CN114973693B - 车辆排队长度计算方法、计算机设备及计算机存储介质 - Google Patents

车辆排队长度计算方法、计算机设备及计算机存储介质 Download PDF

Info

Publication number
CN114973693B
CN114973693B CN202210379082.XA CN202210379082A CN114973693B CN 114973693 B CN114973693 B CN 114973693B CN 202210379082 A CN202210379082 A CN 202210379082A CN 114973693 B CN114973693 B CN 114973693B
Authority
CN
China
Prior art keywords
vehicle
queuing
vehicles
period
probability
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
CN202210379082.XA
Other languages
English (en)
Other versions
CN114973693A (zh
Inventor
唐进君
李旻
刘鑫源
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.)
Central South University
Original Assignee
Central South 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 Central South University filed Critical Central South University
Priority to CN202210379082.XA priority Critical patent/CN114973693B/zh
Publication of CN114973693A publication Critical patent/CN114973693A/zh
Application granted granted Critical
Publication of CN114973693B publication Critical patent/CN114973693B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明实施例公开车辆排队长度计算方法、计算机设备及计算机存储介质，所述方法包括：获取两个交叉口之间的车牌识别数据，基于所述车牌识别数据得到已识别车辆对应的行程时间及在每一交叉口的时间戳；基于所述行程时间及所述时间戳为先验信息，输入数据修复模型，得到两个交叉口之间车辆的特征参数，其中，所述特征参数包括过车时间戳、车头时距以及行程时间；基于车辆的概率密度函数，使用贝叶斯理论将所述特征参数输入，得到所述车辆的排队状态；基于所述排队状态得到排队车辆数，基于所述车辆数得到排队长度，如此，不需要像大多数现有方法一样考虑车辆到达模式，仅通过车牌识别数据，得到车辆排队长度。

Description

车辆排队长度计算方法、计算机设备及计算机存储介质
技术领域
本发明涉及交通信号控制技术领域，尤其涉及车辆排队长度计算方法、计算机设备及计算机存储介质。
背景技术
随着人均小汽车拥有量的不断增加，城市道路上的拥堵问题也在日益严重。人们的出行会因为在交叉口拥堵时产生的延误，而导致车辆的行程时间超过预期。此外，交叉口作为城市路网的重要节点，如果拥堵严重，拥堵情况可能会从单个交叉口影响到相邻交叉口甚至由此影响到部分路网。所以，对交叉口的拥堵状况进行实时的管控，具有非常重要的实际意义。实时评估一个交叉口的拥堵水平时，可以根据交叉口的相应交通指标(像排队长度等)来优化信号控制等一系列优化措施来解决城市的拥堵问题。所以说，展开对交叉口排队长度的研究能够帮助解决现实生活中的交通拥堵问题。
排队长度在评估信号交叉口的性能方面起着至关重要的作用，也是优化协调信号控制和改善交通控制与管理的一个指标。之前的研究使用不同数据源进行队列长度估计，可以大致分为两类：输入-输出模型和冲击波模型。估计排队长度的输入输出模型侧重于研究一个路段上累积输入和输出交通流的过程，而冲击波模型是通过理论上描述排队的形成和消散来分析排队的车辆。
循环检测器数据是早期工作中用于估计队列长度的主要信息，然而，当队列尾部超过固定检测器时，依赖于循环检测器信息的相关研究往往受到限制。此外，由于维护成本高，故障检测器很少被及时修复或更换，这将会导致队列长度估计的测量精度低。近年来，移动传感器(例如GPS数据)和提供详细轨迹信息的探测车辆数据等新数据源为队列长度估计创造了新的机会。然而，使用移动传感器的数据进行排队长度估计的相关研究需要已知探测车的渗透率，而且，不论是稀疏的轨迹数据，还是探测车的在空间上面的不均匀的行驶位置，最终都会导致产生不准确和不稳定的估计结果。
发明内容
有鉴于此，本发明提供了车辆排队长度计算方法、计算机设备及计算机存储介质，不受交通检测器数据问题限制，基于车牌识别数据得到车辆排队长度。
为达到上述目的，本发明的技术方案是这样实现的：
第一方面，本发明提供了一种车辆排队长度计算方法，所述方法包括：
获取两个交叉口之间的车牌识别数据，基于所述车牌识别数据得到已识别车辆对应的行程时间及在每一交叉口的时间戳；
基于所述行程时间及所述时间戳为先验信息，输入数据修复模型，得到两个交叉口之间车辆的特征参数，其中，所述特征参数包括过车时间戳、车头时距以及行程时间；
基于车辆的概率密度函数，使用贝叶斯理论将所述特征参数输入，得到所述车辆的排队状态；
基于所述排队状态得到排队车辆数，基于所述车辆数得到排队长度。
其中，所述基于所述行程时间及所述时间戳为先验信息，输入数据修复模型，得到两个交叉口之间车辆的特征参数，具体包括：
基于所述行程时间及所述时间戳为先验信息，建立车辆的到达曲线模型，将所述车辆的到达过程建模成高斯过程，得到到达曲线之间的任意两点的协方差，所述到达车辆的索引就为高斯过程的分布，得到未匹配车辆的后验均值与协方差；
使用MH算法得到未匹配车辆到达过程的后验均值和协方差，得到未匹配车辆到达过程的后验均值和协方差，确定等效到达曲线；
基于所述等效到达曲线确定未匹配车辆的行程时间，得到两个交叉口之间车辆的特征参数。
其中，所述基于车辆的概率密度函数，使用贝叶斯理论将所述特征参数输入，得到所述车辆的排队状态，包括：
构造排队车辆和未排队车辆的核密度函数，使用贝叶斯理论将所述特征参数输入，确定车辆属于排队车辆的概率及非排队车辆的概率，得到车辆的排队状态。
其中，所述基于所述排队状态得到排队车辆数，基于所述车辆数得到排队长度，包括：
基于所述排队状态输入最大概率模型，得到每一车辆在通过交叉口时间戳序列中的序号，基于所述序号得到排队长度。
其中，所述基于所述序号得到排队长度，包括：
若排队长度不等于第一周期内通过车辆的序号，则确定所述第一周期内末尾车辆的位置为排队长度。
其中，所述基于所述序号得到排队长度，包括：
若排队长度等于第一周期内通过车辆的序号，则获取所述第一周期内剩余车辆和第二周期内车辆的特征参数；
基于车辆的概率密度函数，使用贝叶斯理论将所述特征参数输入，得到所述车辆的排队状态；
基于所述排队状态得到排队车辆数，基于所述车辆数得到排队长度。
第二方面，本发明提供了一种计算机设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器；
其中，所述处理器用于运行所述计算机程序时，实现上述任意所述的车辆排队长度计算方法。
第三方面，本发明提供了一种计算存储介质，所述计算机存储介质中存储有计算机程序，所述计算机程序被处理器执行实现上述任意所述的车辆排队长度计算方法。
本发明实施例提供的本发明实施例公开车辆排队长度计算方法、计算机设备及计算机存储介质，所述方法包括：获取两个交叉口之间的车牌识别数据，基于所述车牌识别数据得到已识别车辆对应的行程时间及在每一交叉口的时间戳；基于所述行程时间及所述时间戳为先验信息，输入数据修复模型，得到两个交叉口之间车辆的特征参数，其中，所述特征参数包括过车时间戳、车头时距以及行程时间；基于车辆的概率密度函数，使用贝叶斯理论将所述特征参数输入，得到所述车辆的排队状态；基于所述排队状态得到排队车辆数，基于所述车辆数得到排队长度，如此，本发明充分利用车牌识别数据的特征，首先通过改进的插值方法来推断不匹配车辆的缺失信息。然后将完整的到达和离开信息处理为最大概率函数的输入值，估计了每个车道的周期最大排队长度。
附图说明
图1为本发明实施例提供的一种车辆排队长度计算方法的流程示意图；
图2为本发明实施例提供的另一种车辆排队长度计算方法的流程示意图；
图3为本发明实施例提供的一种车辆排队长度计算装置的结构示意图；
图4为本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面结合说明书附图及具体实施例对本发明技术方案做进一步的详细阐述。除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
目前，驾驶员驾驶行为的好坏，直接影响交通事故的发生率。相关技术中，没有一种有效对驾驶员行为进行全面评估的方法。针对上述存在的问题，本发明实施例旨在提供一种能够更加全面且客观的用于评估车辆驾驶员的驾驶行为安全性的评价方法，为现有的网约车服务平台提供一种可供乘客参考的网约车车辆的安全性等级评估，以进一步保障网约车乘客的安全性。
车头时距：指的是在同一车道上行驶的车辆队列中，两连续车辆车头端部通过某一断面的时间间隔。平均车头间距＝平均车头时距*平均车速。一般，为了安全，最短车头时距取2s左右的行程。
请参见图1，为本发明实施例提供的一种车辆排队长度计算方法，该方法可以由计算机设备执行，该计算机设备可以是终端或者服务器等，终端可以具体是台式电脑、笔记本电脑、智能手机、个人数字助理或者平板电脑等终端；服务器可以是单个的服务器设备或者服务器集群等。该车辆排队长度计算方法包括以下步骤：
步骤101：获取两个交叉口之间的车牌识别数据，基于所述车牌识别数据得到已识别车辆对应的行程时间及在每一交叉口的时间戳；
这里，行程时间定义为机动车通过某一路段两个端点间的时间。根据是否计算等待红绿灯时间，可将指标分为“等待红绿灯行程时间”和“不等待红绿灯行程时间”。行程时间指标对应的实体交通对象为“路口车流转向”和“通道”。通道行程时间，是指机动车通过通道的两个端点间的时间。车流转向行程时间，是指路口进口道路段对应的车流转向方向车流的通过路段的两个端点间的时间。时间戳是使用数字签名技术产生的数据，签名的对象包括了原始文件信息、签名参数、签名时间等信息。时间戳系统用来产生和管理时间戳，对签名对象进行数字签名产生时间戳，以证明原始文件在签名时间之前已经存在。
这里，过车时间可以通过车辆识别(licence plate recognition，LPR)数据准确记录，车头时距(time headway)的计算公式为：
thi＝tsi-tsi-1 (1)
其中tsi表示车辆i通过一个交叉口的时间戳。表示车辆通过下游交叉口的时间戳。
链路时间(travel time)的计算公式为：
但是由于一些原因，两个交叉口之间的车牌号的匹配率很低，这种匹配率低的原因主要是由下面情况造成的：(1)车辆在上游和下游被正确检测的概率较低，或者没有被卡口摄像机检测到。(2)车辆本身的个体行为，在两个相邻交叉口之间进行了停车、购物等行为。(3)车辆从没有设置LPR摄像机的路段汇入研究路段。我们先对匹配到的车辆的行驶时间进行噪声处理，假设两个交叉口之间的路段长度为L，城市主干道的最高限速为V，正常行驶速度为Vn，结合交叉口的实际情况，在不发生事故等重大障碍情况下，车辆在交叉口一般最多经历三个周期后通过停车线，这里我们将交叉口在研究时段的最大周期设为T。
利用下面的阈值条件，获得成功匹配的车辆及其行程时间。
步骤102：基于所述行程时间及所述时间戳为先验信息，输入数据修复模型，得到两个交叉口之间车辆的特征参数，其中，所述特征参数包括过车时间戳、车头时距以及行程时间；
这里，我们再使用詹仙园等人在2015年提出的方法来获得未匹配车辆的行程时间，该模型通过基于高斯过程的插值模型来重构等效累积到达曲线，将成功匹配车辆的行程时间作为先验信息，来求得未匹配车辆的行程时间。
车辆的到达曲线可以通过下面建模表示：
y(x|θ)＝μ(x|θ)+η (4)
y代表的意思是到达车辆的索引指标，x表示的是时间戳，以及η代表的是服从正态分布的干扰项。
将车辆的到达过程建模成高斯过程，到达曲线之间的任意两点的协方差使用下述公式进行计算：
那么到达车辆的索引就是一个高斯过程的分布。如下所示。
p(y|θ)＝N(μ(x|θ)，K(x，x)) (6)
其中方差矩阵K(x，x)可以用下式表示：
将未匹配车辆的索引用y*表示，x*表示对应的过车时间戳。那么经过高斯过程，我们可以用下面的联合分布表示两类车辆的索引。
根据高斯过程的边缘分布，未匹配车辆的分布可以表示为：
p(y*|θ)＝N(m*(x*|θ)，C*) (9)
所以未匹配车辆的后验均值与协方差可以通过下面的式子计算得到。
m*(x*|θ)＝μ(x*|θ)+K(x*，x)K(x，x)-1(y(x)-μ(x)) (10)
C*＝K(x*，x*)+K(x*，x)K(x，x)-1K(x，x*) (11)
在使用MH算法得到参数值以后，就可以进一步得到未匹配车辆到达过程的后验均值和协方差。从而得到最后的等效到达曲线，进而能够得到未匹配车辆的行程时间。
至此，我们可以得到所有的匹配成功车辆与未匹配成功车辆的三个特征参数：过车时间戳、车头时距、行程时间。
步骤103：基于车辆的概率密度函数，使用贝叶斯理论将所述特征参数输入，得到所述车辆的排队状态；
这里，在交叉口进行排队的车辆，排队次数不同，所消耗的时间也是不同的；在一个相位的绿灯启亮的时候，先通过停车线的一般是排队车辆或者多次排队车辆，即车辆的过车时间也是有相应的不同的；当车辆以饱和离开率驶过停车线时，前后车的车头时距与以正常离开率驶过停车线时的车头时距也是有比较大的差别的。这里我们使用K均值来对历史数据进行分类，这里我们只考虑车辆最多经过三个周期经过交叉口，我们将车辆分成未排队Nnq、一次排队N1q、二次排队N2q、和三次排队N3q。
步骤104：基于所述排队状态得到排队车辆数，基于所述车辆数得到排队长度。
请参阅图2，为了能够进一步的理解本发明实施例所述的车辆排队长度计算方法，还提供一个具体的实施例如下：
步骤一：根据匹配到的车辆的行程时间获取未匹配车辆的行程时间。
过车时间可以通过LPR系统准确记录，车头时距(time headway)的计算公式为：
thi＝tsi-tsi-1 (1)
其中tsi表示车辆i通过一个交叉口的时间戳。表示车辆通过下游交叉口的时间戳。
链路时间(travel time)的计算公式为：
但是由于一些原因，两个交叉口之间的车牌号的匹配率很低，这种匹配率低的原因主要是由下面情况造成的：(1)车辆在上游和下游被正确检测的概率较低，或者没有被卡口摄像机检测到。(2)车辆本身的个体行为，在两个相邻交叉口之间进行了停车、购物等行为。(3)车辆从没有设置LPR摄像机的路段汇入研究路段。我们先对匹配到的车辆的行驶时间进行噪声处理，假设两个交叉口之间的路段长度为L，城市主干道的最高限速为V，正常行驶速度为Vn，结合交叉口的实际情况，在不发生事故等重大障碍情况下，车辆在交叉口一般最多经历三个周期后通过停车线，这里我们将交叉口在研究时段的最大周期设为T。
利用下面的阈值条件，获得成功匹配的车辆及其行程时间。
然后我们再使用詹仙园等人在2015年提出的方法来获得未匹配车辆的行程时间，该模型通过基于高斯过程的插值模型来重构等效累积到达曲线，将成功匹配车辆的行程时间作为先验信息，来求得未匹配车辆的行程时间。
车辆的到达曲线可以通过下面建模表示：
y(x|θ)＝μ(x|θ)+η (4)
y代表的意思是到达车辆的索引指标，x表示的是时间戳，以及η代表的是服从正态分布的干扰项。
将车辆的到达过程建模成高斯过程，到达曲线之间的任意两点的协方差使用下述公式进行计算：
那么到达车辆的索引就是一个高斯过程的分布。如下所示。
p(y|θ)＝N(μ(x|θ)，K(x，x)) (6)
其中方差矩阵K(x，x)可以用下式表示：
将未匹配车辆的索引用y*表示，x*表示对应的过车时间戳。那么经过高斯过程，我们可以用下面的联合分布表示两类车辆的索引。
根据高斯过程的边缘分布，未匹配车辆的分布可以表示为：
p(y*|θ)＝N(m*(x*|θ)，C*) (9)
所以未匹配车辆的后验均值与协方差可以通过下面的式子计算得到。
m*(x*|θ)＝μ(x*|θ)+K(x*，x)K(x，x)-1(y(x)-μ(x)) (10)
C*＝K(x*，x*)+K(x*，x)K(x，x)-1K(x，x*) (11)
在使用MH算法得到参数值以后，就可以进一步得到未匹配车辆到达过程的后验均值和协方差。从而得到最后的等效到达曲线，进而能够得到未匹配车辆的行程时间。
至此，我们可以得到所有的匹配成功车辆与未匹配成功车辆的三个特征参数：过车时间戳、车头时距、行程时间。
步骤二：根据不同排队状态车辆的三个特征来进行每个周期的排队长度的估计。
本发明所求得的排队长度指的是每一个周期的最大排队车辆数。
在交叉口进行排队的车辆，排队次数不同，所消耗的时间也是不同的；在一个相位的绿灯启亮的时候，先通过停车线的一般是排队车辆或者多次排队车辆，即车辆的过车时间也是有相应的不同的；当车辆以饱和离开率驶过停车线时，前后车的车头时距与以正常离开率驶过停车线时的车头时距也是有比较大的差别的。这里我们使用K均值来对历史数据进行分类，这里我们只考虑车辆最多经过三个周期经过交叉口，我们将车辆分成未排队Nnq、一次排队N1q、二次排队N2q、和三次排队N3q。
1)未饱和周期的排队长度计算
在交叉口处于未饱和情况下的时候，所有的车辆都能够在一个周期内通过交叉口，即车辆只需分成未排队和排队车辆，所以在该情况下我们只要求得该周期的最后一辆排队车辆在本周期内的时序位置，就可以求得该周期的最大排队长度。我们通过引入核密度估计方法，分别构造排队车辆和未排队车辆的核密度函数。分别用下式表示。
其中，ts、th和tt分别代表车辆的过车时间戳、车头时距和行程时间，Nq表示历史数据中的排队车辆，h1、h2、h3表示的是带宽。
在求得了排队车辆和未排队车辆的概率密度函数以后，我们通过使用贝叶斯理论来计算在给定一辆车的三个特征参数以后，来求得该辆车的状态，即排队或者未排队。
其中，p(si＝1)与p(si＝0)表示的是车辆排与未排队的概率，基本上与研究时段内的信号相位与交通量是相关的，也就是说，在不发生重大交通事故的时候，我们可以根据历史数据来判断车辆是停车与未停车的概率，可以使用下面的公式来计算。
p(si＝0)＝1-p (17)
由于排队与未排队车辆的概率密度函数使用的是不同的核函数，他们的概率相加一般都不是1，所以我们将其进行归一化。
p(si＝0|tsi，thi，tti)＝1-p(si＝1|tsi，thi，tti) (19)
在交叉口的某个周期内通过的车辆，根据上述的方法，在给定了三个特征参数以后，我们可以分别得到该辆车是排队车辆的概率、未排队车辆的概率，通过计算最大概率模型公式，来寻找最后一辆排队车辆在周期内过车时间戳序列中的序号。
其中，m表示的是该周期内的最后一台排队车辆，n表示的是该周期内所通过的车辆总数。
2)过饱和周期的排队长度
在使用上述步骤求得排队长度以后，如果发现排队长度是对应周期的过车数，那么我们将其判断为过饱和周期。即该周期的剩余排队车辆没有在该周期k内顺利通过，根据拥堵情况的不同，将会在下一个周期k+1，或者k+2周期内通过(我们只考虑到三次排队)。所以，这里我们还需要求出Nresidual，从而来求得饱和周期的所有排队车辆，具体的分析方法和未饱和周期的方法类似。
Ql＝N+Nresidual (21)
具体的步骤是，先使用历史数据训练出二次排队和一次排队的车辆的三个特征参数的概率密度Ψ′(ts，th，tt)和Φ′(ts，th，tt)。然后使用贝叶斯理论求得下一个周期内车辆是二次排队和一次排队的概率。
p(si＝1|tsi，thi，tti)＝1-p(si＝2|tsi，thi，tti) (23)
上面的p(si＝2)和p(si＝1)都是通过经验数据集来求得的车辆是二次排队和一次排队的先验概率，具体计算法方法可以参考公式(16)-(17)。
同样使用最大概率公式，根据车辆的状态概率，求得在一个周期内的最大概率值，来求得二次排队的车辆数。
其中，m表示的是在周期k+1内的最后一台二次排队的车辆，n′表示的是周期k+1内所通过的车辆总数。由此可计算得周期k的总排队长度。
如果周期k+1也是饱和周期，那么我们需要使用同样的方法去周期k+2内寻找剩余排队车辆即三次排队的车辆。
至此，我们可以求得交叉口饱和与未饱和情况下的周期最大排队长度。排队长度是评估城市交叉口拥堵水平的重要指标。然而，现有的大多数基于各种交通检测器进行队列长度估计的工作通常受到数据问题的限制，例如固定传感器的覆盖范围小以及对探测车辆轨迹数据的额外假设。本发明充分利用LPR数据的特征，所设计的排队长度计算方法克服了上述限制，首先通过改进的插值方法来推断不匹配车辆的缺失信息。然后将完整的到达和离开信息处理为最大概率函数的输入值，估计了每个车道的周期最大排队长度。
本发明实施例还提供一种车辆排队长度计算装置，如图3所示，该装置包括：
第一获取模块21，用于获取两个交叉口之间的车牌识别数据，基于所述车牌识别数据得到已识别车辆对应的行程时间及在每一交叉口的时间戳；
第一确定模块22，用于基于所述行程时间及所述时间戳为先验信息，输入数据修复模型，得到两个交叉口之间车辆的特征参数，其中，所述特征参数包括过车时间戳、车头时距以及行程时间；
第二确定模块23，用于基于车辆的概率密度函数，使用贝叶斯理论将所述特征参数输入，得到所述车辆的排队状态；
第三确定模块24，用于基于所述排队状态得到排队车辆数，基于所述车辆数得到排队长度。
在一个可选的实施例中，所述第一确定模块22，还用于：
基于所述行程时间及所述时间戳为先验信息，建立车辆的到达曲线模型，将所述车辆的到达过程建模成高斯过程，得到到达曲线之间的任意两点的协方差，所述到达车辆的索引就为高斯过程的分布，得到未匹配车辆的后验均值与协方差；
使用MH算法得到未匹配车辆到达过程的后验均值和协方差，得到未匹配车辆到达过程的后验均值和协方差，确定等效到达曲线；
基于所述等效到达曲线确定未匹配车辆的行程时间，得到两个交叉口之间车辆的特征参数。
在一个可选的实施例中，所述第二确定模块23，还用于：
构造排队车辆和未排队车辆的核密度函数，使用贝叶斯理论将所述特征参数输入，确定车辆属于排队车辆的概率及非排队车辆的概率，得到车辆的排队状态。
在一个可选的实施例中，所述第三确定模块24，还用于：
基于所述排队状态输入最大概率模型，得到每一车辆在通过交叉口时间戳序列中的序号，基于所述序号得到排队长度。
在一个可选的实施例中，所述第三确定模块24，还用于：
若排队长度不等于第一周期内通过车辆的序号，则确定所述第一周期内末尾车辆的位置为排队长度。
在一个可选的实施例中，所述第三确定模块24，还用于：
若排队长度等于第一周期内通过车辆的序号，则获取所述第一周期内剩余车辆和第二周期内车辆的特征参数；
基于车辆的概率密度函数，使用贝叶斯理论将所述特征参数输入，得到所述车辆的排队状态；
基于所述排队状态得到排队车辆数，基于所述车辆数得到排队长度。
需要说明的是：上述实施例提供的车辆排队长度计算装置在实现车辆排队长度计算方法时，仅以上述各程序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处理分配由不同的程序模块完成，即将车辆排队长度计算装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的车辆排队长度计算装置与对应的车辆排队长度计算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。
本发明实施例提供了一种计算机设备，如图4所示，该计算机设备包括：处理器110和用于存储能够在处理器110上运行的计算机程序的存储器111；其中，图4中示意的处理器110并非用于指代处理器110的个数为一个，而是仅用于指代处理器110相对其他器件的位置关系，在实际应用中，处理器110的个数可以为一个或多个；同样，图4中示意的存储器111也是同样的含义，即仅用于指代存储器111相对其他器件的位置关系，在实际应用中，存储器111的个数可以为一个或多个。
所述处理器110用于运行所述计算机程序时，执行如下步骤：
获取两个交叉口之间的车牌识别数据，基于所述车牌识别数据得到已识别车辆对应的行程时间及在每一交叉口的时间戳；
基于所述行程时间及所述时间戳为先验信息，输入数据修复模型，得到两个交叉口之间车辆的特征参数，其中，所述特征参数包括过车时间戳、车头时距以及行程时间；
基于车辆的概率密度函数，使用贝叶斯理论将所述特征参数输入，得到所述车辆的排队状态；
基于所述排队状态得到排队车辆数，基于所述车辆数得到排队长度。
在一可选的实施例中，所述处理器110还用于运行所述计算机程序时，执行如下步骤：
基于所述行程时间及所述时间戳为先验信息，建立车辆的到达曲线模型，将所述车辆的到达过程建模成高斯过程，得到到达曲线之间的任意两点的协方差，所述到达车辆的索引就为高斯过程的分布，得到未匹配车辆的后验均值与协方差；
使用MH算法得到未匹配车辆到达过程的后验均值和协方差，得到未匹配车辆到达过程的后验均值和协方差，确定等效到达曲线；
基于所述等效到达曲线确定未匹配车辆的行程时间，得到两个交叉口之间车辆的特征参数。
在一可选的实施例中，所述处理器110还用于运行所述计算机程序时，执行如下步骤：
构造排队车辆和未排队车辆的核密度函数，使用贝叶斯理论将所述特征参数输入，确定车辆属于排队车辆的概率及非排队车辆的概率，得到车辆的排队状态。
在一可选的实施例中，所述处理器110还用于运行所述计算机程序时，执行如下步骤：
基于所述排队状态输入最大概率模型，得到每一车辆在通过交叉口时间戳序列中的序号，基于所述序号得到排队长度。
在一可选的实施例中，所述处理器110还用于运行所述计算机程序时，执行如下步骤：
若排队长度不等于第一周期内通过车辆的序号，则确定所述第一周期内末尾车辆的位置为排队长度。
在一可选的实施例中，所述处理器110还用于运行所述计算机程序时，执行如下步骤：
若排队长度等于第一周期内通过车辆的序号，则获取所述第一周期内剩余车辆和第二周期内车辆的特征参数；
基于车辆的概率密度函数，使用贝叶斯理论将所述特征参数输入，得到所述车辆的排队状态；
基于所述排队状态得到排队车辆数，基于所述车辆数得到排队长度。
该计算机设备还包括：至少一个网络接口112。该装置中的各个组件通过总线系统113耦合在一起。可理解，总线系统113用于实现这些组件之间的连接通信。总线系统113除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图3中将各种总线都标为总线系统113。
其中，存储器111可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static RandomAccess Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储器111旨在包括但不限于这些和任意其它适合类型的存储器。
本发明实施例中的存储器111用于存储各种类型的数据以支持该装置的操作。这些数据的示例包括：用于在该装置上操作的任何计算机程序，如操作系统和应用程序；联系人数据；电话簿数据；消息；图片；视频等。其中，操作系统包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序可以包含各种应用程序，例如媒体播放器(Media Player)、浏览器(Browser)等，用于实现各种应用业务。这里，实现本发明实施例方法的程序可以包含在应用程序中。
本实施例还包含了一种计算机存储介质，所述计算机存储介质中存储有计算机程序，计算机存储介质可以是磁性随机存取存储器(FRAM，ferromagnetic random accessmemory)、只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，ProgrammableRead-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically ErasableProgrammable Read-Only Memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)等存储器；也可以是包括上述存储器之一或任意组合的各种设备，如移动电话、计算机、平板设备、个人数字助理等。所述计算机存储介质中存储的计算机程序被处理器运行时，实现上述车辆识别方法。所述计算机程序被处理器执行时实现的具体步骤流程请参考图1所示实施例的描述，在此不再赘述。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，除了包含所列的那些要素，而且还可包含没有明确列出的其他要素。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (4)

1.一种车辆排队长度计算方法，其特征在于，所述方法包括：
获取两个交叉口之间的车牌识别数据，基于所述车牌识别数据得到已识别车辆对应的行程时间及在每一交叉口的时间戳；
基于所述行程时间及所述时间戳为先验信息，输入数据修复模型，得到两个交叉口之间车辆的特征参数，其中，所述特征参数包括过车时间戳、车头时距以及行程时间；
基于车辆的概率密度函数，使用贝叶斯理论将所述特征参数输入，得到所述车辆的排队状态；
基于所述排队状态得到排队车辆数，基于所述车辆数得到排队长度；
所述基于车辆的概率密度函数，使用贝叶斯理论将所述特征参数输入，得到所述车辆的排队状态，包括：
构造排队车辆和未排队车辆的核密度函数，使用贝叶斯理论将所述特征参数输入，确定车辆属于排队车辆的概率及非排队车辆的概率，得到车辆的排队状态；
所述基于所述排队状态得到排队车辆数，基于所述车辆数得到排队长度，包括：
(1)未饱和周期的排队长度计算；
在交叉口处于未饱和情况下的时候，所有的车辆都能够在周期k内通过交叉口，即车辆只需分成未排队车辆和排队车辆；基于最大概率模型得到最后一台排队车辆在周期内过车时间戳序列中的序号，基于所述序号得到排队长度；
所述最大概率模型为
其中，m表示的是周期k内的最后一台排队车辆，n表示的是周期k内所通过的车辆总数，p(si＝1|tsi，thi，tti)为车辆属于一次排队车辆的概率，p(si＝0|tsi，thi，tti)为车辆属于非排队车辆的概率，ts、th和tt分别代表车辆的过车时间戳、车头时距和行程时间；
(2)过饱和周期的排队长度；
周期k的剩余排队车辆没有在该周期k内顺利通过，则周期k为过饱和周期，根据拥堵情况的不同，将会在周期k+1或周期k+2内通过；
使用贝叶斯理论求得周期k+1内车辆是二次排队和一次排队的概率，使用最大概率公式求得在一个周期内的最大概率值，来求得二次排队的车辆数，最大概率公式为m′表示的是在周期k+1内的最后一台二次排队的车辆，n′表示的是周期k+1内所通过的车辆总数，p(si＝2|tsi，thi，tti)为车辆属于二次排队车辆的概率；如果周期k+1也是过饱和周期，则使用同样的方法去周期k+2内寻找剩余排队车辆，即三次排队的车辆数。
2.根据权利要求1所述的车辆排队长度计算方法，其特征在于，所述基于所述行程时间及所述时间戳为先验信息，输入数据修复模型，得到两个交叉口之间车辆的特征参数，具体包括：
基于所述行程时间及所述时间戳为先验信息，建立车辆的到达曲线模型，将所述车辆的到达过程建模成高斯过程，得到到达曲线之间的任意两点的协方差，到达车辆的索引就为高斯过程的分布，得到未匹配车辆的后验均值与协方差；
使用MH算法得到未匹配车辆到达过程的后验均值和协方差，确定等效到达曲线；基于所述等效到达曲线确定未匹配车辆的行程时间，得到两个交叉口之间车辆的特征参数。
3.一种计算机设备，其特征在于，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器；
其中，所述处理器用于运行所述计算机程序时，实现权利要求1至2任一项所述的车辆排队长度计算方法。
4.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有计算计程序，其特征在于，所述计算机程序被处理器执行实现权利要求1至2中任一项所述的车辆排队长度计算方法。
CN202210379082.XA 2022-04-12 2022-04-12 车辆排队长度计算方法、计算机设备及计算机存储介质 Active CN114973693B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210379082.XA CN114973693B (zh) 2022-04-12 2022-04-12 车辆排队长度计算方法、计算机设备及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210379082.XA CN114973693B (zh) 2022-04-12 2022-04-12 车辆排队长度计算方法、计算机设备及计算机存储介质

Publications (2)

Publication Number Publication Date
CN114973693A CN114973693A (zh) 2022-08-30
CN114973693B true CN114973693B (zh) 2024-03-15

Family

ID=82976810

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210379082.XA Active CN114973693B (zh) 2022-04-12 2022-04-12 车辆排队长度计算方法、计算机设备及计算机存储介质

Country Status (1)

Country Link
CN (1) CN114973693B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106571030A (zh) * 2016-10-20 2017-04-19 西南交通大学 多源交通信息环境下排队长度预测方法
CN106652480A (zh) * 2016-12-28 2017-05-10 山东理工大学 一种基于微波地磁数据的交叉口最大排队长度计算方法
CN108597235A (zh) * 2018-05-08 2018-09-28 中南大学 基于交通视频数据的交叉口信号参数优化及效果评估方法
CN109272756A (zh) * 2018-11-07 2019-01-25 同济大学 一种信控交叉口排队长度估计方法
CN109961639A (zh) * 2019-01-29 2019-07-02 中电海康集团有限公司 一种过饱和状态下车道排队长度估计方法
CN111540204A (zh) * 2020-05-08 2020-08-14 青岛海信网络科技股份有限公司 一种面向交叉口问题诊断的交通运行状态评估方法及装置
CN113129605A (zh) * 2021-03-24 2021-07-16 同济大学 一种基于电子警察数据的交叉口车道排队长度估计方法
CN113129604A (zh) * 2021-03-19 2021-07-16 同济大学 一种基于网联车辆轨迹数据的信控交叉口运行评估方法
CN113643545A (zh) * 2021-10-14 2021-11-12 华砺智行(武汉)科技有限公司 车辆排队长度感知方法、装置、设备及存储介质
CN113947899A (zh) * 2021-09-30 2022-01-18 南京云析科技有限公司 一种低渗透率轨迹数据下排队服务时间动态估计方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9443148B2 (en) * 2013-03-15 2016-09-13 International Business Machines Corporation Visual monitoring of queues using auxiliary devices
US11565722B2 (en) * 2020-01-15 2023-01-31 The Regents Of The University Of Michigan Vehicle trajectory prediction near or at traffic signal

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106571030A (zh) * 2016-10-20 2017-04-19 西南交通大学 多源交通信息环境下排队长度预测方法
CN106652480A (zh) * 2016-12-28 2017-05-10 山东理工大学 一种基于微波地磁数据的交叉口最大排队长度计算方法
CN108597235A (zh) * 2018-05-08 2018-09-28 中南大学 基于交通视频数据的交叉口信号参数优化及效果评估方法
CN109272756A (zh) * 2018-11-07 2019-01-25 同济大学 一种信控交叉口排队长度估计方法
CN109961639A (zh) * 2019-01-29 2019-07-02 中电海康集团有限公司 一种过饱和状态下车道排队长度估计方法
CN111540204A (zh) * 2020-05-08 2020-08-14 青岛海信网络科技股份有限公司 一种面向交叉口问题诊断的交通运行状态评估方法及装置
CN113129604A (zh) * 2021-03-19 2021-07-16 同济大学 一种基于网联车辆轨迹数据的信控交叉口运行评估方法
CN113129605A (zh) * 2021-03-24 2021-07-16 同济大学 一种基于电子警察数据的交叉口车道排队长度估计方法
CN113947899A (zh) * 2021-09-30 2022-01-18 南京云析科技有限公司 一种低渗透率轨迹数据下排队服务时间动态估计方法
CN113643545A (zh) * 2021-10-14 2021-11-12 华砺智行(武汉)科技有限公司 车辆排队长度感知方法、装置、设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Cycle-Based Queue Length Estimation for Signalized Intersections Using Sparse Vehicle Trajectory Data;Chaopeng Tan等;《IEEE Transactions on Intelligent Transportation Systems》;91-106 *
基于出租车GPS数据的速度分布和排队长度估计研究;买艳辉;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》(第S2期);C034-642 *
车道被占用对城市道路通行能力的影响和排队长度计算;文邦彦等;《科技传播》(第5期);38-39 *

Also Published As

Publication number Publication date
CN114973693A (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
CN112700072B (zh) 交通状况预测方法、电子设备和存储介质
Zheng et al. Bivariate extreme value modeling for road safety estimation
Althoff et al. Comparison of Markov chain abstraction and Monte Carlo simulation for the safety assessment of autonomous cars
JP3501773B2 (ja) 交通制御されたネットワークノードを含む交通網に対する、報告車両データに基づく交通状況決定方法
US11862022B2 (en) Methods for characterizing a vehicle collision
US11884285B2 (en) Systems for characterizing a vehicle collision
WO2024067210A1 (zh) 一种交通状态确定方法、装置及设备
CN115017742B (zh) 自动驾驶测试场景生成方法、装置、设备及存储介质
US20230134342A1 (en) System and/or method for vehicle trip classification
Takimoto et al. Predicting traffic accidents with event recorder data
US20240127695A1 (en) Methods for characterizing a low-impact vehicle collision using high-rate acceleration data
CN114973693B (zh) 车辆排队长度计算方法、计算机设备及计算机存储介质
JP7207227B2 (ja) 運転行動評価装置、運転行動評価方法、及び運転行動評価プログラム
JP2003303390A (ja) 旅行時間予測方法、装置及びプログラム
CN115880909A (zh) 基于浮动车数据的高速公路拥堵识别方法
CN113192340B (zh) 高速公路施工车辆的识别方法、装置、设备及存储介质
JP6986584B2 (ja) 情報処理装置、情報処理方法、および情報処理プログラム、ならびに車両到達時間推定装置
JP2004118700A (ja) 走行所要時間予測装置
CN111055849B (zh) 基于支持向量机的路口智能驾驶方法及其系统
CN114283575B (zh) 基于视频监控数据的信号灯交叉路口排队长度估计方法
CN112735169A (zh) 一种车辆路径还原方法、设备及介质
Ricord et al. Calculating Travel Time across Different Travel Modes Using Bluetooth and WiFi Sensing Data
Ruan et al. A novel scoring method for pedestrian automatic emergency braking systems
CN115691164B (zh) 一种基于大数据的智慧交通管理方法及系统
EP4372713A1 (en) Methods for characterizing a low-impact vehicle collision using high-rate acceleration data

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