CN111613051A - 一种饱和车头时距的估计方法及装置 - Google Patents
一种饱和车头时距的估计方法及装置 Download PDFInfo
- Publication number
- CN111613051A CN111613051A CN201910143744.1A CN201910143744A CN111613051A CN 111613051 A CN111613051 A CN 111613051A CN 201910143744 A CN201910143744 A CN 201910143744A CN 111613051 A CN111613051 A CN 111613051A
- Authority
- CN
- China
- Prior art keywords
- headway
- intersection
- target vehicle
- target
- prediction model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Abstract
本申请涉及数据处理技术领域,尤其涉及一种饱和车头时距的估计方法及装置,方法包括:获取选定时间段内驶过道路交叉口的目标车辆的轨迹数据;然后,根据获取的目标车辆的轨迹数据,确定选定时间段包括的至少一个信号周期内在道路交叉口的停车线之前等待通行的目标车辆的排列信息;进一步地,确定与排列信息匹配的车头时距预测模型,并基于确定的车头时距预测模型和目标车辆的轨迹数据,确定选定时间段内相邻车辆驶过道路交叉口时的饱和车头时距。采用上述方式,可以使得计算出的饱和车头时距更为精确。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种饱和车头时距的估计方法及装置。
背景技术
道路交叉口作为城市道路的重要组成部分,对道路交叉口处的道路通行能力的分析,是制定城市交通路网的规划建设策略的一项重要工作。
道路交叉口的道路通行能力与道路交叉口的饱和车头时距密切相关,饱和车头时距可以理解为车辆队列在消散过程中从第四辆车开始到最后一辆排队车辆连续驶过道路交叉口的平均车头时距,在道路交叉口场景下,车头时距可以理解为是在道路交叉口的交通信号灯由红灯变为绿灯时,车辆队列中相邻车辆通过某一停车线的时间间隔。
由于不同时间段下在道路交叉口处排列的车辆、以及车辆行驶状态的变化是复杂多样的,因此,如何准确估计道路交叉口的饱和车头时距是目前亟需解决的一个问题。
发明内容
有鉴于此,本申请实施例提供一种饱和车头时距的估计方法,以提高计算饱和车头时距时的精确度。
主要包括以下几个方面:
第一方面,本申请实施例提供了一种饱和车头时距的估计方法,包括:
获取选定时间段内驶过道路交叉口的目标车辆的轨迹数据;
根据获取的目标车辆的轨迹数据,确定所述选定时间段包括的至少一个信号周期内在所述道路交叉口的停车线之前等待通行的目标车辆的排列信息;
确定与所述排列信息匹配的车头时距预测模型,并基于确定的车头时距预测模型和所述目标车辆的轨迹数据,确定所述选定时间段内相邻车辆驶过所述道路交叉口时的饱和车头时距。
在一种可能的实施方式中,所述轨迹数据包括驶过所述道路交叉口时的轨迹点、以及与每个轨迹点对应的时间戳;
所述排列信息包括等待通行的目标车辆的数量、目标车辆通过停车线的时间以及等待通行的目标车辆在车辆队列中的排列位置。
在一种可能的实施方式中,所述确定与所述排列信息匹配的车头时距预测模型,包括:
检测所述至少一个信号周期分别对应的排列信息是否与目标车辆排列场景相匹配;
当所述至少一个信号周期中存在排列信息符合目标车辆排列场景的目标信号周期时,确定所述目标信号周期匹配的车头时距预测模型为第一车头时距预测模型;
当所述至少一个信号周期中不存在排列信息符合所述目标车辆排列场景的目标信号周期时,确定所述至少一个信号周期匹配的车头时距预测模型为第二车头时距预测模型。
在一种可能的实施方式中,所述目标车辆排列场景为所述等待通行的目标车辆的数量至少为第一预设数量、且等待通行的目标车辆的排列位置在第N辆等待通行的车辆的排列位置之后,N为大于或等于四的整数。
在一种可能的实施方式中,当确定所述目标信号周期匹配的车头时距预测模型为第一车头时距预测模型时,所述基于确定的车头时距预测模型和所述目标车辆的轨迹数据,确定所述选定时间段内相邻车辆驶过所述道路交叉口时的饱和车头时距,包括:
从所述目标车辆的轨迹数据中筛选出在每个目标信号周期内驶过所述道路交叉口的目标车辆的轨迹数据,并从筛选出的目标车辆的轨迹数据中筛选出排列在所述道路交叉口的停车线之前且排列在第N个等待通行的车辆之后的候选目标车辆的轨迹数据;
根据所述候选目标车辆的轨迹数据,确定每个候选目标车辆由排列位置驶过所述道路交叉口的停车线的通过时间;
将每两个候选目标车辆作为候选目标车辆组合,将每个候选目标车辆组合中两个候选目标车辆分别对应的通过时间和间隔车辆数分别输入至所述第一车头时距预测模型中,得到每个候选目标车辆组合的车头时距;
计算全部目标信号周期内得到的车头时距之间的车头时距均值;
将所述车头时距均值确定为所述选定时间段内相邻车辆驶过所述道路交叉口时的饱和车头时距。
在一种可能的实施方式中,所述第一车头时距预测模型为所述候选目标车辆组合中两个候选目标车辆分别对应的通过时间的差值除以两个候选目标车辆的停车位置之间的间隔车辆数。
在一种可能的实施方式中,在计算全部目标信号周期内得到的车头时距之间的车头时距均值之后,还包括:
确定历史选定时间段内相邻车辆驶过所述道路交叉口时的参考饱和车头时距;
基于所述参考饱和车头时距和所述车头时距均值,计算所述车头时距均值的准确率;
当所述车头时距均值的准确率大于设定阈值时,将所述车头时距均值确定为所述选定时间段内相邻车辆驶过所述道路交叉口时的饱和车头时距。
在一种可能的实施方式中,当所述车头时距均值的准确率不大于所述设定阈值时,所述方法还包括:
提取目标车辆的轨迹数据的轨迹特征信息;
将提取的轨迹特征信息输入至预先训练好的第二车头时距预测模型中,得到所述选定时间段内相邻车辆驶过所述道路交叉口时的饱和车头时距。
在一种可能的实施方式中,当确定所述至少一个信号周期匹配的车头时距预测模型为第二车头时距预测模型时,所述基于确定的车头时距预测模型和所述目标车辆的轨迹数据,确定所述选定时间段内相邻车辆驶过所述道路交叉口时的饱和车头时距,包括:
提取获取的目标车辆的轨迹数据的轨迹特征信息;
将提取的轨迹特征信息输入至预先训练好的第二车头时距预测模型中,得到所述选定时间段内相邻车辆驶过所述道路交叉口时的饱和车头时距。
在一种可能的实施方式中,所述轨迹特征信息包括以下信息中的至少一种:
目标车辆在排列位置处启动时的加速度;
目标车辆通过所述道路交叉口的停车线时的速度;
目标车辆由排列位置处启动至通过所述道路交叉口的停车线时的减速次数统计信息;
目标车辆由排列位置处启动至通过所述道路交叉口的停车线时的延误统计信息;
所述道路交叉口的区域范围;
目标车辆驶过所述道路交叉口的区域范围时的速度统计信息;
目标车辆驶过所述道路交叉口的区域范围时的延误统计信息;
目标车辆在驶过所述道路交叉口之后行驶预设距离时的速度统计信息;
与道路交叉口连接的路段中不同类型的车道数量;
与道路交叉口连接的路段中不同转向的车辆之间的比值。
在一种可能的实施方式中,根据以下方式训练得到第二车头时距预测模型:
获取训练样本集合,所述训练样本集合中包括多个历史选定时间段内驶过所述道路交叉口的车辆的样本轨迹数据、以及每个历史选定时间段内相邻车辆驶过所述道路交叉口时的参考饱和车头时距;
从所述训练样本集合中依次获取预设数量的历史选定时间段分别对应的样本轨迹数据和参考饱和车头时距,对待训练的第二车头时距预测模型进行训练,直至确定待训练的第二车头时距预测模型训练完成。
在一种可能的实施方式中,当所述道路交叉口连接的路段中包括多个车道、且多个车道的车道类型不同时,在获取选定时间段内驶过道路交叉口的目标车辆的轨迹数据之后,还包括:
根据获取的目标车辆的轨迹数据,确定每个目标车辆驶过所述道路交叉口时的转向;
基于确定的每个目标车辆对应的转向,将获取的目标车辆的轨迹数据划分至不同车道类型分别对应的轨迹数据集合中;
所述根据获取的目标车辆的轨迹数据,确定所述选定时间段包括的至少一个信号周期内在所述道路交叉口的停车线之前等待通行的目标车辆的排列信息,包括:
根据每个车道类型对应的轨迹数据集合,确定所述至少一个信号周期内在所述道路交叉口连接的每个车道类型匹配的车道上等待通行的目标车辆的排列信息;
所述基于确定的车头时距预测模型和所述目标车辆的轨迹数据,确定所述选定时间段内相邻车辆驶过所述道路交叉口时的饱和车头时距,包括:
基于确定的车头时距预测模型和每个车道类型对应的轨迹数据集合,确定所述选定时间段内相邻车辆驶过每个车道类型匹配的车道时的饱和车头时距。
第二方面,本申请实施例提供了一种饱和车头时距的估计装置,包括:
获取模块,用于获取选定时间段内驶过道路交叉口的目标车辆的轨迹数据;
第一确定模块,用于根据获取的目标车辆的轨迹数据,确定所述选定时间段包括的至少一个信号周期内在所述道路交叉口的停车线之前等待通行的目标车辆的排列信息;
第二确定模块,用于确定与所述排列信息匹配的车头时距预测模型,并基于确定的车头时距预测模型和所述目标车辆的轨迹数据,确定所述选定时间段内相邻车辆驶过所述道路交叉口时的饱和车头时距。
一种可能的设计中,所述轨迹数据包括驶过所述道路交叉口时的轨迹点、以及与每个轨迹点对应的时间戳;
所述排列信息包括等待通行的目标车辆的数量、目标车辆通过停车线的时间以及等待通行的目标车辆在车辆队列中的排列位置。
一种可能的设计中,所述第二确定模块,在确定与所述排列信息匹配的车头时距预测模型时,具体用于:
检测所述至少一个信号周期分别对应的排列信息是否与目标车辆排列场景相匹配;
当所述至少一个信号周期中存在排列信息符合目标车辆排列场景的目标信号周期时,确定所述目标信号周期匹配的车头时距预测模型为第一车头时距预测模型;
当所述至少一个信号周期中不存在排列信息符合所述目标车辆排列场景的目标信号周期时,确定所述至少一个信号周期匹配的车头时距预测模型为第二车头时距预测模型。
一种可能的设计中,所述目标车辆排列场景为所述等待通行的目标车辆的数量至少为第一预设数量、且等待通行的目标车辆的排列位置在第N辆等待通行的车辆的排列位置之后,N为大于或等于四的整数。
一种可能的设计中,当确定所述目标信号周期匹配的车头时距预测模型为第一车头时距预测模型时,所述第二确定模块,在基于确定的车头时距预测模型和所述目标车辆的轨迹数据,确定所述选定时间段内相邻车辆驶过所述道路交叉口时的饱和车头时距时,具体用于:
从所述目标车辆的轨迹数据中筛选出在每个目标信号周期内驶过所述道路交叉口的目标车辆的轨迹数据,并从筛选出的目标车辆的轨迹数据中筛选出排列在所述道路交叉口的停车线之前且排列在第N个等待通行的车辆之后的候选目标车辆的轨迹数据;
根据所述候选目标车辆的轨迹数据,确定每个候选目标车辆由排列位置驶过所述道路交叉口的停车线的通过时间;
将每两个候选目标车辆作为候选目标车辆组合,将每个候选目标车辆组合中两个候选目标车辆分别对应的通过时间和间隔车辆数分别输入至所述第一车头时距预测模型中,得到每个候选目标车辆组合的车头时距;
计算全部目标信号周期内得到的车头时距之间的车头时距均值;
将所述车头时距均值确定为所述选定时间段内相邻车辆驶过所述道路交叉口时的饱和车头时距。
一种可能的设计中,所述第一车头时距预测模型为所述候选目标车辆组合中两个候选目标车辆分别对应的通过时间的差值除以两个候选目标车辆的停车位置之间的间隔车辆数。
一种可能的设计中,所述第二确定模块,在计算全部目标信号周期内得到的车头时距之间的车头时距均值之后,还用于:
确定历史选定时间段内相邻车辆驶过所述道路交叉口时的参考饱和车头时距;
基于所述参考饱和车头时距和所述车头时距均值,计算所述车头时距均值的准确率;
当所述车头时距均值的准确率大于设定阈值时,将所述车头时距均值确定为所述选定时间段内相邻车辆驶过所述道路交叉口时的饱和车头时距。
一种可能的设计中,当所述车头时距均值的准确率不大于所述设定阈值时,所述第二确定模块还用于:
提取获取的目标车辆的轨迹数据的轨迹特征信息;
将提取的轨迹特征信息输入至预先训练好的第二车头时距预测模型中,得到所述选定时间段内相邻车辆驶过所述道路交叉口时的饱和车头时距。
一种可能的设计中,当确定所述至少一个信号周期匹配的车头时距预测模型为第二车头时距预测模型时,所述第二确定模块,在基于确定的车头时距预测模型和所述目标车辆的轨迹数据,确定所述选定时间段内相邻车辆驶过所述道路交叉口时的饱和车头时距时,具体用于:
提取获取的目标车辆的轨迹数据的轨迹特征信息;
将提取的轨迹特征信息输入至预先训练好的第二车头时距预测模型中,得到所述选定时间段内相邻车辆驶过所述道路交叉口时的饱和车头时距。
一种可能的设计中,所述轨迹特征信息包括以下信息中的至少一种:
目标车辆在排列位置处启动时的加速度;
目标车辆通过所述道路交叉口的停车线时的速度;
目标车辆由排列位置处启动至通过所述道路交叉口的停车线时的减速次数统计信息;
目标车辆由排列位置处启动至通过所述道路交叉口的停车线时的延误统计信息;
所述道路交叉口的区域范围;
目标车辆驶过所述道路交叉口的区域范围时的速度统计信息;
目标车辆驶过所述道路交叉口的区域范围时的延误统计信息;
目标车辆在驶过所述道路交叉口之后行驶预设距离时的速度统计信息;
与道路交叉口连接的路段中不同类型的车道数量;
与道路交叉口连接的路段中不同转向的车辆之间的比值。
一种可能的设计中,所述装置还包括:
模型训练模块,用于根据以下方式训练得到第二车头时距预测模型:
获取训练样本集合,所述训练样本集合中包括多个历史选定时间段内驶过所述道路交叉口的车辆的样本轨迹数据、以及每个历史选定时间段内相邻车辆驶过所述道路交叉口时的参考饱和车头时距;
从所述训练样本集合中依次获取预设数量的历史选定时间段分别对应的样本轨迹数据和参考饱和车头时距,对待训练的第二车头时距预测模型进行训练,直至确定待训练的第二车头时距预测模型训练完成。
一种可能的设计中,所述第一确定模块,还用于:
在获取选定时间段内驶过道路交叉口的目标车辆的轨迹数据之后,根据获取的目标车辆的轨迹数据,确定每个目标车辆驶过所述道路交叉口时的转向;以及,
基于确定的每个目标车辆对应的转向,将获取的目标车辆的轨迹数据划分至不同车道类型分别对应的轨迹数据集合中;
所述第一确定模块,在根据获取的目标车辆的轨迹数据,确定所述选定时间段包括的至少一个信号周期内在所述道路交叉口的停车线之前等待通行的目标车辆的排列信息时,具体用于:
根据每个车道类型对应的轨迹数据集合,确定所述至少一个信号周期内在所述道路交叉口连接的每个车道类型匹配的车道上等待通行的目标车辆的排列信息;
所述第二确定模块,在基于确定的车头时距预测模型和所述目标车辆的轨迹数据,确定所述选定时间段内相邻车辆驶过所述道路交叉口时的饱和车头时距时,具体用于:
基于确定的车头时距预测模型和每个车道类型对应的轨迹数据集合,确定所述选定时间段内相邻车辆驶过每个车道类型匹配的车道时的饱和车头时距。
第三方面,本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行上述第一方面,或第一方面的任一种可能的实施方式中所述的饱和车头时距的估计方法的步骤。
第四方面,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述第一方面,或第一方面的任一种可能的实施方式中所述的饱和车头时距的估计方法的步骤。
本申请实施例中,通过获取选定时间段内驶过道路交叉口的目标车辆的轨迹数据,可以统计出在至少一个信号周期内在道路交叉口的停车线之前等待通行的目标车辆的排列信息,然后可以基于排列信息确定出相匹配的车头时距预测模型,进而再基于确定的车头时距预测模型来估计选定时间段内相邻车辆驶过道路交叉口时的饱和车头时距。采用上述方式,通过统计目标车辆在道路交叉口的排列信息,可以反映出在道路交叉口处的车辆排队场景,之后适应性选择相匹配的车头时距预测模型来计算饱和车头时距,可以使得计算出的饱和车头时距更为精确。
为使本申请实施例的上述目的、特征和优点能更明显易懂,下面将结合实施例,并配合所附附图,作详细说明。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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他相关的附图。
图1示出了本申请实施例提供的一种饱和车头时距的估计方法的流程示意图;
图2示出了本申请实施例提供的一种道路交叉口示例图;
图3示出了本申请实施例提供的一种确定饱和车头时距的过程的流程示意图;
图4示出了本申请实施例提供的另一种确定饱和车头时距的过程的流程示意图;
图5示出了本申请实施例提供的验证流程以及确定饱和车头时距的流程示意图;
图6示出了本申请实施例提供的一种估计选定时间段内相邻车辆驶过每种转向对应的车道时的饱和车头时距的流程示意图;
图7示出了本申请实施例提供的一种饱和车头时距的估计装置700的结构示意图;
图8示出了本申请实施例提供的一种电子设备800的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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实施例,而不是全部的实施例。以下对本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
首先,对本申请可适用的应用场景进行介绍。本申请可适用在对某路网区域中车辆之间的饱和车头时距进行估计的场景下。示例性的,可以应用在对驶过道路交叉口的车辆的饱和车头时距进行估计的场景下,通过估计驶过道路交叉口的车辆的饱和车头时距,对分析道路交叉口的道路通行能力、车辆驶过道路交叉口时延误的时间、以及优化道路交叉口的交通信号灯的配时有着重要意义。
为便于本领域技术人员更好的理解本申请提供的技术方案,下面对本申请中涉及到的一些技术用语进行简要说明。
(1)饱和车头时距,在道路通行能力手册(HCM2000[3])中对饱和车头时距的定义为在车辆队列消散过程中,从第四辆车开始到最后一辆车,连续驶过道路交叉口的平均车头时距。目前,在道路交叉口场景下,对于饱和车头时距的通俗理解可以为在道路交叉口的交通信号灯由红变绿时,在道路交叉口的停车线之前排列的车辆启动并依次越过停车线,相邻车辆驶过停车线时的车头时距从较大值降低到相对稳定的数值,这一相对稳定的数值便可以理解为是饱和车头时距。
(2)车头时距,在道路交叉口场景下,车头时距可以理解为在道路交叉口的交通信号灯由红灯变为绿灯时,车辆队列中相邻车辆通过某一停车线的时间间隔。
(3)轨迹数据,包括轨迹点的经纬度坐标、以及经过每个轨迹点的时间戳等。本申请所述的轨迹数据可以理解为,安装有车载定位装置并行驶在道路上的浮动车(例如出租车或公交汽车等)向服务器侧上传的轨迹数据,或者,也可以是打车平台上的车辆向服务器上传的轨迹数据,或者,还可以是任何具备定位功能且在道路上移动的车辆或设备上传的轨迹数据等。
(4)信号周期,可以理解为道路交叉口某个相位的交通信号灯中该相位绿灯本次起亮至该相位绿灯下一次起亮之间间隔的时长。或者,也可以理解为道路交叉口某个相位的交通信号灯中该相位红灯本次起亮至该相位红灯下一次起亮之间间隔的时长。在道路交叉口信号配时方面,道路交叉口各进口道不同方向所显示的不同信号灯的灯色的组合,可以视为一个信号相位。
(5)道路交叉口,是指两条或两条以上的道路相交处,包括平面交叉口、环形交叉口、立体交叉口等。其中,平面交叉口是道路在同一平面上相交形成的交叉口,通常有T形、Y形、十字形、X形交叉口等形式。
(6)车道,一般与道路交叉口连接的路段中包括多种类型的车道,例如直行车道、左转车道、右转车道等。
下面,结合具体实施例对本申请提供的饱和车头时距的估计方法及装置进行详细说明。
参照图1所示,为本申请实施例提供的饱和车头时距的估计方法的流程示意图,包括如下步骤:
步骤101、获取选定时间段内驶过道路交叉口的目标车辆的轨迹数据。
本申请实施例中,在对选定时间段内相邻车辆驶过某个目标区域的饱和车头时距进行估计时,首先可以获取选定时间段内驶过道路交叉口的目标车辆的轨迹数据。
其中,轨迹数据包括驶过道路交叉口时的轨迹点、以及与每个轨迹点对应的时间戳。轨迹点可以描述车辆所处位置的经纬度坐标,与每个轨迹点对应的时间戳可以描述车辆经过某个经纬度坐标对应的位置时的时间点。
其中,选定时间段可以为早高峰(例如上午7:00至9:00)、晚高峰(例如下午17:00~19:00)、和平峰(除早、晚高峰之外的时间段)等,或者,选定时间段也可以是选取的任意时间段,本申请对此并不限定。
其中,驶过道路交叉口的目标车辆可以为安装有定位系统且能够向服务器上传行驶过程中的轨迹数据的车辆,例如为出租车、公共汽车、以及打车平台中的服务车辆中的任意一种或多种。驶过道路交叉口可以理解为从道路交叉口连接的一个路段的停车线驶出并驶入道路交叉口连接的另一路段。一示例中,参照图2所示,假设道路交叉口为十字形路口,该道路交叉口连接有由南向北的路段#1A、路段#1B,由北向南的路段#2A、路段#2B,由东向西的路段#3A、路段#3B,由西向东的路段#4A、路段#4B。那么,驶过道路交叉口例如为由路段#1A的停车线驶出并驶入路段#1B,也可以为由路段#1A的停车线驶出并驶入路段#3B,还可以为由路段#1A的停车线驶出并驶入路段#4A等。
另外,在获取选定时间段内驶过道路交叉口的目标车辆的轨迹数据的过程中,还可以剔除异常的轨迹数据。例如,可以检测每个目标车辆的轨迹数据是否连续,即判断轨迹点的变化情况或轨迹点对应的时间戳的变化情况是否连续,如果轨迹点的变化情况是不连续的,或轨迹点对应的时间戳的变化情况是不连续的,那么可以确定该目标车辆的轨迹数据存在中断,进而可以剔除该目标车辆的轨迹数据。
步骤102、根据获取的目标车辆的轨迹数据,确定选定时间段包括的至少一个信号周期内在道路交叉口的停车线之前等待通行的目标车辆的排列信息。
其中,排列信息包括等待通行的目标车辆的数量、目标车辆通过停车线的时间以及等待通行的目标车辆在车辆队列中的排列位置。一示例中,排列信息中还包括目标车辆在道路交叉口的停车线之前的停留位置。
具体实施中,可以通过分析每一个目标车辆在选定时间段内轨迹点的变化情况,来筛选出在至少一个信号周期内在道路交叉口的停车线之前等待通行的目标车辆。
一种可能的实施方式中,已知道路交叉口的停车线的位置,那么通过分析每个目标车辆的轨迹点在一段时间内是否停留在停车线的位置之前,以判断目标车辆在信号周期内是否在道路交叉口的停车线之前等待通行。一示例中,假设一目标车辆在正常行驶时,每隔1秒钟轨迹点变化10米,但是轨迹点在停车线的位置之前有10秒左右轨迹点并未发生变化或者发生了较小的变化,则可以认为该目标车辆为在道路交叉口的停车线之前等待通行的目标车辆。
进一步地,在识别出等待通行的目标车辆之后,还可以根据目标车辆在道路交叉口的停车线之前的停留位置和停车线的位置,预估目标车辆在车辆队列中的排列位置。由于道路上行驶的车辆除了目标车辆之外,还包括不向服务器上报轨迹数据的其它车辆,例如私家车等,故在道路交叉口的停车线之前等待通行的车辆队列中除了目标车辆还包括其它车辆。在这种情况下,可以基于目标车辆停留在停车线之前的轨迹点距离停车线的距离、以及车辆预设长度来预估目标车辆在车辆队列中的排列位置。一示例中,正常情况下普通车辆的长度为4m左右,故车辆预设长度可以取值为4m,如果目标车辆停留在停车线之前的轨迹点距离停车线的距离为20m左右,那么可以预估目标车辆在车辆队列中的排列位置为第5辆车。
步骤103、确定与排列信息匹配的车头时距预测模型。
本申请实施例中,可以检测至少一个信号周期分别对应的排列信息是否与目标车辆排列场景相匹配,以便确定与排列信息匹配的车头时距预测模型。
示例性的,目标车辆排列场景为等待通行的目标车辆的数量至少为第一预设数量、且等待通行的目标车辆的排列位置在第N辆等待通行的车辆的排列位置之后,N为大于或等于四的整数,第一预设数量例如为2个。当然,实际应用中,也可以根据需求来调整第一预设数量以及N的取值,本申请对此并不限定。
需要理解的是,等待通行的目标车辆的排列位置是基于在道路交叉口的停车线之前等待通行的车辆队列中的全部车辆而言的,例如,假设目前等待通行的车辆队列中包括十辆车,其中既包括目标车辆也可以其它车辆,那么目标车辆排队场景下等待通行的目标车辆排列在这十辆车中的第四辆等待通行的车辆之后。
一种可能的实施方式中,当至少一个信号周期中存在排列信息符合目标车辆排列场景的目标信号周期时,可以确定目标信号周期匹配的车头时距预测模型为第一车头时距预测模型。
由于第一车头时距预测模型是根据上述饱和车头时距的定义而得出的,故如果要应用第一车头时距预测模型,那么需要符合饱和车头时距所定义的场景,也即要求至少有两辆目标车辆、且两辆目标车辆排列在等待通行的第四辆等待通行的车辆之后。
因此,当至少一个信号周期中存在排列信息符合目标车辆排列场景的目标信号周期时,可以确定目标信号周期匹配的车头时距预测模型为第一车头时距预测模型。其中,关于应用第一车头时距预测模型来预测饱和车头时距的过程将在后文中进行说明。
另一种可能的实施方式中,当至少一个信号周期中不存在排列信息符合目标车辆排列场景的目标信号周期时,确定至少一个信号周期匹配的车头时距预测模型为第二车头时距预测模型。
这种情况下,由于等待通行的车辆的排列信息并不符合饱和车头时距定义的场景,故可以采用第二车头时距预测模型来进行预测,其中,第二车头时距预测模型为利用预先构建好的训练样本集合进行训练后得到的机器学习模型,具体第二车头时距预测模型的训练过程以及预测过程将在后文中进行详细说明。
步骤104、基于确定的车头时距预测模型和目标车辆的轨迹数据,确定选定时间段内相邻车辆驶过道路交叉口时的饱和车头时距。
第一种情况、在确定目标信号周期匹配的车头时距预测模型为第一车头时距预测模型的情况下,确定饱和车头时距的过程参照图3所示,包括如下步骤:
步骤301、从目标车辆的轨迹数据中筛选出在每个目标信号周期内驶过道路交叉口的目标车辆的轨迹数据。
由于上述步骤101中获取到的目标车辆的轨迹数据为在选定时间段的全部信号周期内驶过道路交叉口的目标车辆的轨迹数据,故本步骤中可以先从目标车辆的轨迹数据中筛选出在每个目标信号周期内驶过道路交叉口的目标车辆的轨迹数据。
步骤302、从筛选出的目标车辆的轨迹数据中筛选出排列在道路交叉口的停车线之前且排列在第N个等待通行的车辆之后的候选目标车辆的轨迹数据。
示例性的,首先,可以分析目标车辆的轨迹点的变化,如果目标车辆的轨迹数据中有连续多个轨迹点所表示的位置均在道路交叉口的停车线之前、且未发生明显变化,则可以认为目标车辆排列在道路交叉口的停车线之前。其次,可以将目标车辆在道路交叉口的停车线之前未发生明显变化的多个轨迹点所表示的位置作为目标车辆的停留位置,然后基于目标车辆的停留位置与停车线所在位置之间的距离、以及预设车辆长度,来估计目标车辆在车辆队列中的排列位置,进而检测目标车辆是否排列在第N个等待通行的车辆之后。通过上述过程,可以从筛选出的目标车辆的轨迹数据中进一步筛选出候选目标车辆的轨迹数据。
步骤303、根据候选目标车辆的轨迹数据,确定每个候选目标车辆由在道路交叉口的停车线之前的停留位置驶过道路交叉口的停车线的通过时间。
本步骤中,针对每个候选目标车辆的轨迹数据,首先可以根据轨迹点的变化情况,确定候选目标车辆在道路交叉口的停车线之前的停留位置。例如,当候选目标车辆的轨迹点落入道路交叉口的停车线之前的预设距离范围内、且在预设时间段内停留在某个位置上未发生明显变化,则可以将候选目标车辆的轨迹点停留在的位置作为候选目标车辆的停留位置。
进一步地,可以根据确定的停留位置与停车线之间的距离d、以及车辆从排列位置处重新启动时的时间戳t1和车辆驶过道路交叉口的停车线时的时间戳t2,计算每个候选目标车辆由在道路交叉口的停车线之前的停留位置驶过道路交叉口的停车线的通过时间T=d/(t2-t1)。
步骤304、将每两个候选目标车辆作为候选目标车辆组合,将每个候选目标车辆组合中两个候选目标车辆分别对应的通过时间和间隔车辆数分别输入至所述第一车头时距预测模型中,得到每个候选目标车辆组合的车头时距。
其中,第一车头时距预测模型为候选目标车辆组合中两个候选目标车辆分别对应的通过时间的差值除以两个候选目标车辆的停车位置之间的间隔车辆数。
例如,第一车头时距预测模型表示为:L=(T1-T2)/K。其中,L为候选目标车辆组合中两个候选目标车辆的车头时距,T1-T2为两个候选目标车辆分别对应的通过时间的差值,K为两个候选目标车辆的停车位置之间的间隔车辆数。
步骤305、计算全部目标信号周期内得到的车头时距之间的车头时距均值。
步骤306、将车头时距均值确定为选定时间段内相邻车辆驶过道路交叉口时的饱和车头时距。
本申请实施例中,计算出每个目标信号周期内每两个候选目标车辆的车头时距之后,可以将全部目标信号周期内得到的车头时距求取均值,将得到的车头时距均值作为选定时间段内相邻车辆驶过道路交叉口时的饱和车头时距。
第二种情况、在确定至少一个信号周期匹配的车头时距预测模型为第二车头时距预测模型的情况下,确定饱和车头时距的过程参照图4所示,包括如下步骤:
步骤401、提取目标车辆的轨迹数据的轨迹特征信息。
步骤402、将提取的轨迹特征信息输入至预先训练好的第二车头时距预测模型中,得到选定时间段内相邻车辆驶过道路交叉口时的饱和车头时距。
具体实施中,可以分别提取每个信号周期中每个目标车辆的轨迹数据的轨迹特征信息,然后,将提取的每种轨迹特征信息求取均值后,得到最终的轨迹特征信息并输入至第二车头时距预测模型中进行预测。
其中,第二车头时距预测模型可以为各类机器学习算法模型,如支持向量机、贝叶斯回归、弹性网络回归、梯度增强回归等算法模型中的任一种,本申请对此并不限定。
其中,轨迹特征信息包括以下信息中的至少一种:
(1)目标车辆在排列位置处启动时的加速度。
即目标车辆在道路交叉口的停车线之前的停留位置启动时的加速度。加速度的计算方式例如可以根据启动前和启动后的轨迹点的位置变化与轨迹点对应的时间戳的变化来计算。
(2)目标车辆驶过道路交叉口的停车线时的速度。
例如可以根据目标车辆在道路交叉口的停车线之前的停留位置与停车线之间的距离、以及目标车辆由停留位置驶过停车线的通过时间来计算目标车辆驶过道路交叉口的停车线时的速度。
(3)目标车辆在排列位置处启动后至驶过道路交叉口的停车线时的减速次数统计信息。
其中,减速次数的统计信息包括每个信号周期中每个目标车辆的减速次数的均值、方差、减速频率等。
示例性的,判断目标车辆是否减速的方式例如为可以通过比较目标车辆在行驶过程中相同时间段内驶过的距离的大小来确定。当上一个预设时间段内目标车辆驶过的距离大于当前预设时间段内目标车辆驶过的距离,可以认为目标车辆减速一次,以此类推,可以统计出每个目标车辆在排列位置处启动后驶过道路交叉口的停车线时的减速次数。
示例性的,减速频率的计算方式例如为:确定出选定时间段内各目标车辆在排列位置处启动后至驶过道路交叉口的停车线时,存在减速行为的目标车辆与不存在的减速行为的目标车辆,将存在减速行为的目标车辆的数量与全部目标车辆的数量的比值确定为减速频率。
(4)目标车辆在排列位置处启动后至驶过道路交叉口的停车线时的延误统计信息。
其中,这里所述的延误统计信息包括每个目标车辆在排列位置处启动后至驶过道路交叉口的停车线时的延误时间的均值、方差等。
示例性的,计算每个目标车辆的延误时间的方式例如为:根据该目标车辆在道路交叉口的停车线之前的停留位置与停车线之间的距离、以及该道路交叉口区域的规定限速值,计算该目标车辆在排列位置处启动后至驶过道路交叉口的停车线时的理论通行时长,进一步地,将目标车辆在排列位置处启动后至驶过道路交叉口的停车线时的实际通行时长与理论通行时长之间的差值,作为该目标车辆的延误时间。
(5)道路交叉口的区域范围。
道路交叉口的区域范围例如为图2所示的交叉口区域。
(6)目标车辆驶过道路交叉口的区域范围时的速度统计信息。
其中,这里所述的速度统计信息包括每个目标车辆驶过道路交叉口的区域范围时的速度的均值、方差等。目标车辆驶过道路交叉口的区域范围时的速度,可以理解为目标车辆由某个路段的停车线驶出并驶入另一个路段的过程中的平均速度。例如,参照图2所示,目标车辆在由路段#1A驶出后并驶入路段#3B的过程中的平均速度等。
(7)目标车辆驶过道路交叉口的区域范围时的延误统计信息。
其中,这里所述的延误统计信息例如包括每个目标车辆驶过道路交叉口的区域范围时的延误时间的均值、方差等。具体延误时间的计算可以参照上文中的相关描述,这里不再展开说明。
(8)目标车辆在驶过道路交叉口之后行驶预设距离时的速度统计信息。
其中,这里所述的速度统计信息包括每个目标车辆在驶过道路交叉口之后行驶预设距离时的速度的均值、方差等。
目标车辆驶过道路交叉口,可以理解为由某个路段驶出后经过道路交叉口驶入另一路段。这里,统计的是在驶入另一路段之后行驶预设距离时的速度。例如,参照图2所示,车辆可以由路段#1A驶出经过道路交叉口驶入路段#1B之后,且在路段#1B行驶50m时的速度。
(9)与道路交叉口连接的路段中不同类型的车道数量。
其中,不同类型的车道,例如直行车道、右转车道、左转车道等。
(10)与道路交叉口连接的路段中不同转向的车辆之间的比值。
考虑到路段中可能只配置单一车道,该车道上既可以直行也可以左转或右转,故这里可以统计不同转向的车辆之间的比值。
通过以上轨迹特征信息和预先训练好的第二车头时距预测模型,可以估计出选定时间段内相邻车道驶过道路交叉口时的饱和车头时距。
此外,本申请实施例中,在第一种情况下,利用第一车头时距预测模型来估计饱和车头时距之后,即在执行步骤305,计算全部目标信号周期内得到的车头时距之间的车头时距均值之后,还可以验证车头时距均值的准确率,基于验证结果确定选定时间段内相邻车辆驶过道路交叉口时的饱和车头时距。
示例性的,参照图5所示,在执行步骤305之后,还可以执行如下验证流程以及确定饱和车头时距的过程,包括如下步骤:
步骤501、确定历史选定时间段内相邻车辆驶过道路交叉口时的参考饱和车头时距。
可以理解的是,同一道路交叉口对应的饱和车头时距在一定时间内为一个较为稳定的数值,因此,本示例中可以选取历史选定时间段内的饱和车头时距作为参考,来验证计算出的当前选定时间段内的饱和车头时距。历史选定时间段内的饱和车头时距例如可以是由工作人员在道路交叉口进行采样并人工统计出来的观测值。
例如,当统计12月内相邻车辆驶过道路交叉口的饱和车头时距时,可以采用前3个月内相邻车辆驶过道路交叉口的饱和车头时距的均值作为参考来验证12月内计算的饱和车头时距。
步骤502、基于参考饱和车头时距和车头时距均值,计算车头时距均值的准确率。
例如,可以通过计算车头时距均值与参考饱和车头之间的比值或差值等,来确定车头时距均值的准确率。
步骤503、判断计算出的车头时距均值的准确率是否大于设定阈值。
若判断结果为是,则执行步骤504;若判断结果为否,则执行步骤505。
步骤504、将车头时距均值确定为选定时间段内相邻车辆驶过道路交叉口时的饱和车头时距。
步骤505、提取获取的目标车辆的轨迹数据的轨迹特征信息,并将提取的轨迹特征信息输入至预先训练好的第二车头时距预测模型中,得到选定时间段内相邻车辆驶过道路交叉口时的饱和车头时距。
本申请实施例中,在检测到利用第一车头时距预测模型计算出的车头时距均值不满足准确率的要求时,还可以继续用第二车头时距预测模型来进行预测。由于第二车头时距预测模型是基于大量训练样本训练出来的,预测出的饱和车头时距的准确率较高。
其中,上述第二车头时距预测模型可以根据以下方式训练得到:
获取训练样本集合,其中,训练样本集合中包括多个历史选定时间段内驶过道路交叉口的车辆的样本轨迹数据、以及每个历史选定时间段内相邻车辆驶过道路交叉口时的参考饱和车头时距。
进一步地,从训练样本集合中依次获取预设数量的历史选定时间段分别对应的样本轨迹数据和参考饱和车头时距,对待训练的第二车头时距预测模型进行训练,直至确定待训练的第二车头时距预测模型训练完成。
示例性的,具体训练过程包括:
首先,提取每个历史选定时间段分别对应的样本轨迹数据的样本轨迹特征信息。
之后,将提取的样本轨迹特征信息输入至待训练的第二车头时距预测模型中,输出每个历史选定时间段内相邻车辆驶过道路交叉口时的预测饱和车头时距。
进一步地,基于每个历史选定时间段内车辆驶过道路交叉口时的预测饱和车头时距和参考饱和车头时距,计算本轮训练的损失值。
其中,当计算的损失值大于设定损失阈值时,调整待训练的第二车头时距预测模型的模型参数,并执行下一轮训练过程;当计算的损失值不大于设定损失阈值时,确定待训练的第二车头时距预测模型训练完成。
此外,本申请实施例中,考虑到与道路交叉口连接的路段上可能有多种类型的车道,车道类型又根据车辆的转向来划分,故,当道路交叉口连接的路段中包括多个车道、且多个车道的车道类型不同时,本申请实施例在估计选定时间段内相邻车辆驶过道路交叉口时的饱和车头时距时,还可以精确估计出选定时间段内相邻车辆驶过每个车道类型匹配的车道时的饱和车头时距。
具体估计过程参照图6所示,包括如下步骤:
步骤601、获取选定时间段内驶过道路交叉口的目标车辆的轨迹数据。
步骤602、根据获取的目标车辆的轨迹数据,确定每个目标车辆驶过道路交叉口时的转向。
一种可能的实施方式中,通过分析每个目标车辆的轨迹点以及对应的时间戳,可以确定每个目标车辆在道路交叉口的移动轨迹,进而根据每个目标车辆对应的移动轨迹来确定每个目标车辆驶过道路交叉口时的转向。
步骤603、基于确定的每个目标车辆对应的转向,将获取的目标车辆的轨迹数据划分至不同车道类型分别对应的轨迹数据集合中。
示例性的,假设道路交叉口连接的车道的类型包括直行、左转、右转中的至少一种,而每个目标车辆也有直行、左转、右转这三种可能的转向,那么可以根据每个目标车辆对应的转向,确定出与每个目标车辆对应的转向相匹配的车道类型,然后将每个目标车辆的轨迹数据划分至相匹配的车道类型的轨迹数据集合中。例如,对于转向为左转的一类目标车辆,可以将这类目标车辆的轨迹数据划分至左转车道对应的轨迹数据集合中,左转车道对应的轨迹数据集合可以用于确定相邻车辆驶过左转车道时的饱和车头时距。对于右转车道对应的轨迹数据集合、以及直行车道对应的轨迹数据集合,也可以参照上述方式来确定,本申请不再具体说明。
步骤604、根据每个车道类型对应的轨迹数据集合,确定至少一个信号周期内在道路交叉口连接的每个车道类型匹配的车道上等待通行的目标车辆的排列信息。
具体的,针对每个车道类型对应的轨迹数据集合,确定每个车道类型匹配的车道上等待通行的目标车辆的排列信息的方式可以参照图1所示的实施例中确定排列信息的方式,这里不再展开说明。
步骤605、确定与排列信息匹配的车头时距预测模型。
具体的,针对根据每个车道类型对应的轨迹数据集合确定出的排列信息,可以分别确定出每种车道类型匹配的车头时距预测模型,用于相邻车道驶过每种车道类型匹配的车道时的饱和车头时距。确定每种车道类型匹配的车头时距预测模型的方式也可以参照图1所示的实施例中基于排列信息来选择匹配的车头时距预测模型的相关流程,这里不再展开说明。
步骤606、基于确定的车头时距预测模型和每个车道类型对应的轨迹数据集合,确定选定时间段内相邻车辆驶过每个车道类型匹配的车道时的饱和车头时距。
本申请实施例中,针对每种车道类型,可以利用该车道类型匹配的车头时距预测模型和对应的轨迹数据集合,来预测选定时间段内相邻车辆驶过该车道类型匹配的车道时的饱和车头时距。匹配的车头时距预测模型既可以是上述第一车头时距预测模型,也可以是上述第二车头时距预测模型。
一种可能的实施方式中,基于第一车头时距预测模型来预测饱和车头时距的方式,包括:
针对第j个车道类型对应的轨迹数据集合,确定至少一个信号周期内在道路交叉口连接的第j个车道类型匹配的车道上等待通行的目标车辆的排列信息,j为正整数;
当至少一个信号周期中存在排列信息符合目标车辆排列场景的目标信号周期时,基于第j个车道类型对应的轨迹数据集合和第一车头时距预测模型,确定选定时间段内相邻车辆驶过第j个车道类型匹配的车道时的饱和车头时距。
具体实施中,在基于第j个车道类型对应的轨迹数据集合和第一车头时距预测模型,确定选定时间段内相邻车辆驶过第j个车道类型匹配的车道时的饱和车头时距时,可以执行如下操作:
首先,从第j个车道类型对应的轨迹数据集合中,筛选出在每个目标信号周期内驶过第j个车道类型匹配的车道时的目标车辆的轨迹数据。
之后,从筛选出的目标车辆的轨迹数据中筛选出排列在道路交叉口的停车线之后且排列在第N个等待通行的车辆之后的候选目标车辆的轨迹数据。
进一步地,根据候选目标车辆的轨迹数据,确定每个候选目标车辆由排列位置驶过道路交叉口的停车线的通过时间,并将每个候选目标车辆组合中两个候选目标车辆分别对应的通过时间和间隔车辆数分别输入至第一车头时距预测模型中,得到每个候选目标车辆组合的车头时距。
最后,将全部目标信号周期内得到的车头时距之间的车头时距均值,确定为选定时间段内相邻车辆驶过第j个车道类型匹配的车道时的饱和车头时距。
另一种可能的实施方式中,基于第二车头时距预测模型来预测饱和车头时距的方式,包括:
提取每个车道类型对应的轨迹数据集合中目标车辆的轨迹数据的轨迹特征信息;
将从每个车道类型对应的轨迹数据集合中提取的轨迹特征信息输入至预先训练的第二车头时距预测模型中,输出选定时间段内相邻车辆驶过每个车道类型匹配的车道时的饱和车头时距。
其中,在训练第二车头时距预测模型时,可以采用如下方式:
获取每个车道类型对应的训练样本集合,其中,第i个车道类型对应的训练样本集合中包括多个历史选定时间段内驶过第i个车道类型匹配的车道的车辆的样本轨迹数据、以及每个历史选定时间段内相邻车辆驶过第i个车道类型匹配的车道时的参考饱和车头时距,i为正整数;
基于每个车道类型对应的训练样本集合,对待训练的第二车头时距预测模型进行训练,直至确定待训练的第二车头时距预测模型训练完成。
一示例中,可以从与第i个车道类型对应的训练样本集合中获取预设数量的历史选定时间段分别对应的样本轨迹数据和参考饱和车头时距,并执行训练过程,直至确定待训练的第二车头时距预测模型训练完成;
其中,i为正整数,训练过程包括:
提取每个历史选定时间段分别对应的样本轨迹数据的样本轨迹特征信息;
将提取的样本轨迹特征信息输入至待训练的第二车头时距预测模型中,输出每个历史选定时间段内相邻车辆驶过第i个车道类型匹配的车道时的饱和车头时距;
基于每个历史选定时间段内车辆驶过第i个车道类型匹配的车道时的预测饱和车头时距和参考饱和车头时距,计算本轮训练的损失值;
当计算的损失值大于设定损失阈值时,调整待训练的第二车头时距预测模型的模型参数,并执行下一轮训练过程;
当计算的损失值不大于设定损失阈值时,确定待训练的第二车头时距预测模型训练完成。
基于以上实施例的描述,本申请实施例中通过获取选定时间段内驶过道路交叉口的目标车辆的轨迹数据,可以统计出在至少一个信号周期内在道路交叉口的停车线之前等待通行的目标车辆的排列信息,然后可以基于排列信息确定出相匹配的车头时距预测模型,进而再基于确定的车头时距预测模型来估计选定时间段内相邻车辆驶过道路交叉口时的饱和车头时距。采用上述方式,通过统计目标车辆在道路交叉口的排列信息,可以反映出在道路交叉口处的车辆排队场景,之后适应性选择相匹配的车头时距预测模型来计算饱和车头时距,可以使得计算出的饱和车头时距更为精确。
基于同一技术构思,本申请实施例中还提供了与饱和车头时距的估计方法对应的饱和车头时距的估计装置,由于本申请实施例中的装置解决问题的原理与本申请实施例上述饱和车头时距的估计方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
如图7所示,为本申请实施例提供的饱和车头时距的估计装置700的结构示意图,包括:获取模块701、第一确定模块702、以及第二确定模块703,其中:
获取模块701,用于获取选定时间段内驶过道路交叉口的目标车辆的轨迹数据;
第一确定模块702,用于根据获取的目标车辆的轨迹数据,确定所述选定时间段包括的至少一个信号周期内在所述道路交叉口的停车线之前等待通行的目标车辆的排列信息;
第二确定模块703,用于确定与所述排列信息匹配的车头时距预测模型,并基于确定的车头时距预测模型和所述目标车辆的轨迹数据,确定所述选定时间段内相邻车辆驶过所述道路交叉口时的饱和车头时距。
一种可能的设计中,所述轨迹数据包括驶过所述道路交叉口时的轨迹点、以及与每个轨迹点对应的时间戳;
所述排列信息包括等待通行的目标车辆的数量、目标车辆通过停车线的时间以及等待通行的目标车辆在车辆队列中的排列位置。
一种可能的设计中,所述第二确定模块703,在确定与所述排列信息匹配的车头时距预测模型时,具体用于:
检测所述至少一个信号周期分别对应的排列信息是否与目标车辆排列场景相匹配;
当所述至少一个信号周期中存在排列信息符合目标车辆排列场景的目标信号周期时,确定所述目标信号周期匹配的车头时距预测模型为第一车头时距预测模型;
当所述至少一个信号周期中不存在排列信息符合所述目标车辆排列场景的目标信号周期时,确定所述至少一个信号周期匹配的车头时距预测模型为第二车头时距预测模型。
一种可能的设计中,所述目标车辆排列场景为所述等待通行的目标车辆的数量至少为第一预设数量、且等待通行的目标车辆的排列位置在第N辆等待通行的车辆的排列位置之后,N为大于或等于四的整数。
一种可能的设计中,当确定所述目标信号周期匹配的车头时距预测模型为第一车头时距预测模型时,所述第二确定模块703,在基于确定的车头时距预测模型和所述目标车辆的轨迹数据,确定所述选定时间段内相邻车辆驶过所述道路交叉口时的饱和车头时距时,具体用于:
从所述目标车辆的轨迹数据中筛选出在每个目标信号周期内驶过所述道路交叉口的目标车辆的轨迹数据,并从筛选出的目标车辆的轨迹数据中筛选出排列在所述道路交叉口的停车线之前且排列在第N个等待通行的车辆之后的候选目标车辆的轨迹数据;
根据所述候选目标车辆的轨迹数据,确定每个候选目标车辆由排列位置驶过所述道路交叉口的停车线的通过时间;
将每两个候选目标车辆作为候选目标车辆组合,将每个候选目标车辆组合中两个候选目标车辆分别对应的通过时间和间隔车辆数分别输入至所述第一车头时距预测模型中,得到每个候选目标车辆组合的车头时距;
计算全部目标信号周期内得到的车头时距之间的车头时距均值;
将所述车头时距均值确定为所述选定时间段内相邻车辆驶过所述道路交叉口时的饱和车头时距。
一种可能的设计中,所述第一车头时距预测模型为所述候选目标车辆组合中两个候选目标车辆分别对应的通过时间的差值除以两个候选目标车辆的停车位置之间的间隔车辆数。
一种可能的设计中,所述第二确定模块703,在计算全部目标信号周期内得到的车头时距之间的车头时距均值之后,还用于:
确定历史选定时间段内相邻车辆驶过所述道路交叉口时的参考饱和车头时距;
基于所述参考饱和车头时距和所述车头时距均值,计算所述车头时距均值的准确率;
当所述车头时距均值的准确率大于设定阈值时,将所述车头时距均值确定为所述选定时间段内相邻车辆驶过所述道路交叉口时的饱和车头时距。
一种可能的设计中,当所述车头时距均值的准确率不大于所述设定阈值时,所述第二确定模块703还用于:
提取获取的目标车辆的轨迹数据的轨迹特征信息;
将提取的轨迹特征信息输入至预先训练好的第二车头时距预测模型中,得到所述选定时间段内相邻车辆驶过所述道路交叉口时的饱和车头时距。
一种可能的设计中,当确定所述至少一个信号周期匹配的车头时距预测模型为第二车头时距预测模型时,所述第二确定模块703,在基于确定的车头时距预测模型和所述目标车辆的轨迹数据,确定所述选定时间段内相邻车辆驶过所述道路交叉口时的饱和车头时距时,具体用于:
提取获取的目标车辆的轨迹数据的轨迹特征信息;
将提取的轨迹特征信息输入至预先训练好的第二车头时距预测模型中,得到所述选定时间段内相邻车辆驶过所述道路交叉口时的饱和车头时距。
一种可能的设计中,所述轨迹特征信息包括以下信息中的至少一种:
目标车辆在排列位置处启动时的加速度;
目标车辆通过所述道路交叉口的停车线时的速度;
目标车辆由排列位置处启动至通过所述道路交叉口的停车线时的减速次数统计信息;
目标车辆由排列位置处启动至通过所述道路交叉口的停车线时的延误统计信息;
所述道路交叉口的区域范围;
目标车辆驶过所述道路交叉口的区域范围时的速度统计信息;
目标车辆驶过所述道路交叉口的区域范围时的延误统计信息;
目标车辆在驶过所述道路交叉口之后行驶预设距离时的速度统计信息;
与道路交叉口连接的路段中不同类型的车道数量;
与道路交叉口连接的路段中不同转向的车辆之间的比值。
一种可能的设计中,所述装置还包括:
模型训练模块704,用于根据以下方式训练得到第二车头时距预测模型:
获取训练样本集合,所述训练样本集合中包括多个历史选定时间段内驶过所述道路交叉口的车辆的样本轨迹数据、以及每个历史选定时间段内相邻车辆驶过所述道路交叉口时的参考饱和车头时距;
从所述训练样本集合中依次获取预设数量的历史选定时间段分别对应的样本轨迹数据和参考饱和车头时距,对待训练的第二车头时距预测模型进行训练,直至确定待训练的第二车头时距预测模型训练完成。
一种可能的设计中,所述第一确定模块702,还用于:
在获取选定时间段内驶过道路交叉口的目标车辆的轨迹数据之后,根据获取的目标车辆的轨迹数据,确定每个目标车辆驶过所述道路交叉口时的转向;以及,
基于确定的每个目标车辆对应的转向,将获取的目标车辆的轨迹数据划分至不同车道类型分别对应的轨迹数据集合中;
所述第一确定模块702,在根据获取的目标车辆的轨迹数据,确定所述选定时间段包括的至少一个信号周期内在所述道路交叉口的停车线之前等待通行的目标车辆的排列信息时,具体用于:
根据每个车道类型对应的轨迹数据集合,确定所述至少一个信号周期内在所述道路交叉口连接的每个车道类型匹配的车道上等待通行的目标车辆的排列信息;
所述第二确定模块703,在基于确定的车头时距预测模型和所述目标车辆的轨迹数据,确定所述选定时间段内相邻车辆驶过所述道路交叉口时的饱和车头时距时,具体用于:
基于确定的车头时距预测模型和每个车道类型对应的轨迹数据集合,确定所述选定时间段内相邻车辆驶过每个车道类型匹配的车道时的饱和车头时距。
本申请实施例中,上述各模块的具体功能和交互方式,可参见上述方法实施例的记载,在此不再赘述。
本申请实施例提供的上述装置,通过统计目标车辆在道路交叉口的排列信息,可以反映出在道路交叉口处的车辆排队场景,之后适应性选择相匹配的车头时距预测模型来计算饱和车头时距,可以使得计算出的饱和车头时距更为精确。
基于同一技术构思,本申请实施例还提供了一种电子设备。参照图8所示,为本申请实施例提供的电子设备800的结构示意图,包括处理器801、存储器802、和总线803。其中,存储器802用于存储执行指令,包括内存8021和外部存储器8022;这里的内存8021也称内存储器,用于暂时存放处理器801中的运算数据,以及与硬盘等外部存储器8022交换的数据,处理器801通过内存8021与外部存储器8022进行数据交换,当电子设备800运行时,处理器801与存储器802之间通过总线803通信,使得处理器801在执行以下指令:
获取选定时间段内驶过道路交叉口的目标车辆的轨迹数据;
根据获取的目标车辆的轨迹数据,确定所述选定时间段包括的至少一个信号周期内在所述道路交叉口的停车线之前等待通行的目标车辆的排列信息;
确定与所述排列信息匹配的车头时距预测模型,并基于确定的车头时距预测模型和所述目标车辆的轨迹数据,确定所述选定时间段内相邻车辆驶过所述道路交叉口时的饱和车头时距。
本申请实施例中,上述处理器801的具体处理过程,可参见上述方法实施例的记载,在此不再赘述。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行饱和车头时距的估计方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述饱和车头时距的估计方法,从而使得计算出的饱和车头时距更为精确。
本申请实施例所提供的饱和车头时距的估计方法的计算机程序产品,包括存储了程序代码的计算机可读存储介质,程序代码包括的指令可用于执行前面方法实施例中的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,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 (26)
1.一种饱和车头时距的估计方法,其特征在于,包括:
获取选定时间段内驶过道路交叉口的目标车辆的轨迹数据;
根据获取的目标车辆的轨迹数据,确定所述选定时间段包括的至少一个信号周期内在所述道路交叉口的停车线之前等待通行的目标车辆的排列信息;
确定与所述排列信息匹配的车头时距预测模型,并基于确定的车头时距预测模型和所述目标车辆的轨迹数据,确定所述选定时间段内相邻车辆驶过所述道路交叉口时的饱和车头时距。
2.如权利要求1所述的方法,其特征在于,所述轨迹数据包括驶过所述道路交叉口时的轨迹点、以及与每个轨迹点对应的时间戳;
所述排列信息包括等待通行的目标车辆的数量、目标车辆通过停车线的时间以及等待通行的目标车辆在车辆队列中的排列位置。
3.如权利要求2所述的方法,其特征在于,所述确定与所述排列信息匹配的车头时距预测模型,包括:
检测所述至少一个信号周期分别对应的排列信息是否与目标车辆排列场景相匹配;
当所述至少一个信号周期中存在排列信息符合目标车辆排列场景的目标信号周期时,确定所述目标信号周期匹配的车头时距预测模型为第一车头时距预测模型;
当所述至少一个信号周期中不存在排列信息符合所述目标车辆排列场景的目标信号周期时,确定所述至少一个信号周期匹配的车头时距预测模型为第二车头时距预测模型。
4.如权利要求3所述的方法,其特征在于,所述目标车辆排列场景为所述等待通行的目标车辆的数量至少为第一预设数量、且等待通行的目标车辆的排列位置在第N辆等待通行的车辆的排列位置之后,N为大于或等于四的整数。
5.如权利要求3所述的方法,其特征在于,当确定所述目标信号周期匹配的车头时距预测模型为第一车头时距预测模型时,所述基于确定的车头时距预测模型和所述目标车辆的轨迹数据,确定所述选定时间段内相邻车辆驶过所述道路交叉口时的饱和车头时距,包括:
从所述目标车辆的轨迹数据中筛选出在每个目标信号周期内驶过所述道路交叉口的目标车辆的轨迹数据,并从筛选出的目标车辆的轨迹数据中筛选出排列在所述道路交叉口的停车线之前且排列在第N个等待通行的车辆之后的候选目标车辆的轨迹数据;
根据所述候选目标车辆的轨迹数据,确定每个候选目标车辆由排列位置驶过所述道路交叉口的停车线的通过时间;
将每两个候选目标车辆作为候选目标车辆组合,将每个候选目标车辆组合中两个候选目标车辆分别对应的通过时间和间隔车辆数分别输入至所述第一车头时距预测模型中,得到每个候选目标车辆组合的车头时距;
计算全部目标信号周期内得到的车头时距之间的车头时距均值;
将所述车头时距均值确定为所述选定时间段内相邻车辆驶过所述道路交叉口时的饱和车头时距。
6.如权利要求5所述的方法,其特征在于,所述第一车头时距预测模型为所述候选目标车辆组合中两个候选目标车辆分别对应的通过时间的差值除以两个候选目标车辆的停车位置之间的间隔车辆数。
7.如权利要求5所述的方法,其特征在于,在计算全部目标信号周期内得到的车头时距之间的车头时距均值之后,还包括:
确定历史选定时间段内相邻车辆驶过所述道路交叉口时的参考饱和车头时距;
基于所述参考饱和车头时距和所述车头时距均值,计算所述车头时距均值的准确率;
当所述车头时距均值的准确率大于设定阈值时,将所述车头时距均值确定为所述选定时间段内相邻车辆驶过所述道路交叉口时的饱和车头时距。
8.如权利要求7所述的方法,其特征在于,当所述车头时距均值的准确率不大于所述设定阈值时,所述方法还包括:
提取获取的目标车辆的轨迹数据的轨迹特征信息;
将提取的轨迹特征信息输入至预先训练好的第二车头时距预测模型中,得到所述选定时间段内相邻车辆驶过所述道路交叉口时的饱和车头时距。
9.如权利要求3所述的方法,其特征在于,当确定所述至少一个信号周期匹配的车头时距预测模型为第二车头时距预测模型时,所述基于确定的车头时距预测模型和所述目标车辆的轨迹数据,确定所述选定时间段内相邻车辆驶过所述道路交叉口时的饱和车头时距,包括:
提取获取的目标车辆的轨迹数据的轨迹特征信息;
将提取的轨迹特征信息输入至预先训练好的第二车头时距预测模型中,得到所述选定时间段内相邻车辆驶过所述道路交叉口时的饱和车头时距。
10.如权利要求8或9所述的方法,其特征在于,所述轨迹特征信息包括以下信息中的至少一种:
目标车辆在排列位置处启动时的加速度;
目标车辆通过所述道路交叉口的停车线时的速度;
目标车辆由排列位置处启动至通过所述道路交叉口的停车线时的减速次数统计信息;
目标车辆由排列位置处启动至通过所述道路交叉口的停车线时的延误统计信息;
所述道路交叉口的区域范围;
目标车辆驶过所述道路交叉口的区域范围时的速度统计信息;
目标车辆驶过所述道路交叉口的区域范围时的延误统计信息;
目标车辆在驶过所述道路交叉口之后行驶预设距离时的速度统计信息;
与道路交叉口连接的路段中不同类型的车道数量;
与道路交叉口连接的路段中不同转向的车辆之间的比值。
11.如权利要求8或9所述的方法,其特征在于,根据以下方式训练得到第二车头时距预测模型:
获取训练样本集合,所述训练样本集合中包括多个历史选定时间段内驶过所述道路交叉口的车辆的样本轨迹数据、以及每个历史选定时间段内相邻车辆驶过所述道路交叉口时的参考饱和车头时距;
从所述训练样本集合中依次获取预设数量的历史选定时间段分别对应的样本轨迹数据和参考饱和车头时距,对待训练的第二车头时距预测模型进行训练,直至确定待训练的第二车头时距预测模型训练完成。
12.如权利要求1所述的方法,其特征在于,当所述道路交叉口连接的路段中包括多个车道、且多个车道的车道类型不同时,在获取选定时间段内驶过道路交叉口的目标车辆的轨迹数据之后,还包括:
根据获取的目标车辆的轨迹数据,确定每个目标车辆驶过所述道路交叉口时的转向;
基于确定的每个目标车辆对应的转向,将获取的目标车辆的轨迹数据划分至不同车道类型分别对应的轨迹数据集合中;
所述根据获取的目标车辆的轨迹数据,确定所述选定时间段包括的至少一个信号周期内在所述道路交叉口的停车线之前等待通行的目标车辆的排列信息,包括:
根据每个车道类型对应的轨迹数据集合,确定所述至少一个信号周期内在所述道路交叉口连接的每个车道类型匹配的车道上等待通行的目标车辆的排列信息;
所述基于确定的车头时距预测模型和所述目标车辆的轨迹数据,确定所述选定时间段内相邻车辆驶过所述道路交叉口时的饱和车头时距,包括:
基于确定的车头时距预测模型和每个车道类型对应的轨迹数据集合,确定所述选定时间段内相邻车辆驶过每个车道类型匹配的车道时的饱和车头时距。
13.一种饱和车头时距的估计装置,其特征在于,包括:
获取模块,用于获取选定时间段内驶过道路交叉口的目标车辆的轨迹数据;
第一确定模块,用于根据获取的目标车辆的轨迹数据,确定所述选定时间段包括的至少一个信号周期内在所述道路交叉口的停车线之前等待通行的目标车辆的排列信息;
第二确定模块,用于确定与所述排列信息匹配的车头时距预测模型,并基于确定的车头时距预测模型和所述目标车辆的轨迹数据,确定所述选定时间段内相邻车辆驶过所述道路交叉口时的饱和车头时距。
14.如权利要求13所述的装置,其特征在于,所述轨迹数据包括驶过所述道路交叉口时的轨迹点、以及与每个轨迹点对应的时间戳;
所述排列信息包括等待通行的目标车辆的数量、目标车辆通过停车线的时间以及等待通行的目标车辆在车辆队列中的排列位置。
15.如权利要求14所述的装置,其特征在于,所述第二确定模块,在确定与所述排列信息匹配的车头时距预测模型时,具体用于:
检测所述至少一个信号周期分别对应的排列信息是否与目标车辆排列场景相匹配;
当所述至少一个信号周期中存在排列信息符合目标车辆排列场景的目标信号周期时,确定所述目标信号周期匹配的车头时距预测模型为第一车头时距预测模型;
当所述至少一个信号周期中不存在排列信息符合所述目标车辆排列场景的目标信号周期时,确定所述至少一个信号周期匹配的车头时距预测模型为第二车头时距预测模型。
16.如权利要求15所述的装置,其特征在于,所述目标车辆排列场景为所述等待通行的目标车辆的数量至少为第一预设数量、且等待通行的目标车辆的排列位置在第N辆等待通行的车辆的排列位置之后,N为大于或等于四的整数。
17.如权利要求15所述的装置,其特征在于,当确定所述目标信号周期匹配的车头时距预测模型为第一车头时距预测模型时,所述第二确定模块,在基于确定的车头时距预测模型和所述目标车辆的轨迹数据,确定所述选定时间段内相邻车辆驶过所述道路交叉口时的饱和车头时距时,具体用于:
从所述目标车辆的轨迹数据中筛选出在每个目标信号周期内驶过所述道路交叉口的目标车辆的轨迹数据,并从筛选出的目标车辆的轨迹数据中筛选出排列在所述道路交叉口的停车线之前且排列在第N个等待通行的车辆之后的候选目标车辆的轨迹数据;
根据所述候选目标车辆的轨迹数据,确定每个候选目标车辆由排列位置驶过所述道路交叉口的停车线的通过时间;
将每两个候选目标车辆作为候选目标车辆组合,将每个候选目标车辆组合中两个候选目标车辆分别对应的通过时间和间隔车辆数分别输入至所述第一车头时距预测模型中,得到每个候选目标车辆组合的车头时距;
计算全部目标信号周期内得到的车头时距之间的车头时距均值;
将所述车头时距均值确定为所述选定时间段内相邻车辆驶过所述道路交叉口时的饱和车头时距。
18.如权利要求17所述的装置,其特征在于,所述第一车头时距预测模型为所述候选目标车辆组合中两个候选目标车辆分别对应的通过时间的差值除以两个候选目标车辆的停车位置之间的间隔车辆数。
19.如权利要求17所述的装置,其特征在于,所述第二确定模块,在计算全部目标信号周期内得到的车头时距之间的车头时距均值之后,还用于:
确定历史选定时间段内相邻车辆驶过所述道路交叉口时的参考饱和车头时距;
基于所述参考饱和车头时距和所述车头时距均值,计算所述车头时距均值的准确率;
当所述车头时距均值的准确率大于设定阈值时,将所述车头时距均值确定为所述选定时间段内相邻车辆驶过所述道路交叉口时的饱和车头时距。
20.如权利要求19所述的装置,其特征在于,当所述车头时距均值的准确率不大于所述设定阈值时,所述第二确定模块还用于:
提取获取的目标车辆的轨迹数据的轨迹特征信息;
将提取的轨迹特征信息输入至预先训练好的第二车头时距预测模型中,得到所述选定时间段内相邻车辆驶过所述道路交叉口时的饱和车头时距。
21.如权利要求15所述的装置,其特征在于,当确定所述至少一个信号周期匹配的车头时距预测模型为第二车头时距预测模型时,所述第二确定模块,在基于确定的车头时距预测模型和所述目标车辆的轨迹数据,确定所述选定时间段内相邻车辆驶过所述道路交叉口时的饱和车头时距时,具体用于:
提取获取的目标车辆的轨迹数据的轨迹特征信息;
将提取的轨迹特征信息输入至预先训练好的第二车头时距预测模型中,得到所述选定时间段内相邻车辆驶过所述道路交叉口时的饱和车头时距。
22.如权利要求20或21所述的装置,其特征在于,所述轨迹特征信息包括以下信息中的至少一种:
目标车辆在排列位置处启动时的加速度;
目标车辆通过所述道路交叉口的停车线时的速度;
目标车辆由排列位置处启动至通过所述道路交叉口的停车线时的减速次数统计信息;
目标车辆由排列位置处启动至通过所述道路交叉口的停车线时的延误统计信息;
所述道路交叉口的区域范围;
目标车辆驶过所述道路交叉口的区域范围时的速度统计信息;
目标车辆驶过所述道路交叉口的区域范围时的延误统计信息;
目标车辆在驶过所述道路交叉口之后行驶预设距离时的速度统计信息;
与道路交叉口连接的路段中不同类型的车道数量;
与道路交叉口连接的路段中不同转向的车辆之间的比值。
23.如权利要求20或21所述的装置,其特征在于,所述装置还包括:
模型训练模块,用于根据以下方式训练得到第二车头时距预测模型:
获取训练样本集合,所述训练样本集合中包括多个历史选定时间段内驶过所述道路交叉口的车辆的样本轨迹数据、以及每个历史选定时间段内相邻车辆驶过所述道路交叉口时的参考饱和车头时距;
从所述训练样本集合中依次获取预设数量的历史选定时间段分别对应的样本轨迹数据和参考饱和车头时距,对待训练的第二车头时距预测模型进行训练,直至确定待训练的第二车头时距预测模型训练完成。
24.如权利要求13所述的装置,其特征在于,所述第一确定模块,还用于:
在获取选定时间段内驶过道路交叉口的目标车辆的轨迹数据之后,根据获取的目标车辆的轨迹数据,确定每个目标车辆驶过所述道路交叉口时的转向;以及,
基于确定的每个目标车辆对应的转向,将获取的目标车辆的轨迹数据划分至不同车道类型分别对应的轨迹数据集合中;
所述第一确定模块,在根据获取的目标车辆的轨迹数据,确定所述选定时间段包括的至少一个信号周期内在所述道路交叉口的停车线之前等待通行的目标车辆的排列信息时,具体用于:
根据每个车道类型对应的轨迹数据集合,确定所述至少一个信号周期内在所述道路交叉口连接的每个车道类型匹配的车道上等待通行的目标车辆的排列信息;
所述第二确定模块,在基于确定的车头时距预测模型和所述目标车辆的轨迹数据,确定所述选定时间段内相邻车辆驶过所述道路交叉口时的饱和车头时距时,具体用于:
基于确定的车头时距预测模型和每个车道类型对应的轨迹数据集合,确定所述选定时间段内相邻车辆驶过每个车道类型匹配的车道时的饱和车头时距。
25.一种电子设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如权利要求1至12任一所述的饱和车头时距的估计方法的步骤。
26.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至12任一所述的饱和车头时距的估计方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910143744.1A CN111613051B (zh) | 2019-02-25 | 2019-02-25 | 一种饱和车头时距的估计方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910143744.1A CN111613051B (zh) | 2019-02-25 | 2019-02-25 | 一种饱和车头时距的估计方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111613051A true CN111613051A (zh) | 2020-09-01 |
CN111613051B CN111613051B (zh) | 2022-02-25 |
Family
ID=72201356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910143744.1A Active CN111613051B (zh) | 2019-02-25 | 2019-02-25 | 一种饱和车头时距的估计方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111613051B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669628A (zh) * | 2020-12-17 | 2021-04-16 | 安徽百诚慧通科技有限公司 | 一种基于需求-供给双波动的交叉口信号设计方法 |
CN114495490A (zh) * | 2021-12-31 | 2022-05-13 | 联通智网科技股份有限公司 | 交通情况预测方法、设备终端及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106251654A (zh) * | 2016-09-21 | 2016-12-21 | 中兴软创科技股份有限公司 | 基于车头时距的交叉口动态信号配时优化方法 |
CN106846804A (zh) * | 2017-03-03 | 2017-06-13 | 浙江大学 | 基于隐马尔科夫链的交叉口实时饱和流率估计方法 |
CN107274672A (zh) * | 2017-08-03 | 2017-10-20 | 重庆大学 | 基于gps数据的信号交叉口单车延误时间估计方法 |
-
2019
- 2019-02-25 CN CN201910143744.1A patent/CN111613051B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106251654A (zh) * | 2016-09-21 | 2016-12-21 | 中兴软创科技股份有限公司 | 基于车头时距的交叉口动态信号配时优化方法 |
CN106846804A (zh) * | 2017-03-03 | 2017-06-13 | 浙江大学 | 基于隐马尔科夫链的交叉口实时饱和流率估计方法 |
CN107274672A (zh) * | 2017-08-03 | 2017-10-20 | 重庆大学 | 基于gps数据的信号交叉口单车延误时间估计方法 |
Non-Patent Citations (6)
Title |
---|
RAHMAN M.M.等: "Comparison of saturation flow rate at signalized intersections in Yokohama and Dhaka", 《PROCEEDINGS OF THE EASTERN ASIA SOCIETY FOR TRANSPORTATION STUDIES》 * |
丁军 等: "车辆轨迹数据的若干处理方法研究", 《交通信息与安全》 * |
刘明君: "基于混合交通流的信号交叉口机动车车头时距研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 * |
李成瑞: "北京市信号交叉口直行车道饱和车头时距及其影响因素研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
杜志强: "信号交叉口左转掉头车辆车头时距特性及应用研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
林高平 等: "雨天信号交叉口饱和车头时距拟合分析", 《莆田学院学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669628A (zh) * | 2020-12-17 | 2021-04-16 | 安徽百诚慧通科技有限公司 | 一种基于需求-供给双波动的交叉口信号设计方法 |
CN114495490A (zh) * | 2021-12-31 | 2022-05-13 | 联通智网科技股份有限公司 | 交通情况预测方法、设备终端及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111613051B (zh) | 2022-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110562258B (zh) | 一种车辆自动换道决策的方法、车载设备和存储介质 | |
CN108492562B (zh) | 基于定点检测与电警数据融合的交叉口车辆轨迹重构方法 | |
JP6783949B2 (ja) | 交通標識情報を用いた道路検出 | |
CN106781493B (zh) | 一种车辆排队长度模拟系统、方法和装置 | |
CN110047276B (zh) | 障碍物车辆的拥堵状态确定方法、装置和相关产品 | |
CN108470461B (zh) | 一种交通信号控制器控制效果在线评价方法及系统 | |
WO2019030916A1 (ja) | 車線情報管理方法、走行制御方法及び車線情報管理装置 | |
CN114077541A (zh) | 验证用于自动驾驶车辆的自动控制软件的方法和系统 | |
CN113380027B (zh) | 一种基于多源数据的交叉口交通状态参数估计方法及系统 | |
CN110782656B (zh) | 一种道路瓶颈点识别方法、装置、电子设备及存储介质 | |
CN111613051B (zh) | 一种饱和车头时距的估计方法及装置 | |
US11511760B2 (en) | Cross-platform control profiling tool for autonomous vehicle control | |
CN114861514A (zh) | 一种车辆行驶方案的规划方法、装置和存储介质 | |
CN104875740B (zh) | 用于管理跟随空间的方法、主车辆以及跟随空间管理单元 | |
CN107590999A (zh) | 一种基于卡口数据的交通状态判别方法 | |
CN110733507A (zh) | 车道变换及道路隔离方法、装置、设备及存储介质 | |
US11263900B2 (en) | Traffic index computation device, computation method, traffic signal control system, and computer program | |
US11300955B2 (en) | Method for determining ride stability of an autonomous driving system controlling an autonomous driving vehicle | |
Pulter et al. | How agents can help curbing fuel combustion: a performance study of intersection control for fuel-operated vehicles | |
Cai et al. | New calculating method for HCM 2000 queue length estimation procedures with the application of floating car data | |
JP2005234656A (ja) | 遅れ時間推定装置、遅れ時間推定方法、遅れ時間推定システムおよび遅れ時間推定プログラム | |
CN115859821A (zh) | 创建用于模拟自主驾驶车辆的模拟环境的方法和系统 | |
CN109712425B (zh) | 一种基于稀疏定位点的公交车辆位置的确定方法及装置 | |
Li et al. | A probabilistic framework for estimating the risk of pedestrian-vehicle conflicts at intersections | |
CN112435472A (zh) | 拥堵分析方法、装置、设备及存储介质 |
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 |