CN113450569A - 确定路口状态的方法、装置、电子设备和存储介质 - Google Patents
确定路口状态的方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113450569A CN113450569A CN202110740785.6A CN202110740785A CN113450569A CN 113450569 A CN113450569 A CN 113450569A CN 202110740785 A CN202110740785 A CN 202110740785A CN 113450569 A CN113450569 A CN 113450569A
- Authority
- CN
- China
- Prior art keywords
- congestion
- determining
- road
- driving
- sub
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000013145 classification model Methods 0.000 claims abstract description 25
- 238000013507 mapping Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000011144 upstream manufacturing Methods 0.000 claims description 5
- 230000036962 time dependent Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims 1
- 238000010801 machine learning Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000007637 random forest analysis Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000036961 partial effect Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06N20/00—Machine learning
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种确定路口状态的方法、装置、电子设备和存储介质,应用于人工智能技术领域,具体应用于智能交通技术领域、计算机视觉技术领域和机器学习技术领域。路口由多个路段交汇形成,多个路段包括至少两个驶入路段。该确定路口状态的方法的具体实现方案为:确定至少两个驶入路段中每个驶入路段的属性数据和交通数据;基于属性数据和交通数据,确定每个驶入路段的拥堵参数;以每个驶入路段的拥堵参数作为预定分类模型的输入,确定每个驶入路段的状态;以及基于至少两个驶入路段的状态,确定路口的状态。
Description
技术领域
本公开涉及人工智能技术领域,具体涉及智能交通技术领域、计算机视觉技术领域和机器学习技术领域,更具体地涉及一种确定路口状态的方法、装置、电子设备和存储介质。
背景技术
随着电子技术的发展,各行各业趋向于采用人工智能技术进行数据处理,以实现对各场景的不间断管理。
在智能交通场景中,为了合理的进行道路规划和交通信号控制,通常需要了解道路中路口在各时间段的状态。例如可以对针对各路口所采集的视频信号等进行解码处理,并根据处理结果来确定路口的状态。
发明内容
提供了一种提高准确性的确定路口状态的方法、装置、设备和存储介质。
根据本公开的一个方面,提供了一种确定路口状态的方法,路口由多个路段交汇形成,多个路段包括至少两个驶入路段;该方法包括:确定至少两个驶入路段中每个驶入路段的属性数据和交通数据;基于属性数据和交通数据,确定每个驶入路段的拥堵参数;以每个驶入路段的拥堵参数作为预定多分类模型的输入,确定每个驶入路段的状态;以及基于至少两个驶入路段的状态,确定路口的状态。
根据本公开的另一个方面,提供了一种确定路口状态的装置,路口由多个路段交汇形成,多个路段包括至少两个驶入路段;该装置包括:数据确定模块,用于确定至少两个驶入路段中每个驶入路段的属性数据和交通数据;参数确定模块,用于基于属性数据和交通数据,确定每个驶入路段的拥堵参数;路段状态确定模块,用于以每个驶入路段的拥堵参数作为预定多分类模型的输入,确定每个驶入路段的状态;以及路口状态确定模块,用于基于至少两个驶入路段的状态,确定路口的状态。
根据本公开的另一个方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本公开提供的确定路口状态的方法。
根据本公开的另一个方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行本公开提供的确定路口状态的方法。
根据本公开的另一个方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现本公开提供的确定路口状态的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开实施例的确定路口状态的方法和装置的应用场景示意图;
图2是根据本公开实施例的确定路口状态的方法的流程示意图;
图3是根据本公开实施例的确定加权拥堵指数的原理示意图;
图4是根据本公开实施例的确定拥堵比例系数的原理示意图;
图5是根据本公开实施例的确定连续拥堵长度和未拥堵长度的原理示意图;
图6是根据本公开实施例的确定路口状态的原理示意图;
图7是根据本公开实施例的确定路口状态的装置的结构框图;以及
图8是用来实施本公开实施例的确定路口状态的方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本公开提供了一种确定路口状态的方法,其中路口由多个路段交汇形成,多个路段包括至少两个驶入路段。该方法包括数据确定阶段、参数确定阶段、路段状态确定阶段和路口状态确定阶段。在数据确定阶段中,确定至少两个驶入路段中每个驶入路段的属性数据和交通数据。在参数确定阶段中,基于属性数据和交通数据,确定每个驶入路段的拥堵参数;在路段状态确定阶段中,以每个驶入路段的拥堵参数作为预定多分类模型的输入,确定每个驶入路段的状态。在路口状态确定阶段中,基于至少两个驶入路段的状态,确定路口的状态。
以下将结合图1对本公开提供的方法和装置的应用场景进行描述。
图1是根据本公开实施例的确定路口状态的方法和装置的应用场景示意图。
如图1所示,该实施例的场景100包括监控人员110、终端120、通信基站130和道路交通网。其中道路交通网中可以包括道路,及由道路交汇形成的路口。例如,在该场景100中,道路交通网至少包括路口140和路口150。其中,道路交通网中路段161、路段162、路段163等交汇形成路口140。
其中,本公开实施例中的路段是指道路在相邻两个路口之间的路段。交汇形成每个路口的路段可以包括有驶入该路口的路段和驶出该路口的路段。例如,交汇形成路口140的路段包括有驶入路口140的路段161、163等,也包括有驶出路口140的路段162等。
示例性地,如图1所示,在交汇形成路口的路段上可以行驶有车辆,该车辆可以集成有导航系统,或者车辆中驾驶员的手持终端安装有导航应用程序,该导航系统或导航应用程序可以通过通信基站130向后台服务器上传实时数据。终端120例如可以通过网络从后台服务器中请求数据,以获取导航系统或导航应用程序上传的数据,并根据该数据分析交汇形成路口的各路段的状态,以基于各路段的状态确定路口的状态。监控人员110例如可以根据该路口的状态与时间的关系来调节设置于路口处的交通信号指示灯的信号周期和绿信比等,或者可以根据该状态来确定道路的改造设计方案等。
示例性地,终端120例如可以通过对导航系统或导航应用程序上传的数据进行分析,得到交汇形成路口的各路段的拥堵参数,随后采用预先训练得到的多分类模型来对该拥堵参数进行分析,得到各路段的状态。
示例性地,终端120例如可以为具有监控功能和信息展示功能的服务器、台式计算机、膝上型便携计算机等,该终端120上可以安装有各种客户端应用。后台服务器例如可以为支持导航系统或导航应用程序运行的任意服务器,例如可以为分布式系统的服务器,或者是结合了区块链的服务器。
需要说明的是,本公开实施例所提供的确定路口状态的方法一般可以由终端120执行。本公开实施例所提供的确定路口状态的装置可以设置于终端120中。
应该理解,图1中的终端、道路、车辆和通信基站的数目和类型仅仅是示意性的。根据实现需要,可以具有任意数据和类型的终端、道路、车辆和通信基站。
以下将结合图1,通过以下图2~图6对本公开提供的确定路口状态的方法进行详细描述。
图2是根据本公开实施例的确定路口状态的方法的流程图。
如图2所示,该实施例的确定路口状态的方法200可以包括操作S210~操作S240。其中,路口由多个路段交汇形成,多个路段包括至少两个驶入路段。
在操作S210,确定至少两个驶入路段中每个驶入路段的属性数据和交通数据。
根据本公开的实施例,可以通过对道路上各监控设备实时采集的视频数据进行分析,来得到每个驶入路段的交通数据,该交通数据例如可以包括驶入路段上的车辆个数、车辆位置、车辆行驶速度、车辆路经路段的行驶时长等信息。可以从向地图导航类客户端应用提供服务支持的服务器中获取路网信息,该路网信息包括各驶入路段的属性数据。该属性数据例如可以包括各驶入路段的长度、各驶入路段的起始位置和终止位置等。
根据本公开的实施例,还可以获取路网信息和导航类应用程序上传的车辆位置信息。基于路网信息和车辆位置信息,来确定每个驶入路段的交通数据。具体地,可以先从路网信息中定位到各驶入路段的属性数据。然后根据车辆的位置信息,确定位于该各驶入路段上的车辆的个数、车辆在各驶入路段上的位置等数据,作为交通数据。相较于需要分析采集的视频数据确定交通数据的技术方案,可以降低该实施例确定路口的状态的成本并提高确定路口状态的方法的执行稳定性。
根据本公开的实施例,交通数据还可以包括基于车辆个数和车辆位置确定的拥堵指数。该拥堵指数的取值范围可以取决于导航类应用程序的设定规则。例如,该拥堵指数的取值范围可以为[0,100]。根据实际情况,90%的路段的拥堵指数的取值小于等于5,仅在严重拥堵的情况下该拥堵指数的取值才会大于10。
在操作S220,基于属性数据和交通数据,确定每个驶入路段的拥堵参数。
根据本公开的实施例,可以根据每个驶入路段的属性数据和交通数据,确定每个驶入路段上车辆行驶的平均速率,将该平均速率作为每个驶入路段的拥堵参数。或者,交通数据中可以包括拥堵指数,该实施例可以将该拥堵指数作为拥堵参数。
根据本公开的实施例,可以基于预定长度将每个驶入路段划分为至少一个子路段,子路段可以相当于存储导航路径数据所采用的弧段Link。预定长度可以根据实际需求进行设定,例如可以设定为50m、100m等,本公开对此不做限定。
根据本公开的实施例,确定的每个驶入路段的属性数据可以包括该每个驶入路段包括的多个子路段各自的属性数据,每个驶入路段的交通数据可以包括该每个驶入路段包括的各子路段的交通数据。该实施例还可以基于该每个驶入路段中各子路段的属性信息和交通信息来确定每个驶入路段的拥堵参数。例如,可以确定各子路段上车辆行驶的平均速率,将该每个驶入路段包括的至少一个子路段上车辆行驶的平均速率的平均值作为每个驶入路段的拥堵参数。或者,该实施例可以以各路段的长度相对于每个驶入路段长度的比值作为权重,计算每个驶入路段中子路段的拥堵指数的加权和,将得到的加权和作为该每个驶入路段的拥堵指数,并作为一项拥堵参数。
可以理解的是,拥堵参数可以包括拥堵指数、平均速率、平均通行时长等能够反映路段是否拥堵的参数,本公开对此不做限定。
在操作S230,以每个驶入路段的拥堵参数作为预定多分类模型的输入,确定每个驶入路段的状态。
根据本公开的实施例,预定多分类模型例如可以为深度学习模型或机器学习模型等。其中,机器学习模型例如可以为AdaBoost分类器、逻辑回归模型、随机森林(RandomForest,PF)模型或梯度提升树(Gradient Boosting Decision Tree,GBDT)模型等。
在一实施例中,可以选择以PF模型和GBDT模型等为代表的集成学习模型作为多分类模型,由于该集成学习模型由多个分类器构成,因此可以在相较于深度学习模型降低训练成本的基础上,提高确定的每个输入路段的状态的准确性。
根据本公开的实施例,该多分类模型的输出可以为概率向量,表示每个驶入路段的状态为预定状态中各状态的概率。该实施例可以将最大概率值对应的状态作为每个驶入路段的状态。或者,该多分类模型的输出结果可以直接表示每个驶入路段的状态。在一实施例中,预定状态可以包括以下至少之一:溢流、拥堵、过饱和及空放等。可以根据实际需求设定该预定状态,本公开对此不做限定。
根据本公开的实施例,可以预先对多分类模型进行训练。可以采用路口的各驶入路段的属性数据和历史交通数据来确定各驶入路段在历史时段中各时段的拥堵参数,并将历史时段内各驶入路段的实际状态作为该拥堵参数的标签,得到多分类模型的样本数据。随后基于样本数据对多分类模型进行训练。可以理解的是,对多分类模型进行训练的方法与相关技术类似,在此不再详述。
其中,历史时段内各驶入路段的实际状态例如可以通过对路口视频采集装置采集的各驶入路段的视频帧进行分析得到。例如,可以通过分析视频帧得到各驶入路段的红灯启亮排队车辆数RL。根据该红灯启亮排队车辆数RL来确定各驶入路段的实际状态。例如,若RL在1~4之间,则可以确定该驶入路段的实际状态为过饱和。若RL大于4等于4,则可以确定该驶入路段的实际状态为拥堵。若RL小于等于1,则可以确定该驶入路段的实际状态为空放。若红灯启亮排队车辆占据了该整个驶入路段,则可以确定该驶入路段的实际状态为溢流等。或者,还可以通过分析视频帧,确定一个绿灯周期是否能够放完排队车辆来确定各驶入路段的实际状态。例如,若无法放完排队车辆,则实际状态为拥堵;若刚好放完排队车辆,则实际状态为过饱和。若放完排队车辆后绿灯剩余时长大于预定时长,则实际状态为空放等。可以理解的是,上述确定实际状态的方法仅作为示例以利于理解本公开,本公开对此不做限定。
在操作S240,基于至少两个驶入路段的状态,确定路口的状态。
根据本公开的实施例,可以统计该至少两个驶入路段的状态,根据统计结果来确定路口的状态。
示例性地,若路段的状态包括空放、过饱和、拥堵和溢流中的其中之一,则可以在至少两个驶入路段中存在状态为溢流的路段的情况下,确定路口的状态包括溢流。在至少两个驶入路段中每个驶入路段的状态为拥堵或溢流的情况下,确定路口的状态包括拥堵。在至少两个驶入路段的状态均不是空放、且至少两个驶入路段中包括状态为过饱和的路段的情况下,确定路口的状态包括过饱和。在至少两个驶入路段中包括状态为空放的第一路段,且包括状态不是空放的第二路段的情况下,确定路口的状态包括失衡。在至少两个驶入路段中包括状态为空放的驶入路段,确定路口的状态包括空放。可以理解的是,该路口可以同时具有两种或多种状态。例如,若交汇形成路口的驶入路段中,包括状态为空放的驶入路段和状态为溢流的驶入路段,则该路口的状态可以包括:空放、溢流和失衡。若交汇形成路口的驶入路段中,包括状态为空放的驶入路段和状态为过饱和的驶入路段,则该路口的状态可以包括:空放和失衡。
可以理解的是,上述基于至少两个驶入路段的状态确定路口状态的方法仅作为示例,本公开对此不做限定。例如还可以在至少两个驶入路段的状态均为过饱和的情况下,确定路口的状态为过饱和。若至少两个驶入路段中,仅包括状态为过饱和的路段及状态为拥堵的路段,则确定路口的状态为拥堵。
根据本公开的实施例,例如可以根据预定时间窗口,针对实时的每个时间窗口的交通数据,来确定路口的实时状态。如此,即使在导航类互联网大数据无法得到每个时刻的交通数据的情况下,仍可准确地确定路口的状态。并因此,便于降低获取交通数据的成本,提高获取交通数据的稳定性。其中,预定时间窗口例如可以为2min、5min等,本公开对此不做限定。
本公开实施例通过先基于交通数据和属性数据确定拥堵指标,再采用多分类模型来基于该拥堵指标确定路段的状态,相较于相关技术中基于固定标准判定路段状态的技术方案,可以提高确定路段状态的灵活性,并因此提高确定的路段状态和路口状态的准确性。
本公开实施例通过将交汇形成路口的驶入路段分为至少一个子路段,并通过对各子路段的交通数据和属性数据的分析来确定驶入路段的路况信息,可以提高确定的路况信息的准确性。在此基础上,可以提高确定的路口状态的准确性,并因此便于后续交通管控的有效性,提高市民体验。
根据本公开的实施例,考虑到不同时段下,路段的拥堵情况通常是不一样的。该实施例在确定每个驶入路段的拥堵参数时,可以将时间相关的拥堵特征值作为拥堵参数。具体地,该实施例可以预先构建有时段与拥堵特征值之间的映射关系。在确定每个驶入路段的拥堵参数时,可以先确定该映射关系中的多个预定时段中与交通数据相对应的时段,作为目标时段。随后将与该目标时段具有映射关系的拥堵特征值作为一项拥堵参数。
其中,时段与拥堵特征值之间的映射关系可以通过预先调研的结果来设定。例如,该时段与拥堵特征值之间的映射关系可以如下表所示。
时段 | 拥堵特征值 |
工作日-早晚高峰(7-9点,17-19点) | 10 |
工作日-平峰(0-7点、9-17点、19点-0点) | 4 |
节假日、周末-早晚高峰(7-9点,17-19点) | 6 |
节假日、周末-平峰(0-7点、9-17点、19点-0点) | 3 |
可以理解的是,上述时段与拥堵特征值之间的映射关系表仅作为示例以利于理解本公开,本公开对此不做限定。
图3是根据本公开实施例的确定加权拥堵指数的原理示意图。
根据本公开的实施例,前述每个驶入路段的拥堵参数例如可以包括加权拥堵指数,是通过对每个驶入路段包括的至少一个子路段的拥堵指数加权求和得到的。通过该方式,可以提高确定的驶入路段拥堵指数的准确性,并因此便于提高确定的路口状态的准确性。
根据本公开的实施例,在加权求和时,可以基于各子路段的属性数据来确定各子路段的拥堵指数的权重。例如,确定加权拥堵指数的操作可以先针对每个驶入路段中的各子路段,基于各子路段的属性数据,确定各子路段相对于该每个驶入路段的拥堵权重。随后基于该拥堵权重和各子路段的拥堵指数,确定加权拥堵指数。即将该各子路段相对于该每个驶入路段的拥堵权重作为计算加权和时该各子路段的拥堵指数的权重,加权得到加权拥堵指数。其中,可以根据属性数据中的长度来确定拥堵权重,这是由于长度越长的子路段的拥堵指数对整个驶入路段的路况影响越大。或者,可以根据属性数据中子路段与路口之间的距离来确定拥堵权重,这是由于离路口越近的子路段,拥堵指数受路口处交通信号指示灯的信号周期影响越大。可以理解的是,上述确定拥堵权重的方法仅作为示例以利于理解本公开,本公开还可以根据属性数据中的任意数据来确定拥堵权重,本公开对此不做限定。
示例性地,在确定拥堵权重时,可以同时考虑子路段的长度和子路段的位置,以此使得确定的加权拥堵指数能准确地反映路段的拥堵情况。例如,可以基于各子路段的长度,确定各子路段相对于每个驶入路段的第一子权重。基于各子路段的位置,确定各子路段相对于每个驶入路段的第二子权重。将该第一子权重和第二子权重的平均值作为拥堵权重。或者,可以基于预设定的权重,计算该第一子权重和第二子权重的加权和,得到拥堵权重。或者,该拥堵权重包括第一子权重和第二子权重。
示例性地,如图3所示,该实施例300在基于各子路段的位置确定第二子权重时,可以先确定该各子路段的位置与路口位置之间的距离,并根据该距离确定第二子权重。例如,对于第一路口310,驶入路段包括铺设在第一路口310和第二路口320之间的路段,该路段的长度为L1。该路段包括有子路段331、子路段332、子路段333和子路段334。对于子路段332,其长度为L2,该子路段332的位置与第一路口310的位置之间的距离为L3。在确定该子路段332相对于路段的拥堵权重时,需要用到长度L2 341、长度L1 342和长度L3 343。例如,可以将L2与L1的比值作为第一子权重351,将L3与L1的比值作为第二子权重352。相应地,子路段332相对于其所属的路段的拥堵权重包括该第一子权重351和第二子权重352。
根据本公开的实施例,在确定加权拥堵指数时,可以基于子路段332相对于驶入路段的第一子权重351和该子路段332的拥堵指数360,确定第一加权指数371。并基于子路段332相对于驶入路段的第二子权重352和该子路段332的拥堵指数360,确定第二加权指数372。最后基于该第一加权指数371和第二加权指数372,来确定加权拥堵指数380。
示例性地,可以基于第一子权重,确定每个驶入路段中各子路段的拥堵指数的加权和,获得第一加权指数。基于第二子权重,确定每个驶入路段中各子路段的拥堵指数的加权和,获得第二加权指数。例如,可以以第一子权重作为各子路段的拥堵指数的权重,来获得第一加权指数。以第二子权重作为各子路段的拥堵指数的权重,来获得第二加权指数。
示例性地,可以将第一加权指数371与第二加权指数372的平均值作为加权拥堵指数380。或者,可以基于预先设定的权重,计算第一加权指数371与第二加权指数372的加权和,将该加权和作为加权拥堵指数。
在一实施例中,设定每个驶入路段包括n个子路段,n个子路段中第i个子路段的长度为LKL,第i个子路段与路口之间的距离为D,第i个子路段的拥堵指数为LKI,该每个驶入路段的总长度为LL。则该第i个子路段相对于每个驶入路段的第一子权重可以表示为LKLP=LKL/LL,该第i个子路段相对于每个驶入路段的第二子权重可以表示为LKPP=D/LL。第一加权指数LKLIavg、第二加权指数LKPIavg和加权拥堵指数LKIavg可以分别表示为:
LKIavg=(LKPIavg+LKLIavg)/2。
图4是根据本公开实施例的确定拥堵比例系数的原理示意图。
根据本公开的实施例,前述每个驶入路段的拥堵参数例如可以包括拥堵比例系数。该拥堵比例系数可以为驶入路段中拥堵区域的长度与驶入路段总长度的比值。由于路段中排队车辆所在区域一般为拥堵区域,则该拥堵比例系数还可以为车辆排队长度与驶入路段总长度的比值。
在一实施例中,在驶入路段较长时,驶入路段的拥堵区域可能包括非连续的多个区域,而仅连续的拥堵区域能够反映路口的状态。因此,在确定拥堵比例系数时,可以根据该连续拥堵区域的长度与驶入路段的长度的比值来确定拥堵比例系数。例如,如图4所示,该实施例400可以先基于每个驶入路段的交通数据410,确定每个驶入路段的连续拥堵长度420。该连续拥堵长度420即为连续拥堵区域的长度。随后将连续拥堵长度450与每个驶入路段的长度430的比值作为拥堵比例系数440。通过该方法,可以提高确定的拥堵比例系数的准确性,使得该拥堵比例系数更能反映路段路口处交通信号指示灯的信号周期对路段状态的影响。
根据本公开的实施例,连续拥堵区域例如可以为靠近路口的拥堵区域,以此使得该拥堵比例系数更为准确地反映路段路口处交通信号指示灯的信号周期对路段状态的影响。此种情况下,确定连续拥堵长度的原理参见后文描述,在此不再赘述。
图5是根据本公开实施例的确定连续拥堵长度和未拥堵长度的原理示意图。
根据本公开的实施例,在确定连续拥堵长度时,例如可以先确定每个驶入路段中的拥堵区域。在确定了拥堵区域后,将拥堵区域中最靠近路口的第一区域的终止位置与路口之间的距离作为连续拥堵长度。其中,在驶入路段被划分为至少一个子路段的情况下,拥堵区域可以根据驶入路段中各子路段的交通信息来确定,具体例如可以根据在各子路段上行驶的车辆的车距、车速和车辆驶过该各子路段所需的时长来确定。若该子路段上行驶的车辆的车速小于预定车速,则可以确定该子路段的区域为拥堵区域。可以理解的是,该拥堵区域的确定与相关技术中类似,本公开对此不做限定。
示例性地,如图5所示,该实施例500中,对于第一路口510,驶入路段包括行驶方向为由第二路口520指向第一路口510的路段。该路段包括子路段531~534。其中,确定的拥堵区域包括子路段531所在的区域和子路段533所在的区域。则可以确定子路段531为最靠近第一路口510的拥堵区域,连续拥堵长度为子路段531的终止位置与第一路口510之间的距离L4,即子路段531的长度。
根据本公开的实施例,前述拥堵参数例如可以包括未拥堵长度,以根据该未拥堵长度确定路口是否存在溢流情况。其中,该未拥堵长度可以为确定的拥堵区域中第二区域的终止位置与路口的上游路口之间的距离。此处,第二区域为最远离路口的拥堵区域。
示例性地,对于由子路段531~534构成的驶入路段,第一路口510的上游路口为第二路口520。前述确定的拥堵区域中最远离第一路口的拥堵区域为子路段533所在的区域。未拥堵长度为该子路段533的终止位置与第二路口520之间的距离L5,即子路段534的长度。
可以理解的是,可能存在某个子路段中部分区域为拥堵区域,部分区域为非拥堵区域的情况。此种情况,则确定子路段上车速小于预定车速的最后一辆车车尾的位置为拥堵区域的终止位置。其中,最后一辆车为子路段上与第一路口510之间的距离最远的车。其中,上述确定拥堵区域的终止位置的方法仅作为示例以利于理解本公开,该方法具体与确定拥堵区域的方法一一对应。
根据本公开的实施例,在确定驶入路段的状态时,通过考虑该未拥堵长度,还可以有效地判断路口是否存在溢流现象,以此进一步提高确定的路口状态的准确性。
根据本公开的实施例,每个驶入路段的拥堵参数可以包括前述的各拥堵参数中的一个或多个。例如,在一实施例中,该每个驶入路段的拥堵参数可以包括前述的拥堵特征值、加权拥堵指数、拥堵比例系数和未拥堵长度。该实施例在确定每个驶入路段的状态时,可以将该拥堵参数组成特征向量,将该特征向量作为预定多分类模型的输入,由预定多分类模型的输出结果来得到每个驶入路段的状态。
以下以预定多分类模型为随机森林为例,对基于多个拥堵参数得到驶入路段状态的原理进行描述。
图6是根据本公开实施例的确定路口状态的原理示意图。
如图6所示,该实施例600在得到各驶入路段的交通数据611和属性数据612后,可以采用与前文描述的方法类似的方法,基于该交通数据611和属性数据612,分别得到各拥堵参数:拥堵特征值621、加权拥堵指数622、拥堵比例系数623和未拥堵长度624。
将该些拥堵参数相组合,可以得到作为多分类模型的输入向量,即拥堵特征向量630。随后通过将该拥堵特征向量630输入随机森林模型640中,经由该随机森林模型640可以输出得到驶入路段的状态650。
如图6所示,该随机森林模型640可以包括多个分类器、与该多个分类器连接的多数表决层645和与多数表决层645连接的输出层646。多个分类器例如可以包括分类器641、分类器642、分类器643和分类器644。拥堵特征向量630作为该多个分类器中每个分类器的输入,经由该每个分类器,得到与拥堵特征向量630对应的分类结果。随后,经由多数表决层645对多个分类器的分类结果进行统计,将多个分类结果中个数最多的分类结果作为最终的分类结果,经由输出层646输出。例如,若四个分类器的分类结果中,三个为拥堵,一个为过饱和,则可以确定该驶入路段的状态为拥堵。其中,每个分类器例如可以为一个决策树(Decision Tree)。多个分类器的个数可以根据实际需求进行设定。例如,该多个分类器的个数例如可以与拥堵特征向量中的拥堵参数的个数相关联。拥堵参数的个数越多,则该分类器的个数越多,以此保证分类结果的准确性。
基于本公开提供的确定路口状态的方法,本公开还提供了一种确定路口状态的装置。以下将结合图7对该装置进行详细描述。
图7是根据本公开实施例的确定路口状态的装置的结构框图。
如图7所示,该实施例的确定路口状态的装置700可以包括数据确定模块710、参数确定模块720、路段状态确定模块730和路口状态确定模块740。路口由多个路段交汇形成,多个路段包括至少两个驶入路段。
数据确定模块710用于确定至少两个驶入路段中每个驶入路段的属性数据和交通数据。在一实施例中,数据确定模块710可以用于执行前文描述的操作S210,在此不再赘述。
参数确定模块720用于基于属性数据和交通数据,确定每个驶入路段的拥堵参数。在一实施例中,参数确定模块720用于执行前文描述的操作S220,在此不再赘述。
路段状态确定模块730用于以每个驶入路段的拥堵参数作为预定多分类模型的输入,确定每个驶入路段的状态。在一实施例中,路段状态确定模块730用于执行前文描述的操作S230,在此不再赘述。
路口状态确定模块740用于基于至少两个驶入路段的状态,确定路口的状态。在一实施例中,路口状态确定模块740可以用于执行前文描述的操作S240,在此不再赘述。
根据本公开的实施例,预定多分类模型包括集成学习模型。
根据本公开的实施例,参数确定模块720包括特征值确定子模块,用于确定与时间相关的拥堵特征值。该特征值确定子模块可以包括时段确定单元和特征值确定单元。时段确定单元用于确定多个预定时段中与交通数据相对应的时段,作为目标时段。特征值确定单元用于基于时段与拥堵特征值之间的预定映射关系,确定与目标时段具有映射关系的拥堵特征值。
根据本公开的实施例,至少两个驶入路段中的每个驶入路段包括至少一个子路段;每个驶入路段的属性数据包括每个驶入路段中各子路段的属性数据;每个驶入路段的交通数据包括每个驶入路段中各子路段的交通数据,且交通数据包括拥堵指数。上述参数确定模块720可以包括加权指数确定子模块,用于确定加权拥堵指数。该加权指数确定子模块可以包括权重确定单元和指数确定单元。权重确定单元用于针对每个驶入路段中的各子路段,基于各子路段的属性数据,确定各子路段相对于每个驶入路段的拥堵权重。指数确定单元用于基于拥堵权重和各子路段的拥堵指数,确定加权拥堵指数。
根据本公开的实施例,属性数据包括长度和位置。上述权重确定单元例如可以包括第一权重确定子单元和第二权重确定子单元。第一权重确定子单元用于基于各子路段的长度,确定各子路段相对于每个驶入路段的第一子权重。第二权重确定子单元用于基于各子路段的位置,确定各子路段相对于每个驶入路段的第二子权重。
根据本公开的实施例,指数确定单元可以包括:第一指数确定子单元,用于基于第一子权重,确定每个驶入路段中各子路段的拥堵指数的加权和,获得第一加权指数;第二指数确定子单元,用于基于二子权重,确定每个驶入路段中各子路段的拥堵指数的加权和,获得第二加权指数;以及拥堵指数确定子单元,用于基于第一加权指数和第二加权指数,确定加权拥堵指数。
根据本公开的实施例,参数确定模块720可以包括比例系数确定子模块,用于确定每个驶入路段的拥堵比例系数。该比例系数确定子模块可以包括:拥堵长度确定单元,用于基于每个驶入路段的交通数据,确定每个驶入路段的连续拥堵长度;以及比例系数确定单元,用于确定连续拥堵长度与每个驶入路段的长度的比值,作为拥堵比例系数。
根据本公开的实施例,拥堵长度确定单元可以包括:拥堵区域确定子单元,用于基于每个驶入路段的交通信息,确定每个驶入路段中的拥堵区域;以及拥堵长度确定子单元,用于确定拥堵区域中第一区域的终止位置与路口之间的距离,作为连续拥堵长度。其中,第一区域为最靠近路口的拥堵区域。
根据本公开的实施例,参数确定模块720可以包括长度确定子模块,用于确定每个驶入路段的未拥堵长度。该长度确定子模块可以包括拥堵区域确定单元,用于基于每个驶入路段的交通信息,确定每个驶入路段中的拥堵区域;以及长度确定单元,用于确定拥堵区域中第二区域的终止位置与路口的上游路口之间的距离为未拥堵长度。其中,第二区域为最远离路口的拥堵区域。
根据本公开的实施例,每个驶入路段的状态包括以下状态中的其中之一:空放、过饱和、拥堵和溢流。路口状态确定模块用于通过以下至少之一确定路口的状态:在至少两个驶入路段中存在状态为溢流的路段的情况下,确定路口的状态包括溢流;在至少两个驶入路段中每个驶入路段的状态为拥堵或溢流的情况下,确定路口的状态包括拥堵;在至少两个驶入路段的状态均不是空放、且至少两个驶入路段中包括状态为过饱和的路段的情况下,确定路口的状态包括过饱和;在至少两个驶入路段中包括状态为空放的第一路段,且包括状态不是空放的第二路段的情况下,确定路口的状态包括失衡;在至少两个驶入路段中包括状态为空放的驶入路段,确定路口的状态包括空放。
根据本公开的实施例,数据确定模块710可以包括:信息获取子模块,用于获取路网信息和导航类应用程序上传的车辆位置信息;以及交通数据确定子模块,用于基于路网信息和车辆位置信息,确定每个驶入路段的交通数据,其中,路网信息包括每个驶入路段的属性数据。
需要说明的是,本公开的技术方案中,所涉及的用户个人信息的获取、存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本公开实施例的确定路口状态的方法的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如确定路口状态的方法。例如,在一些实施例中,确定路口状态的方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的确定路口状态的方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行确定路口状态的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。其中,服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务(″Virtual Private Server″,或简称″VPS″)中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (25)
1.一种确定路口状态的方法,其中,所述路口由多个路段交汇形成;所述多个路段包括至少两个驶入路段;所述方法包括:
确定所述至少两个驶入路段中每个驶入路段的属性数据和交通数据;
基于所述属性数据和所述交通数据,确定所述每个驶入路段的拥堵参数;
以所述每个驶入路段的拥堵参数作为预定多分类模型的输入,确定所述每个驶入路段的状态,以及
基于所述至少两个驶入路段的状态,确定所述路口的状态。
2.根据权利要求1所述的方法,其中,所述预定多分类模型包括集成学习模型。
3.根据权利要求1或2所述的方法,其中,确定所述每个驶入路段的拥堵参数包括通过以下方式确定与时间相关的拥堵特征值:
确定多个预定时段中与所述交通数据相对应的时段,作为目标时段;以及
基于时段与拥堵特征值之间的预定映射关系,确定与所述目标时段具有映射关系的拥堵特征值。
4.根据权利要求1~3中任一项所述的方法,其中:
所述至少两个驶入路段中的每个驶入路段包括至少一个子路段;所述每个驶入路段的属性数据包括所述每个驶入路段中各子路段的属性数据;所述每个驶入路段的交通数据包括所述每个驶入路段中各子路段的交通数据,且所述交通数据包括拥堵指数;
确定所述每个驶入路段的拥堵参数包括通过以下方式确定加权拥堵指数:
针对所述每个驶入路段中的各子路段,基于所述各子路段的属性数据,确定所述各子路段相对于所述每个驶入路段的拥堵权重;以及
基于所述拥堵权重和所述各子路段的拥堵指数,确定所述加权拥堵指数。
5.根据权利要求4所述的方法,其中,所述属性数据包括长度和位置;确定所述各子路段相对于所述每个驶入路段的拥堵权重包括:
基于所述各子路段的长度,确定所述各子路段相对于所述每个驶入路段的第一子权重;以及
基于所述各子路段的位置,确定所述各子路段相对于所述每个驶入路段的第二子权重。
6.根据权利要求5所述的方法,其中,所述基于所述拥堵权重和所述各子路段的拥堵指数,确定所述加权拥堵指数包括:
基于所述第一子权重,确定所述每个驶入路段中各子路段的拥堵指数的加权和,获得第一加权指数;
基于所述第二子权重,确定所述每个驶入路段中各子路段的拥堵指数的加权和,获得第二加权指数;以及
基于所述第一加权指数和所述第二加权指数,确定所述加权拥堵指数。
7.根据权利要求1~6中任一项所述的方法,其中,确定所述每个驶入路段的拥堵参数包括通过以下方式确定拥堵比例系数:
基于所述每个驶入路段的交通数据,确定所述每个驶入路段的连续拥堵长度;以及
确定所述连续拥堵长度与所述每个驶入路段的长度的比值,作为所述拥堵比例系数。
8.根据权利要求7所述的方法,其中,确定所述每个驶入路段的连续拥堵长度包括:
基于所述每个驶入路段的交通信息,确定所述每个驶入路段中的拥堵区域;以及
确定所述拥堵区域中第一区域的终止位置与所述路口之间的距离,作为所述连续拥堵长度,
其中,所述第一区域为最靠近所述路口的拥堵区域。
9.根据权利要求1~8中任一项所述的方法,其中,确定所述每个驶入路段的拥堵参数包括通过以下方式确定未拥堵长度:
基于所述每个驶入路段的交通信息,确定所述每个驶入路段中的拥堵区域;以及
确定所述拥堵区域中第二区域的终止位置与所述路口的上游路口之间的距离为所述未拥堵长度,
其中,所述第二区域为最远离所述路口的拥堵区域。
10.根据权利要求1所述的方法,其中,所述每个驶入路段的状态包括以下状态中的其中之一:空放、过饱和、拥堵和溢流;确定所述路口的状态包括以下至少之一:
在所述至少两个驶入路段中存在状态为溢流的路段的情况下,确定所述路口的状态包括溢流;
在所述至少两个驶入路段中每个驶入路段的状态为拥堵或溢流的情况下,确定所述路口的状态包括拥堵;
在所述至少两个驶入路段的状态均不是空放、且所述至少两个驶入路段中包括状态为过饱和的路段的情况下,确定所述路口的状态包括过饱和;
在所述至少两个驶入路段中包括状态为空放的第一路段,且包括状态不是空放的第二路段的情况下,确定所述路口的状态包括失衡;
在所述至少两个驶入路段中包括状态为空放的驶入路段,确定所述路口的状态包括空放。
11.根据权利要求1所述的方法,其中,确定所述每个驶入路段的交通数据包括:
获取路网信息和导航类应用程序上传的车辆位置信息;以及
基于所述路网信息和所述车辆位置信息,确定所述每个驶入路段的交通数据,
其中,所述路网信息包括所述每个驶入路段的属性信息。
12.一种确定路口状态的装置,其中,所述路口由多个路段交汇形成;所述多个路段包括至少两个驶入路段;所述装置包括:
数据确定模块,用于确定所述至少两个驶入路段中每个驶入路段的属性数据和交通数据;
参数确定模块,用于基于所述属性数据和所述交通数据,确定所述每个驶入路段的拥堵参数;
路段状态确定模块,用于以所述每个驶入路段的拥堵参数作为预定多分类模型的输入,确定所述每个驶入路段的状态;以及
路口状态确定模块,用于基于所述至少两个驶入路段的状态,确定所述路口的状态。
13.根据权利要求12所述的装置,其中,所述预定多分类模型包括集成学习模型。
14.根据权利要求12或13所述的装置,其中,所述参数确定模块包括特征值确定子模块,用于确定与时间相关的拥堵特征值;所述特征值确定子模块包括:
时段确定单元,用于确定多个预定时段中与所述交通数据相对应的时段,作为目标时段;以及
特征值确定单元,用于基于时段与拥堵特征值之间的预定映射关系,确定与所述目标时段具有映射关系的拥堵特征值。
15.根据权利要求12~14中任一项所述的装置,其中:
所述至少两个驶入路段中的每个驶入路段包括至少一个子路段;所述每个驶入路段的属性数据包括所述每个驶入路段中各子路段的属性数据;所述每个驶入路段的交通数据包括所述每个驶入路段中各子路段的交通数据,且所述交通数据包括拥堵指数;
所述参数确定模块包括加权指数确定子模块,用于确定加权拥堵指数;所述加权指数确定子模块包括:
权重确定单元,用于针对所述每个驶入路段中的各子路段,基于所述各子路段的属性数据,确定所述各子路段相对于所述每个驶入路段的拥堵权重;以及
指数确定单元,用于基于所述拥堵权重和所述各子路段的拥堵指数,确定所述加权拥堵指数。
16.根据权利要求15所述的装置,其中,所述属性数据包括长度和位置;所述权重确定单元包括:
第一权重确定子单元,用于基于所述各子路段的长度,确定所述各子路段相对于所述每个驶入路段的第一子权重;以及
第二权重确定子单元,用于基于所述各子路段的位置,确定所述各子路段相对于所述每个驶入路段的第二子权重。
17.根据权利要求16所述的装置,其中,所述指数确定单元包括:
第一指数确定子单元,用于基于所述第一子权重,确定所述每个驶入路段中各子路段的拥堵指数的加权和,获得第一加权指数;
第二指数确定子单元,用于基于所述第二子权重,确定所述每个驶入路段中各子路段的拥堵指数的加权和,获得第二加权指数;以及
拥堵指数确定子单元,用于基于所述第一加权指数和所述第二加权指数,确定所述加权拥堵指数。
18.根据权利要求12~17中任一项所述的装置,其中,所述参数确定模块包括比例系数确定子模块,用于确定所述每个驶入路段的拥堵比例系数;所述比例系数确定子模块包括:
拥堵长度确定单元,用于基于所述每个驶入路段的交通数据,确定所述每个驶入路段的连续拥堵长度;以及
比例系数确定单元,用于确定所述连续拥堵长度与所述每个驶入路段的长度的比值,作为所述拥堵比例系数。
19.根据权利要求18所述的装置,其中,所述拥堵长度确定单元包括:
拥堵区域确定子单元,用于基于所述每个驶入路段的交通信息,确定所述每个驶入路段中的拥堵区域;以及
拥堵长度确定子单元,用于确定所述拥堵区域中第一区域的终止位置与所述路口之间的距离,作为所述连续拥堵长度,
其中,所述第一区域为最靠近所述路口的拥堵区域。
20.根据权利要求12~19中任一项所述的装置,参数确定模块包括长度确定子模块,用于确定所述每个驶入路段的未拥堵长度;所述长度确定子模块包括:
拥堵区域确定单元,用于基于所述每个驶入路段的交通信息,确定所述每个驶入路段中的拥堵区域;以及
长度确定单元,用于确定所述拥堵区域中第二区域的终止位置与所述路口的上游路口之间的距离为所述未拥堵长度,
其中,所述第二区域为最远离所述路口的拥堵区域。
21.根据权利要求12所述的装置,其中,所述每个驶入路段的状态包括以下状态中的其中之一:空放、过饱和、拥堵和溢流;所述路口状态确定模块用于通过以下至少之一确定所述路口的状态:
在所述至少两个驶入路段中存在状态为溢流的路段的情况下,确定所述路口的状态包括溢流;
在所述至少两个驶入路段中每个驶入路段的状态为拥堵或溢流的情况下,确定所述路口的状态包括拥堵;
在所述至少两个驶入路段的状态均不是空放、且所述至少两个驶入路段中包括状态为过饱和的路段的情况下,确定所述路口的状态包括过饱和;
在所述至少两个驶入路段中包括状态为空放的第一路段,且包括状态不是空放的第二路段的情况下,确定所述路口的状态包括失衡;
在所述至少两个驶入路段中包括状态为空放的驶入路段,确定所述路口的状态包括空放。
22.根据权利要求12所述的装置,其中,所述数据确定模块包括:
信息获取子模块,用于获取路网信息和导航类应用程序上传的车辆位置信息;以及
交通数据确定子模块,用于基于所述路网信息和所述车辆位置信息,确定所述每个驶入路段的交通数据,
其中,所述路网信息包括所述每个驶入路段的属性数据。
23.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1~11中任一项所述的方法。
24.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1~11中任一项所述的方法。
25.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1~11中任一项所述的方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110740785.6A CN113450569A (zh) | 2021-06-30 | 2021-06-30 | 确定路口状态的方法、装置、电子设备和存储介质 |
JP2022072851A JP2022106854A (ja) | 2021-06-30 | 2022-04-27 | 交差点状況特定方法、装置、電子機器、記憶媒体及びコンピュータプログラム |
KR1020220072760A KR20220092821A (ko) | 2021-06-30 | 2022-06-15 | 길목 상태를 결정하는 방법, 장치, 전자 기기, 저장 매체 및 컴퓨터 프로그램 |
US17/852,117 US20220327922A1 (en) | 2021-06-30 | 2022-06-28 | Method of determining state of intersection, electronic device, and storage medium |
EP22181838.8A EP4109431A1 (en) | 2021-06-30 | 2022-06-29 | Method, apparatus and storage medium of determining state of intersection |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110740785.6A CN113450569A (zh) | 2021-06-30 | 2021-06-30 | 确定路口状态的方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113450569A true CN113450569A (zh) | 2021-09-28 |
Family
ID=77814545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110740785.6A Pending CN113450569A (zh) | 2021-06-30 | 2021-06-30 | 确定路口状态的方法、装置、电子设备和存储介质 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220327922A1 (zh) |
EP (1) | EP4109431A1 (zh) |
JP (1) | JP2022106854A (zh) |
KR (1) | KR20220092821A (zh) |
CN (1) | CN113450569A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114333326A (zh) * | 2022-01-12 | 2022-04-12 | 北京百度网讯科技有限公司 | 一种路口拥堵检测方法、装置及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105023434A (zh) * | 2015-07-03 | 2015-11-04 | 信融源大数据科技(北京)有限公司 | 一种高速公路拥堵指数的获取方法 |
CN105070056A (zh) * | 2015-07-23 | 2015-11-18 | 合肥革绿信息科技有限公司 | 一种基于浮动车的交叉口交通拥堵指数计算方法 |
CN105741548A (zh) * | 2016-04-19 | 2016-07-06 | 上海理工大学 | 一种生成交通状态云图的方法 |
KR20160091540A (ko) * | 2015-01-24 | 2016-08-03 | 양도근 | 영상 활용기반 무선 연동형 교차로 교통량 신호제어 시스템과 제어 방법 |
Family Cites Families (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6720920B2 (en) * | 1997-10-22 | 2004-04-13 | Intelligent Technologies International Inc. | Method and arrangement for communicating between vehicles |
EP0762362B1 (en) * | 1995-09-08 | 2002-12-04 | Aisin Aw Co., Ltd. | Navigation system for vehicles |
FR2763726B1 (fr) * | 1997-05-20 | 2003-01-17 | Bouchaib Hoummadi | Procede de gestion de la circulation routiere par camera video |
JP3487346B2 (ja) * | 2001-03-30 | 2004-01-19 | 独立行政法人通信総合研究所 | 道路交通監視システム |
JP4453859B2 (ja) * | 2001-08-08 | 2010-04-21 | パイオニア株式会社 | 道路交通情報処理装置ならびに処理方法、、コンピュータプログラム、情報記録媒体 |
US7706964B2 (en) * | 2006-06-30 | 2010-04-27 | Microsoft Corporation | Inferring road speeds for context-sensitive routing |
US8750618B2 (en) * | 2012-01-31 | 2014-06-10 | Taif University | Method for coding images with shape and detail information |
JP2016133942A (ja) * | 2015-01-19 | 2016-07-25 | 住友電気工業株式会社 | 交通指標算出装置、交通指標算出方法及びコンピュータプログラム |
US10402729B2 (en) * | 2016-05-03 | 2019-09-03 | Sap Se | Path determination using robust optimization |
CN106251620B (zh) * | 2016-09-26 | 2019-01-25 | 北京东土科技股份有限公司 | 基于智能交通云控制系统的中心系统 |
CA3026912A1 (en) * | 2017-06-12 | 2018-12-12 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for analyzing and adjusting road conditions |
CN108665714A (zh) * | 2017-09-28 | 2018-10-16 | 孟卫平 | 交通信号泛弦控制方法及其系统 |
JP7228151B2 (ja) * | 2018-03-26 | 2023-02-24 | 東日本高速道路株式会社 | 渋滞予測システム、渋滞予測方法、学習装置、予測装置、プログラム、および学習済みモデル |
JP7040605B2 (ja) * | 2018-03-29 | 2022-03-23 | 日本電気株式会社 | 交通監視装置、交通監視システム、交通監視方法及びプログラム |
JP7040606B2 (ja) * | 2018-03-29 | 2022-03-23 | 日本電気株式会社 | 交通監視装置、交通監視システム、交通監視方法及びプログラム |
WO2019189216A1 (ja) * | 2018-03-29 | 2019-10-03 | 日本電気株式会社 | 交通監視装置、交通監視システム、交通監視方法及びプログラムが格納された非一時的なコンピュータ可読媒体 |
US10895468B2 (en) * | 2018-04-10 | 2021-01-19 | Toyota Jidosha Kabushiki Kaisha | Dynamic lane-level vehicle navigation with lane group identification |
CN111199642B (zh) * | 2018-11-16 | 2021-08-03 | 北京嘀嘀无限科技发展有限公司 | 预测通行时长的方法和系统 |
US11250698B2 (en) * | 2019-04-17 | 2022-02-15 | Blyncsy, Inc. | Data processing for connected and autonomous vehicles |
US11423775B2 (en) * | 2019-07-18 | 2022-08-23 | International Business Machines Corporation | Predictive route congestion management |
CN111583639B (zh) * | 2020-04-30 | 2021-05-14 | 山东交通学院 | 一种道路交通拥堵预警方法及系统 |
US11845435B2 (en) * | 2020-05-01 | 2023-12-19 | Subaru Corporation | Driving assistance device |
US11473917B2 (en) * | 2020-07-14 | 2022-10-18 | Argo AI, LLC | System for augmenting autonomous vehicle perception using smart nodes |
CN112820105B (zh) * | 2020-12-31 | 2022-08-26 | 银江技术股份有限公司 | 路网异常区域处理的方法及系统 |
-
2021
- 2021-06-30 CN CN202110740785.6A patent/CN113450569A/zh active Pending
-
2022
- 2022-04-27 JP JP2022072851A patent/JP2022106854A/ja active Pending
- 2022-06-15 KR KR1020220072760A patent/KR20220092821A/ko unknown
- 2022-06-28 US US17/852,117 patent/US20220327922A1/en active Pending
- 2022-06-29 EP EP22181838.8A patent/EP4109431A1/en not_active Withdrawn
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160091540A (ko) * | 2015-01-24 | 2016-08-03 | 양도근 | 영상 활용기반 무선 연동형 교차로 교통량 신호제어 시스템과 제어 방법 |
CN105023434A (zh) * | 2015-07-03 | 2015-11-04 | 信融源大数据科技(北京)有限公司 | 一种高速公路拥堵指数的获取方法 |
CN105070056A (zh) * | 2015-07-23 | 2015-11-18 | 合肥革绿信息科技有限公司 | 一种基于浮动车的交叉口交通拥堵指数计算方法 |
CN105741548A (zh) * | 2016-04-19 | 2016-07-06 | 上海理工大学 | 一种生成交通状态云图的方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114333326A (zh) * | 2022-01-12 | 2022-04-12 | 北京百度网讯科技有限公司 | 一种路口拥堵检测方法、装置及电子设备 |
CN114333326B (zh) * | 2022-01-12 | 2023-10-10 | 北京百度网讯科技有限公司 | 一种路口拥堵检测方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
EP4109431A1 (en) | 2022-12-28 |
US20220327922A1 (en) | 2022-10-13 |
KR20220092821A (ko) | 2022-07-04 |
JP2022106854A (ja) | 2022-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11887473B2 (en) | Road congestion detection method and device, and electronic device | |
CN112712712B (zh) | 确定车辆排队信息的方法、装置、路侧设备和云控平台 | |
US20220084400A1 (en) | Green wave speed determination method, electronic device and storage medium | |
CN113689698B (zh) | 交通控制方法、装置、电子设备、存储介质及程序产品 | |
CN113643554A (zh) | 绿波协调控制方法、装置、电子设备和存储介质 | |
CN114036253A (zh) | 高精地图数据处理方法、装置、电子设备和介质 | |
KR20220035062A (ko) | 가변차선 제어 방법, 장치, 기기 및 저장 매체 | |
CN114676178A (zh) | 事故检测方法、装置及电子设备 | |
CN113450569A (zh) | 确定路口状态的方法、装置、电子设备和存储介质 | |
CN115330067A (zh) | 一种交通拥堵预测方法、装置、电子设备及存储介质 | |
CN115062240A (zh) | 一种停车场排序方法、装置、电子设备和存储介质 | |
CN114987494A (zh) | 驾驶场景处理方法、装置及电子设备 | |
CN116264038A (zh) | 信号灯控制方法及装置、电子设备和存储介质 | |
CN114689069A (zh) | 自动驾驶设备的导航路线处理方法、装置及电子设备 | |
CN113487864A (zh) | 确定路口状态的方法、装置、电子设备和存储介质 | |
CN113947897B (zh) | 获取道路交通状况的方法、装置、设备及自动驾驶车辆 | |
CN113806361B (zh) | 电子监控设备与道路的关联方法、装置及存储介质 | |
CN114093170B (zh) | 一种信号机控制方案的生成方法、系统、装置及电子设备 | |
CN114419876B (zh) | 道路饱和度评价方法、装置、电子设备及存储介质 | |
CN114639253B (zh) | 交通信号控制方法、边缘计算设备、存储介质及产品 | |
CN114529768B (zh) | 确定对象类别的方法、装置、电子设备和存储介质 | |
CN116564093A (zh) | 道路拥堵状态检测方法、装置、电子设备以及路侧单元 | |
CN117198040A (zh) | 路口通行信息的获取方法、装置、电子设备与可读存储介质 | |
CN116386347A (zh) | 绿波车速推荐方法、装置、电子设备及可读存储介质 | |
CN115790632A (zh) | 一种轨迹确定方法、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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210928 |