CN113223293B - 路网仿真模型的构建方法、装置及电子设备 - Google Patents
路网仿真模型的构建方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113223293B CN113223293B CN202110491350.2A CN202110491350A CN113223293B CN 113223293 B CN113223293 B CN 113223293B CN 202110491350 A CN202110491350 A CN 202110491350A CN 113223293 B CN113223293 B CN 113223293B
- Authority
- CN
- China
- Prior art keywords
- path
- target vehicle
- continuous
- road 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.)
- Active
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 289
- 238000010276 construction Methods 0.000 title claims description 11
- 230000003068 static effect Effects 0.000 claims abstract description 100
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000004891 communication Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 11
- 230000006399 behavior Effects 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
Abstract
本发明实施例提供了路网仿真模型的构建方法、装置及电子设备,应用于交通仿真技术领域,该方法包括:基于交通场景的电警过车数据,确定每一目标车辆的连续行车路径;将各条连续行车路径传递给路网仿真软件,以使所述路网仿真软件在所述交通场景的静态路网仿真模型中,按照各条连续行车路径仿真运行多个仿真车辆;获取在仿真运行多个仿真车辆时,所述静态路网仿真模型所表征的所述交通场景的仿真状态信息;若所述仿真状态信息与所述目标交通状态信息的差异符合模型收敛条件,得到训练完成的路网仿真模型;否则,调整所述静态路网仿真模型中的交通动力学模型参数,并继续训练所述静态路网仿真模型。通过本方案,可以提高路网仿真模型的准确性。
Description
技术领域
本发明涉及交通仿真技术领域,特别是涉及路网仿真模型的构建方法、装置及电子设备。
背景技术
针对当前日益严重的交通拥堵问题,路网仿真模型在分析和处理复杂交通情景时发挥着重要作用。其中,路网仿真模型是对交通场景中道路环境和车辆运行状态进行仿真的模型。
相关技术中,路网仿真模型的构建过程包括:获取预先统计的交通场景的OD(Origin Destination,起讫点)信息和交通状态信息,该交通状态信息用于反映堵塞状态;基于OD信息,在静态路网仿真模型中生成相应的仿真车辆,并进行仿真运行,统计出静态路网仿真模型仿真后的交通状态信息,再对比交通场景的交通状态信息与所仿真的交通状态信息之间的差异,最后基于交通状态信息之间的差异,对路网仿真模型中的交通动力学模型参数进行调整,直至训练完成交通场景的路网仿真模型。其中,静态路网仿真模型是针对交通场景中的道路环境所生成的仿真模型,其包括交通场景中的路口、道路等。
由于OD信息不能全面反映出交通场景中车辆的出行情况,使得对所生成的仿真车辆进行仿真运行时与实际交通场景中车辆的运行情况相差较大,使得最终训练完成的路网仿真模型不准确。
发明内容
本发明实施例的目的在于提供一种路网仿真模型的构建方法、装置及电子设备,以提高路网仿真模型的准确性。具体技术方案如下:
第一方面,本发明实施例提供一种路网仿真模型的构建方法,包括:
基于交通场景的电警过车数据,确定每一目标车辆的连续行车路径,其中,所述目标车辆为所述电警过车数据所记录的车辆,每一目标车辆的连续行车路径为:该车辆在所述交通场景中连续行车所经过的路口组成的路径;
将各条连续行车路径传递给路网仿真软件,以使所述路网仿真软件在所述交通场景的静态路网仿真模型中,按照各条连续行车路径仿真运行多个仿真车辆;
获取在仿真运行多个仿真车辆时,所述静态路网仿真模型所表征的所述交通场景的交通状态信息,作为仿真状态信息;
若所述仿真状态信息与所述目标交通状态信息的差异符合模型收敛条件,得到训练完成的路网仿真模型;否则,调整所述静态路网仿真模型中的交通动力学模型参数,并继续训练所述静态路网仿真模型。
在一种实现方式中,所述基于交通场景的电警过车数据,确定每一目标车辆的连续行车路径,包括:
基于交通场景中各路口的电警过车数据,确定每一目标车辆所经过的路口和经过路口时的过车时间;
针对每一目标车辆,基于该目标车辆所经过的路口和经过路口时的过车时间,确定该目标车辆的连续行车路径。
在一种实现方式中,所述基于该目标车辆所经过的路口和经过路口时的过车时间,确定该目标车辆的连续行车路径,包括:
按照经过路口的行车时间的先后顺序,对该目标车辆所经过的路口进行排序,得到该目标车辆的预选行车路径;
基于该目标车辆经过所述预选行车路径中每一路口的过车时间,判断所述预选行车路径中是否存在相邻、且过车时间的差值大于预设时间差的两个路口;
若存在,则从相邻且过车时间的差值大于预设时间差的两个路口处,对所述预选行车路径进行划分,得到多个子路径,并将每个子路径作为该目标车辆的预选连续路径,否则,则将所述预选行车路径作为该目标车辆的预选连续路径;
基于该目标车辆的预选连续路径,确定该目标车辆的连续行车路径。
在一种实现方式中,所述基于该目标车辆的预选连续路径,确定该目标车辆的连续行车路径,包括:
判断该目标车辆的预选连续路径中各相邻的路口在所述交通场景中是否连续;
若均连续,则将该目标车辆的预选连续路径作为该目标车辆的连续行车路径,否则,则基于该目标车辆的预选连续路径确定该目标车辆的连续路径集合,并从连续路径集合包含的路径中,选取该目标车辆的连续行车路径,其中,所述连续路径集合中每一路径均覆盖该目标车辆的预选连续路、且在所述交通场景中均连续。
在一种实现方式中,所述从连续路径集合包含的路径中,选取该目标车辆的连续行车路径,包括:
从连续路径集合包含的路径中,筛选出路径长度最短的路径,作为该目标车辆的连续行车路径;或者,
获取所述连续路径集合中每一路径的中各路口间的车流值和车辆排队长度;基于所获取的车流值和车辆排队长度,计算所述连续路径集合中每一路径属于该目标车辆实际行驶路径的概率;将概率最大的路径作为该目标车辆的连续行车路径。
在一种实现方式中,所述基于所获取的车流值和车辆排队长度,计算所述连续路径集合中每一路径属于该目标车辆实际行驶路径的概率,包括:
按照以下公式,计算所述连续路径集合中每一路径为该目标车辆实际行驶路径的概率:
其中,p′i为所述连续路径集合中第i个路径为该目标车辆实际行驶路径的概率,n为第i个路径包含的路段数量,M为所述连续路径集合包含的路径的数量,Flowi1,…,Flowin分别表示第i个路径包含的1-n段路段中每一路段的车流值,Leni1,…,Lenin分别表示第i个路径包含的1-n段路段中每一路段的车辆排队长度,Flow1表示所述连续路径集合中第1个路径包含的各路段的车流值之和,FlowM表示所述连续路径集合中第M个路径包含的各路段的车流值之和,Len1表示所述连续路径集合中第1个路径包含的各路段的车辆排队长度之和,LenM表示所述连续路径集合中第M个路径包含的各路段的车辆排队长度之和。
在一种实现方式中,在所述将各条连续行车路径传递给路网仿真软件,以使所述路网仿真软件在所述交通场景的静态路网仿真模型中,按照各条连续行车路径仿真运行多个仿真车辆之前,所述方法还包括:
获取待仿真的交通场景的地图数据;
基于所述地图数据,提取所述交通场景的交通供给信息;
基于所述交通供给信息构建所述交通场景的静态路网仿真模型。
在一种实现方式中,所述继续训练所述静态路网仿真模型,包括:
采用并行训练的方式,继续训练所述静态路网仿真模型。
第二方面,本发明实施例提供一种路网仿真模型的构建装置,包括:
路径确定模块,用于基于交通场景的电警过车数据,确定每一目标车辆的连续行车路径,其中,所述目标车辆为所述电警过车数据所记录的车辆,每一目标车辆的连续行车路径为:该车辆在所述交通场景中连续行车所经过的路口组成的路径;
仿真运行模块,用于将各条连续行车路径传递给路网仿真软件,以使所述路网仿真软件在所述交通场景的静态路网仿真模型中,按照各条连续行车路径仿真运行多个仿真车辆;
信息获取模块,用于获取在仿真运行多个仿真车辆时,所述静态路网仿真模型所表征的所述交通场景的交通状态信息,作为仿真状态信息;
参数调整模块,用于若所述仿真状态信息与所述目标交通状态信息的差异符合模型收敛条件,得到训练完成的路网仿真模型;否则,调整所述静态路网仿真模型中的交通动力学模型参数,并继续训练所述静态路网仿真模型。
在一种实现方式中,所述路径确定模块,具体用于基于交通场景中各路口的电警过车数据,确定每一目标车辆所经过的路口和经过路口时的过车时间;针对每一目标车辆,基于该目标车辆所经过的路口和经过路口时的过车时间,确定该目标车辆的连续行车路径。
在一种实现方式中,所述路径确定模块,具体用于按照经过路口的行车时间的先后顺序,对该目标车辆所经过的路口进行排序,得到该目标车辆的预选行车路径;基于该目标车辆经过所述预选行车路径中每一路口的过车时间,判断所述预选行车路径中是否存在相邻、且过车时间的差值大于预设时间差的两个路口;若存在,则从相邻且过车时间的差值大于预设时间差的两个路口处,对所述预选行车路径进行划分,得到多个子路径,并将每个子路径作为该目标车辆的预选连续路径,否则,则将所述预选行车路径作为该目标车辆的预选连续路径;基于该目标车辆的预选连续路径,确定该目标车辆的连续行车路径。
在一种实现方式中,所述路径确定模块,具体用于判断该目标车辆的预选连续路径中各相邻的路口在所述交通场景中是否连续;若均连续,则将该目标车辆的预选连续路径作为该目标车辆的连续行车路径,否则,则基于该目标车辆的预选连续路径确定该目标车辆的连续路径集合,并从连续路径集合包含的路径中,选取该目标车辆的连续行车路径,其中,所述连续路径集合中每一路径均覆盖该目标车辆的预选连续路、且在所述交通场景中均连续。
在一种实现方式中,所述路径确定模块,具体用于从连续路径集合包含的路径中,筛选出路径长度最短的路径,作为该目标车辆的连续行车路径;或者,获取所述连续路径集合中每一路径的中各路口间的车流值和车辆排队长度;基于所获取的车流值和车辆排队长度,计算所述连续路径集合中每一路径属于该目标车辆实际行驶路径的概率;将概率最大的路径作为该目标车辆的连续行车路径。
在一种实现方式中,所述路径确定模块,具体用于按照以下公式,计算所述连续路径集合中每一路径为该目标车辆实际行驶路径的概率:
其中,p′i为所述连续路径集合中第i个路径为该目标车辆实际行驶路径的概率,n为第i个路径包含的路段数量,M为所述连续路径集合包含的路径的数量,Flowi1,…,Flowin分别表示第i个路径包含的1-n段路段中每一路段的车流值,Leni1,…,Lenin分别表示第i个路径包含的1-n段路段中每一路段的车辆排队长度,Flow1表示所述连续路径集合中第1个路径包含的各路段的车流值之和,FlowM表示所述连续路径集合中第M个路径包含的各路段的车流值之和,Len1表示所述连续路径集合中第1个路径包含的各路段的车辆排队长度之和,LenM表示所述连续路径集合中第M个路径包含的各路段的车辆排队长度之和。
在一种实现方式中,所述装置还包括:
模型构建模块,用于在仿真运行模块执行所述将各条连续行车路径传递给路网仿真软件,以使所述路网仿真软件在所述交通场景的静态路网仿真模型中,按照各条连续行车路径仿真运行多个仿真车辆之前,获取待仿真的交通场景的地图数据;基于所述地图数据,提取所述交通场景的交通供给信息;基于所述交通供给信息构建所述交通场景的静态路网仿真模型。
在一种实现方式中,所述参数调整模块,具体用于采用并行训练的方式,继续训练所述静态路网仿真模型
第三方面,本发明实施例提供一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现第一方面所述的方法步骤。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现第一方面所述的方法步骤。
本发明实施例有益效果:
本发明实施例提供的路网仿真模型的构建方法、装置及电子设备,可以基于电警过车数据确定目标车辆的连续行车路径,并在静态路网仿真模型,按照各条连续行车路径仿真运行多个仿真车辆,以得到仿真状态信息,并在仿真状态信息与目标交通状态信息的差异不符合模型收敛条件时,调整静态路网仿真模型中的交通动力学模型参数,并继续训练所述静态路网仿真模型,直至仿真状态信息与目标交通状态信息的差异符合模型收敛条件,得到训练完成的路网仿真模型。由于相比于OD信息,连续行车路径包含的路网交通需求信息更全面,可以更全面反映出交通场景中车辆的出行情况,使得训练完成的路网仿真模型的准确性更高。
当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的实施例。
图1为本发明一个实施例所提供的路网仿真模型的构建方法的流程图;
图2为本发明另一个实施例所提供的路网仿真模型的构建方法的流程图;
图3为本发明另一个实施例所提供的路网仿真模型的构建方法的流程图;
图4为本发明另一个实施例所提供的路网仿真模型的构建方法的流程图;
图5为本发明实施例所提供的分布式并行仿真参数优化框架的示意图;
图6为本发明实施例所提供的结合应用场景的路网仿真模型方法的示意图;
图7为本发明实施例提供的路网仿真模型的构建装置的结构示意图;
图8为本发明实施例所提供的电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员基于本申请所获得的所有其他实施例,都属于本发明保护的范围。
相关技术中,由于静态路网仿真模型中用于控制仿真车辆的驾驶行为(跟车行为、变道行为等)的交通动力学模型参数为默认的,使得在运行静态路网仿真模型时,静态路网仿真模型中所运行的仿真车辆的驾驶行为与交通场景中车辆的驾驶行为相差较大,因此,在得到静态路网仿真模型后,需要对静态路网仿真模型中的交通动力学模型参数进行调整。
而现有技术中采用的是基于OD信息对静态路网仿真模型进行仿真运行,由于OD信息不能全面反映出交通场景中车辆的出行情况,使得调整得到的交通动力学模型参数不能很好的反映交通场景中车辆的行驶行为,导致最终训练完成的路网仿真模型不准确。
为了提高路网仿真模型的准确性,本发明实施例提供了路网仿真模型的构建方法、装置和电子设备。
需要说明的是,本发明实施例可以应用于各类电子设备,例如,个人电脑、服务器、手机以及其他具有数据处理能力的设备。并且,本发明实施例提供的路网仿真模型的构建可以通过软件、硬件或软硬件结合的方式实现。
可选的,在一种实施例中,应用本发明实施例的电子设备,可以运行有路网仿真软件,或者与运行有路网仿真软件的电子设备之间相通信。其中,本发明实施例所提及的路网仿真软件可以为微中观交通仿真软件。
针对每一交通场景而言,需要先确定该交通场景的静态路网仿真模型,该静态路网仿真模型为针对该交通场景中道路环境所生成的仿真模型,其生成方式可以为多种。示例性的,可以通过人工收集交通场景的交通供给信息,再按照交通供给信息,在交通仿真软件中构建交通场景的静态路网仿真模型,其中,交通供给信息包括道路描述信息和道路信控信息。其中,道路描述信息包括渠化信息(左转车道、直行车道、右转车道等)和道路线性信息(车道数量、车道宽度、道路限速等),而道路信控信息包括交通路口的红绿灯的信控数据等信控数据。
为了提高静态路网仿真模型的生成效率,在一种实现方式中,关于静态路网仿真模型的生成方式,可以包括
获取待仿真的交通场景的地图数据;基于地图数据,提取交通场景的交通供给信息;基于交通供给信息构建交通场景的静态路网仿真模型。
其中,待仿真的交通场景的地图数据包括针对该交通场景中渠化信息和道路线性信息进行描述数据,因此,可以从地图数据中提取出交通场景中渠化信息和道路线性信息,进而结合预先收集的交通场景中的信控数据,生成交通场景的交通供给信息。再按照路网仿真软件约定的规则,生成针对该交通场景的模型配置文件,再将该模型配置文件加载进路网仿真软件中,生成静态仿真模型。其中,针对SUMO软件而言,其模型配置文件的格式可以为静态基础路网文件,格式为*.net.xml文件。
下面首先对本发明实施例所提供的路网仿真模型的构建方法进行介绍。
如图1所示,本发明实施例提供的一种路网仿真模型的构建方法,可以包括如下步骤:
S101,基于交通场景的电警过车数据,确定每一目标车辆的连续行车路径,其中,目标车辆为电警过车数据所记录的车辆,每一目标车辆的连续行车路径为:该车辆在交通场景中连续行车所经过的路口组成的路径;
其中,电警过车数据为交通场景中电警数据采集设备的路口所采集的数据,包括车辆的车辆标识(车牌)和车辆的过车时间。其中,电警数据采集设备可以为图像采集设备,如摄像机等。
举例而言,路口1中的摄像机在12:03分拍摄到车辆1,则生成一条电警过车数据{车辆1,12:03},表示车辆1在12:03分经过路口1。
一个交通场景的电警过车数据为该交通场景中各目标路口所采集的电警过车数据,其中,目标路口为配置有电警数据采集设备的路口。可选的,若交通场景的所有路口均配置有电警数据采集设备,则该交通场景的目标路口为该交通场景所包含路口中的任意路口。
由于电警过车数据包括车辆标识和过车时间,因此,通过电警过车数据,可以针对目标车辆,确定该目标车辆经过每一目标路口的时间,从而可以确定该车辆出该车辆的连续行车路径。
举例而言,交通场景包含的目标路口有路口1、路口2和路口3,其中,路口1的电警过车数据包括:{(车辆1,12:03),(车辆2,14:05)},路口2的电警过车数据包括:{(车辆1,11:49)},路口3的电警过车数据包括:{(车辆1,12:07),(车辆2,14:00)},则针对车辆1而言,其连续行车路径可以为:路口2-路口1-路口3,而针对车辆2而言,其连续行车路径可以为:路口3-路口1。
S102,将各条连续行车路径传递给路网仿真软件,以使路网仿真软件在交通场景的静态路网仿真模型中,按照各条连续行车路径仿真运行多个仿真车辆;
其中,静态路网仿真模型可以按照前述所提及的静态路网仿真模型生成方式生成,在此不再赘述。
可选的,当路网仿真软件运行在应用本发明实施例的电子设备时,可以直接调用运行在电子设备中的路网仿真模型,在交通场景的静态路网仿真模型中,按照各条连续行车路径仿真运行多个仿真车辆。当运行路网仿真软件的电子设备与应用本发明实施例的电子设备不同时,则可以向运行路网仿真软件的电子设备发生携带有各条连续行车路径的调用指令,以使得运行有路网仿真软件的电子设备调路网仿真软件在交通场景的静态路网仿真模型中,按照各条连续行车路径仿真运行多个仿真车辆。
可选的,可以每一运行的仿真车辆与一条连续行车路径对应,即该仿真车辆按照该连续行车路径在静态路网仿真模型运行。
示例性的,各条连续行车路径包括连续行车路径1(路口1-路口2-路口3-路口5),连续行车路径2(路口2-路口1-路口4-路口6),连续行车路径3(路口5-路口3-路口2-路口1),则在静态路网仿真模型生成仿真车辆1按照连续行车路径1运行、生成仿真车辆2按照连续行车路径2运行,以及生成仿真车辆3按照连续行车路径3运行。
S103,获取在仿真运行多个仿真车辆时,静态路网仿真模型所表征的交通场景的交通状态信息,作为仿真状态信息;
其中,交通状态信息可以包括每个仿真路口中的排队长度和断面流量,其中,排队长度为:预设时间间隔内路口进口道附近最大停车排队长度的平均值,单位可以为米(m),断面流量可以为:预设时间间隔内,路口停车线处通过的车流量。
当仿真结束后,可以统计交通场景包含的各路口的排队长度和断面流量,可选的,交通状态信息可以包括各路口的排队长度和断面流量的平均值。
举例而言,交通场景包含的路口有仿真路口1、仿真路口2和仿真路口3,仿真运行结束后,仿真路口1的排队长度3m,断面流量为5辆车,仿真路口2的排队长度6m,断面流量为10辆车,仿真路口3的排队长度6m,断面流量为3辆车,则交通状态信息包含的排队长度为(3m+6m+6m)/3=5m,断面流量=(5辆+10辆+3辆)/3=6辆。
S104,若仿真状态信息与目标交通状态信息的差异符合模型收敛条件,得到训练完成的路网仿真模型;否则,调整静态路网仿真模型中的交通动力学模型参数,并继续训练静态路网仿真模型。
其中,符合模型收敛条件可以为根据实际使用场景和需求确定的,如可以为断面流量偏差小于15%,且路段排队长度偏差小于20%。
当仿真状态信息与目标交通状态信息的差异符合模型收敛条件,则认为此时的仿真能够很好的还原真实环境了,则判定终止标定得到训练完成的路网仿真模型。
当仿真状态信息与目标交通状态信息的差异不符合模型收敛条件,则可以按照预设的参数调整方式调整静态路网仿真模型中的交通动力学模型参数,并继续训练静态路网仿真模型,及即以调整后的交通动力学模型参数在交通场景的静态路网仿真模型中,按照各条连续行车路径仿真运行多个仿真车辆,并获取仿真状态信息,以进行迭代。
本方案可以基于电警过车数据确定目标车辆的连续行车路径,并在静态路网仿真模型,按照各条连续行车路径仿真运行多个仿真车辆,以得到仿真状态信息,并在仿真状态信息与目标交通状态信息的差异不符合模型收敛条件时,调整静态路网仿真模型中的交通动力学模型参数,并继续训练所述静态路网仿真模型,直至仿真状态信息与目标交通状态信息的差异符合模型收敛条件,得到训练完成的路网仿真模型。由于相比于OD信息,连续行车路径包含的路网交通需求信息更全面,可以更全面反映出交通场景中车辆的出行情况,使得训练完成的路网仿真模型的准确性更高。
基于图1的实施例,如图2所示,本发明的另一实施例所提供的路网仿真模型的构建方法,上述步骤S101可以包括:
S1011,基于交通场景中各路口的电警过车数据,确定每一目标车辆所经过的路口和经过路口时的过车时间;
举例而言,交通场景包含的目标路口有路口1、路口2和路口3,其中,路口1的电警过车数据包括:{(车辆1,12:03),(车辆2,14:05)},路口2的电警过车数据包括:{(车辆1,11:49)},路口3的电警过车数据包括:{(车辆1,12:07),(车辆2,14:00)},则针对车辆1而言,在12:03经过路口1,在11:49经过路口2,在12:07经过路口3。针对车辆2而言,在14:05经过路口1,在14:00经过路口3。
S1012,针对每一目标车辆,基于该目标车辆所经过的路口和经过路口时的过车时间,确定该目标车辆的连续行车路径。
以上述示例进行说明,车辆1而言,在12:03经过路口1,在11:49经过路口2,在12:07经过路口3,则车辆1的连续行车路径可以为:路口2-路口1-路口3,而针对车辆2而言,在14:05经过路口1,在14:00经过路口3,其连续行车路径可以为:路口3-路口1。
本方案可以基于电警过车数据确定目标车辆的连续行车路径,并在静态路网仿真模型,按照各条连续行车路径仿真运行多个仿真车辆,以得到仿真状态信息,并在仿真状态信息与目标交通状态信息的差异不符合模型收敛条件时,调整静态路网仿真模型中的交通动力学模型参数,并继续训练所述静态路网仿真模型,直至仿真状态信息与目标交通状态信息的差异符合模型收敛条件,得到训练完成的路网仿真模型。由于相比于OD信息,连续行车路径包含的路网交通需求信息更全面,可以更全面反映出交通场景中车辆的出行情况,使得训练完成的路网仿真模型的准确性更高。
基于图2的实施例,如图3所示,本发明的另一实施例所提供的路网仿真模型的构建方法,上述步骤S1012可以包括:
S1012A,按照经过路口的行车时间的先后顺序,对该目标车辆所经过的路口进行排序,得到该目标车辆的预选行车路径;
示例型的,存在车辆3:在12:03经过路口1,在11:49经过路口2,在12:07经过路口3,在15:30经过路口4,在15:35经过路口6,在15:40经过路口7;
则对车辆3按照经过路口的行车时间的先后顺序,对该目标车辆所经过的路口进行排序,得到路口2-路口1-路口3-路口4-路口6-路口7,则得到车辆3的预选行车路径为:路口2-路口1-路口3-路口4-路口6-路口7。
S1012B,基于该目标车辆经过预选行车路径中每一路口的过车时间,判断预选行车路径中是否存在相邻、且过车时间的差值大于预设时间差的两个路口;
当目标车辆在预选行车路径中存在相邻、且过车时间相差较大的两个路口时,则说明该目标车辆不是连续的从前一路口行驶至后一路口。举例而言,车辆3的预选行车路径为:路口2-路口1-路口3-路口4-路口6-路口7,其中,车辆3经过路口3的时间为12:07,而经过路口4的时间为15:30,相差3小时23分钟,而在一个交通场景中,基本不可能存在连续行车3小时23分钟的车辆,因此,不能将路口2-路口1-路口3-路口4-路口6-路口7视为一条连续行车路径。
为了从预选行车路径中确定真正的连续行车路径,可以基于目标车辆经过预选行车路径中每一路口的过车时间,判断预选行车路径中是否存在相邻、且过车时间的差值大于预设时间差的两个路口。
其中,预设时间差可以基于实际使用场景和需求确定,如可以为5分钟。
S1012C,若存在,则从相邻且过车时间的差值大于预设时间差的两个路口处,对预选行车路径进行划分,得到多个子路径,并将每个子路径作为该目标车辆的预选连续路径,否则,则将预选行车路径作为该目标车辆的预选连续路径;
其中,若预选行车路径中存在相邻、且过车时间的差值大于预设时间差的两个路口,则说明在过车时间的差值大于预设时间差的两个路口是分属于两条连续行车路径的路口,因此,可以从相邻且过车时间的差值大于预设时间差的两个路口处,对预选行车路径进行划分,得到多个预选连续路径。
示例型的,车辆3的预选行车路径为:路口2-路口1-路口3-路口4-路口6-路口7,由于车辆3经过路口3的时间为12:07,而经过路口4的时间为15:30,其过车时间的差值为3小时23分钟,若预设时间差为5分钟,则需要从路口3-路口4处进行划分,得到路口2-路口1-路口3和路口4-路口6-路口7两条预选连续路径。
若预选行车路径中不存在相邻、且过车时间的差值大于预设时间差的两个路口,则说明预选行车路径属于一条连续行车路径,不需要进行划分。
S1012D,基于该目标车辆的预选连续路径,确定该目标车辆的连续行车路径。
可选的,在一种实现方式中,上述S1012D,可以包括:
判断该目标车辆的预选连续路径中各相邻的路口在交通场景中是否连续;若均连续,则将该目标车辆的预选连续路径作为该目标车辆的连续行车路径,否则,则基于该目标车辆的预选连续路径确定该目标车辆的连续路径集合,并从连续路径集合包含的路径中,选取该目标车辆的连续行车路径,其中,连续路径集合中每一路径均覆盖该目标车辆的预选连续路、且在交通场景中均连续。
其中,当该目标车辆的预选连续路径中各相邻的路口在交通场景中不连续时,在一种实现方式中,可以采用如下两种方式中的至少一种方式从连续路径集合包含的路径中,选取该目标车辆的连续行车路径,其中:
方式一:从连续路径集合包含的路径中,筛选出路径长度最短的路径,作为该目标车辆的连续行车路径;
方式二:获取连续路径集合中每一路径的中各路口间的车流值和车辆排队长度;基于所获取的车流值和车辆排队长度,计算连续路径集合中每一路径属于该目标车辆实际行驶路径的概率;将概率最大的路径作为该目标车辆的连续行车路径。
可选的,在一种方式中,可以按照以下公式,计算连续路径集合中每一路径为该目标车辆实际行驶路径的概率:
其中,p′i为连续路径集合中第i个路径为该目标车辆实际行驶路径的概率,n为第i个路径包含的路段数量,M为连续路径集合包含的路径的数量,Flowi1,…,Flowin分别表示第i个路径包含的1-n段路段中每一路段的车流值,Leni1,…,Lenin分别表示第i个路径包含的1-n段路段中每一路段的车辆排队长度,Flow1表示连续路径集合中第1个路径包含的各路段的车流值之和,FlowM表示连续路径集合中第M个路径包含的各路段的车流值之和,Len1表示连续路径集合中第1个路径包含的各路段的车辆排队长度之和,LenM表示连续路径集合中第M个路径包含的各路段的车辆排队长度之和。
本方案可以基于电警过车数据确定目标车辆的连续行车路径,并在静态路网仿真模型,按照各条连续行车路径仿真运行多个仿真车辆,以得到仿真状态信息,并在仿真状态信息与目标交通状态信息的差异不符合模型收敛条件时,调整静态路网仿真模型中的交通动力学模型参数,并继续训练所述静态路网仿真模型,直至仿真状态信息与目标交通状态信息的差异符合模型收敛条件,得到训练完成的路网仿真模型。由于相比于OD信息,连续行车路径包含的路网交通需求信息更全面,可以更全面反映出交通场景中车辆的出行情况,使得训练完成的路网仿真模型的准确性更高。
基于图1的实施例,如图4所示,本发明的另一实施例所提供的路网仿真模型的构建方法,上述步骤S104可以包括:
S1041,判断仿真状态信息与目标交通状态信息的差异符合模型收敛条件;
其中,可以通过以下公式判断仿真状态信息与目标交通状态信息的差异是否符合模型收敛条件:
其中,MAPE表示各个断面观测流量(排队长度)和仿真流量(排队长度)偏差的平均绝对百分比误差。N表示路网中的路段总数,i表示第i条路段。表示第i条路段实际的观测断面流量/排队长度;/>表示仿真模型中第i条路段的断面流量/排队长度。
若仿真状态信息与目标交通状态信息的差异符合模型收敛条件,则执行步骤S1042,若仿真状态信息与目标交通状态信息的差异符合模型收敛条件,则执行步骤S1043。
S1042,得到训练完成的路网仿真模型;
其中,当仿真状态信息与目标交通状态信息的差异符合模型收敛条件,则认为此时的仿真能够很好的还原真实环境了,则判定终止标定得到训练完成的路网仿真模型。
S1043,调整静态路网仿真模型中的交通动力学模型参数,并继续训练静态路网仿真模型。
其中,当仿真状态信息与目标交通状态信息的差异不符合模型收敛条件,则可以按照预设的参数调整方式调整静态路网仿真模型中的交通动力学模型参数,并继续训练静态路网仿真模型,及即以调整后的交通动力学模型参数在交通场景的静态路网仿真模型中,按照各条连续行车路径仿真运行多个仿真车辆,并获取仿真状态信息,以进行迭代。
可选的,在一种实现方式中,上述S1043,可以包括:
采用并行训练的方式,继续训练静态路网仿真模型。
其中,可以通过在单台电子设备应用多线程机制,以并行训练的方式,继续训练静态路网仿真模型。或者,通过多台电子设备以并行训练的方式,继续训练静态路网仿真模型。
如图5所示,为本发明实施例提供的一种分布式并行仿真参数优化框架的示意图,本发明实施例应用于图5中的服务端,路网仿真模型运行与图5中的客户端,其中,客户端的数量可以为多个。可选的,采用遗传算法作为参数调整手段,具体流程如下:当服务端在与客户端建立连接后,服务端可以将种群信息(包括历史交通动力学模型参数与历史仿真状态信息与目标交通状态信息的差异)发送至客户端。客户端基于所接收的种群信息对在客户端中运行的静态路网仿真模型的交通动力学模型参数进行调整,并基于该调整后的交通动力学模型参数进行仿真运行,即按照各条连续行车路径仿真运行多个仿真车辆。当路网仿真软件仿真结束后,客户端获取仿真状态信息并发送至服务端。服务端在接收到仿真状态信息后,可以计算仿真状态信息与目标交通状态信息的代价函数,判断是否符合模型收敛条件。若符合模型收敛条件则结束,则得到训练完成的路网仿真模型,同时向客户端发送关闭路网仿真软件的指令。若不符合模型收敛条件则结束,则更新种群信息,返回执行上述训练过程。
可选的,上述服务端和客户端之间的通信可以基于socket(套接字)通讯机制。本发明实施例上述方案中,通过多线程机制可以在单个机器上完成多仿真环境运行过程,也可以通过socket通讯机制将单机器工作推广到多机器上并行训练路网仿真模型。从而提高路网仿真模型训练的效率。
可选的,考虑到城市路口行人和非机动车数量对微观交通仿真影响很大,尤其是行人过街严重影响着仿真还原的精确度。可以采用随机扰动的方法调整行人和非机动车数量在合理的范围内波动,之后再进行利用遗传算法并行寻优微观行为参数。
本方案可以基于电警过车数据确定目标车辆的连续行车路径,并在静态路网仿真模型,按照各条连续行车路径仿真运行多个仿真车辆,以得到仿真状态信息,并在仿真状态信息与目标交通状态信息的差异不符合模型收敛条件时,调整静态路网仿真模型中的交通动力学模型参数,并继续训练所述静态路网仿真模型,直至仿真状态信息与目标交通状态信息的差异符合模型收敛条件,得到训练完成的路网仿真模型。由于相比于OD信息,连续行车路径包含的路网交通需求信息更全面,可以更全面反映出交通场景中车辆的出行情况,使得训练完成的路网仿真模型的准确性更高。
可选的,为了更清楚阐述本发明实施例的技术方案,如图6所示,为本发明实施例提供的结合应用场景的路网仿真模型方法的示意图,图6中,先获取路网数据,包括通过地图数据获取渠化信息和道路线性信息,并通过人工获取信控数据,再基于路网数据生成静态路网仿真模型。同时,基于电警过车数据重构车辆的连续行车路径,从而结合静态路网仿真模型生成基础路网仿真模型,即生成包含有按照连续行车路径进行运行的仿真车辆的路网仿真模型。最后,将断面流量和排队长度作为标定,并行化标定参数,对基础路网仿真模型进行训练,致使模型收敛,得到训练完成的路网仿真模型。
本方案可以基于电警过车数据确定目标车辆的连续行车路径,并在静态路网仿真模型,按照各条连续行车路径仿真运行多个仿真车辆,以得到仿真状态信息,并在仿真状态信息与目标交通状态信息的差异不符合模型收敛条件时,调整静态路网仿真模型中的交通动力学模型参数,并继续训练所述静态路网仿真模型,直至仿真状态信息与目标交通状态信息的差异符合模型收敛条件,得到训练完成的路网仿真模型。由于相比于OD信息,连续行车路径包含的路网交通需求信息更全面,可以更全面反映出交通场景中车辆的出行情况,使得训练完成的路网仿真模型的准确性更高。
相应于上述路网仿真模型的构建方法,如图7所示,本发明实施例还提供了一种路网仿真模型的构建装置,装置包括:
路径确定模块701,用于基于交通场景的电警过车数据,确定每一目标车辆的连续行车路径,其中,目标车辆为电警过车数据所记录的车辆,每一目标车辆的连续行车路径为:该车辆在交通场景中连续行车所经过的路口组成的路径;
仿真运行模块702,用于将各条连续行车路径传递给路网仿真软件,以使路网仿真软件在交通场景的静态路网仿真模型中,按照各条连续行车路径仿真运行多个仿真车辆;
信息获取模块703,用于获取在仿真运行多个仿真车辆时,静态路网仿真模型所表征的交通场景的交通状态信息,作为仿真状态信息;
参数调整模块704,用于若仿真状态信息与目标交通状态信息的差异符合模型收敛条件,得到训练完成的路网仿真模型;否则,调整静态路网仿真模型中的交通动力学模型参数,并继续训练静态路网仿真模型。
在一种实现方式中,路径确定模块,具体用于基于交通场景中各路口的电警过车数据,确定每一目标车辆所经过的路口和经过路口时的过车时间;针对每一目标车辆,基于该目标车辆所经过的路口和经过路口时的过车时间,确定该目标车辆的连续行车路径。
在一种实现方式中,路径确定模块,具体用于按照经过路口的行车时间的先后顺序,对该目标车辆所经过的路口进行排序,得到该目标车辆的预选行车路径;基于该目标车辆经过预选行车路径中每一路口的过车时间,判断预选行车路径中是否存在相邻、且过车时间的差值大于预设时间差的两个路口;若存在,则从相邻且过车时间的差值大于预设时间差的两个路口处,对预选行车路径进行划分,得到多个子路径,并将每个子路径作为该目标车辆的预选连续路径,否则,则将预选行车路径作为该目标车辆的预选连续路径;基于该目标车辆的预选连续路径,确定该目标车辆的连续行车路径。
在一种实现方式中,路径确定模块,具体用于判断该目标车辆的预选连续路径中各相邻的路口在交通场景中是否连续;若均连续,则将该目标车辆的预选连续路径作为该目标车辆的连续行车路径,否则,则基于该目标车辆的预选连续路径确定该目标车辆的连续路径集合,并从连续路径集合包含的路径中,选取该目标车辆的连续行车路径,其中,连续路径集合中每一路径均覆盖该目标车辆的预选连续路、且在交通场景中均连续。
在一种实现方式中,路径确定模块,具体用于从连续路径集合包含的路径中,筛选出路径长度最短的路径,作为该目标车辆的连续行车路径;或者,获取连续路径集合中每一路径的中各路口间的车流值和车辆排队长度;基于所获取的车流值和车辆排队长度,计算连续路径集合中每一路径属于该目标车辆实际行驶路径的概率;将概率最大的路径作为该目标车辆的连续行车路径。
在一种实现方式中,路径确定模块,具体用于按照以下公式,计算连续路径集合中每一路径为该目标车辆实际行驶路径的概率:
其中,p′i为连续路径集合中第i个路径为该目标车辆实际行驶路径的概率,n为第i个路径包含的路段数量,M为连续路径集合包含的路径的数量,Flowi1,…,Flowin分别表示第i个路径包含的1-n段路段中每一路段的车流值,Leni1,…,Lenin分别表示第i个路径包含的1-n段路段中每一路段的车辆排队长度,Flow1表示连续路径集合中第1个路径包含的各路段的车流值之和,FlowM表示连续路径集合中第M个路径包含的各路段的车流值之和,Len1表示连续路径集合中第1个路径包含的各路段的车辆排队长度之和,LenM表示连续路径集合中第M个路径包含的各路段的车辆排队长度之和。
在一种实现方式中,装置还包括:
模型构建模块,用于在仿真运行模块执行将各条连续行车路径传递给路网仿真软件,以使路网仿真软件在交通场景的静态路网仿真模型中,按照各条连续行车路径仿真运行多个仿真车辆步骤之前,获取待仿真的交通场景的地图数据;基于地图数据,提取交通场景的交通供给信息;基于交通供给信息构建交通场景的静态路网仿真模型。
在一种实现方式中,参数调整模块,具体用于采用并行训练的方式,继续训练静态路网仿真模型。
本方案可以基于电警过车数据确定目标车辆的连续行车路径,并在静态路网仿真模型,按照各条连续行车路径仿真运行多个仿真车辆,以得到仿真状态信息,并在仿真状态信息与目标交通状态信息的差异不符合模型收敛条件时,调整静态路网仿真模型中的交通动力学模型参数,并继续训练所述静态路网仿真模型,直至仿真状态信息与目标交通状态信息的差异符合模型收敛条件,得到训练完成的路网仿真模型。由于相比于OD信息,连续行车路径包含的路网交通需求信息更全面,可以更全面反映出交通场景中车辆的出行情况,使得训练完成的路网仿真模型的准确性更高。
本发明实施例还提供了一种电子设备,如图8所示,包括处理器801、通信接口802、存储器803和通信总线804,其中,处理器801,通信接口802,存储器803通过通信总线804完成相互间的通信,
存储器803,用于存放计算机程序;
处理器801,用于执行存储器803上所存放的程序时,实现上述实施例所提供的路网仿真模型的构建方法步骤。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一路网仿真模型的构建方法的步骤。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一路网仿真模型的构建方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、计算机可读存储介质、计算机程序实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (7)
1.一种路网仿真模型的构建方法,其特征在于,包括:
基于交通场景的电警过车数据,确定每一目标车辆的连续行车路径,其中,所述目标车辆为所述电警过车数据所记录的车辆,每一目标车辆的连续行车路径为:该车辆在所述交通场景中连续行车所经过的路口组成的路径;
将各条连续行车路径传递给路网仿真软件,以使所述路网仿真软件在所述交通场景的静态路网仿真模型中,按照各条连续行车路径仿真运行多个仿真车辆;
获取在仿真运行多个仿真车辆时,所述静态路网仿真模型所表征的所述交通场景的交通状态信息,作为仿真状态信息;
若所述仿真状态信息与所述目标交通状态信息的差异符合模型收敛条件,得到训练完成的路网仿真模型;否则,调整所述静态路网仿真模型中的交通动力学模型参数,并继续训练所述静态路网仿真模型;
所述基于交通场景的电警过车数据,确定每一目标车辆的连续行车路径,包括:
基于交通场景中各路口的电警过车数据,确定每一目标车辆所经过的路口和经过路口时的过车时间;
针对每一目标车辆,基于该目标车辆所经过的路口和经过路口时的过车时间,确定该目标车辆的连续行车路径;
所述基于该目标车辆所经过的路口和经过路口时的过车时间,确定该目标车辆的连续行车路径,包括:
按照经过路口的行车时间的先后顺序,对该目标车辆所经过的路口进行排序,得到该目标车辆的预选行车路径;
基于该目标车辆经过所述预选行车路径中每一路口的过车时间,判断所述预选行车路径中是否存在相邻、且过车时间的差值大于预设时间差的两个路口;
若存在,则从相邻且过车时间的差值大于预设时间差的两个路口处,对所述预选行车路径进行划分,得到多个子路径,并将每个子路径作为该目标车辆的预选连续路径,否则,则将所述预选行车路径作为该目标车辆的预选连续路径;
基于该目标车辆的预选连续路径,确定该目标车辆的连续行车路径;
所述基于该目标车辆的预选连续路径,确定该目标车辆的连续行车路径,包括:
判断该目标车辆的预选连续路径中各相邻的路口在所述交通场景中是否连续;
若均连续,则将该目标车辆的预选连续路径作为该目标车辆的连续行车路径,否则,则基于该目标车辆的预选连续路径确定该目标车辆的连续路径集合,并从连续路径集合包含的路径中,选取该目标车辆的连续行车路径,其中,所述连续路径集合中每一路径均覆盖该目标车辆的预选连续路、且在所述交通场景中均连续;
所述从连续路径集合包含的路径中,选取该目标车辆的连续行车路径,包括:
获取所述连续路径集合中每一路径的中各路口间的车流值和车辆排队长度;基于所获取的车流值和车辆排队长度,计算所述连续路径集合中每一路径属于该目标车辆实际行驶路径的概率;将概率最大的路径作为该目标车辆的连续行车路径。
2.根据权利要求1所述的方法,其特征在于,所述基于所获取的车流值和车辆排队长度,计算所述连续路径集合中每一路径属于该目标车辆实际行驶路径的概率,包括:
按照以下公式,计算所述连续路径集合中每一路径为该目标车辆实际行驶路径的概率:
其中,为所述连续路径集合中第/>个路径为该目标车辆实际行驶路径的概率,/>为第个路径包含的路段数量,/>为所述连续路径集合包含的路径的数量,分别表示第/>个路径包含的1-/>段路段中每一路段的车流值,分别表示第/>个路径包含的1-/>段路段中每一路段的车辆排队长度,表示所述连续路径集合中第1个路径包含的各路段的车流值之和,/>表示所述连续路径集合中第/>个路径包含的各路段的车流值之和,/>表示所述连续路径集合中第1个路径包含的各路段的车辆排队长度之和,/>表示所述连续路径集合中第/>个路径包含的各路段的车辆排队长度之和。
3.根据权利要求1-2任一项所述的方法,其特征在于,在所述将各条连续行车路径传递给路网仿真软件,以使所述路网仿真软件在所述交通场景的静态路网仿真模型中,按照各条连续行车路径仿真运行多个仿真车辆之前,所述方法还包括:
获取待仿真的交通场景的地图数据;
基于所述地图数据,提取所述交通场景的交通供给信息;
基于所述交通供给信息构建所述交通场景的静态路网仿真模型。
4.根据权利要求1所述的方法,其特征在于,所述继续训练所述静态路网仿真模型,包括:
采用并行训练的方式,继续训练所述静态路网仿真模型。
5.一种路网仿真模型的构建装置,其特征在于,包括:
路径确定模块,用于基于交通场景的电警过车数据,确定每一目标车辆的连续行车路径,其中,所述目标车辆为所述电警过车数据所记录的车辆,每一目标车辆的连续行车路径为:该车辆在所述交通场景中连续行车所经过的路口组成的路径;
仿真运行模块,用于将各条连续行车路径传递给路网仿真软件,以使所述路网仿真软件在所述交通场景的静态路网仿真模型中,按照各条连续行车路径仿真运行多个仿真车辆;
信息获取模块,用于获取在仿真运行多个仿真车辆时,所述静态路网仿真模型所表征的所述交通场景的交通状态信息,作为仿真状态信息;所述交通状态信息包括每个仿真路口中的排队长度和断面流量;
参数调整模块,用于若所述仿真状态信息与所述目标交通状态信息的差异符合模型收敛条件,得到训练完成的路网仿真模型;否则,调整所述静态路网仿真模型中的交通动力学模型参数,并继续训练所述静态路网仿真模型;所述交通动力学模型参数用于反映交通场景中车辆的行驶行为;
所述路径确定模块,具体用于基于交通场景中各路口的电警过车数据,确定每一目标车辆所经过的路口和经过路口时的过车时间;针对每一目标车辆,基于该目标车辆所经过的路口和经过路口时的过车时间,确定该目标车辆的连续行车路径;
所述路径确定模块,具体用于按照经过路口的行车时间的先后顺序,对该目标车辆所经过的路口进行排序,得到该目标车辆的预选行车路径;基于该目标车辆经过所述预选行车路径中每一路口的过车时间,判断所述预选行车路径中是否存在相邻、且过车时间的差值大于预设时间差的两个路口;若存在,则从相邻且过车时间的差值大于预设时间差的两个路口处,对所述预选行车路径进行划分,得到多个子路径,并将每个子路径作为该目标车辆的预选连续路径,否则,则将所述预选行车路径作为该目标车辆的预选连续路径;基于该目标车辆的预选连续路径,确定该目标车辆的连续行车路径;
所述路径确定模块,具体用于判断该目标车辆的预选连续路径中各相邻的路口在所述交通场景中是否连续;若均连续,则将该目标车辆的预选连续路径作为该目标车辆的连续行车路径,否则,则基于该目标车辆的预选连续路径确定该目标车辆的连续路径集合,并从连续路径集合包含的路径中,选取该目标车辆的连续行车路径,其中,所述连续路径集合中每一路径均覆盖该目标车辆的预选连续路、且在所述交通场景中均连续;
所述路径确定模块,具体用于获取所述连续路径集合中每一路径的中各路口间的车流值和车辆排队长度;基于所获取的车流值和车辆排队长度,计算所述连续路径集合中每一路径属于该目标车辆实际行驶路径的概率;将概率最大的路径作为该目标车辆的连续行车路径。
6.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-4任一所述的方法步骤。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-4任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110491350.2A CN113223293B (zh) | 2021-05-06 | 2021-05-06 | 路网仿真模型的构建方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110491350.2A CN113223293B (zh) | 2021-05-06 | 2021-05-06 | 路网仿真模型的构建方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113223293A CN113223293A (zh) | 2021-08-06 |
CN113223293B true CN113223293B (zh) | 2023-08-04 |
Family
ID=77090978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110491350.2A Active CN113223293B (zh) | 2021-05-06 | 2021-05-06 | 路网仿真模型的构建方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113223293B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115081186B (zh) * | 2022-05-17 | 2023-09-26 | 同济大学 | 一种支持数据驱动的驾驶行为仿真系统及其仿真方法 |
CN115114835B (zh) * | 2022-08-23 | 2023-01-31 | 深圳市城市交通规划设计研究中心股份有限公司 | 路网数据的漫游展示系统、方法、电子设备及存储介质 |
CN117809459A (zh) * | 2024-03-01 | 2024-04-02 | 吉林大学 | 一种用于全局路径规划的交通流建模方法 |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002021479A1 (de) * | 2000-09-06 | 2002-03-14 | Daimlerchrysler Ag | Integriertes verkehrsüberwachungssystem |
CN101789182A (zh) * | 2010-02-05 | 2010-07-28 | 北京工业大学 | 一种基于平行仿真技术的交通信号控制系统及方法 |
CN103310057A (zh) * | 2013-06-14 | 2013-09-18 | 广州市公共交通数据管理中心 | 交通微观仿真运行方法和装置 |
CN103761138A (zh) * | 2014-01-16 | 2014-04-30 | 昆明理工大学 | 一种交通仿真软件的参数校正方法 |
CN104298540A (zh) * | 2014-10-23 | 2015-01-21 | 浙江大学 | 一种微观交通仿真软件的底层模型参数校正方法 |
CN104915731A (zh) * | 2015-06-11 | 2015-09-16 | 同济大学 | 一种基于车辆自动识别数据的车辆出行路径重构宏微观整合新方法 |
CN105006149A (zh) * | 2015-07-10 | 2015-10-28 | 信融源大数据科技(北京)有限公司 | 交通路况估计动态迭代方法 |
CN106571032A (zh) * | 2016-11-01 | 2017-04-19 | 浙江大学 | 一种利用手机信令大数据和动态交通分配的od标定方法 |
CN106652444A (zh) * | 2016-11-15 | 2017-05-10 | 广州运星科技有限公司 | 基于车道组及交叉口车流路径的城市网络交通流仿真模型 |
CN106910350A (zh) * | 2017-03-22 | 2017-06-30 | 东南大学 | 一种寻找信号控制交叉口群关键路径的方法 |
CN106971534A (zh) * | 2017-02-09 | 2017-07-21 | 江苏智通交通科技有限公司 | 基于号牌数据的通勤出行特征分析方法 |
CN107025788A (zh) * | 2017-05-17 | 2017-08-08 | 青岛海信网络科技股份有限公司 | 一种旅行时间预测方法及装置 |
WO2018095145A1 (zh) * | 2016-11-26 | 2018-05-31 | 上海壹账通金融科技有限公司 | 获取出行信息的方法、计算机可读存储介质及装置 |
CN108335485A (zh) * | 2018-01-31 | 2018-07-27 | 夏莹杰 | 基于车牌识别数据的大事件交通动态仿真拥堵预测的方法 |
CN108492666A (zh) * | 2018-03-31 | 2018-09-04 | 长安大学 | 一种虚实混合的实时微观交通仿真系统与方法 |
CN108763776A (zh) * | 2018-05-30 | 2018-11-06 | 苏州大学 | 一种城市快速路网时变交通状态仿真方法及装置 |
CN109308804A (zh) * | 2018-08-08 | 2019-02-05 | 北京航空航天大学 | 基于张量分解的旅行时间估计方法 |
CN109711026A (zh) * | 2018-12-20 | 2019-05-03 | 中山大学 | 一种基于卡口数据的Paramics精准交通仿真场景构建方法 |
CN109766902A (zh) * | 2017-11-09 | 2019-05-17 | 杭州海康威视系统技术有限公司 | 对同区域的车辆聚类的方法、装置和设备 |
CN110598999A (zh) * | 2019-08-21 | 2019-12-20 | 广东方纬科技有限公司 | 基于个体数据的交通出行分析方法、系统及存储介质 |
CN110838232A (zh) * | 2019-09-27 | 2020-02-25 | 浙江工业大学 | 基于过车电警数据的单一车辆od获取方法 |
CN111369810A (zh) * | 2019-09-29 | 2020-07-03 | 杭州海康威视系统技术有限公司 | 车辆出行特征获取方法、装置、电子设备及存储介质 |
-
2021
- 2021-05-06 CN CN202110491350.2A patent/CN113223293B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002021479A1 (de) * | 2000-09-06 | 2002-03-14 | Daimlerchrysler Ag | Integriertes verkehrsüberwachungssystem |
CN101789182A (zh) * | 2010-02-05 | 2010-07-28 | 北京工业大学 | 一种基于平行仿真技术的交通信号控制系统及方法 |
CN103310057A (zh) * | 2013-06-14 | 2013-09-18 | 广州市公共交通数据管理中心 | 交通微观仿真运行方法和装置 |
CN103761138A (zh) * | 2014-01-16 | 2014-04-30 | 昆明理工大学 | 一种交通仿真软件的参数校正方法 |
CN104298540A (zh) * | 2014-10-23 | 2015-01-21 | 浙江大学 | 一种微观交通仿真软件的底层模型参数校正方法 |
CN104915731A (zh) * | 2015-06-11 | 2015-09-16 | 同济大学 | 一种基于车辆自动识别数据的车辆出行路径重构宏微观整合新方法 |
CN105006149A (zh) * | 2015-07-10 | 2015-10-28 | 信融源大数据科技(北京)有限公司 | 交通路况估计动态迭代方法 |
CN106571032A (zh) * | 2016-11-01 | 2017-04-19 | 浙江大学 | 一种利用手机信令大数据和动态交通分配的od标定方法 |
CN106652444A (zh) * | 2016-11-15 | 2017-05-10 | 广州运星科技有限公司 | 基于车道组及交叉口车流路径的城市网络交通流仿真模型 |
WO2018095145A1 (zh) * | 2016-11-26 | 2018-05-31 | 上海壹账通金融科技有限公司 | 获取出行信息的方法、计算机可读存储介质及装置 |
CN106971534A (zh) * | 2017-02-09 | 2017-07-21 | 江苏智通交通科技有限公司 | 基于号牌数据的通勤出行特征分析方法 |
CN106910350A (zh) * | 2017-03-22 | 2017-06-30 | 东南大学 | 一种寻找信号控制交叉口群关键路径的方法 |
CN107025788A (zh) * | 2017-05-17 | 2017-08-08 | 青岛海信网络科技股份有限公司 | 一种旅行时间预测方法及装置 |
CN109766902A (zh) * | 2017-11-09 | 2019-05-17 | 杭州海康威视系统技术有限公司 | 对同区域的车辆聚类的方法、装置和设备 |
CN108335485A (zh) * | 2018-01-31 | 2018-07-27 | 夏莹杰 | 基于车牌识别数据的大事件交通动态仿真拥堵预测的方法 |
CN108492666A (zh) * | 2018-03-31 | 2018-09-04 | 长安大学 | 一种虚实混合的实时微观交通仿真系统与方法 |
CN108763776A (zh) * | 2018-05-30 | 2018-11-06 | 苏州大学 | 一种城市快速路网时变交通状态仿真方法及装置 |
CN109308804A (zh) * | 2018-08-08 | 2019-02-05 | 北京航空航天大学 | 基于张量分解的旅行时间估计方法 |
CN109711026A (zh) * | 2018-12-20 | 2019-05-03 | 中山大学 | 一种基于卡口数据的Paramics精准交通仿真场景构建方法 |
CN110598999A (zh) * | 2019-08-21 | 2019-12-20 | 广东方纬科技有限公司 | 基于个体数据的交通出行分析方法、系统及存储介质 |
CN110838232A (zh) * | 2019-09-27 | 2020-02-25 | 浙江工业大学 | 基于过车电警数据的单一车辆od获取方法 |
CN111369810A (zh) * | 2019-09-29 | 2020-07-03 | 杭州海康威视系统技术有限公司 | 车辆出行特征获取方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于交通传播特性分析的城市路网动态OD在线估计;聂庆慧;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20171115(第11期);第49-53页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113223293A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113223293B (zh) | 路网仿真模型的构建方法、装置及电子设备 | |
CN112470199B (zh) | 用于点对点流量预测的系统和方法 | |
CN110709908B (zh) | 用于交通系统的状态预测的计算机系统和方法 | |
D'Andrea et al. | Detection of traffic congestion and incidents from GPS trace analysis | |
Lin et al. | Real-time bus arrival time prediction: case study for Jinan, China | |
EP3035314B1 (en) | A traffic data fusion system and the related method for providing a traffic state for a network of roads | |
Yin et al. | A prediction model of bus arrival time at stops with multi-routes | |
CN111462484A (zh) | 拥堵状态的确定方法、装置、设备及计算机可读存储介质 | |
CN110375760A (zh) | 路线确定方法、装置、设备和介质 | |
JP5941987B2 (ja) | 交通量予測装置および方法 | |
US8706459B2 (en) | Traffic sensor management | |
Liu et al. | Development of a VISSIM simulation model for U-turns at unsignalized intersections | |
CN110400015A (zh) | 一种时间估计方法及其装置、设备 | |
US10826808B2 (en) | Vehicle application enabling and network routing systems implemented based on latency characterization and projection | |
Roshandeh et al. | New methodology for intersection signal timing optimization to simultaneously minimize vehicle and pedestrian delays | |
CN114638148A (zh) | 用于自动化交通工具的文化敏感驾驶的安全的并且可扩展的模型 | |
JP2007041782A (ja) | 道路交通状況把握システム | |
Wismans et al. | Real time traffic models, decision support for traffic management | |
Neuhold et al. | Predicting and optimizing traffic flow at toll plazas | |
US10429200B1 (en) | Determining adjusted trip duration using route features | |
US10706720B2 (en) | Predicting vehicle travel times by modeling heterogeneous influences between arterial roads | |
JP6899528B2 (ja) | 交通管理装置、交通管理システムおよび交通管理方法 | |
CN116030654B (zh) | 交通拥堵调节方法、装置、电子设备及介质 | |
CN110956299B (zh) | 一种到达时间预估方法及装置 | |
CN112797994A (zh) | 用于确定路线的预计到达时间的方法及相关装置和服务器 |
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 |