CN107248284A - 基于多源信息融合的实时交通评价方法 - Google Patents
基于多源信息融合的实时交通评价方法 Download PDFInfo
- Publication number
- CN107248284A CN107248284A CN201710675125.8A CN201710675125A CN107248284A CN 107248284 A CN107248284 A CN 107248284A CN 201710675125 A CN201710675125 A CN 201710675125A CN 107248284 A CN107248284 A CN 107248284A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- msub
- mrow
- traffic
- vehicle
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 91
- 230000004927 fusion Effects 0.000 title claims abstract description 6
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000013210 evaluation model Methods 0.000 claims abstract description 8
- 230000003068 static effect Effects 0.000 abstract description 5
- 230000015572 biosynthetic process Effects 0.000 abstract description 2
- 238000003786 synthesis reaction Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 28
- 238000012360 testing method Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 238000012956 testing procedure Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- DMBHHRLKUKUOEG-UHFFFAOYSA-N diphenylamine Chemical compound C=1C=CC=CC=1NC1=CC=CC=C1 DMBHHRLKUKUOEG-UHFFFAOYSA-N 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
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
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种车路协同场景下基于多源信息融合的实时交通评价方法,首先将多算子对引入到传统模糊综合中构成二级评价模型,通过层次分析法确定交通评价指标的权重向量,并建立了适用于各级道路参数的可变隶属度规则;同时将车路协同系统中的动态车辆数据和静态路段参数相融合,计算得出实时评价结果与评分。该方法通过模糊关系可接受各类交通评价指标作为模型的输入量,同时借助可变隶属度规则能够适用于各级道路状况,利用科学方法划分的权重将减少评价方法的主观臆断成分,所生成的评价得分可应用于同时段不同路段,或同一路段不同时段下的交通状态对比,为交通信号控制,车辆调度管理及导航信息服务提供了可靠依据。
Description
技术领域
本发明属于信息融合/交通评价领域。
背景技术
交通拥堵问题的日益突出严重地制约了城市的发展,由于早晚高峰期间的城市路网往往处于过饱和状态,机动车出行不便成为困扰居民生活的一大难题。然而有研究结果表明,目前城市路网的通行能力仍有较大的提升潜力,除了不合理的道路规划和信号灯配时外,交管部门和驾驶员对于区域路网的即时状况缺乏了解也是造成道路利用效率不高的一个主要原因。如果能精确检测到实时的交通状况和突发事件从而诱导交通流,路网的运行效率就能获得提升,但是目前很多基于交通检测数据的交通疏导应用研究都没有取得预期的效果。其主要原因有两点:一是受技术条件和成本所限,这种以外部检测器作为数据源的方案能提供的数据种类较单一,受检测其精度影响大,难以还原复杂的原始交通状态;二是很多借助于交通仿真软件下取得的研究成果考虑的场景过于简单,与实际交通状况不符,可见,寻找一种更可靠、还原度更高的交通数据检测和交通状态评价方法是十分有必要的。
与此同时,随着车联网技术的深入发展,路网上的车辆和智能设备将通过无线网络彼此分享信息,协同运行,越来越多的交通数据将被挖掘出来以提高交通运行效率。事实上,车辆本身就装有大量的传感器,各类数据被应用于检测车辆状态、保障行车安全或智能辅助驾驶,而这些检测数据中很大一部分可以通过车载诊断系统(On-Board Diagnostic,OBD)提供的接口获得,经过计算后,这些数据可以转化为交通评价中的一些统计量,如停车次数、旅行时间等,其数据精度和实时性与现有检测手段相比都有大幅提高,如果能够路段上一定时间内的车辆数据被汇总在一起进行评价分析,将大大提高交通评价方法的精度。
交通检测器是高速公路交通管理与控制系统的主要组成部分之一,是交通流信息的采集设备。它通过数据采集和设备监视等方式,在道路上实时地检测交通量、车辆速度、车流密度和车辆占有率等各种交通参数,这些参数都是控制系统中所需的配时计算参数。检测器检测到的数据,通过通信系统传送到本地控制器或是直接上传至监控中心计算机,作为监控中心分析、判断、发出信息和提出控制方案的主要依据。车路协同是采用先进的无线通信和新一代互联网等技术,全方位实施车车、车路动态实时信息交互,并在动态交通信息采集与融合的基础上开展车辆主动安全控制和道路协同管理,充分实现人车路的有效协同,保证交通安全,提高通行效率,从而形成的安全、高效和环保的道路交通系统。交通评价技术是指根据有关监测数据对微观车辆运行状态或宏观路网状态进行评价,主要包括数据获取,数据准备,数据比较,实时状态判断等步骤。交通状态评价即是要实现将采集到的基础数据经过处理后与一个既定的交通状态判别标准进行比较,从而判别出定性交通状况,判别结果可作为交通管理者决策时的参考依据。
现有的车辆行为评价和路网状态评价往往是借着外部传感器评判车辆的稳定舒适性和路段的拥堵状态,而这种间接采集数据的方式本身就有一定的误差,而且对于影响评价结果的车辆和路网突发事件缺乏处理,进一步导致了评价精度的降低。
发明内容
针对以上现有技术的不足,本发明提供了一种基于多源信息融合的实时交通评价方法,通过对车辆动态数据和路测静态数据两类信息进行融合,得出最终的车辆和路况评价结果。具体采用如下步骤:
步骤1:定义一个有限集合Q:Q={q1,q2,l,qn},Q中的元素qi(i=1,2,…,n)为车辆数据;
步骤2:定义一个有限集合P:P={p1,p2,…,pm},P中的元素pi(i=1,2,…,m)为评价指标;
步骤3:令uj为第j个评价指标pj∈P的隶属函数,其中uj=u(pj),uj∈[0,1],得到有限模糊子集U,U={u1,u2,…,um},建立模糊关系R:Q×U:
其中,rij为第i个被车辆数据关于第j个评价指标的隶属度,rij=R(qi,uj)∈[0,1];
步骤4:定义评价结果集为一有限集合V={v1,v2,v3,v4}={差,中,良,优},集合中的每一个元素对应于隶属度函数的一个可能性分布区间:
uj∈[0.25(i-1),0.25i],v=vi(i=1,2,3,4)
步骤5:选取降半柯西型的隶属度函数:
步骤6:根据动态调整取值策略,计算pj-uj坐标系每一个隶属度函数分别对应的临界值pij:
其中,为指定道路等级下单方向道路长度的典型临界值,为标准道路长度,ξ为评价指标中由于信号控制所产生的数据比例,αnj为n条车道对第j个评价指标的影响系数,ωmj为m个道路岔口对第j个评价指标的影响系数;
步骤7:针对所求得的隶属度区间uj,进一步转化为对应指标的隶属度rij,采用梯形隶属度模型,取评价结果集V的区间界限0.25i为两个评价集的中间隶属度rij=0.5,浮动区间为0.25i±0.1,由此构成完整的隶属度函数;
步骤8:定义S=(Q,U,R)为第一级交通评价空间,并给定一个模糊向量W:
W=(w1,w2,…,wm)T
其中W的元素wj为各评价指标关于第一级评价的重要性,第一级交通评价模型:
其中,表示模糊算子对;
步骤9:采用层次分析法划分评价指标的权重;
步骤10:对层次分析法得到的权重结果进行一致性检验;
步骤11:对每一个车辆数据建立一个新的模糊子集:
U'={D1,D1,…,Dp},U'∈[0,1]
其中,p表示采用的模糊算子对的个数;
步骤12:由Q和U'建立一个新的模糊关系:
其中,dij表示采用第j个算子对时,步骤(8)算出的第i个车辆数据的第一级评价值;
步骤13:建立第二级交通评价空间S'=(Q,U',R'),在S'中作第二级评价,给定一个模糊向量W':
W'=(w1',w'2,…,w'p)
其中W'的元素w'j表示第j个模糊算子对相对于第二级评价的权重,且
步骤14:根据层次分析法计算第二级评价的权重,并进行一致性检验;
步骤15:得到二级交通评价模型B:
B=W'R'T={b1,b2,…,bm}
其中,bi表示第i个被评价对象对于评价结果集V的评价指数,且
步骤16:对B中的元素进行归一化处理得到然后计算得到道路评价得分C:
C值越大,路况评价分值越高。
附图说明
图1是基于OBD数据的车辆状态诊断分析方法功能示意图。
图2是基于车路协同的移动车辆数据采集方法场景描述图。
图3是基于车路协同的移动车辆数据采集方法数据交互流程图。
图4是实时交通道路状态评价方法结构图。
图5是隶属度关系图。
图6是应用于实时交通评价的车路协同装置结构图。
图7是应用于实时交通评价的车载终端安装图。
图8是应用于实时交通评价的路侧终端安装图。
图9是发明方法和装置系统应用图。
具体实施方式
(1)基于多类数据的车辆状态诊断分析方法
该方法有效利用了多种车辆内部、外部传感器数据,并应用历史和定位点附近的其他车辆数据对分析结果进行修正补偿,精度较高。方法功能示意如图1所示。
步骤1:OBD数据采集:
自08年以后生产的车辆上基本都配有车载诊断系统接口,供4S店维修排查车辆故障使用,但也允许车主自行使用该接口读取车辆状态,该协议基于CAN2.0B标准,因此首先需连接该接口与采集设备,以CAN扩展帧形式读取其中源源不断发送出的OBD原始信息。
步骤2:OBD数据过滤:
针对可能出现的通信故障和异常,对所采集到的数据进行清洗,过滤其中的异常值和空值,保证数据可靠性。
步骤3:OBD数据解析:
根据ISO-15765协议对原始OBD数据进行解析,分别获取车辆传感器、控制器和诊断信息,并依据预先设定好的形式对各类数据进行存储和单位的转化,提供给驾驶员。
步骤4:OBD数据诊断:
根据ISO-15765协议所提供的数据故障码类型,对车辆报出的故障码进行排查和诊断,如有故障则给出故障类型和维修建议。
步骤5:OBD数据分析:
根据ISO-15765协议所提供的数据来源类型,提取所需有关指标,提取一个或多个解析数据进行运算,判断车辆实时工况,如判断车辆急加速、急减速信息。
步骤6:OBD数据统计:
对于需要连续记录累加的数据,如油耗、怠速时间等,进行独立的数据统计以满足需求。
步骤7:OBD数据修正:
根据历史数据和定位点汇总数据对实时数据进行修正补偿,降低异常驾驶行为对数据带来的影响。
步骤8:生成行车分析报告:
提供精准里程分析、油耗分析以及驾驶行为分析,提示驾驶员有何种不良驾驶行为与习惯。
(2)基于车路协同的移动车辆数据采集方法
如图2所示,基于车路协同的移动车辆数据采集方法借助车路协同环境实现,通过车载终端采集实时车辆行驶数据,并通过车路通信网络与路侧终端进行车路信息交互,这种方法不需要高实时性的通信标准,仅在通信条件良好的空旷十字路口处进行通信,同时可根据历史通信数据判断数据所属路段,降低了后续的数据处理难度。方法流程如图3所示,具体步骤为:
步骤1:路侧终端开启主动自组网功能,主动向通信范围内的车载终端发送握手信息。
步骤2:车载终端开启数据上传功能,在第一次建立车路通信后开始记录车辆数据,以在下一个路口发送给对应的路侧终端。
步骤3:当车载终端进入到下一交叉口的通信范围内时,与路侧终端建立起稳定的通信连接。
步骤4:车载终端持续向路侧终端发送定位信息,路侧终端根据定位信息判断车载终端所处车辆是否临近路口,路侧终端根据实际需要向车载终端发送路口相关辅助驾驶信息和指令。
步骤5:当车辆进入路口范围内时,路侧终端向车载终端发送数据上传准备指令,车载终端发送该车辆的基本信息(车牌号、车型等),路侧终端在数据库中添加该车辆的信息,并根据该与车载终端上一次建立通信的路侧终端位置判断车辆所行驶的路径归属。
步骤6:当车辆离开路口范围时,路侧终端向车载终端发送数据上传指令,车载终端发送该车辆的在该路段上统计的车辆数据(旅行时间、停车次数、油耗等)。
步骤7:路侧终端对上传数据进行校验,剔除不合理的数据和异常数据。
步骤8:路侧终端根据数据所属路径统计每条相连路径上单位时间内的所有车辆数据,完成车辆数据的汇总。
步骤9:将车辆数据与道路静态数据相融合,提供给道路评价方法进行实时道路评价。
(3)基于模糊集理论的实时交通道路状态评价方法
本方法建立的实时交通评价模型基于多级模糊综合评价实现,在路侧终端融合该路段的静态道路数据和动态车辆数据后,对当前道路运行状态进行实时评价,该方法首先根据模糊数学的隶属度理论把交通状态定性评价转化为对比性较强的定量评价,对受到多种环境因素制约的对象做出当前交通运行状态的评价,适合解决交通评价系统中非确定性问题。评价方法结构图如图4所示。
步骤1:定义一个有限集合Q:Q={q1,q2,…,qn},Q中的元素qi(i=1,2,…,n)表示被评价对象,即本文实际测试中所产生的车辆行驶数据。
步骤2:定义一个有限集合P:P={p1,p2,…,pm},P中的元素pi(i=1,2,…,m)表示不同的评价指标。
步骤3:令uj为第j个评价指标pj∈P的隶属函数,即:uj=u(pj),uj∈[0,1],得到U为一个有限模糊子集,即U={u1,u2,…,um}。于是可以得到一个评价矩阵R,构成模糊关系R:Q×U,即:
式(1)中:rij—第i个被评价对象关于第j个评价指标的隶属度,rij=R(qi,uj)∈[0,1]。
步骤4:定义评价结果集为一有限集合V={v1,v2,v3,v4}={差,中,良,优},集合中的每一个元素对应于隶属度函数的一个可能性分布区间,如式(2)所示:
uj∈[0.25(i-1),0.25i],v=vi(i=1,2,3,4) (2)
步骤5:考虑到评价指标对于评价结果的负相关特性,选取降半柯西型的隶属度函数,形如式(3):
对于有pj→+∞时uj→0,pj≤cj时uj=0,综合式(2),(3)可知在pj-uj坐标系每一个隶属度函数分布区间界限0.25i必定存在一个对应的临界值pij。根据同一隶属度函数下的一组临界值,可通过回归分析的方法求出隶属函数的待定系数aj,bj,cj。
步骤6:实际交通场景中,临界值pij的取值会根据实际道路的改变而在很大程度上浮动,因此引入动态调整的pij取值策略:
式(4)中,为指定道路等级下单方向道路长度的典型临界值,为标准道路长度(500米),ξ为评价指标中由于信号控制所产生的数据比例,该部分不受道路静态参数的影响而改变,主要由绿信比和相位数决定。αnj为n条车道对第j个评价指标的影响系数,ωmj为m个道路岔口对第j个评价指标的影响系数。
步骤7:针对所求得的隶属度区间uj,进一步转化为对应指标的隶属度rij,采用梯形隶属度模型,取评价结果集V的区间界限0.25i为两个评价集的中间隶属度rij=0.5,浮动区间为0.25i±0.1,由此构成完整的隶属度函数。如图5所示。
步骤8:定义S=(Q,U,R)为第一级交通评价空间,并给定一个模糊向量W:
W=(w1,w2,…,wm)T (5)
式(5)中W的元素wj表示各评价指标关于第一级评价的重要性,则第一级交通评价模型:
步骤9:为了对评价指标的权重进行科学配比,使用层次分析法进行划分。
步骤10:对层次分析法得到的权重结果进行一致性检验,确保结果的可行性。
步骤11:在式(6)中的符号表示模糊算子对,当同时引进多个算子对时,对于每一个被评价对象均可得到一个新的模糊子集:
U'={D1,D1,…,Dp},U'∈[0,1] (7)
式(7)中,p表示采用的模糊算子对的个数。
多个算子对有助于从多个方面权衡评价指标对于被评价对象的影响。本文共选取了三个算子对:(∧,∨),(·,∨),(∧,)。其中∧代表取小,∨代表取大,●代表相乘,代表相加。这三个算子对分别侧重于考虑单个评价指标和综合多个评价指标的贡献,其中
步骤12:由Q和U'可以得到一个新的模糊关系,即R':Q×U'→[0,1]:
式(8)中,dij表示采用第j个算子对时,式(6)算出来的第i个被评价对象的第一级评价值。
步骤13:于是得到第二级交通评价空间S'=(Q,U',R'),为了减少在确定元素wj∈W时的主观性,在S'中作第二级评价,给定一个模糊向量W':
W'=(w′1,w′2,…,w′p) (9)
式(9)中W'的元素w'j表示第j个模糊算子对相对于第二级评价的权重,且
步骤14:根据层次分析法计算第二级评价的权重,并进行一致性检验。
步骤15:则有二级交通评价模型,其最终结果为一个评价指数的集合B:
B=W'R'T={b1,b2,…,bm} (10)
式(10)中,bi表示第i个被评价对象对于评价结果集V的评价指数,且
步骤16:为使原有评语集B中的结果更丰富,按照加权平均原则对原有评价结果B进行综合,首先对B中的元素进行归一化处理得到继而通过式(11)0进行综合得到最后的道路评价得分C:
可见,C∈(0,100]且C值越大,路况评价分值越高。综合后的评价结果可以进行定量分析,便于不同路段之间或相同路段不同时刻之间的评价结果进行对比,提高了评价精度。
(4)应用于实时交通评价的车路协同装置
该装置由车载终端和路侧终端两部分组成,两者通过车路通信模块收发数据,装置结构如图6所示,具体部件如下:
1)车载终端:
-主控制器:车载终端的控制板,核心为高性能ARM芯片,包含各类硬件接口和通讯模块,安装在车辆内部,通过OBD接口与车载诊断系统建立连接获取车辆数据,使用车辆12V蓄电池供电。
-GPS模块:定位系统接收器,可支持GPS、北斗双模,与主控制器串口相连,天线需露在车体外部。
-显示模块:液晶屏,供将各类信息和交互界面提供给驾驶员,安装在车辆中控台,与主控制器LVDS接口相连,共用12V供电。
-语音模块:提供声音输入输出和语音交互功能,减少驾驶员人工操作,安装在显示模块后靠近驾驶员一侧,与主控制器IIS接口相连。
-车路通信模块:提供与路侧终端的自组织通信,安装在车辆内部,与主控制器串口相连,天线需露在车体外部。
-姿态传感器:提供实时车辆姿态信息,安装在车体下侧几何中心,需做减震处理,与主控制器串口相连。
车载终端安装结构如图7所示。
安装测试步骤:
步骤1:清理安装现场
将各部件安装位置处进行清理,移除杂物,保证环境干燥,将多余线缆固定,减少安全隐患。
步骤2:固定车载终端主控制器
将车载终端固定在车体内部,接入12V供电查看基本系统是否正常工作。
步骤3:安装显示、语音模块
将LCD屏和语音模块安装在车辆中控台上,保证模块位置稳定不晃动,测试软件系统和人机交互界面是否正常工作。
步骤4:连接OBD接口
将车载终端上的OBD线缆与车辆OBD接口相连,查看OBD信息能否正常获取。
步骤5:安装姿态传感器
将姿态传感器固定在车辆下侧几何中心处,通过减震海绵减少车辆震动干扰。
步骤6:安装通信、定位模块
将各类通信和GPS模块安装在指定位置处,与主控制器相连。
步骤7:安装集成天线
将各通信模块所需天线和接收器固定在车体外部,测试各通信功能是否正常。
步骤8:装置线缆整理
对所使用的线缆进行塑封、固定处理,保持车体内部线缆布置有序。
步骤9:完整测试
启动车辆测试,测试车载终端能否正常工作,各类车辆工况指标是否正常,与路侧终端的通信功能和数据交互是否正常。
2)路侧终端:
-主控制器:路侧终端的控制板,核心为高性能32位单片机,包含各类硬件接口和通讯模块,安装在信号机机柜内部,通过RS232、RS485和网口与信号机、车检器等有关路侧设备建立连接获取路侧数据。使用市电220V供电。
-车路通信模块:提供与车载终端的自组织通信,安装在信号机机柜内部,与主控制器串口相连,天线需露在机柜外部。
路侧终端安装结构如图8所示。
安装测试步骤:
步骤1:清理安装现场
将各部件安装位置处进行清理,移除杂物,保证环境干燥,将多余线缆固定,减少安全隐患。
步骤2:固定路侧终端主控制器
将路侧终端固定在信号机机柜内部,接入220V供电查看基本系统是否正常工作。
步骤3:连接路侧设备
通过路侧终端上的各类硬件接口与对应的路侧设备接口相连,测试数据获取是否正常
步骤4:安装车路通信模块
将车路通信模块安装在指定位置处,与主控制器相连。
步骤5:安装集成天线
将车路通信模块所需天线固定在信号机机柜外部,测试通信功能是否正常。
步骤6:装置线缆整理
对所使用的线缆进行塑封、固定处理,保持机柜内部线缆布置有序。
步骤7:完整测试
启动实际测试,测试路侧终端能否正常工作,各类路侧设备信息是否正常,与车载终端和远程服务器的通信功能和数据交互是否正常。
借助本系统,车主可以全面了解车辆的运行状态和道路交通信息,交通数据中心不仅能掌握更精确的路网实时状态,甚至可以借助系统进行诱导,提高了道路的安全水平和运行效率。同时评价系统不需要全程跟踪车辆状态即可判断道路运行状态,减少了数据在网络上的负载和运算量,且能够有效避免因传感器受到干扰而导致的精度误差。
Claims (1)
1.一种基于多源信息融合的实时交通评价方法,其特征在于,该方法包括如下步骤:
步骤1:定义一个有限集合Q:Q={q1,q2,…,qn},Q中的元素qi(i=1,2,…,n)为车辆数据;
步骤2:定义一个有限集合P:P={p1,p2,…,pm},P中的元素pi(i=1,2,…,m)为评价指标;
步骤3:令uj为第j个评价指标pj∈P的隶属函数,其中uj=u(pj),uj∈[0,1],得到有限模糊子集U,U={u1,u2,…,um},建立模糊关系R:Q×U:
其中,rij为第i个被车辆数据关于第j个评价指标的隶属度,rij=R(qi,uj)∈[0,1];
步骤4:定义评价结果集为一有限集合V={v1,v2,v3,v4}={差,中,良,优},集合中的每一个元素对应于隶属度函数的一个可能性分布区间:
uj∈[0.25(i-1),0.25i],v=vi(i=1,2,3,4)
步骤5:选取降半柯西型的隶属度函数:
<mrow>
<msub>
<mi>u</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mi>&mu;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>c</mi>
<mi>j</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>a</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
</msup>
</mrow>
</mfrac>
<mo>,</mo>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<mo>></mo>
<msub>
<mi>c</mi>
<mi>j</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
步骤6:根据动态调整取值策略,计算pj-uj坐标系每一个隶属度函数分别对应的临界值pij:
其中,为指定道路等级下单方向道路长度的典型临界值,为标准道路长度,ξ为评价指标中由于信号控制所产生的数据比例,αnj为n条车道对第j个评价指标的影响系数,ωmj为m个道路岔口对第j个评价指标的影响系数;
步骤7:针对所求得的隶属度区间uj,进一步转化为对应指标的隶属度rij,采用梯形隶属度模型,取评价结果集V的区间界限0.25i为两个评价集的中间隶属度rij=0.5,浮动区间为0.25i±0.1,由此构成完整的隶属度函数;
步骤8:定义S=(Q,U,R)为第一级交通评价空间,并给定一个模糊向量W:
W=(w1,w2,…,wm)T
其中W的元素wj为各评价指标关于第一级评价的重要性,第一级交通评价模型:
<mrow>
<mi>D</mi>
<mo>=</mo>
<mi>R</mi>
<mo>&CircleTimes;</mo>
<mi>W</mi>
</mrow>
其中,表示模糊算子对。
步骤9:采用层次分析法划分评价指标的权重;
步骤10:对层次分析法得到的权重结果进行一致性检验;
步骤11:对每一个车辆数据建立一个新的模糊子集:
U'={D1,D1,…,Dp},U'∈[0,1]
其中,p表示采用的模糊算子对的个数;
步骤12:由Q和U'建立一个新的模糊关系:
其中,dij表示采用第j个算子对时,步骤(8)算出的第i个车辆数据的第一级评价值;
步骤13:建立第二级交通评价空间S'=(Q,U',R'),在S'中作第二级评价,给定一个模糊向量W':
W'=(w′1,w'2,…,w'p)
其中W'的元素w'j表示第j个模糊算子对相对于第二级评价的权重,且
步骤14:根据层次分析法计算第二级评价的权重,并进行一致性检验;
步骤15:得到二级交通评价模型B:
B=W'R'T={b1,b2,…,bm}
其中,bi表示第i个被评价对象对于评价结果集V的评价指数,且
步骤16:对B中的元素进行归一化处理得到然后计算得到道路评价得分C:
<mrow>
<mi>C</mi>
<mo>=</mo>
<mn>100</mn>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mfrac>
<mn>100</mn>
<mn>3</mn>
</mfrac>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<msub>
<mover>
<mi>b</mi>
<mo>~</mo>
</mover>
<mi>i</mi>
</msub>
</mrow>
C值越大,路况评价分值越高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710675125.8A CN107248284B (zh) | 2017-08-09 | 2017-08-09 | 基于多源信息融合的实时交通评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710675125.8A CN107248284B (zh) | 2017-08-09 | 2017-08-09 | 基于多源信息融合的实时交通评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107248284A true CN107248284A (zh) | 2017-10-13 |
CN107248284B CN107248284B (zh) | 2019-11-05 |
Family
ID=60012707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710675125.8A Active CN107248284B (zh) | 2017-08-09 | 2017-08-09 | 基于多源信息融合的实时交通评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107248284B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108470461A (zh) * | 2018-03-27 | 2018-08-31 | 北京航空航天大学 | 一种交通信号控制器控制效果在线评价方法及系统 |
CN108847025A (zh) * | 2018-08-28 | 2018-11-20 | 电子科技大学 | 一种交通拥堵判定方法 |
CN108983599A (zh) * | 2018-08-07 | 2018-12-11 | 重庆邮电大学 | 一种车联网下多参数融合的自适应监控方法 |
CN109064739A (zh) * | 2018-05-15 | 2018-12-21 | 北京数行健科技有限公司 | 一种智能路桩设备和道路信息提供系统 |
CN109357696A (zh) * | 2018-09-28 | 2019-02-19 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 多源传感器信息融合闭环测试架构 |
CN110276503A (zh) * | 2018-03-14 | 2019-09-24 | 吉旗物联科技(上海)有限公司 | 一种自动识别冷链车辆任务的方法 |
CN111314882A (zh) * | 2020-02-20 | 2020-06-19 | 北京邮电大学 | 传输模式选择方法、装置、计算机系统与可读存储介质 |
CN111399024A (zh) * | 2020-03-13 | 2020-07-10 | 云南电网有限责任公司电力科学研究院 | 一种定位技术的切换方法及装置 |
CN111583639A (zh) * | 2020-04-30 | 2020-08-25 | 山东交通学院 | 一种道路交通拥堵预警方法及系统 |
CN112289045A (zh) * | 2020-10-19 | 2021-01-29 | 智邮开源通信研究院(北京)有限公司 | 交通信号控制方法、装置、电子设备及可读存储介质 |
CN113380028A (zh) * | 2021-06-01 | 2021-09-10 | 公安部交通管理科学研究所 | 一种智慧出行交通数据融合方法及装置 |
CN113793056A (zh) * | 2021-09-24 | 2021-12-14 | 上海交通大学 | 面向多源数据的街道可骑行指数动态评估实现方法 |
CN113837446A (zh) * | 2021-08-30 | 2021-12-24 | 航天科工广信智能技术有限公司 | 一种基于多源异构数据的机场陆侧区域交通态势预测方法 |
CN114120638A (zh) * | 2021-11-09 | 2022-03-01 | 北京航空航天大学 | 一种基于层级解耦的交叉口交通状况测评要素提取方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6177885B1 (en) * | 1998-11-03 | 2001-01-23 | Esco Electronics, Inc. | System and method for detecting traffic anomalies |
CN101216998A (zh) * | 2008-01-11 | 2008-07-09 | 浙江工业大学 | 基于模糊粗糙集的证据理论城市交通流信息融合方法 |
CN101373559A (zh) * | 2007-08-24 | 2009-02-25 | 同济大学 | 基于浮动车数据评估城市路网交通状态的方法 |
CN104778837A (zh) * | 2015-04-14 | 2015-07-15 | 吉林大学 | 一种道路交通运行态势多时间尺度预测方法 |
-
2017
- 2017-08-09 CN CN201710675125.8A patent/CN107248284B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6177885B1 (en) * | 1998-11-03 | 2001-01-23 | Esco Electronics, Inc. | System and method for detecting traffic anomalies |
CN101373559A (zh) * | 2007-08-24 | 2009-02-25 | 同济大学 | 基于浮动车数据评估城市路网交通状态的方法 |
CN101216998A (zh) * | 2008-01-11 | 2008-07-09 | 浙江工业大学 | 基于模糊粗糙集的证据理论城市交通流信息融合方法 |
CN104778837A (zh) * | 2015-04-14 | 2015-07-15 | 吉林大学 | 一种道路交通运行态势多时间尺度预测方法 |
Non-Patent Citations (1)
Title |
---|
田世艳等: "基于模糊综合评价的路段实时交通状态判别方法研究", 《科学技术与工程》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276503A (zh) * | 2018-03-14 | 2019-09-24 | 吉旗物联科技(上海)有限公司 | 一种自动识别冷链车辆任务的方法 |
CN108470461B (zh) * | 2018-03-27 | 2021-02-26 | 北京航空航天大学 | 一种交通信号控制器控制效果在线评价方法及系统 |
CN108470461A (zh) * | 2018-03-27 | 2018-08-31 | 北京航空航天大学 | 一种交通信号控制器控制效果在线评价方法及系统 |
CN109064739A (zh) * | 2018-05-15 | 2018-12-21 | 北京数行健科技有限公司 | 一种智能路桩设备和道路信息提供系统 |
CN108983599A (zh) * | 2018-08-07 | 2018-12-11 | 重庆邮电大学 | 一种车联网下多参数融合的自适应监控方法 |
CN108983599B (zh) * | 2018-08-07 | 2021-07-16 | 重庆邮电大学 | 一种车联网下多参数融合的自适应监控方法 |
CN108847025A (zh) * | 2018-08-28 | 2018-11-20 | 电子科技大学 | 一种交通拥堵判定方法 |
CN109357696A (zh) * | 2018-09-28 | 2019-02-19 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 多源传感器信息融合闭环测试架构 |
CN109357696B (zh) * | 2018-09-28 | 2020-10-23 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 多源传感器信息融合闭环测试架构 |
CN111314882A (zh) * | 2020-02-20 | 2020-06-19 | 北京邮电大学 | 传输模式选择方法、装置、计算机系统与可读存储介质 |
CN111314882B (zh) * | 2020-02-20 | 2021-10-15 | 北京邮电大学 | 传输模式选择方法、装置、计算机系统与可读存储介质 |
CN111399024A (zh) * | 2020-03-13 | 2020-07-10 | 云南电网有限责任公司电力科学研究院 | 一种定位技术的切换方法及装置 |
CN111583639A (zh) * | 2020-04-30 | 2020-08-25 | 山东交通学院 | 一种道路交通拥堵预警方法及系统 |
CN112289045A (zh) * | 2020-10-19 | 2021-01-29 | 智邮开源通信研究院(北京)有限公司 | 交通信号控制方法、装置、电子设备及可读存储介质 |
CN113380028A (zh) * | 2021-06-01 | 2021-09-10 | 公安部交通管理科学研究所 | 一种智慧出行交通数据融合方法及装置 |
CN113837446A (zh) * | 2021-08-30 | 2021-12-24 | 航天科工广信智能技术有限公司 | 一种基于多源异构数据的机场陆侧区域交通态势预测方法 |
CN113837446B (zh) * | 2021-08-30 | 2024-01-09 | 航天科工广信智能技术有限公司 | 一种基于多源异构数据的机场陆侧区域交通态势预测方法 |
CN113793056A (zh) * | 2021-09-24 | 2021-12-14 | 上海交通大学 | 面向多源数据的街道可骑行指数动态评估实现方法 |
CN114120638A (zh) * | 2021-11-09 | 2022-03-01 | 北京航空航天大学 | 一种基于层级解耦的交叉口交通状况测评要素提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107248284B (zh) | 2019-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107248284B (zh) | 基于多源信息融合的实时交通评价方法 | |
CN107274700B (zh) | 一种车路协同环境下多源信息采集方法及装置 | |
CN104200267B (zh) | 一种车辆驾驶经济性评价系统及评价方法 | |
CN102136190B (zh) | 城市公交客运事件应急响应调度管理系统及方法 | |
CN201417516Y (zh) | 机动车驾驶员科目三自动化考试系统 | |
CN103247091A (zh) | 一种驾驶评价系统及方法 | |
CN109118758A (zh) | 一种面向移动共享的智能网联交通管理系统 | |
CN106908075A (zh) | 大数据采集与处理系统及基于其电动汽车续航估计方法 | |
CN104867327B (zh) | 一种驾驶安全监测方法及装置 | |
CN109703389B (zh) | 基于新能源公交车的车桩网一体化充电调度装置及方法 | |
CN103077610A (zh) | 一种路段旅行时间估计的方法和系统 | |
CN102855386B (zh) | 一种人行道和非机动车道评价方法及装置 | |
CN104792937A (zh) | 一种基于车载重力加速度传感器的桥头跳车检测评价方法 | |
CN106529608A (zh) | 一种机动车尾气遥测设备综合布点系统 | |
CN110853179A (zh) | 车联网服务器、车辆及基于行驶数据的车辆油耗提示方法 | |
CN109727452A (zh) | 基于手机信令数据的出行比例核算方法 | |
CN104064049B (zh) | 一种智能交通道路容量短信播报系统 | |
Mamarikas et al. | Traffic impacts on energy consumption of electric and conventional vehicles | |
CN104112357A (zh) | 一种恶劣霾天气的城市区域交通紧急预案方法 | |
CN108122408A (zh) | 一种路况监测方法、装置及其用于监测道路路况的系统 | |
CN106530676A (zh) | 一种面向新能源城市公交车的数据融合方法及v2x系统 | |
CN112885089A (zh) | 一种基于多维指标的干线绿波智能诊断模型 | |
CN112508228A (zh) | 一种驾驶行为风险预测方法及系统 | |
CN113194442A (zh) | 一种智慧用车的车联网互动平台 | |
CN104331746A (zh) | 一种分离式的动态路径优化系统及其方法 |
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 |