CN106781509B - 一种基于v2v的协作式城市道路拥堵检测方法 - Google Patents
一种基于v2v的协作式城市道路拥堵检测方法 Download PDFInfo
- Publication number
- CN106781509B CN106781509B CN201710129358.8A CN201710129358A CN106781509B CN 106781509 B CN106781509 B CN 106781509B CN 201710129358 A CN201710129358 A CN 201710129358A CN 106781509 B CN106781509 B CN 106781509B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- congestion
- los
- traffic
- traffic congestion
- 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
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- 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
- G08G1/0133—Traffic data processing for classifying traffic situation
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于V2V的协作式城市道路拥堵检测方法,将车辆行驶速度v和车流密度ρ作为交通拥堵水平的影响因素,输入到模糊控制器中得到本地的交通拥堵水平,当有车辆O检测到有交通拥堵发生时,启动拥堵判决过程,即检测到有拥堵的车辆O向其邻居表中的车辆发送拥堵查询消息,邻居表中的车辆根据其拥堵判决结果向车辆O回复拥堵验证消息。未检测到交通拥堵时,车辆之间仅互相发送其位置信息,因此能够有效抑制网络过载,这种由车辆O和邻居表中的车辆协作完成交通拥堵检测的机制,显著提高了车辆检测交通拥堵的准确性。模糊控制器输出交通拥堵水平值为连续值,精准地反映了交通拥堵的级别,并且车辆O根据位置信息计算出拥堵区域和拥堵长度。
Description
技术领域
本发明属于城市道路拥堵检测领域,具体涉及一种基于V2V的协作式城市道路拥堵检测方法。
背景技术
在交通管理中,交通拥堵的发生既会对交通安全产生影响,又会造成巨大的经济损失。解决因交通拥堵造成的交通安全问题和社会经济损失问题,目前存在两种主要手段,一种是提升道路基础设施的建设水平,另一种是在现有的道路基础设施的基础上提高交通效率,保障行车安全,主要是采用铺设地磁线圈或者架设摄像机的方式对城市道路拥堵进行检测,此种方法只能检测设施覆盖区域的道路交通信息,但是铺设地磁线圈和架设摄像机受到成本、土地规划、环境保护的影响约束,不能进行无限建设。
目前采用基于车路协同技术检测城市道路交通拥堵状态,车路协同技术是指利用包括交通参与者在内的,在交通参与者之间(Vehicle to Vehicle,V2V),或者交通参与者与交通基础设施之间(Vehicle to Infrastructure,V2I)利用无线通信进行信息交互,从而实现车辆运动控制,交通信号的控制或者信息发布的技术。与V2I技术相比,V2V无需布设任何路侧设备即可实现交通拥堵的检测,因此V2V被广泛应用于交通拥堵状态检测,而V2I技术被广泛应用于交通状态信息发布。目前基于V2V的交通拥堵检测方法,文献[FukumotoM,Sugimura T.Electronic device,vibration generator,vibration-type reportingmethod,and report control method:U.S.Patent 7,292,227[P].2007-11-6.]提出了一种基于交通密度的检测方法,但是该方法的实施需要不间断的交换交通密度估计信息,同时会造成通信信道的过载。为了解决通信信道过载的问题,文献[Cameron AC,Gelbach JB,Miller D L.Bootstrap-based improvements for inference with clustered errors[J].The Review of Economics and Statistics,2008,90(3):414-427.]提出在每个路段只有一辆车负责完成道路交通信息的收集和聚合,但是选择负责收集和聚合道路交通信息的车辆会产生新的额外信号负载。文献[Chen K,Li Z.Prediction of Traffic StateBased on Fuzzy Logic in Vanet[J].Information Technology Journal,2013,12(18):4642.]通过使用模式识别的技术使得每辆车都估计其周围的交通拥堵状况,这种方法成功减少了通信负载。但是该方法的缺点是缺少一种验证机制,即每辆车检测到本地的交通拥堵状况后,无法关联不同车辆间的交通拥堵估计,进而导致拥堵检测结果的不可靠。文献[Bauza R,Gozálvez J.Traffic congestion detection in large-scale scenariosusing vehicle-to-vehicle communications[J].Journal of Network and ComputerApplications,2013,36(5):1295-1307.]提出基于模糊控制检测出车辆的交通拥堵水平,通过在拥堵队列中由前向后的传播方式进一步验证该交通拥堵水平,该方法提高了交通拥堵水平检测的准确性,但该方法缺少本地车辆与拥堵队列的关联机制,同时增加了拥堵队列前车的判断过程,复杂度较高。
因此,在交通拥堵检测领域,需要一种城市道路交通拥堵检测方法,该方法既能减少通信负载,又能获得准确的交通拥堵状况。
发明内容
本发明的目的在于提供一种基于V2V的协作式城市道路拥堵检测方法,以克服现有技术的不足。
为达到上述目的,本发明采用如下技术方案:
一种基于V2V的协作式城市道路拥堵检测方法,具体包括以下步骤:
1)、首先检测车辆O的交通拥堵水平LOSo;
2)、建立用于统计并实时储存车辆O信息以及存储周围其他车辆Oi的位置信息的邻居表;
3)、当检测到交通拥堵水平LOSo为拥堵时,车辆O则进行拥堵消息验证,即获取邻居表中车辆Oi交通拥堵水平LOSi信息及车辆Oi位置信息,依据中心极限定理和基于大子样的假设检验知,假设H0为:LOS=LOSo成立;当车辆检测到拥堵发生,车辆的邻居表中车辆数量信息i很大时,统计量:
服从标准正态分布N(0,1);
给定显著水平α,存在使得:
即:
车辆O得到i辆汽车拥堵反馈信息LOS1、LOS2、LOS3···LOSi后,计算拥堵水平平均值以及标准差S的数值,若
则拒绝H0,即认为该区域的交通拥堵水平LOS与LOS0有显著差异,车辆检测到该区域的拥堵水平LOS0不可靠,返回步骤1);
若
则接受H0,即认为该区域的交通拥堵水平LOS与LOS0无显著差异,车辆检测到该区域的拥堵水平LOS0可靠,该区域的交通拥堵水平值为LOS0,且置信概率为1-α。
进一步的,步骤1)中的邻居表用于记录该车辆曾接收过至少一个beacon(信标)消息的车辆信息,并且该车辆周期性地接收周围其他车辆的位置信息。
进一步的,所述位置信息包括车辆ID、位置坐标P、行驶速度v、行驶方向D、时间戳T。
进一步的,行驶速度v分为超低速(SV)、低速(SL)、中速(SM)、高速(SH)四类速度模糊集,车流密度ρ分为低(DL)、中(DM)、高(DH)、超高(DV)四类车流密度模糊集,一个输入量可以属于不同的模糊集,基于Skycomp的拥堵评级系统,交通拥堵水平LOS定义为自由流(LF)=0、轻度拥堵(LL)=1/3、中度拥堵(LM)=2/3、严重拥堵(LS)=1。
进一步的,判断该交通拥堵水平LOS0是否拥堵根据Skycomp的拥堵评级系统判决,即LOS0<1/3,则车辆O认为没有拥堵,返回步骤d,LOS0≥1/3则车辆O认为已经形成拥堵,进入步骤2。
进一步的,步骤1)中,检测车辆位置交通拥堵水平LOS0,具体包括以下步骤:
a,确定输入模糊集Si和输出模糊集S0,然后分别建立输入模糊集Si和输出模糊集S0的隶属函数,
b,实时计算车辆O的行驶速度v和当前所在车流的车流密度ρ,将行驶速度v和车流密度ρ作为输入变量,
c,输入模糊集Si和输出模糊集S0的隶属函数组成模糊控制器C,
d,将输入变量代入模糊控制器C得到输出值即为该车辆位置交通拥堵水平LOS0。
进一步的,其中输入模糊集Si包括行驶速度v和车流密度ρ两个不同类别的输入模糊集;交通拥堵水平LOS构成输出模糊集S0。
进一步的,步骤c中,建立模糊控制器C,模糊控制器C的输出量为连续值,取值范围为[0,1],其中0表示自由流,1表示严重拥堵。
进一步的,步骤3)中,车辆O进行拥堵消息验证时,向邻居表中的其他车辆Oi发出拥堵查询消息,车辆O进入睡眠状态,等待邻居表中的其他车辆Oi回复车辆发出的拥堵查询消息,邻居表中的其他车辆Oi将各自的交通拥堵水平LOSi,并将该交通拥堵水平LOSi写入拥堵验证消息中,将拥堵验证消息发给车辆O。
进一步的,依据拥堵验证消息中记录的各拥堵车辆的位置坐标,车辆O计算得出拥堵的位置区域和拥堵长度,并将拥堵区域和拥堵长度信息定向发送给邻居表中没有检测到交通拥堵的车辆,若邻居表中所有车辆的回复消息都显示拥堵,则车辆O将拥堵消息定向发给上游的最后一辆车;具体的,在时刻ti,第i辆车的位置表示为其中Xi表示经度,Yi表示纬度,Zi表示高度,同理,第j辆车的位置表示为则车辆i和车辆j之间的距离表示为:
步骤b中,车流密度ρ计算公式如下:
其中:Vn表示邻居表中检测到的车辆总数,dNF表示当前车辆与邻居表中下游最前车辆的距离,dNB表示当前车辆与邻居表中上游最后车辆的距离,NL表示当前车辆所在区域的车道数。
与现有技术相比,本发明具有以下有益的技术效果:
本发明为一种基于V2V的协作式城市道路拥堵检测方法,将车辆行驶速度v和车流密度ρ作为交通拥堵水平的影响因素,而现有技术仅从车辆行驶速度v或者车流密度ρ等一个因素进行交通拥堵的判决,因此,与现有技术相比,本发明考虑的因素更加简单有效,交通拥堵判决的准确率更高。其次,当有车辆O检测到有交通拥堵发生时,才会启动拥堵判决过程,即检测到有拥堵的车辆O向其邻居表中的车辆发送拥堵查询消息,邻居表中的车辆根据其拥堵判决结果向车辆O回复拥堵验证消息。未检测到交通拥堵时,车辆之间仅互相发送其位置信息,因此能够有效抑制网络过载。同时车辆O根据邻居表中车辆回复的拥堵验证消息计算得到该区域最终的交通拥堵状态,这种由车辆O和邻居表中的车辆协作完成交通拥堵检测的机制,显著提高了车辆检测交通拥堵的准确性。最后,模糊控制器输出交通拥堵水平值为连续值,精准地反映了交通拥堵的级别,并且车辆O根据位置信息计算出拥堵区域和拥堵长度,因此采用本发明的方法发布的交通拥堵信息信息量更大,价值更高。
附图说明
图1为本发明的拥堵检测与发布流程示意图。
图2为隶属函数图。
图3为车流密度隶属函数图。
图4为拥堵水平隶属函数图。
图5为消息定义图。
具体实施方式
如图1至图5所示,一种基于V2V的协作式城市道路拥堵检测方法,具体包括以下步骤:
1)、首先检测车辆O位置交通拥堵水平LOSO;
2)、建立用于统计并实时储存车辆O信息以及存储周围其他车辆Oi的位置信息的邻居表;
3)、当检测到交通拥堵水平LOSO为拥堵时,车辆O则进行拥堵消息验证,即获取邻居表中车辆Oi交通拥堵水平LOSi信息及车辆Oi位置信息,依据中心极限定理和基于大子样的假设检验知,假设H0:LOS=LOSo成立;当车辆检测到拥堵发生,车辆的邻居表中车辆数量信息i很大时,统计量:
服从标准正态分布N(0,1);
给定显著水平α,存在使得:
即:
车辆O得到i辆汽车拥堵反馈信息LOS1、LOS2、LOS3···LOSi后,计算拥堵水平平均值以及标准差S的数值,若
则拒绝H0,即认为该区域的交通拥堵水平LOS与LOS0有显著差异,车辆检测到该区域的拥堵水平LOS0不可靠,返回步骤1);
若
则接受H0,即认为该区域的交通拥堵水平LOS与LOS0无显著差异,车辆检测到该区域的拥堵水平LOS0可靠,且置信概率为1-α。
步骤1)中,检测车辆位置交通拥堵水平LOS0,具体包括以下步骤:
a,确定输入模糊集Si和输出模糊集S0,然后分别建立输入模糊集Si和输出模糊集S0的隶属函数,
b,实时计算车辆O的行驶速度v和当前所在车流的车流密度ρ,将行驶速度v和车流密度ρ作为输入变量,
c,输入模糊集Si和输出模糊集S0的隶属函数组成模糊控制器C,
d,将输入变量代入模糊控制器C得到输出值即为该车辆位置交通拥堵水平LOS0。
其中输入模糊集Si包括行驶速度v和车流密度ρ两个不同类别的输入模糊集;交通拥堵水平LOS0构成输出模糊集S0;
步骤2)中的位置信息包括车辆ID、位置坐标P、行驶速度v、行驶方向D、时间戳T。
步骤3)中,车辆O进行拥堵消息验证时,向邻居表中的其他车辆Oi发出拥堵查询消息,车辆O进入睡眠状态,等待邻居表中的其他车辆Oi回复车辆发出的拥堵查询消息,邻居表中的其他车辆Oi将计算各自的交通拥堵水平LOSi,并将该交通拥堵水平LOSi写入拥堵验证消息中,将拥堵验证消息发给车辆O;
依据拥堵验证消息中记录的各拥堵车辆的位置坐标,车辆O计算得出拥堵的位置区域和拥堵长度,并将拥堵区域和拥堵长度信息定向发送给邻居表中没有检测到交通拥堵的车辆,若邻居表中所有车辆的回复消息都显示拥堵,则车辆O将拥堵消息定向发给上游的最后一辆车;具体的,在时刻ti,第i辆车的位置表示为其中Xi表示经度,Yi表示纬度,Zi表示高度,同理,第j辆车的位置表示为则车辆i和车辆j之间的距离表示为:
步骤b中,车流密度ρ计算公式如下:
其中:Vn表示邻居表中检测到的车辆总数,dNF表示当前车辆与邻居表中下游最前车辆的距离,dNB表示当前车辆与邻居表中上游最后车辆的距离,NL表示当前车辆所在区域的车道数。
步骤b中,行驶速度v分为超低速(SV)、低速(SL)、中速(SM)、高速(SH)四类速度模糊集,车流密度ρ分为低(DL)、中(DM)、高(DH)、超高(DV)四类车流密度模糊集,一个输入量可以属于不同的模糊集,由速度模糊集和车流密度模糊集组成输入模糊集Si,建立如附表2所示的模糊规则表,
表2
基于Skycomp的拥堵评级系统,交通拥堵水平LOS定义为自由流(LF)=0、轻度拥堵(LL)=1/3、中度拥堵(LM)=2/3、严重拥堵(LS)=1。隶属函数如附图2所示,步骤c中,建立模糊控制器C,模糊控制器C的输出量为连续值,取值范围为[0,1],其中0表示自由流,1表示严重拥堵;
判断该交通拥堵水平LOS0是否拥堵根据Skycomp的拥堵评级系统判决,即LOS0<1/3,则车辆O认为没有拥堵,返回步骤d,LOS0≥1/3则车辆O认为已经形成拥堵,进入步骤2。
如果车辆O计算得出交通拥堵水平值为0.1,则返回步骤d,若车辆A计算得出交通拥堵水平值为0.4,则进入步骤2。
车辆O发出拥堵查询消息后,进入睡眠状态,等待接收邻居表中车辆的回复拥堵验证消息,消息定义如附图3所示,其中消息类型标志位取值为1或者0,0表示拥堵查询消息,1表示拥堵验证消息;
表1
车辆ID | 位置坐标P | 速度V | 方向D | 时间戳T |
Veh1 | P1 | V1 | 1 | T1 |
Veh2 | P2 | V2 | 1 | T2 |
Veh3 | P3 | V3 | 0 | T3 |
… | … | … | … | … |
车辆ID是一组唯一标志车辆的序列号;方向标志位记录车辆的运动方向,取值为1或者0,1表示同向,0表示反向;时间戳表示消息产生的时间;车辆位置记录车辆的位置信息;拥堵水平记录车辆的交通拥堵水平LOS值;失效时间记录消息无效的时刻,当超过该时间时,自动丢弃该消息。
若步骤d计算得LOS=0.8,由步骤3)知:假设H0:LOS=LOSo成立;若取i=81,即邻居表中有81辆车向车辆O发送拥堵验证消息,LOS1、LOS2、LOS3···LOSi···LOS81的值分别为0.71,0.65,0.83···0.9···0.81,计算得给定显著水平α=0.01,则则:成立,即接受H0:LOS=LOS0。交通拥堵水平LOS=0.8,且可信度为99%。反之,若从邻居表中车辆向车辆发送的拥堵验证消息中获得的子样值使得成立,则拒绝H0:LOS=LOS0。即交通拥堵水平LOS≠0.8,返回步骤3进行下一轮判决。
车辆O向邻居表中的车辆发送拥堵查询消息采用广播方式,而邻居表中的车辆向车辆O发送拥堵验证消息采用点对点方式。
Claims (10)
1.一种基于V2V的协作式城市道路拥堵检测方法,其特征在于,具体包括以下步骤:
1)、首先检测车辆O位置的交通拥堵水平LOSo;
2)、建立用于统计并实时储存车辆O信息以及存储周围其他车辆Oi的位置信息的邻居表;
3)、当检测到交通拥堵水平LOSo为拥堵时,车辆O则进行拥堵消息验证,即获取邻居表中车辆Oi交通拥堵水平LOSi信息及车辆Oi位置信息,依据中心极限定理和基于大子样的假设检验知,假设H0为:LOS=LOSo成立;当车辆检测到拥堵发生,车辆的邻居表中车辆数量信息i很大时,统计量:
服从标准正态分布N(0,1);
给定显著水平α,存在使得:
即:
车辆O得到i辆汽车拥堵反馈信息LOS1、LOS2、LOS3···LOSi后,计算拥堵水平平均值以及标准差S的数值,若
则拒绝H0,即认为该区域的交通拥堵水平LOS与LOS0有显著差异,该区域具体指车辆O信息以及存储周围其他车辆Oi的位置信息,车辆检测到该区域的拥堵水平LOS0不可靠,返回步骤1);
若
则接受H0,即认为该区域的交通拥堵水平LOS与LOS0无显著差异,车辆检测到该区域的拥堵水平LOS0可靠,该区域交通拥堵水平值为LOS0,且置信概率为1-α。
2.根据权利要求1所述的一种基于V2V的协作式城市道路拥堵检测方法,其特征在于,步骤1)中的邻居表用于记录该车辆曾接收过至少一个beacon(信标)消息的车辆信息,并且该车辆周期性地接收周围其他车辆的位置信息。
3.根据权利要求2所述的一种基于V2V的协作式城市道路拥堵检测方法,其特征在于,所述位置信息包括车辆ID、位置坐标P、行驶速度v、行驶方向D、时间戳T。
4.根据权利要求3所述的一种基于V2V的协作式城市道路拥堵检测方法,其特征在于,行驶速度v分为超低速(SV)、低速(SL)、中速(SM)、高速(SH)四类速度模糊集,车流密度ρ分为低(DL)、中(DM)、高(DH)、超高(DV)四类车流密度模糊集,一个输入量可以属于不同的模糊集,基于Skycomp的拥堵评级系统,交通拥堵水平LOS定义为自由流(LF)=0、轻度拥堵(LL)=1/3、中度拥堵(LM)=2/3、严重拥堵(LS)=1。
5.根据权利要求4所述的一种基于V2V的协作式城市道路拥堵检测方法,其特征在于,判断该交通拥堵水平LOS0是否拥堵根据Skycomp的拥堵评级系统判决,即LOS0<1/3,则车辆O认为没有拥堵,将输入变量代入模糊控制器C得到输出值即为该车辆位置交通拥堵水平LOS0,LOS0≥1/3则车辆O认为已经形成拥堵,建立用于统计并实时储存车辆O信息以及存储周围其他车辆Oi的位置信息的邻居表。
6.根据权利要求1所述的一种基于V2V的协作式城市道路拥堵检测方法,其特征在于,步骤1)中,检测车辆位置交通拥堵水平LOS0,具体包括以下步骤:
a,确定输入模糊集Si和输出模糊集S0,然后分别建立输入模糊集Si和输出模糊集S0的隶属函数,
b,实时计算车辆O的行驶速度v和当前所在车流的车流密度ρ,将行驶速度v和车流密度ρ作为输入变量,
c,输入模糊集Si和输出模糊集S0的隶属函数组成模糊控制器C,
d,将输入变量代入模糊控制器C得到输出值即为该车辆位置交通拥堵水平LOS0。
7.根据权利要求6所述的一种基于V2V的协作式城市道路拥堵检测方法,其特征在于,其中输入模糊集Si包括行驶速度v和车流密度ρ两个不同类别的输入模糊集;交通拥堵水平LOS0构成输出模糊集S0。
8.根据权利要求6所述的一种基于V2V的协作式城市道路拥堵检测方法,其特征在于,步骤c中,建立模糊控制器C,模糊控制器C的输出量为连续值,取值范围为[0,1],其中0表示自由流,1表示严重拥堵。
9.根据权利要求1所述的一种基于V2V的协作式城市道路拥堵检测方法,其特征在于,步骤3)中,车辆O进行拥堵消息验证时,向邻居表中的其他车辆Oi发出拥堵查询消息,车辆O进入睡眠状态,等待邻居表中的其他车辆Oi回复车辆发出的拥堵查询消息,邻居表中的其他车辆Oi将各自的交通拥堵水平LOSi,并将该交通拥堵水平LOSi写入拥堵验证消息中,将拥堵验证消息发给车辆O。
10.根据权利要求6所述的一种基于V2V的协作式城市道路拥堵检测方法,其特征在于,
依据拥堵验证消息中记录的各拥堵车辆的位置坐标,车辆O计算得出拥堵的位置区域和拥堵长度,并将拥堵区域和拥堵长度信息定向发送给邻居表中没有检测到交通拥堵的车辆,若邻居表中所有车辆的回复消息都显示拥堵,则车辆O将拥堵消息定向发给上游的最后一辆车;具体的,在时刻ti,第i辆车的位置表示为其中Xi表示经度,Yi表示纬度,Zi表示高度,同理,第j辆车的位置表示为则车辆i和车辆j之间的距离表示为:
步骤b中,车流密度ρ计算公式如下:
其中:Vn表示邻居表中检测到的车辆总数,dNF表示当前车辆与邻居表中下游最前车辆的距离,dNB表示当前车辆与邻居表中上游最后车辆的距离,NL表示当前车辆所在区域的车道数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710129358.8A CN106781509B (zh) | 2017-03-06 | 2017-03-06 | 一种基于v2v的协作式城市道路拥堵检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710129358.8A CN106781509B (zh) | 2017-03-06 | 2017-03-06 | 一种基于v2v的协作式城市道路拥堵检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106781509A CN106781509A (zh) | 2017-05-31 |
CN106781509B true CN106781509B (zh) | 2019-09-10 |
Family
ID=58961602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710129358.8A Active CN106781509B (zh) | 2017-03-06 | 2017-03-06 | 一种基于v2v的协作式城市道路拥堵检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106781509B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107622309B (zh) * | 2017-08-18 | 2021-01-08 | 长安大学 | 一种基于VANETs和改进的D-S证据理论的道路拥堵检测方法 |
CN108364470B (zh) * | 2018-02-27 | 2021-08-27 | 智慧城市(保定)企业管理服务有限公司 | 移动互联网路况计算方法 |
CN108389391B (zh) * | 2018-02-27 | 2021-08-27 | 智慧城市(保定)企业管理服务有限公司 | 移动互联网路况计算系统 |
DE112018007425T5 (de) * | 2018-04-02 | 2021-03-11 | Mitsubishi Electric Corporation | Client-Vorrichtung, Datenübertragungsverfahren und Datenerfassungssystem |
CN108665706B (zh) * | 2018-05-23 | 2020-05-05 | 辽宁工业大学 | 一种城市区域道路分级诱导方法 |
CN109886126B (zh) * | 2019-01-23 | 2020-10-23 | 长安大学 | 一种基于动态采样机制与rbf神经网络的区域车辆密度估计方法 |
CN110047276B (zh) * | 2019-03-11 | 2020-11-27 | 广州文远知行科技有限公司 | 障碍物车辆的拥堵状态确定方法、装置和相关产品 |
CN110208842A (zh) * | 2019-05-28 | 2019-09-06 | 长安大学 | 一种车联网环境下车辆高精度定位方法 |
CN110401911B (zh) * | 2019-07-12 | 2020-09-22 | 常熟理工学院 | 一种基于命名数据网络的车载云实现方法 |
CN110782687B (zh) * | 2019-08-30 | 2022-07-19 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置以及电子设备 |
CN111028511B (zh) * | 2019-12-25 | 2021-10-15 | 亚信科技(中国)有限公司 | 一种交通拥堵预警方法及装置 |
CN112785856B (zh) * | 2021-03-23 | 2022-04-01 | 山东交通学院 | 一种交通密度检测装置及方法 |
US11749108B2 (en) | 2021-03-31 | 2023-09-05 | Honda Motor Co., Ltd. | System and method for lane level traffic state estimation |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10227648A (ja) * | 1997-02-18 | 1998-08-25 | Alpine Electron Inc | ナビゲーション装置 |
EP1573697B1 (de) * | 2002-12-20 | 2008-04-02 | Daimler AG | Verfahren und system zur zentralenbasierten, zeitlich vorausschauenden störungserkennung durch störflanken-detektion mittels abschnittsbezogener reisezeitenschätzung |
CN103761430A (zh) * | 2014-01-10 | 2014-04-30 | 安徽科力信息产业有限责任公司 | 一种基于浮动车的路网高峰时段识别方法 |
CN103971529A (zh) * | 2014-04-28 | 2014-08-06 | 中国科学院深圳先进技术研究院 | 一种基于车车通信的路况获取和路况估计的方法及系统 |
CN104169992A (zh) * | 2012-03-15 | 2014-11-26 | 大陆汽车有限责任公司 | 用于借助于无线的车辆到车辆的通信进行拥堵识别的方法 |
CN105741554A (zh) * | 2016-04-29 | 2016-07-06 | 肖峰 | 一种基于手机运动传感器数据的交通流拥挤判断方法及装置 |
-
2017
- 2017-03-06 CN CN201710129358.8A patent/CN106781509B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10227648A (ja) * | 1997-02-18 | 1998-08-25 | Alpine Electron Inc | ナビゲーション装置 |
EP1573697B1 (de) * | 2002-12-20 | 2008-04-02 | Daimler AG | Verfahren und system zur zentralenbasierten, zeitlich vorausschauenden störungserkennung durch störflanken-detektion mittels abschnittsbezogener reisezeitenschätzung |
CN104169992A (zh) * | 2012-03-15 | 2014-11-26 | 大陆汽车有限责任公司 | 用于借助于无线的车辆到车辆的通信进行拥堵识别的方法 |
CN103761430A (zh) * | 2014-01-10 | 2014-04-30 | 安徽科力信息产业有限责任公司 | 一种基于浮动车的路网高峰时段识别方法 |
CN103971529A (zh) * | 2014-04-28 | 2014-08-06 | 中国科学院深圳先进技术研究院 | 一种基于车车通信的路况获取和路况估计的方法及系统 |
CN105741554A (zh) * | 2016-04-29 | 2016-07-06 | 肖峰 | 一种基于手机运动传感器数据的交通流拥挤判断方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106781509A (zh) | 2017-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106781509B (zh) | 一种基于v2v的协作式城市道路拥堵检测方法 | |
Wang et al. | V2V‐based method for the detection of road traffic congestion | |
CN101719315B (zh) | 一种基于中间件的动态交通信息采集方法 | |
CN105608505B (zh) | 一种基于手机信令数据的居民轨道交通出行方式识别方法 | |
CN102855760B (zh) | 基于浮动车数据的在线排队长度检测方法 | |
CN102521973B (zh) | 一种手机切换定位的道路匹配方法 | |
CN103794070B (zh) | 一种基于车路协同的动态诱导信息广播方法及系统 | |
CN101794516B (zh) | 基于手机信息的路段速度计算方法 | |
CN107909187B (zh) | 一种快速匹配电子地图中公交站点与路段的方法 | |
CN107845259A (zh) | 公交运行情况实时反馈系统及公交实时运行数据处理方法 | |
CN104778834A (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN105243844A (zh) | 一种基于手机信令的道路状态识别方法 | |
CN102800212B (zh) | 一种物联网环境下的智能泊车系统 | |
CN110472999B (zh) | 基于地铁和共享单车数据的客流模式分析方法及装置 | |
CN103794061A (zh) | 基于多种定位数据计算道路融合行程车速的方法 | |
CN104485003A (zh) | 一种基于管道模型的智能交通信号控制方法 | |
CN106408984A (zh) | 基于物联网的城市交通流诱导系统 | |
CN106228830A (zh) | 一种公交车到站时间实时预测系统及方法 | |
CN105205623A (zh) | 基于区间弱耦合度的公共自行车站点调度区域划分方法 | |
CN107240264A (zh) | 一种车辆非有效行驶轨迹识别方法和城市道路设施规划方法 | |
Xing et al. | Traffic volume estimation in multimodal urban networks using cell phone location data | |
CN102496273A (zh) | 城市交通路况的采集方法及系统 | |
CN106530677A (zh) | 一种基于实时信息的校车调度方法及系统 | |
CN105792134A (zh) | 一种拼车方法及装置 | |
CN114866969A (zh) | 基于手机信令大数据的地铁清分清算方法与系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |