CN112382098B - 交通拥堵检测方法、装置、电子设备及存储介质 - Google Patents

交通拥堵检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112382098B
CN112382098B CN202110032765.3A CN202110032765A CN112382098B CN 112382098 B CN112382098 B CN 112382098B CN 202110032765 A CN202110032765 A CN 202110032765A CN 112382098 B CN112382098 B CN 112382098B
Authority
CN
China
Prior art keywords
congestion
road section
road
rsu
vehicle
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
CN202110032765.3A
Other languages
English (en)
Other versions
CN112382098A (zh
Inventor
于宏全
安毅生
黄伟
刘明凤
郭红星
王超
赵振兴
朱晨星
杨志强
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.)
ZTE Corp
Changan University
Original Assignee
ZTE Corp
Changan 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 ZTE Corp, Changan University filed Critical ZTE Corp
Priority to CN202110032765.3A priority Critical patent/CN112382098B/zh
Publication of CN112382098A publication Critical patent/CN112382098A/zh
Application granted granted Critical
Publication of CN112382098B publication Critical patent/CN112382098B/zh
Priority to EP22738907.9A priority patent/EP4235617A4/en
Priority to KR1020227033008A priority patent/KR20220144856A/ko
Priority to JP2023512766A priority patent/JP7576162B2/ja
Priority to US18/038,974 priority patent/US20240005782A1/en
Priority to PCT/CN2022/070351 priority patent/WO2022152026A1/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
    • G08G1/0108—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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G08G1/0133—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
    • G08G1/0137—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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请实施例涉及通信技术领域，公开了一种交通拥堵检测方法、装置、电子设备及存储介质。本申请实施例中的交通拥堵检测方法应用于路侧单元RSU，包括：获取驶入路侧单元RSU检测区域内各车辆的车辆信息；根据车辆信息计算第一拥堵指数；其中，第一拥堵指数用于表示RSU检测区域的交通拥堵情况；获取目标区域内各RSU的多个第一拥堵指数；其中，目标区域包括多个RSU检测区域；根据所述多个第一拥堵指数计算第二拥堵指数；其中，所述第二拥堵指数用于表示所述目标区域的交通拥堵情况。通过上述技术手段，使得交通数据的计算效率和稳定性提升，从而提高交通拥堵水平检测结果的可靠性。

Description

交通拥堵检测方法、装置、电子设备及存储介质
技术领域
本申请实施例涉及通信技术领域，特别涉及一种交通拥堵检测方法、装置、电子设备及存储介质。
背景技术
随着通信技术的发展，车辆网技术逐渐得到广泛的应用。车联网技术包括：车与车（V2V，Vehicle to Vehicle）、车与路（V2I，Vehicle to Infrastructure）、车与人 （V2P，Vehicle to People）、车与中心（V2C，Vehicle to Center）等的互联互通，实现车辆自组网及多种异构网络之间的通信与漫游，在功能和性能上保障实时性与可服务性，从而实现车辆运动控制，从而实现车辆运动控制、交通信号的控制以及交通信息处理的技术。其中V2V是指在交通参与者之间进行互联互通、V2I是指交通参与者与交通基础设施之间的互联互通。近年来交通拥堵成为各大城市面临的共同难题，通常采用V2V技术来进行交通数据的搜集从而实现交通拥堵情况的检测。
然而，在实际的交通拥堵检测场景下，由于实际路网中车辆众多，导致各个交通参与者之间的通讯总量过于庞大，同时部分信息需要在各个交通参与者之间进行传递，使得信息传递过程可靠性与稳定性都得不到较好的保证，最终影响交通拥堵检测的效率与精度。
发明内容
本申请实施例的主要目的在于提出一种交通拥堵检测方法、装置、电子设备及存储介质，使得交通数据的计算效率和稳定性提升，从而提高交通拥堵水平检测结果的可靠性。
为实现上述目的，本申请实施例提供了一种交通拥堵检测方法，应用于路侧单元，包括：获取驶入路侧单元RSU检测区域内各车辆的车辆信息；根据车辆信息计算第一拥堵指数；其中，第一拥堵指数用于表示RSU检测区域的交通拥堵情况；获取目标区域内各RSU的多个第一拥堵指数；其中，所述目标区域包括多个所述RSU检测区域；根据多个第一拥堵指数计算第二拥堵指数；其中，第二拥堵指数用于表示目标区域的交通拥堵情况。
为实现上述目的，本申请实施例还提供了一种交通拥堵检测装置，包括：第一获取模块，用于获取驶入路侧单元RSU检测区域内各车辆的车辆信息；第一计算模块，用于根据车辆信息计算第一拥堵指数；其中，第一拥堵指数用于表示RSU检测区域的交通拥堵情况；第二获取模块，用于获取目标区域内各RSU的多个第一拥堵指数；其中，所述目标区域包括多个所述RSU检测区域；第二计算模块，用于根据多个第一拥堵指数计算第二拥堵指数；其中，第二拥堵指数用于表示目标区域的交通拥堵情况。
为实现上述目的，本申请实施例还提供了一种电子设备，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如上述的交通拥堵检测方法。
为实现上述目的，本申请实施例还提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被执行时实现上述的交通拥堵检测方法。
本申请提出的交通拥堵检测方法，基于V2I的车联网模式，通过路侧单元获取检测区域内的车辆信息，计算出检测区域内的拥堵指数并将拥堵指数上传后，通过目标区域内多个路侧单元计算得到的拥堵指数计算出目标区域的拥堵指数来评估目标区域的交通拥堵情况，不依赖于各个交通参与者之间的信息传递，从而可以得到稳定可靠的交通拥堵检测结果。
附图说明
图1是根据本申请第一实施例中交通拥堵检测方法的流程图；
图2是根据本申请第一实施例中交通拥堵检测方法应用场景中路网结构的示意图；
图3是根据本申请第二实施例中计算第一拥堵指数的流程图；
图4是根据本申请第二实施例中路段平均速度隶属度函数的函数图像；
图5是根据本申请第二实施例中路段平均密度隶属度函数的函数图像；
图6是根据本申请第二实施例中计算第二拥堵指数的流程图；
图7是根据本申请第三实施例中交通拥堵检测方法的流程图；
图8是根据本申请第四实施例中交通拥堵检测装置的结构示意图；
图9是根据本申请第五实施例中电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请的各实施例进行详细的阐述。然而，本领域的普通技术人员可以理解，在本申请各实施例中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施例的种种变化和修改，也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便，不应对本申请的具体实现方式构成任何限定，各个实施例在不矛盾的前提下可以相互结合相互引用。
本申请第一实施例涉及一种交通拥堵检测方法，具体流程如图1所示，包括：获取驶入RSU检测区域内各车辆的车辆信息；根据车辆信息计算第一拥堵指数；其中，第一拥堵指数用于表示RSU检测区域的交通拥堵情况；获取目标区域内各RSU的多个第一拥堵指数；其中，目标区域包括多个RSU检测区域；根据所述多个第一拥堵指数计算第二拥堵指数；其中，所述第二拥堵指数用于表示所述目标区域的交通拥堵情况。通过目标区域内多个路侧单元计算得到的拥堵指数计算出目标区域的拥堵指数来评估目标区域的交通拥堵情况，不依赖于各个交通参与者之间的信息传递，从而可以得到稳定可靠的交通拥堵检测结果。
下面对本实施例中的交通拥堵检测方法的实现细节进行具体的说明，以下内容仅为方便理解提供的实施细节，并非实施本方案的必须。
本实施例中的执行主体为路侧单元RSU，是一种安装在路侧，与路上行驶的车辆上安装的车载设备，即车载单元OBU进行通讯，实现车辆信息交互的功能。本实施例中的方法流程如图1所示，具体包括：
步骤101，获取驶入RSU检测区域内各车辆的车辆信息。
具体地说，本实施例以区域内包含有多条路段的目标区域作为交通拥堵的检测对象，目标区域中的路段由一个或多个路侧单元的检测区域进行全覆盖，同时根据路侧单元与车载设备通信的特点，将任意两个路侧单元的距离设置在200m以内。在路侧单元部署完毕后，与自身检测区域内路段上的车载设备建立通讯连接，开始进行交通拥堵检测，周期性地获取车载设备所上报的车辆信息。
在一个例子中，车辆信息主要包括速度信息与当前的位置，其中，速度信息可以具体包括车载设备所属车辆的瞬时速度。路侧单元在周期时间内保存所有车辆信息供后续计算拥堵指数使用。
在实际的应用场景中，车联网通信过程是路段上的路侧单元收集车载单元OBU(OnBoard Unit)发送的消息，路侧单元通过宽带无线、移动基站、卫星等通信方式接入核心无线网络，由核心无线网络接入互联网与智能交通系统进行通讯。
步骤102，根据车辆信息计算第一拥堵指数。
具体地说，首先路侧单元根据预先录入的交通路网数据确定检测区域所覆盖的路段，然后根据各车辆的速度信息和位置信息确定RSU检测区域所覆盖路段的路段平均速度和路段平均密度，根据路段平均速度和路段平均密度确定第一拥堵指数。即先对车辆信息进行初步处理，通过车辆的速度、位置信息计算出检测区域内某一路段的路段平均速度以及路段平均密度，然后根据路段平均速度和所述路段平均密度确定第一拥堵指数。
其中，路段平均速度通过车载单元上传的瞬时速度计算得到，路段平均密度由路侧单元通过车载单元上传的位置信息确定车辆所处路段，然后统计路段内的车辆数量得到。
在一个具体实现中，目标区域内的路网结构如图2所示，当车辆行驶入检测范围时，通过车载单元将自身的速度以及位置信息每隔一秒向该路段的路侧单元上报一次。假设城市道路车辆平均速度大约为40km/h，则穿过路侧单元检测区域（以半径200m为例）所需时间大约为36秒，根据车辆瞬时速度求一时间段内车辆平均速度，瞬时速度数据样本数量不宜过少，数据个数越多则要求该时间段越长，在计算中忽略传输延迟等误差，以汽车通过检测区域的时间时长为路侧单元计算该区域拥堵指数的时间周期，时间周期越短则路侧单元效率越高，假设将该周期时长设置为30秒，即路侧单元每隔30s计算得到一个该区域拥堵指数。
进一步地，假定30秒内，车辆
Figure 94738DEST_PATH_IMAGE001
向路侧单元上报t组数据(t<=30)，计算路段平均速 度
Figure 808616DEST_PATH_IMAGE002
的过程如下：
S11：假定当前存在
Figure 119512DEST_PATH_IMAGE003
(
Figure 514721DEST_PATH_IMAGE004
)个有效速度，根据车辆
Figure 876563DEST_PATH_IMAGE005
的
Figure 699026DEST_PATH_IMAGE006
个瞬时速度计算车辆
Figure 497218DEST_PATH_IMAGE001
一个时间周期内的平均速度
Figure 492856DEST_PATH_IMAGE007
，计算公式如下：
Figure 161734DEST_PATH_IMAGE008
S12：路侧单元计算一个时间周期内车道r的平均速度
Figure 732262DEST_PATH_IMAGE009
，计算公式如下：
Figure 486591DEST_PATH_IMAGE010
其中，
Figure 20341DEST_PATH_IMAGE011
表示车道r上的车辆数，则有
Figure 825617DEST_PATH_IMAGE012
。
S13：路侧单元计算一个时间周期内某一路段的平均速度
Figure 255461DEST_PATH_IMAGE002
，计算公式如下：
Figure 293824DEST_PATH_IMAGE013
其中，
Figure 100106DEST_PATH_IMAGE014
表示该路段车道总数，本实例中
Figure 743577DEST_PATH_IMAGE015
。
计算路段平均密度
Figure 124749DEST_PATH_IMAGE016
的过程如下：
S21：路侧单元计算第t秒车道r车辆密度
Figure 853670DEST_PATH_IMAGE017
，计算公式如下：
Figure 463643DEST_PATH_IMAGE018
其中
Figure 758358DEST_PATH_IMAGE019
为第t秒车道r上车辆占道总长，即为距离路侧单元两端检测边缘最近的两 辆车之间的距离，包括这两辆车的车长。
S22：路侧单元计算一个时间周期内车道
Figure 530005DEST_PATH_IMAGE020
的平均密度
Figure 762535DEST_PATH_IMAGE021
，计算公式如下：
Figure 645040DEST_PATH_IMAGE022
S23：路侧单元计算一个时间周期内某一路段的平均密度
Figure 794262DEST_PATH_IMAGE016
，计算公式如下：
Figure 533548DEST_PATH_IMAGE023
在一个例子中，在计算第一拥堵指数（即根据路段的平均速度以及路段平均密度所确定的拥堵指数）时，可以根据路网结构为不同的路段分配不同的权重指数，例如为主路分配较高的权重以及为次路分配较低的权重，从而提高更加准确地衡量区域内所有路段总体的拥堵情况。
步骤103，获取目标区域内各RSU上传的多个第一拥堵指数。
具体地说，本实施例中以目标区域的交通拥堵情况作为交通拥堵检测的对象，目标区域包括多个RSU检测区域，即在目标区域内涵盖多个路段，同一时间智能交通系统将路侧单元计算并上传的第一拥堵指数进行统计，并根据路网结构对多个第一拥堵指数进行分析，确定数据融合中心，进行第二拥堵指数的计算。一般来说，通常将主要路段，即车流量最大的路段上处于中心位置的路侧单元作为数据融合中心。但在本实例中，以执行前述步骤101、102的路侧单元被确定为数据融合中心为例，通过智能交通系统获取目标区域内其他路侧单元上报的第一拥堵指数。
步骤104，根据多个第一拥堵指数计算第二拥堵指数。
具体地说，当被确定为数据融合中心的路侧单元获取到目标区域内多个路侧单元上报的第一拥堵指数后，对所有第一拥堵指数进行统计计算。由于第一拥堵指数是表示单个路侧单元检测区域内拥堵情况的参数，那么将多个检测区域的拥堵情况进行统计分析，则可以得到由多个检测区域组成的目标区域的拥堵情况，本实施例中通过第二拥堵指数来表示目标区域的拥堵情况。
相较于本领域的相关技术，本实施例中的交通拥堵检测方法，通过路侧单元获取检测区域内的车辆信息，计算出检测区域内的拥堵指数并将拥堵指数上传后，通过目标区域内多个路侧单元计算得到的拥堵指数计算出目标区域的拥堵指数来评估目标区域的交通拥堵情况，从而得到稳定可靠的交通拥堵检测结果。
需要说明的是，本实施例中的上述各示例均为方便理解进行的举例说明，并不对本申请的技术方案构成限定。
本申请的第二实施例涉及一种交通拥堵检测方法，第二实施例与第一实施例大致相同，主要的区别在于：第二实施例中，第一拥堵指数以及第二拥堵指数均基于DS证据理论和模糊集理论计算得到。
下面对本实施例中的交通拥堵检测方法的实现细节进行具体的说明，本实施例中的交通拥堵检测方法中计算第一拥堵指数的流程如图3所示，包括：
步骤301，计算RSU检测区域的路段平均速度和路段平均密度。
具体地说，本实施例中可以采用与第一实施例中的计算方法确定路段平均速度和路段平均密度，在此不再赘述。
在另一个例子中，路段平均速度还可以通过车辆经过路侧单元的时间t以及路侧 单元覆盖路段的距离d计算得到，即
Figure 971482DEST_PATH_IMAGE024
。采用这种方式计算能够避免车辆在行驶过 程中因特殊情况产生的加速或减速，从而导致车辆上传无法准确表达路段真实情况的瞬时 速度样本。
步骤302，基于DS证据理论和模糊集理论，生成关于路段平均速度和路段平均密度的基本概率分配函数。
具体地说，在计算得到
Figure 172525DEST_PATH_IMAGE002
和
Figure 645095DEST_PATH_IMAGE016
以后，基于DS证据理论和模糊集理论，分别匹配 路段平均速度
Figure 555282DEST_PATH_IMAGE002
和路段平均密度
Figure 480513DEST_PATH_IMAGE016
与对应的隶属度函数，生成两组关于速度、密度属性 的基本概率分配函数BPA，分别记为
Figure 235979DEST_PATH_IMAGE025
。设拥堵指数构成的辨识框架为Θ，假设G是辨 识框架下的某个命题，
Figure 297476DEST_PATH_IMAGE026
为命题G的隶属度函数，表征属性
Figure 129297DEST_PATH_IMAGE027
从属于命题G的程度，分别 匹配上述步骤所得判断路段拥堵指数的两个属性特征值：路段平均速度
Figure 72982DEST_PATH_IMAGE002
和路段平均密 度
Figure 100981DEST_PATH_IMAGE016
与隶属度函数，生成两组关于速度、密度属性的基本概率分配函数BPA, 分别记为
Figure 79301DEST_PATH_IMAGE025
。则定义速度属性与命题G间的匹配程度为：
Figure 268974DEST_PATH_IMAGE028
密度属性与命题G间的匹配程度为:
Figure 699956DEST_PATH_IMAGE029
其中，G可以表示单子集命题或多子集命题。若生成的BPA的信度值之和大于1，则对其进行归一化处理；若其和小于1，则把冗余的信度分配给全集，也就是分配给未知。
拥堵指数集合Θ={Ⅰ，Ⅱ，Ⅲ，Ⅳ}；
其中，拥堵指数Ⅰ表示畅通，市民感受的定性描述为：路上车很少，畅行无阻；拥堵指数Ⅱ表示基本畅通，市民感受的定性描述为：基本还是畅通的；拥堵指数Ⅲ表示轻度拥堵，市民感受的定性描述为：有一些拥堵，但不严重；拥堵指数Ⅳ表示中度拥堵，市民感受的定性描述为：拥堵较严重。
本实施例中，隶属度函数如图4和图5所示。本实施例中，假定路段A检测得到路段 平均速度
Figure 266066DEST_PATH_IMAGE030
，路段平均密度
Figure 637177DEST_PATH_IMAGE031
。
根据速度
Figure 997751DEST_PATH_IMAGE032
和密度
Figure 181608DEST_PATH_IMAGE033
各自对应的函数，查图4，速度
Figure 82568DEST_PATH_IMAGE030
时与拥堵指数为 Ⅰ，Ⅱ，Ⅲ的函数相交；查图5，
Figure 973164DEST_PATH_IMAGE031
时与拥堵指数为Ⅰ，Ⅱ的函数相交。由图4可知：
Figure 317688DEST_PATH_IMAGE030
时，从下往上看，与Ⅲ的交点值0.1333为对多子集命题{Ⅰ，Ⅱ，Ⅲ}的信任度， 与Ⅰ的交点值0.15为对多子集命题{Ⅰ，Ⅱ}的信任度，与Ⅱ的交点值0.85为对单子集命题Ⅱ 的信任度，相同的，
Figure 926524DEST_PATH_IMAGE031
时，从下往上看，与Ⅱ的交点值0.1334为对多子集命题 {Ⅰ，Ⅱ}的信任度，与Ⅰ的交点值0.9为对单子集命题Ⅰ的信任度。归一化处理
Figure 631175DEST_PATH_IMAGE032
和
Figure 641856DEST_PATH_IMAGE033
，得到路 段A速度和密度两个属性下拥堵指数基本概率分配函数BPA如下：
Figure 406550DEST_PATH_IMAGE034
，
Figure 502682DEST_PATH_IMAGE035
，
Figure 994712DEST_PATH_IMAGE036
，
Figure 859900DEST_PATH_IMAGE037
，
Figure 795495DEST_PATH_IMAGE038
。
步骤303，采用证据组合规则融合检测区域内各路段的路段平均速度和路段平均密度，得到第一拥堵指数。
具体地说，假定检测区域内包含x个路段，将x个路段的路段平均速和路段平均密 度进行融合，得到路段A的拥堵指数基本概率分配函数
Figure 175661DEST_PATH_IMAGE039
。其中，路段i的拥堵指数所对应 的基本概率分配函数记为
Figure 425376DEST_PATH_IMAGE040
。具体的Dempster组合规则如下：
Figure 692541DEST_PATH_IMAGE041
在具体的实现中，计算
Figure 2299DEST_PATH_IMAGE039
的过程如下：
Figure 869761DEST_PATH_IMAGE042
=
Figure 923168DEST_PATH_IMAGE043
=
Figure 294106DEST_PATH_IMAGE044
= 0.6532
Figure 774766DEST_PATH_IMAGE045
=
Figure 113213DEST_PATH_IMAGE046
=
Figure 970310DEST_PATH_IMAGE047
= 0.3763
Figure 195755DEST_PATH_IMAGE048
=
Figure 644054DEST_PATH_IMAGE049
=
Figure 689370DEST_PATH_IMAGE050
=0.2792
Figure 366471DEST_PATH_IMAGE051
=
Figure 915264DEST_PATH_IMAGE052
=
Figure 800043DEST_PATH_IMAGE053
=0.0931
Figure 67076DEST_PATH_IMAGE054
=
Figure 62714DEST_PATH_IMAGE055
=0.0193
检测周期内，若A、B、C、D四个路段RSU检测到其行驶速度和所在车流密度分别为 （43km/h，22veh/km），（45km/h,19veh/km）, （40km/h,25veh/km）, （38km/h,28veh/km）该区 域四个路段的拥堵指数集合分别为：
Figure 246440DEST_PATH_IMAGE056
。
本实施例中的交通拥堵检测方法中计算第二拥堵指数的流程如图6所示，包括：
步骤601，智能交通系统根据路网结构确定各路段的权重系数，建立证据关联系数矩阵SM。
步骤602，智能交通系统依据证据关联系数矩阵SM确定数据融合中心。
具体地说，获取所述目标区域内各路段的权重系数；其中，主路的权重系数高于辅路的权重系数；根据各路段的权重系数建立关联系数矩阵；其中，所述矩阵中元素的值表征所在行代表路段被所在列代表路段的支持程度，所述矩阵中各行元素值的总和表征该行对应路段在所述目标区域的中心地位；选取行元素值总和最高的对应路段上的RSU作为所述数据融合中心。
例如，假定目标区域有s个路段，则SM为s阶对称矩阵且矩阵SM中的第i行第j列的 值反映了
Figure 505383DEST_PATH_IMAGE057
和
Figure 56450DEST_PATH_IMAGE058
之间的相似度，记作SM（i，j）。
Figure 793462DEST_PATH_IMAGE059
反映了路段i相 较其他路段车流密度较高，此时，智能交通系统接收到各路侧单元上传的第一拥堵指数后， 在待求拥堵指数区域P中选取路段i上的路侧单元为数据融合中心，区域P的其他路侧单元 将路段基本概率分配函数发给作为数据融合中心的路侧单元。
在一个具体实现中，如图2的路网结构所示，路段A为主干道，路段B、C和D为次干道，故设计如下证据关联矩阵SM。
Figure 848005DEST_PATH_IMAGE060
据
Figure 277850DEST_PATH_IMAGE059
可知，选取路段A为二次融合中心，路段B、C、D上的路 侧单元将各自的值
Figure 801366DEST_PATH_IMAGE061
发送至路段A上的路侧单元。
步骤603，计算各路段基本概率分配函数的折扣系数。
具体地说，折扣系数
Figure 873227DEST_PATH_IMAGE062
反映路段i拥堵指数被其他路段拥堵指数所支持的程度， 同时也作为计算第二拥堵指数时各路段的权重。折扣系数
Figure 516698DEST_PATH_IMAGE062
的计算公式如下：
Figure 648602DEST_PATH_IMAGE063
在具体的实现中，以图2所示的路网结构为例，四个路段对应折扣系数如下：
Figure 377524DEST_PATH_IMAGE064
Figure 987497DEST_PATH_IMAGE065
Figure 485474DEST_PATH_IMAGE066
Figure 37547DEST_PATH_IMAGE067
步骤604，利用折扣系数计算各路段的平均拥堵指数。
具体地说，利用折扣系数
Figure 50502DEST_PATH_IMAGE062
对不同路段上相同命题的证据进行加权求和，得到 加权后的平均证据
Figure 933008DEST_PATH_IMAGE068
。公式如下：
Figure 816650DEST_PATH_IMAGE069
对于本实例，计算过程如下：
Figure 759198DEST_PATH_IMAGE070
=0.2955*0.3763+0.2508*0.8261+0.2463*0.0159+0
=0.3223
Figure 744603DEST_PATH_IMAGE071
=0.2792*0.2955+0.01159*0.2508+0.7618*0.2463+1*0.2074
=0.4804
Figure 165220DEST_PATH_IMAGE072
=0.0931*0.2955+0.2508*0.01159+0.2463*0.0159+0.2074*0
=0.0343
Figure 168948DEST_PATH_IMAGE073
=0.2955*0.01934+0.2508*0.01159+0.2463*0.0159+0.2074*0
=0.0125
步骤605，利用证据组合规则对平均拥堵指数自身进行融合，得到基本概率分配函数。
具体地说，将平均证据
Figure 16818DEST_PATH_IMAGE068
用Dempster组合规则自身融合三次，得到
Figure 738787DEST_PATH_IMAGE074
，即
Figure 743521DEST_PATH_IMAGE075
三次融合结果如下表所示：
Figure 70597DEST_PATH_IMAGE076
Figure 151685DEST_PATH_IMAGE077
Figure 564212DEST_PATH_IMAGE078
Figure 123369DEST_PATH_IMAGE079
Figure 304952DEST_PATH_IMAGE080
Figure 42095DEST_PATH_IMAGE081
Figure 941918DEST_PATH_IMAGE082
Figure 304766DEST_PATH_IMAGE083
步骤606，将基本概率分配函数
Figure 872014DEST_PATH_IMAGE074
转换为概率分布p，取数值最大的命题作为第二 拥堵指数。
具体地说，将基本概率分配函数
Figure 498167DEST_PATH_IMAGE074
转换为概率分布p的基本原理为保持单子集命 题的信度不变，将多子集命题的信度平均分配给所包含的单子集命题。本实施例中，对计算 得到的概率进行归一化处理，将数值最大的命题为该区域的拥堵指数。
在具体的实现中，
Figure 931291DEST_PATH_IMAGE084
Figure 35514DEST_PATH_IMAGE085
，经归一化处理后，
Figure 722847DEST_PATH_IMAGE086
Figure 519902DEST_PATH_IMAGE087
，
Figure 925475DEST_PATH_IMAGE088
,故该区域拥堵指数判定为Ⅱ，即基本畅 通，市民感受的定性描述为：基本还是畅通的。
相较于本领域的相关技术，本实施例中的交通拥堵检测方法，通过第一拥堵指数与第二拥堵指数均采用基于证据理论的方法进行数据融合计算，能够更加准确的对各个路段的拥堵情况进行统计分析，从而得到一个对实际交通拥堵情况反映更加准确的拥堵指数。
本申请的第三实施例涉及一种交通拥堵检测方法，第三实施例与第一实施例大致相同，主要区别在于：第三实施例中，在获取RSU检测区域内各车载设备周期性上传的车辆信息之后，根据车辆信息计算第一拥堵指数之前，还包括：统计车辆信息中的瞬时速度信息，对瞬时速度信息进行筛选，剔除异常的瞬时速度信息。
下面对本实施例中的交通拥堵检测方法的实现细节进行具体的说明，本实施例中交通拥堵检测方法的流程如图7所示，具体包括：
步骤701，获取驶入路侧单元RSU检测区域内各车辆的车辆信息。
步骤701与本申请第一实施例中的步骤101相同，相关的实施细节已在第一实施例中具体说明，在此不再赘述。
步骤702，统计车辆信息中的瞬时速度信息，对瞬时速度信息进行筛选，剔除异常的瞬时速度信息。
具体地说，由于车辆在路段中的行驶状态具有一定的不确定性，路侧单元仅通过车载单元上传的瞬时速度无法准确衡量车辆在路段中行驶状态，因此对瞬时速度的数据样本进行筛选，仅采用具有普适性的瞬时速度数据样本来计算路段的平均速度。
在具体的实现中，基于大子样假设检验，路侧单元对第t秒内该路段上n辆车向其 上报的速度做假设检验。车辆
Figure 98968DEST_PATH_IMAGE001
根据第t秒该路段上其他车辆平均速度判断自身速度
Figure 391540DEST_PATH_IMAGE007
的 有效性，则提出以下零假设和备择假设方案：
Figure 156233DEST_PATH_IMAGE089
,无显著差异
Figure 252365DEST_PATH_IMAGE090
,有显著差异
上式中，v表示车辆
Figure 495128DEST_PATH_IMAGE001
真实的行驶速度，
Figure 625895DEST_PATH_IMAGE007
表示车辆
Figure 545178DEST_PATH_IMAGE001
行驶速度检测值，“无显著差 异”表示真实的行驶速度与行驶速度检测值无显著差异，“有显著差异”表示真实的行驶速 度与行驶速度检测值有显著差异。
若该路段上除车辆
Figure 128606DEST_PATH_IMAGE091
外，其余n-1辆车上报速度分别为：
Figure 175060DEST_PATH_IMAGE092
, 依据中心极限定理和基于大子样的假设检验知：路段上车辆数量很多，即此时n值很大，统 计量
Figure 160333DEST_PATH_IMAGE093
近似地服从标准正态分布，
Figure 1250DEST_PATH_IMAGE093
计算公式如下：
其中
Figure 619445DEST_PATH_IMAGE094
和
Figure 672851DEST_PATH_IMAGE095
分别为该路段其余n-1辆车上报速度的标准差和平均值，
Figure 43790DEST_PATH_IMAGE007
为车辆
Figure 524450DEST_PATH_IMAGE001
的 上报速度。
给定显著性水平
Figure 613628DEST_PATH_IMAGE096
，存在
Figure 470726DEST_PATH_IMAGE097
使得：
Figure 696171DEST_PATH_IMAGE098
即：
Figure 347732DEST_PATH_IMAGE099
路侧单元得到某路段n-1辆车速度子样值
Figure 439054DEST_PATH_IMAGE100
。计算得到
Figure 631001DEST_PATH_IMAGE095
和
Figure 179794DEST_PATH_IMAGE101
的 数值，若：
Figure 798994DEST_PATH_IMAGE102
则拒绝假设
Figure 66027DEST_PATH_IMAGE103
，接受假设
Figure 546818DEST_PATH_IMAGE104
，即认为真实的速度
Figure 215697DEST_PATH_IMAGE093
与
Figure 5798DEST_PATH_IMAGE007
有显著差异，认为该车辆检 测得到的速度
Figure 291286DEST_PATH_IMAGE007
无效，故舍去。否则若：
Figure 293877DEST_PATH_IMAGE105
则接受假设
Figure 597689DEST_PATH_IMAGE103
，拒绝假设
Figure 761954DEST_PATH_IMAGE104
，即认为真实的速度
Figure 800317DEST_PATH_IMAGE093
与
Figure 341020DEST_PATH_IMAGE007
无显著差异，认为该车辆检 测得到的速度
Figure 515649DEST_PATH_IMAGE007
有效，且置信概率为
Figure 398286DEST_PATH_IMAGE106
，本文选定
Figure 861628DEST_PATH_IMAGE107
。对路段内n辆车作如此假设检 验，可以将在该秒速度过快和过慢的数据剔除，剔除数据反映的可能是正在路边选择停车 位的车辆或正在超速的车辆。
步骤703，根据筛选后的车辆信息计算第一拥堵指数。
步骤704，获取目标区域内各路侧单元上传的多个第一拥堵指数。
步骤705，根据多个第一拥堵指数计算第二拥堵指数。
步骤703至步骤705与本申请第一实施例中的步骤102至步骤104大致相同，相关的实施细节已在第一实施例中具体说明，在此不再赘述。
相较于本领域的相关技术，本实施例中的交通拥堵检测方法，在获取到车载单元上传的速度数据后，对数据进行筛选，得到置信度高的车辆瞬时速度数据，从而使得计算得到的拥堵指数更加准确，能够更加准确地衡量区域内的交通拥堵情况。
上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包括相同的逻辑关系，都在本专利的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该专利的保护范围内。
本申请的第四实施例涉及一种交通拥堵检测装置，结构如图8所示，包括：
第一获取模块801，用于获取驶入路侧单元RSU检测区域内各车辆的车辆信息；
第一计算模块802，用于根据车辆信息计算第一拥堵指数；其中，第一拥堵指数用于表示RSU检测区域的交通拥堵情况；
第二获取模块803，用于获取目标区域内各RSU的多个第一拥堵指数；其中，所述目标区域包括多个所述RSU检测区域；
第二计算模块804，用于根据多个第一拥堵指数计算第二拥堵指数；其中，第二拥堵指数用于表示目标区域的交通拥堵情况。
在一个例子中，第一计算模块802具体用于确定RSU检测区域所覆盖的路段；根据各车辆的速度信息和位置信息确定RSU检测区域覆盖路段的路段平均速度和路段平均密度；根据路段平均速度和路段平均密度确定第一拥堵指数。
在另一个例子中，第一获取模块801还用于采用大子样检验对所述瞬时速度信息进行假设检验，根据检验阈值确定所述瞬时速度与真实的行驶速度是否有显著差异；其中，所述真实行驶速度通过除目标车辆的瞬时速度以外所有瞬时速度的平均值计算得到，所述检验阈值根据所述除目标车辆的瞬时速度以外所有瞬时速度的标准差计算得到；将与真实的行驶速度有显著差异的瞬时速度作为异常数据剔除。
在一个例子中，第二获取模块803还用于在路侧单元被智能交通系统确定为数据融合中心时，获取目标区域内所有路侧单元上传的多个第一拥堵指数。其中，数据融合中心通过以下方式确定：获取目标区域内各路段的权重系数；其中，主路的权重系数高于辅路的权重系数；根据各路段的权重系数建立关联系数矩阵；其中，所述矩阵中元素的值表征所在行代表路段被所在列代表路段的支持程度，所述矩阵中各行元素值的总和表征该行对应路段在所述目标区域的中心地位；选取行元素值总和最高的对应路段上的RSU作为所述数据融合中心。
在一个例子中，第二计算模块804具体用于计算所述目标区域内各路段的折扣系数；所述折扣系数反映路段的拥堵指数被所述目标区域内其他路段的拥堵指数所支持的程度；根据折扣系数计算所述目标区域内各路段的平均拥堵指数；根据证据组合规则对平均拥堵指数进行自身融合，得到基本概率分配函数；将基本概率分配函数转换为概率分布，根据概率分布确定第二拥堵指数。
值得一提的是，本实施中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本申请的创新部分，本实施例中并没有将与解决本申请所提出的技术问题关系不太密切的单元引入，但这并不表明本实施例中不存在其它的单元。
本申请的第五实施例涉及一种电子设备，如图 9 所示，包括：至少一个处理器901；以及，与至少一个处理器 901 通信连接的存储器 902；其中，存储器 902 存储有可被至少一个处理器 901 执行的指令，指令被至少一个处理器 901 执行，以使至少一个处理器 901 能够执行第一、第二或第三实施例中的交通拥堵检测方法。其中，存储器 902 和处理器 901 采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器 901 和存储器 902 的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器 901 处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器 901。处理器 901 负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器 902可以被用于存储处理器 901 在执行操作时所使用的数据。
本申请第六实施例涉及一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备（可以是单片机，芯片等）或处理器（processor）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U 盘、移动硬盘、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。本领域的普通技术人员可以理解，上述各实施例是实现本申请的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本申请的精神和范围。

Claims (8)

1.一种交通拥堵检测方法，其特征在于，应用于路侧单元，包括：
获取驶入路侧单元RSU检测区域内各车辆的车辆信息；
根据所述车辆信息计算第一拥堵指数；其中，所述第一拥堵指数用于表示所述RSU检测区域的交通拥堵情况；
当被智能交通系统确定为数据融合中心时，获取目标区域内各RSU上传的多个所述第一拥堵指数；其中，所述目标区域包括多个所述RSU检测区域；
根据所述多个第一拥堵指数计算第二拥堵指数；其中，所述第二拥堵指数用于表示所述目标区域的交通拥堵情况；
所述数据融合中心通过以下方式确定：
获取所述目标区域内各路段的权重系数；其中，主路的权重系数高于辅路的权重系数；
根据所述各路段的权重系数建立关联系数矩阵；其中，所述矩阵中元素的值表征所在行代表路段被所在列代表路段的支持程度，所述矩阵中各行元素值的总和表征该行对应路段在所述目标区域的中心地位；
选取行元素值总和最高的对应路段上的RSU作为所述数据融合中心。
2.根据权利要求1所述的交通拥堵检测方法，其特征在于，所述车辆信息至少包括：速度信息和位置信息；
所述根据所述车辆信息计算第一拥堵指数，包括：
确定所述RSU检测区域内所覆盖的路段；
根据所述各车辆的速度信息和位置信息确定所述RSU检测区域所覆盖路段的路段平均速度和路段平均密度；
根据所述路段平均速度和所述路段平均密度确定所述第一拥堵指数。
3.根据权利要求2所述的交通拥堵检测方法，其特征在于，所述根据所述路段平均速度和所述路段平均密度确定所述第一拥堵指数，包括：
基于DS证据理论和模糊集理论确定平均路段速度以及平均路段密度对应的基本概率分配函数；
根据所述基本概率分配函数采用证据组合规则融合得到第一拥堵指数。
4.根据权利要求2所述的交通拥堵检测方法，其特征在于，所述速度信息包括车辆的瞬时速度信息；
在所述根据所述各车辆的速度信息和位置信息确定所述RSU检测区域所覆盖路段的路段平均速度和路段平均密度之前，还包括：
采用大子样检验对所述瞬时速度信息进行假设检验，根据检验阈值确定所述瞬时速度与真实的行驶速度是否有显著差异；其中，所述真实行驶速度通过除目标车辆的瞬时速度以外所有瞬时速度的平均值计算得到，所述检验阈值根据所述除目标车辆的瞬时速度以外所有瞬时速度的标准差计算得到；
将与真实的行驶速度有显著差异的瞬时速度作为异常数据剔除。
5.根据权利要求1至4中任一项所述的交通拥堵检测方法，其特征在于，所述根据所述多个第一拥堵指数计算第二拥堵指数，包括：
计算所述目标区域内各路段的折扣系数；所述折扣系数反映路段的拥堵指数被所述目标区域内其他路段的拥堵指数所支持的程度；
根据所述折扣系数计算所述目标区域内各路段的平均拥堵指数；
根据证据组合规则对所述平均拥堵指数进行自身融合，得到基本概率分配函数；
将基本概率分配函数转换为概率分布，根据所述概率分布确定所述第二拥堵指数。
6.一种交通拥堵检测装置，其特征在于，包括：
第一获取模块，用于获取驶入路侧单元RSU检测区域内各车辆的车辆信息；
第一计算模块，用于根据所述车辆信息计算第一拥堵指数；其中，所述第一拥堵指数用于表示所述RSU检测区域的交通拥堵情况；
第二获取模块，用于当被智能交通系统确定为数据融合中心时，获取目标区域内各RSU上传的多个所述第一拥堵指数；其中，所述目标区域包括多个所述RSU检测区域；
第二计算模块，用于根据所述多个第一拥堵指数计算第二拥堵指数；其中，所述第二拥堵指数用于表示所述目标区域的交通拥堵情况；
所述数据融合中心通过以下方式确定：
获取所述目标区域内各路段的权重系数；其中，主路的权重系数高于辅路的权重系数；
根据所述各路段的权重系数建立关联系数矩阵；其中，所述矩阵中元素的值表征所在行代表路段被所在列代表路段的支持程度，所述矩阵中各行元素值的总和表征该行对应路段在所述目标区域的中心地位；
选取行元素值总和最高的对应路段上的RSU作为所述数据融合中心。
7.一种电子设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至5中任一项所述的交通拥堵检测方法。
8.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的交通拥堵检测方法。
CN202110032765.3A 2021-01-12 2021-01-12 交通拥堵检测方法、装置、电子设备及存储介质 Active CN112382098B (zh)

Priority Applications (6)

Application Number Priority Date Filing Date Title
CN202110032765.3A CN112382098B (zh) 2021-01-12 2021-01-12 交通拥堵检测方法、装置、电子设备及存储介质
EP22738907.9A EP4235617A4 (en) 2021-01-12 2022-01-05 TRAFFIC CONGESTION DETECTION METHOD AND APPARATUS, ELECTRONIC DEVICE AND STORAGE MEDIUM
KR1020227033008A KR20220144856A (ko) 2021-01-12 2022-01-05 교통 혼잡 감지 방법, 장치, 전자 장치 및 저장 매체
JP2023512766A JP7576162B2 (ja) 2021-01-12 2022-01-05 交通渋滞検出方法、装置、電子デバイス及び記憶媒体
US18/038,974 US20240005782A1 (en) 2021-01-12 2022-01-05 Traffic congestion detection method and apparatus, electronic device and storage medium
PCT/CN2022/070351 WO2022152026A1 (zh) 2021-01-12 2022-01-05 交通拥堵检测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110032765.3A CN112382098B (zh) 2021-01-12 2021-01-12 交通拥堵检测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN112382098A CN112382098A (zh) 2021-02-19
CN112382098B true CN112382098B (zh) 2021-07-06

Family

ID=74591068

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110032765.3A Active CN112382098B (zh) 2021-01-12 2021-01-12 交通拥堵检测方法、装置、电子设备及存储介质

Country Status (6)

Country Link
US (1) US20240005782A1 (zh)
EP (1) EP4235617A4 (zh)
JP (1) JP7576162B2 (zh)
KR (1) KR20220144856A (zh)
CN (1) CN112382098B (zh)
WO (1) WO2022152026A1 (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112382098B (zh) * 2021-01-12 2021-07-06 中兴通讯股份有限公司 交通拥堵检测方法、装置、电子设备及存储介质
CN115691095B (zh) * 2021-07-27 2024-09-06 海信集团控股股份有限公司 交通事件分析设备及方法
CN115705770A (zh) * 2021-08-04 2023-02-17 丰图科技(深圳)有限公司 道路拥堵的确定方法、装置、计算机设备及存储介质
CN114613137B (zh) * 2022-03-07 2023-02-21 同盾科技有限公司 应用于高速公路的拥堵指数确定方法、装置、介质及设备
CN114944058B (zh) * 2022-05-11 2023-06-23 福勤智能科技（昆山）有限公司 拥堵区域距离确定方法、装置、预警设备和存储介质
CN114999148B (zh) * 2022-05-16 2024-10-22 国汽智图(北京)科技有限公司 拥堵程度监测方法、装置、计算机设备和存储介质
CN114999155B (zh) * 2022-05-26 2024-03-19 南斗六星系统集成有限公司 一种车辆轨迹的拥堵评价方法、装置、设备及存储介质
CN114999164B (zh) * 2022-08-05 2022-11-04 深圳支点电子智能科技有限公司 智能交通预警处理方法及相关设备
CN115691141B (zh) * 2022-11-10 2024-01-30 无锡市德宁节能科技有限公司 一种基于护栏的城市交通管理方法和系统及网络侧服务端
CN115985091A (zh) * 2022-12-05 2023-04-18 讯飞智元信息科技有限公司 一种路段拥堵优化方法及装置、电子设备、存储介质
US20240212492A1 (en) * 2022-12-27 2024-06-27 Itron, Inc. Pedestrian and vehicle congestion relief system

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761876A (zh) * 2014-01-10 2014-04-30 山东大学 基于车路协同的道路交通信息采集与状态评价的方法
CN105023434A (zh) * 2015-07-03 2015-11-04 信融源大数据科技(北京)有限公司 一种高速公路拥堵指数的获取方法
KR101615970B1 (ko) * 2014-11-07 2016-04-28 한국건설기술연구원 도로교통 전용통신-기반 노변장치 및 차량단말기를 이용한 도로공사구간 교통정보 제공 시스템 및 그 방법
CN106023626A (zh) * 2016-06-17 2016-10-12 深圳市元征科技股份有限公司 一种交通拥堵提示方法、服务器及车载设备
CN106778883A (zh) * 2016-12-23 2017-05-31 贵州电网有限责任公司电力科学研究院 一种基于模糊集合的证据理论智能巡检信息融合方法
CN106781488A (zh) * 2016-12-28 2017-05-31 安徽科力信息产业有限责任公司 基于车流密度和车速融合的交通运行状态评价方法
CN107622309A (zh) * 2017-08-18 2018-01-23 长安大学 一种基于VANETs和改进的D‑S证据理论的道路拥堵检测方法
CN108492555A (zh) * 2018-03-20 2018-09-04 青岛海信网络科技股份有限公司 一种城市路网交通状态评价方法及装置
CN110570674A (zh) * 2019-09-06 2019-12-13 杭州博信智联科技有限公司 车路协同数据交互方法、系统、电子设备及可读存储介质
CN111081019A (zh) * 2019-12-23 2020-04-28 华南理工大学 一种基于路段权重系数的路网交通运行状况评价方法
CN111583641A (zh) * 2020-04-30 2020-08-25 北京嘀嘀无限科技发展有限公司 道路拥堵分析方法、装置、设备和存储介质

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006105686A (ja) 2004-10-01 2006-04-20 Matsushita Electric Ind Co Ltd 経路探索装置
US8014936B2 (en) * 2006-03-03 2011-09-06 Inrix, Inc. Filtering road traffic condition data obtained from mobile data sources
JP5162352B2 (ja) * 2008-06-27 2013-03-13 株式会社Ｉｈｉ 円滑走行支援システム
JP2010191614A (ja) 2009-02-17 2010-09-02 Sumitomo Electric Ind Ltd 交通情報推定システム、推定方法、提供システムおよびコンピュータプログラム
CN103280098B (zh) * 2013-05-23 2015-06-10 北京交通发展研究中心 交通拥堵指数计算方法
CN106530684B (zh) * 2015-09-11 2019-08-20 杭州海康威视系统技术有限公司 处理交通道路信息的方法及装置
CN105303850B (zh) * 2015-10-20 2016-05-18 北京长峰金鼎科技有限公司 道路交通路口的交通信号灯的控制方法
CN108765939B (zh) * 2018-05-11 2021-02-02 贵阳信息技术研究院（中科院软件所贵阳分部） 基于聚类算法的动态交通拥堵指数计算方法
US11842642B2 (en) * 2018-06-20 2023-12-12 Cavh Llc Connected automated vehicle highway systems and methods related to heavy vehicles
CN110310476B (zh) * 2019-05-06 2020-10-20 平安国际智慧城市科技股份有限公司 道路拥堵程度的评估方法、装置、计算机设备及存储介质
CN111489548A (zh) * 2020-02-28 2020-08-04 广东中科臻恒信息技术有限公司 动态道路交通信息采集方法及系统、存储介质
CN112382098B (zh) * 2021-01-12 2021-07-06 中兴通讯股份有限公司 交通拥堵检测方法、装置、电子设备及存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761876A (zh) * 2014-01-10 2014-04-30 山东大学 基于车路协同的道路交通信息采集与状态评价的方法
KR101615970B1 (ko) * 2014-11-07 2016-04-28 한국건설기술연구원 도로교통 전용통신-기반 노변장치 및 차량단말기를 이용한 도로공사구간 교통정보 제공 시스템 및 그 방법
CN105023434A (zh) * 2015-07-03 2015-11-04 信融源大数据科技(北京)有限公司 一种高速公路拥堵指数的获取方法
CN106023626A (zh) * 2016-06-17 2016-10-12 深圳市元征科技股份有限公司 一种交通拥堵提示方法、服务器及车载设备
CN106778883A (zh) * 2016-12-23 2017-05-31 贵州电网有限责任公司电力科学研究院 一种基于模糊集合的证据理论智能巡检信息融合方法
CN106781488A (zh) * 2016-12-28 2017-05-31 安徽科力信息产业有限责任公司 基于车流密度和车速融合的交通运行状态评价方法
CN107622309A (zh) * 2017-08-18 2018-01-23 长安大学 一种基于VANETs和改进的D‑S证据理论的道路拥堵检测方法
CN108492555A (zh) * 2018-03-20 2018-09-04 青岛海信网络科技股份有限公司 一种城市路网交通状态评价方法及装置
CN110570674A (zh) * 2019-09-06 2019-12-13 杭州博信智联科技有限公司 车路协同数据交互方法、系统、电子设备及可读存储介质
CN111081019A (zh) * 2019-12-23 2020-04-28 华南理工大学 一种基于路段权重系数的路网交通运行状况评价方法
CN111583641A (zh) * 2020-04-30 2020-08-25 北京嘀嘀无限科技发展有限公司 道路拥堵分析方法、装置、设备和存储介质

Also Published As

Publication number Publication date
EP4235617A1 (en) 2023-08-30
JP7576162B2 (ja) 2024-10-30
US20240005782A1 (en) 2024-01-04
CN112382098A (zh) 2021-02-19
WO2022152026A1 (zh) 2022-07-21
JP2023538141A (ja) 2023-09-06
EP4235617A4 (en) 2024-08-28
KR20220144856A (ko) 2022-10-27

Similar Documents

Publication Publication Date Title
CN112382098B (zh) 交通拥堵检测方法、装置、电子设备及存储介质
CN108430069B (zh) 一种v2x网络性能测试及综合评价分析方法
CN105913661B (zh) 一种基于收费数据的高速公路路段交通状态判别方法
CN104658252B (zh) 基于多源数据融合的高速公路交通运行状态的评估方法
CN102163225B (zh) 一种基于微博客收集的交通信息融合方法
CN108072381B (zh) 一种路径规划的方法及装置
CN101719315A (zh) 一种基于中间件的动态交通信息采集方法
CN113345225B (zh) 基于v2v通信的物流车辆前方道路实时路况的预测方法及系统
CN110516702B (zh) 一种基于流数据的离散路径规划方法
CN111539454A (zh) 一种基于元学习的车辆轨迹聚类方法及系统
CN111354193A (zh) 一种基于5g通信的高速公路车辆异常行为预警系统
CN101739824A (zh) 基于数据融合技术的交通状况估计方法
CN113870564B (zh) 一种封闭路段交通拥堵分类方法、系统、电子设备及存储介质
CN104794895A (zh) 一种面向高速公路的多源交通信息融合方法
Oh et al. Real-time inductive-signature-based level of service for signalized intersections
CN114842668A (zh) 一种基于层次分析法的多场景停车车位导引方法
CN112507624B (zh) 一种城际公路出行方式识别模型构建、识别方法及装置
JP2003085687A (ja) 交差点間走行所要時間推定装置
CN113538907B (zh) 一种基于交通流分级的行车时间估计系统
KR102739468B1 (ko) 교통 정보를 생성하는 서버, 방법 및 컴퓨터 프로그램
CN110264725B (zh) 路段流量的确定方法及装置
CN116092037B (zh) 融合轨迹空间-语义特征的车辆类型识别方法
WO2022156352A1 (zh) 地图更新方法、装置和计算机可读存储介质
CN118609372B (zh) 基于车联网及物联网的公路实时路况检测方法及系统
CN117593807B (zh) 一种公路里程计费的计算方法及相关设备

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