CN113936453A - 一种基于车头时距的信息识别方法及系统 - Google Patents
一种基于车头时距的信息识别方法及系统 Download PDFInfo
- Publication number
- CN113936453A CN113936453A CN202111053886.2A CN202111053886A CN113936453A CN 113936453 A CN113936453 A CN 113936453A CN 202111053886 A CN202111053886 A CN 202111053886A CN 113936453 A CN113936453 A CN 113936453A
- Authority
- CN
- China
- Prior art keywords
- variation
- headway
- period
- determining
- cycle
- 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
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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种基于车头时距的信息识别方法及系统,涉及城市智能交通领域。所述方法包括获取第一位置的数据信息;确定第一位置周期级的车头时距变异系数;确定第一时段内的第一变异和第二变异周期的占比,以及连续第一变异周期数;输出第一位置的识别信息。本申请的基于车头时距的信息识别方法及系统,通过修正绿灯启亮时头部车队的车头时距,使得车头时距序列更贴近交叉口实际运行情况;并分析交叉口的车头时距变异系数,快速高效地识别运行效率低的路口及对应流向,为交通事故预防管控、路口渠化及信号控制优化提供信息,科学提升城市交通运行效率。
Description
技术领域
本申请涉及城市智能交通领域,尤其涉及基于车头时距的信息识别方法及系统。
背景技术
随着大数据技术的快速发展,智能交通领域越来越离不开大数据的支持和完善。近年来,国家更是在大力推行新基建建设,城市乡村道路电警设备的安装及应用越来越广泛。与此同时,城市的快速扩张、机动车保有量的激增带来的交通问题也愈发突出。另一方面,城市中存在部分运行效率低下的路口,由于交通管理职能部门警力有限,往往不能及时发现这些路口,不仅影响居民出行,严重时还容易引发交通事故。
目前,现有视频识别技术对于识别违法行为的应用较为广泛,但在交织冲突的识别方面应用较少。在城市中,存在部分路口在日常运行过程中,交织冲突严重,若交管部门未能及时发现,可能为居民日常出行埋下重大安全隐患。另一方面,现有利用电警过车数据计算车头时距的方法中未考虑修正绿灯启亮时头部车辆的车头时距序列,而是直接剔除这部分车辆,造成交叉口的车头时距序列偏离实际运行情况,从而不能反应交叉口真实运行情况。综上,基于现有电警过车数据计算车头时距存在偏差的情况下,目前的方法难以满足低效路口自动识别的需求。
因此,期望提供一种基于车头时距的信息识别方法及系统,通过修正绿灯启亮时头部车队的车头时距,使得车头时距序列更贴近交叉口实际运行情况;并分析交叉口的车头时距变异系数,快速高效地识别运行效率低的路口及对应流向,为交通事故预防管控、路口渠化及信号控制优化提供信息,科学提升城市交通运行效率。
发明内容
根据本申请的一些实施例的第一方面,提供了一种基于车头时距的信息识别方法,应用于平台(例如,云控平台等)中,所述方法可以包括:获取第一位置的数据信息;确定第一位置周期级的车头时距变异系数;确定第一时段内的第一变异和第二变异周期的占比,以及连续第一变异周期数;输出第一位置的识别信息。
在一些实施例中,所述第一位置包括路口,所述确定第一位置周期级的车头时距变异系数具体包括:确定各周期的车头时距序列;修正第一信号头部车辆的车头时距;确定修正后的车头时距序列的变异系数;判断车头时距变异程度,所述变异程度包括第一变异,第二变异,第三变异。
在一些实施例中,所述确定各周期的车头时距序列具体包括:
其中,THi′为第i辆车的车头时距;tg为所述周期内第一相位的第一信号启动时刻;ti为所述周期第i辆车通过第一位置的时间戳;i=1,2,...,N,N为所述周期内通过车辆数。
在一些实施例中,所述修正第一信号头部车辆的车头时距具体包括:
THi为修正后的车头时距;tg为所述周期内第一相位的第一信号启动时刻;tm+1为第m+1辆车通过第一位置的时间戳;tl为第一信号启动时刻,车辆的启动损失时间;M为第一位置所捕获的滞留车辆数。
在一些实施例中,所述确定修正后的车头时距序列的变异系数,具体包括:
cv为该周期该车道的车头时距序列{TH1,TH2,...,THN}的变异系数;σ(THN)为该车头时距序列的标准差;u(THN)为该车头时距序列的平均值。
在一些实施例中,所述判断车头时距变异程度,具体包括:当cv处于范围0~15%时属于第三变异现象,当cv处于范围16%~35%时属于第二变异现象,当cv大于36%时属于第一变异现象。
在一些实施例中,所述确定第一时段内的第一变异和第二变异周期的占比,以及连续第一变异周期数具体包括:获取第一位置第一时段的数据表;确定各车道第一时段内所有周期的车头时距变异系数;确定各车道第一时段内,车头时距中高度变异的周期占比,及连续高度变异的周期数。
在一些实施例中,所述输出第一位置的识别信息具体包括:获取第一区域内所有第一位置的车道级第一时段内车头时距变异记录表;设定不同级别第一位置的第一、第二变异周期占比,以及连续第一变异周期数阈值;输出第一效率运行的第一位置及对应流向。
在一些实施例中,所述设定不同级别第一位置的第一、第二变异周期占比,以及连续第一变异周期数阈值具体包括:根据第一位置总流量划分第一位置规模级别;初步设定第一位置正常交织的第一、第二变异周期占比,以及连续第一变异周期数阈值;根据第一区域的数据信息,标定阈值;根据标定后的阈值,识别同时超出阈值的车道及对应第一位置、流向。
根据本申请的一些实施例的第二方面,提供了一个系统,所述系统包括:一个存储器,被配置为存储数据及指令;一个与存储器建立通信的处理器,其中,当执行存储器中的指令时,所述处理器被配置为:获取第一位置的数据信息;确定第一位置周期级的车头时距变异系数;确定第一时段内的第一变异和第二变异周期的占比,以及连续第一变异周期数;输出第一位置的识别信息。
因此,根据本申请的一些实施例的基于车头时距的信息识别方法及系统,通过修正绿灯启亮时头部车队的车头时距,使得车头时距序列更贴近交叉口实际运行情况;并分析交叉口的车头时距变异系数,快速高效地识别运行效率低的路口及对应流向,为交通事故预防管控、路口渠化及信号控制优化提供信息,科学提升城市交通运行效率。
附图说明
为更好地理解并阐述本申请的一些实施例,以下将结合附图参考实施例的描述,在这些附图中,同样的数字编号在附图中指示相应的部分。
图1是根据本申请的一些实施例提供的基于车头时距的信息识别系统的示例性示意图。
图2是根据本申请的一些实施例提供的基于车头时距的信息识别方法的示例性流程图。
图3是根据本申请的一些实施例提供的基于车头时距的信息识别方法的框架流程图。
图4是根据本申请的一些实施例提供的基于车头时距的信息识别方法的具体流程图。
具体实施方式
以下参考附图的描述为便于综合理解由权利要求及其等效内容所定义的本申请的各种实施例。这些实施例包括各种特定细节以便于理解,但这些仅被视为示例性的。因此,本领域技术人员可以理解对在此描述的各种实施例进行各种变化和修改而不会脱离本申请的范围和精神。另外,为简要并清楚地描述本申请,本申请将省略对公知功能和结构的描述。
在以下说明书和权利要求书中使用的术语和短语不限于字面含义,而是仅为能够清楚和一致地理解本申请。因此,对于本领域技术人员,可以理解,提供对本申请各种实施例的描述仅仅是为说明的目的,而不是限制所附权利要求及其等效定义的本申请。
下面将结合本申请一些实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一”、“一个”、“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本申请中使用的术语“和/或”是指并包含一个或多个相绑定的列出项目的任何或所有可能组合。表达“第一”、“第二”、“所述第一”和“所述第二”是用于修饰相应元件而不考虑顺序或者重要性,仅仅被用于区分一种元件与另一元件,而不限制相应元件。
根据本申请一些实施例的终端可以是平台,装备和/或电子设备,该平台可以包括云控平台等,所述平台可以包括由一个或多个电子设备组成的系统平台;该装备可以包括智能网联车辆(Intelligent Connected Vehicle,ICV);该电子设备可以包括个人电脑(PC,例如平板电脑、台式电脑、笔记本、上网本、掌上电脑PDA)、客户端设备、虚拟现实设备(VR)、增强现实设备(AR)、混合现实设备(MR)、XR设备、渲染机、智能手机、移动电话、电子书阅读器、便携式多媒体播放器(PMP)、音频/视频播放器(MP3/MP4)、摄像机和可穿戴设备等中的一种或几种的组合。根据本申请的一些实施例,所述可穿戴设备可以包括附件类型(例如手表、戒指、手环、眼镜、或头戴式装置(HMD))、集成类型(例如电子服装)、装饰类型(例如皮肤垫、纹身或内置电子装置)等,或几种的组合。在本申请的一些实施例中,所述电子设备可以是灵活的,不限于上述设备,或者可以是上述各种设备中的一种或几种的组合。在本申请中,术语“用户”可以指示使用电子设备的人或使用电子设备的设备(例如人工智能电子设备)。
本申请实施例提供了一种基于车头时距的信息识别方法及系统。为了便于理解本申请实施例,以下将参考附图对本申请实施例进行详细描述。
图1是根据本申请的一些实施例提供的基于车头时距的信息识别系统的示例性示意图。如图1所述,基于车头时距的信息识别系统100可以包括网络110、控制端120、用户端130和服务器140等。具体的,控制端120与用户端130在通过网络建立通信,例如,控制端120与用户端130可以在同一个局域网(比如,同一个路由器的网络环境等)中通信。进一步,控制端120可以通过有线(例如,网线等)或无线(例如,云端服务器等)等方式与网络110连接,用户端130可以通过有线或无线(例如,WIFI等)等方式与网络110建立通信连接。在一些实施例中,用户端130可以向控制端120、服务器140发送车辆关联信息等。进一步地,控制端120、服务器140可以向用户端130反馈路网信息(如,低效运行的交叉口等)等信息。根据反馈的信息,用户端130可以执行路径决策与规划。作为示例,服务器140可以获取控制端120的交通信息识别结果等,所述交通信息识别结果可以包括低效运行的交叉口和/或对应流向等。
根据本申请的一些实施例,控制端120、用户端130可以为相同或不同的终端设备等。所述终端设备可以包括但不限于云控平台,智能终端,移动终端,计算机等。在智能交通场景中,控制端120可以包括电子警察、云控平台等,用户端130可以包括智能装备等。在一些实施例中,控制端120和用户端130可以集成在一个设备中,例如,用户端的智能装备等。在一些实施例中,服务器140是计算机的一种,具有比普通计算机运行更快、负载更高等优势,而相对应的价格更高昂。在网络环境中,服务器可以为其它客户机(例如,PC机、智能手机、ATM等终端,以及交通系统等大型设备)提供计算或者应用服务。服务器具有高速的CPU运算能力、长时间的可靠运行、强大的I/O外部数据吞吐能力以及更好的扩展性。所述服务器可以提供的服务包括但不限于承担响应服务请求、承担服务、保障服务的能力等。所述服务器作为电子设备,具有极其复杂的内部结构,包括与普通计算机相近的内部结构等,作为示例,所述服务器的内部结构可以包括中央处理器(Central Processing Unit,CPU)、硬盘、内存,系统、系统总线等。
在本申请的一些实施例中,基于车头时距的信息识别系统100可以省略一个或多个元件,或者可以进一步包括一个或多个其它元件。作为示例,基于车头时距的信息识别系统100可以包括多个用户端130或可以省略用户端130等。又例如,基于车头时距的信息识别系统100可以包括一个或多个控制端120,如电子警察、云控平台等。再例如,基于车头时距的信息识别系统100可以包括多个服务器140等。在一些实施例中,基于车头时距的信息识别系统100可以包括但不限于基于城市智能交通场景处理的系统。网络110可以为任意类型的通信网络,所述通信网络可以包括计算机网络(例如,局域网(LAN,Local Area Network)或广域网(WAN,Wide Area Network))、互联网和/或电话网络等,或几种的组合。在一些实施例中,网络110可以为其他类型的无线通信网络。所述无线通信可以包括微波通信和/或卫星通信等。所述无线通信可以包括蜂窝通信,例如,全球移动通信(GSM,Global Systemfor Mobile Communications)、码分多址(CDMA,Code Division Multiple Access)、第三代移动通信(3G,The 3rd Generation Telecommunication)、第四代移动通信(4G)、第五代移动通信(5G)、第六代移动通信(6G)、长期演进技术(LTE,Long Term Evolution)、长期演进技术升级版(LTE-A,LTE-Advanced)、宽带码分多址(WCDMA,Wideband Code DivisionMultiple Access)、通用移动通信系统(UMTS,Universal Mobile TelecommunicationsSystem)、无线宽带(WiBro,Wireless Broadband)等,或几种的组合。在一些实施例中,用户端130可以为其他具备同等功能模块的装备和/或电子设备,该装备和/或电子设备可以包括智能网联车辆(Intelligent Connected Vehicle,ICV)、虚拟现实设备(VR)、渲染机、个人电脑(PC,例如平板电脑、台式电脑、笔记本、上网本、掌上电脑PDA)、智能手机、移动电话、电子书阅读器、便携式多媒体播放器(PMP)、音频/视频播放器(MP3/MP4)、摄像机和可穿戴设备等中的一种或几种的组合。
在一些实施例中,所述WIFI可以为其他类型的无线通信技术。根据本申请的一些实施例,所述无线通信可以包括无线局域网(WiFi,Wireless Fidelity)、蓝牙、低功耗蓝牙(BLE,Bluetooth Low Energy)、紫蜂协议(ZigBee)、近场通讯(NFC,Near FieldCommunication)、磁安全传输、射频和体域网(BAN,Body Area Network)等,或几种的组合。根据本申请的一些实施例,所述有线通信可以包括全球导航卫星系统(Glonass/GNSS,Global Navigation Satellite System)、全球定位系统(GPS,Global Position System)、北斗导航卫星系统或伽利略(欧洲全球卫星导航系统)等。所述有线通信可以包括通用串行总线(USB,Universal Serial Bus)、高清多媒体接口(HDMI,High-Definition MultimediaInterface)、推荐标准232(RS-232,Recommend Standard 232)、和/或简易老式电话服务(POTS,Plain Old Telephone Service)等,或几种的组合。
需要说明的是,以上对于基于车头时距的信息识别系统100的描述,仅为描述方便,并不能把本申请限制在所举实施例的范围之内。可以理解,对于本领域技术人员,基于本系统的原理,可能在不背离该原理的前提下,对各个元件进行任意组合,或者构成子系统与其他元件连接,对实施上述方法和系统的应用领域进行形式和细节上的各种修正和改变。例如,服务器140和/或控制端120可以通过电子警察等获取交通信息等。诸如此类的变形,均在本申请的保护范围之内。
图2是根据本申请的一些实施例提供的基于车头时距的信息识别方法的示例性流程图。如图2所述,流程200可以通过基于车头时距的信息识别系统100实现。在一些实施例中,所述基于车头时距的信息识别方法200可以自动启动或通过指令启动。所述指令可以包括系统指令、设备指令、用户指令、动作指令等,或几种的组合。
在201,获取第一位置的数据信息。操作201可以通过基于车头时距的信息识别系统100的控制端120、服务器140实现。在一些实施例中,控制端120和/或服务器140可以获取第一位置的数据信息。在一些实施例中,用户端130可以实时获取交通信息并发送至控制端120和/或服务器140。作为示例,所述第一位置可以包括路口,在第一区域可以包括多个第一位置,所述第一区域可以包括某一城市,控制端120和/或服务器140可以通过网络110获取该城市的路网数据等,例如,获取所述第一区域内所有第一位置的数据信息等。所述路网数据包括道路、路段、路口、车道等的图像信息和/或坐标信息等。在一些实施例中,所述图像信息可以基于坐标信息在控制端120和/或用户端130的显示界面中显示,所述界面可以包括但不限于通过VR,AR,MR,XR任一形式或组合形式进行图像信息和/或坐标信息的显示。在一些实施例中,所述数据信息可以包括但不限于过车数据,所述过车数据可以包括但不限于车辆号牌、车辆通过时间、路口编号、车道方向、车道编号、车道类型、车道流向等信息。
在202,确定第一位置周期级的车头时距变异系数。操作202可以通过基于车头时距的信息识别系统100的控制端120、服务器140实现。在一些实施例中,控制端120和/或服务器140可以确定第一位置周期级的车头时距变异系数。作为示例,控制端120和/或服务器140可以确定路口周期级的车头时距变异系数等。例如,控制端120和/或服务器140可以计算交叉口周期级各车道的车头时距变异系数等。所述车头时距分布用于分析车辆的行驶过程,可以识别低速车队或低速跟驰现象,所述低速车队或低速跟驰现象可以包括但不限于车辆时走时停、车距较小、车速较低(一般不超过30km/h),发动机长时间低转速运行等。所述低速车队或低速跟驰现象可以为诱发性拥堵的一种交通状态。所述车头时距变异系数可以用于分析当前交叉口汇入汇出的效率,分析对象为上游交叉口是否为低速车队,指标所分析的最小空间粒度为车道级,时间为周期级,可以识别具体车道在此周期内是否是低速车队等信息。
作为示例,步骤202可以进一步包括流程2020,流程2020可以包括步骤2021-2024。
在2021,确定各周期的车头时距序列。操作2021可以通过基于车头时距的信息识别系统100的控制端120、服务器140实现。在一些实施例中,控制端120和/或服务器140可以确定各周期的车头时距序列。作为示例,控制端120和/或服务器140可以计算各个周期内的车头时距序列等。
作为示例,所述确定各周期的车头时距序列具体可以包括:
其中,THi′为第i辆车的车头时距(单位为s);tg为所述周期内第一相位的第一信号启动时刻;ti为所述周期第i辆车通过第一位置的时间戳;i=1,2,...,N,N为所述周期内通过车辆数;所述第一信号可以为绿灯信号,当i=1时,所述车头时距为第一辆车通过时间戳与绿灯启亮时刻的时间差,受限于电警设备的抓拍位置,在周期内所检测到的第1辆~第4辆车可能在红灯期间内或上周期绿灯末到达,则TH1′~TH4′为负值。为得到可供分析的车头时距序列,需对TH1′~TH4′进行修正。
在2022,修正第一信号头部车辆的车头时距。操作2022可以通过基于车头时距的信息识别系统100的控制端120、服务器140实现。在一些实施例中,控制端120和/或服务器140可以修正第一信号头部车辆的车头时距。所述第一信号可以包括绿灯信号等,例如,控制端120和/或服务器140可以修正绿灯头部车辆的车头时距。例如,所述路口在周期内共有m辆车在红灯期间或上周期绿灯末到达,第m+1辆车在当前周期的绿灯期间到达,当红灯期间及上周期绿灯末到达车辆在绿灯启亮后均匀通过交叉口。同时,当绿灯启亮时,头车存在较长的启动损失时间,进一步进行修正TH1′~TH4′。
作为示例,所述修正第一信号头部车辆的车头时距具体可以包括:
THi为修正后的车头时距;tg为所述周期内第一相位的第一信号启动时刻;tm+1为第m+1辆车通过第一位置的时间戳;tl为第一信号启动时刻,车辆的启动损失时间;M为第一位置所捕获的滞留车辆数。
在2023,确定修正后的车头时距序列的变异系数。操作2023可以通过基于车头时距的信息识别系统100的控制端120、服务器140实现。在一些实施例中,控制端120和/或服务器140可以确定修正后的车头时距序列的变异系数。例如,控制端120和/或服务器140可以计算修正车头时距序列的变异系数等。
作为示例,所述确定修正后的车头时距序列的变异系数,具体可以包括:
cv为该周期该车道的车头时距序列{TH1,TH2,...,THN}的变异系数;σ(THN)为该车头时距序列的标准差;u(THN)为该车头时距序列的平均值。
在2024,判断车头时距变异程度,所述变异程度包括第一变异,第二变异,第三变异。操作2024可以通过基于车头时距的信息识别系统100的控制端120、服务器140实现。在一些实施例中,控制端120和/或服务器140可以判断车头时距变异程度,所述变异程度包括第一变异(高度变异),第二变异(中等变异),第三变异(轻度变异)。
作为示例,所述判断车头时距变异程度,具体可以包括当cv处于范围0~15%时属于第三变异现象(轻度变异现象),当cv处于范围16%~35%时属于第二变异现象(中等变异现象),当cv大于36%时属于第一变异现象(高度变异现象)。
在203,确定第一时段内的第一变异和第二变异周期的占比,以及连续第一变异周期数。操作203可以通过基于车头时距的信息识别系统100的控制端120、服务器140实现。在一些实施例中,控制端120和/或服务器140可以确定第一时段内的第一变异和第二变异周期的占比,以及连续第一变异周期数。作为示例,控制端120和/或服务器140可以计算各车道高峰小时内的中高度变异周期占比及连续高度变异周期数等。
作为示例,步骤203可以进一步包括流程2030,流程2030可以包括步骤2031-2033。
在2031,获取第一位置第一时段的数据表。操作2031可以通过基于车头时距的信息识别系统100的控制端120、服务器140实现。在一些实施例中,控制端120和/或服务器140可以获取第一位置第一时段的数据表。例如,控制端120和/或服务器140可以获取交叉口高峰小时的各项数据表等。所述数据表可以包括但不限于车道属性表,阶段信息表,路口阶段表,路口周期表,车道相位关系表,路口过车数据等。进一步,通过对所述数据表进行字段提取及合并,输出交叉口高峰小时起始时间内车道级,并包含相位周期字段的过车数据表等。
在2032,确定各车道第一时段内所有周期的车头时距变异系数。操作2032可以通过基于车头时距的信息识别系统100的控制端120、服务器140实现。在一些实施例中,控制端120和/或服务器140可以确定各车道第一时段内所有周期的车头时距变异系数。作为示例,控制端120和/或服务器140可以计算各车道高峰小时内所有周期的车头时距变异系数。例如,计算并输出高峰小时内车道级各周期内的车头变异系数与变异程度,所述变异程度包括轻度变异、中等变异、高度变异等。
在2033,确定各车道第一时段内,车头时距中高度变异的周期占比,及连续高度变异的周期数。操作2033可以通过基于车头时距的信息识别系统100的控制端120、服务器140实现。在一些实施例中,控制端120和/或服务器140可以确定各车道第一时段内,车头时距中高度变异的周期占比,及连续高度变异的周期数。作为示例,控制端120和/或服务器140可以计算各车道高峰小时内,车头时距中高度变异的周期占比,及连续高度变异周期数等。
在204,输出第一位置的识别信息。操作204可以通过基于车头时距的信息识别系统100的服务器140和/或控制端120实现。在一些实施例中,服务器140和/或控制端120可以输出第一位置的识别信息。在一些实施例中,所述第一位置的识别信息可以包括但不限于低效运行的路口信息及对应流向等。作为示例,所述第一位置的识别信息可以在显示界面显示等。
作为示例,步骤204可以进一步包括流程2040,流程2040可以包括步骤2041-2043。
在2041,获取第一区域内所有第一位置的车道级第一时段内车头时距变异记录表。操作2041可以通过基于车头时距的信息识别系统100的服务器140和/或控制端120实现。在一些实施例中,服务器140和/或控制端120可以获取第一区域内所有第一位置的车道级第一时段内车头时距变异记录表。作为示例,服务器140和/或控制端120可以获取辖区范围内所有路口的车道级高峰小时内车头时距变异记录表,所述车头时距变异记录表可以包括车头时距中高度变异周期占比,及连续高度变异的周期数字段等。
在2042,设定不同级别第一位置的第一、第二变异周期占比,以及连续第一变异周期数阈值。操作2042可以通过基于车头时距的信息识别系统100的服务器140和/或控制端120实现。在一些实施例中,服务器140和/或控制端120可以设定不同级别第一位置的第一、第二变异周期占比,以及连续第一变异周期数阈值。作为示例,服务器140和/或控制端120可以设定不同级别路口正常交织的中高度变异周期占比及连续高度变异周期数阈值。
根据本申请的一些实施例,步骤2042可以进一步包括步骤a-d。在步骤a,根据第一位置总流量划分第一位置规模级别;在步骤b,初步设定第一位置正常交织的第一、第二变异周期占比,以及连续第一变异周期数阈值;在步骤c,根据第一区域的数据信息,标定阈值;在步骤d,根据标定后的阈值,识别同时超出阈值的车道及对应第一位置、流向。
作为示例,在步骤a,根据路口总流量划分路口规模级别;在步骤b,初步设定路口正常交织的中高度变异周期占比及连续高度变异周期数阈值,如下表所示:
指标 | 左转 | 直行 | 右转 |
中高度变异周期占比 | c<sub>l</sub> | c<sub>s</sub> | c<sub>r</sub> |
连续高度变异周期数 | n<sub>l</sub> | n<sub>s</sub> | n<sub>r</sub> |
在步骤c,根据辖区实际情况,标定阈值;在步骤d,根据标定后的阈值,输出两项指标同时超出阈值的车道及对应路口、流向等。
在2043,输出第一效率运行的第一位置及对应流向。操作2043可以通过基于车头时距的信息识别系统100的服务器140和/或控制端120实现。在一些实施例中,服务器140和/或控制端120可以输出第一效率运行的第一位置及对应流向。所述第一效率可以包括阈值区间的效率,例如,所述第一效率运行可以包括但不限于低效运行等。又例如,所述第一效率运行可以包括高效运行等,例如,可以输出高效运行的路口及对应流向。作为示例,服务器140和/或控制端120可以输出低效运行的路口及对应流向。
根据本申请的一些实施例,流程200可以进一步包括优化低效运行的路口交通。作为示例,基于车头时距的信息识别系统100可以根据低效运行的路口识别信息,包括但不限于通过控制路口信号灯等方式优化低效运行的路口交通状态。
图3是根据本申请的一些实施例提供的基于车头时距的信息识别方法的框架流程图。如图3所示,基于车头时距的信息识别方法的框架流程图300,包括在301,计算交叉口周期级各车道的车头时距变异系数;在302,计算各车道高峰小时内的中高度变异周期占比及连续高度变异周期数;在303,输出低效运行路口及对应流向。
图4是根据本申请的一些实施例提供的基于车头时距的信息识别方法的具体流程图。如图4所示,基于车头时距的信息识别方法的具体流程图400,包括基于车头时距的信息识别方法的框架流程图300的具体实施流程。所述在301,计算交叉口周期级各车道的车头时距变异系数,具体可以包括在3011,计算各个周期内的车头时距序列;在3012,修正绿灯头部车辆的车头时距;在3013,计算修正车头时距序列的变异系数;在3014,判断车头时距变异程度。
所述在302,计算各车道高峰小时内的中高度变异周期占比及连续高度变异周期数,具体可以包括在3021,获取交叉口高峰小时的各项数据表;在3022,计算各车道高峰小时内所有周期的车头时距变异系数;在3023,计算各车道高峰小时内,车头时距中高度变异的周期占比,及连续高度变异的周期数。
所述在303,输出低效运行路口及对应流向,具体可以包括在3031,获取辖区范围内所有路口的车道级高峰小时内车头时距变异记录表;在3032,设定不同级别路口正常交织的中高度变异周期占比及连续高度变异周期数的阈值;在3033,输出低效运行的路口及对应流向。
需要说明的是,以上对于流程200的描述,仅为描述方便,并不能把本申请限制在所举实施例的范围之内。可以理解,对于本领域技术人员,基于本系统的原理,可能在不背离该原理的前提下,对各个操作进行任意组合,或者构成子流程与其它操作组合,对实施上述流程和操作的功能进行形式和细节上的各种修正和改变。例如,流程200可以进一步包括优化低效运行的路口交通等操作。诸如此类的变形,均在本申请的保护范围之内。
综上所述,根据本申请实施例的基于车头时距的信息识别方法及系统,通过修正绿灯启亮时头部车队的车头时距,使得车头时距序列更贴近交叉口实际运行情况;并分析交叉口的车头时距变异系数,快速高效地识别运行效率低的路口及对应流向,为交通事故预防管控、路口渠化及信号控制优化提供信息,科学提升城市交通运行效率。
需要注意的是,上述的实施例仅仅是用作示例,本申请不限于这样的示例,而是可以进行各种变化。
需要说明的是,在本说明书中,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“包括一个......”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
最后,还需要说明的是,上述一系列处理不仅包括以这里所述的顺序按时间序列执行的处理,而且包括并行或分别地、而不是按时间顺序执行的处理。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序指令相关的硬件来完成,所述的程序可存储于一计算机可读存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储器(Read-Only Memory,ROM)或随机存储器(Random Access Memory,RAM)等。
以上所揭露的仅为本申请一些优选的实施例,不能以此来限定本申请之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本申请权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (10)
1.一种基于车头时距的信息识别方法,其特征在于,包括:
获取第一位置的数据信息;
确定第一位置周期级的车头时距变异系数;
确定第一时段内的第一变异和第二变异周期的占比,以及连续第一变异周期数;
输出第一位置的识别信息。
2.根据权利要求1所述的方法,其特征在于,所述第一位置包括路口,所述确定第一位置周期级的车头时距变异系数具体包括:
确定各周期的车头时距序列;
修正第一信号头部车辆的车头时距;
确定修正后的车头时距序列的变异系数;
判断车头时距变异程度,所述变异程度包括第一变异,第二变异,第三变异。
6.根据权利要求5所述的方法,其特征在于,所述判断车头时距变异程度,具体包括:
当cv处于范围0~15%时属于第三变异现象,当cv处于范围16%~35%时属于第二变异现象,当cv大于36%时属于第一变异现象。
7.根据权利要求6所述的方法,其特征在于,所述确定第一时段内的第一变异和第二变异周期的占比,以及连续第一变异周期数具体包括:
获取第一位置第一时段的数据表;
确定各车道第一时段内所有周期的车头时距变异系数;
确定各车道第一时段内,车头时距中高度变异的周期占比,及连续高度变异的周期数。
8.根据权利要求7所述的方法,其特征在于,所述输出第一位置的识别信息具体包括:
获取第一区域内所有第一位置的车道级第一时段内车头时距变异记录表;
设定不同级别第一位置的第一、第二变异周期占比,以及连续第一变异周期数阈值;
输出第一效率运行的第一位置及对应流向。
9.根据权利要求8所述的方法,其特征在于,所述设定不同级别第一位置的第一、第二变异周期占比,以及连续第一变异周期数阈值具体包括:
根据第一位置总流量划分第一位置规模级别;
初步设定第一位置正常交织的第一、第二变异周期占比,以及连续第一变异周期数阈值;
根据第一区域的数据信息,标定阈值;
根据标定后的阈值,识别同时超出阈值的车道及对应第一位置、流向。
10.一个系统,其特征在于,包括:
一个存储器,被配置为存储数据及指令;
一个与存储器建立通信的处理器,其中,当执行存储器中的指令时,所述处理器被配置为:
获取第一位置的数据信息;
确定第一位置周期级的车头时距变异系数;
确定第一时段内的第一变异和第二变异周期的占比,以及连续第一变异周期数;
输出第一位置的识别信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111053886.2A CN113936453B (zh) | 2021-09-09 | 2021-09-09 | 一种基于车头时距的信息识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111053886.2A CN113936453B (zh) | 2021-09-09 | 2021-09-09 | 一种基于车头时距的信息识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113936453A true CN113936453A (zh) | 2022-01-14 |
CN113936453B CN113936453B (zh) | 2022-08-19 |
Family
ID=79275511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111053886.2A Active CN113936453B (zh) | 2021-09-09 | 2021-09-09 | 一种基于车头时距的信息识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113936453B (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002297833A (ja) * | 2001-03-30 | 2002-10-11 | Daiwa House Ind Co Ltd | 交通検証システム,交通検証装置,交通検証方法,プログラム並びにデータ記録媒体 |
CN102063645A (zh) * | 2009-11-13 | 2011-05-18 | 上海济祥智能交通科技有限公司 | 一种公共交通运行服务质量的评价系统 |
CN105809993A (zh) * | 2016-06-06 | 2016-07-27 | 北方工业大学 | 一种基于车辆停止线通过时间推算路口信号灯配时的方法 |
CN105957366A (zh) * | 2016-06-02 | 2016-09-21 | 西安费斯达自动化工程有限公司 | 基于图像检测与车间距偏差约束模型的交通信号控制方法 |
WO2017056525A1 (ja) * | 2015-09-30 | 2017-04-06 | 株式会社東芝 | 車載器および車頭間距離算出方法 |
CN106846812A (zh) * | 2017-03-14 | 2017-06-13 | 北京航空航天大学 | 一种十字路口的交通流量评估方法 |
CN106910336A (zh) * | 2016-11-03 | 2017-06-30 | 中兴软创科技股份有限公司 | 用于获取车头时距稳定系数的方法 |
CN107146412A (zh) * | 2017-06-07 | 2017-09-08 | 江苏大学 | 一种基于车联网的高速公路车辆防碰撞预警综合变量构建方法 |
CN107578620A (zh) * | 2017-08-07 | 2018-01-12 | 广东方纬科技有限公司 | 基于车道级系统的道路通行能力的计算方法、系统和装置 |
CN108320537A (zh) * | 2018-04-04 | 2018-07-24 | 迈锐数据(北京)有限公司 | 车辆排队长度的计算方法及装置 |
CN110910661A (zh) * | 2019-11-13 | 2020-03-24 | 北京百度网讯科技有限公司 | 路口信控机控制方法和装置 |
CN111260938A (zh) * | 2019-12-30 | 2020-06-09 | 浙江浙大中控信息技术有限公司 | 基于交通需求的可变车道自适应控制方法 |
WO2020132990A1 (zh) * | 2018-12-25 | 2020-07-02 | 北京嘀嘀无限科技发展有限公司 | 一种识别交叉路口的方法和系统 |
CN111477015A (zh) * | 2019-01-22 | 2020-07-31 | 上海宝康电子控制工程有限公司 | 实现交叉口车辆时空分布展示控制的方法、装置及其存储介质 |
WO2020186764A1 (zh) * | 2019-03-21 | 2020-09-24 | 江苏智通交通科技有限公司 | 基于视频号牌设备的待转区车道饱和车头时距计算方法 |
CN111815973A (zh) * | 2020-06-30 | 2020-10-23 | 平安国际智慧城市科技股份有限公司 | 信号交叉口分析方法及相关设备 |
WO2021004115A1 (zh) * | 2019-07-11 | 2021-01-14 | 北京航空航天大学 | 一种人工驾驶公交和自动驾驶公交联合调度优化方法 |
CN112489419A (zh) * | 2020-10-28 | 2021-03-12 | 华为技术有限公司 | 道路容量的确定方法、装置及存储介质 |
CN113127466A (zh) * | 2021-04-20 | 2021-07-16 | 同济大学 | 一种车辆轨迹数据预处理方法及计算机存储介质 |
-
2021
- 2021-09-09 CN CN202111053886.2A patent/CN113936453B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002297833A (ja) * | 2001-03-30 | 2002-10-11 | Daiwa House Ind Co Ltd | 交通検証システム,交通検証装置,交通検証方法,プログラム並びにデータ記録媒体 |
CN102063645A (zh) * | 2009-11-13 | 2011-05-18 | 上海济祥智能交通科技有限公司 | 一种公共交通运行服务质量的评价系统 |
WO2017056525A1 (ja) * | 2015-09-30 | 2017-04-06 | 株式会社東芝 | 車載器および車頭間距離算出方法 |
CN105957366A (zh) * | 2016-06-02 | 2016-09-21 | 西安费斯达自动化工程有限公司 | 基于图像检测与车间距偏差约束模型的交通信号控制方法 |
CN105809993A (zh) * | 2016-06-06 | 2016-07-27 | 北方工业大学 | 一种基于车辆停止线通过时间推算路口信号灯配时的方法 |
CN106910336A (zh) * | 2016-11-03 | 2017-06-30 | 中兴软创科技股份有限公司 | 用于获取车头时距稳定系数的方法 |
CN106846812A (zh) * | 2017-03-14 | 2017-06-13 | 北京航空航天大学 | 一种十字路口的交通流量评估方法 |
CN107146412A (zh) * | 2017-06-07 | 2017-09-08 | 江苏大学 | 一种基于车联网的高速公路车辆防碰撞预警综合变量构建方法 |
CN107578620A (zh) * | 2017-08-07 | 2018-01-12 | 广东方纬科技有限公司 | 基于车道级系统的道路通行能力的计算方法、系统和装置 |
CN108320537A (zh) * | 2018-04-04 | 2018-07-24 | 迈锐数据(北京)有限公司 | 车辆排队长度的计算方法及装置 |
WO2020132990A1 (zh) * | 2018-12-25 | 2020-07-02 | 北京嘀嘀无限科技发展有限公司 | 一种识别交叉路口的方法和系统 |
CN111477015A (zh) * | 2019-01-22 | 2020-07-31 | 上海宝康电子控制工程有限公司 | 实现交叉口车辆时空分布展示控制的方法、装置及其存储介质 |
WO2020186764A1 (zh) * | 2019-03-21 | 2020-09-24 | 江苏智通交通科技有限公司 | 基于视频号牌设备的待转区车道饱和车头时距计算方法 |
WO2021004115A1 (zh) * | 2019-07-11 | 2021-01-14 | 北京航空航天大学 | 一种人工驾驶公交和自动驾驶公交联合调度优化方法 |
CN110910661A (zh) * | 2019-11-13 | 2020-03-24 | 北京百度网讯科技有限公司 | 路口信控机控制方法和装置 |
CN111260938A (zh) * | 2019-12-30 | 2020-06-09 | 浙江浙大中控信息技术有限公司 | 基于交通需求的可变车道自适应控制方法 |
CN111815973A (zh) * | 2020-06-30 | 2020-10-23 | 平安国际智慧城市科技股份有限公司 | 信号交叉口分析方法及相关设备 |
CN112489419A (zh) * | 2020-10-28 | 2021-03-12 | 华为技术有限公司 | 道路容量的确定方法、装置及存储介质 |
CN113127466A (zh) * | 2021-04-20 | 2021-07-16 | 同济大学 | 一种车辆轨迹数据预处理方法及计算机存储介质 |
Non-Patent Citations (6)
Title |
---|
MIQUEL ESTRADA ETC.: "Bus control strategies in corridors with signalized intersections", 《TRANSPORTATION RESEARCH PART C: EMERGING TECHNOLOGIES》 * |
REZA MOHAJERPOOR ETC.: "Mixed flow of autonomous and human-driven vehicles: Analytical", 《TRANSPORTATION RESEARCH PART C》 * |
刘明君: "基于混合交通流的信号交叉口机动车车头时距研究", 《中国优秀博硕士学位论文全文数据库(博士)》 * |
孙猛: "基于卡口数据的交通参数提取方法研究", 《交通信息与安全》 * |
李振龙等: "交通信号倒计时对驾驶员启动反应时间的影响", 《交通信息与安全》 * |
陈娇: "城市快速路车头时距特性分析", 《中国优秀硕士学位论文全文数据库》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113936453B (zh) | 2022-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2018282316B2 (en) | Systems and methods for displaying movement of vehicle on map | |
CN111656140B (zh) | 预测交通事故发生地的人工智能系统和方法 | |
JP6423520B2 (ja) | サービスの供給状況を管理するシステム及び方法 | |
CN107507418B (zh) | 一种高速公路车辆进入服务区停留过程分析方法及装置 | |
JP2020173856A (ja) | 将来の輸送サービス時点の予測分布を求めるシステム及び方法 | |
CN105589939A (zh) | 识别群体运动轨迹方法和装置 | |
CN111325986B (zh) | 异常停车监测方法、装置、电子设备以及存储介质 | |
EP2831545B1 (en) | Digital location-based data methods and product | |
CN111881243B (zh) | 一种出租车轨迹热点区域分析方法及系统 | |
CN112805762B (zh) | 提高交通状况可视化的系统和方法 | |
CA3043672A1 (en) | A method of predicting a traffic behaviour in a road system | |
CN109308806B (zh) | 一种交通工具的行驶检测方法及服务器 | |
CN114596709A (zh) | 数据处理方法、装置、设备以及存储介质 | |
CN111696347B (zh) | 一种自动化分析交通事件信息的方法和装置 | |
CN112651550A (zh) | 一种路况预测方法、装置及可读存储介质 | |
CN113936453B (zh) | 一种基于车头时距的信息识别方法及系统 | |
CN116664025A (zh) | 装卸货位置点生成方法、装置及设备 | |
CN113761398B (zh) | 信息推荐方法、装置、电子设备以及存储介质 | |
CN112307361A (zh) | 恶劣天气提示方法、提示系统、存储介质、及电子设备 | |
CN105654340A (zh) | 旅客真实航程的确定方法及系统 | |
CN115423303A (zh) | 一种基于动态交通流的v2x动态电子车道规划方法及装置 | |
CN113393011A (zh) | 预测限速信息的方法、装置、计算机设备和介质 | |
CN113124894B (zh) | 一种信息处理方法、信息处理装置和电子设备 | |
CN113936454A (zh) | 一种基于轨迹融合的信息处理方法及系统 | |
CN111325992B (zh) | 行驶速度的确定方法、装置和设备 |
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 |