CN109389835A - 一种城市道路交通需求与控制的映射方法 - Google Patents
一种城市道路交通需求与控制的映射方法 Download PDFInfo
- Publication number
- CN109389835A CN109389835A CN201811363742.5A CN201811363742A CN109389835A CN 109389835 A CN109389835 A CN 109389835A CN 201811363742 A CN201811363742 A CN 201811363742A CN 109389835 A CN109389835 A CN 109389835A
- Authority
- CN
- China
- Prior art keywords
- index
- information
- scene
- vehicle
- layer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013507 mapping Methods 0.000 title claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000013461 design Methods 0.000 claims description 7
- 238000013519 translation Methods 0.000 claims description 6
- 241001269238 Data Species 0.000 claims description 3
- 238000002715 modification method Methods 0.000 claims description 2
- 238000004064 recycling Methods 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims 1
- 238000011217 control strategy Methods 0.000 abstract description 14
- 230000006855 networking Effects 0.000 abstract 1
- 230000009897 systematic effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种城市道路交通需求与控制的映射方法。该方法通过用五元组的形式描述交通场景,其中五元组分成五个层次,第一层用于描述通过广域雷达、视频、车联网等检测手段获得原始数据;第二层用于描述根据需求对原始数据加工后的数据;第三层用于描述确定场景的加权综合指标;第四层用于描述基础层场景,主要包括欠饱和和过饱和;第五层用于描述叠加层场景,其是建立在基础层场景上的,用于连接控制策略。通过五元组可以有效建立交通需求至控制策略的映射,并能够辨识各种交通需求,并提供了一套系统、完整、可实施的技术方案。
Description
技术领域
本发明属于城市道路交通控制领域,具体涉及一种用于城市道路交通需求到信号控制策略的映射方法,为城市交通场景定义方法。
背景技术
受控交叉口是城市道路交通的重要节点,也是交通管控的主要对象。由于交通需求具有多维度、复杂性和时变性等特点,因此准确辨识交通需求是实施有效控制策略的前提。传统的受控交叉口的过饱和状态判别上都能得到较为准确的结果,但是其均未能充分考虑实际交通需求的构成,换言之上述方法均默认交通需求的组成具有单一性。而受控交叉口往往针对不同交通需求采用相应的控制策略,准确辨识不同交通需求的交通状态才能为控制策略的精准实施提供依据。
发明内容
针对当前城市道路交叉口交通状态判别无法有效满足交通需求与控制策略的匹配的问题,本发明提出了一种城市道路交通需求与控制的映射方法,能够实现交通需求映射至控制策略,并精准辨识。该方法具体包括如下步骤:
步骤一:采用五元组的形式描述交通场景,S=(R,P,C,B,O):
其中,R是原始数据的集合,P是在原始数据基础上加工出来的数据,C是由P加权得到综合性能指标,B是基础层场景,O是叠加层场景;
步骤二:采用一种扩展的离散交通状态编码方法定义交叉口各方向车道的原始数据:
D向量表示方向状态空间;M向量表示存储车道单元是否有车辆存在的信息;G向量表示存储车辆的速度信息;Z向量表示存储车辆的加速度信息;Q向量表示存储车辆的身份信息;N向量表示存储车辆的换道信息;L表示有效检测区域长度;n当前方向车道数量;l表示车辆占用道路的单位空间;
步骤三:对原始数据的集合R进行加工得到集合P,再利用加工后的数据设计得到用于场景辨识的综合性能指标。
综合性能指标C有
C=w1·p1+w2·p2+...+wn·pn
其中wi为指标权重,pi是加工的数据;
步骤四:构建一个基础层场景到叠加层场景的连接关系,得到关系矩阵:
Γ=[Θ1,Θ2,...,Θk],k≥2
其中,
{Θi=B[u,o]→Oj|i,j>0}
B[u,o]是基础层的信息:
B[u,o]=[Bu,Bo]
Oj是叠加层的信息:
O=[O1,O2,...,Oj],j≥0
步骤五:最后建立综合指标与场景的映射关系:
C→Γ。
优选地,步骤三还包括:
采用平移修正处理的距离熵确定综合指标C:
(1)用距离熵计算指标的权重并计算最终的C;
(2)当分指标数值固定或变化幅度极小时,经归一化和标准化处理后距离熵的值为0,采用数据平移修正的方法对这部分指标进行处理;
具体修正方法为:
设计分项指标矩阵A=[pi]n,令pi=ai,则有信息决策矩阵A=[ai]n,ai为第i个指标的观测值,过程如下:
1)将A=[ai]n进行归一化处理,得到标准信息矩阵R=[ri]n,其中归一化的处理方法为:
对于越大越优型分指标:
对于越小越优型分指标:
选择第i个指标所对应的最优单元值ri *,i=1,2,3,...,n,n≥1,选取规则为
2)计算各指标ri对应的最优单元值ri *的距离
di=|ri-ri *|,i=1,2,3,...,n,n≥1
3)计算对应指标概率
当di>0时无需对βi进行修正。此时ui=0;当di=0时,该分指标对CI不起作用,为了保证所有指标数据的可用性,需人为的对βi进行平移修正,此时ui为常数且ui>0;
4)计算指标的距离熵
5)计算熵权
其中
6)综合指标C
7)综合指标库
令:
Cj∈C,j≥1
则有:
C=[C1,C2,...,Co],o≥1。
本发明具有如下有益的技术效果:
(1)场景定义方法简单实用,通用性好,可快速实现城市道路交通场景的辨识任务;
(2)通过原始数据的采集和加工,可以得到任何所需的二次数据,便于设计新的识别算法;
(3)通过遍历综合性能指标的组合可以提高场景辨识的精准度、避免了一种性能指标的局限性,同时利用基础层场景与叠加层场景分离的方式,为控制策略的精准实施提供依据。
附图说明
图1是交通场景定义内涵图。
图2是交通场景分层结构示意图。
图3是扩展离散交通状态编码示意图。
图4是车辆存储信息编码图。
图5是存储车辆的速度信息图。
图6是存储车辆的加速度信息图。
图7是存储车辆的身份信息图。
图8是存储车辆的换道信息图。
具体实施方式
在图1中,描述了将交通场景定义为交通需求到交通控制策略的映射,是实施经精准控制策略的先决条件。原因为传统交叉口控制策略的实施一般将普通控制(欠饱和、饱和)与特殊控制(公交优先、有轨电车、应急救援等)分开考虑。针对普通控制利用交通状态判别可以实施饱和控制或欠饱和控制;特殊控制基于部署的特殊检测手段实施有针对性的检测和控制。但在同一时空下分割的控制方法,未能充分考虑具有关联性的实际交通需求的构成,难以反映受控交叉口的多层次交通状态。因此,有必要提出一种能够统一表征多维度交通需求与控制策略之间映射关系的方法。
在图2中,描述了原始数据到加工数据的关系、加工数据到综合性能指标的关系以及由此映射至不同的交通场景,其中,基础场景是叠加场景的基础。
在图3中,描述了扩展离散交通状态编码的具体形式,其中三角表示车辆,路段上的交通需求离散化后得到了图4-图8的一系列状态矩阵,为C、R、Z、Q、 N。其中,C描述为坐标数据映射至路段上的结果,1表示车辆存在;0表示没有车辆;R描述为存储车辆的速度信息,1表示车速为自由流车速;0表示没有车或车辆停止;Z描述为存储车辆的加速度信息,数值为负数表示车辆的减速运动,数值0表示车辆的匀速运动,数值为正数表示车辆的加速运动;Q描述为存储车辆的身份信息,车辆的身份信息从最内侧车道开始计算,依次编号;N描述为存储车辆的换道信息,0表示车辆未换道,1表示车辆换道后的位置,0.5表示车辆换道经过的位置。
将交通场景定义为交通需求到交通控制策略的映射具体步骤如下:
步骤一:采用五元组的形式描述交通场景,S=(R,P,C,B,O):
(1)R是原始数据的集合,具体有瞬时速度、加速度、坐标、轨迹、ID等,利用扩展的离散交通状态编码做中间结构,映射到交叉口所在的路段上;
(2)P是在原始数据基础上,根据要求加工或创造出来的数据;
(3)C是综合性能指标,是由P加权得到;
(4)B是基础层场景,包括交叉口过饱和与欠饱和两种状态;
(5)O是叠加层场景,包括溢流、公交优先、有轨优先、应急救援等非常发性交通需求引起的场景;
步骤二:采用一种扩展的离散交通状态编码方法定义交叉口各方向车道的原始数据:
D向量表示方向状态空间;M向量表示存储车道单元是否有车辆存在的信息;G向量表示存储车辆的速度信息;Z向量表示存储车辆的加速度信息;Q向量表示存储车辆的身份信息;N向量表示存储车辆的换道信息;L表示有效检测区域长度;n当前方向车道数量;l表示车辆占用道路的单位空间,由换算的标准小汽车长度与平均车辆间距共同构成。
步骤三:从原始数据的集合R到加工数据的集合P模块。根据需求可以利用原始数据加工得到所需的任何数据,如流量数据、平均速度、时间占有率、车头时距、停车次数、排队长度、平均延误、空间占有率等,利用加工后的数据设计得到用于场景辨识的综合性能指标
令综合性能指标为:C
C=w1·p1+w2·p2+...+wn·pn
其中为指标权重且;pi是加工的数据。
针对综合指标C,采用平移修正处理的距离熵确定:
(1)用距离熵计算指标的权重并计算最终的C;
(2)当分指标数值固定或变化幅度极小时,经归一化和标准化处理后距离熵的值为0。采用数据平移修正的方法对这部分指标进行处理,保证所有分指标对CI起作用。
方法设计:
设计分项指标矩阵A=[pi]n,令pi=ai,则有信息决策矩阵A=[ai]n,ai为第i个指标的观测值,i=1,2,3,...,n,n≥1过程如下:
1)将A=[ai]n进行归一化处理,得到标准信息矩阵R=[ri]n,其中归一化的处理方法为:
对于越大越优型分指标:
对于越小越优型分指标:
选择第i个指标所对应的最优单元值ri *,i=1,2,3,...,n,n≥1,选取规则为
2)计算各指标ri对应的最优单元值ri *的距离。
di=|ri-ri *|,i=1,2,3,...,n,n≥1 (3)
3)计算对应指标概率
当di>0时无需对βi进行修正。此时ui=0;当di=0时,该分指标对CI不起作用,为了保证所有指标数据的可用性,需人为的对βi进行平移修正,此时ui为常数且ui>0。
4)计算指标的距离熵
5)计算熵权
其中
6)综合指标C
7)综合指标库
令:
Cj∈C,j≥1
则有:
C=[C1,C2,...,Co],o≥1 (8)
步骤四:构建一个基础层场景到叠加层场景的连接关系,得到关系矩阵:
Γ=[Θ1,Θ2,...,Θk],k≥2 (9)
其中:
{Θi=B[u,o]→Oj|i,j>0}(表示基础层到叠加层的映射)
B[u,o]是基础层的信息,包括欠饱和和过饱和两种,即:
B[u,o]=[Bu,Bo]
Oj是叠加层的信息,可以包括溢流、公交优先、有轨电车、特勤任务、预约服务等,即:
O=[O1,O2,...,Oj],j≥0
步骤五:最后建立综合指标与场景的映射关系:
C→Γ (10) 。
Claims (2)
1.一种城市道路交通需求与控制的映射方法,其特征在于,包括如下步骤:
步骤一:采用五元组的形式描述交通场景,S=(R,P,C,B,O):
其中,R是原始数据的集合,P是在原始数据基础上加工出来的数据,C是由P加权得到综合性能指标,B是基础层场景,O是叠加层场景;
步骤二:采用一种扩展的离散交通状态编码方法定义交叉口各方向车道的原始数据:
D向量表示方向状态空间;M向量表示存储车道单元是否有车辆存在的信息;G向量表示存储车辆的速度信息;Z向量表示存储车辆的加速度信息;Q向量表示存储车辆的身份信息;N向量表示存储车辆的换道信息;L表示有效检测区域长度;n当前方向车道数量;l表示车辆占用道路的单位空间;
步骤三:对原始数据的集合R进行加工得到集合P,再利用加工后的数据设计得到用于场景辨识的综合性能指标。
综合性能指标C有
C=w1·p1+w2·p2+...+wn·pn
其中wi为指标权重,pi是加工的数据;
步骤四:构建一个基础层场景到叠加层场景的连接关系,得到关系矩阵:
Γ=[Θ1,Θ2,...,Θk],k≥2
其中,
{Θi=B[u,o]→Oj|i,j>0}
B[u,o]是基础层的信息:
B[u,o]=[Bu,Bo]
Oj是叠加层的信息:
O=[O1,O2,...,Oj],j≥0
步骤五:最后建立综合指标与场景的映射关系:
C→Γ。
2.如权利要求1所述的映射方法,其特征在于,步骤三还包括:
采用平移修正处理的距离熵确定综合指标C:
(1)用距离熵计算指标的权重并计算最终的C;
(2)当分指标数值固定或变化幅度极小时,经归一化和标准化处理后距离熵的值为0,采用数据平移修正的方法对这部分指标进行处理;
具体修正方法为:
设计分项指标矩阵A=[pi]n,令pi=ai,则有信息决策矩阵A=[ai]n,ai为第i个指标的观测值,过程如下:
1)将A=[ai]n进行归一化处理,得到标准信息矩阵R=[ri]n,其中归一化的处理方法为:
对于越大越优型分指标:
对于越小越优型分指标:
选择第i个指标所对应的最优单元值ri *,i=1,2,3,...,n,n≥1,选取规则为
2)计算各指标ri对应的最优单元值ri *的距离
di=|ri-ri *|,i=1,2,3,...,n,n≥1
3)计算对应指标概率
当di>0时无需对βi进行修正。此时ui=0;当di=0时,该分指标对CI不起作用,为了保证所有指标数据的可用性,需人为的对βi进行平移修正,此时ui为常数且ui>0;
4)计算指标的距离熵
5)计算熵权
其中
6)综合指标C
7)综合指标库
令:
Cj∈C,j≥1
则有:
C=[C1,C2,...,Co],o≥1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811363742.5A CN109389835B (zh) | 2018-11-16 | 2018-11-16 | 一种城市道路交通需求与控制的映射方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811363742.5A CN109389835B (zh) | 2018-11-16 | 2018-11-16 | 一种城市道路交通需求与控制的映射方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109389835A true CN109389835A (zh) | 2019-02-26 |
CN109389835B CN109389835B (zh) | 2020-06-09 |
Family
ID=65429422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811363742.5A Active CN109389835B (zh) | 2018-11-16 | 2018-11-16 | 一种城市道路交通需求与控制的映射方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109389835B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113077641A (zh) * | 2021-03-24 | 2021-07-06 | 中南大学 | 一种面向公交在途控制的决策映射方法、装置及存储介质 |
WO2022027763A1 (zh) * | 2020-08-06 | 2022-02-10 | 南京慧尔视智能科技有限公司 | 一种基于广域雷达的路面诱导系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011157745A1 (en) * | 2010-06-15 | 2011-12-22 | The Provost, Fellows And Scholars Of The College Of The Holy And Undivided Trinity Of Queen Elizabeth, Near Dublin | Decentralised autonomic system and method for use in an urban traffic control environment |
CN103699775A (zh) * | 2013-11-25 | 2014-04-02 | 北京交通大学 | 城市道路交通诱导策略自动生成方法与系统 |
CN108564790A (zh) * | 2018-06-12 | 2018-09-21 | 国交空间信息技术(北京)有限公司 | 一种基于交通流时空相似性的城市短时交通流预测方法 |
-
2018
- 2018-11-16 CN CN201811363742.5A patent/CN109389835B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011157745A1 (en) * | 2010-06-15 | 2011-12-22 | The Provost, Fellows And Scholars Of The College Of The Holy And Undivided Trinity Of Queen Elizabeth, Near Dublin | Decentralised autonomic system and method for use in an urban traffic control environment |
CN103699775A (zh) * | 2013-11-25 | 2014-04-02 | 北京交通大学 | 城市道路交通诱导策略自动生成方法与系统 |
CN108564790A (zh) * | 2018-06-12 | 2018-09-21 | 国交空间信息技术(北京)有限公司 | 一种基于交通流时空相似性的城市短时交通流预测方法 |
Non-Patent Citations (2)
Title |
---|
CYRIL NGUYEN VAN PHU ET AL.: "A vehicle-to-infrastructure communication based algorithm for urban traffic control", 《2017 5TH IEEE INTERNATIONAL CONFERENCE ON MODELS AND TECHNOLOGIES FOR INTELLIGENT TRANSPORTATION SYSTEMS (MT-ITS)》 * |
翟聪 等: "一类耦合映射模糊时滞跟驰系统的反馈控制", 《华南理工大学学报(自然科学版)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022027763A1 (zh) * | 2020-08-06 | 2022-02-10 | 南京慧尔视智能科技有限公司 | 一种基于广域雷达的路面诱导系统及方法 |
CN113077641A (zh) * | 2021-03-24 | 2021-07-06 | 中南大学 | 一种面向公交在途控制的决策映射方法、装置及存储介质 |
CN113077641B (zh) * | 2021-03-24 | 2022-06-14 | 中南大学 | 一种面向公交在途控制的决策映射方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109389835B (zh) | 2020-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qiao et al. | A survey on 5G/6G, AI, and Robotics | |
CN107229973B (zh) | 一种用于车辆自动驾驶的策略网络模型的生成方法及装置 | |
Vu et al. | Hybridnets: End-to-end perception network | |
DE102015108270B4 (de) | Vorhersage des fahrzeuggeschwindigkeitsprofils unter verwendung neuronaler netzwerke | |
DE102019113856A1 (de) | Systeme, verfahren und steuerungen für ein autonomes fahrzeug, die autonome fahreragenten und fahrrichtlinienlernende implementieren, um richtlinien basierend auf kollektiven fahrerfahrungen der autonomen fahreragenten zu erstellen und zu verbessern | |
DE102019113880A1 (de) | Systeme, verfahren und steuerungen die autonome fahreragenten und einen richtlinienserver zum erfüllen von richtlinien für autonome fahreragenten implementieren, zum steuern eines autonomen fahrzeugs | |
WO2022252398A1 (zh) | 基于船舶轨迹特征点提取的时空dp方法 | |
WO2018108559A2 (de) | Speicherung von geschwindigkeitsinformationen zur prädiktion der zukünftigen geschwindigkeitstrajektorie | |
CN103679611A (zh) | 基于案例推理的城市综合应急智能仿真系统及其运行方法 | |
CN105488517A (zh) | 一种基于深度学习的车辆品牌型号识别方法 | |
CN108932462A (zh) | 驾驶意图确定方法及装置 | |
DE112017004302T5 (de) | Fahrerunterstützungssystem zum Bestimmen einer Position eines Fahrzeugs | |
CN110182217A (zh) | 一种面向复杂超车场景的行驶任务复杂度量化评估方法 | |
CN109389835A (zh) | 一种城市道路交通需求与控制的映射方法 | |
CN113159403B (zh) | 路口行人轨迹预测的方法及装置 | |
CN112435504B (zh) | 一种车路协同环境下的集中式协同轨迹规划方法和装置 | |
CN112506219A (zh) | 一种智能交通监管无人机航迹规划方法、系统及可读存储介质 | |
CN104875740B (zh) | 用于管理跟随空间的方法、主车辆以及跟随空间管理单元 | |
WO2023201938A1 (zh) | 缺失轨迹填补方法及系统 | |
CN109101743A (zh) | 一种高精度路网模型的构建方法 | |
CN116434523A (zh) | 信息感知场景下基于约束度的车辆主动安全管控方法及装置 | |
CN110646007B (zh) | 一种基于形式化表示的车辆驾驶方法 | |
DE102018209804A1 (de) | Verfahren und Vorrichtung zur Vorhersage einer wahrscheinlichen Fahrroute für ein Fahrzeug | |
CN113140108B (zh) | 一种网联智能交通系统中的云端交通态势预测方法 | |
Yang et al. | Cooperative driving model for non-signalized intersections based on reduplicate dynamic game |
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 |