CN113362600B - 一种交通状态估计方法及系统 - Google Patents
一种交通状态估计方法及系统 Download PDFInfo
- Publication number
- CN113362600B CN113362600B CN202110655244.3A CN202110655244A CN113362600B CN 113362600 B CN113362600 B CN 113362600B CN 202110655244 A CN202110655244 A CN 202110655244A CN 113362600 B CN113362600 B CN 113362600B
- Authority
- CN
- China
- Prior art keywords
- road section
- state
- model
- estimation
- moment
- 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
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
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明公开了一种交通状态估计方法及系统,该方法包括:获取网联自动车的个体数据;将所述网联自动车的个体数据输入到预先训练好的路段状态估计模型中,得到路段状态值;利用METANET模型对所述路段状态值进行卡尔曼滤波,得到最终的各个路段的交通状态。该方法使用神经网络进行路段状态估计,将网联自动车的个体数据映射到路段状态,相对于以往假设车辆车头间距不变情况下对网联自动车个体数据进行简单加权得出路段状态的方法,更固有一般性与实用性。使用卡尔曼滤波对交通状态进行估计,能降低单单使用神经网络估计交通状态时的偶然误差。
Description
技术领域
本发明涉及智能交通领域,具体涉及一种交通状态估计方法及系统。
背景技术
缓解高速公路交通拥堵,平衡交通需求的矛盾的方法一般分为:增加道路基础设施、加强交通的管理与实施智能交通系统;其中,实施智能交通系统(Intelligent TrafficSystem,ITS)不需要高额的高速道路建设经费,利用通信与计算机技术集成作用于高速公路交通网络,以较小的成本能有效地提高高速路的性能。ITS是解决高速公路交通需求矛盾的关键核心内容。同时,ITS技术的关键一环是使用智能网联汽车进行道路交通流改善。网联自动车(Connected and Automated vehicles,CAVs)有望通过感知本地环境、共享信息和应用适当的控制措施,提高公路交通效率、安全性和环境指标。在未来的一段时间内,随着自动驾驶的逐渐普及,高速公路将出现混合了网联自动车与普通人驾车的新兴交通流。
交通状态检测估计的准确性对高速公路管理具有重要的意义。传统的交通状态检测估计方法的实施依靠固定车检器,如线圈检测器、红外线检测器以及视频检测器。虽然这些基础设施单元在没有足够的信息源的情况下可以提供有用的交通信息,但是从这些传感器接收到的数据分辨率都很低,并且限制在几个固定的位置,使用此类固定车检器估计出来的路段交通状态准确度较且部署成本较大。随着ITS技术的发展,越来越多研究关心如何使用网联智能车进行交通流优化。由于混入了网联自动车,车路系统环境可以获得更精细、更高维度的交通信息,使用个体网联自动车高效地进行动态路段状态检测有望替代传统的固定车检器检测。
在当前基于网联自动车进行路段状态估计的研究中,往往假设网联自动车的普及率为100%,通过对网联自动车采集的数据进行简单的加权平均得出路段的交通状态。在有些基于混合交通的研究中,往往通过对网联自动车采集数据进行简单加权,或者直接假设网联自动车的车头间距为固定值,简单地考虑渗透率,利用数学公式得出路段交通状态。然而在车辆运行途中,车头间距并不能简单假设为定值,且对网联自动车采集的数据进行加权也无法很好的估计路段交通状态。
发明内容
有鉴于此,本发明提出一种交通状态估计方法及系统,用于解决现有技术中的至少一个缺陷。
本发明的目的是通过以下技术方案来实现的:一种交通状态估计方法,包括以下步骤:
获取网联自动车的个体数据;
将所述网联自动车的个体数据输入到预先训练好的路段状态估计模型中,得到路段状态值;
利用METANET模型对所述路段状态值进行卡尔曼滤波,得到最终的各个路段的交通状态。
可选地,输入到预先训练好的路段状态估计模型中的所述网联自动车的个体数据为所有元胞路段的网联自动车个体数据的平均值;其中,所述元胞路段是通过METANET模型将需要交通状态估计的路段进行时空离散化得到。
可选地,所述个体数据包括:当前元胞路段上第i辆网联自动车在第t秒瞬时速度vt,i、在第t秒时当前元胞路段中第i辆网联自动车的前车间距dt,i、在第t秒时当前元胞路段中第i辆网联自动车的前一辆车的瞬时车速vft,i。
可选地,所述METANET模型的构建方法包括:
构建参数优化目标函数;
使用人工鱼群算法最小化所述目标函数,得到最优化的METANET模型参数;
可选地,所述目标函数为:
其中:M为元胞路段的总数,T为METANET模型更新时间,K为标定步长数,ρsumo,m(k)为第m段元胞路段在k时刻输出的真实密度值,vsumo,m(k)为第m段元胞路段在k时刻输出的真实速度值,ρM,m(k)为第m段元胞路段在k时刻METANET模型输出的密度值,vM,m(k)为第m段元胞路段在k时刻METANET模型输出的速度值。
可选地,所述METANET模型参数包括:自由流速度vfree,临界密度ρcrit,模型参数a、κ,时间滞后常数τ,模型期望参数η,路段通行能力下降系数θdrop。
可选地,所述路段状态估计模型为RBF-BP神经网络模型,所述RBF-BP神经网络模型包括依次连接的输入层、第一BP隐藏层、第二BP隐藏层、RBF层和输出层。
可选地,所述利用METANET模型对所述路段状态值进行卡尔曼滤波,得到最终的各个路段的交通状态,包括:
构建系统状态方程:
xk,g=fg(xk-1,g,uk)+Wk,g
其中,g为交通状态,包括速度与密度;fg代表METANET模型方程组预测的状态;Wk,g代表过程误差,服从均值为0方差为的正态分布;xk,g、xk-1,g分别为第k、k-1时刻的该元胞路段的交通状态,uk为元胞路段限速;
利用RBF-BP神经网络输出的路段状态值作为观察值,构建测量方程公式:
预测更新过程如下:
测量更新过程如下:
本发明的目的是通过以下技术方案来实现的:一种交通状态估计系统,该系统包括:
数据获取模块,用于获取网联自动车的个体数据;
状态估计模块,用于将所述网联自动车的个体数据输入到预先训练好的路段状态估计模型中,得到路段状态值;
滤波模块,用于利用METANET模型对所述路段状态值进行卡尔曼滤波,得到最终的各个路段的交通状态。
由于采用了上述技术方案,本发明具有如下的优点:
本发明提出了一种交通状态估计方法,该方法使用神经网络进行路段状态估计,将网联自动车的个体数据映射到路段状态,相对于以往假设车辆车头间距不变情况下对网联自动车个体数据进行简单加权得出路段状态的方法,更固有一般性与实用性。使用卡尔曼滤波对交通状态进行估计,能降低单单使用神经网络估计交通状态时的偶然误差。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
本发明的附图说明如下。
图1为本发明一实施例一种交通状态估计方法的流程图;
图2为本发明一实施例RBF-BP复合神经网络结构;
图3为本发明一实施例卡尔曼滤波迭代过程图;
图4为本发明一实施例一种交通状态估计系统的结构示意图。
具体实施方式
下面详细描述本申请的实施例,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,仅用于解释本申请,而不能理解为对本申请的限制。相反,本申请的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
如图1所示,本申请实施例提供一种交通状态估计方法,包括以下步骤:
步骤S1.获取网联自动车的个体数据;
步骤S2.将所述网联自动车的个体数据输入到预先训练好的路段状态估计模型中,得到路段状态值;
步骤S3.利用METANET模型对所述路段状态值进行卡尔曼滤波,得到最终的各个路段的交通状态。
本发明使用神经网络进行路段状态估计,将网联自动车的个体数据映射到路段状态,相对于以往假设车辆车头间距不变情况下对网联自动车个体数据进行简单加权得出路段状态的方法,更固有一般性与实用性。使用卡尔曼滤波对交通状态进行估计,能降低单单使用神经网络估计交通状态时的偶然误差。
在一实施例中,输入到预先训练好的路段状态估计模型中的所述网联自动车的个体数据为所有元胞路段的网联自动车个体数据的平均值;其中,所述元胞路段是通过METANET模型将需要交通状态估计的路段进行时空离散化得到。通过对路段进行空间时间离散,能有效地估计出路段不同位置的交通状态,提高了路段状态估计的粒度。采用网联自动车的个体数据进行状态估计,相对于现有的利用固定检测器进行交通估计的方法,利用网联自动车数据进行交通状态预测的方法能在更广阔路网中进行交通估计,不再受限于车检器部署位置有限的困扰。
具体地,利用METANET模型将高速公路路段进行时空离散化,包括时间离散化和空间离散化。在空间离散化方面,将需要交通状态估计的高速公路路段通过等间距划分,以L长度划分出m个元胞路段,并以各个元胞路段为对象表征其路段状态。在时间离散化方面,以时间τ为更新时间,使用METANET模型更新元胞路段状态。
METANET模型的方程组如下:
流量速度密度方程:
qm(tk)=ρm(tk)·vm(tk)·λm
其中,qm(tk)为在第tk时刻的第m段路段的平均流量,单位为veh/h/lane;ρm(tk)为在第tk时刻的第m段路段的平均密度,单位为veh/km/lane;vm(tk)为在第tk时刻的第m段路段的平均速度,单位为km/h/lane;
流量守恒方程:
T为采样时间,单位为h;lm为第m段路段的长度,单位为km;λm为第m段路段的车道数;动态速度方程:
其中,τ为时间滞后常数;η为模型期望参数;κ为模型参数;
稳态速度方程:
ρcrit为临界密度,单位为veh/km/lane;vfree为自由流速度,单位为km/h/lane;a为模型参数;σ为网联自动车渗透率;vvsl为限速值;θdrop为路段通行能力下降系数。
在步骤S2中,是将获取的网联自动车的个体数据(当前元胞路段上第i辆网联自动车在第t秒瞬时速度vt,i、在第t秒时当前元胞路段中第i辆网联自动车的前车间距dt,i、在第t秒时当前元胞路段中第i辆网联自动车的前一辆车的瞬时车速vft,i。)输入到预先训练好的路段状态估计模型中,估计出路段状态值。因此,需要事先训练路段状态估计模型,其中,训练方法为:
构建车辆状态估计网络,其中,车辆状态估计网络为RBF-BP复合神经网络结构,如图2所示,该网络包括输入层、中间层和输出层,中间层包括依次连接的第一BP(backpropagation)隐藏层、第二BP隐藏层和RBF(Radial Basis Function)层,其中,第一层BP层采用tanh函数作为激活函数。第二层BP层采用relu函数作为激活函数。RBF层采用高斯函数作为激活函数。
然后,使用历史数据训练所这车辆状态估计网络,得到路段状态估计模型。
在对车辆状态估计网络进行训练前,需要对历史数据进行数据归一化处理。
在一实施例中,所述METANET模型的构建方法包括:
构建参数优化目标函数;通过优化目标函数可以最小化真实数据与METANET模型输出数据的差值;
使用人工鱼群算法最小化所述目标函数,得到最优化的METANET模型参数;其中,所述METANET模型参数包括:自由流速度vfree,临界密度ρcrit,模型参数a、κ,时间滞后常数τ,模型期望参数η,路段通行能力下降系数θdrop;
其中,所述目标函数为:
其中:M为元胞路段的总数,T为METANET模型更新时间,K为标定步长数,ρsumo,m(k)为第m段元胞路段在k时刻输出的真实密度值,vsumo,m(k)为第m段元胞路段在k时刻输出的真实速度值,ρM,m(k)为第m段元胞路段在k时刻METANET模型输出的密度值,vM,m(k)为第m段元胞路段在k时刻METANET模型输出的速度值。
在上述步骤中,使用人工鱼群算法最小化所述目标函数,得到最优化的METANET模型参数。具体地,包括以下步骤:
步骤31:构造人工鱼群并初始化;初始化参数种群数量N、最大迭代次数max_try,、拥堵度因子J、鱼群视野visual,并生成N个人工鱼群的位置;
步骤32:通过目标函数计算各个鱼群的适应度;并选择适应度最大的鱼群,将其状态信息更新在公示板上;
步骤33:行为选择;各个人工鱼群根据其自身状态选择觅食、聚集、追尾以及随机行为。
其中,觅食行为;pi为构造人工鱼群的当前位置,在视野允许范围内随机选择下一个位置pj。假设在处理极大值问题中,判断下一个位置的鱼群浓度yj是否大于yi,如果是,则向pj前进一步,否则重新随机选择另外一个yj,反复迭代至到达最大尝试步数,如果还是无法找到大于当前浓度的点,则往任意方向移动一个步长
聚群行为;在pi的视野范围内允许的范围内的鱼群数量为mf,所有鱼群的拥挤度为J,如果yc/mf>J×yj,即当前位置的鱼群较之聚集位置pc处拥挤且食物浓度较低,于是人工鱼群往pc处行走一步,否则进入觅食模式。
追尾行为;在当前位置pi视野范围内,可以见到的食物浓度最高的地方为pmax,如果ymax/mf>J×yj,即pmax的浓度高且不拥挤,说明当前鱼群可以先pmax位置走一步,否则,继续觅食行为。
步骤34:更新鱼群状态值;根据上一步各个鱼群选择的行为更新其状态,生成新的鱼群。
步骤35:更新公示牌;通过计算步骤31中的目标函数,选择人工鱼群当中适应度最高的将其状态更新至公式牌;
步骤36:判断是否结束;如果到达迭代次数或者误差到达要求,则停止迭代,否则回到步骤33。
步骤37:输出最优化后的METANET模型参数,包括:自由流速度vfree,临界密度ρcrit,模型参数a、κ,时间滞后常数τ,模型期望参数η,路段通行能力下降系数θdrop;。
在一实施例中,所述利用METANET模型对所述路段状态值进行卡尔曼滤波,得到最终的各个路段的交通状态,包括:
构建系统状态方程:
xk,g=fg(xk-1,g,uk)+Wk,g
其中,g为交通状态,包括速度与密度;fg代表METANET模型方程组预测的状态;Wk,g代表过程误差,服从均值为0方差为的正态分布;xk,g、xk-1,g分别为第k、k-1时刻的该元胞路段的交通状态,uk为元胞路段限速;
利用RBF-BP神经网络输出的路段状态值作为观察值,构建测量方程公式:
预测更新过程如下:
测量更新过程如下:
下面以一个具体地实施方式以本申请进行说明。
Step1通过METANET模型对高速公路进行表征与离散化。将需要估计状态的路段以L长度划分为m个元胞路段,实例中L=500m,m=15。即将7.5km长的路段划分为15个长度为500m的路段元胞,以时间τ=10s更新各个元胞的交通状态。
其中,可以通过历史数据标定METANET中的模型参数,具体地,包括以下步骤:
Step2.1:构建参数优化目标函数,以最小化真实数据与METANET模型输出数据的差值。
其中:T为METANET模型更新时间,等于10s。K为标定步长数,实例标定时长为120步长,K=120。METANET模型设置路段为15段,运行时间为1200s。ρsumo,m(k)为第m段路段在k时刻输出的真实密度值;vsumo,m(k)为第m段路段在k时刻输出的真实速度值;ρM,m(k)为第m段路段在k时刻METANET模型输出的密度值。vM,m(k)为第m段路段在k时刻METANET模型输出的速度值。
Step2.2:使用人工鱼群算法最小化Step2.1中的目标函数。人工鱼群算法的步骤分为以下四步。
Step2.21:构造人工鱼群并初始化;初始化参数种群数量N、最大迭代次数max_try,、拥堵度因子J、鱼群视野visual,并生成N个人工鱼群的位置。
Step2.22:通过Step2.1的公式计算各个鱼群的适应度;并选择适应度最大的鱼群,将其状态信息更新在公示板上。
Step2.23:行为选择;各个人工鱼群根据其自身状态选择觅食、聚集、追尾以及随机行为。
其中,觅食行为;pi为构造人工鱼群的当前位置,在视野允许范围内随机选择下一个位置pj。假设在处理极大值问题中,判断下一个位置的鱼群浓度yj是否大于yi,如果是,则向pj前进一步,否则重新随机选择另外一个yj,反复迭代至到达最大尝试步数,如果还是无法找到大于当前浓度的点,则往任意方向移动一个步长
聚群行为;在pi的视野范围内允许的范围内的鱼群数量为mf,所有鱼群的拥挤度为J,如果yc/mf>J×yj,即当前位置的鱼群较之聚集位置pc处拥挤且食物浓度较低,于是人工鱼群往pc处行走一步,否则进入觅食模式。
追尾行为;在当前位置pi视野范围内,可以见到的食物浓度最高的地方为pmax,如果ymax/mf>J×yj,即pmax的浓度高且不拥挤,说明当前鱼群可以先pmax位置走一步,否则,继续觅食行为。
Step2.24:更新鱼群状态值;根据上一步各个鱼群选择的行为更新其状态,生成新的鱼群。
Step2.25:更新公示牌;通过计算Step2.1中的目标函数,选择人工鱼群当中适应度最高的将其状态更新至公式牌;
Step2.26:判断是否结束;如果到达迭代次数或者误差到达要求,则停止迭代,否则回到Step2.23。
Step2.27:输出最优化后的METANET模型参数的自由流vfree,关键密度ρcrit,a,κ,τ,η,θdrop。
Step3:实时采集网联自动车的个体数据并进行数据处理,产生神经网络的输入量。将同一元胞路段(500m为一个路段)的网联自动车数据进行汇总,得到三个路段当前时刻t的区间数据。
Step3.1:获取当前时刻t中该元胞的网联自动车个体数据vt,i、dt,i、vft,i以及路段元胞中网联自动车的个数nt。其中,vt,i代表在当前路段上第i辆CAV在第t秒瞬时速度;nt代表第t秒的当前元胞路段中所有网联自动车的车辆数;dt,i代表在第t秒时当前元胞路段中第i辆CAV的前车间距;vft,i代表在第t秒时当前元胞路段中第i辆CAV的前一辆车的瞬时车速;
Step3.2:数据处理,将不符合要求的网联自动车个体数据剔除。保证vt,i与vft,i的取值范围在0-125km/h,dt,i的取值范围在0-500m。
Step3.3:数据汇总及整理。将网联自动车个体数据整理为该时间段内(实例10s)的区间数据。具体公式如下:
式子中,T1代表在T时间段内,当前路段所有网联自动车瞬时速度的平均值;T2代表在T时间段内,当前路段所有网联自动车瞬时车头间距的平均值;T3代表在T时间段内,当前路段所有网联自动车瞬时前车速度的平均值。
Step3:利用RBF-BP复合神经网络结构得出初步路段状态估计值。
Step4:结合METANET模型对RBF-BP神经网络输出的交通状态进行卡尔曼滤波,得出最终的各个路段的交通状态。
Step4.1:以路段速度状态更新为例,构建系统状态方程:
xk,v=fv(xk-1,v,uk)+Wk,v
其中,式子中,fv代表第三章提及的METANET模型方程组预测的速度;Wk,v代表过程误差,服从均值为0的方差为的正态分布;xk,v、xk-1,v分别为第k、k-1时刻的该路段元胞的速度状态。uk为路段限速。
Step4.2:利用RBF-BP神经网络输出的交通状态值作为观察值,构建测量方程公式:
Step4.3:预测更新过程如下:
Step4.4:测量更新过程如下:
上述公式描述路段速度滤波过程,路段实时密度滤波同上式,将测量方程换成预测密度的RBF-BP神经网络HRBF-BP,p(k),状态方程组输出换成METANET方程组中输出路段密度的方程组fp即可,具体的卡尔滤波流程图如附图3所示。
在一实施例中,通过SUMO仿真软件构建仿真路段,输出网联自动车历史数据训练神经网络与标定METANET模型,最后利用训练好的RBF-BP神经网络与标定好的METANET模型结合本发明提出的一种混合交车流下的路段交通状态估计器,给出最后的交通状态估计结果。进一步地,以500m为一个路段元胞长度对仿真路段进行划分,10s更新一次路段状态。同时,设置网联自动车渗透率σ=80%的情况下,设置输入车流量,输出SUMO的历史交通数据对METANET模型中的参数进行标定。标定结果如下表所示:
进一步地,将SUMO输出的历史数据作为RBF-BP神经网络的训练数据。进一步地,将训练数据对RBF-BP神经网络进行训练,直至训练次数。最后,改变SUMO软件中的车流量输入,使用训练好的RBF-BP神经网络与标定好的METANET模型进行路段状态估计,设置卡尔曼滤波器中的初始各个噪声为开始迭代卡尔曼滤波过程。
如图4所示,一种交通状态估计系统,该系统包括:
数据获取模块,用于获取网联自动车的个体数据;
状态估计模块,用于将所述网联自动车的个体数据输入到预先训练好的路段状态估计模型中,得到路段状态值;
滤波模块,用于利用METANET模型对所述路段状态值进行卡尔曼滤波,得到最终的各个路段的交通状态。
需要说明的是,前述图1-图3实施例中对一种交通状态估计的实施例的解释说明也适用于该实施例提出的一种交通状态系统,其实现原理类似,此处不再赘述。
需要说明的是,在本申请的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“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、结构、材料或者特点包含于本申请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、结构、材料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。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,但本领域技术人员应当理解,可以在形式上和细节上对其进行各种各样的改变,而不偏离本发明权利要求书所限定的范围。
Claims (7)
1.一种交通状态估计方法,其特征在于,该方法包括:
获取网联自动车的个体数据;
将所述网联自动车的个体数据输入到预先训练好的路段状态估计模型中,得到路段状态值,其中,所述路段状态估计模型为RBF-BP神经网络模型,所述RBF-BP神经网络模型包括依次连接的输入层、第一BP隐藏层、第二BP隐藏层、RBF层和输出层;
利用METANET模型对所述路段状态值进行卡尔曼滤波,得到最终的各个路段的交通状态,包括:
构建系统状态方程:
xk,g=fg(xk-1,g,uk)+Wk,g
其中,g为交通状态,包括速度与密度;fg代表METANET模型方程组预测的状态;Wk,g代表过程误差,服从均值为0方差为的正态分布;xk,g、xk-1,g分别为第k、k-1时刻的元胞路段的交通状态,uk为元胞路段限速;
利用RBF-BP神经网络输出的路段状态值作为观察值,构建测量方程公式:
预测更新过程如下:
测量更新过程如下:
2.根据权利要求1所述的交通状态估计方法,其特征在于,输入到预先训练好的路段状态估计模型中的所述网联自动车的个体数据为所有元胞路段的网联自动车个体数据的平均值;其中,所述元胞路段是通过METANET模型将需要交通状态估计的路段进行时空离散化得到。
3.根据权利要求1或2所述的交通状态估计方法,其特征在于,所述个体数据包括:当前元胞路段上第i辆网联自动车在第t秒瞬时速度vt,i、在第t秒时当前元胞路段中第i辆网联自动车的前车间距dt,i、在第t秒时当前元胞路段中第i辆网联自动车的前一辆车的瞬时车速vft,i。
4.根据权利要求1所述的交通状态估计方法,其特征在于,所述METANET模型的构建方法包括:
构建参数优化目标函数;
使用人工鱼群算法最小化所述目标函数,得到最优化的METANET模型参数。
6.根据权利要求4所述的交通状态估计方法,其特征在于,所述METANET模型参数包括:自由流速度vfree,临界密度ρcrit,模型参数a、κ,时间滞后常数τ,模型期望参数η,路段通行能力下降系数θdrop。
7.一种交通状态估计系统,其特征在于,该系统包括:
数据获取模块,用于获取网联自动车的个体数据;
状态估计模块,用于将所述网联自动车的个体数据输入到预先训练好的路段状态估计模型中,得到路段状态值,其中,所述路段状态估计模型为RBF-BP神经网络模型,所述RBF-BP神经网络模型包括依次连接的输入层、第一BP隐藏层、第二BP隐藏层、RBF层和输出层;
滤波模块,用于利用METANET模型对所述路段状态值进行卡尔曼滤波,得到最终的各个路段的交通状态,包括:
构建系统状态方程:
xk,g=fg(xk-1,g,uk)+Wk,g
其中,g为交通状态,包括速度与密度;fg代表METANET模型方程组预测的状态;Wk,g代表过程误差,服从均值为0方差为的正态分布;xk,g、xk-1,g分别为第k、k-1时刻的元胞路段的交通状态,uk为元胞路段限速;
利用RBF-BP神经网络输出的路段状态值作为观察值,构建测量方程公式:
预测更新过程如下:
测量更新过程如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110655244.3A CN113362600B (zh) | 2021-06-11 | 2021-06-11 | 一种交通状态估计方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110655244.3A CN113362600B (zh) | 2021-06-11 | 2021-06-11 | 一种交通状态估计方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113362600A CN113362600A (zh) | 2021-09-07 |
CN113362600B true CN113362600B (zh) | 2022-07-22 |
Family
ID=77534039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110655244.3A Active CN113362600B (zh) | 2021-06-11 | 2021-06-11 | 一种交通状态估计方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113362600B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114333335A (zh) * | 2022-03-15 | 2022-04-12 | 成都交大大数据科技有限公司 | 基于轨迹数据的车道级交通状态估计方法、装置及系统 |
CN114613144B (zh) * | 2022-04-07 | 2024-04-30 | 重庆大学 | 一种基于Embedding-CNN的混合车群运动演化规律的刻画方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436751B (zh) * | 2011-09-30 | 2014-09-17 | 上海交通大学 | 基于城市宏观路网模型的交通流短时预测方法 |
CN105702029B (zh) * | 2016-02-22 | 2017-11-28 | 北京航空航天大学 | 一种分时段考虑时空关联性的快速路交通状态预测方法 |
US20210157312A1 (en) * | 2016-05-09 | 2021-05-27 | Strong Force Iot Portfolio 2016, Llc | Intelligent vibration digital twin systems and methods for industrial environments |
CN106251630B (zh) * | 2016-10-13 | 2018-09-07 | 东南大学 | 一种基于多源数据的递进式扩展卡尔曼滤波高速公路交通状态估计方法 |
CN108538050B (zh) * | 2017-03-01 | 2020-07-31 | 香港理工大学深圳研究院 | 一种短时交通流量预测方法及装置 |
CN106981198B (zh) * | 2017-05-24 | 2020-11-03 | 北京航空航天大学 | 用于旅行时间预测的深度学习网络模型及其建立方法 |
CN107123265B (zh) * | 2017-06-12 | 2020-01-10 | 东南大学 | 一种基于并行计算的高速公路交通状态估计方法 |
CA2989505A1 (en) * | 2017-12-19 | 2018-09-17 | Adam Gant | A method and system for valuation of a pool of real estate assets |
CN111932888B (zh) * | 2020-08-17 | 2021-11-12 | 山东交通学院 | 防止边界路段排队溢流的区域动态边界控制方法及系统 |
CN112201057B (zh) * | 2020-09-08 | 2021-11-09 | 同济大学 | 一种基于事故风险的快速路车速和匝道协同控制方法 |
CN112396834B (zh) * | 2020-11-05 | 2021-09-07 | 河北上元智能科技股份有限公司 | 基于元胞自动机模型的雾天高速公路协调控制方法 |
-
2021
- 2021-06-11 CN CN202110655244.3A patent/CN113362600B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113362600A (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mo et al. | A physics-informed deep learning paradigm for car-following models | |
CN113362600B (zh) | 一种交通状态估计方法及系统 | |
Leshem et al. | Traffic flow prediction using adaboost algorithm with random forests as a weak learner | |
Jiang et al. | Traffic and vehicle speed prediction with neural network and hidden markov model in vehicular networks | |
CN105954040A (zh) | 应用于无人驾驶汽车的测试方法和装置 | |
CN111008505B (zh) | 城市坡道行驶工况构建方法及应用 | |
CN112201069A (zh) | 基于深度强化学习的驾驶员纵向跟车行为模型构建方法 | |
CN111709549A (zh) | 一种基于svd-pso-lstm的短时交通流预测的导航提醒方法 | |
CN109410587A (zh) | 一种城市快速路的宏观交通流参数估计方法 | |
CN114333361B (zh) | 一种信号灯配时方法及装置 | |
CN106297296B (zh) | 一种基于稀疏轨迹点数据的细粒度旅行时间分配方法 | |
US20230365145A1 (en) | Method, system and computer program product for calibrating and validating a driver assistance system (adas) and/or an automated driving system (ads) | |
CN115742855A (zh) | 电动汽车剩余里程预测方法、装置、电动汽车及介质 | |
CN111967308A (zh) | 一种在线路面不平度辨识方法及系统 | |
Grubwinkler et al. | A modular and dynamic approach to predict the energy consumption of electric vehicles | |
CN115099328A (zh) | 基于对抗网络的交通流量预测方法、系统、设备及存储介质 | |
CN111353644A (zh) | 基于强化学习的智能网联云平台的预测模型生成方法 | |
Yang et al. | Physical model versus artificial neural network (ANN) model: a comparative study on modeling car-following behavior at signalized intersections | |
CN116861262B (zh) | 一种感知模型训练方法、装置及电子设备和存储介质 | |
CN114495486B (zh) | 一种基于层次强化学习的微观交通流预测系统及方法 | |
CN114495519B (zh) | 一种高速公路智慧可视化展示系统 | |
Xing et al. | Driving cycle recognition for hybrid electric vehicle | |
CN112907969B (zh) | 一种预测道路交通流量的方法及系统 | |
CN115080388A (zh) | 一种面向自动驾驶系统的仿真测试场景生成方法 | |
Zhang et al. | Modeling lane-change risk in urban expressway off-ramp area based on naturalistic driving data |
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 |