CN113140108A - 一种网联智能交通系统中的云端交通态势预测方法 - Google Patents
一种网联智能交通系统中的云端交通态势预测方法 Download PDFInfo
- Publication number
- CN113140108A CN113140108A CN202110413494.6A CN202110413494A CN113140108A CN 113140108 A CN113140108 A CN 113140108A CN 202110413494 A CN202110413494 A CN 202110413494A CN 113140108 A CN113140108 A CN 113140108A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- intersection
- time
- traffic
- predicted
- 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
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
-
- 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
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Abstract
本发明提供了一种网联智能交通系统中的云端交通态势预测方法,以时间或事件方式触发交通态势预测后,交通云将实时采集城市域中网联智能车辆及路口单元中的相关交通数据,进而以这些数据为基础,采用统计预测与深度学习预测相结合的方式来预测车辆的速度、位置、到达道路特殊标志线的时间、车辆通过路口临界区的顺序及通过路口时间。最后,基于上述预测结果,采用道路权值模型对未来一段时间后路网中的交通流态势进行整体预测。本发明能够实现交通路网状态的快速预测,为智能车的路径规划、交通流的自主疏导与管理以及紧急车辆的优先通行指导等提供支撑。
Description
技术领域
本发明涉及一种车-路-云联网环境下的交通态势预测方法,特别涉及一种短时的交通流态势预测方法。
背景技术
众所周知,交通预测对于交通调度乃至智慧城市的管理具有非常重要的现实意义,尤其是对于由智能车辆组成的智能交通系统ITS(Intelligent TransportationSystems),更准确的预测将有助于提高车辆的通行效率和交通管理水平。近年来,随着智能驾驶、V2X通信等核心技术的发展与成熟,智能交通系统的发展开始迈入网联智能车辆(Connected Intelligent Vehicle,CIV)、路口单元(Autonomous IntersectionController,AIC)和交通云(Traffic Cloud,TC)深度融合的协作式智能交通系统C-ITS(Cooperative-ITS)新阶段。在这种车-路-云融合发展的技术背景下,车辆、路口单元、交通云的融合可以实现从路口、路网区域到城市域的交通环境状态多维快速感知,进而在云端积累形成有效的交通大数据。基于历史、实时的交通大数据进行高质量的交通态势智能预测,使交通系统的优化调度和管理逐渐成为可能,并日益受到关注。
根据不同的预测时长和目的,交通态势预测通常可被分为三个类型:长时、中时和短时。长时及中时预测可以为交通规划、管理和出行建议提供依据,而短时预测主要用于对车辆行为和交通态势的实时控制和管理。近年来,相关预测模型及机制已受到了广泛的关注和研究,但可见的工作大多仍聚焦于传统交通系统。该类系统中,车辆、路口单元(信号灯)不具备深度网联能力,其环境感知、信息交互、数据汇聚等能力存在很大不足,从根本上限制了整个交通态势的可预测能力。而对于协作式智能交通系统而言,车辆、路口及路侧单元、交通云彼此之间深度互联,可以实现更为丰富的交通数据感知与汇聚。但因该类实际交通系统需根据车辆的服务属性(救援、摆渡、出租等)进行更为复杂的行驶行为协同及交通流管理,其过程会呈现出更强的随机性。随着预测间隔的增加,交通态势受随机因素的影响越大,预测难度也将大幅增加,这对现有的预测机制形成了挑战。
例如,文献“基于深度学习的短时交通流预测,计算机应用研究,2017,Vol34(1),p91-93,97”针对现有预测方法无法充分揭示交通流内部本质规律的问题,提出了一种基于深度学习的短时交通流预测方法。该方法结合深度信念网路模型(DBN)与支持向量回归分类器(SVR)作为预测模型,利用差分去除交通流数据的趋势向,并用深度信念网络模型进行交通流特征学习,在网络顶层连接支持向量回归模型进行流量预测。实际交通流数据测试结果表明,该预测模型较传统预测模型具有更高的预测精度。但所研究的方法仍聚焦于缺乏环境感知和数据交互能力的传统交通系统,不适用于具有自主感知与行为协同能力的网联智能车辆以及车、路、云协同的交通环境。
发明内容
为了克服现有技术的不足,本发明提供一种网联智能交通系统中的云端交通态势预测方法。这是一种具有城市域特征的、部署于交通云端的短时交通态势预测方法。该方法的前提是,每个路口被划分为一组毗邻的矩形区域,每个区域在同一时刻只允许一辆车进入,将这样的矩形区域称之为临界区;车辆在通过某个路口时,在驶过路口的预约线之后需要向路口单元发起临界区通行申请,且仅当其所申请的一组临界区得到授权时才能驶入。该方法中,当以时间或事件方式触发交通态势预测后,交通云将实时采集城市域中网联智能车辆及路口单元中的相关交通数据,进而以这些数据为基础,采用统计预测与深度学习预测相结合的方式来预测车辆的速度、位置、到达道路特殊标志线的时间、车辆通过路口临界区的顺序及通过路口时间。最后,基于上述预测结果,采用道路权值模型对未来一段时间后路网中的交通流态势进行整体预测。
本发明解决其技术问题所采用的技术方案包括以下步骤:
步骤一,交通云对全局交通路网进行初始化;建立与物理路口、道路、车辆相对应的虚拟路口、虚拟道路、虚拟车辆模型和数据结构;
步骤二,交通云向城市内道路上每一辆网联智能车及每一个路口单元分别发送车辆状态查询消息及路口通行时间统计消息;每辆车实时更新运动状态数据,包括位置、速度和加速度,发送给交通云,形成车辆预测数据表;每个路口单元采集并记录所有车辆通过路口的时间信息,发送到交通云,形成通过路口时间数据表;
步骤四,遍历队列计算每辆车在第k轮次授权通过路口的预测时刻式中,为车辆在第k-1轮次授权预测计算得到的到达当前路口时刻;为车辆通过所需临界区序列的预测耗时;如果中存在某车辆的超过了预测结束时刻tF,则跳转至步骤八,否则执行步骤五;
步骤六,对于每个路口Ij,计算其驶入车道上所有车辆的预测速度、预测行驶距离、预测位置及预测到达路口进入线时刻,进而更新虚拟交通对象的相关状态,同时m值加1;如果m≥M,则执行步骤七,否则重复本步骤;
步骤七,对于每个路口Ij,根据时刻驶入道路上所有车辆的速度及位置,将能通过预约线的虚拟车辆对象存入根据该路口所采用的多车协同授权策略预测出下一轮的车辆授权情况,清空从中选出将被授权的车辆存入中;令k值加1,跳转执行步骤四;
步骤八,根据前述步骤中记录的车辆通过路口时刻、位置数据预测tF时刻道路上的车辆数目,根据BPR路阻函数计算路网中每条道路的预测权值,更新全局交通路网拓扑图。
所述的步骤二中,每辆车实时更新运动状态数据,在收到车辆状态查询消息后发送给交通云;每个路口单元采集并记录所有车辆通过路口的时间信息,在收到路口通行时间统计消息后发送到交通云。
所述的车辆预测速度是从车辆预测数据表中提取待预测车辆的行驶特征,包括车辆当前速度、加速度、位置以及待预测车辆前车的速度、加速度变化幅度、到所预约第一个临界区的距离、其前方车辆的数量以及车辆间的距离,形成车速预测的特征向量,并将该特征向量输入至车速预测神经网络,得到车辆在tm+1时刻的预测速度。
所述的车辆预测位置是设车辆在tm时刻的位置坐标为tm+1时刻的位置如果某辆车的所需临界区序列都已被授权,位置预测显示其处于路口I,则将其位置坐标简化为路口中心点的坐标,即如果某辆车未被授权,即使其在tm+1时刻的预测结果为处于路口之中,仍将其位置坐标置为路口的进入点坐标,即如果某辆车行驶在道路上,并且在tm+1时刻不会到达路口I,则其位置坐标为与相应X或Y方向的之和。
所述的车辆预测到达路口进入线时刻tm+1为第m+1个预测时间片开始的时刻,为车辆从tm+1时刻的位置到达路口的进入线所需的时间;如果车辆未被授权,当其处于刹车线与路口进入线之间,或时,当其处于进入线与刹车线之间,为车辆在tm+1时刻的预测速度,vc为车辆最大巡航速度,为车辆在tm+1时刻与路口进入线之间的距离,a为车辆加速度;当其处于道路起始线与进入线之间时,如果车辆已授权,为车辆在tm+1时刻与路口进入线之间的距离。
本发明的有益效果是:结合网联化智能交通系统的精确车、路状态实时感知的优势,在实时感知路网中所有车辆状态的基础上通过融合交通大数据和神经网络、统计分析等方法实现车辆速度、位置等的高精度预测,进而,基于典型的路阻模型进行道路交通流状态的预测。这种方法将可实现交通路网状态的快速预测,可为智能车的路径规划、交通流的自主疏导与管理以及紧急车辆的优先通行指导等提供支撑,从而从路口、车道、路网、服务质量等多个层次和维度提高路网的通行效率及交通系统的管理水平。
附图说明
图1是本发明的短时交通态势预测流程图。
图2是本发明方法实施例中的交通场景及主要交通对象的通信方式。
图3是本发明方法实施例中用于车速预测的神经网络结构。
具体实施方式
下面结合附图和实施例对本发明进一步说明,本发明包括但不仅限于下述实施例。
本发明提供一种网联智能交通系统中的短时交通态势预测方法,包括以下步骤:
步骤一、初始化操作。
交通云TC启动后,首先用读取的全局交通路网数据和交通环境配置文件(GISFile)对全局交通路网进行初始化。进而,TC加载用于车辆速度预测的神经网络参数文件(VFNFile),加载各路口临界区的通行时间历史统计数据表(HTPIdata),并将车辆预测数据表(VFD)及通过路口时间数据表(PST)初始化为空。此外,在云端计算机中建立与物理路口、道路、车辆相对应的虚拟路口、虚拟道路、虚拟车辆模型和数据结构。通过车-云通信、路-云通信,这些虚拟对象就可以同步获取到所对应物理交通对象的全部状态。初始化完成后,通过时间或事件触发,即可在一个开始时刻tS预测结束时刻tF时的交通态势。
步骤二、预测数据采集及存储。
交通云于tS时刻向城市内道路上每一辆网联智能车及每一个路口单元分别发送车辆状态查询消息VFR及路口通行时间统计消息PTR,获取交通态势预测所需的数据。
每辆车CIV在行驶过程中实时更新位置、速度、加速度等运动状态数据VMS,并在收到VFR请求后立刻组装其最新的数据信息,以VFDS车辆预测数据上报消息格式发送给交通云。
每个路口单元AIC采集并记录所有车辆通过路口的时间信息,并在收到交通云发出的PTR消息后以通过路口时间消息格式PIT发送到交通云。
交通云TC对上报数据进行处理后,分别存入云端的VFD数据表及PST数据表,并从数据表中加载车辆运动状态数据VMS、车辆授权状态数据VAS,对云端的虚拟交通对象属性进行更新。
步骤三、车辆授权情况分类。
对于每个路口Ij,建立一个空队列用于存储所有已授权车辆,建立一个空队列用于存储可能被授权的车辆。如果Ij存在已授权车辆,则将该类车辆加入否则,先根据该路口所采用的车辆调度策略选择会被授权的车辆并将这些车辆加入
步骤四、车辆通过路口时刻预测及预测终止判断。
式中,Rk表示第k轮次授权,k为自然数,为车辆在第k轮时通过当前路口的预测时刻;为车辆在第k-1轮预测计算得到的到达当前路口时刻;为车辆通过所需临界区序列的预测耗时,该值可根据车辆的类型、预约的临界区序列以及进入路口时的速度三个属性以最小欧氏距离的方法从HTPIdata中选择得到。
步骤五、预测轮次划分。
步骤六、车辆行驶状态预测。
对于每个路口Ij,计算其驶入车道上所有车辆的预测速度、预测行驶距离、预测位置及预测到达路口进入线时刻。
(1)车辆速度预测
从VFD数据表中提取待预测车辆的行驶特征,例如车辆当前速度加速度、位置以及待预测车辆前车的速度、加速度变化幅度、到所预约第一个临界区的距离、其前方车辆的数量以及车辆间的距离,进而,将这些信息组装在一起形成车速预测的特征向量,并将该特征向量输入至车速预测神经网络,其输出值即为车辆在tm+1时刻的预测速度。
(2)车辆行驶距离预测
首先根据公式2计算车辆的速度增量。
(3)车辆位置预测
车辆的预测位置与其当前位置、预约状态相关,可根据是否通过预约线分为开始预约和车道行驶两种情况,而通过预约线后可分为所预约全部临界区是否被授权两种状态。设车辆在tm时刻的位置坐标为tm+1时刻的位置如果某辆车的所需临界区序列都已被授权,位置预测显示其处于路口I,则将其位置坐标简化为路口中心点的坐标,即如果某辆车未被授权,即使其在tm+1时刻的预测结果为处于路口之中,仍将其位置坐标置为路口的进入点坐标,即如果某辆车行驶在道路上,并且在tm+1时刻不会到达路口I,则其位置坐标为与相应X或Y方向的之和。
(4)车辆到达路口进入线时刻预测
采用公式6计算车辆到达路口进入线的预测时刻。
式中,为车辆从tm+1时刻的位置到达路口进入线所需的时间,为车辆在tm+1时刻的预测速度,vc为车辆在[Pa,Pb]之间的车辆最大巡航速度,为车辆在tm+1时刻与路口进入线之间的距离,a为车辆加速度。
式中,为车辆从tm+1时刻的位置到达路口进入线所需的时间,为车辆在tm+1时刻的预测速度,为车辆在tm+1时刻与进入线之间的距离,a为车辆自身的加速度(车辆信息系统自行感知这一数据)。当时,vx为车辆最大巡航速度vc,否则,vx为车辆最大行驶速度vm。
式中,为车辆从tm+1时刻的位置到达路口进入线所需的时间,为车辆在tm+1时刻的预测速度,vc为车辆在[Pa,Pb]之间的车辆最大巡航速度,为车辆在tm+1时刻与路口进入线之间的距离,a为车辆加速度。
使用上述生成的数据值更新虚拟交通对象的相关状态,同时m值加1。如果m≥M,则继续执行步骤七,否则重复步骤六。
步骤七、授权预测。
对于每个路口Ij,根据时刻驶入道路上所有车辆的速度及位置,将能通过预约线的虚拟车辆对象存入之后根据该路口所采用的多车协同授权策略(如以到达时间为优先级进行授权的“先到者先通过”策略,以道路优先级权重为依据进行授权的“权重高者先通过”策略),预测出下一轮的车辆授权情况,清空从中选出将被授权的车辆存入中。令k值加1,跳转执行步骤四。
步骤八、道路权值预测。根据前述步骤中记录的车辆通过路口时刻、位置数据等属性值可得到预测时刻tF时道路上的车辆数目预测值,之后根据美国公路局提出的BPR(Bureau of Public Roads)路阻函数,即公式10计算路网中每条道路的预测权值,更新全局交通路网拓扑图。至此,本次预测结束。
式中,tab为车辆从a点行驶到b点所需的时间,该值越大意味着道路的通行能力越差;αab为车辆以最大限行速度从a点行驶到b点所需的时间;fab为预测的处于a点和b点之间的车辆数量;Cab为道路的最大理想车辆容量;δ和τ为常数项系数。
如图1所示。本发明的实施例步骤如下:
本实施例中,对于图2所示的交叉路口,将其交叉区域划分为多个(本实施例中为4个)相互邻接且独立的矩形静态临界区(S-CS),每个临界区在同一时刻只能授权给一辆车。同时,在每个交叉路口部署路口单元AIC,进行微观区域的车辆、临界区状态实时感知及车辆通行授权管理。任何车辆只有先向AIC预约所需要的临界区序列且得到授权后,才能驶入被授权的临界区,遵循“先预约,后通过”的通行机制。AIC端采用集中调度方式,其接收所有发起通行预约车辆的请求,之后根据特定的授权策略调度车辆安全通过路口。在该预约式机制中,我们在所有的驶入道路上都设置了多条特殊标志线:道路起始线Ps,车辆经过此线后便进入了当前道路;进入线Pa,车辆经过此线后速度要调整至最大预约速度以下;预约线Pr,车辆经过此线后开始向AIC发送通过路口(直行、左转或右转)所需临界区序列的预约消息;刹车线Pb,车辆若未获得任何临界区的授权则需在刹车线处开始制动;临界区进入线Pγs,车辆经过此线后进入其所预约的第一个临界区。
作为交通管理平台,交通云TC能够实时采集全局交通数据,并在云端的数据库中进行增量式存储。进而,TC通过对所存储的历史统计数据以及当前交通数据进行整合分析,运用本发明中的机制来预测未来一段时间后路网中的交通流态势。本预测机制的触发方式主要有两种:以根据用户设定的预测周期触发预测,或者是,由特定的事件集合触发(如车辆请求、车辆故障等)。为了更好地利用数据表中所存储的多元数据信息,TC端将在信息域中建立车、路等交通对象的虚拟对象,包括虚拟路口、虚拟道路及虚拟车辆,并为这些虚拟对象赋予其所对应物理对象的即时数据。此外,TC中保存有全局的交通路网状态图N={W,I,R,FR}。其中,N代表城市路网;W代表该路网中所有道路的集合,W={w1,w2......wn};I代表路网中所有道路的交汇点,即路口的集合,I={I1,I2......In};R代表路口之间的连通关系,FR代表路口之间交通流态势的预测值。
具体的预测过程详述如下。
步骤一、初始化操作。
本实施例中的路口类型是道路夹角为90°的十字路口,路口交叉区域被划分为4个矩形静态临界区域。交通云TC启动后,首先加载交通环境配置文件GISFile,对全局交通路网拓扑图进行初始化,同时加载用于车辆速度预测的神经网络参数文件VFNFile,清空车辆预测数据表VFD及通过路口时间数据表PST。
之后,TC端会根据交通拓扑图建立用于预测的虚拟路口VI(VirtualIntersection)、虚拟道路VL(VirtualLane)对象,并根据驶入该路网车辆发送给云端的信息动态建立虚拟车辆VV(VirtualVehicle)对象。其中,VI定义为<VI.id,alane,pscstime>,参数分别为虚拟路口id、虚拟路口中所包含的道路集合以及路口的通行时间统计信息;VL定义为<VL.id,vvehicle,fweight>,包括虚拟道路id、虚拟道路所包含的车辆集合和当前道路的预测权值;VV为<CI.id,CL.id,v.OD,Location,PSCS,PIT,vsf,path>,包括车辆所在路口及道路id、车辆初始状态数据、车辆位置、当前车辆通过所需临界区序列花费的时间、车速预测特征向量和车辆行驶路径。初始化完成后,即可通过后续步骤在一个开始时刻tS预测某个Δt时长之后(或结束时刻tF)路网中的交通流态势。
步骤二、预测数据采集及存储。
TC在tS时刻,向路网中的每一辆网联智能车及每一个路口单元AIC分别发送车辆预测数据的采集消息VFR及通过路口时间的数据采集消息PTR,以获取交通态势预测所需的即时数据。智能车在行驶过程中不断更新自身相关数据,在收到VFR请求后立刻组装为VFDS消息上报给TC。VFDS消息格式为<v.id,TC.id,v.tp,v.pri,l.id,v.vfront,v.x,v.y,v.vc,v.ac,v.Ic,v.ln,v.SCS,v.ts,v.authf>,这些参数分别为车辆id、交通云id、车辆类型、优先级、所在道路、前车id、当前位置、当前速度与加速度、所在路口、所在车道、临界区序列、到达预约线时间、授权序列等。每当一辆车辆通过路口,AIC自动记录该车辆通过路口的时间信息,并在收到TC发出的PTR消息后,立即以PIT消息上报TC,PIT消息的格式为<I.id,TC.id,v.direc,v.turn,v.SCS,v.type,v.espeed,v.ptw>,具体参数为路口id、交通云id以及车辆的行驶方向、具体转向、临界区序列、类型、进入路口时的速度以及通过该路口相关临界区时所花费的时间。TC对上报数据进行处理后,分别存入云端的VFD及PST数据表。VFD数据表中每条信息记录的格式为<rid,vid,vtype,vpri,Iid,lid,prlf,locx,locy,nlid,SCS,vturn,ospeed,averacc,ts,authf,fvid,stime,rtime,pif,fspeed>。其中,rid为随机生成的通用唯一识别码UUID,vid为车辆id,vtype为车辆类型,vpri为车辆服务紧急程度,iid为车辆所属路口id,lid为车辆所在车道id,prlf为车辆通过重置线的标志位,locx、locy为车辆的位置坐标,nlid为车辆将要去往的下一条车道id,SCS为车辆所需临界区序列,vturn为车辆的具体转向,ospeed为车辆发送VFDS消息时的车速,averacc为车辆发送VFDS消息前某段时间内的平均加速度,ts为车辆到达路口进入线的时间,authf为车辆授权标志位,fvid为车辆的前车id,stime为车辆发送VFDS消息的时间戳,rtime为车辆通过预约线的时间,pif为车辆是否通过当前路口标志位,fspeed为车辆的预测速度。
PST数据表中每条数据记录的格式为<rid,vfeature,ptw>。其中,rid为随机生成的UUID,vfeature包含多种车辆特征信息,可根据特征信息确定与车辆最相符的路口通行时间信息,ptw为车辆通过所需临界区序列花费的时间。同时,TC根据PST表整理形成数据集其中,为车辆的通过路口属性矢量,定义为<vturn,vtype,v.espeed>,即车辆转向、车辆类型及车辆进入路口时的速度;ptwj为车辆通过所需临界区序列花费的时间。
随后,TC从VFD数据表中加载车辆运动状态数据及授权车辆信息数据,对云端的虚拟交通对象的相关属性进行更新。
步骤三、车辆授权情况分类。
对于每个路口Ij,建立一个空队列用于存储所有已授权车辆,建立一个空队列用于存储可能被授权的车辆。如果Ij存在已授权车辆,则将该类车辆加入否则,先根据该路口所采用的车辆调度策略选择会被授权的车辆并将这些车辆加入
步骤四、车辆通过路口时刻预测及预测终止判断。
式中,Rk为授权轮次,k为自然数,为车辆在第Rk轮时通过当前路口的预测时刻;为车辆在第Pk-1轮预测计算得到的到达当前路口时刻;为车辆通过所需临界区序列的预测耗时,该值可根据车辆的类型、预约的临界区序列以及进入路口时的速度三个属性以最小欧氏距离的方法从HTPIdata中选择得到。具体地,将当前车辆的通过路口属性整合为一个之后计算其与历史统计数据集HTPIdata中每个的欧氏距离,使用有监督学习算法K-NN(K-Nearest Neighbor),从HTPIdata中选择与当前车辆通过路口属性具有最小欧氏距离的所对应的通过路口时间ptw作为结果值,即如公式2所示。
式中,共有n维,Attribv[p]为第p维属性值,为历史统计数据集H中的第j个车辆通过路口属性矢量且ptwbest为最符合的通过路口时间长度,为历史统计数据集HTPIdata中通过路口的车辆属性矢量。
步骤五、预测轮次划分。
步骤六、车辆行驶状态预测。
对于每个路口Ij,计算其驶入车道上所有车辆的预测速度、预测行驶距离、预测位置及预测到达路口进入线时刻。
①车辆速度预测
从VFD数据表中提取待预测车辆的行驶特征,例如车辆当前速度加速度、位置与待预测车辆前车的速度、加速度变化幅度、到所预约第一个临界区的距离、其前方车辆的数量以及辆车间的距离,进而,将这些信息组装在一起形成车速预测的特征向量,并将该特征向量输入至车速预测神经网络,其输出值即为车辆在tm+1时刻的预测速度。本实施例选取了如表1-1所示的七种车辆行驶特征参数作为输入层,以车辆速度预测值作为输出层,进而建立起如图3所示的双隐含层车辆速度预测神经网络结构。
表1-1车辆行驶特征参数
对于待预测车辆,可从VFD数据表中提取与表1-1对应的全部行驶特征属性值,构建车速预测特征向量,并将该特征向量输入对应的神经网络模块,其输出即为车辆在tm+1时刻的预测速度。
②车辆行驶距离预测
首先根据公式3计算车辆的速度增量。
③车辆位置预测
车辆的预测位置与其当前位置、预约状态相关,可根据是否通过预约线分为开始预约和车道行驶两种情况,而通过预约线后可分为所预约全部临界区是否被授权两种状态。设车辆在tm时刻的位置坐标为tm+1时刻的位置如果某辆车的所需临界区序列都已被授权,位置预测显示其处于路口I,则将其位置坐标简化为路口中心点的坐标,即如果某辆车未被授权,即使其在tm+1时刻的预测结果为处于路口之中,仍将其位置坐标置为路口的进入点坐标,即如果某辆车行驶在道路上,并且在tm+1时刻不会到达路口I,则其位置坐标为与相应X或Y方向的之和。
④车辆到达路口进入线时刻预测
车辆到达路口进入线时刻预测采用公式7计算。
式中,为车辆从tm+1时刻的位置到达路口进入线所需的时间,为车辆在tm+1时刻的预测速度,vc为车辆在[Pa,Pb]之间的车辆最大巡航速度,为车辆在tm+1时刻与路口进入线之间的距离,a为车辆加速度。
式中,为车辆从tm+1时刻的位置到达路口进入线所需的时间,为车辆在tm+1时刻的预测速度,为车辆在tm+1时刻与进入线之间的距离,a为车辆自身的加速度(车辆信息系统自行感知这一数据)。当时,vx为车辆最大巡航速度vc,否则,vx为车辆最大行驶速度vm。
式中,为车辆从tm+1时刻的位置到达路口进入线所需的时间,为车辆在tm+1时刻的预测速度,vc为车辆在[Pa,Pb]之间的车辆最大巡航速度,为车辆在tm+1时刻与路口进入线之间的距离,a为车辆加速度。
使用上述生成的数据值更新虚拟交通对象的相关状态,同时m++。如果m≥M,则继续执行步骤七,否则重复步骤六。
步骤七、车辆授权预测。
本实施例中,AIC所采用的授权策略为基于到达时间的FAFP-MQ(First ArriveFirst Pass-Multi Queue)策略。其主要思想是,每当路口空闲时,AIC选择预计最早到达路口的车辆所在车道上的前N辆车进行授权,N是用户设定的一个自然数值,如5等。
步骤八、道路权值预测。
根据前述步骤中记录的车辆通过路口时刻、位置数据等属性值可得到预测时刻道路上的车辆数目值,之后根据BPR路阻函数,即公式11计算路网中每条道路的预测权值,更新全局交通路网拓扑图。至此,本次预测结束。
式中,tab为车辆从a点行驶到b点所需的时间,该值越大意味着道路的通行能力越差;αab为车辆以最大限行速度从a点行驶到b点所需的时间;fab为预测的处于a点和b点之间的车辆数量;Cab为道路的最大理想车辆容量;δ,τ取值分别为0.15和4。
依据本发明所描述的方法,本领域的技术人员即可设计出面向网联智能交通系统的云端交通流实时预测服务实施例。
Claims (7)
1.一种网联智能交通系统中的云端交通态势预测方法,其特征在于,包括以下步骤:
步骤一,交通云对全局交通路网进行初始化;建立与物理路口、道路、车辆相对应的虚拟路口、虚拟道路、虚拟车辆模型和数据结构;
步骤二,交通云向城市内道路上每一辆网联智能车及每一个路口单元分别发送车辆状态查询消息及路口通行时间统计消息;每辆车实时更新运动状态数据,包括位置、速度和加速度,发送给交通云,形成车辆预测数据表;每个路口单元采集并记录所有车辆通过路口的时间信息,发送到交通云,形成通过路口时间数据表;
步骤四,遍历队列计算每辆车在第k轮次授权通过路口的预测时刻式中,为车辆在第k-1轮次授权预测计算得到的到达当前路口时刻;为车辆通过所需临界区序列的预测耗时;如果中存在某车辆的超过了预测结束时刻tF,则跳转至步骤八,否则执行步骤五;
步骤六,对于每个路口Ij,计算其驶入车道上所有车辆的预测速度、预测行驶距离、预测位置及预测到达路口进入线时刻,进而更新虚拟交通对象的相关状态,同时m值加1;如果m≥M,则执行步骤七,否则重复本步骤;
步骤七,对于每个路口Ij,根据时刻驶入道路上所有车辆的速度及位置,将能通过预约线的虚拟车辆对象存入根据该路口所采用的多车协同授权策略预测出下一轮的车辆授权情况,清空从中选出将被授权的车辆存入中;令k值加1,跳转执行步骤四;
步骤八,根据前述步骤中记录的车辆通过路口时刻、位置数据预测tF时刻道路上的车辆数目,根据BPR路阻函数计算路网中每条道路的预测权值,更新全局交通路网拓扑图。
2.根据权利要求1所述的网联智能交通系统中的云端交通态势预测方法,其特征在于,所述的步骤二中,每辆车实时更新运动状态数据,在收到车辆状态查询消息后发送给交通云;每个路口单元采集并记录所有车辆通过路口的时间信息,在收到路口通行时间统计消息后发送到交通云。
4.根据权利要求1所述的网联智能交通系统中的云端交通态势预测方法,其特征在于,所述的车辆预测速度是从车辆预测数据表中提取待预测车辆的行驶特征,包括车辆当前速度、加速度、位置以及待预测车辆前车的速度、加速度变化幅度、到所预约第一个临界区的距离、其前方车辆的数量以及车辆间的距离,形成车速预测的特征向量,并将该特征向量输入至车速预测神经网络,得到车辆在tm+1时刻的预测速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110413494.6A CN113140108B (zh) | 2021-04-16 | 2021-04-16 | 一种网联智能交通系统中的云端交通态势预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110413494.6A CN113140108B (zh) | 2021-04-16 | 2021-04-16 | 一种网联智能交通系统中的云端交通态势预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113140108A true CN113140108A (zh) | 2021-07-20 |
CN113140108B CN113140108B (zh) | 2022-08-02 |
Family
ID=76812627
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110413494.6A Active CN113140108B (zh) | 2021-04-16 | 2021-04-16 | 一种网联智能交通系统中的云端交通态势预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113140108B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114004429A (zh) * | 2022-01-04 | 2022-02-01 | 苏州元澄科技股份有限公司 | 一种用于构建数字城市的数据处理方法和系统 |
CN115662114A (zh) * | 2022-10-08 | 2023-01-31 | 广州玩鑫信息科技有限公司 | 一种基于大数据的用于缓解拥堵的智能交通系统及其运行方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140358841A1 (en) * | 2012-01-20 | 2014-12-04 | Toyota Jidosha Kabushiki Kaisha | Vehicle behavior prediction device and vehicle behavior prediction method, and driving assistance device |
CN104867329A (zh) * | 2015-04-23 | 2015-08-26 | 同济大学 | 一种车联网车辆状态预测方法 |
US9633560B1 (en) * | 2016-03-30 | 2017-04-25 | Jason Hao Gao | Traffic prediction and control system for vehicle traffic flows at traffic intersections |
US20180043829A1 (en) * | 2016-08-10 | 2018-02-15 | Surround.IO Corporation | Method and Apparatus for Providing Automatic Mirror Setting Via Inward Facing Cameras |
CN108877269A (zh) * | 2018-08-20 | 2018-11-23 | 清华大学 | 一种交叉路口车辆状态检测及v2x广播方法 |
CN109191852A (zh) * | 2018-10-25 | 2019-01-11 | 西北工业大学 | 车-路-云协同的交通流态势预测方法 |
CN109448381A (zh) * | 2018-12-19 | 2019-03-08 | 安徽江淮汽车集团股份有限公司 | 一种基于车联网大数据的交通路况预测方法 |
US20190250949A1 (en) * | 2018-02-14 | 2019-08-15 | Citrix Systems, Inc. | Auto-scaling for allocation of cloud service resources in application deployments |
CN111383481A (zh) * | 2020-03-03 | 2020-07-07 | 东南大学 | 城市拥堵路口智能网联汽车绿色通行车速优化方法 |
CN111508224A (zh) * | 2019-01-30 | 2020-08-07 | 奥迪股份公司 | 交通状态的预测方法、装置、计算机设备和存储介质 |
-
2021
- 2021-04-16 CN CN202110413494.6A patent/CN113140108B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140358841A1 (en) * | 2012-01-20 | 2014-12-04 | Toyota Jidosha Kabushiki Kaisha | Vehicle behavior prediction device and vehicle behavior prediction method, and driving assistance device |
CN104867329A (zh) * | 2015-04-23 | 2015-08-26 | 同济大学 | 一种车联网车辆状态预测方法 |
US9633560B1 (en) * | 2016-03-30 | 2017-04-25 | Jason Hao Gao | Traffic prediction and control system for vehicle traffic flows at traffic intersections |
US20180043829A1 (en) * | 2016-08-10 | 2018-02-15 | Surround.IO Corporation | Method and Apparatus for Providing Automatic Mirror Setting Via Inward Facing Cameras |
US20190250949A1 (en) * | 2018-02-14 | 2019-08-15 | Citrix Systems, Inc. | Auto-scaling for allocation of cloud service resources in application deployments |
CN108877269A (zh) * | 2018-08-20 | 2018-11-23 | 清华大学 | 一种交叉路口车辆状态检测及v2x广播方法 |
CN109191852A (zh) * | 2018-10-25 | 2019-01-11 | 西北工业大学 | 车-路-云协同的交通流态势预测方法 |
CN109448381A (zh) * | 2018-12-19 | 2019-03-08 | 安徽江淮汽车集团股份有限公司 | 一种基于车联网大数据的交通路况预测方法 |
CN111508224A (zh) * | 2019-01-30 | 2020-08-07 | 奥迪股份公司 | 交通状态的预测方法、装置、计算机设备和存储介质 |
CN111383481A (zh) * | 2020-03-03 | 2020-07-07 | 东南大学 | 城市拥堵路口智能网联汽车绿色通行车速优化方法 |
Non-Patent Citations (4)
Title |
---|
JIAXING ZHANG ET AL.: "Vehicle Tracking and Speed Estimation From Roadside Lidar", 《 IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 * |
KAILONG ZHANG ET AL.: "State-Driven Priority Scheduling Mechanisms for Driverless Vehicles Approaching Intersections", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS 》 * |
YIJUN MIAO ET AL.: "Urban Road Network Traffic Volume Prediction", 《2018 PROGNOSTICS AND SYSTEM HEALTH MANAGEMENT CONFERENCE 》 * |
郭戈等: "网联共享车路协同智能交通系统综述", 《控制与决策》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114004429A (zh) * | 2022-01-04 | 2022-02-01 | 苏州元澄科技股份有限公司 | 一种用于构建数字城市的数据处理方法和系统 |
CN115662114A (zh) * | 2022-10-08 | 2023-01-31 | 广州玩鑫信息科技有限公司 | 一种基于大数据的用于缓解拥堵的智能交通系统及其运行方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113140108B (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10775184B2 (en) | Systems and methods for routing a fleet of vehicles | |
Jindal et al. | Optimizing taxi carpool policies via reinforcement learning and spatio-temporal mining | |
Amirgholy et al. | Optimal design of sustainable transit systems in congested urban networks: A macroscopic approach | |
CN105938572B (zh) | 一种物流存储系统预防干涉的多自动导引车路径规划方法 | |
CN107919014B (zh) | 面向多载客里程的出租车运行线路优化方法 | |
Narzt et al. | Self-organising congestion evasion strategies using ant-based pheromones | |
Schlote et al. | Delay-tolerant stochastic algorithms for parking space assignment | |
CN110390349A (zh) | 基于XGBoost模型的公交车客流量预测建模方法 | |
CN113140108B (zh) | 一种网联智能交通系统中的云端交通态势预测方法 | |
Chen et al. | Uncertainty in urban mobility: Predicting waiting times for shared bicycles and parking lots | |
CN109191852B (zh) | 车-路-云协同的交通流态势预测方法 | |
CN103337161A (zh) | 基于实时仿真模型的交叉口动态综合评价及信控系统优化方法 | |
CN109272745A (zh) | 一种基于深度神经网络的车辆轨迹预测方法 | |
CN108010378A (zh) | 停车场泊位占用率预测方法、装置、设备及存储介质 | |
Li et al. | Deep learning based parking prediction on cloud platform | |
CN111397620B (zh) | 快充/慢充模式下的电动汽车充电导航方法及系统 | |
CN109118787A (zh) | 一种基于深度神经网络的车辆速度预测方法 | |
Liu et al. | Bus pooling: A large-scale bus ridesharing service | |
CN109816978B (zh) | 考虑驾驶员动态响应行为的区域群体交通诱导系统及方法 | |
Dai et al. | A balanced assignment mechanism for online taxi recommendation | |
CN114758497A (zh) | 一种自适应停车场可变出入口控制方法、装置及存储介质 | |
CN114333361A (zh) | 一种信号灯配时方法及装置 | |
CN112926768A (zh) | 基于时空注意力机制的地面道路车道级交通流预测方法 | |
EP4252217A1 (en) | Distributed multi-task machine learning for traffic prediction | |
CN113724507A (zh) | 基于深度强化学习的交通控制与车辆诱导协同方法和系统 |
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 |