CN103077604B - 交通传感器管理方法和系统 - Google Patents
交通传感器管理方法和系统 Download PDFInfo
- Publication number
- CN103077604B CN103077604B CN201210371951.0A CN201210371951A CN103077604B CN 103077604 B CN103077604 B CN 103077604B CN 201210371951 A CN201210371951 A CN 201210371951A CN 103077604 B CN103077604 B CN 103077604B
- Authority
- CN
- China
- Prior art keywords
- sensor
- subset
- traffic
- combinations
- selection
- 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
Classifications
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
-
- 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
- G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
-
- 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
Abstract
一种用于选择至少一个交通传感器的子集的方法、设备和制造物件。该方法包括对多个传感器类型建模以生成至少一个传感器模型、创建多个传感器中至少一个传感器组合的样本空间、对区域的交通运动建模、基于至少一个传感器模型、至少一个传感器组合的样本空间和区域的交通运动运行交通仿真,其中交通仿真生成多个候选传感器集合,并基于该多个候选传感器集合选择多个传感器的子集。
Description
技术领域
本发明的实施例一般涉及信息技术(IT),尤其涉及交通管理。
背景技术
运输是世界上许多城市必须关注的领域。在使用智能运输系统以努力管理交通的情况下,城市当局通常需要决定使用哪种传感器以获得区域内交通的交通数据。存在多种方法,其精度、覆盖以及安装和维护成本都各不相同。因此,虽然城市或其它实体可以做出初步的决定,但是使用目前存在的方法,由于交通模式和技术改变将需要随时间不断地重新访问这个决定。
并且,现存的方法包括只选择一种传感器方法(例如,全球定位系统(GPS))而忽略其它的感测数据。另外,当交通混杂并且其运动混乱时,对现有方法是一种挑战。因此,存在对包括具有高覆盖、高精度、低成本和可维护性的传感器的技术的需求。
发明内容
在本发明的一个方面,提供了一种用于交通传感器管理的技术。用于选择至少一个交通传感器子集的示例性的计算机实现方法可以包括下列步骤:对多个传感器类型进行建模以生成至少一个传感器模型、创建多个传感器的至少一个传感器组合的样本空间、对区域的交通运动建模,基于至少一个传感器模型、至少一个传感器组合的样本空间和区域的交通运动运行交通仿真,其中交通仿真生成多个候选传感器集合,并基于该多个候选传感器集合选择多个传感器的一个子集。
本发明的另一个方面或其元素可以被实施为有形地具体化为计算机可读指令的制造物件的形式,当实施该计算机可读指令时,使得计算机执行如在本说明书中描述的多个方法步骤。并且,本发明的另外一个方面或其元素可以被实施为包括存储器和与该存储器耦合并可操作为执行提及的方法步骤的至少一个处理器的设备的形式。更进一步地,本发明的另外一个方面或其元素可以被实施为执行在本说明书中描述的方法步骤的部件或其元素的形式;该部件可以包括(i)硬件模块、(ii)软件模块或(iii)硬件和软件模块的组合;(i)至(iii)中的任何一种都实施在本说明书中提出的特定技术,并且软件模块被存储在有形的计算机可读存储介质中(或多个这样的介质)。
通过结合附图阅读下面详细描述的本发明的示例性实施例,本发明的这些或其它目的、特征和优点将会更加明显。
附图说明
图1是示例根据本发明的一个方面的使用多种交通感测技术的区域的图像;
图2是示例根据本发明的一个方面的Matsim架构的图;
图3是示例根据本发明的一个方面的确定传感器子集选择的算法的图;
图4是示例根据本发明的一个方面的确定优选传感器组合子集的框架的图;
图5是示例根据本发明的一个方面的实例实施例的框图;
图6是示例根据本发明的实施例的用于选择至少一个交通传感器子集的技术的流程图;和
图7是本发明至少一个实施例可以实施于其上的示例性计算机系统的系统图。
具体实施方式
如在本说明书中所述,本发明的一个方面包括为给定的交通模式选择交通传感器子集。如本说明书所述,诸如在本发明的一个实施例中,IT驱动的方法可以包括资产管理(例如,指示某些特定组织拥有哪些交通工具),以及感测哪些交通工具正在道路上行驶。这种技术还提升了供应侧(道路、交通工具)和需求侧(通勤需求)的效率以克服供需不匹配的问题,并使得道路更加安全。
与现有方法相比,本发明的各个方面包括提供应该考虑哪种传感器以及如何基于诸如传感器特性、各种传感器仿真、选择方法等因素选择传感器的指导。例如,可以认为传感器读数来自各个位置不同类型的传感器(例如,手动、GPS、视频、呼叫数据记录、移动电话)。另外,由于城市或实体可能基于其在智能运输系统(ITS)中的位置而具有不同的偏好,因此本发明的一个方面包括偏好驱动的传感器选择。
因此,如在本说明书中所述的,本发明的一个方面包括从提供合适的成本效益结果的可用类型为给定的交通模式确定传感器子集。本发明的一个实施例还包括在给定信息和已经存在的传感器的情形下便于选择将来使用的传感器。
在本发明的一个或更多的实施例中,可以基于成本、精度和覆盖对传感器类型建模。可以创建传感器组合选取的样本空间,交通仿真器可以被用于测量每个传感器组合伴随(entail)的感测误差分布并保证考虑城市的物理特性。本发明的一个方面还包括选取帕累托(Pareto)传感器组合(非占优的(non-dominated)),它在本说明书中可以被称为最优候选集合(OCS)。
本发明的至少一个实施例附加包括过滤步骤,如除去超过给定成本阈值的组合和除去超过给定误差阈值的组合。
根据本发明的一个实施例,对于将要被返回的给定的“k”个最优组合的集合(其中k是被寻求的选取的数目),选择偏好函数并使用整合凸偏好(Integrated Convex Preference)(ICP)近似执行OCS选择。然后,本发明的一个方面返回“k”个最优传感器组合。如果交通模式不改变,那么在不重新生成OCS的情况下,可以对OCS完成随着时间选择传感器选取。
本说明书详细描述的技术考虑建立的感测交通(例如,GPS和视频摄像机)的手段和地面实况(ground truth),建立的感测交通的手段从具有高覆盖但以粗糙的粒度提供交通数据的低成本电话获取数据(即,呼叫数据记录(CDR))。本发明的一个方面包括为每个传感器的数据提取误差、覆盖和感测成本建模。并且,使用标准的交通仿真器,评估在不同的感测配置和交通模式下使用不同的传感器选取的权衡(tradeoffs)。
如在本说明书中描述的,尽管固有的误差,来自低成本电话CDR的数据由于其高覆盖和低成本可以对传感器进行补充,并且常用的方法就可以为交通情况提供最优传感器子集选择。正如所提及的,这样的方法可以包括基于成本、精度和覆盖为传感器类型建模、创建传感器组合选取的样本空间以及使用交通仿真器测量伴随在每个传感器组合的感测误差分布并保证考虑城市的物理特性。这种技术还可以包括选取在本说明书中被作为最优候选集合(OCS)的传感器选取的帕累托最优(Pareto-optimal)组合(即,非占优的),以及存储OCS并将OCS作为输出集合返回。
另外,在本发明的至少一个实施例中,可以对OCS进行过滤以除去超过给定成本阈值的组合,并除去超过误差阈值的组合等。
图1是图像102,图像102示例了根据本发明的使用多个交通感测技术的区域。通过示例,图1描述了示例性的其中有交通工具在移动的5*5网格区域。在图像102中,所有的道路都是双向的。为了测量交通,速度和流量(交通工具计数)是度量的基本类别。感测技术允许测量这些度量中的一个或两个,但是为了简化,这里的讨论限制为速度测量。
在此区域中,可以使用多种方法感测交通。在下面的这个例子中,通过被放置在道路侧的(I2)视频传感器和使用人们携带电话在此区域中移动时(I3)来自使用移动电话的数据诸如CDR考虑人在驾驶交通工具1(I1)时传递的地面实况。
如图1所示,传感器仅在少数几个地方可用。这可能是由于例如成本和传感器安装时间过长的原因。并且,一些道路段的结束处可能有多个感测(由此具有不同误差率的冗余信息),而其它可能没有传感器跟踪交通工具的移动。表格I列出了图1实例中的传感器和其特性。甚至数据格式可能不同,这表明甚至以通用格式将数据收集在一起也是很重要的。
表格I
因此,使用可用信息,本发明的一个方面包括对可以提供什么样的交通整体视图的兴趣。注意到在不做出任何系统性的感测努力的情况下,也可能已经存在来自关于在特定的城市中交通工具移动多快的调查的背景信息。这样的话,问题变为如何使用感测技术才能获得超过这些背景信息的精确的交通信息。
如本说明书详细描述的,本发明的一个方面包括增加传感器数目以改善感测精度,以及增加使用的传感器类型以改善感测精度。并且,本发明的另一方面确定附加的传感器的类型和数量(如果在给定的预算内在区域内放置更多的传感器)。在本说明书中,这被视作是传感器子集合的选择问题。
如在本说明书中所述,Matsim是用来设计和运行面向大型网络交通的仿真的多代理开放源码工具。图2是示例根据本发明一个方面的Matsim架构的图。通过示例,图2描绘了系统设定模块202、计划执行模块204和传感器建模模块206。系统设定模块202包括创建网络、创建计划和创建网络配置。计划执行模块204使用来自系统设定模块202(以及来自传感器建模模块206)的输入以运行代理路径选择和处理事件。然后计划执行模块为传感器建模模块206提供输入,该传感器建模模块206确定速度计算和传感器信息、从传感器中提取速度并计算统计。
Matsim使用模块化方法,在该模块化方法中,可以在诸如交通数据、坐标系统和道路网络、可视化和对比策略方面替换默认模块。还可以增加新的模块。
Matsim的输入包括规定表示城市区域道路的节点和链接的网络文件、表示被模型化为具有其源和目的地的区域内代理的交通工具和旅行要求的计划文件和表示交通工具的速度如何随时间改变的网络配置文件。该工具支持事件驱动仿真。在执行计划时,仿真器处理事件、评估代理的路径选项并使用评分函数对它们进行排名。本发明的至少一个实施例将代理视为交通工具并选择被执行的计划。这可能会触发更多的事件,由此重复处理。
在图2的进一步描述中,系统设定模块202支持创建和处理仿真交通所需的输入文件。使用这个模块,可以规定和动态修改道路(链接)和交通工具(代理)的行为。在创建网络时,代理(交通工具)在Matsim中预定的道路网络上移动。网络由节点和链接组成。节点拥有位置信息,而链接被定义在两个节点之间并包含长度、交通工具数目、默认速度和单行车道数目信息。在任何时间间隔内,如果在某链接上的交通工具的数目超过其承载能力,那么将会发生拥堵事件。对每一个拥堵事件,所有参与其中的代理都会遭到惩罚。
在创建计划的过程中,代理的行为通过其计划完全确定。代理拥有活动计划并从该计划中提取仿真所需的信息。本发明的一个实施例包括使用Djikstra算法(被称作ReRoute Djikstra)以在网络中动态寻找路径(计划)。在计划中,代理具有关于(i)离开地点、(ii)离开时间、(iii)到达地点和(iv)到达时间(只有当代理在途中时才需要)的信息。在创建网络配置时,本发明的一个方面包括以默认速度初始化链接(道路)。为了在仿真期间改变速度,可以指定开始时间、链接标识和速度随时间变化的缩放因子。
计划执行模块204包括在设定后初始化执行将会使得代理交付路径选择和事件被处理的计划,这会导致更多的重新路径选择和事件生成。代理路径选择为代理确定路径,给其选择评分,并为每一个代理提供最优确定计划。选择的计划会触发仿真器跟踪的新事件。在处理事件中,Matsim中存在关于何时活动结束、代理从原地离开、在链接上等待、离开链接、进入链接和到达目的地的多种事件类型。
如图2所示,本发明的一个方面还包括Matsim的扩展,以运行感测实验;例如,传感器建模模块206。为了能对感测权衡进行评估和仿真,定义了不同测量技术的概况,Matsim被扩展为支持基于这些概况的测量行为。
在为传感器建立概况时,如前所提及的,可供选择的交通传感器的集合非常丰富。这些传感器可以广泛分为静态的并可以沿道路安装的传感器和可移动的从而可以在城市中移动的交通工具上使用的传感器。下面通过举例的方式考虑下列传感器。
手动方法包括人工观察交通并报告测量。以前,运输社区通过招募外勤人员对经过参考点的交通量计数来获得流量数据。手动感测可以被视为是地面实况和静态感测的实例。手动感测可以非常精确,但是实现成本却非常高昂,覆盖也可能比较低。
基于视频摄像机的方法包括不间断监测道路的单行车道的视频摄像机。使用软件分析该原始(raw)馈送以识别视频中交通工具的数目及其速度。视频摄像机通常安装在车行道上方或与之相邻的杆状物或建筑物上,从而是静态传感器。基于视频摄像机的方法的安装和运行都比较昂贵,并且需要大量的计算。然而,它们在非多云天气和交通比较均匀且在单行车道上移动的情况下非常精确。
基于GPS的方法包括使用安装在交通工具上以跟踪其位置并将该数据中继给服务器的装置。服务器可以处理交通工具的速度以报告其数据,以及计算累计交通流量信息。GPS装置使用全球导航卫星以精确报告哪些在开放区域工作良好。这种装置成本高昂,并且出于私密性或能耗考虑,不是所有的交通工具都会采用它。这是一种可移动的感测形式。
基于移动电话的方法包括人们驾驶其交通工具并携带其移动电话。为了支持这些电话,电信公司(telcos)以小区为粒度跟踪电话以提供基本的移动覆盖。可以分析小区信息以在粗糙的粒度水平发现人们是如何在空间和时间上移动的。目前存在许多子技术(sub-technology)选择,即测量信号强度、要求人们呼叫并生成CDR,虽然这会将不同水平的额外费用强加到telcos上,但可以提升精确度。虽然基于移动电话的方法并不昂贵并且可以提供更宽的覆盖,但是使用它们计算得到的速度可能包含误差。这是一种可移动的感测形式。
表格II显示了基于它们的误差、每个读数的成本和空间覆盖的传感器概况。
表格II
对于误差,每个传感器都具有自己的特性,表格II提供了使用本发明方法的给定的典型误差。对于每个读数的成本,传感器读数具有很多组成,诸如,例如设定传感器的成本、读取原始值的成本、收集数据的成本和将其转换成交通数据(例如,速度)的成本。表格II展示了相关成本。注意到手动数据具有较高的传感器放置成本,而视频和GPS具有前期(upfront)安装成本。GPS具有较高的数据收集成本,而视频和移动电话具有较高的分析成本。
对于覆盖,每个传感器都生成特定道路链接的读数。并且,在移动电话/CDR中,可以获得链接邻域的交通数据。
如图2所示,本发明的一个方面包括扩展Matsim以支持感测(参见模块206)。注意到在Matsim中可以获得有关交通工具如何在道路上移动的信息。本发明的一个实施例在可观察信息和隐藏信息之间做出区分,传感器在可观察信息中出现从而以该传感器特定的误差率特性报告速度,在隐藏信息中不存在传感器并且误差率依赖于背景速度知识和实际信息。在不使用任何传感器的极端情形下,隐藏所有的交通信息。
因此,传感器建模模块206包括下面的能力。在确定速度计算时,来自代理路径管理的事件提取信息包括时间、事件类型、交通工具标识和链接标识。每当存在交通工具(v1)、链接(l1)和时间(t1)的“离开链接”事件类型的事件(e1)时,本发明的一个方面就提取交通工具(v1)和链接(l1)的“进入链接”事件类型的事件(e2)。如果获得了人v1和链接l1的多个“进入链接”类型的事件,那么本发明的一个方面就使用具有最近时间戳的事件,并呼叫该时间戳t2。链接l1的距离信息从系统设定模块202中提取。
将链接l1的距离表示为d1。使用时间和距离信息,本发明的一个方面可以计算在链接l1上的交通工具v1的速度(s1)为:
现在,本发明的一个方面可以使用速度s1、链接l1和交通车辆v1生成速度信息。
在确定或计算传感器信息中,已经对于交通工具进行行为和信息提取。对速度信息,本发明的一个方面包括确定该读数是可观察的还是隐藏的。传感器存在在选择的链接和交通工具上。因此,将会使用速度信息对这两种情形进行检查。如果找到了传感器,那么使用该传感器的概况计算感测的读数。可以使用高斯函数计算该感测的读数的误差。在覆盖的情形下,来自最近的传感器的读数具有更高的精度。
在从传感器信息中提取速度时,对速度信息,速度通过传感器感测的读数确定。如果冗余的传感器读数可用,那么最先选择具有最小的传感器类型误差的传感器读数。如果没有读数可用,那么使用默认网络速度。
在计算统计时,使用实际的和传感器提取的信息计算每个事件的各种统计。统计可以包括,例如,在给定的一段间隔内(例如,一小时)的最大速度、最小速度、最大流量和最小流量。
此外,本说明书中详细描述的技术可以包括:对于给定的数目k,返回OCS的最优近似。这可以包括选择偏好函数和使用ICP近似执行OCS选择。并且,本发明的一个方面包括在给定OCS和置信度分布时选择k个交通传感器子集。并且,本发明的另一个方面包括通过在仿真器中对当前交通情况建模在给定当前传感器布局的区域内最优地扩展传感器并对于新的成本/误差阈值确定传感器组合。
因此,如在本说明书中详细说明的,本发明的一个实施例包括确定优选的传感器组合子集。在本发明的至少一个实施例中,该方法被分为两个部分。第一部分从传感器组合空间确定前沿传感器组合子集。第二部分使用对前沿传感器组合子集的客观准则确定优选的传感器组合子集。前沿传感器组合子集用作选择决定的基础,客观准则因素用作提供偏好的模型。
帕累托占优(Pareto Dominance)解决了选择正确决定的基础。本发明的至少一个实施例包括使用整合凸偏好(ICP)以提供该偏好。
帕累托占优确定满足特定准则的重要子集。令N是正整数集合。对n∈N,Rn是n维欧几里得空间。令R=Un∈NRn为有限维实数向量集合。令x∈R,x的维数用dim(x)表示。这样,对所有坐标i,x是且xi<=yi的帕累托占优。帕累托占优通过消除在给定集合中所有的y来寻找非占优解。
整合凸偏好(ICP)被用来在多优化问题中的较宽范围内测量解集的质量。为了计算ICP函数,用户需要规定参数α概率分布h(α)以使得∫αh(α)dα=1以及函数f(pi,α):S→R(其中S是解空间)将不同的目标函数组合为解p的单个实际值质量测量(real valued quality measure)。解集P的ICP值是S的一个子集,定义为:
其中w0=0,wk=1和
换句话说,w[0,1]被分割成非重叠区域以使得在每个区域(wi-1,wi)中,存在具有比P中所有其它的解更好的f(pi,α)值的单个解pi∈P。ICP(P)可以被解释为是使用权衡值α的概率分布h(α)的P的最优解的期待效用值(utilityvalue)。
并且,本发明的一个方面包括使用用于传感器组合的偏好模型。帕累托占优和ICP被用来生成算法,这些方法也可以被建模用于传感器组合。如上面所提及的,帕累托占优被用来找出非占优的帕累托解。在帕累托占优的一般情形下,使用n维描述。但是在这个详细的实例中,城市管理员提出了作为成本和均方根误差(RMSE)的二维。因此,帕累托占优可以被定义为“令A和B为传感器组合,如果成本A<成本B且RMSE-A<RMSE-B,那么可以说A被B占优”。
可以使用帕累托占优减小传感器组合的集合。还可以使用ICP引入因素减小空间。
在ICP中,用户需要规定目标函数,其定义为:
f(pi,α)=(α×Costpi+(1-α)×RMSEpi)
其中
Costpi=(β×CostInstpi+(1-β)×CostMaintpi)
其中常数范围是:α∈[0,1],β∈[0,1]。
本发明的一个方面包括以顺序方法使用ICP以确定k解集。
如上面所提及的,本发明的一个方面包括使用帕累托占优和ICP的算法。该算法确定优选的传感器组合子集。图3中的算法展示了该方法的伪代码。因此,图3是示例根据本发明的一个方面的算法302以确定传感器子集选择的图。
正如已经提及的,帕累托占优被用来确定非占优的传感器组合子集。另外,ICP确定优选的传感器组合子集。令S为给定为输入的所有传感器组合集合的集合。本发明的一个方面包括创建包含非占优解的传感器组合子集Q。
如图2中的算法302所示,在步骤1中使用帕累托占优准则在S中找到非占优解。在步骤2中创建优选的传感器组合子集P。开始时,P被设置为空集合。以顺序方式收集优选的传感器组合子集。在顺序方式的每个步骤中,降低整个ICP值的传感器组合都会被用作种子。找到种子传感器组合之后,将其加入P集合。这种顺序方式一直执行直到P中的传感器组合的数目达到k或者不能获得种子传感器组合(步骤3至6)。算法结束并返回优选的传感器组合子集P(步骤7)。
可以从上面详细描述的传感器组合集合确定优选的传感器组合子集。这意味着,计算城市场景的优选传感器组合子集需要传感器组合集合。传感器组合集合可以具有关于成本和RMSE的信息。具有传感器概念模块的Matsim交通仿真器确定传感器组合的成本和RMSE。具有传感器概念模块的Matsim仿真器在本说明书中称为SMatsim。SMatsim是事件驱动仿真器,并需要规定输入。使用SMatsim的系统集成优选方法可以被用来创建供城市管理者或相似实体的系统。在本发明的至少一个实施例中,框架被划分作为输入、传感器建模和传感器组合选择的三个部分,如图4所示。
因此,图4是示例根据本发明的一个方面的用于确定优选的传感器组合子集的框架图。如在图4中所示,这样的系统要求三种不同类别的输入信息:地图信息402、传感器模型404和传感器组合空间406。
地图输入402包括规定表示城市区域道路的节点和链接的网络文件、表示被模型化为具有其源和目的地的区域内代理的交通工具和旅行要求的计划文件和表示交通工具的速度如何随时间改变的网络配置文件。在执行计划的过程中,仿真器处理事件、为代理评估路径选项并使用评分函数对它们进行排名。
对于传感器模型404,存在多种类型的传感器,每一种传感器类型都具有特定的特性集合。这些特性定义了传感器表现最佳并呈现有希望的结果的条件。如上面所提及的,交通传感器可以被广泛地分为两个类别:静态的和可移动的。传感器的模型包括传感器的特性。
传感器组合空间406包括可以使用各种可用的传感器创建的各种传感器组合。传感器组合被定义为给定的网络和交通工具可用的传感器的百分比。有多种方法定义传感器组合空间。通过举例,本发明的一个实施例包括使用以离散值改变传感器的百分比生成排列(permutation)的方法。然后,可以通过使用所有的所有传感器类型可能的排列创建组合空间。
如图4所示,输入402、404和406都被提供给传感器建模模块408,它最后将输入提供给传感器组合选择模块410。传感器建模模块408能够提取区域、提取相关信息并运行扩展的Matsim。传感器组合选择模块410能够使用传感器组合集合结果以提取和存储优选的传感器组合集合。
传感器建模模块408检查输入地图文件的完整性。基于输入的地图文件,本发明的一个方面创建<传感器,位置>的数组(tuple)。在具有数组空间之后,运行SMatsim。
在提取区域中,地图包括网络、计划和网络变化信息。网络信息包括节点和链接。计划信息包括源和目的地。使用这些信息,本发明的一个方面检查计划在给定的网络下是否可行。如果发现矛盾,那么将不会进一步考虑相应的计划。一个相似的过程适用于网络。如果找到某些未被任何计划使用的链接或节点,那么将不会进一步考虑这些链接和/或节点。给定合适的网络,会随着网络变化检查其完整性。如果发现任何未被使用的网络变化,那么将不会进一步考虑该信息。做完这些完整性检查之后,网络、计划和网络变化中剩下的内容被称作区域。
在创建传感器数组时,来自传感器组合集合的输入传感器组合映射到区域。为了具有完整性,本发明的一个方面将数组定义为<传感器,位置>。位置有两种类型:交通工具和链接,这是因为有两种传感器类别(静态的和可移动的),如在本说明书中所述。因此,如果传感器是可移动的,那么数组是<传感器,人>,如果传感器是静态的,那么数组是<传感器,链接>。
对于特定的传感器组合,本发明的一个方面包括创建一个数组空间。数组空间由给定每种类型传感器的百分比的情况下所有可能的数组组成。将传感器分配到某个位置是随机选择的。为了中和随机性的影响,对于特定传感器组合创建多个数组空间。可以通过对多个数组空间驱动的结果取平均计算特定传感器组合的统计。
获得区域和数组空间之后,可以运行SMatsim。在配置上执行SMatsim之后,本发明的一个方面输出统计。在该系统中,可以将精度(RMSE)和每个传感器被触发次数用作统计。
此外,结果是统一的(consolidated),运行优选方法以确定优选的传感器组合子集。可以为所有数组空间的传感器组合总结统计结果,并且可以使用来自传感器的触发信息计算传感器的安装和维护成本。安装成本和维护成本由传感器上发生的触发次数确定。
确定每个传感器组合的各个参数之后,本发明的一个方面包括应用优选方法以确定优选的传感器组合子集(例如,使用本说明书中描述的算法)。给定效用函数作为ICP方法的输入。可以通过确定在f函数具有最高值的ICP中的传感器组合的范围计算相关因素。
图5是示例根据本发明的一个方面的实例实施例的框图。通过示例的方式,图5描绘传感器模型502、传感器组合空间504和交通模式506,它们被提供给交通仿真器模块508。如在本说明书中详细描述的,待做出的决定包括例如城市的结构是什么样的、考虑什么样的传感器以及交通是如何移动的。本发明的一个实施例可以包括从这些决定创建系统的其它输入。
作为举例,对于城市,在示例中选择网格。通过选择传感器,创建传感器模型,该传感器模型是与每个传感器类型对应的仿真器中的数据结构。例如,它的信息与表格II中捕捉的信息是相同的。传感器组合空间基于混合传感器类型的方案自动创建。首先,选择每种传感器类型的传感器数目(N)。然后,每种传感器类型以增量0.1从0到1变化(作为N的一部分),其也可以表示为百分比。在本说明书中,整个组合集合被称为传感器组合选取。
交通模式是交通在区域内移动的具体方式。通过举例的方式,考虑网格上的三种交通模式(被编码在仿真器中):
模式1:代理从所有的角落移动到网络的中心。
模式2:代理计划从网络的最左下部分移动到最右上部分。
模式3:代理从所有的节点移动到网络的中心。
交通仿真器模块508将输出提供给帕累托最优候选集合(OCS)存储库510。仿真器计算并输出特定组合的感测误差(例如,以均方根误差计算)。在本发明的至少一个实施例中,来自存储库510的OCS在被发送到OCS传感器子集选择模块516之前(OCS也可以不过滤就发送出去)在解过滤模块512进行解过滤以选择任何数目k。并且,传感器选取或偏好置信度分布514也可以被提供给OCS传感器子集选择模块516。偏好置信度是输入。例如,某些城市或实体可能优选最低成本的传感器组合,而另一城市可能优选最小的感测误差。
图6是示例根据本发明的一个实施例的用于选择至少一个交通传感器的子集的技术的流程图。步骤602包括对多个传感器类型建模以生成至少一个传感器模型。对多个传感器类型建模包括基于成本、精度和/或覆盖对多个传感器类型建模。步骤604包括创建多个传感器的至少一个传感器组合的样本空间。步骤606包括对区域的交通运动建模。
步骤608包括基于至少一个传感器模型、至少一个传感器组合的样本空间和区域的交通运动运行交通仿真,其中交通仿真生成多个传感器候选集合。例如,可以使用交通仿真器模块执行该步骤。运行交通仿真进一步包括测量伴随在每个传感器组合中的感测误差分布并考虑保证相关地点的至少一个物理特性。
步骤610包括基于多个传感器候选集合选择多个传感器子集。例如,可以使用传感器子集选择模块执行该步骤。基于多个传感器候选集合选择多个传感器子集包括选择传感器选取的帕累托最优组合。
图6中描绘的技术附加地包括在数据库内存储多个传感器子集并将多个传感器子集作为输出集合提供给用户。本发明的至少一个实施例还包括通过除去超过给定成本阈值的组合、除去超过给定误差阈值的组合等过滤选择的多个传感器子集。并且,图6描绘的技术可以包括对于给定数目k个寻求的选取提供选择的多个传感器子集的近似,其包括选择偏好函数并使用ICP近似。
并且,图6中描绘的技术包括在给定选择的多个传感器子集和置信度分布时选择给定数目k的交通传感器子集。并且,本发明的至少一个实施例包括通过在仿真器中对当前交通条件建模对于新的成本和误差阈值确定传感器组合在给定当前传感器布局的区域内扩展至少一个传感器。
如在本说明书中描述的,图6中示出的技术还可以包括提供一种系统,其中该系统包括不同的软件模块,这些不同的软件模块中的每一个都被实施在有形的计算机可读可记录存储介质上。例如,所有的模块(或者其任何子集)可以在相同的介质上,或者每一个也可以在不同的介质上。模块可以包括图中展示的任何或者所有的组件。在本发明的一个方面,该模块包括交通仿真器模块和可以例如在硬件处理器上运行的传感器子集选择模块。如上所述,然后可以使用系统的不同软件模块在硬件处理器上执行该方法的步骤。并且,计算机程序产品可以包括具有适用于被运行以执行本说明书中描述的至少一个方法步骤的代码的有形的计算机可读可记录存储介质,包括提供具有不同的软件模块的系统。
并且,可以通过可能包括被存储在数据处理系统的计算机可读存储介质中的计算机可用程序代码的计算机程序产品实施图6示出的技术,其中,可以通过网络从远程数据处理系统下载计算机可用程序代码。并且,在本发明的一个方面,计算机程序产品可以包括被存储在服务器数据处理系统的计算机可读存储介质中的计算机可用程序代码,其中计算机可用程序代码通过网络下载到远程数据处理系统以在具有远程系统的计算机可读可记录存储介质中使用。
所属技术领域的技术人员知道,本发明的各个方面可以被实现为一种系统、方法或计算机程序产品。因此,本发明的各个方面可以采用完全硬件实施例、完全软件实施例(包括固件、驻留软件、微代码等)或结合软件和硬件方面的实施例的形式,在此全部一般称为“电路”、“模块”或“系统”。此外,本发明的各个方面可以采用实施在计算机可读介质中的计算机程序产品的形式,计算机可读介质具有实施在其上的计算机可读程序代码。
本发明的一个方面或其元素可以被实施为包括存储器和至少一个与该存储器耦合并可操作为执行示例性方法步骤的处理器的设备的形式。
并且,本发明的一个方面可以利用在通用计算机或工作站上运行的软件。参照图7,这样的实现方式可能使用,例如,处理器702、存储器704和由例如显示器706和键盘708形成的输入/输出接口。本说明书中使用的术语“处理器”旨在包括任何处理装置,诸如,例如包括CPU(中央处理单元)和/或其它形式的处理电路的处理装置。另外,术语“处理器”可以指一个以上的单个处理器。术语“存储器”旨在包括与处理器或CPU相关联的存储器,诸如,例如RAM(随机存取存储器)、ROM(只读存储器)、固定存储器装置(例如,硬盘驱动)、可移动存储器装置(例如,软盘)、快闪存储器等。并且,本说明书中使用的词“输入/输出接口”旨在包括,例如,将数据输入处理单元的机构(例如,鼠标)和提供与处理单元相关的结果的机构(例如,打印机)。处理器702、存储器704以及输入/输出接口诸如显示器706和键盘708作为数据处理单元712的一部分可以通过例如总线710相互连接。合适的相互连接,例如通过总线710,也可以被提供给网络接口714,诸如可以被提供给计算机网络的接口的网卡,以及媒体接口716,诸如可以被提供给媒体718接口的软盘或CD-ROM驱动。
因此,如本说明书中所述,包括指令或代码以执行本发明方法的计算机软件可以被存储在相关联的存储器装置(例如,ROM、固定或可移动的存储器)中,准备使用时,部分或完全加载(例如,到RAM中)并由CPU执行。这样的软件可以包括但不限于固件、常驻软件、微代码等。
适合用于存储和/或执行程序代码的数据处理系统包括至少一个通过系统总线710直接或间接耦合到存储器元件704上的处理器702。存储器元件可以包括在程序代码实际实现期间中使用的本地存储器、大容量存储器和为至少一些程序代码提供暂时存储以降低在实现期间中必须从大容量存储器中取回代码的次数的高速缓冲存储器。
输入/输出或I/O装置(包括但不限于键盘708、显示器706、指点装置等)可以直接(诸如通过总线710)或通过居间(intervening)的I/O控制器(为了清楚略去)耦合到系统。
网络适配器诸如网络接口714也可以耦合到系统上以使得数据处理系统变得能够通过居间的私用或公共网络与其它数据处理系统或远程打印机或存储装置耦合。调制解调器、电缆调制解调器和以太网卡只是少数几种目前可用的网络适配器类型。
如在本说明书中使用的,包括权利要求,“服务器”包括运行服务器程序的物理数据处理系统(例如,图7中所示的系统712)。应该理解的是,这样的物理服务器可以包括或不包括显示器和键盘。
正如已经提及的,本发明的各个方面可以采用实施在具有实施在其上的计算机可读程序代码的计算机可读介质中的计算机程序产品的形式。此外,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以至少一种程序设计语言的任何组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言诸如Java、Smalltalk、C++等,还包括常规的过程式程序设计语言诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
在此将参照本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述本发明。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机程序指令实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,这些计算机程序指令通过计算机或其它可编程数据处理装置的处理器执行,产生了实现流程图和/或框图中的方框中规定的功能/操作的装置。
这些计算机程序指令还可以被存储在计算机可读介质中,其可以指导计算机、其它可编程数据处理设备或其它装置以特定方式起作用以使得存储在计算机可读介质中的指令生成包括实施在流程图和/或框图中的方框中规定的功能/动作的指令的制造物件。因此,本发明的一个方面包括一种有形地实施为在执行时使得计算机执行本说明书中描述的多个方法步骤的计算机可读指令的制造物件。
也可以把计算机程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其它可编程装置上执行的指令能够提供实现流程图和/或框图中的方框中规定的功能/操作的过程。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、组件、程序段或代码的一部分,所述模块、组件、程序段或代码的一部分包含至少一个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,或者它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现
应该注意的是,本说明书中描述的任何方法可以包括提供包括实施在计算机可读存储介质上的不同软件模块的系统的附加步骤;模块可以包括在本说明书中详细描述的例如任何或所有的组件。然后,如上所述,可以使用系统的不同软件模块和/或子模块执行方法步骤,以在硬件处理器702上执行。并且,计算机程序产品可以包括具有适用于实施以执行本说明书中描述的至少一个方法步骤的代码的计算机可读存储器介质,包括提供具有不同软件模块的系统。
在任何情况下,应该理解的是,本说明书中示例的组件可以被实施为硬件、软件或二者组合的多种形式;例如,使用专用集成电路(ASICS)、功能电路、具有相关存储器的被合适编程的通用数字计算机等。考虑到本说明书提供的教导,相关领域的普通技术人员能够想到本发明组件的其它实现方式。
本说明书中使用的术语的目的仅是为了描述特定的实施例,并不是为了限制本发明。如在本说明书中使用的,单数形式“一”、“一个”、“该”也旨在包括复数形式,除非上下文明确地表明是除此之外的情形。还应该了解到的是,术语“包括”和/或“包含”当在说明书中使用时,规定出现所述特征、整数、步骤、操作、元件和/或组件,但不排除出现或加入另外的特征、整数、步骤、操作、元件、组件和/或其组。
下面的权利要求中的所有部件或步骤加功能元件相应的结构、材料、动作和等效物旨在包括任何用于与其它特别要求保护的要求权利元件组合在一起执行功能的结构、材料或动作。展示本发明描述的目的是为了示例和描述,而不是为了穷举或限制为本发明的公开形式。对本领域普通技术人员来说,不偏离本发明范围和精神的许多修改和变化是明显的。对实施例进行选择和描述以最好地解释本发明的原理和实际应用,并使得其它本领域普通技术人员将具有各种修改的各个实施例的本发明理解为是为了适合考虑的特定用途。
本发明的至少一个方面可以提供有益效果,诸如,例如从对于给定的交通模式提供合适的成本效益结果的可用类型中确定传感器子集。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (19)
1.一种用于选择交通传感器子集的方法,其中所述方法包括:
对多个传感器类型建模以生成至少一个传感器模型;
创建多个传感器中至少一个传感器组合的样本空间;
对区域的交通运动建模;
基于所述至少一个传感器模型、所述至少一个传感器组合的样本空间和所述区域的交通运动运行交通仿真,其中所述交通仿真生成多个候选传感器集合并且该多个测量传感器组合伴随的感测误差分布;以及
从所述多个候选传感器集合基于该多个测量传感器组合伴随的感测误差分布以及至少一个另外的准则选择所述多个传感器的子集。
2.如权利要求1所述的方法,进一步包括将所述多个传感器的所述子集存储在数据库中。
3.如权利要求1所述的方法,进一步包括将所述多个传感器的所述子集作为输出集合提供给用户。
4.如权利要求1所述的方法,其中对多个传感器类型建模包括基于成本对多个传感器类型建模。
5.如权利要求1所述的方法,其中对多个传感器类型建模包括基于精度对多个传感器类型建模。
6.如权利要求1所述的方法,其中对多个传感器类型建模包括基于覆盖对多个传感器类型建模。
7.如权利要求1所述的方法,其中基于所述至少一个传感器模型和所述至少一个传感器组合的样本空间运行交通仿真进一步包括测量每个传感器组合中伴随的感测误差分布。
8.如权利要求1所述的方法,其中基于所述至少一个传感器模型和所述至少一个传感器组合的样本空间运行交通仿真进一步包括保证考虑相关位置的至少一个物理特性。
9.如权利要求1所述的方法,其中基于所述多个候选传感器集合选择所述多个传感器的子集包括选择传感器选取的帕累托最优组合。
10.如权利要求1所述的方法,进一步包括过滤所述选择的所述多个传感器的子集。
11.如权利要求10所述的方法,其中过滤所述选择的所述多个传感器的子集包括除去超过给定成本阈值的组合。
12.如权利要求11所述的方法,其中过滤所述选择的所述多个传感器的子集包括除去超过误差阈值的组合。
13.如权利要求1所述的方法,进一步包括对于给定数目k个寻求选取提供选择的所述多个传感器的子集的近似。
14.如权利要求13所述的方法,进一步包括选择偏好函数。
15.如权利要求13所述的方法,进一步包括使用整合凸偏好近似。
16.如权利要求1所述的方法,进一步包括在给定选择的所述多个传感器的子集和置信度分布时,选择给定数目k个交通传感器子集。
17.如权利要求1所述的方法,进一步包括在给定当前传感器布局的区域内扩展至少一个传感器。
18.如权利要求17所述的方法,其中在区域内扩展至少一个传感器包括:
在仿真器中对当前交通条件建模;以及
对于新的成本/误差阈值确定传感器组合。
19.一种用于选择至少一个交通传感器的子集的系统,包括被配置成执行根据权利要求1至18中任何一项所述的用于选择至少一个交通传感器的子集的方法的步骤的部件。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US13/253,114 | 2011-10-05 | ||
US13/253,114 US8706458B2 (en) | 2011-10-05 | 2011-10-05 | Traffic sensor management |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103077604A CN103077604A (zh) | 2013-05-01 |
CN103077604B true CN103077604B (zh) | 2015-07-29 |
Family
ID=47225272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210371951.0A Active CN103077604B (zh) | 2011-10-05 | 2012-09-28 | 交通传感器管理方法和系统 |
Country Status (4)
Country | Link |
---|---|
US (2) | US8706458B2 (zh) |
CN (1) | CN103077604B (zh) |
DE (1) | DE102012218058B4 (zh) |
GB (1) | GB2495383A (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8706458B2 (en) * | 2011-10-05 | 2014-04-22 | International Business Machines Corporation | Traffic sensor management |
KR101554216B1 (ko) * | 2013-06-18 | 2015-09-18 | 삼성에스디에스 주식회사 | 시계열 형태의 센싱 데이터 배드 패턴 검증 방법 및 그 장치 |
JP6236448B2 (ja) * | 2013-06-21 | 2017-11-22 | 株式会社日立製作所 | センサ配置決定装置およびセンサ配置決定方法 |
DE102014221285B3 (de) * | 2014-10-21 | 2015-12-03 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren und Vorrichtung zur Generierung von Verkehrsinformationen |
US9466209B2 (en) | 2015-01-09 | 2016-10-11 | International Business Machines Corporation | Traffic network sensor placement |
US9984544B2 (en) | 2015-02-17 | 2018-05-29 | Sap Se | Device layout optimization for surveillance devices |
US10012766B2 (en) | 2015-04-10 | 2018-07-03 | Google Llc | Monitoring external vibration sources for data collection |
US9483938B1 (en) | 2015-08-28 | 2016-11-01 | International Business Machines Corporation | Diagnostic system, method, and recording medium for signalized transportation networks |
US9733973B2 (en) * | 2015-09-16 | 2017-08-15 | Cisco Technology, Inc. | Automatically determining sensor location in a virtualized computing environment |
US9721472B2 (en) * | 2015-09-22 | 2017-08-01 | Ford Global Technologies, Llc | Formulating lane level routing plans |
EP3260999B1 (de) * | 2016-06-24 | 2021-08-04 | Sick Ag | System zum simulieren von sensoren |
CN106781487B (zh) * | 2016-12-28 | 2019-10-25 | 安徽科力信息产业有限责任公司 | 道路固定检测器布设类型选取方法 |
US9935818B1 (en) * | 2017-05-02 | 2018-04-03 | At&T Intellectual Property I, L.P. | Diagnostic traffic generation for automatic testing and troubleshooting |
FR3094126B1 (fr) * | 2019-03-21 | 2021-10-22 | Transdev Group | Dispositif électronique de sélection automatique d’une configuration de surveillance d’une zone de trafic routier, procédé de sélection et programme d’ordinateur associés |
CN111427277A (zh) * | 2020-03-16 | 2020-07-17 | 明珞汽车装备(上海)有限公司 | 一种传感器数模创建方法、系统、装置及存储介质 |
CN112598912B (zh) * | 2020-12-10 | 2022-05-03 | 佳都科技集团股份有限公司 | 卡口间隔获取方法、装置、计算机设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7415385B2 (en) * | 2006-11-29 | 2008-08-19 | Mitsubishi Electric Research Laboratories, Inc. | System and method for measuring performances of surveillance systems |
CN101246513A (zh) * | 2008-03-20 | 2008-08-20 | 天津市市政工程设计研究院 | 城市快速路互通立交仿真设计系统及选型方法 |
CN101273280A (zh) * | 2005-09-27 | 2008-09-24 | 罗伯特·博世有限公司 | 用于控制至少一个对象探测传感器的方法和装置 |
Family Cites Families (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3920967A (en) * | 1974-02-22 | 1975-11-18 | Trw Inc | Computerized traffic control apparatus |
US5400244A (en) * | 1991-06-25 | 1995-03-21 | Kabushiki Kaisha Toshiba | Running control system for mobile robot provided with multiple sensor information integration system |
SE470367B (sv) * | 1992-11-19 | 1994-01-31 | Kjell Olsson | Sätt att prediktera trafikparametrar |
US5798949A (en) * | 1995-01-13 | 1998-08-25 | Kaub; Alan Richard | Traffic safety prediction model |
DE19805869A1 (de) * | 1998-02-13 | 1999-08-26 | Daimler Chrysler Ag | Verfahren und Vorrichtung zur Bestimmung der Verkehrslage auf einem Verkehrswegennetz |
AU1089300A (en) | 1999-11-03 | 2001-05-14 | Cet Technologies Pte Ltd | Image processing techniques for a video based traffic monitoring system and methods therefor |
DK1393136T3 (da) * | 2001-04-26 | 2009-05-11 | Abb As | Fremgangsmåde til at overvåge og detektere sensorfejl i olie- og gas-produktionssystemer |
DE60239131D1 (de) * | 2001-06-22 | 2011-03-24 | Caliper Corp | Verkehrsdatenverwaltung und simulationssystem |
US6577946B2 (en) | 2001-07-10 | 2003-06-10 | Makor Issues And Rights Ltd. | Traffic information gathering via cellular phone networks for intelligent transportation systems |
US6909997B2 (en) * | 2002-03-26 | 2005-06-21 | Lockheed Martin Corporation | Method and system for data fusion using spatial and temporal diversity between sensors |
US7197320B2 (en) | 2003-07-02 | 2007-03-27 | Joseph Joseph | System for managing traffic patterns using cellular telephones |
EP1591980A1 (en) | 2004-03-29 | 2005-11-02 | C.R.F. Società Consortile per Azioni | Traffic monitoring system |
US7289904B2 (en) * | 2004-04-06 | 2007-10-30 | Honda Motor Co., Ltd. | Vehicle navigation system and methods for incorporating user preferences into same |
JP4175312B2 (ja) * | 2004-09-17 | 2008-11-05 | 株式会社日立製作所 | 交通情報予測装置 |
US7379844B2 (en) * | 2005-02-17 | 2008-05-27 | Sungkyunkwan University Foundation For Corporate Collaboration Of Sungkyundwan University | Particle sampling method and sensor fusion and filtering method |
DE102005017422A1 (de) * | 2005-04-15 | 2006-10-19 | Robert Bosch Gmbh | Fahrerassistenzsystem mit Einrichtung zur Erkennung von stehenden Objekten |
US7885758B2 (en) | 2005-06-30 | 2011-02-08 | Marvell World Trade Ltd. | GPS-based traffic monitoring system |
US8297977B2 (en) * | 2005-07-12 | 2012-10-30 | Eastern Virginia Medical School | System and method for automatic driver evaluation |
EP1938278A4 (en) * | 2005-09-02 | 2010-04-14 | Hntb Holdings Ltd | SYSTEM AND METHOD FOR COLLECTING AND TRANSPORTING SIMULATION DATA |
US7706963B2 (en) * | 2005-10-28 | 2010-04-27 | Gm Global Technology Operations, Inc. | System for and method of updating traffic data using probe vehicles having exterior sensors |
US7912628B2 (en) * | 2006-03-03 | 2011-03-22 | Inrix, Inc. | Determining road traffic conditions using data from multiple data sources |
US7541943B2 (en) | 2006-05-05 | 2009-06-02 | Eis Electronic Integrated Systems Inc. | Traffic sensor incorporating a video camera and method of operating same |
EP2082388B1 (de) * | 2006-10-13 | 2015-08-19 | Continental Teves AG & Co. oHG | Verfahren und vorrichtung zur erkennung von verdeckten objekten im strassenverkehr |
DE102007002197A1 (de) * | 2007-01-16 | 2008-07-17 | Siemens Ag | Gemeinsamer Kontroller für verschiedene Fahrerassistenzsysteme |
US8751209B2 (en) * | 2007-03-14 | 2014-06-10 | Exelis Inc. | Simulation cache to expedite complex modeling and simulation processes |
US7539593B2 (en) * | 2007-04-27 | 2009-05-26 | Invensys Systems, Inc. | Self-validated measurement systems |
US7948400B2 (en) | 2007-06-29 | 2011-05-24 | Microsoft Corporation | Predictive models of road reliability for traffic sensor configuration and routing |
US8103435B2 (en) * | 2007-07-27 | 2012-01-24 | George Mason Intellectual Properties, Inc. | Near real-time traffic routing |
DE102007062741B4 (de) * | 2007-12-27 | 2009-08-27 | Siemens Ag | Verfahren und Prüfeinrichtung zum Prüfen eines Verkehrssteuerungssystems |
US8890802B2 (en) * | 2008-06-10 | 2014-11-18 | Intel Corporation | Device with display position input |
JP4783414B2 (ja) * | 2008-09-12 | 2011-09-28 | 株式会社東芝 | 交通状況予測システム |
CN101505486B (zh) | 2009-03-18 | 2011-01-05 | 北京交通大学 | 传感器网络组网优化方法 |
US8368559B2 (en) | 2009-08-26 | 2013-02-05 | Raytheon Company | Network of traffic behavior-monitoring unattended ground sensors (NeTBUGS) |
KR101331091B1 (ko) * | 2009-12-22 | 2013-11-20 | 한국전자통신연구원 | 보행 패턴 분석 방법 |
JP5585229B2 (ja) * | 2010-06-16 | 2014-09-10 | 富士通株式会社 | 車両の挙動推定装置、プログラム、及び、方法 |
JP5501903B2 (ja) * | 2010-09-07 | 2014-05-28 | 株式会社日立製作所 | 異常検知方法及びそのシステム |
US8514283B2 (en) * | 2010-09-20 | 2013-08-20 | Ajou University Industry Cooperation Foundation | Automatic vision sensor placement apparatus and method |
JP5895162B2 (ja) * | 2010-10-28 | 2016-03-30 | パナソニックIpマネジメント株式会社 | 交通事故検出装置及び交通事故検出方法 |
US8706458B2 (en) * | 2011-10-05 | 2014-04-22 | International Business Machines Corporation | Traffic sensor management |
-
2011
- 2011-10-05 US US13/253,114 patent/US8706458B2/en active Active
-
2012
- 2012-08-15 US US13/586,067 patent/US8706459B2/en active Active
- 2012-09-27 GB GB1217271.4A patent/GB2495383A/en not_active Withdrawn
- 2012-09-28 CN CN201210371951.0A patent/CN103077604B/zh active Active
- 2012-10-02 DE DE102012218058.3A patent/DE102012218058B4/de active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101273280A (zh) * | 2005-09-27 | 2008-09-24 | 罗伯特·博世有限公司 | 用于控制至少一个对象探测传感器的方法和装置 |
US7415385B2 (en) * | 2006-11-29 | 2008-08-19 | Mitsubishi Electric Research Laboratories, Inc. | System and method for measuring performances of surveillance systems |
CN101246513A (zh) * | 2008-03-20 | 2008-08-20 | 天津市市政工程设计研究院 | 城市快速路互通立交仿真设计系统及选型方法 |
Non-Patent Citations (2)
Title |
---|
W.Elmenreich,R.Leidenforst.fusion of hetrogeneous sensors data.《International Workshop on Intelligent Solutions in Embedded Systems》.2008,第1-10页. * |
Yizhen Zhang,Erik K.Antonsson.evolutionary engineering design synthesis of on-board traffic monitoring sensors.《Research in Engineering Design》.2008,第19卷(第3期),第113-125页. * |
Also Published As
Publication number | Publication date |
---|---|
DE102012218058B4 (de) | 2021-02-25 |
GB201217271D0 (en) | 2012-11-14 |
CN103077604A (zh) | 2013-05-01 |
US8706458B2 (en) | 2014-04-22 |
GB2495383A (en) | 2013-04-10 |
US20130090905A1 (en) | 2013-04-11 |
DE102012218058A1 (de) | 2013-04-25 |
US8706459B2 (en) | 2014-04-22 |
US20130090904A1 (en) | 2013-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103077604B (zh) | 交通传感器管理方法和系统 | |
CN110111576B (zh) | 一种基于时空拥堵子团的城市交通弹性指标的实现方法 | |
Wang et al. | A big data approach for smart transportation management on bus network | |
CN112215427B (zh) | 一种卡口数据缺失下的车辆行车轨迹重建方法及系统 | |
Song et al. | A match‐then‐predict method for daily traffic flow forecasting based on group method of data handling | |
Cheng et al. | Multi-period two-echelon location routing problem for disaster waste clean-up | |
CN112489426A (zh) | 一种基于图卷积神经网络的城市交通流量时空预测方案 | |
US20230316902A1 (en) | Traffic flow migration situation display method and apparatus, device, medium and product | |
CN105631551A (zh) | 一种最优路线的推荐方法及装置 | |
Tran et al. | Stochasticity and environmental cost inclusion for electric vehicles fast-charging facility deployment | |
Fowe et al. | A microstate spatial-inference model for network-traffic estimation | |
CN102376025A (zh) | 一种模拟手机数据并评估城市路网交通状态的方法 | |
Liu et al. | Planning bike lanes with data: Ridership, congestion, and path selection | |
CN116698075B (zh) | 路网数据处理方法、装置、电子设备及存储介质 | |
Yu et al. | A hybrid prediction approach for road tunnel traffic based on spatial-temporary data fusion | |
Ram et al. | Smartbike: Policy making and decision support for bike share systems | |
Wang et al. | National and regional road network optimization for Senegal using mobile phone data | |
Wang et al. | Grid mapping for road network abstraction and traffic congestion identification based on probe vehicle data | |
Joo et al. | Decision-making system for road-recovery considering human mobility by applying deep Q-network | |
Mannini et al. | FCD data for on‐street parking search time estimation | |
Song et al. | Sparse trip demand prediction for shared e-scooter using spatio-temporal graph neural networks | |
Iovanovici et al. | Collaborative environment for road traffic monitoring | |
KR102374342B1 (ko) | 음식물쓰레기 관리 지원 장치 및 방법 | |
Tosi et al. | Vehicular traffic predictions from cellular network data—A real world case study | |
US20230068677A1 (en) | Methods for construction planning of charging piles in the smart cities and internet of things systems thereof |
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 |