CN113095126B - 道路交通态势识别方法、系统和存储介质 - Google Patents

道路交通态势识别方法、系统和存储介质 Download PDF

Info

Publication number
CN113095126B
CN113095126B CN202110223414.0A CN202110223414A CN113095126B CN 113095126 B CN113095126 B CN 113095126B CN 202110223414 A CN202110223414 A CN 202110223414A CN 113095126 B CN113095126 B CN 113095126B
Authority
CN
China
Prior art keywords
population
wave
pedestrian
group
road
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
CN202110223414.0A
Other languages
English (en)
Other versions
CN113095126A (zh
Inventor
陈志军
熊盛光
吴超仲
黄珍
张晶明
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202110223414.0A priority Critical patent/CN113095126B/zh
Publication of CN113095126A publication Critical patent/CN113095126A/zh
Application granted granted Critical
Publication of CN113095126B publication Critical patent/CN113095126B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • 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
    • G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种道路交通态势识别方法、系统和存储介质，方法包括以下步骤：获取当前路段上若干个群体的道路交通信息；根据所述道路交通信息构建所述若干个群体的波动方程；对所述若干个群体的波动方程对应的波纹进行叠加，得到当前路段的路态波纹；采用循环神经网络建立所述路态波纹变化情况与交通态势变化情况的对应关系；根据所述对应关系确定所述当前路段的交通态势。本发明通过采用波动方程的波动纹理来分析交通态势，避免离散数据对分析结果的影响，以提高处理过程的精细化程度，从而提高交通态势判断结果的准确性。本发明可广泛应用于智能交通技术领域。

Description

道路交通态势识别方法、系统和存储介质
技术领域
本发明涉及智能交通技术领域，尤其是一种道路交通态势识别方法、系统和存储介质。
背景技术
随着智能交通体系不断完善和发展，在车路协同、人工智能等技术的不断推动下，新一代智能驾驶逐渐由单车智能向群体协同进行过度。据统计的自动驾驶测试报告中显示，由于对道路交通态势感知错漏导致的事故占事故总数的27％，严重影响着智能车的行驶可靠性。因此，需要对交通态势精准识别，用于感知前方交通情况，为智能网联车辆决策优化与调度管理提供参考依据。现有的道路交通态势识别方法大多根据历史数据对道路交通状态进行离散化划分，接着再根据划分的层次不同，提取每一层次具备的交通特性，然后通过对这些特性进行匹配分析，判断当前交通态势属于哪一层次，从而判断具备何特性。但实际上交通态势是连续变化的，用离散的特征匹配进行交通态势判断会使得交通态势判断结果与实际情况存在误差，或者会因为处理过程精细化程度不够导致交通态势判断结果不正确。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种道路交通态势识别方法、系统和存储介质，能够在一定程度上提高处理过程的精细化程度，从而提高交通态势判断结果的准确性。
根据本发明第一方面实施例的一种道路交通态势识别方法，包括以下步骤：
获取当前路段上若干个群体的道路交通信息；
根据所述道路交通信息构建所述若干个群体的波动方程；
对所述若干个群体的波动方程对应的波纹进行叠加，得到当前路段的路态波纹；
采用循环神经网络建立所述路态波纹变化情况与交通态势变化情况的对应关系；
根据所述对应关系确定所述当前路段的交通态势。
根据本发明实施例的一种道路交通态势识别方法，至少具有如下有益效果：
本实施通过根据获取的道路交通信息构建若干个群体的波动方程，接着对若干个群体的波动方程对应的波纹进行叠加，得到当前路段的路态波纹，然后采用循环神经网络建立路态波纹变化情况与交通态势变化情况的对应关系，并根据对应关系确定当前路段的交通态势，本实施例通过采用波动方程的波动纹理来分析交通态势，避免离散数据对分析结果的影响，以提高处理过程的精细化程度，从而提高交通态势判断结果的准确性。
根据本发明的一些实施例，所述若干个群体包括机动车群体、非机动车群体和行人群体；所述道路交通信息包括群体密度、群体速度和群体加速度。
根据本发明的一些实施例，所述道路交通信息通过设置于路侧杆件上的摄像头、激光雷达和毫米波雷达实时采集。
根据本发明的一些实施例，所述对所述若干个群体的波动方程对应的波纹进行叠加，得到当前路段的路态波纹，其具体为：
根据波的叠加原理，在相遇区域内，对机动车群体的波动方程、非机动车群体的波动方程和行人群体的波动方程进行求和，将求和结果作为当前路段的路态波纹。
根据本发明的一些实施例，在执行所述根据所述对应关系确定所述当前路段的交通态势这一步骤之前，还包括以下步骤：
获取循环神经网络的训练集；
构建循环神经网络模型；
对循环神经网络模型初始化；
对初始化后的循环神经网络模型分别进行正向传播训练和反向传播训练；
反复迭代；
当循环神经网络模型的预测值与真实值的平均误差小于预设值，训练结束。
根据本发明的一些实施例，所述正向传播训练过程，其具体包括：
将所述训练集输入所述循环神经网络模型，输出预测值；
根据预测值调整所述循环神经网络模型的参数。
根据本发明的一些实施例，所述反向传播训练过程，其具体包括：
将循环神经网络模型的损失函数作为优化目标，将循环神经网络模型的参数权重矩阵和偏置矩阵作为优化对象；
根据预测值与真实值的差值，采用梯度下降法对循环神经网络模型的参数进行优化。
根据本发明第二方面实施例的一种道路交通态势识别系统，包括：
获取模块，用于获取当前路段上若干个群体的道路交通信息；
构建模块，用于根据所述道路交通信息构建所述若干个群体的波动方程；
波纹叠加模块，用于对所述若干个群体的波动方程对应的波纹进行叠加，得到当前路段的路态波纹；
关系建立模块，用于采用循环神经网络建立所述路态波纹变化情况与交通态势变化情况的对应关系；
确定模块，用于根据所述对应关系确定所述当前路段的交通态势。
根据本发明第三方面实施例的一种道路交通态势识别系统，包括：
至少一个存储器，用于存储程序；
至少一个处理器，用于加载所述程序以执行第一方面实施例的道路交通态势识别方法。
根据本发明第四方面实施例的一种存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行第一方面实施例的道路交通态势识别方法。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
下面结合附图和实施例对本发明做进一步的说明，其中：
图1为本发明实施例的一种道路交通态势识别方法的流程图；
图2为一种实施例的交通态势感知示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，若干的含义是一个以上，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
本发明的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
参照图1，本发明实施例提供了一种道路交通态势识别方法，本实施例可应用于服务器，该服务器可包括若干个类型的处理端或者服务端的组合，例如路侧杆件上的边缘计算模块与远程计算终端的组合。
在实施过程中，本实施例包括以下步骤：
S11、获取当前路段上若干个群体的道路交通信息。在一些实施例中，若干个群体包括机动车群体、非机动车群体和行人群体。道路交通信息包括群体包括机动车群体密度
Figure BDA0002955755260000049
机动车群体速度
Figure BDA00029557552600000413
机动车群体加速度
Figure BDA00029557552600000412
非机动车群体密度
Figure BDA00029557552600000410
非机动车群体速度
Figure BDA00029557552600000411
非机动车群体加速度
Figure BDA00029557552600000414
行人群体密度
Figure BDA00029557552600000415
行人群体速度
Figure BDA00029557552600000416
和行人群体加速度
Figure BDA00029557552600000417
其可通过如图2所示的设置于路侧杆件上的摄像头、激光雷达和毫米波雷达实时采集。其中，如图2所示，在路侧杆件还设有边缘计算模块和通信模块，该通信模块用于实现边缘计算模块与远程计算终端和用户终端之间的交互。该路侧杆件固定在道路周围。具体地，摄像头、激光雷达和毫米波雷达均与边缘计算模块交互。摄像头可以为高清摄像头，用于识别道路交通主体类型。激光雷达用于识别道路交通主体位置与速度。毫米波雷达用于在恶劣环境下补充激光雷达与高清摄像头所实现的功能。
S12、根据道路交通信息构建若干个群体的波动方程。
具体地，构建如公式1所示的机动车群体M的三维波动方程：
Figure BDA0002955755260000041
Figure BDA0002955755260000042
为机动车群体M的三维波动值；x、y和z分别代表了纵向、横向和垂向三个方向；
Figure BDA0002955755260000043
为
Figure BDA0002955755260000044
在x方向的分量；
Figure BDA0002955755260000045
为
Figure BDA0002955755260000046
在y方向的分量；
Figure BDA0002955755260000047
为
Figure BDA0002955755260000048
在z方向的分量；αM是一个常数，其为机动车群体对应波动方程的波传播速率，如公式2所示，为一个复合函数，由机动车群体密度、机动车群体速度和机动车群体加速度共同决定；fM(x,y,z,t)为机动车群体的波动方程的修正因子，该因子可以看成是一个由x、y、z和t组成的函数。
Figure BDA0002955755260000051
公式2表示机动车群体的波的传播速率是由其密度、速度和加速度的复合函数所决定。该复合函数中含有的h1、g1、f1三个函数，f1函数的自变量为机动车群体密度、速度和加速度，g1函数的自变量为f1，h1函数的自变量为g1，因变量为机动车群体的波的传播速率。
构建如公式3所示的非机动车群体N的三维波动方程：
Figure BDA0002955755260000052
Figure BDA0002955755260000053
为非机动车群体N的三维波动值；x、y和z分别代表了纵向、横向和垂向三个方向；
Figure BDA0002955755260000054
为
Figure BDA0002955755260000055
在x方向的分量；
Figure BDA0002955755260000056
为
Figure BDA0002955755260000057
在y方向的分量；
Figure BDA0002955755260000058
为
Figure BDA0002955755260000059
在z方向的分量；αN是一个常数，其为非机动车群体对应波动方程的波传播速率，如公式4所示，为一个复合函数，由非机动车群体密度、非机动车群体速度和非机动车群体加速度共同决定；fN(x,y,z,t)为非机动车群体的波动方程的修正因子，该因子可以看成是一个由x、y、z和t组成的函数。
Figure BDA00029557552600000510
公式4表示非机动车群体的波的传播速率是由其密度、速度和加速度的复合函数所决定。该复合函数中含有的h2、g2、f2三个函数，f2函数的自变量为非机动车群体密度、速度和加速度，g2函数的自变量为f2，h2函数的自变量为g2，因变量为非机动车群体的波的传播速率。
构建如公式5所示的行人群体P的三维波动方程：
Figure BDA00029557552600000511
Figure BDA00029557552600000512
为行人群体N的三维波动值；x、y和z分别代表了纵向、横向和垂向三个方向；
Figure BDA00029557552600000513
为
Figure BDA00029557552600000514
在x方向的分量；
Figure BDA00029557552600000515
为
Figure BDA00029557552600000516
在y方向的分量；
Figure BDA00029557552600000517
为
Figure BDA00029557552600000518
在z方向的分量；αP是一个常数，其为行人群体对应波动方程的波传播速率，如公式6所示，为一个复合函数，由非行人密度、行人群体速度和行人群体加速度共同决定；fP(x,y,z,t)为行人群体的波动方程的修正因子，该因子可以看成是一个由x、y、z和t组成的函数。
Figure BDA0002955755260000061
公式6表示行人群体的波的传播速率是由其密度、速度和加速度的复合函数所决定。该复合函数中含有的h3、g3、f3三个函数，f3函数的自变量为行人群体密度、速度和加速度，g3函数的自变量为f3，h3函数的自变量为g3，因变量为行人群体的波的传播速率。
在完成每个类型群体的波动方程构建后，执行步骤S13。
S13、对若干个群体的波动方程对应的波纹进行叠加，得到当前路段的路态波纹。
在一些实施例中，根据波的叠加原理，在相遇区域内，由于介质任一点的振动为各列波单独存在时在该点所引起的振动位移的矢量和，因此，路侧杆件对应路段的路态波动方程可认为是对机动车群体的波动方程、非机动车群体的波动方程和行人群体的波动方程进行求和，将求和结果作为当前路段的路态波纹，其具体如公式7所示：
Figure BDA0002955755260000062
Figure BDA0002955755260000063
为路态波纹；
Figure BDA0002955755260000064
为机动车群体M的波动方程；
Figure BDA0002955755260000065
为非机动车群体N的波动方程；
Figure BDA0002955755260000066
为非机动车群体N的波动方程；fW(x,y,z,t)为路态纹波的修正因子，该因子可以看成是一个由x、y、z和t组成的函数。
S14、采用循环神经网络建立路态波纹变化情况与交通态势变化情况的对应关系。
在一些实施例中，在建立路态波纹变化情况与交通态势变化情况的对应关系后，对循环神经网络对应的模型进行训练，其具体包括：
获取如公式8所示的循环神经网络的训练集，并计算入公式9所示的H个时刻道路交通态势yi：
Figure BDA0002955755260000067
Figure BDA0002955755260000068
为第i时刻计算得到的路态波纹，
Figure BDA0002955755260000069
和
Figure BDA00029557552600000610
分别为第i时刻计算得到的机动车群体、非机动车群体和行人群体的波动方程；N*为正整数集。
yi＝({Ti},i∈N*) 公式9
Ti为第i时刻真实道路交通态势。
确定循环神经网络模型的结构，构建循环神经网络模型。其中，循环神经网络模型具有1个输入层、5个隐含层和1个输出层。
对循环神经网络模型初始化，具体是对模型参数中的权重矩阵U、W和V，以及偏置矩阵b和c进行随机初始化。其中，第i时刻的循环神经网络模型隐藏状态记作hi，模型的预测值记作
Figure BDA0002955755260000071
循环神经网络可采用公式10和公式11表示：
Figure BDA0002955755260000072
Figure BDA0002955755260000073
对初始化后的循环神经网络模型分别进行正向传播训练和反向传播训练；其中，正向传播训练为：先将训练集输入循环神经网络模型，以输出预测值；然后根据预测值调整循环神经网络模型的参数，即通过不断调整模型参数以减少预测值yi *和真实值yi之间的差值。反向传播训练为：将循环神经网络模型的损失函数作为优化目标，将循环神经网络模型的参数权重矩阵和偏置矩阵作为优化对象；然后根据预测值与真实值的差值，采用梯度下降法对循环神经网络模型的参数进行优化。
具体地，选取交叉熵作为损失函数，记作L，其表达式如公式12所示：
Figure BDA0002955755260000074
采用公式13计算权重矩阵V的梯度以及采用公式14计算偏置矩阵c的梯度：
Figure BDA0002955755260000075
Figure BDA0002955755260000076
采用公式15计算第i时刻的状态梯度δi，计算过程可参考深度神经网络递推方法：
Figure BDA0002955755260000077
其中，函数diag表示取矩阵对角元素。
采用公式16计算权重矩阵W的梯度、采用公式17计算权重矩阵V的梯度，以及采用公
式18计算偏置矩阵b的梯度：
Figure BDA0002955755260000081
Figure BDA0002955755260000082
Figure BDA0002955755260000083
反复迭代，当循环神经网络模型的预测值
Figure BDA0002955755260000084
与真实值yi的平均误差小于预设值，训练结束。
S15、根据对应关系确定所述当前路段的交通态势。即将实时采集的数据输入训练的循环神经网络模型中，然后根据模型输出值确定对应的交通态势为当前路段的交通态势，通过将获取到的当前路段的交通态势用于信息发布，以供整个交通系统使用，从而避免离散数据对分析结果的影响，以提高处理过程的精细化程度，提高交通态势判断结果的准确性。
本发明实施例提供了一种道路交通态势识别系统，包括：
获取模块，用于获取当前路段上若干个群体的道路交通信息；
构建模块，用于根据所述道路交通信息构建所述若干个群体的波动方程；
波纹叠加模块，用于对所述若干个群体的波动方程对应的波纹进行叠加，得到当前路段的路态波纹；
关系建立模块，用于采用循环神经网络建立所述路态波纹变化情况与交通态势变化情况的对应关系；
确定模块，用于根据所述对应关系确定所述当前路段的交通态势。
本发明方法实施例的内容均适用于本系统实施例，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。
本发明实施例提供一种道路交通态势识别系统，包括：
至少一个存储器，用于存储程序；
至少一个处理器，用于加载所述程序以图1所示的道路交通态势识别方法。
本发明方法实施例的内容均适用于本系统实施例，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。
本发明实施例提供了一种存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于图1所示的道路交通态势识别方法。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。此外，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。

Claims (9)

1.一种道路交通态势识别方法，其特征在于，包括以下步骤：
获取当前路段上若干个群体的道路交通信息，所述若干个群体包括机动车群体、非机动车群体和行人群体，所述道路交通信息包括机动车群体密度
Figure FDA0003631475400000011
机动车群体速度
Figure FDA0003631475400000012
机动车群体加速度
Figure FDA0003631475400000013
非机动车群体密度
Figure FDA0003631475400000014
非机动车群体速度
Figure FDA0003631475400000015
非机动车群体加速度
Figure FDA0003631475400000016
行人群体密度
Figure FDA0003631475400000017
行人群体速度
Figure FDA0003631475400000018
和行人群体加速度
Figure FDA0003631475400000019
根据所述道路交通信息构建所述若干个群体的波动方程；
对所述若干个群体的波动方程对应的波纹进行叠加，得到当前路段的路态波纹；
采用循环神经网络建立所述路态波纹变化情况与交通态势变化情况的对应关系；
根据所述对应关系确定所述当前路段的交通态势；
其中，所述根据所述道路交通信息构建所述若干个群体的波动方程，包括：
构建下式的机动车群体M的三维波动方程：
Figure FDA00036314754000000110
Figure FDA00036314754000000111
为机动车群体M的三维波动值；x、y和z分别代表了纵向、横向和垂向三个方向；
Figure FDA00036314754000000112
为
Figure FDA00036314754000000113
在x方向的分量；
Figure FDA00036314754000000114
为
Figure FDA00036314754000000115
在y方向的分量；
Figure FDA00036314754000000116
为
Figure FDA00036314754000000117
在z方向的分量；αM是一个常数，其为机动车群体对应波动方程的波传播速率，由机动车群体密度
Figure FDA00036314754000000118
机动车群体速度
Figure FDA00036314754000000119
机动车群体加速度
Figure FDA00036314754000000120
共同决定；fM(x,y,z,t)为机动车群体的波动方程的修正因子，该因子可以看成是一个由x、y、z和t组成的函数；
构建下式的非机动车群体N的三维波动方程：
Figure FDA00036314754000000121
Figure FDA00036314754000000122
为非机动车群体N的三维波动值；x、y和z分别代表了纵向、横向和垂向三个方向；
Figure FDA00036314754000000123
为
Figure FDA00036314754000000124
在x方向的分量；
Figure FDA00036314754000000125
为
Figure FDA00036314754000000126
在y方向的分量；
Figure FDA00036314754000000127
为
Figure FDA00036314754000000128
在z方向的分量；αN是一个常数，其为非机动车群体对应波动方程的波传播速率，由非机动车群体密度
Figure FDA00036314754000000129
非机动车群体速度
Figure FDA00036314754000000130
非机动车群体加速度
Figure FDA00036314754000000131
共同决定；fN(x,y,z,t)为非机动车群体的波动方程的修正因子，该因子可以看成是一个由x、y、z和t组成的函数；
构建下式的行人群体P的三维波动方程：
Figure FDA0003631475400000021
Figure FDA0003631475400000022
为行人群体N的三维波动值；x、y和z分别代表了纵向、横向和垂向三个方向；
Figure FDA0003631475400000023
为
Figure FDA0003631475400000024
在x方向的分量；
Figure FDA0003631475400000025
为
Figure FDA0003631475400000026
在y方向的分量；
Figure FDA0003631475400000027
为
Figure FDA0003631475400000028
在z方向的分量；αP是一个常数，其为行人群体对应波动方程的波传播速率，由行人群体密度
Figure FDA0003631475400000029
行人群体速度
Figure FDA00036314754000000210
和行人群体加速度
Figure FDA00036314754000000211
共同决定；fP(x,y,z,t)为行人群体的波动方程的修正因子，该因子可以看成是一个由x、y、z和t组成的函数。
2.根据权利要求1所述的一种道路交通态势识别方法，其特征在于，所述道路交通信息通过设置于路侧杆件上的摄像头、激光雷达和毫米波雷达实时采集。
3.根据权利要求1所述的一种道路交通态势识别方法，其特征在于，所述对所述若干个群体的波动方程对应的波纹进行叠加，得到当前路段的路态波纹，其具体为：
根据波的叠加原理，在相遇区域内，对机动车群体的波动方程、非机动车群体的波动方程和行人群体的波动方程进行求和，将求和结果作为当前路段的路态波纹。
4.根据权利要求1所述的一种道路交通态势识别方法，其特征在于，在执行所述根据所述对应关系确定所述当前路段的交通态势这一步骤之前，还包括以下步骤：
获取循环神经网络的训练集；
构建循环神经网络模型；
对循环神经网络模型初始化；
对初始化后的循环神经网络模型分别进行正向传播训练和反向传播训练；
反复迭代；
当循环神经网络模型的预测值与真实值的平均误差小于预设值，训练结束。
5.根据权利要求4所述的一种道路交通态势识别方法，其特征在于，所述正向传播训练过程，其具体包括：
将所述训练集输入所述循环神经网络模型，输出预测值；
根据预测值调整所述循环神经网络模型的参数。
6.根据权利要求4所述的一种道路交通态势识别方法，其特征在于，所述反向传播训练过程，其具体包括：
将循环神经网络模型的损失函数作为优化目标，将循环神经网络模型的参数权重矩阵和偏置矩阵作为优化对象；
根据预测值与真实值的差值，采用梯度下降法对循环神经网络模型的参数进行优化。
7.一种道路交通态势识别系统，其特征在于，包括：
获取模块，用于获取当前路段上若干个群体的道路交通信息，所述若干个群体包括机动车群体、非机动车群体和行人群体，所述道路交通信息包括机动车群体密度
Figure FDA0003631475400000031
机动车群体速度
Figure FDA0003631475400000032
机动车群体加速度
Figure FDA0003631475400000033
非机动车群体密度
Figure FDA0003631475400000034
非机动车群体速度
Figure FDA0003631475400000035
非机动车群体加速度
Figure FDA0003631475400000036
行人群体密度
Figure FDA0003631475400000037
行人群体速度
Figure FDA0003631475400000038
和行人群体加速度
Figure FDA0003631475400000039
构建模块，用于根据所述道路交通信息构建所述若干个群体的波动方程；
波纹叠加模块，用于对所述若干个群体的波动方程对应的波纹进行叠加，得到当前路段的路态波纹；
关系建立模块，用于采用循环神经网络建立所述路态波纹变化情况与交通态势变化情况的对应关系；
确定模块，用于根据所述对应关系确定所述当前路段的交通态势；
其中，所述根据所述道路交通信息构建所述若干个群体的波动方程，包括：
构建下式的机动车群体M的三维波动方程：
Figure FDA00036314754000000310
Figure FDA00036314754000000311
为机动车群体M的三维波动值；x、y和z分别代表了纵向、横向和垂向三个方向；
Figure FDA00036314754000000312
为
Figure FDA00036314754000000313
在x方向的分量；
Figure FDA00036314754000000314
为
Figure FDA00036314754000000315
在y方向的分量；
Figure FDA00036314754000000316
为
Figure FDA00036314754000000317
在z方向的分量；αM是一个常数，其为机动车群体对应波动方程的波传播速率，由机动车群体密度
Figure FDA00036314754000000318
机动车群体速度
Figure FDA00036314754000000319
机动车群体加速度
Figure FDA00036314754000000320
共同决定；fM(x,y,z,t)为机动车群体的波动方程的修正因子，该因子可以看成是一个由x、y、z和t组成的函数；
构建下式的非机动车群体N的三维波动方程：
Figure FDA00036314754000000321
Figure FDA00036314754000000322
为非机动车群体N的三维波动值；x、y和z分别代表了纵向、横向和垂向三个方向；
Figure FDA0003631475400000041
为
Figure FDA0003631475400000042
在x方向的分量；
Figure FDA0003631475400000043
为
Figure FDA0003631475400000044
在y方向的分量；
Figure FDA0003631475400000045
为
Figure FDA0003631475400000046
在z方向的分量；αN是一个常数，其为非机动车群体对应波动方程的波传播速率，由非机动车群体密度
Figure FDA0003631475400000047
非机动车群体速度
Figure FDA0003631475400000048
非机动车群体加速度
Figure FDA0003631475400000049
共同决定；fN(x,y,z,t)为非机动车群体的波动方程的修正因子，该因子可以看成是一个由x、y、z和t组成的函数；
构建下式的行人群体P的三维波动方程：
Figure FDA00036314754000000410
Figure FDA00036314754000000411
为行人群体N的三维波动值；x、y和z分别代表了纵向、横向和垂向三个方向；
Figure FDA00036314754000000412
为
Figure FDA00036314754000000413
在x方向的分量；
Figure FDA00036314754000000414
为
Figure FDA00036314754000000415
在y方向的分量；
Figure FDA00036314754000000416
为
Figure FDA00036314754000000417
在z方向的分量；αP是一个常数，其为行人群体对应波动方程的波传播速率，由行人群体密度
Figure FDA00036314754000000418
行人群体速度
Figure FDA00036314754000000419
和行人群体加速度
Figure FDA00036314754000000420
共同决定；fP(x,y,z,t)为行人群体的波动方程的修正因子，该因子可以看成是一个由x、y、z和t组成的函数。
8.一种道路交通态势识别系统，其特征在于，包括：
至少一个存储器，用于存储程序；
至少一个处理器，用于加载所述程序以执行如权利要求1-6任一项所述的道路交通态势识别方法。
9.一种存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1-6任一项所述的道路交通态势识别方法。
CN202110223414.0A 2021-03-01 2021-03-01 道路交通态势识别方法、系统和存储介质 Active CN113095126B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110223414.0A CN113095126B (zh) 2021-03-01 2021-03-01 道路交通态势识别方法、系统和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110223414.0A CN113095126B (zh) 2021-03-01 2021-03-01 道路交通态势识别方法、系统和存储介质

Publications (2)

Publication Number Publication Date
CN113095126A CN113095126A (zh) 2021-07-09
CN113095126B true CN113095126B (zh) 2022-07-05

Family

ID=76667965

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110223414.0A Active CN113095126B (zh) 2021-03-01 2021-03-01 道路交通态势识别方法、系统和存储介质

Country Status (1)

Country Link
CN (1) CN113095126B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114120628B (zh) * 2021-10-12 2022-10-04 武汉理工大学 基于稀疏传感器布置的路态波纹预测校验方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104778837A (zh) * 2015-04-14 2015-07-15 吉林大学 一种道路交通运行态势多时间尺度预测方法
WO2018132378A2 (en) * 2017-01-10 2018-07-19 Cavh Llc Connected automated vehicle highway systems and methods
CN108765981A (zh) * 2018-06-20 2018-11-06 昆明理工大学 一种分车道实时排队长度预测方法
CN112033425A (zh) * 2019-06-04 2020-12-04 长沙智能驾驶研究院有限公司 车辆辅助驾驶方法、装置、计算机设备和存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9430942B2 (en) * 2013-09-26 2016-08-30 International Business Machines Corporation Method and system for optimizing road traffic control in the presence of incidents
US11279361B2 (en) * 2019-07-03 2022-03-22 Toyota Motor Engineering & Manufacturing North America, Inc. Efficiency improvement for machine learning of vehicle control using traffic state estimation

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104778837A (zh) * 2015-04-14 2015-07-15 吉林大学 一种道路交通运行态势多时间尺度预测方法
WO2018132378A2 (en) * 2017-01-10 2018-07-19 Cavh Llc Connected automated vehicle highway systems and methods
CN108765981A (zh) * 2018-06-20 2018-11-06 昆明理工大学 一种分车道实时排队长度预测方法
CN112033425A (zh) * 2019-06-04 2020-12-04 长沙智能驾驶研究院有限公司 车辆辅助驾驶方法、装置、计算机设备和存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Physics-Informed Deep Learning for Traffic State Estimation;Rongye Shi et al.;《arXiv.org》;20210117;第1-13页 *
Traffic state estimation and uncertainty quantification based on heterogeneous data sources: A three detector approach;Wen Deng et al.;《Transportation Research Part B》;20131130;第57卷;第132-157页 *
基于波动方程的动态交通流网络模型研究;王静波等;《计算机仿真》;20120131;第29卷(第1期);第314-317页 *

Also Published As

Publication number Publication date
CN113095126A (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
CN110610260B (zh) 行车能耗预测系统、方法、存储介质和设备
CN112265546B (zh) 基于时空序列信息的网联汽车车速预测方法
CN101496035B (zh) 模式分类方法
CN112441022B (zh) 一种车道中心线确定方法及装置
CN111009134A (zh) 一种基于前车与自车互动的短期车速工况实时预测方法
CN113665574B (zh) 智能汽车换道时长预测及拟人化轨迹规划方法
CN110196587A (zh) 车辆自动驾驶控制策略模型生成方法、装置、设备及介质
CN113095126B (zh) 道路交通态势识别方法、系统和存储介质
CN114076631A (zh) 超载车辆识别方法、系统及设备
CN112200932A (zh) 一种评估重型柴油车能耗的方法和设备
CN114595508A (zh) 对载具操作轮廓进行建模
CN115440041B (zh) 一种路侧视角下的重点车辆驾驶行为预测方法
CN115331446B (zh) 车辆安全行驶策略生成方法及装置、存储介质和终端
Liu et al. Synthesis of representative driving cycle for heavy duty vehicle based on markov chain and big data considering weight variation
Kan et al. A deep learning engine power model for estimating the fuel consumption of heavy-duty trucks
CN116109986A (zh) 一种基于激光雷达和视频技术互补的车辆轨迹提取方法
CN113176562B (zh) 多目标跟踪方法、装置、电子设备及可读存储介质
CN115257692A (zh) 一种基于视觉交通信息的phev能量管理方法及系统
CN113673146A (zh) 一种基于nsga-ii的车辆安全性多目标优化方法
CN117152973B (zh) 基于etc门架数据的高速公路实时流量监测方法及系统
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
CN113642682B (zh) 一种多车交互环境下的轨迹基元提取与分析方法和系统
CN117302239A (zh) 油门防误踩方法、装置、服务器及车辆
Zhu et al. The Prediction Model for Road Slope of Electric Vehicles Based on Stacking Framework of Deep Learning
CN117863886A (zh) 增程车辆的续航预测方法、装置、电子设备及介质

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