CN113642845A - 一种道路交通感知轨迹数据的质量评估方法 - Google Patents

一种道路交通感知轨迹数据的质量评估方法 Download PDF

Info

Publication number
CN113642845A
CN113642845A CN202110789522.4A CN202110789522A CN113642845A CN 113642845 A CN113642845 A CN 113642845A CN 202110789522 A CN202110789522 A CN 202110789522A CN 113642845 A CN113642845 A CN 113642845A
Authority
CN
China
Prior art keywords
road traffic
track data
track
time
quality
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110789522.4A
Other languages
English (en)
Other versions
CN113642845B (zh
Inventor
赵聪
都州扬
师钰鹏
杜豫川
暨育雄
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN202110789522.4A priority Critical patent/CN113642845B/zh
Publication of CN113642845A publication Critical patent/CN113642845A/zh
Application granted granted Critical
Publication of CN113642845B publication Critical patent/CN113642845B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management

Abstract

本发明涉及一种道路交通感知轨迹数据的质量评估方法，包括：获取道路交通感知轨迹数据，并从中提取出待评估道路交通感知轨迹数据；计算待评估道路交通感知轨迹数据的质量评估指标；建立自适应融合回归的道路交通感知轨迹数据智能评估模型；基于道路交通公开的历史轨迹数据集，构建仿真轨迹数据集，并基于仿真轨迹数据集对道路交通感知轨迹数据智能评估模型进行训练；将待评估道路交通感知轨迹数据的质量评估指标输入训练好的道路交通感知估计数据智能评估模型，得到对应的道路交通感知轨迹数据质量评估结果。与现有技术相比，本发明融合多元维度的质量评估指标，能够准确、快速地对道路交通感知轨迹数据质量进行评估。

Description

一种道路交通感知轨迹数据的质量评估方法
技术领域
本发明涉及交通数据质量评估技术领域，尤其是涉及一种道路交通感知轨迹数据的质量评估方法。
背景技术
随着智慧高速公路的快速发展，高速公路的路侧会部署大量智能传感器(如高清摄像头、毫米波雷达、激光雷达等)和边缘计算设备，通过多源数据融合与目标识别跟踪，就能够获取全时空道路交通感知轨迹数据，从而为微观驾驶行为感知、交通状态精准辨识、在线平行仿真推演等提供了可能。然而，道路交通感知轨迹数据的质量直接决定着交通系统分析评估和管控措施的效果，如何对道路交通感知轨迹数据质量进行评估也成为智慧公路、车路协同快速发展下亟需破解的难题。
目前，在道路交通感知轨迹数据质量评价方面，主要采用现场试验和数据挖掘两种方式。其中，基于现场试验手段评估道路交通感知轨迹数据质量，一般通过将待评估的道路交通感知轨迹数据与不同数据源进行数据对比与质量评价，实现对路侧感知数据的质量评价。然而，待评估的道路交通感知轨迹数据与对比数据源通常难以时空同步，评估过程费时费力，并且无法对道路交通感知轨迹数据进行系统的、全面的评估。
为克服这一问题，基于数据挖掘方法从数据所包含的多元信息出发，通过数据挖掘的手段对道路交通感知轨迹数据的质量进行评估。基于数据挖掘方法对道路交通感知轨迹数据进行评估，通常从轨迹的元素特征、时序特征两个维度分别提出了质量评估指标进行评估，相关方法应用广泛且实用性强。然而，现有的评估指标仅从数据的元素、时序维度出发表征数据质量，存在量化指标维度单一的问题，忽略了空间维度的异常程度也是反映道路交通感知轨迹数据质量水平的重要维度；此外，评估方法的指标权重大多由人为确定，存在主观性较强和鲁棒性较差的问题。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种道路交通感知轨迹数据的质量评估方法，通过融合多元维度的质量评估指标，以实现对道路交通感知轨迹数据质量的准确、快速评价。
本发明的目的可以通过以下技术方案来实现：一种道路交通感知轨迹数据的质量评估方法，包括以下步骤：
S1、获取道路交通感知轨迹数据，并从中提取出待评估道路交通感知轨迹数据；
S2、计算待评估道路交通感知轨迹数据的质量评估指标；
S3、建立自适应融合回归的道路交通感知轨迹数据智能评估模型；
S4、基于道路交通公开的历史轨迹数据集，构建仿真轨迹数据集，并基于仿真轨迹数据集对道路交通感知轨迹数据智能评估模型进行训练；
S5、将待评估道路交通感知轨迹数据的质量评估指标输入训练好的道路交通感知估计数据智能评估模型，得到对应的道路交通感知轨迹数据质量评估结果。
进一步地，所述步骤S1具体包括以下步骤：
S11、基于道路路侧布设的传感器，获取道路交通感知轨迹数据，并从中检索出属于同一目标ID的车辆运动信息，按时间排序构成轨迹，提取出道路交通感知轨迹数据中的车辆运动信息，作为待评估的道路交通感知轨迹数据Tr：
Trn(t)＝[t,xn(t),yn(t),vn(t)]
其中，Trn(t)为车辆n在t时刻的轨迹数据，xn(t)为车辆n在t时刻的横坐标，xn(t)为车辆n在t时刻的纵坐标，vn(t)为车辆n在t时刻的速度信息；
步骤S12、将待评估的道路交通感知轨迹数据划分为有交互关系的道路交通感知轨迹数据集Tract和无交互关系的道路交通感知轨迹数据集Trnone。
进一步地，所述步骤S12具体是对道路交通感知轨迹数据集Tr中的各条轨迹计算其横纵安全间距内是否有车辆存在，其中，横向安全间距dislat为道路车道宽度；纵向安全间距dislon为：
dislon＝Vta+l
式中，V为道路限速值，ta为驾驶员反应时间，l为安全停车间距；
如果任一时刻，横纵安全间距内至少存在一辆车，则将该轨迹划分至有交互关系的道路交通感知轨迹数据集Tract；反之，则将该轨迹划分至无交互关系的道路交通感知轨迹数据集Trnone。
进一步地，所述步骤S2具体是针对无交互关系的道路交通感知轨迹数据，计算其轨迹合理性和轨迹波动性共两类评估指标；
针对有交互关系的道路交通感知轨迹数据，计算其轨迹合理性、轨迹波动性和轨迹交互异常性共三类评估指标。
进一步地，所述轨迹合理性评估指标包括侧向加速度合理性、急动度合理性和速度差异性三项指标，所述轨迹波动性评估指标包括转角波动性、速度波动性和加速度波动性三项指标，所述轨迹交互异常性评估指标包括车辆碰撞时间最小值、车辆碰撞时间波动性、最近车辆距离平均值和最近车辆距离波动性四项指标。
进一步地，所述侧向加速度合理性指标具体为：
Figure BDA0003160532580000031
Figure BDA0003160532580000032
其中，
Figure BDA0003160532580000033
为轨迹y方向在t时刻的加速度，
Figure BDA0003160532580000034
为t时刻的加速度合理性，
Figure BDA0003160532580000035
为一段时间T内的加速度合理性；
所述急动度合理性指标具体为：
Figure BDA0003160532580000036
Figure BDA0003160532580000037
其中，jn(t)为轨迹在t时刻的急动度，
Figure BDA0003160532580000038
为t时刻的急动度合理性，
Figure BDA0003160532580000039
为一段时间T内的急动度合理性；
所述速度差异性指标具体为：
Figure BDA00031605325800000310
Figure BDA0003160532580000041
其中，S′n(t)为根据轨迹横纵坐标计算得出的车辆速度，vn(t)为轨迹数据中提供的测量速度，Δvn为速度差异性；
所述转角波动性指标具体为：
αn(t)＝dn(t+Δt)-dn(t)
Figure BDA0003160532580000042
Figure BDA0003160532580000043
Figure BDA0003160532580000044
Figure BDA0003160532580000045
其中，αn(t)为转角，w为评估时间窗，
Figure BDA0003160532580000046
为t时刻车辆的转角αn(t)在评估时间窗w内标准差大小，
Figure BDA0003160532580000047
为在t时刻车辆的转角αn(t)在评估时间窗内标准差的最小值，即为转角波动性；
所述速度波动性具体为：
Figure BDA0003160532580000048
Figure BDA0003160532580000049
Figure BDA00031605325800000410
Figure BDA00031605325800000411
其中，vn(t)为速度，w为评估时间窗，
Figure BDA00031605325800000412
为t时刻车辆的速度vn(t)在评估时间窗w内标准差大小，
Figure BDA00031605325800000413
为在t时刻车辆的速度vn(t)在评估时间窗内标准差的最小值，即为速度波动性；
所述加速度波动性具体为：
Figure BDA00031605325800000414
Figure BDA00031605325800000415
Figure BDA00031605325800000416
Figure BDA0003160532580000051
其中，an(t)为加速度，w为评估时间窗，
Figure BDA0003160532580000052
为t时刻车辆的加速度an(t)在评估时间窗w内标准差大小，
Figure BDA0003160532580000053
为在t时刻车辆的加速度an(t)在评估时间窗内标准差的最小值，即为加速度波动性；
所述车辆碰撞时间最小值具体为：
Figure BDA0003160532580000054
所述车辆碰撞时间波动性具体为：
Figure BDA0003160532580000055
所述最近车辆距离平均值具体为：
Figure BDA0003160532580000056
所述最近车辆距离波动性具体为：
Figure BDA0003160532580000057
其中，TTCn(t)为t时刻车辆n的碰撞时间，
Figure BDA0003160532580000058
为t时刻车辆碰撞时间TTC波动性指标计算值，Gapn(t)为t时刻车辆最小距离，
Figure BDA0003160532580000059
为t时刻车辆最小距离Gap波动性指标计算值。
进一步地，所述步骤S3具体包括以下步骤：
S31、针对无交互关系的道路交通感知轨迹数据集Trnone，建立自适应融合的质量评估模型MA，其中，模型MA的输入为轨迹合理性指标以及轨迹波动性指标，通过神经网络进行非线性拟合后，可输出质量评估得分
Figure BDA00031605325800000510
S32、针对有交互关系的道路交通感知轨迹数据集Tract，建立自适应融合的质量评估模型MB，其中，质量评估模型MB由模型MA与修正网络组成：将轨迹合理性指标以及轨迹波动性指标输入模型MA，输出为质量评估得分
Figure BDA00031605325800000511
再将
Figure BDA00031605325800000512
和轨迹交互异常性指标共同输入修正网络，通过神经网络进行拟合修正后，输出最终质量评估得分
Figure BDA00031605325800000513
进一步地，所述步骤S4具体包括以下步骤：
S41、基于道路交通公开的轨迹数据集，筛选出涵盖不同道路场景的轨迹数据，为获得不同质量水平的轨迹样本，向t时刻车辆n轨迹数据的横纵坐标(xn(t),yn(t))添加高斯噪声，生成模拟横纵坐标(x′(t),y′(t))，其中，噪声均值为μ，标准差δ∈{0.1m,0.2m,...,1.0m}，持续时长tl∈{1s,2s,...,5s}，通过添加噪声模拟路侧感知设备因不同分布的设备测量误差或遭受不同程度的蓄意攻击而产生的轨迹偏离，以生成不同质量水平的仿真轨迹数据；
S42、将仿真轨迹数据划分为无交互关系的仿真轨迹数据集和有交互关系的仿真轨迹数据集；
S43、分别计算无交互关系的仿真轨迹数据的质量评估指标Anone，以及有交互关系的仿真轨迹数据的质量评估指标Aact；
S44、分别计算有、无交互关系的仿真轨迹数据的质量水平Qn，计算方法为：
Figure BDA0003160532580000061
其中，(xreal(t),yreal(t))为t时刻轨迹点的位置真值，(xn(t),yn(t))为t时刻轨迹点的位置测量值，len(Trn)为轨迹的总长度；
S45、将无交互关系的仿真轨迹数据的质量评估指标Anone与质量水平Qn构成仿真轨迹数据集Dnone的特征与标签；将有交互关系的仿真轨迹数据的质量评估指标与质量水平Qn构成仿真轨迹数据集Dact的特征与标签；
S46、将仿真轨迹数据集内的数据按照比例划分训练与测试集；
S47、利用仿真轨迹数据集Dnone与Dact的训练集数据训练模型MA，当模型MA在测试集上预测误差小于
Figure BDA0003160532580000062
时，训练模型结束，保留模型参数；
利用仿真轨迹数据集Dact的训练集数据训练模型MB修正网络部分，当模型MB在测试集上预测误差小于
Figure BDA0003160532580000065
时，训练模型结束，保留模型参数。
进一步地，所述步骤S41中高斯噪音的添加方式为：
Figure BDA0003160532580000063
Figure BDA0003160532580000064
ai～G(0,δ1 2)
bi～G(0,δ2 2)
其中，a(t)为t时刻纵坐标添加噪声值大小，b(t)为t时刻横坐标添加噪声值大小，t0为添加噪声的起始时刻，tl为添加噪声的持续时长。
进一步地，所述步骤S5具体包括以下步骤：
S51、在待评估的道路交通感知轨迹数据中，将无交互关系数据集Trnone中的各条轨迹的质量评估指标，输入训练好的模型MA，得到数据集中各轨迹的道路交通感知轨迹数据质量评估结果；
S52、在待评估的道路交通感知轨迹数据中，将有交互关系数据集Tract中的各条轨迹的质量评估指标，输入训练好的模型MB，得到数据集中各轨迹的道路交通感知轨迹数据质量评估结果。
与现有技术相比，本发明具有以下优点：
一、本发明面向海量道路交通感知轨迹数据，提出了一种自适应融合回归的道路交通感知轨迹数据质量智能评估模型，能够融合多元维度的质量评估指标实现对道路交通感知轨迹数据质量的准确、快速评价，本发明通过采集道路交通感知轨迹数据，并从中提取出有交互关系和无交互关系的待评估轨迹数据，再基于数据的元素特征、时序特征、空间特征等多元评估维度，提出了全面表征数据质量水平的合理性、波动性和交互异常性质量评估指标，由此能够保证对道路交通感知轨迹数据的质量进行准确可靠地评估。
二、本发明针对有交互关系的轨迹数据和无交互关系的轨迹数据，分别构建对应的智能评估模型，并基于道路交通公开的轨迹数据集，筛选出涵盖不同道路场景的轨迹数据，同时通过添加高斯噪声，已生成不同质量水平的仿真轨迹数据，从而对构建的两个智能评估模型进行对应训练，保证了智能评估模型能够全面、准确地对待评估轨迹数据进行质量评估。
附图说明
图1为本发明的方法流程示意图；
图2为本发明的横纵向安全间距示意图；
图3为本发明的轨迹波动性指标计算方法示意图；
图4a为自适应融合回归的道路交通感知轨迹数据质量智能评估模型MA的结构示意图；
图4b为自适应融合回归的道路交通感知轨迹数据质量智能评估模型MB的结构示意图；
图5为实施例的质量评估结果分布图；
图6a为实施例中第一目标车辆轨迹感知数据质量评分结果示意图；
图6b为实施例中第二目标车辆轨迹感知数据质量评分结果示意图；
图6c为实施例中第三目标车辆轨迹感知数据质量评分结果示意图；
图6d为实施例中第四目标车辆轨迹感知数据质量评分结果示意图；
图6e为实施例中第五目标车辆轨迹感知数据质量评分结果示意图；
图6f为实施例中第六目标车辆轨迹感知数据质量评分结果示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示，一种道路交通感知轨迹数据的质量评估方法，包括以下步骤：
步骤S1：从道路上布设的各类感知传感器中采集道路交通感知轨迹数据，从中提取待评估的道路交通感知轨迹数据。将待评估的道路交通感知轨迹数据划分为有交互关系的道路交通感知轨迹数据集和无交互关系的道路交通感知轨迹数据集。
步骤S2：计算待评估的道路交通感知轨迹数据的质量评估指标。其中，无交互关系的道路交通感知轨迹数据计算其轨迹合理性、轨迹波动性两类评估指标；有交互关系的道路交通感知轨迹数据计算其轨迹合理性、轨迹波动性、轨迹交互异常性三类评估指标。
步骤S3：建立自适应融合回归的道路交通感知轨迹数据质量智能评估模型。
步骤S4：构建基于道路交通公开轨迹数据集的仿真轨迹数据集，并基于此训练道路交通感知轨迹数据智能评估模型。
步骤S5：将待评估的道路交通感知轨迹数据的质量评估指标值输入道路交通感知轨迹数据智能评估模型，计算道路交通感知轨迹数据质量得分。
步骤S1具体包括：
步骤S11：从道路上布设的各类感知传感器采集道路交通感知轨迹数据。检索出属于同一目标ID的车辆运动信息，按时间排序构成轨迹，各条轨迹构成待评估的道路交通感知轨迹数据集Tr。其中车辆n的轨迹数据Trn(t)至少包含时间、横坐标、纵坐标和速度信息，表示为：
Trn(t)＝[t,xn(t),yn(t),vn(t)]
步骤S12：对道路交通感知轨迹数据集Tr中的各条轨迹计算其横纵安全间距内是否有车辆存在。如图2所示，横向安全间距dislat为道路车道宽度；纵向安全间距dislon，纵向安全间距计算方法为：
dislon＝Vta+l
式中，V为道路限速值，ta为驾驶员反应时间，l为安全停车间距。
如果任一时刻，横纵安全间距内至少存在一辆车，则将该轨迹划分至有交互关系的道路交通感知轨迹数据集Tract；反之，则将该轨迹划分至无交互关系的道路交通感知轨迹数据集Trnone。
步骤S2具体为：
S21：分别计算待评估的道路交通感知轨迹数据集中各条轨迹的质量评估指标。其中，无交互关系的道路交通感知轨迹数据，按照步骤S202、步骤S203计算其轨迹合理性、轨迹波动性两类评估指标；有交互关系的道路交通感知轨迹数据，按照步骤S202、步骤S203、步骤S204计算其轨迹合理性、轨迹波动性、轨迹交互异常性三类评估指标。
S22：计算轨迹合理性指标。轨迹合理性指标包含侧向加速度合理性、急动度合理性、速度差异性三项指标。各项指标的计算方式如下：
1)侧向加速度合理性
Figure BDA0003160532580000091
Figure BDA0003160532580000092
Figure BDA0003160532580000093
式中，
Figure BDA0003160532580000094
表示轨迹y方向在t时刻的加速度，
Figure BDA0003160532580000095
表示t时刻的加速度合理性，
Figure BDA0003160532580000096
表示一段时间T内的加速度合理性
2)急动度合理性
Figure BDA0003160532580000097
Figure BDA0003160532580000101
Figure BDA0003160532580000102
式中，jn(t)表示轨迹在t时刻的急动度，
Figure BDA0003160532580000103
表示t时刻的急动度合理性，
Figure BDA0003160532580000104
表示一段时间T内的急动度合理性。
3)速度差异性Δvn：
Figure BDA0003160532580000105
Figure BDA0003160532580000106
式中，S′n(t)为根据轨迹横纵坐标计算得出的车辆速度，vn(t)为轨迹数据中提供的测量速度。
S23：计算轨迹波动性指标(如图3所示)。轨迹波动性指标包含转角波动性、速度波动性、加速度波动性三项指标。各项指标的计算方式如下：
1)转角波动性
Figure BDA0003160532580000107
αn(t)＝dn(t+Δt)-dn(t)
Figure BDA0003160532580000108
Figure BDA0003160532580000109
Figure BDA00031605325800001010
Figure BDA00031605325800001011
式中，αn(t)表示转角，w表示评估时间窗，
Figure BDA00031605325800001012
表示t时刻车辆的转角αn(t)在评估时间窗w内标准差大小，
Figure BDA00031605325800001013
表示在t时刻车辆的转角αn(t)在评估时间窗内标准差的最小值。
2)速度波动性
Figure BDA00031605325800001014
Figure BDA00031605325800001015
Figure BDA0003160532580000111
Figure BDA0003160532580000112
Figure BDA0003160532580000113
式中，vn(t)表示速度，w表示评估时间窗，
Figure BDA0003160532580000114
表示t时刻车辆的速度vn(t)在评估时间窗w内标准差大小，
Figure BDA0003160532580000115
表示在t时刻车辆的速度vn(t)在评估时间窗内标准差的最小值。
3)加速度波动性
Figure BDA0003160532580000116
Figure BDA0003160532580000117
Figure BDA0003160532580000118
Figure BDA0003160532580000119
Figure BDA00031605325800001110
式中，an(t)表示加速度，w表示评估时间窗，
Figure BDA00031605325800001111
表示t时刻车辆的加速度an(t)在评估时间窗w内标准差大小，
Figure BDA00031605325800001112
表示在t时刻车辆的加速度an(t)在评估时间窗内标准差的最小值。
S24：计算轨迹交互异常性指标。轨迹交互异常性指标包含车辆碰撞时间最小值、车辆碰撞时间波动性、最近车辆距离平均值、最近车辆距离波动性四项指标。各项指标的计算方式如下：
1)车辆碰撞时间最小值
Figure BDA00031605325800001113
Figure BDA00031605325800001114
2)车辆碰撞时间波动性
Figure BDA00031605325800001115
Figure BDA00031605325800001116
3)最近车辆距离平均值
Figure BDA00031605325800001117
Figure BDA00031605325800001118
4)最近车辆距离波动性
Figure BDA00031605325800001119
Figure BDA0003160532580000121
式中，TTCn(t)表示t时刻车辆n的碰撞时间；
Figure BDA0003160532580000122
表示t时刻车辆碰撞时间TTC波动性指标计算值；Gapn(t)表示t时刻车辆最小距离；
Figure BDA0003160532580000123
表示t时刻车辆最小距离Gap波动性指标计算值；T表示轨迹中采样点的个数。
步骤S3具体为：
步骤S31：建立自适应融合的质量评估模型MA。模型MA的输入为轨迹合理性指标以及轨迹波动性指标，通过神经网络进行非线性拟合后，可输出质量评估得分
Figure BDA0003160532580000124
对无交互关系的道路交通感知轨迹数据集Trnone中的各条轨迹，利用模型MA进行质量评估，将模型MA质量评估得分
Figure BDA0003160532580000125
作为评估结果输出。
步骤S32：对有交互关系的道路交通感知轨迹数据集Tract，建立自适应融合的质量评估模型MB。质量评估模型MB由模型MA与修正网络组成。
首先将轨迹合理性指标以及轨迹波动性指标输入模型MA，输出为质量评估得分
Figure BDA0003160532580000126
再将
Figure BDA0003160532580000127
和轨迹交互异常性指标共同输入修正网络，通过神经网络进行拟合修正后，输出最终质量评估得分
Figure BDA0003160532580000128
步骤S4具体为：
步骤S41：构建基于道路交通公开轨迹数据集的仿真轨迹数据集。基于道路交通公开的轨迹数据集，筛选出涵盖不同道路场景的轨迹数据。为获得不同质量水平的轨迹样本，向t时刻车辆n轨迹数据的横纵坐标(xn(t),yn(t))添加高斯噪声，生成模拟横纵坐标(x′(t),y′(t))。其中，噪声均值为μ，标准差δ∈{0.1m,0.2m,...,1.0m}，持续时长tl∈{1s,2s,...,5s}。通过添加噪声模拟路侧感知设备因不同分布的设备测量误差或遭受不同程度的蓄意攻击而产生的轨迹偏离，生成了不同质量水平的轨迹，噪声添加方式如下：
Figure BDA0003160532580000129
Figure BDA00031605325800001210
ai～G(0,δ1 2)
bi～G(0,δ2 2)
其中，a(t)为t时刻纵坐标添加噪声值大小，b(t)为t时刻横坐标添加噪声值大小，t0为添加噪声的起始时刻，tl为添加噪声的持续时长。
步骤S42：重复步骤S1，将仿真轨迹数据划分为无交互关系的仿真轨迹数据集和有交互关系的仿真轨迹数据集。
步骤S403：重复步骤S2，分别计算无交互关系的仿真轨迹数据的质量评估指标Anone，以及有交互关系的仿真轨迹数据的质量评估指标Aact。
步骤S44：分别计算有、无交互关系的仿真轨迹数据的质量水平Qn，计算方法为：
Figure BDA0003160532580000131
其中，(xreal(t),yreal(t))为t时刻轨迹点的位置真值，(xn(t),yn(t))为t时刻轨迹点的位置测量值，len(Trn)为轨迹的总长度。
步骤S45：无交互关系的仿真轨迹数据的质量评估指标Anone与质量水平Qn构成仿真轨迹数据集Dnone的特征与标签；有交互关系的仿真轨迹数据的质量评估指标与质量水平Qn构成仿真轨迹数据集Dact的特征与标签。
步骤S46：将仿真轨迹数据集内的数据按照比例划分训练与测试集。
利用仿真轨迹数据集Dnone与Dact的训练集数据训练模型MA，当模型在测试集上预测误差小于
Figure BDA0003160532580000132
时，训练模型结束，保留模型参数。
利用仿真轨迹数据集Dact的训练集数据训练模型MB修正网络部分，当模型在测试集上预测误差小于
Figure BDA0003160532580000133
时，训练模型结束，保留模型参数。
步骤S5具体为：
步骤S501：在待评估的道路交通感知轨迹数据中，将无交互关系数据集Trnone中的各条轨迹的质量评估指标，输入训练所得到的模型MA，得到数据集中各轨迹的道路交通感知轨迹数据质量得分。
步骤S502：在待评估的道路交通感知轨迹数据中，将有交互关系数据集Tract中的各条轨迹的质量评估指标，输入训练所得到的模型MB，得到数据集中各轨迹的道路交通感知轨迹数据质量得分。
本实施例应用上述技术方案，其主要过程为：
步骤S1：从道路上布设的感知传感器中采集道路交通感知轨迹数据，从中提取待评估的道路交通感知轨迹数据。将待评估的道路交通感知轨迹数据划分为有交互关系的道路交通感知轨迹数据集和无交互关系的道路交通感知轨迹数据集。
步骤S11：京沪高速硕放枢纽的某出口安装有24GHz的毫米波雷达，对京沪高速硕放枢纽某出口处安装的路侧毫米波雷达所采集的道路交通感知轨迹数据进行质量评估与分析。
道路交通感知轨迹数据由目标ID、时间、车辆速度、车辆x坐标、车辆y坐标和车道等字段组成，采集时间区间为2021年1月19日23时至24时整。
检索出属于同一目标ID的车辆运动信息，按时间排序构成轨迹，共提取出车辆轨迹2333条，各条轨迹构成了待评估的道路交通感知轨迹数据集Tr。
步骤S12：对待评估的道路交通感知轨迹数据集Tr中的轨迹计算其横纵安全间距内是否有车辆存在，将待评估的道路交通感知轨迹数据划分为有交互关系的道路交通感知轨迹数据集Tract，共计279条；无交互关系的道路交通感知轨迹数据集Trnone，共计2054条。
步骤S2：计算待评估的道路交通感知轨迹数据的质量评估指标。其中，对于无交互关系的道路交通感知轨迹数据集Trnone中的各条轨迹，计算轨迹合理性、轨迹波动性共计6个指标；对于有交互关系的道路交通感知轨迹数据Trnone中的各条轨迹，计算轨迹合理性、轨迹波动、轨迹交互合理性共计10个指标。
步骤S3：建立自适应融合回归的道路交通感知轨迹数据质量智能评估模型。
步骤S31：建立自适应融合的质量评估模型MA，如图4a所示。
模型MA的输入为轨迹合理性指标所包含侧向加速度合理性
Figure BDA0003160532580000141
急动度合理性
Figure BDA0003160532580000142
速度差异性指标Δvn，以及轨迹波动性指标所包含转角波动性
Figure BDA0003160532580000143
速度波动性
Figure BDA0003160532580000144
加速度波动性指标
Figure BDA0003160532580000145
通过神经网络进行非线性拟合后，可输出质量评估得分
Figure BDA0003160532580000146
对无交互关系的道路交通感知轨迹数据集Trnone中的各条轨迹，利用模型MA进行质量评估，将模型MA质量评估得分
Figure BDA0003160532580000147
作为评估结果输出。
步骤S32：对有交互关系的道路交通感知轨迹数据Tract，建立自适应融合的质量评估模型MB，如图4b所示。质量评估模型MB由模型MA与修正网络组成。
首先将轨迹合理性指标所包含的侧向加速度合理性
Figure BDA0003160532580000148
急动度合理性
Figure BDA0003160532580000149
速度差异性指标Δvn，以及轨迹波动性指标所包含转角波动性
Figure BDA00031605325800001410
速度波动性
Figure BDA00031605325800001411
加速度波动性指标
Figure BDA00031605325800001412
输入模型MA，输出为质量评估得分
Figure BDA00031605325800001413
再将
Figure BDA00031605325800001414
和轨迹交互异常性指标所包含的车辆碰撞时间最小值
Figure BDA0003160532580000151
车辆碰撞时间波动性
Figure BDA0003160532580000152
最近车辆距离平均值
Figure BDA0003160532580000153
最近车辆距离波动性
Figure BDA0003160532580000154
四项指标，共同输入修正网络，通过神经网络进行拟合修正后，输出最终质量评估得分
Figure BDA0003160532580000155
步骤S4：构建基于道路交通公开轨迹数据集的仿真轨迹数据集，并基于此训练道路交通感知轨迹数据智能评估模型。
步骤S41：构建基于道路交通公开轨迹数据集的仿真轨迹数据集。以德国highD公开轨迹数据集作为道路交通公开轨迹数据集，共包含约110,000条车辆轨迹记录，来自德国高速公路6个不同地点的轨迹数据。数据集包含数据帧、车辆ID、车辆x坐标、车辆y坐标等字段。
从中筛选出涵盖不同道路场景的轨迹数据，向车辆轨迹数据的横纵坐标x,y添加均值为0的高斯噪声，噪声标准差δ∈{0.1m,0.2m,...,1.0m}，噪声的持续时长t∈{1s,2s,...,5s}，生成不同质量水平的仿真轨迹数据。
步骤S42：重复步骤S1，将仿真轨迹数据划分为无交互关系的仿真轨迹数据集和有交互关系的仿真轨迹数据集。
步骤S43：重复步骤S2，分别计算无交互关系的仿真轨迹数据的质量评估指标Anone，以及有交互关系的仿真轨迹数据的质量评估指标Aact。
步骤S44：分别计算有、无交互关系的仿真轨迹数据的质量水平Qn。
步骤S45：无交互关系的仿真轨迹数据的质量评估指标Anone与质量水平Qn构成仿真轨迹数据集Dnone的特征与标签；有交互关系的仿真轨迹数据的质量评估指标与质量水平Qn构成仿真轨迹数据集Dact的特征与标签；
步骤S46：将仿真轨迹数据集的数据按照8:2的比例划分训练与测试集。训练集所包含的数据总计13640条，测试集的数据总计3410条。利用仿真轨迹数据Dnone与Dact的训练集数据训练模型MA，当模型在测试集上预测误差小于1％时，训练模型结束，保留模型参数。
利用仿真轨迹数据Dact的训练集数据训练模型MB修正网络部分，当模型在测试集上预测误差小于1％时，训练模型结束，保留模型参数。
步骤S5：将待评估的道路交通感知轨迹数据输入道路交通感知轨迹数据质量智能评估模型，计算道路交通感知轨迹数据的质量得分，结果如图5、图6a～图6f所示(在图6a～图6f中，目标车辆轨迹是指被评估质量分值的目标车辆轨迹，周围车辆轨迹则是该被评估的目标车辆周围其他车辆的真实轨迹示意图)。
步骤S51：在待评估的道路交通感知轨迹数据中，将无交互关系数据集Trnone中的各条轨迹的质量评估指标，输入训练所得到的模型MA，得到数据集中各轨迹的道路交通感知轨迹数据质量得分。
步骤S52：在待评估的道路交通感知轨迹数据中，将有交互关系数据集Tract中的各条轨迹的质量评估指标，输入训练所得到的模型MB，得到数据集中各轨迹的道路交通感知轨迹数据质量得分。
综上可知，本发明为了对海量的道路交通感知轨迹数据质量进行快速、智能的质量评价与监测，提供了一种道路交通感知轨迹数据质量智能评估方法：采集道路交通感知轨迹数据，从中提取待评估的道路交通感知轨迹数据；计算待评估的道路交通感知轨迹数据的质量评估指标；建立自适应融合回归的道路交通感知轨迹数据智能评估模型；构建基于道路交通公开轨迹数据集的仿真轨迹数据集，训练自适应融合回归的道路交通感知轨迹数据质量智能评估模型；将待评估的道路交通感知轨迹数据的质量评估指标值，输入道路交通感知轨迹数据智能评估模型，计算道路交通感知轨迹数据的质量得分。本发明可快速应用于海量感知数据的质量监测与评价，实现对道路交通感知轨迹数据的实时管控，无需额外的硬件成本投入，可节省昂贵的质量监管投资；本发明还可用于对出现异常的道路交通感知轨迹数据进行快速分类与分析，为道路交通感知轨迹数据的清洗工作提供指导，具有理论意义和应用价值。

Claims (10)

1.一种道路交通感知轨迹数据的质量评估方法，其特征在于，包括以下步骤：
S1、获取道路交通感知轨迹数据，并从中提取出待评估道路交通感知轨迹数据；
S2、计算待评估道路交通感知轨迹数据的质量评估指标；
S3、建立自适应融合回归的道路交通感知轨迹数据智能评估模型；
S4、基于道路交通公开的历史轨迹数据集，构建仿真轨迹数据集，并基于仿真轨迹数据集对道路交通感知轨迹数据智能评估模型进行训练；
S5、将待评估道路交通感知轨迹数据的质量评估指标输入训练好的道路交通感知估计数据智能评估模型，得到对应的道路交通感知轨迹数据质量评估结果。
2.根据权利要求1所述的一种道路交通感知轨迹数据的质量评估方法，其特征在于，所述步骤S1具体包括以下步骤：
S11、基于道路路侧布设的传感器，获取道路交通感知轨迹数据，并从中检索出属于同一目标ID的车辆运动信息，按时间排序构成轨迹，提取出道路交通感知轨迹数据中的车辆运动信息，作为待评估的道路交通感知轨迹数据Tr：
Trn(t)＝[t,xn(t),yn(t),vn(t)]
其中，Trn(t)为车辆n在t时刻的轨迹数据，xn(t)为车辆n在t时刻的横坐标，xn(t)为车辆n在t时刻的纵坐标，vn(t)为车辆n在t时刻的速度信息；
S12、将待评估的道路交通感知轨迹数据划分为有交互关系的道路交通感知轨迹数据集Tract和无交互关系的道路交通感知轨迹数据集Trnone。
3.根据权利要求2所述的一种道路交通感知轨迹数据的质量评估方法，其特征在于，所述步骤S12具体是对道路交通感知轨迹数据集Tr中的各条轨迹计算其横纵安全间距内是否有车辆存在，其中，横向安全间距dislat为道路车道宽度；纵向安全间距dislon为：
dislon＝Vta+l
式中，V为道路限速值，ta为驾驶员反应时间，l为安全停车间距；
如果任一时刻，横纵安全间距内至少存在一辆车，则将该轨迹划分至有交互关系的道路交通感知轨迹数据集Tract；反之，则将该轨迹划分至无交互关系的道路交通感知轨迹数据集Trnone。
4.根据权利要求2所述的一种道路交通感知轨迹数据的质量评估方法，其特征在于，所述步骤S2具体是针对无交互关系的道路交通感知轨迹数据，计算其轨迹合理性和轨迹波动性共两类评估指标；
针对有交互关系的道路交通感知轨迹数据，计算其轨迹合理性、轨迹波动性和轨迹交互异常性共三类评估指标。
5.根据权利要求4所述的一种道路交通感知轨迹数据的质量评估方法，其特征在于，所述轨迹合理性评估指标包括侧向加速度合理性、急动度合理性和速度差异性三项指标，所述轨迹波动性评估指标包括转角波动性、速度波动性和加速度波动性三项指标，所述轨迹交互异常性评估指标包括车辆碰撞时间最小值、车辆碰撞时间波动性、最近车辆距离平均值和最近车辆距离波动性四项指标。
6.根据权利要求5所述的一种道路交通感知轨迹数据的质量评估方法，其特征在于，所述侧向加速度合理性指标具体为：
Figure FDA0003160532570000021
Figure FDA0003160532570000022
其中，
Figure FDA0003160532570000023
为轨迹y方向在t时刻的加速度，
Figure FDA0003160532570000024
为t时刻的加速度合理性，
Figure FDA0003160532570000025
为一段时间T内的加速度合理性；
所述急动度合理性指标具体为：
Figure FDA0003160532570000026
Figure FDA0003160532570000027
其中，jn(t)为轨迹在t时刻的急动度，
Figure FDA0003160532570000028
为t时刻的急动度合理性，
Figure FDA0003160532570000029
为一段时间T内的急动度合理性；
所述速度差异性指标具体为：
Figure FDA0003160532570000031
Figure FDA0003160532570000032
其中，Sn′(t)为根据轨迹横纵坐标计算得出的车辆速度，vn(t)为轨迹数据中提供的测量速度，Δvn为速度差异性；
所述转角波动性指标具体为：
αn(t)＝dn(t+Δt)-dn(t)
Figure FDA0003160532570000033
Figure FDA0003160532570000034
Figure FDA0003160532570000035
Figure FDA0003160532570000036
其中，αn(t)为转角，w为评估时间窗，
Figure FDA0003160532570000037
为t时刻车辆的转角αn(t)在评估时间窗w内标准差大小，
Figure FDA0003160532570000038
为在t时刻车辆的转角αn(t)在评估时间窗内标准差的最小值，即为转角波动性；
所述速度波动性具体为：
Figure FDA0003160532570000039
Figure FDA00031605325700000310
Figure FDA00031605325700000311
Figure FDA00031605325700000312
其中，vn(t)为速度，w为评估时间窗，
Figure FDA00031605325700000313
为t时刻车辆的速度vn(t)在评估时间窗w内标准差大小，
Figure FDA00031605325700000314
为在t时刻车辆的速度vn(t)在评估时间窗内标准差的最小值，即为速度波动性；
所述加速度波动性具体为：
Figure FDA00031605325700000315
Figure FDA0003160532570000041
Figure FDA0003160532570000042
Figure FDA0003160532570000043
其中，an(t)为加速度，w为评估时间窗，
Figure FDA0003160532570000044
为t时刻车辆的加速度an(t)在评估时间窗w内标准差大小，
Figure FDA0003160532570000045
为在t时刻车辆的加速度an(t)在评估时间窗内标准差的最小值，即为加速度波动性；
所述车辆碰撞时间最小值具体为：
Figure FDA0003160532570000046
所述车辆碰撞时间波动性具体为：
Figure FDA0003160532570000047
所述最近车辆距离平均值具体为：
Figure FDA0003160532570000048
所述最近车辆距离波动性具体为：
Figure FDA0003160532570000049
其中，TTCn(t)为t时刻车辆n的碰撞时间，
Figure FDA00031605325700000410
为t时刻车辆碰撞时间TTC波动性指标计算值，Gapn(t)为t时刻车辆最小距离，
Figure FDA00031605325700000411
为t时刻车辆最小距离Gap波动性指标计算值。
7.根据权利要求2所述的一种道路交通感知轨迹数据的质量评估方法，其特征在于，所述步骤S3具体包括以下步骤：
S31、针对无交互关系的道路交通感知轨迹数据集Trnone，建立自适应融合的质量评估模型MA，其中，模型MA的输入为轨迹合理性指标以及轨迹波动性指标，通过神经网络进行非线性拟合后，可输出质量评估得分
Figure FDA00031605325700000412
S32、针对有交互关系的道路交通感知轨迹数据集Tract，建立自适应融合的质量评估模型MB，其中，质量评估模型MB由模型MA与修正网络组成：将轨迹合理性指标以及轨迹波动性指标输入模型MA，输出为质量评估得分
Figure FDA00031605325700000413
再将
Figure FDA00031605325700000414
和轨迹交互异常性指标共同输入修正网络，通过神经网络进行拟合修正后，输出最终质量评估得分
Figure FDA0003160532570000051
8.根据权利要求2所述的一种道路交通感知轨迹数据的质量评估方法，其特征在于，所述步骤S4具体包括以下步骤：
S41、基于道路交通公开的轨迹数据集，筛选出涵盖不同道路场景的轨迹数据，为获得不同质量水平的轨迹样本，向t时刻车辆n轨迹数据的横纵坐标(xn(t),yn(t))添加高斯噪声，生成模拟横纵坐标(x′(t),y′(t))，其中，噪声均值为μ，标准差δ∈{0.1m,0.2m,...,1.0m}，持续时长tl∈{1s,2s,...,5s}，通过添加噪声模拟路侧感知设备因不同分布的设备测量误差或遭受不同程度的蓄意攻击而产生的轨迹偏离，以生成不同质量水平的仿真轨迹数据；
S42、将仿真轨迹数据划分为无交互关系的仿真轨迹数据集和有交互关系的仿真轨迹数据集；
S43、分别计算无交互关系的仿真轨迹数据的质量评估指标Anone，以及有交互关系的仿真轨迹数据的质量评估指标Aact；
S44、分别计算有、无交互关系的仿真轨迹数据的质量水平Qn，计算方法为：
Figure FDA0003160532570000052
其中，(xreal(t),yreal(t))为t时刻轨迹点的位置真值，(xn(t),yn(t))为t时刻轨迹点的位置测量值，len(Trn)为轨迹的总长度；
S45、将无交互关系的仿真轨迹数据的质量评估指标Anone与质量水平Qn构成仿真轨迹数据集Dnone的特征与标签；将有交互关系的仿真轨迹数据的质量评估指标与质量水平Qn构成仿真轨迹数据集Dact的特征与标签；
S46、将仿真轨迹数据集内的数据按照比例划分训练与测试集；
S47、利用仿真轨迹数据集Dnone与Dact的训练集数据训练模型MA，当模型MA在测试集上预测误差小于
Figure FDA0003160532570000053
时，训练模型结束，保留模型参数；
利用仿真轨迹数据集Dact的训练集数据训练模型MB修正网络部分，当模型MB在测试集上预测误差小于
Figure FDA0003160532570000054
时，训练模型结束，保留模型参数。
9.根据权利要求8所述的一种道路交通感知轨迹数据的质量评估方法，其特征在于，所述步骤S41中高斯噪音的添加方式为：
Figure FDA0003160532570000061
Figure FDA0003160532570000062
ai～G(0,δ1 2)
bi～G(0,δ2 2)
其中，a(t)为t时刻纵坐标添加噪声值大小，b(t)为t时刻横坐标添加噪声值大小，t0为添加噪声的起始时刻，tl为添加噪声的持续时长。
10.根据权利要求7所述的一种道路交通感知轨迹数据的质量评估方法，其特征在于，所述步骤S5具体包括以下步骤：
S51、在待评估的道路交通感知轨迹数据中，将无交互关系数据集Trnone中的各条轨迹的质量评估指标，输入训练好的模型MA，得到数据集中各轨迹的道路交通感知轨迹数据质量评估结果；
S52、在待评估的道路交通感知轨迹数据中，将有交互关系数据集Tract中的各条轨迹的质量评估指标，输入训练好的模型MB，得到数据集中各轨迹的道路交通感知轨迹数据质量评估结果。
CN202110789522.4A 2021-07-13 2021-07-13 一种道路交通感知轨迹数据的质量评估方法 Active CN113642845B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110789522.4A CN113642845B (zh) 2021-07-13 2021-07-13 一种道路交通感知轨迹数据的质量评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110789522.4A CN113642845B (zh) 2021-07-13 2021-07-13 一种道路交通感知轨迹数据的质量评估方法

Publications (2)

Publication Number Publication Date
CN113642845A true CN113642845A (zh) 2021-11-12
CN113642845B CN113642845B (zh) 2023-09-26

Family

ID=78417196

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110789522.4A Active CN113642845B (zh) 2021-07-13 2021-07-13 一种道路交通感知轨迹数据的质量评估方法

Country Status (1)

Country Link
CN (1) CN113642845B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115358530A (zh) * 2022-07-26 2022-11-18 上海交通大学 一种车路协同感知路侧测试数据质量评价方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102008049824A1 (de) * 2008-10-01 2010-04-08 Universität Kassel Verfahren zur Kollisionsvermeidung
CN103678905A (zh) * 2013-12-09 2014-03-26 深圳先进技术研究院 基于轨迹数据的质量评估方法
CN112258841A (zh) * 2020-10-26 2021-01-22 大连大学 一种基于它车辆轨迹预测的智能车辆风险评估方法
CN112824198A (zh) * 2019-11-21 2021-05-21 北京京东乾石科技有限公司 一种轨迹决策方法、装置、设备和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102008049824A1 (de) * 2008-10-01 2010-04-08 Universität Kassel Verfahren zur Kollisionsvermeidung
CN103678905A (zh) * 2013-12-09 2014-03-26 深圳先进技术研究院 基于轨迹数据的质量评估方法
CN112824198A (zh) * 2019-11-21 2021-05-21 北京京东乾石科技有限公司 一种轨迹决策方法、装置、设备和存储介质
CN112258841A (zh) * 2020-10-26 2021-01-22 大连大学 一种基于它车辆轨迹预测的智能车辆风险评估方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YUCHUAN DU: "Microscopic simulation evaluation method on access traffic operation", 《SIMULATION MODELLING PRACTICE AND THEORY》 *
王风伟: "车辆轨迹数据质量评价方法研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115358530A (zh) * 2022-07-26 2022-11-18 上海交通大学 一种车路协同感知路侧测试数据质量评价方法
WO2024021871A1 (zh) * 2022-07-26 2024-02-01 上海交通大学 一种车路协同感知路侧测试数据质量评价方法

Also Published As

Publication number Publication date
CN113642845B (zh) 2023-09-26

Similar Documents

Publication Publication Date Title
Wang et al. A review of surrogate safety measures and their applications in connected and automated vehicles safety modeling
Guo et al. A comparison between simulated and field-measured conflicts for safety assessment of signalized intersections in Australia
Laureshyn et al. Cross-comparison of three surrogate safety methods to diagnose cyclist safety problems at intersections in Norway
Shi et al. Key risk indicators for accident assessment conditioned on pre-crash vehicle trajectory
Ali et al. Detection of critical safety events on freeways in clear and rainy weather using SHRP2 naturalistic driving data: Parametric and non-parametric techniques
Sacchi et al. Conflict-based safety performance functions for predicting traffic collisions by type
Sayed et al. Feasibility of computer vision-based safety evaluations: Case study of a signalized right-turn safety treatment
EP2856452B1 (de) Erkennung von richtungsfahrbahnen
WO2024021871A1 (zh) 一种车路协同感知路侧测试数据质量评价方法
Ryder et al. Spatial prediction of traffic accidents with critical driving events–Insights from a nationwide field study
Astarita et al. Calibration of a new microsimulation package for the evaluation of traffic safety performances
CN113665574A (zh) 智能汽车换道时长预测及拟人化轨迹规划方法
CN114428998A (zh) 一种自动驾驶系统一体化仿真测试与评价方法及系统
Ma et al. Left-turn conflict identification at signal intersections based on vehicle trajectory reconstruction under real-time communication conditions
Amini et al. Development of a conflict risk evaluation model to assess pedestrian safety in interaction with vehicles
CN113642845A (zh) 一种道路交通感知轨迹数据的质量评估方法
Ansariyar et al. Investigating the accuracy rate of vehicle-vehicle conflicts by LIDAR technology and microsimulation in VISSIM and AIMSUN.
Guadamuz et al. Green time usage metrics on signalized intersections and arterials using high-resolution traffic data
Ghoul et al. Dynamic identification of short-term and longer-term hazardous locations using a conflict-based real-time extreme value safety model
Lei et al. Identifying and correcting the errors of vehicle trajectories from roadside millimetre‐wave radars
CN117198057A (zh) 一种面向路侧感知轨迹数据质量检评的实验方法及系统
CN112017428A (zh) 路侧车联网装置、高架桥路段识别方法及车载车联网装置
Bäumler et al. ‘Generating representative test scenarios: The fuse for representativity (Fuse4Rep) process model for collecting and analysing traffic observation data
Formosa et al. Validating a traffic conflict prediction technique for motorways using a simulation approach
CN115392728A (zh) 基于风险场的大型活动多源交通风险叠加评估方法及应用

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