CN114863699B - 一种基于数字孪生的城市车路协同交通流预测方法 - Google Patents
一种基于数字孪生的城市车路协同交通流预测方法 Download PDFInfo
- Publication number
- CN114863699B CN114863699B CN202210664763.0A CN202210664763A CN114863699B CN 114863699 B CN114863699 B CN 114863699B CN 202210664763 A CN202210664763 A CN 202210664763A CN 114863699 B CN114863699 B CN 114863699B
- Authority
- CN
- China
- Prior art keywords
- road
- vehicle
- traffic flow
- traffic
- decision
- 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
- G08G1/065—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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"
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种基于数字孪生的城市车路协同交通流预测方法,应用于车联网领域,针对目前交通流量预测研究在算力限制下无法实现城市系统大范围的整体预测并同时保障高精度,以及其面对突发事件难以实时调整模型的问题;本发明对城市的整体拓扑、各区域的内部拓扑及车辆个体,分别在虚拟空间内建立分层孪生,从而挖掘复杂、大范围城市交通流量的时空特征。通过划分城市区域,并建立整体区域拓扑实现不同区域之间协同预测,以解决集中式方式所造成的算力负担问题;通过数字孪生中各层次之间的推演过程,不断将交通流量预测与交通导引决策之间进行交互,并对车辆产生周期性反馈,车辆实时上传感知数据,从而提高整体预测精度。
Description
技术领域
本发明属于智能车联网领域,特别涉及一种城市交通流预测技术。
背景技术
交通流量预测是实现智能交通系统的重要基础。随着快速城市化和人口增长,智能交通系统复杂度更高,同时人对于出行安全以及高效的需求也不断增加。基于交通预测的早期干预以及交通调度是提高城市交通系统道路效率、驾驶安全和缓解交通拥堵的关键。近年来,在5G技术以及智能车辆的感通信计算功能支持下,通过5G的车载自组织网络(5G-VANET)实现了车与基建设施网络之间的数据通信,为解决实时交通流量预测提供了可供分析的当前时刻交通数据支持。此外,人工智能技术的兴起也给交通流量预测研究带来新的机遇。其中深度学习模型,包括卷积神经网络和递归神经网络等,可以被应用于建立时空依赖性模型以探索具有时空流动性特质的交通流量数据的隐藏变化规律。上述新兴技术的结合在推进实现准确预测未来道路状况趋势,进而完成更高效的智能交通调控策略方面有着极大潜力。
目前已有研究中,交通预测通常基于对历史交通状态数据的考虑,以及影响交通状态的外部因素,如天气和假期。当前该方面研究热点主要集中于组合模型,是通过多种模型相互叠加来捕捉交通数据中复杂的线性和非线性特征,由于其可以综合不同模型优势,提取到更加全面的特征,从而被广泛应用。经典的方法有DCRNN、ASTGCN等,然而以上方案存在如下缺点:1、大多考虑的仅限于道路或区域,而没有考虑城市规模级的交通流量预测。其原因在于,首先,单个车辆对信息的采集和处理能力都非常有限,很难以分布式的方法获取全局信息进行时空推演并做出协同预测。其次,以集中式的方式对城市系统内复杂且大量的道路进行流量预测以为后续车辆导引提供策略依据,进而提高系统整体出行效率,这样大数量级的计算所带来的算力以及通信负担也是无法估量的。2、基于历史数据库进行的对于未来的预测,没有同时考虑实时道路数据的解决方案,同样也会导致预测精确度不够的问题。城市交通系统是一个随机复杂动态的巨型系统,深度学习等技术如何灵活运用于该领域,达到有效提升城市交通系统的状态感知、流量预测的目的,仍然是一个难题。
数字孪生是对于物理实体的数字复制,该技术为实时监测和与虚拟环境同步现实世界的活动铺平了道路。在车联网技术支持下,通过建立数字化模拟,根据物理实体变化反馈与不断推演同步真实交通环境中的状态。数字孪生技术能解决传统的移动系统框架由于严重依赖存储和计算而受到的功能限制。经过对现有文献的检索,在数字孪生和交通系统的交汇领域存在的相关尝试,大部分仅从个体出发,未考虑系统层面。
发明内容
为解决上述技术问题,本发明提出一种基于数字孪生的城市车路协同交通流预测方法,通过分层孪生以及区域协同,基于车辆决策增强的扩散卷积方法精准预测城市级大规模场景下未来交通状况,提高方案可行性和精确度
本发明采用的技术方案为:一种基于数字孪生的城市车路协同交通流预测方法,应用的场景为:城市路网划分为多个区域,一个城市路网对应一个中央服务器,城市路网中每个区域部署一个区域服务器;具体实现过程包括以下步骤:
S1、在各自动驾驶车辆的车载中心计算单元上建立车辆孪生,自动驾驶车辆感知周围车辆密度通过计算转化为局部感知车流量信息,并发送给路旁基础设施;路旁基础设施根据局部感知车流量信息与摄像头检测数据计算获取所处道路流量统计,并向该路网区域的区域服务器发送道路分布状态信息和道路车流量信息;
S2、在各个区域服务器,根据道路分布状态信息以图的形式对该区域内部的真实道路拓扑建立道路孪生;
S3、在城市中央服务器上,将区域作为图结构中的点,而区域间的相邻关系作为图结构中的边,以图的形式对城市整体建立区域孪生;
S4、在各个区域服务器,分别根据对应区域的历史道路车流量信息,构建基于车辆决策增强的扩散卷积网络,并对该扩散卷积网络进行训练;将通过自动驾驶车辆感知与路旁设施检测协同获取的实时车流量数据输入其所在区域服务器中已完成训练的扩散卷积网络中,预测未来时段内该区域内的道路交通流;
S5、中央服务器根据历史区域间连接路况数据和区域交通拥堵数据构建基于车辆决策增强的扩散卷积网络,并对该扩散卷积网络进行训练;将实时区域间连接道路交通状况建模为交通拥堵系数,从而输入中央服务器已完成训练的扩散卷积网络中,预测未来时段内各个区域交通拥堵状况;
S6、中央服务器将各区域交通拥堵状况传送至区域服务器;区域服务器将各区域交通拥堵状况和该区域内的道路交通流发送至区域内部自动驾驶车辆,并上传预测的该区域内的道路交通流至中央服务器;
S7、当自动驾驶车辆将驶入当前路网区域的交岔路口时,接收所在区域服务器传输的未来时段内该区域内的道路交通流预测结果,车辆孪生根据该区域内的道路交通流预测结果以及路径动作模块采取决策动作,并将决策反馈于区域服务器;区域服务器中的道路孪生根据区域内所有自动驾驶车辆所发送的各自的当前决策进行推演,更新对未来时段内该区域内的道路交通流的预测结果并返回给车辆孪生;
S8、当自动驾驶车辆有跨区域出行需求时,区域服务器将收到的未来时段内的区域交通拥堵状况转发给自动驾驶车辆,自动驾驶车辆根据预测结果以及路径动作模块采取决策动作并将决策反馈于中央服务器;同样中央服务器对所有收集的当前决策进行推演,更新对未来时段内的区域交通拥堵状况的预测结果。
本发明的有益效果:本发明与现有技术相比,通过城市分区域建立分层数字孪生架构,构建基于车辆决策增强的扩散卷积神经网络模型预测未来段时间内区域内部道路流量以及各区域总体拥堵状况,通过决策反馈对未来时间城市全局道路状况进行推演,克服了现有技术中存在的集中式算力限制导致的对大规模城市级预测不适用、对实时突发情况预测不精确等问题,以流量预测辅助城市交通调度管理,为导引提供有效数据支持。
附图说明
图1为本发明的应用场景。
图2为基于数字孪生的自动驾驶车路协同交通流预测算法流程图。
图3为基于车辆决策增强的扩散卷积GRU单元示意图。
具体实施方式
为便于本领域技术人员理解本发明的技术内容,下面结合附图对本发明内容进一步阐释。
针对目前交通流量预测研究在算力限制下无法实现城市系统大范围的整体预测的同时保障预测的高精度,以及其面向突发事件难以完成实时性预测的问题,本发明提出了一种基于数字孪生的城市智能时空交通流预测框架,用于挖掘复杂大范围城市系统内交通流量的时空流动性,并预测未来交通状况以辅助实现交通流导引。在区域服务器以及中央服务器上对车辆、道路和区域建立分层数字孪生体,用以推演未来一段时间的道路状况,从而通过虚拟数字体和真实环境实时交互提高流量预测精确性。全局与局部结合的城市大规模流量预测为城市交通管控调度提供数据支撑,辅助实现城市路网优化管控。
如图1所示为本发明的应用场景,城市路网包括若干条交错的道路,本发明根据区域服务器的无线通信覆盖范围以及算力限制将城市划分为多个路网区域。
本发明技术方案包括两部分,分别是:分层数字孪生架构与基于决策增强的扩散卷积交通流预测模型。考虑到城市路网中海量的车辆数量问题和处理器的算力限制,本发明把城市路网划分为多个区域,每个区域部署有一个区域服务器,用于处理区域内部的交通信息,除此之外,城市中存在一个中央服务器,用于接收和处理城市的全局交通信息。根据车辆属性(包括车辆位置和路径动作决策模块等)、道路拓扑以及区域间关联拓扑,区域服务器以及中央服务器分别构建车、道路、区域数字孪生体。技术方案采用基于决策增强的扩散卷积神经网络模型进行交通流量预测,并输出未来一段时间内车流量状况反馈于现实环境中的智能驾驶车辆。车路通过感知协同不断更新实时交通流数据用于更新预测网络以及实现虚拟孪生与实际环境的交互模拟。具体步骤如下:
首先,城市划分区域,建立分层数字孪生,在车辆实体上建立车辆孪生,模拟同步车辆现实环境中动态;在各个区域服务器中建立道路孪生,以图的形式对该区域内部的真实道路拓扑建立孪生,预测未来区域内部每条道路的时空流量数据;在中央服务器中建立区域孪生,将区域作为图结构中的点,而区域间的相邻关系作为图结构中的边,以图的形式对城市各个区域的总体流量状态趋势进行预测。
其次,采用基于决策增强的扩散卷积神经网络模型进行预测,分别在区域孪生以及道路孪生层构建神经网络模型,基于历史、实时车流量感知数据和车辆动作决策进行未来一段时间内的流量预测。具体为:在中央服务器,将输入流量数据计算为用于描述区域的交通状况的交通拥堵系数,而后将该时空相关的序列输入扩散卷积神经网络,训练预测未来区域交通状况;对于区域服务器,输入已知过去时段内区域内各个路口的流量状态,训练预测未来区域内各路口车流量。自动驾驶车辆在移动过程中针对感知的周围环境信息以及收到的流量预测结果,主动选择路径,并将当前决策与感知路况信息上传于区域服务器,此外区域服务器也上传实时交通流量数据于中央服务器。根据实时数据,区域服务器和中央服务器通过数字孪生更新网络并推演一段时间内的路网交通状况,后再次返回预测结果于车辆,形成闭环进行迭代。区域服务器对覆盖领域内所有道路和车辆建立了数字孪生,因此可考虑车辆动作对于车流量的影响以及实时交通流数据,更精确地预测出未来一段时间内对交通状况,提高预测准确度。同时,中央服务器建立的区域孪生考虑区域全局拥堵状况以及区域间流动趋势。这样的双层扩散卷积神经网络,一定程度上完整预测了未来交通的局部与整体态势,辅助城市交通管理。
本发明的实现过程如下:
1.分层数字孪生架构
通过建模,本发明将城市表示为一个无向图G(D,A),其中D表示各个区域(d1,d2,…,dn),n∈N的集合,N为划分的区域总数量,A表示区域间的连接关系,R表示连接任意两个区域的道路(r12,r14,r34,…,rmn),m<n,m,n∈N的集合。对于区域di,进一步定义其为新的无向图gi(V,E),V为区域内真实路口(v1,v2,…,vj),j∈J的集合,E为连接路口的真实道路elj,l≠j,l,j∈J的集合。对交通状况,通过定义交通拥堵系数用于描述t时刻区域di的交通状况,并用/>表示t时刻区域di内路口vk的流量状态。除此之外,对于区域di内的车辆,用集合Ci=(c1,c2,…,cn)表示,车辆的属性包括当前位置,目的地所在区域,目的地所在位置等可描述为一个向量F。
首先本发明的方法需要建立三层数字孪生:
其一,车辆孪生部署在车载中心计算单元上,在虚拟空间中对车辆进行本地建模,在车载感知和路旁设施检测的协同下获取实时车流量数据,并通过与区域服务器通信获取预测流量数据,而后根据预测流量信息和动作决策模块自动选择行驶路径。在虚拟空间内,车辆可以根据预测的时空数据进行决策,并将决策返回给区域服务器,以更新决策后的路况,不断迭代从而优化预测结果精确度,最后将最优预测结果输入物理世界,以辅佐真实车辆实现系统性长远性决策。区域di内车辆的底层映射表示为
其二,道路孪生部署于区域服务器上,在各个区域服务器内部,以图的形式对该区域内部的真实道路拓扑建立孪生,预测未来区域内部的时空流量数据,在这一部分,城市交通从微观的车辆个体转化为宏观的流的概念。区域内真实道路拓扑的数字孪生所对应的虚拟映射为
其三,最上层的区域孪生建立在城市中央服务器上,同样以图的形式对城市时空交通流量进行预测,然而区别于道路孪生,这一层将区域作为图结构中的点,而区域间的相邻关系作为图结构中的边,从而预测各个区域的总体流量状况,在车辆产生跨区域出行需求时辅助车辆决策。城市整体在数字孪生所对应的虚拟映射为
分层数字孪生中,不同层虚拟映射并不相互独立,当底层的车辆进行决策后,相应的道路流量和区域路况都会受到影响,反过来,这样的影响又会进一步影响上层未来道路以及区域流量预测结果,进而改变车辆决策。
2.基于决策增强的扩散卷积神经网络模型
对于顶层的区域,预测流量问题描述为:已知过去时段Tp内的各区域交通拥堵系数预测未来Tq时段内的区域交通拥堵系数/>对于中间的道路层,问题转化以已知过去时段Tp内区域di内各个路口的流量状态/>预测未来Tq时段内这些路口的流量状态/>
其次,本方法需要对区域孪生和道路孪生两层分别建立基于决策增强对扩散卷积神经网络用于求解上述流量预测问题,获得未来一段时间内流量预测结果。
如图1所示,实线圈出部分即自动驾驶车辆局部感知资源与通信资源范围,当自动驾驶车辆周围发生突发事件,例如交通事故,临时修路等导致交通拥堵时,自动驾驶车辆可感知局部范围内车辆数量,即可将感知获取的周围车辆密度信息通过计算转化为局部感知交通流量信息。区域内所有自动驾驶车辆都把自己的策略和局部感知交通流量信息分别发给区域服务器和路旁设施。路旁设施结合局部感知流量信息与摄像头检测数据获取实时道路流量数据并发送给区域服务器。最后,区域服务器对区域内全局路况进行推演和反馈。所有区域内车辆策略信息具体为:
其中eij为在道路i路口的自动驾驶车辆决策驶向道路j的数量,对其进行归一化得到mij,组成车辆决策游走矩阵,Z表示与道路i相连的道路的集合。
由于城市交通中车辆的动作流动决策会直接影响环境道路车流量,从而改变未来车流,因此通过车辆决策游走矩阵M增强扩散卷积神经网络,改进后获得的扩散卷积层计算公式如下:
本方法提出的扩散卷积神经网络预测模型通过GRU进行多步的时间序列预测,如图3所示,用基于车辆决策增强的扩散卷积层替代GRU中的矩阵乘法,后使用序列encoder-decoder模型(encoder和decoder由多个GRU单元串联)完成整体预测。
3.基于数字孪生的自动驾驶车路协同的智能交通流预测算法流程
本发明方法是基于城市道路环境的交通流预测方法,实现对于区域内部的未来道路交通流预测以及全局的各区域未来拥堵状况的预测。算法步骤为:
Step1、车辆感知周围车辆密度通过计算转化为局部感知车流量信息,并发送给路旁设施;路旁设施根据摄像头捕获的视频数据中一段距离内的经过车辆数量计算获取道路车流量信息;路旁设施在考虑局部感知车流量信息下,根据道路车流量信息分析计算可得所处道路实时流量统计并上传道路分布位置与实时道路流量统计至该路网区域的区域服务器以初始化道路拓扑;
Step5、在各个区域服务器,分别根据对应区域的历史数据构建基于车辆决策增强的扩散卷积网络,并根据历史数据对所述网络进行训练;将过去时段Tp内(包含当前t时刻)区域di内各个路口的流量状态输入其所在区域服务器中已完成训练的网络中,预测未来Tq时段内这些路口的流量状态/>
Step6、中央服务器根据历史区域间连接路况数据和区域交通拥堵数据构建基于车辆决策增强的扩散卷积网络,并根据历史数据对所诉网络进行训练;将过去时段Tp内的各区域交通拥堵系数输入中央服务器已完成训练的网络中,预测未来Tq时段内的区域交通拥堵系数/>
拥堵系数根据对区域交通状况的评估,例如:区域内发生拥堵的道路数量占总道路数量的比值即可得到该区域的拥堵系数。
Step7、中央服务器将各区域总体流量预测状况传送至区域服务器;区域服务器将城市整体路况和区域路况发送至区域内部车辆,并上传未来区域内道路车流量预测结果至中央服务器;上传的车流量预测结果用于更新对未来区域拥堵系数的评估,提升中央服务器对整体拥堵的预测精度;
Step8、当自动驾驶车辆快驶入当前路网区域的交岔路口时,车辆孪生根据所在区域服务器传输的未来时段内道路交通流预测结果,计算车辆决策mij,并将车辆决策与车辆局部感知交通流量信息发送至区域服务器;车辆局部感知交通流量信息,即是通过计算将感知范围内的车辆拥挤密度转化为周围交通流量数据,从而反映车辆周围的突发事件状况,如糟糕的天气、意外的交通事故以及临时的道路维护等所造成的交通拥堵;
Step9、区域服务器中的道路孪生根据通过收集所有车辆决策而获取的游走矩阵M改变扩散卷积层,更新对未来时空交通状态的预测结果并返回给车辆孪生;
Step10、当自动驾驶车辆有跨区出行需求时,即将要驶出当前区域,根据预测结果以及路径动作模块采取决策动作(选择具体区域间连接道路)计算决策mij;同样中央服务器对通过收集所有当前决策而组成的游走矩阵M进行推演,更新对未来区域的总体流量状况的预测结果并返回给车辆孪生。车辆的具体决策过程为现有已知技术,本发明中不做详细阐述。
步骤5、6中的基于车辆决策增强的扩散卷积神经网络模型为:
扩散卷积将车辆的移动看作分子的扩散过程,从而捕捉交通的动态性和时空依赖性。扩散趋于稳定时的状态转移分布具体为:
其中,k为扩散的步数,α为重启概率且α∈[0,1],为状态转移矩阵,Do=diag(W)表示出度对角矩阵,W则是加权邻接矩阵,用于描述节点之间的相邻关系。由于城市交通中车辆的动作流动决策会直接影响环境道路车流量,从而改变未来车流,即车辆预测与导引是相互耦合的过程,需要考虑车辆决策对于未来车流的影响,因此将上述的状态转移矩阵改为车辆决策游走矩阵M,具体为:
其中,eij为在道路i路口的自动驾驶车辆决策驶向道路j的数量,对其进行归一化得到mij,组成车辆决策游走矩阵。改进后获得的扩散卷积层计算公式如下:
通过GRU进行多步的时间序列预测,用基于车辆决策增强的扩散卷积层替代GRU中的矩阵乘法,后使用序列encoder-decoder模型完成整体预测。
本发明与其他的交通流预测方法相比具有以下创新:首先,本发明考虑了实时突发情况以及交通流量拥堵状况对流量预测的影响,而不是采用历史流量数据集进行训练,能够提高流量预测精度。其次,本发明提出了分层数字孪生框架与基于决策改进的扩散卷积神经网络模型,在车辆、区域服务器以及中央服务器建立三层数字孪生,以物理环境与虚拟映射之间的交互完成对未来区域交通状况的推演,并通过扩散卷积神经网络捕获实时感知数据时空交通流的时空相关性,获取精确度更高的预测结果,并克服了集中式预测算力限制问题。最后,本发明考虑了城市级全局与区域级局部预测,是智能城市交通调控的必要基础。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。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权利要求范围之内。
Claims (3)
1.一种基于数字孪生的城市车路协同交通流预测方法,其特征在于,应用的场景为:城市路网划分为多个区域,一个城市路网对应一个中央服务器,城市路网中每个区域部署一个区域服务器;具体实现过程包括以下步骤:
S1、在各自动驾驶车辆的车载中心计算单元上建立车辆孪生,自动驾驶车辆感知周围车辆密度通过计算转化为局部感知车流量信息,并发送给路旁基础设施;路旁基础设施根据局部感知车流量信息与摄像头检测数据计算获取所处道路流量统计,并向该区域的区域服务器发送道路分布状态信息和道路车流量信息;
S2、在各个区域服务器,根据道路分布状态信息以图的形式对该区域内部的真实道路拓扑建立道路孪生;
S3、在城市中央服务器上,将区域作为图结构中的点,而区域间的相邻关系作为图结构中的边,以图的形式对城市整体建立区域孪生;
S4、在各个区域服务器,分别根据对应区域的历史道路车流量信息,构建基于车辆决策增强的扩散卷积网络,并对该扩散卷积网络进行训练;将通过自动驾驶车辆感知与路旁设施检测协同获取的实时车流量数据输入其所在区域服务器中已完成训练的扩散卷积网络中,预测未来时段内该区域内的道路交通流;
S5、中央服务器根据历史区域间连接路况数据和区域交通拥堵数据构建基于车辆决策增强的扩散卷积网络,并对该扩散卷积网络进行训练;将实时区域间连接道路交通状况建模为交通拥堵系数,从而输入中央服务器已完成训练的扩散卷积网络中,预测未来时段内各个区域交通拥堵状况;
步骤S4或S5所述的基于车辆决策增强的扩散卷积网络,具体的:将区域内自动驾驶车辆的移动看作分子的扩散过程,扩散趋于稳定时的状态转移分布具体为:
采用车辆决策游走矩阵M替换状态转移矩阵,具体为:
其中,eij为在道路i路口的自动驾驶车辆决策驶向道路j的数量,对eij进行归一化得到mij,根据mij得到车辆决策游走矩阵M;
采用车辆决策游走矩阵M替换状态转移矩阵后,扩散卷积层计算公式如下:
其中,X:,p为每个点的嵌入向量长度为P的图信号输入,θ为滤波器参数,a为激活函数,X:,q为每个点的嵌入向量长度为Q的图信号输出,K为扩散的总步数;
S6、中央服务器将各区域交通拥堵状况传送至区域服务器;区域服务器将各区域交通拥堵状况和该区域内的道路交通流发送至区域内部自动驾驶车辆,并上传预测的该区域内的道路交通流至中央服务器;
S7、当自动驾驶车辆将驶入当前路网区域的交岔路口时,接收所在区域服务器传输的当前该区域内的道路交通流预测结果,车辆孪生根据当前区域内的道路交通流预测结果以及路径动作模块采取决策动作,并将决策反馈于区域服务器;区域服务器中的道路孪生根据区域内所有自动驾驶车辆所发送的各自的当前决策进行推演,更新对未来时段内该区域内的道路交通流的预测结果并返回给车辆孪生,自动驾驶车辆根据更新后的未来时段内该区域内的道路交通流的预测结果以及路径动作模块采取决策动作;
S8、当自动驾驶车辆有跨区域出行需求时,区域服务器将收到的当前的区域交通拥堵状况的预测结果转发给自动驾驶车辆,自动驾驶车辆根据当前的区域交通拥堵状况的预测结果以及路径动作模块采取决策动作并将决策反馈于中央服务器;同样中央服务器对所有收集的当前决策进行推演,更新对未来时段内的区域交通拥堵状况的预测结果并返回给车辆孪生,自动驾驶车辆根据更新后的未来时段内该区域内的道路交通流的预测结果、下一区域更新后的未来时段内该区域内的道路交通流的预测结果以及路径动作模块采取决策动作。
2.根据权利要求1所述的一种基于数字孪生的城市车路协同交通流预测方法,其特征在于,步骤S4所述对该扩散卷积网络进行训练,具体采用过去一段时间内的区域内各个路口的流量状态对构建基于车辆决策增强的扩散卷积网络进行训练。
3.根据权利要求2所述的一种基于数字孪生的城市车路协同交通流预测方法,其特征在于,步骤S5所述对该扩散卷积网络进行训练,具体采用过去一段时间内的各区域交通拥堵系数对构建基于车辆决策增强的扩散卷积网络进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210664763.0A CN114863699B (zh) | 2022-06-14 | 2022-06-14 | 一种基于数字孪生的城市车路协同交通流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210664763.0A CN114863699B (zh) | 2022-06-14 | 2022-06-14 | 一种基于数字孪生的城市车路协同交通流预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114863699A CN114863699A (zh) | 2022-08-05 |
CN114863699B true CN114863699B (zh) | 2023-05-23 |
Family
ID=82625061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210664763.0A Active CN114863699B (zh) | 2022-06-14 | 2022-06-14 | 一种基于数字孪生的城市车路协同交通流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114863699B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116758740B (zh) * | 2023-06-14 | 2024-03-22 | 广西大学 | 一种基于数字孪生和信息树的智慧交通高效模拟方法 |
CN117201417B (zh) * | 2023-11-02 | 2024-01-26 | 江苏鑫埭信息科技有限公司 | 基于动态优先级的多用户通讯管控方法及系统 |
CN117237559B (zh) * | 2023-11-10 | 2024-02-27 | 陕西天润科技股份有限公司 | 面向数字孪生城市的三维模型数据智能分析方法及系统 |
CN117275241B (zh) * | 2023-11-21 | 2024-02-09 | 湖南希赛网络科技有限公司 | 基于数字孪生的交通态势感知和流量预测的可视化系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2020101023A4 (en) * | 2020-06-16 | 2020-07-23 | Guizhou Minzu University | A Novel Deep Learning Approach for Distributed Traffic Flow Forecasting |
CN112017436A (zh) * | 2020-09-09 | 2020-12-01 | 中国科学院自动化研究所 | 城市市内交通旅行时间的预测方法及系统 |
CN112801175A (zh) * | 2020-10-16 | 2021-05-14 | 江苏量动信息科技有限公司 | 基于数字孪生的交通分析模型修正方法及装置 |
WO2021222384A1 (en) * | 2020-04-28 | 2021-11-04 | Strong Force Intellectual Capital, Llc | Digital twin systems and methods for transportation systems |
CN113724504A (zh) * | 2021-08-06 | 2021-11-30 | 之江实验室 | 一种面向车辆轨迹大数据的城市区域流量预测系统及方法 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103700255B (zh) * | 2013-12-30 | 2015-10-07 | 复旦大学 | 一种基于时空关联数据挖掘的交通流预测方法 |
US11468215B2 (en) * | 2018-06-13 | 2022-10-11 | Toyota Jidosha Kabushiki Kaisha | Digital twin for vehicle risk evaluation |
US10843689B2 (en) * | 2018-06-13 | 2020-11-24 | Toyota Jidosha Kabushiki Kaisha | Collision avoidance for a connected vehicle based on a digital behavioral twin |
US11043122B2 (en) * | 2018-10-19 | 2021-06-22 | Toyota Jidosha Kabushiki Kaisha | Digital behavioral twin system for intersection management in connected environments |
KR102355178B1 (ko) * | 2019-06-20 | 2022-02-10 | 주식회사 한국디지털트윈연구소 | 디지털 트윈을 이용하여 가상센서를 구현하는 컴퓨팅 시스템 및 이를 이용한 실시간 데이터 수집 방법 |
CN110456635B (zh) * | 2019-07-02 | 2021-02-19 | 北京航空航天大学 | 基于数字孪生技术的电动汽车动力系统的控制方法 |
AU2020102350A4 (en) * | 2020-09-21 | 2020-10-29 | Guizhou Minzu University | A Spark-Based Deep Learning Method for Data-Driven Traffic Flow Forecasting |
EP3985925B1 (en) * | 2020-10-15 | 2023-03-15 | Fujitsu Limited | A method and system for predicting the evolution of simulation results for an internet of things network |
CN112258898B (zh) * | 2020-10-16 | 2021-08-24 | 中国民用航空华东地区空中交通管理局 | 基于数字孪生技术的空中交通管制方法、系统、电子设备及存储介质 |
CN112329182A (zh) * | 2020-10-28 | 2021-02-05 | 北京石油化工学院 | 车路协同条件下面向复杂交通形态的控制网格划分方法 |
CN112700639B (zh) * | 2020-12-07 | 2022-03-08 | 电子科技大学 | 一种基于联邦学习与数字孪生的智能交通路径规划方法 |
CN113313303A (zh) * | 2021-05-28 | 2021-08-27 | 南京师范大学 | 基于混合深度学习模型的城市区域路网过车流量预测方法及其系统 |
CN113704956A (zh) * | 2021-06-15 | 2021-11-26 | 深圳市综合交通设计研究院有限公司 | 一种基于数字孪生技术的城市道路在线微观仿真方法及系统 |
CN113609656A (zh) * | 2021-07-19 | 2021-11-05 | 航天科工智能运筹与信息安全研究院(武汉)有限公司 | 基于数字孪生的智慧城市决策系统及方法 |
CN113867354B (zh) * | 2021-10-11 | 2023-05-02 | 电子科技大学 | 一种自动驾驶多车智能协同的区域交通流导引方法 |
CN113965398B (zh) * | 2021-10-29 | 2022-12-27 | 电子科技大学 | 一种车联网场景下基于孪生区块链的车辆身份认证方法 |
CN114248803A (zh) * | 2021-11-19 | 2022-03-29 | 北京望云家德智能技术有限公司 | 基于车路协同的自动驾驶数字孪生支持系统 |
CN114548512A (zh) * | 2022-01-19 | 2022-05-27 | 福建工程学院 | 一种面向数字孪生的道路运行数据预估方法及装置 |
-
2022
- 2022-06-14 CN CN202210664763.0A patent/CN114863699B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021222384A1 (en) * | 2020-04-28 | 2021-11-04 | Strong Force Intellectual Capital, Llc | Digital twin systems and methods for transportation systems |
AU2020101023A4 (en) * | 2020-06-16 | 2020-07-23 | Guizhou Minzu University | A Novel Deep Learning Approach for Distributed Traffic Flow Forecasting |
CN112017436A (zh) * | 2020-09-09 | 2020-12-01 | 中国科学院自动化研究所 | 城市市内交通旅行时间的预测方法及系统 |
CN112801175A (zh) * | 2020-10-16 | 2021-05-14 | 江苏量动信息科技有限公司 | 基于数字孪生的交通分析模型修正方法及装置 |
CN113724504A (zh) * | 2021-08-06 | 2021-11-30 | 之江实验室 | 一种面向车辆轨迹大数据的城市区域流量预测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114863699A (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114863699B (zh) | 一种基于数字孪生的城市车路协同交通流预测方法 | |
Rasheed et al. | Deep reinforcement learning for traffic signal control: A review | |
CN109582993B (zh) | 城市交通场景图像理解与多视角群智优化方法 | |
Yang et al. | Bus arrival time prediction using support vector machine with genetic algorithm | |
CN112365724A (zh) | 一种基于深度强化学习的连续交叉口信号协同控制方法 | |
Zhang et al. | Cooperative multi-agent actor–critic control of traffic network flow based on edge computing | |
CN114287022A (zh) | 多步交通预测 | |
CN114925836B (zh) | 基于动态多视图图神经网络的城市交通车流量推理方法 | |
Ou et al. | Learn, assign, and search: real-time estimation of dynamic origin-destination flows using machine learning algorithms | |
CN107563543A (zh) | 一种基于群体智能的城市交通优化服务方法与系统 | |
CN115204478A (zh) | 一种结合城市兴趣点和时空因果关系的公共交通流量预测方法 | |
Chu et al. | Traffic signal control using end-to-end off-policy deep reinforcement learning | |
CN114021809A (zh) | 一种无人驾驶用交通流量预测的图层级卷积神经网络模型 | |
Xu et al. | AGNP: Network-wide short-term probabilistic traffic speed prediction and imputation | |
Agarwal et al. | Imitative planning using conditional normalizing flow | |
Zhu et al. | Auto-learning communication reinforcement learning for multi-intersection traffic light control | |
Kumar et al. | Adaptive traffic light control using deep reinforcement learning technique | |
Wei et al. | How do we move: Modeling human movement with system dynamics | |
CN116612633A (zh) | 一种基于车路协同感知下的自适应动态路径规划方法 | |
CN116167254A (zh) | 基于城市大数据的多维城市仿真推演方法和系统 | |
Hua et al. | Multi-agent reinforcement learning for connected and automated vehicles control: Recent advancements and future prospects | |
Mittal et al. | Analysis of dynamic road traffic congestion control (DRTCC) techniques | |
Bashiri | Data-driven intersection management solutions for mixed traffic of human-driven and connected and automated vehicles | |
Wu et al. | Deep spatio-temporal residual networks for connected urban vehicular traffic prediction | |
CN115331460B (zh) | 一种基于深度强化学习的大规模交通信号控制方法及装置 |
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 |