CN112085950B - 交通状态判别指标的估计方法、系统、存储介质及应用 - Google Patents

交通状态判别指标的估计方法、系统、存储介质及应用 Download PDF

Info

Publication number
CN112085950B
CN112085950B CN202010823818.9A CN202010823818A CN112085950B CN 112085950 B CN112085950 B CN 112085950B CN 202010823818 A CN202010823818 A CN 202010823818A CN 112085950 B CN112085950 B CN 112085950B
Authority
CN
China
Prior art keywords
vehicle
average speed
length
lane
traffic
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
Application number
CN202010823818.9A
Other languages
English (en)
Other versions
CN112085950A (zh
Inventor
张华�
孙景荣
郭佳
魏晨依
谢林昌
许录平
杜梦欣
蔡强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN202010823818.9A priority Critical patent/CN112085950B/zh
Publication of CN112085950A publication Critical patent/CN112085950A/zh
Application granted granted Critical
Publication of CN112085950B publication Critical patent/CN112085950B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • 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
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明属于交通信息处理技术领域，公开了一种交通状态判别指标的估计方法、系统、存储介质及应用，所述交通状态判别指标的估计方法选择排队长度、交通流量及平均速度作为交叉路口的交通状态判别指标，根据雷达数据特性建立各个指标的估计模型并实现；通过实测数据进行特征提取，根据判别指标的变化情况和计算判别指标估计值与实际值的相对误差验证通过特征提取算法得到的排队长度、交通流量及平均速度的值是否正确。本发明根据雷达采集数据的特点建立数据解析模型，对道路交通状况进行实时监控，可以消除摄像头受特殊天气限制的影响，地感线圈对地面破坏性强，浮动车数据渗透率不足、采样频率低的缺点。

Description

交通状态判别指标的估计方法、系统、存储介质及应用
技术领域
本发明属于交通信息处理技术领域，尤其涉及一种交通状态判别指标的估计方法、系统、存储介质及应用。
背景技术
目前，交通信息的主要采集方式有：摄像头检测、环形线圈检测、雷达检测、GPS检测。视频在检测过程中容易受到雨雪、雾霾、沙尘暴等天气的影响，检测精度受天气的影响较大。感应线圈在安装过程中对路面的破坏较大，且容易被道路维修、漏水情况及车辆碾压破坏，后期维修成本较大。浮动车因渗透率不足导致样本量不足，车辆协调难度大并且精度不高。雷达发射的电磁波具有全天候工作的特性，检测精度高并可达到毫秒级的响应且受天气的影响较小。将雷达安装在交叉路口，根据检测范围调整雷达的位置可实现多目标多车道多交通参数的检测，且探测距离可达百米级别，实现交叉路口交通状态的全方位检测。因此，雷达检测技术符合交通状态判别实时与准确的要求。
对交通流参数的解析，现有研究主要对摄像头采集到的视频进行图像处理提取交通流参数，或提取通过地感线圈的车辆的瞬时速度与流量作为交通流参数，或通过获取浮动车的数据得到交通流参数，目前还没有专门针对雷达获取的数据进行解析提取交通参数的研究。
通过上述分析，现有技术存在的问题及缺陷为：由于现有摄像头受特殊天气限制的影响，地感线圈对地面破坏性强，浮动车数据渗透率不足、采样频率低的问题，使得目前用于交通状态判别的交通参数的准确率与实时性效果不佳。
解决以上问题及缺陷的难度为：当前大多数交通状态判别指标获取通过视频采集、感应线圈的方式获取，使用雷达数据得到的交通状态判别指标的较少，此方面的研究资料也较少。例如排队长度，大多数排队长度模型的数据来源于感应线圈、视频检测设备等。除此之外，目前关于交通雷达探测数据建立排队长度模型的研究较少。
解决以上问题及缺陷的意义为：交通拥堵识别是智能交通系统发展的基础，能够准确及时的识别拥堵，可以为交通规划与交通诱导奠定基础，从而改善交通拥堵的状况。雷达数据的实时性与准确性满足智能交通的发展需求，使用雷达来检测交通状态具有较好的前景，然而识别交通状态的前提需要快速准确的得到交通状态判别指标，通过获取安装在交叉路口的交通雷达获取道路车辆信息，选择排队长度、交通流量及平均速度来建立交通雷达的特征判别指标，从而为准确快速的识别交通状态提供数据来源。
发明内容
针对现有技术存在的问题，本发明提供了一种交通状态判别指标的估计方法、系统、存储介质及应用。
本发明是这样实现的，一种交通状态判别指标的估计方法，所述交通状态判别指标的估计方法选择排队长度、交通流量及平均速度作为交叉路口的交通状态判别指标，根据雷达数据特性建立各个指标的估计模型并实现；通过实测数据进行特征提取，根据判别指标的变化情况和计算判别指标估计值与实际值的相对误差验证通过特征提取算法得到的排队长度、交通流量及平均速度的值。
进一步，所述交通状态判别指标估计方法的判别指标估计模型包括：排队长度估计模型、交通流量估计模型、平均速度估计模型；通过将实测数据代入各判别指标估计模型中，可得到针对雷达数据得到的排队长度、流量、平均速度的值，从而实现对交通状态的判别。
进一步，所述排队长度估计模型将道路划分成若干单元格，统计连续存在车辆信息的单元格的个数从而估算排队长度；将单个车道划分为若干个与车辆长度相似的单元格，统计单位时间内每个单元格内是否存在车辆信息，考虑到车辆安全距离及驾驶员水平等因素的影响，若连续两个单元格内缺失车辆信息，则认为到达车队队尾；最终一个完整的车队由车辆数据缺失连续不超过两个单元格的连续单元格累计组成，当前排队长度的值为这个队列所包含的单元格个数与单个单元格的长度的乘积。
进一步，所述排队长度估计模型还包括：道1、车道2、车道3分别展示了三种车辆不同的排队情况，车道1属于一般排队情况，其排队长度为QL1；车道2为间距过大排队情况，可以认为是安全车距导致的，其间距一般最大可容纳一辆车，其排队长度为QL2；车道3由于B车与C车间距离超过一辆车的距离，认为A车与B车组成的QL3为车队长度；
(1)按照实际情况将道路区分每个车道，选取的交叉路口为双向六车道，车辆来向方向共有三个车道，车道分别为车道1，车道2，车道3；根据每个车道设置的阈值，提取单位时间内每个车道上的车辆的数据；
(2)将得到的单位时间内每个车道的数据按照车辆“Id”去除相同“Id”的多条记录，只保留该单位时间内雷达获取到该“Id”的车辆最后一个位置的记录；
(3)将每个车道平均划分为长度相同的若干个单元格，每个单元格长度为5米，共计60个单元格，如图6所示。；
(4)查阅相关资料得到一个小型轿车的长度大约为5m，一辆大型车的长度大约为10m，从人行道处,开始统计每个单元格内是否存在车辆信息，若存在车辆信息，令：
Ln＝Ln+LC (1)
其中
Figure BDA0002635424140000031
式(1)中n为车道编号，n的取值范围为1～3；L1表示车道1的排队长度，L2表示车道2的排队长度，L3表示车道3的排队长度；式(2)中Lc表示车辆的长度，等于单元格长度或单元格倍数的长度；Type为车辆目标类型，Type为0是表示车辆为小型车，Type为1时表示车辆为大型车；
依次向后统计，若连续两个单元格内无车辆信息，则Ln统计结束；
(5)分别比较L1，L2，L3的大小，取最大值作为道路排队长度的值。
进一步，所述交通流量估计模型的交通雷达可以识别并跟踪道路上不同的车辆，并通过“Id”来识别并区分不同的车辆。将“Id”相同的记录视为同一车辆的数据，由雷达数据的特点可知，雷达可以获取同一车辆的多条记录，通过检测不同“Id”的个数获取当前路段车辆个数，得到交通流量；
(1)按时间获取每个单位时间内雷达采集的所有车辆的车辆“Id”字段；
(2)利用去重法去掉具有相同车辆“Id”的记录，只保留一个“Id”的记录；
(3)统计不同车辆“Id”的个数，得到该时间内的交通流量数。
进一步，所述平均速度估计模型的道路平均速度算法的原理是首先获得该时间内每个车辆的平均速度，再通过对所有车辆的平均速度取平均方可得到道路平均速度；道路平均速度求解时需要首先知道所有车辆的平均速度，根据所有车辆的平均速度求的道路平均速度；
(1)按时间获取每个单位时间内雷达采集的所有车辆的数据；
(2)统计求得单位时间内每辆车的平均速度，每一辆车的平均速度为该时间内拥有同一“Id”的所有瞬时速度取平均值，计算每个车辆的平均速度：
Figure BDA0002635424140000041
式(3)中vij表示单个车辆的瞬时速度；i表示车辆的“Id”，其范围在1～65536之间；n表示单位时间内每个车辆分别探测到的瞬时速度的个数；
(3)通过已经求出每个单位时间内每辆车的平均速度，在对每个单位时间内的所有车辆的平均速度求平均速度，计算道路平均速度：
Figure BDA0002635424140000051
式(4)中vi是每个车辆的平均速度，count为车辆的个数，利用交通流量的计算模型，可以得到该时间内道路上的车辆个数。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
选择排队长度、交通流量及平均速度作为交叉路口的交通状态判别指标，根据雷达数据特性建立各个指标的估计模型并实现；
通过实测数据进行特征提取，根据判别指标的变化情况和计算判别指标估计值与实际值的相对误差验证通过特征提取算法得到的排队长度、交通流量及平均速度的值。
本发明的另一目的在于提供一种运行所述交通状态判别指标估计方法的交通状态判别指标的估计系统，所述交通状态判别指标的估计系统包括：
估计模型建立模块，用于选择排队长度、交通流量及平均速度作为交叉路口的交通状态判别指标，根据雷达数据特性建立各个指标的估计模型并实现；
特征提取模块，用于通过实测数据进行特征提取；
相对误差验证模块，用于根据判别指标的变化情况和计算判别指标估计值与实际值的相对误差验证通过特征提取算法可以针对雷达数据准确高效的提取排队长度、交通流量及平均速度的值。
本发明的另一目的在于提供一种智慧交通系统，其特征在于，所述智慧交通系统搭载所述的交通状态判别指标的估计系统。
本发明的另一目的在于提供一种终端，所述终端搭载所述的交通状态判别指标的估计系统。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明针对雷达采集方式建立数据解析模型，对道路交通状况进行实时监控，通过对交通雷达的数据进行特征提取，不仅可以得到准确且实时性较高的数据，还可以克服摄像头受特殊天气限制的影响，地感线圈对地面破坏性强，浮动车数据渗透率不足、采样频率低的缺点而导致数据质量低、有缺陷的问题。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，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的附图。
图1是本发明实施例提供的交通状态判别指标的估计方法流程图。
图2是本发明实施例提供的交通状态判别指标的估计系统的结构示意图；
图2中：1、估计模型建立模块；2、特征提取模块；3、相对误差验证模块。
图3是本发明实施例提供的交通雷达工作原理示意图。
图4是本发明实施例提供的交通雷达探测坐标系示意图。
图5是本发明实施例提供的车辆排队情况示意图。
图6是本发明实施例提供的车道划分示意图。
图7是本发明实施例提供的排队长度算法流程图。
图8是本发明实施例提供的交通流量算法流程图。
图9是本发明实施例提供的平均速度算法框图。
图10是本发明实施例提供的一天内排队长度变化情况示意图。
图11是本发明实施例提供的估计排队长度与实际排队长度对比图。
图12是本发明实施例提供的一天内交通流量变化情况示意图。
图13是本发明实施例提供的估计交通流量与实际交通流量对比图。
图14是本发明实施例提供的一天内平均速度变化情况示意图。
图15是本发明实施例提供的估计平均速度与实际平均速度对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种交通状态判别指标的估计方法、系统、存储介质及应用，下面结合附图对本发明作详细的描述。
如图1所示，本发明提供的交通状态判别指标的估计方法包括以下步骤：
S101：选择排队长度、交通流量及平均速度作为交叉路口的交通状态判别指标，根据雷达数据特性建立各个指标的估计模型并实现；
S102：通过实测数据进行特征提取，根据判别指标的变化情况和计算判别指标估计值与实际值的相对误差验证通过特征提取算法可以针对雷达数据准确高效的提取排队长度、交通流量及平均速度的值。
本发明提供的交通状态判别指标的估计方法业内的普通技术人员还可以采用其他的步骤实施，图1的本发明提供的交通状态判别指标的估计方法仅仅是一个具体实施例而已。
如图2所示，本发明提供的交通状态判别指标的估计系统包括：
估计模型建立模块1，用于选择排队长度、交通流量及平均速度作为交叉路口的交通状态判别指标，根据雷达数据特性建立各个指标的估计模型并实现；
特征提取模块2，用于通过实测数据进行特征提取；
相对误差验证模块3，用于根据判别指标的变化情况和计算判别指标估计值与实际值的相对误差验证通过特征提取算法可以针对雷达数据准确高效的提取排队长度、交通流量及平均速度的值。
下面结合附图对本发明的技术方案作进一步的描述。
1、交通雷达介绍
(1)雷达原理
在实际中，雷达的形式和结构是多种多样的，但其基本的工作原理基本是一致的。雷达的信息传播载体是无线电波，无线电波的本质是电磁波。雷达通过发射机搭载的天线向某个方向发射电磁波，电磁波在传输过程中遇到障碍物会发生反射，接收天线会接收到此反射波，将此反射波交给接收设备处理，从而获取障碍物的相关信息。
如图3所示，将雷达挂在道路的正前方检测时，雷达会发射波束覆盖多个车道，形成一个“扇面”，当有车辆通过该“扇面”的时候，反射波的频率会发生变化，通过检测反射波频率的变化判断是否有车辆经过，从而探测得到车辆信息。
在通常的情况下，可以通过电磁波的传播时间来估算距离，通过多普勒效应产生的频率偏移估算相对速度。
(2)雷达数据特点
通过对雷达数据的解析分别得到目标的编号、类型、位置坐标以及速度，将数据存入数据库中，对目标有效信息分别使用“Id”表示目标的编号，使用“Type”表示目标的类型，使用“Px”和“Py”分别表示目标的位置坐标，使用“Vx”和“Vy”表示目标的速度x方向和y方向分量。通过对数据库中的数据分析得到雷达数据具有以下的特点：
1)二维平面上的数据
交通雷达处理数据时是以自身为原点建立坐标系，将目标的位置和速度分解到x轴方向和y轴方向上。对于来向车辆，其水平位置位于雷达坐标轴的负半轴，因此对于正常行驶在规定车道内的来向车辆，其x轴方向的位置坐标始终为负数；对于去向车辆，与之相反。交通雷达不能探测后方车辆情况，因此对于来向和去向车辆的竖直位置始终在雷达y轴的正半轴，其y轴方向的位置坐标始终为正数，速度的正负与位置的正负一致。以雷达为原点建立的坐标系如图4所示。
2)同一目标存在多条记录
交通雷达实时跟踪某个目标，若该目标不丢失，则持续获取该目标信息直至其消失，并通过对目标进行编号作为唯一标识来区别不同目标，因此每帧数据中都会存在相同编号的目标。将雷达报文解析后，一定时间范围内，同一目标会存在多条记录，每条记录中速度为瞬时速度，位置为该时刻的瞬时位置。对于来向车辆，该车辆的y轴方向的位置坐标逐渐变小，x轴方向位置坐标基本保持不变；对于发生减速的车辆，该车辆的y轴方向的速度逐渐减小，x轴方向的速度趋近于零。
3)数据量大
交通雷达信号沿发射方向至少以每秒20次的扫描频率检测道路范围内所有目标。在车流量较大的情况下，交通雷达每秒就可以解析约2000多条车辆的有效信息。
表1为选取的7条交通雷达报文解析出的目标有效信息。通过给每个目标编号用以区分不同目标；目标类型为0时表示小型车，为1时表示大型车；目标距离的单位为米，速度的单位为米每秒。
表1目标有效信息
Figure BDA0002635424140000091
2、判别指标估计模型
(1)排队长度估计模型
1)原理
本发明中使用的交通雷达无法直接获取道路车辆排队长度，故基于雷达探测数据提出一种交叉路口在线排队长度估计方法，方法的关键在于将道路划分成若干单元格，统计连续存在车辆信息的单元格的个数从而估算排队长度。具体原理如下：
将单个车道划分为若干个与车辆长度相似的单元格，统计单位时间内每个单元格内是否存在车辆信息，考虑到车辆安全距离及驾驶员水平等因素的影响，若连续两个单元格内缺失车辆信息，则认为到达车队队尾。最终一个完整的车队由车辆数据缺失连续不超过两个单元格的连续单元格累计组成，当前排队长度的值为这个队列所包含的单元格个数与单个单元格的长度的乘积。
如图5所示，车道1、车道2、车道3分别展示了三种车辆不同的排队情况。车道1属于一般排队情况，其排队长度为QL1；车道2为间距过大排队情况，可以认为是安全车距导致的，其间距一般最大可容纳一辆车，其排队长度为QL2；车道3由于B车与C车间距离超过一辆车的距离，认为A车与B车组成的QL3为车队长度。
2)步骤，如图7所示。
Step1：按照实际情况将道路区分每个车道，本发明中选取的交叉路口为双向六车道，车辆来向方向共有三个车道，车道分别为车道1，车道2，车道3。根据每个车道设置的阈值，提取单位时间内每个车道上的车辆的数据。
Step2：将步骤1中得到的单位时间内每个车道的数据按照车辆“Id”去除相同“Id”的多条记录，只保留该单位时间内雷达获取到该“Id”的车辆最后一个位置的记录。
Step3：将每个车道平均划分为长度相同若干个的单元格，每个单元格长度为5米，共计60个单元格，如图6所示。
Step4：查阅相关资料得到一个小型轿车的长度大约为5m，一辆大型车的长度大约为10m。从人行道处(距离雷达55m)开始统计每个单元格内是否存在车辆信息。若存在车辆信息，令：
Ln＝Ln+LC (1)
其中
Figure BDA0002635424140000111
式(1)中n为车道编号，n的取值范围为1～3；L1表示车道1的排队长度，L2表示车道2的排队长度，L3表示车道3的排队长度；式(2)中Lc表示车辆的长度，等于单元格长度或单元格倍数的长度；Type为车辆目标类型，Type为0是表示车辆为小型车，Type为1时表示车辆为大型车；
依次向后统计，若连续两个单元格内无车辆信息，则Ln统计结束。
Step5：分别比较L1，L2，L3的大小，取最大值作为道路排队长度的值。
(2)交通流量估计模型
1)原理
交通雷达可以识别并跟踪道路上不同的车辆，并通过“Id”来识别并区分不同的车辆。将“Id”相同的记录视为同一车辆的数据，由雷达数据的特点可知，雷达可以获取同一车辆的多条记录，通过检测不同“Id”的个数获取当前路段车辆个数，从而得到交通流量。
2)步骤，如图8所示。
Step1：按时间获取每个单位时间内雷达采集的所有车辆的车辆“Id”字段；
Step2：利用去重法去掉具有相同车辆“Id”的记录，只保留一个“Id”的记录；
Step3：统计不同车辆“Id”的个数，得到该时间内的交通流量数。
(3)平均速度估计模型
1)原理
雷达可以持续跟踪移动的车辆实时获取车辆的信息，但是对每个车辆的探测次数不是固定的。例如在一段时间内，对车辆A探测了200次得到了车辆A的200条记录，对车辆B探测了300次得到了车辆B的300条记录，且雷达直接探测得到的是每个车辆的瞬时速度，由于车辆在交叉路口行驶时不会一直保持匀速行驶。在这种情况下，直接将所有速度值取平均值是存在误差的，因此道路平均速度算法的原理是首先获得该时间内每个车辆的平均速度，再通过对所有车辆的平均速度取平均方可得到道路平均速度。
在数据量比较小的情况下，这两种平均速度计算方法结果之间差别较小。由雷达数据特性分析可得，雷达的数据量非常大，可以达到上亿级别，所以直接对探测得到的瞬时速度求平均值会带来较大的误差。因此道路平均速度求解时需要首先知道所有车辆的平均速度，然后根据所有车辆的平均速度求的道路平均速度。
2)步骤，如图9所示。
Step1：按时间获取每个单位时间内雷达采集的所有车辆的数据；
Step2：统计求得单位时间内每辆车的平均速度，每一辆车的平均速度为该时间内拥有同一“Id”的所有瞬时速度取平均值，通过式(3)计算每个车辆的平均速度：
Figure BDA0002635424140000121
式(3)中vij表示单个车辆的瞬时速度；i表示车辆的“Id”，其范围在1～65536之间；n表示单位时间内每个车辆分别探测到的瞬时速度的个数；
Step3：通过步骤2已经求出每个单位时间内每辆车的平均速度，在对每个单位时间内的所有车辆的平均速度求平均速度，通过式(4)计算道路平均速度：
Figure BDA0002635424140000122
式(4)中vi是每个车辆的平均速度，count为车辆的个数，利用交通流量的计算模型，可以得到该时间内道路上的车辆个数。
下面结合实验对本发明的技术效果作详细的描述。
本实验将经过预处理的数据使用特征提取方法进行处理，分别得到了一天内排队长度、交通流量、平均速度随时间变化的值。
(1)排队长度估计结果，排队长度一天内的变化情况如图10所示。可以看出排队长度的变化符合一天中交叉路口车辆排队的情况。排队长度的变化与流量变化情况相似，因为当流量较多时，因停滞导致的车辆排队长度也会变长。
选取上午5：00至上午9：00内24个时刻的实际排队长度做对比，该时段正由平峰期向高峰期过度。通过人工观察与视频检测结合的方式，通过该时段的视频得到该交叉路口相应时刻的排队长度的真实值，与计算模型得到的值做对比，结果如图11所示。
通过图11可以看出，在排队长度较小时估计值与真实值的相对误差几乎为0％，在排队长度较大时估计值与真实值的相对误差不超过20％，说明排队长度估计模型可以较为准确的得到交叉路口的车辆排队长度情况。
(2)交通流量估计结果，交通流量一天内的变化情况如图12所示。在早高峰与晚高峰时段内，流量达到最大值；在夜间，流量达到最小值。雷达可探测300米的范围所有车辆，因此使用雷达探测到的路口交通流量相比于其他设备得到的交通流量值稍大。
通过人工观察与视频检测结合的方式得到上午5时至上午9时24个时刻该交叉路口交通流量的真实值，与计算模型得到的值做对比，结果如图13所示。
通过图13可以看出，在流量较小时估计值与真实值的相对误差几乎为0％，在流量较大时估计值与真实值的相对误差不超过15％，这说明交通流量估计模型可以较为准确的得到道路交通流量。
(3)平均速度估计结果，平均速度一天内的变化情况如图14所示。速度与流量的变化呈负相关。当夜间无流量或流量较少时，速度为0或者速度偏大；在高峰期，速度普遍变小。并且可以看出白天通过路口的车辆速度不超过40公里/小时，符合路口限制的车辆时速。
通过人工观察与视频检测结合的方式得到上午5时至上午9时24个时刻该交叉路口平均速度的真实值，与计算模型得到的值做对比，结果如图15所示。
通过图15可以看出平均速度的估计值与真实值的相对误差不超过13％，说明平均速度估计模型可以较为准确的得到道路平均速度。
本发明选择排队长度、交通流量及平均速度作为交叉路口的交通状态判别指标，根据雷达数据特性建立各个指标的估计模型并实现。通过实测数据进行特征提取，根据判别指标的变化情况和计算判别指标估计值与实际值的相对误差验证通过特征提取算法可以针对雷达数据准确高效的提取排队长度、交通流量及平均速度的值，因此证明了本发明提出的交通参数的特征提取方法是有效的。
在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上；术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种交通状态判别指标的估计方法，其特征在于，所述交通状态判别指标的估计方法选择排队长度、交通流量及平均速度作为交叉路口的交通状态判别指标，根据雷达数据特性建立各个指标的估计模型；通过实测数据进行特征提取，根据判别指标的变化情况和计算判别指标估计值与实际值的相对误差验证通过特征提取算法得到的排队长度、交通流量及平均速度的值；
所述交通状态判别指标估计方法的判别指标估计模型包括：排队长度估计模型、交通流量估计模型、平均速度估计模型；通过将实测数据代入各判别指标估计模型中，可得到针对雷达数据得到的排队长度、交通流量、平均速度的值，从而实现对交通状态的判别；
所述排队长度估计模型将道路划分成若干单元格，统计连续存在车辆信息的单元格的个数从而估算排队长度；将单个车道划分为若干个与车辆长度相似的单元格，统计单位时间内每个单元格内是否存在车辆信息，考虑到车辆安全距离及驾驶员水平因素的影响，若连续两个单元格内缺失车辆信息，则认为到达车队队尾；最终一个完整的车队由车辆数据缺失连续不超过两个单元格的连续单元格累计组成，当前排队长度的值为这个队列所包含的单元格个数与单个单元格的长度的乘积；
所述排队长度估计模型还包括：车道1、车道2、车道3分别展示了三种车辆不同的排队情况，车道1属于一般排队情况，其排队长度为QL1；车道2为间距过大排队情况，认为是安全车距导致的，其间距一般最大可容纳一辆车，其排队长度为QL2；车道3由于B车与C车间距离超过一辆车的距离，认为A车与B车组成的QL3为车队长度；
(1)按照实际情况将道路区分每个车道，选取的交叉路口为双向六车道，车辆来向方向共有三个车道，车道分别为车道1，车道2，车道3；根据每个车道设置的阈值，提取单位时间内每个车道上的车辆的数据；
(2)将得到的单位时间内每个车道的数据按照车辆“Id”去除相同“Id”的多条记录，只保留该单位时间内雷达获取到该“Id”的车辆最后一个位置的记录；
(3)将每个车道平均划分为长度相同的若干个单元格，每个单元格长度为5米，共计60个单元格；
(4)查阅相关资料得到一个小型轿车的长度大约为5m，一辆大型车的长度大约为10m，从人行道处,开始统计每个单元格内是否存在车辆信息，若存在车辆信息，令：
Ln＝Ln+LC (1)
其中
Figure FDA0003268522600000021
式(1)中n为车道编号，n的取值范围为1～3；L1表示车道1的排队长度，L2表示车道2的排队长度，L3表示车道3的排队长度；式(2)中Lc表示车辆的长度，等于单元格长度或单元格倍数的长度；Type为车辆目标类型，Type为0是表示车辆为小型车，Type为1时表示车辆为大型车；
依次向后统计，若连续两个单元格内无车辆信息，则Ln统计结束；
(5)分别比较L1，L2，L3的大小，取最大值作为道路排队长度的值。
2.如权利要求1所述的交通状态判别指标的估计方法，其特征在于，所述交通流量估计模型的交通雷达可以识别并跟踪道路上不同的车辆，并通过“Id”来识别并区分不同的车辆；将“Id”相同的记录视为同一车辆的数据，由雷达数据的特点可知，雷达可以获取同一车辆的多条记录，通过检测不同“Id”的个数获取当前路段车辆个数，得到交通流量；
(1)按时间获取每个单位时间内雷达采集的所有车辆的车辆“Id”字段；
(2)利用去重法去掉具有相同车辆“Id”的记录，只保留一个“Id”的记录；
(3)统计不同车辆“Id”的个数，得到该单位时间内的交通流量数。
3.如权利要求1所述的交通状态判别指标的估计方法，其特征在于，所述平均速度估计模型的道路平均速度算法的原理是首先获得该单位时间内每个车辆的平均速度，再通过对所有车辆的平均速度取平均方可得到道路平均速度；道路平均速度求解时需要首先知道所有车辆的平均速度，根据所有车辆的平均速度求得道路平均速度；
(1)按时间获取每个单位时间内雷达采集的所有车辆的数据；
(2)统计求得单位时间内每辆车的平均速度，每一辆车的平均速度为该单位时间内拥有同一“Id”的所有瞬时速度取平均值，计算每个车辆的平均速度：
Figure FDA0003268522600000031
式(3)中vij表示单个车辆的瞬时速度；i表示车辆的“Id”，其范围在1～65536之间；n表示单位时间内每个车辆分别探测到的瞬时速度的个数；
(3)通过已经求出每个单位时间内每辆车的平均速度，再对每个单位时间内的所有车辆的平均速度求平均速度，计算道路平均速度：
Figure FDA0003268522600000032
式(4)中vi是每个车辆的平均速度，count为车辆的个数，利用交通流量的计算模型，可以得到该单位时间内道路上的车辆个数。
4.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1～3任意一项所述交通状态判别指标的估计方法的步骤。
5.一种运行权利要求1～3任意一项所述交通状态判别指标的估计方法的交通状态判别指标的估计系统，其特征在于，所述交通状态判别指标的估计系统包括：
估计模型建立模块，用于选择排队长度、交通流量及平均速度作为交叉路口的交通状态判别指标，根据雷达数据特性建立各个指标的估计模型；
特征提取模块，用于通过实测数据进行特征提取；
相对误差验证模块，用于根据判别指标的变化情况和计算判别指标估计值与实际值的相对误差验证通过特征提取算法可以针对雷达数据准确高效的提取排队长度、交通流量及平均速度的值。
6.一种智慧交通系统，其特征在于，所述智慧交通系统搭载权利要求5所述的交通状态判别指标的估计系统。
7.一种终端，其特征在于，所述终端搭载权利要求5所述的交通状态判别指标的估计系统。
CN202010823818.9A 2020-08-17 2020-08-17 交通状态判别指标的估计方法、系统、存储介质及应用 Active CN112085950B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010823818.9A CN112085950B (zh) 2020-08-17 2020-08-17 交通状态判别指标的估计方法、系统、存储介质及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010823818.9A CN112085950B (zh) 2020-08-17 2020-08-17 交通状态判别指标的估计方法、系统、存储介质及应用

Publications (2)

Publication Number Publication Date
CN112085950A CN112085950A (zh) 2020-12-15
CN112085950B true CN112085950B (zh) 2021-10-29

Family

ID=73729735

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010823818.9A Active CN112085950B (zh) 2020-08-17 2020-08-17 交通状态判别指标的估计方法、系统、存储介质及应用

Country Status (1)

Country Link
CN (1) CN112085950B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112630770A (zh) * 2020-12-02 2021-04-09 北京首科丰汇科技有限公司 一种高速公路服务质量评价方法及装置
CN112859062B (zh) * 2021-01-19 2023-11-24 巍泰技术(武汉)有限公司 一种基于雷达的车辆排队长度检测方法及系统
CN115148018B (zh) * 2021-03-31 2024-05-24 海信集团控股股份有限公司 交通事件检测设备及方法
CN114120650B (zh) * 2021-12-15 2023-08-08 阿波罗智联(北京)科技有限公司 用于生成测试结果的方法、装置
CN114333335A (zh) * 2022-03-15 2022-04-12 成都交大大数据科技有限公司 基于轨迹数据的车道级交通状态估计方法、装置及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101246513A (zh) * 2008-03-20 2008-08-20 天津市市政工程设计研究院 城市快速路互通立交仿真设计系统及选型方法
CN104952258B (zh) * 2015-06-18 2017-05-10 安徽四创电子股份有限公司 基于交通场面雷达的交通事件影响范围计算方法
CN109615889A (zh) * 2018-12-29 2019-04-12 南京奥杰智能科技有限公司 用于交通信号智能控制的路口交通路况检测系统
CN110097766A (zh) * 2019-06-03 2019-08-06 南昌金科交通科技股份有限公司 一种利用三坐标雷达检测优化交通控制系统
CN111540201A (zh) * 2020-04-23 2020-08-14 山东大学 基于路侧激光雷达的车辆排队长度实时估计方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5741310B2 (ja) * 2011-08-10 2015-07-01 富士通株式会社 車列長測定装置、車列長測定方法及び車列長測定用コンピュータプログラム
US20180301026A1 (en) * 2017-04-12 2018-10-18 Dmitri Yudanov Method and apparatus for vehicle traffic congestion prevention

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101246513A (zh) * 2008-03-20 2008-08-20 天津市市政工程设计研究院 城市快速路互通立交仿真设计系统及选型方法
CN104952258B (zh) * 2015-06-18 2017-05-10 安徽四创电子股份有限公司 基于交通场面雷达的交通事件影响范围计算方法
CN109615889A (zh) * 2018-12-29 2019-04-12 南京奥杰智能科技有限公司 用于交通信号智能控制的路口交通路况检测系统
CN110097766A (zh) * 2019-06-03 2019-08-06 南昌金科交通科技股份有限公司 一种利用三坐标雷达检测优化交通控制系统
CN111540201A (zh) * 2020-04-23 2020-08-14 山东大学 基于路侧激光雷达的车辆排队长度实时估计方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
路口车辆排队长度检测方法的研究与仿真;周敏 等;《计算机仿真》;20131031;第30卷(第10期);第217-219、415页 *

Also Published As

Publication number Publication date
CN112085950A (zh) 2020-12-15

Similar Documents

Publication Publication Date Title
CN112085950B (zh) 交通状态判别指标的估计方法、系统、存储介质及应用
CN110264783B (zh) 基于车路协同的车辆防碰撞预警系统及方法
US11995986B2 (en) Vehicular information systems and methods
CN108550262B (zh) 基于毫米波雷达的城市交通感知系统
CN110570664A (zh) 一种高速公路交通事件自动检测系统
CN109272756A (zh) 一种信控交叉口排队长度估计方法
CN113419244A (zh) 一种基于毫米波雷达数据的车辆轨迹拼接方法
CN109696676B (zh) 一种有效障碍物目标确定方法、装置和车辆
CN112859062B (zh) 一种基于雷达的车辆排队长度检测方法及系统
CN104408927A (zh) 一种基于调频连续波雷达的车型分类方法
CN113192337A (zh) 一种基于毫米波雷达的车位检测方法
CN114454878A (zh) 车速控制模型训练样本的确定方法及装置
CN113850237B (zh) 基于视频和轨迹数据的网联车目标检测评价方法及系统
CN115236603A (zh) 隧道内基于时空关系的毫米波雷达量测异常轨迹处理方法
CN113256990B (zh) 基于聚类算法的雷达采集道路车辆信息的方法及系统
CN110648542B (zh) 基于方位识别窄波雷达的高精度车流量检测系统
CN116631187B (zh) 一种案件现场勘查信息智能采集分析系统
CN117198057A (zh) 一种面向路侧感知轨迹数据质量检评的实验方法及系统
CN116913081A (zh) 一种基于路侧激光雷达的车辆排队长度检测方法
CN114895274A (zh) 一种护栏识别方法
CN114443636A (zh) 一种基于毫米波雷达的隧道轨迹数据镜像去除方法
Tao et al. Traffic incident detection based on mmWave radar and improvement using fusion with camera
CN116381632B (zh) 雷达横滚角的自标定方法、装置及存储介质
CN115148018B (zh) 交通事件检测设备及方法
KR102333582B1 (ko) 도로교통용 스마트 레이더 차량 검지기(vds)의 고스트 제거장치 및 방법

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