CN115620508A - 用于预测交通信息的设备及其方法 - Google Patents

用于预测交通信息的设备及其方法 Download PDF

Info

Publication number
CN115620508A
CN115620508A CN202210164758.3A CN202210164758A CN115620508A CN 115620508 A CN115620508 A CN 115620508A CN 202210164758 A CN202210164758 A CN 202210164758A CN 115620508 A CN115620508 A CN 115620508A
Authority
CN
China
Prior art keywords
traffic information
road segment
target road
target
speed
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.)
Pending
Application number
CN202210164758.3A
Other languages
English (en)
Inventor
金泰宪
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.)
Hyundai Motor Co
Kia Corp
Original Assignee
Hyundai Motor Co
Kia Corp
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 Hyundai Motor Co, Kia Corp filed Critical Hyundai Motor Co
Publication of CN115620508A publication Critical patent/CN115620508A/zh
Pending legal-status Critical Current

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
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • 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
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • 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
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)

Abstract

公开了用于预测交通信息的设备及其方法。用于预测交通信息的设备，包括：存储器，存储交通信息预测模型；以及控制器，被配置为基于交通量和车辆密度计算目标路段的拥塞转移速率WAB，并且将拥塞转移速率、目标路段的速度、目标路段前面的路段的速度、以及目标路段后面的路段的速度输入到交通信息预测模型以估计目标路段的交通信息。

Description

用于预测交通信息的设备及其方法
相关申请
本申请要求于2021年7月14日提交给韩国知识产权局的韩国专利申请第10-2021-0092504号的权益，通过引用将其全部内容结合在此。
技术领域
本公开涉及使用模型来预测交通信息的设备和方法，更具体地，涉及利用结合了基于拥塞转移速率的机器学习的交通信息预测模型来预测交通信息的设备和方法。
背景技术
当前提供的交通信息对应于基于过去的速度模式预测的信息。换言之，当前交通信息(例如，速度信息)是在假设将在一天的同一时间产生相似的速度的情况下使用先前的速度模式得出的。
当使用过去的同一天和时间段的交通信息时，例如，使用2月3日，星期一，9：00AM至9：05AM的速度和2月10日，星期一，9：00，AM至9：05，AM的速度预测3月2日，星期一，9：00AM至9：05AM的速度。
然而，因为能够在对应时间点表现的异常(例如，诸如天气或者季节的变化)可以在根据过去的模式的速度方面有不同地变化，并且因为交通量会每时每刻变化，所以不合适的数据会用于速度预测。换言之，在相同的时间段保持相似的速度的假设很可能增加预测交通信息时发生错误的可能性。
同时，正在研究侦测车(在下文中称为“侦测器”)的形式量的变化是否影响运输以预测交通信息。在这种情况下，能够基于GPS发生的时间宏观地预测拥堵时间，但是由于对侦测样本的数量的限制，在微观方面(诸如，以链路(待预测的道路)为单位的每个时间段的速度预测)的预测中存在限制。
因此，当使用过去模式速度时，需要使用类似交通状态的速度，而不是仅相同时间段中的速度。同时，对应于车辆密度的密度被认为是在交通工程中能够最客观地确定交通状态的有效量度。
关于密度估计的研究可通过拍摄有限路段的道路的图像来计算相应路段的平均车辆数量，并且可通过图像拍摄来识别真实道路上的所有车辆的数量，但是当例如在交通预测时一直需要密度数据时，在确保数据方面具有局限性。
背景技术中描述的细节被写入以增强对本公开的背景的理解，其可包括细节但并不是本领域技术人员熟知的现有技术。
发明内容
本发明的方面提供一种用于预测交通信息的设备及其方法，该设备基于交通量信息和密度信息计算目标路段的拥塞转移速率；使用拥塞转移速率、目标路段的速度、目标路段前面的路段的速度和目标路段后面的路段的速度来学习交通信息预测模型；并且基于交通信息预测模型预测目标路段的交通信息以在不同于过去的交通情形下以高准确度预测交通信息。
本公开的目的不限于前述目的，并且本文中未提及的任何其他目的和优点将从以下描述中清楚地理解，并且可通过本公开的实施方式更清楚地了解。此外，可以容易地看出，本公开的目的和优点可以通过权利要求中指示的设备和/或方法及其组合来实现。
根据本公开的一方面，一种用于预测交通信息的设备可以包括：存储器，存储交通信息预测模型；以及控制器，基于交通量和车辆密度计算目标路段的拥塞转移速率WAB，并且将拥塞转移速率、目标路段的速度、目标路段前面的路段的速度、以及目标路段后面的路段的速度输入到交通信息预测模型以估计目标路段的交通信息。
在本公开的实施例中，控制器可以计算拥塞转移速率。
在本公开的实施例中，存储器还可存储交通量估计模型。
在本公开的实施方式中，控制器可基于交通量估计模型来估计对应于在基准时间期间经过目标路段的特定点的侦测车的数量的目标路段上的交通量。
在本公开的实施方式中，控制器可基于间隔距离计算车辆密度。
在本公开的实施方式中，控制器可使用侦测车与前方车辆之间的间隙和前方车辆的长度计算间隔距离。
在本公开的实施方式中，控制器可基于以下等式4计算车辆密度。
在本公开的实施例中，交通信息可包括目标路段的平均通过速度或通过目标路段所花费的时间中的至少一个。
根据本公开的另一方面，一种用于预测交通信息的方法可以包括：通过存储器存储交通信息预测模型；通过控制器基于交通量和车辆密度计算目标路段的拥塞转移速率WAB；并且通过控制器将拥塞转移速率、目标路段的速度、目标路段前面的路段的速度、以及目标路段后面的路段的速度输入到交通信息预测模型以估计目标路段的交通信息。
在本公开的实施例中，计算拥塞转移速率可包括计算拥塞转移速率。
在本公开的实施方式中，该方法可进一步包括由存储器存储交通量估计模型。
在本公开的实施方式中，拥塞转移速率的计算可包括：基于交通量估计模型估计目标路段上的交通量，该交通量对应于在基准时间期间经过目标路段的特定点的侦测车的数量。
在本公开的实施方式中，拥塞转移速率的计算可包括：使用侦测车与前方车辆之间的间隙和前方车辆的长度计算间隔距离，并且基于间隔距离计算车辆密度。
在本公开的实施方式中，计算车辆密度可包括计算车辆密度。
在本公开的实施方式中，该方法可进一步包括通过输出设备输出交通信息。
附图说明
从以下结合附图的详细描述中，本公开的上述和其他目的、特征以及优点将变得更加显而易见：
图1是示出根据本公开的实施方式的用于预测交通信息的设备的配置的框图；
图2是示出了根据本公开的实施方式的在用于预测交通信息的设备中设置的存储器中存储的交通量估计模型的示图；
图3是示出了在根据本公开的实施方式的用于预测交通信息的设备中设置的控制器中计算间隔距离的过程的示图；
图4是示出了根据本公开的实施方式的在用于预测交通信息的设备中提供的控制器中基于间隔距离估计密度的过程的示图；
图5是示出在根据本公开的实施方式的用于预测交通信息的设备中设置的控制器中计算目标路段的拥塞转移速率的过程的示图；
图6是示出根据本公开的实施方式的用于预测交通信息的方法的流程图；以及
图7是示出根据本公开的实施方式的用于执行用于预测交通信息的方法的计算系统的框图。
具体实施方式
要理解的是，在本文中使用的术语“车辆”或“车辆的”或其他类似术语包括机动车辆，通常，例如，客用汽车，包括运动型多用途车辆(SUV)、公共汽车、卡车、各种商用车辆、船只(包括各种船只和船舶)、飞机等，并且包括混合动力车辆、电动车辆、插电式混合电动车辆、氢动力车辆以及其他可替代的燃料车辆(例如，从除了石油以外的资源获得的燃料)。如本文所提及的，混合动力车辆是具有两种或更多种动力源的车辆，例如，汽油动力和电动车辆。
本文中使用的术语仅用于描述具体实施方式的目的，而并非旨在限制本公开。除非上下文另有明确指示，否则如本文所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式。还应当理解，当在本说明书中使用术语“包括(comprises)”和/或“包含(comprising)”时，其指定所述特征、整体、步骤、操作、元件和/或部件的存在，但不排除一个或多个其他特征、整体、步骤、操作、元件、部件和/或其组合的存在或添加。如本文所使用的，术语“和/或”包括一个或多个相关列出项的任何和所有组合。在整个说明书中，除非明确地描述为相反，否则词语“包括(comprise)”以及诸如“包含(comprises)”或“含有(comprising)”的变形将被理解为暗示包含所述元件，但不排除任何其他元件。此外，说明书中描述的术语“单元”、“器”、“块”和“模块”意指用于处理至少一个功能和操作的单元，并且可以通过硬件组件或软件组件及其组合来实现。
此外，本公开的控制逻辑可体现为在计算机可读介质上的非易失性计算机可读介质，该计算机可读介质包含由处理器、控制器等执行的可执行程序指令。计算机可读介质的实例包括但不限于ROM、RAM、光盘(CD)-ROM、磁带、软盘、闪存驱动器、智能卡和光学数据存储设备。计算机可读介质还可分布在网络耦接的计算机系统中，使得计算机可读介质以分布式方式存储和执行，例如通过远程信息处理服务器或控制器局域网(CAN)。
在下文中，将参考附图详细描述本公开的一些实施方式。另外，在各附图的构成要素上附加附图标记时，在其他附图中显示相同的构成要素的情况下，也以相同的附图标记表示该构成要素。此外，在描述本公开的实施方式时，将排除众所周知的特征或功能的详细描述，以免不必要地模糊本公开的主旨。
在描述根据本公开的实施方式的部件时，可以使用诸如第一、第二、“A”、“B”、(a)、(b)等的术语。这些术语仅旨在区分一个部件与另一个部件，并且这些术语不限制组成部件的性质、顺序或顺序。此外，除非另有定义，否则本文中使用的所有术语(包括技术或科学术语)具有与本公开所属领域的技术人员通常理解的含义相同的含义。如在通常使用的词典中定义的那些术语应被解释为具有与相关领域中的上下文含义相等的含义，并且不应被解释为具有理想的或过于正式的含义，除非在本申请中明确定义为具有理想的或过于正式的含义。
图1是示出根据本公开的实施方式的用于预测交通信息的设备的配置的框图。
如图1所示，根据本公开的实施方式的用于预测交通信息的设备100可包括存储器10、通信设备20、输出设备30以及控制器40。在这样的情况下，取决于执行根据本公开的实施例的用于预测交通信息的设备100的方式，各个组件可以被组合成一个组件，并且一些组件可以被省略。
首先看相应组件，存储器10可以存储在以下过程中需要的各种逻辑、算法和程序：基于交通量信息和密度信息计算目标路段的拥塞转移速率；使用拥塞转移速率、目标路段的速度、目标路段前面的路段的速度、以及目标路段后面的路段的速度学习交通信息预测模型；以及基于交通信息预测模型预测目标路段的交通信息。
另外，存储器10也可以存储交通量估计模型，该交通量估计模型用于基于基准时间(例如1小时)内经过目标路段的特定点的侦测车的数量来估计目标路段的交通量。这种交通量估计模型的实例如图2所示。
图2是示出了根据本公开的实施方式的在用于预测交通信息的设备中设置的存储器中存储的交通量估计模型的示图。横轴表示侦测车的数量，纵轴表示交通量。例如，当在基准时间(例如，1小时)期间经过目标路段的特定点的侦测车200的数量是qi时，目标路段上的交通量可以是Qi。
可通过对由图1的侦测车检测器300检测的侦测车200的数量和指定为侦测车200的普通车辆(服务订阅车辆)的数量执行回归分析来生成这种交通量估计模型。
存储器10可存储用于基于从侦测车200接收的侦测数据来计算间隔距离并且基于间隔距离来计算车辆密度的逻辑。
这样的存储器10可以包括至少一种类型的存储介质，诸如闪存型存储器、硬盘型存储器、微型存储器、卡型存储器(例如，安全数字(SD)卡或极限数字(XD)卡)、随机存取存储器(RAM)、静态RAM(SRAM)、只读存储器(ROM)、可编程ROM(PROM)、电可擦除PROM(EEPROM)、磁RAM(MRAM)、磁盘和光盘。
通信设备20可以是用于提供与在道路上行驶的侦测车200的通信接口以及与位于道路上的特定点处的侦测车检测器300的通信接口的模块，其可以周期性地从侦测车200和侦测车检测器300接收侦测数据。在这种情况下，通过通信设备20从侦测车200接收的侦测数据可包括标识信息(ID)、行驶速度、位置(例如，全球定位系统(GPS)位置)、前方车辆的长度、侦测车200和前方车辆之间的间隙、或者侦测车200和后方车辆之间的间隙。通过通信设备20从侦测车检测器300接收的侦测数据可包括标识信息(ID)、行驶速度、前方车辆的长度、侦测车200和前方车辆之间的间隙、或者侦测车200和后方车辆之间的间隙。这种侦测车200可具有作为车辆终端的远程信息处理终端。此外，侦测车200可通过前方传感器获得侦测车200与前方车辆之间的间隙，可通过后方传感器获得侦测车200与后方车辆之间的间隙，并且可通过前视摄像头获得前方车辆的长度。在这种情况下，侦测车200可根据前方车辆的后部形状或侧面形状来区分车辆类型(例如，客车、厢式车、SUV、卡车等)，并且可根据车辆类型预先存储长度。
这种通信设备20可包括用于与侦测车200和侦测车检测器300通信的移动通信模块、无线互联网模块和短程通信模块中的至少一个。
移动通信模块可通过根据移动通信的技术标准或通信方案(例如，全球移动通信系统(GSM)、码分多址(CDMA)、码分多址2000(CDMA2000)、增强型语音数据优化或仅增强型语音数据(EV-DO)、宽带CDMA(WCDMA)、高速下行链路分组接入(HSDPA)、高速上行链路分组接入(HSUPA)、长期演进(LTE)、高级长期演进(LTE-A)等)、第四代(4G)移动电信或第五代(5G)移动电信建立的移动通信网络与侦测车200和侦测车检测器300通信。
无线互联网模块可以是用于无线互联网接入的模块，其可通过无线LAN(WLAN)、无线保真(Wi-Fi)、Wi-Fi直连、数字生活网络联盟(DLNA)、无线宽带(WiBro)、全球微波互联接入(WiMAX)、高速下行链路分组接入(HSDPA)、高速上行链路分组接入(HSUPA)、长期演进(LTE)、高级长期演进(LTE-A)等与侦测车200和侦测车检测器300通信。
短程通信模块可使用蓝牙TM、射频识别(RFID)、红外数据协会(IrDA)、超宽带(UWB)、ZigBee、近场通信(NFC)和无线通用串行总线(USB)技术中的至少一者来支持短程通信。
图1的输出设备30可以向用户提供由图1的控制器40预测的目标路段的交通信息。在这种情况下，交通信息可以包括目标路段的通过速度(平均速度)、目标路段的最小速度、目标路段的最大速度、经过目标路段所花费的时间等。
控制器40可以执行整体控制，使得各个组件可以正常地执行其自身的功能。这样的控制器40可以以硬件的形式实现，可以以软件的形式实现，或者可以以其组合的形式实现。优选地，控制器40可以实施为但不限于微处理器。
具体地，控制器40可以在以下过程中执行各种控制：基于交通量信息和密度信息计算目标路段的拥塞转移速率；使用拥塞转移速率、目标路段的速度、目标路段前面的路段的速度、以及目标路段后面的路段的速度学习交通信息预测模型；并且基于交通信息预测模型预测目标路段的交通信息。在这种情况下，控制器40可基于侦测数据来检测目标路段的速度、目标路段前方的路段的速度以及目标路段后方的路段的速度。
控制器40可基于存储在存储器10中的交通量估计模型来估计与在基准时间(例如，1小时)期间经过目标路段的特定点的侦测车200的数量对应的交通量。
控制器40可基于从侦测车200和侦测车检测器300获得的侦测数据来估计目标路段的密度(例如，车辆密度)。换言之，控制器40可基于侦测数据计算间隔距离并且可基于间隔距离计算密度。
在下文中，将参照图3和图4详细地描述在控制器40中估计密度的过程。
图3是示出了在根据本公开的实施方式的用于预测交通信息的设备中设置的控制器中计算间隔距离的过程的示图。图4是示出在根据本公开的实施方式的用于预测交通信息的设备中设置的控制器中基于间隔距离估计密度的过程的示图。
如图3所示，图1的控制器40可基于从侦测车200接收的在侦测车200和前方车辆400之间的间隙以及前方车辆400的长度计算间隔距离。换言之，控制器40可通过将侦测车200与前方车辆400之间的间隙与前方车辆400的长度相加来计算间隔距离。例如，当侦测车200和前方车辆400之间的间隙是60m时，并且当前方车辆400的长度是9m时，间隔距离是69m(＝60m+9m)。
此后，控制器40可通过从多个侦测车200接收的多个间隔距离的N个样本估计群体(population)的平均间隔距离。在这种情况下，当间隔距离的样本的数量为N时，当间隔距离的N个样本的平均值为E(x)时，并且当间隔距离的N个样本的标准偏差为s时，群体的平均间隔距离μ可表示为分布t之后的统计T。此统计T可表示为下面的等式1。
(等式1)：
Figure BDA0003515623900000111
在本文中，以上等式1可表示为如图4中所示的图示。在图4中，当自由度是N-1并且当95％置信水平的极限值是α时，T可以表示为以下针对α的等式2。在这种情况下，群体的平均间隔距离μ可表示为具有范围a至b的以下等式3。
(等式2)
-α≤T≤α
(等式3)
a≤μ≤b
当如以上等式3得出群体的平均间隔距离μ时，控制器40可得出具有特定长度的特定路段的密度K，如以下等式4。
Figure BDA0003515623900000121
在本文中，L表示特定路段的长度，a表示群体的平均间隔距离μ的最小值，并且b表示群体的平均间隔距离μ的最大值。
同时，如图5所示，控制器40可以基于交通量和密度计算目标路段的拥塞转移速率。
图5是示出在根据本公开的实施方式的用于预测交通信息的设备中设置的控制器中计算目标路段的拥塞转移速率的过程的示图。
在图5中，路段A表示发生拥塞的路段，路段B表示目标路段，并且路段C表示目标路段后面的路段。
图1的控制器40可估计与路段A上的侦测车200的数量对应的交通量(车辆数量/h)，可估计与路段B上的侦测车200的数量对应的交通量，并且可检测路段A的密度(车辆数量/km)，并且可检测路段B的密度。
此后，控制器40可以基于以下等式5计算拥塞从路段A转移到路段B的速度(在下文中，称为路段B的拥塞转移速率)。
(等式5)
Figure BDA0003515623900000131
这里，qA表示路段A上的交通量，qB表示路段B上的交通量，kA表示路段A的密度，kB表示路段B的密度。作为实例，当qA为800，qB为1200，kA为50，并且kB为30时，路段B的拥塞转移速率变为-20km/h。
此后，控制器40可基于侦测数据计算路段A的速度(平均通过速度)、路段B的速度以及路段C的速度。
此后，控制器40可以基于其机器学习完成的交通信息预测模型根据路段B的拥塞转移速率、路段A的速度、路段B的速度、以及路段C的速度，估计路段B的交通信息。在这种情况下，交通信息可以是从当前时间点开始的特定时间(例如，2小时)内的路段B的交通信息，其可以包括路段B的平均通过速度或经过路段B花费的时间。
同时，当接收目标路段的拥塞转移速率、目标路段的速度、目标路段前面的路段的速度、以及目标路段后面的路段的速度时，控制器40可以学习交通信息预测模型以输出目标路段的预测交通信息。在此，控制器40可以将交通信息预测模型实施为随机森林。在这种情况下，目标函数可以将均方根误差(RMSE)或参数调谐设置为随机搜索，并且可以将验证设置为交叉验证(k：10)。
图6是示出根据本公开的实施方式的用于预测交通信息的方法的流程图。
首先，在操作601中，图1的存储器10可存储交通信息预测模型。
在操作602中，图1的控制器40可基于交通量和车辆密度计算目标路段的拥塞转移速率。
在操作603中，控制器40可以向交通信息预测模型输入拥塞转移速率、目标路段的速度、目标路段前面的路段的速度、以及目标路段后面的路段的速度，以估计目标路段的交通信息。
图7是示出根据本公开的实施方式的用于执行用于预测交通信息的方法的计算系统的框图。
参照图7，根据本公开的实施方式的用于预测交通信息的方法可以由计算系统实施。计算系统1000可以包括经由系统总线1200彼此连接的至少处理器1100、内存1300、用户接口输入设备1400、用户接口输出设备1500、存储器1600和网络接口1700。
处理器1100可以是处理存储在内存1300和/或存储器1600中的指令的中央处理单元(CPU)或半导体器件。内存1300和存储器1600可以包括各种类型的易失性或非易失性存储介质。例如，内存1300可以包括ROM(只读存储器)1310和RAM(随机存取存储器)1320。
由此，结合本文所公开的实施例描述的方法或算法的操作可直接通过硬件或由处理器1100执行的软件模块或其组合来实现。软件模块可驻留在诸如RAM、闪存、ROM、EPROM、EEPROM、寄存器、硬盘、SSD(固态驱动器)、可移动盘和CD-ROM的存储介质(即，内存1300和/或存储器1600)上。示例性存储介质可耦接到处理器1100。处理器1100可从存储介质读出信息，并可将信息写入存储介质中。可替换地，存储介质可以与处理器1100集成。处理器和存储介质可存在于专用集成电路(ASIC)中。ASIC可位于用户终端内。在另一种情况下，处理器和存储介质可作为分开的组件位于用户终端中。
根据本公开的实施方式的用于预测交通信息的设备及其方法可以被提供以基于交通量信息和密度信息计算目标路段的拥塞转移速率，使用拥塞转移速率、目标路段的速度、目标路段前面的路段的速度、以及目标路段后面的路段的速度来学习交通信息预测模型，并且基于交通信息预测模型预测目标路段的交通信息，从而在与过去不同的交通情况中以高准确度预测交通信息。
在上文中，虽然已经参考示例性实施方式和附图描述了本公开，但是本公开不限于此，而是在不背离在所附权利要求中要求保护的本公开的精神和范围的情况下，可由本公开所属领域的技术人员进行各种修改和改变。
因此，提供本公开的示例性实施方式来解释本公开的精神和范围，但不限制它们，使得本公开的精神和范围不受实施方式的限制。本公开的范围应基于所附权利要求来解释，并且与权利要求等同的范围内的所有技术构思应包括在本公开的范围内。

Claims (17)

1.一种用于预测交通信息的设备，所述设备包括：
存储器，存储交通信息预测模型；以及
控制器，被配置成用于基于交通量和车辆密度计算目标路段的拥塞转移速率WAB并且将所述拥塞转移速率、所述目标路段的速度、所述目标路段前面的路段的速度以及所述目标路段后面的路段的速度输入到所述交通信息预测模型，以估计所述目标路段的交通信息。
2.根据权利要求1所述的设备，其中，所述控制器基于以下等式计算所述拥塞转移速率WAB：
Figure FDA0003515623890000011
其中，qA表示所述目标路段后面的路段的交通量，qB表示所述目标路段上的交通量，kA表示所述目标路段后面的路段的密度，kB表示所述目标路段的密度。
3.根据权利要求1所述的设备，其中，所述存储器还存储交通量估计模型。
4.权利要求3的设备，其中，所述控制器基于所述交通量估计模型，估计所述目标路段上的交通量，所述目标路段上的交通量对应于在基准时间期间经过所述目标路段的特定点的侦测车的数量。
5.根据权利要求1所述的设备，其中，所述控制器基于间隔距离计算所述车辆密度。
6.根据权利要求5所述的设备，其中，所述控制器使用侦测车与前方车辆之间的间隙以及所述前方车辆的长度来计算所述间隔距离。
7.根据权利要求5所述的设备，其中，所述控制器基于以下等式计算所述车辆密度：
Figure FDA0003515623890000021
其中，L表示所述目标路段的长度，a表示群体的平均间隔距离μ的最小值，并且b表示群体的平均间隔距离μ的最大值。
8.根据权利要求1所述的设备，其中，所述交通信息包括所述目标路段的平均通过速度和通过所述目标路段所花费的时间中的至少一者。
9.根据权利要求1所述的设备，进一步包括：
输出设备，被配置为输出所述交通信息。
10.一种用于预测交通信息的方法，所述方法包括：
通过存储器存储交通信息预测模型；
由控制器基于交通量和车辆密度计算目标路段的拥塞转移速率WAB；以及
由控制器将所述拥塞转移速率、所述目标路段的速度、所述目标路段前面的路段的速度以及所述目标路段后面的路段的速度输入到所述交通信息预测模型，以估计所述目标路段的交通信息。
11.根据权利要求10所述的方法，其中，计算拥塞转移速率包括：
基于以下等式计算所述拥塞转移速率WAB：
Figure FDA0003515623890000031
其中，qA表示所述目标路段后面的路段的交通量，qB表示所述目标路段上的交通量，kA表示所述目标路段后面的路段的密度，kB表示所述目标路段的密度。
12.根据权利要求10所述的方法，进一步包括：
由所述存储器存储交通量估计模型。
13.根据权利要求12所述的方法，其中，计算拥塞转移速率包括：
基于所述交通量估计模型，估计所述目标路段上的交通量，所述目标路段上的交通量对应于在基准时间内通过所述目标路段的特定点的侦测车的数量。
14.根据权利要求10所述的方法，其中，计算拥塞转移速率包括：
使用侦测车与前方车辆之间的间隙和前方车辆的长度来计算间隔距离；以及
基于所述间隔距离计算所述车辆密度。
15.根据权利要求14所述的方法，其中，计算所述车辆密度包括：
基于以下等式计算所述车辆密度：
Figure FDA0003515623890000032
其中，L表示所述目标路段的长度，a表示群体的平均间隔距离μ的最小值，并且b表示群体的平均间隔距离μ的最大值。
16.根据权利要求10所述的方法，其中，所述交通信息包括所述目标路段的平均通过速度和通过所述目标路段所花费的时间中的至少一者。
17.根据权利要求10所述的方法，进一步包括：
通过输出设备输出所述交通信息。
CN202210164758.3A 2021-07-14 2022-02-22 用于预测交通信息的设备及其方法 Pending CN115620508A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210092504A KR20230011810A (ko) 2021-07-14 2021-07-14 교통정보 예측 장치 및 그 방법
KR10-2021-0092504 2021-07-14

Publications (1)

Publication Number Publication Date
CN115620508A true CN115620508A (zh) 2023-01-17

Family

ID=84857105

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210164758.3A Pending CN115620508A (zh) 2021-07-14 2022-02-22 用于预测交通信息的设备及其方法

Country Status (3)

Country Link
US (1) US20230024838A1 (zh)
KR (1) KR20230011810A (zh)
CN (1) CN115620508A (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230311928A1 (en) * 2022-03-29 2023-10-05 Nissan North America, Inc. Traffic State Determination

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8897948B2 (en) * 2010-09-27 2014-11-25 Toyota Systems and methods for estimating local traffic flow
US11222532B2 (en) * 2016-07-13 2022-01-11 Nec Corporation Traffic control support system, traffic control support method, and program recording medium

Also Published As

Publication number Publication date
US20230024838A1 (en) 2023-01-26
KR20230011810A (ko) 2023-01-25

Similar Documents

Publication Publication Date Title
KR20220031607A (ko) 주변 차량 인지 시스템 및 방법
US20160308887A1 (en) In-vehicle network intrusion detection system and method for controlling the same
US9632182B2 (en) Vehicle positioning apparatus and method
CN109872412B (zh) 处理器实施方法和包括众包选择模块的车辆
US10269245B2 (en) Server, system, and method for determining a position of an end of a traffic jam
US20190047575A1 (en) Method for determining a coefficient of friction for a contact between a tire of a vehicle and a roadway, and method for controlling a vehicle function of a vehicle
CN111179589B (zh) 车辆od预测的方法、装置、设备及存储介质
JP5745070B2 (ja) 局地的な交通流を推計するシステムおよび方法
US10249193B2 (en) Hybrid interface selection for heterogeneous vehicular communications
US11766950B2 (en) Parameterization of an electric vehicle's energy consumption
US11643082B2 (en) Systems and methods for determining real-time lane level snow accumulation
CN115620508A (zh) 用于预测交通信息的设备及其方法
US12013251B2 (en) Dynamic map generation with focus on construction and localization field of technology
US20230184563A1 (en) Connected vehicle-based road surface quality determination
US20220163339A1 (en) Device and method for controlling travel of vehicle
CN116476843A (zh) 目标滑移估计
CN111488417A (zh) 信息处理方法、系统、装置、设备及计算机存储介质
CN112712608B (zh) 用于通过车辆收集性能数据的系统和方法
CN113963530B (zh) 交通信息提供设备和方法
US11641571B2 (en) Communication device, communication method, non-transitory computer-readable storage medium storing communication program, and vehicle
US10924428B2 (en) Onboard device and method of transmitting probe data
KR20230016492A (ko) 내비게이션 경로 탐색 장치 및 그 방법
EP3640679A1 (en) A method for assigning ego vehicle to a lane
KR20230116534A (ko) 교통정보 예측 장치 및 그 방법
Ahlers et al. Cooperative laserscanner pre-data-fusion

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