CN113077626A - 一种车道选择的引导方法、装置、系统、设备及存储介质 - Google Patents

一种车道选择的引导方法、装置、系统、设备及存储介质 Download PDF

Info

Publication number
CN113077626A
CN113077626A CN202110327329.9A CN202110327329A CN113077626A CN 113077626 A CN113077626 A CN 113077626A CN 202110327329 A CN202110327329 A CN 202110327329A CN 113077626 A CN113077626 A CN 113077626A
Authority
CN
China
Prior art keywords
lane
data
vehicle
neural network
traffic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110327329.9A
Other languages
English (en)
Other versions
CN113077626B (zh
Inventor
侯磊
朱柯
王吟松
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.)
Xingmi Shanghai Technology Co ltd
Original Assignee
Xingmi Shanghai Technology Co ltd
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 Xingmi Shanghai Technology Co ltd filed Critical Xingmi Shanghai Technology Co ltd
Priority to CN202110327329.9A priority Critical patent/CN113077626B/zh
Publication of CN113077626A publication Critical patent/CN113077626A/zh
Application granted granted Critical
Publication of CN113077626B publication Critical patent/CN113077626B/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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q50/40—Business processes related to the transportation industry
    • 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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Computational Linguistics (AREA)
  • Analytical Chemistry (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Fuzzy Systems (AREA)
  • Business, Economics & Management (AREA)
  • Remote Sensing (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明实施例公开了一种车道选择的引导方法，包括：获取车道口处的交通数据，车道口包括至少两条同方向车道；对交通数据进行预处理，构建各车道的车道特征向量；将车道特征向量分别输入神经网络模型，获取各车道的通行时间；比较同方向车道通行时间的大小，将各方向通行时间最短的车道确定为该方向的引导车道；将各方向的引导车道信息提供至车道口处的车辆。本发明实施例提供的车道选择的引导方法，通过采集车道口处的交通数据，利用神经网络模型对同一时刻各车道的通行时间进行预测，通过比较大小确定同一时刻相同方向的车道中通行时间最短的车道，引导车辆选择最佳车道，达到了提升车道口车辆通行效率的效果。

Description

一种车道选择的引导方法、装置、系统、设备及存储介质
技术领域
本发明涉及交通导航领域，尤其涉及一种车道选择的引导方法、装置、系统、设备及存储介质。
背景技术
当车辆在行驶至交通信号灯路口可能需要排队等待，若该路口有多车道均符合通行方向时驾驶员往往会选择排队长度较短的车道，但实际上排队长度较短的车道通行时间并不一定最短，如：前方有大车或者该车道还有其他通行方向车辆(直行/左转同车道)。以上情况导致的结果是驾驶员发现其他车道排队靠后的车辆都超过自己时该驾驶员很有可能进行变道加塞，这样既增加了安全风险又影响了该路口的整体通行效率。
目前市面上暂无引导车辆最快通过路口的车道选择引导系统。传统的路边车道引导牌仅仅标注了各车道的通行方向，并不能提升路口通行效率；具备排队长度检测功能的监控设备仅仅只能检测路口排队长队，并不能预测各车道的通行时间并给予通行车辆合理的车道选择引导。
发明内容
本发明实施例提供了一种车道选择的引导方法、装置、系统、设备及存储介质，可以预测各车道的车辆通行时间，引导车辆选择通行时间最短的车道，从而达到提升车道口车辆通行效率的效果。
第一方面，本发明实施例提供了一种车道选择的引导方法，包括：
获取车道口处的交通数据，所述车道口包括至少两条同方向车道；
对所述交通数据进行预处理，构建各车道的车道特征向量；
将所述车道特征向量分别输入神经网络模型，获取各车道的通行时间；
比较同方向车道所述通行时间的大小，将各方向所述通行时间最短的车道确定为该方向的引导车道；
将各方向的所述引导车道信息提供至所述车道口处的车辆。
进一步地，所述获取车道口处的交通数据，包括：
获取检测相机采集的车道口数据；
获取路侧单元接收的车道口处的第一车辆数据；所述车辆数据包括车辆类型以及类型对应的数量。
进一步地，所述对所述交通数据进行预处理，构建各车道的车道特征向量，包括：
根据所述车道口数据确定车道渠化数据、第二车辆数据及交通事件数据；其中，第二车辆数据包括所述第一车辆数据；
根据所述第一车辆数据、车道渠化数据、第二车辆类型数据、交通事件数据构建各车道的车道特征向量。
进一步地，所述获取车道口处的交通数据，还包括：
获取实时路侧单元接收的车道口处网联车行驶数据；
对所述网联车行驶数据进行筛选与大数据分析，预测网联车的转向意图；相应的，对所述交通数据进行预处理，构建各车道的车道特征向量，还包括：
根据所述网联车的转向意图、第一车辆类型数据、车道渠化数据、第二车辆类型数据、交通事件数据构建各车道的车道特征向量。
进一步地，所述神经网络模型的训练方式为：
获取车道口处的历史数据，将所述历史数据划分为训练集和验证集，所述历史数据包括历史交通数据和实际通行时间；
基于所述历史交通数据提取所述训练集的第一特征向量，将所述第一特征向量输入待训练神经网络模型，获取预测通行时间；
计算所述预测通行时间和所述实际通行时间的误差；
基于所述误差调整所述待训练神经网络模型参数，返回执行将所述第一特征向量输入待训练神经网络模型的操作，直到所述误差在设定阈值内，获得训练好的神经网络模型；
提取所述验证集的第二特征向量，将所述第二特征向量输入所述训练好的神经网络模型，获取预测正确率。
进一步地，所述获取车道口处的历史数据，将所述历史数据划分为训练集和验证集，包括：
获取所述历史数据包含的时间段信息和道路方向信息；
基于所述时间段信息和/或道路方向信息对所述历史数据进行类别划分，获得至少两个类别数据；
将所述至少两个类别数据分别划分为训练集和验证集；
相应的，将所述第一特征向量输入待训练神经网络模型，包括：
将所述第一特征向量输入所述历史数据的类别对应的待训练神经网络模型。
进一步地，将所述引导车道信息提供给车道口处车辆，包括；
将所述引导车道信息显示在显示屏上；所述显示屏设置于所述车道口处；
将所述引导车道信息发送至路侧单元，使得所述路侧单元将所述引导车道信息转发至网联车。
第二方面，本发明实施例还提供了一种车道选择的引导装置，包括：
交通数据获取模块，用于获取车道口处的交通数据，所述车道口包括至少两条同方向车道；
车道特征向量构建模块，用于对所述交通数据进行预处理，构建各车道的车道特征向量；
通行时间获取模块，用于将所述车道特征向量分别输入神经网络模型，获取各车道的通行时间；
引导车道确定模块，用于比较同方向车道所述通行时间的大小，将各方向所述通行时间最短的车道确定为该方向的引导车道；
引导车道信息提供模块，用于将各方向的所述引导车道信息提供至所述车道口处的车辆。
可选的，交通数据获取模块还用于：
获取检测相机采集的车道口数据；
获取路侧单元接收的车道口处的第一车辆数据；所述车辆数据包括车辆类型以及类型对应的数量。
可选的，车道特征向量构建模块还用于：
根据所述车道口数据确定车道渠化数据、第二车辆数据及交通事件数据；其中，第二车辆数据包括所述第一车辆数据；
根据所述第一车辆数据、车道渠化数据、第二车辆类型数据、交通事件数据构建各车道的车道特征向量。
可选的，交通数据获取模块还用于：
获取实时路侧单元接收的车道口处网联车行驶数据；
对所述网联车行驶数据进行筛选与大数据分析，预测网联车的转向意图；相应的，车道特征向量构建模块用于：
根据所述网联车的转向意图、第一车辆类型数据、车道渠化数据、第二车辆类型数据、交通事件数据构建各车道的车道特征向量。
可选的，车道选择的引导装置还包括神经网络模型训练模块，用于：
获取车道口处的历史数据，将所述历史数据划分为训练集和验证集，所述历史数据包括历史交通数据和实际通行时间；
基于所述历史交通数据提取所述训练集的第一特征向量，将所述第一特征向量输入待训练神经网络模型，获取预测通行时间；
计算所述预测通行时间和所述实际通行时间的误差；
基于所述误差调整所述待训练神经网络模型参数，返回执行将所述第一特征向量输入待训练神经网络模型的操作，直到所述误差在设定阈值内，获得训练好的神经网络模型；
提取所述验证集的第二特征向量，将所述第二特征向量输入所述训练好的神经网络模型，获取预测正确率。
可选的，神经网络模型训练模块还用于：
获取所述历史数据包含的时间段信息和道路方向信息；
基于所述时间段信息和/或道路方向信息对所述历史数据进行类别划分，获得至少两个类别数据；
将所述至少两个类别数据分别划分为训练集和验证集；
相应的，将所述第一特征向量输入待训练神经网络模型，包括：
将所述第一特征向量输入所述历史数据的类别对应的待训练神经网络模型。
可选的，引导车道信息提供模块还用于：
将所述引导车道信息显示在显示屏上；所述显示屏设置于所述车道口处；
将所述引导车道信息发送至路侧单元，使得所述路侧单元将所述引导车道信息转发至网联车。
第三方面，本发明实施例还提供了一种车道选择的引导系统，包括：感知层、计算层和应用层；
所述感知层包括摄像头和路侧单元；所述摄像头用于采集车道口数据；所述路侧元用于接收网联车发送的第一车辆数据；所述感知层将所述车道口数据和第一车辆数据发送给计算层进行计算；
所述计算层包括边缘云；所述边缘云用于对所述感知层采集的所述车道口数据和第一车辆数据进行融合计算，并将计算出的引导车道信息发送给应用层；
所述应用层包括显示屏和路侧单元；所述显示屏用于显示所述引导车道信息；所述路侧单元用于将所述引导车道信息转发至网联车。
第四方面，本发明实施例还提供了一种车道选择的引导设备，该设备包括：
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明实施例任一所述的车道选择的引导方法。
第五方面，本发明实施例还提供了一种车道选择的引导存储介质，其上存储有计算机程序，该程序被处理装置执行时实现如本发明实施例任一所述的车道选择的引导方法。
本发明实施例首先获取车道口处的交通数据，车道口包括至少两条车道；然后对交通数据进行预处理，构建各车道的车道特征向量；再将车道特征向量分别输入神经网络模型，获取各车道的通行时间；再比较同方向车道通行时间的大小，将各方向通行时间最短的车道确定为该方向的引导车道；最后将各方向的引导车道信息提供至车道口处的车辆。本发明实施例提供的车道选择的引导方法，通过采集车道口处的交通数据，利用神经网络模型对同一时刻各车道的通行时间进行预测，通过比较大小确定同一时刻相同方向的车道中通行时间最短的车道，引导车辆选择最佳车道，达到了提升车道口车辆通行效率的效果。
附图说明
图1是本发明实施例一中的一种车道选择的引导方法流程图；
图2是本发明实施例一中的一种车道口渠化情况示意图；
图3是本发明实施例一中的一种引导车道信息显示示意图；
图4是本发明实施例一中的一种车道选择的引导算法流程图；
图5是本发明实施例二中的一种神经网络模型的训练方法流程图；
图6是本发明实施例二中的一种神经网络结构图；
图7是本发明实施例二中的一种神经网络模型训练过程图；
图8是本发明实施例三中的一种车道选择的引导装置结构示意图；
图9是本发明实施例四中的一种车道选择的引导系统框图；
图10是本发明实施例四中的一种车道选择的引导系统跨设备功能流程图；
图11是本发明实施例四中的一种车道选择的引导系统部署示意图；
图12是本发明实施例五中的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种车道选择的引导方法流程图，本实施例可适用于在车辆通过多车道路口时引导车辆选择最快通行的车道的情况，该方法可以由车道选择的引导装置来执行，该装置可由硬件和/或软件组成，并一般可集成在具有车道选择的引导功能的设备中，该设备可以是服务器或服务器集群等电子设备。如图1所示，具体包括如下步骤：
步骤110、获取车道口处的交通数据。
可选的，车道口可以是道路的一端或道路中出现交叉、汇合的位置，例如道路的十字路口或丁字路口等。其中，车道口包括至少两条同方向车道。交通数据可以是车道口处的车辆与道路数据，例如车辆的类型、数量、位置以及车道的方向与划分情况等。
可选的，影响车道口车辆通行时间的因素主要包括：1、排队车辆数，此项因素可由检测相机数据获取。2、车辆起步时间，车辆起步时间与车辆的类型有关，相对来说，新能源车辆的起步时间往往会短于燃油车辆，小型车辆的起步时间往往会小于大型车辆，网联车由于可提供驾驶辅助等应用，如红灯倒计时提醒等，可认为网联车的起步时间低于普通非网联车辆。3、车道功能划分，一般来说，单方向车道与多方向共用车道的通行时间也不相同，其中，多用方向车道的通行时间又可能会因为多方向的组合不同而不同，例如直左车道与直右车道的通行时间不同。4、各车道是否发生特殊交通事件。综合考虑上述因素，可以对所需的车道口交通数据进行采集。
在本实施例中，获取车道口处的交通数据的方式可以是：获取检测相机采集的车道口数据；获取路侧单元接收的车道口处的第一车辆数据；车辆数据包括车辆类型以及类型对应的数量。可选的，由于不同大小的车辆起步时间与行驶速度不同，故可以按照车辆大小将车辆类型分为大型车辆和小型车辆。
其中，检测相机可以是采集车道口图像或视频的设备，路侧单元(Road SideUnit，RSU)是安装在路侧可以与车载单元(On Board Unit，OBU)进行通讯的设备。车道口数据可以是利用检测相机获取的包含车道口车辆与车道情况的视频，第一车辆数据可以是RSU与网联车上的OBU进行通讯获得的车道口处网联车的类型及类型对应的数量。
可选的，可以在车道口安装检测相机与RSU，利用检测相机拍摄车道口视频，对视频进行处理可以获得车道口的车道划分情况以及各车道的方向，还可以获得车道口处的车辆类型及各类型的数量，还可以获得各车道上发生的事故、加塞、施工等事件；RSU可以通过车用无线通信技术(vehicle to everything，V2X)与网联车进行通讯，网联车实时将数据上传至数据处理端，通过对比车辆数据中的位置字段与路网数据，筛选出在视频检测范围内的网联车，获取当前车道口处的各类型网联车的类型与对应的数量。
可选的，网联车类型可以分为V2X大型车辆、V2X小型车辆和V2X新能源车辆，各类型车辆的代表符号如表1所示，其中新能源车辆默认均为小型车辆。
表1 V2X车辆数据列表
序号 符号 数据说明
1 VL V2X大型车辆数量
2 VS V2X小型车辆数量
3 VG V2X新能源车辆数量
步骤120、对交通数据进行预处理，构建各车道的车道特征向量。
可选的，获取车道口处的交通数据之后，可以将获取的数据进行筛选提取等处理，并按照车道进行划分，对每个车道分别构建相应的特征向量。
在本实施例中，对交通数据进行预处理，构建各车道的车道特征向量的方式可以是：根据车道口数据确定车道渠化数据、第二车辆数据及交通事件数据；其中，第二车辆数据包括所述第一车辆数据；根据第一车辆数据、车道渠化数据、第二车辆类型数据、交通事件数据构建各车道的车道特征向量。
其中，车道渠化数据可以表示车道口处车道的划分情况，例如车道数量及各车道的方向等；第二车辆数据可以是通过检测相机获取的车道口数据提取的车道口的车辆类型及各类型车辆的数量，其中，由于检测相机不能分辨网联车与非网联车，故第二车辆数据是包含第一车辆数据的车道口检测范围内所有车辆的类型与数量数据；交通事件数据可以是车道口发生的可能对车辆通过该车道口的通行时间产生影响的事件，例如车辆加塞、道路施工和交通事故等。
具体的，可以对车道口数据进行图像识别，从视频中提取车道渠化数据、第二车辆数据及交通事件数据。可选的，可以利用图像识别技术，提取车道口的渠化数据，将各进口的同一方向的车道进行归类，如表2所示，车道方向分为单方向、可直行也可左转及可直行也可右转三类，用X的取值代表车道的方向。同样，第二车辆数据及交通事件数据也可以通过图像识别的方法进行提取，如表3所示，将车辆类型分为小型车辆、大型车辆、绿牌(新能源)和蓝牌(非新能源)车辆，交通事件可以包括交通事故、道路施工、异物占道等情况，若有特殊交通事件发生，则J取1，若否，则取0。
表2车道类型标记列表
序号 X取值 数据说明
1 0 单方向车道
2 1 直左车道
3 2 直右车道
表3车道口车辆及交通事件数据列表
序号 数据符号 数据说明
1 S 小型车辆数量
2 L 大型车辆数量
3 G 绿牌(新能源)车辆数量
4 B 蓝牌(普通)车辆数量
5 J 发生特殊交通事件
将交通数据进行预处理得到车道渠化数据、第二车辆数据及交通事件数据后，可以根据这些数据及上一步骤中得到的第一车辆数据对每个车道分别构建相应的特征向量。特征向量的表达式如下：
Zi＝[v vg vs vl l g x J]，
其中，v表示本车道排队车辆数；vg表示V2X新能源车辆在本车道排队车辆的占比；vs表示V2X燃油车辆在本车道排队车辆的占比；vl表示V2X大型车辆在本车道排队车辆的占比；l表示普通大型车辆在本车道排队车辆的占比；g表示非V2X新能源车辆在本车道排队车辆的占比；x表示车道类型；J表示特殊交通事件情况；i代表车道编号，i＝1,2...n，n为车道总数。进一步地，使用神经网络进行通行时间预测时，Z1-Zn可以作为一组数据输入神经网络模型。
车道排队车辆数v的计算方式为：v＝S+PCE*L，其中PCE表示车辆换算系数。
V2X新能源车辆在本车道排队车辆的占比vg的计算方式为：vg＝VG/v，其中VG为本车道V2X新能源车辆数量。
V2X燃油车辆在本车道排队车辆的占比vs的计算方式为：vs＝VS/v，其中VS为本车道V2X小型车辆数量。
V2X大型车辆在本车道排队车辆的占比vl的计算方式为：vl＝VL/v，其中VL为本车道V2X大型车辆数量。
普通大型车辆在本车道排队车辆的占比l的计算方式为：l＝(L-VL)/v，其中L为本车道大型车辆总数量，VL为本车道V2X大型车辆数量。
非V2X新能源车辆在本车道排队车辆的占比g的计算方式为：g＝(G-VG)/v，其中G为绿牌(新能源)车辆总数量，VG为V2X新能源车辆数量。
可选的，获取车道口处的交通数据的方式还可以是：获取实时路侧单元接收的车道口处网联车行驶数据；对网联车行驶数据进行筛选与大数据分析，预测网联车的转向意图。相应的，对交通数据进行预处理，构建各车道的车道特征向量的方式还可以是：根据网联车的转向意图、第一车辆类型数据、车道渠化数据、第二车辆类型数据、交通事件数据构建各车道的车道特征向量。
具体的，对于渠化功能不单一即非单方向的车道，可以对该车道上的网联车的转向意图进行预测，可以通过RSU接收网联车的行驶数据，筛选出当前车道口网联车的历史数据，通过大数据分析网联车之前经过该车道口时是否转向，从而预测本次网联车的转向意图。可选的，还可以分析网联车的导航数据或转向灯数据，从而对其转向意图进行预测。相应的，构建各车道的车道特征向量时可以将网联车的转向意图也考虑在内。
可选的，对于渠化功能不单一即非单方向的车道，通过预测该车道上的网联车转向意图，可以计算待引导方向的网联车占本车道所有网联车的比例P，例如，若对直行方向的车辆进行车道选择引导，则可以计算将要直行的网联车占本车道上所有网联车的比例；对于渠化功能单一即单方向的车道，该比例值P默认为100％。相应的，可以构建如下特征向量：
Zi＝[v vg vs vl l g x J P]。
步骤130、将车道特征向量分别输入神经网络模型，获取各车道的通行时间。
其中，神经网络是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统，拥有强大的学习能力，能够通过大量数据训练，了解数据规律，不断优化模型参数，直至得到最优参数，利用神经网络的学习能力及自组织能力以及现有的车道口交通数据，训练模型参数，可以预测各车道的通行时间。
可选的，构建完成车道特征向量后，可以将每个车道对应的特征向量输入训练好的神经网络模型中，模型的输出即相应的通行时间。
步骤140、比较同方向车道通行时间的大小，将各方向通行时间最短的车道确定为该方向的引导车道。
获得每个车道的通行时间之后，可以根据车道的方向，比较相同方向各车道通行时间的大小，进而引导车辆选择通行方向最短的车道。
图2是本发明实施例一提供的一种车道口渠化情况示意图，如图所示，该车道口包括四条车道，其中有两条单向车道、一条直左车道和一条直右车道，由于左转和右转都只有一条对应车道，无需进行引导，只需对直行方向的车道选择进行引导。直行方向有四条车道可以选择，可以构建特征向量如下：
Z1＝[v vg vs vl l g 1 J]
Z2＝[v vg vs vl l g 0 J]
Z3＝[v vg vs vl l g 0 J]
Z4＝[v vg vs vl l g 2 J]，
在神经网络模型中分别输入上述四个特征向量，则可以得到四条车道的通行时间，进行比较大小后可以将通行时间最短的车道确定为直行引导车道。
步骤150、将各方向的引导车道信息提供至车道口处的车辆。
在本实施例中，将引导车道信息提供给车道口处车辆的方式可以是；将引导车道信息显示在显示屏上；显示屏设置于车道口处；将引导车道信息发送至路侧单元，使得路侧单元将引导车道信息转发至网联车。
可选的，可以在车道口处设置LED显示屏，将通行时间最短的车道显示在屏幕上，以便驾驶员查看；对于网联车，还可以利用路侧单元RSU将引导信息直接发送给网联车。
图3是本发明实施例一提供的一种引导车道信息显示示意图，如图所示，由于LED显示屏与传统车道指示牌强相关，故可以复用原路口交通设备配套设施，在传统车道指示牌下方设置显示屏且令引导车道信息与传统车道指示牌融为一体，从而呈现给经过车辆最好的使用体验。显示屏可以存在以下设计特性：采用太阳能供电，考虑到传统车道指示牌支撑杆一般没有供电条件，从其他地方引线会增加安装难度及部署成本；配置移动通信模块，考虑到无线网络的便利性，不用在安装位置额外布线施工；支持车道自由设置，考虑到不同路口的车道数不尽相同，自由设置车道可最大化适配各种路口场景。
图4是本发明实施例一提供的一种车道选择的引导算法流程图，如图所示，主要有原始数据输入、数据预处理、预测模型构建和结果输出四个步骤。其中原始数据输入主要有路口检测相机数据和V2X车辆数据等；数据的预处理是指，通过对原始数据的预处理，进一步提取数据的特征，同时作为神经网络模型的输入部分；预测模型的构建是基于神经网络技术，构建模型并以大量的样本对该模型进行训练，使之得到最优的模型结构，提高输出结果的准确率；最后，根据输出的结果，发布相应的引导措施。
本发明实施例首先获取车道口处的交通数据，车道口包括至少两条同方向车道；然后对交通数据进行预处理，构建各车道的车道特征向量；再将车道特征向量分别输入神经网络模型，获取各车道的通行时间；再比较同方向车道通行时间的大小，将各方向通行时间最短的车道确定为该方向的引导车道；最后将各方向的引导车道信息提供至车道口处的车辆。本发明实施例提供的车道选择的引导方法，通过采集车道口处的交通数据，利用神经网络模型对同一时刻各车道的通行时间进行预测，通过比较大小确定同一时刻相同方向的车道中通行时间最短的车道，引导车辆选择最佳车道，达到了提升车道口车辆通行效率的效果。
实施例二
图5是本发明实施例二中的一种神经网络模型的训练方法流程图，本实施例可适用于对神经网络模型进行训练的情况。如图5所示，具体包括如下步骤：
步骤131、获取车道口处的历史数据，将历史数据划分为训练集和验证集。
其中，历史数据可以是用于神经网络模型训练和验证的历史交通数据和实际通行时间。训练集可以用于模型的训练，训练完成后的模型可以用验证集验证模型的准确性，可选的，取80％的数据作为训练集用于训练模型，剩余20％数据作为验证集验证模型。。
图6是本发明实施例二提供的一种神经网络结构图，如图6所示，神经网络的结构包含输入层、隐含层及输出层，输入层与输出层各为1层，隐含层可取多层。在本实施例中，可以选用3层BP神经网络结构，对包含同一方向的多车道的通行时间进行预测，并选出预计通行时间最短的车道。此神经网络的输入层为包含同方向的全部车道的特征向量，输出层为通行时间，隐含层的神经元通过训练得出的训练次数与训练误差进行调整。
步骤132、基于历史交通数据提取训练集的第一特征向量，将第一特征向量输入待训练神经网络模型，获取预测通行时间。
其中，第一特征向量为根据训练集中的历史交通数据提取的各车道特征向量，预测通行时间为待训练神经网络模型对第一特征向量进行计算得到的通行时间。
可选的，获得训练集和验证集后，利用训练集提取特征向量Zi＝[v vg vs vl l gx J]并输入待训练神经网络模型中，获得预测通行时间。
在本实施例中，获取车道口处的历史数据，将历史数据划分为训练集和验证集的方式可以是：获取历史数据包含的时间段信息和道路方向信息；基于时间段信息和/或道路方向信息对历史数据进行类别划分，获得至少两个类别数据；将至少两个类别数据分别划分为训练集和验证集。相应的，将第一特征向量输入待训练神经网络模型的方式可以是：将第一特征向量输入历史数据的类别对应的待训练神经网络模型。
可选的，在制作训练集与验证集时，可以将历史数据按照时间和车道方向进行划分。例如，可以根据时间划分为早高峰、晚高峰及平峰时期三类，根据车道方向划分为直行、左转及右转三类，即一共可以获得九个类别的数据：直行方向早高峰SZ1、直行方向晚高峰SZ2、直行方向平峰SZ3、左转方向早高峰SL1、左转方向晚高峰SL2、左转方向平峰SL3、右转方向早高峰SR1、右转方向晚高峰SR2、右转方向平峰SR3。进一步地，对历史数据的划分还可以根据时间段信息划分为工作日与周末，对工作日的数据可以进一步划分为早高峰、晚高峰及平峰时期三类，而周末的数据不需要进一步划分。可以理解的，数据划分并非只有一种方式，以上均为某种优选的实施方案。在实际应用中，还可以参照现有的道路渠化情况进行历史数据的划分，若某方向只有一条对应车道，则无需进行车辆引导，即无需制作该方向的数据集。
进一步地，可以建立与数据类别对应的神经网络模型：直行方向早高峰MZ1、直行方向晚高峰MZ2、直行方向平峰MZ3、左转方向早高峰ML1、左转方向晚高峰ML2、左转方向平峰ML3、右转方向早高峰MR1、右转方向晚高峰MR2、右转方向平峰MR3，在模型训练时可以将特征向量输入对应的神经网络模型中以获得预测通行时间。若此时为平峰时期，需预测直行方向的某车道的通行时间，为保留车道间潜在的空间联系，可以将该方向车道的特征向量作为一组，在模型MZ3中输入这组特征向量Zi，得到预测时间Ti。
步骤133、计算预测通行时间和实际通行时间的误差。
可选的，获得预测通行时间后，可以根据历史数据中的实际通行时间计算预测结果与真实值之间的误差，再根据误差对模型参数进行调整。
步骤134、基于误差调整待训练神经网络模型参数，返回执行将第一特征向量输入待训练神经网络模型的操作，直到误差在设定阈值内，获得训练好的神经网络模型。
具体的，根据得到的误差可以对神经网络模型的参数进行调整，再返回执行将第一特征向量输入待训练神经网络模型的操作，再根据误差进行调整，直到误差满足精度要求，然后可以得到训练好的神经网络模型。
步骤135、提取验证集的第二特征向量，将第二特征向量输入训练好的神经网络模型，获取预测正确率。
训练好后，为了评估模型的性能，可以利用验证集计算神经网络模型的预测正确率。可以将根据验证集提取的特征向量输入训练后的模型，获得预测通行时间T测，已知实际通行时间T实，则预测正确率的计算公式为：
Figure BDA0002995140350000191
平均预测正确率的计算公式为：
Figure BDA0002995140350000192
其中m为预测次数。
图7是本发明实施例二提供的一种神经网络模型训练过程图，如图所示，神经网络拥有强大的学习能力，能够通过大量数据训练，了解数据规律，不断优化模型参数，直至得到最优参数，利用神经网络的学习能力及自组织能力以及历史数据，训练模型参数，以此预测各车道的通行时间，从而发布合理的车道引导方案。
本发明实施例首先获取车道口处的历史数据，将历史数据划分为训练集和验证集，然后基于历史交通数据提取训练集的第一特征向量，将第一特征向量输入待训练神经网络模型，获取预测通行时间，再计算预测通行时间和实际通行时间的误差，再基于误差调整待训练神经网络模型参数，返回执行将第一特征向量输入待训练神经网络模型的操作，直到误差在设定阈值内，获得训练好的神经网络模型，最后提取验证集的第二特征向量，将第二特征向量输入训练好的神经网络模型，获取预测正确率。本发明实施例提供的神经网络模型的训练方法，通过大量数据训练，了解数据规律，不断优化模型参数，直至得到最优参数，获得满足精度要求的神经网络模型。
实施例三
图8为本发明实施例三提供的一种车道选择的引导装置结构示意图。如图8所示，该装置包括：交通数据获取模块210，车道特征向量构建模块220，通行时间获取模块230，引导车道确定模块240，引导车道信息提供模块250。
交通数据获取模块210，用于获取车道口处的交通数据，车道口包括至少两条车道。
可选的，交通数据获取模块210还用于：
获取检测相机采集的车道口数据；获取路侧单元接收的车道口处的第一车辆数据；车辆数据包括车辆类型以及类型对应的数量。
车道特征向量构建模块220，用于对交通数据进行预处理，构建各车道的车道特征向量。
可选的，车道特征向量构建模块220还用于：
根据车道口数据确定车道渠化数据、第二车辆数据及交通事件数据；其中，第二车辆数据包括所述第一车辆数据；根据第一车辆数据、车道渠化数据、第二车辆类型数据、交通事件数据构建各车道的车道特征向量。
可选的，交通数据获取模块210还用于：
获取实时路侧单元接收的车道口处网联车行驶数据；对网联车行驶数据进行筛选与大数据分析，预测网联车的转向意图。
相应的，车道特征向量构建模块220用于：
根据网联车的转向意图、第一车辆类型数据、车道渠化数据、第二车辆类型数据、交通事件数据构建各车道的车道特征向量。
通行时间获取模块230，用于将车道特征向量分别输入神经网络模型，获取各车道的通行时间。
引导车道确定模块240，用于比较同方向车道通行时间的大小，将各方向通行时间最短的车道确定为该方向的引导车道。
引导车道信息提供模块250，用于将各方向的引导车道信息提供至车道口处的车辆。
可选的，引导车道信息提供模块250还用于：
将引导车道信息显示在显示屏上；显示屏设置于车道口处；将引导车道信息发送至路侧单元，使得路侧单元将引导车道信息转发至网联车。
可选的，车道选择的引导装置还包括神经网络模型训练模块，用于：
获取车道口处的历史数据，将历史数据划分为训练集和验证集，历史数据包括历史交通数据和实际通行时间；基于历史交通数据提取训练集的第一特征向量，将第一特征向量输入待训练神经网络模型，获取预测通行时间；计算预测通行时间和实际通行时间的误差；基于误差调整待训练神经网络模型参数，返回执行将第一特征向量输入待训练神经网络模型的操作，直到误差在设定阈值内，获得训练好的神经网络模型；提取验证集的第二特征向量，将第二特征向量输入训练好的神经网络模型，获取预测正确率。
可选的，神经网络模型训练模块还用于：
获取历史数据包含的时间段信息和道路方向信息；基于时间段信息和/或道路方向信息对历史数据进行类别划分，获得至少两个类别数据；将至少两个类别数据分别划分为训练集和验证集。
相应的，将第一特征向量输入待训练神经网络模型，包括：
将第一特征向量输入历史数据的类别对应的待训练神经网络模型。
上述装置可执行本公开前述所有实施例所提供的方法，具备执行上述方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本公开前述所有实施例所提供的方法。
实施例四
图9为本发明实施例四提供的一种车道选择的引导系统框图，如图所示，该系统包括感知层、计算层和应用层。
感知层包括摄像头和路侧单元；摄像头用于采集车道口数据；路侧元用于接收网联车发送的第一车辆数据；感知层将车道口数据和第一车辆数据发送给计算层进行计算。
计算层包括边缘云；边缘云用于对感知层采集的车道口数据和第一车辆数据进行融合计算，并将计算出的引导车道信息发送给应用层。
应用层包括显示屏和路侧单元；显示屏用于显示引导车道信息；路侧单元用于将引导车道信息转发至网联车。
图10是本发明实施例四提供的一种车道选择的引导系统跨设备功能流程图，如图所示，系统的功能实现可大致可以分为信息采集、融合计算、引导选择三个阶段，其中信息采集又可分为视频感知和网联车信息采集获取阶段。可选的，在信息采集阶段，检测相机采集并转发车道口车辆视频数据，RSU接收并转发车道口网联车行驶数据；在融合计算阶段，边缘云对检测相机和RSU采集的数据进行分析计算，筛选出个方向最快通行车道；在引导选择阶段通过LED显示屏显示车道引导信息以及通过RSU将车道引导信息转发给网联车。
基于以上功能流程，可以将系统进行功能模块划分，划分情况如表4所示：
表4系统功能模块划分
Figure BDA0002995140350000231
Figure BDA0002995140350000241
其中，系统的核心功能包括：
1、预测网联车转向意图
可以基于V2X车路协同技术，接收车道口的网联车行驶信息(包含车道级定位及转向角)，通过历史大数据累计对网联车在路口的转向意图进行预测，当该车再次行驶至路口时即可根据转向意图计算更为精准的车道通行时间。
2、分析各车道车型数量及交通事件
可以按车道进行提取视频数据，基于提取的数据进行车辆/事件目标识别及转化为特征数据，数据结果匹配服务器端车型/事件特征库，由此识别出车道中不同车型数量及交通事件类型。
3、边缘融合计算
计算参考因素包括车道中其他通行方向的车辆数(起步时长、行驶速度等均不同)、车道中不同车型数量(起步时长、行驶速度等均不同)、车道平均速度、车道级交通事件(事故/故障、加塞等)、车道常规延误时间、当前时间、其他浮动因素等。
图11是本发明实施例四提供的一种车道选择的引导系统部署示意图，如图所示，由于检测相机需要采集排队车辆的整体情况进一步分析，所以检测相机的最佳部署位置应处于车道前上方，便于观测车道整体情况，RSU和边缘云则采用常规抱杆式安装，考虑到设备供电，可以复用原路口交通设备配套设施。LED显示屏因其与传统车道指示牌强相关，故最佳部署位置应在传统车道指示牌下方且引导内容需与传统车道指示牌融为一体。
可选的，基于LED显示屏安装位置的特殊性，因此显示屏可能存在以下设计特性：采用太阳能供电，考虑到传统车道指示牌支撑杆一般没有供电条件，从其他地方引线会增加安装难度及部署成本；配置移动通信模块，考虑到无线网络的便利性，不用在安装位置额外布线施工；支持车道自由设置，考虑到不同路口的车道数不尽相同，自由设置车道可最大化适配各种路口场景。系统内除LED显示屏外其他设备间可以通过汇聚交换机自组以太网实现信息通信，LED显示屏信息传输采用移动蜂窝网络，系统整体时延＜3s，由于车辆行驶至车道口时速度均相对较慢，故3s时延基本能满足车道口处的车道选择诱导场景。
本发明实施例提供的车道选择的引导系统，通过在路口处加装检测相机、RSU路侧单元、边缘云计算单元及LED显示屏等设备并集成一体化，通过对各项数据的高效联动计算以实现路口空间资源的合理分配，从而形成路口车辆的最优车道选择策略。
实施例五
图12为本发明实施例五提供的一种计算机设备的结构示意图。图12示出了适于用来实现本发明实施方式的计算机设备312的框图。图12显示的计算机设备312仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。设备312是典型的车道选择的引导计算设备。
如图12所示，计算机设备312以通用计算设备的形式表现。计算机设备312的组件可以包括但不限于：一个或者多个处理器316，存储装置328，连接不同系统组件(包括存储装置328和处理器316)的总线318。
总线318表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture，ISA)总线，微通道体系结构(Micro Channel Architecture，MCA)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及外围组件互连(Peripheral Component Interconnect，PCI)总线。
计算机设备312典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备312访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储装置328可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory，RAM)330和/或高速缓存存储器332。计算机设备312可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统334可以用于读写不可移动的、非易失性磁介质(图12未显示，通常称为“硬盘驱动器”)。尽管图12中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如只读光盘(Compact Disc-Read Only Memory，CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线318相连。存储装置328可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块326的程序336，可以存储在例如存储装置328中，这样的程序模块326包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块326通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备312也可以与一个或多个外部设备314(例如键盘、指向设备、摄像头、显示器324等)通信，还可与一个或者多个使得用户能与该计算机设备312交互的设备通信，和/或与使得该计算机设备312能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口322进行。并且，计算机设备312还可以通过网络适配器320与一个或者多个网络(例如局域网(Local AreaNetwork，LAN)，广域网Wide Area Network，WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器320通过总线318与计算机设备312的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备312使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of IndependentDisks，RAID)系统、磁带驱动器以及数据备份存储系统等。
处理器316通过运行存储在存储装置328中的程序，从而执行各种功能应用以及数据处理，例如实现本发明上述实施例所提供的车道选择的引导方法。
实施例六
本发明实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该程序被处理装置执行时实现如本发明实施例中的车道选择的引导方法。本发明上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取车道口处的交通数据，车道口包括至少两条车道；对交通数据进行预处理，构建各车道的车道特征向量；将车道特征向量分别输入神经网络模型，获取各车道的通行时间；比较同方向车道通行时间的大小，将各方向通行时间最短的车道确定为该方向的引导车道；将各方向的引导车道信息提供至车道口处的车辆。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络连接到用户计算机，包括局域网(LAN)或广域网(WAN)，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (11)

1.一种车道选择的引导方法，其特征在于，包括：
获取车道口处的交通数据，所述车道口包括至少两条同方向车道；
对所述交通数据进行预处理，构建各车道的车道特征向量；
将所述车道特征向量分别输入神经网络模型，获取各车道的通行时间；
比较同方向车道所述通行时间的大小，将各方向所述通行时间最短的车道确定为该方向的引导车道；
将各方向的所述引导车道信息提供至所述车道口处的车辆。
2.根据权利要求1所述的方法，其特征在于，所述获取车道口处的交通数据，包括：
获取检测相机采集的车道口数据；
获取路侧单元接收的车道口处的第一车辆数据；所述车辆数据包括车辆类型以及类型对应的数量。
3.根据权利要求2所述的方法，其特征在于，所述对所述交通数据进行预处理，构建各车道的车道特征向量，包括：
根据所述车道口数据确定车道渠化数据、第二车辆数据及交通事件数据；其中，第二车辆数据包括所述第一车辆数据；
根据所述第一车辆数据、车道渠化数据、第二车辆类型数据、交通事件数据构建各车道的车道特征向量。
4.根据权利要求3所述的方法，其特征在于，所述获取车道口处的交通数据，还包括：
获取实时路侧单元接收的车道口处网联车行驶数据；
对所述网联车行驶数据进行筛选与大数据分析，预测网联车的转向意图；相应的，对所述交通数据进行预处理，构建各车道的车道特征向量，还包括：
根据所述网联车的转向意图、第一车辆类型数据、车道渠化数据、第二车辆类型数据、交通事件数据构建各车道的车道特征向量。
5.根据权利要求1所述的方法，其特征在于，所述神经网络模型的训练方式为：
获取车道口处的历史数据，将所述历史数据划分为训练集和验证集，所述历史数据包括历史交通数据和实际通行时间；
基于所述历史交通数据提取所述训练集的第一特征向量，将所述第一特征向量输入待训练神经网络模型，获取预测通行时间；
计算所述预测通行时间和所述实际通行时间的误差；
基于所述误差调整所述待训练神经网络模型参数，返回执行将所述第一特征向量输入待训练神经网络模型的操作，直到所述误差在设定阈值内，获得训练好的神经网络模型；
基于所述历史交通数据提取所述验证集的第二特征向量，将所述第二特征向量输入所述训练好的神经网络模型，获取预测正确率。
6.根据权利要求5所述的方法，其特征在于，所述获取车道口处的历史数据，将所述历史数据划分为训练集和验证集，包括：
获取所述历史数据包含的时间段信息和道路方向信息；
基于所述时间段信息和/或道路方向信息对所述历史数据进行类别划分，获得至少两个类别数据库；
将所述至少两个类别数据分别划分为训练集和验证集；
相应的，将所述第一特征向量输入待训练神经网络模型，包括：
将所述第一特征向量输入所述历史数据的类别对应的待训练神经网络模型。
7.根据权利要求1所述的方法，其特征在于，将所述引导车道信息提供给车道口处车辆，包括；
将所述引导车道信息显示在显示屏上；所述显示屏设置于所述车道口处；
将所述引导车道信息发送至路侧单元，使得所述路侧单元将所述引导车道信息转发至网联车。
8.一种车道选择的引导装置，其特征在于，包括：
交通数据获取模块，用于获取车道口处的交通数据，所述车道口包括至少两条同方向车道；
车道特征向量构建模块，用于对所述交通数据进行预处理，构建各车道的车道特征向量；
通行时间获取模块，用于将所述车道特征向量分别输入神经网络模型，获取各车道的通行时间；
引导车道确定模块，用于比较同方向车道所述通行时间的大小，将各方向所述通行时间最短的车道确定为该方向的引导车道；
引导车道信息提供模块，用于将各方向的所述引导车道信息提供至所述车道口处的车辆。
9.一种车道选择的引导系统，其特征在于，包括：感知层、计算层和应用层；
所述感知层包括摄像头和路侧单元；所述摄像头用于采集车道口数据；所述路侧元用于接收网联车发送的第一车辆数据；所述感知层将所述车道口数据和第一车辆数据发送给计算层进行计算；
所述计算层包括边缘云；所述边缘云用于对所述感知层采集的所述车道口数据和第一车辆数据进行融合计算，并将计算出的引导车道信息发送给应用层；
所述应用层包括显示屏和路侧单元；所述显示屏用于显示所述引导车道信息；所述路侧单元用于将所述引导车道信息转发至网联车。
10.一种计算机设备，其特征在于，所述设备包括：包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1-7任一所述的车道选择的引导方法。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现如权利要求1-7中任一所述的车道选择的引导方法。
CN202110327329.9A 2021-03-26 2021-03-26 一种车道选择的引导方法、装置、系统、设备及存储介质 Active CN113077626B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110327329.9A CN113077626B (zh) 2021-03-26 2021-03-26 一种车道选择的引导方法、装置、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110327329.9A CN113077626B (zh) 2021-03-26 2021-03-26 一种车道选择的引导方法、装置、系统、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113077626A true CN113077626A (zh) 2021-07-06
CN113077626B CN113077626B (zh) 2022-08-05

Family

ID=76610798

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110327329.9A Active CN113077626B (zh) 2021-03-26 2021-03-26 一种车道选择的引导方法、装置、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113077626B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114394104A (zh) * 2022-01-28 2022-04-26 支付宝(杭州)信息技术有限公司 一种行车辅助方法、系统、装置以及设备
CN115083190A (zh) * 2022-06-17 2022-09-20 东风汽车集团股份有限公司 多车道交通路口的自动驾驶系统及方法
CN115547054A (zh) * 2022-11-29 2022-12-30 湖南工商大学 一种基于大数据的交通引导系统
CN115662145A (zh) * 2022-12-26 2023-01-31 广东汇通信息科技股份有限公司 一种基于大数据的事故路段车辆应急分流方法
CN115713866A (zh) * 2022-10-11 2023-02-24 悉地（苏州）勘察设计顾问有限公司 一种基于车辆运行特征的道路静态信息主动服务方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101750069A (zh) * 2008-11-28 2010-06-23 阿尔派株式会社 导航装置及导航装置的限制信息提示方法
CN106373415A (zh) * 2016-10-20 2017-02-01 深圳市元征科技股份有限公司 车道导向方法及装置
DE102016119486A1 (de) * 2015-10-27 2017-04-27 Gm Global Technology Operations, Llc Verfahren zur verbesserung der leistung von abbiegeassistenten an kreuzungen bei automobilen
US9672734B1 (en) * 2016-04-08 2017-06-06 Sivalogeswaran Ratnasingam Traffic aware lane determination for human driver and autonomous vehicle driving system
WO2019048683A1 (de) * 2017-09-11 2019-03-14 Knorr-Bremse Systeme für Schienenfahrzeuge GmbH Verfahren und einrichtung zur ausgabe eines kollisionswarnsignals an die umgebung einer mittelspurgeführten strassenbahn
US20190193737A1 (en) * 2017-12-21 2019-06-27 Denso International America, Inc. System For Autonomous Lane Merging
US10495480B1 (en) * 2016-08-18 2019-12-03 Apple Inc. Automated travel lane recommendation
US20200079380A1 (en) * 2019-08-16 2020-03-12 Lg Electronics Inc. Apparatus and method for changing lane of autonomous vehicle
US20200208998A1 (en) * 2018-12-26 2020-07-02 Didi Research America, Llc Systems and methods for safe route planning for a vehicle
CN112382054A (zh) * 2020-11-11 2021-02-19 大连理工大学 一种基于车路协同的汽车驾驶预警提示系统及方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101750069A (zh) * 2008-11-28 2010-06-23 阿尔派株式会社 导航装置及导航装置的限制信息提示方法
DE102016119486A1 (de) * 2015-10-27 2017-04-27 Gm Global Technology Operations, Llc Verfahren zur verbesserung der leistung von abbiegeassistenten an kreuzungen bei automobilen
US9672734B1 (en) * 2016-04-08 2017-06-06 Sivalogeswaran Ratnasingam Traffic aware lane determination for human driver and autonomous vehicle driving system
US10495480B1 (en) * 2016-08-18 2019-12-03 Apple Inc. Automated travel lane recommendation
CN106373415A (zh) * 2016-10-20 2017-02-01 深圳市元征科技股份有限公司 车道导向方法及装置
WO2019048683A1 (de) * 2017-09-11 2019-03-14 Knorr-Bremse Systeme für Schienenfahrzeuge GmbH Verfahren und einrichtung zur ausgabe eines kollisionswarnsignals an die umgebung einer mittelspurgeführten strassenbahn
US20190193737A1 (en) * 2017-12-21 2019-06-27 Denso International America, Inc. System For Autonomous Lane Merging
US20200208998A1 (en) * 2018-12-26 2020-07-02 Didi Research America, Llc Systems and methods for safe route planning for a vehicle
US20200079380A1 (en) * 2019-08-16 2020-03-12 Lg Electronics Inc. Apparatus and method for changing lane of autonomous vehicle
CN112382054A (zh) * 2020-11-11 2021-02-19 大连理工大学 一种基于车路协同的汽车驾驶预警提示系统及方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114394104A (zh) * 2022-01-28 2022-04-26 支付宝(杭州)信息技术有限公司 一种行车辅助方法、系统、装置以及设备
CN114394104B (zh) * 2022-01-28 2024-03-22 支付宝(杭州)信息技术有限公司 一种行车辅助方法、系统、装置以及设备
CN115083190A (zh) * 2022-06-17 2022-09-20 东风汽车集团股份有限公司 多车道交通路口的自动驾驶系统及方法
CN115083190B (zh) * 2022-06-17 2023-04-25 东风汽车集团股份有限公司 多车道交通路口的自动驾驶系统及方法
CN115713866A (zh) * 2022-10-11 2023-02-24 悉地（苏州）勘察设计顾问有限公司 一种基于车辆运行特征的道路静态信息主动服务方法
CN115713866B (zh) * 2022-10-11 2023-08-22 悉地（苏州）勘察设计顾问有限公司 一种基于车辆运行特征的道路静态信息主动服务方法
CN115547054A (zh) * 2022-11-29 2022-12-30 湖南工商大学 一种基于大数据的交通引导系统
CN115662145A (zh) * 2022-12-26 2023-01-31 广东汇通信息科技股份有限公司 一种基于大数据的事故路段车辆应急分流方法
CN115662145B (zh) * 2022-12-26 2023-03-10 广东汇通信息科技股份有限公司 一种基于大数据的事故路段车辆应急分流方法

Also Published As

Publication number Publication date
CN113077626B (zh) 2022-08-05

Similar Documents

Publication Publication Date Title
CN113077626B (zh) 一种车道选择的引导方法、装置、系统、设备及存储介质
WO2021249071A1 (zh) 一种车道线的检测方法及相关设备
CN109544932B (zh) 一种基于出租车gps数据与卡口数据融合的城市路网流量估计方法
CN109191830B (zh) 一种基于视频图像处理的道路拥堵检测方法
WO2020082284A1 (zh) 一种路口是否存在目标道路设施的判断方法及系统
WO2019047905A1 (zh) 一种交通路况分析系统、方法以及装置
CN108648451B (zh) 一种交通数据处理设备和交通态势管理系统
CN108389421B (zh) 基于图像再识别的停车场精确诱导系统及方法
WO2021135879A1 (zh) 监控车辆数据方法、装置、计算机设备及存储介质
CN108021858A (zh) 移动客体识别方法及客体流量分析方法
CN111862632A (zh) 一种智能交通信号灯防拥堵的方法及装置
US11798408B2 (en) Green wave speed determination method, electronic device and storage medium
WO2021082464A1 (zh) 预测车辆的目的地的方法和装置
CN111898491B (zh) 一种车辆逆向行驶的识别方法、装置及电子设备
CN113276874B (zh) 一种车辆行驶轨迹处理方法及相关装置
KR20230012953A (ko) 운전 가능 표면 주석 달기를 위한 머신 러닝 기반 프레임워크
CN112037511A (zh) 一种单交叉口信号配时失衡状态的识别方法
CN112767683A (zh) 一种基于反馈机制的路径诱导方法
Patil Applications of deep learning in traffic management: A review
JP6936192B2 (ja) 渋滞状態特定方法、渋滞状態特定装置及びコンピュータプログラム
CN114360264A (zh) 一种基于交通流量进行调节的智慧城市交通管理方法
Nie et al. Crowd-parking: A new idea of parking guidance based on crowdsourcing of parking location information from automobiles
Kumar et al. Open-air Off-street Vehicle Parking Management System Using Deep Neural Networks: A Case Study
Elleuch et al. Towards an efficient traffic congestion prediction method based on neural networks and big GPS data
Hua et al. Optimizing phase compression for transit signal priority at isolated intersections

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