CN111328412A - 基于车辆轨迹数据的自适应交通控制 - Google Patents

基于车辆轨迹数据的自适应交通控制 Download PDF

Info

Publication number
CN111328412A
CN111328412A CN201880002453.4A CN201880002453A CN111328412A CN 111328412 A CN111328412 A CN 111328412A CN 201880002453 A CN201880002453 A CN 201880002453A CN 111328412 A CN111328412 A CN 111328412A
Authority
CN
China
Prior art keywords
traffic
vehicle
performance parameters
saturation
relationship
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
Application number
CN201880002453.4A
Other languages
English (en)
Other versions
CN111328412B (zh
Inventor
郑剑峰
刘向宏
李福樑
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.)
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development Co Ltd
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 Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Publication of CN111328412A publication Critical patent/CN111328412A/zh
Application granted granted Critical
Publication of CN111328412B publication Critical patent/CN111328412B/zh
Active 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
    • G08G1/07—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
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • 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
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G08G1/081—Plural intersections under common control

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请的实施例提供优化交通管制方案的系统和方法。该系统可以包括至少一个存储设备，其配置用于存储指令，并且至少一个处理器被配置用于执行指令以执行操作。操作可以包括接收业务系统日志数据并解析业务系统日志数据以获取第一组交通性能参数。操作还可以包括接收与至少两个车辆运动相关的轨迹数据并解析轨迹数据以获取第二组交通性能参数。操作还可以包括基于第一组交通性能参数和第二组交通性能参数确定车辆延迟和饱和度之间的关系。此外，操作可以包括基于关系优化交通管制方案。

Description

基于车辆轨迹数据的自适应交通控制
技术领域
本申请涉及交叉路口处的交通控制，更具体地，涉及使用车辆轨迹数据自适应地优化交通管制方案的系统和方法。
背景技术
诸如悉尼协调自适应交通系统(SCATS)之类的传统交通控制系统依赖于安装在人行道下的探测器来提供用于绿色分割的自适应控制的交通反馈。安装这种探测器通常很昂贵。另外，这些检测器经常发生故障，导致错误的信号。在某些情况下，甚至来自某些检测器的信号不出现。为了增强基于探测器的传统交通系统的稳定性，交通管制方案(如绿色分割方案)通常被设计为彼此非常相似，并且通常保守地设定启动计划变更的条件，从而导致无论实际交通状况如何都固定的绿色分割，从而大大降低了适应性的好处。
本申请的实施例通过利用车辆轨迹数据来改进传统系统，该车辆轨迹数据传统上不用于设计和/或操作交通控制系统。由于基于应用程序的驾驶和乘车共享服务的激增，车辆轨迹数据已经变得可用作为可行的信息源，其中可以基于例如车辆定位信息和地图信息来收集车辆轨迹数据。利用车辆轨迹数据来优化交通管制方案，为自适应地响应交通状况提供了一种有效的新方法。
发明内容
本申请的实施例提供了一种用于优化交通管制方案的系统。该系统可以包括至少一个存储设备，其被配置用于存储指令。该系统还可以包括至少一个处理器，其被配置用于执行指令以执行操作。该操作可以包括通过通信接口接收业务系统日志数据。操作还可以包括解析交通系统日志数据以获取第一组交通性能参数。该操作还可以包括通过通信接口接收与至少两个车辆运动相关的轨迹数据。操作还可以包括解析轨迹数据以获取第二组交通性能参数。操作还可以包括基于第一组交通性能参数和第二组交通性能参数确定车辆延迟和饱和度之间的关系。此外，操作可以包括基于关系优化交通管制方案。
本申请的实施例还提供了一种用于优化交通管制方案的方法。该方法可以包括接收业务系统日志数据并解析业务系统日志数据以获取第一组交通性能参数。该方法还可以包括接收与至少两个车辆运动相关的轨迹数据并解析轨迹数据以获取第二组交通性能参数。该方法还可以包括基于第一交通性能参数和第二组交通性能参数确定车辆延迟和饱和度之间的关系。另外，该方法可以包括基于关系优化交通管制方案。
本申请的实施例还提供了一种非暂时性计算机可读介质，其上存储有指令，当由至少一个处理器执行时，所述指令使得所述至少一个处理器执行用于优化交通管制方案的方法。该方法可以包括接收业务系统日志数据并解析业务系统日志数据以获取第一组交通性能参数。该方法还可以包括接收与至少两个车辆运动相关的轨迹数据并解析轨迹数据以获取第二组交通性能参数。该方法还可以包括基于第一组交通性能参数和第二组交通性能参数确定车辆延迟和饱和度之间的关系。另外，该方法可以包括基于关系优化交通管制方案。
应当理解，前面的一般性描述和下面的详细描述都只是示例和说明性的，并不是对本发明要求的保护的限制。
附图说明
图1是根据本申请的实施例交叉路口交通的示例性场景；
图2是根据本申请的实施例的配备有轨迹感测系统的示例性车辆的示意图；
图3是根据本申请的实施例的用于优化交通管制方案的示例性系统的框图；
图4是根据本申请的实施例的用于优化交通管制方案的示例性方法的流程图；
图5是根据本申请的实施例的示例性日志数据；
图6是根据本申请的实施例的示例性饱和度曲线；
图7是根据本申请的实施例的示例性车辆延迟曲线；
图8是根据本申请的实施例的示例性探测车辆数曲线。
具体实施方式
现在将详细参考示例性实施例，其示例在附图中示出。只要有可能，在整个附图中将使用相同的附图标记来表示相同或相似的部分。
本申请的实施例提供了通过使用轨迹数据优化交通管制方案(例如绿色分割方案)，来自适应地控制交叉路口处的交通的系统和方法。传统的交通控制系统可以依靠检测器来提供交通信息以自适应地改变绿色分割方案。但是，检测器可能出现故障，导致检测器数据丢失或错误。轨迹数据可能提供由于检测器数据丢失或错误而无法获得的信息。此外，轨迹数据还可以提供传统检测器网络通常无法触及的小路或二级公路中的交通信息。
在一些实施例中，数据解析器可用于解析交通控制系统日志数据和车辆轨迹数据以获得交通性能参数。交通性能参数可用于确定车辆延迟和饱和度之间的关系。然后，可以使用这些关系来优化初始交通管制方案，以确定绿色分割方案，平衡多个策略方法中的饱和度和/或最小化交叉路口处的总车辆延迟。
图1是描绘交叉路口处的交通状况的示例性场景。如图1所示，多个车辆可以沿着交叉道路102和103行进，并且可以由交叉路口104处的信号灯106控制。信号灯106可以使用彩色光来控制交通流量。例如，绿灯状态可以指示车辆可以沿着方向移动，而红灯状态可以指示车辆必须停止。信号灯106的颜色可以循环改变，每个循环可以包括多个阶段。在一个阶段中，可能存在多个非冲突阶段，指的是对特定的交通或行人链路显示的指示。交叉路口处的每个相可以作为来自控制器的电路存在并且馈送一个或以上信号头。绿色分割方案或简称绿色分割可以指单个循环内各阶段之间可用绿色时间的划分。控制绿色分割可以调节交通流量。例如，具有较高交通量的方向，也被称为具有高饱和度的方向，应该被分配较长的绿色时间以缓解拥塞。在另一个示例中，在所有策略方法中平衡饱和度的绿色分割(例如，在交叉路口处允许的方向)可以是有效的。在另一示例中，使交叉路口处的总车辆延迟最小化的绿色分割可能是有益的。本申请的实施例可以自适应地控制绿色分割以实现上述一个或以上的目的。
一些车辆，诸如车辆110，可以配备有轨迹感测系统112，其可以获得包括与车辆110的移动有关的位置和时间信息的轨迹数据。轨迹数据可以被发送到服务器130。在另一示例中，诸如车辆120的车辆司机可以使用终端设备122(例如，移动电话)来运行能够收集轨迹数据的移动程序。例如，司机可以使用终端设备122来运行叫车或乘车共享移动应用程序，其可以包括能够获得车辆120的位置，时间，速度和/或姿态信息的软件模块。终端设备122可以与服务器130通信将轨迹数据发送到服务器130。应注意，尽管图1中所示的交叉路口104是两条道路之间的交叉点，交叉信号灯位于中心，但这种简化仅是示例性的，仅用于说明目的。本文公开的实施例适用于具有任何合适的配置的交通灯的任何形式的交叉路口。
图2示出了根据本申请实施例的具有轨迹感测系统112的示例性车辆110的示意图。预期车辆110可以是电动车辆、燃料电池车辆、混合动力车辆或传统的内燃机车辆。车辆110可具有车体116和至少一个轮118。车身116可以是任何车身类型，例如运动车辆、轿跑车、轿车、皮卡车、旅行车、运动型多功能车(SUV)、小型货车或转换车。在一些实施例中，车辆110可包括一对前轮和一对后轮，如图2所示。然而，预期车辆110可具有更多或更少的车轮或等效结构，使车辆110能够四处移动。车辆110可以被配置为全轮驱动(AWD)、前轮驱动(FWR)或后轮驱动(RWD)。在一些实施例中，车辆110可以被配置为由占用车辆的操作员操作，远程控制和/或自主控制。
如图2所示，车辆110可配备有轨迹感测系统112。在一些实施例中，轨迹感测系统112可以安装或附接到车体116的外部。在一些实施例中，轨迹感测系统112可以配备在车体116内部，如图2所示。在一些实施例中，轨迹感测系统112可包括其部件配备在车体116外部并且其部件的一部分配备在车体116内部的一部分。可以设想，轨迹感测系统112可以配备在车辆110上的方式不受图2中所示的示例的限制，并且可以根据轨迹感测系统112中包括的传感器的类型来修改和/或车辆110以实现期望的感测性能。
在一些实施例中，当车辆110沿着路径行进时，轨迹感测系统112可以被配置用于捕获实时数据。例如，轨迹感测系统112可以包括导航单元，例如GPS接收器和/或一个或以上IMU传感器。GPS是全球导航卫星系统，其向GPS接收器提供位置和时间信息。IMU是一种电子设备，使用各种惯性传感器(如加速度计和陀螺仪，有时还有磁力计)测量并提供车辆的特定力、角速率，有时还包括车辆周围的磁场。
车辆110可以与服务器130通信将感测到的轨迹数据发送到服务器130。服务器130可以是本地物理服务器、云服务器(如图1和2所示)、虚拟服务器、分布式服务器或任何其他合适的计算设备。与本申请一致，服务器130可以存储从多个车辆接收的轨迹数据的数据库，其可用于估计交叉路口处的饱和流量。
服务器130可以经由有线或无线网络与车辆110和/或车辆110的组件(例如，轨迹感测系统112)通信，例如局部区域网络(LAN)、无线局部区域网络(WLAN)、广域网(WAN)、诸如无线电波的无线网络、蜂窝网络、卫星通信网络和/或本地或短程无线网络(例如，蓝牙TM)。
图3示出了根据本申请的实施例的示例性服务器130。服务器130可以包括通信接口310，处理器320，内存330和存储器340。在一些实施例中，处理器320可以执行存储在内存330中的软件程序指令以执行操作以实现软件模块，例如轨迹数据解析器322、日志数据解析器324、初始计划选择器326和计划优化器328。在一些实施例中，可以使用硬件、中间件、固件或其组合来实现上述软件模块中的一些或全部。
与本申请一致，服务器130可以通过通信接口310从一个或以上的车辆(例如，由轨迹感测系统112和/或终端设备122收集)接收轨迹数据302。轨迹数据302可包括描述车辆的运动轨迹的车辆位置和时间信息。服务器130还可以通过通信接口310从诸如SCATS的业务控制系统接收业务系统日志数据304。
交通系统日志数据304可包括两种类型的数据。第一类型可以包括每个策略方法的每小时汇总的数据量。第二类型可以包括系统控制器操作日志数据，包括周期长度、信号相位、偏移、绿色分割、以及每个策略方法的饱和度。
图5示出了示例性交通系统日志数据(简称“日志数据”)500。如图5所示，日志数据500可以包括当前周期时间戳510、周期长度520、策略方法540、每个策略方法的阶段550、每个策略方法的绿色持续时间560、每个策略方法的饱和度570和绿色分割方案表530。
日志数据500的饱和度570可以表示交叉路口的每个策略方法的交通状况。日志数据解析器324可以被配置为解析日志数据304，以在任何特定时间段内获得第一组交通性能参数。例如，日志数据解析器324可以根据预定的时间间隔确定策略方法中的饱和度作为时间函数。图6显示了由610表示的四个策略方法的半小时步长的几个饱和度曲线。另外，可以定制日志数据解析器324以获得其他交通性能参数。例如，日志数据解析器324可以解析日志数据304以获得绿色分割，循环数据，体积数据，体积(q)/饱和流速等。
使用交通系统单独确定交通管制方案可能会有一些局限性。第一，如上所述，诸如SCATS的传统交通控制系统使用检测器系统来捕获交通状况。探测器系统可能在某些交叉路口发生故障或甚至不存在，导致交通状况的不完整记录。另外，检测器系统提供的饱和度数据可以仅反映交通流量饱和时的饱和度，并且可以不反映交通流量过饱和时的饱和状态。本申请的实施例可以使用轨迹数据来补充日志数据，从而提高交叉路口处的交通状况估计的覆盖范围和准确性。例如，轨迹数据解析器322可以解析轨迹数据302并输出宽范围的交通性能参数(例如第二组交通性能参数)，例如每个车辆运动的车辆延迟、探测车辆的数量、饱和度等等。轨迹数据解析器322可以基于车辆运动信息将第二组交通性能参数投影到策略方法，并根据策略方法中的预定时间间隔确定作为时间函数的车辆延迟。投射的第二组交通性能参数可以与相应的第一组性能参数组合以优化交通管制方案。
在某些情况下，包含在轨迹数据302中的原始数据，例如车辆延迟数据，可能是不完整的或具有低精度的。图7示出了由710指示的四个策略方法中的车辆延迟数据的示例性曲线。如图7所示，车辆延迟曲线的某些部分可能会丢失。这可能是由各种原因造成的。例如，在某些小路或二级公路中，探测车辆的数量可能相对较低，导致精度低或甚至丢失数据。在这种情况下，轨迹数据解析器322可以过滤和/或平滑原始数据。例如，轨迹数据解析器322可以根据预定的时间间隔确定作为时间函数的探测车辆的数量，并且过滤原始数据以移除用太少的探测车辆获得的数据条目(例如，小于6个条目/小时))。图8示出了几条曲线，其表示在四个策略方法(由810表示)中作为时间函数的探测车辆的数量。基于图8中所示的信息，可以过滤车辆延迟数据以移除对应于具有太少探测车辆的时间跨度的那些条目。
在一些实施例中，轨迹数据解析器322可以填充在相对小的时间跨度内的某些丢失数据条目。以车辆延迟数据为例，轨迹数据解析器322可以使用紧接在丢失数据输入之前或之后的非缺失数据条目来填充在预定阈值(例如，一小时时间跨度)内的缺失车辆延迟值。对于相对较大的时间跨度的丢失数据条目，轨迹数据解析器322可以将数据条目设置为预定值，例如零。轨迹数据解析器322还可以平滑数据条目，例如使用指数加权移动平均值。在一些实施例中，平滑参数可以被设置为α＝2/3。
返回图3，在日志数据解析器324解析交通系统日志数据304之后，初始计划选择器326可以基于第一组交通性能参数来确定初始交通管制方案。例如，初始计划选择器326可以选择最小化关键饱和度的交通管制方案，其指的是交叉路口处的所有策略方法中的最大饱和度。在一些实施例中，初始计划选择器326可以仅基于第一组交通性能参数来确定初始交通管制方案。
在一些实施例中，初始计划选择器326可以使用以下计划选择方法。假设交通信号周期是τ，并且用于优化的周期是t(例如，半小时跨度或小时跨度)。在t内，周期τ在设定的时间
Figure BDA0001905905480000081
内。此外，为了避免在过饱和期间向次要方向分配太多绿色时间，可以将一天中的时间分成几个时段，例如四个时段：上午6：00-上午11：00、上午11：00-下午4：00、下午4：00-晚上9：00、晚上9：00-6：00。假设这些周期的索引用o，
Figure BDA0001905905480000082
表示。在o内，时间段t在设定的时间内
Figure BDA0001905905480000091
初始计划选择器326可以在时间段o中选择以下候选交通管制方案：
Figure BDA0001905905480000092
其中k是候选计划的索引号，
Figure BDA0001905905480000093
是时间跨度o中的计划集合，kτ是循环τ中所选计划的索引；a是策略方法的索引，
Figure BDA0001905905480000094
Figure BDA0001905905480000095
是计划k、周期τ和方法的预测饱和度。
Figure BDA0001905905480000096
是体积和饱和流速的比率，也等于饱和度和绿色分割的乘积
Figure BDA0001905905480000097
p对应于阶段的索引号，
Figure BDA0001905905480000098
是对应于策略方法的阶段的集合。
Figure BDA0001905905480000099
和
Figure BDA00019059054800000910
分别是根据交通系统日志，在交通控制系统的操作期间的饱和度和绿色分割。
Figure BDA00019059054800000911
是要优化的绿色分割方案。
在操作期间，交通控制系统可以根据饱和度反馈的程度在每个周期τ中投票选择候选绿色分割方案。可以选择赢得三个连续周期中的两个周期的计划作为新计划。为了近似，初始计划选择器326假设在一个时间跨度内
Figure BDA00019059054800000912
交通控制系统操作具有密钥饱和度的最小总和的计划：
Figure BDA00019059054800000913
其中，
Figure BDA00019059054800000914
是t时间跨度内
Figure BDA00019059054800000915
的平均值，
Figure BDA00019059054800000916
计划优化器328可以基于第二组交通性能参数来优化初始交通管制方案。在一些实施例中，可以考虑若干优化目标。例如，i)平衡由交通系统日志数据304提供的交通控制系统的检测器捕获的饱和度；ii)平衡由轨道数据302提供的饱和度；以及iii)最小化交叉路口处的总车辆延迟。
当交通控制系统的检测器具有良好的覆盖范围，功能良好且信号误差相对较小时，可以使用第一优化目标。例如，对于每个时间段o，最小化密钥饱和度之和，所有饱和度
Figure BDA00019059054800000917
目标函数可以写成：
Figure BDA00019059054800000918
然而，在大多数情况下，检测器的覆盖范围可能很差，或者信号可能具有相对大的误差。在这种情况下，可以使用由轨迹数据302提供的饱和度数据来执行优化，以在多个策略方法中平衡饱和度。例如，可以使用以下目标函数来确定绿色分割方案：
Figure BDA0001905905480000101
其中，
Figure BDA0001905905480000102
是时间跨度t期间第m次运动的饱和度，
Figure BDA0001905905480000103
是与第m个运动相对应的一组阶段。
为了最小化总车辆延迟，计划优化器328可以确定车辆延迟和饱和度之间的关系。虽然该关系还涉及车辆到达分布、饱和流量、绿色分割等，当绿色分割变化的范围相对较小时，对于每个单独的运动，可以假设上述因素在一段时间内保持相对恒定。因此，计划优化器328可以确定每个车辆运动的车辆延迟与饱和度之间的关系，并且基于饱和度，导出车辆延迟和绿色分离之间的关系：
Figure BDA0001905905480000104
其中，
Figure BDA0001905905480000105
是预计的车辆延迟，fm(·)是第m次移动的饱和度与车辆延迟之间的映射函数。
在一些实施例中，以下方法可用于模型fm(·)：
Figure BDA0001905905480000106
在一些实施例中，补偿系数α，α>1可以用于车辆延迟，以避免小方向总是被分配最小绿色时间的情况，从而导致严重的延迟。然后，总车辆延迟优化目标可以写成：
Figure BDA0001905905480000107
其中TDo是时间跨度o的总车辆延迟，
Figure BDA0001905905480000108
是音量。
用于优化
Figure BDA0001905905480000111
的约束可以包括常规约束以及转换约束。常规约束可写为：
Figure BDA0001905905480000112
Figure BDA0001905905480000113
其中，Lp以及Up是阶段p中的最小和最大绿色时间。
在一些实施例中，转变约束可以描述为：i)相邻的绿色分割方案只能在两个阶段中变化；和ii)在单个阶段中，绿色分割变化的范围在4％-7％内。
在一些实施例中，服务器130可以在单个设备中具有不同的模块，诸如集成电路(IC)芯片(实现为专用集成电路(ASIC)或现场可编程门阵列(FPGA))，或者单独的具有专用功能的设备。在一些实施例中，服务器130的一个或以上组件可以位于云中，或者可以替代地在单个位置(诸如车辆110内或移动设备内)或分布式位置。服务器130的组件可以在集成设备中，或者分布在不同的位置，但是通过网络(未示出)彼此通信。
通信接口310可以经由通信电缆、无无线局域网(WLAN)、广域网(WAN)、无线网络例如无线电波、蜂窝网络和/或本地或短程无线网络(例如，蓝牙TM)、或其他通信方法向车辆或其组件(诸如轨迹感测系统112和/或终端设备122)发送数据和从其接收数据。在一些实施例中，通信接口310可以是综合业务数字网(ISDN)卡、电缆调制解调器、卫星调制解调器或调制解调器、以提供数据通信连接。又例如，通信接口310可以是局部区域网络(LAN)卡，以提供与兼容LAN的数据通信连接。无线链路也可以通过通信接口310实现。在这样的实现中，通信接口310可以经由网络发送和接收携带表示各种类型信息的数字数据流的电信号、电磁信号或光信号。
与一些实施例一致，通信接口310可以接收轨迹数据302和交通系统日志数据304。通信接口310还可以分别向轨迹数据解析器322和日志数据解析器324提供所接收的轨迹数据302和交通系统日志数据304以进行处理。
处理器320可包括任何适当类型的通用或专用微处理器、数字信号处理器或微控制器。处理器320可以被配置为专用于分析交通数据的独立处理器模块。或者，处理器320可以被配置为共享处理器模块，用于执行与交通数据分析无关的其他功能。
如图3所示，处理器320可以包括多个模块，例如轨迹数据解析器322、日志数据解析器324、初始计划选择器326、计划优化器328等。这些模块(以及任何相应的子模块或子单元)可以是处理器320的硬件单元(例如，集成电路的部分)，其被设计为与处理器320通过执行程序的至少一部分而实现的其他组件或软件单元一起使用。程序可以存储在计算机可读介质上，并且当由处理器320执行时，它可以执行一个或以上的功能或操作。尽管图3示出了在一个处理器320内的所有单元322-328，但是可以预期这些单元可以分布在彼此靠近或远离的多个处理器之间。
内存330和存储器340可以包括任何适当类型的大容量存储器，其被提供以存储处理器320可能需要操作的任何类型的信息。内存330和/或存储器340可以是易失性或非易失性、磁性、半导体、磁带、光学、可移动、不可移动或其他类型的存储设备或有形(即，非暂时性)计算机可读介质，包括但不限于ROM，闪存，动态RAM和静态RAM。内存330和/或存储器340可以被配置用于存储一个或以上计算机程序，其可以由处理器320执行以执行本文公开的功能。例如，内存330和/或存储器340可以被配置为存储程序，其可以由处理器320执行以分析交通数据。
内存330和/或存储器340可以进一步被配置为存储信息和处理器320使用的数据。例如，内存330和/或存储器340可以被配置为存储轨迹数据302和交通系统日志数据304。各种类型的数据可以永久存储，周期性地移除，或者在处理每个数据帧之后立即被忽略。
图4示出了根据本申请的实施例的用于优化交通管制方案的示例性方法400的流程图。在一些实施例中，方法400可以由服务器130实现。然而，方法400不限于该示例性实施例。方法400可以包括如下所述的步骤S410-S460。应了解，一些步骤可以是任选的以执行本文提供的公开内容。此外，一些步骤可以同时执行，或者以与图4中所示不同的顺序执行。
在步骤S410，处理器320可以通过通信接口310接收业务系统日志数据304。交通系统日志数据304可以由交通控制系统提供，例如SCATS。在步骤S420，日志数据解析器324可以解析交通系统日志数据以获得第一组交通性能参数，例如饱和度、周期长度、绿色分割方案等。
在步骤S430，处理器320可以通过通信接口310从一个或以上车辆(例如，车辆110和120)接收轨迹数据302。例如，轨迹感测系统112可捕获包括位置和时间信息的轨迹数据302，并经由通信接口310向处理器320提供轨迹数据302。在另一示例中，终端设备122可以通过通信接口310收集轨迹数据302并将轨迹数据302上载到服务器130。结果，处理器320可以接收轨迹数据302。轨迹数据302可以存储在内存330和/或存储器340中作为用于执行流量控制优化的输入数据。在一些实施例中，轨迹数据302可以关于交叉点(例如，交叉点104)与至少两个车辆运动(例如，车辆110和120)相关。
在步骤S440，轨迹数据解析器322可以解析轨迹数据302以获得第二组交通性能参数，包括多次运动中的饱和度、车辆延迟等。轨迹数据解析器322可以将解析的第二组交通性能参数投射到每个策略方法，以补充第一组交通性能参数。
在步骤S450，初始计划选择器326可以基于第一组参数确定初始交通管制方案，如上所述。可以通过计划优化器328在步骤S460优化初始计划，以确定优化的绿色分割方案，以最小化多个策略方法中的总车辆延迟和/或平衡饱和度。
本申请的另一方面涉及一种存储指令的非暂时性计算机可读介质，所述指令在被执行时使得一个或以上处理器执行如上所述的方法。所述计算机可读介质包括易失性或非易失性、磁性、半导体、磁带、光学、可移动、不可移动或其他类型的计算机可读介质或计算机可读存储设备。例如，如本申请的计算机可读介质可以是存储设备或其上存储有计算机指令的存储模块。在一些实施例中，计算机可读介质可以是其上存储有计算机指令的盘或闪存驱动器。
显而易见，本领域普通技术人员可以对本申请的系统和相关方法进行各种修改和变化。考虑到本申请的系统和相关方法的说明书和实践，其他实施例对于本领域普通技术人员是显而易见的。
本申请中的说明书和示例的目的仅被认为是示例性的，真正的范围由以下权利要求及其等同物限定。

Claims (20)

1.一种优化交通管制方案的系统，包括：
至少一个存储设备被配置用于存储指令；以及
至少一个处理器被配置用于执行所述指令以执行操作，所述操作包括：
通过通信接口接收交通系统日志数据；
解析所述交通系统日志数据以获取第一组交通性能参数；
通过所述通信接口接收与至少两个车辆运动有关的轨迹数据；
解析所述轨迹数据以获取第二组交通性能参数；
基于所述第一组交通性能参数和所述第二组交通性能参数确定车辆延迟与饱和度之间的关系；以及
基于所述关系优化所述交通管制方案。
2.根据权利要求1所述的系统，其特征在于，解析所述交通系统日志数据包括：
根据预定的时间间隔确定策略方法中的饱和度作为时间函数。
3.根据权利要求1所述的系统，其特征在于，解析所述轨迹数据包括：
将所述第二组交通性能参数投射到策略方法；以及
在所述策略方法中，根据预定的时间间隔确定作为时间函数的车辆延迟。
4.根据权利要求3所述的系统，其特征在于，所述操作包括：
根据所述预定的时间间隔确定作为时间函数的探测车辆的数量；以及
基于所述探测车辆的数量过滤所述车辆延迟。
5.根据权利要求3所述的系统，其特征在于所述的操作包括：
确定对应于一个或以上时间跨度的一个或以上缺失的车辆延迟值；
当所述对应的时间跨度等于或小于预定的阈值时，用相邻的车辆延迟值填充缺失的车辆延迟值；
当所述对应时间跨度大于所述预定阈值时，将缺失的车辆延迟值重置为预定值；以及
使用移动平均法平滑所述车辆延迟。
6.根据权利要求1所述的系统，其特征在于，所述操作包括：
基于所述第一组交通性能参数确定初始交通管制方案。
7.根据权利要求6所述的系统，其特征在于，所述操作包括：
基于所述第二组交通性能参数优化所述初始交通管制方案。
8.根据权利要求7所述的系统，其特征在于，所述操作包括：
基于所述第二组交通性能参数中的饱和度数据，确定绿色分割方案以平衡多个策略方法中的饱和度。
9.根据权利要求7所述的系统，其特征在于，所述操作包括：
对于所述至少两个车辆运动中的每一个，确定车辆延迟与饱和度之间的关系；以及
基于所述至少两个车辆运动的所述车辆延迟与饱和度之间的关系，确定绿色分割计划，以最小化交叉路口的总车辆延迟。
10.根据权利要求7所述的系统，其特征在于所述的操作包括：
基于所述车辆延迟与饱和度之间的关系确定车辆延迟与绿色分割方案之间的关系；以及
基于所述车辆延迟与绿色分割方案之间的关系，确定绿色分割计划，以最小化交叉路口的总车辆延迟。
11.一种优化交通管制方案的方法，包括：
接收交通系统日志数据；
解析所述交通系统日志数据以获取第一组交通性能参数；
接收与至少两个车辆运动有关的轨迹数据；
解析所述轨迹数据以获取第二组交通性能参数；
基于所述第一组交通性能参数和所述第二组交通性能参数确定车辆延迟与饱和度之间的关系；以及
基于所述关系优化所述交通管制方案。
12.根据权利要求11所述的方法，其特征在于，解析所述交通系统日志数据包括：
根据预定的时间间隔确定策略方法中的饱和度作为时间函数。
13.根据权利要求11所述的方法，其特征在于，解析所述轨迹数据包括：
将所述第二套交通性能参数投射到策略方法；以及
在所述策略方法中，根据预定的时间间隔确定作为时间函数的车辆延迟。
14.根据权利要求13所述的方法，包括：
根据所述预定的时间间隔确定作为时间函数的探测车辆的数量；以及
基于所述探测车辆的数量过滤所述车辆延迟。
15.根据权利要求13所述的方法，包括：
确定对应于一个或以上时间跨度的一个或以上缺失的车辆延迟值；
当所述对应的时间跨度等于或小于预定的阈值时，用相邻的车辆延迟值填充缺失的车辆延迟值；
当所述对应时间跨度大于所述预定阈值时，将缺失的车辆延迟值重置为预定值；以及
使用移动平均法平滑所述车辆延迟。
16.根据权利要求11所述的方法，包括：
基于所述第一组交通性能参数确定初始交通管制方案；以及
基于所述第二组交通性能参数优化所述初始交通管制方案。
17.根据权利要求16所述的方法，包括：
基于所述第二组交通性能参数中的饱和度数据，确定绿色分割方案以平衡多个策略方法中的饱和度。
18.根据权利要求16所述的方法，包括：
对于所述至少两个车辆运动中的每一个，确定车辆延迟与饱和度之间的关系；以及
基于所述至少两个车辆运动的所述车辆延迟与饱和度之间的关系，确定绿色分割计划，以最小化交叉路口的总车辆延迟。
19.根据权利要求16所述的方法，包括：
基于所述车辆延迟与饱和度之间的所述关系确定车辆延迟与绿色分割方案之间的关系；以及
基于所述车辆延迟与绿色分割方案之间的所述关系，确定绿色分割计划，以最小化交叉路口的总车辆延迟。
20.一种非暂时性计算机可读介质，其上存储有指令，其中所述指令在由至少一个处理器执行时使所述至少一个处理器执行用于优化交通管制方案的方法，所述方法包括：
接收交通系统日志数据；
解析所述交通系统日志数据以获取第一组交通性能参数；
接收与至少两个车辆运动有关的轨迹数据；
解析所述轨迹数据以获取第二组交通性能参数；
基于所述第一组交通性能参数和所述第二组交通性能参数确定车辆延迟与饱和度之间的关系；以及
基于所述关系优化所述交通管制方案。
CN201880002453.4A 2018-10-16 2018-10-16 基于车辆轨迹数据的自适应交通控制 Active CN111328412B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2018/110412 WO2020077527A1 (en) 2018-10-16 2018-10-16 System to optimize scats adaptive signal system using trajectory data

Publications (2)

Publication Number Publication Date
CN111328412A true CN111328412A (zh) 2020-06-23
CN111328412B CN111328412B (zh) 2021-06-01

Family

ID=70160306

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880002453.4A Active CN111328412B (zh) 2018-10-16 2018-10-16 基于车辆轨迹数据的自适应交通控制

Country Status (9)

Country Link
US (2) US10755564B2 (zh)
EP (1) EP3673472A4 (zh)
JP (1) JP2021503105A (zh)
CN (1) CN111328412B (zh)
AU (1) AU2018278948B2 (zh)
CA (1) CA3027552C (zh)
SG (1) SG11201811192WA (zh)
TW (1) TW202016873A (zh)
WO (1) WO2020077527A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112180835A (zh) * 2020-10-14 2021-01-05 合肥宏晶微电子科技股份有限公司 轨迹信息确定方法及装置

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3027552C (en) * 2018-10-16 2021-01-26 Beijing Didi Infinity Science And Development Co., Ltd. A system to optimize scats adaptive signal system using trajectory data
CN111681417B (zh) * 2020-05-14 2022-01-25 阿波罗智联(北京)科技有限公司 交通路口渠化调整方法和装置
CN112562372B (zh) * 2020-11-30 2021-11-16 腾讯科技（深圳）有限公司 一种轨迹数据的处理方法以及相关装置
CN112634612B (zh) * 2020-12-15 2022-09-27 北京百度网讯科技有限公司 路口流量分析方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100004903A1 (en) * 2006-10-23 2010-01-07 Nodbox Method of constructing a digital model of a route
CN104637317A (zh) * 2015-01-23 2015-05-20 同济大学 一种基于实时车辆轨迹的交叉口感应信号控制方法
CN107123276A (zh) * 2016-08-25 2017-09-01 苏州华川交通科技有限公司 利用低抽样率gps数据的交叉口车辆排队长度估算方法
US9978270B2 (en) * 2014-07-28 2018-05-22 Econolite Group, Inc. Self-configuring traffic signal controller

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6463382B1 (en) * 2001-02-26 2002-10-08 Motorola, Inc. Method of optimizing traffic content
US6577946B2 (en) * 2001-07-10 2003-06-10 Makor Issues And Rights Ltd. Traffic information gathering via cellular phone networks for intelligent transportation systems
US7418338B2 (en) * 2002-12-24 2008-08-26 Navitime Japan Co., Ltd. Road information provision server, road information provision system, road information provision method, route search server, route search system, and route search method
US8855899B2 (en) 2008-05-15 2014-10-07 Garmin Switzerland Gmbh Virtual traffic sensors
US8364481B2 (en) 2008-07-02 2013-01-29 Google Inc. Speech recognition with parallel recognition tasks
US8064925B1 (en) * 2008-10-08 2011-11-22 Sprint Spectrum L.P. Method and system for determining vehicle traffic characteristics from wireless network registrations
GB0916204D0 (en) * 2009-09-16 2009-10-28 Road Safety Man Ltd Traffic signal control system and method
GB2497928B (en) * 2011-12-21 2014-11-19 Vodafone Ip Licensing Ltd Transport system monitoring using mobile network data
GB201207410D0 (en) * 2012-04-27 2012-06-13 Tomtom Int Bv Generating intersection data
US9964414B2 (en) 2013-03-15 2018-05-08 Caliper Corporation Lane-level vehicle navigation for vehicle routing and traffic management
CN103680143B (zh) 2013-12-30 2015-09-23 北京世纪高通科技有限公司 一种交通信息处理方法和装置
US9293041B2 (en) * 2014-04-02 2016-03-22 International Business Machines Corporation Traffic monitoring via telecommunication data
CN104282162B (zh) * 2014-09-29 2016-08-24 同济大学 一种基于实时车辆轨迹的交叉口自适应信号控制方法
CN104282161B (zh) * 2014-09-29 2016-05-18 同济大学 一种基于实时车辆轨迹的信号交叉口两难区控制方法
US10529230B2 (en) * 2015-09-08 2020-01-07 Ofer Hofman Method for traffic control
US9824580B2 (en) * 2015-12-17 2017-11-21 International Business Machines Corporation Method, computer readable storage medium and system for producing an uncertainty-based traffic congestion index
CN106157615B (zh) 2016-06-29 2018-11-30 泰州市龙泽环境科技有限公司 一种交通流量信息管理手持终端
TWI591493B (zh) 2016-10-05 2017-07-11 Chunghwa Telecom Co Ltd Method of Estimating Traffic Speed ​​Using Positioning Trajectory Stop and Traveling Model
WO2018132378A2 (en) * 2017-01-10 2018-07-19 Cavh Llc Connected automated vehicle highway systems and methods
US9965951B1 (en) * 2017-01-23 2018-05-08 International Business Machines Corporation Cognitive traffic signal control
WO2018141403A1 (en) * 2017-02-03 2018-08-09 Siemens Aktiengesellschaft System, device and method for managing traffic in a geographical location
EP3602514B1 (en) * 2017-04-07 2024-02-14 The Regents of The University of Michigan Traffic signal control using vehicle trajectory data
CN106875700B (zh) 2017-04-21 2019-10-11 山东交通学院 一种消除起动损失时间的进口道设计与信号优化方法
CA3027552C (en) * 2018-10-16 2021-01-26 Beijing Didi Infinity Science And Development Co., Ltd. A system to optimize scats adaptive signal system using trajectory data
US20200320871A1 (en) * 2019-04-04 2020-10-08 Siemens Mobility, Inc. Traffic management systems and methods with integrated sensor maintenance

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100004903A1 (en) * 2006-10-23 2010-01-07 Nodbox Method of constructing a digital model of a route
US9978270B2 (en) * 2014-07-28 2018-05-22 Econolite Group, Inc. Self-configuring traffic signal controller
CN104637317A (zh) * 2015-01-23 2015-05-20 同济大学 一种基于实时车辆轨迹的交叉口感应信号控制方法
CN107123276A (zh) * 2016-08-25 2017-09-01 苏州华川交通科技有限公司 利用低抽样率gps数据的交叉口车辆排队长度估算方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112180835A (zh) * 2020-10-14 2021-01-05 合肥宏晶微电子科技股份有限公司 轨迹信息确定方法及装置
CN112180835B (zh) * 2020-10-14 2023-02-24 宏晶微电子科技股份有限公司 轨迹信息确定方法及装置

Also Published As

Publication number Publication date
US11210942B2 (en) 2021-12-28
TW202016873A (zh) 2020-05-01
CA3027552C (en) 2021-01-26
WO2020077527A1 (en) 2020-04-23
EP3673472A1 (en) 2020-07-01
US20200118429A1 (en) 2020-04-16
US10755564B2 (en) 2020-08-25
AU2018278948A1 (en) 2020-04-30
EP3673472A4 (en) 2020-07-01
US20200320874A1 (en) 2020-10-08
JP2021503105A (ja) 2021-02-04
AU2018278948B2 (en) 2020-11-26
SG11201811192WA (en) 2020-05-28
CN111328412B (zh) 2021-06-01
CA3027552A1 (en) 2020-04-16

Similar Documents

Publication Publication Date Title
CN111328412B (zh) 基于车辆轨迹数据的自适应交通控制
CN110100271B (zh) 用于使用交通信号数据估计道路交通状况的方法和装置
CN111183465B (zh) 使用车辆轨迹数据的自适应交通控制
CN106097730B (zh) 一种路段车辆排队长度的估计方法、装置及系统
US8698651B2 (en) Traffic signal control system, traffic signal control apparatus, and traffic signal control method
CN102147260B (zh) 电子地图匹配方法和装置
CN111292533B (zh) 基于多源数据的高速公路任意时段任意断面流量估计方法
CN107832882A (zh) 一种基于马尔科夫决策过程的出租车寻客策略推荐方法
US20060149464A1 (en) Method and system for determining the shortest elapsed time route
CN106382939A (zh) 一种基于历史数据的导航路径行驶时间预测系统及方法
JP4229540B2 (ja) 走行車両軌跡データの補完方法
CN103778784B (zh) 基于手机数据实时获取高速公路路段交通状态信息的方法
CN113335310B (zh) 基于决策的运动规划方法、装置、电子设备及存储介质
CN105096590A (zh) 交通信息生成方法和交通信息生成设备
CN114608562A (zh) 用于车辆定位的方法、装置、设备和计算机可读存储介质
CN109945880A (zh) 路径规划方法、相关设备及可读存储介质
US20230168368A1 (en) Guardrail estimation method based on multi-sensor data fusion, and vehicle-mounted device
Molnár et al. On-board traffic prediction for connected vehicles: implementation and experiments on highways
CN107449436A (zh) 一种车队导航方法及系统
WO2021142642A1 (en) Efficient network-wide signal coordination with multiple cycle lengths and trajectory data
CN115146009A (zh) 信息管理装置、信息管理方法及存储介质
KR20200026004A (ko) 경로를 보정하는 서버, 방법 및 컴퓨터 프로그램
TWI634513B (zh) Estimated arrival time system and method for national passenger transportation
CN115410392A (zh) 一种信息处理方法和装置

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
GR01 Patent grant
GR01 Patent grant