CN113450572B - 一种交通状态估计方法、装置、设备及可读存储介质 - Google Patents
一种交通状态估计方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN113450572B CN113450572B CN202111023599.7A CN202111023599A CN113450572B CN 113450572 B CN113450572 B CN 113450572B CN 202111023599 A CN202111023599 A CN 202111023599A CN 113450572 B CN113450572 B CN 113450572B
- Authority
- CN
- China
- Prior art keywords
- information
- mathematical model
- moment
- time
- establishing
- 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
-
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种交通状态估计方法、装置、设备及可读存储介质,涉及道路交通技术领域,包括历史数据以及当前时刻可获取的部分车辆信息,通过推到得出的考虑驾驶员异质性的状态估计函数计算公式和协方差函数计算公式,并替代了现有卡尔曼滤波函数中的状态估计函数和协方差函数,与现有技术相比无需再抽取随机数据,缩短计算时间实现交通状态的实时估计。
Description
技术领域
本发明涉及道路交通技术领域,具体而言,涉及一种交通状态估计方法、装置、设备及可读存储介质。
背景技术
交通状态估计(TSE)是指使用部分观测到的交通数据推断路段上交通状态变量。在现有绝大部分拉格朗日交通模型假设交通流是均质的和确定性的,未考虑人工驾驶行为的随机性和异质性。然而,实际交通系统中,人工驾驶行为具有明显的异质性和随机性,例如:不同的驾驶员反应时间不同、期望行驶速度不同以及可接受的安全距离也不同。现有的交通状态估计方法并不能实时在人工驾驶行为具有明显的异质性和随机性的问题下进行交通状态估计。
发明内容
本发明的目的在于提供一种交通状态估计方法、装置、设备及可读存储介质,以改善上述问题。为了实现上述目的,本发明采取的技术方案如下:
第一方面,本申请提供了一种交通状态估计方法,包括:获取第一信息,所述第一信息包括第一时间段内探测车辆在车道上的轨迹数据,所述第一时间段以第一时刻为统计起点并以当前时刻为统计终点的一段时间,所述第一时刻不同于当前时刻;获取第二信息,所述第二信息包括第二时间段内非探测车辆在车道上的轨迹数据,所述第二时间段以第一时刻为统计起点并以第二时刻为统计终点的一段时间,所述第二时刻位于所述第一时刻和所述当前时刻之间;建立基于随机交通流的卡尔曼滤波数学模型,将所述第一信息和所述第二信息作为所述卡尔曼滤波数学模型的输入信息,求解所述卡尔曼滤波数学模型得到当前时刻基于驾驶员异质性的交通状态估计信息。
进一步地,所述建立基于随机交通流的卡尔曼滤波数学模型,将所述第一信息和所述第二信息作为所述卡尔曼滤波数学模型的输入信息,求解所述卡尔曼滤波数学模型得到当前时刻基于驾驶员异质性的交通状态估计信息,包括:建立时间离散计算数学模型,将所述第二信息和所述第一信息作为所述时间离散计算数学模型的输入信息,求解所述时间离散计算数学模型得到所述卡尔曼滤波数学模型的时间离散值;建立数据预处理数学模型,将所述第一信息、所述第二信息和所述时间离散值作为所述数据预处理数学模型的输入信息,求解所述数据预处理数学模型得到第三信息,所述第三信息包括关于第三时间段的初始条件、边界条件和车辆进出车道的矩阵信息,所述第三时间段为以所述第二时刻到所述第三时刻的一段时间,所述第三时刻为第二时刻加上时间离散值的时刻;建立中间处理数学模型,将所述第一信息和所述第二信息作为中间处理数学模型的输入信息,求解所述中间处理数学模型得到中间信息,所述中间信息包括第二时间段内的车辆内的平均间距关系式和观察对角矩阵中的对角元素信息;建立基于卡尔曼滤波数学模型的随机交通流迭代数学模型,将所述第三信息和所述中间信息作为所述随机交通流迭代计算数学模型的输入信息,求解所述随机交通流迭代计算数学模型得到第四信息,所述第四信息包括第三时刻的交通状态估计和第三时刻的协方差信息;建立重复数学模型,将所述第一信息、和所述中间信息、所述第四信息和所述时间离散值作为所述重复数学模型的输入信息,求解所述重复数学模型得到当前时刻基于驾驶员异质性的交通状态估计信息。
进一步地,所述建立卡尔曼滤波数学模型的随机交通流迭代数学模型,将所述第三信息作为所述随机交通流迭代计算数学模型的输入信息,求解所述随机交通流迭代计算数学模型得到第四信息,包括:建立随机交通流异质性状态函数计算公式,将所述第三信息作为所述随机交通流异质性状态函数计算公式的输入信息,求解所述随机交通流异质性状态函数计算公式,得到第五信息,所述第五信息包括所述第三时刻的第一阶段交通状态估计信息;建立随机交通流异质性协方差函数计算公式,将所述第三信息作为所述随机交通流异质性协方差函数计算公式的输入信息,求解所述随机交通流异质性协方差函数计算公式,得到第六信息,所述第六信息包括第三时刻的第一阶段协方差信息;建立残差均值计算数学模型,将平均间距关系式、所述第三信息和所述第五信息作为所述残差均值计算数学模型的输入信息,求解所述残差均值计算数学模型得到残差均值信息;建立卡尔曼增益计算数学模型,将所述观察对角矩阵中的对角元素、所述第三信息和所述第六信息作为所述卡尔曼增益计算数学模型,求解所述卡尔曼增益计算数学模型得到卡尔曼增益矩阵信息;建立状态校正数学模型,将所述卡尔曼增益矩阵信息、所述第三信息、所述第五信息和所述残差均值信息作为所述状态校正数学模型输入信息,求解所述状态校正数学模型得到所述第三时刻的交通状态估计信息;建立协方差校正数学模型,将所述第三信息、所述第六信息和所述卡尔曼增益矩阵信息作为所述状态校正数学模型输入信息,求解所述状态校正数学模型得到所述第三时刻的协方差信息。
进一步地,所述建立数据预处理数学模型,将所述第一信息、所述第二信息和所述时间离散值作为所述数据预处理数学模型的输入信息,求解所述数据预处理数学模型得到第三信息,包括:统计所述第二时刻到所述第三时刻中的车辆总数;以秒为单位时间统计所述第二时刻到所述第三时刻的时间长度;建立三个空矩阵分别为记为X矩阵、V矩阵、S矩阵,三个所述空矩阵均以所述车辆总数为行数,以预设时间为间隔;按照所述车辆的编号和所述车辆的时间序列将所述车辆的位置、所述车辆的速度、所述车辆与前车的间距信息分别录入所述X矩阵、所述V矩阵和所述S矩阵中得到初始条件的矩阵信息;建立边界条件建立数学模型,将所述初始条件的矩阵作为所述边界条件建立数学模型的输入信息,求解所述边界条件建立数学模型得到边界条件的矩阵信息。
第二方面,本申请还提供了一种交通状态估计装置,包括:第一信息获取单元,用于获取第一信息,所述第一信息包括第一时间段内探测车辆在车道上的轨迹数据,所述第一时间段以第一时刻为统计起点并以当前时刻为统计终点的一段时间,所述第一时刻不同于当前时刻;第二信息获取单元,用于获取第二信息,所述第二信息包括第二时间段内非探测车辆在车道上的轨迹数据,所述第二时间段以第一时刻为统计起点并以第二时刻为统计终点的一段时间,所述第二时刻位于所述第一时刻和所述当前时刻之间;卡尔曼滤波计算单元,用于建立基于随机交通流的卡尔曼滤波数学模型,将所述第一信息和所述第二信息作为所述卡尔曼滤波数学模型的输入信息,求解所述卡尔曼滤波数学模型得到当前时刻基于驾驶员异质性的交通状态估计信息。
进一步地,所述卡尔曼滤波计算单元包括:离散计算单元,用于建立时间离散计算数学模型,将所述第二信息和所述第一信息作为所述时间离散计算数学模型的输入信息,求解所述时间离散计算数学模型得到所述卡尔曼滤波数学模型的时间离散值;预处理单元,用于建立数据预处理数学模型,将所述第一信息、所述第二信息和所述时间离散值作为所述数据预处理数学模型的输入信息,求解所述数据预处理数学模型得到第三信息,所述第三信息包括关于第三时间段的初始条件、边界条件和车辆进出车道的矩阵信息,所述第三时间段为以所述第二时刻到所述第三时刻的一段时间,所述第三时刻为第二时刻加上时间离散值的时刻;中间信息处理单元,用于建立中间处理数学模型,将所述第一信息和所述第二信息作为中间处理数学模型的输入信息,求解中间处理数学模型得到中间信息,中间信息包括第二时间段内的车辆内的平均间距关系式和对角矩阵中的对角元素信息;迭代单元,用于建立基于卡尔曼滤波数学模型的随机交通流迭代数学模型,将所述第三信息作为所述随机交通流迭代计算数学模型的输入信息,求解所述随机交通流迭代计算数学模型得到第四信息,所述第四信息包括第三时刻的交通状态估计和第三时刻的协方差信息;重复单元,用于建立重复数学模型,将所述第一信息、所述中间信息、所述第四信息和所述时间离散值作为所述重复数学模型的输入信息,求解所述重复数学模型得到当前时刻基于驾驶员异质性的交通状态估计信息。
进一步地,所述迭代单元包括:一阶段估计单元,用于建立随机交通流异质性状态函数计算公式,将第三信息作为随机交通流异质性状态函数计算公式的输入信息,求解随机交通流异质性状态函数计算公式,得到第五信息,第五信息包括第三时刻的第一阶段交通状态估计信息;一阶段协方差计算单元,用于建立随机交通流异质性协方差函数计算公式,将第三信息作为随机交通流异质性协方差函数计算公式的输入信息,求解随机交通流异质性协方差函数计算公式,得到第六信息,第六信息包括第三时刻的第一阶段协方差信息;残差均值计算单元,用于建立残差均值计算数学模型,将平均间距关系式、第三信息和第五信息作为残差均值计算数学模型的输入信息,求解残差均值计算数学模型得到残差均值信息;增益计算单元,用于建立卡尔曼增益计算数学模型,将观察对角矩阵中的对角元素、第三信息和第六信息作为卡尔曼增益计算数学模型,求解卡尔曼增益计算数学模型得到卡尔曼增益矩阵信息;校正估计计算单元,用于建立状态校正数学模型,将卡尔曼增益矩阵信息、第三信息、第五信息和残差均值信息作为状态校正数学模型输入信息,求解状态校正数学模型得到第三时刻的交通状态估计信息;校正协方差计算单元,用于建立协方差校正数学模型,将第三信息、第六信息和卡尔曼增益矩阵信息作为状态校正数学模型输入信息,求解状态校正数学模型得到第三时刻的协方差信息。
进一步地,所述预处理单元包括:数量统计单元,用于统计所述第二时刻到所述第三时刻中的车辆总数;时间统计单元,用于时间以秒为单位时间统计所述第二时刻到所述第三时刻的时间长度;矩阵建立单元,用于建立三个空矩阵分别为记为X矩阵、V矩阵、S矩阵,三个所述空矩阵均以所述车辆总数为行数,以预设时间为间隔;初始化单元,用于按照所述车辆的编号和所述车辆的时间序列将所述车辆的位置、所述车辆的速度、所述车辆与前车的间距信息分别录入所述X矩阵、所述V矩阵和所述S矩阵中得到初始条件的矩阵信息;边界单元,用于建立边界条件建立数学模型,将所述初始条件的矩阵作为所述边界条件建立数学模型的输入信息,求解所述边界条件建立数学模型得到边界条件的矩阵信息。
第三方面,本申请还提供了一种交通状态估计设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现所述交通状态估计方法的步骤。
第四方面,本申请还提供了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述基于交通状态估计方法的步骤。
本发明的有益效果为:
通过推导建立随机交通流数学模型,其考虑了驾驶员行为的随机性和异质性,即不同的驾驶员反应时间不同、期望行驶速度不同以及可接受的安全距离也不同,这与真实世界中驾驶员的驾驶行为是一致的,并且将随机交通流数学模型与卡尔曼滤波数学模型结合实现交通状态估计;同时本实施中通过保留随机交通流数学模型中的相关性(即丰富性)的方式导出均值和协方差动态,创新性地解决了“非线性”的问题,减少了运算时间,克服了现有采样技术(例如集成滤波器,粒子滤波器等)耗时长,无法实时估计的缺点。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例中所述的交通状态估计方法流程示意图;
图2为本发明实施例中所述的X矩阵的示例表;
图3为本发明实施例中所述的V矩阵的示例表;
图4为本发明实施例中所述的S的结构示意图;
图5为本发明实施例中所述的TRecord的结构示意图;
图6为本发明实施例中所述的交通状态估计装置结构示意图;
图7为本发明实施例中所述的交通状态估计设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1:
本实施例提供了一种交通状态估计方法。
参见图1,图中示出了本方法包括步骤S100、步骤S200和步骤S300。
S100、获取第一信息,第一信息包括第一时间段内探测车辆在车道上的轨迹数据,第一时间段以第一时刻为统计起点并以当前时刻为统计终点的一段时间,第一时刻不同于当前时刻。
可以理解的是,在本步骤是了为了获取车道上的可以获得的部分信息,为了后面作为整个车道上的实时交通状态估计的输入,每个车辆的车辆编号信息,并且第二信息中包括了每个车辆的车辆编号信息、驾驶员的期望速度、驾驶员的最小安全距离和驾驶员的速度受其前车轨迹限制时的反应时间倒数数值。需要说明的是探测车辆在实时估计中能获取轨迹数据的车辆。为了便于理解,本申请中给出部分示例便于理解,我们假设第一时刻为0s,当前时刻为600s。
S200、获取第二信息,第二信息包括第二时间段内非探测车辆在车道上的轨迹数据,第二时间段以第一时刻为统计起点并以第二时刻为统计终点的一段时间,所述第二时刻位于所述第一时刻和所述当前时刻之间。
可以理解的是,S100和S200是为了获取历史数据,为了对本方法计算做初始化以及校准工作,并且第二信息中包括了每个车辆的车辆编号信息、驾驶员的期望速度、驾驶员的最小安全距离和驾驶员的速度受其前车轨迹限制时,其反应时间的倒数数值。需要说明的是非探测车辆即在实时估计中不能获取轨迹数据的车辆。假设第二时刻为200s,当前时刻为600s。
S300、建立基于随机交通流的卡尔曼滤波数学模型,将第一信息和第二信息作为卡尔曼滤波数学模型的输入信息,求解卡尔曼滤波数学模型得到基于驾驶员异质性的实时交通状态估计信息。
需要说明的是,在本步骤中为了得到基于驾驶员异质性的实时交通状态估计信息,包括步骤S310、步骤S320、步骤S330和步骤S340。
S310、建立时间离散计算数学模型,将第二信息和所述第一信息作为时间离散计算数学模型的输入信息,求解时间离散计算数学模型得到卡尔曼滤波数学模型的时间离散值;可以理解的是,在本步骤是了获得进行迭代运算的时间离散值,并且通过时间离散值逐步得到可靠的实时交通状态估计信息。具体而言,时间离散值的计算方式请参见公式(1):
其中,Δt为时间离散值,J为第一时间段内驾驶员的样本总数,
j为驾驶员的编号,cj为驾驶员j的速度受其前车轨迹限制时,其反应时间的倒数数值,Δn通常取为1。需要说明的是,对于时间离散值的计算可以通过第一信息或/和者第二信息计算。优选地,在本方法中将第一信息和第二信息都作为计算基础,这样增加样本量后计算出的数值对于最终计算结果而言更佳接近于真实情况。假设计算出的时间离散值为0.1s。
S320、建立数据预处理数学模型,将第一信息、第二信息和时间离散值作为数据预处理数学模型的输入信息,求解数据预处理数学模型得到第三信息,第三信息包括关于第三时间段的初始条件、边界条件和车辆进出车道的矩阵信息,第三时间段为以第二时刻到第三时刻的一段时间,第三时刻为第二时刻加上时间离散值的时刻。
可以理解的是,在本步骤中将获取数据进行矩阵化,便于后期的数据计算,使其物理意义明确,其中初始条件指某给定时刻车道内所有车辆的位置、速度、与前车的间距信息;边界条件为某给定时间段内第一辆车的车辆轨迹信息;车辆进出当前车道的信息指车道内所有车辆驶入时刻的位置、速度、与前车的间距以及所有车辆驶出车道时刻信息,上述这些信息可以由3个矩阵文件进行描述,分别是X:记录探测车辆全部时刻的位置和非探测车辆进入路段时刻的位置;V:记录探测车辆全部时刻的速度和非探测车辆进入路段时刻的速度;S:记录探测车辆全部时刻的间距和非探测车辆进入路段时刻的间距。根据S100/S200/S300的基础,则第三时刻为200.1s。初始条件即为200s时刻车道内所有车辆的位置、速度、与前车的间距信息,边界条件为指200s-200.1s内第一辆车的车辆轨迹信息,车辆进出当前车道的信息指200.1s时刻车道内所有驶入车辆的位置、速度、与前车的间距以及所有车辆驶出车道时刻信息。其中具体的获取可以通过以下预处理步骤即可得到以上3个矩阵文件。具体而言,本步骤中包括步骤S321、步骤S322、步骤S323、步骤S324和步骤S325。
S321、统计第二时刻到第三时刻中的车辆总数;
S322、以秒为单位时间统计第二时刻到第三时刻的时间长度;
S323、建立三个空矩阵分别为记为X矩阵、V矩阵、S矩阵,三个空矩阵均以车辆总数为行数,以预设时间为间隔;
需要说明的是,为了便于理解以上步骤,假设数据中车辆总数为m辆而时间数据总时长n秒。依次建立的X,V,S三个m行、10*n列的空(NaN)矩阵,矩阵行坐标为车辆编号,列坐标为间隔为0.1秒的时间序列。其中本步骤中所提及的预设时间为0.1秒,本领域的技术人员也可以根据需求选择其他的预设时间,本申请中不作出的具体的说明。
S324、按照车辆的编号和车辆的时间序列将车辆的位置、车辆的速度、车辆与前车的间距信息分别录入X矩阵、V矩阵和S矩阵中得到初始条件的矩阵信息;
S325、建立边界条件建立数学模型,将初始条件的矩阵作为边界条件建立数学模型的输入信息,求解边界条件建立数学模型得到边界条件的矩阵信息。
需要说明的是,在本步骤中为了实现边界构造的目的,是通过步骤S3251和步骤S3252实现。
其中,S3251、线性填充X矩阵、V矩阵和S矩阵中的车辆数据空隙。
其中需要说明是,上述步骤中的线性填充为本领域的公知常识,此处不再赘述。
S3252、在X矩阵、V矩阵和S矩阵中对驶过路段停止线的探测车辆数据进行延长,令其保持自由流速度vf,且与前车间距不变继续行驶,直至时间序列末尾得到边界条件的矩阵。
可选地,为了后期计算便捷可以通过S321步骤建立TRecord矩阵,其中TRecord矩阵用于记录车辆进出的时刻,在TRecord矩阵中按车辆编号及时间序列将所有车辆驶入时刻记录为1,驶出后的第一个时刻记录为-1(若车辆在时间序列末尾驶出,则令该行TRecord末尾为-1)。
为了便于理解,参见图2、图3、图4和图5,其依次为X矩阵、V矩阵、S矩阵、TRecord矩阵的示例。其中X矩阵、V矩阵、S矩阵的第1、4、5行记录了探测车辆的轨迹数据,且矩阵中1、5行数据在车辆驶过路段停止线后被延长至时间序列末尾,并于末尾时刻驶出路段;2、3行和最后一行记录了非探测车辆轨迹数据,X矩阵、V矩阵、S矩阵中只显示车辆进入路段的时刻轨迹信息。
需要说明的是,对于历史数据即第一时间段内的第一信息和第二信息也可以按照S200步骤进行矩阵化。
S330、建立中间处理数学模型,将第一信息和第二信息作为中间处理数学模型的输入信息,求解中间处理数学模型得到中间信息,中间信息包括第二时间段内的车辆内的平均间距关系式和观察对角矩阵中的对角元素信息。
需要说明的是,本步骤中所提及的中间信息的内容将会在下文中说明,且平均间距关系式可以通过第二时间段内的所有车辆数据通过经验平均近似的方法计算出来。而对角矩阵
Ωs(t)的对角元素Ωs,n,n,(t)=Var(S(vn(t),w))可以使用第二时间段内的所有数据通过经验标准差近似得出。上述中所提及的经验平均近似的方法和经验标准差的计算方法为本领域的公知常识,此处不在赘述。
S340、建立基于卡尔曼滤波数学模型的随机交通流迭代数学模型,将第三信息和中间信息作为随机交通流迭代计算数学模型的输入信息,求解随机交通流迭代计算数学模型得到第四信息,第四信息包括第三时刻的交通状态估计和第三时刻的协方差信息;
具体而言,在本实施例中为了考虑到人工驾驶行为具有明显的异质性和随机性,即例如:不同的驾驶员反应时间不同、期望行驶速度不同以及可接受的安全距离也不同,提出了基于驾驶员异质性的随机交通流数学模型。但是交通流模型具有复杂的“非线性”,“非线性”造成模型的应用十分困难。目前来说,本领域为了解决上述问题,通过利用采用技术(例如集成滤波器,粒子滤波器等)去解决这个问题。但是,这些方法很耗时,难以满足实时计算的实际需求。为了解决上述技术问题,本实施例通过保留随机交通流中的相关性或者又称为丰富性的方式推导出随机交通流数学模型的均值和协方差动态,以此替代现有技术中解决“非线性”问题,减少了运算时间,同时使用标准卡尔曼滤波技术实现了交通状态的实时可靠估计。
其中了为便于下文的理解,以及明确下文中所提及的计算公式的物理意义,本步骤将给出具体的推导过程:
第一部分为推导出基于驾驶员异质性的随机交通流数学模型的均值以及协方差。
假设在一个有N+1辆车的离散交通系统中,车辆的编号按照位置降序排列即n=0为头车、n=1为后车,给定连续有限的时间T,t∈[0,T],xn(t),vn(t)分别表示t时刻车辆n的位置和速度。因此,车辆n与前车n-1的距离可以由公式(2)表示为:
Sn(t)=xn-1(t)-xn(t) (2)
即由(2)式可以得知任意车辆n的位置可以由(3)式得到:
驾驶员群体的异质性由特定的速度—间距关系表示,即每个驾驶员都服从一个单独的速度—间距关系。为了不失一般性,我们选用公认的Newell-Franklin速度间距关系:
其中,vn,f表示驾驶员n的期望速度、dn最小安全距离、cn表示驾驶员n的速度受其前车轨迹限制时,其反应时间的倒数。基于速度—间距关系,可以得到:
进一步地,间距动态可以写成:
为了引入随机性,在本实施中使参数(vn.f;dn;cn)为随机变量。随机性被解释为驾驶员特征的不确定性。假设随机三元组(参数)构成n个来自相同分布联合分布的独立抽取。也就是说,定义具有联合分布函数Fθ的参数向量θ(w)=(vf,d,c)(w)。驾驶员n的参数
θn=(vn,f,dn,cn)来自总体θ的独立抽取。随机速度—间距关系表示为:
因此,随机模型可以写成(8)式:
即递推递归形式为:
sn(t+Δt,w)=sn(t,w)+Δt(vn-1(sn-1(t,w))-vn(sn(t,w)))(9)
其中Δt为时间离散值,为确保速度—间距关系在物理上的合理性,须对三个分布的上下边界进行约束。我们假设,0<dmin<dmax<∞,0<cmin<cmax<∞,且 同时,为了避免违反Courant-Friedrichs-Lewy(CFL)条件,时间离散设置应该满足
Δn/cmax≤Δt≤Δn/cmin。
由上可推导出离散交通系统的均值表达式为:
离散交通系统的均值表达式为:
由上推到出了一个保留随机交通流中的相关性或者又称为丰富性的方式推导出随机交通流数学模型的均值和协方差动态。
第二部分为将随机交通流的均值和协方差与卡尔曼滤波数学模型相结合的过程:在卡尔曼滤波系统状态中,令式(12)表示系统状态向量:
z(t,W)≡[s1(t,W)···sn(t,w),x1(t,w)···xn(t,w)]T(12)
表示系统状态向量。定义矩阵:
卡尔曼滤波系统的平均状态可以由下式(14)给定:
卡尔曼滤波系统的协方差状态表达式为:
在卡尔曼滤波函数实时观测中:
对于所有的令表示间距的测量值,mn,x(t)表示位置的测量值。平均间距关系可以使用历史数据通过经验平均近似的方法计算出来。定义对角矩阵Ωs(t),对角矩阵中的对角元素Ωs,n,n(t)=Var(S(vn(t),w))可以使用历史数据通过经验标准差近似得出。所以观测向量可以表示为式(17):
观测方程可以表示为:
m(t)=Hz(t,w)dt+Ω1/2(t)ξ(w) (18)
即当样本的尺寸趋向于无穷大时,样本的经验均值和协方差可以代表系统的均值和协方差,通过这种转化,可以避免必须从分布中抽样。有了系统的均值和协方差就可以使用卡尔曼滤波来进行交通状态估计。
其中K(t)为卡尔曼增益矩阵。对于连续的系统,卡尔曼增益矩阵由给定。在我们的假设下所有的t,Ω(t)都是单调的。通过Δt可以将公式(20)、(21)在时间上进行离散。在t=kΔt时刻可以使用表示交通状态估计的预测和更新即交通状态估计;同理,以相同的方式定义和
具体而言在S340中包括步骤S341、步骤S342、步骤S343、步骤S344、步骤S345和步骤S346。
S341、建立随机交通流异质性状态函数计算公式,将第三信息作为随机交通流异质性状态函数计算公式的输入信息,求解随机交通流异质性状态函数计算公式,得到第五信息,第五信息包括第三时刻的第一阶段交通状态估计信息;
结合上文可以理解的是本步骤中建立的随机交通流异质性状态函数计算公式,为式(22),其为式(14)改写而成:
S342、建立随机交通流异质性协方差函数计算公式,将第三信息作为随机交通流异质性协方差函数计算公式的输入信息,求解随机交通流异质性协方差函数计算公式,得到第六信息,第六信息包括第三时刻的第一阶段协方差信息;
结合上文可以理解的是本步骤中建立的随机交通流异质性状态函数计算公式为式(23),其为式(15)改写而成:
S343、建立残差均值计算数学模型,将平均间距关系式、第三信息和第五信息作为残差均值计算数学模型的输入信息,求解残差均值计算数学模型得到残差均值信息;
残差均值信息可以由式(24)计算得知:
式中,H为雅克比行列式。
S344、建立卡尔曼增益计算数学模型,将对角矩阵中的对角元素、第六信息和第三信息作为卡尔曼增益计算数学模型,求解卡尔曼增益计算数学模型得到卡尔曼增益矩阵信息;卡尔曼增益矩阵信息可以由式(25)计算得知:
S345、建立状态校正数学模型,将所述卡尔曼增益矩阵信息、所述第三信息、所述第五信息和所述残差均值信息作为所述状态校正数学模型输入信息,求解状态校正数学模型得到第三时刻的交通状态估计信息;
第三时刻的交通状态估计信息可以由式(26)计算得知:
S346、建立协方差校正数学模型,将第三信息、第六信息和卡尔曼增益矩阵信息作为状态校正数学模型输入信息,求解状态校正数学模型得到第三时刻的协方差信息。
第三时刻的协方差信息可以由式(27)计算得知:
S350、建立重复数学模型,将第一信息、中间信息、第四信息和时间离散值作为重复数学模型的输入信息,求解重复数学模型得到当前时刻基于驾驶员异质性的交通状态估计信息。
其中本步骤中还包括S351和步骤S352。
S351、回归计算:将第一信息、第四信息和时间离散值作为数据预处理数学模型的输入信息,求解数据预处理数学模型,并将数据预处理数学模型输出信息和中间信息作为随机交通流迭代计算数学模型输入信息,求解随机交通流迭代计算数学模型;
S352、重复执行回归计算,直到随机交通流迭代计算数学模型计算到当前时刻基于驾驶员异质性的交通状态估计信息。
可以理解的是,本步骤是为了实现标准卡尔曼滤波技术与本申请中所采用的随机交通流异质性状态函数计算公式和随机交通流异质性协方差函数计算公式结合,进行重复计算直到计算到600s时的基于驾驶员异质性的交通状态估计信息。
本方法中通过保留模型中相关性的方式导出均值和协方差动态,同时使用标准卡尔曼滤波器以实现交通状态的实时可靠估计。
并且通过建立一种随机交通流数学模型,该数学模型明确地考虑了驾驶员行为的随机性和异质性,即不同的驾驶员反应时间不同、期望行驶速度不同以及可接受的安全距离也不同,这与真实世界中驾驶员的驾驶行为是一致的。该模型可以很好地与车辆轨迹数据结合并利用数据同化技术进行交通状态估计。
通过与实时可靠的交通状态估计模型的结合,通过保留随机交通流模型中相关性(即丰富性)的方式导出均值和协方差动态,创新性地解决了“非线性”的问题,减少了运算时间,并结合标准卡尔曼滤波技术实现了交通状态的实时可靠估计,克服了现有采样技术(例如集成滤波器,粒子滤波器等)耗时长,无法实时估计的缺点。
实施例2:
如图6所示,本实施例提供了一种交通状态估计装置,参见图6本装置包括:
第一信息获取单元1,用于获取第一信息,第一信息包括第一时间段内探测车辆在车道上的轨迹数据,第一时间段以第一时刻为统计起点并以当前时刻为统计终点的一段时间,第一时刻不同于当前时刻;
第二信息获取单元2,用于获取第二信息,第二信息包括第二时间段内非探测车辆在车道上的轨迹数据,第二时间段以第一时刻为统计起点并以第二时刻为统计终点的一段时间,第二时刻位于第一时刻和当前时刻之间;
卡尔曼滤波计算单元3,用于建立基于随机交通流的卡尔曼滤波数学模型,将第一信息和第二信息作为卡尔曼滤波数学模型的输入信息,求解卡尔曼滤波数学模型得到当前时刻基于驾驶员异质性的交通状态估计信息。
可选地,卡尔曼滤波计算单元3包括:
离散计算单元31,用于建立时间离散计算数学模型,将第二信息和第一信息作为时间离散计算数学模型的输入信息,求解时间离散计算数学模型得到卡尔曼滤波数学模型的时间离散值;
预处理单元32,用于建立数据预处理数学模型,将第一信息、第二信息和时间离散值作为数据预处理数学模型的输入信息,求解数据预处理数学模型得到第三信息,第三信息包括关于第三时间段的初始条件、边界条件和车辆进出车道的矩阵信息,第三时间段为以第二时刻到第三时刻的一段时间,第三时刻为第二时刻加上时间离散值的时刻;
中间信息处理单元33,用于建立中间处理数学模型,将第一信息和第二信息作为中间处理数学模型的输入信息,求解中间处理数学模型得到中间信息,中间信息包括第二时间段内的车辆内的平均间距关系式和对角矩阵中的对角元素信息;
迭代单元34,用于建立基于卡尔曼滤波数学模型的随机交通流迭代数学模型,将第三信息作为随机交通流迭代计算数学模型的输入信息,求解随机交通流迭代计算数学模型得到第四信息,第四信息包括第三时刻的交通状态估计和第三时刻的协方差信息;
重复单元35,用于建立重复数学模型,将第一信息、中间信息、第四信息和时间离散值作为重复数学模型的输入信息,求解重复数学模型得到当前时刻基于驾驶员异质性的交通状态估计信息。
可选地,预处理单元32包括:
数量统计单元321,用于统计第二时刻到第三时刻中的车辆总数;
时间统计单元322,用于时间以秒为单位时间统计第二时刻到第三时刻的时间长度;
矩阵建立单元323,用于建立三个空矩阵分别为记为X矩阵、V矩阵、S矩阵,三个空矩阵均以车辆总数为行数,以预设时间为间隔;
初始化单元324,用于按照车辆的编号和车辆的时间序列将车辆的位置、车辆的速度、车辆与前车的间距信息分别录入X矩阵、V矩阵和S矩阵中得到初始条件的矩阵信息;
边界单元325,用于建立边界条件建立数学模型,将初始条件的矩阵作为边界条件建立数学模型的输入信息,求解边界条件建立数学模型得到边界条件的矩阵信息。
可选地,边界单元325包括:
线性填充单元3251,用于线性填充X矩阵、V矩阵和S矩阵中的车辆数据空隙;
延续单元3252,用于在X矩阵、V矩阵和S矩阵中对驶过路段停止线的探测车辆数据进行延长,令其保持自由流速度v_f,且与前车间距不变继续行驶,直至时间序列末尾得到边界条件的矩阵。
可选地,迭代单元34包括:
一阶段估计单元341,用于建立随机交通流异质性状态函数计算公式,将第三信息作为随机交通流异质性状态函数计算公式的输入信息,求解随机交通流异质性状态函数计算公式,得到第五信息,第五信息包括第三时刻的第一阶段交通状态估计信息;
一阶段协方差计算单元342,用于建立随机交通流异质性协方差函数计算公式,将第三信息作为随机交通流异质性协方差函数计算公式的输入信息,求解随机交通流异质性协方差函数计算公式,得到第六信息,第六信息包括第三时刻的第一阶段协方差信息;
残差均值计算单元343,用于建立残差均值计算数学模型,将平均间距关系式、第三信息和第五信息作为残差均值计算数学模型的输入信息,求解残差均值计算数学模型得到残差均值信息;
增益计算单元344,用于建立卡尔曼增益计算数学模型,将观察对角矩阵中的对角元素、第三信息和第六信息作为卡尔曼增益计算数学模型,求解卡尔曼增益计算数学模型得到卡尔曼增益矩阵信息;
校正估计计算单元345,用于建立状态校正数学模型,将卡尔曼增益矩阵信息、第三信息、第五信息和残差均值信息作为状态校正数学模型输入信息,求解状态校正数学模型得到第三时刻的交通状态估计信息;
校正协方差计算单元346,用于建立协方差校正数学模型,将第三信息、第六信息和卡尔曼增益矩阵信息作为状态校正数学模型输入信息,求解状态校正数学模型得到第三时刻的协方差信息。
可选地,重复单元35包括:
回归计算单元351,用于回归计算,将第一信息、第二信息、第四信息和时间离散值作为数据预处理数学模型的输入信息,求解数据预处理数学模型,并将数据预处理数学模型输出信息和中间信息作为随机交通流迭代计算数学模型输入信息,求解随机交通流迭代计算数学模型;
重复执行单元352,用于重复执行回归计算,直到随机交通流迭代计算数学模型计算到当前时刻基于驾驶员异质性的实时交通状态估计信息。
需要说明的是,关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
实施例3:
相应于上面的方法实施例,本实施例中还提供了一种交通状态估计设备,下文描述的一种交通状态估计设备与上文描述的一种交通状态估计方法可相互对应参照。
图7是根据示例性实施例示出的一种交通状态估计设备800的框图。如图7所示,该交通状态估计设备800可以包括:处理器801,存储器802。该交通状态估计设备800还可以包括多媒体组件803,输入/输出(I/O)接口804,以及通信组件805中的一者或多者。
其中,处理器801用于控制该交通状态估计设备800的整体操作,以完成上述的交通状态估计方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该交通状态估计设备800的操作,这些数据例如可以包括用于在该交通状态估计设备800上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该交通状态估计设备800与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件805可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,交通状态估计设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的交通状态估计方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的交通状态估计方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器802,上述程序指令可由交通状态估计设备800的处理器801执行以完成上述的交通状态估计方法。
实施例4:
相应于上面的方法实施例,本实施例中还提供了一种可读存储介质,下文描述的一种可读存储介质与上文描述的一种交通状态估计方法可相互对应参照。
一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的交通状态估计方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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,均应包含在本发明的保护范围之内。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种交通状态估计方法,其特征在于,包括:
获取第一信息,所述第一信息包括第一时间段内探测车辆在车道上的轨迹数据,所述第一时间段以第一时刻为统计起点并以当前时刻为统计终点的一段时间,所述第一时刻不同于当前时刻;
获取第二信息,所述第二信息包括第二时间段内非探测车辆在车道上的轨迹数据,所述第二时间段以第一时刻为统计起点并以第二时刻为统计终点的一段时间,所述第二时刻位于所述第一时刻和所述当前时刻之间;
建立基于随机交通流的卡尔曼滤波数学模型,将所述第一信息和所述第二信息作为所述卡尔曼滤波数学模型的输入信息,求解所述卡尔曼滤波数学模型得到当前时刻基于驾驶员异质性的交通状态估计信息;
其中,所述建立基于随机交通流的卡尔曼滤波数学模型,将所述第一信息和所述第二信息作为所述卡尔曼滤波数学模型的输入信息,求解所述卡尔曼滤波数学模型得到当前时刻基于驾驶员异质性的交通状态估计信息,包括:
建立时间离散计算数学模型,将所述第二信息和所述第一信息作为所述时间离散计算数学模型的输入信息,求解所述时间离散计算数学模型得到所述卡尔曼滤波数学模型的时间离散值;
建立数据预处理数学模型,将所述第一信息、所述第二信息和所述时间离散值作为所述数据预处理数学模型的输入信息,求解所述数据预处理数学模型得到第三信息,所述第三信息包括关于第三时间段的初始条件、边界条件和车辆进出车道的矩阵信息,所述第三时间段为以所述第二时刻到第三时刻的一段时间,所述第三时刻为所述第二时刻加上所述时间离散值的时刻;
建立中间处理数学模型,将所述第一信息和所述第二信息作为中间处理数学模型的输入信息,求解所述中间处理数学模型得到中间信息,所述中间信息包括第二时间段内的车辆内的平均间距关系式和观察对角矩阵中的对角元素信息;
建立基于卡尔曼滤波数学模型的随机交通流迭代数学模型,将所述第三信息和所述中间信息作为所述随机交通流迭代计算数学模型的输入信息,求解所述随机交通流迭代计算数学模型得到第四信息,所述第四信息包括第三时刻的交通状态估计和第三时刻的协方差信息;
建立重复数学模型,将所述第一信息、所述中间信息、所述第四信息和所述时间离散值作为所述重复数学模型的输入信息,求解所述重复数学模型得到当前时刻基于驾驶员异质性的交通状态估计信息;
其中,建立数据预处理数学模型,将所述第一信息、所述第二信息和所述时间离散值作为所述数据预处理数学模型的输入信息,求解所述数据预处理数学模型得到第三信息,包括:
统计所述第二时刻到所述第三时刻中的车辆总数;
以秒为单位时间统计所述第二时刻到所述第三时刻的时间长度;
建立三个空矩阵分别为记为X矩阵、V矩阵、S矩阵,三个所述空矩阵均以所述车辆总数为行数,以预设时间为间隔;
按照所述车辆的编号和所述车辆的时间序列将所述车辆的位置、所述车辆的速度、所述车辆与前车的间距信息分别录入所述X矩阵、所述V矩阵和所述S矩阵中得到初始条件的矩阵信息;
建立边界条件建立数学模型,将所述初始条件的矩阵作为所述边界条件建立数学模型的输入信息,求解所述边界条件建立数学模型得到边界条件的矩阵信息。
2.根据权利要求1所述的交通状态估计方法,其特征在于,所述建立基于卡尔曼滤波数学模型的随机交通流迭代数学模型,将所述第三信息作为所述随机交通流迭代计算数学模型的输入信息,求解所述迭代计算数学模型得到第四信息,包括:
建立随机交通流异质性状态函数计算公式,将所述第三信息作为所述随机交通流异质性状态函数计算公式的输入信息,求解所述随机交通流异质性状态函数计算公式,得到第五信息,所述第五信息包括所述第三时刻的第一阶段交通状态估计信息;
建立随机交通流异质性协方差函数计算公式,将所述第三信息作为所述随机交通流异质性协方差函数计算公式的输入信息,求解所述随机交通流异质性协方差函数计算公式,得到第六信息,所述第六信息包括第三时刻的第一阶段协方差信息;
建立残差均值计算数学模型,将平均间距关系式、所述第三信息和所述第五信息作为所述残差均值计算数学模型的输入信息,求解所述残差均值计算数学模型得到残差均值信息;
建立卡尔曼增益计算数学模型,将所述观察对角矩阵中的对角元素、所述第三信息和所述第六信息作为所述卡尔曼增益计算数学模型,求解所述卡尔曼增益计算数学模型得到卡尔曼增益矩阵信息;
建立状态校正数学模型,将所述卡尔曼增益矩阵信息、所述第三信息、所述第五信息和所述残差均值信息作为所述状态校正数学模型输入信息,求解所述状态校正数学模型得到所述第三时刻的交通状态估计信息;
建立协方差校正数学模型,将所述第三信息、所述第六信息和所述卡尔曼增益矩阵信息作为所述状态校正数学模型输入信息,求解所述状态校正数学模型得到所述第三时刻的协方差信息。
3.一种交通状态估计装置,其特征在于,包括:
第一信息获取单元,用于获取第一信息,所述第一信息包括第一时间段内探测车辆在车道上的轨迹数据,所述第一时间段以第一时刻为统计起点并以当前时刻为统计终点的一段时间,所述第一时刻不同于当前时刻;
第二信息获取单元,用于获取第二信息,所述第二信息包括第二时间段内非探测车辆在车道上的轨迹数据,所述第二时间段以第一时刻为统计起点并以第二时刻为统计终点的一段时间,所述第二时刻位于所述第一时刻和所述当前时刻之间;
卡尔曼滤波计算单元,用于建立基于随机交通流的卡尔曼滤波数学模型,将所述第一信息和所述第二信息作为所述卡尔曼滤波数学模型的输入信息,求解所述卡尔曼滤波数学模型得到当前时刻基于驾驶员异质性的交通状态估计信息;
其中,所述卡尔曼滤波计算单元包括:
离散计算单元,用于建立时间离散计算数学模型,将所述第二信息和所述第一信息作为所述时间离散计算数学模型的输入信息,求解所述时间离散计算数学模型得到所述卡尔曼滤波数学模型的时间离散值;
预处理单元,用于建立数据预处理数学模型,将所述第一信息、所述第二信息和所述时间离散值作为所述数据预处理数学模型的输入信息,求解所述数据预处理数学模型得到第三信息,所述第三信息包括关于第三时间段的初始条件、边界条件和车辆进出车道的矩阵信息,所述第三时间段为以所述第二时刻到第三时刻的一段时间,所述第三时刻为所述第二时刻加上所述时间离散值的时刻;
中间信息处理单元,用于建立中间处理数学模型,将所述第一信息和所述第二信息作为中间处理数学模型的输入信息,求解中间处理数学模型得到中间信息,中间信息包括第二时间段内的车辆内的平均间距关系式和观察对角矩阵中的对角元素信息;
迭代单元,用于建立基于卡尔曼滤波数学模型的随机交通流迭代数学模型,将所述第三信息和所述中间信息作为所述随机交通流迭代计算数学模型的输入信息,求解所述随机交通流迭代计算数学模型得到第四信息,所述第四信息包括第三时刻的交通状态估计和第三时刻的协方差信息;
重复单元,用于建立重复数学模型,将所述第一信息、所述中间信息、所述第四信息和所述时间离散值作为所述重复数学模型的输入信息,求解所述重复数学模型得到当前时刻基于驾驶员异质性的交通状态估计信息;
其中,所述预处理单元包括:
数量统计单元,用于统计所述第二时刻到所述第三时刻中的车辆总数;
时间统计单元,用于时间以秒为单位时间统计所述第二时刻到所述第三时刻的时间长度;
矩阵建立单元,用于建立三个空矩阵分别为记为X矩阵、V矩阵、S矩阵,三个所述空矩阵均以所述车辆总数为行数,以预设时间为间隔;
初始化单元,用于按照所述车辆的编号和所述车辆的时间序列将所述车辆的位置、所述车辆的速度、所述车辆与前车的间距信息分别录入所述X矩阵、所述V矩阵和所述S矩阵中得到初始条件的矩阵信息;
边界单元,用于建立边界条件建立数学模型,将所述初始条件的矩阵作为所述边界条件建立数学模型的输入信息,求解所述边界条件建立数学模型得到边界条件的矩阵信息。
4.根据权利要求3所述的交通状态估计装置,其特征在于,所述迭代单元包括:
一阶段估计单元,用于建立随机交通流异质性状态函数计算公式,将第三信息作为随机交通流异质性状态函数计算公式的输入信息,求解随机交通流异质性状态函数计算公式,得到第五信息,第五信息包括第三时刻的第一阶段交通状态估计信息;
一阶段协方差计算单元,用于建立随机交通流异质性协方差函数计算公式,将第三信息作为随机交通流异质性协方差函数计算公式的输入信息,求解随机交通流异质性协方差函数计算公式,得到第六信息,第六信息包括第三时刻的第一阶段协方差信息;
残差均值计算单元,用于建立残差均值计算数学模型,将平均间距关系式、第三信息和第五信息作为残差均值计算数学模型的输入信息,求解残差均值计算数学模型得到残差均值信息;
增益计算单元,用于建立卡尔曼增益计算数学模型,将观察对角矩阵中的对角元素、第三信息和第六信息作为卡尔曼增益计算数学模型,求解卡尔曼增益计算数学模型得到卡尔曼增益矩阵信息;
校正估计计算单元,用于建立状态校正数学模型,将卡尔曼增益矩阵信息、第三信息、第五信息和残差均值信息作为状态校正数学模型输入信息,求解状态校正数学模型得到第三时刻的交通状态估计信息;
校正协方差计算单元,用于建立协方差校正数学模型,将第三信息、第六信息和卡尔曼增益矩阵信息作为状态校正数学模型输入信息,求解状态校正数学模型得到第三时刻的协方差信息。
5.一种交通状态估计设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至2任一项所述交通状态估计方法的步骤。
6.一种可读存储介质,其特征在于:所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至2任一项所述交通状态估计方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111023599.7A CN113450572B (zh) | 2021-09-02 | 2021-09-02 | 一种交通状态估计方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111023599.7A CN113450572B (zh) | 2021-09-02 | 2021-09-02 | 一种交通状态估计方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113450572A CN113450572A (zh) | 2021-09-28 |
CN113450572B true CN113450572B (zh) | 2021-11-12 |
Family
ID=77819462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111023599.7A Active CN113450572B (zh) | 2021-09-02 | 2021-09-02 | 一种交通状态估计方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113450572B (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 |
CN116092310B (zh) * | 2023-01-28 | 2023-07-18 | 西南交通大学 | 面向混合交通环境的路口协同生态驾驶控制方法及系统 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6618690B1 (en) * | 1999-11-22 | 2003-09-09 | Nokia Mobile Phones Ltd | Generalized positioning system based on use of a statistical filter |
CN102721491A (zh) * | 2012-06-20 | 2012-10-10 | 西南交通大学 | 一种测力轮对连续测量方法 |
US9232351B1 (en) * | 2015-02-10 | 2016-01-05 | Macau University Of Science And Technology | Location management utilizing initial position for mobile networks |
CN106980044B (zh) * | 2017-03-22 | 2019-08-20 | 西南交通大学 | 一种适应风电接入的电力系统谐波电流估计方法 |
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 |
CN108717475B (zh) * | 2018-02-07 | 2022-02-11 | 浙江大学城市学院 | 基于混合仿真方法的锂电池单体机械强度概率模型建模方法 |
EP3700108B1 (en) * | 2019-02-20 | 2023-08-09 | Volkswagen Aktiengesellschaft | Method for supporting a first mobile station to predict the channel quality for a planned decentralized wireless communication to a communication partner station und mobile station |
CN109145175B (zh) * | 2018-09-03 | 2023-05-30 | 成都卡普数据服务有限责任公司 | 基于stacking集成学习算法的时空数据预测方法 |
CN109035784B (zh) * | 2018-09-17 | 2021-01-26 | 江苏智通交通科技有限公司 | 基于多源异构数据的动态车流od估计方法 |
CN111310117B (zh) * | 2020-01-19 | 2023-03-31 | 东南大学 | 一种基于张量火车分解模型的交通大数据填充方法 |
CN112070130B (zh) * | 2020-08-25 | 2023-03-28 | 西安交通大学 | 一种基于动态时间规整的跨道车辆匹配方法及系统 |
-
2021
- 2021-09-02 CN CN202111023599.7A patent/CN113450572B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113450572A (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113450572B (zh) | 一种交通状态估计方法、装置、设备及可读存储介质 | |
Li et al. | GluNet: A deep learning framework for accurate glucose forecasting | |
Fontanesi et al. | A reinforcement learning diffusion decision model for value-based decisions | |
Toledo et al. | Estimation of vehicle trajectories with locally weighted regression | |
KR20190028531A (ko) | 복수의 기계 학습 태스크에 대해 기계 학습 모델들을 훈련 | |
CN110782706B (zh) | 智能车辆驾驶风险的预警方法和装置 | |
CN112800616B (zh) | 基于比例加速退化建模的设备剩余寿命自适应预测方法 | |
DE112016006692T5 (de) | Verfahren zur Vorhersage einer Bewegung eines Objekts | |
CN112350878A (zh) | 一种压力测试系统 | |
CN110532620B (zh) | 一种基于递推最小二乘-核平滑粒子滤波的疲劳裂纹扩展预测方法 | |
US20210365813A1 (en) | Management computer, management program, and management method | |
US20230367934A1 (en) | Method and apparatus for constructing vehicle dynamics model and method and apparatus for predicting vehicle state information | |
JP2023518871A (ja) | 深層学習を使用した薬物動態パラメータの推定 | |
CN114155717B (zh) | 一种交通流数据筛选方法、装置、设备及可读存储介质 | |
CN117543544A (zh) | 一种负荷预测方法、装置、设备及存储介质 | |
CN114428748A (zh) | 一种用于真实业务场景的模拟测试方法及系统 | |
CN111930602B (zh) | 性能指标预测方法及装置 | |
CN112988527A (zh) | Gpu管理平台异常检测方法、装置以及存储介质 | |
JP6398991B2 (ja) | モデル推定装置、方法およびプログラム | |
CN114777794B (zh) | 一种航天器轨道机动逆向移动滑窗检测方法、装置和设备 | |
JP2004078780A (ja) | 予測方法、予測装置、予測プログラム、および予測プログラムを記録した記録媒体 | |
CN110826695A (zh) | 数据处理方法、装置和计算机可读存储介质 | |
Persing et al. | Likelihood computation for hidden Markov models via generalized two-filter smoothing | |
CN110610140A (zh) | 人脸识别模型的训练方法、装置、设备及可读存储介质 | |
CN113435927A (zh) | 用户意愿预测方法、装置、设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |