CN112347604B - 确定车辆路径集的方法和装置 - Google Patents
确定车辆路径集的方法和装置 Download PDFInfo
- Publication number
- CN112347604B CN112347604B CN201910735768.6A CN201910735768A CN112347604B CN 112347604 B CN112347604 B CN 112347604B CN 201910735768 A CN201910735768 A CN 201910735768A CN 112347604 B CN112347604 B CN 112347604B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- initial
- traffic
- traffic state
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000003068 static effect Effects 0.000 claims abstract description 57
- 238000004088 simulation Methods 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 12
- 230000001133 acceleration Effects 0.000 description 9
- 230000002093 peripheral effect Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000011835 investigation Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 210000000349 chromosome Anatomy 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000005465 channeling Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Multimedia (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种确定车辆路径集的方法,属于交通仿真技术领域。所述方法包括:获取目标地域的静态路网数据;基于所述目标地域中各卡口的图像采集设备在预设时段内采集的图像、每个图像对应的采集时间和图像采集设备的位置,确定在所述预设时段内所述目标地域的初始路径数据,并基于采集的图像,确定在所述预设时段内所述目标地域中各卡口对应的交通状态参数;基于所述初始路径数据、所述静态路网数据和所述交通状态参数,确定所述目标地域在所述预设时段内的车辆路径集。采用本申请,可以有效解决相关技术中确定的车辆路径集与现实的车辆路径集相差较大,使得路网仿真模型的精准度较差的技术问题。
Description
技术领域
本申请涉及交通仿真技术领域,具体涉及一种确定车辆路径集的方法和装置。
背景技术
随着我国城市化进程的持续发展,对城市交通管控水平的要求也越来越高,因此,交通管控依赖的路网仿真模型的精准度也需要不断提高。路网仿真模型可以用于对现在交通状况的模拟和对未来交通状况的预测,其中,对现在交通状况的模拟是对未来交通状况的预测的基础。而要想对现在交通状况进行比较真实的模拟,就必须尽可能精确地获取静态路网数据和车辆路径集作为路网仿真模型的输入数据,其中,静态路网数据包括道路通行信息、交叉口控制形式、道路渠化信息等,可以通过实地检测等获取,获取的精准度较高,而车辆路径集的精确获取较难,因此,车辆路径集的确定方法对路网仿真模型的精准度有较大影响。
相关技术中确定车辆路径集的方法为,首先,通过居民出行调查的方式获取目标地域的各车辆的起点和终点,然后,基于预先获取的静态路网数据通过交通分配模型,将所有车辆分配到不同的路径上,从而确定车辆的路径集。
在实现本申请的过程中,申请人发现相关技术至少存在以下问题:
通过居民出行调查的方式获取的各车辆的起点和终点的准确度较差,并且只使用各车辆的起点和终点,使得通过交通分配模型得到的车辆路径集与现实的车辆路径集差距较大,从而,使得路网仿真模型的精准度较差。
发明内容
为了解决相关技术中存在的技术问题,本申请实施例提供了一种确定车辆路径集的方法和装置。所述确定车辆路径集的方法和装置的技术方案如下:
第一方面,提供了一种确定车辆路径集的方法,所述方法包括:
获取目标地域的静态路网数据;
基于所述目标地域中各卡口的图像采集设备在预设时段内采集的图像、每个图像对应的采集时间和图像采集设备的位置,确定在所述预设时段内所述目标地域的初始路径数据,并基于采集的图像,确定在所述预设时段内所述目标地域中各卡口对应的交通状态参数;
基于所述初始路径数据、所述静态路网数据和所述交通状态参数,确定所述目标地域在所述预设时段内的车辆路径集。
可选的,所述基于所述目标地域中各卡口的图像采集设备在预设时段内采集的图像、每个图像对应的采集时间和图像采集设备的位置,确定在所述预设时段内所述目标地域的初始路径数据,包括:
获取所述目标地域中各卡口的图像采集设备在预设时段内采集的图像,识别采集的图像中包含的各车辆;
对于每个车辆,确定包含所述车辆的各图像,按照所述各图像的采集时间的先后顺序,对所述各图像对应的图像采集设备的位置进行排序,得到所述车辆的初始路径数据。
可选的,所述基于所述初始路径数据、所述静态路网数据和所述交通状态参数,确定所述目标地域在所述预设时段内的车辆路径集,包括:
将交通分配模型中的待调整参数设置为预设初始值;
将所述初始路径数据和所述静态路网数据,输入到所述交通分配模型中,得到初始车辆路径集;
基于所述初始车辆路径集和所述静态路网数据,确定模拟交通状态参数;
如果所述模拟交通状态参数和所述交通状态参数满足预设条件,则确定所述初始车辆路径集为所述车辆路径集;
如果所述模拟交通状态参数和所述交通状态参数不满足预设条件,则基于所述模拟交通状态参数和所述交通状态参数对所述待调整参数的数值进行调整,转至执行将所述初始路径数据和所述静态路网数据,输入到所述交通分配模型中,得到初始车辆路径集的处理。
可选的,所述模拟交通状态参数为模拟交通流量和模拟排队长度,所述交通状态参数为交通流量和排队长度,所述预设条件为所述模拟交通流量与所述交通流量的偏差小于第一预设阈值,且所述模拟排队长度与所述排队长度的偏差小于第二预设阈值。
可选的,所述基于所述初始车辆路径集和所述静态路网数据,确定模拟交通状态参数,包括:
将所述初始车辆路径集和所述静态路网数据输入到路网仿真模型中,得到模拟交通状态参数。
可选的,所述交通分配模型为Gawron模型。
第二方面,提供了一种确定车辆路径集的装置,所述装置包括:
获取模块,用于获取目标地域的静态路网数据;
初始路径数据确定模块,用于基于所述目标地域中各卡口的图像采集设备在预设时段内采集的图像、每个图像对应的采集时间和图像采集设备的位置,确定在所述预设时段内所述目标地域的初始路径数据;
交通状态参数确定模块,用于基于采集的图像,确定在所述预设时段内所述目标地域中各卡口对应的交通状态参数;
车辆路径集确定模块,用于基于所述初始路径数据、所述静态路网数据和所述交通状态参数,确定所述目标地域在所述预设时段内的车辆路径集。
可选的,所述初始路径数据确定模块,用于:
获取所述目标地域中各卡口的图像采集设备在预设时段内采集的图像,识别采集的图像中包含的各车辆;
对于每个车辆,确定包含所述车辆的各图像,按照所述各图像的采集时间的先后顺序,对所述各图像对应的图像采集设备的位置进行排序,得到所述车辆的初始路径数据。
可选的,所述车辆路径集确定模块,用于:
将交通分配模型中的待调整参数设置为预设初始值;
将所述初始路径数据和所述静态路网数据,输入到所述交通分配模型中,得到初始车辆路径集;
基于所述初始车辆路径集和所述静态路网数据,确定模拟交通状态参数;
如果所述模拟交通状态参数和所述交通状态参数满足预设条件,则确定所述初始车辆路径集为所述车辆路径集;
如果所述模拟交通状态参数和所述交通状态参数不满足预设条件,则基于所述模拟交通状态参数和所述交通状态参数对所述待调整参数的数值进行调整,转至执行将所述初始路径数据和所述静态路网数据,输入到所述交通分配模型中,得到初始车辆路径集的处理。
可选的,所述模拟交通状态参数为模拟交通流量和模拟排队长度,所述交通状态参数为交通流量和排队长度,所述预设条件为所述模拟交通流量与所述交通流量的偏差小于第一预设阈值,且所述模拟排队长度与所述排队长度的偏差小于第二预设阈值。
可选的,所述车辆路径集确定模块,用于:
将所述初始车辆路径集和所述静态路网数据输入到路网仿真模型中,得到模拟交通状态参数。
可选的,所述交通分配模型为Gawron模型。
第三方面,提供了一种终端,所述终端包括处理器和存储器,所述存储器存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现第一方面所述的确定车辆路径集的方法。
第四方面,提供了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至少一条指令,所述至少一条指令由处理器加载并执行以实现第一方面所述的确定车辆路径集的方法。
本申请实施例提供的技术方案带来的有益效果至少包括:
本申请实施例提供的确定车辆路径集的方法,首先,获取目标地域的静态路网数据。然后,基于目标地域中各卡口的图像采集设备在预设时段内采集的图像、每个图像对应的采集时间和图像采集设备的位置,确定在预设时段内目标地域的初始路径数据,并基于采集的图像,确定在所述预设时段内所述目标地域中各卡口对应的交通状态参数。最后,基于初始路径数据、静态路网数据和交通状态参数,确定目标地域在预设时段内的车辆路径集。与相关技术中通过居民出行调查方式获取各车辆的起点和终点相比,通过基于卡口的图像采集设备获取的初始路径数据,不仅包含的车辆的起点和终点更加准确,而且还包含车辆的路径数据,并且本申请实施例提供的方法,还会根据实际的交通状态参数,对车辆路径集进行校准,从而使得得到的完整的车辆路径集与真实的车辆路径集更为相近,进而使得路网仿真模型的精准度较好。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中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是本申请实施例提供的一种确定车辆路径集的方法的流程图;
图2是本申请实施例提供的一种确定车辆路径集的装置的结构示意图;
图3是本申请实施例提供的一种终端的结构示意图;
图4是本申请实施例提供的一种初始路径数据中非完整路径示意图。
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,下面将结合附图对本申请实施方式作进一步地详细描述。
本申请实施例提供了一种确定车辆路径集的方法,该方法可以由终端实现,其中,该终端可以是台式计算机等固定终端,也可以是手机、平板电脑、笔记本等移动终端。
本申请实施例提供的方法可以应用在交通仿真技术领域,具体的可以应用在车辆路径集的确定上。首先,获取目标地域的静态路网数据,然后,通过目标地域各卡口的图像采集设备获取初始路径数据和交通状态参数。最后,基于初始路径数据、静态路网数据和交通状态参数确定目标地域在预设时间段内的车辆路径集。
当确定车辆路径集之后,将车辆路径集和获取的静态路网数据输入到路网仿真模型中,可以得到模拟的交通状态参数。也可以改变静态路网数据,并将改变的静态路网数据和车辆路径集重新输入到路网仿真模型中,得到新的模拟的交通状态参数,从而通过新的模拟的交通状态参数,观测静态路网数据的改变对交通的影响。例如,假设人们想要改变道路交叉口的控制形式,但是不知道会对交通产生什么样的影响,则可以先通过路网仿真模型进行模拟,模拟时首先改变静态路网数据中关于道路交叉口的控制形式的部分,然后,将新的静态路网数据和车辆路径集输入到路网仿真模型中,得到模拟的交通状态参数,人们可以参考得到的模拟的交通状态参数来预测交叉口的控制形式的改变对交通的影响,从而决定是否在现实生活中改变道路交叉口的控制形式。
如图1所示,该方法的处理流程可以包括如下步骤:
在步骤101中,获取目标地域的静态路网数据。
其中,目标地域为想要模拟的交通所在的区域,一般为一些交通枢纽所在的区域,可以是交通拥堵的区域或交通发达的区域。静态路网数据包括道路交叉口的控制形式、道路的限速情况、道路的通行能力、道路的车道数目、路网渠化信息中的一种或多种。
在实施中,在获取静态路网数据之前,需要根据实际研究的需要,确定目标地域。在确定目标地域之后,可以通过查找资料或者实地调研的方式获取目标地域的路网渠化信息、道路交叉口的控制形式、道路的限速情况、道路的通行能力和道路的车道数目等信息,然后将这些信息转化为计算机可以识别的数据进行存储。
在步骤102中,基于目标地域中各卡口的图像采集设备在预设时段内采集的图像、每个图像对应的采集时间和图像采集设备的位置,确定在预设时段内目标地域中的初始路径数据,并基于采集的图像,确定在预设时段内目标地域中各卡口对应的交通状态参数。
其中,图像采集设备可以是卡口的监控摄像头等电警设备。预设时段可以根据模拟的需要任意设置,预设时段可以是一整天,也可以是一小时,还可以是交通高峰期的时间段,具体的可以是上班高峰期,也可以是下班高峰期。交通状态参数可以包括交通流量和排队长度。初始路径数据包括车辆的标识、车辆的出发时间和车辆非完整的路径信息。车辆非完整的路径的示意图如图4所示。
在实施中,通过预设时段内卡口的图像采集设备采集的图像中包含的车辆的数量,确定预设时段内各卡口对应的交通流量和排队长度,其中,交通流量是指预设时间段内通过卡口的车辆的数量,排队长度是指预设时间段内在卡口位置车辆的排队长度的平均值。基于采集的图像,确定的在预设时段内目标地域中各卡口对应的交通流量和排队长度可以以表1的形式存储,表1如下所示。表1中存储的数据表示的意思为,根据编号为001的图像采集设备采集的图像确定出了,在路段编号为001002的路段,交通流量为115辆(具体为在时间T1之后的5min内通过了115辆车),排队长度为95米(具体为在时间T1之后的5min内,在该路段的平均排队长度为95米)。
表1
可选的,基于目标地域中各卡口的图像采集设备在预设时段内采集的图像、每个图像对应的采集时间和图像采集设备的位置,确定在预设时段内目标地域的初始路径数据的具体方法可以如下所述:获取目标地域中各卡口的图像采集设备在预设时段内采集的图像,识别采集的图像中包含的各车辆。对于每个车辆,确定包含车辆的各图像,按照各图像的采集时间的先后顺序,对各图像对应的图像采集设备的位置进行排序,得到车辆的初始路径数据。
在实施中,获取目标地域中各卡口的图像采集设备在预设时段内采集的所有图像之后,可以对各个图像进行图像检测,确定图像中包含的各车辆,如可以针对车辆的车牌进行图像检测,通过车牌将各个车辆区分开。然后,对于每个车辆,确定出包含该车辆的所有图像,然后,按照各图像的采集时间的先后顺序,对各图像采集设备的位置进行排序,得到车辆的初始路径数据。对于每个车辆,将采集时间最早的图像对应的图像采集设备的位置,确定为车辆的起点,将采集时间最晚的图像对应的图像采集设备的位置,确定为车辆的终点,而其他采集时间的图像对应的图像采集设备的位置,为车辆的中间点。将起点、各中间点和终点,按照时间先后顺序进行排列,即可得到车辆的初始路径数据。可以理解的,由于图像采集设备存在漏拍等情况,车辆的初始路径数据有的为不完整的路径。
图像采集设备的位置可以使用图像采集设备的编号来表征,如图4所示。按照图像采集时间的顺序,将图像采集设备的位置进行排列,得到图像采集设备的编号的集合,该集合可以为每个车辆的初始路径数据,如表2所示。得到的初始路径数据中,有的车辆是完整的路径,有的可能是非完整的路径,所以需要将这些初始路径数据输入到交通分配模型中,得到所有车辆完整的路径集。
确定的初始路径数据的存储形式可以如表2所示,其中,车辆路径下的001和002等表示车辆通过的卡口或图像采集设备的标识。
车辆标识 | 出发时间 | 车辆路径 |
a | T1 | 001,002,102,304,405,406 |
... | ... | .... |
表2
车辆a非完整的路径的示意图如图4所示。
在步骤103中,基于初始路径数据、静态路网数据和交通状态参数,确定目标地域在预设时段内的车辆路径集。
其中,车辆路径集为模拟出的各车辆在目标地域行驶的路径的集合。
在实施中,初始路径数据中不完整的路径通过交通分配模型分配得到所有车辆完整的车辆路径集(可能是初始车辆路径集,也可能是车辆路径集),车辆路径集的存储形式可以如表3所示,其中,车辆路径下的001和002等表示车辆通过的卡口或图像采集设备的标识。
车辆标识 | 出发时间 | 车辆路径 |
a | T1 | 001,002,102,202,203,204,304,305,405,406 |
b | T2 | 001,002,102,103,203,204,304,305,405,406 |
... | ... | .... |
表3
可选的,可以基于交通分配模型确定目标地域在预设时段内的车辆路径集,步骤103相应的处理过程可以如下:将交通分配模型中的待调整参数设置为预设初始值。将初始路径数据和静态路网数据,输入到交通分配模型中,得到初始车辆路径集。基于初始车辆路径集和静态路网数据,确定模拟交通状态参数。如果模拟交通状态参数和交通状态参数满足预设条件,则确定初始车辆路径集为车辆路径集。如果模拟交通状态参数和交通状态参数不满足预设条件,则基于模拟交通状态参数和交通状态参数对待调整参数的数值进行调整,转至执行将初始路径数据和静态路网数据,输入到交通分配模型中,得到初始车辆路径集的处理。
其中,交通分配模型为Gawron模型,Gawron模型为SUMO仿真软件中一种路径选择模型,待调整的参数可以为Gawron模型中的α和β,预设初始值可以根据经验设置。模拟交通状态参数可以为模拟交通流量和模拟排队长度,交通状态参数可以为交通流量和排队长度。预设条件可以为模拟交通流量与交通流量的偏差小于第一预设阈值、且模拟排队长度与排队长度的偏差小于第二预设阈值。初始车辆路径集为模拟出的各车辆在目标地域行驶的路径的集合。
在实施中,首先设定交通分配模型中的待调整参数为预设初始值,然后,将初始路径数据和静态路网数据,输入到交通分配模型中,得到交通分配模型输出的初始车辆路径集。可选的,交通分配模型可以为SUMO仿真软件中的Gawron模型,待调整的参数可以为Gawron模型中的α和β。
然后,将得到的初始车辆路径集和静态路网数据输入到路网仿真模型中,得到路网仿真模型输出的模拟交通状态参数。可选的,模拟交通状态参数可以为模拟交通流量和模拟排队长度。
最后,比较模拟交通状态参数和交通状态参数,判断模拟交通状态参数和交通状态参数是否满足预设条件,当两者满足预设条件时,则确定初始车辆路径集为车辆路径集。可选的,还可以输出交通分配模型中的待调整的参数的取值、模拟交通流量与交通流量的偏差以及模拟排队长度与排队长度的偏差,以便人们了解确定的车辆路径集与实际的车辆路径集的接近程度。
如果两者不满足预设条件,则基于模拟交通状态参数和交通状态参数对待调整参数的数值进行调整,然后,将初始路径数据和静态路网数据输入到调整待调整参数的数值后的交通分配模型,得到调整后的交通分配模型输出的初始车辆路径集。然后,将得到的初始车辆路径集和静态路网数据输入到路网仿真模型中,得到路网仿真模型输出的模拟交通状态参数。再次比较模拟交通状态参数和交通状态参数,如果两者满足预设条件,则确定初始车辆路径集为车辆路径集,如果两者不满足预设条件,则继续执行上述处理,直至得到的模拟交通状态参数和交通状态参数满足预设条件。通过上述处理,可以使得确定的车辆路径集与实际的车辆路径集的接近程度较高。
可选的,在对待调整参数的数值进行调整时,可以使用遗传算法进行调整。遗传算法包括如下操作步骤:选择操作:基于轮盘赌算法进行遗传算法的选择操作,即按照实用度的大小比例来确定个体进入下一代的概率,适应度越高,被选择进入下一代的概率越大。交叉操作:选择单点交叉实现染色体的交叉操作。编译操作:选择基本的单点变异算法。终止条件:迭代次数超过预先设定的最大代数,目标函数收敛到阈值内。染色体解码:将最终迭代停止时的染色体进行解码,可获得最终的参数组合。
可选的,模拟交通状态参数为模拟交通流量和模拟排队长度,且交通状态参数为交通流量和排队长度时,预设条件可以为模拟交通流量与交通流量的偏差小于第一预设阈值,且模拟排队长度与排队长度的偏差小于第二预设阈值。模拟交通流量和交通流浪的偏差,和模拟排队长度与排队长度的偏差都可以通过如下公式计算:
在上述公式中,MAPE表示模拟排队长度(或模拟交通流量)和排队长度(或交通流量)的偏差。N表示路网中的路段总数,i表示第i条路段。表示第i条路段的排队长度(或交通流量)。/>表示第i条路段模拟排队长度(或模拟交通流量)。
可选的,第一预设阈值可以为15%,第二预设阈值可以为20%。
本申请实施例提供的确定车辆路径集的方法,首先,获取目标地域的静态路网数据。然后,基于目标地域中各卡口的图像采集设备在预设时段内采集的图像、每个图像对应的采集时间和图像采集设备的位置,确定在预设时段内目标地域中预设的至少一个起点终点对之间的初始路径数据,并基于采集的图像,确定在所述预设时段内所述目标地域中各卡口对应的交通状态参数。最后,基于初始路径数据、静态路网数据和交通状态参数,确定目标地域在预设时段内的车辆路径集。
与相关技术中通过居民出行调查方式获取的从预设起点至预设终点的车辆的数量相比,通过基于卡口的图像采集设备获取的初始路径数据,不仅获取的车辆的数量更为精确,而且还包含车辆的路径数据,从而使得基于初始路径数据得到的完整的车辆路径集与真实的车辆路径集更为相近,进而使得路网仿真模型的精准度较好。
基于相同的技术构思,本申请实施例还提供了一种确定车辆路径集的装置,该装置可以为上述实施例中的终端,如图2所示,该装置包括:
获取模块201,用于获取目标地域的静态路网数据;
初始路径数据确定模块202,用于基于目标地域中各卡口的图像采集设备在预设时段内采集的图像、每个图像对应的采集时间和图像采集设备的位置,确定在预设时段内目标地域的初始路径数据;
交通状态参数确定模块203,用于基于采集的图像,确定在预设时段内目标地域中各卡口对应的交通状态参数;
车辆路径集确定模块204,用于基于初始路径数据、静态路网数据和交通状态参数,确定目标地域在预设时段内的车辆路径集。
可选的,初始路径数据确定模块202,用于:
获取目标地域中各卡口的图像采集设备在预设时段内采集的图像,识别采集的图像中包含的各车辆;
对于每个车辆,确定包含所述车辆的各图像,按照所述各图像的采集时间的先后顺序,对所述各图像对应的图像采集设备的位置进行排序,得到所述车辆的初始路径数据。
可选的,车辆路径集确定模块204,用于:
将交通分配模型中的待调整参数设置为预设初始值;
将初始路径数据和静态路网数据,输入到交通分配模型中,得到初始车辆路径集;
基于初始车辆路径集和静态路网数据,确定模拟交通状态参数;
如果模拟交通状态参数和交通状态参数满足预设条件,则确定初始车辆路径集为车辆路径集;
如果模拟交通状态参数和交通状态参数不满足预设条件,则基于模拟交通状态参数和交通状态参数对待调整参数的数值进行调整,转至执行将初始路径数据和静态路网数据,输入到交通分配模型中,得到初始车辆路径集的处理。
可选的,模拟交通状态参数为模拟交通流量和模拟排队长度,交通状态参数为交通流量和排队长度,预设条件为模拟交通流量与交通流量的偏差小于第一预设阈值,且模拟排队长度与排队长度的偏差小于第二预设阈值。
可选的,车辆路径集确定模块204,用于:
将初始车辆路径集和静态路网数据输入到路网仿真模型中,得到模拟交通状态参数。
可选的,交通分配模型为Gawron模型。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
需要说明的是:上述实施例提供的确定车辆路径集的装置在进行车辆路径集的确定时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的确定车辆路径集的装置与确定车辆路径集的方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图3是本申请实施例提供的一种终端的结构框图。该终端300可以是便携式移动终端,比如:智能手机、平板电脑、智能摄像机。终端300还可能被称为用户设备、便携式终端等其他名称。
通常,终端300包括有:处理器301和存储器302。
处理器301可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器301可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器301也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器301可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器301还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器302可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是有形的和非暂态的。存储器302还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器302中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器301所执行以实现本申请中提供的确定车辆路径集的方法。
在一些实施例中,终端300还可选包括有:外围设备接口303和至少一个外围设备。具体地,外围设备包括:射频电路304、显示屏305、摄像头组件306、音频电路307、定位组件308和电源309中的至少一种。
外围设备接口303可被用于将I/O(Input/Output,输入/输出)相关的至少一个外围设备连接到处理器301和存储器302。在一些实施例中,处理器301、存储器302和外围设备接口303被集成在同一芯片或电路板上;在一些其他实施例中,处理器301、存储器302和外围设备接口303中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路304用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路304通过电磁信号与通信网络以及其他通信设备进行通信。射频电路304将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路304包括:天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路304可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于:万维网、城域网、内联网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity,无线保真)网络。在一些实施例中,射频电路304还可以包括NFC(Near Field Communication,近距离无线通信)有关的电路,本申请对此不加以限定。
显示屏305用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。显示屏305还具有采集在显示屏305的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器301进行处理。显示屏305用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,显示屏305可以为一个,设置终端300的前面板;在另一些实施例中,显示屏305可以为至少两个,分别设置在终端300的不同表面或呈折叠设计;在再一些实施例中,显示屏305可以是柔性显示屏,设置在终端300的弯曲表面上或折叠面上。甚至,显示屏305还可以设置成非矩形的不规则图形,也即异形屏。显示屏305可以采用LCD(Liquid Crystal Display,液晶显示器)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件306用于采集图像或视频。可选地,摄像头组件306包括前置摄像头和后置摄像头。通常,前置摄像头用于实现视频通话或自拍,后置摄像头用于实现照片或视频的拍摄。在一些实施例中,后置摄像头为至少两个,分别为主摄像头、景深摄像头、广角摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能,主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality,虚拟现实)拍摄功能。在一些实施例中,摄像头组件306还可以包括闪光灯。闪光灯可以是单色温闪光灯,也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合,可以用于不同色温下的光线补偿。
音频电路307用于提供用户和终端300之间的音频接口。音频电路307可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波,并将声波转换为电信号输入至处理器301进行处理,或者输入至射频电路304以实现语音通信。出于立体声采集或降噪的目的,麦克风可以为多个,分别设置在终端300的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器301或射频电路304的电信号转换为声波。扬声器可以是传统的薄膜扬声器,也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时,不仅可以将电信号转换为人类可听见的声波,也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中,音频电路307还可以包括耳机插孔。
定位组件308用于定位终端300的当前地理位置,以实现导航或LBS(LocationBased Service,基于位置的服务)。定位组件308可以是基于美国的GPS(GlobalPositioning System,全球定位系统)、中国的北斗系统或俄罗斯的伽利略系统的定位组件。
电源309用于为终端300中的各个组件进行供电。电源309可以是交流电、直流电、一次性电池或可充电电池。当电源309包括可充电电池时,该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池,无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。
在一些实施例中,终端300还包括有一个或多个传感器310。该一个或多个传感器310包括但不限于:加速度传感器311、陀螺仪传感器312、压力传感器313、指纹传感器314、光学传感器315以及接近传感器316。
加速度传感器311可以检测以终端300建立的坐标系的三个坐标轴上的加速度大小。比如,加速度传感器311可以用于检测重力加速度在三个坐标轴上的分量。处理器301可以根据加速度传感器311采集的重力加速度信号,控制显示屏305以横向视图或纵向视图进行用户界面的显示。加速度传感器311还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器312可以检测终端300的机体方向及转动角度,陀螺仪传感器312可以与加速度传感器311协同采集用户对终端300的3D动作。处理器301根据陀螺仪传感器312采集的数据,可以实现如下功能:动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器313可以设置在终端300的侧边框和/或显示屏305的下层。当压力传感器313设置在终端300的侧边框时,可以检测用户对终端300的握持信号,根据该握持信号进行左右手识别或快捷操作。当压力传感器313设置在显示屏305的下层时,可以根据用户对显示屏305的压力操作,实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器314用于采集用户的指纹,以根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时,由处理器301授权该用户执行相关的敏感操作,该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器314可以被设置终端300的正面、背面或侧面。当终端300上设置有物理按键或厂商Logo时,指纹传感器314可以与物理按键或厂商Logo集成在一起。
光学传感器315用于采集环境光强度。在一个实施例中,处理器301可以根据光学传感器315采集的环境光强度,控制显示屏305的显示亮度。具体地,当环境光强度较高时,调高显示屏305的显示亮度;当环境光强度较低时,调低显示屏305的显示亮度。在另一个实施例中,处理器301还可以根据光学传感器315采集的环境光强度,动态调整摄像头组件306的拍摄参数。
接近传感器316,也称距离传感器,通常设置在终端300的正面。接近传感器316用于采集用户与终端300的正面之间的距离。在一个实施例中,当接近传感器316检测到用户与终端300的正面之间的距离逐渐变小时,由处理器301控制显示屏305从亮屏状态切换为息屏状态;当接近传感器316检测到用户与终端300的正面之间的距离逐渐变大时,由处理器301控制显示屏305从息屏状态切换为亮屏状态。
本领域技术人员可以理解,图3中示出的结构并不构成对终端300的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
在示例性实施例中,还提供了一种计算机可读存储介质,存储介质中存储有至少一条指令,至少一条指令由处理器加载并执行以实现上述实施例中的确定车辆路径集的方法。例如,所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种确定车辆路径集的方法,其特征在于,所述方法包括:
获取目标地域的静态路网数据;
基于所述目标地域中各卡口的图像采集设备在预设时段内采集的图像、每个图像对应的采集时间和图像采集设备的位置,确定在所述预设时段内所述目标地域的初始路径数据,其中,所述初始路径数据包括车辆非完整的路径;并基于采集的图像,确定在所述预设时段内所述目标地域中各卡口对应的交通状态参数;
将交通分配模型中的待调整参数设置为预设初始值;
将所述初始路径数据和所述静态路网数据,输入到所述交通分配模型中,得到初始车辆路径集,其中,所述初始车辆路径集包括车辆完整的路径集,所述车辆完整的路径集包括所述初始路径数据中的车辆的路径;
将所述初始车辆路径集和所述静态路网数据输入到路网仿真模型中,得到模拟交通状态参数;
如果所述模拟交通状态参数和所述交通状态参数满足预设条件,则确定所述初始车辆路径集为所述车辆路径集;
如果所述模拟交通状态参数和所述交通状态参数不满足预设条件,则基于所述模拟交通状态参数和所述交通状态参数对所述待调整参数的数值进行调整,转至执行将所述初始路径数据和所述静态路网数据,输入到所述交通分配模型中,得到初始车辆路径集的处理。
2.根据权利要求1所述的方法,其特征在于,所述基于所述目标地域中各卡口的图像采集设备在预设时段内采集的图像、每个图像对应的采集时间和图像采集设备的位置,确定在所述预设时段内所述目标地域的初始路径数据,包括:
获取所述目标地域中各卡口的图像采集设备在预设时段内采集的图像,识别采集的图像中包含的各车辆;
对于每个车辆,确定包含所述车辆的各图像,按照所述各图像的采集时间的先后顺序,对所述各图像对应的图像采集设备的位置进行排序,得到所述车辆的初始路径数据。
3.根据权利要求1所述的方法,其特征在于,所述模拟交通状态参数为模拟交通流量和模拟排队长度,所述交通状态参数为交通流量和排队长度,所述预设条件为所述模拟交通流量与所述交通流量的偏差小于第一预设阈值,且所述模拟排队长度与所述排队长度的偏差小于第二预设阈值。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述交通分配模型为Gawron模型。
5.一种确定车辆路径集的装置,其特征在于,所述装置包括:
获取模块,用于获取目标地域的静态路网数据;
初始路径数据确定模块,用于基于所述目标地域中各卡口的图像采集设备在预设时段内采集的图像、每个图像对应的采集时间和图像采集设备的位置,确定在所述预设时段内所述目标地域的初始路径数据,其中,所述初始路径数据包括车辆非完整的路径;
交通状态参数确定模块,用于基于采集的图像,确定在所述预设时段内所述目标地域中各卡口对应的交通状态参数;
车辆路径集确定模块,用于将交通分配模型中的待调整参数设置为预设初始值;将所述初始路径数据和所述静态路网数据,输入到所述交通分配模型中,得到初始车辆路径集,其中,所述初始车辆路径集包括车辆完整的路径集,所述车辆完整的路径集包括所述初始路径数据中的车辆的路径;将所述初始车辆路径集和所述静态路网数据输入到路网仿真模型中,得到模拟交通状态参数;如果所述模拟交通状态参数和所述交通状态参数满足预设条件,则确定所述初始车辆路径集为所述车辆路径集;如果所述模拟交通状态参数和所述交通状态参数不满足预设条件,则基于所述模拟交通状态参数和所述交通状态参数对所述待调整参数的数值进行调整,转至执行将所述初始路径数据和所述静态路网数据,输入到所述交通分配模型中,得到初始车辆路径集的处理。
6.根据权利要求5所述的装置,其特征在于,所述初始路径数据确定模块,用于:
获取所述目标地域中各卡口的图像采集设备在预设时段内采集的图像,识别采集的图像中包含的各车辆;
对于每个车辆,确定包含所述车辆的各图像,按照所述各图像的采集时间的先后顺序,对所述各图像对应的图像采集设备的位置进行排序,得到所述车辆的初始路径数据。
7.根据权利要求5所述的装置,其特征在于,所述模拟交通状态参数为模拟交通流量和模拟排队长度,所述交通状态参数为交通流量和排队长度,所述预设条件为所述模拟交通流量与所述交通流量的偏差小于第一预设阈值,且所述模拟排队长度与所述排队长度的偏差小于第二预设阈值。
8.根据权利要求5-7任一项所述的装置,其特征在于,所述交通分配模型为Gawron模型。
9.一种终端,其特征在于,所述终端包括处理器和存储器,所述存储器存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现如权利要求1-4任一项所述的确定车辆路径集的方法。
10.一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至少一条指令,所述至少一条指令由处理器加载并执行以实现如权利要求1-4任一项所述的确定车辆路径集的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910735768.6A CN112347604B (zh) | 2019-08-09 | 2019-08-09 | 确定车辆路径集的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910735768.6A CN112347604B (zh) | 2019-08-09 | 2019-08-09 | 确定车辆路径集的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112347604A CN112347604A (zh) | 2021-02-09 |
CN112347604B true CN112347604B (zh) | 2024-02-23 |
Family
ID=74366958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910735768.6A Active CN112347604B (zh) | 2019-08-09 | 2019-08-09 | 确定车辆路径集的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112347604B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105074793A (zh) * | 2013-03-15 | 2015-11-18 | 凯利普公司 | 用于车辆路径规划和交通管理的车道级车辆导航 |
CN105827688A (zh) * | 2016-01-08 | 2016-08-03 | 同济大学 | 城市场景中车联网大规模异构网络连通性质的研究方法 |
CN108763776A (zh) * | 2018-05-30 | 2018-11-06 | 苏州大学 | 一种城市快速路网时变交通状态仿真方法及装置 |
CN109711026A (zh) * | 2018-12-20 | 2019-05-03 | 中山大学 | 一种基于卡口数据的Paramics精准交通仿真场景构建方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4783414B2 (ja) * | 2008-09-12 | 2011-09-28 | 株式会社東芝 | 交通状況予測システム |
-
2019
- 2019-08-09 CN CN201910735768.6A patent/CN112347604B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105074793A (zh) * | 2013-03-15 | 2015-11-18 | 凯利普公司 | 用于车辆路径规划和交通管理的车道级车辆导航 |
CN105827688A (zh) * | 2016-01-08 | 2016-08-03 | 同济大学 | 城市场景中车联网大规模异构网络连通性质的研究方法 |
CN108763776A (zh) * | 2018-05-30 | 2018-11-06 | 苏州大学 | 一种城市快速路网时变交通状态仿真方法及装置 |
CN109711026A (zh) * | 2018-12-20 | 2019-05-03 | 中山大学 | 一种基于卡口数据的Paramics精准交通仿真场景构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112347604A (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110148294B (zh) | 路况状态确定方法及装置 | |
CN110095128B (zh) | 获取缺失道路情报的方法、装置、设备及存储介质 | |
CN108363982B (zh) | 确定对象数量的方法及装置 | |
CN111127509B (zh) | 目标跟踪方法、装置和计算机可读存储介质 | |
CN109886208B (zh) | 物体检测的方法、装置、计算机设备及存储介质 | |
CN113763228B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN111447562A (zh) | 车辆行程轨迹分析方法及装置、计算机存储介质 | |
CN111754564B (zh) | 视频展示方法、装置、设备及存储介质 | |
CN112365088B (zh) | 行程关键点的确定方法、装置、设备及可读存储介质 | |
CN111984755B (zh) | 确定目标停车点的方法、装置、电子设备及存储介质 | |
CN112991729B (zh) | 时段划分方法、装置以及计算机存储介质 | |
CN112734346B (zh) | 航线覆盖范围的确定方法、装置、设备及可读存储介质 | |
CN112347604B (zh) | 确定车辆路径集的方法和装置 | |
CN112990424B (zh) | 神经网络模型训练的方法和装置 | |
CN112990421B (zh) | 优化深度学习网络的运行过程的方法、装置及存储介质 | |
CN111707263B (zh) | 路径规划方法、装置、电子设备及存储介质 | |
CN113935678A (zh) | 确定配送员持多配送终端的方法、装置、设备及存储介质 | |
CN115545592A (zh) | 显示定位的方法、装置、设备和存储介质 | |
CN111984738B (zh) | 数据关联方法、装置、设备及存储介质 | |
CN111310526B (zh) | 目标跟踪模型的参数确定方法、装置及存储介质 | |
CN112818243A (zh) | 导航路线的推荐方法、装置、设备及存储介质 | |
CN112000899A (zh) | 景点信息的展示方法、装置、电子设备及存储介质 | |
CN112214115A (zh) | 输入方式的识别方法、装置、电子设备及存储介质 | |
CN111429106A (zh) | 资源转移凭证的处理方法、服务器、电子设备及存储介质 | |
CN111325083A (zh) | 记录考勤信息的方法和装置 |
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 |