CN115049167B - 交通态势预测方法、装置、设备及存储介质 - Google Patents
交通态势预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115049167B CN115049167B CN202210978048.4A CN202210978048A CN115049167B CN 115049167 B CN115049167 B CN 115049167B CN 202210978048 A CN202210978048 A CN 202210978048A CN 115049167 B CN115049167 B CN 115049167B
- Authority
- CN
- China
- Prior art keywords
- commuting
- path
- time
- network
- traffic
- 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 71
- 238000004088 simulation Methods 0.000 claims abstract description 62
- 239000011159 matrix material Substances 0.000 claims abstract description 43
- 238000004590 computer program Methods 0.000 claims description 14
- 230000015572 biosynthetic process Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 238000009792 diffusion process Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 11
- 239000002245 particle Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000007789 sealing Methods 0.000 description 5
- 206010039203 Road traffic accident Diseases 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005094 computer simulation Methods 0.000 description 3
- 238000011990 functional testing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005290 field theory Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- 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"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明提供了一种交通态势预测方法、装置、设备及存储介质，涉及交通运输领域，包括：在模拟预测网络中生成多个第一通勤需求，确定第一通勤时间最短的通勤路径为第一待移动路径；在当前时间窗口内，驱动模拟车辆移动，以确定每一模拟车辆的第一通勤速度；在下一时间窗口内，根据第二通勤需求生成第二通勤时间，并确定第二通勤时间最短的通勤路径为第二待移动路径；遍历所有时间窗口，直至确定在每一时间窗口内的移动路径以及通勤速度，以形成以事故地点为中心的交通态势；模拟预测网络是转化实时交通路网为图结构邻接矩阵后确定的。本发明能够将预测结果告知给即将出行的用户，通过减少出行需求的形式降低交通拥堵的概率，以提高交通出行体验。
Description
技术领域
本发明涉及交通运输领域，尤其涉及一种交通态势预测方法、装置、设备及存储介质。
背景技术
在交通运输领域，预测真实城市中的交通流量变化一直是人们关注的重点问题，其对城市规划建设，日常交通通勤规划都有重要的指导性意义。一般地，可以将交通态势仿真或预测算法分为三类：第一类是经典的统计模型预测算法，其根据历史交通数据对其统计规律进行分析，进而预测未来的交通态势演化状况，如历史平均模型、滑动平均模型、自回归模型等等；第二类是利用深度学习算法，通过历史数据对神经网络进行训练，从而预测未来的时空交通序列数据，如循环神经网络算法、卷积神经网络算法、图卷积网络等等；第三类是直接对车辆个体进行建模，通过对多车辆个体进行仿真，如构建社会力模型等简单相互作用模型等驱动车辆运动，进而求解未来的车流量变化。
然而，上述第一类、第二类的方法虽然能够在特定网络和特定数据集中取得较好的预测结果，但两者均对历史数据由极强的依赖性，进而在出现紧急交通状况，例如道路积水、道路交通管制时无法得到可靠的预测结果；第三类方法虽然不对历史数据依赖，但其预测精准度不佳，并且由于需要频繁计算车辆间的二体相互作用，很难应用在大规模城市路网结构中。
发明内容
本发明提供一种交通态势预测方法、装置、设备及存储介质，用以解决现有技术中无法根据突发交通事件进行交通态势预测的技术问题，借助场论的基本思想，即将传统粒子与粒子间的相互作用简化为粒子-场-粒子的相互作用，从而简化了程序求解流程，增大了程序运算速度，能够处理更大规模的交通体系。本发明将道路上的通行车辆视为粒子，根据粒子位置动态形成平均速度场，而场反作用于粒子的下一步移动，从而完成体系的动态演化。
第一方面，本发明提供了一种交通态势预测方法，包括：
在模拟预测网络中生成多个第一通勤需求，以根据每一第一通勤需求中通勤路径相对应的第一通勤时间，确定第一通勤时间最短的通勤路径为第一待移动路径；
在当前时间窗口内，驱动与每一第一待移动路径相对应的模拟车辆移动，以确定每一模拟车辆的第一通勤速度；
在下一时间窗口内，根据每一模拟车辆的第二通勤需求，生成每一通勤路径相对应的第二通勤时间，并确定第二通勤时间最短的通勤路径为第二待移动路径；
遍历所有时间窗口，直至确定每一模拟车辆在每一时间窗口内的移动路径以及通勤速度，以在实时交通路网中形成以事故地点为中心的交通态势；
所述模拟预测网络是转化实时交通路网为图结构邻接矩阵后确定的；
所述第一通勤需求是根据初始起始位置到目的位置而确定的；
所述第二通勤需求是根据当前位置到目的位置而确定的；
所述交通态势至少包括不同路径中车辆拥堵的形成与扩散。
根据本发明提供的一种交通态势预测方法，所述模拟预测网络是转化实时交通路网为图结构邻接矩阵后确定的，包括：
转化所述实时交通路网为图结构邻接矩阵；
在所述图结构邻接矩阵中，预设单一事故地点以及与所述单一事故地点相关的影响范围，以构建第一初始预测网络；
在所述第一初始预测网络中删除所述单一事故地点对应的道路通路，以形成模拟预测网络；
所述单一事故地点相关的影响范围是根据单一事故地点为中心，以预设长度为半径而确定的。
根据本发明提供的一种交通态势预测方法，所述模拟预测网络是转化实时交通路网为图结构邻接矩阵后确定的，还包括：
转化所述实时交通路网为图结构邻接矩阵；
在所述图结构邻接矩阵中，预设多个事故地点以及与多个事故地点相关的影响范围，以构建第二初始预测网络；
在所述第二初始预测网络中删除每一事故地点对应的道路通路，以形成模拟预测网络；
所述与多个事故地点相关的影响范围是根据每一事故地点为中心，以预设长度为半径而确定的。
根据本发明提供的一种交通态势预测方法，所述在模拟预测网络中生成多个第一通勤需求，以根据每一第一通勤需求中通勤路径相对应的第一通勤时间，确定第一通勤时间最短的通勤路径为第一待移动路径，包括：
在所述模拟预测网络中，生成任一随机初始起始位置到随机目的位置的第一通勤需求，以根据第一通勤需求的预设数目，生成所有第一通勤需求；
根据每一第一通勤需求中所有可达路径长度以及可达路径速度，确定每一第一通勤需求中所有可达路径的通勤时间；
计算每一第一通勤需求中通勤路径相对应的第一通勤时间，确定第一通勤时间最短的通勤路径为第一待移动路径；
第一通勤需求的预设数目是根据事故地点而确定的。
根据本发明提供的一种交通态势预测方法，所述在当前时间窗口内，驱动与每一第一待移动路径相对应的模拟车辆移动，以确定每一模拟车辆的第一通勤速度，包括：
根据每一条道路的车道数以及道路长度确定道路总体长度；
根据车道中车辆总数以及道路总体长度确定矫正速度值；
根据预设数值以及矫正速度值确定每一模拟车辆的第一通勤速度。
根据本发明提供的一种交通态势预测方法，所述遍历所有时间窗口，直至确定每一模拟车辆在每一时间窗口内的移动路径以及通勤速度，以在实时交通路网中形成以事故地点为中心的交通态势，包括：
获取每一模拟车辆在每一时间窗口内的移动路径以及通勤速度；
根据不同的时间窗口内的移动路径以及通勤速度，驱动每一模拟车辆移动，以更新模拟预测网络；
根据更新后的模拟预测网络形成所有模拟车辆在实时交通路网中的交通态势。
根据本发明提供的一种交通态势预测方法，在实时交通路网中形成以事故地点为中心的交通态势之后，还包括：
处理所述交通态势，生成预警消息；
发送所述预警消息至移动终端，以在移动终端中显示以事故地点为中心的交通态势。
第二方面，本发明提供了一种交通态势预测装置，包括：
确定单元：用于在模拟预测网络中生成多个第一通勤需求，以根据每一第一通勤需求中通勤路径相对应的第一通勤时间，确定第一通勤时间最短的通勤路径为第一待移动路径；
驱动单元：用于在当前时间窗口内，驱动与每一第一待移动路径相对应的模拟车辆移动，以确定每一模拟车辆的第一通勤速度；
生成单元：用于在下一时间窗口内，根据每一模拟车辆的第二通勤需求，生成每一通勤路径相对应的第二通勤时间，并确定第二通勤时间最短的通勤路径为第二待移动路径；
处理单元：用于遍历所有时间窗口，直至确定每一模拟车辆在每一时间窗口内的移动路径以及通勤速度，以在实时交通路网中形成以事故地点为中心的交通态势；
所述模拟预测网络是转化实时交通路网为图结构邻接矩阵后确定的；
所述第一通勤需求是根据初始起始位置到目的位置而确定的；
所述第二通勤需求是根据当前位置到目的位置而确定的；
所述交通态势至少包括不同路径中车辆拥堵的形成与扩散。
第三方面，还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的交通态势预测方法。
第四方面，还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的交通态势预测方法。
本发明提供了一种交通态势预测方法、装置、设备及存储介质，本发明解决了现有技术中难以对突发交通事件的交通态势进行预测分析的技术问题，对真实拓扑路网的结构调整接口及速度精准控制接口，以实现对突发事故，例如交通事故、城市内涝、政府管制、疫情封控、施工影响等多种状况的仿真模拟及对新修道路的功能性测试，能够帮助决策者了解特殊路况管制对周围道路通勤结构的影响，进而制定合理的管控计划，并将管控计划或预测结果告知给即将出行的用户，通过减少出行需求的形式降低交通拥堵的概率，提醒用户合理规避交通拥堵，以提高交通出行体验。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的一种交通态势预测方法的流程示意图之一；
图2是本发明提供的确定模拟预测网络的流程示意图之一；
图3是本发明提供的确定模拟预测网络的流程示意图之二；
图4是本发明提供的确定第一待移动路径的流程示意图；
图5是本发明提供的确定每一模拟车辆的第一通勤速度的流程示意图；
图6是本发明提供的形成以事故地点为中心的交通态势的流程示意图；
图7是本发明提供的一种交通态势预测方法的流程示意图之二；
图8是本发明提供的一种交通态势预测方法的流程示意图之三；
图9是本发明提供的一种交通态势预测装置的结构示意图；
图10是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前现有技术中的交通预测算法大多依赖于历史数据和既定的路网拓扑结构，还很难对突发交通事件造成的路网拓扑结构变动进行适应性分析，图1是本发明提供的一种交通态势预测方法的流程示意图之一，其能够实现对突发事故、政府管制、疫情封控、施工影响等多种状况的仿真模拟以及对新修道路的交通疏导能力等进行仿真测试，所述交通态势预测方法，包括：
在模拟预测网络中生成多个第一通勤需求，以根据每一第一通勤需求中通勤路径相对应的第一通勤时间，确定第一通勤时间最短的通勤路径为第一待移动路径；
在当前时间窗口内，驱动与每一第一待移动路径相对应的模拟车辆移动，以确定每一模拟车辆的第一通勤速度；
在下一时间窗口内，根据每一模拟车辆的第二通勤需求，生成每一通勤路径相对应的第二通勤时间，并确定第二通勤时间最短的通勤路径为第二待移动路径；
遍历所有时间窗口，直至确定每一模拟车辆在每一时间窗口内的移动路径以及通勤速度，以在实时交通路网中形成以事故地点为中心的交通态势；
所述模拟预测网络是转化实时交通路网为图结构邻接矩阵后确定的；
所述第一通勤需求是根据初始起始位置到目的位置而确定的；
所述第二通勤需求是根据当前位置到目的位置而确定的；
所述交通态势至少包括不同路径中车辆拥堵的形成与扩散。
在步骤101中，所述模拟预测网络是转化实时交通路网为图结构邻接矩阵后确定的，而所述实时交通路网则是根据目前现有技术中较为主流的能够反映交通情况的应用程序或软件而获取，例如，调用各种地图应用中的应用程序界面API而获取，所述第一通勤需求是根据初始起始位置到目的位置而确定的，具体地，所述第一通勤需求为虚拟设置的，用于针对突发事件中模拟真实车辆行驶而创建的，具备出发点以及目的地的车辆行驶线路，本发明在模拟预测网络中创建第一通勤需求，以真实模拟在突发事件中车辆选择的行驶路径，即根据每一第一通勤需求中通勤路径相对应的第一通勤时间，确定第一通勤时间最短的通勤路径为第一待移动路径。
在步骤102中，在当前时间窗口内，驱动与每一第一待移动路径相对应的模拟车辆移动，以确定每一模拟车辆的第一通勤速度，由于本发明创建了多条第一通勤需求，每一条所述第一通勤需求的出发点以及目的地存在差异，而在存在突发事件时，由于某些突发事件而导致某些路径无法通行，进而会确定在第一通勤需求中最短的通勤路径，并将其作为第一待移动路径，而在确定第一待移动路径后，根据每一条道路的车道数、道路长度、车道中车辆总数以及预设数值确定每一模拟车辆的第一通勤速度。
在步骤103中，所述下一时间窗口是邻接当前时间窗口的下一窗口，在下一时间窗口内，根据每一模拟车辆的第二通勤需求，生成每一通勤路径相对应的第二通勤时间，所述第二通勤需求是根据当前位置到目的位置而确定的，所述当前位置即车辆根据第一待移动路径移动后，车辆所处的实时位置，而目的位置不变，即在每一次的时间窗口中，均需重新确定车辆的当前位置，并根据车辆的当前位置以及目的位置再次计算第二通勤时间，并确定所述第二通勤时间最短的通勤路径为第二待移动路径，车辆将根据所述第二待移动路径移动。
在步骤104中，遍历所有时间窗口，直至确定每一模拟车辆在每一时间窗口内的移动路径以及通勤速度，以在实时交通路网中形成以事故地点为中心的交通态势，在步骤103之后，将执行下一时间窗口后的第三时间窗口，在所述第三时间窗口中，根据每一模拟车辆的第三通勤需求，生成每一通勤路径相对应的第三通勤时间，并确定第三通勤时间最短的通勤路径为第三待移动路径，而所述第三通勤需求则是根据第二时间窗口中车辆根据第二待移动路径移动后的当前位置以及目的位置所确定的，在这样的实施例中，还将在驱动每一第一待移动路径相对应的模拟车辆移动的过程中，确定每一模拟车辆在每一时间窗口内的移动路径以及通勤速度，所述步骤104将根据遍历所有时间窗口的过程，实时的显示出以时间窗口为更新频率的动态模拟过程，在所述动态模拟过程中，由于突发事件的形成地点、被管制的路段以及被管制的时间，进而使得车辆将按照避开突发事件路径的行驶路线进行移动，最终在实时交通路网中形成以事故地点为中心的交通态势，所述交通态势至少包括不同路径中车辆拥堵的形成与扩散，所述交通态势可以根据显示屏以视频流的形式实时的将车辆拥堵的形成与扩散体现出来，也可以通过文字表述或图文结合的形式体现。
本发明通过对道路车辆进行单元化仿真，每个仿真单元都可获取到全局的交通拥堵状态，并采用狄克斯特拉算法Dijkstra动态规划未来路径，以实现对当前导航软件大规模应用时交通真实状态的仿真。
本发明提供了一种交通态势预测方法、装置、设备及存储介质，本发明解决了现有技术中难以对突发交通事件的交通态势进行预测分析的技术问题，对真实拓扑路网的结构调整接口及速度精准控制接口，以实现对突发事故，例如交通事故、城市内涝、政府管制、疫情封控、施工影响等多种状况的仿真模拟及对新修道路的功能性测试，能够帮助决策者了解特殊路况管制对周围道路通勤结构的影响，进而制定合理的管控计划，并将管控计划或预测结果告知给即将出行的用户，通过减少出行需求的形式降低交通拥堵的概率，提醒用户合理规避交通拥堵，以提高交通出行体验。
图2是本发明提供的确定模拟预测网络的流程示意图之一，所述模拟预测网络是转化实时交通路网为图结构邻接矩阵后确定的，包括：
转化所述实时交通路网为图结构邻接矩阵；
在所述图结构邻接矩阵中，预设单一事故地点以及与所述单一事故地点相关的影响范围，以构建第一初始预测网络；
在所述第一初始预测网络中删除所述单一事故地点对应的道路通路，以形成模拟预测网络；
所述单一事故地点相关的影响范围是根据单一事故地点为中心，以预设长度为半径而确定的。
在步骤201中，本发明首先获取所述实时交通路网，然后转化所述实时交通路网为图结构邻接矩阵，在转化的过程中，将实际交通路网按图结构进行存储，并给出路网拓扑的图结构邻接矩阵。
在步骤202中，所述单一事故地点相关的影响范围是根据单一事故地点为中心，以
预设长度为半径而确定的，所述单一事故地点相关的影响范围是根据单一事故地点为中
心，以预设长度为半径而确定的，根据图结构邻接矩阵，即可计算图结构邻接矩阵的
步
可达矩阵
，设置预设长度为
，可以求解
步内可达矩阵为：
式（1）中，其中，
为
步内可达矩阵，
为预设长度。
在这样的实施例中，选定单一事故地点K，则可根据
即可提取出网络中距离K
的
步内可达互通网络，并将该网络用作第一初始预测网络的基础，其中，
控制了影响范
围的大小。
在步骤203中，本发明通过控制删除道路链接的位置来控制事故发生的严重程度，例如，在删除所述单一事故地点对应的一条道路通路时，则认为其事故发生的严重程度较低，在删除所述单一事故地点对应的十条道路通路时，则认为其事故发生的严重程度较高，即在所述第一初始预测网络中删除所述单一事故地点对应的道路通路后，形成模拟预测网络。
图3是本发明提供的确定模拟预测网络的流程示意图之二，所述模拟预测网络是转化实时交通路网为图结构邻接矩阵后确定的，还包括：
转化所述实时交通路网为图结构邻接矩阵；
在所述图结构邻接矩阵中，预设多个事故地点以及与多个事故地点相关的影响范围，以构建第二初始预测网络；
在所述第二初始预测网络中删除每一事故地点对应的道路通路，以形成模拟预测网络；
所述与多个事故地点相关的影响范围是根据每一事故地点为中心，以预设长度为半径而确定的。
在步骤301中，给出了另一种用于实现模拟预测网络确定的技术方案，其相对于图2中示出的单一事故地点，图3示出的是在面对大型事故时，或存在疫情封控时所面临的多个事故地点情况下，模拟预测网络的确定，此时，转化所述实时交通路网为图结构邻接矩阵。
在步骤302中，选定模拟事故中心地点的点集，通过如下公式确定：
在（式）2中，K为模拟事故中心地点的点集，m为事故数量，则可根据
，提取出网
络中距离
的
步内可达互通网络，并将该网络用作第二初始预测网络的基础，其中，
控
制了影响范围的大小。
在步骤303中，在所述第二初始预测网络中删除每一事故地点对应的道路通路，以形成模拟预测网络，本发明能够通过控制删除道路链接的位置和事故数目，控制事故发生地点以及事故严重程度。
图4是本发明提供的确定第一待移动路径的流程示意图，所述在模拟预测网络中生成多个第一通勤需求，以根据每一第一通勤需求中通勤路径相对应的第一通勤时间，确定第一通勤时间最短的通勤路径为第一待移动路径，包括：
在所述模拟预测网络中，生成任一随机初始起始位置到随机目的位置的第一通勤需求，以根据第一通勤需求的预设数目，生成所有第一通勤需求；
根据每一第一通勤需求中所有可达路径长度以及可达路径速度，确定每一第一通勤需求中所有可达路径的通勤时间；
计算每一第一通勤需求中通勤路径相对应的第一通勤时间，确定第一通勤时间最短的通勤路径为第一待移动路径；
第一通勤需求的预设数目是根据事故地点而确定的。
在步骤1011中，在所述模拟预测网络中，生成任一随机初始起始位置到随机目的位置的第一通勤需求，以根据第一通勤需求的预设数目，生成所有第一通勤需求，本发明按照均匀分布的原则在所述模拟预测网络中随机生成预设数目的通勤任务，在对应时间内产生从随机初始起始位置到随机目的位置的多个公路出行需求，所述预设数目可以为10000、50000、60000或100000。
可选地，第一通勤需求的预设数目是根据事故地点而确定的，若所述事故地点发生在闹市或繁华的街道，则相应地，第一通勤需求的预设数目设置较多，而若所述事故地点发生在偏僻或不通达的街道，则相应地，第一通勤需求的预设数目设置较少。
在步骤1012中，根据每一第一通勤需求中所有可达路径长度以及可达路径速度，确定每一第一通勤需求中所有可达路径的通勤时间，参考目前现有技术中的路线规划方法，在初始起始位置到目的位置间形成多种通达方式，但由于存在突发事件导致某些路径无法使用，本发明将避开这些路段，进而根据每一第一通勤需求中所有可达路径长度以及可达路径速度，确定每一第一通勤需求中所有可达路径的通勤时间。
在步骤1013中，根据狄克斯特拉算法Dijkstra计算每一第一通勤需求中通勤路径相对应的第一通勤时间，确定第一通勤时间最短的通勤路径为第一待移动路径，本发明采用通勤时间作为拓扑网络的权值，依据狄克斯特拉算法Dijkstra对最短通勤时间的路径进行求解与规划，并按算法求解的路径进行移动。
图5是本发明提供的确定每一模拟车辆的第一通勤速度的流程示意图，所述在当前时间窗口内，驱动与每一第一待移动路径相对应的模拟车辆移动，以确定每一模拟车辆的第一通勤速度，包括：
根据每一条道路的车道数以及道路长度确定道路总体长度；
根据车道中车辆总数以及道路总体长度确定矫正速度值；
根据预设数值以及矫正速度值确定每一模拟车辆的第一通勤速度。
在步骤1021中，在第一待移动路径中，车辆仅在当前时间窗口内移动，在当前时间窗口结束后，停止移动，并确定车辆移动时的车道，根据每一条道路的车道数以及道路长度确定道路总体长度。
在步骤1022中，根据车道中车辆总数以及道路总体长度的商值确定矫正速度值，以在步骤1023中，根据预设数值以及矫正速度值的差值确定每一模拟车辆的第一通勤速度。
所述第一通勤速度可以通过如下公式确定：
在式（3）中，
为第一通勤速度，预设数值为60，
为每一条道路的车道数，
为
道路长度，
为车道中车辆总数，车辆移动过程中，将按时间窗口进行速度矫正，通过将
模拟预测网络中的第一通勤速度按该道路在时间窗口结束时的车辆数目进行车道中车辆
总数的更新。
图6是本发明提供的形成以事故地点为中心的交通态势的流程示意图，所述遍历所有时间窗口，直至确定每一模拟车辆在每一时间窗口内的移动路径以及通勤速度，以在实时交通路网中形成以事故地点为中心的交通态势，包括：
获取每一模拟车辆在每一时间窗口内的移动路径以及通勤速度；
根据不同的时间窗口内的移动路径以及通勤速度，驱动每一模拟车辆移动，以更新模拟预测网络；
根据更新后的模拟预测网络形成所有模拟车辆在实时交通路网中的交通态势。
在步骤1041中，本发明通过计算每一时间窗口内所有模拟车辆的移动路径以及通勤速度，在所有时间窗口中，实时计算每一模拟车辆在每一时间窗口内的移动路径以及通勤速度。
在步骤1042中，根据不同的时间窗口内的移动路径以及通勤速度，所述每个时间窗口内，每个模拟车辆的移动路径以及通勤速度将不断变化，以每一时间窗口为更新频率，驱动每一模拟车辆移动，以更新模拟预测网络。
在步骤1043中，根据更新后的模拟预测网络形成所有模拟车辆在实时交通路网中的交通态势，所述交通态势至少包括不同路径中车辆拥堵的形成与扩散。
本发明借助场论的基本思想，即将传统粒子与粒子间的相互作用简化为粒子-场-粒子的相互作用，从而简化了程序求解流程，增大了程序运算速度，能够处理更大规模的交通体系。即在图6中，将道路上的通行车辆视为粒子，根据粒子位置动态形成平均速度场，而场反作用于粒子的下一步移动，从而完成体系的动态演化。
本发明使用狄克斯特拉算法Dijkstra对仿真单元的交通出行路径进行实时动态规划，应用场论的基本思想处理车辆间的相互作用，根据道路粒子数密度动态更新道路通勤速度，即对速度场的动态更新，所述动态更新的方式既可以是线性相关，也可以为平方反比相关。本发明能够对道路拓扑结构进行删改，从而模拟各种因素造成的交通截断或新修辅助道路对路网通勤能力的影响，还能够对指定路段进行限速，模拟速度管控对路网通勤能力的影响。
图7是本发明提供的一种交通态势预测方法的流程示意图之二，在实时交通路网中形成以事故地点为中心的交通态势之后，还包括：
处理所述交通态势，生成预警消息；
发送所述预警消息至移动终端，以在移动终端中显示以事故地点为中心的交通态势。
在步骤401中，处理所述交通态势，根据所述交通态势，获取以事故发生点为中心，在何时会产生拥堵，或在何时会进行扩散，或在何时道路会保持通畅，进而生成所述预警消息，所述预警消息用于在移动终端中显示以事故地点为中心的交通态势。
在步骤402中，发送所述预警消息至移动终端，以在移动终端中显示以事故地点为中心的交通态势，而在其他的实施例中，本发明还能够将所述交通态势反映给监测端，以通过监测端编辑相应地指令，并将所述指令发送所述预警消息至移动终端。
本发明能够对真实路网结构进行修正，并模拟通行车辆的导航规划路径，通过按指定方式调整路网拓扑结构实现对不同区域交通通勤网络的通勤性质测试。在实际应用过程中，可以探讨道路积水问题导致的道路截断是否会产生交通拥堵效应，以及交通拥堵是如何在网络中进行扩散的。
在一个可选地实施例中，实例中以某桥为事故发生中心，根据对应的有效网络提
取算法，设置预设长度为
，从而提取模拟相关的有效网络。进一步地，根据事故发生
的严重程度，设置某桥积水事故影响的交通道路范围，设置影响半径为50m，即在网络拓扑
中删去对应区域的道路连接。
设置所有时间窗口为5小时，每一时间窗口为5秒，指定第一通勤需求的数目为60000，依据本发明所采用的方法进行演化。首先按均匀分布随机初始化需求任务，而后通过狄克斯特拉算法Dijkstra以及当前时刻的道路通勤时间对所有当前时刻在行驶车辆进行路径规划，并在下一个时间窗口内执行移动。在时间窗口结束时，重新对不同道路的通勤速度进行重置，而后重新对车辆的通勤路径进行更新，最终可得到不同道路节点的拥堵状态以及拥堵形成和扩散的过程。
图8是本发明提供的一种交通态势预测方法的流程示意图之三，本发明首先置入全局路网信息，然后载入初始化数据，生成多个通勤需求，即队列初始化，然后寻找最优路径，模拟车辆移动，以每一时间窗口为频率更新，参照位置更新速度场，进而实现特定轨迹信息的输出。
本发明提供了一种交通态势预测方法、装置、设备及存储介质，本发明解决了现有技术中难以对突发交通事件的交通态势进行预测分析的技术问题，对真实拓扑路网的结构调整接口及速度精准控制接口，以实现对突发事故，例如交通事故、城市内涝、政府管制、疫情封控、施工影响等多种状况的仿真模拟及对新修道路的功能性测试，能够帮助决策者了解特殊路况管制对周围道路通勤结构的影响，进而制定合理的管控计划，并将管控计划或预测结果告知给即将出行的用户，通过减少出行需求的形式降低交通拥堵的概率，提醒用户合理规避交通拥堵，以提高交通出行体验。
图9是本发明提供的一种交通态势预测装置的结构示意图，本发明公开了一种交通态势预测装置，包括确定单元1：用于在模拟预测网络中生成多个第一通勤需求，以根据每一第一通勤需求中通勤路径相对应的第一通勤时间，确定第一通勤时间最短的通勤路径为第一待移动路径，所述确定单元1的工作原理可以参考前述步骤101，在此不予赘述。
所述交通态势预测装置还包括驱动单元2：用于在当前时间窗口内，驱动与每一第一待移动路径相对应的模拟车辆移动，以确定每一模拟车辆的第一通勤速度，所述驱动单元2的工作原理可以参考前述步骤102，在此不予赘述。
所述交通态势预测装置还包括生成单元3：用于在下一时间窗口内，根据每一模拟车辆的第二通勤需求，生成每一通勤路径相对应的第二通勤时间，并确定第二通勤时间最短的通勤路径为第二待移动路径，所述生成单元3的工作原理可以参考前述步骤103，在此不予赘述。
所述交通态势预测装置还包括处理单元4：用于遍历所有时间窗口，直至确定每一模拟车辆在每一时间窗口内的移动路径以及通勤速度，以在实时交通路网中形成以事故地点为中心的交通态势，所述处理单元4的工作原理可以参考前述步骤104，在此不予赘述。
所述模拟预测网络是转化实时交通路网为图结构邻接矩阵后确定的；
所述第一通勤需求是根据初始起始位置到目的位置而确定的；
所述第二通勤需求是根据当前位置到目的位置而确定的；
所述交通态势至少包括不同路径中车辆拥堵的形成与扩散。
本发明提供了一种交通态势预测方法、装置、设备及存储介质，本发明解决了现有技术中难以对突发交通事件的交通态势进行预测分析的技术问题，对真实拓扑路网的结构调整接口及速度精准控制接口，以实现对突发事故，例如交通事故、城市内涝、政府管制、疫情封控、施工影响等多种状况的仿真模拟及对新修道路的功能性测试，能够帮助决策者了解特殊路况管制对周围道路通勤结构的影响，进而制定合理的管控计划，并将管控计划或预测结果告知给即将出行的用户，通过减少出行需求的形式降低交通拥堵的概率，提醒用户合理规避交通拥堵，以提高交通出行体验。
图10是本发明提供的电子设备的结构示意图。图10示例了一种电子设备的实体结构示意图，如图10所示，该电子设备可以包括：处理器（processor）110、通信接口（Communications Interface）120、存储器（memory）130和通信总线140，其中，处理器110，通信接口120，存储器130通过通信总线140完成相互间的通信。处理器110可以调用存储器130中的逻辑指令，以执行交通态势预测方法，该方法包括：在模拟预测网络中生成多个第一通勤需求，以根据每一第一通勤需求中通勤路径相对应的第一通勤时间，确定第一通勤时间最短的通勤路径为第一待移动路径；在当前时间窗口内，驱动与每一第一待移动路径相对应的模拟车辆移动，以确定每一模拟车辆的第一通勤速度；在下一时间窗口内，根据每一模拟车辆的第二通勤需求，生成每一通勤路径相对应的第二通勤时间，并确定第二通勤时间最短的通勤路径为第二待移动路径；遍历所有时间窗口，直至确定每一模拟车辆在每一时间窗口内的移动路径以及通勤速度，以在实时交通路网中形成以事故地点为中心的交通态势；所述模拟预测网络是转化实时交通路网为图结构邻接矩阵后确定的；所述第一通勤需求是根据初始起始位置到目的位置而确定的；所述第二通勤需求是根据当前位置到目的位置而确定的；所述交通态势至少包括不同路径中车辆拥堵的形成与扩散。
此外，上述的存储器130中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的一种交通态势预测方法，该方法包括：在模拟预测网络中生成多个第一通勤需求，以根据每一第一通勤需求中通勤路径相对应的第一通勤时间，确定第一通勤时间最短的通勤路径为第一待移动路径；在当前时间窗口内，驱动与每一第一待移动路径相对应的模拟车辆移动，以确定每一模拟车辆的第一通勤速度；在下一时间窗口内，根据每一模拟车辆的第二通勤需求，生成每一通勤路径相对应的第二通勤时间，并确定第二通勤时间最短的通勤路径为第二待移动路径；遍历所有时间窗口，直至确定每一模拟车辆在每一时间窗口内的移动路径以及通勤速度，以在实时交通路网中形成以事故地点为中心的交通态势；所述模拟预测网络是转化实时交通路网为图结构邻接矩阵后确定的；所述第一通勤需求是根据初始起始位置到目的位置而确定的；所述第二通勤需求是根据当前位置到目的位置而确定的；所述交通态势至少包括不同路径中车辆拥堵的形成与扩散。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的交通态势预测方法，该方法包括：在模拟预测网络中生成多个第一通勤需求，以根据每一第一通勤需求中通勤路径相对应的第一通勤时间，确定第一通勤时间最短的通勤路径为第一待移动路径；在当前时间窗口内，驱动与每一第一待移动路径相对应的模拟车辆移动，以确定每一模拟车辆的第一通勤速度；在下一时间窗口内，根据每一模拟车辆的第二通勤需求，生成每一通勤路径相对应的第二通勤时间，并确定第二通勤时间最短的通勤路径为第二待移动路径；遍历所有时间窗口，直至确定每一模拟车辆在每一时间窗口内的移动路径以及通勤速度，以在实时交通路网中形成以事故地点为中心的交通态势；所述模拟预测网络是转化实时交通路网为图结构邻接矩阵后确定的；所述第一通勤需求是根据初始起始位置到目的位置而确定的；所述第二通勤需求是根据当前位置到目的位置而确定的；所述交通态势至少包括不同路径中车辆拥堵的形成与扩散。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种交通态势预测方法，其特征在于，包括：
在模拟预测网络中生成多个第一通勤需求，以根据每一第一通勤需求中通勤路径相对应的第一通勤时间，确定第一通勤时间最短的通勤路径为第一待移动路径；
在当前时间窗口内，驱动与每一第一待移动路径相对应的模拟车辆移动，以确定每一模拟车辆的第一通勤速度；
在下一时间窗口内，根据每一模拟车辆的第二通勤需求，生成每一通勤路径相对应的第二通勤时间，并确定第二通勤时间最短的通勤路径为第二待移动路径；
遍历所有时间窗口，直至确定每一模拟车辆在每一时间窗口内的移动路径以及通勤速度，以在实时交通路网中形成以事故地点为中心的交通态势；
所述模拟预测网络是转化实时交通路网为图结构邻接矩阵后确定的；
所述第一通勤需求是根据初始起始位置到目的位置而确定的；
所述第二通勤需求是根据当前位置到目的位置而确定的；
所述交通态势至少包括不同路径中车辆拥堵的形成与扩散；
所述模拟预测网络是转化实时交通路网为图结构邻接矩阵后确定的，包括：
转化所述实时交通路网为图结构邻接矩阵；
在所述图结构邻接矩阵中，预设单一事故地点以及与所述单一事故地点相关的影响范围，以构建第一初始预测网络；
在所述第一初始预测网络中删除所述单一事故地点对应的道路通路，以形成模拟预测网络；
所述单一事故地点相关的影响范围是根据单一事故地点为中心，以预设长度为半径而确定的；
所述模拟预测网络是转化实时交通路网为图结构邻接矩阵后确定的，还包括：
转化所述实时交通路网为图结构邻接矩阵；
在所述图结构邻接矩阵中，预设多个事故地点以及与多个事故地点相关的影响范围，以构建第二初始预测网络；
在所述第二初始预测网络中删除每一事故地点对应的道路通路，以形成模拟预测网络；
所述与多个事故地点相关的影响范围是根据每一事故地点为中心，以预设长度为半径而确定的。
2.根据权利要求1所述的交通态势预测方法，其特征在于，所述在模拟预测网络中生成多个第一通勤需求，以根据每一第一通勤需求中通勤路径相对应的第一通勤时间，确定第一通勤时间最短的通勤路径为第一待移动路径，包括：
在所述模拟预测网络中，生成任一随机初始起始位置到随机目的位置的第一通勤需求，以根据第一通勤需求的预设数目，生成所有第一通勤需求；
根据每一第一通勤需求中所有可达路径长度以及可达路径速度，确定每一第一通勤需求中所有可达路径的通勤时间；
计算每一第一通勤需求中通勤路径相对应的第一通勤时间，确定第一通勤时间最短的通勤路径为第一待移动路径；
第一通勤需求的预设数目是根据事故地点而确定的。
3.根据权利要求1所述的交通态势预测方法，其特征在于，所述在当前时间窗口内，驱动与每一第一待移动路径相对应的模拟车辆移动，以确定每一模拟车辆的第一通勤速度，包括：
根据每一条道路的车道数以及道路长度确定道路总体长度；
根据车道中车辆总数以及道路总体长度确定矫正速度值；
根据预设数值以及矫正速度值确定每一模拟车辆的第一通勤速度。
4.根据权利要求1所述的交通态势预测方法，其特征在于，所述遍历所有时间窗口，直至确定每一模拟车辆在每一时间窗口内的移动路径以及通勤速度，以在实时交通路网中形成以事故地点为中心的交通态势，包括：
获取每一模拟车辆在每一时间窗口内的移动路径以及通勤速度；
根据不同的时间窗口内的移动路径以及通勤速度，驱动每一模拟车辆移动，以更新模拟预测网络；
根据更新后的模拟预测网络形成所有模拟车辆在实时交通路网中的交通态势。
5.根据权利要求1所述的交通态势预测方法，其特征在于，在实时交通路网中形成以事故地点为中心的交通态势之后，还包括：
处理所述交通态势，生成预警消息；
发送所述预警消息至移动终端，以在移动终端中显示以事故地点为中心的交通态势。
6.一种交通态势预测装置，其特征在于，包括：
确定单元：用于在模拟预测网络中生成多个第一通勤需求，以根据每一第一通勤需求中通勤路径相对应的第一通勤时间，确定第一通勤时间最短的通勤路径为第一待移动路径；
驱动单元：用于在当前时间窗口内，驱动与每一第一待移动路径相对应的模拟车辆移动，以确定每一模拟车辆的第一通勤速度；
生成单元：用于在下一时间窗口内，根据每一模拟车辆的第二通勤需求，生成每一通勤路径相对应的第二通勤时间，并确定第二通勤时间最短的通勤路径为第二待移动路径；
处理单元：用于遍历所有时间窗口，直至确定每一模拟车辆在每一时间窗口内的移动路径以及通勤速度，以在实时交通路网中形成以事故地点为中心的交通态势；
所述模拟预测网络是转化实时交通路网为图结构邻接矩阵后确定的；
所述第一通勤需求是根据初始起始位置到目的位置而确定的；
所述第二通勤需求是根据当前位置到目的位置而确定的；
所述交通态势至少包括不同路径中车辆拥堵的形成与扩散；
所述模拟预测网络是转化实时交通路网为图结构邻接矩阵后确定的，包括：
转化所述实时交通路网为图结构邻接矩阵；
在所述图结构邻接矩阵中，预设单一事故地点以及与所述单一事故地点相关的影响范围，以构建第一初始预测网络；
在所述第一初始预测网络中删除所述单一事故地点对应的道路通路，以形成模拟预测网络；
所述单一事故地点相关的影响范围是根据单一事故地点为中心，以预设长度为半径而确定的；
所述模拟预测网络是转化实时交通路网为图结构邻接矩阵后确定的，还包括：
转化所述实时交通路网为图结构邻接矩阵；
在所述图结构邻接矩阵中，预设多个事故地点以及与多个事故地点相关的影响范围，以构建第二初始预测网络；
在所述第二初始预测网络中删除每一事故地点对应的道路通路，以形成模拟预测网络；
所述与多个事故地点相关的影响范围是根据每一事故地点为中心，以预设长度为半径而确定的。
7.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的交通态势预测方法。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的交通态势预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210978048.4A CN115049167B (zh) | 2022-08-16 | 2022-08-16 | 交通态势预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210978048.4A CN115049167B (zh) | 2022-08-16 | 2022-08-16 | 交通态势预测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115049167A CN115049167A (zh) | 2022-09-13 |
| CN115049167B true CN115049167B (zh) | 2022-11-08 |
Family
ID=83167202
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210978048.4A Active CN115049167B (zh) | 2022-08-16 | 2022-08-16 | 交通态势预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115049167B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115909720B (zh) * | 2022-10-14 | 2023-12-26 | 江苏未来网络集团有限公司 | 一种交通网络状态预测方法及系统 |
| CN116862097B (zh) * | 2023-06-08 | 2024-05-31 | 深圳市蕾奥规划设计咨询股份有限公司 | 一种信息确定方法及设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110517492A (zh) * | 2019-08-27 | 2019-11-29 | 中国科学院自动化研究所 | 基于平行集成学习的交通路径推荐方法、系统、装置 |
| CN111626502A (zh) * | 2020-05-26 | 2020-09-04 | 武汉大学深圳研究院 | 一种动态城市交通路网的通勤路径规划方法 |
| WO2021160273A1 (en) * | 2020-02-13 | 2021-08-19 | Automotive Artificial Intelligence (Aai) Gmbh | Computing system and method using end-to-end modeling for a simulated traffic agent in a simulation environment |
| CN114781696A (zh) * | 2022-03-30 | 2022-07-22 | 西安电子科技大学 | 一种面向城市路网的无模型事故影响范围预测方法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8103435B2 (en) * | 2007-07-27 | 2012-01-24 | George Mason Intellectual Properties, Inc. | Near real-time traffic routing |
| AU2017396987A1 (en) * | 2017-02-02 | 2019-09-12 | Yosef Mintz | Integrative system and methods to apply predictive dynamic city-traffic load balancing and perdictive parking control that may further contribute to cooperative safe driving |
| CN107392400B (zh) * | 2017-09-04 | 2020-10-16 | 重庆大学 | 计及实时交通与温度的ev充电负荷时空分布预测方法 |
| CN110570660A (zh) * | 2019-11-06 | 2019-12-13 | 深圳市城市交通规划设计研究中心有限公司 | 一种实时在线交通仿真系统及方法 |
| JP7461231B2 (ja) * | 2020-06-24 | 2024-04-03 | 株式会社日立製作所 | 混雑推定システムおよび混雑推定方法 |
| CN112598177B (zh) * | 2020-12-22 | 2023-10-24 | 北京市地铁运营有限公司 | 一种城市轨道交通突发事件在线客流预测与仿真系统 |
| CN113110449B (zh) * | 2021-04-14 | 2022-08-23 | 苏州智行众维智能科技有限公司 | 一种车辆自动驾驶技术的仿真模拟系统 |
| CN113299068B (zh) * | 2021-05-28 | 2022-10-21 | 银江技术股份有限公司 | 一种交通路网拥堵状态预测方法及系统 |
| CN113326641B (zh) * | 2021-08-03 | 2021-12-14 | 腾讯科技（深圳）有限公司 | 路径规划方法、装置、计算机设备及存储介质 |
| CN114463977B (zh) * | 2022-02-10 | 2023-06-23 | 北京工业大学 | 一种基于车路协同多源数据融合交通流预测的路径规划方法 |
-
2022
- 2022-08-16 CN CN202210978048.4A patent/CN115049167B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110517492A (zh) * | 2019-08-27 | 2019-11-29 | 中国科学院自动化研究所 | 基于平行集成学习的交通路径推荐方法、系统、装置 |
| WO2021160273A1 (en) * | 2020-02-13 | 2021-08-19 | Automotive Artificial Intelligence (Aai) Gmbh | Computing system and method using end-to-end modeling for a simulated traffic agent in a simulation environment |
| CN111626502A (zh) * | 2020-05-26 | 2020-09-04 | 武汉大学深圳研究院 | 一种动态城市交通路网的通勤路径规划方法 |
| CN114781696A (zh) * | 2022-03-30 | 2022-07-22 | 西安电子科技大学 | 一种面向城市路网的无模型事故影响范围预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于MDP随机路径模拟的电动汽车充电负荷时空分布预测;张谦等;《电力系统自动化》;20181025(第20期);第59-66页及附录A * |
| 基于动态交通信息的电动汽车充电需求预测模型及其对配网的影响分析;李磊等;《电网与清洁能源》;20200325(第03期);第107-118页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115049167A (zh) | 2022-09-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115049167B (zh) | 交通态势预测方法、装置、设备及存储介质 | |
| US10636294B1 (en) | Computer system and method for state prediction of a traffic system | |
| EP3590015B1 (en) | Trajectory generation and execution architecture | |
| JP7163099B2 (ja) | エネルギー管理装置、モデル管理方法及びコンピュータプログラム | |
| CN110361024B (zh) | 用于利用车辆组标识的动态车道级车辆导航的方法和系统 | |
| US20060200303A1 (en) | The static or dynamic roadway travel time system to determine the path with least travel time between two places | |
| CN113326641B (zh) | 路径规划方法、装置、计算机设备及存储介质 | |
| Lämmel et al. | Hybrid multimodal and intermodal transport simulation: Case study on large-scale evacuation planning | |
| CN112556714A (zh) | 一种消防灭火救援智能路径规划方法及系统 | |
| Abidin et al. | Towards improved vehicle arrival time prediction in public transportation: integrating SUMO and Kalman filter models | |
| Varga et al. | Optimizing vehicle dynamics co-simulation performance by introducing mesoscopic traffic simulation | |
| Kumar et al. | Integration of exponential smoothing with state space formulation for bus travel time and arrival time prediction | |
| Fitrianie et al. | Dynamic Routing during Disaster Events. | |
| Sinha et al. | Sustainable time series model for vehicular traffic trends prediction in metropolitan network | |
| US20230211776A1 (en) | Method for determining attribute value of obstacle in vehicle infrastructure cooperation, device and autonomous driving vehicle | |
| CN111613052B (zh) | 一种交通状况确定方法、装置、电子设备及存储介质 | |
| Selamat et al. | A fast path planning algorithm for route guidance system | |
| Habibi et al. | An Intelligent Traffic Light Scheduling Algorithm by using fuzzy logic and gravitational search algorithm and considering emergency vehicles | |
| US20240246563A1 (en) | Route deciding method, system and device, and medium | |
| US20230030786A1 (en) | System and methods of adaptive trajectory prediction for autonomous driving | |
| CN115285147A (zh) | 无人车的驾驶决策方法、装置及无人车 | |
| CN112229412B (zh) | 一种车道定位方法、装置及存储介质和服务器 | |
| Knyazkov et al. | Towards a framework for simulation-based evaluation of personal decision support systems for flood evacuation | |
| Shoufeng et al. | Based on hybrid genetic algorithm and cellular automata combined traffic signal control and route guidance | |
| Eze et al. | An Event-based Intelligent Vehicle Rerouting for Efficient Traffic Management for Connected Vehicles |
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 |