。在本例中,附加交叉路口ID 252来识别对之进行分析的交叉路口116,并附加LPM ID 254来识别与远程处理实体120通信的LPM 112(例如,区分在相同交叉路口116的多个LPM 112-参照图2)。将每个流ID 256(例如,图6中的256a和256b...)附加到数据包和一个或更多个对应的值258(例如,258a和258b)。生成的数据包250携带一系列值并识别信息来使得交通API 218对网格模型220进行对应的更新。数据包250还可以携带传感器数据、未加工数据或其已处理版本。另选地或附加地,增加视频和传感器数据,可以使用分离的传感器数据包250,其中每个传感器的传感器ID和传感器值可以与交叉路口ID 252和LPM ID 254共同被包括在其中。
应注意的是,如图6所示的数据包250仅是代表性的,根据用于传递数据包250的协议而有不同的结构。如上所述,UDP可以用于将数据报(即,通过无线网络18)发送到远程处理实体120,远程处理实体120为在IP网络上的另一个主机。UDP的使用通过使用简单的传输模型,而无需用于提供可靠性、有序性或数据完整性的默示握手对话而避免了设置特别传输信道或数据通路的需要。使用UDP导致的折衷为当与其他基于IP的协议(例如TCP/IP)比较时,可以获取较低的延迟。然而,应注意的是,可以使用其他协议(例如TCP/IP)具体地用于非实时的从LPM 112到远程处理实体120的传输(例如,后续处理或扩大文件传输等)。
通过使用无线网络18来将数据包250传递到远程处理实体120,只需对交叉路口的硬件进行相对较小的升级。无线网络18还提供特别是在使用宽频带蜂窝网络时的可缩放并普遍存在的接入。因此,尽管无线和蜂窝通信模型有其固有问题,但是从大多数(如果不是全部的话)交叉路口116可十分简单地实现对该网络的接入。为了解决这些固有问题,可以对LPM API 206和交通API 218进行配置来实现对合适的安全措施的配置来对无线网络18的常规安全因素进行考量。同时,通过对处理进行优化(例如,通过将大量处理转移给远程处理实体120并通过使用有效优化和建模软件)也可以解决时间限制(即,延迟问题),而因为接入的简便和使用无线网络18与很多LPM 112进行通信的方便而得到最大的效益。通过经由远程处理实体120路由数据和指令以及通过保持对LPM 112的控制,可以允许远程处理实体120以月租为基础向客户提供本文描述的服务,而不是使用其他模型的出售昂贵的硬件并导致持续的成本。
图7示出了可以由交通API 218或网格优化模块222生成的、用来将指令51传递给特定LPM 112的示例指令包260。在本例中,附加交叉路口ID来识别目标交叉路口116,并附加LPM ID 264来识别目标LPM 112(由于多个LPM 112可以被部署在相同的交叉路口116)。之后附加指示LPM 112对TSC 114的要求的指令51,来对交通灯117重新定时。也可以附加执行时间270来指出时间,该重新定时指令268应该在该时间过时或无效之前被执行。例如,如果处理延迟或传输延迟影响了指令51向LPM 112的传递,则指令51可能晚于有优化影响的时间到达,从而可以将其废弃或忽略或丢弃。
图8示出了可以由图5所示的配置执行来监测一个交叉路口116的交通并控制另一个交叉路口116的交通信号定时的操作示例集。应注意的是,虽然图8所示的示例示出了信号重新定时的方法,其也可以将视频流传输或存储或转发和传感器监测相互协调地执行或使用如图5所示的相同设备执行。在本例中,名为LPM 1的第一LPM 112在300从摄像机36接收视频信号并在302通过使用由分析模块200执行的交通流程序202进行分析。之后在304根据该分析的输出,确定交通流,并在306生成数据包250。在308将数据包250发送到远程处理实体120,在310,数据包250被接收。
交通API 218获取由远程处理实体120接收的数据包250,并解析数据包250来确定如何在314更新网格模型220。网格优化模块222之后在316获取网格模型220的快照,并在318执行优化程序从而对由属于对应交叉路口116的LPM 1提供的数据进行实时分析。实时分析318可以结合在320由第三方系统28提供的第三方数据。在本例LPM 2中,之后通过识别交叉路口116和将被重新定时的LPM 112并包括要被提供到该LPM 112的一个或更多个指令或要求,在322生成控制包260。控制包260在324被发送并在326由LPM 2接收并在328被发送到通信接口216。应注意的是,如下所述,LPM 2需要分析控制包260,并且如果需要,将作为要求或指令提供的值转换为由TSC 114识别的格式。如果通信接口216具有这些能力,该转换也可以由通信接口216执行。指令51的转换可以包括由使用的通信协议要求的更改和/或到被提供的实际指令或要求的格式的更改。
在330由通信接口216接收指令51或包括指令51的包260或消息(例如,通过蓝牙或其他短程无线连接)。应注意的是,在LPM 112和通信接口216之间的短程无线连接的使用将与TSC 114接口所需的安装成本和精力最小化,TSC 114通常为交叉路口116处的现存部件,并且不能以任何实质的方式进行更改。本例中,通信接口216与TSC 114紧密耦合,在332将指令51发送到TSC 114来使得TSC 114在334更改其交通信号。如上所述,指令51可以包括指令、要求、设置或参数更正、替换文件中任何一个或更多个,或任何其他能够更改现有信号定时方案的软件部件或数据结构,来根据在318的实时分析中执行的优化生成新的信号定时方案。
图9示出了在300接收后处理视频信号的各种方法。在本例中,在350,LPM 112从摄像机36接收视频信号并在350确定视频是否被流传输到远程处理实体120。如果视频被流传输,则视频由流传输视频模块208捕捉,而在352指示LPM API 206来直接将视频流传输到远程处理实体120(例如,流传输到后处理服务器24)。LPM 112也在354确定视频信号是否要被存储,从而其可以之后被转发而被用于后续处理或其他应用。如若如此,在356将视频存储在视频数据处理器210中,而在指定或预定时间,在358指示LPM API 206,来通过无线网络18发送视频。或使视频数据存储器210可用于带外传递。例如,可以通过直接连接到LPM 112并下载已存在的视频来获取视频。LPM 112还在360确定是否执行分析,其描述如图8所示。如果是,在302执行分析并且处理可以如上所述地被继续。应注意的是,从传感器38接收的传感器数据可以以与图9所示的方法相似的方法由传感器模块211进行处理。
图10示出了可以在图8中所示的在304和306为了确定交通流并生成数据包250来将其发送到远程处理实体120而执行的示例操作。在362,交通流算法202检查一个或更多个视频帧并在364确定特定“流”(即交叉路口116的特定的车道、方向或其他部分)中的车辆数。之后在366生成代表该流的值。交通流算法202之后在368确定是否需要分析更多的流。如果需要,重复操作364和366。如果不需要,通过在370确定交叉路口ID 252、在372确定LPM ID 254,操作306开始生成数据包250,并且每个流ID 256对应相应的流值258。之后在376将数据元素附加到包。
现在转到图11,图11示出了可由交通API 218执行来对网格模型220升级的示例操作。交通API 218在378确定基于对应值258的流的任一个或更多个特点,来在380对网格模型220的对应部分进行更新。例如,通过确定被发送到数据包250的值258的含义并将其基于交叉路口ID 252分配到模型220,通过交叉路口的特定方向的一个方向的交通流可以在网格模型220中得到反映。交通API 218之后在382确定是否需要处理更多的流值258。如果需要,重复378和380。应注意的是,如果在相同包250中有其他代表传感器数据的值,则这些值可以在相同时间被处理,或者可以处理单个的包250来通过使用摄相机和传感器数据(如果可用)来更新模型220。一旦数据包250中的所有值258都已被处理,则网格模型220得到更新。
图12示出了可以执行由实时分析服务器122来执行预先优化,并生成要发送到一个或更多个LPM 112的指令包260的示例操作。网格优化模块222在316获取网格模型220的快照并在386确定是否将第三方数据结合到优化中。如果是,在388获取第三方数据。之后将优化例程在390应用到模型的快照,然后网格优化模块222在392确定是否需要任何改变。如果不需要,则处理结束。假设优化例程的输出建议了在一个或更多个交叉路口116对信号定时进行至少一个变化,则网格优化模块222或交通API 218在394确定可以被应用的指令、要求、修改等,来实现针对交通信号定时所建议的改变。之后通过在396确定要被控制的交叉路口116以及相关的交叉路口ID 262、在398确定LPM ID 264、以及在400确定被包括的指令51来生成指示包260。之后将数据元素在402附加到指示包260。网格优化模块222或交通API 218之后在403确定是否有附加的LPM 112受已执行的优化影响,并且如若如此则对包括相应指令51的LPM 112重复396到402。应注意的是,由于各交叉路口116可以不同并需要根据什么被输入和输出而以不同的方法控制,因而发送到不同LPM 112的指令51可能并且经常彼此不同。
图13示出了为确保TSC 114可以根据从被执行的优化确定的内容被编程、被修改、被控制或被指示以重新定时的由通信接口216执行的示例操作。应注意的是,如图13所示的操作可以替代地由LPM API 206或被配置来确定指令包260中的指令51是否为对TSC 114合适的格式的任何其他部件执行。在本例中,通信接口在330接收指令51(或整个地接收指令包260)并在404确定指令51是否需要被转换或被转变到可由TSC 114接受的格式。如果否,则在332将指令51发送或提供给TSC 114或在TSC114上实现。如果需要转换,则在332将指令51发送到TSC114之前,将指令51格式化或改进为合适的格式。应注意的是,对于几乎全部通信协议,需要一些形式的转换来向TSC 114提供合适数据或指令,从而不需要在404的确定例如是否总需要转换。
图14示出了可以由执行网格模块220的快照的优化的实时处理服务器122执行的操作示例集。在420,从交通网络获取车流值(即,从交通网络中的LPM 112收集)。在422,从LPM 112获取交通网络中各种传感器38得到的并用于扩充交通流数据的传感器数据。之后,在424对网络模型220进行更新来反映由网格模型220表示的交通模型的实时状态。在本例中,获取的数据被用于监测队列大小、车辆位置以及速度、天气以及其他环境因素等。之后,基于网格模型220的当前状态(即,其快照)在426进行优化,来将队列延迟、停车次数以及行驶时间最小化,从而得到更新的信号定时。之后,在428,将已更新的信号定时发送到交通网络中的LPM 112。
在交叉路口116使用的硬件可以通过使用临时硬件或永久硬件装置来实现,下面将参照图15和图16对其进行描述。
图15所示的结构包括位于交叉路口116处的可以在交叉路口记录交通流视频的临时摄像机136。摄像机136记录视频并可以通过无线网络18、其自身(摄像机部件)或LPM 112,将该视频和其他附加数据提供到远程处理实体120。之后在该配置中的远程处理实体120开始对视频进行处理来收集在该交叉路口的交通数据(车辆种类、体积以及运动)。换言之,在图15所示的临时设置中,远程处理实体120执行全部处理,包括如图5所示在LPM 112执行的分析。一旦数据被返回,远程处理实体120就开始进行数据分析(使用信号延迟建模方法和线性优化)来提出针对该特定交通信号的优化的信号定时。需要注意的是,所述解决方法也可以与多个交叉路口(多于1个)一起工作来优化交通信号的网络或通路。
一旦完成了分析,则交通工程师从网络应用浏览结果并批准目标变化。或者他们可以修改延时模型方法或改变线性优化问题的输入,来提出另选的解决方案。一旦找到合适的解决方案,交通工程师必须通过便携式电脑/其他接口手动地对信号控制器114进行编程。信号控制器114被通过使用提出的由分析识别的并由交通工程师批准的改变所编程。
如图16所示的配置包括永久的相机36和如上所述与安置TSC 114的交通机箱可通信地定位的分析系统硬件(即,LPM 112)。如上所述,LPM 112有对摄像机36(来记录视频)和TSC 114(读取并写到对信号定时的程序变化)以及无线网络18(来向远程处理实体发送/接收视频和数据)的接口。当与图15相比较时,可以看到图5中更加细节地示出的配置实现了相对长时间收集数据以及执行实时分析和控制的永久的或半永久的安装,而图15中示出的临时设置允许由远程处理实体120执行的优化处理以临时的方式使用。值得注意的是,在该情况下,不需要LPM 112,如果临时摄像机136能够接入无线网络18或被连接到在交叉路口116计算设备(其自身能够通过无线网络18进行通信),尤其如此。
信号定时工程通常由使用下列方法的公共部门(public sector)运输机构完成:
·由公共部门运输机构标识工程需要;
·将工程向私人工程公司提出招标;
·私人工程公司向第三方订购工程的被考虑的部分;
·工程公司完成仿真模型并向公共机构提交报告;以及
·公共机构创建控制定时文件并对现场的控制器进行编程。
该程序经常花费相当长的时间来实现并且实现起来价格昂贵。
目前,交通工程师联系某人收集数据,并且一旦完成,他们联系某人来做建模和分析。最后,交通工程师联系某人来对控制器重新编程或他们自己对控制器重新编程。
交通工程师可以找到将为他们做全部上述步骤的公司。然而,其为昂贵的选择,并且完成信号重新定时工程的公司仍需要手动地记录数据、将数据发送到分析工具中,并对信号重新编程。本文所述的系统提供能够以通过去除耗时和昂贵的手动操作的节约成本的方法来执行全部前面提到的步骤的底层框架及解决方案。
通过结合图15或图16所示的系统,公共行业运输机构可以连续地记录交通数据并在其传输网络中优化交通信号。可以将本服务提供给基于每月付费模型的公共部门传输。基于预定的模型相较于需要在交叉路口具有昂贵的硬件和大量的前期资本成本的现有模型,更加节约成本。
现在转到图17和图18,图17和图18示出了交通网络的示例,该交通网络包括四个交叉路口500,称为500a、500b、500c和500d。通过将至少一个LPM 112和至少一个摄像机36设在各交叉路口500,并包括各感应器和/或获得第三方数据,可以使用各种方法来对交叉路口进行建模,从而可以获取用来执行交通信号重定时优化的快照。在本例中,在交叉路口500a,在(1)处,LPM 112监测通过交叉路口116的流,在(2)处,蓝牙传感器38监测通过交通网络的流,以及在(3),各种传感器38监测环境条件(例如温度、适度、尘雾等)。应注意的是,由感应器38获取的各种数据可以用于捕捉在交叉路口114处的情况的更完整的图片。可以将这些情况报告给各种第三方系统28,或将这些情况用于由远程处理实体120进行的分析。同样应注意的是,可以使用其它传感器38(例如在(2))来确定交通量,这些传感器38例如激光雷达、雷达、接地回路等。同时在(4),在交叉路口500c的LPM 112能够监测该交叉路口处队列的长度。在(5)处提供来自第三方系统28的GPS数据,该GPS数据响应于诸如监测在交叉路口500a和500b之间的公交车或救护车的位置的任务,以及在(6)处,摄像机36捕捉在交叉路口500c和500d之间的行人过马路的信息。在交叉路口500d,在(7)处捕捉车辆从高速公路的入口匝道进入该交叉路口的车流量以及在(8)处捕捉在交叉路口500b和500d之间的车流量(中途车流量)。也可以在(9)处对交叉路口500c处从交通网络流出的车辆建模。通过使全部LPM 112通过无线网络18与远程处理实体120进行通信,可以采用如图17所示的测量结果建模,并且可以通过使用各种传感器38和摄像机36以及其他第三方数据(如果可行)对该模型进行更新。
如图18所示,可以对交叉路口500的网络进行建模来执行优化算法。在本例中,可以在(10)处对交叉路口500a的队列长度进行建模来试图将该队列中的等候时间最小化,可以在(11)处,使用历史数据基于每天的时间和周中的天数对交叉路口500b进行建模,可以在(12)处,基于每天的时间(例如,来自图17中(7)处获取的数据)对在交叉路口500d进入网络的交通流入进行建模,以及可以在(13)处基于每天的时间(例如,从图17中在(9)处获取的数据)对在交叉路口500c离开网络的交通流出进行建模。换言之,图17提供了对交叉路口进行测量(即,将进行的测量和该测量由哪里实施)的图。图18提供了对交叉路口进行建模(即,“优化模型”)的图。如图18所示,将例如图17中所示的测量结果输入网格模型220,之后将根据如图14所示的操作对网格模型220进行优化。应注意的是,图18示出的优化仅为示例性的,并可包括附加优化(例如,通过对交叉路口500c和500d自身进行建模)。
如上所述,不仅能够通过使用从视频馈入获取的交通流值,而且能够基于从传感器38获取的历史和实时数据建立网格模型220。因此,可以扩充摄像机数据和感测器数据两者来进一步加强交通网络的优化,从而确定适合的信号重新定时。转到图19,图19示出了一对交叉路口A、B的示例示意图600。图19中可以看出在本例中,从A移动到B的车流或车流量X是从F、G或H通过交叉路口A的车流的累积。因此,车流量X可以以三部分为一组的形式进行建模,将其称为{XF,XG,XH}。可以通过使用传感器(例如图17中(2)处的蓝牙传感器38)对至少某些车辆的转弯模式进行确定。通过随时间对车辆中的蓝牙收发器进行检测,可以对交通的典型模式进行建模。例如,车辆从F转入A的历史百分比以及从G转入A的百分比不同,以及从H转入A的百分比也不同。无论根据实时传感器数据38还是历史平均值,都可以估计出具有源自F、G或H的比例的特定车流量X。
基于历史数据,也可以依据车流量X的特定部分当到达B时将转向C、D或E的可能性来估计当进入B时车流量X将如何散开。可以从传感器38(例如,在交叉路口B的蓝牙传感器)再次获取历史数据。除历史数据之外,其他数据(例如,第三方数据)也可以影响百分比。例如,可能接近B的下游的急救车接近B时可以影响车辆将行使的路线。
车流量X中的车辆的来源地也可以在接近B时影响进入C、D或E的可能性。例如,从H进入的车辆转向E的可能性小于转向C或D的可能性。因此,特定车辆的来源地可能影响其具有特定目的地的可能性。如图20所示,可以通过使用历史和实时数据建立百分比矩阵602。可以根据行使方向,基于车辆的来源地,引用对应的矩阵602来估计目的地。在图19和图20的示例中,示出了对应于从A向B行使的车辆的矩阵602。由本矩阵,可以确定从A向B行使,并来自H的车辆具有例如将转向C的特定可能性百分比。可以通过找到用来源地标志的行(例如,上例中的“H”)并从该行确定可能目的地的百分比(例如,上例中的“H-C”)来实现。
应注意的是,本文示例的执行指令的任何模块或部件可以包括或可以接入计算机可读媒介(例如,存储器媒介、计算机存储器媒介或数据存储器装置(可移除和/或不可移除))(例如,磁盘、光盘或磁带)。计算机存储器媒介可以包括用于存储信息的在任何方法或技术中使用的易失性和非易失性、可移除和不可移除媒介(例如,计算机可读指令、数据结构、程序模块或其他数据)。计算机存储媒介的示例包括RAM、ROM、EEPROM、闪存或其他存储器技术,CD-ROM、数字化视频光盘(DVD)或其他光学存储器,磁盘、磁带、磁盘存储器或其他磁存储器装置,或任何其他能够被使用来存储期望信息的媒介以及可以由应用、模块或应用和模块两者访问的任何其他媒介。任何这种计算机存储媒介都是LPM 12、受控系统14、远程处理实体20、第三方系统28、操作客户端34、客户浏览器32等或其可接入或可连接的一部分。本文所述的任何应用或模块可以通过使用由该计算机可读媒介存储或保持的计算机可读/可执行指令来实现。
虽然已经参考确定的特定具体的实施方式对上述内容进行了描述,对于本领域技术人员而言,很明显,可以在不脱离本发明的精神或范围的情况下对本发明做出各种变化。
Claims (15)
1.一种对交通网络进行优化的方法,所述方法包括:
通过无线网络从第一处理模块接收指示通过第一交叉路口的对应交通流的至少一个值,所述至少一个值通过对来自位于所述第一交叉路口的摄像机的视频信号的数据进行处理而获取;
使用所述至少一个值来更新所述交通网络的模型,所述模型在从所述交通网络中的多个资源处接收到数据时被连续更新,所述交通网络包括所述第一交叉路口和至少一个第二交叉路口,所述模型包括从所述交通网络观测到的现有和历史数据以及从所述现有和历史数据推断出的至少一个参数;
获取包括来自所述第一交叉路口的所述至少一个值和所推断出的至少一个参数的所述交通网络的现有和历史状态的表示,并对通过所述模型推断出的所述交通网络的所述现有和历史状态执行预测优化来确定指令,所述指令用来预测优化在所述第二交叉路口的控制器;以及
通过所述无线网络将所述指令发送到所述第二交叉路口的第二处理模块,来使得所述第二处理模块能够使在所述第二交叉路口的所述控制器实现所述指令,从而优化所述交通网络的至少一部分。
2.根据权利要求1所述的方法,其中所述获取包括来自所述第一交叉路口的所述至少一个值和所推断出的至少一个参数的所述交通网络的现有和历史状态的表示包括获取所述模型的快照并将一个或更多个优化算法应用到所述模型的所述快照,来确定所述指令。
3.根据权利要求1或2所述的方法,所述方法还包括从第三方系统获取第三方数据;以及使用所述第三方数据更新所述模型。
4.根据权利要求1或2所述的方法,所述方法还包括从所述第一处理模块接收所述视频信号或从所述视频信号导出的数据,并应用一个或更多个后处理算法。
5.根据权利要求1或2所述的方法,所述方法还包括通过所述无线网络从所述第一处理模块接收在所述第一交叉路口或在所述第一交叉路口附近取得的传感器数据,并在所述模型的更新和所述模型的分析这两者或两者之一中使用所述传感器数据。
6.根据权利要求5所述的方法,其中所接收到的传感器数据包括来源地-目的地信息,所述方法还包括在所述模型的更新和所述模型的分析这两者或者两者之一中包括所述来源地-目的地信息。
7.根据权利要求1或2所述的方法,所述方法还包括将所述模型或从所述模型得到的数据提供给第三方。
8.一种对交通网络进行优化的方法,所述方法包括以下步骤:
从在第一交叉路口的摄像机获取视频信号;
处理来自所述视频信号的数据,来确定指示通过所述第一交叉路口的对应的交通流的至少一个值;
通过无线网络将所述至少一个值发送到远程处理实体,来使得所述远程处理实体更新所述交通网络的模型,所述模型在从所述交通网络中的多个资源处接收到数据时被所述远程处理实体连续更新,所述交通网络包括所述第一交叉路口和至少一个第二交叉路口,所述模型包括从所述交通网络观测到的现有和历史数据以及从所述现有和历史数据推断出的至少一个参数;
从所述远程处理实体接收针对所述第一交叉路口的控制器的指令,所述指令根据包括来自所述第一交叉路口的所述至少一个值和所推断出的至少一个参数的所述交通网络的现有和历史状态的表示以及使用通过所述模型推断出的所述交通网络的所述现有和历史状态执行的预测优化来确定;以及
使位于所述第一交叉路口的控制器实现所述指令,来预测优化所述交通网络的至少一部分。
9.根据权利要求8所述的方法,其中使所述指令实现包括将所述指令发送到与所述控制器联接的通信接口。
10.根据权利要求9所述的方法,其中所述指令被通过短程无线连接发送到所述通信接口。
11.根据权利要求8到10中任何一项所述的方法,所述方法还包括将所述视频信号或从所述视频信号导出的数据发送到所述远程处理实体,来应用一个或更多个后处理算法。
12.根据权利要求8到10中任何一项所述的方法,所述方法还包括通过所述无线网络发送在所述第一交叉路口或在所述第一交叉路口附近取得的传感器数据,来使得所述传感器数据被用到所述模型的更新和所述模型的分析这两者或者两者之一中。
13.一种对交通网络进行优化的方法,所述方法包括:
通过无线网络从远程处理实体接收指令,所述指令用来使控制器在第一交叉路口对所述交通网络的至少一部分进行预测优化,由对包括来自一个或更多个附加交叉路口的至少一个值以及从所述交通网络的模型中的现有和历史数据推断出的至少一个参数的所述交通网络的现有和历史状态的表示进行获取并对通过所述模型推断出的所述交通网络的所述现有和历史状态执行预测优化的所述远程处理实体确定所述指令,所述交通网络包括所述第一交叉路口,所述模型被在所述交通网络中的所述一个或更多个附加交叉路口处接收到的数据时被连续更新;以及
将所述指令发送到与所述控制器联接的通信接口。
14.根据权利要求13所述的方法,其中所述指令通过短程无线连接被发送到所述通信接口。
15.一种对交通网络进行优化的系统,所述系统包括处理器和存储器,所述存储器包括用于执行根据权利要求1至14中任一项所述的方法的计算机可执行指令。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US30024010P | 2010-02-01 | 2010-02-01 | |
US61/300,240 | 2010-02-01 | ||
PCT/CA2011/000106 WO2011091523A1 (en) | 2010-02-01 | 2011-02-01 | System and method for modeling and optimizing the performance of transportation networks |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102906800A CN102906800A (zh) | 2013-01-30 |
CN102906800B true CN102906800B (zh) | 2015-04-29 |
Family
ID=44318579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201180012537.4A Active CN102906800B (zh) | 2010-02-01 | 2011-02-01 | 建模和优化交通网络性能的系统及方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US8666643B2 (zh) |
EP (1) | EP2531987A4 (zh) |
CN (1) | CN102906800B (zh) |
CA (1) | CA2824337C (zh) |
WO (1) | WO2011091523A1 (zh) |
Families Citing this family (73)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8015144B2 (en) | 2008-02-26 | 2011-09-06 | Microsoft Corporation | Learning transportation modes from raw GPS data |
US8972177B2 (en) * | 2008-02-26 | 2015-03-03 | Microsoft Technology Licensing, Llc | System for logging life experiences using geographic cues |
US8966121B2 (en) | 2008-03-03 | 2015-02-24 | Microsoft Corporation | Client-side management of domain name information |
US9063226B2 (en) | 2009-01-14 | 2015-06-23 | Microsoft Technology Licensing, Llc | Detecting spatial outliers in a location entity dataset |
US9009177B2 (en) * | 2009-09-25 | 2015-04-14 | Microsoft Corporation | Recommending points of interests in a region |
US8612134B2 (en) * | 2010-02-23 | 2013-12-17 | Microsoft Corporation | Mining correlation between locations using location history |
US9261376B2 (en) | 2010-02-24 | 2016-02-16 | Microsoft Technology Licensing, Llc | Route computation based on route-oriented vehicle trajectories |
US10288433B2 (en) | 2010-02-25 | 2019-05-14 | Microsoft Technology Licensing, Llc | Map-matching for low-sampling-rate GPS trajectories |
US8719198B2 (en) | 2010-05-04 | 2014-05-06 | Microsoft Corporation | Collaborative location and activity recommendations |
US9593957B2 (en) | 2010-06-04 | 2017-03-14 | Microsoft Technology Licensing, Llc | Searching similar trajectories by locations |
WO2013033560A1 (en) * | 2011-08-31 | 2013-03-07 | Metro Tech Net, Inc. | System and method for determining arterial roadway throughput |
US10540615B2 (en) * | 2011-09-13 | 2020-01-21 | United Parcel Service Of America, Inc. | Network planning tool |
CN103093633B (zh) * | 2011-10-28 | 2015-06-17 | 国际商业机器公司 | 交通信号灯调整系统和方法 |
US9754226B2 (en) * | 2011-12-13 | 2017-09-05 | Microsoft Technology Licensing, Llc | Urban computing of route-oriented vehicles |
US20130166188A1 (en) | 2011-12-21 | 2013-06-27 | Microsoft Corporation | Determine Spatiotemporal Causal Interactions In Data |
CN103778791B (zh) * | 2012-10-26 | 2016-02-10 | 中兴通讯股份有限公司 | 一种交通自适应控制方法和装置 |
CN103310057A (zh) * | 2013-06-14 | 2013-09-18 | 广州市公共交通数据管理中心 | 交通微观仿真运行方法和装置 |
US9558408B2 (en) * | 2013-10-15 | 2017-01-31 | Ford Global Technologies, Llc | Traffic signal prediction |
US9235989B2 (en) * | 2014-02-27 | 2016-01-12 | Siemens Industry, Inc. | Adjustment of a traffic signal control plan based on local environmental conditions |
US10762538B2 (en) | 2014-04-24 | 2020-09-01 | DataSpark, PTE. LTD. | Knowledge model for personalization and location services |
WO2016042357A1 (en) * | 2014-09-16 | 2016-03-24 | Singapore Telecommunications Limited | Predicting human movement behaviors using location services model |
JP6421580B2 (ja) | 2014-12-15 | 2018-11-14 | 住友電気工業株式会社 | 交通信号制御装置、コンピュータプログラム、及び交通信号制御方法 |
WO2016117147A1 (ja) * | 2015-01-19 | 2016-07-28 | 住友電気工業株式会社 | 情報処理装置、路側制御装置、クラウドシステム、コンピュータプログラム及び仮想マシンの運用方法 |
JP6791117B2 (ja) | 2015-02-23 | 2020-11-25 | 住友電気工業株式会社 | 交通指標生成装置、交通指標生成方法及びコンピュータプログラム |
CN104965974B (zh) * | 2015-06-08 | 2018-04-27 | 浙江银江研究院有限公司 | 一种基于覆盖度评估及优化警力资源部署的方法 |
US9646493B2 (en) | 2015-06-19 | 2017-05-09 | International Business Machines Corporation | Management of moving objects |
US10749734B2 (en) | 2015-07-07 | 2020-08-18 | International Business Machines Corporation | Management of events and moving objects |
WO2017035663A1 (en) | 2015-09-03 | 2017-03-09 | Miovision Technologies Incorporated | System and method for detecting and tracking objects |
US10841852B2 (en) | 2015-12-09 | 2020-11-17 | DataSpark, PTE. LTD. | Transportation network monitoring using cellular radio metadata |
US10176340B2 (en) | 2016-03-13 | 2019-01-08 | DataSpark, PTE. LTD. | Abstracted graphs from social relationship graph |
US11157520B2 (en) | 2016-03-28 | 2021-10-26 | DataSpark, Pte Ltd. | Uniqueness level for anonymized datasets |
US10068470B2 (en) | 2016-05-06 | 2018-09-04 | Here Global B.V. | Determination of an average traffic speed |
CN106355878B (zh) | 2016-09-26 | 2019-11-08 | 北京东土科技股份有限公司 | 基于智能交通云控制系统的协同控制方法及装置 |
CN106251620B (zh) * | 2016-09-26 | 2019-01-25 | 北京东土科技股份有限公司 | 基于智能交通云控制系统的中心系统 |
US9805595B1 (en) * | 2016-10-27 | 2017-10-31 | International Business Machines Corporation | Vehicle and non-vehicle traffic flow control |
US10593198B2 (en) | 2016-12-06 | 2020-03-17 | Flir Commercial Systems, Inc. | Infrastructure to vehicle communication protocol |
US10490066B2 (en) * | 2016-12-29 | 2019-11-26 | X Development Llc | Dynamic traffic control |
US9965951B1 (en) | 2017-01-23 | 2018-05-08 | International Business Machines Corporation | Cognitive traffic signal control |
WO2018150227A1 (en) | 2017-02-17 | 2018-08-23 | Dataspark Pte, Ltd | Mobility gene for trajectory data |
AU2017399008A1 (en) | 2017-02-17 | 2019-09-05 | Dataspark Pte, Ltd | Mobility gene for visit data |
US20210172759A1 (en) | 2017-02-17 | 2021-06-10 | Dataspark Pte Ltd | Map Matching and Trajectory Analysis |
US10607481B2 (en) * | 2017-02-27 | 2020-03-31 | International Business Machines Corporation | Dynamic road width division for adaptive road-space utilization |
JP6705942B2 (ja) * | 2017-03-28 | 2020-06-03 | 株式会社日立製作所 | データ処理システムおよびその制御方法 |
US10546255B2 (en) * | 2017-05-05 | 2020-01-28 | Conduent Business Services, Llc | Efficient optimization of schedules in a public transportation system |
CN108932855A (zh) * | 2017-05-22 | 2018-12-04 | 阿里巴巴集团控股有限公司 | 道路交通控制系统、方法以及电子设备 |
US10585180B2 (en) | 2017-06-21 | 2020-03-10 | International Business Machines Corporation | Management of mobile objects |
US10546488B2 (en) | 2017-06-21 | 2020-01-28 | International Business Machines Corporation | Management of mobile objects |
US10535266B2 (en) | 2017-06-21 | 2020-01-14 | International Business Machines Corporation | Management of mobile objects |
US10600322B2 (en) | 2017-06-21 | 2020-03-24 | International Business Machines Corporation | Management of mobile objects |
US10504368B2 (en) | 2017-06-21 | 2019-12-10 | International Business Machines Corporation | Management of mobile objects |
US10540895B2 (en) | 2017-06-21 | 2020-01-21 | International Business Machines Corporation | Management of mobile objects |
US10872526B2 (en) * | 2017-09-19 | 2020-12-22 | Continental Automotive Systems, Inc. | Adaptive traffic control system and method for operating same |
US10833923B2 (en) * | 2017-10-26 | 2020-11-10 | Skylo Technologies Inc. | Dynamic multiple access for distributed device communication networks with scheduled and unscheduled transmissions |
US10306442B1 (en) | 2018-01-16 | 2019-05-28 | Skylo Technologies Inc. | Devices and methods for specialized machine-to-machine communication transmission network modes via edge node capabilities |
US11399207B2 (en) * | 2018-02-02 | 2022-07-26 | Comcast Cable Communications, Llc | Image selection using motion data |
JP7276311B2 (ja) * | 2018-02-23 | 2023-05-18 | 住友電気工業株式会社 | 交通信号制御装置、交通信号制御方法、及びコンピュータプログラム |
US10965728B2 (en) * | 2018-10-22 | 2021-03-30 | Tesla, Inc. | Method and system for aggregating and converting sensor data streams |
JP7135903B2 (ja) * | 2019-02-01 | 2022-09-13 | 株式会社デンソー | 車両用装置、車両用装置の時刻同期方法 |
CN109859475B (zh) * | 2019-03-14 | 2021-08-31 | 江苏中设集团股份有限公司 | 一种基于dbscan密度聚类的交叉口信号控制方法、装置及系统 |
US11403938B2 (en) | 2019-04-04 | 2022-08-02 | Geotab Inc. | Method for determining traffic metrics of a road network |
US11144226B2 (en) | 2019-04-11 | 2021-10-12 | Samsung Electronics Co., Ltd. | Intelligent path selection and load balancing |
US11216190B2 (en) * | 2019-06-10 | 2022-01-04 | Samsung Electronics Co., Ltd. | Systems and methods for I/O transmissions in queue pair-based NVMeoF initiator-target system |
US20220415054A1 (en) * | 2019-06-24 | 2022-12-29 | Nec Corporation | Learning device, traffic event prediction system, and learning method |
CN110349407B (zh) * | 2019-07-08 | 2021-08-13 | 长安大学 | 一种基于深度学习的区域化交通信号灯控制系统及方法 |
US11240294B2 (en) | 2019-08-23 | 2022-02-01 | Samsung Electronics Co., Ltd. | Systems and methods for spike detection and load balancing resource management |
CN110570672B (zh) * | 2019-09-18 | 2020-12-01 | 浙江大学 | 一种基于图神经网络的区域交通信号灯控制方法 |
CN114287023B (zh) * | 2019-09-25 | 2023-12-15 | 华为云计算技术有限公司 | 用于交通预测的多传感器学习系统 |
US11749109B2 (en) * | 2019-12-19 | 2023-09-05 | Etalyc Inc. | Adaptive traffic management system |
US11724820B2 (en) | 2020-12-24 | 2023-08-15 | Ge Aviation Systems Llc | Decision-support system for aircraft requiring emergency landings |
CN113554891B (zh) * | 2021-07-19 | 2022-07-01 | 江苏南大苏富特智能交通科技有限公司 | 一种基于公交gps轨迹构建电子地图路网的方法 |
DE102021208802A1 (de) | 2021-08-11 | 2023-02-16 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren zur Absicherung einer Kommunikation zwischen einer straßenseitigen Funkeinheit und Fahrzeugen, Computerprogramm und System zur Unterstützung von Fahrzeugen, Verfahren zur Überwachung der straßenseitigen Funkeinheit und Überwachungseinheit |
CN114202931B (zh) * | 2021-12-10 | 2022-07-08 | 深圳市旗扬特种装备技术工程有限公司 | 一种雷视融合交通事件检测系统的5g空中升级方法 |
US20230290247A1 (en) * | 2022-03-09 | 2023-09-14 | Miovision Technologies Incorporated | System And Methods for Quantifying Greenhouse Gas Emissions Via Measurement and Modelling of Traffic Data and For Influencing Traffic Signaling to Reduce Such Emissions |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW559308U (en) * | 2001-07-26 | 2003-10-21 | Shi-Je Li | Traffic light control and information transmitting-apparatus |
CN101169903A (zh) * | 2007-10-19 | 2008-04-30 | 黄辉先 | 一种控制路口交通流的智能交通控制系统 |
CN101477581A (zh) * | 2008-12-19 | 2009-07-08 | 上海理工大学 | 多智能体区域道路交叉口信号集成控制仿真系统 |
CN101572006A (zh) * | 2008-04-30 | 2009-11-04 | 奥城同立科技开发(北京)有限公司 | 交通信号灯控制方法 |
Family Cites Families (77)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3414876A (en) | 1965-10-22 | 1968-12-03 | Tamar Electronics Ind Inc | Self-adaptive timing system for traffic controller |
CH509638A (fr) | 1967-12-21 | 1971-06-30 | Philips Nv | Dispositif de prolongation automatique du temps de feu vert d'une installation de signalisation |
US4257029A (en) | 1974-12-26 | 1981-03-17 | Stevens Carlile R | Traffic control system |
USRE31044E (en) | 1977-10-19 | 1982-09-28 | TRAC, Inc. | Traffic coordinator for arterial traffic system |
US4167785A (en) | 1977-10-19 | 1979-09-11 | Trac Incorporated | Traffic coordinator for arterial traffic system |
US4250483A (en) | 1978-01-30 | 1981-02-10 | Rubner Anthony C | System for signalized intersection control |
US4463339A (en) | 1979-01-02 | 1984-07-31 | Ralph E. Frick | State/interval redundant controller system for traffic signals |
US4370718A (en) | 1979-02-06 | 1983-01-25 | Chasek Norman E | Responsive traffic light control system and method based on conservation of aggregate momentum |
US4317117A (en) | 1979-07-20 | 1982-02-23 | Chasek Norman E | Cross correlated doppler radar/infra red velocity and presence sensor |
US4322801A (en) | 1980-03-18 | 1982-03-30 | Multisonics, Inc. | Method for controlling traffic flow |
US4449116A (en) | 1981-12-01 | 1984-05-15 | Gulf & Western Manufacturing Company | Actuated digital pretimed traffic controller |
US4907160A (en) | 1986-01-09 | 1990-03-06 | Econolite Control Products, Inc. | Intersection monitor |
US5182555A (en) | 1990-07-26 | 1993-01-26 | Farradyne Systems, Inc. | Cell messaging process for an in-vehicle traffic congestion information system |
US5257194A (en) | 1991-04-30 | 1993-10-26 | Mitsubishi Corporation | Highway traffic signal local controller |
US5703778A (en) | 1991-07-19 | 1997-12-30 | Hitachi, Ltd. | Traffic control method for relieving vehicle congestion on parallel roads |
US5357436A (en) | 1992-10-21 | 1994-10-18 | Rockwell International Corporation | Fuzzy logic traffic signal control system |
JP2816919B2 (ja) | 1992-11-05 | 1998-10-27 | 松下電器産業株式会社 | 空間平均速度および交通量推定方法、地点交通信号制御方法、交通量推定・交通信号制御機制御装置 |
SE9203474L (sv) | 1992-11-19 | 1994-01-31 | Kjell Olsson | Sätt att prediktera trafikparametrar |
US5465289A (en) | 1993-03-05 | 1995-11-07 | E-Systems, Inc. | Cellular based traffic sensor system |
US5668717A (en) | 1993-06-04 | 1997-09-16 | The Johns Hopkins University | Method and apparatus for model-free optimal signal timing for system-wide traffic control |
US5416711A (en) | 1993-10-18 | 1995-05-16 | Grumman Aerospace Corporation | Infra-red sensor system for intelligent vehicle highway systems |
HU227907B1 (en) | 1995-03-23 | 2012-05-29 | Deutsche Telekom Mobil | Method and system for determining dynamic traffic information |
US5778332A (en) | 1995-11-17 | 1998-07-07 | J-Squared, Llc | Electronic nervous system for a roadway and method |
US5745865A (en) | 1995-12-29 | 1998-04-28 | Lsi Logic Corporation | Traffic control system utilizing cellular telephone system |
JP3435623B2 (ja) | 1996-05-15 | 2003-08-11 | 株式会社日立製作所 | 交通流監視装置 |
US5777564A (en) | 1996-06-06 | 1998-07-07 | Jones; Edward L. | Traffic signal system and method |
US5917432A (en) | 1996-10-02 | 1999-06-29 | Rathbone; Daniel B. | Intelligent intersections |
FR2763726B1 (fr) | 1997-05-20 | 2003-01-17 | Bouchaib Hoummadi | Procede de gestion de la circulation routiere par camera video |
US6170955B1 (en) | 1998-02-27 | 2001-01-09 | Iteris, Inc. | Vehicle mounted optical assembly |
US6133854A (en) | 1998-07-14 | 2000-10-17 | Motorola, Inc. | Satellite supported traffic signal controller |
US6734904B1 (en) | 1998-07-23 | 2004-05-11 | Iteris, Inc. | Imaging system and method with dynamic brightness control |
US6198087B1 (en) | 1999-05-03 | 2001-03-06 | Iteris, Inc. | CMOS imager with light shield |
US6317058B1 (en) | 1999-09-15 | 2001-11-13 | Jerome H. Lemelson | Intelligent traffic control and warning system and method |
US6587778B2 (en) | 1999-12-17 | 2003-07-01 | Itt Manufacturing Enterprises, Inc. | Generalized adaptive signal control method and system |
KR20010086637A (ko) | 2000-02-21 | 2001-09-15 | 정길도 | 지능형 도로교통제어 시스템 |
US6392218B1 (en) | 2000-04-07 | 2002-05-21 | Iteris, Inc. | Vehicle rain sensor |
KR20010074042A (ko) | 2001-01-09 | 2001-08-04 | 최한태 | 지능형 교통신호등-도로형 |
KR20010074043A (ko) | 2001-01-09 | 2001-08-04 | 최한태 | 지능형 교통신호등-건널목형 |
US6617981B2 (en) * | 2001-06-06 | 2003-09-09 | John Basinger | Traffic control method for multiple intersections |
US6539300B2 (en) | 2001-07-10 | 2003-03-25 | Makor Issues And Rights Ltd. | Method for regional system wide optimal signal timing for traffic control based on wireless phone networks |
US6577946B2 (en) | 2001-07-10 | 2003-06-10 | Makor Issues And Rights Ltd. | Traffic information gathering via cellular phone networks for intelligent transportation systems |
AU2002328072A1 (en) | 2002-04-24 | 2003-11-10 | Mohammed El Ouakifi | Remote-controlled intelligent traffic signalling |
CN1417755A (zh) | 2002-11-18 | 2003-05-14 | 冯鲁民 | 功能完善且架构简易的智能交通系统体系 |
US6930593B2 (en) | 2003-02-24 | 2005-08-16 | Iteris, Inc. | Lane tracking system employing redundant image sensing devices |
US6909380B2 (en) | 2003-04-04 | 2005-06-21 | Lockheed Martin Corporation | Centralized traffic signal preemption system and method of use |
KR20050006693A (ko) | 2003-07-10 | 2005-01-17 | 주식회사 유퍼스트에프엔 | 가변 일방통행 교통신호 시스템 |
US7688224B2 (en) | 2003-10-14 | 2010-03-30 | Siemens Industry, Inc. | Method and system for collecting traffic data, monitoring traffic, and automated enforcement at a centralized station |
CN1619551A (zh) | 2003-11-18 | 2005-05-25 | 海信集团有限公司 | 自适应交通控制系统和方法 |
US7904090B2 (en) | 2003-12-01 | 2011-03-08 | Telefonaktiebolaget L M Ericsson (Publ) | Traffic control method |
US6989766B2 (en) | 2003-12-23 | 2006-01-24 | International Business Machines Corporation | Smart traffic signal system |
US7983835B2 (en) | 2004-11-03 | 2011-07-19 | Lagassey Paul J | Modular intelligent transportation system |
CN1702699B (zh) | 2004-05-24 | 2010-10-20 | 江苏省帕瓦电力技术有限公司 | 智能交通信号管理系统及管理方法 |
US20060013132A1 (en) | 2004-06-16 | 2006-01-19 | Regents Of The University Of Colorado | Nonlinear adaptive control of resource-distribution dynamics |
TWI266259B (en) | 2004-06-17 | 2006-11-11 | Ren C Luo | MEMS-based sensory device for adaptive traffic light control system |
US7317406B2 (en) * | 2005-02-03 | 2008-01-08 | Toyota Technical Center Usa, Inc. | Infrastructure-based collision warning using artificial intelligence |
US20060197684A1 (en) | 2005-02-23 | 2006-09-07 | Jacques Tremblay | Programmable traffic light unit |
CN1716334A (zh) | 2005-07-05 | 2006-01-04 | 郭永平 | 智能交通管理系统自适应交通信号控制装置 |
DE102005053461B4 (de) * | 2005-11-04 | 2007-10-18 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren und Vorrichtung zur Verkehrssteuerung |
CN1776768A (zh) | 2005-12-08 | 2006-05-24 | 曾佑国 | 太阳能无线智能交通信号灯控制系统 |
CN100535956C (zh) | 2006-03-24 | 2009-09-02 | 郑兴 | 一种自适应交通信号灯智能控制方法及实现该方法的装置 |
KR100779834B1 (ko) | 2006-05-04 | 2007-11-28 | 텔레폰악티에볼라겟엘엠에릭슨(펍) | 트래픽 제어 방법 |
US20070273552A1 (en) * | 2006-05-24 | 2007-11-29 | Bellsouth Intellectual Property Corporation | Control of traffic flow by sensing traffic states |
US9076332B2 (en) * | 2006-10-19 | 2015-07-07 | Makor Issues And Rights Ltd. | Multi-objective optimization for real time traffic light control and navigation systems for urban saturated networks |
US7580547B2 (en) | 2006-10-24 | 2009-08-25 | Iteris, Inc. | Electronic traffic monitor |
US7557731B2 (en) | 2006-11-09 | 2009-07-07 | Sridhara Subbiah Ramasubbu | RFID reader enabled intelligent traffic signalling and RFID enabled vehicle tags (number plates) |
US20080204277A1 (en) | 2007-02-27 | 2008-08-28 | Roy Sumner | Adaptive traffic signal phase change system |
TWI326859B (en) * | 2007-03-30 | 2010-07-01 | Ind Tech Res Inst | System and method for intelligent traffic control using wireless sensor and actuator networks |
US8103436B1 (en) * | 2007-11-26 | 2012-01-24 | Rhythm Engineering, LLC | External adaptive control systems and methods |
LV13943B (lv) | 2007-11-27 | 2009-07-20 | Univ Rigas Tehniska | Adaptīvā luksoforu vadības sistēma |
EP2187369A3 (en) * | 2008-06-04 | 2012-03-28 | Roads and Traffic Authority of New South Wales | Traffic signals control system |
US20090322563A1 (en) | 2008-06-30 | 2009-12-31 | Malcolm Leroy Stadtmiller | Autonomous provisional smart traffic signal station |
KR100994784B1 (ko) | 2008-08-05 | 2010-11-17 | 김현철 | 자동 적응형 횡단보도 보행신호등 |
US8279086B2 (en) * | 2008-09-26 | 2012-10-02 | Regents Of The University Of Minnesota | Traffic flow monitoring for intersections with signal controls |
KR20100108887A (ko) | 2009-03-31 | 2010-10-08 | 김대중 | 객체인식 카메라를 이용한 지능형 교통신호 제어장치 및 방법 |
CN101635095B (zh) | 2009-08-27 | 2011-06-01 | 卢海 | 实时自适应交通信号倒计时显示控制方法 |
CN101706998A (zh) | 2009-11-12 | 2010-05-12 | 宁波工程学院 | 智能交通信号控制终端 |
CN101789183B (zh) | 2010-02-10 | 2012-02-15 | 北方工业大学 | 一种入口匝道的自适应控制系统及方法 |
-
2011
- 2011-02-01 EP EP11736571.8A patent/EP2531987A4/en not_active Ceased
- 2011-02-01 WO PCT/CA2011/000106 patent/WO2011091523A1/en active Application Filing
- 2011-02-01 US US13/019,120 patent/US8666643B2/en active Active
- 2011-02-01 CA CA2824337A patent/CA2824337C/en active Active
- 2011-02-01 CN CN201180012537.4A patent/CN102906800B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW559308U (en) * | 2001-07-26 | 2003-10-21 | Shi-Je Li | Traffic light control and information transmitting-apparatus |
CN101169903A (zh) * | 2007-10-19 | 2008-04-30 | 黄辉先 | 一种控制路口交通流的智能交通控制系统 |
CN101572006A (zh) * | 2008-04-30 | 2009-11-04 | 奥城同立科技开发(北京)有限公司 | 交通信号灯控制方法 |
CN101477581A (zh) * | 2008-12-19 | 2009-07-08 | 上海理工大学 | 多智能体区域道路交叉口信号集成控制仿真系统 |
Also Published As
Publication number | Publication date |
---|---|
EP2531987A1 (en) | 2012-12-12 |
CA2824337C (en) | 2017-02-28 |
CA2824337A1 (en) | 2011-08-04 |
US8666643B2 (en) | 2014-03-04 |
CN102906800A (zh) | 2013-01-30 |
EP2531987A4 (en) | 2015-05-13 |
US20110191011A1 (en) | 2011-08-04 |
WO2011091523A1 (en) | 2011-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102906800B (zh) | 建模和优化交通网络性能的系统及方法 | |
CN109131345B (zh) | 交通工具和控制交通工具的方法和系统 | |
CN109714421B (zh) | 基于车路协同的智能网联汽车运行系统 | |
CN108428340B (zh) | 道路交通状况分析方法和系统 | |
US20180089994A1 (en) | Predictive traffic management using virtual lanes | |
WO2020245835A1 (en) | Allocation of fog node resources | |
CN109241373A (zh) | 用于采集数据的方法和装置 | |
CN111367275A (zh) | 一种智能驾驶控制方法、装置、系统及存储介质 | |
KR102377637B1 (ko) | 하이브리드 교통신호제어시스템 및 그 방법 | |
Talukder et al. | Trajectory-based signal control in mixed connected vehicle environments | |
EP4252217A1 (en) | Distributed multi-task machine learning for traffic prediction | |
Jaleel et al. | Reducing congestion in an intelligent traffic system with collaborative and adaptive signaling on the edge | |
Dai et al. | A software-defined-networking-enabled approach for edge-cloud computing in the internet of things | |
Ali et al. | Big data analysis and cloud computing for smart transportation system integration | |
Suh et al. | Dynamic data driven transportation systems | |
JP2008059181A (ja) | 道路交通管制訓練装置及び道路交通管制訓練システム | |
Coll et al. | A linear programming approach for adaptive synchronization of traffic signals | |
Armengaud et al. | Development framework for longitudinal automated driving functions with off-board information integration | |
CN107764276A (zh) | 一种基于视频监控的导航规划系统 | |
CN107730890B (zh) | 一种基于实时场景下车流车速预测的智能交通方法 | |
Wu et al. | Development of platoon‐based actuated signal control systems to coordinated intersections: application in corridors in Houston | |
Keiser et al. | IMA-an adaptable and dynamic service platform for intermodal mobility assistance | |
CN109714203B (zh) | 一种通过车载网络实现感知设备代码更新的传播方法 | |
Vasenev | Visualizing asphalt roller trajectories in context: acquiring, processing, and representing sensor readings | |
Nicoleta Mocofan et al. | Comparative assessment of traffic control parameters within an UTC-distributed system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |