CN114708730B - 桥面车流时空分布重构随机车流虚实混合模拟方法及装置 - Google Patents

桥面车流时空分布重构随机车流虚实混合模拟方法及装置 Download PDF

Info

Publication number
CN114708730B
CN114708730B CN202210347292.0A CN202210347292A CN114708730B CN 114708730 B CN114708730 B CN 114708730B CN 202210347292 A CN202210347292 A CN 202210347292A CN 114708730 B CN114708730 B CN 114708730B
Authority
CN
China
Prior art keywords
bridge
traffic
traffic flow
tail
sequence
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
Application number
CN202210347292.0A
Other languages
English (en)
Other versions
CN114708730A (zh
Inventor
周军勇
吴文荣
张俊平
黄海云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou University
Original Assignee
Guangzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou University filed Critical Guangzhou University
Priority to CN202210347292.0A priority Critical patent/CN114708730B/zh
Publication of CN114708730A publication Critical patent/CN114708730A/zh
Application granted granted Critical
Publication of CN114708730B publication Critical patent/CN114708730B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • 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
    • 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
    • G08G1/01—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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Analytical Chemistry (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本说明书实施例提供了一种桥面车流时空分布重构随机车流虚实混合模拟方法及装置，该方法包括：分别对桥头摄像视频和桥尾摄像视频进行图像识别，获得桥头识别车流序列和桥尾识别车流序列；将桥头识别车流序列输入随机车流模拟系统，基于IDM跟驰模型和MOBIL换道模型对个体车辆的交通状态进行更新，输出桥尾模拟车流序列，将桥尾模拟车流序列与桥尾识别车流序列进行一致性对比，若不一致则反复优化随机车流模拟系统中的IDM跟驰模型和MOBIL换道模型，直到一致；获取经过优化后的IDM跟驰模型和MOBIL换道模型中的模型参数，基于模型参数进行当前交通场景的随机车流虚实混合模拟，获取车流在桥面的时空分布演变。

Description

桥面车流时空分布重构随机车流虚实混合模拟方法及装置
技术领域
本文件涉及计算机技术领域，尤其涉及一种桥面车流时空分布重构的随机车流虚实混合模拟方法、装置及存储介质。
背景技术
目前只能通过在桥梁上布设连续摄像头才能跟踪车流在桥面的时空演变，然而，布设连续摄像头，一方面经济成本高且同一车辆在前后摄像头切换下存在握手追踪的难题，另一方面如果中间任意摄像头发生故障、车辆连续追踪被切断、无法还原车流在桥面的连续时空变化。因此，亟需研发一种经济稳定的方法能够呈现桥面车流的时空演变。
随机车流模拟是呈现车流在路面微观动态演化的另一种途径，一直以来是交通工程领域进行交通规划设计、路网通达性分析、跟驰安全评估的主要手段。随机车流模拟主要包含跟驰模型和换道模型，其中基于智能驾驶员(Intelligent Driver Model,IDM)的跟驰模型被诸多研究证明能够重现现实世界的各种交通流状态，被广泛地应用于车辆驾驶跟驰模拟中，基于激励准则和安全准则的换道模型MOBIL(minimizing overall brakinginduced by lane changes)被诸多研究证明能够较为准确地呈现真实世界的车辆换道规律。通过跟驰模型和换道模型可以微观动态地呈现车流在路面的时空演化。然而，目前的随机车流模拟方法的有效性和准确性只能通过交通数据的统计特性进行验证，还没有研究能够完全真实地重现交通流在路面的实时动态演化。
发明内容
本发明的目的在于提供一种桥面车流时空分布重构的随机车流虚实混合模拟方法、装置及存储介质，旨在解决现有技术中的上述问题。
本发明提供一种桥面车流时空分布重构的随机车流虚实混合模拟方法，包括：
分别对桥头摄像视频和桥尾摄像视频进行图像识别，获得桥头识别车流序列和桥尾识别车流序列；
将所述桥头识别车流序列输入随机车流模拟系统，基于IDM跟驰模型和MOBIL换道模型对个体车辆的交通状态进行更新，输出桥尾模拟车流序列，其中，所述随机车流模拟系统用于实现时间增量步长下对任意个体车辆的交通状态和空间位置的更新；
将所述桥尾模拟车流序列与所述桥尾识别车流序列进行一致性对比，若不一致则反复优化随机车流模拟系统中的所述IDM跟驰模型和所述MOBIL换道模型，直到所述桥尾模拟车流序列与所述桥尾识别车流序列一致；
获取经过优化后的所述IDM跟驰模型和所述MOBIL换道模型中的模型参数，基于所述模型参数进行当前交通场景的随机车流虚实混合模拟，获取车流在桥面的时空分布演变。
本发明提供一种桥面车流时空分布重构的随机车流虚实混合模拟装置，包括：
图像识别模块，用于分别对桥头摄像视频和桥尾摄像视频进行图像识别，获得桥头识别车流序列和桥尾识别车流序列；
模拟模块，用于将所述桥头识别车流序列输入随机车流模拟系统，基于IDM跟驰模型和MOBIL换道模型对个体车辆的交通状态进行更新，输出桥尾模拟车流序列，其中，所述随机车流模拟系统用于实现时间增量步长下对任意个体车辆的交通状态和空间位置的更新；
一致性对比模块，用于将所述桥尾模拟车流序列与所述桥尾识别车流序列进行一致性对比，若不一致则反复优化随机车流模拟系统中的所述IDM跟驰模型和所述MOBIL换道模型，直到所述桥尾模拟车流序列与所述桥尾识别车流序列一致；
处理模块，用于获取经过优化后的所述IDM跟驰模型和所述MOBIL换道模型中的模型参数，基于所述模型参数进行当前交通场景的随机车流虚实混合模拟，获取车流在桥面的时空分布演变。
本发明实施例还提供一种桥面车流时空分布重构的随机车流虚实混合模拟装置，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述桥面车流时空分布重构的随机车流虚实混合模拟方法的步骤。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现上述桥面车流时空分布重构的随机车流虚实混合模拟方法的步骤。
采用本发明实施例，以桥面摄像视频识别的车流序列为输入，通过优化随机车流模拟中跟驰模型和换道模型的参数取值，使得模拟输出的桥尾车流序列与桥尾视频识别车流序列匹配一致，经过优化确定后的参数取值可以用于当前交通环境的随机车流虚实混合模拟，模拟结果是现实世界的桥面车流序列时空分布的真实呈现。随机车流虚实混合模拟方法，相对于现有的随机车流模拟方法，能够精准还原桥面车流序列的时空演变，相对于目前连续摄像头图像识别方法，由于只需要桥头和桥尾两个摄像头并借助计算机模拟，因此具有经济成本低、稳定性好、分析效率高等优点，本发明实施例具有显著的社会经济效益。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例的桥面车流时空分布重构的随机车流虚实混合模拟方法的流程图；
图2是本发明实施例的桥面车流时空分布重构的随机车流虚实混合模拟方法详细流程图；
图3是本发明实施例的桥面车流时空分布重构的随机车流虚实混合模拟方法的原理示意图；
图4是本发明实施例的IDM跟驰模型的原理示意图；
图5是本发明实施例的MOBIL换道模型的原理示意图；
图6是本发明装置实施例一的桥面车流时空分布重构的随机车流虚实混合模拟装置的示意图；
图7是本发明实施例的是本发明装置实施例二的桥面车流时空分布重构的随机车流虚实混合模拟装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个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说明书的一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，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，都应当属于本文件的保护范围。
方法实施例
根据本发明实施例，提供了一种桥面车流时空分布重构的随机车流虚实混合模拟方法，图1是本发明实施例的桥面车流时空分布重构的随机车流虚实混合模拟方法的流程图，如图1所示，根据本发明实施例的桥面车流时空分布重构的随机车流虚实混合模拟方法具体包括：
步骤101，分别对桥头摄像视频和桥尾摄像视频进行图像识别，获得桥头识别车流序列和桥尾识别车流序列；
在本发明实施例中，在步骤101之前，通过布置在与目标桥梁桥头连接的道路或桥梁上的桥头路侧摄像头获取所述桥头摄像视频，通过布置在与目标桥梁桥尾连接的道路或桥梁上的桥尾路侧摄像头获取所述桥尾摄像视频。
步骤101具体包括：
分别对桥头摄像视频和桥尾摄像视频进行图像识别，获得每个车辆完整出现在视频画面中最后一帧的车牌、车道和纵向位置，并按照车牌-车道-纵向位置的格式输出形成桥头识别车流序列和桥尾识别车流序列。
步骤102，将所述桥头识别车流序列输入随机车流模拟系统，基于IDM跟驰模型和MOBIL换道模型对个体车辆的交通状态进行更新，输出桥尾模拟车流序列，其中，所述随机车流模拟系统用于实现时间增量步长下对任意个体车辆的交通状态和空间位置的更新；
步骤103，将所述桥尾模拟车流序列与所述桥尾识别车流序列进行一致性对比，若不一致则反复优化随机车流模拟系统中的所述IDM跟驰模型和所述MOBIL换道模型，直到所述桥尾模拟车流序列与所述桥尾识别车流序列一致；步骤103具体包括：
将桥尾模拟车流序列与桥尾识别车流序列按照车牌和时间进行一一对应，计算时长不低于n小时的桥尾模拟车流序列和桥尾识别车流序列在车道和纵向位置上的误差，按照车道误差率小于或等于车道误差率阈值以及纵向位置误差小于等于纵向位置误差阈值的标准进行一致性对比的评估，其中，n为自然数；例如，一致性对比通过计算时长不低于1小时的桥尾模拟车流序列和桥尾识别车流序列在车道和纵向位置上的误差，按照车道误差率≤5％以及纵向位置误差≤2m/辆的标准进行评估；
若车道误差率不满足一致性要求，则优化MOBIL换道模型的参数取值，若纵向位置误差不满足一致性要求，则优化IDM跟驰模型的参数取值，直到满足车道一致性和纵向位置一致性的要求。
步骤104，获取经过优化后的所述IDM跟驰模型和所述MOBIL换道模型中的模型参数，基于所述模型参数进行当前交通场景的随机车流虚实混合模拟，获取车流在桥面的时空分布演变。
需要说明的是，经过优化确定后的模型参数，因为能够保障桥头和桥尾模拟车流与现实世界视频识别车流精准对应，因此该套模型参数的随机车流虚实混合模拟方法能够重构交通流在桥面的时空分布演变。
从上述技术方案可以看出，本发明实施例的目的就是为了克服上述现有技术存在的缺陷而提供一种桥面车流时空分布重构的随机车流虚实混合模拟方法，通过本发明可以经济高效地呈现车流序列在桥面的时空演变，可以为桥梁的荷载管理和结构安全评估提供直接支撑。本发明只需要在桥头和桥尾布设两个路侧摄像头作为输入和校验，利用随机车流模拟呈现车流在桥面的时空分布演变，相对于目前连续摄像头图像识别技术具有经济成本低、稳定性好、计算效率高等优势，可以应用于路网任意桥梁结构和道路结构，具有广泛的应用性。本发明对于在役桥梁的荷载管理和状态评估具有重要的应用价值，车流荷载是桥梁主要运营使用荷载，对于桥梁使用寿命和安全具有显著的影响，如果能够获得桥梁真实准确的车流荷载时空分布信息，可以对桥梁开展更加准确的健康状态评估，为桥梁车流荷载管理提供直接帮助。
以下结合附图，对本发明实施例的上述技术方案进行详细说明。
如图2所示，本实施例提出一种桥面车流时空分布重构的随机车流虚实混合模拟方法，具体实现分为如下四个步骤：
S1、分别对桥头摄像视频和桥尾摄像视频进行图像识别，获得桥头识别车流序列和桥尾识别车流序列；在步骤S1中，桥头摄像视频和桥尾摄像视频分别由桥头路侧摄像头和桥尾路侧摄像头拍摄获得，桥头路侧摄像头布置在与目标桥梁桥头连接的道路或桥梁上，桥尾路侧摄像头布置在与目标桥梁桥尾连接的道路或桥梁上，摄像头的清晰度应该能够满足路侧摄像头的车牌识别需要。
在步骤S1中图像识别可以获得每个车辆完整出现在视频画面中最后一帧的车牌、车道和纵向位置，按照车牌-车道-纵向位置的格式输出形成识别车流序列。
S2、如图3所示，将桥头识别车流序列输入随机车流模拟系统，基于IDM跟驰模型和MOBIL换道模型对个体车辆的交通状态进行更新，输出桥尾模拟车流序列；在步骤S2中，随机车流模拟系统由IDM跟驰模型和MOBIL换道模型组成，能够实现时间增量步长下对任意个体车辆的交通状态和空间位置进行更新。如图4所示，IDM跟驰模型主要由最大加速度、理想车辆速度、安全车头时距和舒适减速度四个主要参数决定车辆的跟驰行为，其跟驰行为主要表现为如下关系：
Figure BDA0003577169790000071
Figure BDA0003577169790000072
/>
其中：a-最大加速度，v0-理想车辆速度，vc(t)-当前车辆速度，sc(t)-当前车辆跟车间距，s*(t)-理想最小跟车间距，s0-拥堵跟车间距，T-安全车头时距，b-舒适减速度，Δvc(t)–当前车辆与前车速度差
货车和轿车根据其特点可以选用不同的参数取值，通常IDM模型的参数初始化取值可以按照下表1进行。如图5所示，MOBIL模型主要由换道加速度阈值、车道倾向加速度、礼貌道路因子和最大减速度四个主要参数决定车辆的换道行为，其换道行为主要表现为如下关系：
由慢车道变向快车道，应满足下式：
Figure BDA0003577169790000073
由快车道变向慢车道，应满足下式：
Figure BDA0003577169790000074
换道后车辆加速度，应满足下式：
Figure BDA0003577169790000075
其中：Δath-换道加速度阈值，Δabias-车道倾向加速度，p-礼貌换道因子，bsafe-最大减速度。
同样地，货车和轿车根据其特点可以选用不同的参数取值，通常MOBIL模型的参数初始化取值可以按照下表2进行。
表1.IDM跟驰模型的各参数初始化取值
Figure BDA0003577169790000081
表2.MOBIL换道模型的各参数初始化取值
Figure BDA0003577169790000082
S3、将桥尾模拟车流序列与桥尾识别车流序列进行一致性对比，若不一致需要反复优化随机车流模拟系统中的IDM跟驰模型和MOBIL换道模型，直到满足一致性要求；在步骤S3中，的桥尾模拟车流序列是与桥尾识别车流序列按照车牌和时间一一对应，一致性对比通过计算时长不低于1小时的桥尾模拟车流序列和桥尾识别车流序列在车道和纵向位置上的误差，按照车道误差率Slane≤5％以及纵向位置误差Slocation≤2m/辆的标准进行评估。
Figure BDA0003577169790000083
/>
式中：Nerror是统计时长1小时内桥尾摄像区域内同一车辆同一时间的车道位置模拟结果与图像识别结果不一致的累计数量(同一车辆不重复统计)；Ntotal是统计时长1小时内桥尾摄像区域内出现的车辆总数(同一车辆不重复统计)。
Figure BDA0003577169790000091
式中：y模拟和y识别分别是统计时长1小时内桥尾摄像区域内同一车辆同一时间的桥面纵向位置的模拟结果与图像识别结果。
在步骤S3的优化，若车道误差率不满足一致性要求则优化MOBIL换道模型的换道加速度阈值、车道倾向加速度、礼貌道路因子和最大减速度四个参数取值，若纵向位置误差不满足一致性要求则优化IDM跟驰模型的最大加速度、理想车辆速度、安全车头时距和舒适减速度四个参数取值，直到满足车道一致性和纵向位置一致性的要求；
S4、经过优化确定后的模型参数，可以应用于当前交通场景的随机车流虚实混合模拟，呈现车流在桥面的时空分布演变。
在步骤S4中，经过优化确定后的模型参数，因为能够保障桥头和桥尾模拟车流与现实世界视频识别车流精准对应，因此该套模型参数的随机车流虚实混合模拟方法能够重构交通流在桥面的时空分布演变。
综上所述，本发明提供一种桥面车流时空分布重构的随机车流虚实混合模拟方法，能够解决目前在桥面上布设连续摄像头存在的经济成本高，且同一车辆在前后摄像头切换下存在握手追踪的难题，以及中间任意摄像头发生故障、车辆连续追踪被切断、无法还原车流在桥面的连续时空变化等问题。进一步地，本发明通过优化随机车流模拟的参数设置，能够实现精准还原桥面车流序列的时空演变，解决目前的随机车流模拟方法难以完全真实地重现交通流在路面的实时动态演化的问题。本发明经济成本低、稳定性好、分析效率高，具有显著的社会经济效益。
此外，与现有技术相比，本发明具有如下有益效果：
1.能够精确地重现车流在桥面的时空分布演变，为桥梁或者道路的车流荷载分布和结构响应计算提供了精准的时空荷载信息；
2.仅需要在桥头和桥尾布置两个摄像头就能够重现车流在整个桥面的时空演变过程，具有经济成本低、自动化程度高、计算效率快等优势，在桥梁工程中具有广阔的应用场景；
3.相对目前只能从统计层面获得桥梁车流荷载和荷载效应，本方法能够实时地重构桥面车流荷载时空演变，对于桥梁实时荷载分析、实时荷载效应评估、实时安全管理提供了可能。
装置实施例一
根据本发明实施例，提供了一种桥面车流时空分布重构的随机车流虚实混合模拟装置，图6是本发明实施例的桥面车流时空分布重构的随机车流虚实混合模拟装置的示意图，如图6所示，根据本发明实施例的桥面车流时空分布重构的随机车流虚实混合模拟装置具体包括：
图像识别模块60，用于分别对桥头摄像视频和桥尾摄像视频进行图像识别，获得桥头识别车流序列和桥尾识别车流序列；所述图像识别模块60具体用于：
分别对桥头摄像视频和桥尾摄像视频进行图像识别，获得每个车辆完整出现在视频画面中最后一帧的车牌、车道和纵向位置，并按照车牌-车道-纵向位置的格式输出形成桥头识别车流序列和桥尾识别车流序列。
上述装置还可以进一步包括：
图像获取模块，用于通过布置在与目标桥梁桥头连接的道路或桥梁上的桥头路侧摄像头获取所述桥头摄像视频，通过布置在与目标桥梁桥尾连接的道路或桥梁上的桥尾路侧摄像头获取所述桥尾摄像视频。
模拟模块62，用于将所述桥头识别车流序列输入随机车流模拟系统，基于IDM跟驰模型和MOBIL换道模型对个体车辆的交通状态进行更新，输出桥尾模拟车流序列，其中，所述随机车流模拟系统用于实现时间增量步长下对任意个体车辆的交通状态和空间位置的更新；
一致性对比模块64，用于将所述桥尾模拟车流序列与所述桥尾识别车流序列进行一致性对比，若不一致则反复优化随机车流模拟系统中的所述IDM跟驰模型和所述MOBIL换道模型，直到所述桥尾模拟车流序列与所述桥尾识别车流序列一致；所述一致性对比模块64具体用于：
将桥尾模拟车流序列与桥尾识别车流序列按照车牌和时间进行一一对应，计算时长不低于n小时的桥尾模拟车流序列和桥尾识别车流序列在车道和纵向位置上的误差，按照车道误差率小于或等于车道误差率阈值以及纵向位置误差小于等于纵向位置误差阈值的标准进行一致性对比的评估，其中，n为自然数；
若车道误差率不满足一致性要求，则优化MOBIL换道模型的参数取值，若纵向位置误差不满足一致性要求，则优化IDM跟驰模型的参数取值，直到满足车道一致性和纵向位置一致性的要求。
处理模块66，用于获取经过优化后的所述IDM跟驰模型和所述MOBIL换道模型中的模型参数，基于所述模型参数进行当前交通场景的随机车流虚实混合模拟，获取车流在桥面的时空分布演变。
本发明实施例是与上述方法实施例对应的装置实施例，各个模块的具体操作可以参照方法实施例的描述进行理解，在此不再赘述。
装置实施例二
本发明实施例提供一种桥面车流时空分布重构的随机车流虚实混合模拟装置，如图7所示，包括：存储器70、处理器72及存储在所述存储器70上并可在所述处理器72上运行的计算机程序，所述计算机程序被所述处理器72执行时实现如方法实施例中所述的步骤。
装置实施例三
本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传输的实现程序，所述程序被处理器72执行时实现如方法实施例中所述的步骤。
本实施例所述计算机可读存储介质包括但不限于为：ROM、RAM、磁盘或光盘等。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (8)

1.一种桥面车流时空分布重构的随机车流虚实混合模拟方法，其特征在于，包括：
分别对桥头摄像视频和桥尾摄像视频进行图像识别，获得桥头识别车流序列和桥尾识别车流序列；
将所述桥头识别车流序列输入随机车流模拟系统，基于IDM跟驰模型和MOBIL换道模型对个体车辆的交通状态进行更新，输出桥尾模拟车流序列，其中，所述随机车流模拟系统用于实现时间增量步长下对任意个体车辆的交通状态和空间位置的更新；
将所述桥尾模拟车流序列与所述桥尾识别车流序列进行一致性对比，若不一致则反复优化随机车流模拟系统中的所述IDM跟驰模型和所述MOBIL换道模型，直到所述桥尾模拟车流序列与所述桥尾识别车流序列一致；具体包括：
将桥尾模拟车流序列与桥尾识别车流序列按照车牌和时间进行一一对应，计算时长不低于n小时的桥尾模拟车流序列和桥尾识别车流序列在车道和纵向位置上的误差，按照车道误差率小于或等于车道误差率阈值以及纵向位置误差小于等于纵向位置误差阈值的标准进行一致性对比的评估，其中，n为自然数；
若车道误差率不满足一致性要求，则优化MOBIL换道模型的参数取值，若纵向位置误差不满足一致性要求，则优化IDM跟驰模型的参数取值，直到满足车道一致性和纵向位置一致性的要求；其中，IDM跟驰模型的参数包括：最大加速度、理想车辆速度、拥堵跟车间距、安全车头时距、以及舒适减速度；MOBIL换道模型的参数包括：换道加速度阈值、车道倾向加速度、礼貌换道因子、以及最大减速度；
获取经过优化后的所述IDM跟驰模型和所述MOBIL换道模型中的模型参数，基于所述模型参数进行当前交通场景的随机车流虚实混合模拟，获取车流在桥面的时空分布演变。
2.根据权利要求1所述的方法，其特征在于，分别对桥头摄像视频和桥尾摄像视频进行图像识别之前，所述方法进一步包括：
通过布置在与目标桥梁桥头连接的道路或桥梁上的桥头路侧摄像头获取所述桥头摄像视频，通过布置在与目标桥梁桥尾连接的道路或桥梁上的桥尾路侧摄像头获取所述桥尾摄像视频。
3.根据权利要求1所述的方法，其特征在于，分别对桥头摄像视频和桥尾摄像视频进行图像识别，获得桥头识别车流序列和桥尾识别车流序列具体包括：
分别对桥头摄像视频和桥尾摄像视频进行图像识别，获得每个车辆完整出现在视频画面中最后一帧的车牌、车道和纵向位置，并按照车牌-车道-纵向位置的格式输出形成桥头识别车流序列和桥尾识别车流序列。
4.一种桥面车流时空分布重构的随机车流虚实混合模拟装置，其特征在于，包括：
图像识别模块，用于分别对桥头摄像视频和桥尾摄像视频进行图像识别，获得桥头识别车流序列和桥尾识别车流序列；
模拟模块，用于将所述桥头识别车流序列输入随机车流模拟系统，基于IDM跟驰模型和MOBIL换道模型对个体车辆的交通状态进行更新，输出桥尾模拟车流序列，其中，所述随机车流模拟系统用于实现时间增量步长下对任意个体车辆的交通状态和空间位置的更新；
一致性对比模块，用于将所述桥尾模拟车流序列与所述桥尾识别车流序列进行一致性对比，若不一致则反复优化随机车流模拟系统中的所述IDM跟驰模型和所述MOBIL换道模型，直到所述桥尾模拟车流序列与所述桥尾识别车流序列一致；所述一致性对比模块具体用于：
将桥尾模拟车流序列与桥尾识别车流序列按照车牌和时间进行一一对应，计算时长不低于n小时的桥尾模拟车流序列和桥尾识别车流序列在车道和纵向位置上的误差，按照车道误差率小于或等于车道误差率阈值以及纵向位置误差小于等于纵向位置误差阈值的标准进行一致性对比的评估，其中，n为自然数；
若车道误差率不满足一致性要求，则优化MOBIL换道模型的参数取值，若纵向位置误差不满足一致性要求，则优化IDM跟驰模型的参数取值，直到满足车道一致性和纵向位置一致性的要求；其中，IDM跟驰模型的参数包括：最大加速度、理想车辆速度、拥堵跟车间距、安全车头时距、以及舒适减速度；MOBIL换道模型的参数包括：换道加速度阈值、车道倾向加速度、礼貌换道因子、以及最大减速度；
处理模块，用于获取经过优化后的所述IDM跟驰模型和所述MOBIL换道模型中的模型参数，基于所述模型参数进行当前交通场景的随机车流虚实混合模拟，获取车流在桥面的时空分布演变。
5.根据权利要求4所述的装置，其特征在于，所述装置进一步包括：
图像获取模块，用于通过布置在与目标桥梁桥头连接的道路或桥梁上的桥头路侧摄像头获取所述桥头摄像视频，通过布置在与目标桥梁桥尾连接的道路或桥梁上的桥尾路侧摄像头获取所述桥尾摄像视频。
6.根据权利要求4所述的装置，其特征在于，所述图像识别模块具体用于：
分别对桥头摄像视频和桥尾摄像视频进行图像识别，获得每个车辆完整出现在视频画面中最后一帧的车牌、车道和纵向位置，并按照车牌-车道-纵向位置的格式输出形成桥头识别车流序列和桥尾识别车流序列。
7.一种桥面车流时空分布重构的随机车流虚实混合模拟装置，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至3中任一项所述的桥面车流时空分布重构的随机车流虚实混合模拟方法的步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现如权利要求1至3中任一项所述的桥面车流时空分布重构的随机车流虚实混合模拟方法的步骤。
CN202210347292.0A 2022-04-01 2022-04-01 桥面车流时空分布重构随机车流虚实混合模拟方法及装置 Active CN114708730B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210347292.0A CN114708730B (zh) 2022-04-01 2022-04-01 桥面车流时空分布重构随机车流虚实混合模拟方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210347292.0A CN114708730B (zh) 2022-04-01 2022-04-01 桥面车流时空分布重构随机车流虚实混合模拟方法及装置

Publications (2)

Publication Number Publication Date
CN114708730A CN114708730A (zh) 2022-07-05
CN114708730B true CN114708730B (zh) 2023-06-13

Family

ID=82172032

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210347292.0A Active CN114708730B (zh) 2022-04-01 2022-04-01 桥面车流时空分布重构随机车流虚实混合模拟方法及装置

Country Status (1)

Country Link
CN (1) CN114708730B (zh)

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102505593B (zh) * 2011-10-17 2014-03-12 天津市市政工程设计研究院 出入口纵深长度确定方法
CN104933284B (zh) * 2015-02-12 2016-07-06 长安大学 一种基于实测数据的公路桥梁随机车流模拟方法
CN104850676B (zh) * 2015-02-12 2016-06-22 长安大学 一种公路桥梁随机车流仿真模拟方法
US11138349B2 (en) * 2015-12-04 2021-10-05 International Business Machines Corporation System and method for simulating traffic flow distributions with approximated vehicle behavior near intersections
CN108831153A (zh) * 2018-08-09 2018-11-16 深圳先进技术研究院 一种利用时空分布特性的交通流预测方法及装置
CN109064495B (zh) * 2018-09-19 2021-09-28 东南大学 一种基于Faster R-CNN与视频技术的桥面车辆时空信息获取方法
CN110119528B (zh) * 2019-03-28 2022-10-04 长安大学 一种基于智能体元胞自动机的桥梁随机车流仿真系统
CN111429484B (zh) * 2020-03-31 2022-03-15 电子科技大学 一种基于交通监控视频的多目标车辆轨迹实时构建方法
CN111476491A (zh) * 2020-04-10 2020-07-31 北京工业大学 一种城市交通场景中的车辆运动模拟分析方法
CN112265546B (zh) * 2020-10-26 2021-11-02 吉林大学 基于时空序列信息的网联汽车车速预测方法
CN113312732B (zh) * 2021-04-28 2022-11-15 东南大学 一种结合预先决策与动态调整的无信控交叉口仿真控制方法及装置

Also Published As

Publication number Publication date
CN114708730A (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
CN113642633B (zh) 用于对驾驶场景数据进行分类的方法、装置、设备和介质
WO2021169588A1 (zh) 自动驾驶仿真方法和装置、电子设备及存储介质
Nguyen et al. Traffic conflict assessment for non-lane-based movements of motorcycles under congested conditions
Ahn et al. Multimodal intelligent traffic signal system simulation model development and assessment
CN113918615A (zh) 一种基于仿真的驾驶经验数据挖掘模型构建方法及系统
JP3520331B2 (ja) 交通流シミュレーション装置
CN115544637A (zh) 一种车路协同多维性能评估测试方法以及装置
WO2012103308A1 (en) Architecture and method for realistic vehicular networking and applications visualization
CN114708730B (zh) 桥面车流时空分布重构随机车流虚实混合模拟方法及装置
WO2022142064A1 (zh) 驾驶评估方法、装置及非暂态计算机可读存储介质
CN112781888B (zh) 测试车辆的系统和方法
Hudda et al. Self driving cars
CN117521389A (zh) 一种基于车路协同感知仿真平台的车辆感知测试方法
CN111028331B (zh) 一种高性能的车辆动态三维建模与轨迹实时渲染方法及装置
CN116817950A (zh) 路径规划方法、装置、设备、系统、存储介质和程序产品
CN116013075A (zh) 一种基于多源感知数据的高速公路车辆折算系数动态计算算法与系统
CN115454082A (zh) 车辆避障方法及系统、计算机可读存储介质和电子设备
CN115857685A (zh) 一种感知算法数据闭环方法及相关装置
CN115598606A (zh) 一种采集数据的点云融合方法、装置以及电子设备
CN114906170A (zh) 一种运动规划的方法、装置、电子设备及存储介质
CN115114786A (zh) 一种用于交通流仿真模型的评估方法、系统和存储介质
CN111127952A (zh) 检测潜在交通碰撞的方法、装置和存储介质
CN112150668A (zh) 驾驶行为提醒方法及装置
CN113689724B (zh) 信息推送方法、装置、电子设备及计算机可读存储介质
CN113689715B (zh) 信息推送方法、装置、电子设备及计算机可读存储介质

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
GR01 Patent grant
GR01 Patent grant