CN104750963A - 交叉口延误时长估计方法及装置 - Google Patents
交叉口延误时长估计方法及装置 Download PDFInfo
- Publication number
- CN104750963A CN104750963A CN201310751033.5A CN201310751033A CN104750963A CN 104750963 A CN104750963 A CN 104750963A CN 201310751033 A CN201310751033 A CN 201310751033A CN 104750963 A CN104750963 A CN 104750963A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- crossing
- section
- time point
- index line
- 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.)
- Granted
Links
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明提出交叉口延误时长估计方法及装置。方法包括:对于任一交叉口,检测通过该交叉口的每个车辆所处的路段,或者所处路段和车道,根据每个车辆所处的路段,或者所处路段和车道,检测每个车辆进入该交叉口和离开该交叉口的时间点;对于每个车辆,根据该车辆进入该交叉口的时间点和离开该交叉口的时间点,计算该车辆通过该交叉口的时长,根据该车辆通过该交叉口的时长和车辆在自由流速度下通过该交叉口所需时长,计算该车辆在该交叉口的延误时长;根据通过该交叉口的所有车辆在该交叉口的延误时长,估计车辆在该交叉口的平均延误时长。本发明提高了交叉口延误时长的估计精度。
Description
技术领域
本发明涉及智能交通技术领域,尤其涉及交叉口延误时长估计方法及装置。
背景技术
智能交通系统,不论是智能信号控制系统、智能诱导系统还是交通事件应急指挥系统,均需要基于传感器采集的数据对路段及交叉口的关键交通参数进行估计。常用的交通参数包含单点交通流量、速度、占有率,空间密度,路段行程时间,交叉口延误时长、排队长度等。上述参数有些可以使用现有的传感器直接测量,例如单点交通流量、速度、占有率可以由线圈传感器直接测量。但是,空间密度、路段行程时长、交叉口延误时长和排队长度参数基于现有的传感器较难直接测量。
交叉口延误时长是指车辆在信号控制交叉口上受阻、行驶时间损失的指标,它直接反映了机动车出行者穿越交叉口的时间损失,即由于车辆受到交叉口信号控制的影响而引起的时间损失,它既可以反映驾驶员通过交叉口时受交叉口信号控制产生的行驶时间损失,又与油耗、尾气排放、驾驶舒适性紧密相关。交叉口延误时长是评价交叉口阻塞程度、服务水平的重要指标,常用于评估交叉口交通设计、信号控制方案的合理性,进而为交叉口信号控制策略优化提供量化指标依据。
现有的交叉口控制策略包括单路口控制、干线绿波控制、区域协同控制等。它们共同的目标是减少经过车辆的交叉口延误时长。然而延误同时也是一个难以直接检测的参数。传统的延误获取方法主要有两种分类:理论模型计算方法和现场观测方法。理论模型计算方法中最典型的是“美国道路通行能力手册”(HCM2000)给出的延误计算公式,这些公式是基于一定的车辆到达模式,并且预设的参数可能对特定的交叉口并不适用,所以HCM的延误计算公式对于交通控制和评价的目的来说并不够精确。现场观测方法虽然能比较精确地获得交叉口停车延误值,但具有样本量低、成本高、劳动强度大、后期数据处理工作量大等缺陷,不能实时地、全时段地获得交叉口延误值。因此,该方法人力物力耗费大,且无法满足实时优化信号控制方案对交叉口延误数据采集的实时性要求,仅适用于确定的交叉口配时方法。
发明内容
本发明提供交叉口延误时长估计方法及装置,以提高交叉口延误时长的估计精度。
本发明的技术方案是这样实现的:
一种交叉口延误时长估计方法,该方法包括:
对于任一交叉口,检测通过该交叉口的每个车辆所处的路段,或者所处路段和车道,根据每个车辆所处的路段,或者所处路段和车道,检测每个车辆进入该交叉口和离开该交叉口的时间点;
对于每个车辆,根据该车辆进入该交叉口的时间点和离开该交叉口的时间点,计算该车辆通过该交叉口的时长,根据该车辆通过该交叉口的时长和车辆在自由流速度下通过该交叉口所需时长,计算该车辆在该交叉口的延误时长;
根据通过该交叉口的所有车辆在该交叉口的延误时长,估计车辆在该交叉口的平均延误时长。
所述方法进一步包括:
对于任一交叉口,预先采集两组训练样本,一组为在预设时长内通过该交叉口且未经等待直接通过的车辆,另一组为在该预设时长内通过该交叉口且经过了等待的车辆;且,每个训练样本以两个参数表征,一个是该车辆进入该交叉口的时间点,另一个是该车辆在该交叉口的延误时长;
采用预设分类算法,对该两组训练样本进行计算,得到区分该两类样本的分类模型;
所述根据通过该交叉口的所有车辆在该交叉口的延误时长,估计车辆在该交叉口的平均延误时长包括:
对于通过该交叉口的每个车辆,以该车辆进入该交叉口的时间点和该车辆在该交叉口的延误时长为输入参数,将该两参数输入所述分类模型,得到该车辆所属的类别;
在对所有车辆分类完毕时,对属于同一类的车辆,以车辆进入该交叉口的时间点为横轴,以车辆在该交叉口的延误时长为纵轴,从最早进入该交叉口的车辆开始,对连续一个或多个车辆进行分段线性拟合,最终得到所有车辆在该交叉口的延误时长的连续的分段线性函数,对得到的所有分段线性函数求取积分中值,该积分中值即为车辆在该交叉口的平均延误时长。
所述方法进一步包括:
预先为每个交叉口关联的每个路段分别设置路段驶出指示线和路段驶入指示线,其中,路段的驶出指示线相对于该路段的驶入指示线,距离交叉口更远;
且预先设定:当车辆通过一个路段的驶出指示线,且运动方向为驶向该路段关联的交叉口时,认为车辆通过该驶出指示线的时间点为车辆进入该交叉口的时间点;当车辆通过一个路段的驶入指示线,且运动方向为驶离该路段关联的交叉口时,认为车辆通过该驶入指示线的时间点为车辆离开该交叉口的时间点;
所述检测每个车辆进入该交叉口和离开该交叉口的时间点包括:
估计车辆的地理位置,将车辆的地理位置与车辆所处路段的驶出指示线和驶入指示线进行比对,若车辆的地理位置与驶出指示线之间的垂直距离小于预设值,且车辆的运动方向为驶向该路段关联的交叉口,则认为当前时间点为该车辆进入该交叉口的时间点;若车辆的地理位置与驶入指示线之间的垂直距离小于预设值,,且车辆的运动方向为驶离该路段关联的交叉口,则认为当前时间点为该车辆离开该交叉口的时间点;
或者,若车载终端,和/或乘车者的手持终端通过自带摄像头实时拍摄了道路周边环境信息,则将该拍摄的道路周边环境信息与服务器端采集的道路周边环境信息进行比对,确定车辆的地理位置;然后,根据车载终端,和/或乘车者的手持终端拍摄的前方路面信息,确定车辆通过路段的驶出指示线或驶入指示线的时间点,从而确定车辆进入或离开路段关联的交叉口的时间点;
或者,若路口路侧布设了蓝牙,或射频识别RFID,或电子不停车收费系统ETC路边设施,则根据车载终端,和/或乘车者的手持终端与路段的驶出指示线或驶入指示线附近的路边设施的通信,确定车辆通过路段的驶出指示线或驶入指示线的时间点,从而确定车辆进入或离开路段关联的交叉口的时间点;
或者,基于路侧摄像头采集车辆数据来检测车辆通过路段的驶出指示线或驶入指示线的时间点,从而确定车辆进入或离开路段关联的交叉口的时间点;
或者,基于线圈或微波传感器检测车辆通过路段的驶出指示线或驶入指示线的时间点,从而确定车辆进入或离开路段关联的交叉口的时间点;
或者,根据上述方法的任意组合确定车辆进入或离开路段关联的交叉口的时间点。
所述估计车辆的地理位置包括:
通过车载终端,和/或乘车者的手持终端周期性采集车辆的位置,根据采集的车辆的位置,估计车辆的地理位置;
或者,若车载终端,和/或乘车者的手持终端通过自带摄像头实时拍摄了道路周边环境信息,则将该拍摄的道路周边环境信息与服务器端采集的道路周边环境信息进行比对,确定车辆的地理位置;
所述检测每个车辆所处路段和车道包括:
将估计的车辆的地理位置与包含路段、车道划分信息的道路地理位置信息进行比对,判定车辆所处路段和车道;
或者,根据车载终端,和/或乘车者的手持终端拍摄的前方路面信息,确定车辆所处路段和车道;
或者,若路口路侧布设了蓝牙,或射频识别,或电子不停车收费系统ETC路边设施,则根据车载终端,和/或乘车者的手持终端与路边设施的通信,确定车辆所处路段和车道;
或者,根据上述方法的任意组合确定车辆所处路段和车道。
所述通过车载终端,和/或乘车者的手持终端周期性采集车辆的位置包括:
车载终端,和/或乘车者的手持终端周期性采集车辆的位置及运动状态,将采集的车辆的位置、运动状态与采集时间点上报给车载网关,车载网关将车辆的位置、运动状态与采集时间点通过专用网络平台和运营支撑平台传送给行车用量关系管理系统,公安交通管理子系统向行车用量关系管理系统获取采集的所有车辆的位置、运动状态与采集时间点。
一种交叉口延误时长估计装置,该装置包括:
延误时长计算模块:对于任一交叉口,检测通过该交叉口的每个车辆所处的路段,或者所处路段和车道,根据每个车辆所处的路段,或者所处路段和车道,检测每个车辆进入该交叉口和离开该交叉口的时间点;对于每个车辆,根据该车辆进入该交叉口的时间点和离开该交叉口的时间点,计算该车辆通过该交叉口的时长,根据该车辆通过该交叉口的时长和车辆在自由流速度下通过该交叉口所需时长,计算该车辆在该交叉口的延误时长;
平均延误时长估计模块:根据通过该交叉口的所有车辆在该交叉口的延误时长,估计车辆在该交叉口的平均延误时长。
所述装置进一步包括:
分类模型建立模块:对于任一交叉口,预先采集两组训练样本,一组为在预设时长内通过该交叉口且未经等待直接通过的车辆,另一组为在该预设时长内通过该交叉口且经过了等待的车辆;且,每个训练样本以两个参数表征,一个是该车辆进入该交叉口的时间点,另一个是该车辆在该交叉口的延误时长;采用预设分类算法,对该两组训练样本进行计算,得到区分该两类样本的分类模型;
且,所述平均延误时长估计模块根据通过该交叉口的所有车辆在该交叉口的延误时长,估计车辆在该交叉口的平均延误时长包括:
对于通过该交叉口的每个车辆,以该车辆进入该交叉口的时间点和该车辆在该交叉口的延误时长为输入参数,将该两参数输入所述分类模型,得到该车辆所属的类别;在对所有车辆分类完毕时,对属于同一类的车辆,以车辆进入该交叉口的时间点为横轴,以车辆在该交叉口的延误时长为纵轴,从最早进入该交叉口的车辆开始,对连续一个或多个车辆进行分段线性拟合,最终得到所有车辆在该交叉口的延误时长的连续的分段线性函数,对得到的所有分段线性函数求取积分中值,该积分中值即为车辆在该交叉口的平均延误时长。
所述延误时长计算模块进一步用于,预先为每个交叉口关联的每个路段分别设置路段驶出指示线和路段驶入指示线,其中,路段的驶出指示线相对于该路段的驶入指示线,距离交叉口更远;且预先设定:当车辆通过一个路段的驶出指示线,且运动方向为驶向该路段关联的交叉口时,认为车辆通过该驶出指示线的时间点为车辆进入该交叉口的时间点;当车辆通过一个路段的驶入指示线,且运动方向为驶离该路段关联的交叉口时,认为车辆通过该驶入指示线的时间点为车辆离开该交叉口的时间点;
所述延误时长计算模块检测每个车辆进入该交叉口和离开该交叉口的时间点包括:
估计车辆的地理位置,将车辆的地理位置与车辆所处路段的驶出指示线和驶入指示线进行比对,若车辆的地理位置与驶出指示线之间的垂直距离小于预设值,且车辆的运动方向为驶向该路段关联的交叉口,则认为当前时间点为该车辆进入该交叉口的时间点;若车辆的地理位置与驶入指示线之间的垂直距离小于预设值,,且车辆的运动方向为驶离该路段关联的交叉口,则认为当前时间点为该车辆离开该交叉口的时间点;
或者,若车载终端,和/或乘车者的手持终端通过自带摄像头实时拍摄了道路周边环境信息,则将该拍摄的道路周边环境信息与服务器端采集的道路周边环境信息进行比对,确定车辆的地理位置;然后,根据车载终端,和/或乘车者的手持终端拍摄的前方路面信息,确定车辆通过路段的驶出指示线或驶入指示线的时间点,从而确定车辆进入或离开路段关联的交叉口的时间点;
或者,若路口路侧布设了蓝牙,或射频识别RFID,或电子不停车收费系统ETC路边设施,则根据车载终端,和/或乘车者的手持终端与路段的驶出指示线或驶入指示线附近的路边设施的通信,确定车辆通过路段的驶出指示线或驶入指示线的时间点,从而确定车辆进入或离开路段关联的交叉口的时间点;
或者,基于路侧摄像头采集车辆数据来检测车辆通过路段的驶出指示线或驶入指示线的时间点,从而确定车辆进入或离开路段关联的交叉口的时间点;
或者,基于线圈或微波传感器检测车辆通过路段的驶出指示线或驶入指示线的时间点,从而确定车辆进入或离开路段关联的交叉口的时间点;
或者,根据上述方法的任意组合确定车辆进入或离开路段关联的交叉口的时间点。
所述延误时长计算模块估计车辆的地理位置包括:
通过车载终端,和/或乘车者的手持终端周期性采集车辆的位置,根据采集的车辆的位置,估计车辆的地理位置;
或者,若车载终端,和/或乘车者的手持终端通过自带摄像头实时拍摄了道路周边环境信息,则将该拍摄的道路周边环境信息与服务器端采集的道路周边环境信息进行比对,确定车辆的地理位置;
所述延误时长计算模块检测每个车辆所处路段和车道包括:
将估计的车辆的地理位置与包含路段、车道划分信息的道路地理位置信息进行比对,判定车辆所处路段和车道;
或者,根据车载终端,和/或乘车者的手持终端拍摄的前方路面信息,确定车辆所处路段和车道;
或者,若路口路侧布设了蓝牙,或射频识别,或电子不停车收费系统ETC路边设施,则根据车载终端,和/或乘车者的手持终端与路边设施的通信,确定车辆所处路段和车道;
或者,根据上述方法的任意组合确定车辆所处路段和车道。
所述延误时长计算模块通过车载终端,和/或乘车者的手持终端周期性采集车辆的位置包括:
向行车用量关系管理系统获取车载终端,和/或乘车者的手持终端周期性采集的所有车辆的位置、运动状态与采集时间点,其中,所有车辆的位置、运动状态与采集时间点为:车载终端,和/或乘车者的手持终端上报给车载网关,再由车载网关通过专用网络平台和运营支撑平台传送给行车用量关系管理系统的。
所述装置位于公安交通管理子系统侧。
可见,本发明中,检测通过该交叉口的每个车辆所处的路段,或者所处路段和车道,根据每个车辆所处的路段,或者所处路段和车道,检测每个车辆进入该交叉口和离开该交叉口的时间点;根据该车辆进入该交叉口的时间点和离开该交叉口的时间点以及车辆在自由流速度下通过该交叉口所需时长,计算该车辆在该交叉口的延误时长;根据通过该交叉口的所有车辆在该交叉口的延误时长,估计车辆在该交叉口的平均延误时长,提高了交叉口延误时长的估计精度;
且,本发明实施例中,为通过交叉口的车辆建立分类模型,根据该分类模型对通过交叉口的车辆进行分类,对同类车辆进行线性拟合,根据线性拟合结果计算交叉口平均延误时长,使得交叉口延误时长更具普适性,进一步提高了交叉口延误时长的估计精度。
附图说明
图1为本发明实施例提供的交叉口延误时长估计方法流程图;
图2为本发明实施例提供的车载终端,和/或乘车者的手持终端采集车辆的位置等信息并上报给服务器端的方法流程图;
图3为本发明实施例提供的交叉口延误时长估计系统的组成示意图;
图4为本发明实施例提供的车辆在交叉口的延误时长的计算方法流程图;
图5为本发明应用示例提供的车辆通过交叉口的时长的计算场景;
图6为本发明应用示例提供的对通过交叉口的车辆进行分类的场景;
图7为本发明实施例提供的对通过交叉口的车辆进行分类的方法流程图;
图8为本发明实施例提供的交叉口的平均延误时长的估计方法流程图;
图9为本发明应用示例提供的车辆在交叉口的延误时长的线性函数曲线;
图10为本发明实施例提供的交叉口延误时长估计装置的组成示意图。
具体实施方式
下面结合附图及具体实施例对本发明再作进一步详细的说明。
图1为本发明实施例提供的交叉口延误时长估计方法流程图,如图1所示,其主要步骤如下:
步骤101:对于任一交叉口,检测通过该交叉口的每个车辆所处的路段,或者所处路段和车道,根据每个车辆所处的路段,或者所处路段和车道,检测每个车辆进入该交叉口和离开该交叉口的时间点。
步骤102:对于每个车辆,根据该车辆进入该交叉口的时间点和离开该交叉口的时间点,计算该车辆通过该交叉口的时长,根据该车辆通过该交叉口的时长和车辆在自由流速度下通过该交叉口所需时长,计算该车辆在该交叉口的延误时长。
步骤103:对于任一交叉口,采集两组训练样本,一组为在预设时长内通过该交叉口且未经等待直接通过的车辆,另一组为在该预设时长内通过该交叉口且经过了等待的车辆;且,每个训练样本以两个参数表征,一个是该车辆进入该交叉口的时间点,另一个是该车辆在该交叉口的延误时长。
这里的训练样本应该是连续采集的,且采集时长应该是n*24小时,n为整数且n>=1。其中,车辆进入该交叉口的时间点以24小时制的时钟表示,即时间点的取值范围是:0小时0分0秒~23小时59分59秒。
步骤104:采用预设分类算法,对该两组训练样本进行计算,得到区分该两类样本的分类模型。
步骤105:当要估计任一交叉口的平均延误时长时,对于最近一段时长内通过该交叉口的每个车辆,以该车辆进入该交叉口的时间点和该车辆在该交叉口的延误时长为输入参数,将该两参数输入所述分类模型,得到该车辆所属的类别。
这里的“最近一段时长”应该是m*24小时,m为整数且m>=1。
步骤106:当对最近一段时长内通过该交叉口的所有车辆分类完毕时,对属于同一类的车辆,以车辆进入该交叉口的时间点为横轴,以车辆在该交叉口的延误时长为纵轴,从最早进入该交叉口的车辆开始,对连续一个或多个车辆进行分段线性拟合,最终得到所有车辆在该交叉口的延误时长的连续的分段线性函数,对得到的所有分段线性函数求取积分中值,该积分中值即为车辆在该交叉口的平均延误时长。
其中,步骤101中,在检测每个车辆进入该交叉口和离开该交叉口的时间点之前,要预先为每个交叉口关联的每个路段分别设置路段驶出指示线和路段驶入指示线,其中,路段的驶出指示线相对于该路段的驶入指示线,距离交叉口更远;且预先设定:当车辆通过一个路段的驶出指示线,且运动方向为驶向该路段关联的交叉口时,认为车辆通过该驶出指示线的时间点为车辆进入该交叉口的时间点;当车辆通过一个路段的驶入指示线,且运动方向为驶离该路段关联的交叉口时,认为车辆通过该驶入指示线的时间点为车辆离开该交叉口的时间点。
检测每个车辆进入该交叉口和离开该交叉口的时间点可采用如下方法实现:
1)估计车辆的地理位置,估计车辆所处路段或者所处路段和车道,将车辆的地理位置与车辆所处路段的驶出指示线和驶入指示线进行比对,若车辆的地理位置与驶出指示线之间的垂直距离小于预设值,且车辆的运动方向为驶向该路段关联的交叉口,则认为当前时间点为该车辆进入该交叉口的时间点;若车辆的地理位置与驶入指示线之间的垂直距离小于预设值,,且车辆的运动方向为驶离该路段关联的交叉口,则认为当前时间点为该车辆离开该交叉口的时间点;
2)若车载终端,和/或乘车者的手持终端通过自带摄像头实时拍摄了道路周边环境信息,则将该拍摄的道路周边环境信息与服务器端采集的道路周边环境信息进行比对,确定车辆的地理位置;然后,根据车载终端,和/或乘车者的手持终端拍摄的前方路面信息,确定车辆通过路段的驶出指示线或驶入指示线的时间点,从而确定车辆进入或离开路段关联的交叉口的时间点;
3)若路口路侧布设了蓝牙,或射频识别RFID,或电子不停车收费系统ETC路边设施,则根据车载终端,和/或乘车者的手持终端与路段的驶出指示线或驶入指示线附近的路边设施的通信,确定车辆通过路段的驶出指示线或驶入指示线的时间点,从而确定车辆进入或离开路段关联的交叉口的时间点;
4)基于路侧摄像头采集车辆数据来检测车辆通过路段的驶出指示线或驶入指示线的时间点,从而确定车辆进入或离开路段关联的交叉口的时间点;
5)基于线圈或微波传感器检测车辆通过路段的驶出指示线或驶入指示线的时间点,从而确定车辆进入或离开路段关联的交叉口的时间点;
6)根据上述1)~5)方法的任意组合确定车辆进入或离开路段关联的交叉口的时间点。
其中,上述方法1)中估计车辆的地理位置可采用如下方法实现:
11)通过车载终端,和/或乘车者的手持终端周期性采集车辆的位置,根据采集的车辆的位置,估计车辆的地理位置;
12)若车载终端,和/或乘车者的手持终端通过自带摄像头实时拍摄了道路周边环境信息,则将该拍摄的道路周边环境信息与服务器端采集的道路周边环境信息进行比对,确定车辆的地理位置。
上述方法1)中估计车辆所处路段和车道可采用如下方法实现:
13)将估计的车辆的地理位置与包含路段、车道划分信息的道路地理位置信息进行比对,判定车辆所处路段和车道;
14)根据车载终端,和/或乘车者的手持终端拍摄的前方路面信息,确定车辆所处路段和车道;
15)若路口路侧布设了蓝牙,或射频识别,或电子不停车收费系统ETC路边设施,则根据车载终端,和/或乘车者的手持终端与路边设施的通信,确定车辆所处路段和车道;
16)根据上述方法13)~15)的任意组合确定车辆所处路段和车道。
以下给出车载终端,和/或乘车者的手持终端采集车辆的位置等信息并上报给服务器端的具体实现过程:
图2为本发明实施例提供的车载终端,和/或乘车者的手持终端采集车辆的位置等信息并上报给服务器端的方法流程图,如图2所示,其具体步骤如下:
步骤201:车载终端,和/或乘车者的手持终端周期性采集车辆的位置及运动状态。
车载终端,例如:OBD(On-Board Diagnostic System,车载诊断系统),导航仪等。
具体地,由车载终端,和/或乘车者的手持终端承载的加速度计、陀螺仪、GPS(Global Positioning System,全球定位系统)、北斗模块、基站定位模块以及基于上述传感器的增强及融合定位模块采集车辆的位置。车辆的位置可以经纬度、海拔等表示。其中,基于上述传感器的增强及融合定位模块可为RTK(Real-time kinematic,实时相位差分)模块等。
可由车载终端,和/或乘车者的手持终端承载的加速度计、陀螺仪、GPS、北斗模块以及基于上述传感器的增强及融合定位模块采集车辆的运动状态,如:速度、加速度、俯仰角、转向角等。
步骤202:车载终端,和/或乘车者的手持终端将采集的车辆位置、运动状态与采集时间点上报给车载网关,车载网关将车辆位置、运动状态与采集时间点通过专用网络平台和运营支撑平台传送给行车用量关系管理系统。
本步骤中,车载网关可以对手持终端进行认证鉴权。具体地,在手持终端将车辆位置、运动状态与采集时间点上报给车载网关前,手持终端先向车载网关发起认证鉴权请求,通过后,车载网关才会接受手持终端上报的车辆位置、运动状态与采集时间点。其中,认证鉴权请求中携带的鉴权信息可以是用户名、密码等。
可选择将经常乘载的乘车者的手持终端与车载网关绑定,被绑定的手持终端被称为常用手持终端,该手持终端进入车辆后,车载网关自动通过对该手持终端的认证鉴权。
步骤203:行车用量关系管理系统对来自所有车载网关的车辆的位置、运动状态与采集时间点进行预处理。
这里,预处理如:去掉重复数据,补偿丢失的数据等,具体算法可采用现有技术,在此不再一一赘述。
步骤204:公安交通管理子系统向行车用量关系管理系统获取采集的所有车辆的位置、运动状态与采集时间点。
图3给出了本发明实施例提供的交叉口延误时长估计系统的组成示意图,如图3所示,其主要包括:车载终端和/或手持终端、车载网关、专用网络平台和运营支撑平台、行车用量关系管理系统和公安交通管理子系统。
图4给出了本发明实施例提供的车辆在交叉口的延误时长的计算方法流程图,如图4所示,其具体步骤如下:
步骤401:公安交通管理子系统检测每个车辆在每个时间点所处的路段。
在检测车辆所处路段的同时,还可以检测车辆所处车道。
在实际应用中,若车载终端和/或乘车者的手持终端定位有偏差,或者道路地理位置信息缺少车道划分信息,则此时只需检测车辆所处路段,而不检测车辆所处车道。
检测车辆所处路段、车道的具体方法见图1所示流程描述。
步骤402:对于每个车辆,公安交通管理子系统根据步骤401检测到的该车辆所处路段以及车辆的运动状态,检测该车辆进入交叉口和离开该交叉口的时间点。
在实际道路环境中,交叉口处于三个或四个路段的结合处。如图5所示,该交叉口就处于四个路段,分别为路段1、2、3、4的结合处,当车辆由东向西行驶时,则进入交叉口的时间点就是驶出路段1的时间点,离开交叉口的时间点就是驶入路段2的时间点。具体地,驶出路段1的时间点就是通过路段1的驶出指示线的时间点,驶入路段2的时间点就是通过路段2的驶入指示线的时间点。在图5中,通过线条VTL_o1的时间点为驶出路段1的时间点,通过线条VTL_i2的时间点为驶入路段2的时间点,则车辆通过VTL_o1、VTL_i2之间的区域的时长就为车辆通过该交叉口的时长。
检测车辆进入交叉口和离开该交叉口的时间点的具体方法见图1所示流程描述。
步骤403:对于每个车辆,公安交通管理子系统根据车辆进入交叉口的时间点tai、离开该交叉口的时间点tdi,计算该车辆通过该交叉口的时长ti=tdi-tai,则该车辆在该交叉口的延误时长为Tdelay=ti-tf。
其中,tf为车辆在自由流速度下通过该交叉口所需时长,自由流速度与道路等级相关,路网中所有路段的自由流速度由公安交通管理子系统侧的路网信息数据库进行记录。
通过上述图4所示流程可以得到车辆在交叉口的延误时长。每个交叉口一个信号灯周期内通过的所有车辆的平均延误时长为该交叉口的平均延误时长,该平均延误时长可用于对交叉口通行效率进行评价,也适用于作为交叉口信号灯配时方案优化的目标之一。
针对车辆在交叉口的延误时长检测的稀疏采样问题,即对于车载终端、手持终端的装载率达不到100%,或者由于检测设备的原因,不能对通过该交叉口的所有车辆的延误时长进行估计,只能估计到部分车辆的延误时长的问题。因此,需要建立交叉口平均延误模型,进而基于该模型,利用估计到的部分车辆的延误时长对交叉口的平均延误时长进行估计。
如图6所示,横轴为车辆进入交叉口的时间点t,纵轴为车辆通过该交叉口的延误时长Tdelay。其中,a、b、g、p、o圆圈所对应的交叉口延误时长与c、d、e、f、h、i、j、k、l、m、n圆圈明显不同。a、b、g、p、o圆圈所对应的交叉口延误时长较大,在实际应用中,通常针对的是在通过交叉口时遇到了红灯的车辆;c、d、e、f、h、i、j、k、l、m、n圆圈所对应的交叉口延误时长较小,在实际应用中,通常针对的是在通过交叉口时未经等待直接通过的车辆。在建立交叉口平均延误模型时,可以将a、b、g、p、o圆圈作为一类,将c、d、e、f、h、i、j、k、l、m、n圆圈作为另一类。
可见,在估计交叉口的平均延误时长前,首先要对通过该交叉口的车辆进行分类。
图7为本发明实施例提供的对通过交叉口的车辆进行分类的方法流程图,如图7所示,其具体步骤如下:
步骤701:针对每个交叉口,公安交通管理子系统预先采集两组训练样本,一组为在通过该交叉口时未经等待直接通过的车辆,剩下的车辆都归为另一组;每个训练样本以两个参数表征,一个是该车辆进入该交叉口的时间点,另一个是该车辆在该交叉口的延误时长。
车辆在该交叉口的延误时长可通过图4所示流程得到。
这里的训练样本应该是连续采集的,且采集时长应该是n*24小时,n为整数且n>=1。其中,车辆进入该交叉口的时间点以24小时制的时钟表示,即时间点的取值范围是:0小时0分0秒~23小时59分59秒。
在实际应用中,通过该交叉口时未经等待直接通过的车辆可以采集为在经过交叉口时未遇到红灯的车辆,剩下的在经过该交叉口时遇到了红灯的车辆则归为另一组。
步骤702:公安交通管理子系统采用预设分类算法,对该两组训练样本进行计算,得到区分该两类样本的分类模型。
由于分类算法在现有技术中有很多很成熟的算法,例如:支撑向量机(SVM),神经网络算法等,这里可以直接利用这些算法,对具体的实现过程不再赘述。
图8为本发明实施例提供的交叉口的平均延误时长的估计方法流程图,如图8所示,其具体步骤如下:
步骤801:对于任一交叉口,当公安交通管理子系统要计算该交叉口的平均延误时长时,首先通过图4所示流程计算出最近一段时长内通过该交叉口的每个车辆在该交叉口的延误时长。
这里的“最近一段时长”应该是m*24小时,m为整数且m>=1。。
步骤802:对于最近一段时长内通过该交叉口的每个车辆,公安交通管理子系统以该车辆进入该交叉口的时间点和该车辆在该交叉口的延误时长为输入参数,将该两参数输入到步骤702得到的分类模型,得到该车辆所属的类别。
步骤803:在对所有车辆分类完毕时,对属于同一类的车辆,公安交通管理子系统以车辆进入交叉口的时间点为横轴,以车辆在该交叉口的延误时长为纵轴,从最早进入交叉口的车辆开始,对连续多个车辆进行分段线性拟合,最终得到所有车辆在该交叉口的延误时长的连续的分段线性函数表达式:
其中,t0,t1,...tn为分段线性函数的横坐标,表示车辆进入交叉口的时间点,k0,k1,...kn为分段线性函数的斜率,b0,b1,...bn为分段线性函数的截距。
根据上述分段线性函数结果即可绘制出如图9所示的车辆在交叉口的延误时长的线性函数曲线。需要说明的是,图9中,对于两个相邻线段,前一线段的末节点和后一线段的首节点是不重合的,即前一线段和后一线段在时间上是不连续的。但在实际应用中,由于通过交叉口的车辆众多,前后两线段通常都是连续的,若不连续,则可以采取延长前一线段或后一线段,或者两线段同时延长的方法,使得相邻线段连续,如图9中,就采取了两线段同时延长的方法,具体每条线段延长的长度、比例等可预先设定。
步骤804:公安交通管理子系统对步骤803得到的所有分段线性函数求取积分中值,即得到车辆在该交叉口的平均延误时长。
车辆在该交叉口的平均延误时长可表示如下:
得到车辆在交叉口的平均延误时长后,公安交通管理子系统就可以根据交叉口的平均延误时长进行智能交通控制、智能交通诱导、交通事件应急指挥等。
从上述实施例可以看出,本发明具有如下优点:
通过建立分类模型,提高了交叉口平均延误时长的精度,并可以根据智能交通控制、智能交通诱导、交通事件应急指挥等不同应用场景的需求,提供不同空间范围、不同时间及空间分辨率的数据,为满足不同应用场景对数据的需求提供了更多的灵活性。
图10为本发明实施例提供的交叉口延误时长估计装置的组成示意图,如图10所示,其主要包括:延误时长计算模块101、分类模型建立模块102和平均延误时长估计模块103,其中:
延误时长计算模块101:对于任一交叉口,检测通过该交叉口的每个车辆所处的路段,或者所处路段和车道,根据每个车辆所处的路段,或者所处路段和车道,检测每个车辆进入该交叉口和离开该交叉口的时间点;对于每个车辆,根据该车辆进入该交叉口的时间点和离开该交叉口的时间点,计算该车辆通过该交叉口的时长,根据该车辆通过该交叉口的时长和车辆在自由流速度下通过该交叉口所需时长,计算该车辆在该交叉口的延误时长。
分类模型建立模块102:对于任一交叉口,预先采集在预设时长内通过该交叉口的车辆,每个车辆为一个训练样本,从延误时长计算模块101获取每个训练样本的车辆通过该交叉口的延误时长,将训练样本分成两组,一组为在该预设时长内通过该交叉口且未经等待直接通过的车辆,另一组为在该预设时长内通过该交叉口且经过了等待的车辆;且,每个训练样本以两个参数表征,一个是该车辆进入该交叉口的时间点,另一个是该车辆在该交叉口的延误时长;采用预设分类算法,对该两组训练样本进行计算,得到区分该两类样本的分类模型。
平均延误时长估计模块103:当要计算任一交叉口的平均延误时长时,从延误时长计算模块101获取最近一段时长内通过该交叉口的每个车辆在该交叉口的延误时长,对于每个车辆,以该车辆进入该交叉口的时间点和该车辆在该交叉口的延误时长为输入参数,将该两参数输入分类模型建立模块102得到的分类模型,得到该车辆所属的类别;在对所有车辆分类完毕时,对属于同一类的车辆,以车辆进入该交叉口的时间点为横轴,以车辆在该交叉口的延误时长为纵轴,从最早进入该交叉口的车辆开始,对连续一个或多个车辆进行分段线性拟合,最终得到所有车辆在该交叉口的延误时长的连续的分段线性函数,对得到的所有分段线性函数求取积分中值,该积分中值即为车辆在该交叉口的平均延误时长。
延误时长计算模块101进一步用于,预先为每个交叉口关联的每个路段分别设置路段驶出指示线和路段驶入指示线,其中,路段的驶出指示线相对于该路段的驶入指示线,距离交叉口更远;且预先设定:当车辆通过一个路段的驶出指示线,且运动方向为驶向该路段关联的交叉口时,认为车辆通过该驶出指示线的时间点为车辆进入该交叉口的时间点;当车辆通过一个路段的驶入指示线,且运动方向为驶离该路段关联的交叉口时,认为车辆通过该驶入指示线的时间点为车辆离开该交叉口的时间点;
且,延误时长计算模块101检测每个车辆进入该交叉口和离开该交叉口的时间点包括:
估计车辆的地理位置,将车辆的地理位置与车辆所处路段的驶出指示线和驶入指示线进行比对,若车辆的地理位置与驶出指示线之间的垂直距离小于预设值,且车辆的运动方向为驶向该路段关联的交叉口,则认为当前时间点为该车辆进入该交叉口的时间点;若车辆的地理位置与驶入指示线之间的垂直距离小于预设值,,且车辆的运动方向为驶离该路段关联的交叉口,则认为当前时间点为该车辆离开该交叉口的时间点;
或者,若车载终端,和/或乘车者的手持终端通过自带摄像头实时拍摄了道路周边环境信息,则将该拍摄的道路周边环境信息与服务器端采集的道路周边环境信息进行比对,确定车辆的地理位置;然后,根据车载终端,和/或乘车者的手持终端拍摄的前方路面信息,确定车辆通过路段的驶出指示线或驶入指示线的时间点,从而确定车辆进入或离开路段关联的交叉口的时间点;
或者,若路口路侧布设了蓝牙,或RFID,或ETC路边设施,则根据车载终端,和/或乘车者的手持终端与路段的驶出指示线或驶入指示线附近的路边设施的通信,确定车辆通过路段的驶出指示线或驶入指示线的时间点,从而确定车辆进入或离开路段关联的交叉口的时间点;
或者,基于路侧摄像头采集车辆数据来检测车辆通过路段的驶出指示线或驶入指示线的时间点,从而确定车辆进入或离开路段关联的交叉口的时间点;
或者,基于线圈或微波传感器检测车辆通过路段的驶出指示线或驶入指示线的时间点,从而确定车辆进入或离开路段关联的交叉口的时间点;
或者,根据上述方法的任意组合确定车辆进入或离开路段关联的交叉口的时间点。
延误时长计算模块101估计车辆的地理位置包括:
通过车载终端,和/或乘车者的手持终端周期性采集车辆的位置,根据采集的车辆的位置,估计车辆的地理位置;
或者,若车载终端,和/或乘车者的手持终端通过自带摄像头实时拍摄了道路周边环境信息,则将该拍摄的道路周边环境信息与服务器端采集的道路周边环境信息进行比对,确定车辆的地理位置;
所述延误时长计算模块101检测每个车辆所处路段和车道包括:
将估计的车辆的地理位置与包含路段、车道划分信息的道路地理位置信息进行比对,判定车辆所处路段和车道;
或者,根据车载终端,和/或乘车者的手持终端拍摄的前方路面信息,确定车辆所处路段和车道;
或者,若路口路侧布设了蓝牙,或射频识别,或电子不停车收费系统ETC路边设施,则根据车载终端,和/或乘车者的手持终端与路边设施的通信,确定车辆所处路段和车道;
或者,根据上述方法的任意组合确定车辆所处路段和车道。
延误时长计算模块101通过车载终端,和/或乘车者的手持终端周期性采集车辆的位置包括:
向行车用量关系管理系统获取车载终端,和/或乘车者的手持终端周期性采集的所有车辆的位置、运动状态与采集时间点,其中,所有车辆的位置、运动状态与采集时间点为:车载终端,和/或乘车者的手持终端上报给车载网关,再由车载网关通过专用网络平台和运营支撑平台传送给行车用量关系管理系统的。
图10所示装置可位于公安交通管理子系统侧。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (11)
1.一种交叉口延误时长估计方法,其特征在于,该方法包括:
对于任一交叉口,检测通过该交叉口的每个车辆所处的路段,或者所处路段和车道,根据每个车辆所处的路段,或者所处路段和车道,检测每个车辆进入该交叉口和离开该交叉口的时间点;
对于每个车辆,根据该车辆进入该交叉口的时间点和离开该交叉口的时间点,计算该车辆通过该交叉口的时长,根据该车辆通过该交叉口的时长和车辆在自由流速度下通过该交叉口所需时长,计算该车辆在该交叉口的延误时长;
根据通过该交叉口的所有车辆在该交叉口的延误时长,估计车辆在该交叉口的平均延误时长。
2.根据权利要求1所述的方法,其特征在于,所述方法进一步包括:
对于任一交叉口,预先采集两组训练样本,一组为在预设时长内通过该交叉口且未经等待直接通过的车辆,另一组为在该预设时长内通过该交叉口且经过了等待的车辆;且,每个训练样本以两个参数表征,一个是该车辆进入该交叉口的时间点,另一个是该车辆在该交叉口的延误时长;
采用预设分类算法,对该两组训练样本进行计算,得到区分该两类样本的分类模型;
所述根据通过该交叉口的所有车辆在该交叉口的延误时长,估计车辆在该交叉口的平均延误时长包括:
对于通过该交叉口的每个车辆,以该车辆进入该交叉口的时间点和该车辆在该交叉口的延误时长为输入参数,将该两参数输入所述分类模型,得到该车辆所属的类别;
在对所有车辆分类完毕时,对属于同一类的车辆,以车辆进入该交叉口的时间点为横轴,以车辆在该交叉口的延误时长为纵轴,从最早进入该交叉口的车辆开始,对连续一个或多个车辆进行分段线性拟合,最终得到所有车辆在该交叉口的延误时长的连续的分段线性函数,对得到的所有分段线性函数求取积分中值,该积分中值即为车辆在该交叉口的平均延误时长。
3.根据权利要求1所述的方法,其特征在于,所述方法进一步包括:
预先为每个交叉口关联的每个路段分别设置路段驶出指示线和路段驶入指示线,其中,路段的驶出指示线相对于该路段的驶入指示线,距离交叉口更远;
且预先设定:当车辆通过一个路段的驶出指示线,且运动方向为驶向该路段关联的交叉口时,认为车辆通过该驶出指示线的时间点为车辆进入该交叉口的时间点;当车辆通过一个路段的驶入指示线,且运动方向为驶离该路段关联的交叉口时,认为车辆通过该驶入指示线的时间点为车辆离开该交叉口的时间点;
所述检测每个车辆进入该交叉口和离开该交叉口的时间点包括:
估计车辆的地理位置,将车辆的地理位置与车辆所处路段的驶出指示线和驶入指示线进行比对,若车辆的地理位置与驶出指示线之间的垂直距离小于预设值,且车辆的运动方向为驶向该路段关联的交叉口,则认为当前时间点为该车辆进入该交叉口的时间点;若车辆的地理位置与驶入指示线之间的垂直距离小于预设值,,且车辆的运动方向为驶离该路段关联的交叉口,则认为当前时间点为该车辆离开该交叉口的时间点;
或者,若车载终端,和/或乘车者的手持终端通过自带摄像头实时拍摄了道路周边环境信息,则将该拍摄的道路周边环境信息与服务器端采集的道路周边环境信息进行比对,确定车辆的地理位置;然后,根据车载终端,和/或乘车者的手持终端拍摄的前方路面信息,确定车辆通过路段的驶出指示线或驶入指示线的时间点,从而确定车辆进入或离开路段关联的交叉口的时间点;
或者,若路口路侧布设了蓝牙,或射频识别RFID,或电子不停车收费系统ETC路边设施,则根据车载终端,和/或乘车者的手持终端与路段的驶出指示线或驶入指示线附近的路边设施的通信,确定车辆通过路段的驶出指示线或驶入指示线的时间点,从而确定车辆进入或离开路段关联的交叉口的时间点;
或者,基于路侧摄像头采集车辆数据来检测车辆通过路段的驶出指示线或驶入指示线的时间点,从而确定车辆进入或离开路段关联的交叉口的时间点;
或者,基于线圈或微波传感器检测车辆通过路段的驶出指示线或驶入指示线的时间点,从而确定车辆进入或离开路段关联的交叉口的时间点;
或者,根据上述方法的任意组合确定车辆进入或离开路段关联的交叉口的时间点。
4.根据权利要求3所述的方法,其特征在于,所述估计车辆的地理位置包括:
通过车载终端,和/或乘车者的手持终端周期性采集车辆的位置,根据采集的车辆的位置,估计车辆的地理位置;
或者,若车载终端,和/或乘车者的手持终端通过自带摄像头实时拍摄了道路周边环境信息,则将该拍摄的道路周边环境信息与服务器端采集的道路周边环境信息进行比对,确定车辆的地理位置;
所述检测每个车辆所处路段和车道包括:
将估计的车辆的地理位置与包含路段、车道划分信息的道路地理位置信息进行比对,判定车辆所处路段和车道;
或者,根据车载终端,和/或乘车者的手持终端拍摄的前方路面信息,确定车辆所处路段和车道;
或者,若路口路侧布设了蓝牙,或射频识别,或电子不停车收费系统ETC路边设施,则根据车载终端,和/或乘车者的手持终端与路边设施的通信,确定车辆所处路段和车道;
或者,根据上述方法的任意组合确定车辆所处路段和车道。
5.根据权利要求1所述的方法,其特征在于,所述通过车载终端,和/或乘车者的手持终端周期性采集车辆的位置包括:
车载终端,和/或乘车者的手持终端周期性采集车辆的位置及运动状态,将采集的车辆的位置、运动状态与采集时间点上报给车载网关,车载网关将车辆的位置、运动状态与采集时间点通过专用网络平台和运营支撑平台传送给行车用量关系管理系统,公安交通管理子系统向行车用量关系管理系统获取采集的所有车辆的位置、运动状态与采集时间点。
6.一种交叉口延误时长估计装置,其特征在于,该装置包括:
延误时长计算模块:对于任一交叉口,检测通过该交叉口的每个车辆所处的路段,或者所处路段和车道,根据每个车辆所处的路段,或者所处路段和车道,检测每个车辆进入该交叉口和离开该交叉口的时间点;对于每个车辆,根据该车辆进入该交叉口的时间点和离开该交叉口的时间点,计算该车辆通过该交叉口的时长,根据该车辆通过该交叉口的时长和车辆在自由流速度下通过该交叉口所需时长,计算该车辆在该交叉口的延误时长;
平均延误时长估计模块:根据通过该交叉口的所有车辆在该交叉口的延误时长,估计车辆在该交叉口的平均延误时长。
7.根据权利要求6所述的装置,其特征在于,所述装置进一步包括:
分类模型建立模块:对于任一交叉口,预先采集两组训练样本,一组为在预设时长内通过该交叉口且未经等待直接通过的车辆,另一组为在该预设时长内通过该交叉口且经过了等待的车辆;且,每个训练样本以两个参数表征,一个是该车辆进入该交叉口的时间点,另一个是该车辆在该交叉口的延误时长;采用预设分类算法,对该两组训练样本进行计算,得到区分该两类样本的分类模型;
且,所述平均延误时长估计模块根据通过该交叉口的所有车辆在该交叉口的延误时长,估计车辆在该交叉口的平均延误时长包括:
对于通过该交叉口的每个车辆,以该车辆进入该交叉口的时间点和该车辆在该交叉口的延误时长为输入参数,将该两参数输入所述分类模型,得到该车辆所属的类别;在对所有车辆分类完毕时,对属于同一类的车辆,以车辆进入该交叉口的时间点为横轴,以车辆在该交叉口的延误时长为纵轴,从最早进入该交叉口的车辆开始,对连续一个或多个车辆进行分段线性拟合,最终得到所有车辆在该交叉口的延误时长的连续的分段线性函数,对得到的所有分段线性函数求取积分中值,该积分中值即为车辆在该交叉口的平均延误时长。
8.根据权利要求6所述的装置,其特征在于,所述延误时长计算模块进一步用于,预先为每个交叉口关联的每个路段分别设置路段驶出指示线和路段驶入指示线,其中,路段的驶出指示线相对于该路段的驶入指示线,距离交叉口更远;且预先设定:当车辆通过一个路段的驶出指示线,且运动方向为驶向该路段关联的交叉口时,认为车辆通过该驶出指示线的时间点为车辆进入该交叉口的时间点;当车辆通过一个路段的驶入指示线,且运动方向为驶离该路段关联的交叉口时,认为车辆通过该驶入指示线的时间点为车辆离开该交叉口的时间点;
所述延误时长计算模块检测每个车辆进入该交叉口和离开该交叉口的时间点包括:
估计车辆的地理位置,将车辆的地理位置与车辆所处路段的驶出指示线和驶入指示线进行比对,若车辆的地理位置与驶出指示线之间的垂直距离小于预设值,且车辆的运动方向为驶向该路段关联的交叉口,则认为当前时间点为该车辆进入该交叉口的时间点;若车辆的地理位置与驶入指示线之间的垂直距离小于预设值,,且车辆的运动方向为驶离该路段关联的交叉口,则认为当前时间点为该车辆离开该交叉口的时间点;
或者,若车载终端,和/或乘车者的手持终端通过自带摄像头实时拍摄了道路周边环境信息,则将该拍摄的道路周边环境信息与服务器端采集的道路周边环境信息进行比对,确定车辆的地理位置;然后,根据车载终端,和/或乘车者的手持终端拍摄的前方路面信息,确定车辆通过路段的驶出指示线或驶入指示线的时间点,从而确定车辆进入或离开路段关联的交叉口的时间点;
或者,若路口路侧布设了蓝牙,或射频识别RFID,或电子不停车收费系统ETC路边设施,则根据车载终端,和/或乘车者的手持终端与路段的驶出指示线或驶入指示线附近的路边设施的通信,确定车辆通过路段的驶出指示线或驶入指示线的时间点,从而确定车辆进入或离开路段关联的交叉口的时间点;
或者,基于路侧摄像头采集车辆数据来检测车辆通过路段的驶出指示线或驶入指示线的时间点,从而确定车辆进入或离开路段关联的交叉口的时间点;
或者,基于线圈或微波传感器检测车辆通过路段的驶出指示线或驶入指示线的时间点,从而确定车辆进入或离开路段关联的交叉口的时间点;
或者,根据上述方法的任意组合确定车辆进入或离开路段关联的交叉口的时间点。
9.根据权利要求8所述的装置,其特征在于,所述延误时长计算模块估计车辆的地理位置包括:
通过车载终端,和/或乘车者的手持终端周期性采集车辆的位置,根据采集的车辆的位置,估计车辆的地理位置;
或者,若车载终端,和/或乘车者的手持终端通过自带摄像头实时拍摄了道路周边环境信息,则将该拍摄的道路周边环境信息与服务器端采集的道路周边环境信息进行比对,确定车辆的地理位置;
所述延误时长计算模块检测每个车辆所处路段和车道包括:
将估计的车辆的地理位置与包含路段、车道划分信息的道路地理位置信息进行比对,判定车辆所处路段和车道;
或者,根据车载终端,和/或乘车者的手持终端拍摄的前方路面信息,确定车辆所处路段和车道;
或者,若路口路侧布设了蓝牙,或射频识别,或电子不停车收费系统ETC路边设施,则根据车载终端,和/或乘车者的手持终端与路边设施的通信,确定车辆所处路段和车道;
或者,根据上述方法的任意组合确定车辆所处路段和车道。
10.根据权利要求6所述的装置,其特征在于,所述延误时长计算模块通过车载终端,和/或乘车者的手持终端周期性采集车辆的位置包括:
向行车用量关系管理系统获取车载终端,和/或乘车者的手持终端周期性采集的所有车辆的位置、运动状态与采集时间点,其中,所有车辆的位置、运动状态与采集时间点为:车载终端,和/或乘车者的手持终端上报给车载网关,再由车载网关通过专用网络平台和运营支撑平台传送给行车用量关系管理系统的。
11.根据权利要求6~10任一所述的装置,其特征在于,所述装置位于公安交通管理子系统侧。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310751033.5A CN104750963B (zh) | 2013-12-31 | 2013-12-31 | 交叉口延误时长估计方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310751033.5A CN104750963B (zh) | 2013-12-31 | 2013-12-31 | 交叉口延误时长估计方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104750963A true CN104750963A (zh) | 2015-07-01 |
CN104750963B CN104750963B (zh) | 2017-12-01 |
Family
ID=53590641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310751033.5A Active CN104750963B (zh) | 2013-12-31 | 2013-12-31 | 交叉口延误时长估计方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104750963B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105096597A (zh) * | 2015-07-22 | 2015-11-25 | 济南市市政工程设计研究院(集团)有限责任公司 | 一种交叉口延误判定方法 |
CN106856049A (zh) * | 2017-01-20 | 2017-06-16 | 东南大学 | 基于卡口号牌识别数据的关键交叉口需求集聚分析方法 |
CN107010086A (zh) * | 2017-03-29 | 2017-08-04 | 宁夏凯速德科技有限公司 | 高铁线路安全控制方法及系统 |
CN110444012A (zh) * | 2019-06-26 | 2019-11-12 | 南京慧尔视智能科技有限公司 | 交叉口车辆延误时间与停车次数的计算方法和装置 |
CN110782662A (zh) * | 2019-09-19 | 2020-02-11 | 重庆交通大学 | 道路信号交叉口车辆通行时间估算方法 |
CN110956804A (zh) * | 2019-11-19 | 2020-04-03 | 中电海康集团有限公司 | 一种交叉口信号配时诊断方法 |
CN112349094A (zh) * | 2020-09-27 | 2021-02-09 | 北京博研智通科技有限公司 | 一种无信号灯控制路口机动车通行效率评价方法及系统 |
CN112735147A (zh) * | 2019-10-29 | 2021-04-30 | 北京百度网讯科技有限公司 | 道路交叉路口的延误指标数据获取方法和装置 |
CN112750300A (zh) * | 2019-10-29 | 2021-05-04 | 北京百度网讯科技有限公司 | 道路交叉路口的延误指标数据获取方法和装置 |
CN116311943A (zh) * | 2023-03-24 | 2023-06-23 | 阿波罗智联(北京)科技有限公司 | 交叉路口的平均延误时间的估算方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011051758A1 (en) * | 2009-10-27 | 2011-05-05 | Alcatel Lucent | Improving reliability of travel time estimation |
CN102074110A (zh) * | 2011-01-28 | 2011-05-25 | 清华大学 | 基于浮动车数据的交通流路口转向延时获取系统和方法 |
CN102110363A (zh) * | 2011-03-30 | 2011-06-29 | 北京世纪高通科技有限公司 | 一种浮动车数据处理的方法及装置 |
CN102779415A (zh) * | 2012-07-30 | 2012-11-14 | 北京世纪高通科技有限公司 | 实时分析交通信号相位的方法与装置 |
CN103337161A (zh) * | 2013-07-11 | 2013-10-02 | 上海济安交通工程咨询有限公司 | 基于实时仿真模型的交叉口动态综合评价及信控系统优化方法 |
CN103456172A (zh) * | 2013-09-11 | 2013-12-18 | 无锡加视诚智能科技有限公司 | 一种基于视频的交通参数测量方法 |
-
2013
- 2013-12-31 CN CN201310751033.5A patent/CN104750963B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011051758A1 (en) * | 2009-10-27 | 2011-05-05 | Alcatel Lucent | Improving reliability of travel time estimation |
CN102074110A (zh) * | 2011-01-28 | 2011-05-25 | 清华大学 | 基于浮动车数据的交通流路口转向延时获取系统和方法 |
CN102110363A (zh) * | 2011-03-30 | 2011-06-29 | 北京世纪高通科技有限公司 | 一种浮动车数据处理的方法及装置 |
CN102779415A (zh) * | 2012-07-30 | 2012-11-14 | 北京世纪高通科技有限公司 | 实时分析交通信号相位的方法与装置 |
CN103337161A (zh) * | 2013-07-11 | 2013-10-02 | 上海济安交通工程咨询有限公司 | 基于实时仿真模型的交叉口动态综合评价及信控系统优化方法 |
CN103456172A (zh) * | 2013-09-11 | 2013-12-18 | 无锡加视诚智能科技有限公司 | 一种基于视频的交通参数测量方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105096597A (zh) * | 2015-07-22 | 2015-11-25 | 济南市市政工程设计研究院(集团)有限责任公司 | 一种交叉口延误判定方法 |
CN106856049A (zh) * | 2017-01-20 | 2017-06-16 | 东南大学 | 基于卡口号牌识别数据的关键交叉口需求集聚分析方法 |
CN107010086A (zh) * | 2017-03-29 | 2017-08-04 | 宁夏凯速德科技有限公司 | 高铁线路安全控制方法及系统 |
CN110444012A (zh) * | 2019-06-26 | 2019-11-12 | 南京慧尔视智能科技有限公司 | 交叉口车辆延误时间与停车次数的计算方法和装置 |
CN110782662A (zh) * | 2019-09-19 | 2020-02-11 | 重庆交通大学 | 道路信号交叉口车辆通行时间估算方法 |
CN112735147A (zh) * | 2019-10-29 | 2021-04-30 | 北京百度网讯科技有限公司 | 道路交叉路口的延误指标数据获取方法和装置 |
CN112750300A (zh) * | 2019-10-29 | 2021-05-04 | 北京百度网讯科技有限公司 | 道路交叉路口的延误指标数据获取方法和装置 |
CN110956804A (zh) * | 2019-11-19 | 2020-04-03 | 中电海康集团有限公司 | 一种交叉口信号配时诊断方法 |
CN110956804B (zh) * | 2019-11-19 | 2021-01-19 | 中电海康集团有限公司 | 一种交叉口信号配时诊断方法 |
CN112349094A (zh) * | 2020-09-27 | 2021-02-09 | 北京博研智通科技有限公司 | 一种无信号灯控制路口机动车通行效率评价方法及系统 |
CN116311943A (zh) * | 2023-03-24 | 2023-06-23 | 阿波罗智联(北京)科技有限公司 | 交叉路口的平均延误时间的估算方法及装置 |
CN116311943B (zh) * | 2023-03-24 | 2023-12-26 | 阿波罗智联(北京)科技有限公司 | 交叉路口的平均延误时间的估算方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104750963B (zh) | 2017-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104750963A (zh) | 交叉口延误时长估计方法及装置 | |
CN109272756B (zh) | 一种信控交叉口排队长度估计方法 | |
CN107657813B (zh) | 基于行车轨迹的高速公路交通执法判别方法 | |
CN109084794B (zh) | 一种路径规划方法 | |
CN101739824B (zh) | 基于数据融合技术的交通状况估计方法 | |
Li et al. | Real-time queue length estimation for signalized intersections using vehicle trajectory data | |
JP5424754B2 (ja) | リンク旅行時間算出装置及びプログラム | |
CN102855760B (zh) | 基于浮动车数据的在线排队长度检测方法 | |
CN100589143C (zh) | 判断浮动车行驶状态的方法及装置 | |
CN101964941A (zh) | 基于动态信息的智能导航与位置服务系统及方法 | |
CN104778834A (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN111402613B (zh) | 一种自动驾驶车辆收费站车道选择方法 | |
CN100466010C (zh) | 异类交通信息实时融合方法 | |
CN105336166A (zh) | 基于车载蓝牙的交通特征参数提取方法 | |
CN105389978A (zh) | 封闭快速道路监测系统及监控数据处理方法 | |
CN113227831B (zh) | 基于多传感器数据融合的护栏估计方法和车载设备 | |
CN112258850A (zh) | 一种车路协同系统边缘侧多传感器数据融合系统 | |
CN106128132A (zh) | 一种实时路况监控的系统 | |
Gore et al. | Exploring credentials of Wi‐Fi sensors as a complementary transport data: an Indian experience | |
CN105806355A (zh) | 一种车辆绿色路径导航系统及方法 | |
CN101976508A (zh) | 基于车牌识别数据的交通信号干线相位差优化方法 | |
CN109584549A (zh) | 一种基于大规模浮动车数据的道路交通运行指数检测方法 | |
Scora et al. | Real-time roadway emissions estimation using visual traffic measurements | |
CN105070060B (zh) | 一种基于公交车载gps数据的城市道路交通状态判别方法 | |
Herath et al. | A Comparison of speed data by different speed detection techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |