CN110869990B - 使用车辆轨迹数据的交通信号控制 - Google Patents
使用车辆轨迹数据的交通信号控制 Download PDFInfo
- Publication number
- CN110869990B CN110869990B CN201880037300.3A CN201880037300A CN110869990B CN 110869990 B CN110869990 B CN 110869990B CN 201880037300 A CN201880037300 A CN 201880037300A CN 110869990 B CN110869990 B CN 110869990B
- Authority
- CN
- China
- Prior art keywords
- intersection
- traffic
- traffic signal
- data
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 claims abstract description 73
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 description 38
- 230000008569 process Effects 0.000 description 17
- 230000037361 pathway Effects 0.000 description 15
- 230000035699 permeability Effects 0.000 description 14
- 230000001413 cellular effect Effects 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 239000007787 solid Substances 0.000 description 9
- 230000036962 time dependent Effects 0.000 description 9
- 208000007944 Nodular Nonsuppurative Panniculitis Diseases 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000013459 approach Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- LIWAQLJGPBVORC-UHFFFAOYSA-N ethylmethylamine Chemical compound CCNC LIWAQLJGPBVORC-UHFFFAOYSA-N 0.000 description 4
- 230000011664 signaling Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000001939 inductive effect Effects 0.000 description 3
- 230000035515 penetration Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 241000520870 Phoenicurus phoenicurus Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002464 muscle smooth vascular Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011076 safety test Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000001418 vibrating-sample magnetometry Methods 0.000 description 1
- 230000000007 visual 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
- G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
-
- 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
- G08G1/0129—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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
Abstract
一种用于控制沿公共道路定位的交通信号装置的系统和方法。由系统执行的方法包括：在一个或多个计算机处，从行进穿过公共道路的交叉口的多个无线连接的设备接收时间‑定位(TL)数据；通过一个或多个计算机，使用接收到的TL数据来确定代表交叉路口处的交通量的交通量估计值；以及将交通量估计值发送到交通信号控制系统，交通信号控制系统被配置为基于交通量估计值而控制交叉口处的交通信号装置。
Description
关于联邦资助的研究的声明
本发明是在美国能源部授予的授权号为DE-EE0007212的政府支持下完成的。政府在本发明中拥有某些权利。
技术领域
本发明涉及用于处理并使用来自连接的车辆的车辆交通数据以操作交通控制装置以提高交通流效率的方法和系统。
背景技术
信号交叉口是城市交通网络的必不可少的部分。如今，随着预算和资源的紧缩，维持高效的信号操作已变成许多交通管理机构的一项艰巨任务。当前，许多交通控制装置，例如美国的交通信号，仍然是固定时间的信号灯，其无法对不断变化的交通需求作出响应。为了交通信号适应变化的需求，需要适当地安装并维护车辆检测器，例如电感环路检测器或视频检测器。这会不可避免地给公共机构带来巨大的成本。
最近，在美国运输部(USDOT)支持的试点部署的积极努力下，互联车辆(CV)技术已受到广泛关注。大多数现有研究主要聚焦于CV的渗透率必须处于一定水平下的情况，这在不久的将来可能不可行。
发明内容
根据本发明的方面，提供一种用于控制沿公共道路定位的交通信号装置的方法，包括以下步骤：
(a)在一个或多个计算机处，从行进穿过公共道路的交叉口的多个无线连接的装置接收时间-定位(TL)数据；
(b)通过一个或多个计算机，使用接收到的TL数据来确定代表交叉口处的交通量的交通量估计值；以及
(c)将交通量估计值发送到交通信号控制系统，交通信号控制系统被配置为基于交通量估计值而控制交叉口处的交通信号装置。
在各种实施方式中，方法可以包括以下特征中的任一个或这些特征中的两个或多个的任何技术上可行的组合：
-方法还包括以下步骤：在计算机中的一个或多个处接收沿道路定位的交通信号装置的状态，且步骤(b)还包括使用一个或多个计算机来基于接收到的TL数据和交通信号装置的接收到的状态而确定交叉口处的交通量估计值。
-步骤(b)还包括：针对无线连接的装置中的至少一些而确定穿过交叉口的轨迹并基于轨迹而确定交通量估计值。
-所确定轨迹包括：预测的到达交叉口的到达时间、从交叉口离开的离开时间、以及停止事件指示符，其指示车辆停在交叉口处还是移动穿过交叉口而不停车，且其中，步骤(b)还包括使用至少一些无线连接的装置的到达时间，离开时间和停止事件指示符来确定交通量估计值。
-至少一些无线连接的装置是行进穿过交叉口的车辆，且其中，步骤(b)还包括：确定一些车辆在停在交叉口处时的位置，并至少部分基于位置而确定交通量估计值。
-无线连接的装置中的至少一些是行进穿过交叉口的车辆，且其中，步骤(b)还包括：
针对至少一些车辆中的每一个确定事件类型，其中，事件类型包括以下各项中的任一个：车辆停在交叉口处；或车辆通过交叉口而不停车，以及
至少部分地基于事件类型而确定交通量估计值。
-事件类型包括以下各项中的至少一个：车辆停在交叉口处；车辆通过交叉口而不停车；车辆在另一车辆在单个交通信号周期期间通过交叉口而不停车后停在交叉口处；或车辆在另一车辆在单个交通信号周期期间通过交叉口而不停车后通过交叉口而不停车。
-步骤(a)还包括：针对无线连接的装置中的每个一个接收TL数据作为一系列跟踪点，每个跟踪点具有从全球导航卫星系统(GNSS)无线电信号导出的定位坐标以及指示装置何时位于由定位坐标表示的定位处的数据。
根据本发明的另一方面，提供一种用于控制沿着公共道路的交通信号装置的基于计算机的系统，包括一个或多个计算机，一个或多个计算机包括一个或多个电子处理器以及存储于非暂时性计算机可读媒体上的一个或多个计算机程序，一个或多个计算机程序在由一个或多个处理器执行后即刻被配置为：
(a)从行进穿过公共道路的交叉口的多个无线连接的装置接收时间-定位(TL)数据；
(b)使用接收到的TL数据来确定代表交叉口处的交通量的交通量估计值；以及
(c)将交通量估计值发送到交通信号控制系统，交通信号控制系统被配置为基于交通量估计值而控制交叉口处的交通信号装置。
根据本发明的又另一方面，提供一种用于控制沿公共道路定位的交通信号装置的方法，包括以下步骤：
(a)从沿在交叉口出互连的道路行进的多个连接的车辆接收包括偏远设施处的定位和时间数据的全球导航卫星系统(GNSS)信息；
(b)使用GNSS信息来针对至少一些多个连接的车辆中的每一个确定轨迹；
(c)接收交通信号状态集，其中，交通信号状态集指示至少一些交叉口处的交通信号的交通信号状态，且其中一个或多个交通信号状态各自与状态时间值相关联；
(d)根据状态时间值和来自GNSS信息的时间数据而将轨迹与交通信号状态集相关联；以及
(e)基于相关联的轨迹和交通信号状态集而确定交通量估计值。
在各种实施方式中，先前段落的方法可以包括以下特征中的任一个或这些特征中的两个或多个的任何技术上可行的组合：
-步骤(d)还包括根据状态时间值和来自GNSS信息的时间数据而将轨迹与轨迹通过的交叉口处的交通信号的交通信号状态相关联。
-针对每个车辆确定的轨迹包括：由车辆横穿的交叉口处的预计到达时间、从横穿的交叉口离开的离开时间、和指示车辆是否停在横穿的交叉口处还是移动穿过横穿的交叉口而不停车的停车事件指示符，且其中，步骤(e)还包括使用至少一些无线连接的装置的到达时间、离开时间和停止事件指示符来确定交通量估计值。
-步骤(e)还包括：确定车辆中的一些在停在车辆的轨迹通过的交叉口时的位置，并至少部分地基于位置而确定交通量估计值。
-步骤(e)还包括：
针对至少一些车辆中的每一个确定事件类型，其中，事件类型包括以下各项中的任一个：车辆停在轨迹通过的交叉口处；或车辆通过这些交叉口而不停车，以及
至少部分地基于事件类型而确定交通量估计值。
-事件类型包括以下各项中的至少一个：车辆停在交叉口处；车辆通过交叉口而不停车；车辆在另一车辆在单个交通信号周期期间通过交叉口而不停车后停在交叉口处；或车辆在另一车辆在单个交通信号周期期间通过交叉口而不停车后通过交叉口而不停车。
-步骤(e)还包括将交通量估计值发送到交通信号控制系统，交通信号控制系统被配置为基于交通量估计值而控制轨迹通过的交叉口处的交通信号。
附图说明
下文将结合附图描述优选示例性实施方式，其中相同标号表示相同元件，且其中：
图1A和图1B描绘了通信系统，所述通信系统包括基于计算机的系统和用于执行本文中论述的交通估计和交通信号控制方法的操作环境；
图2说明可由图1A和图1B的系统获取的CV数据和路边检测器数据；
图3描绘用于图1A和图1B的系统的路边设备的示例部署；
图4描绘呈在图1A和图1B路边设备处获得的基本安全消息形式的示例时间-定位数据；
图5描绘呈由图1A和图1B的路边设备提供的信号相位和定时数据形式的示例交通信号状态信息；
图6描绘样本到达信息，并示出横穿交叉口的车辆的轨迹；
图7A和图7B说明穿过交叉口的两种不同类型的CV轨迹；
图8示出图3的样本部署的交叉口中的一个，其说明到达交叉口的不同途径；
图9A和图9B描绘穿过图8的交叉口的东进移动的样本CV轨迹和时间相依因数；
图10描绘穿过图8的交叉口的东进、西进和南进交通的CV渗透率；
图11A、图11B和图11C分别描绘穿过图8的交叉口观察并估计的东进、西进和南进车辆的交通量的比较；
图12描绘穿过第二选定样本交叉口的交叉口的车辆的轨迹；
图13示出穿过第二选定样本交叉口的车辆的渗透率；
图14描绘通过第二选定样本交叉口观察并估计的交通量的比较；且
图15描绘穿过连续五个交叉口的车辆轨迹的时间-空间图。
具体实施方式
本文所述的系统和方法能够基于例如连接的车辆(CV)等无线连接的装置(WCD)的轨迹数据而实现交通量估计和交通信号控制。尽管所说明实施方式主要被描述为是用利用全球导航卫星系统(GNSS)来获得位置信息的CV来实现的，但随着描述进行，可以理解本文中论述的系统和方法可以与其他WCD一起使用，例如具有GNSS接收器以及蜂窝和/或短距离无线通信(SRWC)功能的手持式无线装置。
本文所述的系统和方法使用从WCD接收的时间-定位(TL)数据。TL数据是指示连接的装置在一个或多个特定时间点时的全球位置的数据。在至少一些实施方式中，TL数据可以是一个或多个跟踪点，其包括装置的全局位置坐标以及表示装置何时处于由一个或多个跟踪点表示的定位处的时间数据。在本文中论述的实施方式中，并入到WCD中的GNSS接收器用以生成用于TL数据的全球位置数据(即，GNSS信息或数据)，但作为GNSS信息的替代或补充，可以使用其他位置确定技术。由每个个别WCD提供的跟踪点或其他全球位置数据可以由所述装置使用装置中包括的任何GNSS接收器从接收到的GNSS无线电信号中生成，并且可以NMEA格式、GPX格式或以其他方式提供。TL数据还包括指示WCD何时位于由全局位置数据指示的位置的时间数据，且此时间数据可以由GNSS接收器与全局位置数据一起提供(例如，作为以NMEA标准输出格式包括的UTC时间)，或者可以其他方式或从其他来源提供时间数据；例如，通过WCD上的时钟或通过网络，通过所述网络将全球位置数据从装置发射到执行交通量估计的中央设施。
对于任何特定的WCD，可以提供TL数据作为一系列跟踪点或其他全局位置数据点，以及使得可以确定装置在某些或所有点处的时间的时间数据。而且，当所述系列中的至少一些数据点包括装置的不同位置时，所述系列TL数据表示装置的轨迹。可以在确定不同跟踪点时从装置单独发送不同跟踪点，并接着在中央设施处将所述跟踪点组合在一起以确定装置的轨迹。或者，可以将不同跟踪点作为轨道或其他TL数据点集一起发送。TL数据可以包括装置标识(ID)或与装置标识一起发送，以使得可以将不同轨迹或跟踪点或TL数据的不同片段或群组彼此关联以确定装置轨迹。用于这样做的技术对于本领域技术人员是已知的。
鉴于TL数据包括时间数据，装置的轨迹可以包括指示装置何时处于组成所述轨迹的不同点处的时间信息。因此，轨迹可以用以确定或预测某些事件和/或与某些事件相关联的属性，例如在特定交叉口的预计到达时间、从交叉口离开的时间、以及车辆或其他装置是停在交叉口处还是能够继续穿过交叉口而不停车。如将在下文描述，那些不同类型的轨迹可以用以确定交叉口处的估计交通量。
在许多实施方式中，来自CV或其他WCD的基于GNSS的轨迹数据在低市场渗透率下用以估计交通量，这可能是许多信号优化算法的有用输入。在某些情况下，可以将车辆到达带信号的交叉口的情况建模为与时间相依泊松过程，所述过程可以考虑信号协调并可以用以估计交通量。鉴于多个观察到的轨迹或来自接近交叉口的CV的其他信息，估计问题被公式化为最大似然问题。如本文所使用，WCD的轨迹是指WCD的实际或投影的轨道或路径。此轨迹还可以包括例如通常包括于NMEA格式消息中的时间戳或其他时间数据。可以导出期望最大化(EM)过程来帮助解决此估计问题。进行两个案例研究以验证估计技术。一个案例研究使用来自安全试验模型部署(SPMD)项目的CV数据，其中在密歇根州·安娜堡部署了大约2,800个CV。另一个案例研究使用来自中国商业导航服务的用户的车辆轨迹数据。基于手动收集的基准数据和来自环路检测器的数据，估计的平均绝对百分比误差(MAPE)是8％至12％。考虑到CV部署的现有规模，所提议方法可以帮助交通管理机构评估并操作交通信号，从而为将来使用CV进行无探测器信号操作铺平道路。
现参考图1A和图1B，示出了包括通信系统1并且可以用以实施本文公开的方法的操作环境。通信系统1通常包括车辆10、11，所述车辆可以包括远程信息处理单元40和全球导航卫星系统(GNSS)模块32、GNSS卫星群50、一个或多个无线载波系统12、陆地通信网络14、远程处理设施16、市政设施18、包括交通信号装置22的交通信号系统20、以及移动装置60。车辆到基础设施(V2I)通信包括可以在车辆和远程网络(例如远程设施16和/或市政设施18)之间执行的通信。此通信系统可以是可以执行车辆到基础设施(V2I)通信的一个示例。应理解，所公开方法可以与任何树木个不同系统一起使用，并且不具体限于此处示出的操作环境。而且，系统1和其个别部件的体系结构、构造、设置和操作在本领域中是通常已知的。因此，以下段落仅提供一个此通信系统1的简要概述，然而，此处未示出的其他系统也可以采用所公开方法。
无线载波系统12可以是任何合适的蜂窝电话系统。载波系统12被示为包括蜂窝塔13；但是，承载系统12可能包括额外蜂窝塔以及一个或多个以下部件(例如，取决于蜂窝技术)：基站收发器、移动交换中心、基站控制器、演进型节点(例如，eNodeB)、移动性管理实体(MME)、服务网关和PGN网关等、以及连接无线载波系统12与陆地网络14或连接无线载波系统与用户设备(例如，包括车辆10、11中的远程信息处理设备的UE)的任何其他网络部件，所有这些网络部件通常用31表示。载波系统12可以实施任何合适的通信技术，包括例如GSM/GPRS技术、CDMA或CDMA2000技术、LTE技术等。通常，无线载波系统12、其部件、其部件的布置、部件之间的交互作用等在本领域中是通常已知的。
除了使用无线载波系统12之外，还可以使用呈卫星通信形式的不同无线载波系统，以提供与车辆的单向或双向通信。这可以使用一个或多个通信卫星(未示出)和上行链路发射站(未示出)来完成。单向通信可以是例如卫星无线电服务，其中节目内容(例如新闻、音乐)由上行链路发射站接收、打包以上传、并接着发送给将节目广播给用户的卫星。双向通信可以是例如卫星电话服务，其使用一个或多个通信卫星来中继车辆10、11与上行链路发射站之间的电话通信。在被使用的情况下，此卫星电话可以用作无线载波系统12的补充或替代。
陆地网络14可以是常规基于陆地的电信网络，其连接到一个或多个陆地电话并将无线载波系统12连接到远程设施16。例如，陆地网络14可以包括例如用以提供硬线电话、分组交换数据通信和互联网基础设施的公用电话交换网(PSTN)。可以通过使用标准的有线网络、光纤或其他光网络、电缆网络、电力线、其他无线网络(例如，无线局域网(WLAN))或宽带无线访问(BWA)或其任何组合实施陆地网络14的一个或多个段。
远程设施16可以被设计为向车辆电子装置、移动装置60和/或其他WCD提供许多不同系统后端功能。远程设施16可以包括各种部件，并且可以包括有线或无线局域网。远程设施16可以包括交通诊断系统17，所述交通诊断系统可以包括许多计算机、服务器、数据库和其他计算装置。通常，远程设施16可以通过连接到陆地网络14的调制解调器接收和发射数据。远程设施16处(例如，交通诊断系统17处)的数据库可以存储车辆信息、轨迹数据、GNSS信息和其他TL数据以及与WCD有关的任何其他数据。也可以由例如IEEE 802.11x、GPRS等无线系统进行数据发射。在一个实施方式中，交通诊断系统17和/或远程设施16可以用以实施本文中公开的方法的至少一部分。在此状况下，交通诊断系统17可以从车辆10、11、移动装置60和/或其他WCD接收TL数据和其他数据。接着，远程设施16可以处理此信息和/或使用数据来例如通过生成交通量估计值估计交通量。如下文更详细地论述，以下方法和/或等式中的任何一个或多个可以用以生成交通估计值和/或其他交通诊断或预测信息。接着，可以通过陆地网络14将这些估计交通量(例如，交通量估计值)和/或其他交通信息发送到市政设施18和交通控制系统19。在其他实施方式中，远程设施16和/或交通诊断系统17可以至少部分地基于交通量估计值和/或TL数据(例如，轨迹数据)而生成额外数据。也可以将额外数据发送到市政设施18和/或交通控制系统19。
市政设施18包括交通信号控制系统19，所述交通信号控制系统可以包括各种计算机、数据库、服务器和其他计算装置。交通信号控制系统19可以用以控制交通信号装置，例如交通信号22，或者可以用以处理交通相关数据，包括估计交通量(例如，交通量估计值)。在一个实施方式中，交通信号控制系统19可以从远程设施16接收数据，例如所估计交通量，并接着可以生成交通控制数据，可以将所述数据发送到交通信号或其他交通信号装置，例如人行横道灯、车道方向和闭合信号。交通信号控制系统19可以从一个或多个交通传感器(例如电感环路检测器和/或视频检测器)或者从可以位于交叉口或其附近的其他路边设备(RSE)26接收交通信息。在一些实施方式中，市政设施18或交通信号控制系统19可以通过RSE 26和陆地网络14从车辆10、11、移动装置60和/或其他WCD接收信息。在其他实施方式中，市政设施18或交通信号控制系统19可以通过窝模载波系统12和陆地网络14从车辆10、11、移动装置60和/或其他WCD接收信息。在此类实施方式中，市政设施18和/或交通信号控制系统19可以执行本文中的方法的至少一部分。
在一些实施方式中，交通诊断系统17与交通信号控制系统19可以位于相同的设施(例如，远程设施16或市政设施18)处和/或可以使用例如一组服务器或计算机等相同组硬件来予以执行。
远程设施16和市政设施18中的一个或两个可以包括基于计算机的系统，所述系统具有包括电子处理器和存储器的一个或多个服务器或计算机。处理器可以是能够处理电子指令的任何类型的装置，包括微处理器、微控制器、主机处理器、控制器、车辆通信处理器和专用集成电路(ASIC)。处理器可以执行使设施能够提供广泛多种服务的各种类型的数字存储指令，例如存储于存储器中的软件或固件程序。例如，远程设施16处的处理器可以被配置为执行程序或处理数据以执行本文中论述的方法的至少一部分。在一个实施方式中，过程可以执行使处理器对从一个或多个车辆10、11、移动装置60和/或其他WCD接收的GNSS信息或其他TL数据执行一个或多个方法步骤的应用程序(例如，计算机程序)。远程设施16或市政设施18处的存储器可以包括通电的临时存储器和/或任何合适的非暂时性计算机可读媒体，例如不同类型的RAM(随机存取存储器，包括各种类型的动态RAM(DRAM)和静态RAM(SRAM))、ROM(只读存储器)、固态驱动器(SSD)(包括其他固态存储，例如固态混合驱动器(SSHD))、硬盘驱动器(HDD)、磁盘或光磁盘驱动器、或存储执行本文中论述的各种外部装置功能所需的一些或全部软件的其他合适存储器。
交通信号系统20被描绘为包括交通信号22、控制器24和路边设备(RSE)26，但可以包括网络交换机、其他RSE、其他交通信号或其他类型的交通信号装置、路由器、调制解调器、其他网络接口控制器或模块和/或存储装置。这些部件中的任何一个或多个可以容纳于交通信号中和/或位于交通信号附近的单独外壳中。在一个实施方式中，控制器24可以包括处理器和存储器，并且被配置为例如通过激活和去激活信号提示(例如，可以由操作员在信号装置处或附近的道路上感知的视觉、听觉或其他指示或通知)来操作交通信号。交通信号处的存储装置可以是存储管理单元(MMU)和/或非易失性存储装置，其可以包括通电的临时存储器和/或任何合适的非暂时性计算机可读媒体，例如不同类型的RAM(随机存取存储器，包括各种类型的动态RAM(DRAM)和静态RAM(SRAM))、ROM(只读存储器)、固态驱动器(SSD)(包括其他固态存储，例如固态混合驱动器(SSHD))、硬盘驱动器(HDD)、磁盘或光磁盘驱动器、或存储执行交通信号通信和其他操作所需的一些或全部软件的其他合适存储器。
交通信号系统20还可以包括一个或多个网络接口(包括任何合适的硬件，例如网络接口卡(NIC)或无线NIC)，并且能够通过陆地网络14与一个或多个远程服务器通信。而且，交通信号系统20可以包括其他网络能力，例如蜂窝或其他无线通信能力，例如针对RSE26所指示。交通信号可以将交通信号状态信息或数据发送到远程设施，例如远程设施16或市政设施18。如本文所使用，交通信号状态是指交通信号的交通提示的操作，例如交通信号是绿色、红色还是黄色(或琥珀色)。交通信号状态可以包括用以识别交通信号所处的特定交叉口的唯一标识符(ID)，以及提供信号状态所指会相关联的时间或时间范围的时间数据。尽管仅示出一个交通信号系统20，但是可以使用许多交通信号系统，且每个交通信号系统可以包括一个或多个交通信号22或其他交通信号装置。
交通信号22被描述为交通信号或交通信号(“R”代表红灯，“Y”代表黄色或琥珀色灯，“且G”代表绿灯)，但是应理解，也可以替代地使用其他交通信号装置，例如可用以向道路的车辆或行人用户指示信息的任何电子信号装置。另外，尽管仅示出一个交通信号，但是应理解，在系统1和/或交通信号系统20中可以使用许多交通信号，且可以使用各种类型的交通信号装置。
RSE 26可以由控制器24控制，并且可以包括电感环路检测器、视频检测器、或可以沿着路边或交叉口放置的其他交通相关设备和/或传感器。RSE 26和/或控制器24可以包括例如WNIC或NIC等网络通信接口，并且可以例如通过短距离无线通信(SRWC)与一个或多个附近的车辆直接通信。RSE 26和交通信号22都可以基于通过所公开方法产生的交通量估计而来远程控制，并且可以被重新编程或重新配置使得更新交通信号的信号提示的操作。例如，市政设施18可以发送可以用以更新交通信号22的指令集。指令集可以被称为“更新”，并且可以通过陆地网络14、一个或多个蜂窝载波系统12或其他无线电信号发送。在其他实施方式中，可以通过位于交通信号处或附近的控制器对交通信号进行重新编程，所述控制器通过总线或其他通信构件连接到交通信号。
车辆10、11在所说明实施方式中被描述为轿车，但是应理解，也可以使用包括摩托车、卡车、运动型多用途车(SUV)、休闲车(RV)、自行车、可以在道路或人行道等上使用的其他车辆或移动性装置的任何其他车辆。如所说明实施方式中所描绘，车辆10包括GNSS接收器或模块32，其天线34的用以从卫星50接收GNSS无线电信号。车辆10还包括远程信息处理单元40，所述远程信息处理单元使车辆与远程服务器或网络装置(例如，远程设施16处的服务器)之间的通信成为可能。GNSS模块32可以是任何合适的可商购的GNSS接收器，并且可以向远程信息处理单元40提供NMEA或其他输出消息，接着可以从车辆10发送NMEA或其他输出消息作为GNSS信息/TL数据。车辆11包括与车辆10相同的部件、装置和模块，但未示出这些部件。
全球导航卫星系统(GNSS)模块32从GNSS卫星群50接收无线电信号。GNSS模块32接着可以生成提供定位的TL数据或其他数据，所述数据接着可以用以识别已知位置或车辆的定位。另外，GNSS模块32可以用以向车辆操作者提供导航和其他位置相关服务。而且，新的或更新的地图数据可以通过车辆远程信息处理单元从远程设施16下载到GNSS模块32。出于某些目的，例如出于交通量估计或其他交通相关目的，可以将TL数据提供给远程设施16或其他远程设施，例如市政设施18。在一些实施方式中，GNSS模块32可以是全球定位系统(GPS)模块，其从作为美国GPS卫星系统的一部分的GPS卫星接收GPS信号。也可以使用与GLONASS和/或欧洲的伽利略系统配合使用的接收器。GNSS信号可以用以生成包括时间数据的TL数据，且此时间数据可以是GNSS模块从卫星50接收信息的时间、从GNSS卫星50接收的GNSS信号中指示的时间或其他同期时间戳。
在一个实施方式中，车辆10、11可以被配置为周期性地将GNSS信息/TL数据发送到远程设施16。例如，车辆可以每100ms将此信息发送到远程设施。另外，车辆可以向偏远设施16发送航向信息(例如，车辆前部面对的方向)或其他车辆或WCD信息。如上所述，一旦远程设施16从车辆10和/或车辆11接收到TL数据，那么远程设施16可以将信息存储于存储装置中和/或可以根据一个或多个计算机指令集，例如可以被配置为执行本文所述的方法的至少一部分的计算机指令，来处理数据。
远程信息处理单元40包括蜂窝芯片组42、处理器44、存储器46和天线48。远程信息处理单元40可以是安装在车辆中的OEM安装式(嵌入式)或售后市场装置，且其使得能够通过无线载波系统12且通过无线网络进行无线语音和/或数据通信。这使得车辆能够与远程设施16和/或市政设施18、其他具远程信息处理功能的车辆或某个其他实体或装置进行通信。远程信息处理单元优选地使用无线电发射来与无线载波系统12建立通信信道(语音信道和/或数据信道)，以使得可以通过所述信道发送和接收语音和/或数据发射。远程信息处理单元40从GNSS模块32接收GNSS信息或其他TL数据，并随后将此TL数据发送到远程设施16或市政设施18。它可以连接到能够与车辆上的其他电子系统进行通信的车辆内通信总线30。通过提供语音和数据通信，远程信息处理单元40使得车辆能够提供许多不同的服务，包括与导航、电话、紧急援助、诊断、信息娱乐等相关的服务。使用本领域中已知的技术，通过数据连接，例如通过数据信道上的分组数据发射，或者通过语音信道，可以发送数据。
根据一个实施方式，远程信息处理单元40利用根据GSM、CDMA或LTE标准的蜂窝通信，并因此包括用于如免提呼叫等语音通信的标准蜂窝芯片组42、用于数据发射的无线调制解调器、电子处理装置或处理器44、一个或多个数字存储装置46和双天线48。应理解，可以通过存储于远程信息处理单元中并由处理器44执行的软件实施调制解调器，或者调制解调器可以是位于远程信息处理单元40内部或外部的单独硬件部件。调制解调器可以使用许多不同标准或协议(例如LTE、EVDO、CDMA、GPRS和EDGE)来进行操作。也可以使用远程信息处理单元40来执行车辆、RSE 26与其他联网装置之间的无线联网。为此，远程信息处理单元40可以被配置为根据一个或多个无线协议而进行无线通信，所述无线协议包括短距离无线通信(SRWC)，例如IEEE 802.11协议、WiMAXTM、ZigBeeTM、Wi-Fi directTM、蓝牙TM或近场通信(NFC)。当用于分组交换数据通信(例如TCP/IP)时，远程信息处理单元可以配置有一个静态IP地址，或者可以被设置为从网络上的另一装置(例如路由器)或从网络地址服务器自动接收所分配IP地址。
处理器44可以是能够处理电子指令的任何类型的装置，包括微处理器、微控制器、主机处理器、控制器、车辆通信处理器和专用集成电路(ASIC)。它可以是仅用于远程信息处理单元40的专用处理器，也可以与其他车辆系统共享。处理器44执行使得远程信息处理单元40能够提供广泛多种服务的各种类型的数字存储指令，例如存储于存储器46中的软件或固件程序。例如，处理器44处可以执行程序或处理数据以执行本文中论述的方法的至少一部分。在一个实施方式中，远程信息处理单元40包括使处理器能够将GNSS信息或其他TL数据发送到远程设施16的应用程序(例如，计算机程序)。存储器46可以包括通电的临时存储器和/或任何合适的非暂时性计算机可读媒体，例如不同类型的RAM(随机存取存储器，包括各种类型的动态RAM(DRAM)和静态RAM(SRAM))、ROM(只读存储器)、固态驱动器(SSD)(包括其他固态存储，例如固态混合驱动器(SSHD))、硬盘驱动器(HDD)、磁盘或光磁盘驱动器、或存储执行本文中论述的各种外部装置功能所需的一些或全部软件的其他合适存储器。
此外，应理解，至少一些前述模块可以以存储于远程信息处理单元40内部或外部的软件指令的形式实施，它们可以是位于远程信息处理单元40内部或外部的硬件部件，或者它们可以是彼此或与整个车辆中的其他系统集成和/或共享的，仅列举了几种可能性。在将模块实施为位于远程信息处理单元40外部的VSM的情况下，它们可以利用车辆总线30来与远程信息处理单元交换数据和命令。
移动装置60是可以使用蜂窝载波系统12和/或陆地网络14来与其他装置通信的装置。移动装置60可以与远程设施16和/或市政设施18通信，并且因此是无线连接的装置(WCD)。另外，移动装置60可以通过短距离无线通信(SRWC)(例如蓝牙TM，蓝牙低能耗TM(BLE)、Wi-FiTM、近场通信(NFC)或其他各种SRWC)与车辆10、11和/或RSE 26通信。移动装置60可以包括：使得实现此蜂窝电信和SRWC以及其他移动装置应用的硬件、软件和/或固件。移动装置60的硬件可以包括：处理器和用于存储软件、固件等的存储器(例如，被配置为与处理器一起操作的非暂时性计算机可读媒体)。移动装置还可以包括GNSS接收器或模块，例如类似于包括于车辆10、11中的GNSS模块32的模块。处理器和存储器可以启用各种软件应用程序，这些软件应用程序可以由用户(或制造商)预先安装或安装。车载装置应用程序的一个实施方式可以使GNSS信息被发送到远程设施16。在一个实施方式中，移动装置可以在车辆的车厢内，并且因此可以用以将GNSS信息或其他TL数据发送到远程设施16。因此，运输蜂窝装置或其他WCD的非连接的车辆(例如，不具有GNSS模块和/或不具有连接到远程设施16或市政设施18的能力的车辆)用作虚拟连接的车辆，并且在一些实施方式中可以因此被视作连接的车辆(CV)。
如上所述，在一些实施方式中，本文中论述的方法和/或系统可用于估计带信号的交叉口处的交通到达，包括CV穿透率低时的情况。如本文所使用，“穿透率”是指给定定位、区域或区的连接的车辆与非连接的车辆的比率。交通量可能是用于设计并改善交通信号操作的有用输入。在常规交通信号系统中，只能从固定定位处的检测器获得车辆到达信息。与检测器数据不同，CV数据提供详细轨迹，但目前仅从一小部分车辆提供详细轨迹。在图2中说明比较。本文中的至少一些实施方式解决的一个问题是使用由TL数据提供或从TL数据导出的有限轨迹数据来估计总体到达信息。
在一些实施方式中，可以通过利用历史CV数据和车辆到达信号交叉口的重复模式来准确地获得交通量估计。可以将车辆到达交叉口的过程建模为时间相依泊松过程，所述泊松过程具有表征到达类型的时间相依因数。对于量估计，可以推导出可以并有不同类型的CV轨迹的期望最大化(EM)过程。为了评估所提议算法的性能，进行了两个案例研究：第一个案例研究利用在SPMD项目中由RSE接收到的真实CV数据；第二个案例研究利用来自路线导航服务的用户的车辆轨迹数据。在一个实施方式中，可以使用CV数据代替可以放置于交通信号处的交通检测器。
在SPMD项目中收集了连接的车辆轨迹数据和信号状态数据。SPMD项目由密歇根大学交通研究所(UMTRI)进行，旨在评估CV技术在现实世界、集中环境中的运行适用性，并且还量化CV安全应用和用户接受度的收益。在所述项目中，自2012年8月以来，UMTRI已为约2,800个车辆配备专用短程无线通信(SRWC)装置，并在27个定位(包括19个交叉口)处部署了RSE。图3中示出所述项目中的RSE部署的图示。呈由RSE接收到的基本安全消息(BSM)形式的TL数据已连续收集并存档于UMTRI数据库中。
在图4中示出由RSE接收到的已处理BSM数据(TL数据)的样本。可以使用数据字段的子集，包括RSE的装置ID(Rx装置)、发送BSM的CV的装置ID(Tx装置)、CV的GPS位置和速度、以及RSE收到BSM的时间戳。
也已在部署的交叉口处收集由RSE广播的信号相位和定时(SPaT)数据。SPaT数据含有可用作“信号感知”CV应用程序的输入的信号状态信息，例如，闯红灯警告或生态方法/离开辅助。在此，仅使用SPaT中的数据字段的一部分，包括：生成消息时的时间戳、信号相位ID和信号状态。在图5中示出了SPaT数据的样本。
可以从车辆是否停止的状态反映交通信号处的车辆到达信息。在图6中示出了示例。可以基于交通信号装置的已知位置、WCD的轨迹信息(例如，CV)和/或交通信号装置状态来计算到达信息。在图6中，CV1(例如，车辆10)通过交叉口且停车，而CV2(例如，车辆11)通过交叉口而不停车。接着，根据CV1的停止位置或离开时间，可以计算出在其前面排队的车辆的数目。对于CV2，车辆队列的长度不足以影响CV2。换句话说，可以计算出CV1与CV2之间可能的车辆到达的上限。通过结合来自车辆轨迹的这些到达信息，可以估计总体车辆的到达量。
对于交通量估计方法，输入包括接近交叉口的车辆轨迹(例如，可以从两个或多个TL数据生成的轨迹)以及交通信号状态。在其他实施方式中，估计方法可以考虑其他数据，例如其他TL数据、来自RSE的数据、来自移动装置的数据、或来自可以与远程设施16通信的其他装置的数据，所述远程设施可以执行本文中论述的方法的至少一部分。对于CV轨迹，所利用信息包括：其以自由流动速度在止动杆处的预计到达时间tf,i、其在止动杆处的离开时间td,i、指示CV是否停止的事件的类型、以及作为时间索引的下标i。对于每个CV轨迹，可以定义以下向量：
Xi＝(tf,i,td,i,si)T
对于不停车的CV，止动杆处的预计到达时间等于离开时间，如下所示：tf,i＝td,i.对于停车的CV，预计到达时间tf,i可以估计为：
其中：ts,i是CV停止的时间，yi是其停止位置到止动杆的距离，且vf是自由流动速度。为了并有信号信息，红等信号被视为事件类型。在此处，假设在红等信号开始时不存在任何剩余队列。在此假设下，估计是针对非饱和交通状况。对于每个红色信号，可以定义以下向量：
Xj＝(tf,j,td,j,sj)T，tf,j＝tr,j,td,j＝tg,j
其中：tr,j是周期j的红等开始的时间，且tg,j代表周期j的绿灯开始。在此处，sj可以设定为-1，从而指示此时间对应于红色信号。在一些实施方式中，将红色信号表示为事件可以实现更简单的数据处理，以使得可以计算出CV的到达与红色信号的开始时间之间的到达间隔时段。这两个向量可以用作下文介绍的估计过程的输入的一部分。
在选定日时刻(TOD)时段期间，所述方法假设交通到达遵循随时间相依泊松过程，到达率为λp(t(c))。此处，t(c)指示信号周期内的时间，上标(c)指示时间是使用信号时钟测量的，λ表示平均到达率，且p(t(c))是与t(c)时的到达速率成正比的时间相依因数，即，整个信号周期内的t(c)时的总到达的分率。泊松过程可用于对交叉口处的交通到达进行建模。到达速率取决于信号周期中的时间的额外假设是要考虑来自信号协调的影响，而在此情况下这些信号的平均到达速率不能视为常数。
将N(t1,t2)定义为从时间t1到t2的累计到达数目，
N(t1,t2)□泊松(Λ(t1,t2))
其中：和C:t→t(c)，从而将一天中的事件映射到信号周期时钟中的时间t(c)。
通过汇总CV轨迹，可以基于以下公式而计算时间相依因数p(t(c))：
其中I{C(tf，i)＝t(c)}时预计到达时间是t(c)的情况下是1并且在其他情况下是0的指示符，且N是CV轨迹的总数。为了简化数据处理，时间以1秒间隔离散。
鉴于泊松到达过程，可以通过利用到达时间和在RSE处接收到的两个连续CV轨迹之间的对应非CV到达数目来制定用于观察所有有效CV轨迹的似然函数。如前所述，考虑了两种CV轨迹：(1)在交叉口处具有停止的CV轨迹，和(2)横穿交叉口而不停车的CV轨迹。在两个停止的CV的预计到达时间之间，或在一个停止的CV的预计到达时间与红色信号的开始之间，可以基于CV的离开时间而计算非CV到达的数目。如果观察到CV没有停止，那么可以推断出或假设交叉口的队列(如果存在)的长度不足以影响不停止的CV。因此，可以计算CV之前的最大车辆到达数目。在图7A和图7B中示出这两种CV的图示，以及用于稍后进行计算的表示。
G(ti,tj)定义为从时间ti到tj的有效绿灯时间。对于每个CV轨迹，可以根据以下状况而计算发生概率：
案例1。如果si＝1，那么si-1＝-1或1，从而指示在红色开始或另一停车的CV到达之后观察到停止的CV轨迹，接着：
N(tf，i-1，tf，i)＝ny，i，N(tf，i-1，tf，i)～泊松(λPy，i)泊松(λPy，i)
为了简化表示法，当时，从而表示到达间隔时段期间的离开数目[tf,i-1,tf,i]，hs是饱和行进距离，且/>从而表示累积的时间相依因数。下标y表示对于CV停止观察。还在图7A中示出图示。
案例2。如果si＝2，那么si-1＝-1或1，从而指示在红色开始或CV停止之后观察到不停止的CV轨迹。因此：
N(tf，i-1，tf，i)≤nz，i，N(tf，i-1，tf，i)～泊松(λPz，i)
其中下标z表示观察是针对未停车的CV。还在图7B中示出图示。
除了这两个案例以外，还存在两个其他轨迹案例：(1)停止的CV在同一周期内在未停止的CV后到达，以及(2)未停止的CV在同样同一周期内在另一未停止的CV后到达。对于第一种情况，CV的停止将不是由队列或红色信号引起的，而是有可能由其他因素引起的，例如，其他车辆进入行人过路。对于第二种情况，在未停止的CV到达之后，必须清除队列，且同一周期中的其余CV将以自由流动速度行进。在这些状况下，且根据一些实施方式，可以不使用轨迹信息。这两种状况都可以被视为无效或琐碎的观察，并且至少在一个实施方式中可以不用于估计。
基于论述，可以运用以下等式计算观察到所有有效CV轨迹的似然性，Y是所有停止的CV的观测值的集合，且Z是所有未停止的CV的观测值的集合。
现在，可以使用最大似然估计器(MLE)来为交通量估计λ。但是，由于公式3中的乘积运算内部的求和，可能难以获得MLE的封闭形式。替代寻求封闭形式，可以使用用于估计的期望最大化(EM)算法。期望最大化(EM)算法是一种迭代过程，其用以在存在未观察到的或部分观察到的变量时找到主要适合的MLE。EM算法包括两个主要步骤：E步骤和M步骤。E步骤基于初始化参数和似然性的条件期望而计算未观察到的或部分观察到的变量的条件期望。接着，M步骤通过最大化似然性来搜索参数的最佳更新。重复执行这两个步骤，直到更新会聚为止。停止的CV轨迹可以提供到达数目的直接信息，而未停止的CV轨迹可以提供到达数目的上限的信息，所述信息在一些实施方式中可以被视作部分信息。考虑到这一点，至少在一些实施方式中，EM算法将是估计的期望选择。
对于E步骤，将表示为对应于未停止的CV轨迹的截止时间tz,i的累计到达数目的真实值，完整数据序列的对数似然是：/>
接着，对数似然的期望可以表示为：
鉴于观察到的，未观察到的变量的条件均值/>是：
最后，在M步骤中，通过将关于λ的Q(λ|λ(s))的导数设定为零，用于更新λ的公式是：
公式6和7完成EM迭代以进行估计。
案例研究
为了评估提出的估计算法，进行了两个案例研究。第一个案例研究利用SPMD项目中的RSE接收的CV数据。第二个案例研究利用来自导航服务用户的GPS数据。这两种类型的数据通常含有类似信息。但是，来自CV的数据的采样频率是10Hz，而来自导航装置的数据的采样频率是1Hz。同样，第一个研究中的所研究的交叉口由SCOOT自适应信号系统控制，而在第二个案例研究中，交叉口由固定时间信号控制。
案例研究1。
在第一个案例研究中，从路与Gree路的交叉口分析数据，这是SPMD项目中已部署的交叉口之一。从04/25/16到05/13/16收集所使用CV数据。在图8中示出交叉口几何形状的图示，以及操作中的交通信号的环形障碍图。在这里，调查仅聚焦于分别对应于相位1、2和4的东进(EB)直通、西进(WB)直通、以及南进(SB)直通和左转交通。北进(NB)途径是邻近于购物广场停车场的单车道道路。在NB途径中，来自车道和停车场的交通经常会影响在NB途径处行进的车辆，从而导致并非由交通信号引起的额外队列和停车。由于停止和排队信息在估计中起关键作用，因此考虑到来自停车场交通引起的噪声，排除了NB交通的分析。
对于每个相交的途径，首先将CV的轨迹作为时空图进行处理，时间是横轴且到止动杆的距离是纵轴。在图9A中示出轨迹。运用SCOOT自适应信号系统时，在此交叉口处，周期长度、红色和绿色持续时间全部在周期之间变化。为了在信号周期中选择公共参考点，为简便起见在曲线中将绿色的开始用作时间0。
根据跨越不同天数具有1小时间隔的不同TOD时段，聚集CV轨迹以首先计算时间相依因数p(t)。对于不同TOD时段，运用图9B中示出的两个示例观察基本上不同的p(t)。p(t)的差应归因于两个不同TOD时段内的交通模式和信号设置两者的差。连通p(t)，还基于CV轨迹而准备观察列表。最后，实施EM过程来进行估计。
出于验证目的，还在两天内，即04/25/16和04/26/16，从11:00AM到7:00PM手动收集小时量。使用测得的量，计算出CV的渗透率，如图10中示出。总体上，渗透率的范围介于3％到12％，同时取决于选定时段而变化。渗透率还在不同途径处基本上变化，在EB和WB途径(即，主途径)处CV渗透率更低，且在SB途径(次要途径)处渗透率更高。此变化可能归因于SB途径连接到密歇根大学附近的具有更大群体的SPMD项目参与者的居民区。
接着使用观察到的量来与所估计量进行比较，结果在图11A至图11C示出。为了量化准确度，还基于还在图中指示的以下公式计算估计的平均绝对百分比误差(MAPE)。
其中：在第i间隔期间，Volo,i是所观察量，且Vole,i是所估计量。
如图中示出，在不同TOD时段内，所估计量通常接近所观察量。对于EB、WB和SB途径，MAPE分别是11.2％、10.1％和12.3％，从而指示所提议过程的合理准确性。然而，在所述3个途径当中，尽管CV渗透率最大，但SB途径的估计在所有三个相位中表现最差。这有可能归因于到达模式在信号协调的EB和WB途径处比在SB途径(即，次要进近)处更稳定。此外，由于SB途径的交通量最低，因此SB途径处的所观察CV轨迹的总数与EB和WB途径处类似，这可能意味着样本大小也可能起到作用，而不是渗透率。但是，即使总体渗透率很低(在所调查案例中，大通常低于10％)，但结果仍然有用。
案例研究2
在第二案例研究中，从使用中国的导航服务驾驶员收集数据。在选定道路上在06/13/2016与06/30/2016之间的工作日收集数据。为了进行分析，所提议过程在交叉口使用选定途径并估计交通量。接着，针对所述途径使用来自环路检测器的数据来验证估计。
在一个选定交叉口中，在图12中示出在邻近的上游与下游交叉口之间进行直通移动的GPS轨迹样本集。每个GPS数据点的时间也被转换为信号周期内的时间。
出于验证目的，还在07/12/2016针对选定途径从环路检测器获得量数据。基于检测器数据，针对直通移动计算导航用户的渗透率。在图13中示出结果。虽然渗透率随一天的时间而变化，但其通常保持在0.5％至2％的范围内。
在图14中示出量估计结果。类似于案例研究1，所估计量通常接近观察到的量。估计的MAPE对于选定途径是8.1％。尽管渗透率较低，但案例2中的估计误差甚至比案例1中更小。这可能是由于案例研究2中的交通信号处于固定定时模式下，而案例研究1中的信号由SCOOT自适应控制系统控制。因此，案例研究2中的周期性剖面或到达类型比案例研究1中的更为一致，因此产生的估计结果误差更少。
为了说明使用所估计量数据来辅助信号操作，沿选定道路的其他四个交叉口重复了相同的过程，并基于所估计量和时间相依因数而生成时间-空间图(TS图)。TS图是交通工程师评估信号协调性能并在必要时微调信号设置的便捷且流行的工具。在图15中示出在时间段8AM到9AM内具有5个交叉口的选定走廊的结果。
从图15中可以看出，一般来说，大多数时间内信号与以自由流动速度行进的交通协调良好。但是，对于交叉口1和交叉口3，车辆延迟存在并且可以通过调整这两个交叉口处的偏移来潜在地减少，从而指示这两个交叉口处的改善机会。
如上所述，可以基于从连接的车辆(CV)接收的TL数据而生成这些交通量估计。在一个实施方式中，提供一种用于控制沿公共道路定位的交通信号装置的方法，包括以下步骤：(a)在一个或多个计算机处，从行进穿过公共道路的交叉口的多个无线连接的装置接收时间-定位(TL)数据；(b)通过一个或多个计算机，使用接收到的TL数据来确定代表交叉口处的交通量的交通量估计值；以及(c)将交通量估计值发送到交通信号控制系统，交通信号控制系统被配置为基于交通量估计值而控制交叉口处的交通信号装置。
另外，此方法还可以包括以下步骤：在计算机中的一个或多个处接收沿道路定位的交通信号装置的状态，且其中，步骤(b)还包括使用一个或多个计算机来基于接收到的TL数据和交通信号装置的接收到的状态而确定交叉口处的交通量估计值。在其他实施方式中，步骤(b)还可以包括：针对无线连接的装置中的至少一些而确定穿过交叉口的轨迹并基于轨迹而确定交通量估计值。另外，在一些实施方式中，所确定轨迹可以各自包括：预测的到达交叉口的到达时间、从交叉口离开的离开时间、以及停止事件指示符，其指示车辆停在交叉口处还是移动穿过交叉口而不停车，且其中，步骤(b)还包括使用至少一些无线连接的装置的到达时间，离开时间和停止事件指示符来确定交通量估计值。而且，至少在一些实施方式中，至少一些无线连接的装置是行进穿过交叉口的车辆，且其中，步骤(b)还包括：确定一些车辆在停在交叉口处时的位置，并至少部分基于位置而确定交通量估计值。
在一些实施方式中，至少一些无线连接的装置是行进穿过交叉口的车辆，且其中，步骤(b)还包括：针对至少一些车辆中的每一个确定事件类型，其中，事件类型包括以下各项中的任一个：车辆停在轨迹通过的交叉口处；或车辆通过这些交叉口而不停车，以及至少部分地基于事件类型而确定交通量估计值。而且，至少在一些实施方式中，事件类型可以包括以下各项中的至少一个：车辆停在交叉口处；车辆通过交叉口而不停车；车辆在另一车辆在单个交通信号周期期间通过交叉口而不停车后停在交叉口处；或车辆在另一车辆在单个交通信号周期期间通过交叉口而不停车后通过交叉口而不停车。在其他实施方式中，步骤(a)可以还包括以下步骤：针对无线连接的装置中的每个一个接收TL数据作为一系列跟踪点，每个跟踪点具有从全球导航卫星系统(GNSS)无线电信号导出的定位坐标以及指示装置何时位于由定位坐标表示的定位处的数据。
如本文所使用，交通量估计值可以是针对特定区域或针对特定交通信号的交通量的估计，且可以基于或使用上文论述的任何一个或多个步骤、算法或等式来确定交通量估计值。
在另一实施方式中，提供一种用于控制沿公共道路定位的交通信号装置的方法，包括以下步骤：(a)从沿在交叉口出互连的道路行进的多个连接的车辆接收包括偏远设施处的定位和时间数据的全球导航卫星系统(GNSS)信息；(b)使用GNSS信息来确定至少一些多个连接的车辆中的每一个的轨迹；(c)接收交通信号状态集，其中交通信号状态集指示至少一些交叉口处的交通信号的交通信号状态，且其中一个或多个交通信号状态各自与状态时间值相关联；(d)根据状态时间值和来自GNSS信息的时间数据而将轨迹与交通信号状态集相关联；以及(e)基于相关联的轨迹和交通信号状态集而确定交通量估计值。
如本文所使用，交通信号状态集是一个或多个交通信号状态。这些状态中的每一个可以包括状态对应于的相关联时间值(例如，时间戳或开始时间戳和结束时间戳)。例如，一个交通信号状态可以是“红”灯信号，并且可以与9:00:00AM(状态开始时间)到9:01:00AM(状态结束时间)的时间值相关联。
可以根据状态时间值和来自GNSS信息的时间数据而将轨迹与轨迹通过的交叉口处的交通信号的交通信号状态相关联。在一些实施方式中，针对每个车辆确定的轨迹可以包括：由车辆横穿的交叉口处的预计到达时间、从横穿的交叉口离开的离开时间、和指示车辆是否停在横穿的交叉口处还是移动穿过横穿的交叉口而不停车的停车事件指示符，且其中，步骤(e)还包括使用至少一些无线连接的装置的到达时间、离开时间和停止事件指示符来确定交通量估计值。而且，步骤(e)可以包括：确定车辆中的一些在停在车辆的轨迹通过的交叉口时的位置，并至少部分地基于位置而确定交通量估计值。其还可以包括：(i)针对至少一些车辆中的每一个确定事件类型，其中，事件类型包括以下各项中的任一个：车辆停在轨迹通过的交叉口处；或车辆通过这些交叉口而不停车，以及(ii)至少部分地基于事件类型而确定交通量估计值。事件类型可以包括以下各项中的至少一个：车辆停在交叉口处；车辆通过交叉口而不停车；车辆在另一车辆在单个交通信号周期期间通过交叉口而不停车后停在交叉口处；或车辆在另一车辆在单个交通信号周期期间通过交叉口而不停车后通过交叉口而不停车。
在其他实施方式中，可以从多个车辆或其他移动装置接收每个连接的车辆的呈GNSS信息形式的多个TL数据，接着可以编译所述多个GNSS信息以形成多个车辆中的每一个的轨迹数据，且接着可以根据以上算法而将轨迹与交通信号状态信息一起使用。一旦计算出交通量估计，就可以将交通量估计发送到市政设施，接着市政设施可以将交通量估计用作交通信号操作的基础。在一些实施方式中，一旦市政设施确定交通信号的操作，那么市政设施就可以通过使用陆地网络14、蜂窝载波系统12或其他无线电信号对交通信号进行远程编程。
远程设施16或市政设施18处的任何一个或多个服务器、计算机或其他计算装置可以被配置为根据上文论述的一个或多个算法而进行操作，包括等式1到8或上文论述的其他等式中的任何一个或多个。在一个实施方式中，包括处理器和位于远程设施16处的存储装置的服务器可以被配置为执行任何一个或多个以上步骤，包括如上文论述的一个或多个适当算法。
另外，在一些实施方式中，可以从远程设施处的移动装置接收TL数据，所述移动装置接着可以使用此类数据来估计行人或其他相关交通量。这可以在行人交通高的区域特别有用。另外，由用户携带在例如自行车或旱冰鞋等的个人移动性装置上的移动装置可以将GNSS信息或其他TL数据发送到远程设施，所述远程设施接着可以根据本文中论述的方法而使用此数据。
尽管上文论述的某些实施方式涉及在远程设施16处执行本文中论述的方法的至少一部分，但是其他实施方式可以在市政设施18处执行这些步骤和/或其他步骤。在又另一实施方式中，交通信号22、车辆10、11和/或移动装置60可以执行本文中论述的步骤中的一个或多个。
应理解，以上描述是本发明的一个或多个实施方式。本发明不限于本文中公开的特定实施方式，而是仅由以下权利要求书限定。此外，除非上文明确地定义术语或短语，否则以上描述中含有的陈述与所公开实施方式有关，并且不应被解释为对本发明的范围或权利要求中使用的术语的定义的限制。各种其他实施方式以及对所公开实施方式的各种改变和修改对于本领域技术人员来说将变得显而易见。
如本说明书和权利要求书中所使用，术语“例如/例如/诸如(for example/forinstance/such as)”和“比如”以及动词“包括/包含(comprising/including)”、“具有”和其其他动词形式在与一个或多个部件或其他项目的列表结合使用时应分别被解释为开放式的，这意味着列表不应被视为排除其他额外其他部件或项目。除非在需要不同解释的上下文中使用其他术语，否则应使用其最广泛合理含义来解释其他术语。
Claims (12)
1.一种用于控制沿公共道路定位的交通信号装置的方法，包括以下步骤：
(a)在一个或多个计算机处，从行进穿过公共道路的交叉口的多个无线连接的装置接收时间-定位(TL)数据；
(b)通过一个或多个计算机，使用接收到的TL数据通过以下步骤来确定代表所述交叉口处的交通量的交通量估计值：
针对至少两个所述无线连接的装置中的每一个确定穿过所述交叉口的轨迹，其中所述至少两个所述无线连接的装置包括多个车辆；
针对所述多个车辆中的每一个确定事件类型，其中，所述事件类型包括以下各项中的任一个：所述车辆停在所述交叉口处，或所述车辆通过所述交叉口而不停车；以及
至少部分地基于所述多个车辆中的每一个的所述事件类型和所述轨迹而确定所述交通量估计值；以及
(c)将所述交通量估计值发送到交通信号控制系统，所述交通信号控制系统被配置为基于所述交通量估计值而控制所述交叉口处的交通信号装置。
2.根据权利要求1所述的方法，还包括以下步骤：在所述计算机中的一个或多个处接收沿所述道路定位的交通信号装置的状态，且其中，步骤(b)还包括使用所述一个或多个计算机来基于所述接收到的TL数据和接收到的所述交通信号装置的状态而确定所述交叉口处的所述交通量估计值。
3.根据权利要求1所述的方法，其中，所确定的轨迹包括预测的到达所述交叉口的到达时间、从所述交叉口离开的离开时间以及停止事件指示符，所述停止事件指示符指示所述车辆停在所述交叉口处还是移动穿过所述交叉口而不停车，且其中，步骤(b)还包括使用无线连接的装置中的至少一些的到达时间、离开时间和停止事件指示符来确定交通量估计值。
4.根据权利要求1所述的方法，其中，所述无线连接的装置中的至少一些是行进穿过所述交叉口的车辆，且其中，步骤(b)还包括：确定所述车辆中的一些在停在所述交叉口处时的位置，并至少部分基于所述位置而确定所述交通量估计值。
5.根据权利要求1所述的方法，其中，所述事件类型包括以下各项中的至少一个：所述车辆停在所述交叉口处；所述车辆通过所述交叉口而不停车；所述车辆在另一车辆在单个交通信号周期期间通过所述交叉口而不停车后停在所述交叉口处；或所述车辆在另一车辆在单个交通信号周期期间通过所述交叉口而不停车后通过所述交叉口而不停车。
6.根据权利要求1所述的方法，其中，步骤(a)还包括：针对所述无线连接的装置中的每一个接收所述TL数据作为一系列跟踪点，每个跟踪点具有从全球导航卫星系统(GNSS)无线电信号导出的定位坐标以及指示所述无线连接的装置何时位于所述由定位坐标表示的定位处的数据。
7.一种用于控制沿着公共道路的交通信号装置的基于计算机的系统，包括一个或多个计算机，所述一个或多个计算机包括一个或多个电子处理器以及存储于非暂时性计算机可读媒体上的一个或多个计算机程序，所述一个或多个计算机程序被配置为在由所述一个或多个处理器执行后：
(a)从行进穿过公共道路的交叉口的多个无线连接的装置接收时间-定位(TL)数据；
(b)使用接收到的TL数据通过以下步骤来确定代表交叉口处的交通量的交通量估计值：
针对至少两个所述无线连接的装置中的每一个确定穿过所述交叉口的轨迹，其中所述至少两个所述无线连接的装置包括多个车辆；
针对所述多个车辆中的每一个确定事件类型，其中，所述事件类型包括以下各项中的任一个：所述车辆停在所述交叉口处，或所述车辆通过所述交叉口而不停车；以及
至少部分地基于所述多个车辆中的每一个的所述事件类型和所述轨迹而确定所述交通量估计值；以及
(c)将所述交通量估计值发送到交通信号控制系统，所述交通信号控制系统被配置为基于所述交通量估计值而控制所述交叉口处的交通信号装置。
8.一种用于控制沿公共道路定位的交通信号装置的方法，包括以下步骤：
(a)从沿在交叉口处互连的道路行进的多个连接的车辆接收包括偏远设施处的定位和时间数据的全球导航卫星系统(GNSS)信息；
(b)使用所述GNSS信息来针对至少一些所述多个连接的车辆中的每一个确定轨迹，其中针对每个车辆确定的所述轨迹包括：由所述车辆横穿的所述交叉口处的预计到达时间、从所述横穿的交叉口离开的离开时间、以及指示所述车辆是否停在所述横穿的交叉口处还是移动穿过所述横穿的交叉口而不停车的停车事件指示符；
(c)接收交通信号状态集，其中，交通信号状态集指示两个或更多交叉口处的交通信号的交通信号状态，且其中一个或多个交通信号状态各自与状态时间值相关联；
(d)根据所述状态时间值和来自所述GNSS信息的所述时间数据，将所述轨迹与所述轨迹通过的所述两个或更多交叉口处的交通信号的所述交通信号状态集相关联；以及
(e)基于相关联的所述轨迹和所述交通信号状态集而确定交通量估计值，其中，所述交通量估计值通过使用所述连接的车辆中的两个或更多个的所述预计到达时间、所述离开时间和所述停车事件指示符来确定。
9.根据权利要求8所述的系统，其中，步骤(e)还包括：确定所述车辆中的一些在停在所述车辆的轨迹通过的交叉口时的位置，并至少部分地基于所述位置而确定所述交通量估计值。
10.根据权利要求8所述的系统，其中，步骤(e)还包括：
针对至少一些车辆中的每一个确定事件类型，其中，事件类型包括以下各项中的任一个：车辆停在轨迹通过的交叉口处；或车辆通过这些交叉口而不停车，以及
至少部分地基于所述事件类型而确定所述交通量估计值。
11.根据权利要求10所述的方法，其中，所述事件类型包括以下各项中的至少一个：所述车辆停在所述交叉口处；所述车辆通过所述交叉口而不停车；所述车辆在另一车辆在单个交通信号周期期间通过所述交叉口而不停车后停在所述交叉口处；或所述车辆在另一车辆在单个交通信号周期期间通过所述交叉口而不停车后通过所述交叉口而不停车。
12.根据权利要求8所述的方法，其中，步骤(e)还包括将所述交通量估计值发送到交通信号控制系统，所述交通信号控制系统被配置为基于所述交通量估计值而控制所述轨迹通过的交叉口处的交通信号。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201762483096P | 2017-04-07 | 2017-04-07 | |
| US62/483,096 | 2017-04-07 | ||
| PCT/US2018/026559 WO2018187747A1 (en) | 2017-04-07 | 2018-04-06 | Traffic signal control using vehicle trajectory data |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110869990A CN110869990A (zh) | 2020-03-06 |
| CN110869990B true CN110869990B (zh) | 2024-03-08 |
Family
ID=63710415
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201880037300.3A Active CN110869990B (zh) | 2017-04-07 | 2018-04-06 | 使用车辆轨迹数据的交通信号控制 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US10497259B2 (zh) |
| EP (1) | EP3602514B1 (zh) |
| CN (1) | CN110869990B (zh) |
| WO (1) | WO2018187747A1 (zh) |
Families Citing this family (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9253753B2 (en) * | 2012-04-24 | 2016-02-02 | Zetta Research And Development Llc-Forc Series | Vehicle-to-vehicle safety transceiver using time slots |
| KR102601650B1 (ko) | 2016-07-26 | 2023-11-13 | 삼성디스플레이 주식회사 | 표시 장치 |
| US11113957B2 (en) * | 2017-03-31 | 2021-09-07 | Traffic Technology Services, Inc. | System and method for providing real-time and predictive speed, traffic signal timing, station dwell time, and departure window information to transit vehicle |
| US20190378414A1 (en) * | 2017-11-28 | 2019-12-12 | Honda Motor Co., Ltd. | System and method for providing a smart infrastructure associated with at least one roadway |
| US10803746B2 (en) | 2017-11-28 | 2020-10-13 | Honda Motor Co., Ltd. | System and method for providing an infrastructure based safety alert associated with at least one roadway |
| CH714419B1 (de) * | 2017-12-11 | 2021-11-15 | Graphmasters Sa C/O Robert Dohrendorf | System und Verfahren zum Verringern von Wartezeiten im Strassenverkehr. |
| CH715314B1 (de) | 2018-09-12 | 2023-02-28 | Graphmasters Sa C/O Robert Dohrendorf | Sendungsverteilungssystem und Verfahren zum Verteilen von Warensendungen. |
| SG11201810992RA (en) * | 2018-10-16 | 2020-05-28 | Beijing Didi Infinity Technology & Development Co Ltd | Adaptive traffic control using vehicle trajectory data |
| SG11201811192WA (en) * | 2018-10-16 | 2020-05-28 | Beijing Didi Infinity Technology & Development Co Ltd | A system to optimize scats adaptive signal system using trajectory data |
| DE102018251778A1 (de) * | 2018-12-28 | 2020-07-02 | Robert Bosch Gmbh | Verfahren zum Assistieren eines Kraftfahrzeugs |
| US11386670B2 (en) | 2019-10-03 | 2022-07-12 | Toyota Motor Engineering & Manufacturing North America, Inc. | Methods and systems for tracking non-connected vehicles |
| US11127298B2 (en) * | 2019-11-07 | 2021-09-21 | Automotive Research & Testing Center | Intersection speed deciding method and system thereof |
| TWI754405B (zh) * | 2020-10-05 | 2022-02-01 | 鼎漢國際工程顧問股份有限公司 | 新世代雙向互動交控管理系統 |
| US11398154B2 (en) * | 2020-11-27 | 2022-07-26 | Uif (University Industry Foundation), Yonsei University | Vehicle localization method for urban environment using road traffic infrastructure and wireless communication technology |
| CN113012433B (zh) * | 2021-03-18 | 2022-04-05 | 中国北方车辆研究所 | 车载联网节能辅助驾驶控制方法与系统 |
| CN113129604B (zh) * | 2021-03-19 | 2022-05-31 | 同济大学 | 一种基于网联车辆轨迹数据的信控交叉口运行评估方法 |
| CN113990069B (zh) * | 2021-10-28 | 2023-05-16 | 陕西省君凯电子科技有限公司 | 一种基于卫星联动技术的城市交通管理方法及系统 |
| CN114495523B (zh) * | 2021-12-14 | 2023-01-20 | 江苏航天大为科技股份有限公司 | 一种基于lora通信的路口信号机中继控制方法 |
| CN115691111B (zh) * | 2022-09-22 | 2024-01-23 | 连云港杰瑞电子有限公司 | 适用于交通流数据采集的网联车最小渗透率计算方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104011779A (zh) * | 2011-10-25 | 2014-08-27 | 通腾发展德国公司 | 用于确定与交通控制信号的操作相关的信息的方法及系统 |
| CN105027176A (zh) * | 2012-12-31 | 2015-11-04 | 瑟纳交通系统私人有限公司 | 用于智能交通控制的系统 |
| WO2016136616A1 (ja) * | 2015-02-23 | 2016-09-01 | 住友電気工業株式会社 | 交通指標生成装置、交通指標生成方法及びコンピュータプログラム |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6662141B2 (en) * | 1995-01-13 | 2003-12-09 | Alan R. Kaub | Traffic safety prediction model |
| RU2006124277A (ru) * | 2006-07-07 | 2008-01-20 | Шлюмбергер Текнолоджи Б.В. (Nl) | Проппант и способ его производства |
| US9076332B2 (en) * | 2006-10-19 | 2015-07-07 | Makor Issues And Rights Ltd. | Multi-objective optimization for real time traffic light control and navigation systems for urban saturated networks |
| KR20110086323A (ko) * | 2010-01-22 | 2011-07-28 | 고려대학교 산학협력단 | 교통정보 발생기 및 차량 애드 혹 망을 이용한 가변적 교통신호 제어 시스템 |
| US9830813B2 (en) | 2013-06-18 | 2017-11-28 | Carnegie Mellon University, A Pennsylvania Non-Profit Corporation | Smart and scalable urban signal networks: methods and systems for adaptive traffic signal control |
| DE102014000978A1 (de) * | 2014-01-25 | 2015-07-30 | Audi Ag | Verfahren und Vorrichtung zur Steuerung eines Gespanns in einen Parkraum |
| EP3158547B1 (en) | 2014-06-17 | 2020-10-07 | King Abdullah University Of Science And Technology | System and method for traffic signal timing estimation |
| US9754485B2 (en) * | 2015-06-16 | 2017-09-05 | DataSpark, PTE. LTD. | Traffic prediction and real time analysis system |
| US10122790B2 (en) * | 2015-09-22 | 2018-11-06 | Veniam, Inc. | Systems and methods for vehicle traffic management in a network of moving things |
-
2018
- 2018-04-06 EP EP18781321.7A patent/EP3602514B1/en active Active
- 2018-04-06 CN CN201880037300.3A patent/CN110869990B/zh active Active
- 2018-04-06 WO PCT/US2018/026559 patent/WO2018187747A1/en unknown
- 2018-04-06 US US15/947,454 patent/US10497259B2/en active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104011779A (zh) * | 2011-10-25 | 2014-08-27 | 通腾发展德国公司 | 用于确定与交通控制信号的操作相关的信息的方法及系统 |
| CN105027176A (zh) * | 2012-12-31 | 2015-11-04 | 瑟纳交通系统私人有限公司 | 用于智能交通控制的系统 |
| WO2016136616A1 (ja) * | 2015-02-23 | 2016-09-01 | 住友電気工業株式会社 | 交通指標生成装置、交通指標生成方法及びコンピュータプログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3602514B1 (en) | 2024-02-14 |
| EP3602514A1 (en) | 2020-02-05 |
| US20180293884A1 (en) | 2018-10-11 |
| EP3602514A4 (en) | 2021-03-24 |
| WO2018187747A1 (en) | 2018-10-11 |
| CN110869990A (zh) | 2020-03-06 |
| US10497259B2 (en) | 2019-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110869990B (zh) | 使用车辆轨迹数据的交通信号控制 | |
| US11669653B2 (en) | Simulated vehicle traffic for autonomous vehicles | |
| US20210271263A1 (en) | Positioning system based on geofencing framework | |
| US10591608B2 (en) | Positioning quality filter for the V2X technologies | |
| CN1705954B (zh) | 增强型移动通信设备和交通应用 | |
| US9805597B2 (en) | Method and device for communication between road users and/or pedestrians and a traffic infrastructure on the basis of an ad-hoc wireless motor vehicle communications system for traffic control | |
| US11565722B2 (en) | Vehicle trajectory prediction near or at traffic signal | |
| US10120381B2 (en) | Identifying significant locations based on vehicle probe data | |
| CN102027523B (zh) | 虚拟交通传感器 | |
| Aissaoui et al. | Advanced real-time traffic monitoring system based on V2X communications | |
| US20070185645A1 (en) | Intelligent real-time distributed traffic sampling and navigation system | |
| WO2015096379A1 (zh) | 一种公交站点优化评估方法和系统 | |
| CN103236184A (zh) | 公交车自动报站方法及装置 | |
| Li et al. | Predictive strategy for transit signal priority at fixed-time signalized intersections: Case study in Nanjing, China | |
| Astarita et al. | A cooperative intelligent transportation system for traffic light regulation based on mobile devices as floating car data (FCD) | |
| CN104680821A (zh) | 一种智能交通系统及其导航方法 | |
| Zhang et al. | Design and implementation of a vehicle-to-vehicle based traffic information system | |
| JP2019526092A (ja) | Ｖａｎｅｔを用いた交通信号システムの制御と管理 | |
| US9612343B1 (en) | Method and mobile station for using a location determining mechanism based on an extent of turning | |
| He | Robust-intelligent traffic signal control within a vehicle-to-infrastructure and vehicle-to-vehicle communication environment | |
| Syrjärinne | Urban Traffic Analysis with Bus Location Data | |
| Coetzee et al. | Mapping the informal public transport network in Kampala with smartphones: international | |
| Nguyen et al. | A Case Study of GPS Characteristics of Urban Area in Ho Chi Minh Based on Ride-Sharing Services | |
| CN113053100B (zh) | 一种公交到站时间的预估方法及装置 | |
| Kaulage et al. | Bus tracking and bus arrival time, location prediction system |
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 |