CN107111938A - 用于确定拥堵末端位置的服务器、系统和方法 - Google Patents

用于确定拥堵末端位置的服务器、系统和方法 Download PDF

Info

Publication number
CN107111938A
CN107111938A CN201680004664.2A CN201680004664A CN107111938A CN 107111938 A CN107111938 A CN 107111938A CN 201680004664 A CN201680004664 A CN 201680004664A CN 107111938 A CN107111938 A CN 107111938A
Authority
CN
China
Prior art keywords
vehicle
congestion
server
data
measurement data
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
Application number
CN201680004664.2A
Other languages
English (en)
Other versions
CN107111938B (zh
Inventor
J·约尔丹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bayerische Motoren Werke AG
Original Assignee
Bayerische Motoren Werke AG
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Bayerische Motoren Werke AG filed Critical Bayerische Motoren Werke AG
Publication of CN107111938A publication Critical patent/CN107111938A/zh
Application granted granted Critical
Publication of CN107111938B publication Critical patent/CN107111938B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
    • G08G1/096775—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a central station
    • 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
    • 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
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • 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
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096716—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information does not generate an automatic action on the vehicle control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096733—Systems involving transmission of highway information, e.g. weather, speed limits where a selection of the information might take place
    • G08G1/096758—Systems involving transmission of highway information, e.g. weather, speed limits where a selection of the information might take place where no selection takes place on the transmitted or the received information

Abstract

本发明涉及一种用于确定拥堵末端位置(x2)的服务器(100)。所述服务器(100)包括：运算单元(10)；存储器(20)；接收单元(30)，其用于接收多个测量数据(80)，所述测量数据分别具有车辆(71)的至少一个位置数据说明(x)；其中服务器(100)构成为借助至少一个Sigmoid函数并且在使用接收到的测量数据(80)的情况下计算拥堵末端位置(x2)。

Description

用于确定拥堵末端位置的服务器、系统和方法
技术领域
本发明涉及一种用于确定拥堵末端位置的服务器、系统和方法。
背景技术
用于确定拥堵的位置说明的服务器由现有技术已知。Google交通可以确定在其中出现拥堵的地理区域。在此，服务器例如分析处理位于车辆中的智能手机的速度。然而，这些拥堵数据仅非常不准确地说明拥堵的位置。利用Google交通不能确定拥堵类型、拥堵未来的发展或最新动态发展。
确定拥堵位置的另一种可能性在于，在相关道路区段上安装静止传感器、如摄像机或感应线圈。这些静止传感器分析处理交通状态、特别是交通流或交通密度。在此，测量速度和在各车辆之间的间隔并且由此计算出交通流或交通密度。
这种类型的位置确定的缺点在于，拥堵末端位置计算仅在其中安装有传感器的道路区段中才能实现。静止传感器、如摄像机或感应线圈的安装是非常昂贵的进而没有全面得到应用。
EP 1 235 195 A2描述了一种用于确定拥堵数据的方法。在此，第一车辆将其耦合有时间说明的当前位置传送给中央站。所述中央站将这些信息保存在数据库中并且根据数据确定第一车辆的行驶路径。借助保持在第一车辆附近环境中并且同样保存在数据库中的另外的车辆的其他行驶路径，所述中央站产生对于第一车辆的行驶路径预告。该行驶路径预告给出关于如下的说明，即第一车辆的速度根据所有概率在即将到来的路段上将如何改变。拥堵的准确位置、情况和拥堵末端的位置也不能借助该方案算出。
US 2007/0005231 A1描述了一种用于确定拥堵末端的位置的系统和方法。属于所述系统的车辆包括控制器，利用该控制器分析车辆速度。一旦以恒定速度行驶的车辆接近拥堵末端并且由此降低速度，那么控制器在车辆速度接近零或者恒定位于非常低的速度水平的位置确定拥堵末端。这具有如下缺点，仅能非常不准确地确定拥堵末端位置。如果例如是非常软拥堵末端，在其中速度一方面持续降低，但另一方面不取零值或者达不到非常低且恒定的水平，那么利用该系统和方法不能实现拥堵末端的准确位置确定。
发明内容
基于现有技术提出如下任务，提供一种针对上述缺点的服务器、系统和方法。特别是应实现一种服务器，所述服务器全面且与位置无关地确定拥堵末端的准确位置以及必要时拥堵末端的发展。在此，即使在软拥堵末端的情况下也应实现拥堵末端的准确位置确定，车辆以越来越慢的速度不断驶入该软拥堵末端中。另一任务在于，提供一种用于确定拥堵末端位置的服务器，所述服务器能够确定拥堵末端类型。如果在驶入拥堵末端时必须大幅制动，则是硬拥堵末端，或者如果可以基于缓慢的速度下降，则是软拥堵末端。
该任务通过根据权利要求1的服务器、根据权利要求7的系统以及根据权利要求13的方法解决。该任务特别是通过用于确定拥堵末端位置的服务器解决，所述服务器包括：
-运算单元；
-存储器；
-接收单元，其用于接收多个测量数据，所述测量数据分别具有车辆的至少一个位置数据说明。
在此，服务器优选构成为借助至少一个Sigmoid函数并且在使用接收到的测量数据的情况下计算拥堵末端位置。
用于定位和表征拥堵末端位置的至少一个Sigmoid函数sig(x)例如可以具有以下公式：
该公式可以如所示出那样根据四个参数[a1,a2,a3,a4]来定义。
在此例如可以在第一迭代周期中通过随机选择的参数值来确定Sigmoid函数。测量数据可以用于选择至少一个Sigmoid函数，所述Sigmoid函数良好地对真实的拥堵曲线进而也对其拥堵末端建模。所选择的进而高质量的Sigmoid函数可以用于，由此计算拥堵末端位置。
备选或附加地，可以基于所述测量数据中的至少一些来确定或计算Sigmoid函数的参数值。所述测量数据例如由车辆经由无线电网络、优选移动无线电网络传输给服务器，所述服务器将所述测量数据保存在其存储器中。所述测量数据可以包括车辆的位置数据说明，借助所述位置数据说明，运算单元根据位置数据说明的传输时间点计算车辆的速度。
按照本发明的服务器的优点在于，所述服务器可以借助Sigmoid函数确定拥堵末端位置，而不依赖于车辆是由哪个位置将其测量数据发送给服务器。进行发送的车辆还可能位于拥堵末端位置之前或甚至可能已经稍微位于拥堵末端位置之后。Sigmoid函数因此适用于，也可以利用例如在拥堵内的任意位置的测量数据做出关于拥堵末端的推断。
另一优点在于，根据Sigmoid函数的曲线可以确定车辆的速度随着时间如何变化。该曲线可以用于表征拥堵末端。如果Sigmoid函数在曲线中具有快速且剧烈的下降，那么涉及硬拥堵末端，自由行驶中的车辆遇到例如停止车辆的聚集。如果Sigmoid函数在曲线中具有缓慢且平缓的下降，这表示，随着周围的车辆在缓慢的速度降低中驶入拥堵末端进而存在软拥堵末端。服务器可以构成为将相应发现传送给参与者、例如已经预订该服务的车辆。服务器也可以利用该发现，以便做出关于拥堵严重性的推断。例如可以定义多个严重类别(例如高、低、轻微)，其中服务器将相应的拥堵归入所述类别中的一个类别。
优选地测量数据是数据元组并且包括：
-交通信息数据；和/或
-速度数据，其说明所述相应的车辆的至少一个速度；和/或
-间隔数据，其说明在所述相应的车辆与在所述相应的车辆之前行驶的车辆之间的至少一个间隔；和/或
-制动频率数据，其说明所述相应的车辆的制动频率。
由此服务器可以借助测量数据确定车辆环境、例如交通密度。通过例如传送与行驶在前的车辆的间隔，服务器可以计算交通密度。交通密度在此例如可以利用如下公式计算：
交通密度ρ在此与两个车辆之间的间隔r以及后面车辆的车辆长度s有关。同样的计算也可以通过交通信息数据实现，所述交通信息数据例如说明在车辆的附近环境中的车辆数量或换道行为或其他涉及交通的数据。同样也能基于车辆的制动频率来计算交通密度。交通密度的确定也可以基于进行测量的车辆的全部探测环境。因此也可能的是，通过交通密度曲线的变化计算拥堵末端位置。
本发明的另一优点在于，借助Sigmoid函数可以连续地关于路径或路程、优选也关于时间对交通密度建模。由此可能的是，利用少量测量点——与在其上检测了测量点或测量数据的位置无关地——确定拥堵末端位置。也可以做出关于拥堵末端类型的推断。如果交通密度曲线快速且剧烈上升，那么涉及硬拥堵末端。如果Sigmoid函数在曲线中具有缓慢且平缓的上升，那么涉及软拥堵末端。服务器可以构成为，传送相应的发现给参与者、例如已经预订该服务的车辆。车辆可以处理这些信息并且将这些信息用于输出报警信号给驾驶员自身或其他交通参与者。此外这些信息可以用于，影响驾驶员辅助系统的工作方式。必要时驾驶员辅助系统于是可以降低行驶速度。
有利的，测量数据可以包括警告闪光数据。这些警告闪光数据可以说明车辆的警告闪光设备的使用和/或借助传感器和/或摄像机所探测的在(自身)车辆的附近环境中车辆的警告闪光设备的使用。这些警告闪光数据可以有助于更准确地对拥堵末端位置和/或特征进行确定。
在本发明的另一实施方式中，服务器构成为，确定多个参数组，以便计算拥堵末端位置。每个参数组定义一个第一Sigmoid函数和一个第二Sigmoid函数。所述参数组的第一Sigmoid函数对速度曲线建模，而参数组的第二Sigmoid函数对交通密度曲线建模。参数组在此可以通过八个参数[v1,v2,v3,v4,ρ1,ρ2,ρ3,ρ4]确定，其中四个参数[v1,v2,v3,v4]描绘速度曲线，而四个参数[ρ1,ρ2,ρ3,ρ4]描绘交通密度曲线。多个参数组可以优选大于10、进一步优选大于100或者大于1000。通过一个参数组定义两个Sigmoid函数的方式，其中所述第一Sigmoid函数根据位置表示车辆的速度曲线并且所述第二Sigmoid函数根据位置表示交通密度曲线，如此组合速度曲线和交通密度曲线的优点。
另一优点在于，根据准确到车道的定位可以车道准确地确定拥堵末端特征。所述速度曲线和交通密度曲线可能导致关于拥堵末端的不同结果。作为结果，服务器可以输出建模的速度曲线预先确定的或者建模的交通密度曲线预先确定的位置。也可能的是，将在拥堵末端的两个所算出的位置之间的平均值确定为拥堵末端的最终位置、例如准确地位于所述两个确定的位置之间的位置。参数组可以用于做出关于拥堵末端特征的精确推断。在此，在确定拥堵末端类型时不仅考虑速度变化，而且考虑交通密度变化，从而可以做出更准确的推断。有利的，也可以借助Sigmoid函数对加速度曲线或减速曲线建模并且类似地确定加速度关于位置的曲线，以便因此确定拥堵末端位置。通过对加速度曲线的建模同样可能的是，一方面准确计算拥堵末端位置，而另一方面确定拥堵末端特征。
在一个有利的实施方式中，服务器可以包括评价单元。所述评价单元在至少使用测量数据的情况下评价由服务器计算的多个具有不同参数的Sigmoid函数的至少一个选择的质量。所述测量数据与计算的Sigmoid函数比较。Sigmoid函数的曲线越接近测量数据的值，则Sigmoid函数的质量越高并且其被评价得越好。Sigmoid函数这样的评价可以由此实现，即，将Sigmoid函数例如划分到包括10个等级的等级系统中，其中等级10包含Sigmoid函数的最高质量。通过选择优选的Sigmoid函数、例如较高等级的如等级9和10的Sigmoid函数或者最好的5个、特别是最好的50个或500个Sigmoid函数，可以简化拥堵末端位置的确定并且提高正确识别的位置确定的数量。Sigmoid函数基于测量数据的评价例如也可以通过如下方式实现，即，确定在Sigmoid函数与测量数据之间最小二乘法拟合的残差并且根据残差的大小评价相应的Sigmoid函数。
在一个实施方式中，评价单元可以使用粒子滤波器和/或支持向量机(“SupportVector Machine”，SVM)和/或线性判别分析(LDA)以用于计算Sigmoid函数。借助粒子滤波器通过新的测量数据产生Sigmoid函数的连续更新。在此，粒子滤波器通过有限量的参数[v1,v2,v3,v4,ρ1,ρ2,ρ3,ρ4]近似计算Sigmoid函数的状态概率的后验分布。通过抽样量、粒子来近似计算关于Sigmoid函数的概率密度函数。相比于备选的方案，粒子滤波器可以通过其非参数形式近似计算出任意的分布。同样可以通过m阶多项式对计算的速度曲线和/或交通密度曲线进行插值，其中m＝3是有利的选择。该多项式的系数可以连同信号的其他特征、如速度关于时间的梯度或交通密度关于时间的梯度表示为在n维超空间中的点。之前以训练数据训练的SVM或LDA现在能够做出如下推断，即计算的Sigmoid函数以何种程度相应于车辆的测量数据。在此，优点在于快速且可靠的评价以及评价规则的简短的表示。
在本发明的另一实施方案中，服务器可以从另一服务器接收拥堵数据。拥堵数据表示出现拥堵的区域。在使用拥堵数据的情况下计算Sigmoid函数。这样的计算可以由此实现，即服务器为了计算Sigmoid函数做出参数预选择，其中参数预选择基于拥堵数据实现。由此可以在准备阶段中目的明确地控制Sigmoid函数的计算。通过拥堵数据已经可以做出参数预选择，其仅对如下这样的Sigmoid函数曲线建模，所述Sigmoid函数从开始就比通过参数的随机选择计算的Sigmoid函数具有更高质量。这具有如下优点，即优化Sigmoid函数的计算并且实现拥堵末端改善且较快速的位置确定。
此外该任务通过一种系统解决，该系统包括如在上述实施方案中描述的服务器和车辆，其中车辆构成为，传送测量数据给服务器。产生了如已经结合服务器所描述那样类似或相同的优点。
在一个优选实施方案中，至少一个车辆可以构成为，以规律的时间间隔传送测量数据。在另一优选系统中，如果从服务器接收到相应询问，那么至少一个车辆可以传送测量数据。同样，规律的测量数据传送和按照询问的测量数据传送的组合也是可能的。所述至少一个车辆自身也可以通过触发将测量数据传送给服务器。所述触发在此可以具有不同数据库管理系统的功能、特别是大的关系数据库管理系统的功能并且在确定的数据变化类型时调用存储的程序，所述程序对该变化进行允许、阻止和/或另外的动作，例如将选择的测量数据传送给服务器。由此确保在系统内优化并且目的明确的测量数据传输。
在另一有利的实施方案中，服务器可以构成为，特别是在使用拥堵数据的情况下从一系列车辆中选择至少一个车辆并且要求所选择的车辆传送测量数据。在此，服务器可以要求所有位于所述系列中的车辆给所述服务器定期至少传送位置数据，所述位置数据附加地配设给所述系列中的车辆。根据所述位置说明，服务器选择位于通过拥堵数据已知的拥堵附近环境中的车辆并且要求这些车辆给所述服务器发送测量数据。另一种可能性在于，服务器仅当其存在关于拥堵的信息时才启动对车辆的测量数据询问。在此，服务器一方面可以要求列入所述系列中的车辆的所有测量数据。另一方面，服务器可以在第一步骤中启动对所有系列中的车辆的位置询问并且仅存储在系列中的车辆的位置。于是，基于拥堵数据实现车辆的选择，其中可以选择位于拥堵的区域中的车辆。如果这些车辆还不存在测量数据，那么服务器可以在第二步骤中对这些车辆进行要求，以便计算拥堵末端位置。所有可能性具有如下优点，简化、优化并且目的明确地确保在车辆与服务器之间的测量数据传输。
在另一优选实施方案中，服务器可以构成为，
a)基于拥堵数据除了交通方向之外还确定拥堵末端和/或拥堵中心和/或拥堵始端的当前位置；
b)对于多个车辆确定车辆位置和车辆行驶方向；
c)在使用车辆位置和车辆行驶方向的情况下选择至少一个车辆，所述车辆位于拥堵末端和/或拥堵中心的当前位置之前、优选在拥堵始端的当前位置之前并且移向拥堵末端。
通过选择位于拥堵末端位置之前的位置上并且驶向所述拥堵末端位置的车辆，仅使用车辆的这样的测量数据，所述测量数据也直接与拥堵末端的要计算的位置相关联。因此还进一步优化并减少了测量数据传输。
在另一实施方式中，所述至少一个车辆可以包括至少一个间隔测量单元。所述间隔测量单元可以构成为测量在所述车辆与行驶在所述车辆之前的车辆之间的间隔。所述间隔可以用于算出和/或传送交通信息数据。这样的间隔测量单元例如可以是用于ACC(自适应巡航控制)的前置雷达、激光器、摄像机或其他单元，所述间隔测量单元适合测量与行驶在前面的车辆的间隔。这样的间隔测量单元的优点在于，可以通过间隔值对交通密度曲线建模。根据速度和与行驶在前面的车辆的间隔，运算单元或车辆自身可以确定在测量的车辆的周围区域中的交通密度总量。
在一个优选实施方式中，服务器可以构成为，将计算出的拥堵末端位置传送给车辆。这能实现在车辆中显示拥堵末端位置。由此例如通过其导航装置告知驾驶员拥堵末端的准确位置和/或特征。如果拥堵末端例如位于看不到全貌的转弯之后或者是硬拥堵末端，那么可以及时预先警告车辆驾驶员，从而可以降低事故危险。
此外，该任务通过用于特别是借助如其在上述实施方案中所描述的服务器和/或在根据如其在上述实施方案中所描述的系统内确定拥堵末端位置的方法，包括如下步骤：
-确定多个参数组，其中每个参数组定义一个第一Sigmoid函数和一个第二Sigmoid函数，其中所述参数组的第一Sigmoid函数对速度曲线建模并且所述参数组的第二Sigmoid函数对交通密度曲线建模；
-接收至少一个车辆的测量数据；
-基于接收到的测量数据评价通过参数组定义的Sigmoid函数中的至少一些Sigmoid函数的质量；
-基于所述评价选择至少一个参数组；
-基于所述至少一个选择的参数组计算拥堵末端位置；
-发送拥堵末端位置给一个/所述车辆。
产生了如已经结合所述服务器和所述系统所描述那样类似或相同的优点。另一优选方法包括以下步骤：
-基于所述至少一个选择的参数组、特别是在预定的变化区间内生成、优选随机生成其他参数组；
-接收至少所述车辆或另外的车辆的其他测量数据；
-基于接收到的第二测量数据评价通过所述其他参数组定义的Sigmoid函数中的至少一些Sigmoid函数的质量；
-基于所述评价选择至少一个另外的参数组；
-基于所述至少另外选择的参数组计算拥堵末端位置；
-发送拥堵末端位置给一个/所述车辆或一个/所述另外的车辆。
新的参数组的生成可以通过如下方式实现，即，分别以一定的噪声随机轻微改变每个参数组的八个参数。通过该措施可以重新产生多个不同参数组。通过之前选择的参数组，新的各参数组相比于第一参数组以改善和匹配的形式代表交通状态。通过重新评价和选择各参数组，在第一步骤中计算出的拥堵末端位置还可以通过所述第二步骤进一步具体化并且更准确地确定。新的各参数组的生成、所述新的各参数组利用总是新的测量数据的校准和评价可以任意频繁地重复。因此拥堵末端位置和拥堵末端特征不仅可以越来越准确地确定，而且同时也总是又匹配当前变化的实际情况。
按照本发明的任务此外通过计算机可读的存储介质解决，其具有可执行的指令，所述指令使得计算机在执行所述指令时实现上述方法。产生了如已经结合服务器、系统和方法所描述那样类似或相同的优点。
附图说明
以下借助多个实施例描述本发明，根据附图进一步阐明各实施例。其中：
图1示出服务器100的示意图；
图2示出两个相互通信的服务器100和101的示意图；
图3示出系统的示意图；
图4示出两个相继行驶的车辆71和72的示意俯视图；
图5示出对速度曲线50建模的Sigmoid函数；
图6示出对交通密度曲线60建模的Sigmoid函数；
图7示出图5中用于确定拥堵末端位置x2的Sigmoid函数；
图8示出图6中用于确定拥堵末端位置x2的Sigmoid函数；
图9示出用于确定拥堵末端特征的示意图；
图10示出用于确定拥堵末端位置x2的示意流程图；
图11示出图10中用于确定拥堵末端位置x2的另一示意流程图；以及
图12示出基于车辆71、72、73和74的测量数据80、81、82和83概率评价参数组40和42的执行周期。
具体实施方式
在以下描述中对于相同和作用相同的部件使用相同的附图标记。
服务器100的目的是计算拥堵末端位置。
以下，拥堵末端应理解为如下位置，在该位置上车辆基于外部影响、例如由于交通事故、增加的车辆总量或环境影响使得要么降低其速度和/或要么减小与行驶在前面的车辆的间隔。
图1示出服务器100的示意图，所述服务器包括运算单元10、存储器20、接收单元30和评价单元90。
如图2中所示，服务器100从另一服务器101接收拥堵数据21。所述拥堵数据21说明在道路上出现拥堵的区域。
接收单元30构成为，接收多个测量数据80、81、82、83，如图3中所示。测量数据80、81、82、83分别包括车辆71、72、73、74的至少一个位置数据说明x，其中车辆71、72、73、74表示一个车队70。通过如下方式定义车队70，其涉及保持相互紧挨并且都沿同一个方向行驶的车辆71、72、73、74。
服务器100构成为，借助至少一个Sigmoid函数——其例如通过四个参数[a1、a2、a3、a4]定义——并且在使用接收到的测量数据80、81、82、83的情况下计算拥堵末端位置x2。在此，例如在第一迭代周期中通过随机选择的参数值确定Sigmoid函数。也可以在使用拥堵数据21的情况下计算Sigmoid函数的参数[a1、a2、a3、a4]。
在图3中同样示出系统的示意图。所述系统包括服务器100和车辆71、72、73、74，其中车辆71、72、73、74构成为，传送测量数据80、81、82、83给服务器100。在此，测量数据80、81、82、83可以以规律的时间间隔自动地由车辆71、72、73、74传送给服务器100或者仅通过服务器100侧的询问才进行测量数据80、81、82、83的传送。也可设想所述两种传输方式的组合。由此确保在系统内优化的并且目的明确的测量数据传输。
此外，服务器100特别是在使用拥堵数据21的情况下从一系列车辆71、72、73、74中选择至少一个车辆71。所选择的车辆71被要求传送测量数据80给服务器100。车辆71的选择可以按不同方式实现：
在第一种可能性中，服务器100要求所有位于所述系列中的车辆71、72、73、74给所述服务器规律地至少传送位置数据x，所述位置数据附加地配设给所述系列中的车辆71、72、73、74。根据所述位置说明x，服务器100选择位于通过拥堵数据21已知的拥堵附近环境中的车辆71、72、73、74并且要求这些车辆给所述服务器发送测量数据80、81、82、83，借助所述测量数据，服务器100确定拥堵端部位置x2。
另一种可能性在于，服务器100仅当其存在关于拥堵的信息21时才启动对车辆71、72、73、74的测量数据询问。在此，服务器100一方面可以要求列入所述系列中的车辆71、72、73、74的所有测量数据80、81、82、83。另一方面，服务器100可以在第一步骤中启动对所有系列中的车辆71、72、73、74的位置询问并且仅存储在系列中的车辆71、72、73、74的位置x。于是，基于拥堵数据21实现车辆71、72、73、74的选择，其中选择位于拥堵区域中的车辆71、72、73、74。如果这些车辆71、72、73、74还不存在测量数据80、81、82、83，那么服务器100可以在第二步骤中对这些车辆进行要求，以便计算拥堵末端位置x2。
服务器100也构成为，基于拥堵数据21确定拥堵末端x2和/或拥堵中心和/或拥堵始端的当前位置以及出现拥堵的交通方向。也对于多个车辆71、72、73、74进行服务器100的相同确定，其中确定其车辆位置x和车辆行驶方向。在使用车辆位置x和车辆行驶方向的情况下，服务器100选择至少一个车辆71，所述车辆位于拥堵末端x2和/或拥堵中心的当前位置之前、优选在拥堵始端的当前位置之前并且移向拥堵末端x2。通过选择位于拥堵末端位置x2之前的位置x1上并且驶向所述拥堵末端位置的车辆71、72、73、74，仅使用车辆71、72、73、74的这样的测量数据80、81、82、83，所述测量数据也直接与拥堵末端的要计算的位置相关联。因此还进一步优化并减少了测量数据传输。
只要服务器100已计算出拥堵末端位置x2，其就将该位置x2传送给车辆71、72、73、74。这能实现在车辆71、72、73、74中显示拥堵末端位置x2。由此例如通过其导航装置告知驾驶员拥堵末端的准确位置x2和/或特征。如果拥堵末端x2例如位于看不到全貌的曲线之后或者是硬拥堵末端，那么可以及时预先警告车辆71、72、73、74的驾驶员，从而降低事故危险。
由车辆71、72、73、74传送的测量数据80、81、82、83是数据元组。这些数据元组包括：交通信息数据；速度数据，其说明所述相应的车辆71的速度v；以及间隔数据，其说明在所述相应的车辆71与在所述相应的车辆71之前行驶的车辆72之间的间隔r。如图4中所示，车辆71包括发送单元76，以便传送测量数据80给服务器100。此外，车辆71包括间隔测量单元75，以便测量与在前行驶的车辆72之间的间隔r。
服务器100借助测量数据80、81、82、83确定车辆71的周围环境、例如交通密度ρ，其中交通密度ρ与测量的间隔r和测量车辆71的车辆长度s有关。
图5示出Sigmoid函数，其对速度曲线50建模并且通过四个参数[v1,v2,v3,v4]定义。在此示出，车辆71的速度v关于位置x如何变化。图6示出Sigmoid函数，其对交通密度曲线60建模并且通过四个参数[ρ1,ρ2,ρ3,ρ4]定义。在此示出，交通密度ρ在车辆71附近的周围环境中关于位置x如何变化。一个速度曲线50与一个交通密度曲线60分别构成一个参数组40。服务器100构成为，确定多个参数组40、42，以便计算拥堵末端位置x2。在此可以通过八个参数[v1,v2,v3,v4,ρ1,ρ2,ρ3,ρ4]确定所述参数组40、42。通过车辆71、72、73、74的准确到车道的定位因此车道准确地确定拥堵末端位置x2和拥堵末端特征。
图7根据速度曲线50而图8根据交通密度曲线60示出如何确定拥堵末端位置x2。在此，在速度曲线50中在拥堵末端x2之前的位置x1上示出恒定速度v的切线51。在拥堵内的位置x3上的第二直线表示在拥堵末端x2之后速度下降的斜率线52。通过切线51和斜率线52的交点确定拥堵末端位置x2进而确定驶入拥堵的开始。在图8中借助交通密度曲线60使用相同的方法，以便同样地确定拥堵末端位置x2。在此，在拥堵末端x2之前的位置x1上示出恒定交通密度ρ的切线61。在拥堵内的位置x3上的第二直线表示在拥堵末端x2之后交通密度上升的斜率线62。通过切线61和斜率线62的交点确定拥堵末端位置x2进而确定驶入拥堵的开始。
如果速度曲线50的斜率线52快速下降并且交通密度曲线60的斜率线62快速上升，那么涉及硬拥堵末端，自由行驶中的车辆71、72、73、74遇到例如停止车辆的聚集。如果速度曲线50的斜率线52缓慢下降并且交通密度曲线60的斜率线62缓慢上升，那么涉及软拥堵末端，车辆71、72、73、74以越来越缓慢的速度v不断驶入所述拥堵末端中。
用于确定拥堵末端特征的另一种可能性在图9中示出。如果速度随时间下降的梯度dv具有大的负值并且交通密度随时间上升的梯度dρ具有大的正值，那么在此是硬拥堵末端。相反，如果速度随时间的梯度dv具有小的负值并且交通密度随时间的梯度具有小的正值，那么在此是软拥堵末端。
通过由服务器100传送拥堵末端位置x2以及传送拥堵末端特征给车辆71、72、73、74来处理这些信息并且将这些信息用于输出报警信号给驾驶员自身或其他交通参与者。
图10示出一种方法流程图，以此确定拥堵末端位置x2。在此，服务器100构成为，实施以下步骤：
-确定多个参数组40，其中每个参数组40定义一个第一Sigmoid函数和一个第二Sigmoid函数，其中所述第一Sigmoid函数对速度曲线50建模并且所述第二Sigmoid函数对交通密度曲线60建模；
-接收至少一个车辆71的测量数据80；
-基于接收到的测量数据80借助评价单元90评价通过参数组40定义的Sigmoid函数中的至少一些Sigmoid函数的质量；
-基于所述评价选择至少一个参数组41；
-基于所述至少一个选择的参数组41计算拥堵末端位置x2；
-发送拥堵末端位置x2给一个/所述车辆71。
评价单元90构成为，在使用粒子滤波器的情况下评价参数组40。借助粒子滤波器通过新的测量数据80、81、82、83产生Sigmoid函数50、60的连续更新。在此，粒子滤波器通过有限量的参数[v1,v2,v3,v4,ρ1,ρ2,ρ3,ρ4]近似计算Sigmoid函数50、60的状态概率的后验分布。通过抽样量、粒子近似计算关于Sigmoid函数50、60的概率密度函数。相比于备选的方案，粒子滤波器可以通过其非参数形式近似计算出任意的分布。
为了更准确地确定拥堵末端位置x2或者为了更新拥堵末端位置x2，图11示出另一流程图，以此确定拥堵末端位置x2。在此，服务器100构成为实施以下步骤：
-基于所述至少一个选择的参数组41、特别是在预定的变化区间内生成、优选随机生成其他参数组42；
-接收至少所述车辆71和/或另外的车辆72的其他测量数据；
-基于所述其他测量数据81借助评价单元90评价通过所述其他参数组40定义的Sigmoid函数中的至少一些Sigmoid函数的质量；
-基于所述评价选择至少一个另外的参数组43；
-基于所述至少另外选择的参数组43计算拥堵末端位置x2；
-发送拥堵末端位置x2给一个/所述车辆71或一个/所述另外的车辆72。
新的参数组42的生成可以由此实现，即分别以一定的噪声随机轻微改变每个参数组的八个参数[v1,v2,v3,v4,ρ1,ρ2,ρ3,ρ4]。通过该措施可以重新产生多个不同的参数组42。通过之前选择的参数组41，新的各参数组42相比于第一参数组40以改善和匹配的形式代表交通状况。通过重新评价和选择各参数组42，在第一步骤中计算出的拥堵末端位置x2还可以通过所述第二步骤进一步具体化并且更准确地确定。新的参数组42的生成、所述新的参数组42利用总是新的测量数据81的校准和评价可以任意频繁地重复。因此拥堵末端位置x2和拥堵末端特征不仅可以越来越准确地确定，而且同时也总是又匹配当前改变的实际情况。
在图12中又以其他形式示出，可以如何确定拥堵末端位置x2。周期地进行最可能的参数组41的评价。在开始时，随机地或者在借助拥堵数据21的情况下通过较可能的参数化产生具有各八个参数[v1,v2,v3,v4,ρ1,ρ2,ρ3,ρ4]的多个参数组40。在下一步骤中，借助测量1000在评价步骤2000中评价速度曲线50和交通密度曲线60的Sigmoid函数，所述Sigmoid函数通过各八个参数[v1,v2,v3,v4,ρ1,ρ2,ρ3,ρ4]明确定义。更好地相应于测量1000或者更接近真实测量情况的参数组40因此获得更高评价。在选择步骤3000中确定应进一步被追踪的参数组41。紧接着，分别以一定的噪声随机轻微改变每个被考虑的参数组的八个参数[v1,v2,v3,v4,ρ1,ρ2,ρ3,ρ4]。现在，又存在多个不同数据组42。通过测量1000，所述多个参数组40现在比在评价步骤2000之前更好地代表交通状态。如果在新的时间点出现其他测量数据81或多个同步/异步测量1000，那么上一个时间步骤的参数组41在相应的新的时间点上被预测。这例如可以通过宏观交通模型实现，所述模型通过偏微分方程描述。如果参数组42的噪声——其可以在预测步骤4000之前或之后使用——足够大来检测拥堵末端位置x2的动态，甚至预测步骤4000也可以完全删除。基于测量1000的评价2000、选择3000以及预测4000的步骤顺序在此周期地并且任意频繁地进行。
附图标记：
10 运算单元
20 存储器
21 拥堵数据
30 接收单元
40 参数组
41 参数组
42 其他参数组
43 其他参数组
50 速度曲线
51 在拥堵末端之前速度的切线
52速度下降的斜率线
60 交通密度曲线
61 在拥堵末端之前交通密度的切线
62 交通密度上升的斜率线
70 车队
71 车辆
72 另外的车辆
73 车辆
74 车辆
75 间隔测量单元
76 发送单元
80 测量数据
81 其他测量数据
82 测量数据
83 测量数据
90 评价单元
100 服务器
101 另一服务器
1000 测量
2000 评价
3000 选择
4000 预测
x 位置数据说明
x1 在拥堵末端之前的位置
x2 拥堵末端位置
x3 在拥堵末端之后的位置
v 速度
dv 速度随时间下降的梯度
ρ 交通密度
dρ 交通密度随时间上升的梯度
r 两个车辆之间的间隔
s 车辆的长度

Claims (15)

1.用于确定拥堵末端位置(x2)的服务器(100)，包括：
-运算单元(10)；
-存储器(20)；
-接收单元(30)，其用于接收多个测量数据(80)，所述测量数据分别具有车辆(71)的至少一个位置数据说明(x)；
其中，服务器(100)构成为，借助至少一个Sigmoid函数并且在使用接收到的测量数据(80)的情况下计算拥堵末端位置(x2)。
2.根据权利要求1所述的服务器(100)，其特征在于，测量数据(80)是数据元组并且包括：
-交通信息数据；和/或
-速度数据，其说明所述相应的车辆(71)的至少一个速度(v)；和/或
-间隔数据，其说明在所述相应的车辆(71)与在所述相应的车辆(71)之前行驶的车辆之间的至少一个间隔(r)；和/或
-制动频率数据，其说明所述相应的车辆(71)的制动频率。
3.根据上述权利要求之一所述的服务器(100)，其特征在于，服务器(100)构成为，确定多个参数组(40)，其中每个参数组(40)定义一个第一Sigmoid函数和一个第二Sigmoid函数，所述第一Sigmoid函数对速度曲线(50)建模并且所述第二Sigmoid函数对交通密度曲线(60)建模。
4.根据上述权利要求之一所述的服务器(100)，其特征在于，评价单元(90)，其构成为，在使用测量数据(80)中的至少一些测量数据的情况下评价由服务器(100)计算的多个Sigmoid函数的至少一个选择的质量。
5.根据上述权利要求之一、特别是根据权利要求4所述的服务器(100)，其特征在于，所述评价单元(90)构成为，在使用粒子滤波器和/或支持向量机和/或线性判别分析的情况下评价所述Sigmoid函数。
6.根据上述权利要求之一所述的服务器(100)，其特征在于，所述服务器(100)从另一服务器(101)接收拥堵数据(21)，所述拥堵数据(21)说明出现拥堵的区域，并且在使用拥堵数据(21)的情况下计算所述Sigmoid函数。
7.系统，包括根据上述权利要求之一所述的服务器(100)和车辆(71、72、73、74)，其中，所述车辆(71、72、73、74)构成为，传送测量数据(80)给服务器(100)。
8.根据权利要求7所述的系统，其特征在于，至少一个车辆(71、72、73、74)构成为：
-以规律的时间间隔传送测量数据(80)；和/或
-按照服务器(100)侧的询问来传送测量数据(80)。
9.根据上述权利要求之一所述的系统，其特征在于，所述服务器(100)构成为，特别是在使用拥堵数据(21)的情况下从一系列车辆(71、72、73、74)中选择至少一个车辆(71)并且要求所选择的车辆(71)传送测量数据(80)。
10.根据权利要求9所述的系统，其特征在于，所述服务器(100)构成为：
a)基于拥堵数据，除了交通方向之外还确定拥堵末端(x2)和/或拥堵中心和/或拥堵始端的当前位置；
b)对于多个车辆(71、72、73、74)确定车辆位置(x)和车辆行驶方向；
c)在使用车辆位置(x)和车辆行驶方向的情况下选择至少一个车辆(71)，所述车辆位于拥堵末端(x2)和/或拥堵中心的当前位置之前、优选在拥堵始端的当前位置之前并且移向拥堵末端(x2)。
11.根据上述权利要求之一所述的系统，其特征在于，所述至少一个车辆(71)包括至少一个间隔测量单元(75)，所述间隔测量单元构成为测量在所述车辆(71)与行驶在所述车辆(71)之前的车辆之间的间隔(r)并且所述间隔(r)用于算出和/或传送交通信息数据。
12.根据上述权利要求之一所述的系统，其特征在于，所述服务器(100)构成为，将计算出的拥堵末端位置(x2)传送给车辆(71、72、73、74)。
13.用于特别是借助根据权利要求1至6之一所述的服务器(100)和/或在根据权利要求7至12之一所述的系统内确定拥堵末端位置(x2)的方法，包括如下步骤：
-确定多个参数组(40)，其中每个参数组(40)定义一个第一Sigmoid函数和一个第二Sigmoid函数，所述第一Sigmoid函数对速度曲线(50)建模并且所述第二Sigmoid函数对交通密度曲线(60)建模；
-接收至少一个车辆(71)的测量数据(80)；
-基于接收到的测量数据(80)评价通过参数组(40)定义的Sigmoid函数中的至少一些Sigmoid函数的质量；
-基于所述评价选择至少一个参数组(41)；
-基于所述至少一个选择的参数组(41)计算拥堵末端位置(x2)；
-发送拥堵末端位置(x2)给一个/所述车辆(71)。
14.根据权利要求13所述的方法，包括如下步骤：
-基于所述至少一个选择的参数组(41)、特别是在预定的变化区间内生成、优选随机生成其他参数组(42)；
-接收至少所述车辆(71)和/或另外的车辆(72)的其他测量数据(81)；
-基于所述其他测量数据(81)评价通过所述其他参数组(40)定义的Sigmoid函数中的至少一些Sigmoid函数的质量；
-基于所述评价选择至少一个另外的参数组(43)；
-基于所述至少另外选择的参数组(43)计算拥堵末端位置(x2)；
-发送拥堵末端位置(x2)给一个/所述车辆(71)或一个/所述另外的车辆(72)。
15.计算机可读的存储介质，其具有可执行的指令，所述指令使得计算机在执行所述指令时实现根据权利要求13或14所述的方法。
CN201680004664.2A 2015-02-24 2016-01-26 用于确定拥堵末端位置的服务器、系统和方法 Active CN107111938B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DE102015203233.7 2015-02-24
DE102015203233.7A DE102015203233A1 (de) 2015-02-24 2015-02-24 Server, System und Verfahren zur Bestimmung einer Position eines Stauendes
PCT/EP2016/051514 WO2016134901A1 (de) 2015-02-24 2016-01-26 Server, system und verfahren zur bestimmung einer position eines stauendes

Publications (2)

Publication Number Publication Date
CN107111938A true CN107111938A (zh) 2017-08-29
CN107111938B CN107111938B (zh) 2020-12-18

Family

ID=55236362

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680004664.2A Active CN107111938B (zh) 2015-02-24 2016-01-26 用于确定拥堵末端位置的服务器、系统和方法

Country Status (5)

Country Link
US (1) US10269245B2 (zh)
JP (1) JP6778203B2 (zh)
CN (1) CN107111938B (zh)
DE (1) DE102015203233A1 (zh)
WO (1) WO2016134901A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112327823A (zh) * 2019-07-19 2021-02-05 丰田自动车株式会社 行驶控制装置、行驶系统以及记录有行驶程序的记录介质
CN113053108A (zh) * 2020-12-23 2021-06-29 沈阳世纪高通科技有限公司 一种实时识别快速道路上拥堵队尾的方法
CN115280391A (zh) * 2020-03-27 2022-11-01 大众汽车股份公司 用于由车辆的至少一个运动曲线确定交通密度的用于车辆的计算机程序、装置、方法和车辆

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7200929B2 (ja) * 2017-03-31 2023-01-10 日本電気株式会社 渋滞推定装置、渋滞推定方法およびそのプログラム
CN109191840A (zh) * 2018-09-13 2019-01-11 电子科技大学 一种基于智能终端的实时交通状况判定方法
US20210347387A1 (en) * 2020-05-07 2021-11-11 Toyota Motor Engineering & Manufacturing North America, Inc. Traffic reconstruction via cooperative perception
US11794787B2 (en) * 2020-10-19 2023-10-24 Ford Global Technologies, Llc Vehicle assist feature control
CN112927498B (zh) * 2021-01-20 2022-07-29 广州新流向电子科技有限公司 一种基于智慧交通监控的数据分析方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04257009A (ja) * 1991-02-12 1992-09-11 Kokusai Electric Co Ltd モータ速度制御方法
CN1372230A (zh) * 2001-02-23 2002-10-02 株式会社日立制作所 用流动汽车数据推测交通状况的方法和推测并提供交通状况的系统
US20060271269A1 (en) * 2003-11-20 2006-11-30 Bayerische Motoren Werke Aktiengesellschaft Method and system for determining the driving situation
US20070005231A1 (en) * 2005-06-29 2007-01-04 Nissan Motor Co., Ltd. Traffic jam detection system and method
DE102011083677A1 (de) * 2011-09-29 2013-04-04 Bayerische Motoren Werke Aktiengesellschaft Prognose einer Verkehrssituation für ein Fahrzeug
US20140114556A1 (en) * 2012-10-23 2014-04-24 University Of Southern California Traffic prediction using real-world transportation data
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
CN104205185A (zh) * 2012-03-21 2014-12-10 宝马股份公司 用于确定交通状态的方法和装置

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2186074A1 (de) * 2007-08-29 2010-05-19 Continental Teves AG & CO. OHG Personalisierte aktualisierung von digitalen navigationskarten
EP2391038A1 (en) * 2010-05-28 2011-11-30 Harman Becker Automotive Systems GmbH Traffic information client device
US8855900B2 (en) * 2011-07-06 2014-10-07 International Business Machines Corporation System and method for self-optimizing traffic flow using shared vehicle information
DE102012007367A1 (de) * 2012-04-12 2012-11-08 Daimler Ag Verfahren zur Bestimmung der Verkehrs-/Wetterinformationen für eine Anwendung in den Navigations- und Fahrerassistenzsystemen eines Fahrzeugs
DE102013203698B4 (de) * 2013-03-05 2019-05-29 Bayerische Motoren Werke Aktiengesellschaft Verfahren zur Geschwindigkeits- und/oder Abstandsregelung bei Kraftfahrzeugen
US9159229B2 (en) * 2013-06-18 2015-10-13 Carnegie Mellon University, A Pennsylvania Non-Profit Corporation Smart and scalable urban signal networks: methods and systems for adaptive traffic signal control
DE102013014872A1 (de) * 2013-09-06 2015-03-12 Audi Ag Verfahren, Auswertesystem und kooperatives Fahrzeug zum Prognostizieren von mindestens einem Stauparameter
CN103914985B (zh) * 2014-04-25 2015-10-28 大连理工大学 一种混合动力客车未来车速轨迹预测方法
DE102014220935A1 (de) * 2014-10-15 2016-04-21 Continental Automotive Gmbh Verfahren zur Fahrassistenz unter Berücksichtigung einer Signalanlage
US9286797B1 (en) * 2015-01-09 2016-03-15 International Business Machines Corporation Traffic incident location identification
US10032369B2 (en) * 2015-01-15 2018-07-24 Magna Electronics Inc. Vehicle vision system with traffic monitoring and alert
US9569960B2 (en) * 2015-02-24 2017-02-14 Here Global B.V. Method and apparatus for providing traffic jam detection and prediction

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04257009A (ja) * 1991-02-12 1992-09-11 Kokusai Electric Co Ltd モータ速度制御方法
CN1372230A (zh) * 2001-02-23 2002-10-02 株式会社日立制作所 用流动汽车数据推测交通状况的方法和推测并提供交通状况的系统
US20060271269A1 (en) * 2003-11-20 2006-11-30 Bayerische Motoren Werke Aktiengesellschaft Method and system for determining the driving situation
US20070005231A1 (en) * 2005-06-29 2007-01-04 Nissan Motor Co., Ltd. Traffic jam detection system and method
DE102011083677A1 (de) * 2011-09-29 2013-04-04 Bayerische Motoren Werke Aktiengesellschaft Prognose einer Verkehrssituation für ein Fahrzeug
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
CN104205185A (zh) * 2012-03-21 2014-12-10 宝马股份公司 用于确定交通状态的方法和装置
US20140114556A1 (en) * 2012-10-23 2014-04-24 University Of Southern California Traffic prediction using real-world transportation data

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112327823A (zh) * 2019-07-19 2021-02-05 丰田自动车株式会社 行驶控制装置、行驶系统以及记录有行驶程序的记录介质
CN115280391A (zh) * 2020-03-27 2022-11-01 大众汽车股份公司 用于由车辆的至少一个运动曲线确定交通密度的用于车辆的计算机程序、装置、方法和车辆
CN113053108A (zh) * 2020-12-23 2021-06-29 沈阳世纪高通科技有限公司 一种实时识别快速道路上拥堵队尾的方法

Also Published As

Publication number Publication date
CN107111938B (zh) 2020-12-18
JP2018511857A (ja) 2018-04-26
JP6778203B2 (ja) 2020-10-28
WO2016134901A1 (de) 2016-09-01
US10269245B2 (en) 2019-04-23
DE102015203233A1 (de) 2016-08-25
US20170330458A1 (en) 2017-11-16

Similar Documents

Publication Publication Date Title
CN107111938A (zh) 用于确定拥堵末端位置的服务器、系统和方法
Zhou et al. Development of an efficient driving strategy for connected and automated vehicles at signalized intersections: A reinforcement learning approach
US20210312725A1 (en) Vehicle-data analytics
CN107368069B (zh) 基于车联网的自动驾驶控制策略的生成方法与生成装置
US11597395B2 (en) Systems and methods to manage vehicles under anomalous driving behavior
US11836985B2 (en) Identifying suspicious entities using autonomous vehicles
JP5375805B2 (ja) 運転支援システム及び運転支援管理センター
EP3556629A1 (en) Method and system for vehicle curve speed restriction
CN110053619A (zh) 车辆控制装置
CN107000750A (zh) 用于车辆经济性改进的设备及方法
US9940549B2 (en) Method for black ice detection and prediction
JP5378002B2 (ja) 車両動作推定装置、車両動作推定方法および車両動作推定プログラム
CN108877213A (zh) 交通事故的识别方法及系统
Hyeon et al. Short-term speed forecasting using vehicle wireless communications
JP6326968B2 (ja) 運転支援システム及び運転支援方法
US20220073070A1 (en) Vehicle draft mode
Wu et al. Early car collision prediction in VANET
EP4021027A1 (en) Distributed learning to learn context-specific driving patterns
JP5802823B2 (ja) 交通量予測システム
US11801836B2 (en) Enhanced vehicle operation
Ye et al. Deep learning-based queue-aware eco-approach and departure system for plug-in hybrid electric buses at signalized intersections: A simulation study
EP4126619A1 (en) Vehicle-data analytics
JP4572944B2 (ja) 運転支援装置、運転支援方法および運転支援プログラム
US11532188B2 (en) Architecture and methodology for state estimation failure detection using crowdsourcing and deep learning
Wang et al. Crossing traffic avoidance of automated vehicle through bird-view control, a reinforcement learning approach

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