CN111680377B - 一种交通态势仿真方法、系统和电子设备 - Google Patents
一种交通态势仿真方法、系统和电子设备 Download PDFInfo
- Publication number
- CN111680377B CN111680377B CN202010528296.XA CN202010528296A CN111680377B CN 111680377 B CN111680377 B CN 111680377B CN 202010528296 A CN202010528296 A CN 202010528296A CN 111680377 B CN111680377 B CN 111680377B
- Authority
- CN
- China
- Prior art keywords
- simulation
- road network
- sub
- simulated
- traffic situation
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 243
- 238000000034 method Methods 0.000 title claims abstract description 95
- 238000004590 computer program Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000010187 selection method Methods 0.000 claims description 7
- 230000011664 signaling Effects 0.000 claims description 4
- 230000008676 import Effects 0.000 claims 2
- 238000012544 monitoring process Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 14
- 238000001514 detection method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 229910052739 hydrogen Inorganic materials 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RZVAJINKPMORJF-UHFFFAOYSA-N Acetaminophen Chemical compound CC(=O)NC1=CC=C(O)C=C1 RZVAJINKPMORJF-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例提供一种交通态势仿真方法、系统和电子设备。方法包括:确定作为仿真目标的包括一个或多个子区路网的路网区域;获取仿真目标时间段内,每个所述子区路网的边缘路段流量以及每个所述子区路网内交叉口进口的进口转向比例;根据所述边缘路段流量以及所述进口转向比例估算获得驶入所述子区路网的车辆的模拟行驶轨迹;分别针对每个所述子区路网建立对应的交通态势仿真环境;在所述交通态势仿真环境中加载包含所述模拟行驶轨迹的仿真数据以实现交通态势仿真。相较于现有技术的方案,根据本申请实施例的方法可以提高仿真准确度以及仿真精度。
Description
技术领域
本申请涉及智能终端技术领域,特别涉及一种交通态势仿真方法、系统和电子设备。
背景技术
交通仿真是一门对交通流运动随时间和空间的变化进行跟踪描述的技术,是研究复杂交通问题的重要工具。交通态势是指交通运行状态(如:路口不同方向车流量、排队长度等)及发展趋势。交通态势推演即交通态势仿真推演,是指在数据分析基础上,利用交通仿真技术对交通态势进行分析、预判。
交通态势推演方法的核心思想是将现实环境与仿真环境相结合,通过路网检测数据分析,提取仿真所需输入参数,驱动仿真运行并获取仿真预估指标。该项技术可应用于大型活动交通组织方案效果预估、交通信号控制效果预估、特殊事件应急方案效果预估等。
在现有技术方案中,受限于检测器覆盖率、数据质量及起止点分配算法,使得现有方法难以准确还原路网运行场景,从而使得交通态势仿真结果的准确度以及精度无法满足应用需求。
发明内容
针对现有技术下的交通态势仿真结果的准确度以及精度无法满足应用需求的问题,本申请提供了一种交通态势仿真方法、系统和电子设备,本申请还提供一种计算机可读存储介质,以提供一种针对交通态势的仿真方法,以实现准确高效的交通态势仿真。
本申请实施例采用下述技术方案:
第一方面,本申请一实施例提供一种交通态势仿真方法,包括:
确定作为仿真目标的路网区域,其中,所述路网区域包括一个或多个子区路网;
获取每个所述子区路网的边缘路段流量以及每个所述子区路网内交叉口进口的进口转向比例,其中,所述边缘路段流量用于描述边缘路段的车流量,所述进口转向比例用于描述从交叉口进口驶入的车辆转向各个方向的比例;
根据所述边缘路段流量以及所述进口转向比例获得驶入所述子区路网的车辆的模拟行驶轨迹;
分别针对每个所述子区路网建立对应的交通态势仿真环境;
在所述交通态势仿真环境中加载包含所述模拟行驶轨迹的仿真数据以实现交通态势仿真。
在第一方面的一种可行的实现方式中,所述确定作为仿真目标的路网区域,包括:
确定所述路网区域;
计算所述路网区域中交叉口之间的关联度;
确认所述路网区域中的关键交叉口;
将所述路网区域拆解为与所述关键交叉口对应的一个或多个子区路网,其中,将与所述关键交叉口的关联度超过预设关联度阈值的交叉口划入所述关键交叉口所属的子区路网。
在第一方面的一种可行的实现方式中,所述在所述交通态势仿真环境中加载包含所述模拟行驶轨迹的仿真数据以实现交通态势仿真,其中:
针对多个子区路网,并行执行所述仿真数据的加载操作,以并行实现多个子区路网的交通态势仿真。
在第一方面的一种可行的实现方式中:
所述获取每个所述子区路网的边缘路段流量以及每个所述子区路网内交叉口进口的进口转向比例,包括:获取每个所述子区路网的对应不同车型的边缘路段流量以及每个所述子区路网内交叉口进口的对应不同车型的进口转向比例;
所述根据所述边缘路段流量以及所述进口转向比例获取驶入所述子区路网的车辆的模拟行驶轨迹,包括,根据所述对应不同车型的边缘路段流量以及所述对应不同车型的进口转向比例获取驶入所述子区路网的不同车型的车辆的模拟行驶轨迹。
在第一方面的一种可行的实现方式中,所述根据所述边缘路段流量以及所述进口转向比例获取驶入所述子区路网的车辆的模拟行驶轨迹,包括:
根据所述边缘路段流量确定所述边缘路段的驶入频率;
以所述驶入频率为发车频率,从所述边缘路段模拟发车;
针对模拟发车的每一辆模拟车辆,按照所述子区路网内的道路走向进行模拟行驶,直到所述模拟车辆驶出所述子区路网,以获取所述模拟车辆的模拟行驶轨迹,其中:
在所述模拟行驶过程中,当所述模拟车辆进入交叉口时,根据所述进口转向比例确定所述模拟车辆在所述交叉口的转向。
在第一方面的一种可行的实现方式中,所述根据所述进口转向比例确定所述模拟车辆在所述交叉口的转向,包括:
根据所述进口转向比例确定到达所述交叉口的模拟车辆转向不同方向的概率;
基于所述模拟车辆转向不同方向的概率,采用比例选择方法确定所述模拟车辆在所述交叉口的转向。
在第一方面的一种可行的实现方式中,所述在所述交通态势仿真环境中加载包含所述模拟行驶轨迹的仿真数据以实现交通态势仿真,其中,所述仿真数据还包含所述路网区域对应的信控方案。
在第一方面的一种可行的实现方式中,所述在所述交通态势仿真环境中加载包含所述模拟行驶轨迹的仿真数据以实现交通态势仿真,其中,所述仿真数据还包含所述路网区域的车辆速度分布值,所述车辆速度分布值为所述路网区域中的车辆的平均速度的统计值。
在第一方面的一种可行的实现方式中,所述在所述交通态势仿真环境中加载包含所述模拟行驶轨迹的仿真数据以实现交通态势仿真之后,所述方法还包括:
对所述交通态势仿真的仿真结果中的仿真指标进行指标分析,获取仿真指标的指标分析结果,其中,所述仿真指标被划分为针对不同对象涵盖范围的多个仿真指标层级。
第二方面,本申请一实施例提供一种交通态势仿真系统,包括:
路网确认模块,其用于确定作为仿真目标的路网区域,其中,所述路网区域包括一个或多个子区路网;
路网数据获取模块,其用于获取每个所述子区路网的边缘路段流量以及每个所述子区路网内交叉口进口的进口转向比例,其中,所述边缘路段流量用于描述边缘路段的车流量,所述进口转向比例用于描述从交叉口进口驶入的车辆转向各个方向的比例视频监测数据;
行驶轨迹模拟模块,其用于根据所述边缘路段流量以及所述进口转向比例获得驶入所述子区路网的车辆的模拟行驶轨迹;
仿真环境建立模块,其用于分别针对每个所述子区路网建立对应的交通态势仿真环境;
仿真模块,其用于在所述交通态势仿真环境中加载包含所述模拟行驶轨迹的仿真数据以实现交通态势仿真。
第三方面,本申请一实施例提供一种电子设备,所述电子设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发所述电子设备执行本申请实施例所述的方法步骤。
第四方面,本申请一实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行本申请实施例所述的方法。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:根据本申请一实施例的方法,根据边缘路段流量及进口转向比例获取车辆的模拟行驶轨迹,将模拟行驶轨迹作为仿真数据的一部分加载到交通态势仿真环境中,以实现交通态势仿真,有效提升了路网场景仿真的还原度,保证了仿真结果的准确性;相较于现有技术的方案,根据本申请实施例的方法可以大大提高仿真准确度以及仿真精度。
附图说明
图1为根据本申请一实施例的交通态势仿真方法的流程图;
图2为根据本申请一实施例的交通态势仿真方法的路网场景示意图;
图3为根据本申请一实施例的交通态势仿真方法的轮盘选择应用场景示意图;
图4为根据本申请一实施例的交通态势仿真方法的路段场景示意图;
图5为根据本申请一实施例的交通态势仿真方法的部分流程图;
图6为根据本申请一实施例的交通态势仿真方法的干线指标计算流程图;
图7为根据本申请一实施例的交通态势仿真方法的流程图;
图8为根据本申请一实施例的交通态势仿真系统结构图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的实施方式部分使用的术语仅用于对本申请的具体实施例进行解释,而非旨在限定本申请。
针对现有技术下的交通态势仿真结果的准确度以及精度无法满足应用需求的问题,本申请一实施例提出了一种交通态势仿真方法。为了提出本申请实施例的方法,发明人逐步分析交通态势仿真的运行场景。
在仿真运行方案中,影响仿真结果准确度以及精度的直接因素之一是仿真环境加载的仿真数据。一般的,仿真数据越精确、越准确,之后获取的仿真结果的准确度也就越高、仿真精度也越高。然而,在交通态势仿真场景中,受限于检测器覆盖率、数据质量,针对交通态势方针的仿真数据的数据量、准确度以及数据精度都存在不足。
针对上述问题,在本申请一实施例中,采用检测点覆盖率、数据采集精度更优的数据采集源。具体的,随着视频监控技术的不断普及,视频监控设备的覆盖率不断提升,并且,视频监控设备的硬件性能也不断提高,其能获取优质、高精度的监控数据。因此,在本申请一实施例中,采用视频监测数据作为交通态势仿真运行输入的数据源头之一。
进一步的,在本申请一实施例中,根据视频监测数据确定车辆行驶轨迹,将车辆行驶轨迹作为仿真数据的一部分加载到交通态势仿真以实现交通态势仿真,从而大大提高交通态势仿真的仿真精度以及准确度。然而,在上述方案中,根据视频监测数据区分路网中的每辆车,并且分别确定每辆车的行驶轨迹,首先要求视频监控设备覆盖所有的路网交叉口节点,这在视频监控设备部署存在很大的实现难度,并且,从视频监测数据中区分每一辆车,也存在很高的视频数据分析难度。因此,上述方案在实现上具有很高的难度。
在实际应用场景中,交通态势是指交通运行状态(如:路口不同方向车流量、排队长度等)及发展趋势。交通态势仿真的目的是在数据分析基础上,利用交通仿真技术对交通态势进行分析、预判。因此,在通常的交通态势仿真的应用场景中,只需要获取整个路网下的车辆整体运行状态,而不需要仔细了解每一辆车的运行状态。
基于上述分析,在本申请一实施例中,并不细致的将车辆行驶轨迹与实际的车辆一一对应,而是确认路网区域中行驶的车辆所生成的行驶轨迹。例如,假设3辆车(车辆A、车辆B、车辆C)驶入路网区域,车辆A以及车辆B沿路径1行驶,车辆C沿路径2行驶。只需要确认:有两辆车的行驶轨迹为路径1,有一辆车的行驶轨迹为路径2;而不需要细致的确认哪两辆车的行驶轨迹为路径1,哪一辆车的行驶轨迹为路径2。
具体的,边缘路段是指路网区域中产生输入流量的路段,边缘路段流量即是指路网区域中从该边缘路段输入的车流量。进口转向比例指的是在交叉口的进口道车流左转、直行、右转、掉头的车辆数比例。在本申请一实施例中,根据边缘路段流量以及进口转向比例模拟车辆的行驶轨迹从而确认路网区域中行驶的车辆所生成的行驶轨迹。
例如,路口A每小时驶入的车辆数为10a辆车,其中5a辆直行(直行50%)、a辆左转(左转10%)、3a辆右转(右转30%)、a辆掉头(掉头10%)。串联每个路口的转向状态就可以模拟车辆的行驶轨迹。
具体的,在本申请一实施例中,获取路网区域的边缘路段流量及进口转向比例,根据边缘路段流量以及进口转向比例获得驶入路网的车辆的模拟行驶轨迹。在进行交通态势仿真的过程中,将使用车辆的模拟行驶轨迹替代车辆的实际行驶轨迹,将车辆的模拟行驶轨迹作为仿真数据的一部分加载到交通态势仿真运行环境中进行交通态势仿真。从而在无法获取车辆的实际的行驶轨迹的情况下,依然可以确保交通态势仿真的仿真准确度以及仿真精度。
进一步的,在本申请一实施例中,考虑到在某些应用场景中,模拟行驶轨迹与实际行驶轨迹在数据结构上存在区别。因此,在将模拟行驶轨迹加载到交通态势仿真运行环境之前,需要对模拟行驶轨迹进行格式转化,以确保模拟行驶轨迹可以顺利加载。例如,根据模拟行驶轨迹生成行驶轨迹描述,该行驶轨迹描述与交通态势仿真运行环境所要加载的车辆实际行驶轨迹具备统一的数据格式。在仿真过程中将行驶轨迹描述加载到交通态势仿真运行环境中。
进一步的,在交通态势仿真的应用场景中,作为仿真目标的路网区域通常是一个较大的地域(例如,整个市区)。针对整个路网区域进行交通范围仿真需要占用较高的运算资源,需要消耗较长的运算时间。因此,在本申请一实施例中,在进行交通态势仿真时,并不是将作为仿真目标的路网区域整体仿真。而是将路网区域拆解为多个子区路网,分别进行仿真。
根据本申请一实施例的方法,根据边缘路段流量及进口转向比例获取车辆的模拟行驶轨迹,将模拟行驶轨迹作为仿真数据的一部分加载到交通态势仿真环境中,以实现交通态势仿真,有效提升了路网场景仿真的还原度,保证了仿真结果的准确性;相较于现有技术的方案,根据本申请实施例的方法可以大大提高仿真准确度以及仿真精度。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图1为根据本申请一实施例的交通态势仿真方法的流程图。在本申请一实施例中,如图1所示,交通态势仿真方法包括:
步骤110,确定作为仿真目标的路网区域,其中,作为仿真目标的路网区域包括一个或多个子区路网;
步骤120,获取每个子区路网的边缘路段流量以及每个子区路网内交叉口进口的进口转向比例,其中,边缘路段流量用于描述边缘路段的车流量,进口转向比例用于描述从交叉口进口驶入的车辆转向各个方向的比例视频监测数据;
步骤130,根据边缘路段流量以及进口转向比例获得驶入子区路网的车辆的模拟行驶轨迹;
步骤140,分别针对每个子区路网建立对应的交通态势仿真环境;
步骤150,在交通态势仿真环境中加载包含模拟行驶轨迹的仿真数据以实现交通态势仿真。
这里需要说明的是,在本申请一实施例中,在进行交通态势仿真时,在交通态势仿真环境中加载仿真数据的过程中,仿真数据包括但不限于模拟行驶轨迹。可以根据实际应用场景需求,在交通态势仿真环境中加载仿真数据的过程中,增加其他类型的数据作为加载到交通态势仿真环境的仿真数据。
进一步的,在本申请一实施例中,步骤140可以在步骤110执行完毕后的任意时刻执行,而不需要等待步骤130执行完毕后再执行。
进一步的,在步骤110中所确定的路网区域包括一个或多个子区路网,路网区域中子区路网的划分,目的是为了将具备一定程度关联度的交叉路口划分在一起,在本申请的实施例的具体实现场景中,并不限定子区路网的具体划分方式。
具体的,在步骤110的一种实现方式中,路网区域中的子区路网是基于路网区域中交叉口之间的关联度而划分的,在划分子区路网时,以路网区域中的关键交叉口为基准,选取与关键交叉口关联度较大的交叉口组成一个路网子区。交叉口关联度计算公式如下所示:
式1中:CI为交叉口关联度;V为两交叉口间车流量(每小时车流量,vehicles perhour,veh/h);D为两交叉口之间路段的距离(m);C为两路口周期之差;α和β为比例放大系数,通过比例系数统一数量级。
在根据本申请一实施例的应用场景中,通过车牌匹配法获知两交叉口之间的流量(V),并通过最短路径算法获取两交叉口之间的距离(D),若两交叉口之间不连通,则距离为无限大。
进一步的,在本申请一实施例中,根据路口周期确定路网区域中的关键交叉口,路口周期是指所有交通信号相位显示一周所需的时间之和。
具体的,在本申请一实施例中,选取路口周期较大的交叉口为关键交叉口。
具体的,在本申请一实施例中,设定路口周期阈值,以路口周期大于路口周期阈值的交叉路口为关键交叉口。在本申请一实施例中,路口周期阈值的大小可以在具体实现时根据系统性能和/实现需求等自行设定,本实施例对路口周期阈值的大小不作限定。
具体的,在本申请一实施例中,设定关键交叉口数量n,设定路网总范围内路口周期长度排前n的n个交叉口为关键交叉口。具体的,在本申请一实施例中,关键交叉口数量n的大小可以在具体实现时根据系统性能和/实现需求等自行设定,本实施例对关键交叉口数量n的大小不作限定。
具体的,在本申请一实施例中,选取与关键交叉口关联度较大的交叉口组成一个路网子区的过程包括:
计算交叉口之间的关联度;
将交叉路口划入关联度最大的关键交叉口所属的子区路网。
具体的,在本申请一实施例中,选取与关键交叉口关联度较大的交叉口组成一个路网子区的过程包括:
计算交叉口之间的关联度;
将与关键交叉口关联度超过预设关联度阈值的交叉口划入关键交叉口所属的子区路网。
在本申请一实施例中,预设关联度阈值的大小可以在具体实现时根据系统性能和/实现需求等自行设定,本实施例对预设关联度阈值的大小不作限定。例如,在一应用场景中,将预设关联度阈值设定为3。
图2为根据本申请一实施例的交通态势仿真方法的路网场景示意图。在根据本申请一实施例的应用场景中,如图2所示,A、C、E、G、B、F、D、H、L、I、K、J分别代表交叉路口。交叉路口之间的有向指示箭头代表道路连接。路网区域中除了AD、DA、CH、HC路段的长度为600m外,其余均为300m;除A、C、D、H交叉口的信号周期为150s外,其余均为120s;除AD、DA、CH、CH路段的流量为200veh/h外,其余路段流量均为600veh/h。则根据交叉口的关联度计算公式(α=103,β=0.1),可得表1所示结果。
交叉口对 | 关联度 | 交叉口 | 关联度 |
AB | 3.66 | CH | 0.55 |
AE | 3.66 | DL | 3.66 |
AC | 6.66 | DK | 3.66 |
CF | 3.66 | DH | 6.66 |
CG | 3.66 | HJ | 3.66 |
AD | 0.55 | HI | 3.66 |
表1
设定关联度阈值为3,则可将图3路网划分为两个路网子区:子区1包含A、C、E、G、B、F,子区2包含D、H、L、I、K、J。
进一步的,为了限定子区路网的大小范围,在本申请一实施例中,在选择与其关联度较高的交叉口划入同一个子区路网的过程中,设定子区路网最大交叉口数。同一子区路网最大交叉口个数不能大于子区路网最大交叉口数。在本申请一实施例中,子区路网最大交叉口数的大小可以在具体实现时根据系统性能和/实现需求等自行设定,本实施例对子区路网最大交叉口数的大小不作限定。例如,在一应用场景中,将子区路网最大交叉口数设定为20。
进一步的,在步骤120的一种实现方式中,根据路网的视频监测数据来获取路网的边缘路段流量及进口转向比例,边缘路段流量及进口转向比例可以是实时获取的数据,也可以是基于预测计算获取的数据。具体的,在获取子区路网的边缘路段流量及进口转向比例的过程中,需要获取外部的输入数据(例如,视频监测数据,或者直接获取视频监测数据的分析结果:边缘路段流量及进口转向比例)。因此,在本申请一实施例中,方法还包括数据接入步骤,建立数据接入接口以获取用于交通态势仿真的输入数据。
具体的,在本申请一实施例中,通过KAFA消息队列接收实时检测数据。采用流处理技术进行数据预处理,过滤掉异常数据,并按照五分钟的时间间隔,将数据存入分布式文件系统。不同于基于关系型数据库的数据存储方法,采用流处理及分布式文件系统,能够极大提升数据接收及消费的实时性,同时提升历史数据查询分析的效率。
在根据本申请一实施例的应用场景中,如图2所示,交叉口A的紧邻交叉口为与其进口直接相连的交叉口,即:B、C、D、E。若某个交叉口有且只有一个紧邻进口,则定义为路网边缘交叉口,如:B、F、G、E、L、I、K、J。交叉口A、C、D、H则被称为路网的内部交叉口。
进一步的,在本申请一实施例中,进口转向比例指的是进口道车流左转、直行、右转、掉头的车辆数比例。如图2所示,以CA路段为例,其转向比例如表2所示。实际应用中,统计进口道不同方向的车辆数,归一化作为转向比例,若进口方向检测设备缺失,则默认采用不同方向的车道数作为转向比例依据。
表2
进一步的,在步骤130的一种实现方式中,模拟子区路网中的车辆行驶以估算车辆的模拟行驶轨迹。具体的,模拟子区路网中的车辆行驶以估算车辆的模拟行驶轨迹,包括:
根据边缘路段流量确定边缘路段的驶入频率;
以驶入频率为发车频率,从边缘路段模拟发车;
针对模拟发车的每一辆模拟车辆,按照子区路网内的道路走向进行模拟行驶,直到模拟车辆驶出子区路网,以获取模拟车辆的模拟行驶轨迹,其中:
在模拟行驶过程中,当模拟车辆进入交叉口时,根据进口转向比例确定模拟车辆在交叉口的转向。
进一步的,在步骤130的一种实现方式中,采用比例选择方法确认模拟车辆在交叉口的转向。具体的,在根据进口转向比例确定模拟车辆在交叉口的转向的过程中:
根据进口转向比例确定到达交叉口的模拟车辆转向不同方向的概率;
基于模拟车辆转向不同方向的概率,采用比例选择方法(轮盘选择法)确定模拟车辆在交叉口的转向。
图3为根据本申请一实施例的交通态势仿真方法的轮盘选择应用场景示意图。如图4所示:轮盘“指针”随机转动,落在哪个区域即采用对应的转向。对车辆经过的节点,依次采用轮盘选择法,直到车辆驶离路网,得到一条完整的行驶轨迹。
进一步的,考虑到在实际交通运行场景中,车辆的车型不同对交通状况具有直接影响。例如,不同的车型具有不同的车长,因此在同等车辆数的队伍中,根据车型的比例不同,队伍长度也是不同的。图4为根据本申请一实施例的交通态势仿真方法的路段场景示意图。如图4所示,车辆队伍中车头间距为车身长度与停车间距之和,排队长度等于各相邻车辆的车头间距之和加末尾车辆车身长度,如果不区分车型,按照统一的车身长度进行计算,就会生成错误的车辆排队状态,从而对仿真精度产生影响。
因此,在本申请一实施例中,在步骤120中,获取每个子区路网的对应不同车型的边缘路段流量以及每个子区路网内交叉口进口的对应不同车型的进口转向比例;在步骤130中,根据对应不同车型的边缘路段流量以及对应不同车型的进口转向比例获取驶入子区路网的不同车型的车辆的模拟行驶轨迹。
在根据本申请一实施例的应用场景中,根据边缘路段流量以及进口转向比例生成车辆行驶轨迹的过程包括:
首先按照均匀分布从边缘路段发车。如图2所示,假设路段GC的流量(边缘路段流量)为小汽车600辆/小时、公交车100辆/小时,则每6秒发出一辆小汽车,每36秒发出一辆公交车。随后,对于各交叉口的进口方向,根据其转向比例确定到达车辆转向的概率,并采用轮盘法(比例选择方法)确定车辆转向。
进一步的,在本申请一实施例中,在交通态势仿真环境中加载仿真数据的过程中,还加载路网区域对应的信控方案,即,仿真数据包括路网区域对应的信控方案。
具体的,为了便于系统处理,在本申请一实施例中,交通态势仿真环境中加载的信控方案为阶段格式的配时方案。在阶段格式的配时方案中,转换的核心思想即对比上、下环的相位状态,一旦状态发生变化即新增阶段并进行记录,构成阶段表示的配时方案。阶段格式的配时方案转换逻辑简单,便于计算机理解。
在根据本申请一实施例的应用场景中,表3所示为双环格式的方案(只显示绿灯时长),表4为对应的阶段格式方案,其放行顺序为:南北直行,北向直左,南北左转,东西直行,东西左转。
表3
南北直行 | 北向直左 | 南北左转 | 东西直行 | 东西左转 |
20s | 10s | 20s | 20s | 20s |
表4
进一步的,在本申请一实施例中,在交通态势仿真环境中加载仿真数据的过程中,还加载车速数据。在实际应用场景中,每辆车的车速变化情况是不同的,如果加载每一辆车的车速数据势必为数据采集以及仿真计算带来巨量的硬件软件压力。考虑到实际交通流运行受天气、时段、道路条件等因素影响,车辆速度服从一定分布规律,因此,在本申请一实施例中,为了更好地还原路网交通状态,计算车辆平均速度,统计车辆速度分布值,在交通态势仿真环境中加载车辆速度分布值。
具体的,在本申请一实施例中,通过车牌匹配算法计算车辆平均速度。具体的,在车牌匹配算法中:根据车辆通过上、下游检测设备的时间戳计算得到路段行程时间,路段长度除以行程时间即获得车辆行程车速。
进一步的,在本申请一实施例中,为了提高仿真效率,针对多个子区路网,并行执行仿真数据的加载操作,以并行实现多个子区路网的交通态势仿真。具体的,在本申请一实施例中,为提高仿真运行效率,采用多线程方式并行运行多个子区路网,假设有n个子区路网,则创建n个线程,同步运行各子区路网对应的仿真路网,同时,实时监测线程运行状态,当各线程均结束或有异常线程时,结束仿真。
图5为根据本申请一实施例的交通态势仿真方法的部分流程图。如图5所示,在本申请一实施例中,多线程方式并行运行多个路网子区的过程包括:
步骤410,针对多个子区路网创建多个仿真线程;
步骤420,并行运行各子区路网的仿真线程;
步骤430,监控各仿真线程的运行状态;
步骤440,判断仿真线程运行是否正常;
当仿真线程运行不正常时,执行步骤460;
步骤460,关闭所有的仿真线程,仿真结束;
当运行正常时,执行步骤450;
步骤450,判断所有仿真线程是否结束运行;
当运行未完成时,返回步骤430;
当运行完成时,仿真结束。
进一步的,在实际运行场景中,对交通态势进行仿真的最终目的之一是从仿真结果中提取用于描述交通态势某一特征的仿真指标,以便开展后续的分析判断操作。然而,由于实际的交通场景复杂多变,导致用于体现实际交通态势的仿真指标也种类繁多。为了便于获取仿真指标并对仿真指标进行后续的分析,在本申请一实施例中,构建多维度的仿真指标体系,以实现多维度的仿真评价。
具体的,在本申请一实施例中,方法还包括:
根据交通态势仿真的执行结果进行指标分析,获取仿真指标的指标分析结果,其中,根据仿真指标针对对象的涵盖范围的不同,将仿真指标划分为多个不同的仿真指标层级。
具体的,在本申请一实施例中,将仿真指标层级分为车道(方向)、路段、交叉口、干线、路网五个层级。
具体的,在根据本申请一实施例的应用场景中,仿真指标及其归属的层级如表5所示。
表5
在本申请一实施例中,如表5所示,车道流量、排队长度、饱和度及占有率等指标均可通过仿真路网中检测器直接获取。
在本申请一实施例中,根据车道数及饱和车头时距计算理想情况下的交通流量,根据理想情况下的交通流量与实际交通流量的比值计算绿灯利用率。例如,假定饱和车头时距为3s,绿信比为0.5,则单车道理想情况下通过车辆数为600辆,若实际检测得到车辆为300辆,则绿灯利用率为50%。
在本申请一实施例中,干线指标包括干线平均车速、行程时间。根据干线交叉口列表及路网拓扑信息得到干线上、下行方向对应的路段集合;在此基础上计算得到干线总长度及平均车速,通过距离除以时间获得干线平均行程时间。
具体的,图6为根据本申请一实施例的交通态势仿真方法的干线指标计算流程图。在本申请一实施例中,如图6所示,干线指标计算流程包括:
步骤510,获取路网区域内所有干线的干线交叉口集合;
步骤520,选取干线交叉口集合中一个交叉口的一个方向上的紧邻交叉口;
步骤530,判断步骤520选取的紧邻交叉口是否在干线交叉口集合中;
如步骤520选取的紧邻交叉口不在干线交叉口集合中,执行步骤540;
如步骤520选取的紧邻交叉口在干线交叉口集合中,执行步骤550;
步骤550,记录步骤520选取的紧邻交叉口对应方向的路段,提取路段检测指标,执行步骤540;
步骤540,判断是否还存在没有被选取的紧邻交叉口;
如还存在没有被选取的紧邻交叉口,返回步骤520;
如不存在没有被选取的紧邻交叉口,执行步骤560;
步骤560,根据提取到的所有路段检测指标统计干线指标。
具体的,图7为根据本申请一实施例的交通态势仿真方法的流程图。如图7所示,在本申请一实施例中,交通态势仿真方法包括:
步骤600,建立数据接入接口;
步骤610,确定作为仿真目标的路网区域;
步骤611,从数据接入接口获取路网车流量以及路网道路布局,根据路网车流量以及路网道路布局将路网区域拆解为多个子区路网;
步骤620,从数据接入接口获取每个子区路网的边缘路段流量及进口转向比例,分别根据每个子区路网的边缘路段流量及进口转向比例获得子区路网的车辆的模拟行驶轨迹;
步骤630,从数据接入接口获取路网区域的信控方案,以及,从数据接入接口获取路网区域的车辆平均速度,统计车辆速度分布值;
步骤640,分别针对每个子区路网建立对应的交通态势仿真环境;
步骤650,并行为每个子区路网的交通态势仿真环境中加载包含模拟行驶轨迹、的仿真数据、信控方案以及车辆速度分布值的仿真数据,以获取仿真结果;
步骤660,根据获取到的仿真结果进行多维度仿真指标分析。
以下通过根据本申请一实施例方法的具体应用场景为例描述本申请一实施例的仿真方法的运行过程以及效果。
进一步的,基于本申请实施例的交通态势仿真方法,本申请实施例还提出了一种交通态势仿真系统。具体的,图8为根据本申请一实施例的交通态势仿真系统结构图。如图8所示,在本申请一实施例中,交通态势仿真系统700包括:包括:
路网确认模块710,其用于确定作为仿真目标的路网区域,其中,路网区域包括一个或多个子区路网;
路网数据获取模块720,其用于获取仿真目标时间段内,每个子区路网的边缘路段流量以及每个子区路网内交叉口进口的进口转向比例,其中,边缘路段流量用于描述边缘路段的车流量,进口转向比例用于描述从交叉口进口驶入的车辆转向各个方向的比例视频监测数据;
行驶轨迹模拟模块730,其用于根据边缘路段流量以及进口转向比例获得驶入子区路网的车辆的模拟行驶轨迹;
仿真环境建立模块740,其用于分别针对每个子区路网建立对应的交通态势仿真环境;
仿真模块750,其用于在交通态势仿真环境中加载包含模拟行驶轨迹的仿真数据以实现交通态势仿真仿真数据行驶轨迹行驶轨迹。
图8所示的本申请一实施例提供的系统可用于执行本申请实施例的方法实施例的技术方案,其实现原理和技术效果可以进一步参考方法实施例中的相关描述。
应理解以上图8所示的系统的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块以软件通过处理元件调用的形式实现,部分模块通过硬件的形式实现。例如,检测模块可以为单独设立的处理元件,也可以集成在电子设备的某一个芯片中实现。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起,也可以独立实现。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如,以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit;以下简称:ASIC),或,一个或多个微处理器(Digital Singnal Processor;以下简称:DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array;以下简称:FPGA)等。再如,这些模块可以集成在一起,以片上系统(System-On-a-Chip;以下简称:SOC)的形式实现。
进一步的,基于本申请实施例提出的方法,本申请实施例提出还提出了一种电子设备,该电子设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发该电子设备执行本申请实施例所述的方法步骤。
具体的,本申请实施例还提出了一种电子设备,该电子设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发电子设备执行如本申请方法实施例所述的方法步骤。
具体的,在本申请一实施例中,上述电子设备可以为个人终端(个人电脑)、云服务器、移动终端(手机),智慧屏,无人机,智能网联车(Intelligent Connected Vehicle;以下简称:ICV),智能(汽)车(smart/intelligent car)或车载设备等设备。其中上述一个或多个计算机程序被存储在上述存储器中,上述一个或多个计算机程序包括指令,当上述指令被上述设备执行时,使得上述设备执行本申请实施例所述的方法步骤。
进一步的,本申请一实施例所示的电子设备可以是终端设备也可以是内置于上述终端设备的电路设备。该设备可以用于执行本申请实施例提供的方法中的功能/步骤。
具体的,在本申请一实施例中,电子设备包括处理器以及存储器。其中,处理器和存储器之间可以通过内部连接通路互相通信,传递控制和/或数据信号,该存储器用于存储计算机程序,该处理器用于从该存储器中调用并运行该计算机程序。
上述存储器可以是只读存储器(read-only memory,ROM)、可存储静态信息和指令的其它类型的静态存储设备、随机存取存储器(random access memory,RAM)或可存储信息和指令的其它类型的动态存储设备,也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory,EEPROM)、只读光盘(compact disc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其它磁存储设备,或者还可以是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其它介质等。
上述处理器可以和存储器可以合成一个处理装置,更常见的是彼此独立的部件,处理器用于执行存储器中存储的程序代码来实现上述功能。具体实现时,该存储器也可以集成在处理器中,或者,独立于处理器。
除此之外,为了使得电子设备的功能更加完善,该电子设备还可以包括输入单元、显示单元、摄像头和传感器等中的一个或多个,其中,显示单元可以包括显示屏。
可选地,上述电子设备还可以包括电源,用于给终端设备中的各种器件或电路提供电源。
应理解,上述电子设备能够实现本申请实施例提供的方法的各个过程。电子设备中的各个模块的操作和/或功能,分别为了实现上述方法实施例中的相应流程。具体可参见本申请实施例所述方法实施例中的描述,为避免重复,此处适当省略详细描述。
应理解,上述电子设备中的处理器可以是片上系统SOC,该处理器中可以包括中央处理器(Central Processing Unit;以下简称:CPU),还可以进一步包括其他类型的处理器,例如:图像处理器(Graphics Processing Unit;以下简称:GPU)等。总之,处理器内部的各部分处理器或处理单元可以共同配合实现之前的方法流程,且各部分处理器或处理单元相应的软件程序可存储在存储器中。
以上各实施例中,涉及的处理器可以例如包括CPU、DSP、微控制器或数字信号处理器,还可包括GPU、嵌入式神经网络处理器(Neural-network Process Units;以下简称:NPU)和图像信号处理器(Image Signal Processing;以下简称:ISP),该处理器还可包括必要的硬件加速器或逻辑处理硬件电路,如ASIC,或一个或多个用于控制本申请技术方案程序执行的集成电路等。此外,处理器可以具有操作一个或多个软件程序的功能,软件程序可以存储在存储介质中。
本申请一实施例中还提供一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行本申请实施例提供的方法。
本申请实施例还提供一种计算机程序产品,该计算机程序产品包括计算机程序,当其在计算机上运行时,使得计算机执行本申请实施例提供的方法。
本申请实施例中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示单独存在A、同时存在A和B、单独存在B的情况。其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达,是指的这些项中的任意组合,包括单项或复数项的任意组合。例如,a,b和c中的至少一项可以表示:a,b,c,a和b,a和c,b和c或a和b和c,其中a,b,c可以是单个,也可以是多个。
本领域普通技术人员可以意识到,本申请实施例中描述的各模块及算法步骤,能够以电子硬件、计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
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、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,任一功能如果以软件功能模块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所述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(Read-Only Memory;以下简称:ROM)、随机存取存储器(Random Access Memory;以下简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请实施例的具体实施方式,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。本申请的保护范围应以所述权利要求的保护范围为准。
Claims (12)
1.一种交通态势仿真方法,其特征在于,包括:
确定作为仿真目标的路网区域,其中,所述路网区域包括一个或多个子区路网;
获取每个所述子区路网的边缘路段流量以及每个所述子区路网内交叉口进口的进口转向比例,其中:所述边缘路段流量用于描述边缘路段的车流量;所述进口转向比例用于描述,从交叉口进口驶入的车辆中,转向各个方向的车辆数比例;
根据所述边缘路段流量确定所述边缘路段的驶入频率;
以所述驶入频率为发车频率,从所述边缘路段模拟发车;
根据所述进口转向比例获得模拟发车驶入所述子区路网的模拟车辆的模拟行驶轨迹,所述模拟行驶轨迹用于确认所述子区路网中行驶的车辆所生成的行驶轨迹;
分别针对每个所述子区路网建立对应的交通态势仿真环境;
在所述交通态势仿真环境中加载包含所述模拟行驶轨迹的仿真数据以实现交通态势仿真。
2.根据权利要求1所述的方法,其特征在于,所述确定作为仿真目标的路网区域,包括:
确定所述路网区域;
计算所述路网区域中交叉口之间的关联度;
确认所述路网区域中的关键交叉口;
将所述路网区域拆解为与所述关键交叉口对应的一个或多个子区路网,其中,将与所述关键交叉口的关联度超过预设关联度阈值的交叉口划入所述关键交叉口所属的子区路网。
3.根据权利要求1所述的方法,其特征在于,所述在所述交通态势仿真环境中加载包含所述模拟行驶轨迹的仿真数据以实现交通态势仿真,其中:
针对多个子区路网,并行执行所述仿真数据的加载操作,以并行实现多个子区路网的交通态势仿真。
4.根据权利要求1所述的方法,其特征在于:
所述获取每个所述子区路网的边缘路段流量以及每个所述子区路网内交叉口进口的进口转向比例,包括:获取每个所述子区路网的对应不同车型的边缘路段流量以及每个所述子区路网内交叉口进口的对应不同车型的进口转向比例;
所述根据所述边缘路段流量以及所述进口转向比例获取驶入所述子区路网的车辆的模拟行驶轨迹,包括,根据所述对应不同车型的边缘路段流量以及所述对应不同车型的进口转向比例获取驶入所述子区路网的不同车型的车辆的模拟行驶轨迹。
5.根据权利要求1所述的方法,其特征在于,所述根据所述进口转向比例获取模拟发车驶入所述子区路网的模拟车辆的模拟行驶轨迹,包括:
针对模拟发车的每一辆模拟车辆,按照所述子区路网内的道路走向进行模拟行驶,直到所述模拟车辆驶出所述子区路网,以获取所述模拟车辆的模拟行驶轨迹,其中:
在所述模拟行驶过程中,当所述模拟车辆进入交叉口时,根据所述进口转向比例确定所述模拟车辆在所述交叉口的转向。
6.根据权利要求5所述的方法,其特征在于,所述根据所述进口转向比例确定所述模拟车辆在所述交叉口的转向,包括:
根据所述进口转向比例确定到达所述交叉口的模拟车辆转向不同方向的概率;
基于所述模拟车辆转向不同方向的概率,采用比例选择方法确定所述模拟车辆在所述交叉口的转向。
7.根据权利要求1所述的方法,其特征在于,所述在所述交通态势仿真环境中加载包含所述模拟行驶轨迹的仿真数据以实现交通态势仿真,其中,所述仿真数据还包含所述路网区域对应的信控方案。
8.根据权利要求1所述的方法,其特征在于,所述在所述交通态势仿真环境中加载包含所述模拟行驶轨迹的仿真数据以实现交通态势仿真,其中,所述仿真数据还包含所述路网区域的车辆速度分布值,所述车辆速度分布值为所述路网区域中的车辆的平均速度的统计值。
9.根据权利要求1~8中任一项所述的方法,其特征在于,所述在所述交通态势仿真环境中加载包含所述模拟行驶轨迹的仿真数据以实现交通态势仿真之后,所述方法还包括:
对所述交通态势仿真的仿真结果中的仿真指标进行指标分析,获取仿真指标的指标分析结果,其中,所述仿真指标被划分为针对不同对象涵盖范围的多个仿真指标层级。
10.一种交通态势仿真系统,其特征在于,包括:
路网确认模块,其用于确定作为仿真目标的路网区域,其中,所述路网区域包括一个或多个子区路网;
路网数据获取模块,其用于获取每个所述子区路网的边缘路段流量以及每个所述子区路网内交叉口进口的进口转向比例,其中:所述边缘路段流量用于描述边缘路段的车流量;所述进口转向比例用于描述,从交叉口进口驶入的车辆中,转向各个方向的车辆数比例;
行驶轨迹模拟模块,其用于:根据所述边缘路段流量确定所述边缘路段的驶入频率;以所述驶入频率为发车频率,从所述边缘路段模拟发车;根据所述进口转向比例获得模拟发车驶入所述子区路网的模拟车辆的模拟行驶轨迹,所述模拟行驶轨迹用于确认所述子区路网中行驶的车辆所生成的行驶轨迹;
仿真环境建立模块,其用于分别针对每个所述子区路网建立对应的交通态势仿真环境;
仿真模块,其用于在所述交通态势仿真环境中加载包含所述模拟行驶轨迹的仿真数据以实现交通态势仿真。
11.一种电子设备,其特征在于,所述电子设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发所述电子设备执行如权利要求1~9中任一项所述的方法步骤。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行如权利要求1-9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010528296.XA CN111680377B (zh) | 2020-06-11 | 2020-06-11 | 一种交通态势仿真方法、系统和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010528296.XA CN111680377B (zh) | 2020-06-11 | 2020-06-11 | 一种交通态势仿真方法、系统和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111680377A CN111680377A (zh) | 2020-09-18 |
CN111680377B true CN111680377B (zh) | 2024-02-09 |
Family
ID=72454627
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010528296.XA Active CN111680377B (zh) | 2020-06-11 | 2020-06-11 | 一种交通态势仿真方法、系统和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111680377B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065215A (zh) * | 2021-03-22 | 2021-07-02 | 广州弘毅软件科技有限公司 | 高速公路运营态势预测方法及装置 |
CN113361144B (zh) * | 2021-07-15 | 2022-05-20 | 中交第二公路勘察设计研究院有限公司 | 一种基于bim的道路驾驶模拟环境建立方法 |
CN114440859A (zh) * | 2022-01-26 | 2022-05-06 | 广州小鹏自动驾驶科技有限公司 | 地图更新方法、装置、计算机设备及存储介质 |
CN115081186B (zh) * | 2022-05-17 | 2023-09-26 | 同济大学 | 一种支持数据驱动的驾驶行为仿真系统及其仿真方法 |
CN115083159A (zh) * | 2022-06-14 | 2022-09-20 | 重庆京东方智慧科技有限公司 | 交通信号的仿真方法、装置、设备及介质 |
CN114968604B (zh) * | 2022-08-03 | 2022-11-25 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种大规模路网下的道路仿真并行方法、装置及系统 |
CN115331439B (zh) * | 2022-08-09 | 2023-08-18 | 山东旗帜信息有限公司 | 一种基于车辆历史画像的高速公路立交的车流量预测方法 |
CN117172036B (zh) * | 2023-11-02 | 2024-02-27 | 腾讯科技(深圳)有限公司 | 一种道路交通的仿真方法以及相关装置 |
CN117272699B (zh) * | 2023-11-21 | 2024-02-09 | 杭州海康威视数字技术股份有限公司 | 数字路口的在线仿真方法、装置、存储介质和电子设备 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101097140A (zh) * | 2006-06-30 | 2008-01-02 | 佛山市顺德区顺达电脑厂有限公司 | 步行导引方法及装置 |
CN101349034A (zh) * | 2008-07-27 | 2009-01-21 | 张俊岭 | 小型全互通立交路口 |
CN102722986A (zh) * | 2012-06-28 | 2012-10-10 | 吉林大学 | 城市路网交通控制子区动态划分方法 |
JP2013019849A (ja) * | 2011-07-13 | 2013-01-31 | Aisin Aw Co Ltd | 経路探索システム、経路探索方法および経路探索プログラム |
CN103593535A (zh) * | 2013-11-22 | 2014-02-19 | 南京洛普股份有限公司 | 基于多尺度融合的城市交通复杂自适应网络平行仿真系统及方法 |
CN104282149A (zh) * | 2014-09-29 | 2015-01-14 | 同济大学 | 一种基于交通状态精度指标评价的路网浮动车配置方法 |
CN104715604A (zh) * | 2014-01-13 | 2015-06-17 | 杭州海康威视数字技术股份有限公司 | 获取实时路况信息的方法及其系统 |
CN106846818A (zh) * | 2017-04-24 | 2017-06-13 | 河南省城乡规划设计研究总院有限公司 | 基于Simulink仿真的路网动态交通流预测方法 |
CN106991813A (zh) * | 2017-05-15 | 2017-07-28 | 东南大学 | 一类掉头车辆和转向限制的道路交叉口流量流向推算方法 |
US10217357B1 (en) * | 2017-11-03 | 2019-02-26 | Mohamed Roshdy Elsheemy | Autonomous in-vehicle virtual traffic light system |
CN110570660A (zh) * | 2019-11-06 | 2019-12-13 | 深圳市城市交通规划设计研究中心有限公司 | 一种实时在线交通仿真系统及方法 |
CN110796858A (zh) * | 2019-10-24 | 2020-02-14 | 山东科技大学 | 一种基于视频过车数据的车辆轨迹预测方法及系统 |
CN110942625A (zh) * | 2019-11-06 | 2020-03-31 | 深圳市城市交通规划设计研究中心有限公司 | 基于现实路径流量回溯调节的动态od估计方法及装置 |
CN111241168A (zh) * | 2020-01-15 | 2020-06-05 | 中设设计集团股份有限公司 | 一种实时在线微观交通仿真方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10692367B2 (en) * | 2016-12-19 | 2020-06-23 | ThruGreen, LLC | Connected and adaptive vehicle traffic management system with digital prioritization |
-
2020
- 2020-06-11 CN CN202010528296.XA patent/CN111680377B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101097140A (zh) * | 2006-06-30 | 2008-01-02 | 佛山市顺德区顺达电脑厂有限公司 | 步行导引方法及装置 |
CN101349034A (zh) * | 2008-07-27 | 2009-01-21 | 张俊岭 | 小型全互通立交路口 |
JP2013019849A (ja) * | 2011-07-13 | 2013-01-31 | Aisin Aw Co Ltd | 経路探索システム、経路探索方法および経路探索プログラム |
CN102722986A (zh) * | 2012-06-28 | 2012-10-10 | 吉林大学 | 城市路网交通控制子区动态划分方法 |
CN103593535A (zh) * | 2013-11-22 | 2014-02-19 | 南京洛普股份有限公司 | 基于多尺度融合的城市交通复杂自适应网络平行仿真系统及方法 |
CN104715604A (zh) * | 2014-01-13 | 2015-06-17 | 杭州海康威视数字技术股份有限公司 | 获取实时路况信息的方法及其系统 |
CN104282149A (zh) * | 2014-09-29 | 2015-01-14 | 同济大学 | 一种基于交通状态精度指标评价的路网浮动车配置方法 |
CN106846818A (zh) * | 2017-04-24 | 2017-06-13 | 河南省城乡规划设计研究总院有限公司 | 基于Simulink仿真的路网动态交通流预测方法 |
CN106991813A (zh) * | 2017-05-15 | 2017-07-28 | 东南大学 | 一类掉头车辆和转向限制的道路交叉口流量流向推算方法 |
US10217357B1 (en) * | 2017-11-03 | 2019-02-26 | Mohamed Roshdy Elsheemy | Autonomous in-vehicle virtual traffic light system |
CN110796858A (zh) * | 2019-10-24 | 2020-02-14 | 山东科技大学 | 一种基于视频过车数据的车辆轨迹预测方法及系统 |
CN110570660A (zh) * | 2019-11-06 | 2019-12-13 | 深圳市城市交通规划设计研究中心有限公司 | 一种实时在线交通仿真系统及方法 |
CN110942625A (zh) * | 2019-11-06 | 2020-03-31 | 深圳市城市交通规划设计研究中心有限公司 | 基于现实路径流量回溯调节的动态od估计方法及装置 |
CN111241168A (zh) * | 2020-01-15 | 2020-06-05 | 中设设计集团股份有限公司 | 一种实时在线微观交通仿真方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111680377A (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111680377B (zh) | 一种交通态势仿真方法、系统和电子设备 | |
US11235774B2 (en) | Road condition predicting method and apparatus, computer device and readable medium | |
CN108931927B (zh) | 无人驾驶仿真场景的创建方法及装置 | |
CN108986465B (zh) | 一种车流量检测的方法、系统及终端设备 | |
US10037607B2 (en) | Topology determination for non-overlapping camera network | |
CN106846818B (zh) | 基于Simulink仿真的路网动态交通流预测方法 | |
CN111681433B (zh) | 一种交叉口交通信号灯配时优化方法和装置 | |
CN103325259B (zh) | 一种基于多核并行的违章停车检测方法 | |
CN110032947B (zh) | 一种监控事件发生的方法及装置 | |
CN111554105B (zh) | 一种复杂交通路口的智能流量识别与统计方法 | |
CN110322687B (zh) | 确定目标交叉口运行状态信息的方法和装置 | |
CN111275962A (zh) | 车辆轨迹数据聚集效应预测方法及装置 | |
CN115601983A (zh) | 交通信号灯的周期时长确定方法、装置、设备和存储介质 | |
CN113553482A (zh) | 停留点识别和出行链构建系统、算法、设备及存储介质 | |
Dey et al. | Turning video into traffic data–an application to urban intersection analysis using transfer learning | |
CN106846808B (zh) | 一种基于车牌数据的车辆停车次数计算方法 | |
Zheng et al. | A deep learning–based approach for moving vehicle counting and short-term traffic prediction from video images | |
Hua et al. | Modeling and simulation of approaching behaviors to signalized intersections based on risk quantification | |
CN104778355B (zh) | 基于广域分布交通系统的异常轨迹检测方法 | |
CN112116813B (zh) | 状态识别模型建立方法、道路交通状态识别方法及装置 | |
CN117456732A (zh) | 一种基于大数据的智慧城市交通的信号灯监控管理方法及装置、计算设备 | |
CN114694370A (zh) | 展示路口车流量的方法、装置、计算设备和存储介质 | |
CN114023085B (zh) | 一种基于卡口检测数据的交叉口信号配时参数推断方法 | |
CN115114786A (zh) | 一种用于交通流仿真模型的评估方法、系统和存储介质 | |
CN114973704A (zh) | 信号控制策略的生成方法及装置、设备、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 |