CN114333335A - 基于轨迹数据的车道级交通状态估计方法、装置及系统 - Google Patents
基于轨迹数据的车道级交通状态估计方法、装置及系统 Download PDFInfo
- Publication number
- CN114333335A CN114333335A CN202210251650.8A CN202210251650A CN114333335A CN 114333335 A CN114333335 A CN 114333335A CN 202210251650 A CN202210251650 A CN 202210251650A CN 114333335 A CN114333335 A CN 114333335A
- Authority
- CN
- China
- Prior art keywords
- time step
- traffic flow
- value
- data
- information
- 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
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及计算机软件领域，具体而言，涉及一种基于轨迹数据的车道级交通状态估计方法、装置及系统，所述方法包括获取交通流的上一时间步长的观测数据和当前时间步长的观测数据，并将所述上一时间步长的观测数据发送至观测模型进行处理，将处理得到的上一时间步长的交通流的速度观测值和上一时间步长的交通流的密度观测值发送至预测模型进行转化处理，然后将转化得到的当前时间步长交通流状态数据的预测结果发送至观测模型进行计算，基于扩展卡尔曼滤波对当前时间步长交通流状态数据的预测结果、当前时间步长的观测数据进行汇总处理，得到当前时间步长分配权重后的交通流状态估计结果，本方法运算快，精确到车道级交通状态估计。
Description
技术领域
本发明涉及计算机软件领域，具体而言，涉及一种基于轨迹数据的车道级交通状态估计方法、装置及系统。
背景技术
交通流模型在交通状态估计、交通控制与管理和网络需求分析等方面都有着很广泛的应用。目前绝大多数可用性、泛化性能较强的交通流模型，均为针对于路段的，也就是不区分车道，原因在于对于换道行为的数据获取难度大、模型构建理论多，普适性较差，现有的应用上，普遍使用采样技术解决估计问题，需要储存大量数据，耗时，占用大量计算资源，现需要一种车道级的交通状态估计方法来实现精确交通状态估计。
发明内容
本发明的目的在于提供一种基于轨迹数据的车道级交通状态估计方法、装置及系统，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
一方面，本申请提供了一种基于轨迹数据的车道级交通状态估计方法，所述方法包括：
获取第一信息和第二信息，所述第一信息包括上一时间步长的智能网联车的轨迹数据、上一时间步长的线圈定点数据和上一时间步长的浮动车的轨迹数据；所述第二信息包括当前时间步长的智能网联车的轨迹数据、当前时间步长的线圈定点数据和当前时间步长的浮动车的轨迹数据；将所述第一信息发送至观测模型进行计算，得到上一时间步长的交通流的速度观测值和上一时间步长的交通流的密度观测值；将所述上一时间步长的交通流的速度观测值和所述上一时间步长的交通流的密度观测值发送至预测模型进行转化处理，得到当前时间步长交通流状态数据的预测结果；将所述第二信息发送至观测模型进行计算，得到当前时间步长的交通流的速度观测值和当前时间步长的交通流的密度观测值；基于扩展卡尔曼滤波对当前时间步长交通流状态数据的预测结果、当前时间步长的交通流的速度值和当前时间步长的交通流的密度值进行汇总处理，得到当前时间步长分配权重后的交通流状态估计结果。
第二方面，本申请实施例提供了一种基于轨迹数据的车道级交通状态估计系统，所述系统包括：
第一获取单元，用于获取第一信息和第二信息，所述第一信息包括上一时间步长的智能网联车的轨迹数据、上一时间步长的线圈定点数据和上一时间步长的浮动车的轨迹数据；所述第二信息包括当前时间步长的智能网联车的轨迹数据、当前时间步长的线圈定点数据和当前时间步长的浮动车的轨迹数据；第一计算单元，用于将所述第一信息发送至观测模型进行计算，得到上一时间步长的交通流的速度观测值和上一时间步长的交通流的密度观测值；第一转化单元，用于将所述上一时间步长的交通流的速度观测值和所述上一时间步长的交通流的密度观测值发送至预测模型进行转化处理，得到当前时间步长交通流状态数据的预测结果；第二计算单元，用于将所述第二信息发送至观测模型进行计算，得到当前时间步长的交通流的速度观测值和当前时间步长的交通流的密度观测值；第一处理单元，用于基于扩展卡尔曼滤波对当前时间步长交通流状态数据的预测结果、当前时间步长的交通流的速度值和当前时间步长的交通流的密度值进行汇总处理，得到当前时间步长分配权重后的交通流状态估计结果。
第三方面，本申请实施例提供了一种基于轨迹数据的车道级交通状态估计装置，所述装置包括存储器和处理器。存储器用于存储计算机程序；处理器用于执行所述计算机程序时实现上述基于轨迹数据的车道级交通状态估计方法的步骤。
本发明的有益效果为：
本发明提出了一种包含智能网联车数据的多源数据融合方法，可以将现实交通系统中的定点数据和轨迹数据纳入其中，完成交通数据到交通状态的转变，从而实现进一步的交通状态估计，大大提高了估计的时空精度与粒度。
本发明提出了一种实时可靠高时空粒度的基于轨迹数据的车道级交通状态估计框架。通过融合智能网联车数据在内的多源数据，并将其带入嵌有交通流模型的扩展扩展卡尔曼滤波框架，实现实时可靠高时空粒度的基于轨迹数据的车道级交通状态估计，并且不需要储存历史数据，计算资源占用少，运算快，克服了现有技术技术耗时长，无法实时估计，无法精确到车道的缺点。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例中所述的一种基于轨迹数据的车道级交通状态估计方法流程示意图；
图2为本发明实施例中所述的一种基于轨迹数据的车道级交通状态估计系统结构示意图；
图3是本发明实施例中所述的一种基于轨迹数据的车道级交通状态估计装置结构示意图。
图中标记：701、第一获取单元；702、第一计算单元；703、第一转化单元；704、第二计算单元；705、第一处理单元；706、第二处理单元；707、第三处理单元；708、第四处理单元；709、第五处理单元；710、第六处理单元；711、第二获取单元；712、第三计算单元；713、第四计算单元；714、第一对比单元；715、第七处理单元；716、第三获取单元；717、第八处理单元；718、第五计算单元；7021、第一转换子单元；7022、第一处理子单元；7023、第一汇总子单元；7031、第一计算子单元；7032、第二处理子单元；7033、第三处理子单元；7034、第二汇总子单元；7051、第二计算子单元；7052、第四处理子单元；7053、第三计算子单元；7054、第四计算子单元；800、基于轨迹数据的车道级交通状态估计装置；801、处理器；802、存储器；803、多媒体组件；804、I/O接口；805、通信组件。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1
如图1所示，本实施例提供了一种基于轨迹数据的车道级交通状态估计方法，其所述方法包括步骤S1、步骤S2、步骤S3、步骤S4和步骤S5。
步骤S1、获取第一信息和第二信息，所述第一信息包括上一时间步长的智能网联车的轨迹数据、上一时间步长的线圈定点数据和上一时间步长的浮动车的轨迹数据；所述第二信息包括当前时间步长的智能网联车的轨迹数据、当前时间步长的线圈定点数据和当前时间步长的浮动车的轨迹数据；
可以理解的是本发明中的智能网联车是指人为设置的装载有各种感知装置（例如摄像头、激光雷达、雷达等），能够感知一定周边一定范围内车辆运动状态、车辆形态的机动车，其所述智能网联车的轨迹数据包括智能网联车和周边车辆的运动状态数据，线圈定点数据是指将所述线圈固定设置在车道中，用于获取经过每个线圈的车辆的速度数据和时间数据，浮动车轨迹数据是指通过卫星定位获取到的所有来往车辆的运动状态数据。
可以理解的是本发明通过派遣智能网联车至车道中、在车道中埋设线圈和通过卫星定位的方式获取被观测车道内的交通流数据信息，进而上传至处理系统进行数据处理。
可以理解的是本发明通过获取当前时间步长的交通流数据信息和当前时间步长的上一步长的交通流数据信息，其中交通流数据信息分为三种，包括了智能网联车的轨迹数据、通过定点线圈的车辆数据和浮动车的轨迹数据，进而将这些数据处理成交通状态变量，作为观测模型的输入值；
步骤S2、将所述第一信息发送至观测模型进行计算，得到上一时间步长的交通流的速度观测值和上一时间步长的交通流的密度观测值；
可以理解的是本发明通过将所述交通状态变量数据发送至观测模型进行计算，得到路段每个区域内交通流的速度值和交通流的密度值，每个并确定路段每个区域内交通流的速度和交通流的密度之间的关系，其中多个基于变量之间的转化关系构成的公式进行汇总，就得到了观测模型，并且观测模型中引入了观测误差，增加了观测数据的准确性。
步骤S3、将所述上一时间步长的交通流的速度观测值和所述上一时间步长的交通流的密度观测值发送至预测模型进行转化处理，得到当前时间步长交通流状态数据的预测结果；
可以理解的是本发明通过密度守恒公式、多车道动态速度公式和格林希尔治交通流公式和交通流的变量数据建立预测模型，进而通过预测模型对当前时间步长的交通流状态数据进行预测。
步骤S4、将所述第二信息发送至观测模型进行计算，得到当前时间步长的交通流的速度观测值和当前时间步长的交通流的密度观测值；
可以理解的是本发明通过将当前时间步长的变量值作为输入，发送至观测模型进行计算，其中将当前时间步长交通流的变量基于速度观测值计算公式和密度观测值计算公式进行计算，并确定交通流的速度值和密度之间的联系。
步骤S5、基于扩展卡尔曼滤波对当前时间步长交通流状态数据的预测结果、当前时间步长的交通流的速度值和当前时间步长的交通流的密度值进行汇总处理，得到当前时间步长分配权重后的交通流状态估计结果。
可以理解的是本发明通过扩展卡尔曼滤波对预测模型和观测模型内的公式进行融合，建立状态空间方程，并将当前时间步长交通流状态数据的预测结果、当前时间步长的交通流的速度值和当前时间步长的交通流的密度值发送至状态空间方程内进行计算，得到当前时间步长分配权重后的交通流状态估计结果，其中所述状态空间方程基于卡尔曼系数对预测模型和观测模型的权重进行分配。
可以理解的是本发明提出了一种包含智能网联车数据的多源数据融合方法，可以将现实交通系统中的定点数据和轨迹数据纳入其中，完成交通数据到交通状态的转变，从而实现进一步的交通状态估计，大大提高了估计的时空精度与粒度。
可以理解的是本发明提出了一种实时可靠高时空粒度的基于轨迹数据的车道级交通状态估计框架。通过融合智能网联车数据在内的多源数据，并将其带入嵌有交通流模型的扩展扩展卡尔曼滤波框架，实现实时可靠高时空粒度的基于轨迹数据的车道级交通状态估计，并且不需要储存历史数据，计算资源占用少，运算快，克服了现有技术技术耗时长，无法实时估计，无法精确到车道的缺点。
在本公开的一种具体实施方式中，所述步骤S1之后还包括步骤S11、步骤S12、步骤S13、步骤S14和步骤S15。
步骤S11、按照5秒*100米作为维度划分的条件将每个车道分为至少一个时空区域；
可以理解的是基于5秒作为时间粒度将观测的总时间分为至少一个时间步长，基于100米车道长度作为空间粒度将观测的总空间分为至少一个空间粒度，因此每个时空区域的车流量变化值为在100米的车道上每隔5秒时间的车流量变化值。
步骤S12、基于第一信息内的智能网联车的轨迹数据和第二信息内的智能网联车的轨迹数据得到第三信息，所述第三信息包括每个时空区域内的每个智能网联车的速度数据、每个时空区域内智能网联车的密度数据和每个时空区域内的每个智能网联车的换道数据；
步骤S13、基于第一信息内的线圈定点数据和第二信息内的线圈定点数据，得到每个时空区域内通过每个线圈的交通流速度数据和每个时空区域内通过每个线圈的车辆数量数据；
步骤S14、基于第一信息内的浮动车的轨迹数据和第二信息内的浮动车的轨迹数据，确定每个时空区域内每个浮动车的速度数据；
可以理解的是本发明通过将智能网联车轨迹数据、线圈数据、浮动车数据均转化为算法模型可以直接使用的具备一定时空特性的数据格式，然后做插值填充缺失值，按照每个时间步长，作为测量值输入，在观测模型中将输入值转变为交通流的状态变量。
步骤S15、基于所述第三信息、所述每个时空区域内通过每个线圈的交通流速度数据、所述每个时空区域内通过每个线圈的车辆数量数据和所述每个时空区域内每个浮动车的速度数据建立矩阵，得到预处理后的车辆交通状态矩阵信息。
可以理解的是本发明将每个交通流的状态变量建立矩阵，并使用矩阵记录表记录下所有的数值，进而为后面的进程调用做好准备，这样计算资源占用少、耗时短和运算快。
在本公开的一种具体实施方式中，所述步骤S2包括步骤S21、步骤S22和步骤S23。
步骤S21、将所述第一信息转换为每个时空区域的交通状态的变量数据集合；
步骤S22、基于所述交通状态的变量数据集合和预设的误差变量值集合建立等效变换公式，其中调用所述每个时空区域的交通状态的变量数据集合内所有的交通状态变量值，基于所有的交通状态变量值之间的等效变换关系建立至少一个等效变换公式；
可以理解的是本发明通过将每个实际观测到的交通流的状态变量按照观测模型内的公式进行计算，得到交通流的速度观测值和交通流的密度观测值，并得到交通流的速度观测值和交通流的密度观测值之间的关系。
步骤S23、将至少一个所述等效变换公式进行汇总，得到上一时间步长交通状态变量观测值之间关系的公式，并基于所述第一信息和上一时间步长交通状态变量观测值之间关系的公式，得到上一时间步长的交通流的速度观测值和上一时间步长的交通流的密度观测值。
可以理解的是上述步骤中观测模型内计算交通流的速度观测值和交通流的密度观测值的公式为
其中l表示第l个线圈，q表示流量，k表示第k时间步长，i表示第i个路段，j表示第j
个车道，r表示第r个进匝道，s表示第s个出匝道、c表示网联车、
表示密度、
表示观测误
差和f表示浮动车。
上述所有的公式可以简写为
其中
代表所有的观测值、
代表所有的变量，
表示所有的观测误差、
h表示所有的函数关系。
在本公开的一种具体实施方式中，所述步骤S3包括步骤S31、步骤S32、步骤S33和步骤S34。
步骤S31、将所述第一信息基于密度守恒公式进行计算处理，得到预测当前时间步长内交通流流量的净流入值的计算公式；
步骤S32、将所述第一信息、所述上一时间步长内交通流流量的净流入值和预设的系统误差值基于密度守恒公式进行处理，得到预测当前时间步长内交通流的速度值的计算公式；
步骤S33、将所述第一信息、预设的司机反映时间和预设的调节参数基于多车道动态速度公式进行处理，得到预测当前时间步长内交通流的密度值的计算公式；
步骤S34、将所述当前时间步长内交通流流量的净流入值的计算公式、当前时间步长内交通流的速度值的计算公式、当前时间步长内交通流的密度值的计算公式和格林希尔治交通流基本图公式进行汇总，得到预测当前时间步长交通流的状态变量值之间关系的公式，并基于所述预测当前时间步长交通流的状态变量值之间关系的公式建立预测模型。
可以理解的是本发明通过描述系统变量内的时序关系的公式建立预测模型，其中包括有密度守恒公式、多车道动态速度公式和格林希尔治交通流基本图公式，进而通过将交通流的变量值发送至预测模型进行计算，得到交通流的速度预测值和交通流的密度预测值。
可以理解的是上述步骤中预测当前时间步长交通流的状态变量值之间关系的公式为
其中
表示在第k时间步长内的净流入，长的时间、
表示每个空间步长的
长度、
表示司机反应时间, 
是调节参数、
为系统误差、l表示第l个线圈，q表
示流量，k表示第k个时间步长，i表示第i个路段，j表示第j个车道，r表示第r个进匝道，s表
示第s个出匝道、
表示密度、k+1表示k时间步长之后的第一个时间步长和f表示浮动车。
其中
表示第k时间步长内第i-1个路段上第j个车道的交通流量值；其中
表示第k时间步长内第i个路段上第j个车道的交通流量值；
表示第k时间
步长内第i个路段上第j-1个车道到第j车道的通过第l线圈交通流量值；
表示
第k时间步长内第i个路段上第j+1个车道到第j车道的通过第l线圈交通流量值；
表示第k时间步长内第i个路段上第j个车道到第j-1车道的通过第l线圈交通
流量值；
表示第k时间步长内第i个路段上第j个车道到第j+1车道的通过第l线圈
交通流量值；
表第k时间步长内第i个路段上第j个车道到第j+1车道的通过第r个进
匝道的交通流量值；
第k时间步长内第i个路段上第j个车道到第j+1车道的通过第s
个出匝道的交通流量值；
表示在第k时间步长内的净流入。
其中
表示第k+1时间步长内第i个路段上第j个车道的交通流密度值；
表示第k时间步长内第i个路段上第j个车道的交通流密度值；
表示1单
位时空区域内交通流的净流入密度值；
表示第i个路段上第j个车道的交通流密度误差
值。
其中
表示表示第k+1时间步长内第i个路段上第j个车道的交通流速
度值；
表示第k时间步长内第i个路段上第j个车道的交通流速度值；
表示单位时
间步长内司机的反应时间；
表示速度值；
表示第k时间步长内第i-1个路段上
第j个车道的交通流速度值；
表示第k时间步长内第i+1个路段上第j个车道的交
通流密度值。
上述所有的公式可以简写为
其中
表示k时间步长之后的第一个时间步长的速度值、密度值和流
量值，
表示交通流的状态变量；f表示
和
之间的函数关系。
在本公开的一种具体实施方式中，所述步骤S5包括步骤S51、步骤S52、步骤S53、步骤S54和步骤S55。
步骤S51、对所述当前时间步长交通流状态数据的预测结果进行求偏导计算，得到第一偏导值集合；
步骤S52、将所述第二信息初始化设置，并将初始化设置的第二信息和第一偏导值集合带入当前时间步长交通流的状态变量值之间关系的公式进行计算，得到当前时间步长交通流的状态预测结果的协方差矩阵；
步骤S53、对所述当前时间步长的交通流的速度观测值和所述当前时间步长的交通流的密度观测值求偏导，得到第二偏导值集合；
步骤S54、将预设的卡尔曼增益值、预设的误差协方差矩阵集合、所述当前时间步长交通流的状态预测结果的协方差矩阵和第二偏导值集合带入状态空间方程内进行计算，得到当前时间步长分配权重后的交通流状态估计结果。
可以理解的是本发明通过扩展卡尔曼滤波将预测模型和观测模型内的公式统一汇总至状态空间方程内，其中基于卡尔曼系数调整预测模型和观测模型的权重，进而得到交通流的速度估计值和密度估计值；其中本发明是将交通流模型嵌入扩展扩展卡尔曼滤波的框架中，因此泛化性能更强。
在本公开的一种具体实施方式中，所述步骤S5之后还包括步骤S11、步骤S12、步骤S13、步骤S14和步骤S15。
步骤S11、获取至少一个智能网联车渗透率对应的交通流速度值和交通流密度值；
步骤S12、将当前时间步长分配权重后的交通流状态预测结果集合与对应的所述智能网联车渗透率交通流速度值和所述智能网联车渗透率交通流密度值进行均方根误差值计算，得到第四信息，所述第四信息包括交通流的速度预测值和交通流的速度观测值在至少一个智能网联车渗透率的情况下的均方根误差值，交通流的密度预测值和交通流的密度观测值在至少一个智能网联车渗透率的情况下的均方根误差值；
步骤S13、将当前时间步长分配权重后的交通流状态估计结果与至少一个智能网联车渗透率进行平均绝对百分比误差值计算，得到第五信息，所述第五信息为包括交通流的速度预测值和交通流的速度观测值在至少一个智能网联车渗透率的情况下的平均绝对百分比误差值，交通流的密度预测值和交通流的密度观测值在至少一个智能网联车渗透率的情况下的平均绝对百分比误差值；
步骤S14、将所述第四信息和所述第五信息分别对应的预设阈值进行对比，得到至少一个小于预设阈值的第四信息和至少一个小于预设阈值的第五信息；
步骤S15、基于至少一个所述小于预设阈值的第四信息和至少一个所述小于预设阈值的第五信息，确定实现车道级精确度估计结果的最低智能网联车渗透率值。
可以理解的是上述步骤是为了通过估计结果数据和实际结果数据的均方根误差、估计结果数据和实际结果数据的平均绝对百分比误差来判断本发明是否精确，进而调整智能网联车渗透率来使本发明达到最佳效果，并且节约资源，减少物力浪费。
在本公开的一种具体实施方式中，所述步骤S5之后还包括步骤S16、步骤S17和步骤S18。
获取每个时间步长的交通流状态的观测结果和每个时间步长对应的上一时间步长分配权重后的交通流状态估计结果；
将每个时间步长对应的上一时间步长分配权重后的交通流状态估计结果转化为每个时间步长对应的交通流预测结果；
将每个时间步长的交通流状态的观测结果和每个时间步长对应的交通流预测结果进行迭代计算，得到每个时间步长的分配权重后的交通流状态估计结果。
可以理解的是本发明通过将每个时间步长的交通流状态的估计结果作为下一时间步长的交通流状态的预测结果，进而和下一时间步长的交通流状态的观测结果进行汇总，得到下一时间步长的交通流状态的估计结果，并以此步骤进行迭代，预估得到每一时间步长的交通流状态的估计结果。
实施例2
如图2所示，本实施例提供了一种基于轨迹数据的车道级交通状态估计系统，所述系统包括第一获取单元701、第一计算单元702、第一转化单元703、第二计算单元704和第一处理单元705。
第一获取单元701，用于获取第一信息和第二信息，所述第一信息包括上一时间步长的智能网联车的轨迹数据、上一时间步长的线圈定点数据和上一时间步长的浮动车的轨迹数据；所述第二信息包括当前时间步长的智能网联车的轨迹数据、当前时间步长的线圈定点数据和当前时间步长的浮动车的轨迹数据；
第一计算单元702，用于将所述第一信息发送至观测模型进行计算，得到上一时间步长的交通流的速度观测值和上一时间步长的交通流的密度观测值；
第一转化单元703，用于将所述上一时间步长的交通流的速度观测值和所述上一时间步长的交通流的密度观测值发送至预测模型进行转化处理，得到当前时间步长交通流状态数据的预测结果；
第二计算单元704，用于将所述第二信息发送至观测模型进行计算，得到当前时间步长的交通流的速度观测值和当前时间步长的交通流的密度观测值；
第一处理单元705，用于基于扩展卡尔曼滤波对当前时间步长交通流状态数据的预测结果、当前时间步长的交通流的速度值和当前时间步长的交通流的密度值进行汇总处理，得到当前时间步长分配权重后的交通流状态估计结果。
在本公开的一种具体实施方式中，所述第一获取单元701之后还包括第二处理单元706、第三处理单元707、第四处理单元708、第五处理单元709和第六处理单元710。
第二处理单元706，用于按照5秒*100米作为维度划分的条件将每个车道分为至少一个时空区域，每个时空区域的车流量变化值为在100米的车道上每隔5秒时间的车流量变化值；
第三处理单元707，用于基于第一信息内的智能网联车的轨迹数据和第二信息内的智能网联车的轨迹数据得到第三信息，所述第三信息包括每个时空区域内的每个智能网联车的速度数据、每个时空区域内智能网联车的密度数据和每个时空区域内的每个智能网联车的换道数据；
第四处理单元708，用于基于第一信息内的线圈定点数据和第二信息内的线圈定点数据，得到每个时空区域内通过每个线圈的交通流速度数据和每个时空区域内通过每个线圈的车辆数量数据；
第五处理单元709，用于基于第一信息内的浮动车的轨迹数据和第二信息内的浮动车的轨迹数据，确定每个时空区域内每个浮动车的速度数据；
第六处理单元710，用于基于所述第三信息、所述每个时空区域内通过每个线圈的交通流速度数据、所述每个时空区域内通过每个线圈的车辆数量数据和所述每个时空区域内每个浮动车的速度数据建立矩阵，得到预处理后的车辆交通状态矩阵信息。
在本公开的一种具体实施方式中，所述第一计算单元702包括第一转换子单元7021、第一处理子单元7022和第一汇总子单元7023。
第一转换子单元7021，用于将所述第一信息转换为每个时空区域的交通状态的变量数据集合；
第一处理子单元7022，用于基于所述交通状态的变量数据集合和预设的误差变量值集合建立等效变换公式，其中调用所述每个时空区域的交通状态的变量数据集合内所有的交通状态变量值，基于所有的交通状态变量值之间的等效变换关系建立至少一个等效变换公式；
第一汇总子单元7023，用于将至少一个所述等效变换公式进行汇总，得到上一时间步长交通状态变量观测值之间关系的公式，并基于所述第一信息和上一时间步长交通状态变量观测值之间关系的公式，得到上一时间步长的交通流的速度观测值和上一时间步长的交通流的密度观测值。
在本公开的一种具体实施方式中，所述第一转化单元703包括第一计算子单元7031、第二处理子单元7032、第三处理子单元7033和第二汇总子单元7034。
第一计算子单元7031，用于将所述第一信息基于密度守恒公式进行计算处理，得到预测当前时间步长内交通流流量的净流入值的计算公式；
第二处理子单元7032，用于将所述第一信息、所述上一时间步长内交通流流量的净流入值和预设的系统误差值基于密度守恒公式进行处理，得到预测当前时间步长内交通流的速度值的计算公式；
第三处理子单元7033，用于将所述第一信息、预设的司机反映时间和预设的调节参数基于多车道动态速度公式进行处理，得到预测当前时间步长内交通流的密度值的计算公式；
第二汇总子单元7034，用于将所述当前时间步长内交通流流量的净流入值的计算公式、当前时间步长内交通流的速度值的计算公式、当前时间步长内交通流的密度值的计算公式和格林希尔治交通流基本图公式进行汇总，得到预测当前时间步长交通流的状态变量值之间关系的公式，并基于所述预测当前时间步长交通流的状态变量值之间关系的公式建立预测模型。
在本公开的一种具体实施方式中，所述第一处理单元705还包括第二计算子单元7051、第四处理子单元7052、第三计算子单元7053和第四计算子单元7054。
第二计算子单元7051，用于对所述当前时间步长交通流状态数据的预测结果进行求偏导计算，得到第一偏导值集合；
第四处理子单元7052，用于将所述第二信息初始化设置，并将初始化设置的第二信息和第一偏导值集合带入当前时间步长交通流的状态变量值之间关系的公式进行计算，得到当前时间步长交通流的状态预测结果的协方差矩阵；
第三计算子单元7053，用于对所述当前时间步长的交通流的速度观测值和所述当前时间步长的交通流的密度观测值求偏导，得到第二偏导值集合；
第四计算子单元7054，用于将预设的卡尔曼增益值、预设的误差协方差矩阵集合、所述当前时间步长交通流的状态预测结果的协方差矩阵和第二偏导值集合带入状态空间方程内进行计算，得到当前时间步长分配权重后的交通流状态估计结果。
在本公开的一种具体实施方式中，所述第一处理单元705之后还包括第二获取单元711、第三计算单元712、第四计算单元713、第一对比单元714和第七处理单元715。
第二获取单元711，用于获取至少一个智能网联车渗透率对应的交通流速度值和交通流密度值；
第三计算单元712，用于将当前时间步长分配权重后的交通流状态预测结果集合与对应的所述智能网联车渗透率交通流速度值和所述智能网联车渗透率交通流密度值进行均方根误差值计算，得到第四信息，所述第四信息包括交通流的速度预测值和交通流的速度观测值在至少一个智能网联车渗透率的情况下的均方根误差值，交通流的密度预测值和交通流的密度观测值在至少一个智能网联车渗透率的情况下的均方根误差值；
第四计算单元713，用于将当前时间步长分配权重后的交通流状态估计结果与至少一个智能网联车渗透率进行平均绝对百分比误差值计算，得到第五信息，所述第五信息为包括交通流的速度预测值和交通流的速度观测值在至少一个智能网联车渗透率的情况下的平均绝对百分比误差值，交通流的密度预测值和交通流的密度观测值在至少一个智能网联车渗透率的情况下的平均绝对百分比误差值；
第一对比单元714，用于将所述第四信息和所述第五信息分别对应的预设阈值进行对比，得到至少一个小于预设阈值的第四信息和至少一个小于预设阈值的第五信息；
第七处理单元715，用于基于至少一个所述小于预设阈值的第四信息和至少一个所述小于预设阈值的第五信息，确定实现车道级精确度估计结果的最低智能网联车渗透率值。
在本公开的一种具体实施方式中，所述第一处理单元705之后还包括第三获取单元716、第八处理单元717和第五计算单元718。
第三获取单元716，用于获取每个时间步长的交通流状态的观测结果和每个时间步长对应的上一时间步长分配权重后的交通流状态估计结果；
第八处理单元717，用于将每个时间步长对应的上一时间步长分配权重后的交通流状态估计结果转化为每个时间步长对应的交通流预测结果；
第五计算单元718，用于将每个时间步长的交通流状态的观测结果和每个时间步长对应的交通流预测结果进行迭代计算，得到每个时间步长的分配权重后的交通流状态估计结果。
需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
实施例3
相应于上面的方法实施例，本公开实施例还提供了一种基于轨迹数据的车道级交通状态估计装置，下文描述的一种基于轨迹数据的车道级交通状态估计装置与上文描述的一种基于轨迹数据的车道级交通状态估计方法可相互对应参照。
图3是根据一示例性实施例示出的一种基于轨迹数据的车道级交通状态估计装置800的框图。如图3所示，该基于轨迹数据的车道级交通状态估计装置800可以包括：处理器801，存储器802。该基于轨迹数据的车道级交通状态估计装置800还可以包括多媒体组件803，输入/输出(I/O)接口804，以及通信组件805中的一者或多者。
其中，处理器801用于控制该基于轨迹数据的车道级交通状态估计装置800的整体操作，以完成上述的基于轨迹数据的车道级交通状态估计方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该基于轨迹数据的车道级交通状态估计装置800的操作，这些数据例如可以包括用于在该基于轨迹数据的车道级交通状态估计装置800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储装置或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该基于轨迹数据的车道级交通状态估计装置800与其他装置之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，基于轨迹数据的车道级交通状态估计装置800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理装置(Digital SignalProcessing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的一种基于轨迹数据的车道级交通状态估计方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的基于轨迹数据的车道级交通状态估计方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由基于轨迹数据的车道级交通状态估计装置800的处理器801执行以完成上述的基于轨迹数据的车道级交通状态估计方法。
实施例4
相应于上面的方法实施例，本公开实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种基于轨迹数据的车道级交通状态估计方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的基于轨迹数据的车道级交通状态估计方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于轨迹数据的车道级交通状态估计方法，其特征在于，包括：
获取第一信息和第二信息，所述第一信息包括上一时间步长的智能网联车的轨迹数据、上一时间步长的线圈定点数据和上一时间步长的浮动车的轨迹数据；所述第二信息包括当前时间步长的智能网联车的轨迹数据、当前时间步长的线圈定点数据和当前时间步长的浮动车的轨迹数据；
将所述第一信息发送至观测模型进行计算，得到上一时间步长的交通流的速度观测值和上一时间步长的交通流的密度观测值；
将所述上一时间步长的交通流的速度观测值和所述上一时间步长的交通流的密度观测值发送至预测模型进行转化处理，得到当前时间步长交通流状态数据的预测结果；
将所述第二信息发送至观测模型进行计算，得到当前时间步长的交通流的速度观测值和当前时间步长的交通流的密度观测值；
基于扩展卡尔曼滤波对当前时间步长交通流状态数据的预测结果、当前时间步长的交通流的速度值和当前时间步长的交通流的密度值进行汇总处理，得到当前时间步长分配权重后的交通流状态估计结果。
2.根据权利要求1所述的基于轨迹数据的车道级交通状态估计方法，其特征在于，所述获取第一信息和第二信息之后，将所述第一信息发送至观测模型进行计算之前，还包括：
按照5秒*100米作为维度划分的条件将每个车道分为至少一个时空区域，每个时空区域的车流量变化值为在100米的车道上每隔5秒时间的车流量变化值；
基于第一信息内的智能网联车的轨迹数据和第二信息内的智能网联车的轨迹数据得到第三信息，所述第三信息包括每个时空区域内的每个智能网联车的速度数据、每个时空区域内智能网联车的密度数据和每个时空区域内的每个智能网联车的换道数据；
基于第一信息内的线圈定点数据和第二信息内的线圈定点数据，得到每个时空区域内通过每个线圈的交通流速度数据和每个时空区域内通过每个线圈的车辆数量数据；
基于第一信息内的浮动车的轨迹数据和第二信息内的浮动车的轨迹数据，确定每个时空区域内每个浮动车的速度数据；
基于所述第三信息、所述每个时空区域内通过每个线圈的交通流速度数据、所述每个时空区域内通过每个线圈的车辆数量数据和所述每个时空区域内每个浮动车的速度数据建立矩阵，得到预处理后的车辆交通状态矩阵信息。
3.根据权利要求1所述的基于轨迹数据的车道级交通状态估计方法，其特征在于，将所述第一信息发送至观测模型进行计算，得到上一时间步长的交通流的速度观测值和上一时间步长的交通流的密度观测值，包括：
将所述第一信息转换为每个时空区域的交通状态的变量数据集合；
基于所述交通状态的变量数据集合和预设的误差变量值集合建立等效变换公式，其中调用所述每个时空区域的交通状态的变量数据集合内所有的交通状态变量值，基于所有的交通状态变量值之间的等效变换关系建立至少一个等效变换公式；
将至少一个所述等效变换公式进行汇总，得到上一时间步长交通状态变量观测值之间关系的公式，并基于所述第一信息和上一时间步长交通状态变量观测值之间关系的公式，得到上一时间步长的交通流的速度观测值和上一时间步长的交通流的密度观测值。
4.根据权利要求1所述的基于轨迹数据的车道级交通状态估计方法，其特征在于，所述预测模型的构建方法，包括：
将所述第一信息基于密度守恒公式进行计算处理，得到预测当前时间步长内交通流流量的净流入值的计算公式；
将所述第一信息、所述上一时间步长内交通流流量的净流入值和预设的系统误差值基于密度守恒公式进行处理，得到预测当前时间步长内交通流的速度值的计算公式；
将所述第一信息、预设的司机反映时间和预设的调节参数基于多车道动态速度公式进行处理，得到预测当前时间步长内交通流的密度值的计算公式；
将所述当前时间步长内交通流流量的净流入值的计算公式、当前时间步长内交通流的速度值的计算公式、当前时间步长内交通流的密度值的计算公式和格林希尔治交通流基本图公式进行汇总，得到预测当前时间步长交通流的状态变量值之间关系的公式，并基于所述预测当前时间步长交通流的状态变量值之间关系的公式建立预测模型。
5.根据权利要求1所述的基于轨迹数据的车道级交通状态估计方法，其特征在于，所述基于扩展卡尔曼滤波对当前时间步长交通流状态数据的预测结果、当前时间步长的交通流的速度值和当前时间步长的交通流的密度值进行汇总处理，包括：
对所述当前时间步长交通流状态数据的预测结果进行求偏导计算，得到第一偏导值集合；
将所述第二信息初始化设置，并将初始化设置的第二信息和第一偏导值集合带入当前时间步长交通流的状态变量值之间关系的公式进行计算，得到当前时间步长交通流的状态预测结果的协方差矩阵；
对所述当前时间步长的交通流的速度观测值和所述当前时间步长的交通流的密度观测值求偏导，得到第二偏导值集合；
将预设的卡尔曼增益值、预设的误差协方差矩阵集合、所述当前时间步长交通流的状态预测结果的协方差矩阵和第二偏导值集合带入状态空间方程内进行计算，得到当前时间步长分配权重后的交通流状态估计结果。
6.一种基于轨迹数据的车道级交通状态估计系统，其特征在于，包括：
第一获取单元，用于获取第一信息和第二信息，所述第一信息包括上一时间步长的智能网联车的轨迹数据、上一时间步长的线圈定点数据和上一时间步长的浮动车的轨迹数据；所述第二信息包括当前时间步长的智能网联车的轨迹数据、当前时间步长的线圈定点数据和当前时间步长的浮动车的轨迹数据；
第一计算单元，用于将所述第一信息发送至观测模型进行计算，得到上一时间步长的交通流的速度观测值和上一时间步长的交通流的密度观测值；
第一转化单元，用于将所述上一时间步长的交通流的速度观测值和所述上一时间步长的交通流的密度观测值发送至预测模型进行转化处理，得到当前时间步长交通流状态数据的预测结果；
第二计算单元，用于将所述第二信息发送至观测模型进行计算，得到当前时间步长的交通流的速度观测值和当前时间步长的交通流的密度观测值；
第一处理单元，用于基于扩展卡尔曼滤波对当前时间步长交通流状态数据的预测结果、当前时间步长的交通流的速度值和当前时间步长的交通流的密度值进行汇总处理，得到当前时间步长分配权重后的交通流状态估计结果。
7.根据权利要求6所述的基于轨迹数据的车道级交通状态估计系统，其特征在于，所述系统还包括：
第二处理单元，用于按照5秒*100米作为维度划分的条件将每个车道分为至少一个时空区域，每个时空区域的车流量变化值为在100米的车道上每隔5秒时间的车流量变化值；
第三处理单元，用于基于第一信息内的智能网联车的轨迹数据和第二信息内的智能网联车的轨迹数据得到第三信息，所述第三信息包括每个时空区域内的每个智能网联车的速度数据、每个时空区域内智能网联车的密度数据和每个时空区域内的每个智能网联车的换道数据；
第四处理单元，用于基于第一信息内的线圈定点数据和第二信息内的线圈定点数据，得到每个时空区域内通过每个线圈的交通流速度数据和每个时空区域内通过每个线圈的车辆数量数据；
第五处理单元，用于基于第一信息内的浮动车的轨迹数据和第二信息内的浮动车的轨迹数据，确定每个时空区域内每个浮动车的速度数据；
第六处理单元，用于基于所述第三信息、所述每个时空区域内通过每个线圈的交通流速度数据、所述每个时空区域内通过每个线圈的车辆数量数据和所述每个时空区域内每个浮动车的速度数据建立矩阵，得到预处理后的车辆交通状态矩阵信息。
8.根据权利要求6所述的基于轨迹数据的车道级交通状态估计系统，其特征在于，所述系统包括：
第一转换子单元，用于将所述第一信息转换为每个时空区域的交通状态的变量数据集合；
第一处理子单元，用于基于所述交通状态的变量数据集合和预设的误差变量值集合建立等效变换公式，其中调用所述每个时空区域的交通状态的变量数据集合内所有的交通状态变量值，基于所有的交通状态变量值之间的等效变换关系建立至少一个等效变换公式；
第一汇总子单元，用于将至少一个所述等效变换公式进行汇总，得到上一时间步长交通状态变量观测值之间关系的公式，并基于所述第一信息和上一时间步长交通状态变量观测值之间关系的公式，得到上一时间步长的交通流的速度观测值和上一时间步长的交通流的密度观测值。
9.根据权利要求6所述的基于轨迹数据的车道级交通状态估计系统，其特征在于，所述系统包括：
第一计算子单元，用于将所述第一信息基于密度守恒公式进行计算处理，得到预测当前时间步长内交通流流量的净流入值的计算公式；
第二处理子单元，用于将所述第一信息、所述上一时间步长内交通流流量的净流入值和预设的系统误差值基于密度守恒公式进行处理，得到预测当前时间步长内交通流的速度值的计算公式；
第三处理子单元，用于将所述第一信息、预设的司机反映时间和预设的调节参数基于多车道动态速度公式进行处理，得到预测当前时间步长内交通流的密度值的计算公式；
第二汇总子单元，用于将所述当前时间步长内交通流流量的净流入值的计算公式、当前时间步长内交通流的速度值的计算公式、当前时间步长内交通流的密度值的计算公式和格林希尔治交通流基本图公式进行汇总，得到预测当前时间步长交通流的状态变量值之间关系的公式，并基于所述预测当前时间步长交通流的状态变量值之间关系的公式建立预测模型。
10.一种基于轨迹数据的车道级交通状态估计装置，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述基于轨迹数据的车道级交通状态估计方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210251650.8A CN114333335A (zh) | 2022-03-15 | 2022-03-15 | 基于轨迹数据的车道级交通状态估计方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210251650.8A CN114333335A (zh) | 2022-03-15 | 2022-03-15 | 基于轨迹数据的车道级交通状态估计方法、装置及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114333335A true CN114333335A (zh) | 2022-04-12 |
Family
ID=81033985
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210251650.8A Pending CN114333335A (zh) | 2022-03-15 | 2022-03-15 | 基于轨迹数据的车道级交通状态估计方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114333335A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114925626A (zh) * | 2022-04-25 | 2022-08-19 | 中国石油大学(北京) | 考虑孔眼动态磨蚀的多裂缝扩展预测方法及设备 |
| CN115457764A (zh) * | 2022-08-24 | 2022-12-09 | 华南理工大学 | 基于车辆轨迹数据的路段交通密度估测方法、装置及介质 |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004078482A (ja) * | 2002-08-15 | 2004-03-11 | Japan Automobile Research Inst Inc | 車両の交通状態量推定システム |
| GB201301476D0 (en) * | 2012-01-27 | 2013-03-13 | Siemens Plc | Method for state estimation of a road network |
| CN104021674A (zh) * | 2014-06-17 | 2014-09-03 | 武汉烽火众智数字技术有限责任公司 | 一种快速准确预测车辆通过路段旅行时间的方法 |
| CN104778837A (zh) * | 2015-04-14 | 2015-07-15 | 吉林大学 | 一种道路交通运行态势多时间尺度预测方法 |
| CN104809877A (zh) * | 2015-05-14 | 2015-07-29 | 重庆大学 | 基于特征参数加权gefcm算法的高速公路地点交通状态估计方法 |
| CN105321345A (zh) * | 2015-09-18 | 2016-02-10 | 浙江工业大学 | 一种基于ARIMA模型和kalman滤波的道路交通流预测方法 |
| CN105513359A (zh) * | 2016-01-27 | 2016-04-20 | 北京工业大学 | 一种基于智能手机移动检测的城市快速路交通状态估计方法 |
| CN106251630A (zh) * | 2016-10-13 | 2016-12-21 | 东南大学 | 一种基于多源数据的递进式扩展卡尔曼滤波高速公路交通状态估计方法 |
| CN107507421A (zh) * | 2017-08-22 | 2017-12-22 | 重庆交通大学 | 快速路交通状态判别方法及装置 |
| CN109544929A (zh) * | 2018-12-14 | 2019-03-29 | 华南理工大学 | 一种基于大数据的车辆低碳控制与诱导方法、系统、设备和存储介质 |
| CN109615860A (zh) * | 2018-12-26 | 2019-04-12 | 银江股份有限公司 | 一种基于非参数贝叶斯框架的信号交叉口状态估计方法 |
| CN110111563A (zh) * | 2019-04-08 | 2019-08-09 | 东南大学 | 一种城市快速路的实时交通状态估计方法 |
| CN110796876A (zh) * | 2019-10-22 | 2020-02-14 | 南京理工大学 | 基于卡尔曼滤波的路段车辆总数估计方法 |
| CN111951553A (zh) * | 2020-08-17 | 2020-11-17 | 上海电科智能系统股份有限公司 | 一种基于交通大数据平台与中观仿真模型的预测方法 |
| CN112085950A (zh) * | 2020-08-17 | 2020-12-15 | 西安电子科技大学 | 交通状态判别指标的估计方法、系统、存储介质及应用 |
| CN112530177A (zh) * | 2020-11-23 | 2021-03-19 | 西南交通大学 | 车联网环境下基于卡尔曼滤波的车辆排队长度估计方法 |
| CN113053106A (zh) * | 2021-03-05 | 2021-06-29 | 交通运输部公路科学研究所 | 基于多传感器信息融合的交通状态估计方法和装置 |
| CN113362600A (zh) * | 2021-06-11 | 2021-09-07 | 重庆大学 | 一种交通状态估计方法及系统 |
| CN113450572A (zh) * | 2021-09-02 | 2021-09-28 | 西南交通大学 | 一种交通状态估计方法、装置、设备及可读存储介质 |
| CN113570867A (zh) * | 2021-09-26 | 2021-10-29 | 西南交通大学 | 一种城市交通状态预测方法、装置、设备及可读存储介质 |
| CN114093171A (zh) * | 2022-01-21 | 2022-02-25 | 杭州海康威视数字技术股份有限公司 | 基于多源数据融合的交通运行状态监测方法及装置 |
-
2022
- 2022-03-15 CN CN202210251650.8A patent/CN114333335A/zh active Pending
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004078482A (ja) * | 2002-08-15 | 2004-03-11 | Japan Automobile Research Inst Inc | 車両の交通状態量推定システム |
| GB201301476D0 (en) * | 2012-01-27 | 2013-03-13 | Siemens Plc | Method for state estimation of a road network |
| CN104021674A (zh) * | 2014-06-17 | 2014-09-03 | 武汉烽火众智数字技术有限责任公司 | 一种快速准确预测车辆通过路段旅行时间的方法 |
| CN104778837A (zh) * | 2015-04-14 | 2015-07-15 | 吉林大学 | 一种道路交通运行态势多时间尺度预测方法 |
| CN104809877A (zh) * | 2015-05-14 | 2015-07-29 | 重庆大学 | 基于特征参数加权gefcm算法的高速公路地点交通状态估计方法 |
| CN105321345A (zh) * | 2015-09-18 | 2016-02-10 | 浙江工业大学 | 一种基于ARIMA模型和kalman滤波的道路交通流预测方法 |
| CN105513359A (zh) * | 2016-01-27 | 2016-04-20 | 北京工业大学 | 一种基于智能手机移动检测的城市快速路交通状态估计方法 |
| CN106251630A (zh) * | 2016-10-13 | 2016-12-21 | 东南大学 | 一种基于多源数据的递进式扩展卡尔曼滤波高速公路交通状态估计方法 |
| CN107507421A (zh) * | 2017-08-22 | 2017-12-22 | 重庆交通大学 | 快速路交通状态判别方法及装置 |
| CN109544929A (zh) * | 2018-12-14 | 2019-03-29 | 华南理工大学 | 一种基于大数据的车辆低碳控制与诱导方法、系统、设备和存储介质 |
| CN109615860A (zh) * | 2018-12-26 | 2019-04-12 | 银江股份有限公司 | 一种基于非参数贝叶斯框架的信号交叉口状态估计方法 |
| CN110111563A (zh) * | 2019-04-08 | 2019-08-09 | 东南大学 | 一种城市快速路的实时交通状态估计方法 |
| CN110796876A (zh) * | 2019-10-22 | 2020-02-14 | 南京理工大学 | 基于卡尔曼滤波的路段车辆总数估计方法 |
| CN111951553A (zh) * | 2020-08-17 | 2020-11-17 | 上海电科智能系统股份有限公司 | 一种基于交通大数据平台与中观仿真模型的预测方法 |
| CN112085950A (zh) * | 2020-08-17 | 2020-12-15 | 西安电子科技大学 | 交通状态判别指标的估计方法、系统、存储介质及应用 |
| CN112530177A (zh) * | 2020-11-23 | 2021-03-19 | 西南交通大学 | 车联网环境下基于卡尔曼滤波的车辆排队长度估计方法 |
| CN113053106A (zh) * | 2021-03-05 | 2021-06-29 | 交通运输部公路科学研究所 | 基于多传感器信息融合的交通状态估计方法和装置 |
| CN113362600A (zh) * | 2021-06-11 | 2021-09-07 | 重庆大学 | 一种交通状态估计方法及系统 |
| CN113450572A (zh) * | 2021-09-02 | 2021-09-28 | 西南交通大学 | 一种交通状态估计方法、装置、设备及可读存储介质 |
| CN113570867A (zh) * | 2021-09-26 | 2021-10-29 | 西南交通大学 | 一种城市交通状态预测方法、装置、设备及可读存储介质 |
| CN114093171A (zh) * | 2022-01-21 | 2022-02-25 | 杭州海康威视数字技术股份有限公司 | 基于多源数据融合的交通运行状态监测方法及装置 |
Non-Patent Citations (10)
| Title |
|---|
| MINGMING ZHAO等: "Generic Approaches to Estimating Freeway Traffic State and Percentage of Connected Vehicles With Fixed and Mobile Sensing", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
| NIKOLAOS BEKIARIS-LIBERIS等: "Highway traffic state estimation per lane in the presence of connected vehicles", 《TRANSPORTATION RESEARCH PART B》 * |
| YIBING WANG等: "Real-time freeway traffic state estimation based on extended Kalman filter: a general approach", 《TRANSPORTATION RESEARCH PART B: METHODOLOGICAL》 * |
| 张生: "拉格朗日体系下高速公路网监控方法研究", 《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
| 徐天东等: "城市快速路实时交通状态估计器的构建", 《计算机工程》 * |
| 曹鹏等: "针对浮动车异常数据的增强型在线异常点检测算法", 《交通运输工程与信息学报》 * |
| 熊志强: "基于智能网联车的车道级交通状态估计", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
| 盛东雪: "基于CHMM的信号交叉口车流转向比例估计研究", 《综合运输》 * |
| 蒋阳升等: "基于卡尔曼滤波的交叉口排队长度实时估计模型", 《交通运输系统工程与信息》 * |
| 黄昆: "基于卡尔曼滤波的CPCC整车质量估计研究", 《汽车文摘》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114925626A (zh) * | 2022-04-25 | 2022-08-19 | 中国石油大学(北京) | 考虑孔眼动态磨蚀的多裂缝扩展预测方法及设备 |
| CN114925626B (zh) * | 2022-04-25 | 2024-03-19 | 中国石油大学(北京) | 考虑孔眼动态磨蚀的多裂缝扩展预测方法及设备 |
| CN115457764A (zh) * | 2022-08-24 | 2022-12-09 | 华南理工大学 | 基于车辆轨迹数据的路段交通密度估测方法、装置及介质 |
| CN115457764B (zh) * | 2022-08-24 | 2023-07-18 | 华南理工大学 | 基于车辆轨迹数据的路段交通密度估测方法、装置及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tekouabou et al. | Improving parking availability prediction in smart cities with IoT and ensemble-based model | |
| CN109658695B (zh) | 一种多因素的短时交通流预测方法 | |
| CN114333335A (zh) | 基于轨迹数据的车道级交通状态估计方法、装置及系统 | |
| EP3035314B1 (en) | A traffic data fusion system and the related method for providing a traffic state for a network of roads | |
| CN111091196B (zh) | 客流数据确定方法、装置、计算机设备和存储介质 | |
| CN112561191A (zh) | 预测模型的训练、预测方法、装置、设备、程序和介质 | |
| CN115345355B (zh) | 能耗预测模型构建方法、短期能耗预测方法及相关装置 | |
| CN110705646B (zh) | 一种基于模型动态更新的移动设备流式数据识别方法 | |
| CN114611778B (zh) | 一种基于入库流量的水库水位预警方法及系统 | |
| CN116092294A (zh) | 一种基于Transformer与图注意力网络的高速公路交通流量预测方法 | |
| CN114911788B (zh) | 一种数据插补方法、装置及存储介质 | |
| CN113962465A (zh) | 降水预报方法、设备、装置及存储介质 | |
| CN115293399A (zh) | 一种基于时空图卷积网络的交通流量预测方法 | |
| CN114021996A (zh) | 车辆调度策略的评估方法、装置、电子设备和存储介质 | |
| CN117392834A (zh) | 一种智能路线规划方法及系统 | |
| CN115456168B (zh) | 强化学习模型的训练方法、能耗确定方法和装置 | |
| CN114091772B (zh) | 基于编码器解码器的多角度融合道路交通流量预测方法 | |
| Thonhofer et al. | A flexible, adaptive traffic network simulation with parameter estimation | |
| CN115169431A (zh) | 一种雷暴识别方法及系统 | |
| CN116150699B (zh) | 基于深度学习的交通流预测方法、装置、设备及介质 | |
| CN116558541B (zh) | 模型训练方法和装置、轨迹预测方法和装置 | |
| CN116484201B (zh) | 新能源电网负载预测方法、装置及电子设备 | |
| CN118410327B (zh) | 一种面向平面海域的海浪预报方法、电子设备、介质 | |
| CN114707417B (zh) | 一种用于车辆行驶轨迹实时预测的方法、系统及设备 | |
| CN117744950B (zh) | 出行需求分析方法、装置、设备及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220412 |
|
| RJ01 | Rejection of invention patent application after publication |