CN113706873B - 车辆到达时间预测方法、装置、设备及计算机存储介质 - Google Patents
车辆到达时间预测方法、装置、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN113706873B CN113706873B CN202111146639.7A CN202111146639A CN113706873B CN 113706873 B CN113706873 B CN 113706873B CN 202111146639 A CN202111146639 A CN 202111146639A CN 113706873 B CN113706873 B CN 113706873B
- Authority
- CN
- China
- Prior art keywords
- time
- target
- data
- target vehicle
- vehicle
- 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
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
-
- 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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/0969—Systems involving transmission of navigation instructions to the vehicle having a display in the form of a map
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Remote Sensing (AREA)
- Chemical & Material Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Analytical Chemistry (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种车辆到达时间预测方法、装置、设备及计算机存储介质。其中,车辆到达时间预测方法,包括:获取目标车辆数据、道路交通感知数据、信号机数据以及目标地图数据,其中,目标车辆数据为目标车辆通过车载单元OBU收集得到,道路交通感知数据为边缘计算单元MEC对路侧感知设备采集的目标道路区域的传感数据处理得到,目标道路区域包括停止线,信号机数据为停止线处的信号机的数据;根据目标车辆数据、道路交通感知数据、信号机数据以及目标地图数据中的至少一项,预测目标车辆到达停止线的目标时间。本申请实施例能够充分考虑各类交通因素对车辆行驶带来的影响,有助于提高预测得到的目标时间的准确度。
Description
技术领域
本申请属于交通技术领域,尤其涉及一种车辆到达时间预测方法、装置、设备及计算机存储介质。
背景技术
随着智慧交通的发展,道路中的信号机可以根据一些车辆的优先通行需求来确定合理的相位策略,以便这些车辆能够尽快通过路口。比如,在高峰时段,通过预测公交车到达信号机所在停止线的时间,可以为信号机确定合理的相位策略,以便公交车能够快速通过路口。
相关技术中,通常是根据车辆的实时位置来预测车辆到达停止线的时间,然而受到各类交通因素的影响,相关技术中预测得到的时间准确度较低。
发明内容
本申请实施例提供一种车辆到达时间预测方法、装置、设备及计算机存储介质,能够解决相关技术中预测车辆到达停止线的时间的准确度较低的问题。
第一方面,本申请实施例提供一种车辆到达时间预测方法,方法包括:
获取目标车辆数据、道路交通感知数据、信号机数据以及目标地图数据,其中,目标车辆数据为目标车辆通过车载单元OBU收集得到,道路交通感知数据为边缘计算单元MEC对路侧感知设备采集的目标道路区域的传感数据处理得到,目标道路区域包括停止线,信号机数据为停止线处的信号机的数据,目标地图数据包括目标车辆至停止线的行驶路径上的地图数据;
根据目标车辆数据、道路交通感知数据、信号机数据以及目标地图数据中的至少一项,预测目标车辆到达停止线的目标时间。
第二方面,本申请实施例提供了一种车辆到达时间预测装置,装置包括:
获取模块,用于获取目标车辆数据、道路交通感知数据、信号机数据以及目标地图数据,其中,目标车辆数据为目标车辆通过车载单元OBU收集得到,道路交通感知数据为边缘计算单元MEC对路侧感知设备采集的目标道路区域的传感数据处理得到,目标道路区域包括停止线,信号机数据为停止线处的信号机的数据,目标地图数据包括目标车辆至停止线的行驶路径上的地图数据;
预测模块,用于根据目标车辆数据、道路交通感知数据、信号机数据以及目标地图数据中的至少一项,预测目标车辆到达停止线的目标时间。
第三方面,本申请实施例提供了一种电子设备,设备包括:处理器以及存储有计算机程序指令的存储器;
处理器执行计算机程序指令时实现如第一方面所示的车辆到达时间预测方法。
第四方面,本申请实施例提供了一种计算机存储介质,计算机存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现如第一方面所示的车辆到达时间预测方法。
本申请实施例提供的车辆到达时间预测方法,根据目标车辆数据、道路交通感知数据、信号机数据以及目标地图数据中的至少一项,来预测 目标车辆到达停止线的目标时间,其中,目标车辆数据为目标车辆通过OBU 收集 得到,道路交通感知数据为MEC对路侧感知设备采集的目标道路区域的传感数据处理得到,信号机数据为停止线处的信号机的数据,目标地图数据包括目标车辆至停止线的行驶路径上的地图数据。本申请实施例在预测车辆到达停止线的目标时间的过程中,获取了来自多个设备的数据,进而能够充分考虑各类交通因素对车辆行驶带来的影响,有助于提高预测得到的目标时间的准确度。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单的介绍,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的附图。
图1是可应用本申请实施例提供的车辆到达时间预测方法的一个框架的结构示意图;
图2是框架中各个设备在道路环境中的位置示意图;
图3是框架中各个设备之间数据处理与传输关系的示意图;
图4是本申请实施例提供的车辆到达时间预测方法的流程示意图;
图5是边缘计算单元融合各个路侧感知设备的传感数据的原理图;
图6是目标车辆位置获取过程的原理图;
图7是目标到达停止线所需目标时间的计算流程图;
图8是本申请实施例提供的车辆到达时间预测装置的结构示意图;
图9是本申请又一个实施例提供的电子设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例,为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本申请进行进一步详细描述。应理解,此处所描述的具体实施例仅意在解释本申请,而不是限定本申请。对于本领域技术人员来说,本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了解决现有技术问题,本申请实施例提供了一种车辆到达时间预测方法、装置、设备及计算机存储介质。下面首先对本申请实施例所提供的车辆到达时间预测方法进行介绍。
如图1所示,图1为可以应用本申请实施例提供的车辆到达时间预测方法的一个框架的结构示意图。
该框架可以主要包括车辆11、路侧单元12(RoadSide Unit,RSU)、边缘计算单元13(Mobile Edge Computing,MEC)、路侧感知设备14以及信号机15。
如图2所示,图2为上述框架中的各个设备在道路环境中的位置示意图,其中,
车辆11可以包括车载单元(OnBoard Unit,OBU),通常情况下,车辆可以行驶在道路中。本申请实施例中,将主要以车辆11为公交车为例进行说明,相应地,下文中的目标车辆可以认为是公交车,记为HV,道路中除目标车辆以外的车辆可以记为V1、V2、V3等。
当然,在实际应用中,目标车辆也可以是其他具有载客功能的车辆,例如出租车或者救护车等等。
RSU可以是设置在路侧,比如红绿灯路口,或者是远离红绿灯路口的道路的一侧等,此处不作具体限定。
MEC可以与路侧感知设备连接,以用于处理路侧感知设备感知的数据。举例来说,路侧感知设备可以包括摄像头,MEC可以对摄像头采集的图像进行处理,得到道路中的车辆的数量、车牌号或者车辆排队长度等。再例如,路侧感知设备可以包括毫米波雷达,MEC对毫米波雷达采集的数据进行处理,可以得到道路中车辆的车速等。
信号机15则可以是红绿灯等,一般可以设置在交叉路口等。
此外,在道路环境中,还可以存在站台16,例如用于公交车上下客的站台。在一些应用场景下,站台16可以是智慧站台,比如,智慧站台可以包括显示屏,用于展示公交车的位置以及预测到站时间等。
或者,乘客在智慧站台可预约公交上车站点及下车站点,智慧站台把预约信息上传至公共交通服务云平台。
如图3所示,上述框架还可以包括云平台,框架中各个设备之间的数据处理与传输关系可以总的描述为:
车辆包括客流仪、惯性测量单元(Inertial Measurement Unit,IMU) 以及全球定位系统(Global Positioning System,GPS)等类型的传感器,这些传感器采集的车辆数据,比如车辆位置、速度、下车人数、乘客密度等,可以由OBU进行数据封装,并进一步发送至RSU。至于OBU与RSU 之间的通信,可以是基于LTE-V等类型的车联网通信技术实现的,此处不作详细说明。
MEC与路侧感知设备相互连接,两者之间可以进行数据传输。其中,路侧感知设备可以包括摄像头、激光雷达以及毫米波雷达等类型的传感器, MEC也可以对这些传感器采集的数据进行处理,得到例如交通流量、排队长度以及车流位置等形式的道路交通感知数据。MEC还可以进一步将这些道路交通感知数据发送至RSU。
信号机可以与RSU通信连接,具体连接方式可以是光纤、无线通信连接等,此处不作限定。信号机可以将自身当前的灯态数据与相位控制策略发送至RSU。比如,信号机可以将各个道路方向上的信号灯的颜色,以及信号灯各相的持续时间等,发送至RSU。
上述的云平台也可以与RSU通信连接,具体的通信方式也可以是光纤或者无线通信连接等。云平台的种类可以是一种或者多种。
举例来说,云平台可以是发布公交车辆相关信息的平台,该云平台可以接收用户终端发送的预约乘车信息,比如,用户的上车站点与下车站点等。云平台可以整理乘车信息,向RSU发送公交车在某一站台的上车人数与下车人数等。
再例如,云平台也可以是用于发布道路施工消息以及交通事故消息的平台,或者提供地图数据的平台等等,此处不作一一限定。
而RSU可以与上述的各个设备之间通讯连接,并可以根据各个设备发送的数据,融合计算车辆位置或者预测公交车到达时间等。
结合以上举例,在实际应用中,上述框架中各个设备之间的数据交互内容可以包括:
公交车安装的OBU利用融合定位技术获取车辆位置(包括纬度:单位为deg、经度:单位为deg)、车辆速度(m/s)、运行轨迹等车辆状态信息、客流仪统计的车内乘客数及拥挤程度等信息后通过LTE-V上传至路侧设备RSU;
安装在路侧的感知设备实时感知道路交通状态,经MEC计算后把感知结果输出至RSU,此处的感知结果包括:感知范围内公交车所在车道的各车辆的车辆位置、车辆速度、交通流量、排队情况、排队长度;
路侧设备RSU根据OBU、MEC上传的信息结合路口地图信息和信号机传输的灯态信息进行计算,输出预测的公交车到达时间。
图4示出了本申请一个实施例提供的车辆到达时间预测方法的流程示意图。如图4所示,车辆到达时间预测方法,包括:
步骤401,获取目标车辆数据、道路交通感知数据、信号机数据以及目标地图数据,其中,目标车辆数据为目标车辆通过车载单元OBU收集得到,道路交通感知数据为边缘计算单元MEC对路侧感知设备采集的目标道路区域的传感数据处理得到,目标道路区域包括停止线,信号机数据为停止线处的信号机的数据,目标地图数据包括目标车辆至停止线的行驶路径上的地图数据;
步骤402,根据目标车辆数据、道路交通感知数据、信号机数据以及目标地图数据中的至少一项,预测目标车辆到达停止线的目标时间。
本实施例提供的车辆到达时间预测方法,可以是应用在RSU中的。当然,在一些应用场景中,比如RSU的计算能力有限时,该方法可以是应用在服务器或者是预设的MEC中的。或者,该方法中不同的步骤可以是在不同的终端中执行的等。而为了简化描述,以下将主要以方法在RSU中执行为例进行说明。
结合上文中对于可应用车辆到达时间预测方法的框架中的说明,例如目标车辆的OBU、MEC等设备可以将相关的数据发送至RSU。
比如,目标车辆可以包括各类传感器,例如IMU、GPS或者客流仪等。其中,IMU可以采集目标车辆的速度数据与位置数据,GPS可以采集目标车辆的位置数据,客流仪可以采集目标车辆中的乘客人数等数据。
当然,车辆中的传感器的种类可以不限于以上举例中的种类,比如,车辆中还可以设置速度传感器、温度传感器等等。
如上文所示的,OBU也可以与云平台等通讯连接,比如,OBU通过云平台可以获取在某一站台上车乘客数量与下车乘客数量等。
目标车辆中的OBU可以将收集到的各类数据发送至RSU。OBU收集的数据对应了上述的目标车辆数据。结合以上举例可见,目标车辆数据可以包括车辆运动数据,也可以包括乘客数量、上下客数量等类型的状态数据。
容易理解的是,例如目标车辆速度、目标车辆位置等目标车辆数据,将会影响车辆到达某一预设位置的时间,例如影响到达上述停止线的时间。比如,目标车辆的目标车辆速度越快,目标车辆位置越靠近停止线,则到达停止线的时间可能越短。
而目标车辆中乘客人数,则可能影响乘客上下车的效率,此外,上车乘客数量与下车乘客数量均可能影响车辆在站台停留的时间,相应地,也影响车辆到达停止线的时间。
MEC可以与路侧感知设备连接,以用于处理路侧感知设备感知的数据。比如,路侧感知设备可以包括摄像头、毫米波雷达以及激光雷达。这些路侧感知设备可以设置在目标道路区域中,以采集这些关于目标道路区域的传感数据。比如,传感数据可以包括停止线之后区域的图像或者点云数据等。
MEC对路侧感知设备采集的图像或者点云数据等进行处理,可以得到道路交通感知数据,例如目标车辆所在车道的平均车速或者排队情况等。而MEC对路侧感知设备采集的传感数据进行处理,得到道路交通感知数据的方式,可以通过现有技术来实现,此处不做赘述。
MEC同样可以将处理得到的道路交通感知数据发送至RSU。
容易理解的是,道路交通感知数据同样会给目标车辆到达停止线的时间带来影响。比如,道路交通感知数据可以包括停止线后方的排队情况与排队长度,当停止线后方不存在排队车辆,或者排队长度较短时,目标车辆可以比较快速地到达目标停止线;反之,当停止线后方存在排队车辆,且排队长度较长时,目标车辆可以难以在短时间内到达目标停止线。
信号机可以是设置在停止线处,其可以与RSU通信连接,并将相关的信号机数据发送至RSU。比如,信号机数据可以包括与目标车辆所在车道对应的信号灯的当前灯态,以及红灯周期与绿灯周期的配置策略等。
为简化说明,下文中关于信号机的灯态的描述,可以均认为是在目标车辆行驶车道对应的信号灯的灯态。
容易理解的是,当信号机为红灯时,可能导致目标车辆所在车道上的其他车辆减速,进而降低该车道上的平均车速,进而可能延缓目标车辆到达停止线的时间;反正,当信号机为绿灯时,目标车辆所在车道的平均车速可能较高,目标车辆可以较快地到达停止线。
目标地图数据可以包括目标车辆至停止线的行驶路径上的地图数据,该地图数据可以是预存在RSU中的,也可以是从相关服务器等设备中获取的,此处不做具体限制。
比如,地图数据可以包括道路的长度,在路侧是否存在站台等内容。以目标车辆为公交车为例,基于目标地图数据,可以获取公交车至停止线的路段上的是否存在停靠站台等。
一般来说,当该路段上存在停靠站台时,公交车需要进出站、开关门以及上下客等,相应地,将导致公交车到达停止线的时间延长;而当该路段上不存在停靠站台时,公交车则相对可以更快地到达停止线。
步骤402中,可以根据上述目标车辆数据、道路交通感知数据、信号机数据以及目标地图数据中的至少一项,预测目标车辆到达停止线的目标时间。
在上文中,针对各个数据对目标时间的影响分别进行了说明。在实际应用中,可以结合不同的数据来预测目标时间。
举例来说,当道路交通感知数据指示在停止线后方不存在排队车辆,且目标地图数据指示在目标车辆行驶至停止线的路线上不存在站台时,可以根据目标车辆的目标车辆速度,来预测目标时间。
再比如,当道路交通感知数据指示停止线后方存在排队车辆,且目标车辆也处于排队状态时,可以结合排队长度(可从道路交通感知数据中获取)、红灯剩余时间(可从信号机数据中获取)以及一些经验数据,来预测目标时间。上述的经验数据可以包括车辆启动时间、目标车辆当前行驶车道的饱和车速或者畅行速度等等。
又比如,当道路交通感知数据指示停止线后方存在排队车辆,且目标车辆尚未行驶到排队车辆尾部时,可以结合排队长度,目标车辆到排队车辆尾部的距离、红灯剩余时间以及一些经验数据,来预测目标时间。
又比如,当道路交通感知数据指示停止线后方存在排队车辆,且目标地图数据指示在目标车辆行驶至停止线的路线上存在站台时,可以结合目标车辆上乘客的数量(可从目标车辆数据中获取)、排队长度等数据,来预测目标时间。
本申请实施例提供的车辆到达时间预测方法,根据目标车辆数据、道路交通感知数据、信号机数据以及目标地图数据中的至少一项,来预测 目标车辆到达停止线的目标时间,其中,目标车辆数据为目标车辆通过OBU 收集 得到,道路交通感知数据为MEC对路侧感知设备采集的目标道路区域的传感数据处理得到,信号机数据为停止线处的信号机的数据,目标地图数据包括目标车辆至停止线的行驶路径上的地图数据。本申请实施例在预测车辆到达停止线的目标时间的过程中,获取了来自多个设备的数据,进而能够充分考虑各类交通因素对车辆行驶带来的影响,有助于提高预测得到的目标时间的准确度。
可选地,道路交通感知数据包括在停止线处的排队车辆的排队长度,目标车辆数据包括目标车辆速度与目标车辆位置;
根据目标车辆数据、道路交通感知数据、信号机数据以及目标地图数据的至少一项,预测目标车辆到达停止线的目标时间,包括:
在排队长度等于0的情况下,根据目标车辆速度以及第一路径长度,预测目标时间,第一路径长度为目标车辆位置到停止线的路径长度。
如上文所示的,道路交通感知数据可以包括排队情况与排队长度,排队长度为0时,在停止线之后不存在排队车辆。在这种情况下,可以认为目标车辆前方道路比较畅通,目标车辆可以直接行驶至停止线。
停止线的位置可以是已知且固定的,基于目标车辆位置可以得到目标车辆至停止线的路径长度。
举例来说,目标车辆位置可以通过目标车辆中的GPS和IMU获取,并通过OBU发送至RSU。目标车辆位置可以通过在地图坐标系或者大地坐标系中的坐标表示,记为(HV_x,HV_y)。
RSU中可以预存有停止线在地图坐标系或者大地坐标系中的坐标,类似地,停止线的坐标可以记为(S_x,S_y)。
若目标车辆从目标车辆位置至停止线之间的路径为直线,则目标车辆至停止线的第一路径长度dist_hv2stopline可以按如下方式计算:
目标车辆从目标车辆位置至停止线之间的路径为曲线时,也可以根据曲率计算上述的第一路径长度,具体的计算方式此处不做举例。
当然,目标车辆从目标车辆位置至停止线之间的路径也可以是曲线与直线的组合,可以分段计算总的路径长度。此外,路径具体为曲线还是为直线,路径为曲线时的曲率等信息,可以从目标地图数据中获取。
在一些举例中,在第一路径长度确定的情况下,对其除以一目标车辆速度,即可以得到目标时间。该目标车辆速度可以是目标车辆的当前车速,或者根据一段时间内目标车辆速度的变化趋势预测的速度,或者可以是车道的最高限速,或者是根据道路中历史车辆行驶情况确定的经验速度等等,可以根据实际需要进行确定。
而在另一些举例中,在确定目标时间的过程中,除了可以考虑第一路径长度与目标车辆速度之间的比值,还可以进一步考虑车辆是否需要停靠站台等因素。
本实施例中,在排队长度等于0的情况下,可以根据目标车辆速度与第一路径长度,比较高效地确定目标时间。
在一个示例中,MEC可以融合各个路侧感知设备的传感数据,来获取例如排队长度等类型的道路交通感知数据。
如图5所示,MEC可以与摄像头、毫米波雷达以及激光雷达等路侧感知设备连接,路侧感知设备采集的传感数据发送至MEC,MEC可以使用扩展卡尔曼滤波器(Extended KalmanFilter,EKF)对传感数据进行融合处理,得到道路中车辆三维位置以及行驶速度,并可以基于这些数据得到例如排队长度、交通流量等道路交通感知数据。
在一个示例中,目标车辆位置可以是基于对目标车辆中全球导航卫星系统(Global Navigation Satellite System,GNSS)与IMU采集的数据融合处理得到的,上述GPS可以认为是GNSS中的一种定位系统。如图6所示,目标车辆位置的获取方式描述为:
IMU可以采集目标车辆的加速度与角速度,IMU可以进一步对采集的加速度与角速度进行惯性导航解算,得到基于惯性导航系统的位置、速度以及姿态(InertialNavigation System-Position Velocity Attitude,InsPVA)。
根据基站与车端天线的数据交互,得到原始定位数据(Raw GNSS Data),经过车辆中的GNSS模块的处理,可以得到基于GNSS的三维位置与速度,记为(x,y,z,v)。此外,基于GNSS模块,还可以对目标的车辆姿态进行预测。
上述的InsPVA、(x,y,z,v)以及车辆姿态的预测结果,可以输入到卡尔曼滤波器,进而可以比较准确地得到目标车辆的三维位置。
在一些举例中,卡尔曼滤波器可以是15维误差状态量卡尔曼滤波器。其中,误差状态量可以包括位置误差、速度误差、姿态误差、加速度计偏差以及陀螺仪偏差,每一个误差状态量的误差又可以反映在三维坐标中的三个维度上,因此,可以构成15维误差状态量卡尔曼滤波器。
此外,卡尔曼滤波器的输出,还可以用于对惯性导航解算进行误差修正。
通过IMU和GNSS组合定位可有效提升目标车辆的定位精度,有助于提升预测的目标时间的准确度。
在一个示例中,目标车辆速度可以是基于预测得到的。为便于说明,目标车辆可以记为HV,目标车辆速度可以记为V_HV。
RSU根据当前k时刻以及前5个时间戳(k-5,k-1)所获取的目标车辆运动状态信息预测下一时刻的车速;当进入下一个时刻k+1,即使用当前 k+1时刻和前5个时间戳(k-4,k)的运动状态信息滑动计算目标车辆速度。也就是在计算得到k+1时刻的目标车辆速度时,可以丢弃时间戳为k-5时刻的数据,新增k+1时刻的数据;以此类推,通过不断增加和丢弃数据,始终通过结合当前时刻和前五个时间戳的数据计算到达时间。
设当前时刻的车速为V0(m/s),下一时刻的速度V(m/s),前5个时间戳的车辆速度分别为V1、V2、V3、V4、V5(单位m/s),目标车辆速度计算频率为2次/秒,通过考虑3s以内的目标车辆行驶状态对到达时间进行预测,考虑时间过长或过短都不能正确预测目标车辆速度,从而导致预测时间不准确。通过给六个时间戳车速值V0、V1、V2、V3、V4、V5加权计算得到V:
V=ω0V0+ω1V1+ω2V2+ω3V3+ω4V4+ω5V5
ω0+ω1+ω2+ω3+ω4+ω5=1
式中ω0、ω1、ω2、ω3、ω4以及ω5为各时间戳车速的权重值,其值可根据计算需要进行调整;
分别对上面所求的V和进行加权求得最终的速度值V_HV(单位m/s),计算法方式如下:
可选地,根据目标车辆数据、道路交通感知数据、信号机数据以及目标地图数据的至少一项,预测目标车辆到达停止线的目标时间,包括:
在排队长度大于0,且目标车辆未处于排队状态时,根据信号机数据、第一路径长度、目标车辆速度以及排队长度,预测目标时间。
结合上一举例,目标车辆数据可以包括目标车辆速度与目标车辆位置,这些数据均可以由目标车辆的OBU发送至RSU。RSU根据目标车辆位置与停止线的位置,可以确定第一路径长度。而道路交通感知数据可以包括排队长度等数据,并可以由MEC发送至RSU。信号机数据也可以由信号机发送至RSU。
至于RSU确定目标车辆是否处于排队状态,可以根据多种方式实现。比如,RSU可以根据目标车辆位置与停止线后方排队长度,来确定目标车辆是否已经处于排队。再比如,MEC可以根据对车牌号的识别结果,确定目标车辆是否已经处于排队车辆队列中,并将相应的判断结果发送至RSU。又比如,当目标车辆速度为0,且根据目标车辆位置与目标地图数据确定目标车辆不位于站台时,RSU可以判定目标车辆处于排队状态。为了简化说明,此处不做一一举例。
RSU可以在确定排队长度大于0,且目标车辆未处于排队状态的情况下,对这些信号机数据、第一路径长度、目标车辆速度以及排队长度进行处理,预测目标时间。
举例来说,RSU可以第一路径长度、目标车辆速度以及排队长度,计算目标车辆到达排队车辆的尾部的时间。如果在这段时间内,信号机数据指示灯态变为绿灯,且排队车辆能够在绿灯期间消散,则可以基于第一路径长度与目标车辆速度的比值,来预测目标时间。
而如果在目标车辆到达排队车辆的尾部的时间之内,排队车辆无法消散,则可以进一步预测目标车辆到达排队车辆的尾部后,行驶至停止线的时间,以进一步预测目标时间。
可见,本实施例可以针对停止线之后存在排队情况,且目标车辆尚未到达排队车辆尾部的场景,进行目标时间的预测,有效适应不同交通环境,扩大了方法的适用范围。
可选地,在排队长度大于0,且目标车辆未处于排队状态时,根据信号机数据、第一路径长度、目标车辆速度以及排队长度,预测目标时间,包括:
确定第一时间、第二时间、第三时间以及第四时间,第一时间为根据信号机数据确定的当前红绿灯周期中的红灯剩余时间,一个红绿灯周期包括一个红灯周期以及红灯周期的下一个绿灯周期,第二时间为预设车辆启动损失时间,第三时间为根据排队长度确定的车辆消散时间,第四时间为根据第一路径长度、目标车辆速度以及排队长度确定的目标车辆行驶至排队车辆的尾部的时间;
在第四时间大于第一时间、第二时间以及第三时间之和时,根据目标车辆速度以及第一路径长度,预测目标时间;
在第四时间小于或等于第一时间、第二时间以及第三时间之和时,确定第五时间,第五时间为目标车辆从排队车辆的尾部行驶至停止线的时间,根据第一时间、第二时间、第三时间、第四时间以及第五时间,预测目标时间。
为简化说明,第一时间可以记为t0,容易理解的是,第一时间可以基于信号机数据进行确定。本实施例中,可以定义红绿灯周期,一个红绿灯周期可以包括一个红灯周期以及紧随该红灯周期的绿灯周期。
当信号机数据指示信号机当前的灯态为绿灯时,则t0=0;当信号机数据指示信号机当前的灯态为红灯,则t0等于红灯的剩余时间。
第二时间可以记为t1,第二时间为预设车辆启动损失时间,换而言之,第二时间可以为一经验值。在一个举例中,可以记t1=2s。
第三时间可以记为t2,第三时间为车辆消散时间。通常来说,车辆消散时间与排队长度关联,排队长度越长,也排队车辆的消散时间越长,反之亦然。
容易理解的是,一般来说,当目标车辆未处于排队状态时,可以是基于实际的排队长度来计算t2;而当目标车辆处于排队状态时,可以是基于目标车辆到停止线的距离来计算t2。
为了简化计算过程,可以将t2在上述两种情况下的计算方式,同一设置为:
其中,dist_hv2stopline即上述的第一路径长度,而Vw可以是饱和车速 Vm与畅行车速Vf的差值,记为:Vw=-(Vf-Vm)。饱和车速Vm是车流量达到饱和流量时的平均车速,畅行车速Vf是车流密度趋于零,车辆可以畅行无阻时的平均车速,两者均可以根据经验数据进行获取。
第四时间可以记为t3_1,其计算方式可以如下:
首先可以确定目标车辆到排队车辆尾部的路径长度dist_hv2v3,在一个示例中,可以将上述的第一路径长度与排队长度的差值,作为 dist_hv2v3。而在另一个示例中,则可以先根据排队长度确定出排队车辆尾部的位置坐标,记为(V3_x,V3_y),在目标车辆位置已知的情况下,目标车辆的位置坐标也可以确定,记为(HV_x,HV_y),则dist_hv2v3的计算方式可以如下:
然后可以根据dist_hv2v3与目标车辆的车辆速度来计算t3_1,在一个示例中,用于计算t3_1的车辆速度可以选用上述的目标车辆速度V_HV,则有:
当t3_1>(t0+t1+t2)时,说明当目标车辆行驶至排队车辆的尾部时,排队车辆已经消散,此时,目标车辆可以直接行驶至停止线,因此,可以根据目标车辆速度以及第一路径长度,预测目标时间。
比如,第一路径长度与目标车辆速度的比值可以记为t3,公式表达为:
其中,第一路径长度与目标车辆速度的计算方式均在上文中进行了说明,此处不再赘述。
在一个示例中,当t3_1>(t0+t1+t2)时,若不考虑目标车辆停靠站台等因素,则可以将t3确定为目标时间t。
当t3_1≤(t0+t1+t2)时,说明目标车辆到达排队车辆的尾部时,排队车辆还没有消散,此时,需要考虑目标车辆排队所带来的时间消耗,比如,目标车辆行驶至排队车辆的尾部、等待排队车辆消散、车辆启动以及目标车辆从排队车辆的尾部行驶至停止线等所带来的时间消耗。
其中,目标车辆从排队车辆的尾部行驶至停止线的时间可以记为t2_1,其计算方式可以如下:
首先计算目标车辆按照预设加速度a一直加速行驶到停止线时的速度 V′,公式如下:
其中,在一个示例中,a可以取1m/s2。
然后可以比较V′和车速Vm;
若V′>Vm,则t2_1包括加速和匀速两个阶段的时间,计算公式如下:
若V′≤Vm,则t2_1仅包括加速阶段的时间,计算公式如下:
在一个示例中,当t3_1≤(t0+t1+t2)时,若不考虑目标车辆停靠站台等因素,则可以按如下公式计算目标时间t:
t=t3_1+t0+t1+t2+t2_1
当然,在实际应用中,目标车辆在朝向排队车辆的尾部行驶时,信号机中红灯的剩余时间也不断在变化,即t3_1和t0可以是同步进行的,在计算目标时间t时,可以仅考虑t3_1和t0中的较大值。
本实施例中,在目标车辆行驶至排队车辆的尾部之前,可以对排队车辆是否会消散进行预测,有助于在停止线后存在排队车辆的情况下,准确预测目标车辆行驶至停止线的时间。
在一些应用场景下,当目标车辆为公交车等车辆时,可以根据公交车上的天线位置确定公交车的坐标位置。在一些示例中,可以认为天线位置均安装在公交车的左前方,距车头位置不超过三分之一个车身长度;通过比较dist_hv2stopline与0.5个公交车车身长度length_bus,若 dist_hv2stopline≤0.5*length_bus,则公交车为排队队伍的头车则t2_1=0,否则t2按上述的计算方式计算。
可选地,根据目标车辆数据、道路交通感知数据、信号机数据以及目标地图数据的至少一项,预测目标车辆到达停止线的目标时间,包括:
在排队长度大于0,且目标车辆处于排队状态时,确定第一时间、第二时间、第三时间以及第五时间;
根据第一时间、第二时间、第三时间以及第五时间,预测目标时间。
本实施例中,第一时间、第二时间、第三时间以及第五时间可以分别对应上述的t0、t1、t2以及t2_1。各个时间的具体计算方式可以参照上文说明,此处不再赘述。
结合一个实际应用场景,当目标车辆当前处于排队的状态时,信号机的灯态可能是红灯,此时,需要经历时间t0后,排队车辆开始移动;排队车辆从静止到启动通常需要一定的启动时间,该启动时间对应了t1;排队车辆的长度影响启动波传递到达目标车辆的时间,启动波传递所需时间对应了t2;目标车辆从静止开始加速,运动至停止线的时间为t2_1。
可见,目标车辆处于排队的状态时,行驶至停止线的目标时间t可以通过如下公式计算:
t=t0+t1+t2+t2_1
当然,在另一些应用场景中,目标车辆可以还需要停靠站台等,此时目标时间还可以进一步考虑目标车辆停靠站台带来的时间消耗。
可见,本实施例中,在目标车辆处于排队的状态时,可以比较准确地预测目标车辆到达停止线的目标时间。
可选地,在目标地图数据指示目标车辆至停止线的行驶路径上存在站台时,根据目标车辆数据、道路交通感知数据、信号机数据以及目标地图数据中的至少一项,预测目标车辆到达停止线的目标时间,包括:
根据目标车辆数据预测第六时间,第六时间为目标车辆停靠站台所消耗的时间,目标时间包括第六时间。
如上文所示的,目标车辆可以是公交车等,相应地,公交车在行驶至停止线的过程中,可能会需要停靠站台。
站台的位置可以基于目标地图数据进行获取。比如,在目标地图数据中可以标注有站台的位置,如果位置在目标车辆至停止线的行驶路径上,则可以认为目标车辆需要停靠站台。
为简化说明,第六时间可以记为t4。容易理解的是,当目标车辆无线停靠站台时,可以记t4=0。
在一个举例中,t4可以是为一经验值,比如,对车辆停靠站台的历史时间进行统计,来确定第六时间。
而在另一些举例中,还可以考虑目标车辆中乘客人数等因素,来确定第六时间。
比如,如上文实施例所示的,目标车辆上可以按照有客流仪,通过客流仪可以获取到乘客人数,并通过OBU发送至RSU。乘客人数可以会影响到乘客在站台的上下车时间,进而影响目标车辆停靠站台的第六时间。
在又一些举例中,RSU可以获取预约在站台上下车乘客的数量,当上下车乘客的数量较多时,目标车辆停靠站台的第六时间也可能相应较长,反之亦然。
本实施例中,在预测目标时间时,进一步考虑了目标车辆停靠站台所消耗的时间,进而有助于提高对目标时间的预测准确度。
目标车辆数据包括目标车辆速度、车辆乘客密度以及上下客数量;
根据目标车辆数据预测第六时间,包括:
根据目标车辆速度确定车辆进出站时间;
根据车辆乘客密度与上下客数量确定上下客时间;
根据进出站时间、上下客时间以及预设的开关门时间,预测第六时间。
以下结合一个具体应用例,来对本实施例进行说明,本具体应用例中,目标车辆可以是公交车。
根据目标地图数据确定公交排队长度覆盖的范围内是否有公交车站,若有,则根据客流仪统计的乘客密度以及到站上下乘客的人数计算靠站所需时间,即上述的第六时间t4,t4一般包括车辆进站时间t_in,出站时间 t_out,乘客上车时间t_on,下车时间t_down,开门时间t_open,关门时间 t_close。
根据经验数据,公交车辆平均开门时间约为1~1.5S,可以取平均值 t_open=1.25s;平均关门时间约为1.5~3S,可以取平均值t_close=2.25s。而上述的开关门时间可以包括t_open与t_close。
同时车内乘客的拥挤程度对上下车的时间有较大影响,根据客流仪给出的拥挤程度以及云平台给出的上下乘客数量数据,可计算出上下乘客所需的时间。
其中,拥挤程度可以根据客流仪统计的公交车上乘客的数量来确定。比如,当公交车上乘客的数量大于一人数阈值时,可以确定车内乘客拥挤;当公交车上乘客的数量小于或等于该人数阈值时,可以确定车内乘客不拥挤。
当客流仪输出的信号为车内乘客不拥挤时,乘客上车所需时间可以按照如下方式计算:
乘客下车所需时间可以按照如下方式计算:
其中,Ni为上客数量,No为下客数量。上述的上下客数量可以包括上客数量与下客数量。
当客流仪输出的信号为车内乘客拥挤时,乘客上车所需时间可以按照如下方式计算:
乘客下车所需时间可以按照如下方式计算:
上述的车辆进出站时间可以包括车辆进站时间与车辆出站时间。
设公交车以-1.5m/s2的减速度进站,Vi为公交车进站速度(单元m/s),则车辆进站时间t_in为:
t_in=Vi/1.5
其中,Vi可以等于上述的V_HV,或者,也可以是经验数据等。
在一个示例中,上述的第六时间t4可以按照如下方式计算:
t4=t_in+t_out+max(t_on,t_down)+t_open+t_close
其中,max()为求取最大值运算,max(t_on,t_down)可以对应上述的上下客时间。
当然,在另一个示例中,比如目标车辆仅包括一个可开启的车门时,也可以等于t_in、t_out、t_on、t_down、t_open以及t_close的和值。
可选地,根据目标车辆数据、道路交通感知数据、信号机数据以及目标地图数据的至少一项,预测目标车辆到达停止线的目标时间,包括:
在一个红绿灯周期中,确定第二时间、第三时间、第六时间、第七时间以及第八时间,第七时间为一个红绿灯周期中绿灯的持续时间,第八时间为第一路径长度与目标车辆速度的比值;
在第七时间大于第二时间、第三时间、第六时间以及第八时间之和的情况下,预测目标车辆在一个红绿灯周期中到达停止线的目标时间;
在第七时间小于或等于第二时间、第三时间、第六时间以及第八时间之和的情况下,预测目标车辆在下一个红绿灯周期中到达停止线的目标时间。
在实际应用中,目标车辆可能在一个红绿灯周期中即可到达停止线,然而,也有可能因为排队长度较长,或者目标车辆距离停止线的距离较大等因素的影响,导致目标车辆在一个红绿灯周期中无法到达停止线。
因此,本实施例中,可以先确定目标车辆在一个红绿灯周期中能否到达停止线,再进一步预测目标时间。
第二时间、第三时间、第五时间以及第六时间的确定方式在上文实施例中均进行了说明,此处不再赘述。其中,第二时间可以记为t1,第三时间可以记为t2,第六时间可以记为t4。第八时间为第一路径长度与目标车辆速度的比值,换而言之,第八时间实际上可以认为是上述的t3,第八时间的计算方式可以对应t3的计算方式。
第七时间记为t_g,第七时间为一个红绿灯周期中绿灯的持续时间。如上文所示的,一个红绿灯周期包括一个红灯周期与第一绿灯周期。若当前处于红灯周期,则t_g可以是预设值;若当前处于绿灯周期,则t_g可以是剩余的绿灯时间。为简化说明,以下主要以t_g为预设值为例进行说明。
根据信号机数据可知该相位即将到来的绿灯时间t_g,判断是否满足 t_g>t1+t2+t3+t4,若是则说明目标车辆可在绿灯时间内到达停止线。
若否,则说明当前绿灯时间t_g不足以清空公交前面的交通流,目标车辆还需等下一次绿灯时间才能通过,距下一次绿灯所需时间t_c(该时间可从信号机获取,对应红灯周期),同时预测t1'、t2'、t3'、t4'。容易理解的是,t1'、t2'、t3'、t4'可以认为是在下一个红绿灯周期中预测得到的t1、t2、t3、 t4,各个时间可以是相互对应的,预测方式也相同,此处不做赘述。
若在下一个红绿灯周期,目标车辆依然不能到达停止线,则可以进入到下下个红绿灯周期,进行相关时间的预测,依次类推,直到能够预测得到上述目标时间。
可见,本实施例考虑到了目标车辆在一个红绿灯周期可以到达停止线和不可以到达停止线的情况,能够有效提高目标时间的预测准确性。
基于以上各个时间的计算方式,以下结合几个应用场景,来分别说明目标时间的计算方式。
在这些应用场景中,目标车辆可以是公交车(记为HV),在计算公交车到达停止线的目标时间时,考虑了公交车是否在排队、路口的停止线处是否有车辆排队、公交车与停止线之间是否存在站台(公交车站)、以及公交车是否能够在一个红绿灯周期可以到达停止线这些因素。
结合图7,计算目标时间的流程可以如下。
1)公交车正在排队,队伍前方有公交车站:
无需二次排队:
t=t0+t1+t2+t3+t4
需要二次排队:
t=t0+t_g+t_c+t1'+t2'+t3'+t4'
其中二次排队时若没有公交车站,t4'=0。
2)公交正在排队,队伍前方没有公交车站:
无需二次排队:
t=t0+t1+t2+t2_1
需要二次排队:
t=t0+t_g+t_c+t1'+t2'+t2_1'
其中,t2_1'可以是在下一个红绿灯周期中预测得到的t2_1。
3)公交没有排队,路口处有车辆排队,公交车与路口之间没有站台:
此处存在两类情况:公交到路口时前面的队伍已消散,公交无需排队,以及公交需在队尾排队。通过判断t3_1是否大于(t0+t1+t2),若是则前方排队车辆已消散公交无需排队,否则需要排队;
无需排队:
t=t3
需要排队:
无需二次排队:
t=t3_1+t0+t1+t2+t2_1
需要二次排队:
t=t0+t_g+t_c+t1'+t2'+t2_1'
4)公交没有排队,路口处有车辆排队,公交与路口之间有站台:
此处存在两类情况:公交到路口时前面的队伍已消散,公交无需排队,以及公交需在队尾排队。通过判断t3_1是否大于(t0+t1+t2),若是则前方排队车辆已消散公交无需排队,否则需要排队;
无需排队:
t=t3+t4
需要排队:
无需二次排队:
t=t3_1+t0+t1+t2+t4+t2_1
需要二次排队:
t=t0+t_g+t_c+t1'+t2'+t2_1'+t4'
其中,t4'可以是在下一个红绿灯周期中预测得到的t4。
5)公交没有排队,路口没有车辆排队,公交与路口之间有站台;
第一个绿灯能通过:
t=t3+t4
第一个绿灯不能通过:
t=t3+t4
6)公交没有排队,路口没有车辆排队,公交与路口之间没有站台;
第一个绿灯能通过:
t=t3
第一个绿灯不能通过,第二个绿灯可通过:
t=t3
结合以上应用场景的举例可见,本申请实施例提供的车辆到达时间预测方法,综合考虑停止线所在路口其他车辆的状态、自车运动状态、交通流量、排队长度、损失时间、启动波传递等因素对到达时间的影响;还考虑了路口存在公交车站的情况,同时结合红绿灯相位信息对到达时间进行计算,能够有效提高对公交车到达停止线的目标时间的预测准确性。本申请实施例可以为公交信号优先配时功能提供充分的“主动权”和足够的“判断时间”来提升其运行效果,准确预测公交车到达其所在交叉路口停止线的时间,能确保信号控制系统及时并有效地实施公交信号优先功能。
如图8所示,本申请实施例还提供了车辆到达时间预测装置,包括:
获取模块801,用于获取目标车辆数据、道路交通感知数据、信号机数据以及目标地图数据,其中,目标车辆数据为目标车辆通过车载单元 OBU收集得到,道路交通感知数据为边缘计算单元MEC对路侧感知设备采集的目标道路区域的传感数据处理得到,目标道路区域包括停止线,信号机数据为停止线处的信号机的数据,目标地图数据包括目标车辆至停止线的行驶路径上的地图数据;
预测模块802,用于根据目标车辆数据、道路交通感知数据、信号机数据以及目标地图数据中的至少一项,预测目标车辆到达停止线的目标时间。
可选地,道路交通感知数据包括在停止线处的排队车辆的排队长度,目标车辆数据包括目标车辆速度与目标车辆位置;
相应地,预测模块802,包括:
第一预测单元,用于在排队长度等于0的情况下,根据目标车辆速度以及第一路径长度,预测目标时间,第一路径长度为目标车辆位置到停止线的路径长度。
可选地,预测模块802,包括:
第二预测单元,用于在排队长度大于0,且目标车辆未处于排队状态时,根据信号机数据、第一路径长度、目标车辆速度以及排队长度,预测目标时间。
可选地,第二预测单元包括:
第一确定子单元,用于确定第一时间、第二时间、第三时间以及第四时间,第一时间为根据信号机数据确定的当前红绿灯周期中的红灯剩余时间,一个红绿灯周期包括一个红灯周期以及红灯周期的下一个绿灯周期,第二时间为预设车辆启动损失时间,第三时间为根据排队长度确定的车辆消散时间,第四时间为根据第一路径长度、目标车辆速度以及排队长度确定的目标车辆行驶至排队车辆的尾部的时间;
第一预测子单元,用于在第四时间大于第一时间、第二时间以及第三时间之和时,根据目标车辆速度以及第一路径长度,预测目标时间;
第二预测子单元,用于在第四时间小于或等于第一时间、第二时间以及第三时间之和时,确定第五时间,第五时间为目标车辆从排队车辆的尾部行驶至停止线的时间,根据第一时间、第二时间、第三时间、第四时间以及第五时间,预测目标时间。
可选地,预测模块802,包括:
第一确定单元,用于在排队长度大于0,且目标车辆处于排队状态时,确定第一时间、第二时间、第三时间以及第五时间;
第三预测单元,用于根据第一时间、第二时间、第三时间以及第五时间,预测目标时间。
可选地,在目标地图数据指示目标车辆至停止线的行驶路径上存在站台时,预测模块802,包括:
第四预测单元,用于根据目标车辆数据预测第六时间,第六时间为目标车辆停靠站台所消耗的时间,目标时间包括第六时间。
可选地,目标车辆数据包括目标车辆速度、车辆乘客密度以及上下客数量;
第四预测单元,包括:
第二确定子单元,用于根据目标车辆速度确定车辆进出站时间;
第三确定子单元,用于根据车辆乘客密度与上下客数量确定上下客时间;
第三预测子单元,用于根据进出站时间、上下客时间以及预设的开关门时间,预测第六时间。
可选地,预测模块802,包括:
第二确定单元,用于在一个红绿灯周期中,确定第二时间、第三时间、第六时间、第七时间以及第八时间,第七时间为一个红绿灯周期中绿灯的持续时间,第八时间为第一路径长度与目标车辆速度的比值;
第五预测单元,用于在第七时间大于第二时间、第三时间、第六时间以及第八时间之和的情况下,预测目标车辆在一个红绿灯周期中到达停止线的目标时间;
第六预测单元,用于在第七时间小于或等于第二时间、第三时间、第六时间以及第八时间之和的情况下,预测目标车辆在下一个红绿灯周期中到达停止线的目标时间。
需要说明的是,该车辆到达时间预测装置是与上述车辆到达时间预测方法对应的装置,上述方法实施例中所有实现方式均适用于该装置的实施例中,也能达到相同的技术效果。
图9示出了本申请实施例提供的电子设备的硬件结构示意图。
在电子设备可以包括处理器901以及存储有计算机程序指令的存储器 902。
具体地,上述处理器901可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器902可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器902可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus, USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器902可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器902可在综合网关容灾设备的内部或外部。在特定实施例中,存储器902 是非易失性固态存储器。
存储器可包括只读存储器(ROM),随机存取存储器(RAM),磁盘存储介质设备,光存储介质设备,闪存设备,电气、光学或其他物理/有形的存储器存储设备。因此,通常,存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如,存储器设备),并且当该软件被执行(例如,由一个或多个处理器)时,其可操作来执行参考根据本公开的方法所描述的操作。
处理器901通过读取并执行存储器902中存储的计算机程序指令,以实现上述实施例中的任意一种车辆到达时间预测方法。
在一个示例中,电子设备还可包括通信接口903和总线904。其中,如图9所示,处理器901、存储器902、通信接口903通过总线904连接并完成相互间的通信。
通信接口903,主要用于实现本申请实施例中各模块、装置、单元和/ 或设备之间的通信。
总线904包括硬件、软件或两者。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA) 总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线904 可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
另外,结合上述实施例中的车辆到达时间预测方法,本申请实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种车辆到达时间预测方法。
需要明确的是,本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本申请的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本申请的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频 (RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本申请中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本申请不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上,仅为本申请的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本申请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申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (7)
1.一种车辆到达时间预测方法,其特征在于,包括:
获取目标车辆数据、道路交通感知数据、信号机数据以及目标地图数据,其中,所述目标车辆数据为目标车辆通过车载单元OBU收集得到,所述道路交通感知数据为边缘计算单元MEC对路侧感知设备采集的目标道路区域的传感数据处理得到,所述目标道路区域包括停止线,所述信号机数据为所述停止线处的信号机的数据,所述目标地图数据包括所述目标车辆至所述停止线的行驶路径上的地图数据;
根据所述目标车辆数据、所述道路交通感知数据、所述信号机数据以及所述目标地图数据中的至少一项,预测所述目标车辆到达所述停止线的目标时间;
所述道路交通感知数据包括在停止线处的排队车辆的排队长度,所述目标车辆数据包括目标车辆速度与目标车辆位置;
所述根据所述目标车辆数据、所述道路交通感知数据、所述信号机数据以及所述目标地图数据的至少一项,预测所述目标车辆到达所述停止线的目标时间,包括:
在所述排队长度等于0的情况下,根据所述目标车辆速度以及第一路径长度,预测所述目标时间,所述第一路径长度为所述目标车辆位置到所述停止线的路径长度;
所述根据所述目标车辆数据、所述道路交通感知数据、所述信号机数据以及所述目标地图数据的至少一项,预测所述目标车辆到达所述停止线的目标时间,包括:
在排队长度大于0,且所述目标车辆未处于排队状态时,根据所述信号机数据、第一路径长度、目标车辆速度以及所述排队长度,预测所述目标时间;
所述在所述排队长度大于0,且所述目标车辆未处于排队状态时,根据所述信号机数据、第一路径长度、目标车辆速度以及所述排队长度,预测所述目标时间,包括:
确定第一时间、第二时间、第三时间以及第四时间,所述第一时间为根据所述信号机数据确定的当前红绿灯周期中的红灯剩余时间,一个红绿灯周期包括一个红灯周期以及所述红灯周期的下一个绿灯周期,所述第二时间为预设车辆启动损失时间,所述第三时间为根据所述排队长度确定的车辆消散时间,所述第四时间为根据所述第一路径长度、所述目标车辆速度以及所述排队长度确定的所述目标车辆行驶至排队车辆的尾部的时间;
在所述第四时间大于所述第一时间、所述第二时间以及所述第三时间之和时,根据所述目标车辆速度以及第一路径长度,预测所述目标时间;
在所述第四时间小于或等于所述第一时间、所述第二时间以及所述第三时间之和时,确定第五时间,所述第五时间为所述目标车辆从所述排队车辆的尾部行驶至所述停止线的时间,根据所述第一时间、所述第二时间、所述第三时间、所述第四时间以及所述第五时间,预测所述目标时间;
所述根据所述目标车辆数据、所述道路交通感知数据、所述信号机数据以及所述目标地图数据的至少一项,预测所述目标车辆到达所述停止线的目标时间,包括:
在排队长度大于0,且所述目标车辆处于排队状态时,确定第一时间、第二时间、第三时间以及第五时间;
根据所述第一时间、所述第二时间、所述第三时间以及所述第五时间,预测所述目标时间。
2.根据权利要求1所述的方法,其特征在于,在所述目标地图数据指示所述目标车辆至所述停止线的行驶路径上存在站台时,所述根据所述目标车辆数据、所述道路交通感知数据、所述信号机数据以及所述目标地图数据中的至少一项,预测所述目标车辆到达所述停止线的目标时间,包括:
根据所述目标车辆数据预测第六时间,所述第六时间为所述目标车辆停靠所述站台所消耗的时间,所述目标时间包括所述第六时间。
3.根据权利要求2所述的方法,其特征在于,所述目标车辆数据包括目标车辆速度、车辆乘客密度以及上下客数量;
所述根据所述目标车辆数据预测第六时间,包括:
根据所述目标车辆速度确定车辆进出站时间;
根据所述车辆乘客密度与所述上下客数量确定上下客时间;
根据所述进出站时间、所述上下客时间以及预设的开关门时间,预测所述第六时间。
4.根据权利要求2所述的方法,其特征在于,所述根据所述目标车辆数据、所述道路交通感知数据、所述信号机数据以及所述目标地图数据的至少一项,预测所述目标车辆到达所述停止线的目标时间,包括:
在一个红绿灯周期中,确定第二时间、第三时间、第六时间、第七时间以及第八时间,所述第七时间为所述一个红绿灯周期中绿灯的持续时间,所述第八时间为第一路径长度与目标车辆速度的比值;
在所述第七时间大于所述第二时间、所述第三时间、所述第六时间以及所述第八时间之和的情况下,预测目标车辆在所述一个红绿灯周期中到达所述停止线的目标时间;
在所述第七时间小于或等于所述第二时间、所述第三时间、所述第六时间以及所述第八时间之和的情况下,预测目标车辆在下一个红绿灯周期中到达所述停止线的目标时间。
5.一种车辆到达时间预测装置,其特征在于,所述装置包括:
获取模块,用于获取目标车辆数据、道路交通感知数据、信号机数据以及目标地图数据,其中,所述目标车辆数据为目标车辆通过车载单元OBU收集得到,所述道路交通感知数据为边缘计算单元MEC对路侧感知设备采集的目标道路区域的传感数据处理得到,所述目标道路区域包括停止线,所述信号机数据为所述停止线处的信号机的数据,所述目标地图数据包括所述目标车辆至所述停止线的行驶路径上的地图数据;
预测模块,用于根据所述目标车辆数据、所述道路交通感知数据、所述信号机数据以及所述目标地图数据中的至少一项,预测所述目标车辆到达所述停止线的目标时间;
所述道路交通感知数据包括在停止线处的排队车辆的排队长度,所述目标车辆数据包括目标车辆速度与目标车辆位置;
所述预测模块,包括:
第一预测单元,用于在所述排队长度等于0的情况下,根据所述目标车辆速度以及第一路径长度,预测所述目标时间,所述第一路径长度为所述目标车辆位置到所述停止线的路径长度;
第二预测单元,用于在排队长度大于0,且所述目标车辆未处于排队状态时,根据所述信号机数据、第一路径长度、目标车辆速度以及所述排队长度,预测所述目标时间;
所述第二预测单元,包括:
第一确定子单元,用于确定第一时间、第二时间、第三时间以及第四时间,所述第一时间为根据所述信号机数据确定的当前红绿灯周期中的红灯剩余时间,一个红绿灯周期包括一个红灯周期以及所述红灯周期的下一个绿灯周期,所述第二时间为预设车辆启动损失时间,所述第三时间为根据所述排队长度确定的车辆消散时间,所述第四时间为根据所述第一路径长度、所述目标车辆速度以及所述排队长度确定的所述目标车辆行驶至排队车辆的尾部的时间;
第一预测子单元,用于在所述第四时间大于所述第一时间、所述第二时间以及所述第三时间之和时,根据所述目标车辆速度以及第一路径长度,预测所述目标时间;
第二预测子单元,用于在所述第四时间小于或等于所述第一时间、所述第二时间以及所述第三时间之和时,确定第五时间,所述第五时间为所述目标车辆从所述排队车辆的尾部行驶至所述停止线的时间,根据所述第一时间、所述第二时间、所述第三时间、所述第四时间以及所述第五时间,预测所述目标时间;
所述预测模块,还包括:
第一确定单元,用于在排队长度大于0,且所述目标车辆处于排队状态时,确定第一时间、第二时间、第三时间以及第五时间;
第三预测单元,用于根据所述第一时间、所述第二时间、所述第三时间以及所述第五时间,预测所述目标时间。
6.一种电子设备,其特征在于,所述设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如权利要求1-4任意一项所述的车辆到达时间预测方法。
7.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-4任意一项所述的车辆到达时间预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111146639.7A CN113706873B (zh) | 2021-09-28 | 2021-09-28 | 车辆到达时间预测方法、装置、设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111146639.7A CN113706873B (zh) | 2021-09-28 | 2021-09-28 | 车辆到达时间预测方法、装置、设备及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113706873A CN113706873A (zh) | 2021-11-26 |
CN113706873B true CN113706873B (zh) | 2022-11-29 |
Family
ID=78662252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111146639.7A Active CN113706873B (zh) | 2021-09-28 | 2021-09-28 | 车辆到达时间预测方法、装置、设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113706873B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114550477A (zh) * | 2021-12-30 | 2022-05-27 | 广州市公共交通集团有限公司 | 一种公交行车安全预警系统与方法 |
CN114944067B (zh) * | 2022-05-16 | 2023-08-15 | 浙江海康智联科技有限公司 | 一种基于车路协同的弹性公交专用车道实现方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106097730A (zh) * | 2016-08-10 | 2016-11-09 | 青岛海信网络科技股份有限公司 | 一种路段车辆排队长度的估计方法、装置及系统 |
CN106530695A (zh) * | 2016-11-09 | 2017-03-22 | 宁波大学 | 基于车联网的城市干道车辆行程时间实时预测方法 |
CN113129595A (zh) * | 2021-04-23 | 2021-07-16 | 济南金宇公路产业发展有限公司 | 一种用于道路交叉口的交通信号控制方法、设备及介质 |
CN113380036A (zh) * | 2021-06-16 | 2021-09-10 | 上海应用技术大学 | 一种基于电子警察数据的排队长度计算方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104299433B (zh) * | 2014-06-05 | 2016-09-14 | 上海应用技术学院 | 基于rfid车载电子标签的公交信号优先控制方法 |
CN104637315B (zh) * | 2015-02-06 | 2016-07-13 | 北京交通大学 | 车路协同环境下的无信号交叉口优化控制方法和系统 |
CN106846832B (zh) * | 2017-04-11 | 2019-04-30 | 东南大学 | 基于车路协同的城市信号交叉口最优车速引导算法及系统 |
CN108010339B (zh) * | 2017-11-30 | 2021-06-08 | 中原智慧城市设计研究院有限公司 | 基于公交车停靠时间的交叉路口信号灯控制方法 |
WO2020014227A1 (en) * | 2018-07-10 | 2020-01-16 | Cavh Llc | Route-specific services for connected automated vehicle highway systems |
CN111508227B (zh) * | 2020-03-30 | 2021-03-23 | 广东方纬科技有限公司 | 交通数据处理方法、信号灯控制方法、装置和存储介质 |
CN112509343B (zh) * | 2020-10-26 | 2022-12-02 | 长沙理工大学 | 基于车路协同的路侧式导行方法及系统 |
CN112614359B (zh) * | 2020-12-21 | 2022-06-28 | 阿波罗智联(北京)科技有限公司 | 控制交通的方法、装置、路侧设备和云控平台 |
CN113411375B (zh) * | 2021-05-08 | 2023-07-18 | 长沙智能驾驶研究院有限公司 | 信息处理方法、设备及计算机存储介质 |
-
2021
- 2021-09-28 CN CN202111146639.7A patent/CN113706873B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106097730A (zh) * | 2016-08-10 | 2016-11-09 | 青岛海信网络科技股份有限公司 | 一种路段车辆排队长度的估计方法、装置及系统 |
CN106530695A (zh) * | 2016-11-09 | 2017-03-22 | 宁波大学 | 基于车联网的城市干道车辆行程时间实时预测方法 |
CN113129595A (zh) * | 2021-04-23 | 2021-07-16 | 济南金宇公路产业发展有限公司 | 一种用于道路交叉口的交通信号控制方法、设备及介质 |
CN113380036A (zh) * | 2021-06-16 | 2021-09-10 | 上海应用技术大学 | 一种基于电子警察数据的排队长度计算方法 |
Non-Patent Citations (1)
Title |
---|
信号交叉口上游公交站点实际停靠延误模型;葛宏伟等;《哈尔滨工业大学学报》;20081215(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113706873A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107833454B (zh) | 用于维持交通秩序的车辆-对-车辆协同 | |
US11541884B2 (en) | System and method for providing vehicle collision avoidance at an intersection | |
US10726360B2 (en) | Vehicle control system, vehicle control method, and vehicle control program | |
CN110383360B (zh) | 利用数字优先级排定的连接且自适应的车辆交通管理系统 | |
CN110232837A (zh) | 一种基于v2x的车路协同防撞预警系统 | |
US11967230B2 (en) | System and method for using V2X and sensor data | |
CN108027990B (zh) | 用于提供关于预计行驶意图的信息的设备、方法和计算机程序 | |
US10838428B2 (en) | Autonomous drop-off and pick-up | |
CN113376657B (zh) | 用于自动驾驶车辆lidar数据的自动标记系统 | |
CN112236648B (zh) | 使用v2x补充信息增强导航体验 | |
US20180253975A1 (en) | Lane change estimation device, lane change estimation method, and storage medium | |
CN108780610A (zh) | 用于针对意外行人规划轨迹的系统和方法 | |
CN113706873B (zh) | 车辆到达时间预测方法、装置、设备及计算机存储介质 | |
CN114255606B (zh) | 辅助驾驶提醒、地图辅助驾驶提醒方法、装置和地图 | |
US20110130964A1 (en) | Drive assist apparatus, method, and recording medium | |
JP4980207B2 (ja) | 緊急車両誘導装置、プログラム及び方法 | |
CN107909837A (zh) | 一种车辆借道通行的方法和控制中心 | |
US20170337816A1 (en) | Wireless Vehicle Data-Enhanced Micro-Navigation Lane Suggestion | |
CN109074728A (zh) | 推荐行驶速度提供程序、行驶支持系统、车辆控制设备和自动行驶车辆 | |
JP2019207677A (ja) | 自動運転車(adv)に用いられる密度に基づく信号機制御システム | |
CN107850456A (zh) | 路径引导装置以及路径引导方法 | |
WO2018142566A1 (ja) | 通過ゲート決定装置、車両制御システム、通過ゲート決定方法、およびプログラム | |
CN111319631A (zh) | 车辆控制装置以及车辆控制方法 | |
CN114677858A (zh) | 车辆管理方法、装置、设备及计算机存储介质 | |
JP7137151B2 (ja) | 運行制御装置及び車両 |
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 |