CN116153079B - 基于车辆轨迹分析的道路车流量预测方法及装置 - Google Patents
基于车辆轨迹分析的道路车流量预测方法及装置 Download PDFInfo
- Publication number
- CN116153079B CN116153079B CN202310404703.XA CN202310404703A CN116153079B CN 116153079 B CN116153079 B CN 116153079B CN 202310404703 A CN202310404703 A CN 202310404703A CN 116153079 B CN116153079 B CN 116153079B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- intersection
- road
- running
- congestion
- 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 38
- 238000004458 analytical method Methods 0.000 title claims abstract description 33
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 60
- 239000011159 matrix material Substances 0.000 claims description 28
- 230000008859 change Effects 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000011897 real-time detection Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 4
- 206010021033 Hypomenorrhoea Diseases 0.000 claims description 3
- 230000008569 process Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- G06Q50/40—Business processes related to the transportation industry
-
- 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
-
- 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
- G08G1/065—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
-
- 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)
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Analytical Chemistry (AREA)
- Economics (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种基于车辆轨迹分析的道路车流量预测方法及装置,预测方法步骤包括:S01.构建各车辆的运行轨迹函数,以及使用等待因子以及各路口各个行驶方向的路口拥堵因数建立各车辆的运行路线预测模型;S02.实时检测各车辆到达的路口以及对应时间,根据运行路线预测模型预测各车辆未来时段将经过的路口以及预计到达时间并更新模型;S03.根据各车辆的预测信息计算未来时间段的各路口各个方向的路口拥堵因数;S04.将路口拥堵因数输入至各车辆的运行路线预测模型中进行迭代计算,得到各车辆的运行路线预测结果;S05.根据各车辆的运行路线预测结果计算道路车流量。本发明具有实现简单、预测效率以及精度高等优点。
Description
技术领域
本发明涉及智能交通领域,尤其涉及一种基于车辆轨迹分析的道路车流量预测方法及装置。
背景技术
车流量预测是智能交通领域的重要内容,而受限于道路感知能力的不足,目前车流量预测通常仅是基于当前在线用户移动状况提供道路车流实时拥堵情况,例如百度、高德和腾讯等导航软件,而该类预测方式准确率低、速度慢,且实际只能实现实时状态的道路车流量计算,无法预测未来时间段的车流量,进而无法在道路发生拥堵前预测出拥堵情况而提醒用户提前进行规避,因此实际难以为用户提供良好的体验,也无法有效缓解城市拥堵问题。
为实现道路车流量预测,有从业者提出通过使用道路的历史流量数据训练预测模型,再将实时的车流量信息输入至预测模型中实现到路车流量预测的方式,如专利申请CN109300310A公开的车流量预测方法,但是上述方法仅仅是直接对历史车流量数据进行处理实现预测,而不同司机的驾驶习惯不同,司机对于路线的选择也是会动态发生变化的,例如由于拥堵可能更改路线,因而直接利用历史车流量数据实际就难以训练出精准的预测模型,且还会需要依赖于执行大量的模型训练过程。专利申请 CN110164127A公开一种车流量预测方法,通过获取多种数据源的车流量数据以及对每种数据源均建立对应的初始预测模型,综合各种数据源利用初始预测模型的预测结果的得到最终的预测值。但是上述方法,仍然也是直接对道路的历史流量数据进行处理实现预测,而忽略了不同车辆的行驶路线是动态变化的,因而实际就难以对未来时段的车流量实现精准的预测。
发明内容
本发明要解决的技术问题是克服现有技术的不足,提供一种实现简单、成本低、预测效率以及精度高的基于车辆轨迹分析的道路车流量预测方法及装置。
为解决上述技术问题,本发明提出的技术方案为:
一种基于车辆轨迹分析的道路车流量预测方法,步骤包括:
S01.预先获取在指定交通区域范围内出现的各车辆的运行轨迹信息,构建各车辆的运行轨迹函数,以及使用等待因子以及各路口各个行驶方向的路口拥堵因数建立各车辆的运行路线预测模型,所述等待因子根据各车辆的运行轨迹函数计算得到,所述等待因子为用于表征对应车辆根据路口拥堵状态选择更改线路的概率的参数,所述路口拥堵因数为用于表征对应路口的拥堵状态的参数;
S02.当需要进行道路车流量预测时,实时检测各车辆到达的路口以及对应时间,根据各车辆的实时检测信息以及对应的所述运行路线预测模型预测各车辆未来时段将经过的路口以及预计到达时间,并更新各所述运行轨迹函数以及运行路线预测模型;
S03.根据步骤S02得到的各车辆的预测信息计算未来时间段的各路口各个方向的所述路口拥堵因数;
S04.将步骤S03预测的各路口各个方向的所述路口拥堵因数输入至各车辆的所述运行路线预测模型中进行迭代计算,得到各车辆的运行路线预测结果;
S05.根据步骤S04中得到的各车辆的运行路线预测结果计算道路车流量,得到车流量预测结果输出。
进一步的,所述步骤S01中,所述运行轨迹函数为关于车辆与经过的路口以及对应时间之间关系的函数,通过预先为指定交通区域范围内出现的各车辆分别分配对应的ID号,获取预设时长内各车辆ID号对应的运行轨迹信息,构建形成对应各车辆ID号的运行轨迹函数f(x,y,z),其中,x表示路口的编号,y表示经过路口对应的时刻,z表示记录的时间段。
进一步的,所述等待因子根据对应车辆的运行轨迹函数的重合指数IC按照p=1/IC计算得到,其中p为所述等待因子,所述重合指数IC为用于表征运行轨迹中存在重合点概率的参数。
进一步的,所述运行路线预测模型按照下式构建得到:
其中,Q n+1=[x n+1,y n+1]、Q n =[x n ,y n ]分别表示对应车辆的预测状态向量和观测状态向量,x n 表示观测路口,x n+1表示预测路口,y n 表示观测时间,y n+1表示预测时间,W n 表示观测噪声向量,A z表示状态转移矩阵,且,g(x n ,J x ,p)表示根据车辆的运行轨迹函数以及路口拥堵因数矩阵J x 、等待因子p构建的对应车辆经过路口的预测函数,h(x n ,x n+1,y n ,J x )为根据根据路口拥堵因数矩阵J x 构建的对应车辆出现在预测路口x n+1的时间预测函数,路口拥堵因数矩阵J x 为由各路口各方向的路口拥堵因数构成的矩阵。
进一步的,所述路口预测函数中,根据运行轨迹函数f(x,y,z)中原定行驶方向的拥堵因数以及等待因子p计算对应原定行驶方向的预测值,以及根据除运行轨迹函数f(x,y,z)中原定行驶方向以外的其他各方向的拥堵因数以及所述其他各方向的距离因数计算对应各方向的预测值,所述距离因数用于表征当前方向相比于原定行驶方向到达目的地需要多行驶的距离长短,选取出最大的所述预测值所对应的方向上路口作为预测车辆经过的路口。
进一步的,路口预测函数g(x n ,J x ,p)中预测车辆路口经过的路口的具体表达式为:
,j oc 表示当前道路上按照运行轨迹函数f(x,y,z)中原定行驶方向得到的拥堵因数,j c1、j c2、j c3分别为路口行驶路径中在当前道路上按照除运行轨迹函数f(x,y,z)中原定行驶方向外的第一方向、第二方向、第三方向的路口拥堵因数,z c1、z c2、z c3分别为对应所述第一方向、第二方向、第三方向的距离因数,x oc为按照运行轨迹函数f(x,y,z)原定经过的路口,x c1、x c2、x c3 分别为对应所述第一方向、第二方向、第三方向上的路口,L oc为原定行驶方向对应的所述预测值,L c1、L c2、L c3 分别为对应所述第一方向、第二方向、第三方向上的所述预测值。
进一步的,各路口各个行驶方向的路口拥堵因数j αβ 的计算表达式为:
其中,α表示当前路口各方向道路编号,j αβ 表示α号道路β方向的拥堵因数且取值范围为[0,1],n αβ 为α号道路β方向当前排队车辆数量,I αβ 为α号道路β方向一个红绿灯周期内预计新增车辆数量,t αβ 为α号道路β方向绿灯时长,m αβ 为α号道路β方向车道数,N αβ 为α号道路β方向最大排队车辆数量,G αβ 为α号道路β方向调整因子,当计算得到的j αβ 小于0时设置j αβ =0,β包括运行轨迹函数中原定行驶方向以及除所述原定行驶方向以外的三个方向。
进一步的,所述步骤S04中进行迭代计算时,判断迭代指标K是否小于预设阈值K T ,如果是则迭代完成,所述迭代指标K的计算公式为:
其中,X为路口总数量,J x (k)表示编号为x的路口第k次迭代的路口拥堵因数矩阵。
一种基于车辆轨迹分析的道路车流量预测装置,包括:
轨迹分析与模型构建模块,用于预先获取在指定交通区域范围内出现的各车辆的运行轨迹信息,构建各车辆的运行轨迹函数,以及使用等待因子以及各路口各个行驶方向的路口拥堵因数建立各车辆的运行路线预测模型,等待因子根据各车辆的运行轨迹函数计算得到,等待因子为用于表征对应车辆根据路口拥堵状态选择更改线路的概率的参数,所述路口拥堵因数为用于表征对应路口的拥堵状态的参数;
车辆状态预测模块,用于当需要进行道路车流量预测时,实时检测各车辆到达的路口以及对应时间,根据各车辆的实时检测信息以及对应的运行路线预测模型预测各车辆未来时段将经过的路口以及预计到达时间,并更新各运行轨迹函数以及运行路线预测模型;
路口状态预测模块,用于根据车辆状态预测模块得到的各车辆的预测信息计算未来时间段的各路口各个方向的所述路口拥堵因数;
运行路线预测模块,用于将所述路口状态预测模块预测的各路口各个方向的所述路口拥堵因数输入至各车辆的所述运行路线预测模型中进行迭代计算,得到各车辆的运行路线预测结果;
车流量预测模块,用于根据运行路线预测模块中得到的各车辆的运行路线预测结果计算道路车流量,得到车流量预测结果输出。
一种基于车辆轨迹分析的道路车流量预测装置,包括处理器以及存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序以执行如上述方法。
与现有技术相比,本发明的优点在于:本发明通过分别以道路中各个车辆为分析对象,获取各车辆的运行轨迹信息构建运行轨迹函数,同时引入路口拥堵因数和等待因子建立各车辆的运行路线预测模型,以使得模型能够充分利用各路口各方向的拥堵状况以及各车辆根据路口拥堵状态选择更改线路的概率实现未来路线的预测,当实时获取到各车辆经过路口的信息,先基于该运行路线预测模型预测出车辆未来会经过的路口以及时间,结合各车辆的预测信息预测中各个路口各个方向的路口拥堵因数,进而再结合该路口拥堵因数对各车辆的运行路线预测模型进行迭代计算,可以精准预测出各车辆的运行路线,结合各车辆预测的运行轨迹最终预测出道路未来的车流量状态,不仅预测效率高,且能够大大的提高预测精度,从而能够及时提醒各车辆提前规划路线以缓解拥堵问题。
附图说明
在下文中将基于实施例并参考附图来对本发明进行更详细的描述。其中:
图1是本发明基于车辆轨迹分析的道路车流量预测方法的实现流程示意图。
图2是本发明在具体应用实施例中实现道路车流量预测的详细流程示意图。
具体实施方式
下面将结合说明书附图和具体实施例对本发明做进一步详细说明,但并不因此而限制本发明的保护范围。
大部分车辆的行驶轨迹从整体趋势看通常是周期重复的,即在一个周期内整体趋势是高度相似的。例如同一车辆在工作日时段由于每天的出发地与目的地相同,因而运行轨迹往往是高度相似的,仅在少数非工作日时间段会存在较大的随机性。对于相同出发地、目的地的历史运行轨迹,其中可能存在变化的关键在于可能会在出现路口拥堵情况下更改路线,而由于不同司机的驾驶习惯不同,在面对路口拥堵情况下会更改路线的可能性会不同,同一司机在面对路口拥堵情况下会更改路线的可能性往往是固定的,因而可以通过对各车辆的历史运行轨迹分析出各车辆在路口拥堵状态下更改路线的概率,结合路口拥堵状态与该概率即可以有效预测出各车辆未来时间段的运行轨迹,进而综合各车辆的运行轨迹可以预测出未来时段的车流量大小。
本发明利用上述特性,通过分别以道路中各个车辆为分析对象,获取各车辆的运行轨迹信息构建运行轨迹函数,同时引入路口拥堵因数和等待因子建立各车辆的运行路线预测模型,以使得模型能够充分利用各路口各方向的拥堵状况以及各车辆根据路口拥堵状态选择更改线路的概率实现未来路线的预测,当实时获取到各车辆经过路口的信息,先基于该运行路线预测模型预测出车辆未来会经过的路口以及时间,结合各车辆的预测信息预测中各个路口各个方向的路口拥堵因数,进而再结合该路口拥堵因数对各车辆的运行路线预测模型进行迭代计算,可以精准预测出各车辆的运行路线,结合各车辆预测的运行轨迹最终预测出道路未来的车流量状态,能够从微观(单个车辆)和宏观(道路整体车流)两个层面分析车流变化,不仅预测效率高,且能够大大提高预测精度,从而能够及时提醒各车辆提前规划路线以缓解交通拥堵问题。
如图1所示,本实施例基于车辆轨迹分析的道路车流量预测方法的步骤包括:
S01.轨迹分析与模型构建:预先获取在指定交通区域范围内出现的各车辆的运行轨迹信息,构建各车辆的运行轨迹函数,以及使用等待因子以及各路口各个行驶方向的路口拥堵因数建立各车辆的运行路线预测模型,等待因子根据各车辆的运行轨迹函数计算得到,等待因子为用于表征对应车辆根据路口拥堵状态选择更改线路的概率的参数,路口拥堵因数为用于表征对应路口的拥堵状态的参数;
S02.车辆状态预测与模型更新:当需要进行道路车流量预测时,实时检测各车辆到达的路口以及对应时间,根据各车辆的实时检测信息以及对应的运行路线预测模型预测各车辆未来时段将经过的路口以及预计到达时间,并更新各运行轨迹函数以及运行路线预测模型;
S03.路口状态预测:根据步骤S02得到的各车辆的预测信息计算未来时间段的各路口各个方向的路口拥堵因数;
S04.运行路线预测:将步骤S03预测的各路口各个方向的路口拥堵因数输入至各车辆的运行路线预测模型中进行迭代计算,得到各车辆的运行路线预测结果;
S05.车流量预测:根据步骤S04中得到的各车辆的运行路线预测结果计算道路车流量,得到车流量预测结果输出。
本实施例步骤S01中,运行轨迹函数为关于车辆与经过的路口以及对应时间之间关系的函数,通过预先为指定交通区域范围内出现的各车辆分别分配对应的ID号,获取预设时长内各车辆ID号对应的运行轨迹信息,构建形成对应各车辆ID号的运行轨迹函数f(x,y,z),其中,x表示路口的编号,y表示经过路口对应的时刻,z表示记录的时间段。上述具体可以通过智能路侧系统采集指定交通区域范围内各车辆的运行轨迹信息,以车牌ID为标识记录不同车辆的运行轨迹,运行轨迹信息具体包括车牌ID、经过路口的编号x以及对应时刻y,进而通过大数据分析形成车辆指定时长的运行轨迹函数,后续再结合该运行轨迹函数建立单一车辆的运行轨迹预测模型。
在具体应用实施例中,如果某一车牌ID的轨迹统计数据可以完整覆盖一周七天,即星期一、星期二、星期三、星期四、星期五、星期六和星期日均有完整的航迹数据时,基于大数据处理该车牌ID的轨迹统计数据,建立该车牌ID的一周运行轨迹函数f(x,y,z),其中z的取值范围即为1、2、3、4、5、6、7,分别对应星期一、星期二、星期三、星期四、星期五、星期六和星期日。可以理解的是,运行轨迹的记录时间段(z)当然也可以根据实际需求采用其他方式,例如按小时甚至按月等等。
获取到各车辆基于历史数据分析得到的运行轨迹函数后,对该运行轨迹函数进行分析即可确定出对应车辆因路口拥堵而选择改变线路的概率大小,基于该概率大小计算出等待因子p,即由等待因子p表征车辆因路口拥堵而选择改变线路的概率大小,等待因子p越小,表示对应车辆因路口拥堵而选择改变线路的概率越小,等待因子p越大则表示该车牌ID因路口拥堵而选择改变线路的概率越大。
如果某车辆的历史运行轨迹的重合率较高,表明该车辆的轨迹变化较小,该车辆因路口拥堵情况而选择改变线路的概率较小,相反,如果某车辆的历史运行轨迹的重合率较低,表明该车辆的轨迹变化较大,该车辆因路口拥堵情况而选择改变线路的概率较大,即车辆的历史运行轨迹的重合率可以有效表征车辆因路口拥堵情况而选择改变线路的概率大小。本实施例中,等待因子具体根据对应车辆的运行轨迹函数的重合指数IC按照p=1/IC计算得到,其中p为等待因子,0≤p≤1,重合指数IC为用于表征运行轨迹中存在重合点概率的参数。
本实施例中,运行路线预测模型具体按照下式构建得到:
其中,Q n+1=[x n+1,y n+1]、Q n =[x n ,y n ]分别表示对应车辆的预测状态向量和观测状态向量,x n 表示观测路口,x n+1表示预测路口,y n 表示观测时间,y n+1表示预测时间,W n 表示观测噪声向量,A z表示状态转移矩阵。
状态转移矩阵的具体表达式为:
其中,g(x n ,J x ,p)表示根据路口拥堵因数矩阵J x 、等待因子p构建的对应车辆经过路口的预测函数,以用于预测车辆未来时段会经过的路口,预测结果由观测路口x n、 路口拥堵因数矩阵J x 、等待因子p决定,h(x n ,x n+1,y n ,J x )为根据根据路口拥堵因数矩阵J x 构建的对应车辆出现在预测路口x n+1的时间预测函数,即时间预测结果与观测路口x n 、预测路口x n+1、观测时间y n 以及路口拥堵因数矩阵J x 决定,路口拥堵因数矩阵J x 为由各路口各方向的路口拥堵因数构成的矩阵。
利用如上式(2)所示的运行轨迹预测模型(每个车辆ID对应构建一个模型),在确定出车辆对应的等待因子p以及当前时刻的路口拥堵因数矩阵J x 后,代入式(2)即可预测出下一时刻车辆会经过的路口以及预计到达时间。优选的,上述运行轨迹预测模型具体可以采用卡尔曼滤波器实现,将等待因子p以及当前时刻的路口拥堵因数矩阵J x 输入至构建的卡尔曼滤波器后,即可以精准的预测下一时刻车辆的状态。
本实施例路口预测函数g(x n ,J x ,p)中,具体根据运行轨迹函数f(x,y,z)中原定行驶方向的拥堵因数以及等待因子p计算对应原定行驶方向的预测值,以及根据除运行轨迹函数f(x,y,z)中原定行驶方向以外的其他各方向的拥堵因数以及其他各方向的距离因数计算对应各方向的预测值,距离因数用于表征当前方向相比于原定行驶方向到达目的地需要多行驶的距离长短,选取出最大的预测值所对应的方向上路口作为预测车辆经过的路口。
如果车辆按照运行轨迹函数(历史运行轨迹)行驶发生路口拥堵情况时,车辆是否会更改路线与等待因子p相关,同时还会与更改路线后到达目的地需要额外增加行驶距离的长短相关,通常情况下若更改路线后到达目的地的距离相比于原定行驶路线到达目的地的距离相差较小,则在交通拥堵的情况下更改路线的概率较大,相应的,若更改路线后到达目的地的距离相比于原定行驶路线到达目的地的距离相差较大,则在交通拥堵的情况下更改路线的概率较小。本实施例通过利用拥堵因数、等待因子p来分别计算包括运行轨迹函数f(x,y,z)中原定行驶方向以及其他方向的预测值,以综合拥堵状态、车辆的驾驶习惯(历史数据中在拥堵情况下更改路线的概率,即等待因子p)以及更改路线后需要额外增加的行驶距离长短来综合表征不同方向上更改路线的可能性大小,使得可以精准的预测车辆未来可能会经过的路口,实现车辆经过路口的预测。
本实施例路口预测函数g(x n ,J x ,p)中预测车辆经过路口的具体表达式为:
其中,,j oc表示当前道路上按照运行轨迹函数f(x,y,z)中原定行驶方向得到的拥堵因数,j c1、j c2、j c3分别为路口行驶路径中在当前道路上按照除运行轨迹函数f(x,y,z)中原定行驶方向外的第一方向、第二方向、第三方向的路口拥堵因数,z c1、z c2、z c3分别为对应所述第一方向、第二方向、第三方向的距离因数,取值范围为[-1,1],当距离因数为负时,表示将比原定路径距离短;x oc 为按照运行轨迹函数f(x,y,z)原定经过的路口,x c1、x c2、x c3分别为对应第一方向、第二方向、第三方向上的路口,L oc为原定行驶方向对应的所述预测值,L c1、L c2、L c3分别为对应第一方向、第二方向、第三方向上的预测值。
如上式(3)所示,如果根据原定行驶方向的拥堵因数、等待因子计算得到的原定行驶方向的预测值L oc为所有预测值中最大,则预测未来车辆会按照原定行驶方向经过路口,若根据第一方向的拥堵因数、距离因数计算得到的第一方向的预测值L c1为所有预测值中最大,则预测未来车辆会经过第一方向的路口,以此类推,取预测值最大的方向所在的路口作为预测结果。
上述各方向的具体编号规则为:以正北为起始点,开始对各方向道路顺时针进行编号,β表示车辆行驶方向,1(第一方向)为左转、2(第二方向)为前进、3(第三方向)为右转。
本实施例中,各路口各个行驶方向的路口拥堵因数j αβ 的具体计算表达式为:
其中,α表示当前路口各方向道路编号,编号规则具体为:以正北为起始点,以1开始,对各方向道路顺时针进行编号,β表示车辆行驶方向,车辆行驶方向具体包括运行轨迹函数中原定行驶方向以及除所述原定行驶方向以外的三个方向,例如以1表示左转、2表示前进、3表示右转。j αβ 表示α号道路β方向的拥堵因数且取值范围为[0,1],上述j c1、j c2、j c3即分别为路口行驶路径中在当前道路α上按照除运行轨迹函数f(x,y,z)中原定行驶方向外的左转、前进、右转的路口拥堵因数,j αβ 越大表示通过α号道路β方向所需时间越长,j αβ 越小表示通过α号道路β方向所需时间越短,n αβ 为α号道路β方向当前排队车辆数量,I αβ 为α号道路β方向一个红绿灯周期内预计新增车辆数量,t αβ 为α号道路β方向绿灯时长,m αβ 为α号道路β方向车道数(混合车道可按照车道可行驶方向数进行划分),N αβ 为α号道路β方向最大排队车辆数量,G αβ 为α号道路β方向调整因子,G αβ 取值具体可根据路口车道布局和各方向排队车辆设置。
将按照上述式(4)计算出的各路口各个行驶方向的路口拥堵因数j αβ 即构成路口拥堵因数矩阵J x ,由该路口拥堵因数矩阵J x 中各元素即可表征各路口各个行驶方向的拥堵状态。具体的,当计算得到的j αβ 小于0时设置j αβ =0,即j αβ 的最小值为0。
本实施例步骤S04中进行迭代计算时,判断迭代指标K是否小于预设阈值K T,如果是则迭代完成,迭代指标K的计算公式为:
其中,X为路口总数量,k为迭代次数,J x(k)表示编号为x的路口第k次迭代的路口拥堵因数矩阵。上述阈值K T具体可以根据路口总数量X配置。
在具体应用实施例中,利用本发明上述方法实现车流量预测时,如图2所示,实时通过智能路侧系统采集车辆轨迹信息,包括车牌ID、经过路口的编号x以及对应时刻y;采用大数据技术处理各车辆的运行轨迹数据,建立对应各车牌ID的运行轨迹函数f(x,y,z);同时使用路口拥堵因数矩阵J x 和各车牌ID对应的等待因子p建立对应各车牌ID的运行路线预测模型M(x,y,z),具体如式(1)所示;实时通过智能路侧系统检测各车牌ID到达路口的编号x和时间y后,将记录时间点z、到达路口编号x和时间y输入对应车牌ID车辆的运行路线预测模型M(x,y,z),计算得到其将经过的路口编号x’和预计到达时间y’,并利用新数据更新轨迹函数f(x,y,z)和运行路线预测模型M(x,y,z);然后基于各个单一车辆的预测信息,即预计经过的路口编号x’和预计到达时间y’,计算各路口未来时间段的路口拥堵因数矩阵J x ,计算如式(2)~(4)所示;再将路口拥堵因数矩阵J x 代入各车辆的运行路线预测模型M(x,y,z)进行迭代,当迭代指标K(如式(5))误差小于设定阈值K T 时,迭代结束,得到各车辆的运行路线预测结果;综合各车辆的运行路线预测结果即可计算出车流量。
本实施例基于车辆轨迹分析的道路车流量预测装置包括:
轨迹分析与模型构建模块,用于预先获取在指定交通区域范围内出现的各车辆的运行轨迹信息,构建各车辆的运行轨迹函数,根据各车辆的所述运行轨迹函数使用等待因子以及各路口各个行驶方向的路口拥堵因数建立各车辆的运行路线预测模型,所述等待因子为用于表征对应车辆根据路口拥堵状态选择更改线路的概率的参数,所述路口拥堵因数为用于表征对应路口的拥堵状态的参数;
车辆状态预测模块,用于当需要进行道路车流量预测时,实时检测各车辆到达的路口以及对应时间,根据各车辆的实时检测信息以及对应的所述运行路线预测模型预测各车辆未来时段将经过的路口以及预计到达时间,并更新各所述运行轨迹函数以及运行路线预测模型;
路口状态预测模块,用于根据车辆状态预测模块得到的各车辆的预测信息计算未来时间段的各路口各个方向的所述路口拥堵因数;
运行路线预测模块,用于将所述路口状态预测模块预测的各路口各个方向的所述路口拥堵因数输入至各车辆的所述运行路线预测模型中进行迭代计算,得到各车辆的运行路线预测结果;
车流量预测模块,用于根据运行路线预测模块中得到的各车辆的运行路线预测结果计算道路车流量,得到车流量预测结果输出。
本实施例基于车辆轨迹分析的道路车流量预测装置与上述基于车辆轨迹分析的道路车流量预测方法为一一对应,两者具体相同的原理及效果。
在另一实施例中,本发明基于车辆轨迹分析的道路车流量预测装置还可以为:包括处理器以及存储器,存储器用于存储计算机程序,处理器用于执行计算机程序以执行如上述方法。
虽然已经参考优选实施例对本发明进行了描述,但在不脱离本发明的范围的情况下,可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是,只要不存在结构冲突,各个实施例中所提到的各项技术特征均可以任意方式组合起来。本发明并不局限于文中公开的特定实施例,而是包括落入权利要求的范围内的所有技术方案。
Claims (10)
1.一种基于车辆轨迹分析的道路车流量预测方法,其特征在于,步骤包括:
S01.预先获取在指定交通区域范围内出现的各车辆的运行轨迹信息,构建各车辆的运行轨迹函数,以及使用等待因子以及各路口各个行驶方向的路口拥堵因数建立各车辆的运行路线预测模型,所述等待因子根据各车辆的运行轨迹函数计算得到,所述等待因子为用于表征对应车辆根据路口拥堵状态选择更改线路的概率的参数,所述路口拥堵因数为用于表征对应路口的拥堵状态的参数;
S02.当需要进行道路车流量预测时,实时检测各车辆到达的路口以及对应时间,根据各车辆的实时检测信息以及对应的所述运行路线预测模型预测各车辆未来时段将经过的路口以及预计到达时间,并更新各所述运行轨迹函数以及所述运行路线预测模型;
S03.根据步骤S02得到的各车辆的预测信息计算未来时间段的各路口各个方向的所述路口拥堵因数;
S04.将步骤S03预测的各路口各个方向的所述路口拥堵因数输入至各车辆的所述运行路线预测模型中进行迭代计算,得到各车辆的运行路线预测结果;
S05.根据步骤S04中得到的各车辆的运行路线预测结果计算道路车流量,得到车流量预测结果输出。
2.根据权利要求1所述的基于车辆轨迹分析的道路车流量预测方法,其特征在于,所述步骤S01中,所述运行轨迹函数为关于车辆与经过的路口以及对应时间之间关系的函数,通过预先为指定交通区域范围内出现的各车辆分别分配对应的ID号,获取预设时长内各车辆ID号对应的运行轨迹信息,构建形成对应各车辆ID号的运行轨迹函数f(x,y,z),其中,x表示路口的编号,y表示经过路口对应的时刻,z表示记录的时间段。
3.根据权利要求1所述的基于车辆轨迹分析的道路车流量预测方法,其特征在于,所述等待因子根据对应车辆的运行轨迹函数的重合指数IC按照p=1/IC计算得到,其中p为所述等待因子,所述重合指数IC为用于表征运行轨迹中存在重合点概率的参数。
4.根据权利要求1所述的基于车辆轨迹分析的道路车流量预测方法,其特征在于,所述运行路线预测模型按照下式构建得到:
其中,Q n+1=[x n+1,y n+1]、Q n =[x n ,y n ]分别表示对应车辆的预测状态向量和观测状态向量,x n 表示观测路口,x n+1表示预测路口,y n 表示观测时间,y n+1表示预测时间,W n 表示观测噪声向量,A z 表示状态转移矩阵,且,g(x n ,J x ,p)表示根据车辆的运行轨迹函数以及路口拥堵因数矩阵J x 、等待因子p构建的对应车辆经过路口的预测函数,h(x n ,x n+1,y n ,J x )为根据根据路口拥堵因数矩阵J x 构建的对应车辆出现在预测路口x n+1的时间预测函数,路口拥堵因数矩阵J x 为由各路口各方向的路口拥堵因数构成的矩阵。
5.根据权利要求4所述的基于车辆轨迹分析的道路车流量预测方法,其特征在于,所述路口预测函数中,根据运行轨迹函数f(x,y,z)中原定行驶方向的拥堵因数以及等待因子p计算对应原定行驶方向的预测值,以及根据除运行轨迹函数f(x,y,z)中原定行驶方向以外的其他各方向的拥堵因数以及所述其他各方向的距离因数计算对应各方向的预测值,所述距离因数用于表征当前方向相比于原定行驶方向到达目的地需要多行驶的距离长短,选取出最大的所述预测值所对应的方向上路口作为预测车辆经过的路口。
6.根据权利要求5所述的基于车辆轨迹分析的道路车流量预测方法,其特征在于,路口预测函数g(x n ,J x ,p)中预测车辆路口经过的路口的具体表达式为:
7.根据权利要求1~6中任意一项所述的基于车辆轨迹分析的道路车流量预测方法,其特征在于,各路口各个行驶方向的路口拥堵因数j αβ 的计算表达式为:其中,α表示当前路口各方向道路编号,β表示车辆行驶方向,所述车辆行驶方向包括运行轨迹函数中原定行驶方向以及除所述原定行驶方向以外的三个方向,j αβ 表示α号道路β方向的拥堵因数且取值范围为[0,1],n αβ 为α号道路β方向当前排队车辆数量,I αβ 为α号道路β方向一个红绿灯周期内预计新增车辆数量,t αβ 为α号道路β方向绿灯时长,m αβ 为α号道路β方向车道数,N αβ 为α号道路β方向最大排队车辆数量,G αβ 为α号道路β方向调整因子,当计算得到的j αβ 小于0时设置j αβ =0。
9.一种基于车辆轨迹分析的道路车流量预测装置,其特征在于,包括:
轨迹分析与模型构建模块,用于预先获取在指定交通区域范围内出现的各车辆的运行轨迹信息,构建各车辆的运行轨迹函数,以及使用等待因子以及各路口各个行驶方向的路口拥堵因数建立各车辆的运行路线预测模型,等待因子根据各车辆的运行轨迹函数计算得到,等待因子为用于表征对应车辆根据路口拥堵状态选择更改线路的概率的参数,所述路口拥堵因数为用于表征对应路口的拥堵状态的参数;
车辆状态预测模块,用于当需要进行道路车流量预测时,实时检测各车辆到达的路口以及对应时间,根据各车辆的实时检测信息以及对应的运行路线预测模型预测各车辆未来时段将经过的路口以及预计到达时间,并更新各运行轨迹函数以及运行路线预测模型;
路口状态预测模块,用于根据车辆状态预测模块得到的各车辆的预测信息计算未来时间段的各路口各个方向的所述路口拥堵因数;
运行路线预测模块,用于将所述路口状态预测模块预测的各路口各个方向的所述路口拥堵因数输入至各车辆的所述运行路线预测模型中进行迭代计算,得到各车辆的运行路线预测结果;
车流量预测模块,用于根据运行路线预测模块中得到的各车辆的运行路线预测结果计算道路车流量,得到车流量预测结果输出。
10.一种基于车辆轨迹分析的道路车流量预测装置,包括处理器以及存储器,所述存储器用于存储计算机程序,其特征在于,所述处理器用于执行所述计算机程序以执行如权利要求1~8中任意一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310404703.XA CN116153079B (zh) | 2023-04-17 | 2023-04-17 | 基于车辆轨迹分析的道路车流量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310404703.XA CN116153079B (zh) | 2023-04-17 | 2023-04-17 | 基于车辆轨迹分析的道路车流量预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116153079A CN116153079A (zh) | 2023-05-23 |
CN116153079B true CN116153079B (zh) | 2023-06-23 |
Family
ID=86354595
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310404703.XA Active CN116153079B (zh) | 2023-04-17 | 2023-04-17 | 基于车辆轨迹分析的道路车流量预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116153079B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117198081A (zh) * | 2023-09-11 | 2023-12-08 | 深圳源谷科技有限公司 | 一种智能化gps定位数据分析管理系统及方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593535A (zh) * | 2013-11-22 | 2014-02-19 | 南京洛普股份有限公司 | 基于多尺度融合的城市交通复杂自适应网络平行仿真系统及方法 |
EP3118836A1 (en) * | 2015-07-17 | 2017-01-18 | Robert Bosch Gmbh | A method and a device for providing driving suggestions |
CN106781592A (zh) * | 2017-01-04 | 2017-05-31 | 成都四方伟业软件股份有限公司 | 一种基于大数据的交通导航系统及方法 |
CN107749170A (zh) * | 2017-12-07 | 2018-03-02 | 东莞职业技术学院 | 一种车辆跟踪装置及方法 |
CN108346284A (zh) * | 2018-01-29 | 2018-07-31 | 河海大学 | 一种基于马尔科夫模型的不确定性路网车辆轨迹预测方法 |
CN110675629A (zh) * | 2019-10-08 | 2020-01-10 | 苏交科集团股份有限公司 | 一种基于大数据的高速公路拥堵预测与主动防控方法 |
CN112362076A (zh) * | 2020-11-13 | 2021-02-12 | 深圳瑞娅互娱科技有限公司 | 非推荐路段的导航信息智能显示方法及相关装置 |
CN113276874A (zh) * | 2021-06-11 | 2021-08-20 | 浙江大华技术股份有限公司 | 一种车辆行驶轨迹处理方法及相关装置 |
CN114023073A (zh) * | 2022-01-06 | 2022-02-08 | 南京感动科技有限公司 | 一种基于车辆行为分析的高速公路拥堵预测方法 |
CN114627648A (zh) * | 2022-03-16 | 2022-06-14 | 中山大学·深圳 | 一种基于联邦学习的城市交通流诱导方法及系统 |
CN114710807A (zh) * | 2022-04-28 | 2022-07-05 | 云南师范大学 | 一种面向5g毫米波通信的卡尔曼滤波动态拥塞控制方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201211614D0 (en) * | 2012-06-29 | 2012-08-15 | Tomtom Dev Germany Gmbh | Generating alternative routes |
US10486707B2 (en) * | 2016-01-06 | 2019-11-26 | GM Global Technology Operations LLC | Prediction of driver intent at intersection |
CN112561146B (zh) * | 2020-12-08 | 2023-04-18 | 哈尔滨工程大学 | 一种基于模糊逻辑和深度lstm的大规模实时交通流预测方法 |
GB2605130B (en) * | 2021-03-17 | 2023-08-16 | Xan Labs Int Ltd | Method and system of predictive traffic flow and of traffic light control |
-
2023
- 2023-04-17 CN CN202310404703.XA patent/CN116153079B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593535A (zh) * | 2013-11-22 | 2014-02-19 | 南京洛普股份有限公司 | 基于多尺度融合的城市交通复杂自适应网络平行仿真系统及方法 |
EP3118836A1 (en) * | 2015-07-17 | 2017-01-18 | Robert Bosch Gmbh | A method and a device for providing driving suggestions |
CN106781592A (zh) * | 2017-01-04 | 2017-05-31 | 成都四方伟业软件股份有限公司 | 一种基于大数据的交通导航系统及方法 |
CN107749170A (zh) * | 2017-12-07 | 2018-03-02 | 东莞职业技术学院 | 一种车辆跟踪装置及方法 |
CN108346284A (zh) * | 2018-01-29 | 2018-07-31 | 河海大学 | 一种基于马尔科夫模型的不确定性路网车辆轨迹预测方法 |
CN110675629A (zh) * | 2019-10-08 | 2020-01-10 | 苏交科集团股份有限公司 | 一种基于大数据的高速公路拥堵预测与主动防控方法 |
CN112362076A (zh) * | 2020-11-13 | 2021-02-12 | 深圳瑞娅互娱科技有限公司 | 非推荐路段的导航信息智能显示方法及相关装置 |
CN113276874A (zh) * | 2021-06-11 | 2021-08-20 | 浙江大华技术股份有限公司 | 一种车辆行驶轨迹处理方法及相关装置 |
CN114023073A (zh) * | 2022-01-06 | 2022-02-08 | 南京感动科技有限公司 | 一种基于车辆行为分析的高速公路拥堵预测方法 |
CN114627648A (zh) * | 2022-03-16 | 2022-06-14 | 中山大学·深圳 | 一种基于联邦学习的城市交通流诱导方法及系统 |
CN114710807A (zh) * | 2022-04-28 | 2022-07-05 | 云南师范大学 | 一种面向5g毫米波通信的卡尔曼滤波动态拥塞控制方法 |
Non-Patent Citations (2)
Title |
---|
Semantics-aware Dynamic Graph Convolutional Network for Traffic Flow Forecasting;Guojun Liang 等;《IEEE Transactions on Vehicular Technology》;1-14 * |
基于改进马尔可夫链的交通流预测方法;申启东 李文勇 廉冠;《黑龙江交通科技》;178-181 * |
Also Published As
Publication number | Publication date |
---|---|
CN116153079A (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11243532B1 (en) | Evaluating varying-sized action spaces using reinforcement learning | |
Namazi et al. | Intelligent intersection management systems considering autonomous vehicles: A systematic literature review | |
JP7024749B2 (ja) | 車線群識別を用いる動的な車線レベルの車両ナビゲーション | |
Mandhare et al. | Intelligent road traffic control system for traffic congestion: a perspective | |
US20230124864A1 (en) | Graph Representation Querying of Machine Learning Models for Traffic or Safety Rules | |
US20180299290A1 (en) | Lane-level vehicle navigation for vehicle routing and traffic management | |
CN108399740B (zh) | 一种信号控制交叉口机动车冲突概率预测方法 | |
CN110389584A (zh) | 用于评估自动驾驶车辆的轨迹候选项的方法 | |
CN108974009A (zh) | 用于自动驾驶控制的方法、介质和系统 | |
CN108180919A (zh) | 一种规划路线的优化方法及装置 | |
CN116153079B (zh) | 基于车辆轨迹分析的道路车流量预测方法及装置 | |
CN111380534A (zh) | 用于自动驾驶车辆的基于st图学习的决策 | |
JP2008197725A (ja) | 交通情報生成装置、交通情報提供システム及び交通情報生成方法 | |
CN113997954B (zh) | 一种车辆行驶意图预测方法、装置、设备及可读存储介质 | |
Li et al. | Cooperative critical turning point-based decision-making and planning for CAVH intersection management system | |
Gora | Simulation-based traffic management system for connected and autonomous vehicles | |
CN110220527B (zh) | 一种基于公众活动预测的路径规划方法和装置 | |
Kamal et al. | Control of traffic signals in a model predictive control framework | |
US20210293557A1 (en) | Methods and apparatus for ascertaining a driving route for a motor vehicle | |
JP2000285362A (ja) | ナビゲーション装置 | |
US20230415767A1 (en) | Protolanes for testing autonomous vehicle intent | |
Zhao et al. | Simulation evaluation of fuel-saving systems in the city of chicago | |
US20240001958A1 (en) | System for Generating Scene Context Data Using a Reference Graph | |
CN117095338B (zh) | 基于道路视频识别的无线停车方法及相关装置 | |
JP7374350B2 (ja) | 自動運転支援装置及び自動運転支援方法 |
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 |