CN115206103A - 一种基于平行仿真系统的可变限速控制系统 - Google Patents
一种基于平行仿真系统的可变限速控制系统 Download PDFInfo
- Publication number
- CN115206103A CN115206103A CN202210843890.7A CN202210843890A CN115206103A CN 115206103 A CN115206103 A CN 115206103A CN 202210843890 A CN202210843890 A CN 202210843890A CN 115206103 A CN115206103 A CN 115206103A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- traffic
- variable speed
- time
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/006—Mixed reality
-
- 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
- G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于平行仿真系统的可变限速控制系统,包括交通数据采集模块采集高速公路车辆车道级位置轨迹信息;气象数据采集模块采集高速公路沿途气象信息;数据处理模块在边端及云端进行数据结构化处理;数据传输模块将路侧处理好的数据发送至云端的在线仿真模块;在线仿真模块对未来短时交通气象情况和路面状态进行预测仿真;风险判断模块判断当前交通运行风险状态;可变限速决策模块建立各个条件下的可变限速控制方案,形成控制方案策略库。本发明利用实时高精度车辆轨迹数据及气象数据构建交通数字孪生系统,利用微观仿真模型及交通数字孪生系统实现交通平行仿真,同时通过可变限速闭环优化算法,实现可变限速最优化控制策略的制定。
Description
技术领域
本发明属于交通智能控制技术领域,更具体的说是涉及一种基于平行仿真系统的可变限速控制系统。
背景技术
随着机动车的普及及交通运输需求的增长,高速公路安全问题愈发突出。目前高速公路安全主动管控技术主要采用限速的方法,因此,科学合理的限速值能够有效降低道路交通运行安全风险,然而传统高速公路采用的都是静态限速方法,无法在动态的道路交通环境下为不同工况及特定条件下提供安全合理的限速值,由于交通系统是一个典型的分布式系统,具有非线性、模糊性和不确定性的特点,因此固定的限速值不能体现道路交通系统的动态特征,从而激化了速度管理与交通安全及运输效率的矛盾。
因此可变限速控制成为解决高速公路交通安全问题的有效手段,随着交通传感技术的发展,交通数字孪生技术和平行仿真系统的构建为可变限速控制提供了强大的数据基础和有效的决策依据。数字孪生指的是对物理系统的虚拟映射,其与平行仿真在概念上存在包含关系。传统的交通仿真系统在概念层面可以作为平行仿真的依据。
因此,如何提供一种基于平行仿真系统的可变限速控制系统成为了本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种基于平行仿真系统的可变限速控制系统,利用实时高精度车辆轨迹数据及气象数据构建交通数字孪生系统,利用微观仿真模型及交通数字孪生系统实现交通平行仿真,同时通过可变限速闭环优化算法,实现可变限速最优化控制策略的制定。
为了实现上述目的,本发明采用如下技术方案:
一种基于平行仿真系统的可变限速控制系统,包括:交通数据采集模块、气象数据采集模块、数据处理模块、数据传输模块、在线仿真模块、风险判断模块和可变限速决策模块;其特征在于,所述交通数据采集模块负责实时采集高速公路车辆车道级位置轨迹信息;气象数据采集模块负责实时采集高速公路沿途气象信息;数据处理模块负责在边端及云端进行数据结构化处理;数据传输模块负责将路侧处理好的数据发送至云端的在线仿真模块;在线仿真模块负责利用Gipps跟驰和换道模型对未来短时车辆位置进行预测仿真,根据实时气象数据和路面状态数据利用多元Logistics模型对未来短时交通气象情况和路面状态进行预测仿真;风险判断模块负责根据在线仿真模块获取的参数判断当前交通运行风险状态;可变限速决策模块利用闭环强化学习算法对各种可变限速控制策略进行遍历,利用交通运行风险状态作为目标函数进行最优化选择,最终建立各个条件下的可变限速控制方案,形成控制方案策略库。
进一步的,还包括可变限速信息发布模块,利用路域车道级可变信息标志向道路使用者发布限速信息。
进一步的,所述交通数据采集模块利用毫米波雷达或激光雷达负责实时采集高速公路车辆车道级位置轨迹信息,其车辆位置采集和传输的频率应为毫秒级,车辆位置定位精度应为分米级,能适应全天候及多种气象条件下的车辆位置及车速监测。
进一步的,所述气象数据采集模块采用微气象站负责实时采集高速公路沿途气象信息,包括气温、能见度、降雨量、风力、风向、路面水膜厚度以及路面水膜状态,其信息采集和传输的频率应为秒级,其水膜厚度传感器可监测的水膜高度不小于6000μm,路面状况包括:干、潮、湿、冰、雪/冰、严重潮湿以及危险。
进一步的,所述数据处理模块负责在边端及云端进行数据结构化处理及分析,利用分布式处理方法将雷达车辆轨迹信息和气象信息处理成结构化数据,其输入的雷达车辆轨迹信息为雷达帧数据格式,输出的结构化车辆轨迹数据为基于时间序列的完成全域车辆ID统一及轨迹拼接的具有车辆经纬度坐标及速度信息的车辆轨迹时序数据,时间序列采用UTC时间,与世界时的时间延误应为100毫秒以内。
进一步的,可变限速决策模块依据在线仿真模块的数据作为风险判断模块对未来短时交通运行风险判断的依据,并以未来短时交通运行费风险为目标函数,对可变限速控制方法进行闭环优化,具体内容如下:
1)在线仿真模块负责根据数据采集模块获取的实时车辆位置信息利用Gipps跟驰模型和换道模型对未来短时车辆位置进行平行仿真,同时根据实时气象数据利用多元Logistics模型实现对未来短时交通气象情况进行预测仿真;
2)风险判断模块负责根据实时车辆位置信息、速度信息及气象信息利用基于随机森林模型综合研判当前交通运行风险状态,随机森林是通过多颗决策分类树{h(x,θk)}构成的整体分类器,基于基本交通流参数及气象参数对交通运行风险等级进行预测判断,同时利用在线仿真模块获取未来5min,10min,20min及30min时刻的交通运行风险状态,其中在线仿真模块是应用在线仿真软件,通过采用以实时交通流为初始化参数的仿真模拟未来短时车辆位置速度,并根据仿真结果对交通运行风险进行评价。
进一步的,基于随机森林模型的具体内容为:
1)基于交通特征参数,包括:交通流量、各车道车辆占有率、车辆速度、车辆加速度、车辆相对车道中心线的横向偏移量、各车道车辆密度、车头时距及数据采集模块获取的气象参数,包括:气温、能见度、降雨量、路面水膜厚度、路面状态,以及跟驰风险参数建立数据集,其中跟驰风险参数PET通过下式表达:
PETi是i车在t时刻相对于前车的碰撞时间,因为数据采集到的车辆位置是车头的位置,所以Xi(t)是t时刻i车车头的位置,Xh(t)是t时刻i车前车h车头的位置,lh是h车的车身长度,Vi(t)是t时刻i车的瞬时速度;
2)定义交通风险参数Qi:
Vh(t)是t时刻i车前车h车的瞬时速度,Qi<0.05一次记为高风险交通冲突;
3)以5分钟为一时间片段的长度,以100米为路段长度进行统计,将整条道路分为若干段路段及若干个时间片段,来收集冲突段的交通冲突情况,建立交通冲突数据集;
4)采用K-means聚类算法对每个时间段的每个路段的交通冲突数量,即Qi<0.05的数量进行聚类分析,采用欧氏距离来作为衡量数据点相似性的指标,计算样本集中各个数据点距离初始质点的距离,并采用距离最近原则,将数据点分配至距离最近的质点,即可将相似的数据归为一簇。将交通冲突数据集分为2簇,分别定位为交通冲突高风险(1)、低风险(0);
5)将交通流量、各车道车辆占有率、车辆速度、车辆加速度、车辆相对车道中心线的横向偏移量、各车道车辆密度、车头时距、气温、能见度、降雨量、路面水膜厚度、路面状态作为输入变量并进行数据标准化处理,利用步骤4)中的交通冲突数据集建立原始数据集,并采用探索性因子分析法来对数据维度进行降维处理,得到新数据集;
6)训练基于随机森林的深度学习模型,以新数据集作为输入,交通冲突的高风险(1)和低风险(0)作为标签进行训练,将过抽样后的新数据数目划分为7:3分别作为模型训练集和测试集,选定nTree值为200,即构建200颗分类树组成随机森林;
7)最终获得用于作为可变限速控制依据的交通运行风险研判模型。
进一步的,在线仿真模块获取未来5min,10min,20min及30min时刻的车辆位置及气象信息,利用随机森林模型研判交通运行风险状态,通过在线仿真软件,获取未来5min,10min,20min及30min时刻的交通运行风险等级。
进一步的,可变限速决策模块利用闭环强化学习算法对各种可变限速控制策略进行遍历,其目标函数为交通运行风险状态;具体包括:
1)依据路段长度及车道数量对可变限速板的位置进行初始化设置,对可变限速板显示的速度进行初始化设置,对可变限速板速度变化梯度、速度变化周期进行初始化设置;
2)对可变限速板速度变化阈值进行初始化设置;
3)根据在线仿真模块获取未来短时交通运行风险等级,如果等级为高风险,则对可变限速板显示的限速进行改变,计算该仿真条件下未来短时交通运行风险等级,若仍为高风险,则对当前可变限速策略的可变限速板速度变化梯度、速度变化周期进行遍历调整优化,直至目标函数风险值最低,并将此控制策略纳入可变限速策略库中,由此得到一系列不同工况下的可变限速控制策略。
本发明的有益效果在于:
一、本发明方法构建交通数字孪生系统所用的数据为路侧固定的毫米波雷达和激光雷达检测设备采集数据,采用的是实时的雷达数据,具有检测精度高,检测速度快的特点,通过分布式计算可以实现车辆位置信息实时感知。
二、在线仿真模块负责根据数据采集模块获取的实时车辆位置信息利用Gipps跟驰模型和换道模型对未来短时车辆位置进行预测仿真,同时根据实时气象数据利用基于多元Logistics模型对未来短时交通气象情况进行预测仿真,对于未来个体车辆位置及气象信息可以进行精细化仿真,有利于交通运行风险研判精度大大提高,同时使得可变限速控制效果大大提升;
三、数据分析模块负责根据实时车辆位置信息、速度信息及气象信息利用基于随机森林模型综合研判当前交通运行风险状态,可以利用交通数字孪生系统和平行仿真系统对未来交通状态进行高精度预测,为可变限速控制优化提供目标函数;
四、由于本发明对可变限速控制策略采用闭环优化方法,充分发挥了反馈的重要作用,对系统中不确定性因素或扰动信号可以自适应采取校正行动,提髙了系统稳定性。同时分米级车辆定位数据及高频气象数据,解决了传统交通运行风险预测模型不能在线使用的问题及基于集计化的交通断面数据造成的预测准确度低无法在实际中应用的问题,同时本发明具备可复制推广、鲁棒性强的特点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明的结构示意图;
图2为本发明可变限速控制模块决策流程示意图;
图3为本发明基于交通数字孪生的车道级可变限速控制条件下在线仿真模块示意图;
图4为本发明车道级可变限速的信息发布示意图;
图5为本发明闭环优化算法的流程示意图。
具体实施方式
下面将结合本发明的实施例中,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,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做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。
本发明利用实时高精度车辆轨迹数据及气象数据构建交通数字孪生系统,利用微观仿真模型及交通数字孪生系统实现交通平行仿真,同时通过构建交通运行风险研判模型及闭环强化学习可变限速优化算法,实现未来短时交通运行风险研判及车道级可变限速优化控制方法。
参考图1-5,本发明提供了一种基于平行仿真系统的可变限速控制系统,包括:交通数据采集模块、气象数据采集模块、数据处理模块、数据传输模块、在线仿真模块、风险判断模块、可变限速决策模块和可变限速信息发布模块。所述交通数据采集模块负责实时采集高速公路车辆车道级位置轨迹信息;气象数据采集模块负责实时采集高速公路沿途气象信息;数据处理模块负责在边端及云端进行数据结构化处理;数据传输模块负责将路侧处理好的数据发送至云端的在线仿真模块;在线仿真模块负责利用Gipps跟驰和换道模型对未来短时车辆位置进行预测仿真,根据实时气象数据和路面状态数据利用多元Logistics模型对未来短时交通气象情况和路面状态进行预测仿真;风险判断模块负责根据在线仿真模块获取的参数判断当前交通运行风险状态;可变限速决策模块利用闭环强化学习算法对各种可变限速控制策略进行遍历,利用交通运行风险状态作为目标函数进行最优化选择,最终建立各个条件下的可变限速控制方案,形成控制方案策略库。
具体地,交通数据采集模块采用路侧毫米波雷达或激光雷达负责实时采集高速公路车辆车道级位置轨迹信息,其车辆位置采集和传输的频率应为毫秒级,车辆位置定位精度应为分米级,能适应全天候及多种气象条件下的车辆位置及车速监测。
气象数据采集模块采用微气象站负责实时采集高速公路沿途气象信息,包括气温、能见度、降雨量、风力、风向、路面水膜厚度、路面水膜状态,其信息采集和传输的频率应为秒级,其水膜厚度传感器可监测的水膜高度不小于6000μm,路面状况包括:干、潮、湿、冰、雪/冰、严重潮湿、危险。
数据处理模块负责在边端及云端进行数据结构化处理及分析,利用分布式处理将雷达车辆轨迹信息和气象信息处理成结构化数据。其输入的雷达车辆轨迹信息为雷达帧数据格式,输出的结构化车辆轨迹数据为基于时间序列的完成全域车辆ID统一及轨迹拼接的具有车辆经纬度坐标及速度信息的车辆轨迹时序数据,时间序列采用UTC时间,与世界时的时间延误应为100毫秒以内。
数据传输模块负责将路侧处理好的数据通过光纤或无线信号发射器发送至云端的数据分析模块和可视化展示模块。
在线仿真模块负责根据数据采集模块获取的实时车辆位置信息利用Gipps跟驰模型和换道模型对未来短时车辆位置进行预测仿真,同时根据实时气象数据利用基于多元Logistics模型实现对未来短时交通气象情况进行预测仿真。
对交通数据进行特征提取,实现其系统的抽象与建模,实现对车辆位置的实时映射和超前预测,包括:路网模型(包括道路几何特征、车道划分、路段基本结构)、交通对象(包括路面上行驶的全部车辆类型以及非机动车和行人)、交通轨迹模型(包括:车道转向限制、车道类型限制、车速限制)、车辆产生模型(按照某种车头时距的概率分布规律随机、不断在车源处产生新的车辆)、核心模型(包括跟驰、换道模型,本发明采用Gipps跟驰和换道模型作为车辆主要的驾驶行为的变化依据)。
具体地,由函数生成车辆,车辆的生成满足泊松分布。同一车道相邻两辆车之间的等待时间满足指数分布,根据相邻两辆车之间等待时间均值以及上界和下界进行计算,产生随机车道随机类型车辆以及随机车速。之后车辆进入运行函数,也即进入纵向位移函数计算,换道决策以及横向位移函数计算。
其中跟驰算法即使用Gipps模型中算法,车辆在进入跟驰行为模式之后会自动按照前导车辆与当前车辆的速度与距离关系进行间距计算,并且判断这一间距条件来判断是否安全,同时Gipps模型中对车辆自身速度也存在限制。最后选择通过比较来选择一个合适的速度,进行跟驰行为。
其中换道算法使用Gipps模型中的部分决策树,具体为变道的可行性,体现在当周围感知范围内存在车辆影响变道轨迹时车辆不会发生变道。当车辆感知道车道变道存在可能性的时候,继续进行下一步决策运算,也即车辆会计算一个优先值,来进行目标车道与当前车道的优势度的计算。具体体现在,当当前车道有车而相邻车道没有车时,车辆更具另一个车道占用率以及最大速度来计算一个其进入该车道需要达到的速度以及自身当前的目标车速。将这两者进行对比,返还更为接近的数值,用1/(1+targetVelocity±desiredVelocity)作为期望值来代表。最后车辆在对比两车道的这一期望值对比之下,进行换道选择。
利用随机森林模型综合研判当前交通运行风险状态。
具体地,利用在线仿真模块获取未来5min时刻的交通运行状态,通过采用以实时交通流为初始化参数的仿真模拟未来短时车辆位置速度,并根据仿真结果对交通运行风险进行评价。
提取未来5min,10min,20min及30minmin时刻的交通流量、各车道车辆占有率、车辆速度、车辆加速度、车辆相对车道中心线的横向偏移量、各车道车辆密度、车头时距及数据采集模块获取的气象参数,包括:气温、能见度、降雨量、路面水膜厚度、路面状态(包括:干、潮、湿、冰、雪/冰、严重潮湿、危险),以及跟驰风险参数建立数据集,其中跟驰风险参数PET为:
PETi是i车在t时刻相对于前车的碰撞时间,因为数据采集到的车辆位置是车头的位置,所以Xi(t)是t时刻i车车头的位置,Xh(t)是t时刻i车前车h车头的位置,lh是h车的车身长度,Vi(t)是t时刻i车的瞬时速度;
2)定义交通风险参数Qi:
Vh(t)是t时刻i车前车h车的瞬时速度,Qi<0.05一次记为高风险交通冲突。
以5分钟为一时间片段的长度,以100米为路段长度进行统计,将整条道路分为若干段路段及若干个时间片段,来收集冲突段的交通冲突情况,建立交通冲突数据集。
采用K-means聚类算法对每个时间段的每个路段的交通冲突数量进行聚类分析,采用欧氏距离来作为衡量数据点相似性的指标,计算样本集中各个数据点距离初始质点的距离,并采用距离最近原则,将数据点分配至距离最近的质点,即可将相似的数据归为一簇。
将交通冲突数据集分为2簇,分别定位为交通冲突高风险(1)、低风险(0)。
根据实时气象数据利用基于多元Logistics模型实现未来5min时刻交通气象情况进行预测仿真。
具体地,基于当前时刻及过去1h内的气温、能见度、降雨量、路面水膜厚度参数,以1min尺度进行集计处理,针对气温、能见度、降雨量、路面水膜厚度四个参数分别采用基于多元Logistics模型利用历史时序数据作为输入变量进行预测。
根据功能层需求,预测未来5min时刻气温、能见度、降雨量、路面水膜厚度四个参数值,并输入到在线仿真模块中。
交通流参数和气象参数包括:交通流量、各车道车辆占有率、车辆速度、车辆加速度、车辆相对车道中心线的横向偏移量、各车道车辆密度、车头时距、气温、能见度、降雨量、路面水膜厚度、路面状态,将输入变量进行数据标准化处理。
提取历史数据,如2021年10月1日10:00时刻实测交通流参数和气象参数数据作为输入变量,2021年10月1日10:05实测交通运行风险数据作为标签变量,建立原始数据集,采用探索性因子分析法来对输入变量数据维度进行降维处理,得到新数据集。
训练基于随机森林的机器学习模型,以新数据集作为输入,交通冲突的高风险(1)和低风险(0)作为标签进行训练,将过抽样后的新数据数目划分为7:3分别作为模型训练集和测试集,选定nTree值为200,即构建200颗分类树组成随机森林。
最终获得基于车辆轨迹特征参数及气象参数的交通运行风险研判模型。
在线仿真模块获取未来5min时刻的车辆位置及气象信息,利用随机森林模型研判交通运行风险状态,通过在线仿真软件,获取未来5min时刻的交通运行风险。
依据路段长度及车道数量对可变限速板的位置进行初始化设置,如以苏通大桥为例,采用800米间距在每个车道的上方设置一块可变限速板。
对可变限速板显示的速度进行初始化设置,初始限速为100km/h。
对可变限速板速度变化梯度进行初始化设置,速度变化梯度为5km/h。
对可变限速板速度变化周期进行初始化设置,速度变化周期为1min。
根据苏通大桥交通平行仿真情况获取未来5min时刻交通运行风险等级,如果风险等级>0,则采用初始化设置对可变限速板显示的限速进行改变。计算改变限速后未来5min时刻交通运行风险等级。
将未来5min时刻的交通运行风险作为目标函数,输入到闭环优化算法模型中,本案例以遗传算法为例作为闭环优化算法。
将初始化设置的可变限速方案作为初始化种群输入至遗传算法中,作为种群第一代G=0。
将控制优化决策前后未来5min时刻的交通运行风险的差值作为适应度输入遗传算法。
对初始化变量进行选择、交叉及变异操作,产生下一代种群。
重复上述循环,直至获取适应度最佳的车道级可变限速控制方案。
本发明在传统的交通仿真的基础上,采用了基于交通数字孪生系统的面向交通运行风险的平行仿真系统构建方法,基于交通数字孪生模块,利用车辆实时的车道级轨迹数据、微观跟驰和换道模型及气象数据对当前及未来多尺度交通运行风险进行在线仿真,为可变限速优化提供了有效的支撑。本系统提出了基于闭环强化学习的车道级可变限速优化方法,利用车辆实时的车道级轨迹数据、气象数据、路面状态数据,基于平行仿真技术对当前及未来多尺度交通运行风险进行在线仿真,实现交通数字孪生技术和平行仿真技术的结合及在交通可变限速自优化算法的在线应用,解决了传统可变限速控制不能在线优化的问题及基于集计化的交通断面数据造成的预测准确度低无法在实际中应用的问题,同时本发明具备可复制推广、鲁棒性强的特点。
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 (9)
1.一种基于平行仿真系统的可变限速控制系统,其特征在于,包括:交通数据采集模块、气象数据采集模块、数据处理模块、数据传输模块、在线仿真模块、风险判断模块和可变限速决策模块;所述交通数据采集模块负责实时采集高速公路车辆车道级位置轨迹信息;气象数据采集模块负责实时采集高速公路沿途气象信息;数据处理模块负责在边端及云端进行数据结构化处理;数据传输模块负责将路侧处理好的数据发送至云端的在线仿真模块;在线仿真模块负责利用Gipps跟驰和换道模型对未来短时车辆位置进行预测仿真,根据实时气象数据和路面状态数据利用多元Logistics模型对未来短时交通气象情况和路面状态进行预测仿真;风险判断模块负责根据在线仿真模块获取的参数判断当前交通运行风险状态;可变限速决策模块利用闭环强化学习算法对各种可变限速控制策略进行遍历,利用交通运行风险状态作为目标函数进行最优化选择,最终建立各个条件下的可变限速控制方案,形成控制方案策略库。
2.根据权利要求1所述的一种基于平行仿真系统的可变限速控制系统,其特征在于,还包括可变限速信息发布模块,利用路域车道级可变信息标志向道路使用者发布限速信息。
3.根据权利要求1所述的一种基于平行仿真系统的可变限速控制系统,其特征在于,所述交通数据采集模块利用毫米波雷达或激光雷达负责实时采集高速公路车辆车道级位置轨迹信息,其车辆位置采集和传输的频率应为毫秒级,车辆位置定位精度应为分米级,能适应全天候及多种气象条件下的车辆位置及车速监测。
4.根据权利要求1所述的一种基于平行仿真系统的可变限速控制系统,其特征在于,所述气象数据采集模块采用微气象站负责实时采集高速公路沿途气象信息,包括气温、能见度、降雨量、风力、风向、路面水膜厚度以及路面水膜状态,其信息采集和传输的频率应为秒级,其水膜厚度传感器可监测的水膜高度不小于6000μm,路面状况包括:干、潮、湿、冰、雪/冰、严重潮湿以及危险。
5.根据权利要求1所述的一种基于平行仿真系统的可变限速控制系统,其特征在于,所述数据处理模块负责在边端及云端进行数据结构化处理及分析,利用分布式处理方法将雷达车辆轨迹信息和气象信息处理成结构化数据,其输入的雷达车辆轨迹信息为雷达帧数据格式,输出的结构化车辆轨迹数据为基于时间序列的完成全域车辆ID统一及轨迹拼接的具有车辆经纬度坐标及速度信息的车辆轨迹时序数据,时间序列采用UTC时间,与世界时的时间延误应为100毫秒以内。
6.根据权利要求1所述的一种基于平行仿真系统的可变限速控制系统,其特征在于,可变限速决策模块依据在线仿真模块的数据作为风险判断模块对未来短时交通运行风险判断的依据,并以未来短时交通运行费风险为目标函数,对可变限速控制方法进行闭环优化,具体内容如下:
1)在线仿真模块负责根据数据采集模块获取的实时车辆位置信息利用Gipps跟驰模型和换道模型对未来短时车辆位置进行平行仿真,同时根据实时气象数据利用多元Logistics模型实现对未来短时交通气象情况进行预测仿真;
2)风险判断模块负责根据实时车辆位置信息、速度信息及气象信息利用基于随机森林模型综合研判当前交通运行风险状态,随机森林是通过多颗决策分类树{h(x,θk)}构成的整体分类器,基于基本交通流参数及气象参数对交通运行风险等级进行预测判断,同时利用在线仿真模块获取未来5min,10min,20min及30min时刻的交通运行风险状态,其中在线仿真模块是应用在线仿真软件,通过采用以实时交通流为初始化参数的仿真模拟未来短时车辆位置速度,并根据仿真结果对交通运行风险进行评价。
7.根据权利要求6所述的一种基于平行仿真系统的可变限速控制系统,其特征在于,基于随机森林模型的具体内容为:
1)基于交通特征参数,包括:交通流量、各车道车辆占有率、车辆速度、车辆加速度、车辆相对车道中心线的横向偏移量、各车道车辆密度、车头时距及数据采集模块获取的气象参数,包括:气温、能见度、降雨量、路面水膜厚度、路面状态,以及跟驰风险参数建立数据集,其中跟驰风险参数PET通过下式表达:
PETi是i车在t时刻相对于前车的碰撞时间,因为数据采集到的车辆位置是车头的位置,所以Xi(t)是t时刻i车车头的位置,Xh(t)是t时刻i车前车h车头的位置,lh是h车的车身长度,Vi(t)是t时刻i车的瞬时速度;
2)定义交通风险参数Qi:
Vh(t)是t时刻i车前车h车的瞬时速度,Qi<0.05一次记为高风险交通冲突;
3)以5分钟为一时间片段的长度,以100米为路段长度进行统计,将整条道路分为若干段路段及若干个时间片段,来收集冲突段的交通冲突情况,建立交通冲突数据集;
4)采用K-means聚类算法对每个时间段的每个路段的交通冲突数量,即Qi<0.05的数量进行聚类分析,采用欧氏距离来作为衡量数据点相似性的指标,计算样本集中各个数据点距离初始质点的距离,并采用距离最近原则,将数据点分配至距离最近的质点,即可将相似的数据归为一簇。将交通冲突数据集分为2簇,分别定位为交通冲突高风险(1)、低风险(0);
5)将交通流量、各车道车辆占有率、车辆速度、车辆加速度、车辆相对车道中心线的横向偏移量、各车道车辆密度、车头时距、气温、能见度、降雨量、路面水膜厚度、路面状态作为输入变量并进行数据标准化处理,利用步骤4)中的交通冲突数据集建立原始数据集,并采用探索性因子分析法来对数据维度进行降维处理,得到新数据集;
6)训练基于随机森林的深度学习模型,以新数据集作为输入,交通冲突的高风险(1)和低风险(0)作为标签进行训练,将过抽样后的新数据数目划分为7:3分别作为模型训练集和测试集,选定nTree值为200,即构建200颗分类树组成随机森林;
7)最终获得用于作为可变限速控制依据的交通运行风险研判模型。
8.根据权利要求7所述的一种基于平行仿真系统的可变限速控制系统,其特征在于,在线仿真模块获取未来5min,10min,20min及30min时刻的车辆位置及气象信息,利用随机森林模型研判交通运行风险状态,通过在线仿真软件,获取未来5min,10min,20min及30min时刻的交通运行风险等级。
9.根据权利要求1所述的一种基于平行仿真系统的可变限速控制系统,其特征在于,可变限速决策模块利用闭环强化学习算法对各种可变限速控制策略进行遍历,其目标函数为交通运行风险状态;具体包括:
1)依据路段长度及车道数量对可变限速板的位置进行初始化设置,对可变限速板显示的速度进行初始化设置,对可变限速板速度变化梯度、速度变化周期进行初始化设置;
2)对可变限速板速度变化阈值进行初始化设置;
3)根据在线仿真模块获取未来短时交通运行风险等级,如果等级为高风险,则对可变限速板显示的限速进行改变,计算该仿真条件下未来短时交通运行风险等级,若仍为高风险,则对当前可变限速策略的可变限速板速度变化梯度、速度变化周期进行遍历调整优化,直至目标函数风险值最低,并将此控制策略纳入可变限速策略库中,由此得到一系列不同工况下的可变限速控制策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210843890.7A CN115206103B (zh) | 2022-07-18 | 2022-07-18 | 一种基于平行仿真系统的可变限速控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210843890.7A CN115206103B (zh) | 2022-07-18 | 2022-07-18 | 一种基于平行仿真系统的可变限速控制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115206103A true CN115206103A (zh) | 2022-10-18 |
CN115206103B CN115206103B (zh) | 2023-05-30 |
Family
ID=83581650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210843890.7A Active CN115206103B (zh) | 2022-07-18 | 2022-07-18 | 一种基于平行仿真系统的可变限速控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115206103B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115713860A (zh) * | 2022-11-23 | 2023-02-24 | 浙江省交通运输科学研究院 | 一种基于强化学习的高速公路交通管控方法 |
CN116432448A (zh) * | 2023-04-06 | 2023-07-14 | 西南交通大学 | 基于智能网联车和驾驶员遵从度的可变限速优化方法 |
CN116959254A (zh) * | 2023-08-01 | 2023-10-27 | 同济大学 | 基于时序轨迹数据的车道级可变限速个体遵从度预测方法 |
CN117688782A (zh) * | 2024-01-31 | 2024-03-12 | 天津小铁马科技有限公司 | 一种耗损量预估方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108010360A (zh) * | 2017-12-27 | 2018-05-08 | 中电海康集团有限公司 | 一种基于车路协同的自动驾驶环境感知系统 |
CN111862598A (zh) * | 2020-03-09 | 2020-10-30 | 同济大学 | 一种基于高清卡口数据及事故风险的可变限速控制方法 |
CN112750326A (zh) * | 2021-01-05 | 2021-05-04 | 北京中交国通智能交通系统技术有限公司 | 一种广义车路协同系统和方法 |
CN113327418A (zh) * | 2021-05-31 | 2021-08-31 | 同济大学 | 一种快速路拥堵风险分级实时预测方法 |
CN114067561A (zh) * | 2021-10-25 | 2022-02-18 | 东南大学 | 城市快速道路车路协同主动管控系统的虚拟现实测试方法 |
CN114492544A (zh) * | 2022-04-15 | 2022-05-13 | 腾讯科技(深圳)有限公司 | 模型训练方法及装置、交通事件发生概率评估方法及装置 |
-
2022
- 2022-07-18 CN CN202210843890.7A patent/CN115206103B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108010360A (zh) * | 2017-12-27 | 2018-05-08 | 中电海康集团有限公司 | 一种基于车路协同的自动驾驶环境感知系统 |
CN111862598A (zh) * | 2020-03-09 | 2020-10-30 | 同济大学 | 一种基于高清卡口数据及事故风险的可变限速控制方法 |
CN112750326A (zh) * | 2021-01-05 | 2021-05-04 | 北京中交国通智能交通系统技术有限公司 | 一种广义车路协同系统和方法 |
CN113327418A (zh) * | 2021-05-31 | 2021-08-31 | 同济大学 | 一种快速路拥堵风险分级实时预测方法 |
CN114067561A (zh) * | 2021-10-25 | 2022-02-18 | 东南大学 | 城市快速道路车路协同主动管控系统的虚拟现实测试方法 |
CN114492544A (zh) * | 2022-04-15 | 2022-05-13 | 腾讯科技(深圳)有限公司 | 模型训练方法及装置、交通事件发生概率评估方法及装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115713860A (zh) * | 2022-11-23 | 2023-02-24 | 浙江省交通运输科学研究院 | 一种基于强化学习的高速公路交通管控方法 |
CN115713860B (zh) * | 2022-11-23 | 2023-12-15 | 浙江省交通运输科学研究院 | 一种基于强化学习的高速公路交通管控方法 |
CN116432448A (zh) * | 2023-04-06 | 2023-07-14 | 西南交通大学 | 基于智能网联车和驾驶员遵从度的可变限速优化方法 |
CN116432448B (zh) * | 2023-04-06 | 2024-02-23 | 西南交通大学 | 基于智能网联车和驾驶员遵从度的可变限速优化方法 |
CN116959254A (zh) * | 2023-08-01 | 2023-10-27 | 同济大学 | 基于时序轨迹数据的车道级可变限速个体遵从度预测方法 |
CN117688782A (zh) * | 2024-01-31 | 2024-03-12 | 天津小铁马科技有限公司 | 一种耗损量预估方法、装置、电子设备及存储介质 |
CN117688782B (zh) * | 2024-01-31 | 2024-04-12 | 天津小铁马科技有限公司 | 一种耗损量预估方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115206103B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115206103B (zh) | 一种基于平行仿真系统的可变限速控制系统 | |
CN115081508B (zh) | 一种基于交通数字孪生的交通运行风险平行仿真系统 | |
CN110562258B (zh) | 一种车辆自动换道决策的方法、车载设备和存储介质 | |
CN102722989B (zh) | 基于模糊神经网络的高速公路微气象交通预警方法 | |
CN112224211A (zh) | 基于多自主体交通流的驾驶模拟仿真系统 | |
CN107229973A (zh) | 一种用于车辆自动驾驶的策略网络模型的生成方法及装置 | |
CN107742193A (zh) | 一种基于时变状态转移概率马尔可夫链的行车风险预测方法 | |
CN114385661A (zh) | 一种基于v2x技术的高精地图更新的系统 | |
CN115344052B (zh) | 基于改进的群优化算法的车辆路径控制方法及控制系统 | |
CN111341101A (zh) | 一种大跨度公路桥梁大风行车监测预警系统 | |
CN112991685A (zh) | 考虑驾驶人疲劳状态影响的交通系统风险评估及预警方法 | |
US20220073070A1 (en) | Vehicle draft mode | |
CN116564095A (zh) | 基于cps的重点车辆高速公路隧道预测巡航云控制方法 | |
CN116434523A (zh) | 信息感知场景下基于约束度的车辆主动安全管控方法及装置 | |
CN113592221B (zh) | 基于安全替代评价指标的道路路段风险动态评估方法 | |
Wang et al. | ARIMA Model and Few‐Shot Learning for Vehicle Speed Time Series Analysis and Prediction | |
CN115512538B (zh) | 一种基于碳排放的可变限速控制方法及系统 | |
Phanse et al. | Modelling and simulation of road traffic under rainy conditions | |
CN117521389A (zh) | 一种基于车路协同感知仿真平台的车辆感知测试方法 | |
CN117238139A (zh) | 一种基于气象数据的路况实时预警系统 | |
Liu et al. | Digital twin of highway entrances and exits: A traffic risk identification method | |
Shan et al. | Vehicle collision risk estimation based on RGB-D camera for urban road | |
CN114495486B (zh) | 一种基于层次强化学习的微观交通流预测系统及方法 | |
KR102477885B1 (ko) | 자율주행 도로의 주행 안전도를 평가하는 안전도 분석 관리 서버 | |
CN114987495A (zh) | 一种面向高度自动驾驶的人机混合决策方法 |
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 |