CN111223297A - 一种基于Wiener随机过程车辆工况预测方法和系统 - Google Patents
一种基于Wiener随机过程车辆工况预测方法和系统 Download PDFInfo
- Publication number
- CN111223297A CN111223297A CN202010051681.XA CN202010051681A CN111223297A CN 111223297 A CN111223297 A CN 111223297A CN 202010051681 A CN202010051681 A CN 202010051681A CN 111223297 A CN111223297 A CN 111223297A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- working condition
- conditions
- wiener
- working
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—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
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于Wiener随机过程车辆工况预测方法和系统,包括以下步骤:1)基于实际采集到的车辆工况数据聚类出不同交通拥堵情况的车辆工况;2)将不同交通拥堵情况的平均工况作为对应交通拥堵情况的代表工况,并根据代表工况判断当前时间段内的车辆拥堵情况的类别;3)基于车辆拥堵情况的判断结果,在判断结果对应的车辆工况上叠加一个Wiener随机过程,作为下一时间段的工况预测。本发明对于车辆工况预测准确度高,无需引入大量高精传感器,降低了预测成本,并可以对预测工况进行定量的分析,确定拥堵程度,为城市综合管理提供可靠依据,也为车辆驾驶员进行道路选择提供了更多维度。
Description
技术领域
本发明是关于一种基于Wiener随机过程车辆工况预测方法和系统,属于车辆工况预测技术领域。
背景技术
车辆运行工况的预测是研究汽车控制策略的重要课题。但是由于各个城市的构建不同,各地车辆运行工况存在很大的差异,如何得到一种具有普遍适用性的车辆工况预测方法是一个亟待解决的问题。
目前,车辆工况预测的方法主要分为实时道路信息的预测和基于历史信息的预测。基于实时道路信息的工况预测虽然比较准确,但获取实时道路信息需要设置大量高精度传感器,导致成本增加,基于历史信息的工况预测需要大量实验数据作为样本进行统计分析,预测精确度较差。
发明内容
针对上述现有技术的不足,本发明的目的是提供了一种基于Wiener随机过程车辆工况预测方法和系统,其对于车辆工况预测准确度高,无需引入大量高精传感器,降低了预测成本。
一种基于Wiener随机过程车辆工况预测方法,包括以下步骤:1)基于实际采集到的车辆工况数据聚类出不同交通拥堵情况的车辆工况;2)将不同交通拥堵情况的平均工况作为对应交通拥堵情况的代表工况,并根据代表工况判断当前时间段内的车辆拥堵情况的类别;3)基于车辆拥堵情况的判断结果,在判断结果对应的车辆工况上叠加一个Wiener随机过程,作为下一时间段的工况预测。
进一步,不同交通拥堵情况的车辆工况包括拥堵工况、中等拥堵情况和流畅工况。
进一步,车辆工况数据包括车辆平均速度数据和车辆平均加速度数据。
进一步,车辆平均速度数据和车辆平均加速度数据通过如下方式获得:采集n条车辆工况数据,每条车辆工况数据对应于一辆不同的车辆,将预定采集时间段等分为m个时间间隔,在每一时间间隔采集某一车辆的车辆速度数据,并计算预定时间段内车辆的平均速度和平均加速度。
进一步,将不同交通拥堵情况的平均工况,通过计算n条车辆工况数据每一时刻速度的平均值获得,称其为代表工况。
进一步,基不同交通拥堵情况的车辆工况采取支持向量机方法获得。
本发明还公开了一种基于Wiener随机过程车辆工况预测系统,包括:传感器,用于采集车辆工况数据;聚类模块,用于根据采集的车辆工况数据,聚类出不同交通拥堵情况的车辆工况;判别模块,用于判断当前时间段内的车辆拥堵情况的类别;Wiener随机模块,用于在判断模块的判断结果对应的车辆工况上叠加一个Wiener随机过程,作为下一时间段的工况预测。
本发明由于采取以上技术方案,其具有以下优点:本发明对于车辆工况预测准确度高,无需引入大量高精传感器,降低了预测成本。且现有技术中对称量工况通常的预测只能定性判断,即只能判断是否拥堵,本发明中方案可以对预测工况进行定量的分析,确定拥堵程度,为城市综合管理提供可靠依据,也为车辆驾驶员进行道路选择提供了更多维度。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方向,通过具体实施例对本发明进行详细的描绘。然而应当理解,具体实施方式的提供仅为了更好地理解本发明,它们不应该理解成对本发明的限制。在本发明的描述中,需要理解的是,所用到的术语仅仅是用于描述的目的,而不能理解为指示或暗示相对重要性。
实施例一
本实施例公开了一种基于Wiener随机过程车辆工况预测方法,其具体包括以下步骤:
S1在某一待预测路段上设置若干高精度传感器,通过传感器采集该预测路段的车辆工况数据。其中车辆工况数据包括车辆平均速度数据和车辆平均加速度数据。
车辆平均速度数据通过如下方式获得:
S1.1从高精度传感器中采集n条车辆工况数据,记作{V1,V2,…,Vn},每条车辆工况数据对应于一辆不同的车辆。将预定采集时间段等分为m个时间间隔,在每一时间间隔采集某车辆的车辆速度数据。记作其中,预定采集时间段可以为120s,可以将每秒作为一个时间间隔,将120s等分为120个时间间隔从而得到
车辆平均加速度数据通过如下方式获得:
平均加速度为该预定时间段内末速度减去初速度并除以预定时间。即
利用车辆的平均速度和平均加速度数据,基于k-means聚类法对车辆工况进行聚类。由于k-means聚类法可以对聚类数进行指定,这里将车辆工况分成三种类型:拥堵工况(用1表示)、中等拥堵情况(用2表示)、流畅工况(用3表示)。
S2分别计算这三种类型的车辆平均工况,其通过计算n条车辆工况数据每一时刻速度的平均值获得每一时刻的平均工况,称其为代表工况。由于工况类型有3种,所以代表工况也有3种。这里拥堵工况(用1表示)对应的代表工况用A来表示,中等拥堵情况(用2表示)对应的代表工况用B来表示、流畅工况(用3表示)对应的代表工况用C来表示。根据k-means聚类法得到训练样本集j=1,2,...k。其中y表示交通的拥堵情况,其取值为1、2或3。基于训练样本集,采取车辆中常用的支持向量机(SVM)方法得到车辆工况的分类器。
S3基于车辆拥堵情况的判断结果,在判断结果对应的车辆工况上叠加一个Wiener随机过程,作为下一时间段的工况预测。在实际的车辆运行中,同样计算当前120秒中的平均速度和平均加速度。然后将其代入分类器中,就得到预测的工况类型,也就是拥堵工况、中等拥堵情况或流畅工况。本实施例假设预测的工况类型是拥堵工况。取拥堵工况对应的代表工况A,这里将代表工况看做是连续的情形,所以可以记作vA=f(t)。于是预测的工况为f(t)+W(t),这里W(t)表示Wiener随机过程。
实施例二
本实施例提供了一种基于Wiener随机过程车辆工况预测系统,包括:传感器,用于采集车辆工况数据;聚类模块,用于根据采集的车辆工况数据,聚类出不同交通拥堵情况的车辆工况;判别模块,用于判断当前时间段内的车辆拥堵情况的类别;Wiener随机模块,用于在判断模块的判断结果对应的车辆工况上叠加一个Wiener随机过程,作为下一时间段的工况预测。
上述内容仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种基于Wiener随机过程车辆工况预测方法,其特征在于,包括以下步骤:
1)基于实际采集到的车辆工况数据聚类出不同交通拥堵情况的车辆工况;
2)将所述不同交通拥堵情况的平均工况作为对应交通拥堵情况的代表工况,并根据所述代表工况判断当前时间段内的车辆拥堵情况的类别;
3)基于车辆拥堵情况的判断结果,在所述判断结果对应的车辆工况上叠加一个Wiener随机过程,作为下一时间段的工况预测。
2.如权利要求1所述的基于Wiener随机过程车辆工况预测方法,其特征在于,所述不同交通拥堵情况的车辆工况包括拥堵工况、中等拥堵情况和流畅工况。
3.如权利要求2所述的基于Wiener随机过程车辆工况预测方法,其特征在于,所述车辆工况数据包括车辆平均速度数据和车辆平均加速度数据。
4.如权利要求3所述的基于Wiener随机过程车辆工况预测方法,其特征在于,所述车辆平均速度数据和车辆平均加速度数据通过如下方式获得:采集n条车辆工况数据,每条车辆工况数据对应于一辆不同的车辆,将预定采集时间段等分为m个时间间隔,在每一时间间隔采集某一车辆的车辆速度数据,并计算预定时间段内所述车辆的平均速度和平均加速度。
5.如权利要求4所述的基于Wiener随机过程车辆工况预测方法,其特征在于,所述将不同交通拥堵情况的平均工况,通过计算n条车辆工况数据每一时刻速度的平均值获得,称其为代表工况。
6.如权利要求1-5任一项所述的基于Wiener随机过程车辆工况预测方法,其特征在于,基不同交通拥堵情况的车辆工况采取支持向量机方法获得。
7.一种基于Wiener随机过程车辆工况预测系统,其特征在于,包括:
传感器,用于采集车辆工况数据;
聚类模块,用于根据采集的车辆工况数据,聚类出不同交通拥堵情况的车辆工况;
判别模块,用于判断当前时间段内的车辆拥堵情况的类别;
Wiener随机模块,用于在所述判断模块的判断结果对应的车辆工况上叠加一个Wiener随机过程,作为下一时间段的工况预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010051681.XA CN111223297A (zh) | 2020-01-17 | 2020-01-17 | 一种基于Wiener随机过程车辆工况预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010051681.XA CN111223297A (zh) | 2020-01-17 | 2020-01-17 | 一种基于Wiener随机过程车辆工况预测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111223297A true CN111223297A (zh) | 2020-06-02 |
Family
ID=70832384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010051681.XA Pending CN111223297A (zh) | 2020-01-17 | 2020-01-17 | 一种基于Wiener随机过程车辆工况预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111223297A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023592A (zh) * | 2016-07-11 | 2016-10-12 | 南京邮电大学 | 一种基于gps数据的交通拥堵检测方法 |
US20160314686A1 (en) * | 2013-12-30 | 2016-10-27 | Fudan University | Method for traffic flow prediction based on spatio-temporal correlation mining |
CN106875681A (zh) * | 2017-03-22 | 2017-06-20 | 山东大学 | 一种交通拥塞趋势预测方法及系统 |
CN107067722A (zh) * | 2017-04-24 | 2017-08-18 | 中国汽车技术研究中心 | 一种新的车辆行驶工况构建方法 |
CN107145989A (zh) * | 2017-06-12 | 2017-09-08 | 南京航空航天大学 | 基于人‑车‑交通路况的实际行驶工况构建方法 |
CN107862864A (zh) * | 2017-10-18 | 2018-03-30 | 南京航空航天大学 | 基于驾驶习惯和交通路况的行驶工况智能预测估计方法 |
-
2020
- 2020-01-17 CN CN202010051681.XA patent/CN111223297A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160314686A1 (en) * | 2013-12-30 | 2016-10-27 | Fudan University | Method for traffic flow prediction based on spatio-temporal correlation mining |
CN106023592A (zh) * | 2016-07-11 | 2016-10-12 | 南京邮电大学 | 一种基于gps数据的交通拥堵检测方法 |
CN106875681A (zh) * | 2017-03-22 | 2017-06-20 | 山东大学 | 一种交通拥塞趋势预测方法及系统 |
CN107067722A (zh) * | 2017-04-24 | 2017-08-18 | 中国汽车技术研究中心 | 一种新的车辆行驶工况构建方法 |
CN107145989A (zh) * | 2017-06-12 | 2017-09-08 | 南京航空航天大学 | 基于人‑车‑交通路况的实际行驶工况构建方法 |
CN107862864A (zh) * | 2017-10-18 | 2018-03-30 | 南京航空航天大学 | 基于驾驶习惯和交通路况的行驶工况智能预测估计方法 |
Non-Patent Citations (3)
Title |
---|
姜平: "城市混合道路行驶工况的构建研究", 《中国博士学位论文电子期刊网》 * |
李友文 等: "基于马尔科夫过程的行驶工况构建中数据处理与分析", 《合肥工业大学学报》 * |
潘登: "混合动力汽车城市循环工况构建及运行工况多尺度预测", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2710572B1 (en) | Vehicle data analysis method and vehicle data analysis system | |
CN104205186B (zh) | 意外情况预测灵敏度判断装置 | |
CN110268454A (zh) | 确定车辆的定制安全速度 | |
CN113744563A (zh) | 一种基于轨迹数据的路-车风险实时估计方法 | |
CN111707476B (zh) | 一种面向自动驾驶汽车的纵向驾驶能力检测方法 | |
CN113436432A (zh) | 一种利用路侧观测数据进行路段短时交通风险预测的方法 | |
CN108492563B (zh) | 一种基于平均速度的超速事件探测方法 | |
CN110254435B (zh) | 一种驾驶风格识别方法 | |
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 | |
CN114999181A (zh) | 一种基于etc系统数据的高速公路车辆速度异常识别方法 | |
CN114997777A (zh) | 一种基于轨迹信息的车辆移动特征识别方法 | |
CN114360264A (zh) | 一种基于交通流量进行调节的智慧城市交通管理方法 | |
CN113674521A (zh) | 一种车辆换道对交通效率影响的预测方法 | |
CN111223297A (zh) | 一种基于Wiener随机过程车辆工况预测方法和系统 | |
CN114119256A (zh) | 一种ubi危险化学品车辆驾驶行为采集分析系统及保费折扣方法 | |
CN116311952B (zh) | 基于gps定位分析的摩托车事故预测系统 | |
CN112990563A (zh) | 一种高速公路追尾事故风险实时预测方法 | |
CN114944083B (zh) | 一种高速公路上行驶车辆与前车距离的判断方法 | |
CN116740948B (zh) | 车辆行程速度的预测估值方法、装置、介质及应用 | |
CN116383678B (zh) | 一种营运客车异常变速行为常发性路段识别方法 | |
CN115966100B (zh) | 一种行车安全控制方法及系统 | |
CN114255590B (zh) | 基于rfid数据的交通运行分析方法 | |
CN115923813B (zh) | 一种基于速度急变特征的驾驶行为分析方法及系统 | |
CN117765738B (zh) | 道路交通车流量分流控制优化方法、系统、终端及介质 | |
CN117095338B (zh) | 基于道路视频识别的无线停车方法及相关装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200602 |
|
RJ01 | Rejection of invention patent application after publication |