CN111712862B - 用于生成交通量或交通密度数据的方法和系统 - Google Patents
用于生成交通量或交通密度数据的方法和系统 Download PDFInfo
- Publication number
- CN111712862B CN111712862B CN201980013159.8A CN201980013159A CN111712862B CN 111712862 B CN111712862 B CN 111712862B CN 201980013159 A CN201980013159 A CN 201980013159A CN 111712862 B CN111712862 B CN 111712862B
- Authority
- CN
- China
- Prior art keywords
- traffic
- segment
- segments
- congested
- data
- 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
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
- G08G1/0125—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
- G08G1/0108—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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
提供一种用于生成指示在电子地图覆盖的区域中在可导航网络内的交通量和/或交通密度的交通数据的方法,所述电子地图包括表示所述可导航网络的可导航元素的多个段。所述方法一般地包括获得与沿由所述电子地图的所述段所表示的所述可导航元素的多个装置的移动有关的位置数据;(至少)使用与所述可导航网络的某区内的一或多个拥堵段有关的位置数据,确定用于所述区的一或多个平均渗透率的估计;基于所获得的位置数据,确定用于非拥堵段的样本量;以及使用所确定的样本量和用于所述区的所述平均渗透率中所选择的一个平均渗透率来估计用于所述非拥堵段的交通量和/或交通密度。还提供了用于执行所述方法的系统。因此,能够从探测器数据中估计交通量和/或交通密度。
Description
技术领域
本发明涉及用于生成指示可导航网络内的交通量和/或交通密度的交通数据的方法和系统。可导航网络是在由电子地图覆盖的区域中,电子地图包括表示可导航网络的可导航元素的多个段。
背景技术
交通量(也称为交通“流量”)是在指定的一段时间内通过道路的给定横断面的车辆的数量的量度。类似地,交通密度是每长度间隔的车辆的数量的量度。交通量和密度都是用于表征道路网内交通的状态的重要数量。因此,了解此类交通数据对于交通管理和控制目的可以是非常有益的。
例如,与交通速度一起,交通量是用于许多交通管理和控制应用的关键参数。一般地,交通量数据可以被用于各种应用以给出更完整的操作性能量度。例如,交通量数据能够提供对通过网络的实时流量的了解,这可以对于监视发生在网络内的主要事件或事故是有用的,包含监视旅行者信息对改道路线(其通常未配备交通监视系统)的影响。作为另一示例,交通量数据可以被用于确定交通需求模式,例如用于交通灯信号模式的校准和验证。交通量数据还能够被用于估计道路容量,例如用于在交通规划模型中使用。作为仍有的另一示例,将交通量数据与报告由交通堵塞引起的延迟(或成本)的数据组合可以允许估计运输的成本。
交通密度是用于表征交通的状态的另一重要数量。例如,交通量表示车辆的流量,而交通密度表示交通状态的空间快照。将领会的是,将交通密度与交通速度包含在一起可以因此为用户提供另外的见解。例如,交通密度数据可以通过指示交通状况实际上有多密集来补充平均速度或延迟数据,并且因此提供网络内交通条件的更完整表示。例如,即使对于相同的交通速度,交通条件也可以在例如夜间的空道路或白天的中量交通之间变化。因此,了解交通密度可以有助于以反映道路用户体验的方式指示速度降低是由于拥堵(即密集交通)还是由于一些其它外部因素(例如雾、道路上的雪、低光照等)。
在给定的道路网内,一定数量的车辆(或“探测器”)可以配备有位置检测部件(诸如GPS装置),并且可以因此提供与在整个网络内的其移动有关的探测器数据(例如GPS数据)。从此类探测器数据来测量交通量(和密度)是困难的,因为通常只有全部车辆的一小部分报告数据。目前,其数据被收集的车辆的百分比(即“渗透率”)仅仅是大约10%,并且在一些区域中甚至更低。这一般可足以生成交通速度的估计(其在必要的情况下可以使用历史数据来补充)。然而,低渗透率和潜在的不均匀采样率意味着交通量(和密度)通常不是(并且不能)直接从探测器数据确定的。在US 2015/0120174 A1(HERE GLOBAL B.V.)中描述了一种用于使用探测器数据来估计交通量的方法。然而,在US 2015/0120174 A1中描述的方法仍然被认为具有各种缺点。
因此,传统上测量交通量(和密度)是通过使用手动或自动计数方法来直接对道路网内某个位置处的车辆的数量进行计数。手动计数通常牵涉到一组人例如在清单中使用计数标记,简单地记录经过预定位置的车辆的数量。通过在道路网内的期望位置处采用各种传感器,可以执行自动计数。例如,使用视频或雷达传感器来对通过道路的给定横断面的车辆自动进行计数是已知的,但用于自动计数的最广泛使用的技术依赖于感应式感测(例如,其中感应环路传感器被嵌入到道路网中)。这些类型的传感器的安装和维护可能是昂贵的,并且它们的可用性因不同的位置而变化很大。此类直接计数方法可以因此提供精确的数据,但是不能轻松地被扩展以提供道路网的更宽覆盖。
因此,本申请人认识到,仍然需要用于提供关于可导航网络的交通量和密度数据的改进的方法和系统。
发明内容
根据本发明的第一方面,提供有一种用于生成指示在电子地图覆盖的区域中在可导航网络内的交通量和/或交通密度的交通数据的方法,所述电子地图包括表示可导航网络的可导航元素的多个段,所述方法包括:
获得与沿由电子地图的段所表示的可导航元素的多个装置的移动有关的位置数据;
至少使用与可导航网络的某区内的一或多个拥堵段有关的位置数据,确定用于所述区的一或多个平均渗透率的估计;
基于所获得的位置数据,确定用于所述区内的非拥堵段的样本量(samplevolume);以及
使用所确定的样本量和用于所述区的(一或多个)平均渗透率中所选择的一个平均渗透率来估计用于所述非拥堵段的交通量和/或交通密度。
因此,根据本发明的实施例,能够使用与沿由电子地图的段所表示的可导航元素的多个装置的移动有关的位置数据(即,使用探测器数据)来估计交通量和/或交通密度数据。特别地,与沿在可导航网络的区内一或多个拥堵段行进的装置关联的位置数据(和可选地还有来自其中能够直接测量交通量或密度及因此渗透率的任何段的检测器数据)能够被用来确定用于所述区的一或多个平均渗透率的估计。例如,对于拥堵段,其中一般能够假设车辆被约束为以大致恒定的集体速度(collective speed)行进(例如,在交通堵塞的情况下),可能使用本文中提出的技术来确定交通量或密度,并且因此根据与沿所述段移动的车辆有关的位置数据来估计用于所述段的渗透率。一般不可能仅根据用于那些段的位置数据来确定用于其它非拥堵段的交通量或密度。然而,根据本发明的实施例,通过确定用于所述区的一或多个平均渗透率,例如描述根据所述区内的位置(和可选地还根据诸如道路等级和/或随时间的过去的其它因素)的渗透的变化水平,其随后能够被用来将用于所述区内任何给定段的样本观察预计成总交通量或密度,能够作出用于此类非拥堵段的交通量和/或交通密度的推断。例如,渗透率一般地可以根据可导航网络内的位置变化,并且还潜在地根据时间变化。因此,通过选择用于任何特定段的(最)合适的平均渗透率,例如提供关于所述段的位置的最佳可能准确度的平均渗透率(可选地连同任何其它因素和/或当前时间),能够外推用于所述段的样本量以估计总交通量和/或交通密度。
因此,本发明提供了用于确定交通量和/或密度数据的方法,其被认为克服了现有技术的各种问题。例如,根据本发明,能够从探测器数据中估计交通量和/或交通密度数据。因为探测器数据一般地是普适数据源,使得与传统的直接感测方法相比较,能够在整个网络内获得位置数据(至少只要在网络中有足够的装置),所以本发明可以以相对更低的成本和例如在不必在整个网络内安装和维护大量的传感器(或部署观察器)的情况下允许相对更宽的空间覆盖。此外,探测器数据的使用为确定用于所述区的平均渗透率,并进而为估计交通量和/或交通密度提供了潜在的大统计基础,同时还允许提供统计误差的指示。相反,使用传统的直接感测方法时,可能难以识别错误的检测器数据和错误地地图匹配的检测器位置。
还相信,本方案能够提供比US 2015/0120174 A1中描述的方法更准确和可靠的交通数据。例如,在US 2015/0120174 A1中,使用拥堵算法或自由流算法将非拥堵段完全与拥堵段分开处理,其中在自由流算法中,简单地假设非拥堵段上的交通遵循历史模式,这可能未准确地反映当前条件。
本发明还扩展到用于执行根据本文中所描述的本发明的任一个实施例的方法的系统。因此,根据本发明的第二方面,提供有一种用于生成指示在电子地图覆盖的区域中在可导航网络内的交通量和/或交通密度的交通量和/或交通密度数据的系统,所述电子地图包括表示可导航网络的可导航元素的多个段,所述系统包括被配置成执行以下操作的处理电路:
获得与沿由电子地图的段所表示的可导航元素的多个装置的移动有关的位置数据;
至少使用与可导航网络的某区内的一或多个拥堵段有关的位置数据,确定用于所述区的一或多个平均渗透率的估计;
基于所获得的位置数据,确定用于所述区内的非拥堵段的样本量;以及
使用所确定的样本量和用于所述区的(一或多个)平均渗透率中所选择的一个平均渗透率来估计用于所述非拥堵段的交通量和/或交通密度。
在第二方面中,本发明可以包含关于本发明的第一方面所描述的任何或所有特征,且反之亦然(就它们不会相互不一致来说)。因此,即使本文中未明确陈述,本发明的系统也可以包括用于执行如本文中所描述的方法或发明的任一步骤的部件或电路。
本文中所描述的各种功能能够以任何期望和合适的方式来执行。例如,本发明一般地能够如所期望的在硬件或软件中被实现。因此,例如,除非另有说明,否则,本文中所描述的技术的各种功能元件、级、单元和“部件”可以包括适当的一或多个处理器、一或多个控制器、功能单元、电路、处理逻辑、微处理器装置等,其可操作以执行各种功能等,诸如能够被编程来以期望的方式操作的适当专用硬件元件(处理电路)和/或可编程硬件元件(处理电路)。
用于执行方法的任一步骤的部件(处理电路)可以包括被配置(例如被编程)用于执行所述操作的一组一或多个处理器。可以使用与任何其它步骤相同或不同的处理器组来执行给定步骤。可以使用处理器组的组合来执行任何给定步骤。系统可以进一步包括用于存储例如所生成的交通量和/或交通密度数据的数据存储部件,诸如计算机存储器。系统可以进一步包括用于显示例如所生成的交通量和/或交通密度数据的显示部件,诸如计算机显示器。
在优选实施例中,本发明的方法由服务器实现。因此,在实施例中,本发明的系统包括服务器,所述服务器包括用于执行所描述的各种步骤的部件(处理电路),并且本文中所描述的方法步骤由服务器执行。
可导航网络可以包括道路网,其中每个可导航元素表示道路或道路的一部分。例如,可导航元素能够表示在道路网的两个相邻交叉口之间的道路,或者可导航元素可以表示在道路网的两个相邻交叉口之间的道路的一部分。然而,如将领会的是,可导航网络不限于道路网,并且可以包括例如人行道、自行车道、河流等的网络。应注意的是,在本文中所使用的术语“段”采用其在本领域中的通常含义。电子地图的一段是连接两个点或节点的可导航链接。尽管本发明的实施例具体参考路段来描述,但应认识到的是,本发明还可以适用于其它可导航段,诸如道路、河流、运河、自行车道、纤路、铁路线等的段。因此,对“路段”的任何引用可以由对“可导航段”或任何一或多个特定类型的此类段的的引用来代替。
网络由电子地图数据表示。在使用服务器实现方法的实施例中,电子地图数据可以由服务器存储或以其他方式由服务器访问。电子地图(或有时也称为数学图)在其最简单的形式中实际上是含有数据的数据库,数据表示节点,最通常表示道路交叉口,以及表示在那些交叉口之间的道路的那些节点之间的线。在更详细的数字地图中,可以将线划分为由起始节点和结束节点定义的段。这些节点可以是“真实的”,因为它们表示最少三条线或段相交的道路交叉口,或者它们可以是“人为的”,因为它们被提供为用于在一端或两端未由真实节点定义的段的锚点,以除了其它之外还提供用于某一段道路的形状信息或者识别沿道路的位置的部件,在所述位置处所述道路的某一特性更改,例如速度限制。实际上在所有现代数字地图中,节点和段进一步由各种属性定义,这些属性同样地由数据库中的数据表示。例如,每个节点将通常具有地理坐标以定义其真实世界位置,例如纬度和经度。节点通常还将具有与其关联的操纵数据,其指示在交叉口处是否可能从一条道路移动到另一条道路;而这些段还将具有关联的属性,诸如所允许的最大速度、车道大小、车道的数量、其间是否存在分隔栏等。
本发明包括获得与沿如由电子地图数据所表示的可导航网络的可导航元素,相对于时间的多个装置的移动有关的位置数据的步骤。根据本发明使用的位置数据是与相对于时间,沿所述或每个可导航元素的多个装置的移动有关的位置数据。方法可以包括获得与在可导航网络中相对于时间的多个装置的移动有关的位置数据,以及过滤所述位置数据以获得与相对于时间,沿所述或每个给定可导航元素的多个装置的移动有关的位置数据。获得与沿所述或每个可导航元素的装置的移动有关的位置数据的步骤可以通过参考指示可导航网络的电子地图数据来执行。根据本发明,方法可以牵涉到将与包含可导航网络的地理区中装置的移动有关的位置数据与在被考虑的至少所述或每个可导航元素相匹配的步骤。
在一些布置中,获得位置数据的步骤可以包括访问数据,即以前接收和存储的数据。然而,优选地,方法可以包括从装置接收位置数据。在获得数据的步骤牵涉到从装置接收数据的实施例中,设想了方法可以进一步包括在继续进行以执行本发明的其它步骤之前存储所接收的位置数据,以及可选地过滤数据。接收位置数据的步骤不需要与方法的其它步骤同时或同地发生。
根据本发明使用的位置数据是从一或多个,并且优选多个装置收集的,并且涉及相对于时间的装置的移动。因此,装置是移动装置。将领会的是,位置数据中的至少一些与例如时戳攒的时间数据相关联。然而,为了本发明的目的,所有位置数据不必与时间数据相关联,条件是它可以被用来提供与根据本发明的沿可导航段的装置的移动有关的信息。然而,在优选实施例中,所有位置数据与例如时戳的时间数据相关联。
位置数据涉及相对于时间的装置的移动,并且可以被用来提供设备所采取的路径的位置“轨迹”。如上所提及的,可以从(一或多个)装置接收数据或者可以先存储数据。装置可以是能够为本发明的目的而提供位置数据和足够的关联定时数据的任何移动装置。装置可以是具有位置确定能力的任何装置。例如,装置可以包括用于访问和接收来自WiFi接入点或蜂窝通信网络(诸如GSM装置)的信息并且使用所述信息来确定其位置的部件。然而,在优选实施例中,装置包括用于接收指示在具体时间点接收机的位置的卫星信号,并且优选地以有规律的间隔接收更新的位置信息的全球导航卫星系统(GNSS)接收机,诸如GPS接收机。此类装置可以包含导航装置、有定位能力的移动电信装置、位置传感器等。
优选地,装置与车辆相关联。在这些实施例中,装置的位置将对应于车辆的位置。如果未明确提及,则对从与车辆关联的装置获得的位置数据的引用可以由对从车辆获得的位置数据的引用来代替,并且对一或多个装置的移动的引用可以由对车辆的移动的引用来代替,且反之亦然。装置可以与车辆集成在一起,或者可以是与车辆关联的单独装置,诸如便携式导航设备。当然,可以从不同装置的组合或单一类型的装置获得位置数据。
从多个装置获得的位置数据通常被称为“探测器数据”。从与车辆关联的装置获得的数据可以被称为车辆探测器数据(或者有时称为浮动车数据)。因此,本文中对“探测器数据”的引用应被理解为可与术语“位置数据”互换,并且为简洁起见,位置数据可以被称为探测器数据。
根据本发明,确定用于可导航网络的某区的一或多个平均渗透率的估计。所述区一般地可以对应于网络内的具体地理区域,例如具有预定半径或大小。因此,所述区一般地将与一组(多个)段相关联,即包含一组(多个)段。原则上,可以为所述区确定单个平均渗透率,并转而将其用于估计用于所述区内的任何段的交通量和/或交通密度。然而,至少在优选实施例中,为所述区确定多个平均渗透率,并且可以因此选择任何给定段的这些平均渗透率中最合适的一个以便在估计用于所述段的交通量和/或交通密度中使用,例如基于所述段在所述区内的位置,并且可选地基于各种其它因素(可选地包含时间)。
例如,优选地,可以将所述区划分(或细分)成多个更小的区域(或成群的段),并且为每个区域(或群)确定各自的平均渗透率。在此情况下,可以根据所述段在所述区内的位置,即根据所述段位于哪个区域(群)内,从相应平均渗透率中选择用于所述区内给定段的最合适的平均渗透率。这样,可以通过用于给定段的平均渗透率的合适选择来捕获在整个网络内的渗透率的变化。
例如,将领会的是,渗透率一般地将根据在整个网络内的位置变化。因此,在实施例中,可以将网络或网络或网络的区划分或细分为多个离散的地理区域,每个区域包括一群的段,并且可以确定用于段的每个群的平均渗透率(或甚至多个平均渗透率)的估计。一“群”的段因此一般地可以包括一组多个段,这些段可以被预期(或被假设)成共用类似的渗透率,即,使得它们能够合理地通过共同的平均渗透率来描述。例如,群可以适当地并且优选地包含落在网络内的预定地理区域(例如具有预定半径或大小)内的一组的段。因此,群内的段中的至少一些可以在网络内彼此(直接)连接或相邻。通常,群可以含有如所期望的任意(多个)数量的段。例如,一般可以根据应用,例如根据所期望的空间分辨率和/或可用的探测器数据的量,如所期望地选择群的大小(根据段的数量和/或与群关联的地理区域)。优选地,所述区内的所有段被分配一个相应的群(使得能够基于分群为每个段分配合适的平均渗透率)。然而,在一些情况下,少于所有的段被分配一个群。
因此,优选地,本发明牵涉到使用与可导航网络的区内的一群的段内的一或多个拥堵段有关的位置数据来确定用于所述群内的段的一或多个平均渗透率;基于用于所述段的所获得的位置数据,确定用于所述群内的非拥堵段的样本量;以及使用所确定的样本量和用于所述群的所述(一或多个)平均渗透率或(一或多个)平均渗透率中所选择的一个平均渗透率来估计用于所述非拥堵段的交通量和/或交通密度。优选地,为群内的多个(或所有)段估计交通量和/或交通密度。此外,优选地,确定用于所述区内的段的多个不同群的平均渗透率的估计,并且为每个群内的一或多个(优选地多个)段估计交通量和/或交通密度。这样,能够提供在整个区内的渗透率分布的估计,并且能够估计在整个区内的交通量和/或交通密度。
因此,本发明可以进一步包括将多个段分群在一起以定义一或多个群的段的步骤。可以使用历史数据来适当地定义段的不同群,例如使得在历史上表现出类似行为的段被分群在一起。然而,也可以例如使用(例如地理位置、道路等级等的)先验知识来定义群。群内的所述组的段可以是动态的。例如,如果随时间的过去而确定群内某一段的行为与其被指派到的初始群相比更接近于不同群内的段的行为,则所述段可以被移动到所述不同群中。
分群可以是(单独地)基于地理位置,例如使得落在与所述群关联的地理区域内的任何段被假设成具有平均渗透率,例如用于估计交通量和/或交通密度的目的。然而,将领会的是,也可以预期渗透率根据各种其它特征变化,所述其它特征是诸如道路等级,与特定类型的地标的接近度,位置是城市还是非城市位置,区管理级别,交通方向等。因此,在实施例中,群内的段可以另外共享诸如道路等级等的一或多个其它属性。因此,分群也可以考虑这一点,使得群内的段一般地位于相同的地理区域内,并且还具有共同的一或多个其它属性(诸如道路等级等)。
可以为段的每个群(或为可导航网络的每个区或区域)确定单个平均渗透率。随后,这可以被用来估计用于群内的段的交通量和/或交通密度。然而,将领会的是,渗透率一般还可以根据时间变化。例如,可能预期,例如与高峰时间的渗透率相比,夜间条件下的渗透率可以是显著不同的。因此,在实施例中,平均模型还可以将用于区的位置数据分离到不同时隙中,使得能够为所述区或每个区,或者优选地为每个群确定与不同相应时间期关联的多个平均渗透率。也就是说,在实施例中,本发明可以进一步包括确定用于所述区或用于所述区内的一(或每个)群的段的多个平均渗透率,所述多个平均渗透率与相应多个不同时间期相关联。例如,时间期可以对应于一天内的某个时段(例如早晨高峰时间、下午、晚高峰时间、夜间)和/或某天(例如工作日或周末)等。因此,用于给定段的适当平均渗透率的选择也可以将当前时间考虑在内。例如,并且优选地,可以为段的每个群确定多个平均渗透率,其中所述多个平均渗透率表示在不同的相应时间期用于段的所述群的平均渗透率。也就是说,每个平均渗透率可以与某个地理区域(或段的群)相关联,并且还与相应时间期相关联。因此,可以基于段的位置和当前时间来选择用于给定段的最合适的平均渗透率。
将领会的是,群本身也可以是时间相关的。也就是说,段的交通行为可以随时间的过去而变化,并且这可以被反映在分群中。因此,哪些段与哪个群相关联可以取决于时间期。
可以至少部分地使用如为某区内的一或多个拥堵段所确定的渗透率来估计用于所述区的(一或多个)平均渗透率。将理解的是,“拥堵”段是这样的段,其中交通条件使得所述段上的所有车辆能够被假设成以大致恒定(降低的)的集体速度行进。例如,其中这将适用的典型情况将是交通堵塞,其中交通有规律地停止和开始。然而,存在其中交通可以受阻而无法以自由流速度穿过所述段的各种其它情况。例如,其中拥堵条件可以适用的其它示例将是其中诸如高交通密度或道路工程等事件导致车辆以大致恒定且降低的集体速度行进,但它还不是停止-启动交通。因此,在实施例中,本发明可以包括识别可导航网络内的一或多个拥堵段的又一步骤。如所期望地,各种合适的技术能够被用来将某段识别为拥堵。例如,优选地可以基于与沿某段的装置的移动有关的位置数据,即基于沿所述段移动的装置的行进速度,将所述段识别为拥堵。例如,在确定一或多个,或优选地多个装置以一般地低于在正常交通条件下将期望的速度(即低于阈值或自由流速度)的大致共同的速度沿某段行进的情况下,这可以并且优选地被用来指示所述段拥堵。然而,各种其它布置也是可能的。例如,不是使用所获得的位置(探测器)数据将段识别为拥堵,而是可以提供指示哪些段拥堵的补充数据。
能够使用与沿某拥堵段行进的装置有关的所获得的位置数据来确定用于所述段的渗透率。具体地说,能够从沿某拥堵段行进的装置的所观察到的集体速度中确定用于所述段的渗透率。例如,使用在用于拥堵条件的交通量与密度之间的已知关系,可能从沿某拥堵段行进的装置的所观察到的集体速度中估计所述段的交通量。例如通过考虑随时间的过去装置的位置的更改,能够从用于沿所述段行进的一或多个(并且优选地多个)装置的位置数据中获得用于所述段的所观察到的集体速度。因此,从所确定的交通量中,连同给定时间间隔内的探测器计数的数量(即,“样本量”),能够估计用于所述拥堵段的渗透率。这随后能够为网络的某区内的多个(并且优选地所有)拥堵段重复进行,例如以便确定用于所述区的一或多个“平均”渗透率的估计。
也就是说,可以至少部分地通过适当地处理(例如,平均)用于某区内的一或多个(并且优选地多个)拥堵段(其还可以根据时段或任何其它所期望属性被适当地分离,如上所讨论的)的所确定的渗透率来确定用于所述区的一或多个平均渗透率的估计。例如,如上所讨论的,可以为所述区内的段的多个群中的每一个确定一或多个平均渗透率。这可以通过平均或以其它方式处理用于所述群的所有可用渗透率信息(可选地在某个时间期内)来执行。例如,可以平均用于群中不同段的所确定的渗透率,以给出用于群的平均渗透率。平均值可以被适当地加权。例如,可以赋予更近或实况数据比历史数据更高的权重。一般地,平均模型可以在持续地更新,以便在针对用于每个群的平均渗透率的平滑且缓慢变化的行为的同时考虑最新的观察。平均模型还可以将各种其它影响因素考虑在内,包含例如交通的方向、网络层次、道路类型等。
优选地,还在确定用于所述区的一或多个渗透率的估计中使用交通量和/或交通密度的一或多个直接测量。例如,优选地,在可用的情况下,平均渗透率的确定还使用例如如可以使用传统的计数方法(无论是手动地还是优选地自动地)来提供的交通量(或密度)的直接测量,即“检测器数据”,以补充或校准使用用于拥堵段的探测器数据所作出的平均渗透率的估计。例如,此类检测器数据在可用的情况下允许作出交通量的直接确定,其可以因此充当用于验证平均渗透率的估计和/或用于确定用于一或多个参数的值以便在上述估计或平均步骤中使用的基础事实(ground truth)。然而,通常仅可以为道路网内相对较少的段检测到此信息。实际上,本发明的一个优点是能够使用自然地提供网络的更宽覆盖的探测器数据来估计用于多个段(即,一个群)的渗透率。在此类检测器数据不可用的情况下,在必要的情况下可以使用例如历史或预测数据来执行校准。
一旦用于所述区的一或多个平均渗透率的估计已被确定,例如如上所述,平均渗透率便可以被用来估计用于所述区内其它不拥堵段的交通量和/或交通密度。例如,对于所述区内的任何段,可以从用于所述段的位置数据中确定样本量(或部分量),并且随后可以使用用于所述段的适当选择的平均渗透率来缩放样本量,以便估计总交通量和/或交通密度。“样本量”一般地指示在某个时间间隔(用于确定交通量)或长度间隔(用于确定交通密度)内的探测器计数的数量。样本量因此表示对应于提供探测器数据的车辆的百分比的部分量(或流量)。因此,可以从用于某段的探测器计数中获得用于所述段的样本量,即通过合计在所选择的时间/长度间隔内探测器计数的数量。
如上所述,一般地可以基于段的位置以及可选地基于时间期和诸如道路等级的任何其它可能的影响特征来选择用于某一段的合适的渗透率。具体地说,在为段的某个群确定平均渗透水平的情况下,假设所述群内的所有段共用相同的平均渗透率(并且实际上分群是基于此进行的),并且因此用于任何给定段的(最)合适的平均渗透率可以被选择为与含有所述段的群关联的平均渗透率。
因此,对于群内的任一段,用于所述段的样本量(或探测器计数)可以基于所获得的位置数据来确定,并且与用于所述群的渗透率被组合使用,以便估计用于所述段的总交通量和/或交通密度。具体地说,这样,将领会的是,能够使用用于那些段的样本探测器计数和合适的平均渗透率来估计用于所述群内的任何段(包含例如任何非拥堵段)的交通量和/或交通密度。将理解的是,“非拥堵”段一般地是具有自由流交通条件的段,即其中车辆具有自由选择的速度,并且未被约束为行进到大致恒定的共同速度(如对于拥堵段的情况),并且对于所述段,通常将不可能从探测器数据中估计交通量和/或密度。
样本量连同所选择的平均渗透率可以被用来估计用于所述区内的某段(或优选地多个段)的交通量或交通密度中的一个(或二者)。交通量和交通密度二者是用于表征网络中交通的状态的重要参数,并且可以被用于多种交通规划和控制应用。
例如,交通量是在指定的一段时间内通过道路的给定横断面的车辆的数量的量度。因此,为了估计用于某段的交通量,能够确定在所选择的时间间隔内的探测器计数的数量(即“样本量”),然并且随后使用适当选择的平均渗透率来缩放所确定的样本量以估计用于所述段的总交通量。通常,交通量以每小时车辆数(或甚至对于多车道道路,每车道每小时车辆数)报告。然而,一般地可以如所期望地(例如根据应用)来选择聚集时间间隔的大小。例如,对于诸如交通堵塞的动态交通现象,其中可能希望在相对短的间隔内报告交通量,可以在从大约1分钟到多达大约1小时的时期内聚集样本量。在其它情况下,诸如对于交通灯信号的校准或交通规划,可能希望报告在更长间隔内的交通量。自然地,在时间分辨率与统计误差之间可以存在折衷。例如,一般地,聚集时间间隔越长,样本计数就越高并且统计计数误差就越低。因为交通量是估计的数量,所以相对误差对于其解释和使用也是相关的。根据本发明,还可能量化在估计的交通量中的相对统计误差。具体地说,可以从估计与样本量关联的计数误差中提供在估计的交通量中的相对统计误差的估计。因此,在实施例中,与交通量关联的相对误差可以被确定并且优选地作为输出与交通量一起被提供(以便存储和/或向用户显示)。
交通密度是每长度间隔的车辆的数量的量度。因此,尽管能够通过聚集在某个时间间隔内的探测器计数来估计交通量,但能够通过在所选择的长度间隔内聚集探测器计数以确定样本量,并且随后使用适当选择的平均渗透率来缩放所确定的样本量来估计交通密度。交通密度还可以被报告为特定交通密度,即每车道每长度间隔的车辆的数量。一般地,可以如所期望地(例如根据所期望的空间分辨率和精度)选择用于空间聚集的长度间隔的大小。例如,用于交通密度的典型值可以在0(道路是空的)与每车道每千米大约100部车辆之间变化,而最大密度由逆车辆长度(带有另外的最小车距(bumper to bumperdistance))给出。同样地,与所估计的交通密度关联的相对误差可以被确定并且优选地将与交通密度一起被报告。
因此,本发明允许为网络内可以选择用于其的合适的平均渗透率的任何段进行交通量和/或交通密度的估计,甚至在例如对于非拥堵段,确定将不可能以其它方式进行的情况下。也就是说,只要有足够的探测器数据,就可能在网络的相对更宽的区域内可靠地,并且以比通常通过传统方法可能的更低成本估计交通量和/或交通密度。例如,并且优选地,可以为所述区内的多个(或所有)段确定交通量和/或交通密度,使得可以提供在整个区内的交通量/密度分布的情况。
在优选实施例中,本发明包括存储和/或向用户显示交通量和/或交通密度数据。也就是说,可以将交通量和/或交通密度数据作为输出提供给用户。
将领会的是,根据本发明的方法可以至少部分地使用软件来实现。因此,将看到的是,在从其它方面来看和在其它实施例中时,本发明扩展到包括计算机可读指令的计算机程序产品,所述计算机可读指令在适合的数据处理部件上被执行时适于执行本文中所描述的任一或所有方法。本发明还扩展到包括此类软件的计算机软件载体。此类软件载体能够是物理(或非暂时性)存储介质,或者能够是信号,诸如通过电线的电子信号、光学信号或诸如到卫星等的无线电信号。
根据本发明的其任一其它方面或实施例,本发明可以包含在对本发明的其它方面或实施例的引用中所描述的任一特征(就它不会与其相互不一致来说)。
在下文中阐述了这些实施例的优点,并且在所附从属权利要求中和在以下详细描述中的别处定义了这些实施例中的每一个的其它细节和特征。
附图说明
现在将参考附图仅通过示例来描述本发明的实施例,其中:
图1是表示对于空闲和拥堵交通条件在交通密度与交通量之间的基本关系的图;
图2是流程图,图示了用于从在本发明的实施例中可以使用的在拥堵条件中所观察到的集体速度中估计用于段的渗透率的示例性方法的步骤;以及
图3是流程图,图示了根据本发明的实施例的用于生成交通量数据的示例性方法的步骤。
具体实施方式
本发明在优选实施例中至少涉及生成指示在可导航网络内的交通量和/或交通密度的数据的方法。此类交通数据的准确生成对于许多交通管理和控制应用是重要的。本发明因此提供了一种用于生成此类交通数据的改进的方法。具体地说,本发明提供用于从探测器数据中生成此类交通数据的方法。现在将描述关于估计交通量的优选实施例。
交通量(也称为交通流量)被定义为在时间间隔Δt内通过在位置x处的横断面的车辆的数量ΔN。也就是说,交通量一般地由(等式1)给出:
Q=ΔN/Δt
一般地可以根据应用和例如所要求的时间分辨率(和准确度),如所期望地设置或选择时间间隔Δt。例如,在诸如交通堵类的动态交通现象的情况下,典型的时间聚集间隔Δt可以适当地在大约1分钟到1小时的范围内。然而,对于其它应用,诸如交通灯的校准、交通规划等,可能需要考虑更大得多的时间间隔,例如几天、几周或甚至几个月。
通常不能从探测器数据直接测量交通量,因为在道路网上只有全部车辆的一小部分报告数据。也就是说,探测器数据仅表示道路网内的总交通的某个样本。虽然探测器的百分比一般地在增加,但目前覆盖率(或“渗透率”)通常仅为大约10%(例如在德国或荷兰),并且在一些区域中甚至更低。(另一方面,众所周知,甚至从探测器的相对小的样本中也能够非常好地观察交通速度,尤其是在其中驾驶速度不能被自由地选择,而是被限于集体速度的过饱和或“拥堵”交通条件中,例如交通堵塞。)因此,传统上,使用诸如在道路网内采用的视频传感器、雷达传感器或感应环路传感器的外部交通量检测器来确定交通量。然而,此方案自然地被限于在其中提供此类外部交通量检测器的相对少的位置。
本发明的实施例因此提供了改进的方法,其中能够使用来自浮动车辆的样本的探测器数据来估计交通量。此概念的基本思想是在渗透率(在具体时间、位置等)已知的条件下,能够预计或外推在给定时间间隔内所观察到的探测器计数以给出总交通量。例如,如果渗透率θ=0.1(10%),并且在10分钟的期间中在道路网内的特定位置处已观察到20个探测器,则可以预计在所述位置处的总交通量为Q=20/0.1=200车辆/10分钟=1200车辆/小时。
也就是说,在本发明的实施例中,在具体聚集间隔Δt期间从所观察到的探测器样本计数n中估计总交通量Q。例如,通过样本量(等式2):
和渗透速率θ,总交通量随后由(等式3)给出:
注意,样本量v简单地由在某个聚集间隔Δt(过去)内在位置x处和在当前时间t所观察到的探测器的计数n给出。因此,在渗透率θ的合适的选择中捕获了估计的全部“智能”。因此,为估计用于给定段的交通量,必需确定(和选择)用于所述段的合适的渗透率θ,以便相对于位置、当前时间和可能的其它特征而达到可能的最佳准确度,可能的其它特征是诸如道路类别,所述段是在城市位置还是非城市位置中,区管理水平,交通的方向和/或任何其它潜在影响因素(诸如提供探测器数据的车辆类型,例如商业车队,其可能在晚上被过度表示而在周末表示不足)。
在可用的情况下,来自外部检测器数据的交通量可以被用来直接确定渗透率。例如,此类检测器直接测量交通量(或流量),并且因此充当基础事实,从中通过在相同时间聚集间隔Δt内比较交通量与样本探测器计数v,即(等式4),能够估计渗透率:
然而,自然地,这被限于其中提供此类探测器数据的相对少的位置。
因此,在实施例中,基于模型的方案被用于估计至少用于拥堵段的渗透率θ。例如,使用在同质交通中的交通量与交通密度之间的已知关系(通常称为“基本图”,并且在图1中图示),可能从用于某段的所观察到的集体速度来估计在拥堵条件中用于所述段的总交通量。这里的优点在于能够为网络内的任何拥堵段估计渗透率θ,这因此为良好空间覆盖提供了基础和为进行平均提供了大统计基础。自然地,模型可以进行一些简化假设,但如果需要,模型的参数可以被校准。例如,在可用的情况下,事实基础检测器数据可以适当地被用来校准(和验证)基于模型的方案。
用于此基于模型的方案的起点是基本的流体动力学关系(流量等于密度乘以速度)。用于使道路网内的这些数量相联系的函数被称为基本图,并且描述了在同质交通中的密度与流量之间的理论关系,即相同驾驶员的稳态平衡。用于基本图的简单模型由如图1中所示的线性关系给出。如所示出的,在拥堵和非拥堵条件二者中,在密度ρ与流量Q之间的关系是线性的,并且能够被公式化为(等式5):
使用流体动力学关系(Q=ρV)以给出(等式6),能够根据平均速度V重新以公式表示用于等式5中的拥堵交通的分支:
通过以下参数:
·平均(集体)速度V(由图1中通过原点的线条给出)。平均速度V能够由各个探测器很好地测量,尤其是在其中不可能进行驾驶速度的自由选择,使得所有车辆以大致相同的平均速度行进的拥堵交通条件中;
·道路的有效容量Qmax(每车道,I是车道的数量)。典型值是在每小时大约1500-2000部车辆的范围中;以及
·传播速度c表示扰动通过拥堵交通传播的速度。所述数量通常是恒定的,值在每小时大约-15+/-3千米的范围内。(注意传播速度c是下游堵塞波逆着传播的方向传播的速度,因此是负号)。
因此,基本想法是使从探测器数据可测量的平均速度V(作为内涵量(intensivequantity))和从探测器测量不可观察到的交通量Q(作为外延量(extensive quantity))相关。此方案仅对于拥堵交通条件是可能的,但这些条件也能够借助于探测器数据容易地被识别(例如,其中确定所有车辆以大致恒定且相对于预期自由流速度降低的集体速度行进)。
一般地,需要确定或校准参数c和Qmax。此校准能够在可用的情况下使用检测器数据来执行,或者可以备选地(或另外地)使用历史或理论数据来执行。
图2是流程图,图示了用于估计用于拥堵段的渗透率的示例性方法的步骤。虽然在图2中未示出,但将领会的是,方法还可以包含例如使用探测器数据(或其它),识别所述段是否拥堵的先前步骤。对于被识别为拥堵的任何段,确定用于所述段的集体或平均速度(步骤201)。例如,这可以通过观察沿所述段行进的多个车辆的速度并且平均这些速度以给出集体速度的估计来完成。根据所观察的集体或平均速度,随后能够使用等式6来估计交通量Q(步骤202)。最后,通过应用等式4,探测器计数的数量能够与所确定的交通量Q有关,以便估计用于所述段的渗透率θ(步骤203)。
因此,可以基于沿所述段行进的探测器车辆的检测到的速度来为拥堵段(例如交通堵塞)确定交通量和渗透率。能够为某个区或地理区域内的多个(并且优选地所有)拥堵段(并且潜在地具有诸如道路等级等共同的其它参数)重复此方法,并且随后使用多个渗透率来确定用于所述区或区域的一或多个平均渗透率的估计。一或多个平均渗透率一旦已被确定,随后就能被用来估计用于在相同区或区域内的其它段的交通量。例如,对于其它段,例如非拥堵段,可以通过将检测到的样本量按用于所述段的合适的平均渗透率进行缩放来从用于这些段的检测到的样本量中估计交通量。
图3是流程图,图示了根据本发明的实施例的用于生成交通量数据的示例性方法的一般步骤。在步骤301,获得与网络的某区内的多个车辆的移动有关的位置数据(即,探测器数据)。随后在步骤302,将此探测器数据可选地连同来自外部交通量检测器的任何数据一起用来估计用于所述区内的一或多个段的渗透率。例如,在外部交通量检测器数据可用于某段的情况下,这能够被用来直接确定用于所述段的渗透率。另一方面,在此类探测器数据不可用的情况下,如上面关于图2所述,可以使用基于模型的方案来估计用于拥堵段的渗透率。通常,为所述区内的多个拥堵段执行此步骤,以确定在所述区内的多个渗透率的估计。随后,这些估计能够被用来确定用于所述区的一或多个平均渗透率。因此,在步骤303,可以确定用于所述区内的一群的段的一或多个平均渗透率的估计,例如落在某个地理区域内(并且潜在地具有诸如道路等级的共同的其它参数)的一群的段。优选地,将所述区划分成段的多个群,并且可以为段的每个群确定一或多个平均渗透率。用于相应群的平均渗透率可以因此表示根据在所述区内的位置的渗透率的变化。在一些情况下,可以为段的每群确定多个平均渗透率,例如表示根据时间的用于所述群的渗透率的变化。例如,对于每个群,可以确定多个平均渗透率,每个平均渗透率表示用于相应时间期的渗透率。一般地,平均模型可以因此按时间段以及区来分离,并且可以持续地更新以便在针对平均渗透率的平滑和缓慢变化的行为的同时考虑最新的观察。平均模型还可以将各种其它影响参数考虑在内,包含例如交通的方向、网络层次、道路等级等。原则上,也能够借助于机器学习来估计这些参数。
随后能够将用于某群的平均渗透率应用于所述群内的任何段。例如,在步骤304,可以通过检测(计数)在所选择的时间间隔内的样本探测器的数量来做出用于所述群内的一或多个(例如)非拥堵段的样本量。在步骤305,用于一或多个非拥堵段的所确定的样本量随后可以与用于所述段的合适的平均渗透率组合使用以例如使用等式3来估计交通量。
由于交通量Q是估计的数量,因此,(相对)误差也可以对其解释和使用是相关的。从用于不相关误差的基本误差传播中可知,相对误差δQ由n(样本探测器计数)和θ(平均渗透率)的相对误差之和给出。θ中的误差一般地由估计过程的统计产生,如上所述。然而,探测器车辆的数量n的计数统计可以由泊松分布很好地近似,其中参数μ通过观察间隔Δt中的探测器计数的数量n来估计。对于泊松分布变量,期望值和方差由μ给出,使得相对误差为δn=1/√μ=1/√n,并且因此(等式7):
表1图示了对于由用于各种总交通量情形的不同渗透率θ和聚集间隔Δt参数化的各种不同情形的相对误差。如所示出的,量估计的准确度一般地随更高数量的探测器观察而增加(当然,虽然采样百分比(渗透率)一般地不能被控制)。使用更大聚集间隔时,尽管代价是更差的时间分辨率,但误差也减小。而且,相对准确度可以强烈地取决于交通状况。例如,在高峰时间期间能够在多车道高速公路上提供良好的准确度,而在夜间时间期间,甚至通过更高的聚集间隔,准确度也可以受到限制。
表1:根据渗透率(采样百分比θ)、时间聚集间隔Δt和交通量的估计的相对误差(%)。
因此,从输入(即,在时间间隔Δt中的探测器观察的数量和合适的平均渗透率θ),可以提供以下数量作为交通服务中的输出:
·总交通量Q;
·每个车道的特定交通量,Qs=Q/I(对于带有I个车道的路段);
·例如如从等式7中所确定的量估计δQ的相对误差,可选地以及用于渗透率θ的估计误差;以及
·定义探测器观察的测量间隔的聚集间隔Δt。
一般地能够例如根据用户的要求,如所期望地选择聚集间隔Δt。例如,在相对短的时间间隔(例如每5分钟)内报告流量估计可以是有吸引力的。另一方面,随着更长的聚集间隔,误差变得更小,因为可以观察到更多连接的探测器车辆。
虽然已在确定交通量数据的上下文中呈现了上述示例性方法,但将领会的是,本发明还扩展到用于生成交通密度数据的方法和系统。交通密度是用于表征在某区内交通的状态的另一个重要数量,并且一般地被定义为每长度的车辆的数量(并且特定交通密度是每长度和每车道的车辆的数量)。能够以与如上所述类似的方式,从与作为缩放比例因子的合适的平均渗透率组合的探测器数据的样本中预计交通密度。然而,尽管借助于在所选择的时间间隔内聚集探测器数据来估计交通量值,但一般地通过在所选择的长度间隔内聚集探测器数据,即通过在某一时刻在探测器车辆的所有最新位置内在空间上进行平均来导出交通密度。此平均有助于使在当前探测器车辆的空间中变化平滑,因为这些车辆基本上是随机分布的。在一段道路内的交通密度的高空间分辨率与确保在相邻部分之间足够平滑和连续的趋势之间可以存在折衷。用于为聚集选择正确的长度间隔的准则可以因此取决于覆盖所考虑的路段的探测器的数量。例如,在高峰时间条件期间,随着道路上有更多的汽车并且因此有更多的连接的探测器,能够将空间分辨率选择得更高(即,通过使用更短的长度间隔)。另一方面,在有更少交通和更少探测器计数的时间期间或对于有更少交通和更少探测器计数的路段,可以要求更长的长度间隔。
将领会的是,交通量和/或交通密度数据可以在多种交通管理和控制应用中是有用的。一般地,用例可以取决于所选择的时间或长度间隔。例如,可以持续地执行交通量估计,并且许多应用能够因此通过在几天或几周的时间间隔内聚集探测器计数来利用数据。这对于确定行进需求模式以便进行交通灯信号定时的校准和验证或对于估计道路容量(即,在某路段上可能的最大交通量)特别有用。例如,交通灯信号定时通常基于小数据集仅被校准一次。然而,通过在几个月的时期内平均交通量,能够基于更大得多的样本来确定用于一周中的一天的典型需求模式。而且,连续监视交通需求中的更改将是可能的。
技术人员将领会,被提供来执行如本文中所描述的方法的设备可以包括硬件、软件、固件或这些中的两个或更多个的任意组合。
技术人员将领会,尽管术语GPS数据一直被用来指从GPS全球定位系统导出的定位数据,但其它定位数据可以以类似于如本文中所描述的方法的方式来处理。因此,术语GPS数据可以用短语定位数据来替换。此类定位数据能够例如从来自移动电话操作的导出的位置数据、在收费站所接收的数据、从嵌入在道路中的感应环路所获得的数据、从车牌识别系统所获得的数据或任何其它适合的数据中导出。
本说明书中所公开的所有特征和/或如此公开的任何方法或过程的所有步骤除了其中此类特征和/或步骤中的至少一些相互排斥的组合之外,可以以任何组合方式进行组合。
除非另外明确说明,否则本说明书中所公开的每个特征可以由用于相同、等同或类似目的的替代特征代替。因此,除非另有明确说明,否则所公开的每个特征仅仅是通用系列的等同或类似特征的一个示例。
本发明不限于任何前述实施例的细节。本发明扩展到本说明书中所公开的特征中的任何一个新颖特征或所公开的特征的任何一个新颖组合,或者扩展到如此公开的任何方法或过程的步骤中的任何一个新颖步骤或如此公开的任何方法或过程的步骤的任何新颖组合。权利要求不应被解释为仅覆盖前述实施例,而是覆盖落入权利要求的范围内的任何实施例。
Claims (13)
1.一种用于生成指示在电子地图覆盖的区域中在可导航网络内的交通量和/或交通密度的交通数据的方法,所述电子地图包括表示所述可导航网络的可导航元素的多个段,所述方法包括:
获得与沿由所述电子地图的所述段所表示的所述可导航元素的多个装置的移动有关的位置数据;
至少使用与所述可导航网络的某区内的一或多个拥堵段有关的位置数据,确定用于所述区的一或多个平均渗透率的估计,其中拥堵段是这样的路段,其交通条件使得车辆以基本上恒定且相对于所述路段的预期自由流速度降低的集体速度沿着所述路段行进;
基于所获得的位置数据,确定用于所述区内的非拥堵段的样本量,其中所述样本量指示在某个时间间隔或所述非拥堵段的长度间隔内在所述非拥堵段上计数的所述多个装置的数量;以及
使用所确定的样本量和用于所述区的所述平均渗透率中所选择的一个平均渗透率来估计用于所述非拥堵段的交通量和/或交通密度。
2.根据权利要求1所述的方法,其包括:
使用与所述可导航网络的所述区内的一群的段内的一或多个拥堵段相关的位置数据,确定用于所述群内的所述段的一或多个平均渗透率;
基于用于所述段的所述所获得的位置数据,确定用于所述群内的非拥堵段的样本量;以及
使用所述所确定的样本量和用于所述群的所述平均渗透率或所述平均渗透率中所选择的一个平均渗透率来估计用于所述非拥堵段的交通量和/或交通密度。
3.根据权利要求2所述的方法,其中段的所述群包括落入所选择的地理区域内的多个段。
4.根据权利要求3所述的方法,其中所述群内的所述段进一步共享一或多个共同属性。
5.根据权利要求4所述的方法,其中所述一或多个共同属性包括道路等级。
6.根据权利要求1至5中任一项所述的方法,其进一步包括在确定用于所述区的一或多个渗透率的估计中使用交通量和/或交通密度的一或多个直接测量。
7.根据权利要求1至5中任一项所述的方法,其包括确定用于所述区或用于所述区内的一群的段的多个平均渗透率,所述多个平均渗透率中的每一个与相应的时间期相关联。
8.根据权利要求1至5中任一项所述的方法,其进一步包括确定与所估计的交通量和/或交通密度相关联的相对误差,以便连同所估计的交通量和/或交通密度一起输出。
9.根据权利要求1至5中任一项所述的方法,其包括确定用于所述区内的段的多个不同群的所述平均渗透率的估计,以及估计用于每个群内的一或多个段的交通量和/或交通密度。
10.根据权利要求1至5中任一项所述的方法,其进一步包括存储所估计的交通量和/或交通密度以便随后显示,和/或包括向用户显示所估计的交通量和/或交通密度。
11.一种用于生成指示在电子地图覆盖的区域中在可导航网络内的交通量和/或交通密度的交通数据的系统,可选地为服务器,所述电子地图包括表示所述可导航网络的可导航元素的多个段,所述系统包括处理电路,所述处理电路被配置成:
获得与沿由所述电子地图的所述段所表示的所述可导航元素的多个装置的移动有关的位置数据;
至少使用与所述可导航网络的某区内的一或多个拥堵段有关的位置数据,确定用于所述区的一或多个平均渗透率的估计,其中拥堵段是这样的路段,其交通条件使得车辆以基本上恒定且相对于所述路段的预期自由流速度降低的集体速度沿着所述路段行进;
基于所获得的位置数据,确定用于所述区内的非拥堵段的样本量,其中所述样本量指示在某个时间间隔或所述非拥堵段的长度间隔内在所述非拥堵段上计数的所述多个装置的数量;以及
使用所确定的样本量和用于所述区的所述平均渗透率中所选择的一个平均渗透率来估计用于所述非拥堵段的交通量和/或交通密度。
12.根据权利要求11所述的系统,其进一步包括经配置以执行根据权利要求2到10中的任一项所述的方法的处理电路。
13.一种包括存储于其上的指令的非暂时性计算机可读介质,所述指令在由计算装置读取时,促使所述计算装置根据权利要求1到10中的任一项所述的方法进行操作。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
GB18023663 | 2018-02-14 | ||
GBGB1802366.3A GB201802366D0 (en) | 2018-02-14 | 2018-02-14 | Methods and systems for generating taffic volumn or traffic density data |
PCT/EP2019/053114 WO2019158438A1 (en) | 2018-02-14 | 2019-02-08 | Methods and systems for generating traffic volume or traffic density data |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111712862A CN111712862A (zh) | 2020-09-25 |
CN111712862B true CN111712862B (zh) | 2022-11-15 |
Family
ID=61731460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980013159.8A Active CN111712862B (zh) | 2018-02-14 | 2019-02-08 | 用于生成交通量或交通密度数据的方法和系统 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11922802B2 (zh) |
EP (1) | EP3753002B1 (zh) |
CN (1) | CN111712862B (zh) |
GB (1) | GB201802366D0 (zh) |
WO (1) | WO2019158438A1 (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11100793B2 (en) * | 2019-01-15 | 2021-08-24 | Waycare Technologies Ltd. | System and method for detection and quantification of irregular traffic congestion |
US11435202B2 (en) * | 2019-06-04 | 2022-09-06 | Here Global B.V. | Trajectory sampling using spatial familiarity |
GB201918833D0 (en) | 2019-12-19 | 2020-02-05 | Tomtom Traffic Bv | Methods and systems for generating traffic volume data |
GB202001219D0 (en) | 2020-01-29 | 2020-03-11 | Tom Tom Navigation B V | Methods and systems for evaluation navigation systems |
GB202106070D0 (en) | 2021-04-28 | 2021-06-09 | Tomtom Navigation Bv | Methods and systems for determining estimated travel times through a navigable network |
CN113378397B (zh) * | 2021-06-22 | 2024-04-30 | 东南大学 | 一种考虑船舶舵效的内河航道船舶交通流的基本图模型 |
CN113313950A (zh) * | 2021-07-28 | 2021-08-27 | 长沙海信智能系统研究院有限公司 | 车辆拥堵的检测方法、装置、设备及计算机存储介质 |
CN114818536B (zh) * | 2022-04-25 | 2023-07-21 | 哈尔滨工业大学 | 一种基于理想流体力学模型的高速公路路段动态服务水平分级方法 |
CN115457764B (zh) * | 2022-08-24 | 2023-07-18 | 华南理工大学 | 基于车辆轨迹数据的路段交通密度估测方法、装置及介质 |
Family Cites Families (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7439853B2 (en) * | 2005-03-31 | 2008-10-21 | Nissan Technical Center North America, Inc. | System and method for determining traffic conditions |
US20070208501A1 (en) * | 2006-03-03 | 2007-09-06 | Inrix, Inc. | Assessing road traffic speed using data obtained from mobile data sources |
CN102289935B (zh) * | 2006-03-03 | 2015-12-16 | 因瑞克斯有限公司 | 使用来自移动数据源的数据估算道路交通状况 |
US7831380B2 (en) * | 2006-03-03 | 2010-11-09 | Inrix, Inc. | Assessing road traffic flow conditions using data obtained from mobile data sources |
US7912628B2 (en) * | 2006-03-03 | 2011-03-22 | Inrix, Inc. | Determining road traffic conditions using data from multiple data sources |
CN102470869A (zh) * | 2009-07-28 | 2012-05-23 | 丰田自动车株式会社 | 车辆控制装置、车辆控制方法以及车辆控制系统 |
JP5196022B2 (ja) * | 2009-07-28 | 2013-05-15 | トヨタ自動車株式会社 | 車両制御装置、車両制御方法及び車両制御システム |
JP5435034B2 (ja) * | 2009-07-29 | 2014-03-05 | トヨタ自動車株式会社 | 車両制御装置、車両制御方法及び車両制御システム |
KR20110112933A (ko) * | 2010-04-08 | 2011-10-14 | 삼성전자주식회사 | 이동통신 단말기를 이용한 교통 정보 서비스 제공 방법 및 장치 |
US9709406B2 (en) * | 2010-12-31 | 2017-07-18 | Tomtom Navigation B.V. | Navigation methods and systems |
EP2659469A1 (en) * | 2010-12-31 | 2013-11-06 | Tomtom Belgium N.V. | Systems and methods for obtaining and using traffic flow information |
US8452771B2 (en) * | 2011-01-03 | 2013-05-28 | Honda Motor Co., Ltd. | Method for differentiating traffic data obtained from probe vehicles |
GB201113112D0 (en) * | 2011-02-03 | 2011-09-14 | Tomtom Dev Germany Gmbh | Method of generating expected average speeds of travel |
US20130132434A1 (en) * | 2011-11-22 | 2013-05-23 | Inrix, Inc. | User-assisted identification of location conditions |
US10037689B2 (en) * | 2015-03-24 | 2018-07-31 | Donald Warren Taylor | Apparatus and system to manage monitored vehicular flow rate |
US9435654B2 (en) * | 2013-06-01 | 2016-09-06 | Savari, Inc. | System and method for creating, storing, and updating local dynamic MAP database with safety attribute |
US9582999B2 (en) | 2013-10-31 | 2017-02-28 | Here Global B.V. | Traffic volume estimation |
US9240123B2 (en) * | 2013-12-13 | 2016-01-19 | Here Global B.V. | Systems and methods for detecting road congestion and incidents in real time |
US10692370B2 (en) * | 2014-03-03 | 2020-06-23 | Inrix, Inc. | Traffic obstruction detection |
US9489838B2 (en) * | 2014-03-11 | 2016-11-08 | Here Global B.V. | Probabilistic road system reporting |
US9609046B2 (en) * | 2014-04-29 | 2017-03-28 | Here Global B.V. | Lane level road views |
GB201408474D0 (en) * | 2014-05-13 | 2014-06-25 | Tomtom Int Bv | Methods and systems for detecting a partial closure of a navigable element |
US10109184B2 (en) * | 2014-10-08 | 2018-10-23 | Here Global B.V. | Probe based variable speed sign value |
CN104594095A (zh) * | 2014-12-31 | 2015-05-06 | 山东晨钟机械股份有限公司 | 中浓度精浆装置 |
US20160364739A1 (en) * | 2015-06-09 | 2016-12-15 | Inrix, Inc. | Driver movement analysis |
US9761133B2 (en) * | 2015-06-26 | 2017-09-12 | Here Global B.V. | Determination of a free-flow speed for a link segment |
US9911327B2 (en) * | 2015-06-30 | 2018-03-06 | Here Global B.V. | Method and apparatus for identifying a split lane traffic location |
US10042055B2 (en) * | 2016-04-20 | 2018-08-07 | Here Global B.V. | Traffic volume estimation |
WO2017187801A1 (ja) * | 2016-04-27 | 2017-11-02 | 株式会社Jvcケンウッド | 車両用表示制御装置、車両用表示システム、車両用表示制御方法およびプログラム |
US10553110B2 (en) * | 2017-06-23 | 2020-02-04 | Here Global B.V. | Detection and estimation of variable speed signs |
US10859392B2 (en) * | 2018-07-20 | 2020-12-08 | Mapbox, Inc. | Dynamic one-way street detection and routing penalties |
US11282379B2 (en) * | 2018-11-01 | 2022-03-22 | Inrix Inc. | Slowdown detection |
US10750374B1 (en) * | 2019-02-22 | 2020-08-18 | Toyota Jidosha Kabushiki Kaisha | Managing regionalized vehicular communication |
-
2018
- 2018-02-14 GB GBGB1802366.3A patent/GB201802366D0/en not_active Ceased
-
2019
- 2019-02-08 CN CN201980013159.8A patent/CN111712862B/zh active Active
- 2019-02-08 WO PCT/EP2019/053114 patent/WO2019158438A1/en unknown
- 2019-02-08 EP EP19704308.6A patent/EP3753002B1/en active Active
- 2019-02-08 US US16/968,852 patent/US11922802B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
EP3753002A1 (en) | 2020-12-23 |
US20210020034A1 (en) | 2021-01-21 |
GB201802366D0 (en) | 2018-03-28 |
EP3753002B1 (en) | 2023-03-22 |
CN111712862A (zh) | 2020-09-25 |
WO2019158438A1 (en) | 2019-08-22 |
US11922802B2 (en) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111712862B (zh) | 用于生成交通量或交通密度数据的方法和系统 | |
US9582999B2 (en) | Traffic volume estimation | |
EP3322960B1 (en) | Methods and systems for detecting a closure and/or opening of a navigable element | |
EP1938296B1 (en) | Assessing road traffic conditions using data from mobile data sources | |
JP5374067B2 (ja) | 交通状態シミュレーション装置及びプログラム | |
US10830596B2 (en) | Methods and systems for generating expected speeds of travel | |
US7706965B2 (en) | Rectifying erroneous road traffic sensor data | |
US11721206B2 (en) | Method, apparatus, and system for automatic verification of road closure reports | |
US20190311623A1 (en) | Methods and Systems for Generating Profile Data for Segments of an Electronic Map | |
CN101673460B (zh) | 一种交通信息的质量评价方法、装置及系统 | |
KR102360598B1 (ko) | 내비게이트 가능한 요소의 폐쇄를 검출하는 방법 및 시스템 | |
EP3344951B1 (en) | Method and system for detecting an open navigable element | |
US11127289B2 (en) | Traffic congestion estimating device, traffic congestion estimating method, and recording medium storing program thereof | |
US10657807B1 (en) | Method, apparatus, and computer program product for detecting changes in road traffic condition | |
EP3671126A1 (en) | Method, apparatus, and system for providing road closure graph inconsistency resolution | |
CN114722127A (zh) | 电子地图校正方法、导航信息设置方法、导航方法及装置 | |
Aljamal | Real-time estimation of traffic stream density using connected vehicle data | |
Mak et al. | Online travel time estimation in urban areas using the occupancy of long loop detectors |
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 |