CN109191852B - 车-路-云协同的交通流态势预测方法 - Google Patents

车-路-云协同的交通流态势预测方法 Download PDF

Info

Publication number
CN109191852B
CN109191852B CN201811253011.5A CN201811253011A CN109191852B CN 109191852 B CN109191852 B CN 109191852B CN 201811253011 A CN201811253011 A CN 201811253011A CN 109191852 B CN109191852 B CN 109191852B
Authority
CN
China
Prior art keywords
vehicle
traffic
lane
intersection
road
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.)
Expired - Fee Related
Application number
CN201811253011.5A
Other languages
English (en)
Other versions
CN109191852A (zh
Inventor
张凯龙
谢策
王雨佳
李刘洋
谢尘玉
费超
李孝武
巩政
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.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN201811253011.5A priority Critical patent/CN109191852B/zh
Publication of CN109191852A publication Critical patent/CN109191852A/zh
Application granted granted Critical
Publication of CN109191852B publication Critical patent/CN109191852B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—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)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种车‑路‑云协同的交通流态势预测方法，用于解决现有交通流预测方法适用性差的技术问题。技术方案是每辆智能车在出行之前先向交通云提交路径规划请求，交通云结合当前交通路网的交通流状态和预测的交通流状态为智能车生成优化的规划路径。各智能车在行驶过程中周期性或在加速度发生改变时向交通云发送车辆编号、物理参数、位置、车道、速度与加速度等信息，交通云在本地更新云端存储的相关信息，并根据每辆车规划的行驶路径来实时估算一段时间后交通路网的交通流发展态势。在获取交通路网中所有车辆行驶状态的基础上，实现了交通流态势的实时预测，从而为提高交通流管理效率、降低能源开销提供有效支撑，适用性好。

Description

车-路-云协同的交通流态势预测方法
技术领域
本发明涉及一种交通流预测方法，特别涉及一种车-路-云协同的交通流态势预测方法。
背景技术
文献“基于时间序列相似性搜索的交通流短时预测方法，交通信息与安全，2014，Vol32(6)，p22-26”研究了现有预测模型存在的问题，并在此基础上设计了一种基于时间序列相似性搜索的交通流短时多步预测方法。作者选用集相似性模型和数据模型为一体的界标模型对交通流时间序列数据进行模式表示，之后根据界标距离对时间序列进行相似性搜索，在历史数据库中搜索与当前交通流时间序列相似度较高的历史时间序列，进而确定与预测时刻相对应的历史数据。该方法有效降低了交通流短时多步预测的误差。但文献所述方法主要适合于具有历史数据统计的交通流预测，未考虑交通路网的实时状态以及动态特性，在智能车这种对实时性要求较高的场景中适用性较差，不能对实时的交通流态势变化预测提供有效支撑。
发明内容
为了克服现有交通流预测方法适用性差的不足，本发明提供一种车-路-云协同的交通流态势预测方法。该方法中，每辆智能车在出行之前先向交通云提交路径规划请求，交通云依据路径最短、时间最短或者开销最小等策略，结合当前交通路网的交通流状态和预测的交通流状态为智能车生成优化的规划路径。各智能车在行驶过程中周期性或在加速度发生改变时向交通云发送车辆编号、物理参数、位置、车道、速度与加速度等信息，交通云在本地更新云端存储的相关信息，并根据每辆车规划的行驶路径来实时估算一段时间后交通路网的交通流发展态势。在获取交通路网中所有车辆行驶状态的基础上，本发明可实现交通流态势的实时预测，有助于优化车辆的路径规划结果，从而也为提高交通流管理效率、降低能源开销提供有效支撑，适用性好。
本发明解决其技术问题所采用的技术方案：一种车-路-云协同的交通流态势预测方法，其特点是包括以下步骤：
步骤一、在交通云TC中设置一个路网图RNG和一个VD数据库，云系统启动后读取交通环境配置文件GISFile，对路网图RNG进行初始化，并将数据库VD初始化为空。
步骤二、TC等待接收车辆发送的消息并对接收数据进行管理。根据收到的车辆发来的υ_ppr消息，TC根据RNG中的通行压力为每一个发送该消息的车辆计算一条路径，并将结果发送给该车辆。根据收到的所有υ_sm消息，TC更新数据库VD中的相关记录。如果未收到车辆发来的消息，则TC以Δτ1为周期进行交通状态查询。如果收到车辆发来的消息，则对消息接收及数据管理，否则以Δτ1为周期进行交通状态查询。
步骤三、计算路网图的通行压力。TC以Δτ1为周期向交通网络广播交通状态查询信息，查询之前Δτ2时间内的各车辆的行驶状态和各路口的通行状态。收到查询信息后，各车辆将其当前行驶状态上报给TC，并由TC更新至数据库VD；各路口将其PRD数据库中的统计信息上报TC，用于后续步骤中的预测计算。
车道的通行压力用下式计算：
Figure GDA0002844766550000021
式中，
Figure GDA0002844766550000022
为车道的通行压力值，α为故障系数，当该车道上有车辆故障时α为1，否则为0。β为比例因子，取值为正整数，该值越大，通行压力值的增长速度就越大。MaxWeight表示通行压力最大值，
Figure GDA0002844766550000023
是车道
Figure GDA0002844766550000024
上的车辆数量。
Figure GDA0002844766550000025
是基于统计计算出的
Figure GDA0002844766550000026
车道上的当前平均速度。
各道路段的通行压力用下式计算：
Figure GDA0002844766550000027
式中，Weight(P)为路段的通行压力值，P表示当前道路段，
Figure GDA0002844766550000028
路段包含的道路集合。
路口中各临界区的通行压力按下式计算：
Figure GDA0002844766550000029
路口中各车道在各临界区不同通过方向上的通行压力按下式计算：
Figure GDA00028447665500000210
式中，Weight(CSi)表示路口CSi的通行压力，CSi表示路口i，
Figure GDA00028447665500000211
表示路口CSi的临界区j的平均通行时间，
Figure GDA00028447665500000212
表示驶入CSi的车辆总数，比例因子γ取值为正整数，其值越大，临界区通行压力的增加速度越快。
步骤四、预测车辆的位置。对于每个路口，TC对正在驶向和已进入该路口的车辆按照先到先通过的方法进行排序并写入队列Q，接着推算队列Q中各车在ΔT时间后所在的车道和位置。车道的空闲距离、各车通过下一个路口的延迟时间以及车辆在t2+ΔT时间的行驶状态分别用式5、式6和式7来计算。如果路网图RNG中还有路口未做处理，返回执行车辆位置预测，否则执行车道与道路通行压力预测。
Figure GDA0002844766550000031
式中，L1和L2分别为车辆在ΔT时间前后在车道
Figure GDA0002844766550000032
上的位置，Distance函数用于计算这两个位置之间的车道总长度，υ.l表示车辆的长度，Δd是同一车道上前后两辆车之间的最小安全距离。
Figure GDA0002844766550000033
式中，Delay(υk)函数的值大于0表示车辆不能通过路口，小于等于0则表示能通过，
Figure GDA0002844766550000034
表示车辆υk在CSi路口按照j方向行驶的通行压力。
Figure GDA0002844766550000035
式中，f′函数计算该车辆在ΔT时间内以所在车道平均车速
Figure GDA0002844766550000036
所能行驶的距离。CS1st、CSlast分别是车辆υ预约的临界区向量
Figure GDA00028447665500000310
中的第一个和最后一个临界区，
Figure GDA0002844766550000037
是车辆经过路口后进入的下一段车道，CS′1st是下一段车道
Figure GDA0002844766550000038
所连接的临界区，如果是车辆路径终点，CS′1st的值为空且FD函数的返回一个极大正整数值MaxFD，
Figure GDA0002844766550000039
表示车辆在ΔT时间后所在的道路位置。
步骤五、预测交通流通行压力。在t2时刻，TC根据车辆上报的行驶状态信息、路网图RNG以及数据库TD中的记录估算ΔT时间后的交通态势。TC根据推算的t2+ΔT时刻所有车辆的位置和状态信息，分别调用式1、式2计算t2+ΔT时刻路网图中的车道通行压力和道路段通行压力数据。此次交通流态势的预测完成。
步骤六、本次预测完成后，返回消息处理处，循环执行步骤消息接收及数据管理、路网图通行压力计算和交通流通行压力预测，直至系统停机。
本发明的有益效果是：该方法中，每辆智能车在出行之前先向交通云提交路径规划请求，交通云依据路径最短、时间最短或者开销最小等策略，结合当前交通路网的交通流状态和预测的交通流状态为智能车生成优化的规划路径。各智能车在行驶过程中周期性或在加速度发生改变时向交通云发送车辆编号、物理参数、位置、车道、速度与加速度等信息，交通云在本地更新云端存储的相关信息，并根据每辆车规划的行驶路径来实时估算一段时间后交通路网的交通流发展态势。在获取交通路网中所有车辆行驶状态的基础上，本发明可实现交通流态势的实时预测，有助于优化车辆的路径规划结果，从而也为提高交通流管理效率、降低能源开销提供有效支撑，适用性好。
下面结合附图和具体实施方式对本发明作详细说明。
附图说明
图1是本发明车-路-云协同的交通流态势预测方法的流程图。
图2是本发明方法中智能车、路口单元及交通云的通信方式。
图3是本发明方法中道路网络模型，包括路口、临界区划分、道路段、车道及车辆通行过程。
具体实施方式
参照图1-3。本发明车-路-云协同的交通流态势预测方法具体步骤如下：
每个路口部署一个路口单元I-Agent，每辆智能车υ都配置有一套接入网络的车载信息设备，交通云TC是部署于互联网中用于交通管理的云服务平台。车辆υ与I-Agent进行车-路通信，υ与TC进行车-云通信，I-Agent与TC进行路-云通信。
每个路口I具有唯一id，路口区域被划分为一组相邻但互不覆盖的子区域(称为临界区，记为CS)；路口单元I-Agent负责授权、调度预约通过该路口的智能车安全、高效地通过路口。I-Agent中部署一个专门的数据库PRD，该数据库中包含各个临界区上的车辆通过信息。数据库每条信息记录的格式为＜CSid,υid,dir,ts,te>。其中，CSid是临界区的id，υid是车辆id；dir是车辆通过该临界区时的行驶动作，“0”表示右转，“1”表示直行，“2”表示左转；ts是车辆进入该临界区的时间，te是车辆离开该临界区的时间。基于该数据库，I-Agent可以宏观地统计出特定时段内通过该路口的车辆数量，也可以进一步统计出通过各个临界区的车辆数量，以及在各临界区中进行“右转”、“直行”、“左转”动作的车辆数量及累计花费时间。I-Agent启动后，先将PRD数据库初始化为空，I-Agent运行期间PRD数据库的数据会一直保存。
车辆υ在开始行驶之前，先向TC发送路径规划请求消息υ_ppr，该消息结构为＜id,LS,LD,Θ>，其中，id是车辆编号，具有唯一性；LS和LD分别为起始位置和目的位置；Θ为规划要求，如时间最短、路程最短等。收到路径规划请求后，TC端为该车辆进行路径规划，并将规划的路径ρ以消息＜id,ρ>的形式发送给申请车辆，路径ρ是一组道路段及路口的序列。
车辆υ沿规划的路径行驶。在行驶到达一个路口I之前，υ根据所在车道及路口的临界区划分得出其所需申请的临界区向量
Figure GDA0002844766550000051
该向量以车辆先后通过的临界区顺序组成。之后，υ向该路口的路口单元I-Agent发送结构为
Figure GDA0002844766550000052
的通过请求消息υ_rm，其中，idI是路口单元I-Agent的id，idυ是车辆id；
Figure GDA0002844766550000053
是车辆当前所在车道；Lc是车辆当前的定位坐标；vc是当前行驶速度，取值范围[0,vmax]，vmax为正整数；ac是当前加速度，取值范围[-amax,amax]，amax为正整数；s表示车辆是否故障，“0”表示没有故障，“1”表示有故障。
每辆车以时间触发、事件触发相结合的方式向TC上报行驶状态，也就是说，每隔Δt时间或者在特定事件发生时(如车辆加速度发生改变、出现故障等)时上报车辆状态。车辆每次上报的状态信息υ_sm是一个结构体
Figure GDA0002844766550000054
其中，＜l,w,h>是车辆的长、宽、高信息，其他参数同上。υ_spm消息定义为一个带有路径信息ρ的结构体
Figure GDA0002844766550000055
交通云TC中，部署了一个加权的路网图
Figure GDA0002844766550000056
其中，第一个元素ζI是路口集合，每个路口Ii定义为结构体
Figure GDA0002844766550000057
包括了路口id、路口坐标向量VC、进入临界区的道路集合
Figure GDA0002844766550000058
和离开临界区的道路集合
Figure GDA0002844766550000059
临界区集合ζCS、各临界区的通行压力
Figure GDA00028447665500000510
以及临界区与各车道的连接关系
Figure GDA00028447665500000511
需要说明的是，本发明中约定，通行压力取值在整数区间[0,1,…,MaxWeight]，“0”表示临界区空闲且值越大表示通行压力越重，“MaxWeight”是一个大数，表示不可用。RNG的第二个元素ζP是各段道路P的集合，每条道路位于两个路口之间，任何道路Pj定义为结构体
Figure GDA00028447665500000512
Iin.id是Pj作为驶入道路所连接的路口的id，Iout.id是作为驶离道路所连接的路口的id，
Figure GDA0002844766550000061
是该端道路中所包含车道l的集合，
Figure GDA0002844766550000062
为道路中各车道与路口临界区的连接关系，
Figure GDA0002844766550000063
是道路中各车道通行压力至所构成的向量，W是该道路段的综合通行压力。RNG的第三个元素RI-P是路口I与道路段P的所有连接关系。RNG的第四个元素
Figure GDA0002844766550000064
是路网中各道路段综合通行压力的向量，每条道路段的通行压力由其所包括所有车道的通行压力向量
Figure GDA0002844766550000065
求得。
同时，交通云TC中还部署一个记录路网中车辆信息的数据库VD。该数据库中存储了所有智能车的行驶状态数据，其每条记录的形式为
Figure GDA0002844766550000066
初始时，交通云TC先初始化路网图RNG的数据。其中，路口集合、道路集合、连接关系等与交通环境相关，常为静态数据，而各临界区的通行压力
Figure GDA0002844766550000067
各道路段中的车道通行压力向量
Figure GDA0002844766550000068
的各个元素、各道路中的综合通行压力向量
Figure GDA0002844766550000069
的各个元素均初始化为MinWeight，MinWeight是一个极小正数。之后，基本的预测过程可描述为：交通云TC接收各辆车发来的消息，如果是υ_ppr消息，TC根据当前交通状态及预测的交通状态为车辆规划路径，并更新数据库VD。如果是υ_sm消息，TC查询该车是否已存在于VD数据库中，如果已存在，更新VD中的车辆行驶状态数据，否则，向该车发送请求获取其行驶路径，更新VD中的车辆行驶状态数据；以当前VD数据库中所有车辆的位置、速度、加速度、规划的行驶路径以及路口、道路的通行压力，以及各路口基于PRD上报的统计数据为依据，估算Δt时间后各路口、道路、车道的通行压力并形成交通态势的预测数据，更新路网图RNG中的数据。
交通环境配置文件GISFile中记录有该区域交通环境的地理信息及地图信息。
步骤一、路网图RNG及数据库VD初始化。
在本实施例中，各单向道路段P由双车道组成，道路段以夹角90°连接至路口I，交叉形成16个临界区，I-Agent是路口I的管理单元；在交通云TC中，设置一个路网图RNG和一个VD数据库。TC启动后，在本地创建并初始化一个加权路网图RNG及车辆数据库VD，为每个路口I创建一个车辆队列QI，其长度设置为10000。
通过读取交通环境配置文件GISFile，为ζI、ζP和RI-P中的元素赋初值，并将
Figure GDA00028447665500000610
Pj.W、
Figure GDA00028447665500000611
各元素的初值均设置为“0”，对路网图RNG初始化。同时将数据库VD初始化为空。
步骤二、消息接收及数据管理。
TC等待接收车辆发送的消息并对接收数据进行管理。如果收到车辆发来的υ_ppr消息，TC将根据RNG中的通行压力为每一个发送该消息的车辆计算一条路径，如找到可行的路径，则将车辆行驶信息作为一条记录添加到数据库VD并将结果返回给该车辆，否则返回null值。如果收到的是υ_sm消息，TC将首先查询该车是否已存在于数据库VD中。如已存在，则更新VD中的车辆行驶状态数据，否则，向该车发送请求获取其行驶路径，更新VD中的车辆行驶状态数据。如果TC未收到车辆发来的消息，则以Δτ1为周期进行交通状态查询。
步骤三、计算路网图通行压力。
TC以Δτ1为周期向交通网络广播交通状态查询信息，查询之前Δτ2时间内的各车辆的行驶状态和各路口的通行状态。Δτ2是一个十秒级的时间长度，用于统计。在t1时刻，TC发送查询信息。收到查询信息后，各车辆将其当前行驶状态上报给TC，并由TC更新至数据库VD；同时，各路口单元将基于其PRD数据库统计(t1-Δτ2)至t1时间段的车辆通过数据，并以格式为
Figure GDA0002844766550000071
Figure GDA0002844766550000072
的消息I_sm发送至TC，用于后续步骤中的预测计算。其中，Iid是路口编号，
Figure GDA0002844766550000073
分别为驶入、驶出该路口的车辆总数，
Figure GDA0002844766550000074
分别是驶入、驶出CSi的车辆总数(1≤i≤n)，n是路口临界区的数量；
Figure GDA0002844766550000075
及
Figure GDA0002844766550000076
分别为临界区在j方向上的车辆通过数量及平均通过时间，j∈{0,1,2}；s表示临界区的状态是否正常，“0”表示空闲，“1”表示被占用。路网图通行压力计算的具体步骤如下：
①在t1时刻，TC基于式1对每一条车道l的通行压力状况进行计算。式1综合考虑了车辆故障、车流密度及车流平均速度三种因素。
Figure GDA0002844766550000077
式中，
Figure GDA0002844766550000078
为车道的通行压力值，α为故障系数，当该车道上有车辆故障时α为1，否则为0。β为比例因子，取值为正整数，该值越大，通行压力值的增长速度就越大。MaxWeight表示通行压力最大值，
Figure GDA0002844766550000079
是车道
Figure GDA00028447665500000710
上的车辆数量。
Figure GDA00028447665500000711
是基于统计计算出的
Figure GDA00028447665500000712
车道上的当前平均速度。
②在t1时刻，TC基于式2对各道路段的通行压力进行计算。
Figure GDA0002844766550000081
式中，Weight(P)为路段的通行压力值，P表示当前道路段，
Figure GDA0002844766550000082
路段包含的道路集合。
③如前所述，路口被划分为一组临界区，临界区的通行压力具有独立性，因此，一个路口的交通流通行压力应由一组临界区的通行压力来表示。在t1时刻，TC基于式3对每个路口中各个临界区的总通行压力进行统计计算，用式4对各车道
Figure GDA0002844766550000089
在临界区不同方向上的通行压力进行计算。
Figure GDA0002844766550000083
Figure GDA0002844766550000084
式中，Weight(CSi)表示路口CSi的通行压力，CSi表示路口i，
Figure GDA0002844766550000085
表示路口CSi的临界区j的平均通行时间，
Figure GDA0002844766550000086
表示驶入CSi的车辆总数，比例因子γ取值为正整数，其值越大，临界区通行压力的增加速度越快。
步骤四、预测车辆的位置。
对于每个路口创建一个空队列Q，TC对正在驶向和已进入该路口的车辆进行按照“先到先通过”的方法进行排序并写入队列Q。
已经进入路口的车辆，按照其按规划路径行驶时还未行驶过的临界区数量进行排序，还未行驶过的临界区越少就越接近离开该路口，应越是排在Q的前列。举例说明，将正方形路口划分为相邻的四个临界区，右转车辆会驶过一个临界区，直行车辆驶过两个临界区，左转车辆依其相对于临界区的大小比例驶过三个或四个临界区。每辆车υ待驶过的临界区记录在向量
Figure GDA0002844766550000087
中。正常情况下，进入最后一个临界区的车辆会比进入所需第一个临界区的车辆更先离开。
其他驶向路口的车辆按照到达路口时间的先后在队列Q中进行先后排序。车辆到达时间可由车辆当前位置到路口的距离、车辆的速度、加速度、规划的路径以及当前车道的最大限速等参数进行实时计算。
接着推算队列Q中各车在ΔT时间后所在的车道和位置。具体步骤如下：
①在各个路口，TC用式5计算车道
Figure GDA0002844766550000088
上两个位置L1和L2之间的可用道路长度，所谓可用就是指没有车辆占用的道路。
Figure GDA0002844766550000091
式中，L1和L2分别为车辆在ΔT时间前后在车道
Figure GDA0002844766550000092
上的位置，Distance函数用于计算这两个位置之间的车道总长度，υ.l表示车辆的长度，Δd是同一车道上前后两辆车之间的最小安全距离。
②通过式6计算出车辆通过临界区的时间延迟，是被路口Q队列中所有前车所延迟的累积时间。
Figure GDA0002844766550000093
式中，Delay(υk)函数的值大于0表示车辆不能通过路口，小于等于0则表示能通过，
Figure GDA0002844766550000094
表示车辆υk在CSi路口按照j方向行驶的通行压力。
③用式7推算t2+ΔT时刻车辆所在的位置。
Figure GDA0002844766550000095
式中，f′函数计算该车辆在ΔT时间内以所在车道平均车速
Figure GDA0002844766550000096
所能行驶的距离。CS1st、CSlast分别是车辆υ预约的临界区向量
Figure GDA0002844766550000097
中的第一个和最后一个临界区，
Figure GDA0002844766550000098
是车辆经过路口后进入的下一段车道，CS′1st是下一段车道
Figure GDA0002844766550000099
所连接的临界区，如果是车辆路径终点，CS′1st的值为空且FD函数的返回一个极大正整数值MaxFD。f″函数将行驶距离与规划路径相结合，算出车辆在ΔT时间后所在的道路位置
Figure GDA00028447665500000910
如果路网图RNG中还有路口未做处理，返回执行车辆位置预测，否则执行车道与道路通行压力预测。
步骤五、预测交通流通行压力。
在t2时刻，TC根据车辆上报的行驶状态信息、路网图RNG以及数据库TD中的记录估算ΔT时间后的交通态势。具体地，TC根据推算的t2+ΔT时刻所有车辆的位置和状态信息，分别调用式1、式2计算t2+ΔT时刻路网图中的车道通行压力和道路段通行压力数据。此次交通流态势的预测完成。
步骤六、本次预测完成后，返回步骤二，循环执行步骤二～五，直至系统停机。
通过本发明可为基于智能车、车联网络、交通云的智能交通系统管理提供实时的交通态势预测机制支持，进而，可以为车辆提供实时路径规划优化、交通流动态调节优化提供支持，实现优化的交通流智能管理。本发明可以为面向服务的智能车行驶管理以及协作式智能交通系统等提供有效支撑。

Claims (1)

1.一种车-路-云协同的交通流态势预测方法，其特征在于包括以下步骤：
步骤一、在交通云TC中设置一个路网图RNG和一个VD数据库，云系统启动后读取交通环境配置文件GISFile，对路网图RNG进行初始化，并将数据库VD初始化为空；
步骤二、TC等待接收车辆发送的消息并对接收数据进行管理；根据收到的车辆发来的路径规划请求消息v_ppr，TC根据RNG中的通行压力为每一个发送该消息的车辆计算一条路径，并将结果发送给该车辆；根据收到的所有状态信息v_sm，TC更新数据库VD中的相关记录；如果未收到车辆发来的消息，则TC以Δτ1为周期进行交通状态查询；如果收到车辆发来的消息，则对消息接收及数据管理，否则以Δτ1为周期进行交通状态查询；
步骤三、计算路网图的通行压力；TC以Δτ1为周期向交通网络广播交通状态查询信息，查询之前Δτ2时间内的各车辆的行驶状态和各路口的通行状态；收到查询信息后，各车辆将其当前行驶状态上报给TC，并由TC更新至数据库VD；各路口将其PRD数据库中的统计信息上报TC，用于后续步骤中的预测计算；PRD数据库中包含各个临界区上的车辆通过信息；
车道的通行压力用下式计算：
Figure FDA0003024962130000011
式中，Weight(l)为车道的通行压力值，α为故障系数，当该车道上有车辆故障时α为1，否则为0；β为比例因子，取值为正整数，该值越大，通行压力值的增长速度就越大；MaxWeight表示通行压力最大值，
Figure FDA0003024962130000012
是车道l上的车辆数量；
Figure FDA0003024962130000013
是基于统计计算出的l车道上的当前平均速度；
各道路段的通行压力用下式计算：
Figure FDA0003024962130000014
式中，Weight(P)为路段的通行压力值，P表示当前道路段，
Figure FDA0003024962130000015
表示路段包含的所有车道集合；
路口中各临界区的通行压力按下式计算：
Figure FDA0003024962130000021
路口中各车道在各临界区不同通过方向上的通行压力按下式计算：
Figure FDA0003024962130000022
式中，Weight(CSi)表示路口CSi的通行压力，CSi表示路口i，
Figure FDA0003024962130000023
表示路口CSi的临界区j的平均通行时间，
Figure FDA0003024962130000024
表示驶入CSi的车辆总数，比例因子γ取值为正整数，其值越大，临界区通行压力的增加速度越快；
步骤四、预测车辆的位置；对于每个路口，TC对正在驶向和已进入该路口的车辆按照先到先通过的方法进行排序并写入队列Q，接着推算队列Q中各车在ΔT时间后所在的车道和位置；车道的空闲距离、各车通过下一个路口的延迟时间以及车辆在t2+ΔT时间的行驶状态分别用式5、式6和式7来计算；如果路网图RNG中还有路口未做处理，返回执行车辆位置预测，否则执行车道与道路通行压力预测；
Figure FDA0003024962130000025
式中，L1和L2分别为车辆在ΔT时间前后在车道
Figure FDA0003024962130000027
上的位置，Distance函数用于计算这两个位置之间的车道总长度，υ.l表示车辆的长度，Δd是同一车道上前后两辆车之间的最小安全距离；
Figure FDA0003024962130000026
式中，Delay(υk)函数的值大于0表示车辆不能通过路口，小于等于0则表示能通过，
Figure FDA0003024962130000035
表示车辆υk在CSi路口按照j方向行驶的通行压力；
Figure FDA0003024962130000031
式中，f′函数计算该车辆在ΔT时间内以所在车道平均车速
Figure FDA0003024962130000032
所能行驶的距离；f″函数将行驶距离与规划路径相结合；CSlst、CSlast分别是车辆υ预约的临界区向量
Figure FDA0003024962130000033
中的第一个和最后一个临界区，
Figure FDA0003024962130000036
是车辆经过路口后进入的下一段车道，CS′1st是下一段车道
Figure FDA0003024962130000037
所连接的临界区，如果是车辆路径终点，CS′1st的值为空且FD函数的返回一个极大正整数值MaxFD，
Figure FDA0003024962130000034
表示车辆在ΔT时间后所在的道路位置；
步骤五、预测交通流通行压力；在t2时刻，TC根据车辆上报的行驶状态信息、路网图RNG以及数据库TD中的记录估算ΔT时间后的交通态势；TC根据推算的t2+ΔT时刻所有车辆的位置和状态信息，分别调用式1、式2计算t2+ΔT时刻路网图中的车道通行压力和道路段通行压力数据；此次交通流态势的预测完成；
步骤六、本次预测完成后，返回消息处理处，循环执行步骤消息接收及数据管理、路网图通行压力计算和交通流通行压力预测，直至系统停机。
CN201811253011.5A 2018-10-25 2018-10-25 车-路-云协同的交通流态势预测方法 Expired - Fee Related CN109191852B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811253011.5A CN109191852B (zh) 2018-10-25 2018-10-25 车-路-云协同的交通流态势预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811253011.5A CN109191852B (zh) 2018-10-25 2018-10-25 车-路-云协同的交通流态势预测方法

Publications (2)

Publication Number Publication Date
CN109191852A CN109191852A (zh) 2019-01-11
CN109191852B true CN109191852B (zh) 2021-07-06

Family

ID=64943562

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811253011.5A Expired - Fee Related CN109191852B (zh) 2018-10-25 2018-10-25 车-路-云协同的交通流态势预测方法

Country Status (1)

Country Link
CN (1) CN109191852B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109993980B (zh) * 2019-02-21 2022-06-07 平安科技（深圳）有限公司 交通流量预测方法、装置、计算机设备及存储介质
CN110299008B (zh) * 2019-07-19 2020-11-13 浙江工业大学 一种基于强化学习的交通流多步预测方法
CN111798675B (zh) * 2020-07-02 2022-09-13 南京华捷艾米软件科技有限公司 一种信号灯控制方法及系统
CN112598169B (zh) * 2020-12-17 2023-03-24 广东南方通信建设有限公司 交通运行态势评估方法、系统及装置
CN113140108B (zh) * 2021-04-16 2022-08-02 西北工业大学 一种网联智能交通系统中的云端交通态势预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101819717A (zh) * 2010-03-05 2010-09-01 吉林大学 基于交通状态时空模型的路网性能判定方法
CN104835335A (zh) * 2015-06-03 2015-08-12 常州市蓝涛物联网科技有限公司 路网交通优化控制系统和方法
CN106373430A (zh) * 2016-08-26 2017-02-01 华南理工大学 一种基于计算机视觉的交叉路口通行预警方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101819717A (zh) * 2010-03-05 2010-09-01 吉林大学 基于交通状态时空模型的路网性能判定方法
CN104835335A (zh) * 2015-06-03 2015-08-12 常州市蓝涛物联网科技有限公司 路网交通优化控制系统和方法
CN106373430A (zh) * 2016-08-26 2017-02-01 华南理工大学 一种基于计算机视觉的交叉路口通行预警方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Multi-Agent Intersection Management for Connected Vehicles Using an Optimal Scheduling Approach;Qiu Jin;《2012 International Conference on Connected Vehicles and Expo (ICCVE)》;20130527;185-190 *
TLB-VTL: 3-Level Buffer Based Virtual Traffic Light Scheme for Intelligent Collaborative Intersections;Gaochao Wang;《2017 IEEE 86th Vehicular Technology Conference (VTC-Fall)》;20180212;1-5 *
城市交通拥堵主动防控与快速疏导控制方法研究;刘树青;《中国博士学位论文全文数据库工程科技Ⅱ辑》;20180715(第07期);C034-35 *
宏观交通模型在交通影响评价中的应用研究;王丽;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20140615(第06期);C034-560 *
车路协同下多车道微观交通诱导与控制研究;李珣;《中国博士学位论文全文数据库工程科技Ⅱ辑》;20150715(第07期);C034-27 *
道路交通流数据挖掘研究;王亚琴;《中国博士学位论文全文数据库信息科技辑》;20080715(第07期);I138-21 *

Also Published As

Publication number Publication date
CN109191852A (zh) 2019-01-11

Similar Documents

Publication Publication Date Title
CN109191852B (zh) 车-路-云协同的交通流态势预测方法
US10775184B2 (en) Systems and methods for routing a fleet of vehicles
US11548531B2 (en) Autonomous vehicle fleet management for reduced traffic congestion
CN110361024B (zh) 用于利用车辆组标识的动态车道级车辆导航的方法和系统
US20180299290A1 (en) Lane-level vehicle navigation for vehicle routing and traffic management
US6539300B2 (en) Method for regional system wide optimal signal timing for traffic control based on wireless phone networks
US20190293443A1 (en) Vehicle route guidance
CN109949604A (zh) 一种大型停车场调度导航方法、系统以及使用方法
CN107919014B (zh) 面向多载客里程的出租车运行线路优化方法
CN107490384B (zh) 一种基于城市路网的最优静态路径选择方法
WO2022166239A1 (zh) 一种车辆行驶方案的规划方法、装置和存储介质
CN110398254B (zh) 一种减缓交通拥挤的方法及系统
CN109612488B (zh) 基于大数据微服务的混合出行方式路径规划系统及方法
Awal et al. An efficient cooperative lane-changing algorithm for sensor-and communication-enabled automated vehicles
US20220414450A1 (en) Distributed Multi-Task Machine Learning for Traffic Prediction
CN112926768A (zh) 基于时空注意力机制的地面道路车道级交通流预测方法
CN113140108B (zh) 一种网联智能交通系统中的云端交通态势预测方法
Hakeem et al. Multi-destination vehicular route planning with parking and traffic constraints
Nakazato et al. Parking lot allocation based on matching theory using prediction-based optimal vehicle routing
CN115083198A (zh) 一种多车运力资源调度方法及装置
EP3605488A1 (en) Management of multiple autonomous vehicles
CHEN et al. Intelligent Internet of Vehicles (IoV) and Vehicle Infrastructure Cooperative Technology
Bazzan Traffic as a complex system: Four challenges for computer science and engineering
CN117789472A (zh) 一种基于lstm模型的交通态势预测方法
CN116153110A (zh) 一种需求协同的交叉口通行权调度方法

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210706

CF01 Termination of patent right due to non-payment of annual fee