CN116311922A - 一种基于元胞自动机的交通运行态势预测方法以及系统 - Google Patents
一种基于元胞自动机的交通运行态势预测方法以及系统 Download PDFInfo
- Publication number
- CN116311922A CN116311922A CN202310187700.5A CN202310187700A CN116311922A CN 116311922 A CN116311922 A CN 116311922A CN 202310187700 A CN202310187700 A CN 202310187700A CN 116311922 A CN116311922 A CN 116311922A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- traffic
- model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000001413 cellular effect Effects 0.000 title claims abstract description 29
- 238000004088 simulation Methods 0.000 claims abstract description 70
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 238000012544 monitoring process Methods 0.000 claims abstract description 24
- 230000001133 acceleration Effects 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013079 data visualisation Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000001502 supplementing effect Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 238000005094 computer simulation Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 230000008520 organization Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000013459 approach Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract 1
- 238000005588 Kraus reaction Methods 0.000 description 27
- 238000010586 diagram Methods 0.000 description 17
- 230000001360 synchronised effect Effects 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 8
- 230000007704 transition Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000010355 oscillation Effects 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- CDBYLPFSWZWCQE-UHFFFAOYSA-L sodium carbonate Substances [Na+].[Na+].[O-]C([O-])=O CDBYLPFSWZWCQE-UHFFFAOYSA-L 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000018199 S phase Effects 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 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
-
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于元胞自动机的交通运行态势预测方法以及系统,属于交通运行态势预测技术领域,包括:获取监控视频,检测监控视频中车辆;监控视频运行完成后,输出所有的检测器统计结果;将检测器统计结果、期望减速度模型输入仿真系统中;设置检测参数,运行相应的时间步,执行后得到交通预测数据;该基于元胞自动机的交通运行态势预测方法以及系统,实现了交通流量的自动检测,在模型中当车辆接近前方的慢车时采用更大的减速度刹车,降低了在未来某时刻忽然采用过大减速度的可能性,同时克服了常用模型的微观特征缺陷,运算速度快;并且规则相对简单,能保证较高的检测准确度,仿真结果会更加准确。
Description
技术领域
本发明属于交通运行态势预测技术领域,具体涉及基于元胞自动机的交通运行态势预测方法以及系统。
背景技术
随着我国经济的快速增长,居民汽车保有量持续上升,使得我国道路交通拥堵日益加剧,不仅降低了道路的通行能力,增加交通运输成本,也加重了环境污染,石油、土地资源的能源消耗,如何解决交通拥堵等问题提出科学合理的措施建议已成为交通行业备受关注的问题,其中当务之急是深入研究并揭示交通堵塞产生的内在原因,才能真正实现问题的治病治本,保证道路交通顺畅运行,保障我国经济的可持续发展,需要建立一个和实际交通状况接近的交通流模型,寻求现实交通流的基本运行规律,找到发生交通堵塞的本质,从而更好地为交通运输部门管理、设计和规划实际交通提供服务,实现道路交通良好有序运行;
目前在交通流数据采集方法和管控措施中,虽然有关部门拥有大量的监控摄像头,但是往往未能对拍摄到的交通流视频数据进行定量分析,造成大量的资源浪费,未能将真实交通流数据用于后续管控中,并且现有的交通数据获取时精度低,导致交通流仿真和预测结果存在天壤之别;
现有的交通流元胞自动机模型可以描述很多实际的交通现象,例如交通堵塞的自发形成和拥挤时的时走时停波等,其基本图如图1所示,包括流量-密度图和速度-密度图;如果删除任何一条规则,都将导致模拟结果和实际明显不符,不能反映出实测数据当中的崩解现象(breakdown)和回滞现象(hysteresis),只能获得连续的基本图,并对车辆加减速运动的描述也过于粗糙;而且现有的交通流元胞自动机模型规则过于复杂,使用的参数太多,模拟结果与现实情况有很大差距,因此,需要研发一种基于元胞自动机的交通运行态势预测方法以及系统来解决现有的问题。
发明内容
本发明的目的在于提供一种基于元胞自动机的交通运行态势预测方法以及系统,以解决交通态势预测结果与现实情况有很大差距的问题。
为实现上述目的,本发明提供如下技术方案:一种基于元胞自动机的交通运行态势预测方法,包括:
获取监控视频,检测监控视频中车辆;
监控视频运行完成后,输出所有的检测器统计结果;
将检测器统计结果、期望减速度模型输入仿真系统中;
设置检测参数,运行相应的时间步,执行后得到交通预测数据。
优选的,所述检测监控视频中车辆包括:
在监控视频中设定检测器的位置,确定两个端点的坐标并连成线段,每个车道均设置检测器;
仅检测监控视频中的车辆;
跟踪和识别检测到的车辆结果并完成匹配;
当车辆的检测框第一次和检测器相交时,流量统计值增加1,若监控视频的帧中再次出现已统计过的车辆与检测器相交,则不计入流量统计值。
优选的,所述期望减速度模型包括:
计算前车的虚拟速度:
v'n-1=MIN{vm-1,MAX{0,Vanti(AD,gapn-1)-1},vn-1};
其中,v'n-1表示前车的虚拟速度,v'表示虚拟速度,车辆n-1位于车辆n的前面,Vanti表示期望速度,gapn-1表示间距,MIN表示求解最小值,vm表示最大速度,MAX表示求解最大值,vn-1为第n-1辆车的速度;
确定性的加速或减速运动:
其中,r表示保守车辆比例,B表示刹车距离,gapn表示车辆n和n-1之间的空间距离,1-r表示激进车辆比例,若r=1则演化为保守模型,r=0演化为激进模型,vn代表第n辆车的速度,An代表第n辆车的加速度;
随机慢化:
vn=MAX{vn-1,0}触发概率为p;
位置更新:
xn(t+1)=xn(t)+vn(t);
其中,xn(t+1)代表第n辆车在时刻t+1的位置,xn(t)和vn(t)分别表示车辆n在时刻t时的位置和速度。
优选的,所述确定性的加速或减速运动中具体的判断方法包括:
自定义AD值后,在AD值作用下,车辆无法在瞬间减速到0,当速度为v时,设m=int(v/|AD|),车辆的刹车距离B是ν和AD的函数:
B(v,AD)=v+(v+AD)+(v+2AD)+...+(v+mAD)
=(2v+mAD)(m+1)/2
减速发生在运动之前,若AD值为非整数,减速距离不等于v2/(2AD);此时车辆的减速方式不是直接减速至与车头间距相同(vn→gapn),通过寻找能满足条件B(v,AD)≤gap的最大速度值来实现,记为vn→Vanti(AD,gapn),并逐个试验ν,ν-1,……进行穷举。
优选的,所述期望减速度模型中将格点设置为1格=1m,1辆车的长度为8格=8m,加速时的加速度为1m/s2。
优选的,所述每个车道均设置检测器包括:设定车头时距的范围,剔除过短车头时距以及轨迹与检测线相交角度异常结果。
优选的,所述过短车头时距的值小于0.7秒;
所述轨迹与检测线相交角度小于15度,则为异常结果。
优选的,随机慢化中触发概率p=0.1,保守车辆比例r=0,vm=32m/s,即120km/h。
优选的,所述确定性的加速或减速运动中,AD值的取值范围为:-4~-8。
本发明另提供一种基于元胞自动机的交通运行态势预测系统,所述系统包括:
感知接入层,用于将前端信号源产生的不同类型数据通过网络接入至监控中心数据平台;
数据支撑层,用于将感知接入层的数据进行数据清洗、转化、存储和计算,提供有效数据给上层的业务应用;
服务层,所述服务层响应来自数据支撑层的输入,用于在接口层和数据支撑层之间提供协议使系统服务调用不同的业务数据,实现业务应用层和展示层之间的应用程序边界对应接口调用;
接口层,用于通过各业务系统数据接口、数据总线、IoT、API接口和SDK方式进行数据的接入;
应用层,所述应用层包括:
拥堵预警模块,用于预测路段各站点、各区间的交通流量、平均速度、行程时间的动态仿真数据并通过动态动画展示预测仿真结果;
路段路况预测模块,用于预测路段路况,并在融合地图以不同颜色区分代表畅通、基本畅通、轻度拥堵、中度拥堵、严重拥堵5个拥堵等级,同时支持路段的运管数据可视化,包括交通流量、设施状态、天气环境、工程计划、保障需求的历史、当前和预测数据;
重点事件态势回溯模块,用于重点事件的态势回溯,对事件起因、发展过程、处置结果信息进行直观展示,并辅助用户对重要事件进行分析、展示、比较、推理、判断,动态展现区间车流分布和车辆路径分配结果,提供历史数据变化;
道路管控仿真评估模块,用于提供道路封闭、收费站调整、借对向车道、诱导分流、强制分流、强制掉头、间歇式放行、压速行驶、限速、限行道路管控措施,对路段运营状态下道路管控组合措施的实施效果进行仿真评估;
模拟推演模块,用于通过模拟数据推演路段车流态势满足道路施工组织方案、节假日交通保障预案的评估需求和应急演练、事故复原检讨和岗位培训的需要;
系统管理单元,所述系统管理单元包括:
参数自定义模块,用于通行区间内所自动采集的区间数据、业务数据、异常数据以及后续干预措施数据,通过手动输入补充缺失对应参数的部分,对高速公路门架、匝道、广场、车道的监控视频图像进行结构化检测,建立以车型、车流量、时速、平均速度、路面坡度、弯道、异常事件、路产路面损坏为参数链的检测数据库,融合多源业务系统数据,对相应的态势仿真模型参数进行补充和调整;
拥堵态势参数指标自定义模块,用于对车型、平均车速、车间距、车头时距、跟车百分比、车流量、行驶方向、道路占有率交通数据进行拥堵和流畅程度的自定义数值计算体系的建立和设计;
预测时间长度自定义模块,用于自定义参数化建模并根据指定的时间区间输入值对未来的多倍时长段内的高速区间交通态势进行预测;
模型反馈与校正模块,用于手动排查输入或通过检测数据的自动补充实现对仿真模型的参数进行校正和自我优化。
本发明的技术效果和优点:该基于元胞自动机的交通运行态势预测方法以及系统,实现了交通流量的自动检测,通过调节2个参数就可以模拟不同宏观特性的交通流,在模型中当车辆接近前方的慢车时采用更大的减速度刹车,降低了在未来某时刻忽然采用过大减速度的可能性,促进了同步流的稳定形成,当密度不断增加时,车辆速度会下降,通过不同的AD取值,AD模型性质可以在很大范围内变化,无论是两相或三相模型,都可用调参数的方式模拟出来,在实际应用中非常方便,解决了现有的两相模型算法导致模拟结果也和现实情况有差距,而且AD模型是一个行为比较“稳健“的模型,统计结果中往往速度略低、占有率略高,但车辆的反应不会很快,不会导致过多的排队,相比现有的模型车辆反应速度较快,容易得到速度较高、占有率较低的统计结果,在发生事故时会导致大量的排队现象,同时克服了现有常用模型的微观特征缺陷,能更好地进行交通仿真和流量预测,并且AD模型属于离散模型,运算速度快,规则相对简单,能保证较高的检测准确度,仿真结果更加准确。
附图说明
图1为本发明的现有模型的基本图;
图2为本发明方法的流程示意图;
图3为本发明实施例中润扬大桥桥面监控视频截图;
图4为本发明交通流视频参数自动分析系统的时间起点统计结果示意图;
图5为本发明交通流视频参数自动分析系统的2分15秒统计结果示意图;
图6为本发明交通流视频参数自动分析系统的6分23秒统计结果示意图;
图7-图9依次为本发明实施例润扬大桥某一天的交通流量统计结果中右车道、中间车道、右车道的流量时间序列图;
图10为本发明实施例润扬大桥的车头时距车道A-F的统计图;
图11a-图11e为本发明实施例AD模型的基本图;
图12a-图12c为本发明恒定流量场景中AD模型和Krauss模型左车道仿真结果对比图;图12a为流量变化图;图12b为速度变化图;图12c为占有率变化图;
图13a-图13c为本发明恒定流量场景的AD模型和Krauss模型中间车道仿真结果对比图;图13a为流量变化图;图13b为速度变化图;图13c为占有率变化图;
图14a-图14c为本发明恒定流量场景的AD模型和Krauss模型右车道仿真结果对比图;图14a为流量变化图;图14b为速度变化图;图14c为占有率变化图;
图15a-图15c为本发明变化流量场景的AD模型和Krauss模型左车道仿真结果对比图;图15a为流量变化图;图15b为速度变化图;图15c为占有率变化;
图16a-图16c为本发明变化流量场景的AD模型和Krauss模型仿真中间车道结果对比图;图16a为流量变化图;图16b为速度变化图;图16c为占有率变化图;
图17a-图17c为本发明变化流量场景的AD模型和Krauss模型右车道仿真结果对比图;图17a为流量变化图;图17b为速度变化图;图17c为占有率变化图;
图18a-图18c为本发明事故处理场景的AD模型和Krauss模型左车道仿真结果对比图;图18a为流量变化图;图18b为延误变化图;图18c为排队长度变化图;
图19a-图19c为本发明事故处理场景的AD模型和Krauss模型中间车道仿真结果对比图;图19a为流量变化图;图19b为延误变化图;图19c为排队长度变化图;
图20a-图20c为本发明事故处理场景的AD模型和Krauss模型右车道仿真结果对比图;图20a为流量变化图;图20b为延误变化图;图20c为排队长度变化图;
图21为本发明的系统架构图。
具体实施方式
下面将结合本发明实施例中的附图,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。
本发明提供了如图2中所示的一种基于元胞自动机的交通运行态势预测方法,包括以下步骤:
步骤1、获取高速公路上的监控视频;
步骤2、在视频中确定检测器的位置,通过确定两个端点的坐标,连成一条线段,每个车道都单独设置一个检测器;本实施例中,检测器使用虚拟检测器;所述每个车道均设置检测器包括:设定车头时距的范围,剔除过短车头时距以及轨迹与检测线相交角度异常结果;所述过短车头时距的值小于0.7秒;
所述轨迹与检测线相交角度小于15度,则为异常结果;
步骤3、使用YOLO v5算法,检测视频中的车辆,其它物体都不需要检测;
步骤4、使用DeepSORT算法,跟踪和识别YOLO的检测结果,并实现匹配;
步骤5.当某车辆的检测框第一次和虚拟检测器相交时,流量统计加1,后续帧中如果还有相同车辆与之相交,则不予重复考虑;
步骤6.视频运行完毕后,输出所有的检测器统计结果到.csv格式文件;
步骤7.编写期望减速度模型的声明和定义;
步骤8.添加名称标签;
步骤9.实现构造函数调用;
步骤10.做出相关函数声明;
步骤11.使用Visual Studio进行自动化编译,获得结果文件;
步骤12.在SUMO中导入仿真环境的电子地图,地图文件的获取有多种方式,比如从OpenStreetMap网站下载;
步骤13.将步骤6获取的流量数据导入SUMO的rou文件,作为仿真初始条件;
步骤14.将步骤11获取的期望减速度模型导入SUMO的rou文件,供仿真调用;
步骤15.根据仿真需求,在相应的位置设置检测器,如果要检测车道平均流量,则使用E1检测器,如果要检测车道平均速度、平均占有率、平均延误等参数,则使用E2检测器;
步骤16.按照仿真需求,运行相应的时间步,然后将仿真结果输出到XML文件,即为所需的交通预测数据;
在SUMO中嵌入期望减速度模型进行仿真,具体步骤包括:
定义一个以MSCFModel_开头的.h文件和对应的.cpp文件,作为期望减速度模型的声明和定义,放在<SUMO_HOME>/src/microsim/cfmodels文件夹下;
在<SUMO_HOME>/src/microsim/cfmodels/CMakeLists.txt文件中添加.h和.cpp文件;
在<SUMO_HOME>/src/utils/xml/SUMOXMLDefinitions.cpp中添加名称标签;
在<SUMO_HOME>/src/microsim/MSVehicleType.cpp中实现构造函数的调用;
在SUMOXMLDefinitions.h中做出相关参数的声明,在.cpp中给出默认值;
在<SUMO_HOME>/src/utils/vehicle文件夹中的SUMOVehicleParserHelper.cpp文件里,调整构造函数以获取额外的参数;然后使用Visual Studio进行自动化编译,再将Release的文件放在sumo-main文件夹下,即可在SUMO中调用新模型;
本实施采集了润扬大桥桥面监控视频数据,如图3所示,道路为双向6车道,加上右侧的下匝道共形成了7个车道;
基于YOLO+Deepsort框架,构建交通流视频参数自动分析系统,可以快速统计每个车道的流量和车头时距,具体效果如图4-6所示,6个车道从左到右分别命名为A,B,C,D,E,F,其中CD为快车道,AF为慢车道,7个检测器用线段标记,所有车辆会根据车型用不同的矩形标出具体位置,图4是示例视频的起点,而图5、图6是一段时间之后的统计结果,可以看到在这个时段内,左侧3车道,即由南向北的流量明显低于右侧3车道即由北向南,另外下匝道流量也不高;现有的交通数据的获取包括感应线圈数据,毫米波雷达数据等等,普遍不够精确,GPS数据也可能不准确,本发明中视频检测的精度相比现有的获取方式更高;
针对润扬大桥某一天,例如从早晨7点到晚上7点的视频数据,进行了详细的流量统计,6个车道的流量时间序列如图7-9所示,此处将不同方向相同性质的车道放在一起画图,包括左车道、中间车道和右车道;
可以清楚地看到,相同性质的车道流量是接近的,两个方向的总流量也较为接近,虽然在上午少数时刻采集到了较高的流量,但总体来说,润扬大桥并不存在典型的早高峰,相比之下,除去较为特殊的车道D之外,大部分车道在下午4点左右的流量最高,可以认为存在晚高峰;
该时段内6个车道的车头时距分布,选择的作图时间间隔为2秒,下限为0.7秒,如图10所示,少数特别大的时距结果已经被舍去,可以看到虽然不同车道的流量有差异,但因为整体未发生拥堵,所以6个车道的分布都接近于负指数分布;
本实施例中,将格点设置为1格=1m,认为1辆车的长度为8格=8m,加速时的加速度则为1m/s2;该车长与很多实测交通数据中的堵塞密度124veh/km左右相吻合;
现实中车辆的减速能力有限,期望减速度模型(anticipated deceleration,简称AD)称为AD模型,在某一AD值作用下,车辆不能在瞬间减速到0,如果速度为ν,在离散化的元胞自动机模型中假设m=int(v/|AD|),该辆车的刹车距离B是ν和AD的函数:
B(v,AD)=v+(v+AD)+(v+2AD)+...+(v+mAD)
=(2v+mAD)(m+1)/2;
其中:xn(t)和vn(t)分别表示车辆n在时刻t时的位置和速度;车辆n-1位于车辆n的前面;gapn表示车辆n和n-1之间的空间距离,由于元胞自动机模型是离散模型,减速发生在运动之前,并且AD不一定是整数,此处减速距离并不等于c2/(2AD),此时车辆的减速方式不再是直接减速至与车头间距相同(vn→gapn),而是通过寻找能满足条件B(v,AD)≤gap的最大速度值来实现,记为vn→Vanti(AD,gapn),具体方法是逐个试验ν,ν-1,……,类似于穷举;
和基于NS规则的模型相比,在AD模型中,当车辆接近前方的慢车时它会采用更大的减速度刹车,这样就降低了在未来某时刻忽然采用过大减速度的可能性,促进了同步流的稳定形成,另外当密度不断增加时,车辆速度会下降,此时AD模型的减速规则会越来越接近NS模型;
为了体现后车对前车运动状态的即时反应,改进了前车的虚拟速度效应也在AD模型中有应用,vn→Vanti(AD,gapn),得到
v'n-1→min{vmax-1,max{0,Vanti(AD,gapn-1)-1},vn-1}
考虑两种不同的驾驶策略,一种偏保守,另一种偏激进,且前者的比例为r,后者的比例为1-r,r=1则演化为保守模型,r=0演化为激进模型,此处r的含义非常接近于一些跟驰模型中的侵略性参数;
综上所述,AD模型算法规则如下,设模拟时间间隔同样设定为1秒:
计算前车的虚拟速度:
v'n-1→min{vmax-1,max{0,Vanti(AD,gapn-1)-1},vn-1};
其中,v'n-1表示前车的虚拟速度,v'表示虚拟速度,车辆n-1位于车辆n的前面,Vanti表示期望速度,gapn-1表示间距,MIN表示求解最小值,vm表示最大速度,MAX表示求解最大值,vn-1为第n-1辆车的速度;
确定性的加速或减速运动:
其中,r表示保守车辆比例,B表示刹车距离,gapn表示车辆n和n-1之间的空间距离,1-r表示激进车辆比例,若r=1则演化为保守模型,r=0演化为激进模型,vn代表第n辆车的速度,An代表第n辆车的加速度;随机慢化:
vn→max{vn-1,0}触发概率为p;
位置更新:
xn(t+1)→xn(t)+vn(t);
其中,xn(t+1)代表第n辆车在时刻t+1的位置,xn(t)和vn(t)分别表示车辆n在时刻t时的位置和速度;每个时间步都要把这4个步骤运行一次;
AD模型的全局基本图如图11所示,本实施例中p=0.1,r=0,Vmax=32m/s,大约120km/h;虚线曲线对应着初始均匀分布,实线曲线对应着初始堵塞分布,其中有3个不同分支,AB是自由流,BC是同步流,CF是堵塞,而BE段是亚稳态的自由流,可能会发生F→S相变;CD是亚稳态的同步流,可能会发生S→J相变,所以AD模型是一个典型的三相交通流模型;
如果AD取不同参数,可以得到不同的模拟结果,例如AD=-4m/s2时,和Lee模型中常用舒适减速度-3m/s2很接近;当|AD|进一步增加时,F→S一阶相变逐渐变得不明显,并最终消失,可见|AD|取值对相变性质有很大的影响,通过对比图11(a)(b)(c)可发现,当|AD|增加时,自由流分支并没有缩短,相反有一些扩展,同时同步流流量有了明显的升高;
随着|AD|进一步增大,会有新情况发生,例如当AD=-16m/s2时,如图11(c)所示,同步流分支完全覆盖在自由流分支上方,从而产生了F→S连续相变。当AD=-24m/s2时,如图11(d)所示,同步流和自由流的速度差异变得很小,同步流看上去已不像是一个独立的交通相,当AD=-32m/s2时,如图11(e)所示,|AD|达到理论最大值,此时同步流分支彻底消失,只能看到典型的F→J一阶相变,这时的模型不再属于三相模型,相反外形和VDR模型非常接近,其中,图11(a)中AD=-4m/s2;图11(b)AD=-8m/s2;图11(c)AD=-16m/s2;图11(d)AD=-24m/s2;图11(e)AD=-32m/s2;
通过不同的AD取值,AD模型性质可以在很大范围内变化,不论是两相或三相模型,都可用调参数的方式模拟出来,在实际应用中非常方便,与此同时,可以解释用它为何交通流会有三相:现实中车辆减速度一般不会超过-8m/s2,稳定的同步流就会出现,如果|AD|足够大,例如和最大速度相等,就会导致类似图11(d)(e)的情形,同步流就会消失,但这并不现实,经典的两相模型,例如NS模型和VDR模型规则相当于使用不合理的AD值,所以它们的模拟结果也和现实情况有差距,另外,使用恰当的AD值可以得到接近实测数据的通行能力值,大约2000-2500veh/h,而过大的|AD|值会导致异常的通行能力;
本实施例中,仿真系统使用SUMO,SUMO全称是Simulation of Urban Mobility,具有导入其它软件的地图信息,其中SUMO内置的跟驰模型较多,精度和效率最高的Krauss模型,当然在很多场合得到应用还有IDM模型以及Kerner的元胞自动机模型;
首先从网站下载润扬大桥的电子地图,下载得到的原始地图体积很大,并且包含很多与大桥交通不直接相关的周边小路,需要在SUMO的netedit编辑器里手动进行筛选和剔除,选定的仿真范围包括大桥附近一带的路网,3个上下匝道分别命名为BCD,北侧和南侧出入口分别命名为A和E;
本实施例中通过三种不同的场景,包括恒定流量、变化流量和事故处理的情况,所有的仿真中道路限速为120km/h,采集仿真数据的时间间隔为30秒;
为了具体研究元胞自动机模型的效果,选择SUMO的Krauss车辆跟驰模型和AD模型进行仿真对比,将AD模型写入CPP文件并重新编译之后,可以导入SUMO,并和系统内置模型一样进行仿真,本实施中,基本模型参数是AD=-8m/s2,p=0.1;
恒定流量场景的仿真分析:
开展仿真时,输入条件如表1所示,在不同位置的所有车道上共设置了28个虚拟检测器,虚拟检测器为E1型检测器,输出大量的仿真结果,此处选择南汊桥出口附近的位置进行分析,并重点研究流量、速度、占有率等统计量随时间变化的过程,绘图时将系统达到稳定前的150秒暂态数据舍去,时间终点为3600秒;
起点 | 终点 | 输入流量(pcu/h) | 起点 | 终点 | 输入流量(pcu/h) |
A | B | 60 | D | A | 500 |
C | 500 | B | 500 | ||
D | 500 | C | 500 | ||
E | 4000 | E | 60 | ||
B | A | 60 | E | A | 4000 |
C | 500 | B | 500 | ||
D | 500 | C | 500 | ||
E | 500 | D | 60 | ||
C | A | 500 | |||
B | 500 | ||||
D | 500 | ||||
E | 500 |
表1恒定流量仿真的输入条件
在图12-图13中可以看到不同模型的仿真结果差异,所有数据均为30秒内的平均值,对于左车道,由于流量始终较低,所以车辆平均速度一直都很高,在图12(b)中始终处于自由流状态,尽管如此,图12(a)中AD模型的平均流量更高一些;
对于中间车道,两个模型的仿真结果几乎一致,从图13可以看到,两者的流量、速度、占有率不仅均值一致,振荡幅度即等价于标准差也非常相近;
两个模型最大的差异体现在右车道的仿真结果里,从图14可以看到,Krauss模型的流量略高,但速度和占有率的振荡幅度非常大,显得很不稳定,当速度较低且占有率较高时,实际上意味着产生了小范围的局部拥堵,随后又很快消散,相反,AD模型的仿真结果均比较稳定,没有观察到局部拥堵的存在;
由于左车道对应快车道,右车道对应慢车道,所以可初步得出结论:Krauss模型的车辆运动振荡幅度更大,有时候可能会过度反应,在慢车道上可能会导致更多的局部拥堵;而AD模型的车辆运动更加平稳,有少量空间时不会过度加速,没有空间时也不会急刹车,不易制造局部拥堵;
变化流量场景的仿真分析:
开展仿真时,具体的输入条件如表2所示,两个关键时间节点为900秒和2700秒,在这两个时刻流量会发生变化:900秒时主路流量显著增加,而2700秒时主路流量显著下降,所以每个方格里均有3个流量值,此处同样重点研究流量、速度、占有率等统计量随时间变化的过程,其它的基本设置与恒定流量场景相同;
表2.变化流量仿真的输入条件
左车道的仿真结果如图15所示,可以看到两种模型的仿真效果有较大的差异,不论输入流量是上升还是下降,AD模型的平均速度始终小于Krauss模型,并且平均占有率始终高于Krauss模型,但是两者测量得到的平均流量几乎一致,只是Krauss模型恢复的速度较快,换言之从运行效率而言,两者并无区别,只是在流量-密度或者速度-密度关系上有特征差异;
类似的情况也出现在了中间车道和右车道的仿真结果里,两条车道的演化趋势属于定性一致,事实上在图16和图17里都可以发现,Krauss模型是一个“反应比较激烈“的模型,当拥堵时段过去后,平均速度和平均占有率的恢复会比较快,而AD模型的反应略慢,统计量恢复的时间点相对滞后一些;
事故处理场景的仿真分析:
事故处理是高速公路管控工作的重要组成部分,假设在第900秒时,事故发生在左车道,于是左车道立即封闭了部分区域,即长度约为30米,然后从第1500秒开始,管理部门采取分流措施,令道路输入流量下降一半,第2700秒事故现场清理完毕,临时封闭区域重新开放,然后从第3300秒开始,输入流量恢复正常,具体的输入条件如表3所示,方格里的3个数值表示0~1500秒,1500~3300秒和3300秒之后的流量结果,由于此处使用的评价指标和恒定流量场景、变化流量场景的指标不同,本场景主要采用SUMO的E2型检测器,可以方便地检测一段区域内的排队长度和行驶延误;
表3.事故处理仿真的输入条件
在图18中可以清楚看到不同模型的结果差异:AD模型和Krauss模型的左车道流量事实上基本一致,主要区别在于时间点:Krauss模型反应更激烈,流量的下降和恢复都更早一些,从延误来说,也存在类似现象,相比之下Krauss模型的平均延误值略低,两者最主要的反差体现在排队长度上,可以看到AD模型的排队长度明显小于Krauss模型,并且波动幅度较小;
在图19的中间车道仿真结果中,可以观察到类似的现象,包括流量基本一致,Krauss模型在延误的变化过程中反应更快,同时排队长度也更长;
但在图20的右车道结果中,除了流量仍然基本一致外,其它指标的统计结果出现了新的差异,一方面两者的延误统计结果趋于一致,另一方面Krauss模型出现了长时间的、大量的排队现象,而AD模型几乎没有排队,偶尔出现了排队迹象也会快速消散;
综合3个场景的仿真结果,可以清楚地看到,AD模型是一个行为比较“稳健“的模型,它的统计结果中往往速度略低、占有率略高,但车辆的反应不会很快,不会导致过多的排队,相反Krauss模型是一个行为比较”激进“的模型,车辆反应速度较快,容易得到速度较高、占有率较低的统计结果,但在发生事故时会导致大量的排队现象;
本发明另提供如图21所示的一种基于元胞自动机的交通运行态势预测系统,所述系统包括:
感知接入层,用于将前端信号源产生各种不同类型的数据通过网络接入至监控中心数据平台;
数据支撑层,用于将接入的数据进行数据清洗、转化、存储和计算,为上层的业务应用提供有效的数据,包括云存储、云计算,以及通过IT配套设施来进行基础支撑层的数据运用;
服务层,所述服务层响应来自支撑层的输入,在接口层和数据支撑层之间提供了唯一的协议,进行系统服务调用不同的业务数据,实现业务应用层和展示层之间的应用程序边界的对应接口调用;
接口层,用于通过各业务系统数据接口、数据总线、IoT接入、API接口和SDK方式进行数据的接入;
应用层,所述应用层包括:
拥堵预警模块,用于预测路段各站点、各区间的交通流量、平均速度、行程时间的动态仿真数据并通过动态动画展示预测仿真结果;
路段路况预测模块,用于路段路况,在融合地图以不同颜色区分代表畅通、基本畅通、轻度拥堵、中度拥堵、严重拥堵等5个拥堵等级;支持路段的运管数据可视化;包括交通流量、设施状态、天气环境、工程计划、保障需求等的历史、当前和预测数据;
重点事件态势回溯模块,用于重点事件的态势回溯,对事件起因、发展过程、处置结果信息进行直观展示,并辅助用户对重要事件进行分析、展示、比较、推理、判断。能够动态展现区间车流分布和车辆路径分配结果,提供比检测数据更全面直观的历史数据变化;
道路管控仿真评估模块,用于提供道路封闭、收费站调整、借对向车道、诱导分流、强制分流、强制掉头、间歇式放行、压速行驶、限速、限行等道路管控措施,对路段运营状态下这些道路管控组合措施的实施效果进行仿真评估;
模拟推演模块,用于通过模拟数据推演路段车流态势满足道路施工组织方案、节假日交通保障预案的评估需求和应急演练、事故复原检讨和岗位培训的需要;
系统管理单元,所述系统管理单元包括:
参数自定义模块,用于通行区间内所自动采集的区间数据、业务数据、异常数据以及后续干预措施等数据,可通过手动输入补充缺失对应参数的部分;或通过AI智能检测算法,对高速公路门架、匝道、广场、车道的监控视频图像进行智能结构化检测,建立以车型、车流量、时速、平均速度、路面坡度、弯道、异常事件、路产路面损坏情况等为智能参数链的AI检测数据库,融合多源业务系统数据,对相应的态势仿真模型参数进行的智能补充和调整;
拥堵态势参数指标自定义模块,用于对车型、平均车速、车间距、车头时距、跟车百分比、车流量、行驶方向、道路占有率等交通数据进行拥堵和流畅程度的自定义数值计算体系的建立和设计;
预测时间长度自定义模块,用于自定义参数化建模并根据指定的时间区间输入值对未来的多倍时长段内的高速区间交通态势进行预测;
模型反馈与校正模块,用于手动排查输入或通过AI智能检测数据的自动补充实现对仿真模型的参数进行校正和自我优化。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,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,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于元胞自动机的交通运行态势预测方法,其特征在于:包括:
获取监控视频,检测监控视频中车辆;
监控视频运行完成后,输出所有的检测器统计结果;
将检测器统计结果、期望减速度模型输入仿真系统中;
设置检测参数,运行相应的时间步,执行后得到交通预测数据。
2.根据权利要求1所述的一种基于元胞自动机的交通运行态势预测方法,其特征在于:所述检测监控视频中车辆包括:
在监控视频中设定检测器的位置,确定两个端点的坐标并连成线段,每个车道均设置检测器;
仅检测监控视频中的车辆;
跟踪和识别检测到的车辆结果并完成匹配;
当车辆的检测框第一次和检测器相交时,流量统计值增加1,若监控视频帧中再次出现已统计过的车辆与检测器相交,则不计入流量统计值。
3.根据权利要求1所述的一种基于元胞自动机的交通运行态势预测方法,其特征在于:所述期望减速度模型包括:
计算前车的虚拟速度:
v′n-1=MIN{vm-1,MAX{0,Vanti(AD,gapn-1)-1},vn-1};
其中,v′n-1表示前车的虚拟速度,v′表示虚拟速度,车辆n-1位于车辆n的前面,Vanti表示期望速度,gapn-1表示间距,MIN表示求解最小值,vm表示最大速度,MAX表示求解最大值,vn-1为第n-1辆车的速度;
确定性的加速或减速运动:
其中,r表示保守车辆比例,B表示刹车距离,gapn表示车辆n和n-1之间的空间距离,1-r表示激进车辆比例,若r=1则演化为保守模型,r=0演化为激进模型,vn代表第n辆车的速度,An代表第n辆车的加速度;
随机慢化:
vn=MAX{vn-1,0}触发概率为p;
位置更新:
xn(t+1)=xn(t)+vn(t);
其中,xn(t+1)代表第n辆车在时刻t+1的位置,xn(t)和vn(t)分别表示车辆n在时刻t时的位置和速度。
4.根据权利要求3所述的一种基于元胞自动机的交通运行态势预测方法,其特征在于:所述确定性的加速或减速运动具体包括:
自定义AD值后,在AD值作用下,车辆无法在瞬间减速到0,当速度为v时,设m=int(v/|AD|),车辆的刹车距离B是v和AD的函数:
B(v,AD)=v+(v+AD)+(v+2AD)+...+(v+mAD)
=(2v+mAD)(m+1)/2
减速发生在运动之前,若AD值为非整数,减速距离不等于v2/(2AD),此时车辆的减速方式不是直接减速至与车头间距相同,即(vn→gapn),通过寻找能满足条件B(v,AD)≤gap的最大速度值来实现,记为vn→Vanti(AD,gapn),并逐个试验v,v-1,......进行穷举。
5.根据权利要求1所述的一种基于元胞自动机的交通运行态势预测方法,其特征在于:所述期望减速度模型中将格点设置为1格=1m,1辆车的长度为8格=8m,加速时的加速度为1m/s2。
6.根据权利要求3所述的一种基于元胞自动机的交通运行态势预测方法,其特征在于:所述计算前车的虚拟速度中,AD值的取值范围为:-4~-8。
7.根据权利要求1所述的一种基于元胞自动机的交通运行态势预测方法,其特征在于:所述每个车道均设置检测器包括:设定车头时距的范围,剔除过短车头时距以及轨迹与检测线相交角度异常结果。
8.根据权利要求7所述的一种基于元胞自动机的交通运行态势预测方法,其特征在于:所述过短车头时距的值小于0.7秒;
所述轨迹与检测线相交角度小于15度,则为异常结果。
9.根据权利要求3所述的一种基于元胞自动机的交通运行态势预测方法,其特征在于:所述随机慢化中触发概率p=0.1,保守车辆比例r=0,vm=32m/s,即120km/h。
10.一种基于元胞自动机的交通运行态势预测系统,所述系统包括:
感知接入层,用于将前端信号源产生的不同类型数据通过网络接入至监控中心数据平台;
数据支撑层,用于将感知接入层的数据进行数据清洗、转化、存储和计算,提供有效数据给上层的业务应用;
服务层,所述服务层响应来自数据支撑层的输入,用于在接口层和数据支撑层之间提供协议使系统服务调用不同的业务数据,实现业务应用层和展示层之间的应用程序边界对应接口调用;
接口层,用于通过各业务系统数据接口、数据总线、IoT、API接口和SDK方式进行数据的接入;
应用层,所述应用层包括:
拥堵预警模块,用于预测路段各站点、各区间的交通流量、平均速度、行程时间的动态仿真数据并通过动态动画展示预测仿真结果;
路段路况预测模块,用于预测路段路况,并在融合地图以不同颜色区分代表畅通、基本畅通、轻度拥堵、中度拥堵、严重拥堵5个拥堵等级,同时支持路段的运管数据可视化,包括交通流量、设施状态、天气环境、工程计划、保障需求的历史、当前和预测数据;
重点事件态势回溯模块,用于重点事件的态势回溯,对事件起因、发展过程、处置结果信息进行直观展示,并辅助用户对重要事件进行分析、展示、比较、推理、判断,动态展现区间车流分布和车辆路径分配结果,提供历史数据变化;
道路管控仿真评估模块,用于提供道路封闭、收费站调整、借对向车道、诱导分流、强制分流、强制掉头、间歇式放行、压速行驶、限速、限行道路管控措施,对路段运营状态下道路管控组合措施的实施效果进行仿真评估;
模拟推演模块,用于通过模拟数据推演路段车流态势满足道路施工组织方案、节假日交通保障预案的评估需求和应急演练、事故复原检讨和岗位培训的需要;
系统管理单元,所述系统管理单元包括:
参数自定义模块,用于通行区间内所自动采集的区间数据、业务数据、异常数据以及后续干预措施数据,通过手动输入补充缺失对应参数的部分,对高速公路门架、匝道、广场、车道的监控视频图像进行结构化检测,建立以车型、车流量、时速、平均速度、路面坡度、弯道、异常事件、路产路面损坏为参数链的检测数据库,融合多源业务系统数据,对相应的态势仿真模型参数进行补充和调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310187700.5A CN116311922B (zh) | 2023-02-28 | 2023-02-28 | 一种基于元胞自动机的交通运行态势预测方法以及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310187700.5A CN116311922B (zh) | 2023-02-28 | 2023-02-28 | 一种基于元胞自动机的交通运行态势预测方法以及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116311922A true CN116311922A (zh) | 2023-06-23 |
CN116311922B CN116311922B (zh) | 2024-03-01 |
Family
ID=86812526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310187700.5A Active CN116311922B (zh) | 2023-02-28 | 2023-02-28 | 一种基于元胞自动机的交通运行态势预测方法以及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116311922B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103412975A (zh) * | 2013-07-11 | 2013-11-27 | 吴建平 | 动态交通仿真平台及其仿真方法 |
CN103606124A (zh) * | 2013-11-25 | 2014-02-26 | 天津市市政工程设计研究院 | 集装箱码头装卸交通系统布局与交通组织微观仿真方法 |
CN106846818A (zh) * | 2017-04-24 | 2017-06-13 | 河南省城乡规划设计研究总院有限公司 | 基于Simulink仿真的路网动态交通流预测方法 |
CN110570660A (zh) * | 2019-11-06 | 2019-12-13 | 深圳市城市交通规划设计研究中心有限公司 | 一种实时在线交通仿真系统及方法 |
CN113538898A (zh) * | 2021-06-04 | 2021-10-22 | 南京美慧软件有限公司 | 一种基于多源数据的高速公路拥堵管控系统 |
CN115019508A (zh) * | 2022-06-13 | 2022-09-06 | 华南理工大学 | 基于机器学习的道路监控车流仿真方法、装置、设备及介质 |
-
2023
- 2023-02-28 CN CN202310187700.5A patent/CN116311922B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103412975A (zh) * | 2013-07-11 | 2013-11-27 | 吴建平 | 动态交通仿真平台及其仿真方法 |
CN103606124A (zh) * | 2013-11-25 | 2014-02-26 | 天津市市政工程设计研究院 | 集装箱码头装卸交通系统布局与交通组织微观仿真方法 |
CN106846818A (zh) * | 2017-04-24 | 2017-06-13 | 河南省城乡规划设计研究总院有限公司 | 基于Simulink仿真的路网动态交通流预测方法 |
CN110570660A (zh) * | 2019-11-06 | 2019-12-13 | 深圳市城市交通规划设计研究中心有限公司 | 一种实时在线交通仿真系统及方法 |
CN113538898A (zh) * | 2021-06-04 | 2021-10-22 | 南京美慧软件有限公司 | 一种基于多源数据的高速公路拥堵管控系统 |
CN115019508A (zh) * | 2022-06-13 | 2022-09-06 | 华南理工大学 | 基于机器学习的道路监控车流仿真方法、装置、设备及介质 |
Non-Patent Citations (2)
Title |
---|
刘应东;牛惠民;: "考虑减速度阈值的交通流元胞自动机模型", 兰州交通大学学报, no. 04, pages 95 - 99 * |
陈永;贺红;张薇;周宁;: "基于场力的驾驶员影响因素交通流动力学模型", 力学学报, no. 05, pages 1219 - 1234 * |
Also Published As
Publication number | Publication date |
---|---|
CN116311922B (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110795818B (zh) | 一种确定虚拟测试场景方法、装置、电子设备和存储介质 | |
US10636294B1 (en) | Computer system and method for state prediction of a traffic system | |
Treiber et al. | Traffic flow dynamics | |
JP7371157B2 (ja) | 車両監視方法、装置、電子機器、記憶媒体、コンピュータプログラム、クラウド制御プラットフォームおよび車路連携システム | |
Ben-Akiva et al. | Evaluation of freeway control using a microscopic simulation laboratory | |
Karaaslan et al. | Modeling the effect of electric vehicle adoption on pedestrian traffic safety: An agent-based approach | |
Astarita et al. | A new microsimulation model for the evaluation of traffic safety performances | |
Hawas | A fuzzy-based system for incident detection in urban street networks | |
Goyani et al. | Investigation of crossing conflicts by vehicle type at unsignalized T-intersections under varying roadway and traffic conditions in India | |
Yang et al. | Optimal variable speed limit control system for freeway work zone operations | |
Abdel-Aty et al. | Real-time crash risk reduction on freeways using coordinated and uncoordinated ramp metering approaches | |
Zhao et al. | Factors affecting traffic risks on bridge sections of freeways based on partial dependence plots | |
CN116311922B (zh) | 一种基于元胞自动机的交通运行态势预测方法以及系统 | |
Toan et al. | Development and validation of a driving simulator for traffic control using field data | |
Kim | Simultaneous calibration of a microscopic traffic simulation model and OD matrix | |
Eisele et al. | Estimating the impacts of access management with micro-simulation: Lessons learned | |
Dhindsa | Evaluating ramp metering and variable speed limits to reduce crash potential on congested freeways using micro-simulation | |
Lee et al. | Customized simulation modeling using PARAMICS application programmer interface | |
Chae | Simulation of Pedestrian-vehicle Interactions at Roundabouts. | |
Islam | Intergrading Connected Vehicle Data into the Transportation Performance Measurement Process | |
Mizuta | Evaluation of metropolitan traffic flow with agent-based traffic simulator and approximated vehicle behavior model near intersections | |
Fries et al. | Feasibility of traffic simulation for decision support in real-time regional traffic management | |
Hussain et al. | Visualizing Impact of Weather on Traffic Congestion Prediction: A Quantitative Study | |
Kim et al. | SALT-Viz: Real-Time Visualization for Large-Scale Traffic Simulation | |
Chang et al. | Development of distributed real-time decision support system for traffic management centers using microscopic CA model |
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 |