CN113034903B - 基于多源信息融合的交通状态估计方法和装置 - Google Patents
基于多源信息融合的交通状态估计方法和装置 Download PDFInfo
- Publication number
- CN113034903B CN113034903B CN202110245942.6A CN202110245942A CN113034903B CN 113034903 B CN113034903 B CN 113034903B CN 202110245942 A CN202110245942 A CN 202110245942A CN 113034903 B CN113034903 B CN 113034903B
- Authority
- CN
- China
- Prior art keywords
- highway network
- traffic
- vehicle density
- state
- network system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—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
Abstract
本发明是关于一种基于多源信息融合的交通状态估计方法和装置,方法包括:将高速路网按照出入口匝道位置、ETC门架位置和车道数变化位置划分成若干个元胞;基于划分的元胞,以交通流密度为交通状态变量,建立高速路网的交通流模型,并确定高速路网中各个类型的交通传感器对应的输出矩阵;根据由高速路网系统矩阵和每个类型的交通传感器对应的输出矩阵组成的高速路网系统的可观测性或可检测性构建至少一个状态观测器;基于每个状态观测器计算高速路网对应的车辆密度估计值;对所有车辆密度估计值进行加权求和的融合计算,得到最终车辆密度估计值;根据最终车辆密度估计值估计高速路网的交通状态。通过该技术方案,可以提升交通状态的估计精度。
Description
技术领域
本公开涉及智能交通系统技术领域,尤其涉及一种基于多源信息融合的交通状态估计方法和装置。
背景技术
传统的基于状态观测器的交通路网状态估计研究,大多数都是基于单一的传感器测量源,虽然实现较为简单,但是由于是单一的测量输出会导致状态估计误差较大,且一旦传感器出现故障则状态观测器的设计受阻进而不能实现交通状态的估计和预测。
发明内容
为克服相关技术中存在的问题,本公开提供一种基于多源信息融合的交通状态估计方法和装置,从而更加精准的对路网状态进行估计和预测。
根据本公开实施例的第一方面,提供一种基于多源信息融合的交通状态估计方法,所述方法包括:
将高速路网按照出入口匝道位置、ETC门架位置和车道数变化位置划分成若干个元胞;
基于划分的元胞,以交通流密度为交通状态变量,建立所述高速路网的交通流模型,并确定所述高速路网中各个类型的交通传感器对应的输出矩阵,其中,所述交通传感器的类型包括以下至少两项:ETC门架装置、视频采集装置、微波检测装置和浮动车;
根据由高速路网系统矩阵和每个类型的交通传感器对应的输出矩阵组成的高速路网系统的可观测性或可检测性构建至少一个状态观测器;
基于每个状态观测器计算所述高速路网对应的车辆密度估计值;
对所有车辆密度估计值进行加权求和的融合计算,得到最终车辆密度估计值;
根据所述最终车辆密度估计值估计所述高速路网的交通状态。
在一个实施例中,优选地,所述高速路网的交通流模型包括:
其中,x表示所述高速路网的交通流密度向量,x∈Rn,n表示划分的元胞的数量;u表示高速路网系统的控制输入,u∈Rp,p表示入口匝道的数量;y表示所述高速路网中交通传感器获取的交通参数,y∈Rm,m表示所述高速路网中布设交通传感器的路段的数量;A表示高速路网系统矩阵;B表示高速路网系统的输入矩阵;C表示与所述高速路网布设的交通传感器对应的输出矩阵;F表示常数阵。
在一个实施例中,优选地,各个类型的交通传感器对应的输出矩阵包括:
其中,l表示交通传感器的种类,Cl表示相应交通传感器对应的输出矩阵,
在一个实施例中,优选地,根据由高速路网系统矩阵和每个类型的交通传感器对应的输出矩阵组成的高速路网系统的可观测性或可检测性构建至少一个状态观测器,包括:
判断由高速路网系统矩阵A和每个类型的交通传感器对应的输出矩阵Ci组成的高速路网系统(A,Ci)是否可观测或可检测;
若有m个可观测或可检测的高速路网系统,则构建m个状态观测器,每个高速路网系统对应一个状态观测器;
将剩余的n-m个不可观测或不可检测的高速路网系统的输出矩阵进行重新组合,以得到若干个新的高速路网系统(A,Ck);
从所述若干个新的高速路网系统中选取出含有交通传感器的数量最少且交通传感器分布均匀的目标高速路网系统,并根据所述目标高速路网系统构建一个对应的状态观测器。
在一个实施例中,优选地,状态观测器i表示为:
在一个实施例中,优选地,对所有车辆密度估计值进行加权求和的融合计算,得到最终车辆密度估计值,包括:
为每个状态观测器对应的车辆密度估计值确定对应的权重值λi,以得到包含m+1个权重值的权重值集合{λ1,λ2,…,λm+1};
通过以下公式计算所有状态观测器对应的总车辆密度估计值,
为所述权重值集合{λ1,λ2,…,λm+1}中的每个权重值分配不同的值,分别计算所有状态观测器的车辆密度估计值与所述总车辆密度估计值的标准差值;
从所有标准差值中选取出标准差值最小时对应的权重值集合确定为最终的权重值集合;
根据所述最终权重值集合和所述每个状态观测器的车辆密度估计值,计算得到所述最终车辆密度估计值。
在一个实施例中,优选地,采用以下公式计算所有状态观测器的车辆密度估计值与所述总车辆密度估计值的标准差值:
其中,σ表示最小标准差值。
根据本公开实施例的第二方面,提供一种基于多源信息融合的交通状态估计装置,所述装置包括:
元胞划分模块,用于将高速路网按照出入口匝道位置、ETC门架位置和车道数变化位置划分成若干个元胞;
确定模块,用于基于划分的元胞,以交通流密度为交通状态变量,建立所述高速路网的交通流模型,并确定所述高速路网中各个类型的交通传感器对应的输出矩阵,其中,所述交通传感器的类型包括以下至少两项:ETC门架装置、视频采集装置、微波检测装置和浮动车;
构建模块,用于根据由高速路网系统矩阵和每个类型的交通传感器对应的输出矩阵组成的高速路网系统的可观测性或可检测性构建至少一个状态观测器;
第一计算模块,用于基于每个状态观测器计算所述高速路网对应的车辆密度估计值;
第二计算模块,用于对所有车辆密度估计值进行加权求和的融合计算,得到最终车辆密度估计值;
估计模块,用于根据所述最终车辆密度估计值估计所述高速路网的交通状态。
根据本公开实施例的第三方面,提供一种基于多源信息融合的交通状态估计装置,所述装置包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
将高速路网按照出入口匝道位置、ETC门架位置和车道数变化位置划分成若干个元胞;
基于划分的元胞,以交通流密度为交通状态变量,建立所述高速路网的交通流模型,并确定所述高速路网中各个类型的交通传感器对应的输出矩阵,其中,所述交通传感器的类型包括以下至少两项:ETC门架装置、视频采集装置、微波检测装置和浮动车;
根据由高速路网系统矩阵和每个类型的交通传感器对应的输出矩阵组成的高速路网系统的可观测性或可检测性构建至少一个状态观测器;
基于每个状态观测器计算所述高速路网对应的车辆密度估计值;
对所有车辆密度估计值进行加权求和的融合计算,得到最终车辆密度估计值;
根据所述最终车辆密度估计值估计所述高速路网的交通状态。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机指令,该指令被处理器执行时实现第一方面中任一项所述方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果:
本发明实施例中,针对高速公路网提出基于多种类型的传感器的测量输出信息,来构建交通网络系统的状态观测器,进而实现更加精准的对路网状态进行估计和预测。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种基于多源信息融合的交通状态估计方法的流程图。
图2是根据一示例性实施例示出的高速公路ETC门架布设及元胞划分示意图。
图3是根据一示例性实施例示出的高速路网中不同类型的交通传感器布设的示意图。
图4是根据一示例性实施例示出的一种基于多源信息融合的交通状态估计方法中步骤S103的流程图。
图5是根据一示例性实施例示出的一种基于多源信息融合的交通状态估计装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本发明提供了一种基于多源信息融合的交通状态观测器设计方法及系统。状态观测器顺利设计的前提是要保证系统是可观测或可检测的,否则无法进行观测器的设计。因此,对于交通系统而言,一个首要的关键问题是要合理的布设交通传感器,保证交通网络系统是可观测或可检测的。传统的状态估计研究中,由于传感器技术的限制,一般只有单一类型传感器布设在路网中,所设计的状态观测器一般只是基于单一的测量源进行,往往导致交通状态的估计误差较大。随着传感器技术的发展成熟,现在很多具有传感器功能的装置都可以用来采集交通信息作为测量输出数据,例如具有GPS定位装置的出租车、货运车辆;尤其是随着国家政策支持和ETC技术的发展,ETC门架系统在高速公路网中几乎实现了全覆盖,因此ETC可以作为一种有效的采集车辆信息的交通传感器系统。为了尽可能全面的利用现有的传感器网络资源,同时提高交通状态估计的精度,同时弥补单一类的传感器导致系统不可观测或不可检测造成的状态观测器设计失效的情况,本发明针对高速公路网提出基于多种类型的传感器的测量输出信息,来研究交通网络系统的状态观测器设计,进而实现更加精准的对路网状态进行估计和预测。
图1是根据一示例性实施例示出的一种基于多源信息融合的交通状态估计方法的流程图,如图1所示,该方法包括:
步骤S101,将高速路网按照出入口匝道位置、ETC门架位置和车道数变化位置划分成若干个元胞;
如图2所示,将高速路网按照出入口匝道位置、ETC门架位置、车道数变化位置划分成若干路段,每个路段称为一个元胞,并将划分好的元胞依次标定序号,便于对传感器布设位置进行标记,并对系统的可观测性或可检测性进行研究,保证顺利完成观测器设计。其中,有出入口匝道的地方,此处作为相邻两个元胞的分界;ETC门架也作为相邻两个元胞的分界;车道数变化的位置也作为相邻两个元胞的分界。
步骤S102,基于划分的元胞,以交通流密度为交通状态变量,建立所述高速路网的交通流模型,并确定所述高速路网中各个类型的交通传感器对应的输出矩阵,其中,所述交通传感器的类型包括以下至少两项:ETC门架装置、视频采集装置、微波检测装置和浮动车;具体的,如图3所示,1是视频传感装置,用于采集路上的车流量,并自动转换车辆密度。2是ETC门架。3是ETC门架上的路测单元,是ETC系统中与车载单元进行通讯,实现车辆身份识别装置,通过此装置可以获取车辆的速度和车流量等信息。4是具有GPS定位功能的浮动车,可看做移动传感器,用于获取车辆的速度和位置等信息,通过单车辆速度可以计算路段的平均速度,进而可以转换为路段的车辆密度。5是路测计算设施,主要用于存储不同类型的传感器采集的信息,进行可观测或可检测性判断和多源信息融合的观测器设计,并将最终的估计结果传输到总的控制中心。6是微波传感器,用于采集车流量和平均速度。
在一个实施例中,优选地,所述高速路网的交通流模型包括:
其中,x表示所述高速路网的交通流密度向量,x∈Rn,n表示划分的元胞的数量;u表示高速路网系统的控制输入,u∈Rp,p表示入口匝道的数量;y表示所述高速路网中交通传感器获取的交通参数,y∈Rm,m表示所述高速路网中布设交通传感器的路段的数量;A表示高速路网系统矩阵;B表示高速路网系统的输入矩阵;C表示与所述高速路网布设的交通传感器对应的输出矩阵;F表示常数阵。
在一个实施例中,优选地,各个类型的交通传感器对应的输出矩阵包括:
其中,l表示交通传感器的种类,Cl表示相应交通传感器对应的输出矩阵,由于不同类型的交通传感器采集的交通信息不同,但可通过相应的换算关系统一转换成交通流密度,如ETC可以采集车辆的瞬时速度和车流量、微波检测器可以采集车流量,上述三类传感器采集的车流量可以转换成路段密度作为测量输出结果,因此不同类型的交通传感器对应的输出矩阵可采用统一的表示方法,具体形式如下:
即只要在第i个元胞布设了传感器,则其输出矩阵对应位置元素是1,否则是0。
步骤S103,根据由高速路网系统矩阵和每个类型的交通传感器对应的输出矩阵组成的高速路网系统的可观测性或可检测性构建至少一个状态观测器;
具体地,如图4所示,上述步骤S103包括:
步骤S401,判断由高速路网系统矩阵A和每个类型的交通传感器对应的输出矩阵Ci组成的高速路网系统(A,Ci)是否可观测或可检测;
步骤S402,若有m个可观测或可检测的高速路网系统,则构建m个状态观测器,每个高速路网系统对应一个状态观测器;
步骤S403,将剩余的n-m个不可观测或不可检测的高速路网系统的输出矩阵进行重新组合,以得到若干个新的高速路网系统(A,Ck);
步骤S404,从所述若干个新的高速路网系统中选取出含有交通传感器的数量最少且交通传感器分布均匀的目标高速路网系统,并根据所述目标高速路网系统构建一个对应的状态观测器。至此,共构建了m+1个状态观测器,可以获得m+1个车辆密度估计值。
在一个实施例中,优选地,状态观测器i表示为:
步骤S104,基于每个状态观测器计算所述高速路网对应的车辆密度估计值;
步骤S105,对所有车辆密度估计值进行加权求和的融合计算,得到最终车辆密度估计值;
在一个实施例中,优选地,对所有车辆密度估计值进行加权求和的融合计算,得到最终车辆密度估计值,包括:
为每个状态观测器对应的车辆密度估计值确定对应的权重值λi,以得到包含m+1个权重值的权重值集合{λ1,λ2,…,λm+1};
通过以下公式计算所有状态观测器对应的总车辆密度估计值,
为所述权重值集合{λ1,λ2,…,λm+1}中的每个权重值分配不同的值,分别计算所有状态观测器的车辆密度估计值与所述总车辆密度估计值的标准差值;
从所有标准差值中选取出标准差值最小时对应的权重值集合确定为最终的权重值集合;
根据所述最终权重值集合和所述每个状态观测器的车辆密度估计值,计算得到所述最终车辆密度估计值。
在一个实施例中,优选地,采用以下公式计算所有状态观测器的车辆密度估计值与所述总车辆密度估计值的标准差值:
其中,σ表示最小标准差值。
步骤S106,根据所述最终车辆密度估计值估计所述高速路网的交通状态。
图5是根据一示例性实施例示出的一种基于多源信息融合的交通状态估计装置的框图。
如图5所示,根据本公开实施例的第二方面,提供一种基于多源信息融合的交通状态估计装置,所述装置包括:
元胞划分模块51,用于将高速路网按照出入口匝道位置、ETC门架位置和车道数变化位置划分成若干个元胞;
确定模块52,用于基于划分的元胞,以交通流密度为交通状态变量,建立所述高速路网的交通流模型,并确定所述高速路网中各个类型的交通传感器对应的输出矩阵,其中,所述交通传感器的类型包括以下至少两项:ETC门架装置、视频采集装置、微波检测装置和浮动车;
构建模块53,用于根据由高速路网系统矩阵和每个类型的交通传感器对应的输出矩阵组成的高速路网系统的可观测性或可检测性构建至少一个状态观测器;
第一计算模块54,用于基于每个状态观测器计算所述高速路网对应的车辆密度估计值;
第二计算模块55,用于对所有车辆密度估计值进行加权求和的融合计算,得到最终车辆密度估计值;
估计模块56,用于根据所述最终车辆密度估计值估计所述高速路网的交通状态。
根据本公开实施例的第三方面,提供一种基于多源信息融合的交通状态估计装置,所述装置包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
将高速路网按照出入口匝道位置、ETC门架位置和车道数变化位置划分成若干个元胞;
基于划分的元胞,以交通流密度为交通状态变量,建立所述高速路网的交通流模型,并确定所述高速路网中各个类型的交通传感器对应的输出矩阵,其中,所述交通传感器的类型包括以下至少两项:ETC门架装置、视频采集装置、微波检测装置和浮动车;
根据由高速路网系统矩阵和每个类型的交通传感器对应的输出矩阵组成的高速路网系统的可观测性或可检测性构建至少一个状态观测器;
基于每个状态观测器计算所述高速路网对应的车辆密度估计值;
对所有车辆密度估计值进行加权求和的融合计算,得到最终车辆密度估计值;
根据所述最终车辆密度估计值估计所述高速路网的交通状态。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机指令,该指令被处理器执行时实现第一方面中任一项所述方法的步骤。
进一步可以理解的是,本公开中“多个”是指两个或两个以上,其它量词与之类似。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
进一步可以理解的是,术语“第一”、“第二”等用于描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开,并不表示特定的顺序或者重要程度。实际上,“第一”、“第二”等表述完全可以互换使用。例如,在不脱离本公开范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。
进一步可以理解的是,本公开实施例中尽管在附图中以特定的顺序描述操作,但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作,或是要求执行全部所示的操作以得到期望的结果。在特定环境中,多任务和并行处理可能是有利的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (9)
1.一种基于多源信息融合的交通状态估计方法,其特征在于,所述方法包括:
将高速路网按照出入口匝道位置、ETC门架位置和车道数变化位置划分成若干个元胞;
基于划分的元胞,以交通流密度为交通状态变量,建立所述高速路网的交通流模型,并确定所述高速路网中各个类型的交通传感器对应的输出矩阵,其中,所述交通传感器的类型包括以下至少两项:ETC门架装置、视频采集装置、微波检测装置和浮动车;
根据由高速路网系统矩阵和每个类型的交通传感器对应的输出矩阵组成的高速路网系统的可观测性或可检测性构建至少一个状态观测器;
基于每个状态观测器计算所述高速路网对应的车辆密度估计值;
对所有车辆密度估计值进行加权求和的融合计算,得到最终车辆密度估计值;
根据所述最终车辆密度估计值估计所述高速路网的交通状态;
根据由高速路网系统矩阵和每个类型的交通传感器对应的输出矩阵组成的高速路网系统的可观测性或可检测性构建至少一个状态观测器,包括:
判断由高速路网系统矩阵A和每个类型的交通传感器对应的输出矩阵C i 组成的高速路网系统(A,C i )是否可观测或可检测;
若有m个可观测或可检测的高速路网系统,则构建m个状态观测器,每个高速路网系统对应一个状态观测器;
将剩余的n-m个不可观测或不可检测的高速路网系统的输出矩阵进行重新组合,以得到若干个新的高速路网系统(A,C k );
从所述若干个新的高速路网系统中选取出含有交通传感器的数量最少且交通传感器分布均匀的目标高速路网系统,并根据所述目标高速路网系统构建一个对应的状态观测器。
7.一种基于多源信息融合的交通状态估计装置,其特征在于,所述装置包括:
元胞划分模块,用于将高速路网按照出入口匝道位置、ETC门架位置和车道数变化位置划分成若干个元胞;
确定模块,用于基于划分的元胞,以交通流密度为交通状态变量,建立所述高速路网的交通流模型,并确定所述高速路网中各个类型的交通传感器对应的输出矩阵,其中,所述交通传感器的类型包括以下至少两项:ETC门架装置、视频采集装置、微波检测装置和浮动车;
构建模块,用于根据由高速路网系统矩阵和每个类型的交通传感器对应的输出矩阵组成的高速路网系统的可观测性或可检测性构建至少一个状态观测器;
第一计算模块,用于基于每个状态观测器计算所述高速路网对应的车辆密度估计值;
第二计算模块,用于对所有车辆密度估计值进行加权求和的融合计算,得到最终车辆密度估计值;
估计模块,用于根据所述最终车辆密度估计值估计所述高速路网的交通状态;
所述构建模块用于:
判断由高速路网系统矩阵A和每个类型的交通传感器对应的输出矩阵C i 组成的高速路网系统(A,C i )是否可观测或可检测;
若有m个可观测或可检测的高速路网系统,则构建m个状态观测器,每个高速路网系统对应一个状态观测器;
将剩余的n-m个不可观测或不可检测的高速路网系统的输出矩阵进行重新组合,以得到若干个新的高速路网系统(A,C k );
从所述若干个新的高速路网系统中选取出含有交通传感器的数量最少且交通传感器分布均匀的目标高速路网系统,并根据所述目标高速路网系统构建一个对应的状态观测器。
8.一种基于多源信息融合的交通状态估计装置,其特征在于,所述装置包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
将高速路网按照出入口匝道位置、ETC门架位置和车道数变化位置划分成若干个元胞;
基于划分的元胞,以交通流密度为交通状态变量,建立所述高速路网的交通流模型,并确定所述高速路网中各个类型的交通传感器对应的输出矩阵,其中,所述交通传感器的类型包括以下至少两项:ETC门架装置、视频采集装置、微波检测装置和浮动车;
根据由高速路网系统矩阵和每个类型的交通传感器对应的输出矩阵组成的高速路网系统的可观测性或可检测性构建至少一个状态观测器;
基于每个状态观测器计算所述高速路网对应的车辆密度估计值;
对所有车辆密度估计值进行加权求和的融合计算,得到最终车辆密度估计值;
根据所述最终车辆密度估计值估计所述高速路网的交通状态;
根据由高速路网系统矩阵和每个类型的交通传感器对应的输出矩阵组成的高速路网系统的可观测性或可检测性构建至少一个状态观测器,包括:
判断由高速路网系统矩阵A和每个类型的交通传感器对应的输出矩阵C i 组成的高速路网系统(A,C i )是否可观测或可检测;
若有m个可观测或可检测的高速路网系统,则构建m个状态观测器,每个高速路网系统对应一个状态观测器;
将剩余的n-m个不可观测或不可检测的高速路网系统的输出矩阵进行重新组合,以得到若干个新的高速路网系统(A,C k );
从所述若干个新的高速路网系统中选取出含有交通传感器的数量最少且交通传感器分布均匀的目标高速路网系统,并根据所述目标高速路网系统构建一个对应的状态观测器。
9.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,该指令被处理器执行时实现权利要求1-6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110245942.6A CN113034903B (zh) | 2021-03-05 | 2021-03-05 | 基于多源信息融合的交通状态估计方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110245942.6A CN113034903B (zh) | 2021-03-05 | 2021-03-05 | 基于多源信息融合的交通状态估计方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113034903A CN113034903A (zh) | 2021-06-25 |
CN113034903B true CN113034903B (zh) | 2021-11-16 |
Family
ID=76468546
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110245942.6A Active CN113034903B (zh) | 2021-03-05 | 2021-03-05 | 基于多源信息融合的交通状态估计方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113034903B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113506440B (zh) * | 2021-09-08 | 2021-11-30 | 四川国蓝中天环境科技集团有限公司 | 一种拉格朗日坐标系下多源数据融合的交通状态估计方法 |
CN114093171B (zh) * | 2022-01-21 | 2022-05-06 | 杭州海康威视数字技术股份有限公司 | 基于多源数据融合的交通运行状态监测方法及装置 |
CN114863679B (zh) * | 2022-04-26 | 2022-11-25 | 交通运输部公路科学研究所 | 一种基于多源信息融合的混合交通流车辆识别方法 |
CN114863678B (zh) * | 2022-04-26 | 2023-04-07 | 交通运输部公路科学研究所 | 智能网联环境下道路安全风险检测器优化布设方法及系统 |
CN114783186B (zh) * | 2022-04-26 | 2022-11-22 | 交通运输部公路科学研究所 | 智能网联环境下道路风险预警控制器优化布设方法及系统 |
CN116307931B (zh) * | 2023-05-08 | 2023-08-04 | 广州市交通规划研究院有限公司 | 一种面向城市货运物流链的多源数据融合分析方法 |
CN117475641B (zh) * | 2023-12-28 | 2024-03-08 | 辽宁艾特斯智能交通技术有限公司 | 一种高速公路交通状态的检测方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105427004A (zh) * | 2016-01-06 | 2016-03-23 | 北京工业大学 | 一种快速路网交通传感网络的优化布设方法 |
CN109035784A (zh) * | 2018-09-17 | 2018-12-18 | 江苏智通交通科技有限公司 | 基于多源异构数据的动态车流od估计方法 |
CN110968964A (zh) * | 2019-12-24 | 2020-04-07 | 交通运输部公路科学研究所 | 一种基于多源交通传感器的系统可观测性的研究方法 |
CN111780755A (zh) * | 2020-06-30 | 2020-10-16 | 南京理工大学 | 一种基于因子图和可观测度分析的多源融合导航方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201204006D0 (en) * | 2012-03-07 | 2012-04-18 | Tomtom Int Bv | Point of interest database maintenance system |
CN104916143A (zh) * | 2015-05-14 | 2015-09-16 | 贵州师范大学 | 一种对区域交通信号实时协调控制的方法 |
-
2021
- 2021-03-05 CN CN202110245942.6A patent/CN113034903B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105427004A (zh) * | 2016-01-06 | 2016-03-23 | 北京工业大学 | 一种快速路网交通传感网络的优化布设方法 |
CN109035784A (zh) * | 2018-09-17 | 2018-12-18 | 江苏智通交通科技有限公司 | 基于多源异构数据的动态车流od估计方法 |
CN110968964A (zh) * | 2019-12-24 | 2020-04-07 | 交通运输部公路科学研究所 | 一种基于多源交通传感器的系统可观测性的研究方法 |
CN111780755A (zh) * | 2020-06-30 | 2020-10-16 | 南京理工大学 | 一种基于因子图和可观测度分析的多源融合导航方法 |
Non-Patent Citations (10)
Title |
---|
A New Switched State Jump Observer for Traffic Density Estimation in Expressways Based on Hybrid-Dynamic-Traffic-Network-Model;Zha, Wenbin;《Sensors (Basel Switzerland)》;20191231;第19卷(第18期);1-15 * |
Afzal Ahmed.Prediction of traveller information and route choice based on real-time estimated traffic state.《[J] Transportmetrica B: Transport Dynamics》.2016,第4卷(第1期), * |
Extend Kalman Gaussian mixture probability hypothesis density filter based on radar and IR sensor fusion;Yanling Hao;《The 2010 IEEE International Conference on Information and Automation》;20100719;1582-1586 * |
Multisource Data Framework for Road Traffic State Estimation;Josep Maria Salanova Grau;《Journal of Advanced TransportationVolume 2018》;20180619;1-10 * |
Real-time multi-sensor multi-source network data fusion using dynamic traffic assignment models;E.Huang;《2009 12th International IEEE Conference on Intelligent Transportation Systems》;20091106;533-538 * |
分路段交通状态模式元胞传递模型;弓晋丽;《同济大学学报(自然科学版)》;20111031;第39卷(第10期);1473-1478 * |
噪声相关非线性系统的可观测度分析方法研究;唐帅帅;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑(月刊)》;20210215(第02期);I140-25 * |
城市快速路实时交通状态估计方法研究;马勇;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20150315(第03期);C034-1556 * |
基于状态观测器的城市快速路交通事故识别;郭宇奇;《交通信息与安全》;20171231;第35卷(第06期);10-18 * |
最优和自校正多传感器加权观测融合卡尔曼滤波器;冉陈键;《万方数据库》;20120428;1-173 * |
Also Published As
Publication number | Publication date |
---|---|
CN113034903A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113034903B (zh) | 基于多源信息融合的交通状态估计方法和装置 | |
Gentili et al. | Review of optimal sensor location models for travel time estimation | |
Dakic et al. | On the use of Lagrangian observations from public transport and probe vehicles to estimate car space-mean speeds in bi-modal urban networks | |
Liu et al. | Sensor networks for the detection and tracking of radiation and other threats in cities | |
CN105004340A (zh) | 结合惯性导航技术和指纹定位技术的定位误差修正方法 | |
Janowski et al. | Mobile indicators in GIS and GPS positioning accuracy in cities | |
Dixon et al. | Population origin–destination estimation using automatic vehicle identification and volume data | |
Rahmani et al. | Floating car and camera data fusion for non-parametric route travel time estimation | |
CN117058600B (zh) | 区域桥梁群车流荷载识别方法及系统 | |
JPH0877485A (ja) | 走行所要時間予測装置 | |
CN113053106B (zh) | 基于多传感器信息融合的交通状态估计方法和装置 | |
Chang et al. | Traffic speed estimation through data fusion from heterogeneous sources for first response deployment | |
CN112740292A (zh) | 交通指标计算装置、计算方法、交通信号控制系统和计算机程序 | |
CN110309953B (zh) | 采用目标流动性分布预测的城市安防监控布局系统及方法 | |
Denaxas et al. | Real-time urban traffic information extraction from GPS tracking of a bus fleet | |
CN105303246A (zh) | 一种多线路公交到站时间预测方法 | |
US11809199B2 (en) | Method and apparatus for predicting demand for personal mobility vehicle and redistributing personal mobility vehicle | |
JP3904629B2 (ja) | 旅行時間予測装置及び旅行時間予測方法 | |
Löffler et al. | Optimal beacon placement for indoor positioning using constraint programming | |
JP2002260142A (ja) | 走行時間予測方法 | |
JP3975004B2 (ja) | 交通流データ予測装置および交通流データ予測方法 | |
CN116380158B (zh) | 车辆荷载信息确定系统、方法、装置、设备和介质 | |
CN105761247B (zh) | 超大规模光学卫星影像区域网可靠性分析方法及系统 | |
CN113870565B (zh) | 基于迁移学习模型的城市路网未知流量估计方法及系统 | |
Wu et al. | Location–allocation strategies for traffic counters—a citywide deployment |
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 |