CN113053106A - 基于多传感器信息融合的交通状态估计方法和装置 - Google Patents
基于多传感器信息融合的交通状态估计方法和装置 Download PDFInfo
- Publication number
- CN113053106A CN113053106A CN202110245959.1A CN202110245959A CN113053106A CN 113053106 A CN113053106 A CN 113053106A CN 202110245959 A CN202110245959 A CN 202110245959A CN 113053106 A CN113053106 A CN 113053106A
- Authority
- CN
- China
- Prior art keywords
- traffic
- highway network
- estimated value
- kalman filter
- value
- 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.)
- Granted
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims abstract description 81
- 238000005259 measurement Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 10
- 238000007667 floating Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000001413 cellular effect Effects 0.000 claims description 4
- 239000000470 constituent Substances 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004258 portal system Anatomy 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- 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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明是关于一种基于多传感器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,并确定各个类型交通传感器对应的输出矩阵;根据由高速路网系统矩阵和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卡尔曼滤波器;计算每个卡尔曼滤波器的预估计值;结合交通传感器的测量值对各卡尔曼滤波器的预估计值进行修正,获得新的预估计值;对所有卡尔曼滤波器的新的预估计值进行加权求和的融合计算,得到最终预估计值,以估计高速路网的交通状态。通过该方案,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传感器信息融合的交通状态估计方法和装置。
背景技术
受限于传感器技术发展的限制,传统的基于卡尔曼滤波器的交通路网状态估计研究,一般都是基于单一的交通传感器测量源,虽然实现较为简单,但是由于从单一类型的传感器获得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无法通过构造滤波无进行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传感器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,提供一种基于多传感器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卡尔曼滤波器;
基于所述高速路网的交通流模型计算每个所述卡尔曼滤波器的预估计值;
结合交通传感器的测量值对各个卡尔曼滤波器的预估计值进行修正,获得新的预估计值;
对所有卡尔曼滤波器的新的预估计值进行加权求和的融合计算,得到最终预估计值,并根据所述最终预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,所述高速路网的宏观交通流模型包括:
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矩阵,称为输出矩阵;F表示常数阵;ω(t)表示系统噪声,t表示时刻,ω(t)~N(0,Q);v(t)表示测量噪声v(t)~N(0,R)。
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卡尔曼滤波器,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个卡尔曼滤波器,每个高速路网系统对应一个卡尔曼滤波器;
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卡尔曼滤波器。
在一个实施例中,优选地,采用以下公式计算所述卡尼曼滤波器的预估计值:
在一个实施例中,优选地,结合交通传感器的测量值对各个卡尔曼滤波器的预估计值进行修正,获得新的预估计值,包括:
分别计算所述卡尔曼滤波器的先验误差协方差矩阵P-和增益矩阵G;
根据所述卡尔曼滤波器的预估计值、所述先验误差协方差矩阵和增益矩阵更新后验状态估计值,以得到卡尔曼滤波器的新的预估计值;
在一个实施例中,优选地,对所有卡尔曼滤波器的新的预估计值进行加权求和的融合计算,得到最终预估计值,包括:
为每个卡尔曼滤波器的新的预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述所有卡尔曼滤波器对应的总预估计值,
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,分别计算所有卡尔曼滤波器的新的预估计值与所述总预估计值的标准差值;
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卡尔曼滤波器的新的预估计值,计算得到所述最终预估计值。
在一个实施例中,优选地,采用以下公式计算各个卡尔曼滤波器的新的预估计值与所述总预估计值的标准差值:
其中,σ表示最小标准差值。
根据本公开实施例的第二方面,提供一种基于多传感器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;
建模模块,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卡尔曼滤波器;
计算模块,用于基于所述高速路网的交通流模型计算每个所述卡尔曼滤波器的预估计值;
修正模块,用于结合交通传感器的测量值对各个卡尔曼滤波器的预估计值进行修正,获得新的预估计值;
估计模块,用于对所有卡尔曼滤波器的新的预估计值进行加权求和的融合计算,得到最终预估计值,并根据所述最终预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卡尔曼滤波器;
基于所述高速路网的交通流模型计算每个所述卡尔曼滤波器的预估计值;
结合交通传感器的测量值对各个卡尔曼滤波器的预估计值进行修正,获得新的预估计值;
对所有卡尔曼滤波器的新的预估计值进行加权求和的融合计算,得到最终预估计值,并根据所述最终预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卡尔曼滤波器,并通过多个卡尔曼滤波器的预估计值融合计算得到最终预估计值,通过最终预估计值估计告诉路网的交通状态,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传感器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传感器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传感器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。
本发明提供了一种多传感器信息融合的交通状态估计方法及装置。交通路网系统是可观测或可检测的是成功构造卡尔曼滤波器前提保障,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。传统的交通状态估计研究中,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,所构造的卡尔曼滤波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,而且一旦某一位置的传感器出现故障,则导致卡尔曼滤波器的构造受阻。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、货运车辆可以看作移动传感器,可以弥补某路段没有固定传感器的不足;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装置。为了尽可能全面的利用现有的传感网络资源,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卡尔曼滤波器构造失效的情况,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卡尔曼滤波器的融合构造方法,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传感器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,所述高速路网的宏观交通流模型包括:
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矩阵,称为输出矩阵;F表示常数阵;ω(t)表示系统噪声,t表示时刻,如果t+1表示当前时刻,则t表示上一时刻,ω(t)~N(0,Q);v(t)表示测量噪声v(t)~N(0,R)。
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。
以ETC为例:
对于入口和出口都有ETC门架元胞,可分别通过出、入口处ETC采集的一个采样周期内车流量计算出元胞的车辆密度,即:
其中,xi表示元胞i的密度,T表示采用周期(单位:秒),Li表示元胞i的的长度(单位:米),qi-in一个采用周期内进入元胞i的车流量,qi-out一个采用周期内流出元胞i的车流量。
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卡尔曼滤波器;
如图4所示,在一个实施例中,优选地,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个卡尔曼滤波器,每个高速路网系统对应一个卡尔曼滤波器;
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卡尔曼滤波器。
步骤S104,基于所述高速路网的交通流模型计算每个所述卡尔曼滤波器的预估计值;
在一个实施例中,优选地,采用以下公式计算所述卡尼曼滤波器的预估计值:
步骤S105,结合交通传感器的测量值对各个卡尔曼滤波器的预估计值进行修正,获得新的预估计值;
在一个实施例中,优选地,结合交通传感器的测量值对各个卡尔曼滤波器的预估计值进行修正,获得新的预估计值,包括:
分别计算所述卡尔曼滤波器的先验误差协方差矩阵P-和增益矩阵G;
G(k+1)=P-(k)CT[CP-(k)CT+R]-1
根据所述卡尔曼滤波器的预估计值、所述先验误差协方差矩阵和增益矩阵更新后验状态估计值,以得到卡尔曼滤波器的新的预估计值;
步骤S106,对所有卡尔曼滤波器的新的预估计值进行加权求和的融合计算,得到最终预估计值,并根据所述最终预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,对所有卡尔曼滤波器的新的预估计值进行加权求和的融合计算,得到最终预估计值,包括:
为每个卡尔曼滤波器的新的预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述所有卡尔曼滤波器对应的总预估计值,
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,分别计算所有卡尔曼滤波器的新的预估计值与所述总预估计值的标准差值;
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卡尔曼滤波器的新的预估计值,计算得到所述最终预估计值。
在一个实施例中,优选地,采用以下公式计算各个卡尔曼滤波器的新的预估计值与所述总预估计值的标准差值:
其中,σ表示最小标准差值。
根据得出的权值λi计算交通流的最终预估计值:
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,提供一种基于多传感器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;
建模模块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卡尔曼滤波器;
计算模块54,用于基于所述高速路网的交通流模型计算每个所述卡尔曼滤波器的预估计值;
修正模块55,用于结合交通传感器的测量值对各个卡尔曼滤波器的预估计值进行修正,获得新的预估计值;
估计模块56,用于对所有卡尔曼滤波器的新的预估计值进行加权求和的融合计算,得到最终预估计值,并根据所述最终预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卡尔曼滤波器;
基于所述高速路网的交通流模型计算每个所述卡尔曼滤波器的预估计值;
结合交通传感器的测量值对各个卡尔曼滤波器的预估计值进行修正,获得新的预估计值;
对所有卡尔曼滤波器的新的预估计值进行加权求和的融合计算,得到最终预估计值,并根据所述最终预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 (10)
1.一种基于多传感器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卡尔曼滤波器;
基于所述高速路网的交通流模型计算每个所述卡尔曼滤波器的预估计值;
结合交通传感器的测量值对各个卡尔曼滤波器的预估计值进行修正,获得新的预估计值;
对所有卡尔曼滤波器的新的预估计值进行加权求和的融合计算,得到最终预估计值,并根据所述最终预估计值估计所述高速路网的交通状态。
4.根据权利要求2所述的方法,其特征在于,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卡尔曼滤波器,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个卡尔曼滤波器,每个高速路网系统对应一个卡尔曼滤波器;
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卡尔曼滤波器。
6.根据权利要求5所述的方法,其特征在于,结合交通传感器的测量值对各个卡尔曼滤波器的预估计值进行修正,获得新的预估计值,包括:
分别计算所述卡尔曼滤波器的先验误差协方差矩阵P-和增益矩阵G;
根据所述卡尔曼滤波器的预估计值、所述先验误差协方差矩阵和增益矩阵更新后验状态估计值,以得到卡尔曼滤波器的新的预估计值。
7.根据权利要求6所述的方法,其特征在于,对所有卡尔曼滤波器的新的预估计值进行加权求和的融合计算,得到最终预估计值,包括:
为每个卡尔曼滤波器的新的预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述所有卡尔曼滤波器对应的总预估计值,
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,分别计算所有卡尔曼滤波器的新的预估计值与所述总预估计值的标准差值;
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卡尔曼滤波器的新的预估计值,计算得到所述最终预估计值。
9.一种基于多传感器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;
建模模块,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卡尔曼滤波器;
计算模块,用于基于所述高速路网的交通流模型计算每个所述卡尔曼滤波器的预估计值;
修正模块,用于结合交通传感器的测量值对各个卡尔曼滤波器的预估计值进行修正,获得新的预估计值;
估计模块,用于对所有卡尔曼滤波器的新的预估计值进行加权求和的融合计算,得到最终预估计值,并根据所述最终预估计值估计所述高速路网的交通状态。
10.一种基于多传感器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卡尔曼滤波器;
基于所述高速路网的交通流模型计算每个所述卡尔曼滤波器的预估计值;
结合交通传感器的测量值对各个卡尔曼滤波器的预估计值进行修正,获得新的预估计值;
对所有卡尔曼滤波器的新的预估计值进行加权求和的融合计算,得到最终预估计值,并根据所述最终预估计值估计所述高速路网的交通状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110245959.1A CN113053106B (zh) | 2021-03-05 | 2021-03-05 | 基于多传感器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 |
---|---|---|---|
CN202110245959.1A CN113053106B (zh) | 2021-03-05 | 2021-03-05 | 基于多传感器信息融合的交通状态估计方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113053106A true CN113053106A (zh) | 2021-06-29 |
CN113053106B CN113053106B (zh) | 2022-08-26 |
Family
ID=76510170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110245959.1A Active CN113053106B (zh) | 2021-03-05 | 2021-03-05 | 基于多传感器信息融合的交通状态估计方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113053106B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101762272A (zh) * | 2010-01-18 | 2010-06-30 | 哈尔滨工业大学 | 一种基于可观测度分析的深空自主导航方法 |
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 |
CN109163720A (zh) * | 2018-08-27 | 2019-01-08 | 广西科技大学 | 基于渐消记忆指数加权的卡尔曼滤波跟踪方法 |
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 |
CN111951553A (zh) * | 2020-08-17 | 2020-11-17 | 上海电科智能系统股份有限公司 | 一种基于交通大数据平台与中观仿真模型的预测方法 |
-
2021
- 2021-03-05 CN CN202110245959.1A patent/CN113053106B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101762272A (zh) * | 2010-01-18 | 2010-06-30 | 哈尔滨工业大学 | 一种基于可观测度分析的深空自主导航方法 |
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 |
CN109163720A (zh) * | 2018-08-27 | 2019-01-08 | 广西科技大学 | 基于渐消记忆指数加权的卡尔曼滤波跟踪方法 |
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 |
CN111951553A (zh) * | 2020-08-17 | 2020-11-17 | 上海电科智能系统股份有限公司 | 一种基于交通大数据平台与中观仿真模型的预测方法 |
Non-Patent Citations (4)
Title |
---|
YUE ZHOU 等: "A Mode Switching Extended Kalman Filter for Real-Time Traffic State and Parameter Estimation", 《2020 IEEE 23RD INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS (ITSC)》 * |
何美光 等: "一种Sage-Husa和可观测度的滤波算法研究", 《控制工程》 * |
唐帅帅: "噪声相关非线性系统的可观测度分析方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)》 * |
张敖木翰 等: "基于需求预测与CTM的高速公路交通事件影响范围预测", 《交通运输研究》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Also Published As
Publication number | Publication date |
---|---|
CN113053106B (zh) | 2022-08-26 |
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 | |
CN112816954B (zh) | 一种基于真值的路侧感知系统评测方法和系统 | |
CN104813143B (zh) | 道路网络分析器、道路网络分析系统、以及道路网络分析方法 | |
Gentili et al. | Review of optimal sensor location models for travel time estimation | |
CN106503840A (zh) | 停车场可用车位预测方法及系统 | |
CN109615860A (zh) | 一种基于非参数贝叶斯框架的信号交叉口状态估计方法 | |
CN111275975B (zh) | 一种交叉口转向流量数据的获取方法、装置和存储介质 | |
CN111190211B (zh) | 一种gps失效位置预测定位方法 | |
Rahmani et al. | Floating car and camera data fusion for non-parametric route travel time estimation | |
CN104900061A (zh) | 路段行程时间监测方法及装置 | |
CN113947132B (zh) | 基于gcn图神经网络的公交到站预测方法、计算机及介质 | |
CN117058600B (zh) | 区域桥梁群车流荷载识别方法及系统 | |
JP3099934B2 (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 | |
CN115331425A (zh) | 一种交通预警方法、装置和系统 | |
CN110598999A (zh) | 基于个体数据的交通出行分析方法、系统及存储介质 | |
CN114707632A (zh) | 一种传感网络传感器故障定位方法、系统、设备及介质 | |
CN112100721B (zh) | 基于移动群智感知和深度学习的桥梁结构模态识别方法 | |
JP3904629B2 (ja) | 旅行時間予測装置及び旅行時間予測方法 | |
Zhan et al. | Data accuracy oriented method for deploying fixed and mobile traffic sensors along a freeway | |
Zhao et al. | Data reconciliation–based traffic count analysis system | |
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 | |
JP3355887B2 (ja) | 旅行時間予測方法および旅行時間予測装置 | |
CN114596702A (zh) | 一种交通状态预测模型构建方法及交通状态预测方法 | |
CN113034904B (zh) | 基于etc数据的交通状态估计方法和装置 |
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 |