CN116153084A - 车辆流向预测方法、预测系统及城市交通信号机控制方法 - Google Patents
车辆流向预测方法、预测系统及城市交通信号机控制方法 Download PDFInfo
- Publication number
- CN116153084A CN116153084A CN202310427792.XA CN202310427792A CN116153084A CN 116153084 A CN116153084 A CN 116153084A CN 202310427792 A CN202310427792 A CN 202310427792A CN 116153084 A CN116153084 A CN 116153084A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- behavior
- track
- flow direction
- data
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
-
- 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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
-
- 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)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种车辆流向预测方法、预测系统及城市交通信号机控制方法,涉及城市交通管理技术领域,包括:根据车辆图像数据,获取车辆图像行为特征;根据车辆轨迹数据,获取车辆轨迹行为特征;根据车辆驾驶数据,获取车辆驾驶行为特征;根据每个车道的车辆实时数据,建立以车道、距离、时间以及流向为维度的图谱框架;将每个车辆的车辆图像行为特征、车辆轨迹行为特征以及车辆驾驶行为特征输入至图谱框架中,形成以行为特征、车道、距离、时间为输入且流向为输出的车辆行为预测模型,对每个预测车辆的流向进行预测,解决了依靠传统方法导致的准确度低的技术问题,可以快速准确地对车辆流向进行预测,提高了准确度,提高了对路口交通管理的效率。
Description
技术领域
本发明涉及城市交通管理技术领域,特别是涉及一种车辆流向预测方法、预测系统及城市交通信号机控制方法。
背景技术
交通路口作为城市交通道路网络的主要组成部分,它是否正常畅通将会直接影响城市交通道路网络的运行。交通拥堵是我国新型城镇化建设进程中面临的代表性问题。交通状况优化是预防和缓解交通拥堵的关键。
然而,传统车辆流向预测方法依靠人为观察或者人工统计对车辆的流向进行预测,导致加入了人为主观意识且浪费了大量的人力物力,使得传统车辆流向预测方法准确度低,无法准确地反映实际交通情况,从而影响了交通信号控制的效率,造成绿灯空放等宝贵的时间资源浪费。
发明内容
本发明的目的是解决传统车辆流向预测方法依靠人为观察或者人工统计导致的准确度低的技术问题。为实现上述目的,本发明提供一种车辆流向预测方法、预测系统及城市交通信号机控制方法。
本发明提供一种车辆流向预测方法,包括:
获取车辆图像数据、车辆轨迹数据以及车辆驾驶数据;
根据所述车辆图像数据,获取每个车辆的车辆图像行为特征;
根据所述车辆轨迹数据,获取每个车辆的车辆轨迹行为特征;
根据所述车辆驾驶数据,获取每个车辆的车辆驾驶行为特征;
根据每个车道的车辆实时数据,建立以车道、距离、时间以及流向为维度的图谱框架;
将每个车辆的所述车辆图像行为特征、所述车辆轨迹行为特征以及所述车辆驾驶行为特征输入至所述图谱框架中,形成以行为特征、车道、距离、时间为输入且流向为输出的车辆行为预测模型;
根据所述车辆行为预测模型对每个预测车辆的流向进行预测。
本发明提供一种车辆流向预测系统,包括:
数据获取模块,用于获取车辆图像数据、车辆轨迹数据以及车辆驾驶数据;
图像行为获取模块,用于根据所述车辆图像数据,获取每个车辆的车辆图像行为特征;
轨迹行为获取模块,用于根据所述车辆轨迹数据,获取每个车辆的车辆轨迹行为特征;
驾驶行为获取模块,用于根据所述车辆驾驶数据,获取每个车辆的车辆驾驶行为特征;
图谱框架构建模块,用于根据每个车道的车辆实时数据,建立以车道、距离、时间以及流向为维度的图谱框架;
预测模型形成模块,用于将每个车辆的所述车辆图像行为特征、所述车辆轨迹行为特征以及所述车辆驾驶行为特征输入至所述图谱框架中,形成以行为特征、车道、距离、时间为输入且流向为输出的车辆行为预测模型;
流向预测模块,用于根据所述车辆行为预测模型对每个预测车辆的流向进行预测。
本发明提供一种城市交通信号机控制方法,采用上述实施例中所述的车辆流向预测方法获取车辆流向,所述车辆流向应用于城市交通信号机控制方法。
上述车辆流向预测方法、预测系统及城市交通信号机控制方法中,根据车辆图像数据、车辆轨迹数据以及车辆驾驶数据可以分别获取每个车辆的车辆图像行为特征、车辆轨迹行为特征以及车辆驾驶行为特征,充分考虑了车辆的多个表现行为特征,从多个角度对车辆进行了充分分析。进而,以每个车辆的车道、距离、时间以及流向为多个不同维度,构建图谱框架,将车辆图像行为特征、车辆轨迹行为特征以及车辆驾驶行为特征融入到图谱框架中,形成了车辆图像行为特征、车辆轨迹行为特征、车辆驾驶行为特征、车道、距离、时间、流向,彼此相互对应的多输入单输出的车辆行为预测模型。根据车辆行为预测模型,以行为特征、车道、距离、时间为输入,则可以预测获得每个车辆的车辆流向。
通过本发明提供的车辆流向预测方法,以高频率、全采样、全自动化数据代替人工低频率、实地抽时段、手动统计,具有安全、高效、公平的优点,可以快速准确地对每个车辆的车辆流向进行预测,提高了准确度。从而,将本发明提供的车辆流向预测方法,应用到优化路口交通信号控制方案中,可以更好地保障路口安全、高效、公平运行,提高了对路口交通管理的效率。
附图说明
图1是本发明提供的基于多模态感知的车流量预测方法的步骤流程示意图。
图2是本发明提供的车辆流向预测方法的步骤流程示意图。
图3是本发明提供的城市交通信号机控制方法的步骤流程示意图。
图4是本发明提供的基于多模态感知的车流量预测系统的步骤流程示意图。
图5是本发明提供的车辆流向预测系统的步骤流程示意图。
图6是本发明提供的城市交通信号机控制系统的结构示意图。
具体实施方式
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
通过高精度地图,获取车道边界、车道线、转向线、绿化带、隔离带等多种道路信息图层,并获取对应的经纬度信息。路口与路段的空间拓扑关系,表明了城市交通道路的位置关系。
多模态感知数据通过雷视一体机获得,融合了雷达设备与视频设备共同采集的感知数据。多模态感知数据包括车辆唯一编号,时间戳,车牌,经度,纬度,速度,车辆航向角,车型,车身颜色,车身喷涂,车辆摆件,车内人员,车辆改装等信息。
根据高精度地图的道路分层信息,筛选出水泥护栏、桥墩、路边墙、建筑物、隧道墙等面图层区域作为不合理位置区域,也可以理解为障碍区。通过对不合理位置区域的划分,可以对不合理的数据进行剔除。
对多模态感知数据中的异常数据进行筛选。获取的多模态感知数据以数组的形式存储,随机选取第i个多模态感知数据组中的经度、纬度以及车辆速度等信息。若经度与纬度中至少一个为非数字,则删除第i个多模态感知数据组。若经度与纬度表明位置为障碍区,则删除第i个多模态感知数据组。若车辆速度超过速度阈值,不在合理的范围内,例如不符合正常车辆行驶速度的理论值,则删除第i个多模态感知数据组。
对于任意一个车辆,通过多模态感知数据,可以获得对应的基础信息数据与时序数据。基础信息数据包括车辆唯一编号、车牌、车型、车身颜色、车身喷涂、车辆摆件、车内人员、车辆改装等。时序数据包括时间戳、经度、纬度、速度以及车辆航向角等。
高精地图采用分图层方式制作,通过车道图层的属性信息,提取出车道集{lane1,lane2,lane3,…,lanen},其中第i个车道lanei,包含由多个点组成的车道轮廓点集,每个点包含点的经纬度信息,且各点连接起来形成封闭平面。
对于清洗后的多模态感知数据中任意一个车辆数据vehiclej,对应的时序数据为{(经度lngj1,纬度latj1),(经度lngj2,纬度latj2),(经度lngj3,纬度latj3),…,(经度lngjn,纬度latjn)},计算经度lngjm和纬度latjm与车道lanei的匹配关系。如果车辆vehiclej的经度lngj和纬度latj落在车道lanei各点连接形成的封闭平面内,则认为车辆vehiclej在车道lanei内,从而可以获得车辆在车道中的时间序列数据集,实现了将地图车道信息与多模态感知数据进行匹配。通过先验知识纯化车辆在车道中的时间序列数据集。先验知识包括同一辆车不能同一时刻出现在两条车道上、车辆速度不能脱离阈值范围、车辆不能在感知范围内随机消失、同一辆车不能出现在多个空间位置上等。车辆在车道中的时间序列数据集,经过先验知识筛选后,获得S110中的每个车道的时间序列数据集。
在一个实施例中,通过基于雷视融合的车辆追踪方法,对车辆在车道中的时间序列数据集进行优化,能够将断开的轨迹重新连接,获得每个车辆的完整车辆轨迹。
请参见图1,本发明提供一种基于多模态感知的车流量预测方法,包括:
S110,获取多模态感知数据,将地图车道信息与多模态感知数据进行匹配,获得每个车道的时间序列数据集;
S120,对时间序列数据集进行分析预测,获得每个单路口的固定车辆流量与随机车辆流量;
S130,对固定车辆流量与随机车辆流量进行加权平均处理,获得每个单路口的路口预测车流量;
S140,根据路口预测车流量、单路口之间的空间拓扑关系以及路口上下游驶出驶入关系,判断全局预测车流量是否满足全局约束条件;
S150,当全局预测车流量满足全局约束条件时,则将全局预测车流量作为预测结果。
本实施例中,在S110中,抽取高精地图中车道信息,匹配多模态感知数据,能够获得每个车道上的时间序列数据集。在S120中,时间序列数据集来源于多模态感知数据,包括了基础信息数据与时序数据。固定车辆可以理解为在车辆运行时段分布(例如平日、周末、节假日等)内,在固定位置周期性出现的车辆。固定车辆在上下班通勤、工作运输路径、教育、习惯性消费等原因,具有较高的出行稳定性。固定车辆流量可以理解为由固定车辆形成的车流量。通过固定车辆流量可以对车辆周期性特征进行预测。随机车辆可以理解为具有随机性强的特点,与固定车辆不同,不会固定出现在某个固定位置。随机车辆流量可以理解为由随机车辆形成的车流量。
在S130中,根据加权平均处理方法,对固定车辆流量与随机车辆流量进行单路口车辆流量预测融合,获得每个单路口的路口预测车流量。每个单路口的路口预测车流量融合了对固定车辆与随机车辆的车流量预测,能够涵盖对每个单路口的所有车辆的流量预测。
在S140与S150中,全局预测车流量为所有路口的预测车流量之和,通过各个单路口的路口预测车流量进行求和获得。全局约束条件可以理解为对于全局(可以理解为所有路口的合集)的预测车流量,需要符合预测结果的合理性。预测结果的合理性需要结合实际单路口之间的空间拓扑关系以及路口上下游驶出驶入关系,需要符合理论合理性。路口上下游驶出驶入关系可以理解为路口上游驶出车辆的数量等于路口下游驶入车辆的数量。在一个实施例中,全局约束条件可以为车辆聚集区域数量与车辆平均投影面积的乘积是否小于或等于聚集区域面积、全局车辆驶入驶出数的合理性、全局预测车流量是否超出全局总承载力等需要满足的理论约束条件。其中,全局车辆驶入驶出数的合理性可以理解为在特定长度时间窗口内驶入计算区域的车辆数之和或者之差。本实施例中,对于全局约束条件不做具体限定,可以根据实际应用场景进行设置。当全局预测车流量满足全局约束条件,则将根据各个路口预测车流量计算获得的全局预测车流量作为预测结果。
本发明提供的基于多模态感知的车流量预测方法,将地图车道信息与多模态感知数据进行融合匹配,形成了包含路口所有方向车道级秒级粒度的实时准确数据,形成时间序列数据集。对时间序列数据集进行固定车辆流量与随机车辆流量两个不同方向的分析,并进行加权平均处理,充分将固定车辆流量与随机车辆流量进行了融合,获得每个单路口的路口预测车流量,进而进一步计算获知全局预测车流量,全面覆盖了整个交通情况下的交通数据信息,可以更加准确地对车流量进行检测。基于单路口之间的空间拓扑关系以及路口上下游驶出驶入关系,判断全局预测车流量是否满足全局约束条件,可以进一步对加权平均处理中的权重系数进行修正,不断地反复修正,直至使得全局预测车流量满足全局约束条件,作为预测结果。
通过本发明提供的基于多模态感知的车流量预测方法,以高频率、全采样、全自动化数据代替人工低频率、实地抽时段、手动统计,以自动化算法代替人工配时,可以全面准确地对车流量进行检测,提高了检测准确率,具有安全、高效、公平的优点。从而,将本发明提供的基于多模态感知的车流量预测方法,应用到优化路口交通信号控制方案中,可以更好地保障路口安全、高效、公平运行。
在一个实施例中,S150,当全局预测车流量满足全局约束条件时,则将全局预测车流量作为预测结果之后,方法还包括:
S160,若全局预测车流量不满足全局约束条件,则对固定车辆流量与随机车辆流量进行加权平均处理中的权重系数进行修正,直至满足全局约束条件;
其中,固定车辆流量对应的权重系数大于随机车辆流量对应的权重系数。
本实施例中,当全局预测车流量不满足全局约束条件时,则对S130步骤中加权平均处理过程中加权的权重系数进行反馈修正,不断调整修正,直至满足全局约束条件,获得全局预测车流量,作为最终的预测结果。
固定车辆流量对应的权重系数大于随机车辆流量对应的权重系数,使得固定车辆流量在整个全局预测车流量中占有比例变大,可以更好地适用于实际各个路口处固定车辆与随机车辆的分布情况。同时,当车辆聚集区域数量与车辆平均投影面积的乘积大于聚集区域面积时,可以实时不断地对权重系数进行修正,更加准确地对全局预测车流量进行预测。
在一个实施例中,S120,对时间序列数据集进行分析预测,获得每个单路口的固定车辆流量与随机车辆流量,包括:
S121,根据时间序列分析法,对时间序列数据集进行分析预测,获得每个单路口的固定车辆流量;
S122,根据随机车型与时间的正态分布模型,对时间序列数据集进行分析预测,获得每个单路口的随机车辆流量。
本实施例中,通过时间序列分析法对时间序列数据集进行分析预测,可以分析获得固定车牌在固定位置周期性发生“出现”的事件的特征,从而基于时间序列数据集的大量数据,可以预测获知在单路口位置固定车辆的车流量。随机车型与时间符合正态分布模型,通过随机车型与时间的正态分布模型对时间序列数据集进行分析预测,可以实现对每个单路口对应的随机车辆流量。
在一个实施例中,S130,对固定车辆流量与随机车辆流量进行加权平均处理,获得每个单路口的路口预测车流量,包括:
S131,对固定车辆流量依次进行突变流量平滑与进出总量校验,获得预处理固定车辆流量;
S132,对随机车辆流量依次进行突变流量平滑与进出总量校验,获得预处理随机车辆流量;
S133,对预处理固定车辆流量与预处理随机车辆流量进行加权平均处理,获得路口预测车流量。
本实施例中,突变流量平滑处理通过采用中位值平均滤波算法实现。进出总量校验处理通过取特定长度时间窗口,路口各进口道进入车辆总和与路口各出口道驶出车辆总和的差值的绝对值,处于一个合理的范围内,则认为符合进出总量校验。合理的范围可以根据实际路口的实际行驶情况进行限定,本实施例中不做具体限定。根据突变流量平滑处理方法与进出总量校验处理方法,分别对随机车辆流量与固定车辆流量进行数据处理,获得预处理固定车辆流量与预处理随机车辆流量,并进一步进行加权平均处理,获得每个单路口的路口预测车流量。
在一个实施例中,S140,根据路口预测车流量、单路口之间的空间拓扑关系以及路口上下游驶出驶入关系,判断全局预测车流量是否满足全局约束条件,包括:
S141,根据路口预测车流量、单路口之间的空间拓扑关系以及路口上下游驶出驶入关系,判断基于全局预测车流量中车辆聚集区域数量与车辆平均投影面积的乘积是否小于或等于聚集区域面积。
本实施例中,车辆聚集区域数量可以理解为某一个聚集区域的车辆数量。在聚集区域内计算每个车辆的垂直投影面积,并对多个垂直投影面积求平均,获得车辆平均投影面积。聚集区域面积可以理解为聚集区域对应的面积。
当车辆聚集区域数量与车辆平均投影面积的乘积小于或等于聚集区域面积时,则将根据各个路口预测车流量计算获得的全局预测车流量作为预测结果。当车辆聚集区域数量与车辆平均投影面积的乘积大于聚集区域面积时,则对S130步骤中加权平均处理过程中加权的权重系数进行反馈修正,并不断调整修正,直至满足车辆聚集区域数量与车辆平均投影面积的乘积小于或等于聚集区域面积,获得全局预测车流量,作为最终的预测结果。
请参见图2,在一个实施例中,本发明提供一种车辆流向预测方法,包括:
S210,获取车辆图像数据、车辆轨迹数据以及车辆驾驶数据;
S220,根据车辆图像数据,获取每个车辆的车辆图像行为特征;
S230,根据车辆轨迹数据,获取每个车辆的车辆轨迹行为特征;
S240,根据车辆驾驶数据,获取每个车辆的车辆驾驶行为特征;
S250,根据每个车道的时间序列数据集,建立以车道、距离、时间以及流向为维度的图谱框架;
S260,将每个车辆的车辆图像行为特征、车辆轨迹行为特征以及车辆驾驶行为特征输入至图谱框架中,形成以行为特征、车道、距离、时间为输入且流向为输出的车辆行为预测模型;
S270,根据车辆行为预测模型对每个预测车辆的流向进行预测。
本实施例中,在S210中,车辆图像数据与车辆轨迹数据可以通过雷视一体机采集获得。车辆驾驶数据可以通过对采集车辆驾驶习惯特征进行提取获得。在S220中,通过深度学习算法提取车辆图像行为特征。车辆图像行为特征可以理解为在图像中表征车辆行为与驾驶员姿态的特征,例如车辆转向灯是否闪烁、车辆驾驶员姿态等具有先行车辆行为的特征。在一个实施例中,收集并标注转向灯图像数据集,基于转向灯图像数据集通过卷积神经网络进行训练测试,获得车辆转向灯检识别模型。在一个实施例中,选择驾驶员身体关键点如手肘、肩膀、手腕等进行相对位置和角度的计算,并通过支持向量机SVM来判断驾驶员的姿态。
在S230中,通过对每个车辆进行追踪,能够获得每个车辆的车辆轨迹数据。车辆轨迹与车道线之间具有一个相对位置关系。车辆轨迹表征了车辆行驶的路线。当车辆轨迹一次或多次接近车道线时,没有进入且又远离,可以表明车辆尝试并线行为。车辆轨迹数据由多个轨迹点形成,每个轨迹点对应着车速与时间。通过多个轨迹点分别对应的车速与时间关系,可以计算出减速度超过阈值的异常减速行为或者加速度超过阈值的异常加速行为等。车辆轨迹行为特征可以包括多车道并线行为、异常减速行为或者异常加速行为等。
在S240中,车辆驾驶数据包括车辆驾驶习惯。通过对车辆驾驶数据中各个驾驶习惯进行特征提取,获得车辆驾驶行为特征。车辆驾驶行为特征包括左转道直行、直行道左转、调头、加塞等驾驶行为特征。
在S250中,对路口的每条车道来说,流向维度可以理解为车辆在某具体位置时对应的左转、左转+调头、直行、直左、右转、直右等。距离维度可以理解为以车辆在某具体位置,距离停止线的长度。时间维度可以理解为以车辆在某具体位置时的时刻与车辆轨迹的第一个点的时刻之差。车道维度可以理解为车辆在具体某个车道。通过车道维度、距离维度、时间维度以及流向维度建立车道-距离-时间-流向的行为特征图谱。
在S260中,以车道-距离-时间-流向的行为特征图谱为基础框架,对每个车辆对象建立行为预测函数实例,将每个车辆的车辆图像行为特征、车辆轨迹行为特征以及车辆驾驶行为特征放入到基础框架中,形成以行为特征、车道、距离、时间为输入,车辆流向为输出的车辆行为预测模型。在车辆行为预测模型中对于每个车辆流向的输出为概率值输出,根据概率值进行排序,将最大概率值对应的流向作为最终的车辆流向预测结果。
在S270中,根据S210至S260建立的车辆行为预测模型,通过每个预测车辆所在的车道、时间戳、距离停止线的长度、车辆图像行为特征、车辆轨迹行为特征、车辆驾驶行为特征作为输入,对预测车辆的流向进行预测,获知预测车辆是否发生左转、左转+调头、直行、直左、右转、直右等,进而可以获知预测车辆在每个时刻的流向预测结果。
本发明提供的车辆流向预测方法,根据车辆图像数据、车辆轨迹数据以及车辆驾驶数据可以分别获取每个车辆的车辆图像行为特征、车辆轨迹行为特征以及车辆驾驶行为特征,充分考虑了车辆的多个表现行为特征,从多个角度对车辆进行了充分分析。进而,以每个车辆的车道、距离、时间以及流向为多个不同维度,构建图谱框架,将车辆图像行为特征、车辆轨迹行为特征以及车辆驾驶行为特征融入到图谱框架中,形成了车辆图像行为特征、车辆轨迹行为特征、车辆驾驶行为特征、车道、距离、时间、流向,彼此相互对应的多输入单输出的车辆行为预测模型。根据车辆行为预测模型,以行为特征、车道、距离、时间为输入,则可以预测获得每个车辆的车辆流向。
通过本发明提供的车辆流向预测方法,以高频率、全采样、全自动化数据代替人工低频率、实地抽时段、手动统计,具有安全、高效、公平的优点,可以快速准确地对每个车辆的车辆流向进行预测,提高了准确度。从而,将本发明提供的车辆流向预测方法,应用到优化路口交通信号控制方案中,可以更好地保障路口安全、高效、公平运行,提高了对路口交通管理的效率。
在一个实施例中,S220,根据车辆图像数据,获取每个车辆的车辆图像行为特征,包括:
S221,根据卷积神经网络方法对车辆图像数据进行转向灯闪烁检测,获得车辆转向行为特征;
S222,根据支持向量机方法对车辆图像数据进行驾驶员姿态筛选,获得驾驶员姿态行为特征;
其中,车辆转向行为特征与驾驶员姿态行为特征形成车辆图像行为特征。
本实施例中,车辆图像数据来源于对各个车辆采集的视频图像。通过卷积神经网络对视频图像进行图像识别处理,识别出每个车辆的转向灯闪烁情况,进而获得每个车辆对应的车辆转向行为特征。对各个车辆采集的视频图像中包括了车辆的行为特征与驾驶员姿态的行为特征。通过支持向量机方法对车辆图像中各个驾驶员的姿态进行筛选,可以获知驾驶员姿态行为特征。本实施例中涉及到对车辆转向行为特征与驾驶员姿态行为特征的描述,对于车辆图像行为特征并不仅限于车辆转向行为特征与驾驶员姿态行为特征,还包括关于从车辆图像中能够获知的其他的行为特征。通过获取车辆图像行为特征,可以反映出车辆的转向情况以及驾驶员的姿态情况,充分体现了车辆与驾驶员的驾驶状态行为,为后续步骤中的车辆流向预测提供了可靠全面的依据。
在一个实施例中,S230,根据车辆轨迹数据,获取每个车辆的车辆轨迹行为特征,包括:
S231,根据车辆轨迹数据中轨迹线与车道线的位置关系,获取车辆多车道并线行为;
S232,根据车辆轨迹数据中轨迹点的车速与时间,计算车辆异常减速行为或者车辆异常加速行为;
其中,车辆多车道并线行为、车辆异常减速行为以及车辆异常加速行为形成车辆轨迹行为特征。
本实施例中,车辆轨迹数据包括了车辆每个轨迹点,多个轨迹点形成了轨迹线,表征了车辆的行驶路线。通过将轨迹线的位置与车道线的位置进行对比,可以获知车辆是否尝试进行车道并线,进而获知车辆是否存在车道并线行为。同时,车辆轨迹数据中每个轨迹点对应一个位置,并对应时间戳与车速,通过对各个轨迹点的车速与时间进行计算,可以获知车辆是否存在减速或者加速行为。车辆异常减速行为可以理解为由一个速度减速至另一个速度时,减速过快,例如紧急刹车等异常情况。车辆异常加速行为可以理解为由一个速度加速至另一个速度时,加速过快,例如超过道路规定的行驶速度等异常情况。通过车辆多车道并线行为、车辆异常减速行为以及车辆异常加速行为形成了车辆轨迹行为特征,可以表明车辆在行驶轨迹过程中存在的行为特征。
本实施例中,车辆轨迹行为特征包括但不限于车辆多车道并线行为、车辆异常减速行为以及车辆异常加速行为,还包括其他可以表明车辆轨迹的行为特征。通过获取车辆轨迹行为特征,可以反映出车辆的行驶轨迹情况,与车辆图像行为特征进行互补,从多个不同角度描述车辆的行为特征,为后续步骤中的车辆流向预测提供了可靠全面的依据。
在一个实施例中,S240,根据车辆驾驶数据,获取每个车辆的车辆驾驶行为特征,包括:
S241,根据车辆驾驶数据,提取每个车辆的驾驶习惯特征;
S242,根据每个车辆的驾驶习惯特征,获取异常车辆驾驶行为特征。
本实施例中,对于每个车辆(也可以理解为驾驶员)都具有各自的驾驶习惯,通过获知每个车辆的驾驶习惯,可以更多的获知每个车辆的驾驶行为特征。从驾驶习惯特征中筛选出异常车辆驾驶行为特征,例如左转道直行、直行道左转、调头、加塞等,可以进一步对每个车辆进行特征化,进而实现区分,使得各个车辆之间可以在车道、距离、时间以及流向形成的图谱框架中实现不同特征表示,更有利于车辆行为预测模型的构建,以提高预测准确度。
在一个实施例中,S260,将每个车辆的车辆图像行为特征、车辆轨迹行为特征以及车辆驾驶行为特征输入至图谱框架中,形成以行为特征、车道、距离、时间为输入且流向为输出的车辆行为预测模型,包括:
S261,对每个车辆的车辆图像行为特征、车辆轨迹行为特征以及车辆驾驶行为特征分别进行第一权重系数、第二权重系数以及第三权重系数加权,获得加权车辆图像行为特征、加权车辆轨迹行为特征以及加权车辆驾驶行为特征;
S262,将加权车辆图像行为特征、加权车辆轨迹行为特征以及加权车辆驾驶行为特征输入至图谱框架中,形成车辆行为预测模型。
其中,第一权重系数小于第二权重系数,第二权重系数小于第三权重系数。
本实施例中,以车道-距离-时间-流向的行为特征图谱为基础框架,对每个车辆对象建立行为预测函数实例。第一权重系数对应车辆图像行为特征,第二权重系数对应车辆轨迹行为特征,第三权重系数对应车辆驾驶行为特征。通过第一权重系数、第二权重系数以及第三权重系数,分别对车辆图像行为特征、车辆轨迹行为特征以及车辆驾驶行为特征设置不同大小的预估权重,获得不同权重系数加权后的加权车辆图像行为特征、加权车辆轨迹行为特征以及加权车辆驾驶行为特征,对不同行为特征之间进行了不同程度的约束。第一权重系数小于第二权重系数,第二权重系数小于第三权重系数,使得车辆图像行为特征、车辆轨迹行为特征以及车辆驾驶行为特征之间依次占有逐渐减低的不同比重,更好地调整车辆图像行为特征、车辆轨迹行为特征以及车辆驾驶行为特征在车道-距离-时间-流向的行为特征图谱中的重要程度占比,更好地实现对车辆行为预测模型的构建。从而,将每个车辆的加权车辆图像行为特征、加权车辆轨迹行为特征以及加权车辆驾驶行为特征放入到基础框架中,形成以行为特征、车道、距离、时间为输入,车辆流向为输出的车辆行为预测模型。
本发明中基于多模态感知的车流量预测方法对车流量的预测结果与车辆流向预测方法对车辆流向的预测结果,可以应用于城市交通信号机控制方法中,以提高对路口交通管理的效率。
请参见图3,本发明提供一种城市交通信号机控制方法,包括:
S310,获取车辆轨迹数据,对车辆轨迹数据中车辆轨迹进行聚类,获得轨迹稠密区域形成的控制节点边界,将控制节点边界内的路口集合形成控制子区;
S320,获取在控制子区内多个车辆的车辆流向与各路口空间拓扑关系,根据车辆流向与各路口空间拓扑关系,以多个车辆流向经过的路口形成干线控制路段;
S330,根据车辆轨迹数据中车速时间分布,对车速进行聚类,筛选出预设车速对应的时间分布阶段,并根据时间分布阶段内的车流量,将时间分布阶段划分形成干线控制路段的干线控制时段;
S340,根据干线控制时段内的车流量,获得干线协调方向的放行相位;
S350,根据干线控制时段内的最大车流量,计算干线协调方向的相位放行时长。
本实施例中,在S310中,通过对每个车辆进行追踪,能够获得每个车辆的车辆轨迹数据。通过聚类分析方法对车辆轨迹数据中的车辆轨迹进行聚类分析,将多个车辆轨迹进行区域划分,形成轨迹稠密区域与轨迹稀疏区域。以轨迹稠密区域为控制节点边界,作为依据,对边界内对应的各个路口的集合进行统计,形成对应的控制子区。从而,控制子区内车辆轨迹相对稠密,行驶的车辆多。
在S320中,控制子区内对应着多个路口,各个路口之间对应着空间拓扑关系,表明了各个路口之间的空间位置关系。本实施例中的车辆流向可以通过上述实施例中车辆流向预测方法进行预测获得。在控制子区内,以多个车辆流向所经过的路口作为干线控制路段,也可以理解为主要车辆流向所经过的路口作为干线控制路段,也可以理解为对所有路口进行划分,多数车辆流向经过的路口作为干线控制路段,少数车辆流向经过的路口作为单点控制节点,即控制子区内剩余路口作为单点控制节点。在一个实施例中,多个与少个或者多数与少数,可以根据实际交通情况进行划分,划分为干线控制路段与单点控制节点,可以实现针对某些具体位置进行不同情况的相位与时长的控制。
在S330中,车辆轨迹数据经由时间序列数据集获得,包括时间戳、经度、纬度、速度等信息。车速时间分布可以理解为车速与时间戳的分布关系。通过聚类分析方法对车速进行聚类分析,筛选出某一个车速对应的时间分布阶段。在一个实施例中,预设车速可以为85%位车速,可以理解为速度由小至大排列的第85%位置的速度。从车速时间分布中筛选出预设车速对应的不同时间,形成时间分布阶段。在不同时间分布阶段内,根据对应的车流量进一步划分,形成了低峰时间、早高峰时间、平峰时间、午高峰时间、平峰时间、晚高峰时间以及低峰时间。可以理解为,在低峰时间内,预设车速对应的车流量小,在早高峰时间、午高峰时间以及晚高峰时间内,预设车速对应的车流量大,以此类推,将当前时刻到当天24:00的控制时段进行划分,形成干线控制路段对应的干线控制时段。在一个实施例中,聚类分析方法可以为k-means聚类算法等,本实施例中不做具体限定。
在S340中,不同的干线控制时段对应不同的车流量,根据对应的不同大小的车流量,对干线协调方向的相位进行调整控制,获得对应的放行相位。协调方向可以理解为一路绿波的方向,其他方向为非协调方向,可以根据车流量的大小进行调节控制,以满足通行需求。
在S350中,在干线协调方向,以干线控制时段内的最大车流量为目标,计算对应的最大可行放行带宽,作为干线协调方向的相位放行时长。
本发明提供的城市交通信号机控制方法,通过对实时的车辆轨迹数据中车辆轨迹进行聚类分析,获取控制节点边界内的路口集,形成控制子区,对交通行驶区域进行了划分,将交通拥堵的区域划分出来,进一步基于车辆流向与各路口空间拓扑关系,形成多数车辆流向经过的干线控制路段。通过对实时获取的车辆轨迹数据中车速时间分布进行聚类分析形成时间分布阶段,并在时间分布阶段基础上,根据车流量划分形成干线控制时段。本实施例中,干线控制路段与干线控制时段的划分依靠于实时获取的车辆轨迹数据与车流量,可以根据实际交通情况进行动态控制,实时动态改变干线控制路段与干线控制时段。从而,根据干线控制路段的干线控制时段内的车流量,对干线协调方向的放行相位进行实时动态调整。并根据最大车流量计算获得对应的相位放行时长。本实施例中,车辆流向的获取过程通过本发明中上述实施例中提供的车辆流向预测方法获得。车流量的获取过程通过本发明中上述实施例中提供的基于多模态感知的车流量预测方法获得。基于实时获取的车辆流向与车流量,实现了对干线控制时段内的干线协调方向的放行相位与相位放行时长的计算,获得了在干线控制时段内的干线协调方向的干线交通信号控制方案,实现了通过道路的实际交通情况进行动态控制,能够解决路口车辆拥堵的问题,节省了人力物力成本。因此,通过本发明提供的城市交通信号机控制方法,以高频率、全采样、全自动化数据代替人工低频率、实地抽时段、手动统计,以自动化算法代替人工配时,具有安全、高效、公平的优点,可以更好地保障路口安全、高效、公平运行。
在一个实施例中,城市交通信号机控制方法还包括:
S360,根据干线控制时段内的车流量与车辆流向,计算干线非协调方向的流向流量比例;
S370,根据干线非协调方向的流向流量比例,获得干线非协调方向的放行相位;
S380,根据干线协调方向的放行相位与干线非协调方向的放行相位,以顺时针方向为放行顺序,获得干线控制时段内的相位序列。
本实施例中,在干线控制时段内,非协调方向为多个,不同的非协调方向对应不同的车辆流向,不同的车辆流向对应不同的车流量,进而形成了不同的流向流量比例。不同的干线非协调方向对应不同的流向流量比例。流向流量比例可以理解为不同车辆流向的车流量对应的相对比例关系。根据流向流量比例大小,获得对应的不同放行相位。干线协调方向的放行相位与干线非协调方向的放行相位会存在多个不同的相位,以顺时针方向为放行顺序,得到干线控制时段内的相位序列,从而计算出干线交通信号控制方案的相位序列。基于实时获取的车辆流向与车流量,实现了对干线非协调方向的放行相位的计算,获得了在干线控制时段内的相位序列,可以更好地保障路口安全、高效、公平运行。
在一个实施例中,城市交通信号机控制方法还包括:
S390,根据阿克赛利克方法确定干线信控周期时长;
S400,根据干线信控周期时长与干线协调方向的相位放行时长,计算获得干线周期剩余时长,在干线周期剩余时长内,根据干线非协调方向的流向流量比例对干线非协调方向分配时长,获得干线非协调方向的相位放行时长;
S410,根据干线协调方向的相位放行时长与干线非协调方向的相位放行时长,获得干线控制时段内的各个相位的放行时长。
本实施例中,通过根据干线控制时段内的车流量与车辆流向,计算干线非协调方向的流向流量比例,可以满足各个车辆流向的通行需求。阿克赛利克方法也称为ARRB法,确定周期时长。在一个实施例中,也可以通过韦伯斯特配时法来确定周期时长。韦伯斯特配时法也称为TRRL法或者Webster法。流向流量比例可以反映出每个车辆流向的车流量比例,进而能够反映出通行需求,从而根据不同的通行需求分配不同的放行时长。干线信控周期时长减去干线协调方向的相位放行时长,获得干线周期剩余时长,也就是一个周期剩余时间。根据干线非协调方向的流向流量比例,对干线周期剩余时长进行分配,实现干线非协调方向的放行时长的分配,从而确定每个相位的放行时长。
以干线非协调方向的流向流量比例为通行需求,在一个周期时长内分配时长,获得每个车辆流向对应的分配时长,从而获知各个干线非协调方向对应的放行时长。因此,根据干线协调方向的相位放行时长与干线非协调方向的相位放行时长,能够获得干线控制时段内的各个相位的放行时长,计算出干线交通信号控制方案的各个相位的放行时长。基于实时获取的车辆流向与车流量,实现了对干线非协调方向的相位放行时长的计算,获得了在干线控制时段内的各个相位的放行时长,可以更好地保障路口安全、高效、公平运行。
在一个实施例中,城市交通信号机控制方法还包括:
S420,控制子区内,以少个车辆流向经过的路口形成单点控制节点;
S430,根据单点控制时段内车流量,获得单点协调方向的放行相位;
S440,根据单点控制时段内的最大车流量,计算单点协调方向的相位放行时长。
本实施例中,在控制子区内,以主要车辆流向所经过的路口作为干线控制路段,控制子区内剩余路口作为单点控制节点。根据S330与S340步骤中干线控制时段的划分原理,单点控制时段为单点控制节点对应的控制时段。在一个实施例中,单点控制时段与干线控制时段为相同的控制时段。在单点控制节点内,不同路口对应不同的车辆流向,不同车辆流向对应着不同的车流量,不同的单点控制时段内对应不同的车流量,根据车流量大小可以确定出对应的放行相位,对单点协调方向的相位进行调整控制,从而获知各个单点控制节点的协调方向对应的放行相位。以单点控制时段内的最大车流量为目标,计算对应的最大可行放行带宽,作为单点协调方向的相位放行时长。从而,基于实时获取的车辆流向与车流量,实现了对单点控制节点内的单点协调方向的放行相位与相位放行时长的计算,获得了在单点控制节点内的单点协调方向的单点交通信号控制方案,实现了通过道路的实际交通情况进行动态控制,能够解决路口车辆拥堵的问题,节省了人力物力成本,可以更好地保障路口安全、高效、公平运行。
在一个实施例中,城市交通信号机控制方法还包括:
S450,根据单点控制时段内的车流量与车辆流向,计算单点非协调方向的流向流量比例;
S460,根据单点非协调方向的流向流量比例,获得单点非协调方向的放行相位;
S470,根据单点协调方向的放行相位与单点非协调方向的放行相位,以顺时针方向为放行顺序,获得单点控制时段内的相位序列。
本实施例中,在单点控制时段内,非协调方向为多个,不同的非协调方向对应不同的车辆流向,不同的车辆流向对应不同的车流量,进而形成了不同的流向流量比例。不同的单点非协调方向对应不同的流向流量比例。根据流向流量比例大小,获得对应的不同放行相位。单点协调方向的放行相位与单点非协调方向的放行相位会存在多个不同的相位,以顺时针方向为放行顺序,得到单点控制时段内的相位序列,从而计算出单点交通信号控制方案的相位序列。基于实时获取的车辆流向与车流量,实现了对单点非协调方向的放行相位的计算,获得了在单点控制时段内的相位序列,可以更好地保障路口安全、高效、公平运行。
在一个实施例中,城市交通信号机控制方法还包括:
S480,根据阿克赛利克方法确定单点信控周期时长;
S490,根据单点信控周期时长与单点协调方向的相位放行时长,计算获得单点周期剩余时长,在单点周期剩余时长内,根据单点非协调方向的流向流量比例对单点非协调方向分配时长,获得单点非协调方向的相位放行时长;
S500,根据单点协调方向的相位放行时长与单点非协调方向的相位放行时长,获得单点控制时段内的各个相位的放行时长。
本实施例中,单点信控周期时长减去单点协调方向的相位放行时长,获得单点周期剩余时长,也就是一个周期剩余时间。根据单点非协调方向的流向流量比例,对单点周期剩余时长进行分配,实现单点非协调方向的放行时长的分配,从而确定每个相位的放行时长。以单点非协调方向的流向流量比例为通行需求,在一个周期时长内分配时长,获得每个车辆流向对应的分配时长,从而获知各个单点非协调方向对应的放行时长。因此,根据单点协调方向的相位放行时长与单点非协调方向的相位放行时长,获得单点控制时段内的各个相位的放行时长,进而获得单点控制节点在单点控制时段内的单点交通信号控制方案。从而,基于实时获取的车辆流向与车流量,实现了对单点非协调方向的相位放行时长的计算,获得了在单点控制时段内的各个相位的放行时长,可以更好地保障路口安全、高效、公平运行。
通过城市交通信号机控制方法,按照干线控制时段输出获得干线交通信号控制方案,并实时输出获得干线交通信号控制方案中协调方向与非协调方向的各个相位的控制时长。按照单点控制时段输出获得单点交通信号控制方案,并实时输出获得单点交通信号控制方案中协调方向与非协调方向的各个相位的控制时长。从而,将干线交通信号控制方案与单点交通信号控制方案下发到信号机执行,按时段下发控制方案中固定不变的参数如时段划分、相位序列、协调方向、周期时长等信息,并实时下发各相位的放行时长。
请参见图4,本发明提供一种基于多模态感知的车流量预测系统。基于多模态感知的车流量预测系统包括时间序列数据集获取模块110、数据分析模块120、数据处理模块130、约束条件判断模块140以及全局预测车流量获取模块150。时间序列数据集获取模块110用于获取多模态感知数据,将地图车道信息与多模态感知数据进行匹配,获得每个车道的时间序列数据集。
数据分析模块120用于对时间序列数据集进行分析预测,获得每个单路口的固定车辆流量与随机车辆流量。数据处理模块130用于对固定车辆流量与随机车辆流量进行加权平均处理,获得每个单路口的路口预测车流量。约束条件判断模块140用于根据路口预测车流量、单路口之间的空间拓扑关系以及路口上下游驶出驶入关系,判断全局预测车流量是否满足全局约束条件。全局预测车流量获取模块150用于当全局预测车流量满足全局约束条件时,则将全局预测车流量作为预测结果。
本实施例中,时间序列数据集获取模块110的相关描述可参考上述实施例中S110的相关描述。数据分析模块120的相关描述可参考上述实施例中S120的相关描述。数据处理模块130的相关描述可参考上述实施例中S130的相关描述。约束条件判断模块140的相关描述可参考上述实施例中S140的相关描述。全局预测车流量获取模块150的相关描述可参考上述实施例中S150的相关描述。
在一个实施例中,基于多模态感知的车流量预测系统还包括权重系数修正模块160。权重系数修正模块160用于若全局预测车流量不满足全局约束条件,则对固定车辆流量与随机车辆流量进行加权平均处理中的权重系数进行修正,直至满足全局约束条件;
其中,固定车辆流量对应的权重系数大于随机车辆流量对应的权重系数。
本实施例中,权重系数修正模块160的相关描述可参考上述实施例中S160的相关描述。
在一个实施例中,约束条件判断模块140包括面积约束判断模块。面积约束判断模块用于根据路口预测车流量、单路口之间的空间拓扑关系以及路口上下游驶出驶入关系,判断基于全局预测车流量中车辆聚集区域数量与车辆平均投影面积的乘积是否小于或等于聚集区域面积。
本实施例中,面积约束判断模块的相关描述可参考上述实施例中S141的相关描述。
在一个实施例中,数据分析模块120包括固定车辆流量预测模块与随机车辆流量预测模块。固定车辆流量预测模块用于根据时间序列分析法,对时间序列数据集进行分析预测,获得每个单路口的固定车辆流量。随机车辆流量预测模块用于根据随机车型与时间的正态分布模型,对时间序列数据集进行分析预测,获得每个单路口的随机车辆流量。
本实施例中,固定车辆流量预测模块的相关描述可参考上述实施例中S121的相关描述。随机车辆流量预测模块的相关描述可参考上述实施例中S122的相关描述。
在一个实施例中,数据处理模块130包括第一处理模块、第二处理模块以及加权平均处理模块。第一处理模块用于对固定车辆流量依次进行突变流量平滑与进出总量校验,获得预处理固定车辆流量。第二处理模块用于对随机车辆流量依次进行突变流量平滑与进出总量校验,获得预处理随机车辆流量。加权平均处理模块用于对预处理固定车辆流量与预处理随机车辆流量进行加权平均处理,获得路口预测车流量。
本实施例中,第一处理模块的相关描述可参考上述实施例中S131的相关描述。第二处理模块的相关描述可参考上述实施例中S132的相关描述。加权平均处理模块的相关描述可参考上述实施例中S133的相关描述。
请参见图5,本发明提供一种车辆流向预测系统。车辆流向预测系统包括数据获取模块210、图像行为获取模块220、轨迹行为获取模块230、驾驶行为获取模块240、图谱框架构建模块250、预测模型形成模块260以及流向预测模块270。数据获取模块210用于获取车辆图像数据、车辆轨迹数据以及车辆驾驶数据。图像行为获取模块220用于根据车辆图像数据,获取每个车辆的车辆图像行为特征。轨迹行为获取模块230用于根据车辆轨迹数据,获取每个车辆的车辆轨迹行为特征。
驾驶行为获取模块240用于根据车辆驾驶数据,获取每个车辆的车辆驾驶行为特征。图谱框架构建模块250用于根据每个车道的车辆实时数据,建立以车道、距离、时间以及流向为维度的图谱框架。预测模型形成模块260用于将每个车辆的车辆图像行为特征、车辆轨迹行为特征以及车辆驾驶行为特征输入至图谱框架中,形成以行为特征、车道、距离、时间为输入且流向为输出的车辆行为预测模型。流向预测模块270用于根据车辆行为预测模型对每个预测车辆的流向进行预测。
本实施例中,数据获取模块210的相关描述可参考上述实施例中S210的相关描述。图像行为获取模块220的相关描述可参考上述实施例中S220的相关描述。轨迹行为获取模块230的相关描述可参考上述实施例中S230的相关描述。驾驶行为获取模块240的相关描述可参考上述实施例中S240的相关描述。图谱框架构建模块250的相关描述可参考上述实施例中S250的相关描述。预测模型形成模块260的相关描述可参考上述实施例中S260的相关描述。流向预测模块270的相关描述可参考上述实施例中S270的相关描述。
在一个实施例中,图像行为获取220模块包括转向行为获取模块与姿态行为获取模块。转向行为获取模块用于根据卷积神经网络方法对车辆图像数据进行转向灯闪烁检测,获得车辆转向行为特征。姿态行为获取模块用于根据支持向量机方法对车辆图像数据进行驾驶员姿态筛选,获得驾驶员姿态行为特征。
其中,车辆转向行为特征与驾驶员姿态行为特征形成车辆图像行为特征。
本实施例中,转向行为获取模块的相关描述可参考上述实施例中S221的相关描述。姿态行为获取模块的相关描述可参考上述实施例中S222的相关描述。
在一个实施例中,轨迹行为获取模块230包括并线行为获取模块与速度异常行为获取模块。并线行为获取模块用于根据车辆轨迹数据中轨迹线与车道线的位置关系,获取车辆多车道并线行为。速度异常行为获取模块用于根据车辆轨迹数据中轨迹点的车速与时间,计算车辆异常减速行为或者车辆异常加速行为。
其中,车辆多车道并线行为、车辆异常减速行为以及车辆异常加速行为形成车辆轨迹行为特征。
本实施例中,并线行为获取模块的相关描述可参考上述实施例中S231的相关描述。速度异常行为获取模块的相关描述可参考上述实施例中S232的相关描述。
在一个实施例中,驾驶行为获取模块240包括驾驶习惯获取模块与异常驾驶习惯获取模块。驾驶习惯获取模块用于根据车辆驾驶数据,提取每个车辆的驾驶习惯特征。异常驾驶习惯获取模块用于根据每个车辆的驾驶习惯特征,获取异常车辆驾驶行为特征。
本实施例中,驾驶习惯获取模块的相关描述可参考上述实施例中S241的相关描述。异常驾驶习惯获取模块的相关描述可参考上述实施例中S242的相关描述。
在一个实施例中,预测模型形成模块260包括权重加权模块与模型构建模块。权重加权模块用于对每个车辆的车辆图像行为特征、车辆轨迹行为特征以及车辆驾驶行为特征分别进行第一权重系数、第二权重系数以及第三权重系数加权,获得加权车辆图像行为特征、加权车辆轨迹行为特征以及加权车辆驾驶行为特征。模型构建模块用于将加权车辆图像行为特征、加权车辆轨迹行为特征以及加权车辆驾驶行为特征输入至图谱框架中,形成车辆行为预测模型。
其中,第一权重系数小于第二权重系数,第二权重系数小于第三权重系数。
本实施例中,权重加权模块的相关描述可参考上述实施例中S261的相关描述。模型构建模块的相关描述可参考上述实施例中S262的相关描述。
请参见图6,本发明提供一种城市交通信号机控制系统包括控制子区形成模块310、干线控制路段形成模块320、干线控制时段形成模块330、干线协调相位获取模块340以及干线协调时长获取模块350。控制子区形成模块310用于获取车辆轨迹数据,对车辆轨迹数据中车辆轨迹进行聚类,获得轨迹稠密区域形成的控制节点边界,将控制节点边界内的路口集合形成控制子区。干线控制路段形成模块320用于获取在控制子区内多个车辆的车辆流向与各路口空间拓扑关系,根据车辆流向与各路口空间拓扑关系,以多个车辆流向经过的路口形成干线控制路段。
干线控制时段形成模块330用于根据车辆轨迹数据中车速时间分布,对车速进行聚类,筛选出预设车速对应的时间分布阶段,并根据时间分布阶段内的车流量,将时间分布阶段划分形成干线控制路段的干线控制时段。干线协调相位获取模块340用于根据干线控制时段内的车流量,获得干线协调方向的放行相位。干线协调时长获取模块350用于根据干线控制时段内的最大车流量,计算干线协调方向的相位放行时长。
本实施例中,控制子区形成模块310的相关描述可参考上述实施例中S310的相关描述。干线控制路段形成模块320的相关描述可参考上述实施例中S320的相关描述。干线控制时段形成模块330的相关描述可参考上述实施例中S330的相关描述。干线协调相位获取模块340的相关描述可参考上述实施例中S340的相关描述。干线协调时长获取模块350的相关描述可参考上述实施例中S350的相关描述。
在一个实施例中,城市交通信号机控制系统还包括第一比例计算模块、干线非协调相位获取模块以及干线相位序列获取模块。第一比例计算模块用于根据干线控制时段内的车流量与车辆流向,计算干线非协调方向的流向流量比例。干线非协调相位获取模块用于根据干线非协调方向的流向流量比例,获得干线非协调方向的放行相位。干线相位序列获取模块用于根据干线协调方向的放行相位与干线非协调方向的放行相位,以顺时针方向为放行顺序,获得干线控制时段内的相位序列。
本实施例中,第一比例计算模块的相关描述可参考上述实施例中S360的相关描述。干线非协调相位获取模块的相关描述可参考上述实施例中S370的相关描述。干线相位序列获取模块的相关描述可参考上述实施例中S380的相关描述。
在一个实施例中,城市交通信号机控制系统还包括干线信控周期获取模块、干线非协调时长获取模块以及干线放行时长获取模块。干线信控周期获取模块用于根据阿克赛利克方法确定干线信控周期时长。干线非协调时长获取模块用于根据干线信控周期时长与干线协调方向的相位放行时长,计算获得干线周期剩余时长,在干线周期剩余时长内,根据干线非协调方向的流向流量比例对干线非协调方向分配时长,获得干线非协调方向的相位放行时长。干线放行时长获取模块用于根据干线协调方向的相位放行时长与干线非协调方向的相位放行时长,获得干线控制时段内的各个相位的放行时长。
本实施例中,干线信控周期获取模块的相关描述可参考上述实施例中S390的相关描述。干线非协调时长获取模块的相关描述可参考上述实施例中S400的相关描述。干线放行时长获取模块的相关描述可参考上述实施例中S410的相关描述。
在一个实施例中,城市交通信号机控制系统还包括单点控制节点形成模块、单点协调相位获取模块以及单点协调时长获取模块。单点控制节点形成模块用于控制子区内,以少个车辆流向经过的路口形成单点控制节点。单点协调相位获取模块用于根据单点控制时段内的车流量,获得单点协调方向的放行相位。单点协调时长获取模块用于根据单点控制时段内的最大车流量,计算单点协调方向的相位放行时长。
本实施例中,单点控制节点形成模块的相关描述可参考上述实施例中S420的相关描述。单点协调相位获取模块的相关描述可参考上述实施例中S430的相关描述。单点协调时长获取模块的相关描述可参考上述实施例中S440的相关描述。
在一个实施例中,城市交通信号机控制系统还包括第二比例计算模块、单点非协调相位获取模块以及单点相位序列获取模块。第二比例计算模块用于根据单点控制时段内的车流量与车辆流向,计算单点非协调方向的流向流量比例。单点非协调相位获取模块用于根据单点非协调方向的流向流量比例,获得单点非协调方向的放行相位。单点相位序列获取模块用于根据单点协调方向的放行相位与单点非协调方向的放行相位,以顺时针方向为放行顺序,获得单点控制时段内的相位序列。
本实施例中,第二比例计算模块的相关描述可参考上述实施例中S450的相关描述。单点非协调相位获取模块的相关描述可参考上述实施例中S460的相关描述。单点相位序列获取模块的相关描述可参考上述实施例中S470的相关描述。
在一个实施例中,城市交通信号机控制系统还包括单点信控周期获取模块、单点非协调时长获取模块以及单点放行时长获取模块。单点信控周期获取模块用于根据阿克赛利克方法确定单点信控周期时长。单点非协调时长获取模块用于根据单点信控周期时长与单点协调方向的相位放行时长,计算获得单点周期剩余时长,在单点周期剩余时长内,根据单点非协调方向的流向流量比例对单点非协调方向分配时长,获得单点非协调方向的相位放行时长。单点放行时长获取模块用于根据单点协调方向的相位放行时长与单点非协调方向的相位放行时长,获得单点控制时段内的各个相位的放行时长。
本实施例中,单点信控周期获取模块的相关描述可参考上述实施例中S480的相关描述。单点非协调时长获取模块的相关描述可参考上述实施例中S490的相关描述。单点放行时长获取模块的相关描述可参考上述实施例中S500的相关描述。
上述各个实施例中,公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好,应该理解,过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。
本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block),模块和步骤可以通过电子硬件、电脑软件,或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability),上述的各种说明性部件(illustrative components),模块和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用,可以使用各种方法实现所述的功能,但这种实现不应被理解为超出本发明实施例保护的范围。
本发明实施例中所描述的各种说明性的逻辑块,或模块都可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于用户终端中。可选地,处理器和存储媒介也可以设置于用户终端中的不同的部件中。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (11)
1.一种车辆流向预测方法,其特征在于,包括:
获取车辆图像数据、车辆轨迹数据以及车辆驾驶数据;
根据所述车辆图像数据,获取每个车辆的车辆图像行为特征;
根据所述车辆轨迹数据,获取每个车辆的车辆轨迹行为特征;
根据所述车辆驾驶数据,获取每个车辆的车辆驾驶行为特征;
根据每个车道的车辆实时数据,建立以车道、距离、时间以及流向为维度的图谱框架;
将每个车辆的所述车辆图像行为特征、所述车辆轨迹行为特征以及所述车辆驾驶行为特征输入至所述图谱框架中,形成以行为特征、车道、距离、时间为输入且流向为输出的车辆行为预测模型;
根据所述车辆行为预测模型对每个预测车辆的流向进行预测。
2.根据权利要求1所述的车辆流向预测方法,其特征在于,所述根据所述车辆图像数据,获取每个车辆的车辆图像行为特征,包括:
根据卷积神经网络方法对所述车辆图像数据进行转向灯闪烁检测,获得车辆转向行为特征;
根据支持向量机方法对所述车辆图像数据进行驾驶员姿态筛选,获得驾驶员姿态行为特征;
其中,所述车辆转向行为特征与所述驾驶员姿态行为特征形成所述车辆图像行为特征。
3.根据权利要求1所述的车辆流向预测方法,其特征在于,所述根据所述车辆轨迹数据,获取每个车辆的车辆轨迹行为特征,包括:
根据所述车辆轨迹数据中轨迹线与车道线的位置关系,获取车辆多车道并线行为;
根据所述车辆轨迹数据中轨迹点的车速与时间,计算车辆异常减速行为或者车辆异常加速行为;
其中,所述车辆多车道并线行为、所述车辆异常减速行为以及所述车辆异常加速行为形成所述车辆轨迹行为特征。
4.根据权利要求1所述的车辆流向预测方法,其特征在于,所述根据所述车辆驾驶数据,获取每个车辆的车辆驾驶行为特征,包括:
根据所述车辆驾驶数据,提取每个车辆的驾驶习惯特征;
根据每个车辆的所述驾驶习惯特征,获取异常车辆驾驶行为特征。
5.根据权利要求1所述的车辆流向预测方法,其特征在于,所述将每个车辆的所述车辆图像行为特征、所述车辆轨迹行为特征以及所述车辆驾驶行为特征输入至所述图谱框架中,形成以行为特征、车道、距离、时间为输入且流向为输出的车辆行为预测模型,包括:
对每个车辆的所述车辆图像行为特征、所述车辆轨迹行为特征以及所述车辆驾驶行为特征分别进行第一权重系数、第二权重系数以及第三权重系数加权,获得加权车辆图像行为特征、加权车辆轨迹行为特征以及加权车辆驾驶行为特征;
将所述加权车辆图像行为特征、所述加权车辆轨迹行为特征以及所述加权车辆驾驶行为特征输入至所述图谱框架中,形成所述车辆行为预测模型;
其中,所述第一权重系数小于所述第二权重系数,所述第二权重系数小于所述第三权重系数。
6.一种车辆流向预测系统,其特征在于,包括:
数据获取模块,用于获取车辆图像数据、车辆轨迹数据以及车辆驾驶数据;
图像行为获取模块,用于根据所述车辆图像数据,获取每个车辆的车辆图像行为特征;
轨迹行为获取模块,用于根据所述车辆轨迹数据,获取每个车辆的车辆轨迹行为特征;
驾驶行为获取模块,用于根据所述车辆驾驶数据,获取每个车辆的车辆驾驶行为特征;
图谱框架构建模块,用于根据每个车道的车辆实时数据,建立以车道、距离、时间以及流向为维度的图谱框架;
预测模型形成模块,用于将每个车辆的所述车辆图像行为特征、所述车辆轨迹行为特征以及所述车辆驾驶行为特征输入至所述图谱框架中,形成以行为特征、车道、距离、时间为输入且流向为输出的车辆行为预测模型;
流向预测模块,用于根据所述车辆行为预测模型对每个预测车辆的流向进行预测。
7.根据权利要求6所述的车辆流向预测系统,其特征在于,所述图像行为获取模块包括:
转向行为获取模块,用于根据卷积神经网络方法对所述车辆图像数据进行转向灯闪烁检测,获得车辆转向行为特征;
姿态行为获取模块,用于根据支持向量机方法对所述车辆图像数据进行驾驶员姿态筛选,获得驾驶员姿态行为特征;
其中,所述车辆转向行为特征与所述驾驶员姿态行为特征形成所述车辆图像行为特征。
8.根据权利要求6所述的车辆流向预测系统,其特征在于,所述轨迹行为获取模块包括:
并线行为获取模块,用于根据所述车辆轨迹数据中轨迹线与车道线的位置关系,获取车辆多车道并线行为;
速度异常行为获取模块,用于根据所述车辆轨迹数据中轨迹点的车速与时间,计算车辆异常减速行为或者车辆异常加速行为;
其中,所述车辆多车道并线行为、所述车辆异常减速行为以及所述车辆异常加速行为形成所述车辆轨迹行为特征。
9.根据权利要求6所述的车辆流向预测系统,其特征在于,所述驾驶行为获取模块包括:
驾驶习惯获取模块,用于根据所述车辆驾驶数据,提取每个车辆的驾驶习惯特征;
异常驾驶习惯获取模块,用于根据每个车辆的所述驾驶习惯特征,获取异常车辆驾驶行为特征。
10.根据权利要求6所述的车辆流向预测系统,其特征在于,所述预测模型形成模块包括:
权重加权模块,用于对每个车辆的所述车辆图像行为特征、所述车辆轨迹行为特征以及所述车辆驾驶行为特征分别进行第一权重系数、第二权重系数以及第三权重系数加权,获得加权车辆图像行为特征、加权车辆轨迹行为特征以及加权车辆驾驶行为特征;
模型构建模块,用于将所述加权车辆图像行为特征、所述加权车辆轨迹行为特征以及所述加权车辆驾驶行为特征输入至所述图谱框架中,形成所述车辆行为预测模型;
其中,所述第一权重系数小于所述第二权重系数,所述第二权重系数小于所述第三权重系数。
11.一种城市交通信号机控制方法,其特征在于,采用权利要求1至5中任一项所述的车辆流向预测方法获取车辆流向,所述车辆流向应用于城市交通信号机控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310427792.XA CN116153084B (zh) | 2023-04-20 | 2023-04-20 | 车辆流向预测方法、预测系统及城市交通信号机控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310427792.XA CN116153084B (zh) | 2023-04-20 | 2023-04-20 | 车辆流向预测方法、预测系统及城市交通信号机控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116153084A true CN116153084A (zh) | 2023-05-23 |
CN116153084B CN116153084B (zh) | 2023-09-08 |
Family
ID=86352789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310427792.XA Active CN116153084B (zh) | 2023-04-20 | 2023-04-20 | 车辆流向预测方法、预测系统及城市交通信号机控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116153084B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007272350A (ja) * | 2006-03-30 | 2007-10-18 | Honda Motor Co Ltd | 車両用運転支援装置 |
US20120109506A1 (en) * | 2010-11-01 | 2012-05-03 | International Business Machines Corporation | Real-time traffic analysis through integration of road traffic prediction and traffic microsimulation models |
EP3018026A1 (en) * | 2014-11-06 | 2016-05-11 | Autoliv Development AB | System and method for vehicle path prediction |
JP2016143399A (ja) * | 2015-02-05 | 2016-08-08 | ユニキャリア株式会社 | 車両進路表示装置 |
TWI624819B (zh) * | 2016-12-13 | 2018-05-21 | Chunghwa Telecom Co Ltd | Vehicle driving direction prediction system and method |
CN110400490A (zh) * | 2019-08-08 | 2019-11-01 | 腾讯科技(深圳)有限公司 | 轨迹预测方法和装置 |
CN110796858A (zh) * | 2019-10-24 | 2020-02-14 | 山东科技大学 | 一种基于视频过车数据的车辆轨迹预测方法及系统 |
CN112052339A (zh) * | 2020-07-24 | 2020-12-08 | 广东水利电力职业技术学院(广东省水利电力技工学校) | 基于知识图谱的目标轨迹预测方法、系统及存储介质 |
CN112687102A (zh) * | 2020-12-23 | 2021-04-20 | 大连理工大学 | 基于知识图谱和深度时空卷积的城域交通流量预测方法 |
JP2022080280A (ja) * | 2020-11-17 | 2022-05-27 | 清華大学 | ハイブリッド学習に基づくドライバー方向転換意思予測方法 |
CN115523934A (zh) * | 2022-08-23 | 2022-12-27 | 上汽大众汽车有限公司 | 一种基于深度学习的车辆轨迹预测方法及系统 |
CN115762139A (zh) * | 2022-10-31 | 2023-03-07 | 中汽创智科技有限公司 | 交叉路口预测轨迹的过滤方法、装置、设备及存储介质 |
-
2023
- 2023-04-20 CN CN202310427792.XA patent/CN116153084B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007272350A (ja) * | 2006-03-30 | 2007-10-18 | Honda Motor Co Ltd | 車両用運転支援装置 |
US20120109506A1 (en) * | 2010-11-01 | 2012-05-03 | International Business Machines Corporation | Real-time traffic analysis through integration of road traffic prediction and traffic microsimulation models |
EP3018026A1 (en) * | 2014-11-06 | 2016-05-11 | Autoliv Development AB | System and method for vehicle path prediction |
JP2016143399A (ja) * | 2015-02-05 | 2016-08-08 | ユニキャリア株式会社 | 車両進路表示装置 |
TWI624819B (zh) * | 2016-12-13 | 2018-05-21 | Chunghwa Telecom Co Ltd | Vehicle driving direction prediction system and method |
CN110400490A (zh) * | 2019-08-08 | 2019-11-01 | 腾讯科技(深圳)有限公司 | 轨迹预测方法和装置 |
CN110796858A (zh) * | 2019-10-24 | 2020-02-14 | 山东科技大学 | 一种基于视频过车数据的车辆轨迹预测方法及系统 |
CN112052339A (zh) * | 2020-07-24 | 2020-12-08 | 广东水利电力职业技术学院(广东省水利电力技工学校) | 基于知识图谱的目标轨迹预测方法、系统及存储介质 |
JP2022080280A (ja) * | 2020-11-17 | 2022-05-27 | 清華大学 | ハイブリッド学習に基づくドライバー方向転換意思予測方法 |
CN112687102A (zh) * | 2020-12-23 | 2021-04-20 | 大连理工大学 | 基于知识图谱和深度时空卷积的城域交通流量预测方法 |
CN115523934A (zh) * | 2022-08-23 | 2022-12-27 | 上汽大众汽车有限公司 | 一种基于深度学习的车辆轨迹预测方法及系统 |
CN115762139A (zh) * | 2022-10-31 | 2023-03-07 | 中汽创智科技有限公司 | 交叉路口预测轨迹的过滤方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
刘昭;: "汽车行驶状态参数预测的主动安全探讨", 科技创新导报, no. 11 * |
赵建玉;盖斐;贾磊;: "基于交通流预测的城市干道相交路口信号控制", 交通与计算机, no. 04 * |
Also Published As
Publication number | Publication date |
---|---|
CN116153084B (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021218235A1 (zh) | 一种道路交通拥堵预警方法及系统 | |
Zhang et al. | Optimizing minimum and maximum green time settings for traffic actuated control at isolated intersections | |
CN112017437B (zh) | 路口交通信息感知控制系统和方法 | |
CN113380027B (zh) | 一种基于多源数据的交叉口交通状态参数估计方法及系统 | |
CN109345832B (zh) | 一种基于深度递归神经网络的城市道路超车预测方法 | |
US20220327925A1 (en) | Method and system of predictive traffic flow and of traffic light control | |
Razavi et al. | Smart traffic light scheduling in smart city using image and video processing | |
Lee et al. | Group-based approach to predictive delay model based on incremental queue accumulations for adaptive traffic control systems | |
Long et al. | Deep reinforcement learning for transit signal priority in a connected environment | |
Yao et al. | An efficient heterogeneous platoon dispersion model for real-time traffic signal control | |
CN112926768A (zh) | 基于时空注意力机制的地面道路车道级交通流预测方法 | |
CN113362605A (zh) | 基于潜在同质区域辨识的分布式交通流优化系统及方法 | |
Hawas et al. | Optimized multistage fuzzy-based model for incident detection and management on urban streets | |
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 | |
Zhang et al. | A Hybrid Method of Traffic Congestion Prediction and Control | |
Hua et al. | Modeling and simulation of approaching behaviors to signalized intersections based on risk quantification | |
Zheng et al. | Critical gaps and follow-up headways at congested roundabouts | |
CN116153084B (zh) | 车辆流向预测方法、预测系统及城市交通信号机控制方法 | |
CN113140108A (zh) | 一种网联智能交通系统中的云端交通态势预测方法 | |
Ansariyar | Precision in Motion: Assessing the Accuracy of LiDAR Sensors for Delay Time Calculation at Signalized Intersections | |
Lan et al. | Empirical observations and formulations of tri-class traffic flow properties for design of traffic signals | |
Gupta et al. | LSTM based real-time smart parking system | |
CN116486623A (zh) | 车流量预测方法、预测系统及城市交通信号机控制方法 | |
CN116486630A (zh) | 基于多模态感知的城市交通信号机控制方法以及系统 | |
CN114913447A (zh) | 基于场景识别的警务智慧指挥室系统及方法 |
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 |