CN114169247A - 仿真交通流的生成方法、装置、设备和计算机可读存储介质 - Google Patents
仿真交通流的生成方法、装置、设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN114169247A CN114169247A CN202111522852.3A CN202111522852A CN114169247A CN 114169247 A CN114169247 A CN 114169247A CN 202111522852 A CN202111522852 A CN 202111522852A CN 114169247 A CN114169247 A CN 114169247A
- Authority
- CN
- China
- Prior art keywords
- data
- driving behavior
- traffic flow
- actual driving
- behavior data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000006399 behavior Effects 0.000 claims abstract description 166
- 238000004088 simulation Methods 0.000 claims abstract description 41
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims description 24
- 230000009467 reduction Effects 0.000 claims description 17
- 238000012847 principal component analysis method Methods 0.000 claims description 9
- 230000006855 networking Effects 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000013138 pruning Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 8
- 230000000875 corresponding effect Effects 0.000 description 11
- 238000012360 testing method Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了一种仿真交通流的生成方法、装置、设备和介质。该方法通过获取驾驶员实际行驶过程中采集的实际驾驶行为数据，所述实际驾驶行为数据包括至少两个维度的指标数据；对所述实际驾驶行为数据进行指标数据聚类分析，以进行驾驶行为分类，并获取分类占比；根据每类驾驶行为的实际驾驶行为数据，确定对应类驾驶行为的指标配置参数；根据所述驾驶行为的分类和分类占比，以及每类驾驶行为的指标配置参数，建立交通流仿真模型；根据所述交通流仿真模型，生成仿真交通流。本发明实施例提高了随机仿真交通流中生成场景的精确度的技术效果。
Description
技术领域
本发明实施例涉及车辆技术领域，尤其涉及一种仿真交通流的生成方法。
背景技术
当前车辆的自动驾驶功能在开发完成后，需要经过大量测试才能达到实车应用的要求，单一的测试场景难以满足大规模并发测试的仿真需求，所以需要建立随机交通流，并在整个交通流的路网中进行仿真场景的构建。
目前，现有的随机交通流的生成方式通常方法是根据软件自动生成随机交通流，或者是根据经验数据来设置驾驶员模型参数，这样生成的仿真交通流存在效果失真，无法符合中国驾驶员的驾驶习惯，导致生成的仿真场景真实性差，影响下一步的仿真测试效果。
发明内容
本发明实施例提供一种仿真交通流的生成方法、装置、设备和计算机可读存储介质，以实现生成仿真交通流的真实性和有效性。
第一方面，本发明实施例提供了一种仿真交通流的生成方法，包括：
获取驾驶员实际行驶过程中采集的实际驾驶行为数据，所述实际驾驶行为数据包括至少两个维度的指标数据；
对所述实际驾驶行为数据进行指标数据聚类分析，以进行驾驶行为分类，并获取分类占比；
根据每类驾驶行为的实际驾驶行为数据，确定对应类驾驶行为的指标配置参数；
根据所述驾驶行为的分类和分类占比，以及每类驾驶行为的指标配置参数，建立交通流仿真模型；
根据所述交通流仿真模型，生成仿真交通流。
第二方面，本发明实施例还提供了一种仿真交通流的生成装置，包括：
获取模块，用于获取驾驶员实际行驶过程中采集的实际驾驶行为数据，所述实际驾驶行为数据包括至少两个维度的指标数据；
分析模块，用于对所述实际驾驶行为数据进行指标数据聚类分析，以进行驾驶行为分类，并获取分类占比；
建模模块，用于根据每类驾驶行为的实际驾驶行为数据，确定对应类驾驶行为的指标配置参数；根据所述驾驶行为的分类和分类占比，以及每类驾驶行为的指标配置参数，建立交通流仿真模型；
生成模块，用于根据所述交通流仿真模型，生成仿真交通流。
第三方面，本发明实施例还提供了一种电子设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的一种仿真交通流的生成方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的一种仿真交通流的生成方法。
本发明实施例通过获取驾驶员实际行驶过程中采集的实际驾驶行为数据，所述实际驾驶行为数据包括至少两个维度的指标数据；对所述实际驾驶行为数据进行指标数据聚类分析，以进行驾驶行为分类，并获取分类占比；根据每类驾驶行为的实际驾驶行为数据，确定对应类驾驶行为的指标配置参数；根据所述驾驶行为的分类和分类占比，以及每类驾驶行为的指标配置参数，建立交通流仿真模型；根据所述交通流仿真模型，生成仿真交通流，解决了现有的随机交通流自动生成的方式真实性较差的技术问题，达到了为构建仿真交通流中的驾驶员模型提供有力的数据支撑，使仿真交通流中的驾驶员驾驶行为更加符合中国驾驶员的习惯，提高随仿真交通流中生成场景的精确度的技术效果。
附图说明
图1为本发明实施例一提供了一种仿真交通流的生成方法的流程图；
图2为本发明实施例二提供了一种仿真交通流的生成方法的流程图；
图3为本发明实施例三提供了一种仿真交通流的生成装置的结构示意图；
图4是本发明实施例四提供了一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供的仿真交通流的生成方法的流程图，本实施例可适用于为自动驾驶车辆的测试需求而构建仿真交流通的情况，该方法可以由仿真交通流的生成装置来执行，该装置可以采用软件和/或硬件的方式来实现。该装置可配置于具有数据处理能力的电子设备，该方法具体包括：
S110、获取驾驶员实际行驶过程中采集的实际驾驶行为数据，所述实际驾驶行为数据包括至少两个维度的指标数据；
可选的，实际行驶过程的地点包括：高速道路、城市道路、乡村公路和市郊道路等等，实际行驶过程的方式可以包括：直行、倒车、转弯和原地转向等等。
所述指标数据可以包括下述至少两种：车速、加减速度、里程和方向盘转角等。指标数据可以为能够反映驾驶员实际驾驶行为的数据。
具体的，所述车速可以包括车辆每隔固定间隔的平均速度，固定间隔可预设为10米、50米或100米等等，加减速度可以为每次检测到速度值发生变化时产生的变化率，所述里程可以包括车辆一次完整行程的行驶长度或行驶轨迹，一次完整行程指的是同一车辆行驶速度除始终之外非零的驾驶过程。
进一步的，获取驾驶员实际行驶过程中采集的实际驾驶行为数据，还包括：根据指标数据计算出的加速度梯度、减速度梯度、方向盘转角角速度等等。
可选的，获取驾驶员实际行驶过程中采集的实际驾驶行为数据，包括：
从车联网数据中获取驾驶员实际行驶过程中采集的实际驾驶行为数据。
可以得到的是，从车联网数据中获取驾驶员实际行驶过程中采集的实际驾驶行为数据，具有数据量大(已售车辆信息均可以收集)、CAN信号采集通道多的显著优点。车联网数据满足大数据分析的数据需求，由此数据分析得来的结论可以代表中国驾驶员驾驶习惯。并且可以根据GPS数据的筛选对不同地区(南北方差异、城市农村差异)、或者根据时间的筛选对不同驾驶时间(早晚高峰、节假日)驾驶员驾驶风格进行分类的分析，可以更加精准的构建驾驶员模型。
其中，所述车联网数据，包括：主机厂生产并销售的量产车辆上的传感器信号数据。
需要说明的是，车联网指的是车辆上的车载设备通过无线通信技术，对信息网络平台中的所有车辆动态信息进行有效利用。车联网体系结构主要由三大层次结构组成的，按照其层次由高到低分别是应用层、网络层和采集层。本发明实施例中采集的车联网数据主要来自采集层，它是由各种车载传感器完成的，包括车辆实时运行参数、道路环境参数以及预测参数等等，例如车速、方向、位置、里程、发动机转速、车内温度等等。所有采集到的数据将会上传到后台服务器进行统一的处理与分析，得到用户所需要的业务数据，为车联网提供可靠的数据支持。
在本实施例的技术方案中，可选的是，获取驾驶员实际行驶过程中采集的实际驾驶行为数据之后，还包括执行下述至少一项操作：
对所述实际驾驶行为数据的缺失部分进行补充；
对所述传感器信号数据的误报数据进行删减；
对所述实际驾驶行为数据进行去重处理。
具体的，当检测某一驾驶过程存在明显缺失的数据，如信号数据种类不全，或传感器误报的数据，如明显超出正常阈值，可以根据其他车辆阈值范围内的数据对应来拟合该缺失或误报数据，用拟合出来的数据对原缺失或错误数据进行补充替换或删除。
进一步的，当存在缺失或错误数据之一时采用拟合的方式对原数据进行补充替换，可以对于同一驾驶过程既存在缺失数据又存在错误数据的则直接删除该条驾驶行为数据。
S120、对所述实际驾驶行为数据进行指标数据聚类分析，以进行驾驶行为分类，并获取分类占比；
需要说明的是，所述聚类分析指将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程。本发明实施例对所述实际驾驶行为数据进行指标数据聚类分析，使数据显示更直观、简明。
S130、根据每类驾驶行为的实际驾驶行为数据，确定对应类驾驶行为的指标配置参数；
可以得到的是，将实际驾驶行为数据进行指标数据聚类分析后，可以得到各类驾驶行为指标数据的分类占比。按照实际驾驶员驾驶风格占比设置随机交通流中驾驶员风格占比，并依据不同风格的驾驶参数设置驾驶员模型。可以使生成的随机车辆驾驶行为更加符合中国驾驶员的习惯，提高仿真场景的真实性，有助于提高仿真测试精度，使算法的测试结果更具有说服力。
S140、根据所述驾驶行为的分类和分类占比，以及每类驾驶行为的指标配置参数，建立交通流仿真模型；
可以得到的是，现有技术中通常仅对驾驶员驾驶状态数据进行分析建模，生成的仿真场景真实性较差。本发明实施例中对驾驶员的行为分析参数较多，既考虑了实际驾驶行为数据，也包含了驾驶员的驾驶风格和不同驾驶风格中驾驶参数分布状态，使训练出来的模型具有预测准确度高，成本低廉的优点。
可选的，根据所述驾驶行为的分类和分类占比，以及每类驾驶行为的指标配置参数，建立交通流仿真模型的方式，可以通过深度学习模型或机器学习模型。建立驾驶员模型的方式可以通过建模软件，也可通过仿真硬件。
S150、根据所述交通流仿真模型，生成仿真交通流。
具体的，模型中参数的分布方式也按照之前不同驾驶风格中驾驶参数分布状态进行设置，模型输出为模拟的车辆行驶状态。
需要说明的是，本发明实施例中仿真交通流类型为随机交通流。具体的，所述随机交通流为：在假定道路上行驶的车辆互相独立、车辆分布随机的情况下，假设各个车辆行驶状态的一种概率模型。
可以得到的是，本发明实施例所采用的随机交通流可以很好的满足大规模并发仿真测试的需求。具体的，对所述随机交通流进行模型建立可以提高自动驾驶仿真测试场景的覆盖度，提高仿真测试效率，使交通流中的驾驶员驾驶行为更加符合中国驾驶员的习惯，提高随机交通流中生成场景的精确度。
本实施例的技术方案，通过获取驾驶员实际行驶过程中采集的实际驾驶行为数据，所述实际驾驶行为数据包括至少两个维度的指标数据；对所述实际驾驶行为数据进行指标数据聚类分析，以进行驾驶行为分类，并获取分类占比；根据每类驾驶行为的实际驾驶行为数据，确定对应类驾驶行为的指标配置参数；根据所述驾驶行为的分类和分类占比，以及每类驾驶行为的指标配置参数，建立交通流仿真模型；根据所述交通流仿真模型，生成仿真交通流，解决了现有的随机交通流自动生成的方式真实性较差的技术问题，达到了为构建仿真交通流中的驾驶员模型提供有力的数据支撑，使仿真交通流中的驾驶员驾驶行为更加符合中国驾驶员的习惯，提高随仿真交通流中生成场景的精确度的技术效果。
实施例二
图2为本发明实施例二提供的方法流程图，本实施例在上述各实施例的基础上进一步进行了优化，“对所述实际驾驶行为数据进行指标数据聚类分析，以进行驾驶行为分类，并获取分类占比的操作”给出了具体实现方案，提供了驾驶行为的指标配置参数的确定过程，该方法具体包括如下步骤：
S210、获取驾驶员实际行驶过程中采集的实际驾驶行为数据，所述实际驾驶行为数据包括至少两个维度的指标数据；
S220、针对所述实际驾驶行为数据的每个维度的指标数据进行归一化处理，并对归一化结果利用主成分分析法进行多维因子降维处理；
需要说明的是，所述归一化方法是把数变为(0，1)之间的小数，主要是为了数据处理方便提出来的，把数据映射到0～1范围之内处理。本发明实施例通过归一化将各类驾驶行为指标数据转化为各类0-1间无量纲的数据，使后续的数据处理更加便捷快速。
进一步的，主成分分析是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。本发明实施例中通过将各类归一化之后的指标数据利用主成分分析法进行多维因子降维处理，得到对建模结果有实质性作用的一组相互无关的新数据。对归一化结果利用主成分分析法进行多维因子降维处理，减少了数据量，提高了分析效率。
S230、对降维处理后的指标数据进行聚类，以获得驾驶行为分类结果和分类占比。
可选的是，所述驾驶行为分类结果包括：温和驾驶员、激进驾驶员和一般型驾驶员。
具体的，本发明实施例获得和温和驾驶员、激进驾驶员和一般型驾驶员三者分别对应的分类占比，交通流仿真模型中的交通流也按照该分类占比进行分布，进而按比例生成模拟的车辆行驶状态。
S240、针对每类实际驾驶行为数据的每个维度的指标数据进行归一化处理，并对归一化结果利用主成分分析法进行多维因子降维处理；
S250、针对降维处理后的每类指标数据，提取统计值，作为该类指标数据的指标配置参数。
S260、根据所述驾驶行为的分类和分类占比，以及每类驾驶行为的指标配置参数，建立交通流仿真模型；
S270、根据所述交通流仿真模型，生成仿真交通流。
具体的，本发明实施例根据所述驾驶行为的分类和分类占比，以及每类驾驶行为的指标配置参数，建立交通流仿真模型。可以得到的是，现有技术中通常仅对驾驶员驾驶状态数据进行分析建模，生成的仿真场景真实性较差。本发明实施例中对驾驶员的行为分析参数较多，既考虑了实际驾驶行为数据，也包含了驾驶员的驾驶风格和不同驾驶风格中驾驶参数分布状态，使训练出来的模型具有预测准确度高，成本低廉的优点。
本实施例的技术方案，通过针对实际驾驶行为数据的每个维度的指标数据进行归一化处理，并对归一化结果利用主成分分析法进行多维因子降维处理，对降维处理后的指标数据进行聚类，以获得驾驶行为分类结果和分类占比，解决了选取的数据量过大导致的计算成本过高的技术问题，达到了提升模型的计算效率和建模的时效性，降低无效错误数据对建模的影响，提高建模的准确性的技术效果。
实施例三
图4是本发明实施例四提供的一种仿真交通流的生成装置的结构示意图，该装置可执行本发明任意实施例所提供的仿真交通流的生成方法，具备执行方法相应的功能模块和有益效果，本实施例可适用于对实车进行仿真道路测试的环境中。该装置包括：获取模块301，分析模块302，建模模块303，生成模块304。
行为数据获取模块301，用于获取驾驶员实际行驶过程中采集的实际驾驶行为数据，所述实际驾驶行为数据包括至少两个维度的指标数据；
驾驶行为分析模块302，用于对所述实际驾驶行为数据进行指标数据聚类分析，以进行驾驶行为分类，并获取分类占比；
配置参数确定模块303，用于根据每类驾驶行为的实际驾驶行为数据，确定对应类驾驶行为的指标配置参数；
仿真模型建立模块304，用于根据所述驾驶行为的分类和分类占比，以及每类驾驶行为的指标配置参数，建立交通流仿真模型；
交通流生成模块305，用于根据所述交通流仿真模型，生成仿真交通流。
进一步的，所述指标数据包括下述至少两种：车速、加减速度、里程和方向盘转角。
进一步的，所述驾驶行为分析模块302，还包括：
指标数据降维单元，用于针对所述实际驾驶行为数据的每个维度的指标数据进行归一化处理，并对归一化结果利用主成分分析法进行多维因子降维处理；
指标数据聚类单元，用于对降维处理后的指标数据进行聚类，以获得驾驶行为分类结果和分类占比。
进一步的，所述驾驶行为分类结果包括：温和驾驶员、激进驾驶员和一般型驾驶员。
进一步的，所述配置参数确定模块303，还包括：
针对每类实际驾驶行为数据的每个维度的指标数据进行归一化处理，并对归一化结果利用主成分分析法进行多维因子降维处理；
针对降维处理后的每类指标数据，提取统计值，作为该类指标数据的指标配置参数。
进一步的，获取驾驶员实际行驶过程中采集的实际驾驶行为数据，包括：
从车联网数据中获取驾驶员实际行驶过程中采集的实际驾驶行为数据；
其中，所述车联网数据，包括：主机厂生产并销售的量产车辆上的传感器信号数据。
进一步的，所述装置，还包括：
行为数据预处理模块，用于对所述实际驾驶行为数据的缺失部分进行补充；
对所述传感器信号数据的误报数据进行删减；
对所述实际驾驶行为数据进行去重处理。
本实施例的技术方案，通过获取驾驶员实际行驶过程中采集的实际驾驶行为数据，所述实际驾驶行为数据包括至少两个维度的指标数据；对所述实际驾驶行为数据进行指标数据聚类分析，以进行驾驶行为分类，并获取分类占比；根据每类驾驶行为的实际驾驶行为数据，确定对应类驾驶行为的指标配置参数；根据所述驾驶行为的分类和分类占比，以及每类驾驶行为的指标配置参数，建立交通流仿真模型；根据所述交通流仿真模型，生成仿真交通流，解决了现有的随机交通流自动生成的方式真实性较差的技术问题，达到了为构建仿真交通流中的驾驶员模型提供有力的数据支撑，使仿真交通流中的驾驶员驾驶行为更加符合中国驾驶员的习惯，提高随仿真交通流中生成场景的精确度的技术效果。
实施例四
图4为本发明实施例五提供的一种电子设备的结构示意图。图4示出了适于用来实现本发明实施方式的终端412的框图。图4显示的终端412仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，终端412以通用计算设备的形式表现，并具有通过拍照、截图等保存图片以及翻译功能。终端412的组件可以包括但不限于：一个或者多个处理器416，存储装置428，连接不同系统组件(包括存储装置428和处理器416)的总线418。
总线418表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
终端412典型地包括多种计算机系统可读介质。这些介质可以是任何能够被终端412访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储装置428可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)430和/或高速缓存存储器432。终端412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统434可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储装置428可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块442的程序440，可以存储在例如存储装置428中，这样的程序模块442包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块442通常执行本发明所描述的实施例中的功能和/或方法。
终端412也可以与一个或多个外部设备414(例如键盘、指向设备、摄像头、显示器424等)通信，还可与一个或者多个使得用户能与该终端412交互的设备通信，和/或与使得该终端412能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口422进行。并且，终端412还可以通过网络适配器420与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器420通过总线418与终端412的其它模块通信。应当明白，尽管图中未示出，可以结合终端412使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器416通过运行存储在存储装置428中的程序，从而执行各种功能应用以及数据处理，例如实现本发明上述实施例所提供的一种仿真交通流的生成方法。
实施例六
本发明实施例六还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种仿真交通流的生成方法，该方法包括：
获取驾驶员实际行驶过程中采集的实际驾驶行为数据，所述实际驾驶行为数据包括至少两个维度的指标数据；
对所述实际驾驶行为数据进行指标数据聚类分析，以进行驾驶行为分类，并获取分类占比；
根据每类驾驶行为的实际驾驶行为数据，确定对应类驾驶行为的指标配置参数；
根据所述驾驶行为的分类和分类占比，以及每类驾驶行为的指标配置参数，作为交通流仿真模型；
根据所述交通流仿真模型，生成仿真交通流。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的仿真交通流的生成方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述搜索装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种仿真交通流的生成方法，其特征在于，包括：
获取驾驶员实际行驶过程中采集的实际驾驶行为数据，所述实际驾驶行为数据包括至少两个维度的指标数据；
对所述实际驾驶行为数据进行指标数据聚类分析，以进行驾驶行为分类，并获取分类占比；
根据每类驾驶行为的实际驾驶行为数据，确定对应类驾驶行为的指标配置参数；
根据所述驾驶行为的分类和分类占比，以及每类驾驶行为的指标配置参数，建立交通流仿真模型；
根据所述交通流仿真模型，生成仿真交通流。
2.根据权利要求1所述的方法，其特征在于，所述指标数据包括下述至少两种：车速、加减速度、里程和方向盘转角。
3.根据权利要求1所述的方法，其特征在于，对所述实际驾驶行为数据进行指标数据聚类分析，以进行驾驶行为分类，并获取分类占比包括：
针对所述实际驾驶行为数据的每个维度的指标数据进行归一化处理，并对归一化结果利用主成分分析法进行多维因子降维处理；
对降维处理后的指标数据进行聚类，以获得驾驶行为分类结果和分类占比。
4.根据权利要求1所述的方法，其特征在于：所述驾驶行为分类结果包括：温和驾驶员、激进驾驶员和一般型驾驶员。
5.根据权利要求1所述的方法，其特征在于，根据每类驾驶行为的实际驾驶行为数据，确定对应类驾驶行为的指标配置参数包括：
针对每类实际驾驶行为数据的每个维度的指标数据进行归一化处理，并对归一化结果利用主成分分析法进行多维因子降维处理；
针对降维处理后的每类指标数据，提取统计值，作为该类指标数据的指标配置参数。
6.根据权利要求1所述的方法，其特征在于，获取驾驶员实际行驶过程中采集的实际驾驶行为数据，包括：
从车联网数据中获取驾驶员实际行驶过程中采集的实际驾驶行为数据；
其中，所述车联网数据，包括：主机厂生产并销售的量产车辆上的传感器信号数据。
7.根据权利要求6所述的方法，其特征在于，获取驾驶员实际行驶过程中采集的实际驾驶行为数据之后，还包括执行下述至少一项操作：
对所述实际驾驶行为数据的缺失部分进行补充；
对所述传感器信号数据的误报数据进行删减；
对所述实际驾驶行为数据进行去重处理。
8.一种仿真交通流的生成装置，其特征在于，包括：
行为数据获取模块，用于获取驾驶员实际行驶过程中采集的实际驾驶行为数据，所述实际驾驶行为数据包括至少两个维度的指标数据；
驾驶行为分析模块，用于对所述实际驾驶行为数据进行指标数据聚类分析，以进行驾驶行为分类，并获取分类占比；
配置参数确定模块，用于根据每类驾驶行为的实际驾驶行为数据，确定对应类驾驶行为的指标配置参数；
仿真模型建立模块，用于根据所述驾驶行为的分类和分类占比，以及每类驾驶行为的指标配置参数，建立交通流仿真模型；
交通流生成模块，用于根据所述交通流仿真模型，生成仿真交通流。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7任一所述的一种仿真交通流的生成方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一所述的一种仿真交通流的生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111522852.3A CN114169247A (zh) | 2021-12-13 | 2021-12-13 | 仿真交通流的生成方法、装置、设备和计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111522852.3A CN114169247A (zh) | 2021-12-13 | 2021-12-13 | 仿真交通流的生成方法、装置、设备和计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114169247A true CN114169247A (zh) | 2022-03-11 |
Family
ID=80486165
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111522852.3A Pending CN114169247A (zh) | 2021-12-13 | 2021-12-13 | 仿真交通流的生成方法、装置、设备和计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114169247A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115240409A (zh) * | 2022-06-17 | 2022-10-25 | 上海智能网联汽车技术中心有限公司 | 一种基于驾驶员模型和交通流模型提取危险场景的方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150266455A1 (en) * | 2013-12-06 | 2015-09-24 | Christopher Kenneth Wilson | Systems and Methods for Building Road Models, Driver Models, and Vehicle Models and Making Predictions Therefrom |
| CN110263381A (zh) * | 2019-05-27 | 2019-09-20 | 南京航空航天大学 | 一种自动驾驶车辆测试仿真场景生成方法 |
| CN112035536A (zh) * | 2020-06-24 | 2020-12-04 | 国网天津市电力公司电力科学研究院 | 一种考虑动态路网交通流的电动汽车能耗预测方法 |
-
2021
- 2021-12-13 CN CN202111522852.3A patent/CN114169247A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150266455A1 (en) * | 2013-12-06 | 2015-09-24 | Christopher Kenneth Wilson | Systems and Methods for Building Road Models, Driver Models, and Vehicle Models and Making Predictions Therefrom |
| CN110263381A (zh) * | 2019-05-27 | 2019-09-20 | 南京航空航天大学 | 一种自动驾驶车辆测试仿真场景生成方法 |
| CN112035536A (zh) * | 2020-06-24 | 2020-12-04 | 国网天津市电力公司电力科学研究院 | 一种考虑动态路网交通流的电动汽车能耗预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| A. M. AVILA 等: "Data-driven analysis and forecasting of highway traffic dynamics", NATURE COMMUNICATIONS, 29 April 2020 (2020-04-29), pages 1 - 16 * |
| JAUME BARCELÓ: "Models, Traffic Models, Simulation, and Traffic Simulation", FUNDAMENTALS OF TRAFFIC SIMULATION, 1 January 2010 (2010-01-01), pages 1 - 62 * |
| 吴紫恒: "基于数据挖掘的驾驶行为与道路拥堵分析", 中国博士学位论文全文数据库 工程科技Ⅱ辑, 15 October 2019 (2019-10-15), pages 034 - 11 * |
| 韩慧龙: "基于数据挖掘的交通流机理分析", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, 15 January 2015 (2015-01-15), pages 034 - 437 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115240409A (zh) * | 2022-06-17 | 2022-10-25 | 上海智能网联汽车技术中心有限公司 | 一种基于驾驶员模型和交通流模型提取危险场景的方法 |
| CN115240409B (zh) * | 2022-06-17 | 2024-02-06 | 上智联(上海)智能科技有限公司 | 一种基于驾驶员模型和交通流模型提取危险场景的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107784597B (zh) | 出行方式识别方法、装置、终端设备及存储介质 | |
| WO2020107894A1 (zh) | 一种驾驶行为评分方法、装置及计算机可读存储介质 | |
| CN107194412A (zh) | 一种处理数据的方法、装置、设备和计算机存储介质 | |
| CN108960074B (zh) | 基于深度学习的小尺寸行人目标检测方法 | |
| CN108229567A (zh) | 驾驶员身份识别方法及装置 | |
| CN112541515A (zh) | 模型训练方法、驾驶数据处理方法、装置、介质和设备 | |
| CN115129594A (zh) | 测试场景处理方法、装置、电子设备和存储介质 | |
| Hamed et al. | Fuel consumption prediction model using machine learning | |
| CN114169247A (zh) | 仿真交通流的生成方法、装置、设备和计算机可读存储介质 | |
| CN114792397A (zh) | 一种sar影像城市道路提取方法、系统以及存储介质 | |
| Ali et al. | Future connected vehicles: challenges and opportunities for spatio-temporal computing | |
| Wang et al. | Abnormal trajectory detection based on geospatial consistent modeling | |
| CN111369790B (zh) | 过车记录校正方法、装置、设备及存储介质 | |
| CN115546743B (zh) | 基于附着系数的车路协同控制方法、装置、设备及介质 | |
| CN117095230A (zh) | 基于图像大数据智能分析的空气质量低耗评估方法及系统 | |
| Hull et al. | Developing a representative driving cycle for paratransit that reflects measured data transients: Case study in Stellenbosch, South Africa | |
| CN111444286A (zh) | 一种基于轨迹数据的远距离交通节点关联性挖掘方法 | |
| CN110555425A (zh) | 一种视频流实时行人检测方法 | |
| CN116484244A (zh) | 基于聚类模型的自动驾驶事故发生机制分析方法 | |
| CN115661444A (zh) | 图像处理方法、装置、设备、存储介质及产品 | |
| CN115546522A (zh) | 运动目标的识别方法以及相关装置 | |
| CN114358196A (zh) | 高架场景下的训练样本生成方法、装置、设备及存储介质 | |
| CN114895274A (zh) | 一种护栏识别方法 | |
| CN114743395A (zh) | 一种信号灯检测方法、装置、设备及介质 | |
| CN111860661A (zh) | 基于用户行为的数据分析方法、装置、电子设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |