CN113643545A - 车辆排队长度感知方法、装置、设备及存储介质 - Google Patents

车辆排队长度感知方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113643545A
CN113643545A CN202111199492.8A CN202111199492A CN113643545A CN 113643545 A CN113643545 A CN 113643545A CN 202111199492 A CN202111199492 A CN 202111199492A CN 113643545 A CN113643545 A CN 113643545A
Authority
CN
China
Prior art keywords
vehicle
data
vehicles
length
queuing
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
Application number
CN202111199492.8A
Other languages
English (en)
Inventor
何书贤
杨唐涛
张龙洋
刘艺
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.)
Ismartways Wuhan Technology Co ltd
Original Assignee
Ismartways Wuhan Technology Co ltd
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 Ismartways Wuhan Technology Co ltd filed Critical Ismartways Wuhan Technology Co ltd
Priority to CN202111199492.8A priority Critical patent/CN113643545A/zh
Publication of CN113643545A publication Critical patent/CN113643545A/zh
Pending legal-status Critical Current

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

本发明公开了一种车辆排队长度感知方法、装置、设备及存储介质，所述方法通过获取智能网联汽车的基本运动状态数据、信号配时数据、平均车头时距数据、排队消散过程中车辆离开路口停车线时间及车辆数数据；构建估计排队长度的贝叶斯后验概率模型；以智能网联汽车渗透率为参数，建立多车道路口道路环境下队尾车辆中存在智能网联汽车的概率函数；根据平均车头时距数据和绿灯期间排队消散过程中车辆离开路口停车线时间为参数，结合所述概率函数推导出车辆排队长度的高斯分布特征，估计各车道的车辆排队长度的先验概率比值；提高了排队长度的估计精度，不需要大量历史数据求解先验概率值，保障了排队长度的实时性，提升了数据精细化及精度性能。

Description

车辆排队长度感知方法、装置、设备及存储介质
技术领域
本发明涉及交通状态感知技术领域，尤其涉及一种车辆排队长度感知方法、装置、设备及存储介质。
背景技术
智能网联汽车运营、精细化城市交通运营管理对数字化水平具备较高要求，使得城市智慧路口、智慧道路建设成为当前热门主题。依托分布式边缘计算技术、车载无线通信技术（Vehicle to X/everything，V2X）、多传感器目标检测及数据融合技术，构建交通态势感知体系，实现交通状态精准感知成为重中之重；而车道级排队长度作为交通模型中核心参数，成为该领域重点研究对象。
随着更先进的毫米波雷达、激光雷达等路侧传感器的应用，车辆运动状态的识别变得更加精准，其高频检测能力可以帮助准确检测出车辆排队时间与排队车辆离开路口时间；依靠点云数据处理算法，可以有效检测感知范围内的车辆，区分车辆排队状态，实现排队车辆精准识别，进一步提升排队长度感知精度；然而，由于检测范围有限，检测器安装角度问题，当多个车道存在车辆视线阻挡时，无法获取车辆点云数据，仅仅依靠雷达检测器会导致感知失效；考虑到交通状态的时空变化特性，不同时段、不同位置的交通状态区别较大，基于历史数据拟合生成的参数由于缺乏实时性，无法满足时变的估计需求；因此，实现远距离车辆检测与长距离排队长度感知成为当下亟待解决的问题。
发明内容
本发明的主要目的在于提供一种车辆排队长度感知方法、装置、设备及存储介质，旨在解决现有技术中仅仅依靠雷达检测，在车辆视线阻挡时无法获得多个车道的车辆点云数据，而基于历史数据拟合生成的参数缺乏实时性，无法满足实时变化的车辆排队长度估计需求，估计精度较差的技术问题。
第一方面，本发明提供一种车辆排队长度感知方法，所述车辆排队长度感知方法包括以下步骤：
获取智能网联汽车的基本运动状态数据、信号配时数据、平均车头时距数据、排队消散过程中车辆离开路口停车线时间及车辆数数据；
根据所述基本运动状态数据、所述信号配时数据、所述平均车头时距数据、所述车辆离开路口停车线时间及所述车辆数数据以智能网联汽车在排队车辆中的存在性事件与到达事件构建估计排队长度的贝叶斯后验概率模型；
以智能网联汽车渗透率为参数，建立多车道路口道路环境下队尾车辆中存在智能网联汽车的概率函数；
根据所述平均车头时距数据和绿灯期间排队消散过程中车辆离开路口停车线时间为参数，结合所述概率函数推导出车辆排队长度的高斯分布特征，估计各车道的车辆排队长度的先验概率比值。
可选地，所述获取智能网联汽车的基本运动状态数据、信号配时数据、平均车头时距数据、排队消散过程中车辆离开路口停车线时间及车辆数数据，包括：
通过车载检测控制单元获得智能网联汽车的基本运动状态数据和信号配时数据；
通过路口的雷达检测器获得智能网联汽车的平均车头时距数据、排队消散过程中车辆离开路口停车线时间及车辆数数据。
可选地，所述根据所述基本运动状态数据、所述信号配时数据、所述平均车头时距数据、所述车辆离开路口停车线时间及所述车辆数数据以智能网联汽车在排队车辆中的存在性事件与到达事件构建估计排队长度的贝叶斯后验概率模型，包括：
根据所述基本运动状态数据、所述信号配时数据、所述平均车头时距数据、所述车辆离开路口停车线时间及所述车辆数数据确定排队长度后验概率和排队长度估计值；
根据智能网联汽车在排队车辆中存在性事件的后验概率和所述排队长度估计值先验概率，并通过下式构建排队长度估计的贝叶斯后验概率模型：
Figure 803139DEST_PATH_IMAGE001
其中，A为路口停车排队车辆中是否存在所述智能网联汽车的事件，存在所述智能网联汽车时，事件A为真，记A=1；不存在所述智能网联汽车时，事件A为假，记A=0；Q为信号周期内路口停车排队的事件，排队长度为
Figure 86353DEST_PATH_IMAGE002
，相应排队车辆数为
Figure 250093DEST_PATH_IMAGE003
，对于排队长度
Figure 985968DEST_PATH_IMAGE004
，且排队车辆数为
Figure 794655DEST_PATH_IMAGE005
的排队事件Q，表示为
Figure 932376DEST_PATH_IMAGE006
，
Figure 269947DEST_PATH_IMAGE007
；B为相同信号周期内，排队车辆中是否存在所述智能网联汽车到达并离开路口的事件；在存在所述智能网联汽车到达并离开路口时，事件B为真，记B=1，在不存在所述智能网联汽车到达并离开路口时，事件B为假，记B=0，
Figure 648712DEST_PATH_IMAGE008
为排队长度
Figure 120145DEST_PATH_IMAGE009
时，事件A的后验概率，
Figure 987738DEST_PATH_IMAGE010
为排队长度
Figure 620844DEST_PATH_IMAGE011
时，事件B的后验概率；
Figure 206677DEST_PATH_IMAGE012
为在计算全概率时，且排队长度
Figure 481801DEST_PATH_IMAGE013
时，事件A的后验概率；
Figure 200971DEST_PATH_IMAGE014
为在计算全概率，且排队长度
Figure 270558DEST_PATH_IMAGE013
时，事件B的后验概率；
Figure 78108DEST_PATH_IMAGE015
和
Figure 891343DEST_PATH_IMAGE016
分别表示排队长度
Figure 467949DEST_PATH_IMAGE017
和
Figure 711367DEST_PATH_IMAGE018
的先验概率。
可选地，所述根据所述基本运动状态数据、所述信号配时数据、所述平均车头时距数据、所述车辆离开路口停车线时间及所述车辆数数据确定排队长度后验概率和排队长度估计值，包括：
据所述基本运动状态数据、所述信号配时数据、所述平均车头时距数据、所述车辆离开路口停车线时间及所述车辆数数据确定路口停车排队车辆中是否存在所述智能网联汽车的事件A数量，相同信号周期内排队车辆中是否存在所述智能网联汽车到达并离开路口的事件B数量以及排队长度；
根据所述事件A数量、所述事件B数量及所述排队长度通过下式获得排队长度后验概率：
Figure 740635DEST_PATH_IMAGE019
其中，
Figure 91981DEST_PATH_IMAGE019
为排队长度
Figure 788673DEST_PATH_IMAGE020
时事件A和B的后验概率；
通过下式获得排队长度估计值：
Figure 200063DEST_PATH_IMAGE021
其中，E(LQ丨A，B)为排队长度估计值。
可选地，所述以智能网联汽车渗透率为参数，建立多车道路口道路环境下队尾车辆中存在智能网联汽车的概率函数；根据所述平均车头时距数据和绿灯期间排队消散过程中车辆离开路口停车线时间为参数，结合所述概率函数推导出车辆排队长度的高斯分布特征，估计各车道的车辆排队长度的先验概率比值，包括：
获取目标通行方向上的车道数，所述智能网联汽车的渗透率；
根据所述车道数和所述渗透率通过下述公式获得除最后一列排队车辆外，任意一列的所有车道中均没有所述智能网联汽车的概率：
Figure 979276DEST_PATH_IMAGE022
其中，P为除最后一列排队车辆外任意一列的所有车道中均没有所述智能网联汽车的概率，
Figure 134313DEST_PATH_IMAGE023
为所述智能网联汽车的渗透率，m为所述目标通行方向上的车道数；
通过下述公式获得所述目标通行方向最后一列多个车道上的车辆中至少有一辆智能网联汽车的概率：
Figure 685512DEST_PATH_IMAGE024
其中，P0为所述目标通行方向最后一列第m列多个车道上的k辆车中至少有一辆智能网联汽车的概率，
Figure 267803DEST_PATH_IMAGE026
为通行方向m个车道最后一列上有k辆车的所有组合数；
根据所述概率函数和所述贝叶斯后验概率模型进行高斯分布后，获得相邻排队车辆平均车头时距分布数据和排队长度分布数据；
将所述相邻排队车辆平均车头时距分布数据和排队长度分布数据作为车辆排队长度的高斯分布特征；
估计各车道的车辆排队长度的先验概率比值。
可选地，所述根据所述概率函数和所述贝叶斯后验概率模型进行高斯分布后，获得相邻排队车辆平均车头时距分布数据和排队长度分布数据，包括：
根据所述概率函数和所述贝叶斯后验概率模型进行高斯分布后，通过下式获得相邻排队车辆平均车头时距：
Figure 396296DEST_PATH_IMAGE027
Figure 964811DEST_PATH_IMAGE028
为相邻排队车辆平均车头时距，
Figure 751940DEST_PATH_IMAGE029
为相应排队车辆数，
Figure 114919DEST_PATH_IMAGE030
表示第
Figure 996288DEST_PATH_IMAGE031
辆排队车和第
Figure 102915DEST_PATH_IMAGE032
辆排队车的车头时距；
通过下式获得排队长度分布：
Figure 753339DEST_PATH_IMAGE033
其中，
Figure 549869DEST_PATH_IMAGE034
为排队长度。
可选地，所述估计各车道的车辆排队长度的先验概率比值，包括：
根据所述高斯分布特征通过下式估计各车道的车辆排队长度的先验概率比值：
Figure 652955DEST_PATH_IMAGE035
其中，tn为排队长度为
Figure 563273DEST_PATH_IMAGE036
，排队车辆数为
Figure 333783DEST_PATH_IMAGE037
的车队，最后一辆排队的普通车离开路口停车线的时间，
Figure 304144DEST_PATH_IMAGE038
表示排队长度为
Figure 894525DEST_PATH_IMAGE039
时，对应的排队车辆数；
Figure 611464DEST_PATH_IMAGE040
表示第
Figure 236481DEST_PATH_IMAGE038
辆车离开路口停车线的时间，
Figure 643322DEST_PATH_IMAGE041
为排队车辆平均车头时距的方差，
Figure 861945DEST_PATH_IMAGE042
为标准正态分布函数。
第二方面，为实现上述目的，本发明还提出一种车辆排队长度感知装置，所述车辆排队长度感知装置包括：
数据获取模块，用于获取智能网联汽车的基本运动状态数据、信号配时数据、平均车头时距数据、排队消散过程中车辆离开路口停车线时间及车辆数数据；
模型构建模块，用于根据所述基本运动状态数据、所述信号配时数据、所述平均车头时距数据、所述车辆离开路口停车线时间及所述车辆数数据以智能网联汽车在排队车辆中的存在性事件与到达事件构建估计排队长度的贝叶斯后验概率模型；
排队长度感知模块，用于以智能网联汽车渗透率为参数，建立多车道路口道路环境下队尾车辆中存在智能网联汽车的概率函数；根据所述平均车头时距数据和绿灯期间排队消散过程中车辆离开路口停车线时间为参数，结合所述概率函数推导出车辆排队长度的高斯分布特征，估计各车道的车辆排队长度的先验概率比值。
第三方面，为实现上述目的，本发明还提出一种车辆排队长度感知设备，所述车辆排队长度感知设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车辆排队长度感知程序，所述车辆排队长度感知程序配置为实现如上文所述的车辆排队长度感知方法的步骤。
第四方面，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有车辆排队长度感知程序，所述车辆排队长度感知程序被处理器执行时实现如上文所述的车辆排队长度感知方法的步骤。
本发明提出的车辆排队长度感知方法，通过获取智能网联汽车的基本运动状态数据、信号配时数据、平均车头时距数据、排队消散过程中车辆离开路口停车线时间及车辆数数据；根据所述基本运动状态数据、所述信号配时数据、所述平均车头时距数据、所述车辆离开路口停车线时间及所述车辆数数据以智能网联汽车在排队车辆中的存在性事件与到达事件构建估计排队长度的贝叶斯后验概率模型；以智能网联汽车渗透率为参数，建立多车道路口道路环境下队尾车辆中存在智能网联汽车的概率函数；根据所述平均车头时距数据和绿灯期间排队消散过程中车辆离开路口停车线时间为参数，结合所述概率函数推导出车辆排队长度的高斯分布特征，估计各车道的车辆排队长度的先验概率比值；能够支持较低甚至极低智能网联汽车渗透率情况下的排队长度估计，避免了在排队形成和排队消散过程中因为跟车市时距不一致导致的估计误差问题，提高了排队长度的估计精度，避免了贝叶斯模型求解后验概率过程中需要大量历史数据求解先验概率值的情况，保障了排队长度的实时性。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的设备结构示意图；
图2为本发明车辆排队长度感知方法第一实施例的流程示意图；
图3为本发明车辆排队长度感知方法第二实施例的流程示意图；
图4为本发明车辆排队长度感知装置第一实施例的功能模块图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例的解决方案主要是：通过获取智能网联汽车的基本运动状态数据、信号配时数据、平均车头时距数据、排队消散过程中车辆离开路口停车线时间及车辆数数据；根据所述基本运动状态数据、所述信号配时数据、所述平均车头时距数据、所述车辆离开路口停车线时间及所述车辆数数据以智能网联汽车在排队车辆中的存在性事件与到达事件构建估计排队长度的贝叶斯后验概率模型；以智能网联汽车渗透率为参数，建立多车道路口道路环境下队尾车辆中存在智能网联汽车的概率函数；根据所述平均车头时距数据和绿灯期间排队消散过程中车辆离开路口停车线时间为参数，结合所述概率函数推导出车辆排队长度的高斯分布特征，估计各车道的车辆排队长度的先验概率比值；能够支持较低甚至极低智能网联汽车渗透率情况下的排队长度估计，避免了在排队形成和排队消散过程中因为跟车市时距不一致导致的估计误差问题，提高了排队长度的估计精度，避免了贝叶斯模型求解后验概率过程中需要大量历史数据求解先验概率值的情况，保障了排队长度的实时性，提升了数据精细化及精度性能，解决了现有技术中仅仅依靠雷达检测在车辆实现阻挡时，无法获得多个车道的车辆点云数据，而基于历史数据拟合生成的参数缺乏实时性，无法满足一直变化的车辆排队长度的估计需求，估计精度较差的技术问题。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的设备结构示意图。
如图1所示，该设备可以包括：处理器1001，例如CPU，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如Wi-Fi接口）。存储器1005可以是高速RAM存储器，也可以是稳定的存储器（Non-Volatile Memory），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的设备结构并不构成对该设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及车辆排队长度感知程序。
本发明设备通过处理器1001调用存储器1005中存储的车辆排队长度感知程序，并执行以下操作：
获取智能网联汽车的基本运动状态数据、信号配时数据、平均车头时距数据、排队消散过程中车辆离开路口停车线时间及车辆数数据；
根据所述基本运动状态数据、所述信号配时数据、所述平均车头时距数据、所述车辆离开路口停车线时间及所述车辆数数据以智能网联汽车在排队车辆中的存在性事件与到达事件构建估计排队长度的贝叶斯后验概率模型；
以智能网联汽车渗透率为参数，建立多车道路口道路环境下队尾车辆中存在智能网联汽车的概率函数；根据所述平均车头时距数据和绿灯期间排队消散过程中车辆离开路口停车线时间为参数，结合所述概率函数推导出车辆排队长度的高斯分布特征，估计各车道的车辆排队长度的先验概率比值。
本发明设备通过处理器1001调用存储器1005中存储的车辆排队长度感知程序，还执行以下操作：
通过车载检测控制单元获得智能网联汽车的基本运动状态数据和信号配时数据；
通过路口的雷达检测器获得智能网联汽车的平均车头时距数据、排队消散过程中车辆离开路口停车线时间及车辆数数据。
本发明设备通过处理器1001调用存储器1005中存储的车辆排队长度感知程序，还执行以下操作：
根据所述基本运动状态数据、所述信号配时数据、所述平均车头时距数据、所述车辆离开路口停车线时间及所述车辆数数据确定排队长度后验概率和排队长度估计值；
根据智能网联汽车在排队车辆中存在性事件的后验概率和所述排队长度估计值先验概率，并通过下式构建排队长度估计的贝叶斯后验概率模型：
Figure 238700DEST_PATH_IMAGE043
其中，A为路口停车排队车辆中是否存在所述智能网联汽车的事件，存在所述智能网联汽车时，事件A为真，记A=1；不存在所述智能网联汽车时，事件A为假，记A=0；Q为信号周期内路口停车排队的事件，排队长度为
Figure 856239DEST_PATH_IMAGE044
，相应排队车辆数为
Figure 965140DEST_PATH_IMAGE045
，对于排队长度
Figure 936638DEST_PATH_IMAGE046
，且排队车辆数为
Figure 258029DEST_PATH_IMAGE047
的排队事件Q，表示为
Figure 825732DEST_PATH_IMAGE048
，
Figure 839955DEST_PATH_IMAGE049
；B为相同信号周期内，排队车辆中是否存在所述智能网联汽车到达并离开路口的事件；在存在所述智能网联汽车到达并离开路口时，事件B为真，记B=1，在不存在所述智能网联汽车到达并离开路口时，事件B为假，记B=0，
Figure 33170DEST_PATH_IMAGE050
为排队长度
Figure 282886DEST_PATH_IMAGE051
时，事件A的后验概率，
Figure 875017DEST_PATH_IMAGE052
为排队长度
Figure 528983DEST_PATH_IMAGE053
时，事件B的后验概率；
Figure 209494DEST_PATH_IMAGE054
为在计算全概率时，且排队长度
Figure 997322DEST_PATH_IMAGE055
时，事件A的后验概率；
Figure 712468DEST_PATH_IMAGE056
为在计算全概率，且排队长度
Figure 71424DEST_PATH_IMAGE057
时，事件B的后验概率；
Figure 239231DEST_PATH_IMAGE058
和
Figure 440536DEST_PATH_IMAGE059
分别表示排队长度
Figure 603665DEST_PATH_IMAGE060
和
Figure 393242DEST_PATH_IMAGE061
的先验概率。
本发明设备通过处理器1001调用存储器1005中存储的车辆排队长度感知程序，还执行以下操作：
根据所述基本运动状态数据、所述信号配时数据、所述平均车头时距数据、所述车辆离开路口停车线时间及所述车辆数数据确定路口停车排队车辆中是否存在所述智能网联汽车的事件A数量，相同信号周期内排队车辆中是否存在所述智能网联汽车到达并离开路口的事件B数量以及排队长度；
根据所述事件A数量、所述事件B数量及所述排队长度通过下式获得排队长度后验概率：
Figure 517186DEST_PATH_IMAGE062
其中，
Figure 522183DEST_PATH_IMAGE063
为排队长度
Figure 70976DEST_PATH_IMAGE064
时事件A和B的后验概率；
通过下式获得排队长度估计值：
Figure 237646DEST_PATH_IMAGE065
其中，E(LQ丨A，B)为排队长度估计值。
本发明设备通过处理器1001调用存储器1005中存储的车辆排队长度感知程序，还执行以下操作：
获取目标通行方向上的车道数，所述智能网联汽车的渗透率；
根据所述车道数和所述渗透率通过下述公式获得除最后一列排队车辆外，任意一列的所有车道中均没有所述智能网联汽车的概率：
Figure 105677DEST_PATH_IMAGE066
其中，P为除最后一列排队车辆外任意一列的所有车道中均没有所述智能网联汽车的概率，
Figure 38998DEST_PATH_IMAGE067
为所述智能网联汽车的渗透率，m为所述目标通行方向上的车道数；
通过下述公式获得所述目标通行方向最后一列多个车道上的车辆中至少有一辆智能网联汽车的概率：
Figure 317664DEST_PATH_IMAGE068
其中，P0为所述目标通行方向最后一列第m列多个车道上的k辆车中至少有一辆智能网联汽车的概率，
Figure 186394DEST_PATH_IMAGE069
为通行方向m个车道最后一列上有k辆车的所有组合数；
根据所述概率函数和所述贝叶斯后验概率模型进行高斯分布后，获得相邻排队车辆平均车头时距分布数据和排队长度分布数据；
将所述相邻排队车辆平均车头时距分布数据和排队长度分布数据作为车辆排队长度的高斯分布特征；
估计各车道的车辆排队长度的先验概率比值。
本发明设备通过处理器1001调用存储器1005中存储的车辆排队长度感知程序，还执行以下操作：
根据所述概率函数和所述贝叶斯后验概率模型进行高斯分布后，通过下式获得相邻排队车辆平均车头时距：
Figure 813160DEST_PATH_IMAGE070
Figure 894379DEST_PATH_IMAGE028
为相邻排队车辆平均车头时距，
Figure 152185DEST_PATH_IMAGE071
为相应排队车辆数，
Figure 191817DEST_PATH_IMAGE072
表示第
Figure 43229DEST_PATH_IMAGE073
辆排队车和第
Figure 196649DEST_PATH_IMAGE074
辆排队车的车头时距；
通过下式获得排队长度分布：
Figure 449907DEST_PATH_IMAGE075
其中，
Figure 253914DEST_PATH_IMAGE076
为排队长度。
本发明设备通过处理器1001调用存储器1005中存储的车辆排队长度感知程序，还执行以下操作：
根据所述高斯分布特征通过下式估计各车道的车辆排队长度的先验概率比值：
Figure 592623DEST_PATH_IMAGE077
其中，tn为排队长度为
Figure 140279DEST_PATH_IMAGE078
，排队车辆数为
Figure 245114DEST_PATH_IMAGE079
的车队，最后一辆排队的普通车离开路口停车线的时间，
Figure 360968DEST_PATH_IMAGE080
表示排队长度为
Figure 780448DEST_PATH_IMAGE081
时，对应的排队车辆数；
Figure 866216DEST_PATH_IMAGE082
表示第
Figure 562908DEST_PATH_IMAGE083
辆车离开路口停车线的时间，
Figure 988946DEST_PATH_IMAGE084
为排队车辆平均车头时距的方差，
Figure 505509DEST_PATH_IMAGE042
为标准正态分布函数。
本实施例通过上述方案，通过获取智能网联汽车的基本运动状态数据、信号配时数据、平均车头时距数据、排队消散过程中车辆离开路口停车线时间及车辆数数据；根据所述基本运动状态数据、所述信号配时数据、所述平均车头时距数据、所述车辆离开路口停车线时间及所述车辆数数据以智能网联汽车在排队车辆中的存在性事件与到达事件构建估计排队长度的贝叶斯后验概率模型；以智能网联汽车渗透率为参数，建立多车道路口道路环境下队尾车辆中存在智能网联汽车的概率函数；根据所述平均车头时距数据和绿灯期间排队消散过程中车辆离开路口停车线时间为参数，结合所述概率函数推导出车辆排队长度的高斯分布特征，估计各车道的车辆排队长度的先验概率比值；能够支持较低甚至极低智能网联汽车渗透率情况下的排队长度估计，避免了在排队形成和排队消散过程中因为跟车市时距不一致导致的估计误差问题，提高了排队长度的估计精度，避免了贝叶斯模型求解后验概率过程中需要大量历史数据求解先验概率值的情况，保障了排队长度的实时性，提升了数据精细化及精度性能。
基于上述硬件结构，提出本发明车辆排队长度感知方法实施例。
参照图2，图2为本发明车辆排队长度感知方法第一实施例的流程示意图。
在第一实施例中，所述车辆排队长度感知方法包括以下步骤：
步骤S10、获取智能网联汽车的基本运动状态数据、信号配时数据、平均车头时距数据、排队消散过程中车辆离开路口停车线时间及车辆数数据。
需要说明的是，一般可以基于分布式多边缘接入计算及V2X通信技术，获取智能网联汽车基本运动状态数据（Basic Safety Message，BSM），信号配时数据（Signal PhaseAnd Timing，SPAT），车道中车辆平均车头时距数据，排队消散过程中车辆离开路口停车线时间即车辆从排队到离开停车线的时间，及排队消散过程中车辆离开停车线的车辆对应的总数数据。
步骤S20、根据所述基本运动状态数据、所述信号配时数据、所述平均车头时距数据、所述车辆离开路口停车线时间及所述车辆数数据以智能网联汽车在排队车辆中的存在性事件与到达事件构建估计排队长度的贝叶斯后验概率模型。
可以理解的是，根据所述基本运动状态数据、所述信号配时数据、所述平均车头时距数据、所述车辆离开路口停车线时间及所述车辆数数据能够确定智能网联车辆在排队车辆中的存在性事件与到达事件，从而能够构建排队长度估计的贝叶斯后验概率模型。
进一步的，所述步骤S20具体包括以下步骤：
根据所述基本运动状态数据、所述信号配时数据、所述平均车头时距数据、所述车辆离开路口停车线时间及所述车辆数数据确定排队长度后验概率和排队长度估计值；
根据智能网联汽车在排队车辆中存在性事件的后验概率和所述排队长度估计值先验概率，并通过下式构建排队长度估计的贝叶斯后验概率模型：
Figure 394968DEST_PATH_IMAGE085
其中，A为路口停车排队车辆中是否存在所述智能网联汽车的事件，存在所述智能网联汽车时，事件A为真，记A=1；不存在所述智能网联汽车时，事件A为假，记A=0；Q为信号周期内路口停车排队的事件，排队长度为
Figure 211745DEST_PATH_IMAGE086
，相应排队车辆数为
Figure 794036DEST_PATH_IMAGE087
，对于排队长度
Figure 60545DEST_PATH_IMAGE088
，且排队车辆数为
Figure 753695DEST_PATH_IMAGE089
的排队事件Q，表示为
Figure 159399DEST_PATH_IMAGE090
，
Figure 178171DEST_PATH_IMAGE091
；B为相同信号周期内，排队车辆中是否存在所述智能网联汽车到达并离开路口的事件；在存在所述智能网联汽车到达并离开路口时，事件B为真，记B=1，在不存在所述智能网联汽车到达并离开路口时，事件B为假，记B=0，
Figure 200485DEST_PATH_IMAGE092
为排队长度
Figure 841200DEST_PATH_IMAGE093
时，事件A的后验概率，
Figure 898149DEST_PATH_IMAGE094
为排队长度
Figure 697609DEST_PATH_IMAGE095
时，事件B的后验概率；
Figure 472798DEST_PATH_IMAGE096
为在计算全概率时，且排队长度
Figure 773329DEST_PATH_IMAGE097
时，事件A的后验概率；
Figure 947434DEST_PATH_IMAGE098
为在计算全概率，且排队长度
Figure 917795DEST_PATH_IMAGE099
时，事件B的后验概率；
Figure 649122DEST_PATH_IMAGE015
和
Figure 753344DEST_PATH_IMAGE100
分别表示排队长度
Figure 651462DEST_PATH_IMAGE101
和
Figure 182938DEST_PATH_IMAGE102
的先验概率。
需要说明的是，一般可以定义路口停车排队车辆中是否存在CAV的事件为A；若存在CAV，即事件为真，则
Figure 401561DEST_PATH_IMAGE103
；若不存在，即事件为假，则
Figure 450419DEST_PATH_IMAGE104
；定义信号周期内路口停车排队事件为
Figure 333537DEST_PATH_IMAGE105
，排队长度为
Figure 645701DEST_PATH_IMAGE106
，相应排队车辆数为
Figure 617199DEST_PATH_IMAGE107
，那么对于排队长度为
Figure 63224DEST_PATH_IMAGE108
，且排队车辆数为
Figure 538199DEST_PATH_IMAGE109
的排队事件Q，用公式表示为
Figure 289773DEST_PATH_IMAGE110
，
Figure 482988DEST_PATH_IMAGE111
；可以定义相同信号周期内，排队车辆后是否存在CAV到达并离开路口的事件为B，若存在CAV到达并离开路口，则事件为真，即
Figure 467124DEST_PATH_IMAGE112
，否则事件为假，即
Figure 62185DEST_PATH_IMAGE113
。
可以理解的是，
Figure 244380DEST_PATH_IMAGE114
和
Figure 456050DEST_PATH_IMAGE115
分别表示排队长度
Figure 525768DEST_PATH_IMAGE116
时，事件A和事件B的后验概率；
Figure 99969DEST_PATH_IMAGE117
和
Figure 205064DEST_PATH_IMAGE118
分别表示在计算全概率公式时，排队长度
Figure 107292DEST_PATH_IMAGE119
时，事件A和事件B的后验概率；
Figure 839756DEST_PATH_IMAGE120
和
Figure 409409DEST_PATH_IMAGE121
分别表示排队长度
Figure 667827DEST_PATH_IMAGE122
和
Figure 588510DEST_PATH_IMAGE123
的先验概率。
进一步的，所述根据所述基本运动状态数据、所述信号配时数据、所述平均车头时距数据、所述车辆离开路口停车线时间及所述车辆数数据确定排队长度后验概率和排队长度估计值，包括：
据所述基本运动状态数据、所述信号配时数据、所述平均车头时距数据、所述车辆离开路口停车线时间及所述车辆数数据确定路口停车排队车辆中是否存在所述智能网联汽车的事件A数量，相同信号周期内排队车辆中是否存在所述智能网联汽车到达并离开路口的事件B数量以及排队长度；
根据所述事件A数量、所述事件B数量及所述排队长度通过下式获得排队长度后验概率：
Figure 452561DEST_PATH_IMAGE124
其中，
Figure 345561DEST_PATH_IMAGE125
为排队长度
Figure 780741DEST_PATH_IMAGE126
时事件A和B的后验概率；
通过下式获得排队长度估计值：
Figure 188719DEST_PATH_IMAGE127
其中，E(LQ丨A，B)为排队长度估计值。
应当理解的是，在智能网联汽车随机分布的交通系统里，排队车辆内部是否存在CAV与到达车辆是否为CAV无关，因此A、B事件是相互独立事件；公式
Figure 997406DEST_PATH_IMAGE128
满足：
Figure 10493DEST_PATH_IMAGE129
其中，根据贝叶斯公式，将事件A或者B发生条件下的排队长度后验概率转换为某一排队长度情况下的事件A或者B发生的后验概率与排队长度先验概率，从而建立贝叶斯概率排队长度估计模型。
步骤S30、以智能网联汽车渗透率为参数，建立多车道路口道路环境下队尾车辆中存在智能网联汽车的概率函数；根据所述平均车头时距数据和绿灯期间排队消散过程中车辆离开路口停车线时间为参数，结合所述概率函数推导出车辆排队长度的高斯分布特征，估计各车道的车辆排队长度的先验概率比值。
应当理解的是，所述概率函数为建立多车道路口道路环境下队尾车辆中存在智能网联汽车的概率函数，通过所述概率函数和所述贝叶斯后验概率模型获得车辆排队长度的高斯分布特征，一般可以根据以平均车头时距和绿灯期间排队车辆消散过程中离开停车线的时间为参数推导出排队长度的高斯分布特征，从而估计各车道的车辆排队长度的先验概率比值，最终实现排队长度实时精确估计。
进一步的，所述步骤S30具体包括以下步骤：
获取目标通行方向上的车道数，所述智能网联汽车的渗透率；
根据所述车道数和所述渗透率通过下述公式获得除最后一列排队车辆外，任意一列的所有车道中均没有所述智能网联汽车的概率：
Figure 876293DEST_PATH_IMAGE130
其中，P为除最后一列排队车辆外任意一列的所有车道中均没有所述智能网联汽车的概率，
Figure 99464DEST_PATH_IMAGE131
为所述智能网联汽车的渗透率，m为所述目标通行方向上的车道数；
通过下述公式获得所述目标通行方向最后一列多个车道上的车辆中至少有一辆智能网联汽车的概率：
Figure 446263DEST_PATH_IMAGE132
其中，P0为所述目标通行方向最后一列，即第m列多个车道上的k辆车中至少有一辆智能网联汽车的概率，
Figure 579435DEST_PATH_IMAGE069
为通行方向m个车道最后一列上有k辆车的所有组合数；
根据所述概率函数和所述贝叶斯后验概率模型进行高斯分布后，获得相邻排队车辆平均车头时距分布数据和排队长度分布数据；
将所述相邻排队车辆平均车头时距分布数据和排队长度分布数据作为车辆排队长度的高斯分布特征；
估计各车道的车辆排队长度的先验概率比值。
需要说明的是，在某一排队长度情况下，智能网联汽车存在性事件的后验概率，首先建立路口道路环境下多车道队尾车辆中存在智能网联汽车的概率函数；设
Figure 743700DEST_PATH_IMAGE133
表示某一车道排队车辆中第
Figure 320745DEST_PATH_IMAGE134
辆车是智能网联汽车（Connected Autonomous Vehicle，CAV）的事件，若是CAV，则
Figure 736814DEST_PATH_IMAGE135
，否则
Figure 990071DEST_PATH_IMAGE136
；那么对于排队车辆数为
Figure 935025DEST_PATH_IMAGE137
车队中没有CAV的情况可以表示为
Figure 398367DEST_PATH_IMAGE138
。
可以理解的是，另设CAV渗透率为
Figure 818460DEST_PATH_IMAGE139
，那么普通车渗透率为
Figure 926224DEST_PATH_IMAGE140
；假设某通行方向车道数为
Figure 307658DEST_PATH_IMAGE141
，由于排队车辆均匀分布，除最后一列排队车辆外，任意一列的所有车道中均没有CAV的概率为：
Figure 399242DEST_PATH_IMAGE142
那么对于某通行方向最后一列即第m列多个车道上的k辆车中至少有一辆CAV车的概率
Figure 19098DEST_PATH_IMAGE143
可以表示为：
Figure 981369DEST_PATH_IMAGE144
进一步的，所述根据所述概率函数和所述贝叶斯后验概率模型进行高斯分布后，获得相邻排队车辆平均车头时距分布数据和排队长度分布数据，包括：
根据所述概率函数和所述贝叶斯后验概率模型进行高斯分布后，通过下式获得相邻排队车辆平均车头时距：
Figure 799283DEST_PATH_IMAGE145
Figure 847005DEST_PATH_IMAGE028
为相邻排队车辆平均车头时距，
Figure 140058DEST_PATH_IMAGE146
为相应排队车辆数，
Figure 425677DEST_PATH_IMAGE147
表示第
Figure 742389DEST_PATH_IMAGE148
辆排队车和第
Figure 11828DEST_PATH_IMAGE149
辆排队车的车头时距；
通过下式获得排队长度分布：
Figure 126150DEST_PATH_IMAGE150
其中，
Figure 328592DEST_PATH_IMAGE151
为排队长度。
需要说明的是，排队长度高斯分布特征可以是相邻排队车辆平均车头时距分布和相邻排队车辆平均车头时距分布，其中相邻排队车辆平均车头时距分布可以设第
Figure 488310DEST_PATH_IMAGE152
辆排队车离开路口的时间为
Figure 510623DEST_PATH_IMAGE153
，令
Figure 7464DEST_PATH_IMAGE154
，则
Figure 795904DEST_PATH_IMAGE155
表示第
Figure 595363DEST_PATH_IMAGE156
辆排队车和第
Figure 229607DEST_PATH_IMAGE157
辆排队车的车头时距，考虑到驾驶风格的随机性特征，
Figure 405505DEST_PATH_IMAGE158
服从高斯分布，即即
Figure 54311DEST_PATH_IMAGE159
，“~”表示
Figure 149305DEST_PATH_IMAGE160
服从
Figure 146211DEST_PATH_IMAGE161
的分布，其中，
Figure 860221DEST_PATH_IMAGE162
和
Figure 626182DEST_PATH_IMAGE163
分别表示第
Figure 561253DEST_PATH_IMAGE156
辆排队车和第
Figure 779876DEST_PATH_IMAGE157
辆排队车的车头时距期望和车头时距方差。
其中相邻排队车辆平均车头时距分布可以对于排队车辆数为
Figure 828734DEST_PATH_IMAGE164
的车队，相邻车辆平均车头时距满足：
Figure 980361DEST_PATH_IMAGE165
通过上式可以推导出排队车辆数为
Figure 80474DEST_PATH_IMAGE164
车队中，相邻车辆平均车头时距同样服从高斯分布
Figure 786393DEST_PATH_IMAGE159
，
Figure 107784DEST_PATH_IMAGE166
和
Figure 848338DEST_PATH_IMAGE167
分别表示排队车辆平均车头时距期望和方差；满足
Figure 859631DEST_PATH_IMAGE168
另根据统计学公式，在无法获取排队长度方差总体均数时，用样本（所有排队车辆跟车时距）统计量代替总体参数，经校正后，样本方差计算函数为：
Figure 177480DEST_PATH_IMAGE169
相应地，排队长度分布根据排队长度与排队车辆数关系，排队长度
Figure 36983DEST_PATH_IMAGE170
满足：
Figure 632044DEST_PATH_IMAGE171
根据相邻车辆平均车头时距分布，结合公式
Figure 820098DEST_PATH_IMAGE171
，可推导
Figure 359664DEST_PATH_IMAGE170
服从分布：
Figure 22857DEST_PATH_IMAGE172
即
Figure 472424DEST_PATH_IMAGE173
服从
Figure 562871DEST_PATH_IMAGE174
的分布，将其转换为标准正太分布，满足：
Figure 727749DEST_PATH_IMAGE175
进一步的，所述估计各车道的车辆排队长度的先验概率比值，包括：
根据所述高斯分布特征通过下式估计各车道的车辆排队长度的先验概率比值：
Figure 319267DEST_PATH_IMAGE176
其中，tn为排队长度为
Figure 357762DEST_PATH_IMAGE177
，排队车辆数为
Figure 619110DEST_PATH_IMAGE178
的车队，最后一辆排队的普通车离开路口停车线的时间，
Figure 398847DEST_PATH_IMAGE179
表示排队长度为
Figure 825016DEST_PATH_IMAGE180
时，对应的排队车辆数；
Figure 108230DEST_PATH_IMAGE181
表示第
Figure 71638DEST_PATH_IMAGE182
辆车离开路口停车线的时间，
Figure 214037DEST_PATH_IMAGE183
为排队车辆平均车头时距的方差，
Figure 488636DEST_PATH_IMAGE042
为标准正态分布函数。
需要说明的是，求解排队长度先验概率比值可以是对于排队长度为
Figure 767302DEST_PATH_IMAGE184
，排队车辆数为
Figure 495087DEST_PATH_IMAGE185
的车队，最后一辆排队的普通车离开路口停车线的时间
Figure 859203DEST_PATH_IMAGE186
，那么实时平均车头时距
Figure 740090DEST_PATH_IMAGE187
亦可以表示为
Figure 607683DEST_PATH_IMAGE188
。
结合公式
Figure 506369DEST_PATH_IMAGE189
贝叶斯排队长度概率估计模型中排队长度先验概率比值计算公式，根据公式
Figure 357781DEST_PATH_IMAGE190
排队长度分布，排队长度先验概率比值满足
Figure 242692DEST_PATH_IMAGE191
。
其中，
Figure 352075DEST_PATH_IMAGE192
表示排队长度为
Figure 562607DEST_PATH_IMAGE193
时，对应的排队车辆数；
Figure 370158DEST_PATH_IMAGE194
表示第
Figure 448972DEST_PATH_IMAGE195
辆车离开路口停车线的时间。
在具体实现中，可以计算事件A和事件B条件下，排队长度的后验概率；以
Figure 291157DEST_PATH_IMAGE196
，
Figure 398223DEST_PATH_IMAGE197
为例，即排队车辆中排队车辆存在CAV，且同一信号周期内排队车辆后有CAV到达并离开路口。
此时，公式
Figure 489807DEST_PATH_IMAGE198
可以变形为：
Figure 106733DEST_PATH_IMAGE199
排队长度
Figure 334583DEST_PATH_IMAGE200
时，事件A为真的后验概率
Figure 618409DEST_PATH_IMAGE201
可表示为：
Figure 666131DEST_PATH_IMAGE202
排队长度
Figure 962114DEST_PATH_IMAGE203
时，事件A为真的后验概率
Figure 903525DEST_PATH_IMAGE204
可表示为：
Figure 626762DEST_PATH_IMAGE205
排队长度
Figure 899130DEST_PATH_IMAGE206
时，事件B为真的后验概率
Figure 998804DEST_PATH_IMAGE207
可表示为：
Figure 60301DEST_PATH_IMAGE208
排队长度
Figure 688860DEST_PATH_IMAGE209
时，事件B为真的后验概率
Figure 304649DEST_PATH_IMAGE210
可表示为：
Figure 205084DEST_PATH_IMAGE211
其中，
Figure 730874DEST_PATH_IMAGE212
为事件B发生时，所有到达路口的车辆数。
本实施例通过上述方案，通过获取智能网联汽车的基本运动状态数据、信号配时数据、平均车头时距数据、排队消散过程中车辆离开路口停车线时间及车辆数数据；根据所述基本运动状态数据、所述信号配时数据、所述平均车头时距数据、所述车辆离开路口停车线时间及所述车辆数数据以智能网联汽车在排队车辆中的存在性事件与到达事件构建估计排队长度的贝叶斯后验概率模型；以智能网联汽车渗透率为参数，建立多车道路口道路环境下队尾车辆中存在智能网联汽车的概率函数；根据所述平均车头时距数据和绿灯期间排队消散过程中车辆离开路口停车线时间为参数，结合所述概率函数推导出车辆排队长度的高斯分布特征，估计各车道的车辆排队长度的先验概率比值；能够支持较低甚至极低智能网联汽车渗透率情况下的排队长度估计，避免了在排队形成和排队消散过程中因为跟车市时距不一致导致的估计误差问题，提高了排队长度的估计精度，避免了贝叶斯模型求解后验概率过程中需要大量历史数据求解先验概率值的情况，保障了排队长度的实时性，提升了数据精细化及精度性能。
进一步地，图3为本发明车辆排队长度感知方法第二实施例的流程示意图，如图3所示，基于第一实施例提出本发明车辆排队长度感知方法第二实施例，在本实施例中，所述步骤S10具体包括以下步骤：
步骤S11、通过车载检测控制单元获得智能网联汽车的基本运动状态数据和信号配时数据。
需要说明的是，通过车载检测控制单元可以获得智能网联汽车的车辆相关的基本运动状态数据一般可以为车型行驶过程中的运动轨迹、速度、加速度速度、转向角度等数据，当然还可以是其他运动状态数据，本实施例对此不加以限制，以及相关信号配时数据，所述信号配时数据的交通流量、车种类型及车头时距等数据，当然还可以是其他类型的数据，例如通过车载摄像头获取车辆前端的信号灯周期数据等，本实施例对此不加以限制。
步骤S12、通过路口的雷达检测器获得智能网联汽车的平均车头时距数据、排队消散过程中车辆离开路口停车线时间及车辆数数据。
可以理解的是，通过路口的雷达检测器能够获得智能网联汽车的平均车头时距数据、排队消散过程中车辆离开路口停车线时间及车辆数数据。
本实施例通过上述方案，通过车载检测控制单元获得智能网联汽车的基本运动状态数据和信号配时数据；通过路口的雷达检测器获得智能网联汽车的平均车头时距数据、排队消散过程中车辆离开路口停车线时间及车辆数数据，能够详细精确的获得智能网联汽车的车辆及道路相关数据，提高了排队长度的估计精度和准确度。
相应地，本发明进一步提供一种车辆排队长度感知装置。
参照图4，图4为本发明车辆排队长度感知装置第一实施例的功能模块图。
本发明车辆排队长度感知装置第一实施例中，该车辆排队长度感知装置包括：
数据获取模块10，用于获取智能网联汽车的基本运动状态数据、信号配时数据、平均车头时距数据、排队消散过程中车辆离开路口停车线时间及车辆数数据。
模型构建模块20，用于根据所述基本运动状态数据、所述信号配时数据、所述平均车头时距数据、所述车辆离开路口停车线时间及所述车辆数数据以智能网联汽车在排队车辆中的存在性事件与到达事件构建估计排队长度的贝叶斯后验概率模型。
排队长度感知模块30，用于以智能网联汽车渗透率为参数，建立多车道路口道路环境下队尾车辆中存在智能网联汽车的概率函数；根据所述平均车头时距数据和绿灯期间排队消散过程中车辆离开路口停车线时间为参数，结合所述概率函数推导出车辆排队长度的高斯分布特征，估计各车道的车辆排队长度的先验概率比值。
所述数据获取模块10，还用于通过车载检测控制单元获得智能网联汽车的基本运动状态数据和信号配时数据；通过路口的雷达检测器获得智能网联汽车的平均车头时距数据、排队消散过程中车辆离开路口停车线时间及车辆数数据。
所述模型构建模块20，还用于根据所述基本运动状态数据、所述信号配时数据、所述平均车头时距数据、所述车辆离开路口停车线时间及所述车辆数数据确定排队长度后验概率和排队长度估计值；根据智能网联汽车在排队车辆中存在性事件的后验概率和所述排队长度估计值先验概率，并通过下式构建排队长度估计的贝叶斯后验概率模型：
Figure 795914DEST_PATH_IMAGE213
其中，A为路口停车排队车辆中是否存在所述智能网联汽车的事件，存在所述智能网联汽车时，事件A为真，记A=1；不存在所述智能网联汽车时，事件A为假，记A=0；Q为信号周期内路口停车排队的事件，排队长度为
Figure 430157DEST_PATH_IMAGE214
，相应排队车辆数为
Figure 620703DEST_PATH_IMAGE215
，对于排队长度
Figure 1000DEST_PATH_IMAGE216
，且排队车辆数为
Figure 361574DEST_PATH_IMAGE217
的排队事件Q，表示为
Figure 358480DEST_PATH_IMAGE090
，
Figure 72490DEST_PATH_IMAGE091
；B为相同信号周期内，排队车辆中是否存在所述智能网联汽车到达并离开路口的事件；在存在所述智能网联汽车到达并离开路口时，事件B为真，记B=1，在不存在所述智能网联汽车到达并离开路口时，事件B为假，记B=0，
Figure 835522DEST_PATH_IMAGE218
为排队长度
Figure 835839DEST_PATH_IMAGE219
时，事件A的后验概率，
Figure 54462DEST_PATH_IMAGE220
为排队长度
Figure 431216DEST_PATH_IMAGE221
时，事件B的后验概率；
Figure 51685DEST_PATH_IMAGE222
为在计算全概率时，且排队长度
Figure 897936DEST_PATH_IMAGE223
时，事件A的后验概率；
Figure 869435DEST_PATH_IMAGE224
为在计算全概率，且排队长度
Figure 190826DEST_PATH_IMAGE225
时，事件B的后验概率；
Figure 56014DEST_PATH_IMAGE226
和
Figure 67307DEST_PATH_IMAGE227
分别表示排队长度
Figure 729364DEST_PATH_IMAGE228
和
Figure 854446DEST_PATH_IMAGE229
的先验概率。
所述模型构建模块20，还用于根据所述基本运动状态数据、所述信号配时数据、所述平均车头时距数据、所述车辆离开路口停车线时间及所述车辆数数据确定路口停车排队车辆中是否存在所述智能网联汽车的事件A数量，相同信号周期内排队车辆中是否存在所述智能网联汽车到达并离开路口的事件B数量以及排队长度；根据所述事件A数量、所述事件B数量及所述排队长度通过下式获得排队长度后验概率：
Figure 574140DEST_PATH_IMAGE230
其中，
Figure 228107DEST_PATH_IMAGE231
为排队长度
Figure 165408DEST_PATH_IMAGE232
时事件A和B的后验概率；
通过下式获得排队长度估计值：
Figure 828602DEST_PATH_IMAGE233
其中，E(LQ丨A，B)为排队长度估计值。
所述排队长度感知模块30，还用于获取目标通行方向上的车道数，所述智能网联汽车的渗透率；根据所述车道数和所述渗透率通过下述公式获得除最后一列排队车辆外，任意一列的所有车道中均没有所述智能网联汽车的概率：
Figure 137223DEST_PATH_IMAGE234
其中，P为除最后一列排队车辆外任意一列的所有车道中均没有所述智能网联汽车的概率，
Figure 227670DEST_PATH_IMAGE235
为所述智能网联汽车的渗透率，m为所述目标通行方向上的车道数；
通过下述公式获得所述目标通行方向最后一列多个车道上的车辆中至少有一辆智能网联汽车的概率：
Figure 392548DEST_PATH_IMAGE236
其中，P0为所述目标通行方向最后一列第m列多个车道上的k辆车中至少有一辆智能网联汽车的概率；
根据所述概率函数和所述贝叶斯后验概率模型进行高斯分布后，获得相邻排队车辆平均车头时距分布数据和排队长度分布数据；将所述相邻排队车辆平均车头时距分布数据和排队长度分布数据作为车辆排队长度的高斯分布特征；估计各车道的车辆排队长度的先验概率比值。
所述排队长度感知模块30，还用于根据所述概率函数和所述贝叶斯后验概率模型进行高斯分布后，通过下式获得相邻排队车辆平均车头时距：
Figure 593853DEST_PATH_IMAGE237
Figure 288140DEST_PATH_IMAGE028
为相邻排队车辆平均车头时距，
Figure 549488DEST_PATH_IMAGE238
为相应排队车辆数，
Figure 939012DEST_PATH_IMAGE239
表示第
Figure 946938DEST_PATH_IMAGE240
辆排队车和第
Figure 495731DEST_PATH_IMAGE241
辆排队车的车头时距；
通过下式获得排队长度分布：
Figure 662401DEST_PATH_IMAGE242
其中，
Figure 539221DEST_PATH_IMAGE243
为排队长度。
所述排队长度感知模块30，还用于根据所述高斯分布特征通过下式估计各车道的车辆排队长度的先验概率比值：
Figure 472542DEST_PATH_IMAGE244
其中，tn为排队长度为
Figure 154803DEST_PATH_IMAGE245
，排队车辆数为
Figure 23533DEST_PATH_IMAGE246
的车队，最后一辆排队的普通车离开路口停车线的时间，
Figure 512283DEST_PATH_IMAGE247
表示排队长度为
Figure 859082DEST_PATH_IMAGE248
时，对应的排队车辆数；
Figure 272482DEST_PATH_IMAGE249
表示第
Figure 46534DEST_PATH_IMAGE250
辆车离开路口停车线的时间，
Figure 757001DEST_PATH_IMAGE251
为排队车辆平均车头时距的方差，
Figure 907491DEST_PATH_IMAGE042
为标准正态分布函数。
其中，车辆排队长度感知装置的各个功能模块实现的步骤可参照本发明车辆排队长度感知方法的各个实施例，此处不再赘述。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有车辆排队长度感知程序，所述车辆排队长度感知程序被处理器执行时实现如下操作：
获取智能网联汽车的基本运动状态数据、信号配时数据、平均车头时距数据、排队消散过程中车辆离开路口停车线时间及车辆数数据；
根据所述基本运动状态数据、所述信号配时数据、所述平均车头时距数据、所述车辆离开路口停车线时间及所述车辆数数据以智能网联汽车在排队车辆中的存在性事件与到达事件构建估计排队长度的贝叶斯后验概率模型；
以智能网联汽车渗透率为参数，建立多车道路口道路环境下队尾车辆中存在智能网联汽车的概率函数；根据所述平均车头时距数据和绿灯期间排队消散过程中车辆离开路口停车线时间为参数，结合所述概率函数推导出车辆排队长度的高斯分布特征，估计各车道的车辆排队长度的先验概率比值。
进一步地，所述车辆排队长度感知程序被处理器执行时还实现如下操作：
通过车载检测控制单元获得智能网联汽车的基本运动状态数据和信号配时数据；
通过路口的雷达检测器获得智能网联汽车的平均车头时距数据、排队消散过程中车辆离开路口停车线时间及车辆数数据。
进一步地，所述车辆排队长度感知程序被处理器执行时还实现如下操作：
根据所述基本运动状态数据、所述信号配时数据、所述平均车头时距数据、所述车辆离开路口停车线时间及所述车辆数数据确定排队长度后验概率和排队长度估计值；
根据智能网联汽车在排队车辆中存在性事件的后验概率和所述排队长度估计值先验概率，并通过下式构建排队长度估计的贝叶斯后验概率模型：
Figure 754224DEST_PATH_IMAGE252
其中，A为路口停车排队车辆中是否存在所述智能网联汽车的事件，存在所述智能网联汽车时，事件A为真，记A=1；不存在所述智能网联汽车时，事件A为假，记A=0；Q为信号周期内路口停车排队的事件，排队长度为
Figure 961827DEST_PATH_IMAGE253
，相应排队车辆数为
Figure 34956DEST_PATH_IMAGE254
，对于排队长度
Figure 848191DEST_PATH_IMAGE255
，且排队车辆数为
Figure 690377DEST_PATH_IMAGE256
的排队事件Q，表示为
Figure 340320DEST_PATH_IMAGE257
，
Figure 166324DEST_PATH_IMAGE258
；B为相同信号周期内，排队车辆中是否存在所述智能网联汽车到达并离开路口的事件；在存在所述智能网联汽车到达并离开路口时，事件B为真，记B=1，在不存在所述智能网联汽车到达并离开路口时，事件B为假，记B=0，
Figure 393037DEST_PATH_IMAGE259
为排队长度
Figure 479942DEST_PATH_IMAGE260
时，事件A的后验概率，
Figure 766698DEST_PATH_IMAGE261
为排队长度
Figure 811490DEST_PATH_IMAGE262
时，事件B的后验概率；
Figure 966528DEST_PATH_IMAGE263
为在计算全概率时，且排队长度
Figure 783305DEST_PATH_IMAGE264
时，事件A的后验概率；
Figure 506542DEST_PATH_IMAGE224
为在计算全概率，且排队长度
Figure 900614DEST_PATH_IMAGE265
时，事件B的后验概率；
Figure 460340DEST_PATH_IMAGE266
和
Figure 521837DEST_PATH_IMAGE267
分别表示排队长度
Figure 415975DEST_PATH_IMAGE268
和
Figure 844814DEST_PATH_IMAGE269
的先验概率。
进一步地，所述车辆排队长度感知程序被处理器执行时还实现如下操作：
根据所述基本运动状态数据、所述信号配时数据、所述平均车头时距数据、所述车辆离开路口停车线时间及所述车辆数数据确定路口停车排队车辆中是否存在所述智能网联汽车的事件A数量，相同信号周期内排队车辆中是否存在所述智能网联汽车到达并离开路口的事件B数量以及排队长度；
根据所述事件A数量、所述事件B数量及所述排队长度通过下式获得排队长度后验概率：
Figure 604304DEST_PATH_IMAGE270
其中，
Figure 661252DEST_PATH_IMAGE270
为排队长度
Figure 726292DEST_PATH_IMAGE271
时事件A和B的后验概率；
通过下式获得排队长度估计值：
Figure 704743DEST_PATH_IMAGE272
其中，E(LQ丨A，B)为排队长度估计值。
进一步地，所述车辆排队长度感知程序被处理器执行时还实现如下操作：
获取目标通行方向上的车道数，所述智能网联汽车的渗透率；
根据所述车道数和所述渗透率通过下述公式获得除最后一列排队车辆外，任意一列的所有车道中均没有所述智能网联汽车的概率：
Figure 5274DEST_PATH_IMAGE273
其中，P为除最后一列排队车辆外任意一列的所有车道中均没有所述智能网联汽车的概率，
Figure 919659DEST_PATH_IMAGE274
为所述智能网联汽车的渗透率，m为所述目标通行方向上的车道数；
通过下述公式获得所述目标通行方向最后一列多个车道上的车辆中至少有一辆智能网联汽车的概率：
Figure 890020DEST_PATH_IMAGE275
其中，P0为所述目标通行方向最后一列第m列多个车道上的k辆车中至少有一辆智能网联汽车的概率；
根据所述概率函数和所述贝叶斯后验概率模型进行高斯分布后，获得相邻排队车辆平均车头时距分布数据和排队长度分布数据；
将所述相邻排队车辆平均车头时距分布数据和排队长度分布数据作为车辆排队长度的高斯分布特征；
估计各车道的车辆排队长度的先验概率比值。
进一步地，所述车辆排队长度感知程序被处理器执行时还实现如下操作：
根据所述概率函数和所述贝叶斯后验概率模型进行高斯分布后，通过下式获得相邻排队车辆平均车头时距：
Figure 745981DEST_PATH_IMAGE276
Figure 725569DEST_PATH_IMAGE028
为相邻排队车辆平均车头时距，
Figure 488602DEST_PATH_IMAGE277
为相应排队车辆数，
Figure 895443DEST_PATH_IMAGE278
表示第
Figure 238700DEST_PATH_IMAGE279
辆排队车和第
Figure 756400DEST_PATH_IMAGE280
辆排队车的车头时距；
通过下式获得排队长度分布：
Figure 642448DEST_PATH_IMAGE281
其中，
Figure 500418DEST_PATH_IMAGE282
为排队长度。
进一步地，所述车辆排队长度感知程序被处理器执行时还实现如下操作：
根据所述高斯分布特征通过下式估计各车道的车辆排队长度的先验概率比值：
Figure 471916DEST_PATH_IMAGE283
其中，tn为排队长度为
Figure 58887DEST_PATH_IMAGE284
，排队车辆数为
Figure 799441DEST_PATH_IMAGE285
的车队，最后一辆排队的普通车离开路口停车线的时间，
Figure 76314DEST_PATH_IMAGE286
表示排队长度为
Figure 269529DEST_PATH_IMAGE287
时，对应的排队车辆数；
Figure 660190DEST_PATH_IMAGE288
表示第
Figure 255251DEST_PATH_IMAGE289
辆车离开路口停车线的时间，
Figure 443305DEST_PATH_IMAGE290
为排队车辆平均车头时距的方差，
Figure 654975DEST_PATH_IMAGE042
为标准正态分布函数。
本实施例通过上述方案，通过获取智能网联汽车的基本运动状态数据、信号配时数据、平均车头时距数据、排队消散过程中车辆离开路口停车线时间及车辆数数据；根据所述基本运动状态数据、所述信号配时数据、所述平均车头时距数据、所述车辆离开路口停车线时间及所述车辆数数据以智能网联汽车在排队车辆中的存在性事件与到达事件构建估计排队长度的贝叶斯后验概率模型；以智能网联汽车渗透率为参数，建立多车道路口道路环境下队尾车辆中存在智能网联汽车的概率函数；根据所述平均车头时距数据和绿灯期间排队消散过程中车辆离开路口停车线时间为参数，结合所述概率函数推导出车辆排队长度的高斯分布特征，估计各车道的车辆排队长度的先验概率比值；能够支持较低甚至极低智能网联汽车渗透率情况下的排队长度估计，避免了在排队形成和排队消散过程中因为跟车市时距不一致导致的估计误差问题，提高了排队长度的估计精度，避免了贝叶斯模型求解后验概率过程中需要大量历史数据求解先验概率值的情况，保障了排队长度的实时性，提升了数据精细化及精度性能。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种车辆排队长度感知方法，其特征在于，所述车辆排队长度感知方法包括：
获取智能网联汽车的基本运动状态数据、信号配时数据、平均车头时距数据、排队消散过程中车辆离开路口停车线时间及车辆数数据；
根据所述基本运动状态数据、所述信号配时数据、所述平均车头时距数据、所述车辆离开路口停车线时间及所述车辆数数据以智能网联汽车在排队车辆中的存在性事件与到达事件构建估计排队长度的贝叶斯后验概率模型；
以智能网联汽车渗透率为参数，建立多车道路口道路环境下队尾车辆中存在智能网联汽车的概率函数；根据所述平均车头时距数据和绿灯期间排队消散过程中车辆离开路口停车线时间为参数，结合所述概率函数推导出车辆排队长度的高斯分布特征，估计各车道的车辆排队长度的先验概率比值。
2.如权利要求1所述的车辆排队长度感知方法，其特征在于，所述获取智能网联汽车的基本运动状态数据、信号配时数据、平均车头时距数据、排队消散过程中车辆离开路口停车线时间及车辆数数据，包括：
通过车载检测控制单元获得智能网联汽车的基本运动状态数据和信号配时数据；
通过路口的雷达检测器获得智能网联汽车的平均车头时距数据、排队消散过程中车辆离开路口停车线时间及车辆数数据。
3.如权利要求1所述的车辆排队长度感知方法，其特征在于，所述根据所述基本运动状态数据、所述信号配时数据、所述平均车头时距数据、所述车辆离开路口停车线时间及所述车辆数数据以智能网联汽车在排队车辆中的存在性事件与到达事件构建估计排队长度的贝叶斯后验概率模型，包括：
根据所述基本运动状态数据、所述信号配时数据、所述平均车头时距数据、所述车辆离开路口停车线时间及所述车辆数数据确定排队长度后验概率和排队长度估计值；
根据智能网联汽车在排队车辆中存在性事件的后验概率和所述排队长度估计值先验概率，并通过下式构建排队长度估计的贝叶斯后验概率模型：
Figure 370909DEST_PATH_IMAGE001
其中，A为路口停车排队车辆中是否存在所述智能网联汽车的事件，存在所述智能网联汽车时，事件A为真，记A=1；不存在所述智能网联汽车时，事件A为假，记A=0；Q为信号周期内路口停车排队的事件，排队长度为
Figure 819339DEST_PATH_IMAGE002
，相应排队车辆数为
Figure 303410DEST_PATH_IMAGE003
，对于排队长度
Figure 444672DEST_PATH_IMAGE004
，且排队车辆数为
Figure 397716DEST_PATH_IMAGE005
的排队事件Q，表示为
Figure 172206DEST_PATH_IMAGE006
，
Figure 510783DEST_PATH_IMAGE007
；B为相同信号周期内，排队车辆中是否存在所述智能网联汽车到达并离开路口的事件；在存在所述智能网联汽车到达并离开路口时，事件B为真，记B=1，在不存在所述智能网联汽车到达并离开路口时，事件B为假，记B=0，
Figure 822947DEST_PATH_IMAGE008
为排队长度
Figure 263287DEST_PATH_IMAGE009
时，事件A的后验概率，
Figure 319099DEST_PATH_IMAGE010
为排队长度
Figure 512183DEST_PATH_IMAGE011
时，事件B的后验概率；
Figure 726739DEST_PATH_IMAGE012
为在计算全概率时，且排队长度
Figure 638063DEST_PATH_IMAGE013
时，事件A的后验概率；
Figure 231987DEST_PATH_IMAGE014
为在计算全概率，且排队长度
Figure 295889DEST_PATH_IMAGE015
时，事件B的后验概率；
Figure 933543DEST_PATH_IMAGE016
和
Figure 82896DEST_PATH_IMAGE017
分别表示排队长度
Figure 483440DEST_PATH_IMAGE018
和
Figure 651116DEST_PATH_IMAGE019
的先验概率。
4.如权利要求3所述的车辆排队长度感知方法，其特征在于，所述根据所述基本运动状态数据、所述信号配时数据、所述平均车头时距数据、所述车辆离开路口停车线时间及所述车辆数数据确定排队长度后验概率和排队长度估计值，包括：
根据所述基本运动状态数据、所述信号配时数据、所述平均车头时距数据、所述车辆离开路口停车线时间及所述车辆数数据确定路口停车排队车辆中是否存在所述智能网联汽车的事件A数量，相同信号周期内排队车辆中是否存在所述智能网联汽车到达并离开路口的事件B数量以及排队长度；
根据所述事件A数量、所述事件B数量及所述排队长度通过下式获得排队长度后验概率：
Figure 475984DEST_PATH_IMAGE020
其中，
Figure 847054DEST_PATH_IMAGE021
为排队长度
Figure 48359DEST_PATH_IMAGE022
时事件A和B的后验概率；
通过下式获得排队长度估计值：
Figure 70542DEST_PATH_IMAGE023
其中，E(LQ丨A，B)为排队长度估计值。
5.如权利要求4所述的车辆排队长度感知方法，其特征在于，所述以智能网联汽车渗透率为参数，建立多车道路口道路环境下队尾车辆中存在智能网联汽车的概率函数；根据所述平均车头时距数据和绿灯期间排队消散过程中车辆离开路口停车线时间为参数，结合所述概率函数推导出车辆排队长度的高斯分布特征，估计各车道的车辆排队长度的先验概率比值，包括：
获取目标通行方向上的车道数，所述智能网联汽车的渗透率；
根据所述车道数和所述渗透率通过下述公式获得除最后一列排队车辆外，任意一列的所有车道中均没有所述智能网联汽车的概率：
Figure 797802DEST_PATH_IMAGE024
其中，P为除最后一列排队车辆外任意一列的所有车道中均没有所述智能网联汽车的概率，
Figure 187326DEST_PATH_IMAGE025
为所述智能网联汽车的渗透率，m为所述目标通行方向上的车道数；
通过下述公式获得所述目标通行方向最后一列多个车道上的车辆中至少有一辆智能网联汽车的概率：
Figure 910431DEST_PATH_IMAGE026
其中，P0为所述目标通行方向最后一列第m列多个车道上的k辆车中至少有一辆智能网联汽车的概率，
Figure 537853DEST_PATH_IMAGE028
为通行方向m个车道最后一列上有k辆车的所有组合数；
根据所述概率函数和所述贝叶斯后验概率模型进行高斯分布后，获得相邻排队车辆平均车头时距分布数据和排队长度分布数据；
将所述相邻排队车辆平均车头时距分布数据和排队长度分布数据作为车辆排队长度的高斯分布特征；
估计各车道的车辆排队长度的先验概率比值。
6.如权利要求5所述的车辆排队长度感知方法，其特征在于，所述根据所述概率函数和所述贝叶斯后验概率模型进行高斯分布后，获得相邻排队车辆平均车头时距分布数据和排队长度分布数据，包括：
根据所述概率函数和所述贝叶斯后验概率模型进行高斯分布后，通过下式获得相邻排队车辆平均车头时距：
Figure 970102DEST_PATH_IMAGE029
Figure 299452DEST_PATH_IMAGE030
为相邻排队车辆平均车头时距，
Figure 857209DEST_PATH_IMAGE031
为相应排队车辆数，
Figure 604716DEST_PATH_IMAGE032
表示第
Figure 191555DEST_PATH_IMAGE033
辆排队车和第
Figure 24513DEST_PATH_IMAGE034
辆排队车的车头时距；
通过下式获得排队长度分布：
Figure 105733DEST_PATH_IMAGE035
其中，
Figure 957014DEST_PATH_IMAGE036
为排队长度。
7.如权利要求5所述的车辆排队长度感知方法，其特征在于，所述估计各车道的车辆排队长度的先验概率比值，包括：
根据所述高斯分布特征通过下式估计各车道的车辆排队长度的先验概率比值：
Figure 728136DEST_PATH_IMAGE037
其中，tn为排队长度为
Figure 782811DEST_PATH_IMAGE038
，排队车辆数为
Figure 651410DEST_PATH_IMAGE039
的车队，最后一辆排队的普通车离开路口停车线的时间，
Figure 373510DEST_PATH_IMAGE040
表示排队长度为
Figure 52884DEST_PATH_IMAGE041
时，对应的排队车辆数；
Figure 109701DEST_PATH_IMAGE042
表示第
Figure 270074DEST_PATH_IMAGE043
辆车离开路口停车线的时间，
Figure 112259DEST_PATH_IMAGE044
为排队车辆平均车头时距的方差，
Figure 946223DEST_PATH_IMAGE045
为标准正态分布函数。
8.一种车辆排队长度感知装置，其特征在于，所述车辆排队长度感知装置包括：
数据获取模块，用于获取智能网联汽车的基本运动状态数据、信号配时数据、平均车头时距数据、排队消散过程中车辆离开路口停车线时间及车辆数数据；
模型构建模块，用于根据所述基本运动状态数据、所述信号配时数据、所述平均车头时距数据、所述车辆离开路口停车线时间及所述车辆数数据以智能网联汽车在排队车辆中的存在性事件与到达事件构建估计排队长度的贝叶斯后验概率模型；
排队长度感知模块，用于以智能网联汽车渗透率为参数，建立多车道路口道路环境下队尾车辆中存在智能网联汽车的概率函数；根据所述平均车头时距数据和绿灯期间排队消散过程中车辆离开路口停车线时间为参数，结合所述概率函数推导出车辆排队长度的高斯分布特征，估计各车道的车辆排队长度的先验概率比值。
9.一种车辆排队长度感知设备，其特征在于，所述车辆排队长度感知设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车辆排队长度感知程序，所述车辆排队长度感知程序配置为实现如权利要求1至7中任一项所述的车辆排队长度感知方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有车辆排队长度感知程序，所述车辆排队长度感知程序被处理器执行时实现如权利要求1至7中任一项所述的车辆排队长度感知方法的步骤。
CN202111199492.8A 2021-10-14 2021-10-14 车辆排队长度感知方法、装置、设备及存储介质 Pending CN113643545A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111199492.8A CN113643545A (zh) 2021-10-14 2021-10-14 车辆排队长度感知方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111199492.8A CN113643545A (zh) 2021-10-14 2021-10-14 车辆排队长度感知方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN113643545A true CN113643545A (zh) 2021-11-12

Family

ID=78427096

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111199492.8A Pending CN113643545A (zh) 2021-10-14 2021-10-14 车辆排队长度感知方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113643545A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114220263A (zh) * 2021-11-29 2022-03-22 北京中交兴路信息科技有限公司 一种货运车辆通行时长确定方法、装置、存储介质及终端
CN114973693A (zh) * 2022-04-12 2022-08-30 中南大学 车辆排队长度计算方法、计算机设备及计算机存储介质
CN115100847A (zh) * 2022-05-18 2022-09-23 东南大学 面向低渗透率网联车轨迹数据的排队服务时间估计方法
CN115440062A (zh) * 2022-08-25 2022-12-06 苏州摩卡智行信息科技有限公司 基于智能网联环境的场站节点交通协调方法及系统

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114220263A (zh) * 2021-11-29 2022-03-22 北京中交兴路信息科技有限公司 一种货运车辆通行时长确定方法、装置、存储介质及终端
CN114973693A (zh) * 2022-04-12 2022-08-30 中南大学 车辆排队长度计算方法、计算机设备及计算机存储介质
CN114973693B (zh) * 2022-04-12 2024-03-15 中南大学 车辆排队长度计算方法、计算机设备及计算机存储介质
CN115100847A (zh) * 2022-05-18 2022-09-23 东南大学 面向低渗透率网联车轨迹数据的排队服务时间估计方法
CN115100847B (zh) * 2022-05-18 2023-05-26 东南大学 面向低渗透率网联车轨迹数据的排队服务时间估计方法
CN115440062A (zh) * 2022-08-25 2022-12-06 苏州摩卡智行信息科技有限公司 基于智能网联环境的场站节点交通协调方法及系统
CN115440062B (zh) * 2022-08-25 2023-12-29 苏州摩卡智行信息科技有限公司 基于智能网联环境的场站节点交通协调方法及系统

Similar Documents

Publication Publication Date Title
CN113643545A (zh) 车辆排队长度感知方法、装置、设备及存储介质
US10818167B2 (en) Traffic obstruction notification system based on wireless vehicle data
US11155262B2 (en) Vehicular mitigation system based on wireless vehicle data
JP5989034B2 (ja) 車両におけるレーン割り付けについての方法
JP6800565B2 (ja) 適合化予測のために広域的シーンコンテクストを使用する方法およびシステム並びに対応するプログラム、該システムを備えた乗り物
KR20210032283A (ko) Radar를 사용한 확장 대상체 추적
US8626398B2 (en) Collision avoidance system and method for a road vehicle and respective computer program product
Ma et al. Traffic demand estimation for lane groups at signal‐controlled intersections using travel times from video‐imaging detectors
DE102020128153A1 (de) Sampling von fahrszenarien zum trainieren/abstimmen maschineller lernmodelle für fahrzeuge
CN107045794B (zh) 路况处理方法及装置
JP6737324B2 (ja) 車両向けの正確性判定システム
CN104875740B (zh) 用于管理跟随空间的方法、主车辆以及跟随空间管理单元
US20220343637A1 (en) Traffic flow machine-learning modeling system and method applied to vehicles
CN114185332A (zh) 操作运载工具的方法、自主运载工具和介质
KR20230004212A (ko) 대상체 검출을 위한 교차 모달리티 능동 학습
JP2010191737A (ja) 車両動作推定装置、車両動作推定方法および車両動作推定プログラム
JP2012059058A (ja) 危険推定装置及びプログラム
JP2020091652A (ja) 情報提供システム、サーバ、及びコンピュータプログラム
EP4410627A1 (en) Empty space identification method, vehicle, and readable storage medium
CN113511194A (zh) 一种纵向避撞预警方法及相关装置
CN114495505B (zh) 拥堵路段通过时长的预测方法、装置、介质及服务器
US11954179B2 (en) Resolving out of sequence data in sensor tracking
KR102699396B1 (ko) 자율 주행 차량을 위한 적응형 포인트 클라우드 생성
CN113053100B (zh) 一种公交到站时间的预估方法及装置
US12130390B2 (en) Aggregation-based LIDAR data alignment

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

Application publication date: 20211112

RJ01 Rejection of invention patent application after publication