CN114882696B - 道路容量的确定方法、装置及存储介质 - Google Patents
道路容量的确定方法、装置及存储介质 Download PDFInfo
- Publication number
- CN114882696B CN114882696B CN202210310712.8A CN202210310712A CN114882696B CN 114882696 B CN114882696 B CN 114882696B CN 202210310712 A CN202210310712 A CN 202210310712A CN 114882696 B CN114882696 B CN 114882696B
- Authority
- CN
- China
- Prior art keywords
- traffic
- data
- road
- attribute data
- supply
- 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
- 238000000034 method Methods 0.000 title claims abstract description 204
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 230000008569 process Effects 0.000 claims description 119
- 230000006870 function Effects 0.000 claims description 112
- 238000013507 mapping Methods 0.000 claims description 45
- 238000005457 optimization Methods 0.000 claims description 30
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 13
- 230000001133 acceleration Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 abstract description 8
- 238000003062 neural network model Methods 0.000 description 80
- 238000012549 training Methods 0.000 description 39
- 238000012937 correction Methods 0.000 description 31
- 238000004364 calculation method Methods 0.000 description 23
- 238000004891 communication Methods 0.000 description 19
- 238000013480 data collection Methods 0.000 description 19
- 238000007726 management method Methods 0.000 description 15
- 238000013528 artificial neural network Methods 0.000 description 14
- 238000012216 screening Methods 0.000 description 13
- 238000009826 distribution Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 239000007858 starting material Substances 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 6
- 230000002776 aggregation Effects 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 229920006395 saturated elastomer Polymers 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
-
- 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
- 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
- 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例公开了一种道路容量的确定方法、装置及存储介质,属于智能交通领域。在本申请实施例中,在确定第一时间段的道路容量时,获取第一时间段内的交通供给属性数据和交通需求属性数据,一方面,如果获取的是实时数据,则本方案可以实时确定道路容量,也即实时性较高,另一方面,如果获取的是某地区、某时段的交通数据,则本方案可以确定该地区该时段的道路容量,也即能够适应不同地区不同时段的差异性。另外,本方案获取的数据不依赖人工测量和历史经验,确定的道路容量的精确度更高,且人工成本很低。
Description
本申请是分案申请,原申请的申请号是CN202011174360.5,原申请日是2020年10月28日,原申请的全部内容通过引用结合在本申请中。
技术领域
本申请实施例涉及智能交通领域,特别涉及一种道路容量的确定方法、装置及存储介质。
背景技术
道路容量也称为道路通行能力或者道路承载力,是指在正常的道路、交通、管制以及运行质量等要求下,单位时间内通过道路上某一点或某一断面的最大车辆数。道路容量反映了道路所能承担车辆运行的最大能力,且道路容量为智能交通、智能运输系统(intelligent transportation system,ITS)等提供了重要的依据。
相关技术是参照公路通行能力手册(highway capacity manual,HMC)中的计算公式进行道路容量的计算,这种方法是目前常用的方法。该方法中,首先根据道路上的交通信号配时和饱和车头时距,通过计算公式计算出道路的基本通行能力,又由于HMC中认为道路中的交叉口是制约道路容量的最大瓶颈,例如交叉口处的车道组成、车流比例等因素会制约道路容量,因此,再根据这些因素选择手册中给出的折减系数,通过折减系数对计算出的基本通行能力再进行折减,得到道路容量。其中,交通信号配时包括直行绿信比、左转绿信比和信号周期,饱和车头时距可以由道路上前后连续两辆车的车头最短间距除以后车速度得到。
然而,根据手册确定道路容量的方法中,饱和车头时距的获取一般依赖人工测量或历史经验,但是人工测量成本较高、实时性低,根据历史经验确定的饱和车头时距的精确度较低。另外,手册中给出的折减系数难以适应不同地区、不同时段的差异性。因此,需要一种方案,可以实时、准确地获取道路容量。
发明内容
本申请实施例提供了一种道路容量的确定方法、装置及存储介质,能够所确定的道路容量的精确度,能够适应不同地区、不同时段的差异性,且能够降低人工测量成本。所述技术方案如下:
第一方面,提供了一种道路容量的确定方法,该方法包括:
获取第一交通供给属性数据和第一交通需求属性数据,第一交通供给属性数据用于表征第一时间段内的路段属性,第一交通需求属性数据用于表征第一时间段内的交通流属性;根据第一交通供给属性数据和第一交通需求属性数据,通过道路容量与交通供需属性之间的映射关系,确定第一时间段内的道路容量,该映射关系根据历史获取的交通供给属性数据、交通需求属性数据和道路流量确定,该交通供需属性包括交通供给属性和交通需求属性。
在本申请实施例中,在确定第一时间段的道路容量时,获取第一时间段内的交通供给属性数据和交通需求属性数据,一方面,如果获取的是实时数据,则本方案可以实时确定道路容量,也即实时性较高,另一方面,如果获取的是某地区、某时段的交通数据,则本方案可以确定该地区该时段的道路容量,也即能够适应不同地区不同时段的差异性。另外,本方案获取的数据不依赖人工测量和历史经验,确定的道路容量的精确度更高,且人工成本很低。
可选地,本申请实施例以该方法应用于交通中心侧包括的交通中心服务器为例进行介绍。
可选地,交通中心服务器获取第一交通需求属性数据,包括:接收数据采集侧和/或边缘侧在第一时间段内发送的交通流数据,数据采集侧用于实时采集交通流数据,边缘侧用于收集数据采集侧实时采集的交通流数据并进行预处理;根据接收到的交通流数据,确定第一交通需求属性数据。
也即是,交通中心服务器能够从数据采集侧直接获取交通流数据,也可以从边缘侧获取交通流数据。换句话说,数据采集侧能够直接将采集的交通流数据上报到交通中心服务器,数据采集侧也能够先将采集的交通流数据汇聚到边缘侧,由边缘侧预处理之后上报到交通中心服务器。
可选地,数据采集侧包括一个或多个交通传感器,边缘侧包括一个或多个边缘设备,一个或多个交通传感器中的每个交通传感器为电警卡口的传感器、地磁线圈/雷达的传感器、车辆中的全球导航卫星系统(global navigation satellite system,GNSS)传感器和车辆中移动设备的定位传感器中的任意一个。
可选地,交通中心服务器获取第一交通供给属性数据,包括:从存储的道路属性数据中获取第一交通供给属性数据;和/或,从交管服务器中获取第一交通供给属性数据。
示例性地,对于路段的车道数量、道路宽度、道路限速等道路属性数据,交通中心服务器可以通过存储的道路静态拓扑、道路地图、道路标志标牌等数据中获取,对于交叉口的信号配时、交通绿信比等道路属性数据,交通中心服务器可以从交管服务器中存储的配时方案中获取。当然,交通中心服务器还能够通过其他途径获取道路属性数据,例如从交通信号机中获取交通信号灯的相关信息。
可选地,第一交通供给属性数据包括跟车模型参数、直行绿信比、左转绿信比、信号周期和车道数量中的一种或多种;第一交通需求属性数据包括车辆类型、车辆速度、车辆加速度、时间占有率和车道编号中的一种或多种。
需要说明的是,在本申请实施例中,交通中心服务器接收数据采集侧和/或边缘侧上报的交通流数据包括的数据种类很多,交通中心服务器通过数据清洗、特征提取、特征筛选等方法,从确定本申请实施例中用于确定道路容量的交通供需属性数据。本申请实施例中所确定的交通供需属性数据包括的几种数据仅作为一种示例,本申请实施例对此并不限定。
在本申请实施例提供了两种确定道路容量的实现方式,接下来对这两种实现方式进行详细介绍。
第一种实现方式:基于高斯过程和贝叶斯优化的方法确定道路容量。
可选地,根据第一交通供给属性数据和第一交通需求属性数据,通过道路容量与交通供需属性之间的映射关系,确定第一时间段内的道路容量,包括:将第一交通供给属性数据和第一交通需求属性数据中的至少一种数据输入高斯过程模型,输出第一供需关系函数,该高斯过程模型用于描述道路容量与交通供需属性之间的映射关系;确定第一供需关系函数的最大值,将该最大值作为第一时间段内的道路容量。
可选地,确定第一供需关系函数的最大值,将最大值作为第一时间段内的道路容量,包括:通过贝叶斯优化处理,确定第一供需关系函数的最大值,将该最大值作为第一时间段内的道路容量。
需要说明的是,交通中心服务器将第一交通供给属性数据和第一交通需求属性数据中的哪些数据作为高斯过程模型的输入,哪些数据就限定了最终确定的道路容量的约束条件,而具体将哪些数据作为高斯过程模型的输入可以根据实际选择,本申请实施例对此不作限定。
示例性地,交通中心服务器将第一交通供给属性数据输入高斯过程模型,也即是,交通中心服务器仅将第一交通供给属性数据作为高斯过程模型的输入,这样,最终确定的道路容量即表征在第一交通供给属性数据所限定的道路条件下,道路所能承担车辆运行的最大能力,也即将第一交通供给属性数据作为确定道路容量的约束条件。
可选地,根据第一交通供给属性数据和第一交通需求属性数据,通过道路容量与交通供需属性之间的映射关系,确定第一时间段内的道路容量,包括:将第一交通供给属性数据和第一交通需求属性数据输入高斯过程模型,输出第一时间段内的道路容量,高斯过程模型用于描述道路容量与交通供需属性之间的映射关系。也即是,交通中心服务器直接将第一交通供给属性数据和第一交通需求属性数据均作为确定道路容量的约束条件。
需要说明的是,在第一种实现方式中,以通过贝叶斯优化方法搜索函数的最大值的方法为例,对确定道路容量的方法进行介绍,而在申请实施例不仅能够通过贝叶斯优化方法搜索函数的最大值,也能够通过其他的优化方法搜索函数的最大值,例如其他的梯度下降算法。
另外,高斯过程模型为根据第一时间段之前获取的交通数据确定的,也即在使用高斯过程模型之前,需要先根据历史数据模拟得到高斯过程模型。
可选地,该方法还包括:获取多组第一交通数据,该多组第一交通数据是在第一时间段之前确定的交通数据,且每组第一交通数据包括交通供给属性数据、交通需求属性数据和道路流量;将每组第一交通数据中的交通供给属性数据和交通需求属性数据作为输入数据,将每组第一交通数据中的道路流量作为输出数据,通过高斯过程拟合得到高斯过程模型。
也即是,交通中心服务器将历史数据中的交通供需属性数据作为输入样本,将历史数据中的道路流量作为样本标签,根据输入样本和样本标签,通过高斯过程建模得到高斯过程模型,得到的高斯过程模型用于描述道路容量与交通供需属性数据的映射关系。
在本申请实施例中,由于交通中心服务器不断地收集数据采集侧和/或边缘侧上报的交通流数据,交通中心服务器也能不断从交管中心等处获取最新的道路属性数据,因此,交通中心服务器还能够根据不断接收的交通流数据,以及不断更新的道路属性数据,来更新高斯过程模型。
可选地,交通中心服务器通过高斯过程拟合得到高斯过程模型之后,还包括:获取第一时间段内的道路流量;根据第一交通供给属性数据、第一交通需求属性数据和第一时间段内的道路流量,更新高斯过程模型。
在第一种实现方式中,基于实时交通供给属性数据进行动态计算,能够体现实时的交通状态,且对于交通流运行规律无需任何先验假设,使用数据驱动的方式进行交通流关系本质的建模,建模更准确。另外,使用特征工程,挖掘更多交通流参数与流量之间的关联,通过高斯过程拟合更多特征参数与道路流量之间的关系,能较好的捕捉路段交通流变化的动态特征,更加综合使用数据驱动的可计算特征属性,使计算结果更精确。
第二种实现方式:基于神经网络的方法确定道路容量。
在该实现方式中,交通中心服务器根据第一交通供给属性数据和第一交通需求属性数据,通过道路容量与交通供需属性之间的映射关系,确定第一时间段内的道路容量,包括:将第一交通供给属性数据和第一交通需求属性数据输入经过训练的神经网络模型,输出第一时间段内的道路容量,经过训练的神经网络模型用于获取道路容量与交通供需属性之间的映射关系。
在本申请实施例中,交通中心服务器在采用神经网络模型预测道路容量之前,需要根据历史数据训练得到神经网络模型。
可选地,该方法还包括:获取多组第二交通数据,该多组第二交通数据是在第一时间段之前确定的交通数据,且每组第二交通数据包括交通供给属性数据、交通需求属性数据、道路流量和实际通行时间;将每组第二交通数据和存储的初始参数作为待训练的神经网络模型的输入,获得每组第二交通数据对应的通行时间误差,得到多个通行时间误差;通过该多个通行时间误差反向传播调整待训练的神经网络模型的网络参数,得到经过训练的神经网络模型。
可选地,待训练的神经网络模型包括误差修正模块、参数标定模块和通行能力估计模块,初始参数包括路阻参数的初始值和路段自由行驶时间,路阻参数为公路局(bureauof public road,BPR)函数的参数;交通中心服务器将每组第二交通数据和存储的初始参数作为待训练的神经网络模型的输入,获得每组第二交通数据对应的通行时间误差,得到多个通行时间误差,包括:将每组第二交通数据包括的交通供给属性数据和交通需求属性数据作为通行能力估计模块的输入,输出每组第二交通数据对应的预测道路容量;将路阻参数的初始值作为参数标定模块的输入,输出路阻参数的标定值;将每组第二交通数据包括的道路流量和实际通行时间,以及每组第二交通数据对应的预测道路容量、路阻参数的标定值和路段自由行驶时间作为误差修正模块的输入,输出每组第二交通数据对应的通行时间误差。
可选地,交通中心服务器将每组第二交通数据包括的道路流量和实际通行时间,以及每组第二交通数据对应的预测道路容量、路阻参数的标定值和路段自由行驶时间作为误差修正模块的输入,输出每组第二交通数据对应的通行时间误差,包括:将每组第二交通数据包括的道路流量,以及每组第二交通数据对应的预测道路容量、路阻参数的标定值和路段自由行驶时间作为BPR函数的输入,通过BPR函数输出每组第二交通数据对应的预测通行时间;将每组第二交通数据包括的实际通行时间,以及每组第二交通数据对应的预测通行时间作为损失函数的输入,通过损失函数输出每组第二交通数据对应的通行时间误差。
可选地,交通中心服务器通过该多个通行时间误差反向传播调整待训练的神经网络模型的网络参数,得到经过训练的神经网络模型,包括:通过该多个通行时间误差反向传播调整通行能力估计模块和参数标定模块的网络参数,得到经过训练的神经网络模型。
由于道路通行时间容易采集,也即道路通行时间是能够直接测量的交通特征参数,道路通行时间易于构造损失函数,易于实现端到端的训练,因此,在第二种实现方式中,通过将道路通行时间作为BPR函数的子输出,将道路容量作为待训练的神经网络模型的子输出,简化了模型训练过程。通过BPR函数,将所需输出的道路容量作进一步转化,也即是,把整个路阻函数的输入、输出以及计算过程看作一个大的神经网络,通过路阻函数的拆分,将通行能力估计模块单独做成了一个小的子网络,道路通行时间作为待训练的神经网络模型的最终输出。通过神经网络捕捉各类影响因素(交通供需属性)与路段容量的复杂非线性映射关系,并将神经网络的训练过程与路阻函数的参数标定结合,通过反向传播算法同步更新神经网络参数(如权重和偏置)与路阻函数参数。
可选地,经过训练的神经网络模型包括通行能力估计模块;交通中心服务器将第一交通供给属性数据和第一交通需求属性数据输入经过训练的神经网络模型,输出第一时间段内的道路容量,包括:将第一交通供给属性数据和第一交通需求属性数据输入经过训练的神经网络模型包括的通行能力估计模块,输出第一时间段内的道路容量。
也即是,待训练的神经网络模型包括的误差修正模块和参数标定模块均是为了训练通行能力估计模块,在训练完成后,仅通过训练得到的通行能力估计模块,即能预测道路容量。
可选地,交通中心服务器在得到经过训练的神经网络模型之后,还包括:获取第一时间段内的道路流量和实际通行时间;根据第一交通供给属性数据、第一交通需求属性数据,以及第一时间段内的道路流量和实际通行时间,更新神经网络模型。
也即是,在本申请实施例中,交通中心服务器还能够根据不断接收到的交通流数据,以及不断更新的道路属性数据,来更新神经网络模型。
在上述第二种实现方式中,交通中心服务器能够基于实时数据进行动态计算,能够体现实时的交通状态。通过神经网络捕捉各类影响因素与道路容量的复杂非线性映射关系,确定的道路容量更加精确。
第二方面,提供了一种道路容量的确定装置,所述道路容量的确定装置具有实现上述第一方面中道路容量的确定方法行为的功能。所述道路容量的确定装置包括一个或多个模块,该一个或多个模块用于实现上述第一方面所提供的道路容量的确定方法。
也即是,提供了一种道路容量的确定装置,该装置包括:
第一获取模块,用于获取第一交通供给属性数据和第一交通需求属性数据,第一交通供给属性数据用于表征第一时间段内的路段属性,第一交通需求属性数据用于表征第一时间段内的交通流属性;
确定模块,用于根据第一交通供给属性数据和第一交通需求属性数据,通过道路容量与交通供需属性之间的映射关系,确定第一时间段内的道路容量,该映射关系根据历史获取的交通供给属性数据、交通需求属性数据和道路流量确定,交通供需属性包括交通供给属性和交通需求属性。
可选地,确定模块包括:
处理子模块,用于将第一交通供给属性数据和第一交通需求属性数据中的至少一种数据输入高斯过程模型,输出第一供需关系函数,该高斯过程模型用于描述道路容量与交通供需属性之间的映射关系;
第一确定子模块,用于确定第一供需关系函数的最大值,将该最大值作为第一时间段内的道路容量。
可选地,第一确定子模块用于:
通过贝叶斯优化处理,确定第一供需关系函数的最大值,将最大值作为第一时间段内的道路容量。
可选地,确定模块包括:
第二确定子模块,用于将第一交通供给属性数据和第一交通需求属性数据输入高斯过程模型,输出第一时间段内的道路容量,高斯过程模型用于描述道路容量与交通供需属性之间的映射关系。
可选地,该装置还包括:
第二获取模块,用于获取多组第一交通数据,该多组第一交通数据是在第一时间段之前确定的交通数据,且每组第一交通数据包括交通供给属性数据、交通需求属性数据和道路流量;
第一学习模块,用于将每组第一交通数据中的交通供给属性数据和交通需求属性数据作为输入数据,将每组第一交通数据中的道路流量作为输出数据,通过高斯过程拟合得到高斯过程模型。
可选地,该装置还包括:
第三获取模块,用于获取第一时间段内的道路流量;
第一更新模块,用于根据第一交通供给属性数据、第一交通需求属性数据和第一时间段内的道路流量,更新高斯过程模型。
可选地,确定模块包括:
第三确定子模块,用于将第一交通供给属性数据和第一交通需求属性数据输入经过训练的神经网络模型,输出第一时间段内的道路容量,经过训练的神经网络模型用于获取道路容量与交通供需属性之间的映射关系。
可选地,该装置还包括:
第四获取模块,用于获取多组第二交通数据,该多组第二交通数据是在第一时间段之前确定的交通数据,且每组第二交通数据包括交通供给属性数据、交通需求属性数据、道路流量和实际通行时间;
第二学习模块,用于将每组第二交通数据和存储的初始参数作为待训练的神经网络模型的输入,获得每组第二交通数据对应的通行时间误差,得到多个通行时间误差;
第三学习模块,用于通过该多个通行时间误差反向传播调整待训练的神经网络模型的网络参数,得到经过训练的神经网络模型。
可选地,待训练的神经网络模型包括误差修正模块、参数标定模块和通行能力估计模块,初始参数包括路阻参数的初始值和路段自由行驶时间,路阻参数为BPR函数的参数;
第二学习模块包括:
第一训练子模块,用于将每组第二交通数据包括的交通供给属性数据和交通需求属性数据作为通行能力估计模块的输入,输出每组第二交通数据对应的预测道路容量;
第二训练子模块,用于将路阻参数的初始值作为参数标定模块的输入,输出路阻参数的标定值;
第三训练子模块,用于将每组第二交通数据包括的道路流量和实际通行时间,以及每组第二交通数据对应的预测道路容量、路阻参数的标定值和路段自由行驶时间作为误差修正模块的输入,输出每组第二交通数据对应的通行时间误差。
可选地,第三训练子模块用于:
将每组第二交通数据包括的道路流量,以及每组第二交通数据对应的预测道路容量、路阻参数的标定值和路段自由行驶时间作为BPR函数的输入,通过BPR函数输出每组第二交通数据对应的预测通行时间;
将每组第二交通数据包括的实际通行时间,以及每组第二交通数据对应的预测通行时间作为损失函数的输入,通过损失函数输出每组第二交通数据对应的通行时间误差。
可选地,第三学习模块包括:
第四训练子模块,用于通过该多个通行时间误差反向传播调整通行能力估计模块和参数标定模块的网络参数,得到经过训练的神经网络模型。
可选地,经过训练的神经网络模型包括通行能力估计模块;
第三确定子模块用于:
将第一交通供给属性数据和第一交通需求属性数据输入经过训练的神经网络模型包括的通行能力估计模块,输出第一时间段内的道路容量。
可选地,该装置还包括:
第五获取模块,用于获取第一时间段内的道路流量和实际通行时间;
第二更新模块,用于根据第一交通供给属性数据、第一交通需求属性数据,以及第一时间段内的道路流量和实际通行时间,更新神经网络模型。
可选地,第一获取模块包括:
接收子模块,用于接收数据采集侧和/或边缘侧在第一时间段内发送的交通流数据,数据采集侧用于实时采集交通流数据,边缘侧用于收集数据采集侧实时采集的交通流数据并进行预处理;
第四确定子模块,用于根据接收到的交通流数据,确定第一交通需求属性数据。
可选地,数据采集侧包括一个或多个交通传感器,边缘侧包括一个或多个边缘设备,该一个或多个交通传感器中的每个交通传感器为电警卡口的传感器、地磁线圈/雷达的传感器、车辆中的GNSS传感器和车辆中移动设备的定位传感器中的任意一个。
可选地,第一获取模块包括:
第一获取子模块,用于从存储的道路属性数据中获取第一交通供给属性数据;和/或
第二获取子模块,用于从交管服务器中获取第一交通供给属性数据。
可选地,第一交通供给属性数据包括跟车模型参数、直行绿信比、左转绿信比、信号周期和车道数量中的一种或多种;
第一交通需求属性数据包括车辆类型、车辆速度、车辆加速度、时间占有率和车道编号中的一种或多种。
第三方面,提供了一种交通中心侧,所述交通中心侧具有实现上述第一方面中道路容量的确定方法中的交通中心侧的相应功能。可选地,所述交通中心侧包括交通中心服务器。
也即是,交通中心侧用于获取第一交通供给属性数据和第一交通需求属性数据,第一交通供给属性数据用于表征第一时间段内的路段属性,第一交通需求属性数据用于表征第一时间段内的交通流属性;根据第一交通供给属性数据和第一交通需求属性数据,通过道路容量与交通供需属性之间的映射关系,确定第一时间段内的道路容量,该映射关系根据历史获取的交通供给属性数据、交通需求属性数据和道路流量确定,交通供需属性包括交通供给属性和交通需求属性。
可选地,交通中心侧根据第一交通供给属性数据和第一交通需求属性数据,通过道路容量与交通供需属性之间的映射关系,确定第一时间段内的道路容量,包括:通过高斯过程模型或者神经网络模型对第一交通供给属性数据和第一需求属性数据进行处理,确定第一时间段内的道路容量。其中,高斯过程模型或者神经网络模型用于获取映射关系。
可选地,交通中心侧获取第一交通需求属性数据,包括:接收数据采集侧和/或边缘侧在第一时间段内发送的交通流数据,其中,数据采集侧用于实时采集交通流数据,边缘侧用于收集数据采集侧实时采集的交通流数据并进行预处理;根据接收到的交通流数据,确定第一交通需求属性数据。
可选地,交通中心侧获取第一交通供给属性数据,包括:从存储的道路属性数据中获取第一交通供给属性数据;和/或,从交管服务器中获取第一交通供给属性数据。
第四方面,提供了一种数据采集侧,所述数据采集侧具有实现上述第一方面中道路容量的确定方法中的数据采集侧的相应功能。
也即是,数据采集侧用于实时采集交通流数据。数据采集侧还用于将采集的交通流数据发送给边缘侧,由边缘侧对接收到的交通流数据进行预处理后,发送给交通中心侧。或者,数据采集侧将采集是交通流数据发送给交通中心侧。交通中心侧接收到交通流数据之后,根据上述第一方面提供的道路容量的确定方法预测道路容量。
可选地,数据采集侧包括一个或多个交通传感器,所述一个或多个交通传感器中的每个交通传感器为电警卡口的传感器、地磁线圈/雷达的传感器、车辆中的全球导航卫星系统GNSS传感器和车辆中移动设备的定位传感器中的任意一个。
第五方面,提供了一种边缘侧,所述边缘侧具有实现上述第一方面中道路容量的确定方法中的边缘侧的相应功能。
也即是,边缘侧用于收集数据采集侧发送的交通流数据并进行预处理,边缘侧还用于将预处理之后的交通流数据发送给交通中心侧,由交通中心侧根据上述第一方面提供的道路容量的确定方法预测道路容量。
可选地,所述边缘侧包括一个或多个边缘设备,数据采集侧包括一个或多个交通传感器,每个边缘侧用于收集数据采集侧中的至少一个交通传感器采集的交通流数据。
第六方面,提供了一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器用于存储执行上述第一方面所提供的道路容量的确定方法的程序,以及存储用于实现上述第一方面所提供的道路容量的确定方法所涉及的数据。所述处理器被配置为用于执行所述存储器中存储的程序。所述存储设备的操作装置还可以包括通信总线,该通信总线用于该处理器与存储器之间建立连接。
第七方面,提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述第一方面所述的道路容量的确定方法。
第八方面,提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述第一方面所述的道路容量的确定方法。
上述第二方面、第三方面、第四方面、第五方面、第六方面、第七方面和第八方面所获得的技术效果与第一方面中对应的技术手段获得的技术效果近似,在这里不再赘述。
本申请实施例提供的技术方案至少能够带来以下有益效果:
在本申请实施例中,在确定第一时间段的道路容量时,获取第一时间段内的交通供给属性数据和交通需求属性数据,一方面,如果获取的是实时数据,则本方案可以实时确定道路容量,也即实时性较高,另一方面,如果获取的是某地区、某时段的交通数据,则本方案可以确定该地区该时段的道路容量,也即能够适应不同地区不同时段的差异性。另外,本方案获取的数据不依赖人工测量和历史经验,确定的道路容量的精确度更高,且人工成本很低。
附图说明
图1是本申请实施例提供的一种道路容量的确定方法所涉及的系统架构图;
图2是本申请实施例提供的一种道路容量的确定方法的流程图;
图3是本申请实施例提供的一种计算机设备的结构示意图;
图4是本申请实施例提供的一种道路容量的确定方法的流程图;
图5是本申请实施例提供的一种待训练的神经网络模型的结构示意图;
图6是本申请实施例提供的另一种道路容量的确定方法的流程图;
图7是本申请实施例提供的一种道路容量的确定装置的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
为了便于对本申请实施例的理解,首先对本申请实施例涉及的部分术语进行解释。
道路流量:道路上实际通行的车辆数。
道路容量:也称为道路通行能力或者道路承载力,是指在正常的道路、交通、管制以及运行质量等要求下,单位时间内通过道路上某一点或某一断面的最大车辆数。也即在给定条件下,道路流量的最大值。
交通供给属性数据:交通供给属性的相关数据,也即道路属性的相关数据,用于表征道路基础设施因素,例如包括动态变化的信号灯信息、道路动态限速、道路宽度、管控策略、车道数量等。其中,信号灯信息包括绿信比、信号周期等。
交通需求属性数据:交通需求属性的相关数据,用于表征交通流的相关数据,例如包括车辆类型、车型比例、车辆速度、车辆加速、跟车模型参数等。
绿信比:指交通信号灯一个信号周期内可用于车辆通行的时间比例。也即一个信号周期内有效绿灯时间和信号周期的比值。例如直行绿信比是指一个信号周期内直行绿灯的有效时间与信号周期的比值,左转绿信比是指一个信号周期内左转绿灯的有效时间与信号周期的比值。
跟车模型参数:即为跟车模型的相应参数,例如安全距离。跟车模型是运用动力学的方法来研究前导车运动状态变化所引起跟随车的相应行为,主要表达本车加速度和相邻车辆距离、速度差等交通参数之间的关系。
路阻函数:BPR函数,也即美国联邦公路局函数,也称为路阻函数,使用于路段自由行驶时间的计算。路阻函数具体如公式(1)所示。
在公式(1)中,ti为实际通过一个道路所需的时间,也即实际通行时间,ti0为路段自由行驶时间,Q为该道路当时的交通量,也即道路流量,C为该道路的实际通行能力,也即道路容量,α和β为路阻参数,是待定参数。
路段自由行驶时间:也称为自由流时间或者路段自由通行时间等,是指当道路处于畅通状态时,车辆自由行驶完该道路所用的时间。
接下来对本申请实施例所涉及的系统架构进行介绍。需要说明的是,本申请实施例描述的系统架构以及业务场景是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域普通技术人员可知,随着网络架构的演变和新业务场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
图1是本申请实施例提供的一种道路容量的确定方法所涉及的系统架构图。参见图1,该系统架构包括数据采集侧101、边缘侧102和交通中心侧103,其中,数据采集侧101包括一个或多个交通传感器、边缘侧102包括一个或多个边缘设备,交通中心侧103包括交通中心服务器。每个边缘设备与至少一个交通传感器通过有线或无线方式连接以进行通信,每个边缘设备与交通中心服务器通过有线或无线方式连接以进行通信。
在本申请实施例中,数据采集侧101包括的一个或多个交通传感器用于实时采集交通流数据,并将采集的交通流数据发送给所连接的边缘设备。可选地,该一个或多个交通传感器中的每个交通传感器为电警卡口的传感器、地磁线圈/雷达的传感器、车辆中的GNSS传感器和车辆中移动设备的定位传感器中的任意一个。其中,GNSS包括美国的全球定位系统(global positioning system,GPS)、中国的北斗卫星定位系统、俄罗斯的格洛纳斯导航系统、欧洲的伽利略导航系统中的一种或多种。
可选地,交通传感器安装在道路上,和/或,部署在车辆上。例如,电警卡口的传感器(检测器、摄像头等)安装在道路两侧、交叉口等位置,地磁线圈/雷达的传感器埋线在道路的路面下方,GNSS传感器和移动设备的定位传感器部署在车辆中。可选地,车辆的车机中包括GNSS传感器,车辆中的移动设备如手机、平板电脑等。
在本申请实施例中,边缘侧102包括的一个或多个边缘设备用于收集数据采集侧101实时采集的交通流数据并进行预处理,并将预处理后的交通流数据上报给交通中心服务器。也即是,边缘设备用于对交通流数据的汇聚、融合和上报。
需要说明的是,由于数据采集侧101包括的交通传感器各式各样,也即数据采集侧101包括多种异构的数据产生源,边缘侧102起到数据汇聚和数据融合的作用,这样,边缘侧102上报给交通中心服务器的数据为预处理后的数据,能够减轻交通中心服务器的计算压力。
可选地,每个边缘设备连接数据采集侧101包括的部分或全部交通传感器,用于收集所连接的各个交通传感器实时采集的交通流数据。
可选地,数据采集侧101包括的部分或全部交通传感器直接与交通中心服务器通信连接,用于将采集的交通流数据直接上报给交通中心服务器,由交通中心服务器对接收到的数据进行预处理。在数据采集侧101包括的全部交通传感器直接与交通中心服务器通信连接的情况下,该系统架构可以不包括边缘侧102,由交通中心侧103对交通流数据进行汇聚和融合等预处理。
也即是,对于数据的汇聚,由交通传感器将采集的数据汇聚到边缘侧102,再统一由边缘侧102汇总到交通中心侧103,也可以由交通传感器直接将采集的数据汇聚到交通中心侧103。
在本申请实施例中,交通中心侧103包括的交通中心服务器用于根据数据采集侧101和/或边缘设备在第一时间段内发送的交通流数据,确定第一交通需求属性数据。交通中心侧103还用于根据第一交通供给属性数据和第一交通需求属性数据,通过本申请实施例提供的道路容量的确定方法来确定第一时间段内的道路容量。
在本申请实施例中,交通中心服务器用于根据第一时间段内的道路属性数据确定第一交通供给属性数据。可选地,交通中心服务器中存储有用于确定第一交通供给属性数据的全部或部分道路属性数据,或者,交通中心服务器未存储道路属性数据。在交通中心服务器未存储有用于确定第一交通供给属性数据的全部数据的情况下,该系统架构还包括交管服务器,交通中心服务器还用于从交管服务器中获取用于确定第一交通供给属性数据中的部分或全部数据。可选地,交通中心服务器还能够从交通信号机中获取一部分道路属性数据。也即是,交通中心服务器获取用于确定第一交通供给属性数据的道路属性数据的数据来源多种多样,本申请实施例对此不作限定。
示例性地,对于路段的车道数量、道路宽度、道路限速等道路属性数据,交通中心服务器可以通过存储的道路静态拓扑、道路地图、道路标志标牌等数据中获取,对于交叉口的信号配时、交通绿信比等道路属性数据,交通中心服务器可以从交管服务器中存储的配时方案或从交通信号机中获取。
需要说明的是,交管服务器是指交通管理中心的服务器,该服务器可以为实体物理机,也可以为架构在云端的虚拟机。
可选地,交通中心服务器用于周期性地主动从交管服务器和/或交通信号机中获取并存储最新的道路属性数据。可选地,交管服务器和/或交通信号机也可以在更新道路属性数据后,向交通中心服务器发送更新后的道路属性数据。也即是,交通中心服务器可以通过主动询问或者被动接收的方式确定实时交通供给属性数据,本申请实施例对此不作限定。
需要说明的是,由于数据采集侧101实时采集交通流数据,这样,交通中心侧103能够确定实时交通需求属性数据,交通中心侧103还能够获取到实时交通供给属性数据,因此,本方案能够通过交通中心服务器实时确定道路容量。
在本申请实施例中,数据采集侧101包括上述介绍的几种交通传感器中的任意一种或多种,除此之外,任何其他的能够采集交通流数据的传感器均可以承担本申请实施例中交通传感器的角色,也即本申请实施例对交通传感器不作限定。可选地,边缘设备是指边缘服务器,也即边缘设备为一台服务器,边缘设备也可以是其他形式的计算设备。交通中心服务器为一台服务器,或者为由多台服务器构成的服务器集群,或者为一个云计算服务中心。
接下来以该系统架构包括数据采集侧、边缘侧和交通中心侧为例,结合系统架构对本申请实施例提供的道路容量的确定方法进行介绍。
图2是本申请实施例提供的一种道路容量的确定方法的流程图。参见图2,数据采集侧通过交通传感器采集交通流数据,并上报数据给边缘侧,边缘侧汇聚数据采集侧采集的数据并进行预处理后,上报数据给交通中心侧。
对于交通中心侧来说,一方面,交通中心服务器能够预测道路容量。具体地,交通中心服务器通过存储的承载力计算模型对第一时间段内接收到的交通流数据以及存储的静态数据进行处理,得到动态计算结果,也即得到第一时间段的道路容量。其中,交通中心服务器存储的静态数据包括第一交通供给属性数据,交通中心服务器根据第一时间段内接收到交通流数据确定第一交通需求属性数据,并将第一交通需求属性数据以及存储的静态数据输入承载力计算模型,输出动态计算结果,也即输出第一时间段的道路容量。
另一方面,交通中心服务器能够训练和更新承载力计算模型。具体地,交通中心服务器累积一段时间内接收的交通流数据,对累积的数据进行数据清洗,将数据清洗后的交通流数据进行数据存储,存储在历史数据库中,历史数据库中还存储有历史获取的相应时间段内的道路属性数据,交通中心服务器对历史数据库中存储的交通流数据和道路属性数据进行特征提取(特征筛选)等,得到用于训练模型的交通需求属性数据和交通供给属性数据,交通中心服务器根据历史积累的数据确定的交通需求数据和交通供给属性数据,训练得到承载力计算模型。交通中心服务器还能够根据实时获取的交通流数据和最新的交通供给属性数据,更新承载力计算模型。例如,承载力计算模型不仅能够根据第一时间段之前累积的数据训练得到,承载力计算模型还能够根据第一时间段内的数据进行更新。
需要说明的是,这里以交通中心侧通过存储的承载力计算模型来描述道路容量与交通供需属性之间的映射关系。对于承载力计算模型的详细介绍参照下文图4实施例的详细介绍,这里不再赘述。
请参考图3,图3是根据本申请实施例示出的一种计算机设备的结构示意图。可选地,该计算机设备为图1或图2中所示的交通中心服务器或边缘设备,该计算机设备包括一个或多个处理器301、通信总线302、存储器303以及一个或多个通信接口304。
处理器301为一个通用中央处理器(central processing unit,CPU)、网络处理器(network processing,NP)、微处理器、或者为一个或多个用于实现本申请方案的集成电路,例如,专用集成电路(application-specific integrated circuit,ASIC),可编程逻辑器件(programmable logic device,PLD)或其组合。可选地,上述PLD为复杂可编程逻辑器件(complex programmable logic device,CPLD),现场可编程逻辑门阵列(field-programmable gate array,FPGA),通用阵列逻辑(generic array logic,GAL)或其任意组合。
通信总线302用于在上述组件之间传送信息。可选地,通信总线302分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选地,存储器303为只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、电可擦可编程只读存储器(electrically erasableprogrammable read-only memory,EEPROM)、光盘(包括只读光盘(compact disc read-only memory,CD-ROM)、压缩光盘、激光盘、数字通用光盘、蓝光光盘等)、磁盘存储介质或者其它磁存储设备,或者是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其它介质,但不限于此。存储器303独立存在,并通过通信总线302与处理器301相连接,或者,存储器303与处理器301集成在一起。
通信接口304使用任何收发器一类的装置,用于与其它设备或通信网络通信。通信接口304包括有线通信接口,可选地,还包括无线通信接口。其中,有线通信接口例如以太网接口等。可选地,以太网接口为光接口、电接口或其组合。无线通信接口为无线局域网(wireless local area networks,WLAN)接口、蜂窝网络通信接口或其组合等。当该计算机设备为交通中心服务器时,通信接口304用于与数据采集侧和/或边缘侧通信,当该计算机设备为边缘设备时,通信接口304用于与数据采集侧和交通中心服务器通信。
可选地,在一些实施例中,计算机设备包括多个处理器,如图3中所示的处理器301和处理器305。这些处理器中的每一个为一个单核处理器,或者一个多核处理器。可选地,这里的处理器指一个或多个设备、电路、和/或用于处理数据(如计算机程序指令)的处理核。
可选地,在一些实施例中,计算机设备还包括输出设备306和输入设备307。输出设备306和处理器301通信,能够以多种方式来显示信息。例如,输出设备306为液晶显示器(liquid crystal display,LCD)、发光二级管(light emitting diode,LED)显示设备、阴极射线管(cathode ray tube,CRT)显示设备或投影仪(projector)等。输入设备307和处理器301通信,能够以多种方式接收用户的输入。例如,输入设备307是鼠标、键盘、触摸屏设备或传感设备等。
在一些实施例中,存储器303用于存储执行本申请方案的程序代码310,处理器301能够执行存储器303中存储的程序代码310。该程序代码310中包括一个或多个软件模块,该计算机设备能够通过处理器301以及存储器303中的程序代码310,来实现下文图4实施例提供的道路容量的确定方法。
示例性地,当图7所示实施例中的第一获取模块701和确定模块702是通过软件实施的情况下,该程序代码310中可以包括第一获取模块和确定模块,第一获取模块用于获取第一交通供给属性数据和第一交通需求属性数据,确定模块用于根据第一交通供给属性数据和第一交通需求属性数据确定第一时间段内的道路容量。
图4是本申请实施例提供的一种道路容量的确定方法的流程图,该方法应用于交通中心服务器。请参考图4,该方法包括如下步骤。
步骤401:获取第一交通供给属性数据和第一交通需求属性数据,第一交通供给属性数据用于表征第一时间段内的路段属性,第一交通需求属性数据用于表征第一时间段内的交通流属性。
在本申请实施例中,由前述对本申请实施例涉及的系统架构的介绍可知,交通中心服务器接收数据采集侧和/或边缘侧在第一时间段内发送的交通流数据,根据接收到的交通流数据,确定第一交通需求属性数据。其中,数据采集侧用于实时采集交通流数据,边缘侧用于收集数据采集侧实时采集的交通流数据并进行预处理。
需要说明的是,对于数据的汇聚,由边缘侧进行数据采集侧的数据汇聚,例如由交通传感器将采集的数据汇聚到边缘侧,再统一由边缘侧汇总到交通中心侧,也可以由交通传感器直接将采集的数据汇聚到交通中心侧。
可选地,数据采集侧包括一个或多个交通传感器,边缘侧包括一个或多个边缘设备,该一个或多个交通传感器中的每个交通传感器为电警卡口的传感器、地磁线圈/雷达的传感器、车辆中的全球导航卫星系统GNSS传感器和车辆中移动设备的定位传感器中的任意一个。
其中,电警卡口的传感器采集的交通流数据称为卡口数据,每条卡口数据的核心字段包括卡口编号、车辆编号、车道编号、时间戳和瞬时速度等字段。交通中心服务器或边缘设备将一条道路在一段时间内的卡口数据的记录总条数,作为该时间段内该道路的道路流量。基于一条道路在一段时间内卡口数据的核心字段包括的瞬时速度字段,交通中心服务器或边缘设备可以计算车辆速度的相关统计量,例如车辆速度的算术平均值、调和平均值、85分位数、中位数、非0比例值、最大值、极差等。其中,极差又称为范围误差或全距(range),是用来表示统计资料中的变异数量(measures of variation),为统计数据中的最大值与最小值之间的差距,即最大值减最小值后所得的数据。
地磁线圈的传感器采集的交通流数据称为线圈数据,每条线圈数据的核心字段包括线圈编号、车道编号、时间戳、瞬时速度和时间占有率等字段。交通中心服务器或边缘设备将一条道路在一段时间内线圈数据的记录总条数,作为该时间段内该道路的道路流量。基于一条道路在一段时间内线圈数据的核心字段包括的瞬时速度字段和时间占有率字段,交通中心服务器或边缘设备可以分别计算车辆速度和时间占有率的相关统计量,例如车辆速度或时间占有率的算术平均值、调和平均值、85分位数、中位数、非0值比例、最大值、极差等。
车辆中的GNSS传感器和车辆中移动设备的定位传感器采集的数据成为浮动车数据,每条浮动车数据的核心字段包括车辆编号、时间戳、经度、纬度和车辆速度等字段。交通中心服务器或边缘设备可以统计一段道路上在给定时间窗口中车辆的总数,得到该道路在该时间段内的道路流量。基于浮动车数据的核心字段包括的车辆速度,交通中心服务器或边缘设备可以计算车辆速度的相关统计量,例如计算车辆速度的算术平均值、调和平均值、85分位数、中位数、非0值比例、最大值、极差等。
由前述可知,交通传感器的种类很多,采集的数据也多种多样,且有很多冗余数据,即使有边缘设备进行数据汇聚和数据融合,交通中心侧也需要进一步的数据清洗和特征提取(特征筛选)。在本申请实施例中,交通中心服务器进行数据清洗的方法可以包括异常数据去除、数据归一化、重复数据去冗余、重复数据取平均等中的一种或多种,特征提取的方法可以包括但不限于基于决策树的特征筛选、基于随机森林的特征筛选、基于支持向量机的特征筛选等中的一种或多种。
可选地,第一交通需求属性数据包括车辆类型、车辆速度、车辆加速度、时间占有率和车道编号中的一种或多种。也即是,在本申请实施例中,交通中心服务器进行特征筛选后确定的交通需求属性数据包括车辆类型、车辆速度、车辆加速度、时间占有率和车道编号中的一种或多种。需要说明的是,交通中心服务器所采用的特征筛选的方法、采集的原始数据的时间、环境等,均对最终确定的交通需求属性数据具体包括哪些有所影响,也即是,在其他一些实施例中,交通需求属性数据可以与本申请实施例介绍的有所不同,本申请实施例并不限定交通需求属性数据具体包括哪些。
对于第一交通需求属性数据,交通中心服务器根据第一时间段内接收到的交通流数据,确定第一交通需求属性数据。示例性地,交通中心服务器删除接收到的交通流数据中的冗余数据,保留特征筛选后剩余的几种数据,例如删除卡口编号、线圈编号、经纬度等,对保留的数据进行预处理,例如数据归一化等。
可选地,在本申请实施例中,第一交通需求属性数据还包括数据采集时间。交通中心服务器能够智能分析数据采集时间,确定对应时间段的交通供给属性数据,也即确定对应的第一交通供给属性数据。
前述介绍了交通中心服务器获取第一交通需求属性数据的实现方式,接下来介绍交通中心服务器或第一交通供给属性数据的实现方式进行介绍。
在本申请实施例中,交通中心服务器从存储的道路属性数据中获取第一交通供给属性数据,和/或,从交管服务器中获取第一交通供给属性数据。
示例性地,对于路段的车道数量、道路宽度、道路限速等道路属性数据,交通中心服务器可以通过存储的道路静态拓扑、道路地图、道路标志标牌等数据中获取,对于交叉口的信号配时、交通绿信比等道路属性数据,交通中心服务器可以从交管服务器中存储的配时方案中获取。
可选地,交通中心服务器还能够从交通信号机中获取一部分道路属性数据。例如,对于交叉口的信号配时、交通绿信比等道路属性数据,交通中心服务器也可以从交通信号机中获取。
也即是,交通中心服务器获取用于确定第一交通供给属性数据的道路属性数据的数据来源多种多样,本申请实施例对此不作限定。
可选地,第一交通供给属性数据包括跟车模型参数、直行绿信比、左转绿信比、信号周期和车道数量中的一种或多种。也即是,在本申请实施例中,交通中心服务器进行特征筛选后确定的交通需求属性数据包括跟车模型参数、直行绿信比、左转绿信比、信号周期和车道数量中的一种或多种。需要说明的是,交通中心服务器所采用的特征筛选的方法、采集的原始数据的时间、环境等,均对最终确定的交通供给属性数据具体包括哪些有所影响,也即是,在其他一些实施例中,交通供给属性数据可以与本申请实施例介绍的有所不同,本申请实施例并不限定交通供给属性数据具体包括哪些。
对于第一交通供给属性数据,交通中心服务器从自身存储的道路属性数据中获取第一时间段内的数据,和/或,从交管服务器中获取第一时间段内的道路属性数据,根据获取的数据确定第一交通需求属性数据。示例性地,交通中心服务器删除获取的道路属性数据中的冗余数据,保留特征筛选后剩余的几种数据,对保留的数据进行预处理,例如数据归一化等。
可选地,在本申请实施例中,第一交通供给属性数据还包括对应有效日期。交通中心服务器智能分析对应有效日期,确定数据采集时间对应的交通需求属性数据,也即确定对应的第一交通需求属性数据。
步骤402:根据第一交通供给属性数据和第一交通需求属性数据,通过道路容量与交通供需属性之间的映射关系,确定第一时间段内的道路容量,该映射关系根据历史获取的交通供给属性数据、交通需求属性数据和道路流量确定。
在本申请实施例中,交通中心服务器在获取第一交通供给属性数据和第一交通需求属性数据之后,通过道路容量与交通供需属性之间的映射关系,确定第一时间段内的道路容量。其中,该映射关系根据历史获取的交通供给属性数据、交通需求属性数据和道路流量确定,交通供需属性包括交通供给属性和交通需求属性。
需要说明的是,本申请实施例提供了两种确定道路容量的实现方式,接下来对这两种实现方式进行详细介绍。
第一种实现方式:基于高斯过程和贝叶斯优化的方法确定道路容量。
也即是,交通中心服务器通过高斯过程模型以及贝叶斯优化计算道路容量。其中,高斯过程模型用于描述道路容量与交通供需属性之间的映射关系。
在本申请实施例中,交通中心服务器将第一交通供给属性数据和第一交通需求属性数据中的至少一种数据输入高斯过程模型,输出第一供需关系函数,之后,通过贝叶斯优化处理,确定第一供需关系函数的最大值,将该最大值作为第一时间段内的道路容量。
需要说明的是,在第一种实现方式中,以通过贝叶斯优化方法搜索函数的最大值的方法为例,对确定道路容量的方法进行介绍,而在申请实施例不仅能够通过贝叶斯优化方法搜索函数的最大值,也能够通过其他的优化方法搜索函数的最大值,例如其他的梯度下降算法。
需要说明的是,交通中心服务器将第一交通供给属性数据和第一交通需求属性数据中的哪些数据作为高斯过程模型的输入,哪些数据就限定了最终确定的道路容量的约束条件,而具体将哪些数据作为高斯过程模型的输入可以根据实际选择,本申请实施例对此不作限定。
示例性地,交通中心服务器将第一交通供给属性数据输入高斯过程模型,也即是,交通中心服务器仅将第一交通供给属性数据作为高斯过程模型的输入,这样,最终确定的道路容量即表征在第一交通供给属性数据所限定的道路条件下,道路所能承担车辆运行的最大能力,也即将第一交通供给属性数据作为确定道路容量的约束条件。
或者,交通中心服务器不仅将第一交通供给属性数据作为高斯过程模型的输入,还将第一交通需求属性数据中的至少一种数据作为高斯过程模型的输入,这样,最终确定的道路容量即表征在第一交通供给属性数据所限定的道路条件下,以及在限定该至少一种交通需求的条件下,道路所能承担车辆运行的最大能力,也即将第一交通供给属性数据以及该至少一种交通需求作为确定道路容量的约束条件。
例如,交通中心服务器将第一交通供给属性数据,以及第一交通需求属性数据包括的车辆速度作为高斯过程模型的输入,也即用第一交通供给属性数据限定道路条件,用车辆速度限定交通需求,这样,最终确定的道路容量即表征在所限定的道路条件下车辆均按照该车辆速度运行时,道路所能承担车辆运行的最大能力。又如,交通中心服务器将第一交通供给属性数据和车辆类型作为高斯过程模型的输入,也即用第一交通供给属性数据限定道路条件,用车辆类型限定交通需求,这样,最终确定的道路容量即表征在所限定的道路条件下道路上运行的车辆均为该车辆类型时,道路所能承担车辆运行的最大能力。
或者,交通中心服务器将第一交通供给属性数据和第一交通需求属性数据输入高斯过程模型,输出第一时间段内的道路容量。也即是,交通中心服务器直接将第一交通供给属性数据和第一交通需求属性数据均作为确定道路容量的约束条件。
可选地,在确定第一供需关系函数的最大值的同时,也即确定道路容量的同时,还能够确定该最大值对应的交通需求属性数据,也即预估出在给定约束条件(如限定第一交通供给属性数据作为高斯过程模型的输入)下的交通需求数据,也即还能通过贝叶斯优化过程输出预估交通需求,所预估的交通需求数据用于对确定的道路容量的进一步约束,也即描述在该道路容量下交通需求是怎样的,例如在该道路容量下平均车速大概为多少。
需要说明的是,在本申请实施例中,以交通中心服务器将第一交通需求属性数据作为高斯过程模型的输入为例,对上述第一种实现方式进行详细介绍。
在本申请实施例中,高斯过程模型为根据第一时间段之前获取的交通数据确定的,也即是,在使用高斯过程模型之前,需要先根据历史数据模拟得到高斯过程模型。
在本申请实施例中,交通中心服务器获取多组第一交通数据,该多组第一交通数据是在第一时间段之前确定的交通数据,且每组第一交通数据包括交通供给属性数据、交通需求属性数据和道路流量,交通中心服务器将每组第一交通数据中的交通供给属性数据和交通需求属性数据作为输入数据,将每组第一交通数据中的道路流量作为输出数据,通过高斯过程拟合得到高斯过程模型。
也即是,将历史数据中的交通供需属性数据作为输入样本,将历史数据中的道路流量作为样本标签,根据输入样本和样本标签,通过高斯过程建模得到高斯过程模型,得到的高斯过程模型用于描述道路容量与交通供需属性数据的映射关系。
在本申请实施例中,由于交通中心服务器不断地收集数据采集侧和/或边缘侧上报的交通流数据,交通中心服务器也能不断从交管中心等处获取最新的道路属性数据,因此,交通中心服务器还能够根据不断接收的交通流数据,以及不断更新的道路属性数据,来更新高斯过程模型。
可选地,在本申请实施例中,交通中心服务器还能够获取第一时间段内的道路流量,根据第一交通供给属性数据、第一交通需求属性数据和第一时间段内的道路流量,更新高斯过程模型。
可选地,交通中心服务器或边缘设备根据第一时间段内接收到的交通流数据,确定第一时间段内的道路流量,在由边缘设备确定第一时间段内的道路流量的情况下,由边缘设备将确定的第一时间段内的道路流量发送给交通中心服务器。
示例性地,这里介绍几种确定道路流量的几种实现方式包括但不限于:基于电警卡口的卡口数据的记录条数,统计第一时间段内的道路流量;或者,基于地磁线圈/雷达的传感器的记录条数,统计第一时间段内的道路流量;或者,计算第一时间段内两辆车经过地磁线圈/雷达的传感器的时间差,对时间差取倒数得到第一时间段内的道路流量;或者,基于GNSS定位计算第一时间段内匹配到该道路上的车辆数,得到第一时间段内的道路流量。
需要说明的是,在通过第一交通供给属性数据和第一交通需求属性数据更新高斯过程模型时,将第一交通供给属性数据和第一交通需求属性数据看作历史数据包括的数据,将第一时间段看作历史时间段,也即是,通过历史数据更新高斯过程模型。
接下来首先对本申请实施例中介绍的高斯过程和贝叶斯优化进行介绍。
高斯过程(Gaussian process,GP)是概率论和数理统计中随机过程的一种,高斯过程模型是观测值出现在一个连续域(例如时间或空间)的一种统计模型。在高斯过程中,连续输入空间中的每个点都与一个正态分布的随机变量相关联。此外,这些随机变量的每个有限集合都有一个多元正态分布。高斯过程的分布是所有那些(无限多个)随机变量的联合分布。
给定N个采样自未知采集函数H的观测值可利用高斯过程拟合出一个函数f。在高斯过程模型训练前,对于任意输入向量X(如交通供给属性数据和交通需求属性数据),高斯过程能够给出此时输出标签Y(道路流量)的先验分布,如公式(2)所示。
在公式(2)中,m(x)为先验均值,通常假定为0,K为协方差矩阵。上式的协方差矩阵K大小为N×N,K中的各个元素通常由核函数κ来确定,有Kij=κ(xi,xj),Kij表示第i和j个观测值对应的随机变量xi和xj之间的协方差。常用的核函数包括径向基函数(radial basisfunction,RBF)核函数和Matern核函数,这两种核函数分别如公式(3)和公式(4)所示。
公式(3)中的RBF核函数是一种简化形式,包含一个带宽参数l。公式(4)中的Matern核函数包含一个带宽参数l和一个平滑系数v,Hv为第二类修正贝塞尔函数,||g||2为欧式距离,Γ(g)为泊松分布。本申请实施例以采用核函数为Matern核函数为例进行介绍。
将已观测到的输入向量和输出标签为(x,y)(即历史数据),未观测到的输入向量和相应的输出标签为(x*,y*)(需要预测的函数关系),有联合高斯分布,如公式(5)所示。
在公式(5)中,K=κ(x,x),K*=κ(x,x*),K**=κ(x*,x*)。
根据公式(4),得到未观测值的后验分布:yx|x*,x,y:N(μ*,∑*),其中,
得到未观测值的后验分布后,通过最大化对数边缘似然(largest marginallikelihood,LML)函数来实现对后验分布中核函数参数的优化,如公式(6)所示。
在公式(6)中,θ为核函数参数,例如对于RBF核函数而言,θ即为参数l,对于Matern核函数而言,θ即为参数l,v。由于通常假定先验均值为0,因此,公式(6)可以简化为公式(7)。
/>
通过计算LML关于θ的偏导数,便可利用各类基于梯度的优化算法获得最优的核函数参数(即能够最大化对数边缘似然函数的参数),本申请实施例中使用多起点BFGS拟牛顿算法来求解其最大值,如公式(8)所示。
在公式(8)中,tr(g)表示矩阵的转置运算。
通过上述方法可以得到道路流量Y和交通供需属性数据X之间的函数关系y=f(x),也即得到高斯过程模型。
在得到高斯过程模型之后,通过输入交通数据(如输入第一交通供给属性数据),通过贝叶斯优化的方法得到在该输入下的道路流量的最大值,也即得到道路容量。
以仅输入交通供给属性数据为例,这种情况下,道路容量被认为是在一定交通供给属性下的流量最大值,道路容量可定义为公式(9)。
在公式(9)中,C(xr)为在给定xr下的道路容量,xr为已知的交通供给属性数据,xt为未知的交通需求属性数据。
对于上述优化问题,通过贝叶斯优化求解出交通需求属性变化过程中函数的最高点,也即求解供需关系的最大值。
需要说明的是,贝叶斯优化是一种无梯度优化方法,对于待优化函数f(xr,xt),基于高斯过程的后验概率分布,构建一套搜索规则,能够不断对待优化函数的输入值进行搜索,从而快速地找到使待优化函数最大化的参数组合。
接下来介绍一种示例性的贝叶斯优化求解道路流量最大值的过程,如下所示:
输入包括:待优化函数f(xr,xt),已知参数xr,初始采样点数量nstarter,最大优化轮数nexplore,采集函数H(x),待优化参数xt搜索范围bound,概率代理模型g。
输出包括:函数f(xr,xt)在给定已知参数xr条件下的最大值C及相应参数xr。
求解过程:初始化已观测到的样本集X和样本标签集Y,X包括xt和xr,Y包括y;
Xstarter=搜索范围bound内随机均匀采样nstarter组xt值;
Ystarter=f(xr,Xstarter),X=XUXstarter,y=yUystarter;
最优函数值yopt=max(y),最优参数xopt=X[argmax(y)];
For i=0:nexplore
使用数据(X,y)训练模型g,获取后验分布
X=XUargmaxH(x),y=yUf(xr,argmaxH(x));
yopt=max(y),xopt=X[argmax(y)];
End For
Return yopt,xopt
在进行道路容量估算时,待优化函数即为道路流量估算模型,也即上述介绍的第一供需关系函数,在给定的交通供给属性条件下,贝叶斯优化对各个交通流参数进行搜索,确定能使道路流量最大化的参数组合,作为当前供给条件下的道路容量。
接下来给出本申请实施例提供的一个示例说明上述优化过程。
1、采集交通数据,形成算法模型的输入xt和xr。
xt为交通需求属性数据,包括:车辆编号(vehno)、车辆类型(vehtype)、车辆速度(speed)、车辆加速度(acc)、时间占有率(occ)、车道编号(nla)、数据采集时间(ptime)。xt如表1所示。
表1
xr为交通供给属性数据,包括:跟车模型参数(表2中A-C)、直行绿信比(gr1)、左转绿信比(gr2)、信号周期(cycletime)、车道数量(nlanes)、对应有效日期(supply_id)。xr如表2所示。
表2
A | B | C | D | E | F | G | H |
w74ax | w74add | w74mult | gr1 | gr2 | cycletime | nlanes | supply_id |
2.3 | 2.3 | 1.5 | 0.260274 | 0.157534 | 146 | 1 | 0 |
3.5 | 3.3 | 2.9 | 0.21978 | 0.214286 | 182 | 1 | 1 |
2.2 | 2.3 | 2.9 | 0.220779 | 0.201299 | 154 | 1 | 2 |
2.9 | 3 | 2.9 | 0.238806 | 0.171642 | 134 | 1 | 3 |
1.4 | 2.9 | 3.8 | 0.23913 | 0.173913 | 138 | 2 | 4 |
3.1 | 2.4 | 1.5 | 0.278562 | 0.12069 | 116 | 1 | 5 |
2、将xt和xr输入流量估计算法,利用高斯过程回归进行训练,得到道路流量和输入之间的函数关系g=f(xr,xt),也即得到高斯过程模型。也即是,经过高斯过程训练学习得到核函数的参数,学到到的核函数的参数用于确定高斯过程模型,例如,在一次实验中得到Matern核函数的参数l=2.31627714e+03、v=1.34450588e-01,这两个参数确定了高斯过程模型。
3、输入第一交通供给属性数据到g=f(xr,xt),通过贝叶斯优化算法,得到道路容量以及预估交通需求。
例如,输入第一交通供给属性数据,包括车道数量、直行绿信比、左转绿信比和跟车模型参数,如表3所示,输出道路容量以及预估交通需求。
表3
A | B | C | D | E | F |
nlanes | gr1 | gr2 | w74ax | w74add | w74mult |
1 | 0.260274 | 0.157534 | 2.3 | 2.3 | 1.5 |
1 | 0.21978 | 0.214286 | 3.5 | 3.3 | 2.9 |
1 | 0.220779 | 0.201299 | 2.2 | 2.3 | 2.9 |
由上述可知,在第一种实现方式中,首先将基于特征筛选(如相关性分析、建立决策树模型等)得到的与道路流量相关性较高的交通供需属性数据作为历史数据(训练数据),然后根据历史数据拟合出道路流量与交通供需属性数量的关联函数,也即通过高斯过程建模得到高斯过程模型,最后将实时交通供给属性数据作为高斯过程模型的输入,通过贝叶斯优化方法求解最大值的方式,实现道路容量的动态求解。
在本申请实施例中,基于实时交通供给属性数据进行动态计算,能够体现实时的交通状态,且对于交通流运行规律无需任何先验假设,使用数据驱动的方式进行交通流关系本质的建模,建模更准确。另外,使用特征工程,也即基于原始数据计算得到的交通状态,挖掘更多交通流参数与流量之间的关联,使计算结果更精确。
在第一种实现方式中,通过高斯过程拟合更多特征参数与道路流量之间的关系,能较好的捕捉路段交通流变化的动态特征,而且打破传统方法中三参数的限制(即交通流基本图((fundamental diagram,FD)拟合法中的道路流量、车辆密度和车辆速度),能更加综合使用数据驱动的可计算特征属性,如通过相关性分析得到的与交通流量相关性更高的交通状态(绿信比、驾驶行为等特征),进行路段交通流的本质关系建模。
第二种实现方式:基于神经网络的方法确定道路容量。
在本申请实施例中,交通中心服务器将第一交通供给属性数据和第一交通需求属性数据输入经过训练的神经网络模型,输出第一时间段内的道路容量,其中,经过训练的神经网络模型用于获取道路容量与交通供需属性之间的映射关系。
需要说明的是,通过神经网络模型来确定道路容量的实现方式中,将第一时间段内的交通供需属性数据均作为输入数据,通过神经网络模型直接输出第一时间段内的道路容量。另外,对于第一交通供给属性数据和第一交通需求属性数据的确定过程可以参照前述第一种实现方式中的相关介绍,这里不再赘述。
在本申请实施例中,交通中心服务器在采用神经网络模型预测道路容量之前,需要根据历史数据训练得到神经网络模型。
在本申请实施例中,交通中心服务器获取多组第二交通数据,多组第二交通数据是在第一时间段之前确定的交通数据,且每组第二交通数据包括交通供给属性数据、交通需求属性数据、道路流量和实际通行时间,交通中心服务器将每组第二交通数据和存储的初始参数作为待训练的神经网络模型的输入,获得每组第二交通数据对应的通行时间误差,得到多个通行时间误差,通过多个通行时间误差反向传播调整待训练的神经网络模型的网络参数,得到经过训练的神经网络模型。
也即是,将历史数据中的交通供需属性数据和道路流量作为输入样本,将历史数据中的实际通行时间作为样本标签,并基于通行时间误差来反向传播调整网络参数,最终训练得到能够预测道路容量的神经网络模型。
需要说明的是,本申请实施例中训练神经网络模型的实现方式有很多,接下来介绍其中的一种。
在本申请实施例中,待训练的神经网络模型包括误差修正模块、参数标定模块和通行能力估计模块,初始参数包括路阻参数的初始值和路段自由行驶时间,路阻参数为BPR函数的参数。
交通中心服务器将每组第二交通数据包括的交通供给属性数据和交通需求属性数据作为通行能力估计模块的输入,输出每组第二交通数据对应的预测道路容量,将路阻参数的初始值作为参数标定模块的输入,输出路阻参数的标定值,将每组第二交通数据包括的道路流量和实际通行时间,以及每组第二交通数据对应的预测道路容量、路阻参数的标定值和路段自由行驶时间作为误差修正模块的输入,输出每组第二交通数据对应的通行时间误差。
在本申请实施例中,交通中心服务器将每组第二交通数据包括的道路流量,以及每组第二交通数据对应的预测道路容量、路阻参数的标定值和路段自由行驶时间作为BPR函数的输入,通过BPR函数输出每组第二交通数据对应的预测通行时间,将每组第二交通数据包括的实际通行时间,以及每组第二交通数据对应的预测通行时间作为损失函数的输入,通过损失函数输出每组第二交通数据对应的通行时间误差。可以理解为,误差修正模块是根据BPR函数和损失函数构建的,交建中心服务器根据BPR函数和损失函数来确定用于反向传播的通行时间误差。
在本申请实施例中,交通中心服务器通过该多个通行时间误差反向传播调整通行能力估计模块和参数标定模块的网络参数,得到神经网络模型。也即是,通行能力估计模块和参数标定模块包括的网络参数需要误差反向迭代调整。
可选地,通行能力估计模块包括多个隐藏层,该多个隐藏层包括的网络参数(如权重w和偏置b)需要通过误差反向迭代调整,参数标定模块包括参数修正单元,参数修正单元包括的网络参数也需要通过误差反向迭代调整。
示例性地,参数修正模块包括第一参数修正单元和第二参数修正单元,第一参数修正单元包括待调整的网络参数wα,第二参数修正单元包括待调整的网络参数wβ,其中,wα用于计算路阻参数α,wβ用于计算路阻参数β。
在本申请实施例中,在经过前述训练过程之后,得到经过训练的神经网络模型,该神经网络模型能够预测道路容量,该神经网络模型包括通行能力估计模块,交通中心服务器将第一交通供给属性数据和第一交通需求属性数据输入经过训练的神经网络模型包括的通行能力估计模块,输出第一时间段内的道路容量。
也即是,待训练的神经网络模型包括的误差修正模块和参数标定模块均是为了训练通行能力估计模块,在训练完成后,仅通过训练得到的通行能力估计模块,即能预测道路容量。
在本申请实施例中,交通中心服务器还能够根据不断接收到的交通流数据,以及不断更新的道路属性数据,来更新神经网络模型。
可选地,在本申请实施例中,交通中心服务器还能够获取第一时间段内的道路流量和实际通行时间,根据第一交通供给属性数据、第一交通需求属性数据,以及第一时间段内的道路流量和实际通行时间,更新神经网络模型。
可选地,交通中心服务器确定第一时间段内的道路流量的实现方式有很多,参照前述第一种实现方式中的相关介绍,这里不再赘述,在第二种实现方式中仅介绍交通中心服务器确定第一时间段内的实际通行时间的实现方式。
示例性地,确定实际通行时间的几种实现方式包括但不限于:记录该道路上相邻两个电警卡口的过车时间,计算时间差,得到第一时间段内的实际通行时间;或者,记录车辆在该道路的开始定位点和结束定位点的时间,计算时间差,得到第一时间段内的实际通行时间。
需要说明的是,在通过第一交通供给属性数据和第一交通需求属性数据更新神经网络模型时,将第一交通供给属性数据和第一交通需求属性数据看作历史数据包括的数据,将第一时间段看作历史时间段,也即是,通过历史数据更新神经网络模型。
图5是本申请实施例提供的一种待训练的神经网络模型的示意图,接下来结合图5对上述训练神经网络模型的过程再次进行介绍。
在图5中,待训练的神经网络模型包括误差修正模块、参数标定模块和通行能力估计模块。
其中,通行能力估计模块是一个多隐藏层的神经网络,通行能力估计模块的输入包括交通供给属性数据xr和交通需求属性数据xt,输出包括预测道路容量C'。
可选地,用公式C=fC(xr,xt)解释通行能力估计模块所表征的复杂的非线性映射关系。
参数标定模块用于修正路阻函数的参数。参数标定模块包括第一参数修正单元和第二参数修正单元,第一参数修正单元的输入包括路阻参数α,输出包括α的标定值α',第二参数修正单元的输入包括路阻参数β,输出包括β的标定值β'。
可选地,第一参数修正单元和第二参数修正单元均使用一个权重进行路阻参数的调整(也即通过偏置b为的神经网络连接)。第一参数修正单元和第二参数修正单元分别用fα(α)=wα*α和fβ(β)=wβ*β解释各自所表征的映射关系。
误差修正模块用于生成训练过程中每一轮迭代时的通行时间误差。误差修正模块根据BPR函数和损失函数构建,BPR函数的输入包括路段自由行使时间t0、道路流量v、预测道路容量C'、标定值α'和标定值β',输出包括预测通行时间t’,损失函数的输入包括实际通行时间t和预测通行时间t’,输出包括通行时间误差Δt(未示出)。
可选地,损失函数ε=Loss(t',t)。在本申请实施例中,计算误差的方法有很多,方法不同损失函数的形式有不同,例如,在采用均方误差的方法来计算通行时间误差时,损失函数如公式(10)所示。
由上述可知,通行能力估计模块和参数标定模块的神经网络均没有训练标签,这两个模块通过与误差修正模块包括的路阻函数结合,得到可被观测到的标签(道路通行时间)。每一轮迭代得到的通行时间误差用于反向传播,以调整整个神经网络模型的网络参数,包括调整通行能力估计模块和参数标定模块的网络参数。
通过上述方法,对待训练的神经网络模型训练后得到BPR函数和交通供需属性之间函数关系t=f(x),也即经过训练的神经网络模型能够描述道路通行时间与交通供需属性之间的映射关系,而其中经过训练的通行能力估计模块能够用于获取道路容量与交通供需属性之间的映射关系。基于此,在经过上述训练之后,实际用于预测道路容量的神经网络模型可以仅包括经过训练的通行能力估计模块,示例性地,将第一交通供给属性数据和第一交通需求属性数据输入经过训练的通行能力估计模块,输出道路容量。
在上述第二种实现方式中,交通中心服务器能够基于实时数据进行动态计算,能够体现实时的交通状态。需要说明的是,由于道路通行时间容易采集,也即道路通行时间是能够直接测量的交通特征参数,因此,道路通行时间易于构造损失函数,易于实现端到端的训练。通过将道路通行时间作为BPR函数的子输出,将道路容量作为待训练的神经网络模型的子输出,简化了模型训练过程。通过BPR函数,将所需输出的道路容量作进一步转化,也即是,把整个路阻函数的输入、输出以及计算过程看作一个大的神经网络,通过路阻函数的拆分,将通行能力估计模块单独做成了一个小的子网络,道路通行时间作为待训练的神经网络模型的最终输出。通过神经网络捕捉各类影响因素(交通供需属性)与道路容量的复杂非线性映射关系,并将神经网络的训练过程与路阻函数的参数标定结合,通过反向传播算法同步更新神经网络参数(权重w和偏置b)与路阻函数的参数(α和β)。
需要说明的是,本申请实施例中用于确定道路容量的神经网络模型可以认为是一种预测回归模型,神经网络模型可以采用多种方式来构建,例如,在本申请实施例中采用多层感知机(multi-layer perception,MLP)的方式来构建神经网络模型,在其他一些实施例中,也可以采用逻辑回归、随机森林、岭回归等方式来构建神经网络模型。
图6是本申请实施例提供的另一种道路容量的确定方法的流程图。参见图6,交通中心服务器确定道路容量的过程包括数据采集、训练学习和道路容量动态计算。
其中,数据采集的过程包括采集交通流数据,得到交通需求属性数据,以及获取道路属性数据,得到交通供给属性数据,数据采集模块将确定的第一时间段之前的交通需求属性数据和交通供给属性数据作为历史数据,将确定的第一时间段内的交通需求属性数据和交通供给属性数据作为实时数据。训练学习的过程包括根据历史数据通过模型训练算法训练模型,得到机器学习模型,机器学习模型例如上述高斯过程模型或神经网络模型。道路容量动态计算的过程包括将实时数据输入机器学习模型,通过机器学习模型计算得到道路容量。
需要说明的是,本申请实施例通过机器学习模型隐式地描述了道路容量与交通供需属性之间的映射关系,可选地,在经过上述方法得到能够预测道路容量的机器学习模型之后,根据机器学习模型预先确定并存储在给定任意一种约束条件下的道路容量,也即显式地存储道路容量与交通供需属性之间的映射关系,交通中心服务器根据显式存储的映射关系来预测道路容量。
本申请实施例通过从各种各样的交通供给属性和交通需求属性中,挖掘出道路容量与交通供需属性之间的关联关系,提升了道路容量的计算精度和准确度。
通过本申请实施例提供的道路容量的确定方法能够实时预测道路容量,预测的道路容量能够用于交通实时管控等,为智能交通、智能运输系统ITS等提供了重要的依据。另外,根据预测的道路容量还能够进一步地计算道路饱和度、路口通行能力、拥堵指数等。
综上所述,在本申请实施例中,在确定第一时间段的道路容量时,获取第一时间段内的交通供给属性数据和交通需求属性数据,一方面,如果获取的是实时数据,则本方案可以实时确定道路容量,也即实时性较高,另一方面,如果获取的是某地区、某时段的交通数据,则本方案可以确定该地区该时段的道路容量,也即能够适应不同地区不同时段的差异性。另外,本方案获取的数据不依赖人工测量和历史经验,确定的道路容量的精确度更高,且人工成本很低。
图7是本申请实施例提供的一种道路容量的确定装置700的结构示意图,该道路容量的确定装置700可以由软件、硬件或者两者的结合实现成为计算机设备的部分或者全部,该计算机设备可以为图1或图2所示的交通中心服务器。参见图7,该装置700包括:第一获取模块701和确定模块702。
第一获取模块701,用于获取第一交通供给属性数据和第一交通需求属性数据,第一交通供给属性数据用于表征第一时间段内的路段属性,第一交通需求属性数据用于表征第一时间段内的交通流属性;具体实现方式请参考图4实施例中步骤401的详细描述,这里不再赘述。
确定模块702,用于根据第一交通供给属性数据和第一交通需求属性数据,通过道路容量与交通供需属性之间的映射关系,确定第一时间段内的道路容量,该映射关系根据历史获取的交通供给属性数据、交通需求属性数据和道路流量确定,交通供需属性包括交通供给属性和交通需求属性。具体实现方式请参考图4实施例中步骤402的详细描述,这里不再赘述。
可选地,确定模块702包括:
处理子模块,用于将第一交通供给属性数据和第一交通需求属性数据中的至少一种数据输入高斯过程模型,输出第一供需关系函数,该高斯过程模型用于描述道路容量与交通供需属性之间的映射关系;
第一确定子模块,用于确定第一供需关系函数的最大值,将该最大值作为第一时间段内的道路容量。具体实现方式请参考图4实施例中步骤402的第一种实现方式的详细描述,这里不再赘述。
可选地,第一确定子模块用于:
通过贝叶斯优化处理,确定第一供需关系函数的最大值,将最大值作为第一时间段内的道路容量。具体实现方式请参考图4实施例中步骤402的第一种实现方式的详细描述,这里不再赘述。
可选地,确定模块702包括:
第二确定子模块,用于将第一交通供给属性数据和第一交通需求属性数据输入高斯过程模型,输出第一时间段内的道路容量,高斯过程模型用于描述道路容量与交通供需属性之间的映射关系。具体实现方式请参考图4实施例中步骤402的第一种实现方式的详细描述,这里不再赘述。
可选地,该装置700还包括:
第二获取模块,用于获取多组第一交通数据,该多组第一交通数据是在第一时间段之前确定的交通数据,且每组第一交通数据包括交通供给属性数据、交通需求属性数据和道路流量;
第一学习模块,用于将每组第一交通数据中的交通供给属性数据和交通需求属性数据作为输入数据,将每组第一交通数据中的道路流量作为输出数据,通过高斯过程拟合得到高斯过程模型。具体实现方式请参考图4实施例中步骤402的第一种实现方式的详细描述,这里不再赘述。
可选地,该装置700还包括:
第三获取模块,用于获取第一时间段内的道路流量;
第一更新模块,用于根据第一交通供给属性数据、第一交通需求属性数据和第一时间段内的道路流量,更新高斯过程模型。具体实现方式请参考图4实施例中步骤402的第一种实现方式的详细描述,这里不再赘述。
可选地,确定模块702包括:
第三确定子模块,用于将第一交通供给属性数据和第一交通需求属性数据输入经过训练的神经网络模型,输出第一时间段内的道路容量,经过训练的神经网络模型用于获取道路容量与交通供需属性之间的映射关系。具体实现方式请参考图4实施例中步骤402的第二种实现方式的详细描述,这里不再赘述。
可选地,该装置700还包括:
第四获取模块,用于获取多组第二交通数据,该多组第二交通数据是在第一时间段之前确定的交通数据,且每组第二交通数据包括交通供给属性数据、交通需求属性数据、道路流量和实际通行时间;
第二学习模块,用于将每组第二交通数据和存储的初始参数作为待训练的神经网络模型的输入,获得每组第二交通数据对应的通行时间误差,得到多个通行时间误差;
第三学习模块,用于通过该多个通行时间误差反向传播调整待训练的神经网络模型的网络参数,得到经过训练的神经网络模型。具体实现方式请参考图4实施例中步骤402的第二种实现方式的详细描述,这里不再赘述。
可选地,待训练的神经网络模型包括误差修正模块、参数标定模块和通行能力估计模块,初始参数包括路阻参数的初始值和路段自由行驶时间,路阻参数为BPR函数的参数;
第二学习模块包括:
第一训练子模块,用于将每组第二交通数据包括的交通供给属性数据和交通需求属性数据作为通行能力估计模块的输入,输出每组第二交通数据对应的预测道路容量;
第二训练子模块,用于将路阻参数的初始值作为参数标定模块的输入,输出路阻参数的标定值;
第三训练子模块,用于将每组第二交通数据包括的道路流量和实际通行时间,以及每组第二交通数据对应的预测道路容量、路阻参数的标定值和路段自由行驶时间作为误差修正模块的输入,输出每组第二交通数据对应的通行时间误差。具体实现方式请参考图4实施例中步骤402的第二种实现方式的详细描述,这里不再赘述。
可选地,第三训练子模块用于:
将每组第二交通数据包括的道路流量,以及每组第二交通数据对应的预测道路容量、路阻参数的标定值和路段自由行驶时间作为BPR函数的输入,通过BPR函数输出每组第二交通数据对应的预测通行时间;
将每组第二交通数据包括的实际通行时间,以及每组第二交通数据对应的预测通行时间作为损失函数的输入,通过损失函数输出每组第二交通数据对应的通行时间误差。具体实现方式请参考图4实施例中步骤402的第二种实现方式的详细描述,这里不再赘述。
可选地,第三学习模块包括:
第四训练子模块,用于通过该多个通行时间误差反向传播调整通行能力估计模块和参数标定模块的网络参数,得到经过训练的神经网络模型。
可选地,经过训练的神经网络模型包括通行能力估计模块;
第三确定子模块用于:
将第一交通供给属性数据和第一交通需求属性数据输入经过训练的神经网络模型包括的通行能力估计模块,输出第一时间段内的道路容量。具体实现方式请参考图4实施例中步骤402的第二种实现方式的详细描述,这里不再赘述。
可选地,该装置700还包括:
第五获取模块,用于获取第一时间段内的道路流量和实际通行时间;
第二更新模块,用于根据第一交通供给属性数据、第一交通需求属性数据,以及第一时间段内的道路流量和实际通行时间,更新神经网络模型。具体实现方式请参考图4实施例中步骤402的第二种实现方式的详细描述,这里不再赘述。
可选地,第一获取模块701包括:
接收子模块,用于接收数据采集侧和/或边缘侧在第一时间段内发送的交通流数据,数据采集侧用于实时采集交通流数据,边缘侧用于收集数据采集侧实时采集的交通流数据并进行预处理;具体实现方式请参考图4实施例中步骤401的详细描述,这里不再赘述。
第四确定子模块,用于根据接收到的交通流数据,确定第一交通需求属性数据。
可选地,数据采集侧包括一个或多个交通传感器,边缘侧包括一个或多个边缘设备,该一个或多个交通传感器中的每个交通传感器为电警卡口的传感器、地磁线圈/雷达的传感器、车辆中的GNSS传感器和车辆中移动设备的定位传感器中的任意一个。
可选地,第一获取模块701包括:
第一获取子模块,用于从存储的道路属性数据中获取第一交通供给属性数据;和/或
第二获取子模块,用于从交管服务器中获取第一交通供给属性数据。具体实现方式请参考图4实施例中步骤401的详细描述,这里不再赘述。
可选地,第一交通供给属性数据包括跟车模型参数、直行绿信比、左转绿信比、信号周期和车道数量中的一种或多种;
第一交通需求属性数据包括车辆类型、车辆速度、车辆加速度、时间占有率和车道编号中的一种或多种。具体实现方式请参考图4实施例中步骤401的详细描述,这里不再赘述。
在本申请实施例中,在确定第一时间段的道路容量时,获取第一时间段内的交通供给属性数据和交通需求属性数据,一方面,如果获取的是实时数据,则本方案可以实时确定道路容量,也即实时性较高,另一方面,如果获取的是某地区、某时段的交通数据,则本方案可以确定该地区该时段的道路容量,也即能够适应不同地区不同时段的差异性。另外,本方案获取的数据不依赖人工测量和历史经验,确定的道路容量的精确度更高,且人工成本很低。
需要说明的是:上述实施例提供的道路容量的确定装置在确定道路容量时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的道路容量的确定装置与道路容量的确定方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意结合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络或其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如:同轴电缆、光纤、数据用户线(digital subscriber line,DSL))或无线(例如:红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质,或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如:软盘、硬盘、磁带)、光介质(例如:数字通用光盘(digital versatile disc,DVD))或半导体介质(例如:固态硬盘(solid state disk,SSD))等。值得注意的是,本申请实施例提到的计算机可读存储介质可以为非易失性存储介质,换句话说,可以是非瞬时性存储介质。
应当理解的是,本文提及的“至少一个”是指一个或多个,“多个”是指两个或两个以上。在本申请实施例的描述中,除非另有说明,“/”表示或的意思,例如,A/B可以表示A或B;本文中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,为了便于清楚描述本申请实施例的技术方案,在本申请的实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。
以上所述为本申请提供的示例性实施例,并不用以限制本申请实施例,凡在本申请实施例的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (15)
1.一种道路容量的确定方法,其特征在于,所述方法包括:
获取第一交通供给属性数据和第一交通需求属性数据,所述第一交通供给属性数据用于表征第一时间段内的路段属性,所述第一交通需求属性数据用于表征所述第一时间段内的交通流属性;
基于所述第一交通供给属性数据和所述第一交通需求属性数据中的至少一种数据,通过高斯过程模型,得到第一供需关系函数,所述高斯过程模型用于描述所述道路容量与交通供需属性之间的映射关系,所述映射关系根据历史获取的交通供给属性数据、交通需求属性数据和道路流量确定,所述交通供需属性包括所述交通供给属性和所述交通需求属性;
通过贝叶斯优化处理,确定所述第一供需关系函数的最大值以及所述最大值对应的交通需求属性数据,将所述最大值作为所述第一时间段内的道路容量,所述最大值对应的交通需求属性数据表征在所述道路容量下的预估交通需求。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
获取多组第一交通数据,所述多组第一交通数据是在所述第一时间段之前确定的交通数据,且每组第一交通数据包括交通供给属性数据、交通需求属性数据和道路流量;
将所述每组第一交通数据中的交通供给属性数据和交通需求属性数据作为输入数据,将所述每组第一交通数据中的道路流量作为输出数据,通过高斯过程拟合得到所述高斯过程模型。
3.如权利要求2所述的方法,其特征在于,所述通过高斯过程拟合得到所述高斯过程模型之后,还包括:
获取所述第一时间段内的道路流量;
根据所述第一交通供给属性数据、所述第一交通需求属性数据和所述第一时间段内的道路流量,更新所述高斯过程模型。
4.如权利要求1-3任一所述的方法,其特征在于,所述获取第一交通需求属性数据,包括:
接收数据采集侧和/或边缘侧在所述第一时间段内发送的交通流数据,所述数据采集侧用于实时采集交通流数据,所述边缘侧用于收集所述数据采集侧实时采集的交通流数据并进行预处理;
根据接收到的交通流数据,确定所述第一交通需求属性数据。
5.如权利要求4所述的方法,其特征在于,所述数据采集侧包括一个或多个交通传感器,所述边缘侧包括一个或多个边缘设备,所述一个或多个交通传感器中的每个交通传感器为电警卡口的传感器、地磁线圈/雷达的传感器、车辆中的全球导航卫星系统GNSS传感器和车辆中移动设备的定位传感器中的任意一个。
6.如权利要求1-3任一所述的方法,其特征在于,所述获取第一交通供给属性数据,包括:
从存储的道路属性数据中获取所述第一交通供给属性数据;和/或
从交管服务器中获取所述第一交通供给属性数据。
7.如权利要求1-3任一所述的方法,其特征在于,所述第一交通供给属性数据包括跟车模型参数、直行绿信比、左转绿信比、信号周期和车道数量中的一种或多种;
所述第一交通需求属性数据包括车辆类型、车辆速度、车辆加速度、时间占有率和车道编号中的一种或多种。
8.一种道路容量的确定装置,其特征在于,所述装置包括:
获取模块,用于获取第一交通供给属性数据和第一交通需求属性数据,所述第一交通供给属性数据用于表征第一时间段内的路段属性,所述第一交通需求属性数据用于表征所述第一时间段内的交通流属性;
处理模块,用于将所述第一交通供给属性数据和所述第一交通需求属性数据中的至少一种数据输入高斯过程模型,输出第一供需关系函数,所述高斯过程模型用于描述所述道路容量与交通供需属性之间的映射关系,所述映射关系根据历史获取的交通供给属性数据、交通需求属性数据和道路流量确定,所述交通供需属性包括所述交通供给属性和所述交通需求属性;
所述处理模块,还用于通过贝叶斯优化处理,确定所述第一供需关系函数的最大值以及所述最大值对应的交通需求属性数据,将所述最大值作为所述第一时间段内的道路容量,所述最大值对应的交通需求属性数据表征在所述道路容量下的预估交通需求。
9.如权利要求8所述的装置,其特征在于:
所述获取模块,还用于获取多组第一交通数据,所述多组第一交通数据是在所述第一时间段之前确定的交通数据,且每组第一交通数据包括交通供给属性数据、交通需求属性数据和道路流量;
所述装置还包括学习模块,用于将所述每组第一交通数据中的交通供给属性数据和交通需求属性数据作为输入数据,将所述每组第一交通数据中的道路流量作为输出数据,通过高斯过程拟合得到所述高斯过程模型。
10.如权利要求9所述的装置,其特征在于:
所述获取模块,还用于获取所述第一时间段内的道路流量;
所述学习模块,还用于根据所述第一交通供给属性数据、所述第一交通需求属性数据和所述第一时间段内的道路流量,更新所述高斯过程模型。
11.如权利要求8-10任一所述的装置,其特征在于,所述获取模块具体用于:
接收数据采集侧和/或边缘侧在所述第一时间段内发送的交通流数据,所述数据采集侧用于实时采集交通流数据,所述边缘侧用于收集所述数据采集侧实时采集的交通流数据并进行预处理;
根据接收到的交通流数据,确定所述第一交通需求属性数据。
12.如权利要求11所述的装置,其特征在于,所述数据采集侧包括一个或多个交通传感器,所述边缘侧包括一个或多个边缘设备,所述一个或多个交通传感器中的每个交通传感器为电警卡口的传感器、地磁线圈/雷达的传感器、车辆中的全球导航卫星系统GNSS传感器和车辆中移动设备的定位传感器中的任意一个。
13.如权利要求8-10任一所述的装置,其特征在于,所述获取模块具体用于:
从存储的道路属性数据中获取所述第一交通供给属性数据;和/或
从交管服务器中获取所述第一交通供给属性数据。
14.如权利要求8-10任一所述的装置,其特征在于,所述第一交通供给属性数据包括跟车模型参数、直行绿信比、左转绿信比、信号周期和车道数量中的一种或多种;
所述第一交通需求属性数据包括车辆类型、车辆速度、车辆加速度、时间占有率和车道编号中的一种或多种。
15.一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内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210310712.8A CN114882696B (zh) | 2020-10-28 | 2020-10-28 | 道路容量的确定方法、装置及存储介质 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210310712.8A CN114882696B (zh) | 2020-10-28 | 2020-10-28 | 道路容量的确定方法、装置及存储介质 |
CN202011174360.5A CN112489419B (zh) | 2020-10-28 | 2020-10-28 | 道路容量的确定方法、装置及存储介质 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011174360.5A Division CN112489419B (zh) | 2020-10-28 | 2020-10-28 | 道路容量的确定方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114882696A CN114882696A (zh) | 2022-08-09 |
CN114882696B true CN114882696B (zh) | 2023-11-03 |
Family
ID=74927334
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210310712.8A Active CN114882696B (zh) | 2020-10-28 | 2020-10-28 | 道路容量的确定方法、装置及存储介质 |
CN202011174360.5A Active CN112489419B (zh) | 2020-10-28 | 2020-10-28 | 道路容量的确定方法、装置及存储介质 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011174360.5A Active CN112489419B (zh) | 2020-10-28 | 2020-10-28 | 道路容量的确定方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN114882696B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113096393A (zh) * | 2021-03-29 | 2021-07-09 | 中移智行网络科技有限公司 | 一种路况预警方法、装置及边缘云设备 |
US20220327919A1 (en) * | 2021-04-12 | 2022-10-13 | At&T Intellectual Property I, L.P. | Predicting road blockages for improved navigation systems |
CN113420439B (zh) * | 2021-06-22 | 2024-06-21 | 北京交通发展研究院 | 综合交通承载力计算方法、装置、计算机设备及存储介质 |
CN113936453B (zh) * | 2021-09-09 | 2022-08-19 | 上海宝康电子控制工程有限公司 | 一种基于车头时距的信息识别方法及系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101599217A (zh) * | 2009-07-17 | 2009-12-09 | 北京交通大学 | 一种快速路交通状态判别方法 |
CN102708688A (zh) * | 2012-06-08 | 2012-10-03 | 四川川大智胜软件股份有限公司 | 一种基于二级模糊综合判别的城市道路状态辨识方法 |
CN102737508A (zh) * | 2012-06-19 | 2012-10-17 | 银江股份有限公司 | 一种融合svm与bp神经网络的城市道路交通状态检测方法 |
CN103839412A (zh) * | 2014-03-27 | 2014-06-04 | 北京建筑大学 | 一种基于贝叶斯加权的路口动态转向比例组合估计方法 |
GB201711408D0 (en) * | 2016-12-30 | 2017-08-30 | Maxu Tech Inc | Early entry |
CN107909825A (zh) * | 2017-11-03 | 2018-04-13 | 浙江广信智能建筑研究院有限公司 | 一种高斯过程回归饱和流率检测方法 |
CN109147329A (zh) * | 2018-09-18 | 2019-01-04 | 银江股份有限公司 | 基于通行能力的区域交通运行状态指数计算及可视化方法 |
CN110210509A (zh) * | 2019-03-04 | 2019-09-06 | 广东交通职业技术学院 | 一种基于mfd+谱聚类+svm的路网交通状态判别方法 |
CN110222972A (zh) * | 2019-05-31 | 2019-09-10 | 北京交通大学 | 一种基于数据驱动的城市轨道交通路网协同限流方法 |
CN110634287A (zh) * | 2019-08-26 | 2019-12-31 | 上海电科智能系统股份有限公司 | 一种基于边缘计算的城市交通状态精细化判别方法 |
CN111145546A (zh) * | 2019-12-27 | 2020-05-12 | 银江股份有限公司 | 一种城市全域交通态势分析方法 |
CN111260922A (zh) * | 2020-01-20 | 2020-06-09 | 浙江工业大学 | 一种基于拥堵态势分级的匝道控制方法 |
US10783288B1 (en) * | 2017-08-08 | 2020-09-22 | Architecture Technology Corporation | System and method for predicting aircraft runway capacity |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009529187A (ja) * | 2006-03-03 | 2009-08-13 | インリックス インコーポレイテッド | モバイルデータソースからのデータを使用する道路交通状況の評価 |
EP2006818B1 (en) * | 2007-06-15 | 2012-04-25 | Xanavi Informatics Corporation | Traffic information providing system and method for generating traffic information |
CN102750825B (zh) * | 2012-06-19 | 2014-07-23 | 银江股份有限公司 | 基于神经网络分类器级联融合的城市道路交通状态检测方法 |
CN106327871B (zh) * | 2016-09-06 | 2018-09-14 | 华南理工大学 | 一种融合历史数据和预约数据的高速公路拥挤预测方法 |
US20180292224A1 (en) * | 2017-04-05 | 2018-10-11 | Gregory Brodski | System and method for traffic volume estimation |
CN108682147A (zh) * | 2018-05-03 | 2018-10-19 | 广东省高速公路营运管理协会 | 一种高速公路交通拥堵疏导决策方法 |
CN108961758B (zh) * | 2018-08-03 | 2021-02-02 | 东华理工大学 | 一种基于梯度提升决策树的路口展宽车道探测方法 |
CN110349407B (zh) * | 2019-07-08 | 2021-08-13 | 长安大学 | 一种基于深度学习的区域化交通信号灯控制系统及方法 |
CN110782120B (zh) * | 2019-09-12 | 2022-04-15 | 腾讯科技(深圳)有限公司 | 一种交通流模型的评测方法、系统、设备及介质 |
CN111192453A (zh) * | 2019-12-30 | 2020-05-22 | 深圳市麦谷科技有限公司 | 一种基于贝叶斯优化的短时交通流预测方法及系统 |
CN111553527B (zh) * | 2020-04-26 | 2023-09-29 | 南通理工学院 | 基于pso与神经网络串联优化的道路通行时间预测方法 |
KR102166283B1 (ko) * | 2020-08-03 | 2020-10-15 | 공주대학교 산학협력단 | 교통 신호기 제어 장치 |
-
2020
- 2020-10-28 CN CN202210310712.8A patent/CN114882696B/zh active Active
- 2020-10-28 CN CN202011174360.5A patent/CN112489419B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101599217A (zh) * | 2009-07-17 | 2009-12-09 | 北京交通大学 | 一种快速路交通状态判别方法 |
CN102708688A (zh) * | 2012-06-08 | 2012-10-03 | 四川川大智胜软件股份有限公司 | 一种基于二级模糊综合判别的城市道路状态辨识方法 |
CN102737508A (zh) * | 2012-06-19 | 2012-10-17 | 银江股份有限公司 | 一种融合svm与bp神经网络的城市道路交通状态检测方法 |
CN103839412A (zh) * | 2014-03-27 | 2014-06-04 | 北京建筑大学 | 一种基于贝叶斯加权的路口动态转向比例组合估计方法 |
GB201711408D0 (en) * | 2016-12-30 | 2017-08-30 | Maxu Tech Inc | Early entry |
US10783288B1 (en) * | 2017-08-08 | 2020-09-22 | Architecture Technology Corporation | System and method for predicting aircraft runway capacity |
CN107909825A (zh) * | 2017-11-03 | 2018-04-13 | 浙江广信智能建筑研究院有限公司 | 一种高斯过程回归饱和流率检测方法 |
CN109147329A (zh) * | 2018-09-18 | 2019-01-04 | 银江股份有限公司 | 基于通行能力的区域交通运行状态指数计算及可视化方法 |
CN110210509A (zh) * | 2019-03-04 | 2019-09-06 | 广东交通职业技术学院 | 一种基于mfd+谱聚类+svm的路网交通状态判别方法 |
CN110222972A (zh) * | 2019-05-31 | 2019-09-10 | 北京交通大学 | 一种基于数据驱动的城市轨道交通路网协同限流方法 |
CN110634287A (zh) * | 2019-08-26 | 2019-12-31 | 上海电科智能系统股份有限公司 | 一种基于边缘计算的城市交通状态精细化判别方法 |
CN111145546A (zh) * | 2019-12-27 | 2020-05-12 | 银江股份有限公司 | 一种城市全域交通态势分析方法 |
CN111260922A (zh) * | 2020-01-20 | 2020-06-09 | 浙江工业大学 | 一种基于拥堵态势分级的匝道控制方法 |
Non-Patent Citations (4)
Title |
---|
基于Spark和浮动出租车全球定位系统数据的实时交通路况预测方法;程敏;张;白童心;须成忠;;集成技术(第06期);全文 * |
基于分层贝叶斯网络的交通密度估测模型;王亚萍 等;《交通科学与工程》;第第35卷卷(第第3期期);全文 * |
基于模糊信息粒化 和支持向量机组合模型的交通流密度预测;钱坤 等;《中国管理信息化》;第第19卷卷(第第9期期);全文 * |
道路网短期交通流预测方法比较;史其信, 郑为中;交通运输工程学报(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114882696A (zh) | 2022-08-09 |
CN112489419A (zh) | 2021-03-12 |
CN112489419B (zh) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114882696B (zh) | 道路容量的确定方法、装置及存储介质 | |
Rakha et al. | Trip travel-time reliability: issues and proposed solutions | |
US9536146B2 (en) | Determine spatiotemporal causal interactions in data | |
US20110276592A1 (en) | Geodatabase information processing | |
US9053632B2 (en) | Real-time traffic prediction and/or estimation using GPS data with low sampling rates | |
WO2016155517A1 (zh) | 物流监测方法及设备 | |
US20210240746A1 (en) | Use of geographic database comprising lane level information for traffic parameter prediction | |
WO2022227303A1 (zh) | 信息处理方法、装置、计算机设备及存储介质 | |
WO2006125291A9 (en) | System and method for estimating travel times of a traffic probe | |
US11035686B2 (en) | Use of geographic database comprising lane level information for traffic parameter prediction | |
Li et al. | Estimating urban traffic states using iterative refinement and wardrop equilibria | |
US11537767B2 (en) | Automated control through a traffic model | |
Garg et al. | Mining bus stops from raw GPS data of bus trajectories | |
US20210134149A1 (en) | Method, apparatus, and system for probe anomaly detection | |
US20210150893A1 (en) | Method, apparatus, and system for automatic road closure detection during probe anomaly | |
Trinh et al. | Incremental unscented Kalman filter for real-time traffic estimation on motorways using multi-source data | |
US20200200543A1 (en) | Method, apparatus, and system for providing road closure graph inconsistency resolution | |
CN105139328B (zh) | 面向车牌识别数据的旅行时间实时预测方法及装置 | |
Gomari et al. | Development of a data-driven on-street parking information system using enhanced parking features | |
Zhang et al. | Method of speed data fusion based on Bayesian combination algorithm and high‐order multi‐variable Markov model | |
US20200386569A1 (en) | Trajectory sampling using spatial familiarity | |
Gracious et al. | Performance Evaluation of Passenger Information Systems | |
Gravvanis et al. | Advanced parametric methods for short-term traffic forecasting in the era of big data | |
Sakr et al. | User‐centered road network traffic analysis with MobilityDB | |
Pereira et al. | Decision Support Dashboard for Traffic and Environment Analysis of a Smart City. |
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 |