CN111798659A - 用于在预先确定区域内的机动车的交通控制的方法和设备 - Google Patents
用于在预先确定区域内的机动车的交通控制的方法和设备 Download PDFInfo
- Publication number
- CN111798659A CN111798659A CN202010272780.0A CN202010272780A CN111798659A CN 111798659 A CN111798659 A CN 111798659A CN 202010272780 A CN202010272780 A CN 202010272780A CN 111798659 A CN111798659 A CN 111798659A
- Authority
- CN
- China
- Prior art keywords
- traffic
- air quality
- traffic control
- data
- control actions
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
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
- G08G1/0108—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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3461—Preferred or disfavoured areas, e.g. dangerous zones, toll or emission zones, intersections, manoeuvre types, segments such as motorways, toll roads, ferries
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/015—Detecting movement of traffic to be counted or controlled with provision for distinguishing between two or more types of vehicles, e.g. between motor-cars and cycles
-
- 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
- G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/095—Traffic lights
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Atmospheric Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及用于在预先确定的区域内的机动车的以计算机实现的交通控制的方法和设备,其中以预先给定的时间间隔而分别:‑在使用数据检测的情况下确定在预先确定的区域内的交通参数的值,其中交通参数的至少一部分涉及在预先确定的区域内行驶的机动车并且相应的机动车的交通参数包括自身的当前位置、行驶方向和速度;‑在使用经学习的数据驱动的模型的情况下借助优化来确定经优化的交通控制动作的集,并且实施经优化的交通控制动作,其中所述交通控制动作包括能变化的交通信号发出装置的调整,其中所述优化考虑经预测的空气质量值并且借助来自模拟中的训练数据来学习数据驱动的模型。
Description
技术领域
本发明涉及用于在预先确定的区域内的机动车的以计算机实现的交通控制的方法和设备。
背景技术
尤其是在大城市中,由于交通引起的有害物质、例如氮氧化物和可吸入颗粒物的排放而使得人口负荷成为越来越大的问题。因此,针对机动车并且尤其是针对确定的车辆类型而在市中心施加越来越频繁的行驶禁令。然而,这样的行驶禁令可能导致在避让路段上的不期望的交通问题。此外,提高了在避让路段上的有害物质负荷。
为了减少在人口密集区域内的有害物质排放,存在如下可能性:越来越多地使用以电动车辆的形式的零排放的车辆或者例如通过使用过滤器来减小机动车的有害物质排放。然而这些措施仅仅能够以长远的方式而实现并且要求对已经批准的车辆的加装。
在出版物[1]中描述如下模拟,利用这些模拟能够在基于代理的交通建模的基础上确定在城市区域内的空气污染。在此,可以鉴于空气质量来分析不同情形、例如交通参与者的行为方式或车辆技术中的改变的影响。这些模拟是非常计算耗费的并且不能在如下交通控制的范畴内使用,利用所述交通控制,通过相应的交通控制动作来实时适配大城市中的交通。
发明内容
本发明的任务因此是,创建一种用于在预先确定的区域内的机动车的以计算机实现的交通控制的方法和设备,所述方法和设备使得能够对交通进行适配以用于实现经改善的空气质量。
该任务通过根据专利权利要求1所述的方法或根据专利权利要求12所述的设备而得以解决。本发明的扩展方案在从属权利要求中限定。
根据本发明的方法用于在预先确定的区域内的机动车的以计算机实现的交通控制。以预先给定的、并不必为恒定的时间间隔来分别执行接下来阐述的步骤。
首先,在使用数据检测的情况下确定在预先确定的区域内的交通参数的值,其中交通参数的至少一部分涉及在预先确定的区域内行驶的机动车并且相应的机动车的交通参数包括自身的当前位置、行驶方向和速度。交通参数可以以不同方式来确定,其中在下文中阐述对所述交通参数的确定的不同变型方案。
在下一步骤中,在使用经学习的数据驱动的模型的情况下借助优化来确定经优化的交通控制动作(Verkehrsleitaktion)的集,这些交通控制动作包括能变化的交通信号发出装置的调整。经优化的交通控制动作然后被实施。
经学习的数据驱动的模型被设立用于,针对在预先确定的区域内的多个位置,由以交通参数的值的形式的输入参量来确定(也即模拟)以空气质量值的形式的输出参量。在此,空气质量值反映了在相应位置处的空气质量。视定义而定,更高的空气质量值可以代表更好的空气质量或者更差的空气质量。这些空气质量值可以例如通过有害物质浓度、诸如氮氧化物和可吸入颗粒物的有害物质浓度来表示。
借助来自模拟中的训练数据集来学习在根据本发明的方法中所使用的数据驱动的模型。相应的训练数据集在此包括交通参数的值和所属的、通过模拟来确定的空气质量值。作为模拟可以利用本身已知的模拟,例如在上文中的文献[1]中所描述的模拟。因为相应的模拟是非常计算耗费的并且因此并不是实时性的(echtzeitfähig),该模拟并不直接地在根据本发明的方法中被利用用于确定空气质量值。相反,利用模拟来事先生成训练数据集,然后利用这些训练数据集来学习数据驱动的模型。经学习的数据驱动的模型然后是实时性的并且能够在交通控制的范畴内被利用。
在根据本发明的方法中所使用的优化包括空气质量值的预测,根据该预测,针对交通控制动作的不同的集从交通参数的借助数据检测所确定的值出发来分别预测交通参数的值,其中所述交通控制动作包括能变化的交通信号发出装置的调整。这样的预测是本身已知的并且能够例如基于运输模型(Transportmodell),利用该运输模型来预测机动车的运动和由此预测交通参数。在一种构型方案中,交通控制动作的不同集其中的一个集也能够包括所谓的空动作(Nullaktion)的集,也即并不执行交通控制动作。针对交通控制动作的所述集,交通参数的所预测的值相应于交通参数的当前确定的值。
根据交通参数的值的预测,借助经学习的数据驱动的模型针对在预先确定的区域内的不同位置由这些所预测的值来确定所预测的空气质量值。然后,基于多个优化目标借助该优化由交通控制动作的不同的集来确定经优化的交通控制动作的集,其中所述优化目标包括:在考虑针对多个位置的所有所预测的空气质量值的情况下尽可能高的总空气质量的目标和/或在考虑针对多个位置其中一部分的所预测的空气质量值的一部分的情况下尽可能高的部分空气质量的目标。优化目标可以例如通过要最小化的或要最大化的成本函数来表示。在多个优化目标的情况下,优选地通过在成本函数中经加权的总和来考虑各个目标。可以视各个优化目标的优先级而定来不同地选择权重因子。
根据本发明的方法以此而出众:首次地实现在考虑预先确定的区域内的空气质量的情况下的交通控制。在此,对于本发明重要的是,对此使用经学习的数据驱动的模型,与模拟的应用不同地,该数据驱动的模型保证该方法的实时性。
视根据本发明的方法的构型方案而定地,可以利用不同的数据驱动的模型。优选地,数据驱动的模型是由一个或多个神经网络组成的神经网络结构。然而,该数据驱动的模型可以必要时也基于可能的支持向量机。
除了上文提及的优化目标,所述多个优化目标也可以必要时包括超出预先确定的区域的所预测的空气质量值的尽可能小的变化的目标。该目标可以例如通过所预测的空气质量值的频率分布的方差来表示。该方差越小,所预测的空气质量值的变化就越小。
在一种特别优选的实施方式中,交通参数还包含相应的机动车的车辆型号和/或在预先确定的区域内的多个测量位置处的空气质量测量。以这种方式,空气质量值的预测被改善。
在根据本发明的方法的另一变型方案中,上面提及的数据检测包括:通过多个摄像机来对相应的机动车的号码牌和/或速度和/或行驶方向和/或位置的检测。通过将号码牌与数据库进行匹配,可以确定相应的机动车的车辆型号,其中在该数据库中保存经批准的机动车的车辆型号。
在根据本发明的方法的另一实施方式中,这样构型数据检测,使得交通参数的至少一部分通过机动车来无线地发送并且在预先确定的区域内由多个接收器来接收。由此以特别简单的方式来确定交通参数。
能变化的交通信号发出装置(Verkehrssignalgeber)可以构型得不同。优选地,能变化的交通信号发出装置包括具有变化的信息内容的交通指示牌和/或交通信号灯设施。
在另一特别优选的实施方式中,经优化的交通控制动作包括影响公共短途交通的动作,尤其是改变在公共短途交通中的一个或多个线路(例如铁路线路和/或公共汽车线路)的周期频率(Taktrate)和/或改变在公共短途交通中的运输工具(例如公共汽车和/或铁路)的容量。由此提高用于影响交通的可能性。
在另一优选的构型方案中,经优化的交通控制动作包括改道指示(Umleitanweisungen),这些改道指示被传输给这些机动车的至少一部分并且在相应的机动车中适配导航系统的行驶路线。由此创建用于对交通进行影响的另一可能性。
在另一构型方案中,经优化的交通控制动作引起:针对这些机动车的至少一部分并且尤其是针对确定的驱动类型的机动车、诸如柴油车而封锁在预先确定的区域内的一个或多个道路区段。以这种方式也可以利用根据本发明的交通控制来考虑鉴于行驶禁令方面的法律规定。
在根据本发明的方法的另一变型方案中,基于如下交通参数来继续进行事先被执行用于生成训练数据的上述模拟,其中在执行根据本发明的方法期间在使用数据检测的情况下确定这些交通参数,由此获得新的训练数据集,利用这些新的训练数据集在执行根据本发明的方法期间继续数据驱动的模型的学习。以这种方式,通过数据驱动的模型的在线学习来连续地改善交通控制。
除了上文描述的方法之外,本发明还涉及用于在预先确定的区域内的机动车的以计算机实现的交通控制的设备,其中该设备被设立用于执行根据本发明的方法或者执行根据本发明的方法的一种或多种优选的变型方案。
本发明还涉及计算机程序产品,该计算机程序产品具有在机器可读的载体上存储的程序代码,当所述程序代码在计算机上被执行时,所述程序代码用于执行根据本发明的方法或者执行根据本发明的方法的一种或多种优选的变型方案。
本发明还包括计算机程序,该计算机程序具有程序代码,当所述程序代码在计算机上被执行时,所述程序代码用于执行根据本发明的方法或者执行根据本发明的方法的一种或多种优选的变型方案。
附图说明
接下来根据所附的图1来描述本发明的实施例。该附图示出流程图,该流程图阐明在本发明的变型方案中所执行的方法步骤。
具体实施方式
根据本发明的方法的在此描述的实施方式的出发点是预先确定的区域G,该区域例如是城市或城区。在该区域内有多个机动车行驶,这些机动车在图1中普遍地以附图标记K来标出。从现在起的目标是,在考虑在所观察的区域G内的空气质量值的情况下实现机动车K的经优化的交通控制。为此,利用接下来所描述的方法,其中确定在使用计算机的情况下经优化的交通控制动作。该计算机优选地集成在交通控制台(Verkehrsleitwarte)中。所确定的经优化的交通控制动作通过交通控制台来提供给适合的能变化的交通信号发出装置,然后基于其来对机动车这样操纵(lenken),使得在考虑尽可能良好的空气质量情况下进行交通控制。
根据图1的方法的步骤S1,在使用数据检测的情况下确定在预先确定的区域G内的交通参数VP的值。交通参数的至少一部分在此与在预先确定的区域内行驶的机动车K相关联。相应的机动车的交通参数包括其当前位置PO、其行驶方向FR、其速度GE以及该机动车的车辆型号FM,也即精确的产品(Fabrikat)和该产品的精确的车辆类型。位置PO、行驶方向FR和速度GE在在此描述的实施方式中通过摄像机KA来确定,这些摄像机被安装在预先确定的区域的道路上。
必要时,也可以通过适合的对象识别来直接从摄像机的传感器数据导出机动车的车辆型号FM。然而,在一种优选的变型方案中,该车辆型号间间接通过号码牌识别来确定。在此,通过对象识别从借助摄像机所检测的图像中提取相应的机动车的号码牌。通过与数据库的匹配(Abgleich)于是可以通过该号码牌来读出相应的车辆型号,其中该数据库针对每个经批准的机动车包含自身的车辆型号。因为机动车的有害物质排放取决于车辆型号,这些交通参数良好地反映了有害物质排放。
在步骤S1中在确定的时间点所确定的交通参数VP在接下来的步骤S2中被使用用于优化OPT。这种优化利用以经学习的神经网络NN的形式的数据驱动的模型。基于训练数据TD来学习该神经网络,而这些训练数据又是从模拟SI获得的。作为模拟在此利用本身已知的模拟,例如在出版物[1]中所描述的模拟。
神经网络NN被设立用于,针对在总的被观察的区域G内的多个位置基于交通参数VP的当前的或所预测的值来模拟空气质量值LQ。在在此描述的实施方式中,空气质量值通过氮氧化物和/或可吸入颗粒物的有害物质浓度来表示。在此情况下,空气质量随着增大的空气质量值而变得更小。然而,空气质量值也可以以其他方式来限定并且例如表示所提到的浓度的倒数。在此情况下,更大的空气质量值表示在所观察的区域G内的更好的空气质量。
因为,模拟SI是时间耗费的,在图1的方法中并不直接地执行模拟,因为该方法的结果必须基本上实时地被确定。替代于此,模拟SI事先被利用用于生成训练数据TD,利用这些训练数据然后同样地事先学习神经网络NN。换言之,模拟SI事先针对交通参数的多个不同的值来执行并且在此分别输出空气质量值。具有所输出的空气质量值的交通参数的值表示适合的训练数据集。在此,生成多个训练数据集,这些训练数据集接下来以本身已知的方式被使用用于神经网络NN的学习。
借助经学习的神经网络NN,在图1的方法中从交通参数VP的所预测的值来获得在所观察的区域G内的相应的空气质量值LQ。交通参数的所预测的值在此来自于预测PRO,根据该预测PRO针对交通控制动作VL的多个不同的集S从交通参数的当前的、在步骤S1中所确定的值出发来分别预测交通参数VP的值,其中所述交通控制动作包括能变化的交通信号发出装置的调整。相应的预测方法对于本领域技术人员而言已知并因此并不详细阐述。在在此描述的实施例中,交通控制动作VL的集S也包括所谓的空动作的集,也即并不执行任何交通控制动作,使得交通参数的所预测的值相应于在当前时间点在步骤S1中所获得的值。然后,针对在整个区域G内的多个位置,由属于交通动作的不同集的交通参数的所预测的值来确定并且在此意义上预测借助神经网络NN所预测的空气质量值LQ。
接下来,借助优化目标OZ由交通控制动作VL的集S来确定经优化的交通控制动作OVL的如下经优化的集OS,所述经优化的集最接近于优化目标。在在此描述的实施方式中,优化目标一方面包括在整个区域G内的尽可能高的总空气质量的目标并且还包括在整个区域内的空气质量值的尽可能小的变化的目标。可以通过适合的经限定的成本函数来考虑这些目标。各个目标以相同的权重而被包括到成本函数中,其中视构型而定地,权重可以根据目标的优先次序而不同地选择。
在在此描述的实施方式中,交通控制动作VL并且因此经优化的交通控制动作OVL也包括以交通信号灯设施AM的形式以及以具有变化的内容的交通指示牌SC的形式的能变化的信号发出装置的调整。通过这些交通指示牌可以例如引起改道。同样地,可以通过适配相应的交通指示牌的内容来适配容许的最高速度。
通过在交通控制台中的指令而触发地,最终实施交通控制动作OVL的经优化的集OS,也即根据经优化的交通控制动作OVL而适配能变化的交通信号发出装置。在此可能也许出现如下情况:根据优化而确定上面提及的空动作来作为交通控制动作的经优化的集。在此情况下,对现有的能变化的交通信号发出装置并不进行任何改变。
在上文描述的方法的可选构型方案中,交通控制动作也可以包括如下动作,这些动作涉及在所观察的区域内的公共短途交通,例如适配在公共短途交通中的线路的周期频率或适配在公共短途交通中的运输工具的容量。交通参数的上文描述的值此外还可以包括另外的值,例如在所观察的区域内的真实的有害物质测量。
同样地,交通参数的值不必强制性地通过摄像机来检测。相反,也存在如下可能性:各个机动车将相应的交通参数传输给道路边缘处的接收器,其中这些所接收的值然后被传送给交通控制台。此外,交通控制动作可以必要时也包括改道指示,这些改道指示通过在道路边缘处的相应的发送器传输给确定的机动车,使得在这些机动车中的行驶路线相应地被改变并且使得驾驶员然后行驶其他路线。
此外,优化的上文描述的目标也可以包括其他的或另外的优化目标。例如,优化目标可以在于,应该仅针对在预先确定的区域内的确定范围来实现尽可能高的空气质量。此外,作为经学习的数据驱动的模型不必强制性地使用神经网络。相反,也可以使用到其他数据驱动的模型,诸如支持向量机。决定性的仅仅是:能够以合适的方式基于上文描述的训练数据通过机器学习方法来学习数据驱动的模型。
本发明的在上文中描述的实施方式具有一系列的优点。尤其是,创建一种用于智能的交通控制的方法,该方法为了规定交通控制动作而在实时决策中考虑空气质量。在此,使用机器学习的数据驱动的模型,所述数据驱动的模型的训练数据来自于模拟。通过使用数据驱动的模型而确保该方法的实时性。由于通过数据驱动的模型所获得的空气质量值的预测,可以在考虑足够的空气质量的情况下确定适合的交通控制动作。
文献目录
[1] F. Hülsmann: Dissertation "Integrated agent-based transportsimulation and air pollution modelling in urban areas – the example ofMunich", 6. Mai 2014, TU München。
Claims (15)
1.用于在预先确定的区域(G)内的机动车(K)的以计算机实现的交通控制的方法,其中以预先给定的时间间隔而分别:
- 在使用数据检测的情况下确定在所述预先确定的区域(G)内的交通参数(VP)的值,其中所述交通参数(VP)的至少一部分涉及在所述预先确定的区域(G)内行驶的机动车(K)并且相应的机动车(K)的所述交通参数(VP)包括自身的当前位置(PO)、行驶方向(FR)和速度(GE);
-在使用经学习的数据驱动的模型(NN)的情况下借助优化(OPT)来确定经优化的交通控制动作(OVL)的集(OS),并且实施所述经优化的交通控制动作(OVL),其中所述交通控制动作包括能变化的交通信号发出装置(AM, SC)的调整;
- 其中经学习的数据驱动的模型(NN)被设立用于,针对在所述预先确定的区域(G)内的多个位置,由以所述交通参数(VP)的值的形式的输入参量来确定以空气质量值(LQ)的形式的输出参量,并且其中借助来自模拟(SI)中的训练数据集(TD)来学习所述数据驱动的模型(NN),其中相应的训练数据集(TD)包括所述交通参数(VP)的值和所属的、通过所述模拟(SI)来确定的空气质量值(LQ);
- 其中所述优化(OPT)包括空气质量值(LQ)的预测(PRO),根据所述预测,针对交通控制动作(VL)的不同的集(S),从所述交通参数(VP)的所确定的值出发来分别预测所述交通参数(VP)的值,借助经学习的所述数据驱动的模型(NN)针对所述多个位置由所述交通参数的值来确定所预测的空气质量值(LQ),并且其中基于多个优化目标(OZ)借助所述优化(OPT)由交通控制动作(VL)的所述不同的集(S)确定经优化的交通控制动作(OVL)的所述集(OS),其中所述优化目标包括:在考虑针对所述多个位置(G)的所有所预测的空气质量值(LQ)的情况下尽可能高的总空气质量的目标和/或在考虑针对所述多个位置其中一部分的所预测的所述空气质量值(LQ)的一部分的情况下尽可能高的部分空气质量的目标。
2.根据权利要求1所述的方法,其中所述数据驱动的模型(NN)是由一个或多个神经网络组成的神经网络结构。
3.根据权利要求1或2所述的方法,其中所述多个优化目标(OZ)还包括超出所述预先确定的区域(G)的所预测的空气质量值(LQ)的尽可能小的变化的目标。
4.根据上述权利要求其中任意一项所述的方法,其中所述交通参数(VP)还包含相应的所述机动车(K)的车辆型号(FM)和/或在所述预先确定的区域(GE)内的多个测量位置处的空气质量测量。
5.根据上述权利要求其中任意一项所述的方法,其中所述数据检测包括:通过多个摄像机(KA)来对相应的所述机动车(K)的所述号码牌和/或所述速度(GE)和/或所述行驶方向(FR)和/或所述位置(PO)的检测。
6.根据上述权利要求其中任意一项所述的方法,其中这样构型所述数据检测,使得所述交通参数(VP)的至少一部分通过所述机动车(K)来无线地发送并且在所述预先确定的区域(G)内由多个接收器来接收。
7.根据上述权利要求其中任意一项所述的方法,其中能变化的交通信号发出装置(AM,SC)包括具有变化的信息内容的交通指示牌(SC)和/或交通信号灯设施(AM)。
8.根据上述权利要求其中任意一项所述的方法,其中所述经优化的交通控制动作(OVL)包括影响公共短途交通的动作,尤其是改变公共短途交通的一个或多个线路的周期频率和/或改变在公共短途交通中的运输工具的容量。
9.根据上述权利要求其中任意一项所述的方法,其中所述经优化的交通控制动作(OVL)包括改道指示,所述改道指示被传输给所述机动车(K)其中至少一部分并且在相应的所述机动车(K)中适配导航系统的行驶路线。
10.根据上述权利要求其中任意一项所述的方法,其中所述经优化的交通控制动作(OVL)引起:针对所述机动车(K)的至少一部分并且尤其是针对确定的驱动类型的机动车(K)而封锁在所述预先确定的区域(G)内的一个或多个道路区段。
11.根据上述权利要求其中任意一项所述的方法,其中基于在所述方法期间在使用数据检测的情况下所确定的交通参数(VP)来继续进行所述模拟(SI),由此获得新的训练数据集(TD),利用所述新的训练数据集在所述方法期间继续所述数据驱动的模型(NN)的学习。
12.用于在预先确定的区域(G)内的机动车(K)的以计算机实现的交通控制的设备,其中所述设备被设立用于执行如下方法,在所述方法情况下以预先给定的时间间隔而分别:
- 在使用数据检测的情况下确定在所述预先确定的区域(G)内的交通参数(VP)的值,其中所述交通参数(VP)的至少一部分涉及在所述预先确定的区域(G)内行驶的机动车(K)并且相应的机动车(K)的所述交通参数(VP)包括自身的当前位置(PO)、行驶方向(FR)和速度(GE);
-在使用经学习的数据驱动的模型(NN)的情况下借助优化(OPT)来确定经优化的交通控制动作(OVL)的集(OS),并且实施所述经优化的交通控制动作(OVL),其中所述交通控制动作包括能变化的交通信号发出装置(AM, SC)的调整;
- 其中经学习的数据驱动的模型(NN)被设立用于,针对在所述预先确定的区域(G)内的多个位置,由以所述交通参数(VP)的值的形式的输入参量来确定以空气质量值(LQ)的形式的输出参量,并且其中借助来自模拟(SI)中的训练数据集(TD)来学习所述数据驱动的模型(NN),其中相应的训练数据集(TD)包括所述交通参数(VP)的值和所属的、通过所述模拟(SI)来确定的空气质量值(LQ);
- 其中所述优化(OPT)包括空气质量值(LQ)的预测(PRO),根据所述预测,针对交通控制动作(VL)的不同的集(S),从所述交通参数(VP)的所确定的值出发来分别预测所述交通参数(VP)的值,借助经学习的所述数据驱动的模型(NN)针对所述多个位置由所述交通参数的值来确定所预测的空气质量值(LQ),并且其中基于多个优化目标(OZ)借助所述优化(OPT)由交通控制动作(VL)的所述不同的集(S)确定经优化的交通控制动作(OVL)的所述集(OS),其中所述优化目标包括:在考虑针对所述多个位置(G)的所有所预测的空气质量值(LQ)的情况下尽可能高的总空气质量的目标和/或在考虑针对所述多个位置其中一部分的所预测的所述空气质量值(LQ)的一部分的情况下尽可能高的部分空气质量的目标。
13.根据权利要求12所述的设备,其中所述设备被设立用于,执行根据权利要求2至11其中任意一项所述的方法。
14.计算机程序产品,所述计算机程序产品具有在机器可读的载体上存储的程序代码,当所述程序代码在计算机上被执行时,所述程序代码用于执行根据权利要求1至11其中任意一项所述的方法。
15.计算机程序,所述计算机程序具有程序代码,当所述程序代码在计算机上被执行时,所述程序代码用于执行根据权利要求1至11其中任意一项所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP19168146.9A EP3723062A1 (de) | 2019-04-09 | 2019-04-09 | Verfahren und vorrichtung zur computer-implementierten verkehrsleitung von kraftfahrzeugen in einem vorbestimmten gebiet |
EP19168146.9 | 2019-04-09 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111798659A true CN111798659A (zh) | 2020-10-20 |
Family
ID=66349257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010272780.0A Pending CN111798659A (zh) | 2019-04-09 | 2020-04-09 | 用于在预先确定区域内的机动车的交通控制的方法和设备 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20200326195A1 (zh) |
EP (1) | EP3723062A1 (zh) |
CN (1) | CN111798659A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115188179A (zh) * | 2022-04-14 | 2022-10-14 | 大连海事大学 | 一种基于识别及疏导的一体化信号灯控制系统 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112489459A (zh) * | 2020-11-18 | 2021-03-12 | 韶关学院 | 一种智能交通管理系统 |
CN114993336B (zh) * | 2022-07-18 | 2022-10-25 | 山东建筑大学 | 一种基于pm2.5污染物暴露风险的通勤路径优化方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682605A (zh) * | 2012-06-13 | 2012-09-19 | 长安大学 | 基于汽车排放的高速公路环境交通容量确定系统及方法 |
CN104112357A (zh) * | 2014-07-04 | 2014-10-22 | 浙江大学 | 一种恶劣霾天气的城市区域交通紧急预案方法 |
CN105206056A (zh) * | 2015-09-25 | 2015-12-30 | 珠海高凌信息科技有限公司 | 道路交通污染源智能预测方法及系统 |
US20170076509A1 (en) * | 2014-03-03 | 2017-03-16 | Inrix Inc. | Assessing environmental impact of vehicle transit |
CN108389417A (zh) * | 2018-04-24 | 2018-08-10 | 西南交通大学 | 一种考虑空气污染暴露的混合用户出行诱导方法 |
EP3432093A1 (de) * | 2017-07-19 | 2019-01-23 | Siemens Aktiengesellschaft | Verfahren zur modellierung eines dynamischen systems durch rechnergestütztes lernen von datengetriebenen modellen |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018001444A1 (en) * | 2016-06-30 | 2018-01-04 | Atto D.O.O. | System and method for creation and delivery of personalized traffic and route information |
-
2019
- 2019-04-09 EP EP19168146.9A patent/EP3723062A1/de not_active Withdrawn
-
2020
- 2020-04-06 US US16/841,112 patent/US20200326195A1/en not_active Abandoned
- 2020-04-09 CN CN202010272780.0A patent/CN111798659A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682605A (zh) * | 2012-06-13 | 2012-09-19 | 长安大学 | 基于汽车排放的高速公路环境交通容量确定系统及方法 |
US20170076509A1 (en) * | 2014-03-03 | 2017-03-16 | Inrix Inc. | Assessing environmental impact of vehicle transit |
CN104112357A (zh) * | 2014-07-04 | 2014-10-22 | 浙江大学 | 一种恶劣霾天气的城市区域交通紧急预案方法 |
CN105206056A (zh) * | 2015-09-25 | 2015-12-30 | 珠海高凌信息科技有限公司 | 道路交通污染源智能预测方法及系统 |
EP3432093A1 (de) * | 2017-07-19 | 2019-01-23 | Siemens Aktiengesellschaft | Verfahren zur modellierung eines dynamischen systems durch rechnergestütztes lernen von datengetriebenen modellen |
CN108389417A (zh) * | 2018-04-24 | 2018-08-10 | 西南交通大学 | 一种考虑空气污染暴露的混合用户出行诱导方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115188179A (zh) * | 2022-04-14 | 2022-10-14 | 大连海事大学 | 一种基于识别及疏导的一体化信号灯控制系统 |
CN115188179B (zh) * | 2022-04-14 | 2023-06-27 | 大连海事大学 | 一种基于识别及疏导的一体化信号灯控制系统 |
Also Published As
Publication number | Publication date |
---|---|
US20200326195A1 (en) | 2020-10-15 |
EP3723062A1 (de) | 2020-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2733015C1 (ru) | Оперативное управление автономным транспортным средством | |
KR102461831B1 (ko) | 자율주행 차량 군집 운행을 위한 비신호 교차로에서의 강화학습기반 통행 개선을 위한 장치 및 방법 | |
CN111798659A (zh) | 用于在预先确定区域内的机动车的交通控制的方法和设备 | |
CN110843789B (zh) | 一种基于时序卷积网络的车辆换道意图预测方法 | |
EP3035314B1 (en) | A traffic data fusion system and the related method for providing a traffic state for a network of roads | |
CN107563543B (zh) | 一种基于群体智能的城市交通优化服务方法与系统 | |
Kerper et al. | Learning traffic light phase schedules from velocity profiles in the cloud | |
WO2019106789A1 (ja) | 処理装置及び処理方法 | |
CN110716529A (zh) | 一种自动驾驶测试用例自动生成方法和装置 | |
Valera et al. | Driving cycle and road grade on-board predictions for the optimal energy management in EV-PHEVs | |
CN110673636B (zh) | 无人驾驶仿真测试系统及方法、存储介质 | |
EP4020113A1 (en) | Dynamic model evaluation package for autonomous driving vehicles | |
Eriksen et al. | Uppaal stratego for intelligent traffic lights | |
US20230150549A1 (en) | Hybrid log simulated driving | |
CN110619340B (zh) | 一种自动驾驶汽车换道规则的生成方法 | |
CN114495486B (zh) | 一种基于层次强化学习的微观交通流预测系统及方法 | |
CN110733507A (zh) | 车道变换及道路隔离方法、装置、设备及存储介质 | |
CN110617829A (zh) | 用于预测车辆的可能行驶路线的方法和装置 | |
Gora | Simulation-based traffic management system for connected and autonomous vehicles | |
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 | |
CN113312733B (zh) | 一种信控环形交叉口仿真模型参数标定方法、装置、设备及存储介质 | |
US20100292971A1 (en) | Method and testing device for testing a traffic-control system | |
Dampage et al. | Adaptive & coordinated traffic signal system | |
Torris | Eco-Driving of Connected and Automated Vehicles (CAVs) | |
Zhao et al. | Simulation evaluation of fuel-saving systems in the city of chicago |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201020 |