CN110782120B - 一种交通流模型的评测方法、系统、设备及介质 - Google Patents
一种交通流模型的评测方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN110782120B CN110782120B CN201910863318.5A CN201910863318A CN110782120B CN 110782120 B CN110782120 B CN 110782120B CN 201910863318 A CN201910863318 A CN 201910863318A CN 110782120 B CN110782120 B CN 110782120B
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- evaluation
- data
- simulation
- attribute
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000011156 evaluation Methods 0.000 claims abstract description 181
- 238000004088 simulation Methods 0.000 claims abstract description 90
- 238000006243 chemical reaction Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000007499 fusion processing Methods 0.000 claims abstract description 16
- 238000007619 statistical method Methods 0.000 claims description 9
- 230000006399 behavior Effects 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 229920006395 saturated elastomer Polymers 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 230000005540 biological transmission Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000000605 extraction Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000006698 induction Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种交通流模型的评测方法、系统、设备及介质,所述方法包括:获取针对目标区域路网的实际交通流基本数据,所述实际交通流基本数据是利用布设在所述目标区域路网中的多个采集装置所实时采集的;对所述实际交通流基本数据进行数据融合处理,得到包含属性标签的真实交通流数据;对仿真交通流基本数据进行数据转换处理,得到仿真交通流数据;基于真实交通流数据和评测属性标签,对仿真交通流数据进行仿真评测。从而能够准确评测自动驾驶技术中涉及的交通流模型的仿真效果,可从多个维度来评测交通流模型的真实性和正确性。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种交通流模型的评测方法、系统、设备及介质。
背景技术
随着自动驾驶技术逐步兴起和智慧城市的逐渐普及,交通仿真技术显得日益重要。交通流仿真技术是通过在计算机模拟的环境下,完成对实际道路交通状态的仿真,从而根据仿真结果进行交通流的预测。
未来各厂商的自动驾驶车辆和人工驾驶车辆在各种复杂的交通场景下行驶,智慧城市的设计和规划也需要一个无限接近真实的交通流仿真模型,来预测城市交通状况,交通流仿真系统应运而生。
然而,如何有效地评测仿真系统中的交通流模型,证明其仿真的真实性和正确性,以便能够指导交通流模型的改进和迭代,目前没有科学有效的评测方案。
发明内容
本申请提供了一种交通流模型的评测方法、系统、设备及介质,以解决以上至少一种技术问题。
一方面,本申请提供了一种交通流模型的评测方法,包括:
获取针对目标区域路网的实际交通流基本数据,所述实际交通流基本数据是利用布设在所述目标区域路网中的多个采集装置所实时采集的;
对所述实际交通流基本数据进行数据融合处理,得到包含属性标签的真实交通流数据;所述属性标签包括时段标签、路段标签、交叉口标签、区域位置标签、天气环境标签中至少一种;
获取针对所述目标区域路网的仿真交通流基本数据,所述仿真交通流基本数据是利用交通流模型实时仿真运行所得的;
对所述仿真交通流基本数据进行数据转换处理,得到仿真交通流数据;
获取用于评测的评测属性标签,所述评测属性标签为所述属性标签的子集;
基于所述真实交通流数据和所述评测属性标签,对所述仿真交通流数据进行仿真评测,得到对应的交通流模型的评测结果。
另一方面还提供一种交通流模型的评测系统,包括:
第一获取模块,用于获取针对目标区域路网的实际交通流基本数据,所述实际交通流基本数据是利用布设在所述目标区域路网中的多个采集装置所实时采集的;
数据融合模块,用于对所述实际交通流基本数据进行数据融合处理,得到包含属性标签的真实交通流数据;所述属性标签包括时段标签、路段标签、交叉口标签、区域位置标签、天气环境标签中至少一种;
第二获取模块,用于获取针对所述目标区域路网的仿真交通流基本数据,所述仿真交通流基本数据是利用交通流模型实时仿真运算所得的;
数据转换模块,用于对所述仿真交通流基本数据进行数据转换处理,得到仿真交通流数据;
第三获取模块,用于获取用于评测的评测属性标签,所述评测属性标签为所述属性标签的子集;
评测模块,用于基于所述真实交通流数据和所述评测属性标签,对所述仿真交通流数据进行仿真评测,得到对应的交通流模型的评测结果。
另一方面还提供一种交通流模型的评测设备,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述任一所述的交通流模型的评测方法。
另一方面还提供一种计算机存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行如上述任一所述的交通流模型的评测方法。
本申请提供的一种交通流模型的评测方法、系统、设备及介质,具有如下技术效果:
本申请实施例通过获取针对目标区域路网的实际交通流基本数据,所述实际交通流基本数据是利用布设在所述目标区域路网中的多个采集装置所实时采集的;对所述实际交通流基本数据进行数据融合处理,得到包含属性标签的真实交通流数据;所述属性标签包括时段标签、路段标签、交叉口标签、区域位置标签、天气环境标签中至少一种;获取针对所述目标区域路网的仿真交通流基本数据,所述仿真交通流基本数据是利用交通流模型实时仿真运行所得的;对所述仿真交通流基本数据进行数据转换处理,得到仿真交通流数据;获取用于评测的评测属性标签,所述评测属性标签为所述属性标签的子集;基于所述真实交通流数据和所述评测属性标签,对所述仿真交通流数据进行仿真评测,得到对应的交通流模型的评测结果。从而能够准确评测交通流模型的仿真效果。由于通过采集装置实时采集了真实交通流数据,用于真值的对比数据真实可靠,能够实现对交通流模型的在线评测;由于是实时采集,能够覆盖真实交通流各种条件下(时段、交叉口、天气等)的数据,从多个维度来评测交通流模型的真实性和正确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1是本申请实施例提供的一种实施环境的示意图;
图2是本申请实施例提供的一种交通流模型的评测方法的流程示意图;
图3是本申请实施例提供的另一种交通流模型的评测方法的流程示意图;
图4是本申请实施例提供的步骤S211的具体流程示意图;
图5是本申请实施例提供的一种交通流模型的评测系统的结构框图;
图6是本申请实施例提供的另一种交通流模型的评测系统的结构框图;
图7是本申请实施例提供的又一种交通流模型的评测系统的结构框图;
图8是本申请实施例提供的一种应用场景的示意图;
图9是本申请提供的一种用于实现本申请实施例所提供的方法的设备的硬件结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
请参考图1,其示出了本申请实施例提供的一种实施环境的示意图。该实施环境可以包括:采集装置10、交通流仿真系统20、以及分别与所述采集装置10和所述交通流仿真系统20网络连接的评测服务器30。
采集装置10可以包括但不限于为摄像机、激光雷达、毫米波雷达、红外线检测器、感应线圈检测器中至少一种。采集装置10可以被布设在待采集道路中,用于实时采集待采集道路的交通流基本数据。采集装置10的数量优选为多个。
交通流仿真系统20中运行有交通流仿真模型,交通流仿真模型可以是交通仿真模拟软件(比如德国的VISSIM、西班牙的AMINSUN等),该交通模拟软件是可模拟包括各自道路参与者(比如机动车、非机动车、行人等)的多方式交通流行为、各种交通情况、交通控制形式等的强大工具。每个交通流仿真系统中的交通流仿真模型的数量可为一个或多个,其可为单一的交通流仿真模型,也可为组合交通流仿真模型。
评测服务器30可以是独立的服务器,也可以是由多个独立服务器组成的服务器集群,或者是一个云计算服务中心。评测服务器30用于根据从采集装置10获取的交通流基本数据确定真实交通流数据,获取交通流仿真系统20所输出的仿真交通流数据,并利用真实交通流数据对仿真交通流数据进行评测,以评估对应的交通流仿真模型的仿真准确性。
应理解,图1中示出的实施环境仅仅是与本申请方案一种应用环境,并不构成对本申请方案应用环境的限定,其他的应用环境还可以包括比图中所示更多或更少的计算机设备,或者计算机设备网络连接关系。
以下介绍本申请一种交通流模型的评测方法的具体实施例,图2是本申请实施例提供的一种交通流模型的评测方法的流程示意图,本申请提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。如图2所示,该方法的执行主体可以为上述应用环境中的的评测服务器,该方法可以包括:
S201:获取针对目标区域路网的实际交通流基本数据,所述实际交通流基本数据是利用布设在所述目标区域路网中的多个采集装置所实时采集的。
在本申请实施例,目标区域路网中描述了需要进行交通流数据预测的目标区域所对应的道路网络拓扑结构。该目标区域可为高速道路区域、城市道路区域、乡村道路区域等。该目标区域路网可以包括路段信息、岔路口信息、每个路段的车道数量、地理位置信息、基础交通设备信息等。该目标区域路网可在对应的地图上进行选择并获取。
所述实际交通流基本数据是利用布设在所述目标区域路网中的多个采集装置所实时采集的。采集装置将所采集的实际交通流基本数据上传至服务器。采集装置根据预设的规则布置在目标区域路网对应的采集点处,例如可以布置在道路两侧、道路横杆上、路面等所在位置的采集点。采集装置包括但不限于为摄像机、激光雷达、毫米波雷达、红外线检测器、感应线圈检测器中至少一种。采集装置可以内置深度学习感知软件,具备图像识别、点云处理等能力。
由于单一的采集装置的采集范围和采集能力有限,为了提高采集数据的可靠性,通常情况下可以设置多个采集点,每个采集点可设置多个不同类型的采集装置。
图8示出了本申请实施例提供的一种应用场景的示意图。如图8所示,该应用场景为城市道路场景,该目标区域路网中包括路段A~路段D四个路段和一个交叉口,在交叉口四周布设了不同的采集装置(摄像机和雷达),在路段A上设有多个采集点,每个采集点处设置了对应的采集装置(摄像机、雷达和感应圈检测器)。图中的车辆图标只是示意图标,其可为不同类型的车辆。该车辆可为不同自动驾驶等级(L0~L5级)的车辆。
根据不同类型的采集装置所能够采集的交通数据不同,该实际交通流基本数据可以包括:交通流量、交通流速度、行程时间、车辆类型、车头时距、行人流量、行人速度等直接交通数据。当然,该实际交通流基本数据还可以包括:交通流密度、车辆行为轨迹、行程时间、饱和流率、车辆延误时间、启动损失时间和行人密度等间接交通数据。
S203:对所述实际交通流基本数据进行数据融合处理,得到包含属性标签的真实交通流数据;所述属性标签包括时段标签、路段标签、交叉口标签、区域位置标签、天气环境标签中至少一种。
在本申请实施例,由于不同的采集装置所采集的交通数据是来自不同时空的数据,可直接对各种采集装置所采集的原始采集数据进行数据分析和整合,从而得到表征交通运行状况的真实交通流数据。
在一实施例中,还可对各采集装置所采集的原始采集数据进行特征提取(例如时间、速度、方向、位置等),之后对提取的特征数据进行数据融合处理。
在另一实施例中,还可以对各采集装置所采集的原始采集数据进行特征提取和属性识别,之后基于识别后的数据进行数据融合处理。
在一具体实施例中,所述对所述实际交通流基本数据和所述属性数据进行数据融合处理,得到包含属性标签的真实交通流数据,包括:
S2031:对所述实际交通流基本数据进行预处理,得到处理后的交通流基本数据。
具体的,由于采集装置容易受到内部运行故障或外部环境影响,所采集的数据并不是一致、准确、完整的数据,在数据传输过程中会出现数据错误、缺失、异常等情况。因此,为了提高后续的评测数据的准确性,在进行数据融合之前可对数据进行预处理。该预处理包括数据清洗、数据转换、数据缺补等。
其中,数据清洗是对不符合常规逻辑或突变的采集数据进行剔除处理。示例的,可以通过阈值法或者交通流逻辑判别法来确定待剔除数据。阈值法是综合评估某一路网中道路的交通数据对应的可能的取值区间,将超过该取值区间的临界值之外的采集数据确定为错误数据并将其剔除。
数据转换是将不同采集装置所得到采集数据进行例如格式转换、协议转换、量纲转换、数量级转换等,以便后续计算和数据传输。
数据缺补是对因传输过程等所引起的缺失数据进行插补。示例的,可以通过历史数据插补法、时间序列插补法、空间位置插补法等来对缺失数据进行插补,从而实现处理后数据的完整性。
S2033:识别所述处理后的交通流基本数据中属性,确定多个对应的分类属性。
具体的,在对该处理后的交通流基本数据进行属性识别之前,可进行特征提取,例如时间、速度、方向、位置等进行特征提取,以实现对数据的压缩,减少计算量。之后,再对所述处理后的交通流基本数据进行属性识别,例如可识别其中的采集时间(日期、早、中、晚等)、所采集的道路类型(路段、交叉路口、高速路段、主干道、支道、立交桥等)、所采集的地理位置(城市、商圈、学区、景区、小区等)、采集时的天气环境类型(晴、雨、雪、冰雹、雾等)等属性。该天气环境类型可通过相关环境传感器进行识别或者通过其它途径进行获取的。对于所识别的不同属性,可以确定多个对应的分类属性。该分类属性也可包括采集时间、所采集的道路类型、所采集的地理位置、采集时的天气环境类型。
S2035:根据所述分类属性,对所述处理后的交通流基本数据进行分类处理,得到分类后的交通流基本数据。
具体的,根据所述分类属性可以得到多个对应的类别组。该类别组可以与分类属性一一对应。示例的,“采集时间”对应“时间组”,“所采集的道路类型”对应“道路类型组”等等。该分类组还可包括多个细分的类别子组。示例的,“时间组”可以包括早、中、晚、日期等多个时间段对应的类别子组;“道路类型组”可以细分为路段、主干道、支道、交叉路口、高速路段、立交桥等道路类型子组。
对所述处理后的交通流基本数据进行分类处理,得到分类后的交通流基本数据。该分类后的交通流基本数据中可标记每个数据对应的分类属性,即每个交通流基本数据中包含对应的属性标签。该属性标签可包括时段标签、路段标签、交叉口标签、区域位置标签、天气环境标签中至少一种。优选地,该属性标签包括时段标签、路段标签、交叉口标签、区域位置标签、天气环境标签。
S2037:对所述分类后的交通流基本数据进行数据融合处理,得到所述包含属性标签的真实交通流数据。
具体的,可以利用包括但不限于为卡尔曼滤波法、加权平均阈值法等对分类后的交通流基本数据进行数据融合处理,得到包含属性标签的真实交通流数据。
S205:获取针对所述目标区域路网的仿真交通流基本数据,所述仿真交通流基本数据是利用交通流模型实时仿真运行所得的。
在本申请实施例,在确定了目标区域路网后,交通流模型可以模拟该目标区域路网的交通运行状况,通过运行交通流模型得到仿真交通流基本数据,该仿真交通流基本数据包括但不限于为:交通流量、交通流速度、行程时间、车辆类型、交通流密度、车辆行为轨迹、行程时间、饱和流率、车辆延误时间、启动损失时间、车头时距、行人流量、行人速度、行人密度等交通数据。
这里的交通流模型是指基于仿真方法的交通流模型。当然,作为替代方案,该交通流模型也可为基于统计方法的模型、基于机器学习的模型、基于非线性分析的模型和组合模型。
S207:对所述仿真交通流基本数据进行数据转换处理,得到仿真交通流数据。
在本申请实施例,为了利于数据之间的比较分析和数据传输,可以对仿真交通流基本数据进行数据转换处理。该数据转换处理包括但不限于为数据格式转换、数据协议转换等。
S209:获取用于评测的评测属性标签,所述评测属性标签为所述属性标签的子集。
在本申请实施例,评测属性标签是基于用户在评测界面上所选择的、需要进行模型真实度评测的所对应的属性标签。该评测属性标签通常为上述属性标签的子集,例如包括上述属性标签的真子集和全集本身。
在实际应用中,若用户需要单独评测交通流模型在早高峰期的预测数据,则可选择对应时段(例如7~9点)的属性标签作为评测属性标签。若用户需要单独评测交通流模型在雨天的预测数据,则可选择对应的选择天气环境标签中的雨天子标签作为评测属性标签。若用户需要单独评测交通流模型在雪天和某一交叉路口的预测数据,则可选择对应的雪天子标签和对应的交叉路口标识作为评测属性标签。
S211:基于所述真实交通流数据和所述评测属性标签,对所述仿真交通流数据进行仿真评测,得到对应的交通流模型的评测结果。
在本申请实施例,在确定了评测属性标签,从真实交通流数据中筛选与评测属性标签对应的真实数据,从仿真交通流数据中筛选与评测属性标签对应的仿真数据,之后对于该真实数据和仿真数据进行差异性分析,得到对应的交通流模型的评测结果。
在一具体实施例,所述基于所述真实交通流数据和所述评测属性标签,对所述仿真交通流数据进行仿真评测,得到对应的交通流模型的评测结果,包括:
S2111:基于所述评测属性标签,确定用于仿真评测的目标道路参数指标。
其中,所述目标道路参数指标包括以下至少一种:交通流量、交通流速度、交通流密度、车辆类型、车辆行为轨迹、行程时间、饱和流率、车辆延误时间、启动损失时间、车头时距、行人流量、行人速度和行人密度。
交通流速度(简称流速)是表示交通流流动的快慢,单位是米/秒或千米/小时。计算公式:
其中,L表示交通流在t时间内移动的距离,t表示时间段。
交通流量是指在选定时间段内通过道路某一地点、某一断面或某一车道的交通实体数,从车流量的大小可以判定交通的拥挤状况。单位是辆/分钟,辆/小时或辆/日。计算公式:
其中,N表示t时间段内通过某条道路的车辆数量,t表示时间段(单位可为天、时、分、秒等)。
交通流密度是表示交通流的疏密程度,即道路单位长度上含有车辆的数量,单位是辆/千米。计算公式:
其中,N表示车辆数量,L表示道路长度。
车辆类型是指货车、重型车、公交车、摩托车、轿车等车辆类别,是枚举类型。
车辆行为轨迹为(t,坐标)所表示的一系列与时间相关的坐标点。以二维平面坐标系为例,坐标可以表示为(x,y),其中x、y可分别由经度、纬度对应的坐标值代替。
行程时间是车辆在道路上的实际运行时间,即去掉了由于受到阻碍原因的停车时间的行驶时间。
饱和流率是表示一条进口车道在一次连续的绿灯时间内,能够连续通过停止线的极限通行能力,其单位为“辆/绿灯小时/车道”。根据实际观测数据和车辆折算系数,确定每条车道的饱和流率。
车辆延误时间是因多方面因素引起的每辆车运行时间的损失,其单位为秒/辆。
启动损失时间是指未能供车辆有效利用的绿灯时间,其包括路口绿灯信号开始时的前排车辆启动延误时间,及绿灯结束后黄灯时的车辆减速停车损失时间。
车头时距是表示前后两辆车的前端通过同一地点的时间差,一般可使用前后车的车头间距除以后车速度来计算。
现有技术,通常采用交通流量、交通流速度作为通用指标来评估交通流模型。然而,在实际应用中,对于不同的评测属性标签,其对应待评测的路网环境或道路环境是不同的,其相应的关键道路参数指标也存在差别。
在一具体实施例中,所述基于所述评测属性标签,确定用于仿真评测的目标道路参数指标,包括:
A、若所述评测属性标签包括路段标签,确定用于仿真评测的第一目标道路参数指标,所述第一目标道路参数指标包括行程时间、交通流速度、交通流量和交通流密度。
B、若所述评测属性标签包括交叉口标签,确定用于仿真评测的第二目标道路参数指标,所述第二目标道路参数指标包括车辆延误时间和饱和流率。
C、若所述评测属性标签包括区域位置标签,确定用于仿真评测的第三目标道路参数指标,所述第三目标道路参数指标包括区域所处路网的车辆延误时间和交通流速度。
具体的,该车辆延误时间是指区域所处路网中所有路段和交叉口的总平均延误时间。该交通流速度是指区域所处路网中所有路段和交叉口的总平均交通流速度。
D、若所述评测属性标签包括天气环境标签且确定对应的评测天气环境类型为异常天气环境类型时,确定用于仿真评测的第四目标道路参数指标,所述第四目标道路参数指标包括饱和流率、启动损失时间和车头时距。
具体的,该评测天气环境类型包括晴、雨、雪、冰雹、雾等。其中,异常天气环境类型是指天气环境不利于车辆正常出行的环境类型,例如雨、雪、冰雹、雾等。
需要说明的是,上述几种情况下,若评测属性标签包括多种标签,则对应的目标道路参数指标可以相互叠加或者进行加权处理。
在一实施例,若评测属性标签包括天气环境标签或其他标签时,由于天气环境对交通流数据影响较大,则在评测模型的性能时,可对第四目标道路参数指标设置高于其他标签的权重系数。
S2113:基于所述真实交通流数据、所述评测属性标签和所述目标道路参数指标,对所述仿真交通流数据进行仿真评测,得到对应的交通流模型的评测结果。
具体的,为了评估交通流模型的仿真性能,应选取适合的评测指标来进行评测。例如,利用确定的目标道路参数指标,比较真实交通流数据和仿真交通流数据的差异性。示例的,可以分别计算真实交通流数据和仿真交通流数据中对应的目标道路参数指标中的任一指标的包括但不限于为平均值、中位值、最大值和最小值等统计数据,之后计算两者对应的统计数据的统计差异性。
本申请实施例,评测指标S可以采用如下计算公式:
其中,s表示上述某些具体道路参数指标下的仿真数据与真实数据的统计差异性。N表示上述某些具体指标的统计样本数,具体为来自不同路段、不同时间段等维度所对应的统计值;mi表示第i项仿真交通流数据,ti表示第i项真实交通流数据。
在一可选实施例,对仿真交通流数据和真实交通流数据评测时,也可单独对某个目标道路参数指标进行包括但不限于为平均值对比、最大值对比、最小值对比、方差等评测。从而可单独评估每个目标道路参数指标对应的统计差异性,便于后续对交通流模型进行调整和改进。
在一具体实施例,所述基于所述真实交通流数据、所述评测属性标签和所述目标道路参数指标,对所述仿真交通流数据进行仿真评测,得到对应的交通流模型的评测结果,包括:
S301:确定所述目标道路参数指标中各目标指标对应的权重。
在一实施例,可以结合不同的道路场景,预先对目标道路参数指标中各目标指标进行标定,建立权重与指标的映射关系表,之后通过查表得到目标道路参数指标中各目标指标对应的权重。在另一实施例,可通过机器学习算法确定目标道路参数指标中每个目标指标对应的权重。
S303:基于所述目标道路参数指标和所述目标道路参数指标中各目标指标对应的权重,确定针对所有目标指标对应的真实交通流数据和仿真交通流数据的差异度。
具体的,可以结合每个目标道路参数指标对应的权重ωi,调整上述评价指标s的表达式,得到调整后的评价指标s'的表达式:
之后,通过计算该评价指标s'得到对应的差异度。
S305:基于所述差异度,确定对应的交通流模型的评测结果。
具体的,将该差异度和预设阈值进行比较,若该差异度小于该预设阈值,则确定对应的交通流模型的仿真结果准确性较高;反之,则确定对应的交通流模型的仿真结果准确性较低。在一实施例,可对该评测结果进行详细分析,以报表的形式呈现给用户,以方便用户查看。该报表中例如可以包括属性标签、交通流模型标号、参数指标、评测结果等内容。
在一可选实施例,可以采用所有道路参数指标对仿真交通流数据进行仿真评测。具体的,可以为目标道路参数指标配置较大的权重,为其它道路参数指标可以配置较小的权重。之后基于所配置的各权重,比较真实交通流数据和仿真交通流数据的差异性。
本申请实施例能够准确评测交通流模型的仿真效果。由于通过采集装置实时采集了真实交通流数据,用于真值的对比数据真实可靠,能够实现对交通流模型的在线评测;由于是实时采集,能够覆盖真实交通流各种条件下(时段、交叉口、天气等)的数据,从多个维度来评测交通流模型的真实性和正确性。
此外,所用于评测的真实道路数据来源于实时的采集装置,用于评测的实际数据类型丰富且完全真实,能够更加客观地评价交通流模型。基于采集装置所实时采集交通流数据,能够全面覆盖交通道路,采集成本低廉且实时性更高。
在一可选实施例,所述交通流模型的数量为多个。例如,多个不同版本的交通流模型。所述方法还可包括:
S213:根据针对所述评测属性标签的选择操作,确定多个交通流模型对应的评测结果。
具体的,用户可以在评测界面上从评测属性标签中选择需要查看的目标属性标签,得到与该目标属性标签对应的多个交通流模型对应的评测结果。
S215;基于所述多个交通流模型对应的评测结果,确定每个交通流模型的准确性排序。
具体的,可以将每个交通流模型对应参数指标的差异度进行相互比较,根据比较结果,确定每个交通流模型的准确性排序顺序。
S217:按照每个交通流模型的准确性排序顺序,展示所述多个交通流模型对应的评测结果。
具体的,按照差异度的大小逆向排序得到对应的交通流模型的准确性排序列表,之后按照该准确性排序列表展示该多个交通流模型对应的评测结果。
通过对评测属性标签进行灵活选取,可实现对多个交通流模型进行个性化和差异化评测,例如在早高峰、晚高峰、路段、交叉口、雨天、雪天进行评测,可评测每个交通流模型在不同条件下的仿真性能,有利于确定不同条件下最适宜的交通流模型,便于对交通流情况进行准确预测;也有利于指导交通流模型的改进和迭代。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
请参考图5,其示出了本申请实施例提供的一种交通流模型的评测系统的结构框图。该装置具有实现上述方法示例中服务器侧的功能,所述功能可以由硬件实现,也可以由硬件执行相应的软件实现。所述系统可以包括:
第一获取模块501,用于获取针对目标区域路网的实际交通流基本数据,所述实际交通流基本数据是利用布设在所述目标区域路网中的多个采集装置所实时采集的;
数据融合模块502,用于对所述实际交通流基本数据进行数据融合处理,得到包含属性标签的真实交通流数据;所述属性标签包括时段标签、路段标签、交叉口标签、区域位置标签、天气环境标签中至少一种;
第二获取模块503,用于获取针对所述目标区域路网的仿真交通流基本数据,所述仿真交通流基本数据是利用交通流模型实时仿真运算所得的;
数据转换模块504,用于对所述仿真交通流基本数据进行数据转换处理,得到仿真交通流数据;
第三获取模块505,用于获取用于评测的评测属性标签,所述评测属性标签为所述属性标签的子集;
评测模块506,用于基于所述真实交通流数据和所述评测属性标签,对所述仿真交通流数据进行仿真评测,得到对应的交通流模型的评测结果。
在一些实施例,如图6所示,所述系统包括:
采集装置51,用于实时采集针对目标区域路网的实际交通流基本数据;
获取模块52,其具体包括第一获取模块501、第二获取模块502和第三获取模块503。
处理模块53,其具体包括数据融合模块502和数据转换模块504。
分析模块507,用于基于所述评测属性标签,对所述对应的交通流模型的评测结果进行统计分析,得到统计分析结果;
查询模块508,用于根据用户的查询操作,显示用户所需的评测结果和/或统计分析结果。
本申请实施例的交通流模型的评测系统,具备完整的数据采集、数据处理、算法评测、统计分析、数据查询等完整的体系,采用通用的数据传输协议,易于扩展。统计分析结果可以报表的形式呈现,易于直观查看交通流仿真的各项指标。
在一些实施例,所述评测模块506包括:
参数指标确定单元,用于基于所述评测属性标签,确定用于仿真评测的目标道路参数指标;
评测单元,用于基于所述真实交通流数据、所述评测属性标签和所述目标道路参数指标,对所述仿真交通流数据进行仿真评测,得到对应的交通流模型的评测结果;
其中,所述目标道路参数指标包括以下至少一种:交通流量、交通流速度、交通流密度、车辆类型、车辆行为轨迹、行程时间、饱和流率、车辆延误时间、启动损失时间、车头时距、行人流量、行人速度和行人密度。
在一些实施例,所述评测单元包括:
权重确定子单元,用于确定所述目标道路参数指标中各目标指标对应的权重;
差异度确定子单元,用于基于所述目标道路参数指标和所述目标道路参数指标中各目标指标对应的权重,确定针对所有目标指标对应的真实交通流数据和仿真交通流数据的差异度;
评测子单元,用于基于所述差异度,确定对应的交通流模型的评测结果。
在一些实施例,所述数据融合模块502包括:
预处理单元,用于对所述实际交通流基本数据进行预处理,得到处理后的交通流基本数据;
属性识别单元,用于识别所述处理后的交通流基本数据中属性,确定多个对应的分类属性;
分类单元,用于根据所述分类属性,对所述处理后的交通流基本数据进行分类处理,得到分类后的交通流基本数据;
融合单元,用于对所述分类后的交通流基本数据进行数据融合处理,得到所述包含属性标签的真实交通流数据。
在一些实施例,如图7所示,所述系统还包括:
选择模块509,用于根据针对所述评测属性标签的选择操作,确定多个交通流模型对应的评测结果;
排序模块510,用于基于所述多个交通流模型对应的评测结果,确定每个交通流模型的准确性排序顺序;
展示模块511,用于按照每个交通流模型的准确性排序顺序,展示所述多个交通流模型对应的评测结果。
本申请实施例提供了一种交通流模型的评测设备,该设备可以包括处理器和存储器,该存储器中存储有至少一条指令、至少一段程序、代码集或指令集,该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现如上述方法实施例所提供的交通流模型的评测方法。
本申请实施例还提供了一种存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行上述任一所述的交通流模型的评测方法。
进一步地,图9示出了一种用于实现本申请实施例所提供的方法的设备的硬件结构示意图,所述设备可以为计算机终端、移动终端或其它设备,所述设备还可以参与构成或包含本申请实施例所提供的装置。如图9所示,计算机终端10可以包括一个或多个(图中采用102a、102b,……,102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置106。
除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解,图9所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算机终端10还可包括比图9中所示更多或者更少的组件,或者具有与图9所示不同的配置。
应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外,数据处理电路可为单个独立的处理模块,或全部或部分的结合到计算机终端10(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的,该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块,如本申请实施例中所述的方法对应的程序指令/数据存储装置,处理器102通过运行存储在存储器104内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的一种神经网络处理方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD),该液晶显示器可使得用户能够与计算机终端10(或移动设备)的用户界面进行交互。
需要说明的是:上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本申请特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置和服务器实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种交通流模型的评测方法,其特征在于,包括:
获取针对目标区域路网的实际交通流基本数据,所述实际交通流基本数据是利用布设在所述目标区域路网中各采集点处的多个不同类型的采集装置所实时采集的;
对所述实际交通流基本数据进行数据融合处理,得到包含属性标签的真实交通流数据;所述属性标签包括时段标签、路段标签、交叉口标签、区域位置标签、天气环境标签中至少一种;
获取针对所述目标区域路网的仿真交通流基本数据,所述仿真交通流基本数据是利用交通流模型实时仿真运行所得的;
对所述仿真交通流基本数据进行数据转换处理,得到仿真交通流数据;
获取用于评测的评测属性标签,所述评测属性标签为所述属性标签的子集;
基于所述评测属性标签,确定用于仿真评测的目标道路参数指标;所述目标道路参数指标包括参数指标集合,不同的评测属性标签所分别对应的参数指标集合能够存在交集;
基于所述真实交通流数据、所述评测属性标签和所述目标道路参数指标,对所述仿真交通流数据进行仿真评测,得到对应的交通流模型的评测结果。
2.根据权利要求1所述的方法,其特征在于,所述目标道路参数指标包括以下至少一种:交通流量、交通流速度、交通流密度、车辆类型、车辆行为轨迹、行程时间、饱和流率、车辆延误时间、启动损失时间、车头时距、行人流量、行人速度和行人密度。
3.根据权利要求2所述的方法,其特征在于,所述基于所述评测属性标签,确定用于仿真评测的目标道路参数指标,包括:
若所述评测属性标签包括路段标签,确定用于仿真评测的第一目标道路参数指标,所述第一目标道路参数指标包括行程时间、交通流速度、交通流量和交通流密度;
若所述评测属性标签包括交叉口标签,确定用于仿真评测的第二目标道路参数指标,所述第二目标道路参数指标包括车辆延误时间和饱和流率;
若所述评测属性标签包括区域位置标签,确定用于仿真评测的第三目标道路参数指标,所述第三目标道路参数指标包括区域所处路网的车辆延误时间和交通流速度;
若所述评测属性标签包括天气环境标签且确定对应的评测天气环境类型为异常天气环境类型时,确定用于仿真评测的第四目标道路参数指标,所述第四目标道路参数指标包括饱和流率、启动损失时间和车头时距。
4.根据权利要求2所述的方法,其特征在于,所述基于所述真实交通流数据、所述评测属性标签和所述目标道路参数指标,对所述仿真交通流数据进行仿真评测,得到对应的交通流模型的评测结果,包括:
确定所述目标道路参数指标中各目标指标对应的权重;
基于所述目标道路参数指标和所述目标道路参数指标中各目标指标对应的权重,确定针对所有目标指标对应的真实交通流数据和仿真交通流数据的差异度;
基于所述差异度,确定对应的交通流模型的评测结果。
5.根据权利要求1所述的方法,其特征在于,所述对所述实际交通流基本数据进行数据融合处理,得到包含属性标签的真实交通流数据,包括:
对所述实际交通流基本数据进行预处理,得到处理后的交通流基本数据;
识别所述处理后的交通流基本数据中属性,确定多个对应的分类属性;
根据所述分类属性,对所述处理后的交通流基本数据进行分类处理,得到分类后的交通流基本数据;
对所述分类后的交通流基本数据进行数据融合处理,得到所述包含属性标签的真实交通流数据。
6.根据权利要求1所述的方法,其特征在于,所述交通流模型的数量为多个;所述方法还包括:
根据针对所述评测属性标签的选择操作,确定多个交通流模型对应的评测结果;
基于所述多个交通流模型对应的评测结果,确定每个交通流模型的准确性排序顺序;
按照每个交通流模型的准确性排序顺序,展示所述多个交通流模型对应的评测结果。
7.一种交通流模型的评测系统,其特征在于,包括:
第一获取模块,用于获取针对目标区域路网的实际交通流基本数据,所述实际交通流基本数据是利用布设在所述目标区域路网中各采集点处的多个不同类型的采集装置所实时采集的;
数据融合模块,用于对所述实际交通流基本数据进行数据融合处理,得到包含属性标签的真实交通流数据;所述属性标签包括时段标签、路段标签、交叉口标签、区域位置标签、天气环境标签中至少一种;
第二获取模块,用于获取针对所述目标区域路网的仿真交通流基本数据,所述仿真交通流基本数据是利用交通流模型实时仿真运算所得的;
数据转换模块,用于对所述仿真交通流基本数据进行数据转换处理,得到仿真交通流数据;
第三获取模块,用于获取用于评测的评测属性标签,所述评测属性标签为所述属性标签的子集;
评测模块,用于基于所述评测属性标签,确定用于仿真评测的目标道路参数指标;所述目标道路参数指标包括参数指标集合,不同的评测属性标签所分别对应的参数指标集合能够存在交集;以及基于所述真实交通流数据、所述评测属性标签和所述目标道路参数指标,对所述仿真交通流数据进行仿真评测,得到对应的交通流模型的评测结果。
8.根据权利要求7所述的评测系统,其特征在于,还包括:
采集装置,用于实时采集针对目标区域路网的实际交通流基本数据;
分析模块,用于基于所述评测属性标签,对所述对应的交通流模型的评测结果进行统计分析,得到统计分析结果;
查询模块,用于根据用户的查询操作,显示用户所需的评测结果和/或统计分析结果。
9.一种交通流模型的评测设备,其特征在于,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至6任一所述的交通流模型的评测方法。
10.一种计算机存储介质,其特征在于,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行如权利要求1至6任一所述的交通流模型的评测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910863318.5A CN110782120B (zh) | 2019-09-12 | 2019-09-12 | 一种交通流模型的评测方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910863318.5A CN110782120B (zh) | 2019-09-12 | 2019-09-12 | 一种交通流模型的评测方法、系统、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110782120A CN110782120A (zh) | 2020-02-11 |
CN110782120B true CN110782120B (zh) | 2022-04-15 |
Family
ID=69383460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910863318.5A Active CN110782120B (zh) | 2019-09-12 | 2019-09-12 | 一种交通流模型的评测方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110782120B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538931A (zh) * | 2020-04-21 | 2021-10-22 | 阿里巴巴集团控股有限公司 | 一种交通信号的配时方法和装置 |
CN111553043B (zh) * | 2020-05-19 | 2023-09-26 | 北京百度网讯科技有限公司 | 交通指标计算模型测试方法、交通仿真方法和装置 |
CN112216113B (zh) * | 2020-10-16 | 2021-07-27 | 温州职业技术学院 | 基于密度峰值的交通流量数据聚类方法 |
CN112489419B (zh) * | 2020-10-28 | 2022-04-26 | 华为技术有限公司 | 道路容量的确定方法、装置及存储介质 |
CN113902137B (zh) * | 2021-12-06 | 2022-04-08 | 腾讯科技(深圳)有限公司 | 流式模型训练方法、装置、计算机设备及存储介质 |
CN115169890A (zh) * | 2022-07-07 | 2022-10-11 | 深圳大学 | 一种基于微观交通仿真的智能网联车辆混合交通评价系统 |
CN116244974A (zh) * | 2023-05-04 | 2023-06-09 | 西安深信科创信息技术有限公司 | 仿真交通流数据真实性评价方法及装置 |
CN117542189A (zh) * | 2023-10-10 | 2024-02-09 | 北京市市政工程设计研究总院有限公司 | 区域交通负荷计算方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103247177A (zh) * | 2013-05-21 | 2013-08-14 | 清华大学 | 大规模路网交通流实时动态预测系统 |
CN103337161A (zh) * | 2013-07-11 | 2013-10-02 | 上海济安交通工程咨询有限公司 | 基于实时仿真模型的交叉口动态综合评价及信控系统优化方法 |
US20160189044A1 (en) * | 2012-10-23 | 2016-06-30 | University Of Southern California | Traffic Prediction Using Real-World Transportation Data |
CN107248283A (zh) * | 2017-07-18 | 2017-10-13 | 北京航空航天大学 | 一种考虑路段关键度的城市区域路网运行状态评价方法 |
CN109493620A (zh) * | 2017-09-11 | 2019-03-19 | 阿里巴巴集团控股有限公司 | 一种交通路况分析系统、方法以及装置 |
CN109712395A (zh) * | 2019-01-21 | 2019-05-03 | 武汉理工大学 | 一种获取交通流参数的系统和方法 |
CN110136457A (zh) * | 2019-05-15 | 2019-08-16 | 青岛市城市规划设计研究院 | 基于微观交通仿真的城市交叉口群协调优化方法 |
-
2019
- 2019-09-12 CN CN201910863318.5A patent/CN110782120B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160189044A1 (en) * | 2012-10-23 | 2016-06-30 | University Of Southern California | Traffic Prediction Using Real-World Transportation Data |
CN103247177A (zh) * | 2013-05-21 | 2013-08-14 | 清华大学 | 大规模路网交通流实时动态预测系统 |
CN103337161A (zh) * | 2013-07-11 | 2013-10-02 | 上海济安交通工程咨询有限公司 | 基于实时仿真模型的交叉口动态综合评价及信控系统优化方法 |
CN107248283A (zh) * | 2017-07-18 | 2017-10-13 | 北京航空航天大学 | 一种考虑路段关键度的城市区域路网运行状态评价方法 |
CN109493620A (zh) * | 2017-09-11 | 2019-03-19 | 阿里巴巴集团控股有限公司 | 一种交通路况分析系统、方法以及装置 |
CN109712395A (zh) * | 2019-01-21 | 2019-05-03 | 武汉理工大学 | 一种获取交通流参数的系统和方法 |
CN110136457A (zh) * | 2019-05-15 | 2019-08-16 | 青岛市城市规划设计研究院 | 基于微观交通仿真的城市交叉口群协调优化方法 |
Non-Patent Citations (1)
Title |
---|
城市道路交通实时在线仿真平台优化与提升;陈振武 等;《交通与运输》;20190731;正文第2-3节,图6 * |
Also Published As
Publication number | Publication date |
---|---|
CN110782120A (zh) | 2020-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110782120B (zh) | 一种交通流模型的评测方法、系统、设备及介质 | |
JP7351487B2 (ja) | トポロジーマップに基づくインテリジェントナビゲーションの方法及びシステム | |
CN109520744B (zh) | 自动驾驶车辆的驾驶性能测试方法和装置 | |
CN110364008B (zh) | 路况确定方法、装置、计算机设备和存储介质 | |
CN113642633B (zh) | 用于对驾驶场景数据进行分类的方法、装置、设备和介质 | |
EP2630443B1 (en) | Method of determining and validating navigational priority settings utilizing probe data | |
CN106652483A (zh) | 利用检测设备在区域公路网布设交通信息检测点的方法 | |
CN110322687B (zh) | 确定目标交叉口运行状态信息的方法和装置 | |
CN111241168A (zh) | 一种实时在线微观交通仿真方法及系统 | |
CN112613225B (zh) | 一种基于神经网络元胞传输模型的交叉口交通状态预测方法 | |
CN112749825A (zh) | 预测车辆的目的地的方法和装置 | |
CN110021161B (zh) | 一种交通流向的预测方法及系统 | |
CN114596709B (zh) | 数据处理方法、装置、设备以及存储介质 | |
CN116046008A (zh) | 基于态势感知的路线规划方法、系统及效能评估装置 | |
CN113799793A (zh) | 一种基于数据驱动的实现预测模型自动化迭代的系统 | |
CN111951543B (zh) | 流量预测方法及装置 | |
CN110646002B (zh) | 用于处理信息的方法和装置 | |
CN112883236A (zh) | 一种地图更新方法、装置、电子设备及存储介质 | |
CN115311867B (zh) | 隧道场景的定位方法、装置、计算机设备、存储介质 | |
CN116384844A (zh) | 基于地理信息云平台的决策方法及装置 | |
CN114677843B (zh) | 路况信息的处理方法、装置、系统及电子设备 | |
Costa et al. | Generation of road maps from trajectories collected with smartphone–a method based on genetic algorithm | |
CN112732446B (zh) | 一种任务处理方法、装置及存储介质 | |
CN114241373A (zh) | 一种端到端的车辆行为检测方法、系统、设备及存储介质 | |
CN114707567A (zh) | 轨迹分类方法、轨迹分类模型训练方法及计算机程序产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40020205 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |