CN116740948B - 车辆行程速度的预测估值方法、装置、介质及应用 - Google Patents
车辆行程速度的预测估值方法、装置、介质及应用 Download PDFInfo
- Publication number
- CN116740948B CN116740948B CN202311027343.2A CN202311027343A CN116740948B CN 116740948 B CN116740948 B CN 116740948B CN 202311027343 A CN202311027343 A CN 202311027343A CN 116740948 B CN116740948 B CN 116740948B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- vehicle speed
- speed
- span
- equal
- 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 33
- 238000012937 correction Methods 0.000 claims abstract description 47
- 238000003860 storage Methods 0.000 claims abstract description 9
- 230000001186 cumulative effect Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 description 7
- 239000006185 dispersion Substances 0.000 description 5
- 208000027744 congestion Diseases 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
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
- 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
Abstract
本发明公开了一种车辆行程速度的预测估值方法,包括采集可行路径的车速数据,划分车速数值的分布区间,计算车速数值的累积分布概率,计算车速的信息熵,计算可行路径行程速度的预测估算值的修正系数,修正可行路径行程速度的预测估算值。本发明还公开了车辆行程速度的预测估值装置以及计算机存储介质。本发明利用车速数据的信息熵修正行程速度,可应用于自动驾驶路径规划、车辆导航、交通诱导、交通信号控制等。
Description
技术领域
本发明涉及一种速度估算方法、装置、计算机存储介质及应用,特别是涉及一种车辆行程速度的预测估值方法、装置、计算机存储介质及应用。
背景技术
在智能车辆自动驾驶的技术体系中,“路径规划”是预先选择最优路径的技术环节。路径规划通过启发式搜索在若干条可行路径之中择优选定一条交通成本最小化的最快路径。其中:“路径”包括由若干路口所连接的若干路段,“交通成本”是路径择优的判别指标,一般是指行程时长,或是由行程时长与车辆用户时间价值相结合而算得的路费成本,并兼顾行车的能耗成本等。路径的行程时长是由行程距离除以行程速度,所以需要兼顾行程距离和最小化与行程速度的最大化。
对于给定的道路网络而言:某一条路径的行程距离相对固定,便于直接测算;而该路径的行程速度则显著地取决于驶经该条路径的车流的平均流量与平均密度,受制于实时的、动态的拥堵程度,因此,需要基于该路径之上、从当前时刻向某一个过往时刻进行回溯的一个历史时间窗口之内行程速度的历史数据,再预测估算行程速度的未来趋势。
在工程实践中,行程速度一般需要利用那些驶经该路径(或该路径的一部分路段或路口的)车辆和车流的行程均速历史数据的某种统计度量(例如:均值、中值、众数等)、并采用某种统计建模算法从而进行预测估算;各类统计度量的技术原理相通,例如最为常见的是均值如下所述:
1、单车均速,即某车辆在该路径上的行驶速度在历史时间窗口之内的均值;
2、车流均速,即多台车辆在该路径上的单车均速在历史时间窗口之内的均值。
一般而言,车流均速可作为行程速度的预测估算值,并辅以某种经验系数予以修正。
但是,上述方法获得的车流均速不能充分精准地定量刻画行程速度,举例如下。
对于某一路径的单车均速,考虑两台车辆,第一车辆在某个历史时间窗口内的行驶速度分别为36、35、34、33、32、30(km/h),数值分布区间[30, 36]较集中,第二车辆在相同历史时间窗口内的行驶速度分别为20、22、26、36、46、50(km/h),数值分布区间[20, 50]较分散。两台车辆的单车均速都是33.33 km/h,然而,第二车辆行驶速度历史数据的波动率更大,其原因通常是第二车辆(相比于第一车辆)遭遇了更多的潮涌性的支路车流汇入主路所引发的潮涌性的车辆变道、车流交织,并且这种车流扰动在未来某个时间窗口之内不仅更有可能导致偶然性的交通拥堵(例如幽灵拥堵)、也将更有可能诱发潜在性的交通事故(例如:车辆变更车道的侧向撞车事故、车道内部前后车辆之间的追尾事故),即上述路径蕴藏着甚高的拥堵和事故的潜在风险,从而加剧行程速度的预测估算误差;并且,不同车辆的单车均速即使相同或相近,但若行驶速度的波动率有差异,仍将导致不同的行车能耗,也将加剧行程速度的预测估算误差。
对于车流均速,考虑两条路径,第一路径上五台车辆的单车均速为32、36、36、36、40(km/h),数值分布区间[32, 40]较集中,第二路径上五台车辆的单车均速为20、30、30、40、60(km/h),数值分布区间[20, 60]较分散。两条路径上的车流均速都为36 km/h,然而,两条路径的单车均速的离散度差别显著,体现了车流质量的显著差别,其原因——通常也是上述单车均速所面临的扰动因素——仍有可能在未来延续,所以,第二路径蕴藏着更高的拥堵和事故的潜在风险,加剧行程速度的预测估算误差。
由此可见,均速这类统计度量,尽管能够反映不同的天气环境条件、道路附着条件、交通高低峰日期或时段条件等多因素对于行程速度的不同影响,但却掩盖和抹杀了单车数据波动率和多车数据离散度的特征、无法体现这些特征的底层致因与后续影响,不利于降低行程速度的预估误差、不利于提高路径规划的质量。此外,工程实践中常用某些经验系数对预估值进行修正,则依赖于主观性的专家经验,难以确保修正系数的可靠性和通用性。
上述问题,同样存在于智能交通技术中,显著地影响着诸如车辆导航、交通诱导、交通信号控制所涉及的行程速度的预测估算的精准程度。
发明内容
针对上述现有技术的缺陷,本发明提供了一种车辆行程速度的预测估值方法,解决同一车辆行驶速度的波动率、不同车辆单车均速的离散度、及其背后所蕴藏的拥堵和事故的潜在风险对车辆行程速度预测的误差问题。本发明提供了一种车辆行程速度的预测估值装置、一种计算机存储介质以及应用。
本发明技术方案如下:一种车辆行程速度的预测估值方法,包括以下步骤:
S1、采集可行路径的车速数据,所述车速数据为若干车辆在一个历史时间窗口内的多个时刻的瞬时车速;
S2、划分车速数值的分布区间:对所述可行路径在最低可能车速和最高可能车速之间划分若干个等跨度区间;
S3、计算车速数值的累积分布概率:计算每个所述等跨度区间内含有的所述车速数据个数与所述车速数据总个数的比值为累计分布概率;
S4、计算车速的信息熵:,其中表示第p条可行路径,/>表示车速的信息熵,/>表示所述等跨度区间的序号,I表示所述等跨度区间的数量,/>表示每个所述等跨度区间的累计分布概率;
S5、计算可行路径行程速度的预测估算值的修正系数:,其中/>表示修正系数,/>是常数;
S6、修正可行路径行程速度的预测估算值:,其中/>为修正后预测估算值,为修正前预测估算值,/>为基于步骤S1所采集的可行路径的所有车速数据的统计度量、并采用统计建模算法而算得的。
进一步地,所述步骤S3包括步骤S3.1,确定每个所述车速数据所落入的等跨度区间的序号;步骤S3.2统计每一个等跨度区间所含有的车速数据点的累计数量;步骤S3.3计算每个所述等跨度区间内含有的所述车速数据个数与所述车速数据总个数的比值。
进一步地,所述最低可能车速为0,所述最高可能车速为所述可行路径的最高限速,所述等跨度区间的跨度为1km/h。
进一步地,所述步骤S4中设定时/>。
进一步地,所述为10的倍数,优选为50或100。
本发明还提供一种车辆行程速度的预测估值装置,包括:
采集模块:所述采集模块用于采集可行路径的车速数据,所述车速数据为若干车辆在一个历史时间窗口内的多个时刻的瞬时车速;
区间划分模块:所述区间划分模块用于划分车速数值的分布区间,对所述可行路径在最低可能车速和最高可能车速之间划分若干个等跨度区间;
概率计算模块:所述概率计算模块用于计算车速数值的累积分布概率,计算每个所述等跨度区间内含有的所述车速数据个数与所述车速数据总个数的比值为累计分布概率;
信息熵计算模块:所述信息熵计算模块用于计算车速的信息熵,,其中/>表示第p条可行路径,/>表示车速的信息熵,/>表示所述等跨度区间的序号,I表示所述等跨度区间的数量,表示每个所述等跨度区间的累计分布概率;
修正系数计算模块:所述修正系数计算模块用于计算可行路径行程速度的预测估算值的修正系数,,其中表示修正系数,/>是常数;
以及估值修正模块:所述估值修正模块用于修正可行路径行程速度的预测估算值,,其中/>为修正后预测估算值,/>为修正前预测估算值,/>为基于采集模块所采集的可行路径的所有车速数据的统计度量、并采用统计建模算法而算得的。
本发明还提供一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现上述车辆行程速度的预测估值方法。
本发明还提供一种车辆行程速度的预测估值方法的应用,将上述的车辆行程速度的预测估值方法得到的行程速度的修正后预测估算值应用于路径规划、车辆导航、交通诱导、交通信号控制。
本发明所提供的技术方案的优点在于:借鉴信息论和统计物理的原理,利用车速数据的信息熵来修正行程速度的预估值,来定量刻画出所有车速历史数据之中的单车数据的波动特征和多车数据的离散特征,从而,揭示各条可行路径在未来的拥堵与事故的潜在风险——若车速数值分布的波动率或离散度越大,则越不利于交通效率(行程延误及运输能耗)、交通安全与车辆用户体验;既能够弥补工程实践所常用的统计度量难以体现数据的波动率/离散度及其底层致因与后续影响的这一缺陷、又能够利用信息熵数据的客观性来弥补工程实践所常用的主观性/经验性修正系数的人为误差所导致的欠可靠性和欠通用性,从而降低关于可行路径行程速度的预测估算误差,提高自动驾驶路径选择、智能交通车辆导航等的技术质量。
附图说明
图1为第一条可行路径示意图。
图2为第二条可行路径示意图。
图3为车辆行程速度的预测估值方法流程示意图。
图4为实施例1的时间序列图。
图5为实施例1的分布区间及累积分布概率图。
图6为实施例2的时间序列图。
图7为实施例2的分布区间及累积分布概率图。
具体实施方式
下面结合实施例对本发明作进一步说明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本说明之后,本领域技术人员对本说明的各种等同形式的修改均落于本申请所附权利要求所限定的范围内。
本发明实施例为对车辆行程速度的预测估值进行修正的过程包含以下内容。
1、全路网全时段实时车速的采集与上传。
每一辆已配备了、且开启了自动驾驶机(或车辆导航机,下同)的车辆,在上路行驶期间(包括在路段和路口之中的低速蠕行和临时驻车,不包括在路外的临时驻车,不包括在路内、路外的泊车),自动驾驶机的主控程序将车速感知设备所探测到的实时车速数据,经由自动驾驶机的车-地通信子系统、实时发送至中心计算机。中心计算机的主控程序指挥数据车-地通信子系统、数据存储子系统以全年365天*24小时的工作方式来分别接收、存储上述实时车速数据。
其中:实时车速数据,除了车速数值的时间序列以外,还含有车辆信息、车辆实时(所处于的)道路/路段或路口/行驶方向等关于车速的时空信息,具体包括:车辆标识号/>(例如车牌号);数据采集时刻/>,数据采样时间间隔为/>;由第/>个路标点/>与相邻的第/>个路标点/>所构成的有序对/>,表示从路标点/>通向路标点/>的路段(包含若干条车道),如图1和图2所示。图1显示的第一条路径如有向实线所示Path1=路标点序列{x1, x5, x3, x6},图2显示的第二条路径如有向实线所示Path2=路标点序列{x2, x3,x5, x4, xi+1}。
路标点(或/>)的数据是道路路面某一个位置点的定位数据。一般包括:“道路标识号+(从道路起点开始的)道路里程数”。在工程实践中,路标点数据一般是指:相互交叉的两条(或以上)道路中心线之间的交点,即:交叉路口路面的几何中心点。交叉路口包括:
(1)城市道路之中的快速路的进出匝道口,以及主干道、次干道、支路相互之间的交叉路口;(2)城际公路之中的高速公路进出匝道口,以及国道、省道、县道、乡道相互之间的交叉路口。
此外,由于同一车辆可能使用不同的自动驾驶服务商,因此对于同一车辆,可能存在来源不同、但数据重复的实时车速数据,对此,在重复数据中,每一车辆在某一个时刻、在某一个既定路段上/>,仅保留一份数据,而删除多余数据。
此外,如果车速感知设备的技术条件允许,还应额外包括车辆实时(所处于的)车道信息,以及车辆实时的经纬度位置数据。
2、每条可行路径之上、某个历史时间窗口之内所有车辆的车速信息熵计算。
路径规划过程中,采用若干个路标点所构成的序列来表示某一条可行路径/>,如图2所示。其中:每两个相邻元素/>与/>所构成的有序对/>表示从路标点/>通向路标点/>的路段,并且,第一个路标点、最末一个路标点分别是距离车辆的行程起点O、行程终点D最近的路标点,由此,各个路标点有序地串联构成路径;若 />所代表的路段属于路径/>,则记为/>∈/>。
当车辆的驾驶者(手动驾驶人或自动驾驶机)需要调用自动驾驶机独立地、或依靠自动驾驶机与中心计算机之间的协作地在车辆当前位置与行程目的地点之间进行路径规划、并且进行行程速度预测估算时,并且,对于共计/>条可行路径(其中,第/>条可行路径的序号/>∈{1,2, ... ,/>}),若自动驾驶机或中心计算机的数据处理子系统的行程速度预测估算模块已根据某类统计建模算法(插值算法或深度学习等拟合算法)完成了第/>条可行路径/>的行程速度/>的预测估算,即已算得了/>,则在此基础上,自动驾驶机的主控程序经由自动驾驶机的车-地通信子系统、向中心计算机发送一个对于/>的预测估算数据进行修正的请求指令,中心计算机的主控程序指挥数据车-地通信子系统、数据处理子系统分别接收、并处理上述请求指令,并由后者的行程速度修正模块来计算的修正系数。具体地,请结合图3所示,按照可行路径序号/>=1,2,3, ... ,/>-2,/>-1,/>的顺序,对于每条可行路径执行行程速度估值修正,包括以下步骤。
S1、采集第条可行路径/>的车速数据。
对于每一条可行路径,从全路网全时段的车速数据/>之中,检索抽取出以下数据:从历史时刻即第/>时刻起至当前时刻即第/>时刻止的时间窗口即时间区间/>之内的、属于可行路径/>的车速数据。
其中:数据采样时间间隔若为,则/>+/>*/>=/>,由此,车速数据一般包含共计/>+1个车速数据点。但是,若车辆仅驶经该路径的一部分路段或路口(而非全路径),则仅计入路径内的实际行驶时刻和实际驶经路段,则实际的车速数据点的总数少于/>+1,下同。
S2、划分车速数值的分布区间。
在最低可能车速即零车速至最高可能车速之间(其中,某条道路的最高可能车速数值一般取为法定限速例如120 km/h),即车速“低峰值-高峰值”之间,划分出I个“等跨度”的数值区间(例如:在0至120 km/h之间,按照每1 km/h的整数数值跨度,划分出I=120个数值区间,也可以是其它量纲、或是其它跨度),并依次赋予序号 (其中: =1, 2, ... ,I)。
S3、计算车速数值的累积分布概率。
第一步,对于上述步骤所获得的共计台车辆、每台车辆共计/>+1个车速数据,汇总可得共计/>=/>*(w+1)个车速数据。
按照车辆序号=1, 2, ... ,/>的顺序,执行以下步骤:
按照时刻序号=/>,/>,/>, ... ,/>,/>,/>的顺序,记录以下信息:
第车辆在时刻/>的车速数据/>所属于(坐落于)的数值区间的序号,例如属于第/>个数值区间(其中/>=1, 2, ... , I)。
第二步,统计每一个数值区间所容纳的车速数据点的累计数量,例如第个数值区间所容纳的车速数据点的累计数量记为/>;其中:正整数/>≥0,且。
第三步,根据上述的与/>,计算每一个数值区间所对应的车速数值的累积分布概率/>*100%。
S4、计算车速的信息熵。
根据上述的(其中:/>=1, 2, ... ,I),计算在可行路径之/>上、在时间窗口/>之内、数值位于车速“低峰值-高峰值”之间的车速数据的信息熵Entropy,简写为,用于定量刻画车速的波动程度——数值越高,说明车辆的变速工况更频繁,车速的数值更多元、分布更分散。本发明方法规定:若、则/>,以便计算。
S5、基于每条可行路径的车速信息熵,对每条可行路径行程速度的预测估算值/>计算修正系数。
对于可行路径行程速度的预测估算值/>:计算修正系数,其中exp()是以自然常数e为底的指数函数;缩放系数/>是常数,可取10的倍数,一般取50或100。
S6、每条可行路径的行驶速度修正系数发布,对每条可行路径行程速度的预测估算值进行修正。
中心计算机数据处理子系统的行程速度修正模块在中心计算机主控程序的指挥之下,将所算得的修正系数发送至自动驾驶机或中心计算机数据处理子系统的行程速度估算模块,并由后者针对业已算得的第/>条可行路径/>行程速度估算值、进一步地进行修正,修正值=修正系数*行程速度估算值,即。
其中,关于上述的中心计算机数据处理子系统的行程速度修正模块所实施的“修正系数的发送”:若自动驾驶机独立实施路径规划(自动驾驶机估算行程速度、中心计算机修正行程速度),则修正系数,经由中心计算机的数据地-车通信子系统、被发送至自动驾驶机数据处理子系统的行程速度估算模块。若自动驾驶机、中心计算机之间通过协作来实施路径规划(中心计算机既负责行程速度的估算、又负责行程速度的修正),则修正系数直接被发送至中心计算机数据处理子系统的行程速度估算模块。
在经过上述步骤获得修正后的行程速度的预测估值即可应用于自动驾驶的路径规划,智能交通的车辆导航,交通信号灯智能控制等场景,可提高规划控制效果。
应当指出的是,上述实施例的具体方法可形成计算机程序产品,因此,本申请实施的计算机程序产品可存储在一个或多个计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上。
本发明的另一实施例为车辆行程速度的预测估值装置,其包括以下各模块。
采集模块:用于采集可行路径的车速数据,车速数据为若干车辆在一个历史时间窗口内的多个时刻的瞬时车速。
区间划分模块:用于划分车速数值的分布区间,对可行路径在最低可能车速和最高可能车速之间划分若干个等跨度区间。
概率计算模块:用于计算车速数值的累积分布概率,计算每个等跨度区间内含有的车速数据个数与车速数据总个数的比值为累计分布概率。
信息熵计算模块:用于计算车速的信息熵,,其中/>表示第p条可行路径,/>表示车速的信息熵,/>表示所述等跨度区间的序号,I表示所述等跨度区间的数量,表示每个所述等跨度区间的累计分布概率。
修正系数计算模块:用于计算可行路径行程速度的预测估算值的修正系数,,其中/>表示修正系数,/>是常数。
估值修正模块:用于修正可行路径行程速度的预测估算值,,其中/>为修正后预测估算值,为修正前预测估算值,/>为基于采集模块所采集的可行路径的所有车速数据的统计度量、并采用统计建模算法而算得的。
下面以具体实例来说明上述对车辆行程速度估值修正的数据结果,对于某一条路径,采用10Hz的车速数据采样频率、0.1秒的采样间隔,将时间窗口/>取为/>=/>,/>,/>, ... ,/>,/>,/>,其中:c =2500,w=2500,/>即/>、/>、/>分别对应第0秒、第0.1秒、第0.2秒,以此类推直至/>=第250秒,表示从第0秒至第250秒的时间跨度。
对车辆序号为m=1,2,3,4的共=4台车辆的车速时间序列进行数据采集,获得总共/>=/>*(w+1)=4* 2501=10004个车速数据点;将每一车辆的车速数据点沿时间展开、串连成线绘制成为车速数据的“时间序列图”,其中:横、纵坐标轴分别表示时间/>、车速/>。
将=4的所有车辆所有可能的车速数值,按照每1 km/h 的整数数值跨度,划分出个数值区间,统计上述/>个数值区间各自容纳的车速数据点的累计数量/>,并根据与/>的关系,计算上述/>个数值区间各自所对应的车速数值的分布概率*100%,绘制成为车速数据的“分布区间及累积分布概率图”,其中:横、纵坐标轴分别表示累积分布概率/>、车速/>。
实施例1的车速数据的“时间序列图”如4所示,=4的所有车辆所有可能的车速数值均在0 km/h 至80 km/h 之间,划分出/>=80个数值区间;车速数据的“分布区间及累积分布概率图”如图5所示;算得的车速数据信息熵/>= 4.9690,对应的行程速度估算值的修正系数/>=/>=0.9054即90.54%,缩放系数/>取50。
实施例2的车速数据的“时间序列图”如图6所示,=4的所有车辆所有可能的车速数值均在0 km/h 至100 km/h 之间,划分出/>=100个数值区间;;车速数据的“分布区间及累积分布概率图”如图7所示;算得的车速数据信息熵/>=4.8230,对应的行程速度估算值的修正系数/>==0.9080即90.80%,缩放系数/>取50。
Claims (11)
1.一种车辆行程速度的预测估值方法,其特征在于,包括以下步骤:
S1、采集可行路径的车速数据,所述车速数据为若干车辆在一个历史时间窗口内的多个时刻的瞬时车速;
S2、划分车速数值的分布区间:对所述可行路径在最低可能车速和最高可能车速之间划分若干个等跨度区间;
S3、计算车速数值的累积分布概率:计算每个所述等跨度区间内含有的所述车速数据个数与所述车速数据总个数的比值为累积分布概率;
S4、计算车速的信息熵:,其中/>表示第p条可行路径,/>表示车速的信息熵,/>表示所述等跨度区间的序号,I表示所述等跨度区间的数量,/>表示每个所述等跨度区间的累积分布概率;
S5、计算可行路径行程速度的预测估算值的修正系数:,其中/>表示修正系数,/>是常数;
S6、修正可行路径行程速度的预测估算值:,其中/>为修正后预测估算值,为修正前预测估算值,/>为基于步骤S1所采集的可行路径的所有车速数据的统计度量、并采用统计建模算法而算得的,所述统计度量为均值、中值或众数,所述统计建模算法为拟合算法。
2.根据权利要求1所述的车辆行程速度的预测估值方法,其特征在于,所述步骤S3包括步骤S3.1,确定每个所述车速数据所落入的等跨度区间的序号;步骤S3.2统计每一个等跨度区间所含有的车速数据点的累计数量;步骤S3.3计算每个所述等跨度区间内含有的所述车速数据个数与所述车速数据总个数的比值。
3.根据权利要求1所述的车辆行程速度的预测估值方法,其特征在于,所述最低可能车速为0,所述最高可能车速为所述可行路径的最高限速,所述等跨度区间的跨度为1km/h。
4.根据权利要求1所述的车辆行程速度的预测估值方法,其特征在于,所述步骤S4中设定时/>。
5.根据权利要求1所述的车辆行程速度的预测估值方法,其特征在于,所述为10的倍数。
6.根据权利要求1所述的车辆行程速度的预测估值方法,其特征在于,所述为50或100。
7.一种车辆行程速度的预测估值装置,其特征在于,包括:
采集模块:所述采集模块用于采集可行路径的车速数据,所述车速数据为若干车辆在一个历史时间窗口内的多个时刻的瞬时车速;
区间划分模块:所述区间划分模块用于划分车速数值的分布区间,对所述可行路径在最低可能车速和最高可能车速之间划分若干个等跨度区间;
概率计算模块:所述概率计算模块用于计算车速数值的累积分布概率,计算每个所述等跨度区间内含有的所述车速数据个数与所述车速数据总个数的比值为累积分布概率;
信息熵计算模块:所述信息熵计算模块用于计算车速的信息熵,,其中/>表示第p条可行路径,/>表示车速的信息熵,/>表示所述等跨度区间的序号,I表示所述等跨度区间的数量,表示每个所述等跨度区间的累积分布概率;
修正系数计算模块:所述修正系数计算模块用于计算可行路径行程速度的预测估算值的修正系数,,其中表示修正系数,/>是常数;
以及估值修正模块:所述估值修正模块用于修正可行路径行程速度的预测估算值,,其中/>为修正后预测估算值,为修正前预测估算值,/>为基于采集模块所采集的可行路径的所有车速数据的统计度量、并采用统计建模算法而算得的,所述统计度量为均值、中值或众数,所述统计建模算法为拟合算法。
8.根据权利要求7所述的车辆行程速度的预测估值装置,其特征在于,所述最低可能车速为0,所述最高可能车速为所述可行路径的最高限速,所述等跨度区间的跨度为1km/h。
9.根据权利要求7所述的车辆行程速度的预测估值装置,其特征在于,所述信息熵计算模块中设定时/>。
10.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现权利要求1至6中任意一项所述的车辆行程速度的预测估值方法。
11.一种车辆行程速度的预测估值方法的应用,其特征在于,由权利要求1至6中任意一项所述的车辆行程速度的预测估值方法得到的行程速度的修正后预测估算值应用于路径规划、车辆导航、交通诱导、交通信号控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311027343.2A CN116740948B (zh) | 2023-08-16 | 2023-08-16 | 车辆行程速度的预测估值方法、装置、介质及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311027343.2A CN116740948B (zh) | 2023-08-16 | 2023-08-16 | 车辆行程速度的预测估值方法、装置、介质及应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116740948A CN116740948A (zh) | 2023-09-12 |
CN116740948B true CN116740948B (zh) | 2023-11-21 |
Family
ID=87903033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311027343.2A Active CN116740948B (zh) | 2023-08-16 | 2023-08-16 | 车辆行程速度的预测估值方法、装置、介质及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116740948B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009140007A (ja) * | 2007-12-03 | 2009-06-25 | Sumitomo Electric Ind Ltd | 交通量算出装置、交通量算出プログラム及び交通量算出方法 |
CN102087788A (zh) * | 2009-12-02 | 2011-06-08 | 上海济祥智能交通科技有限公司 | 基于浮动车车速置信度的交通状态参数估计方法 |
CN108242147A (zh) * | 2016-12-27 | 2018-07-03 | 杭州海康威视系统技术有限公司 | 交通路况估计方法、装置及系统 |
CN111008549A (zh) * | 2019-08-07 | 2020-04-14 | 青岛碧蓝智能装备科技有限公司 | 基于样本熵和ifoa-grnn的uuv平台dvl信号失真重构方法 |
CN111605558A (zh) * | 2020-04-21 | 2020-09-01 | 宁波吉利汽车研究开发有限公司 | 一种车辆速度的确定方法、装置、电子设备和车辆 |
CN114676870A (zh) * | 2020-12-24 | 2022-06-28 | 上海汽车集团股份有限公司 | 车速预测方法、车速预测模型训练方法和相关装置 |
WO2022206079A1 (zh) * | 2021-04-01 | 2022-10-06 | 天津大学 | 一种智能网联汽车的迭代优化多尺度融合车速预测算法 |
CN116486611A (zh) * | 2023-04-18 | 2023-07-25 | 中国科学院空天信息创新研究院 | 一种城市道路车辆速度预测方法 |
-
2023
- 2023-08-16 CN CN202311027343.2A patent/CN116740948B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009140007A (ja) * | 2007-12-03 | 2009-06-25 | Sumitomo Electric Ind Ltd | 交通量算出装置、交通量算出プログラム及び交通量算出方法 |
CN102087788A (zh) * | 2009-12-02 | 2011-06-08 | 上海济祥智能交通科技有限公司 | 基于浮动车车速置信度的交通状态参数估计方法 |
CN108242147A (zh) * | 2016-12-27 | 2018-07-03 | 杭州海康威视系统技术有限公司 | 交通路况估计方法、装置及系统 |
CN111008549A (zh) * | 2019-08-07 | 2020-04-14 | 青岛碧蓝智能装备科技有限公司 | 基于样本熵和ifoa-grnn的uuv平台dvl信号失真重构方法 |
CN111605558A (zh) * | 2020-04-21 | 2020-09-01 | 宁波吉利汽车研究开发有限公司 | 一种车辆速度的确定方法、装置、电子设备和车辆 |
CN114676870A (zh) * | 2020-12-24 | 2022-06-28 | 上海汽车集团股份有限公司 | 车速预测方法、车速预测模型训练方法和相关装置 |
WO2022206079A1 (zh) * | 2021-04-01 | 2022-10-06 | 天津大学 | 一种智能网联汽车的迭代优化多尺度融合车速预测算法 |
CN116486611A (zh) * | 2023-04-18 | 2023-07-25 | 中国科学院空天信息创新研究院 | 一种城市道路车辆速度预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116740948A (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018171464A1 (zh) | 一种根据导航路径规划车速的方法、装置及系统 | |
JP4491472B2 (ja) | 交通情報システム | |
JP4175312B2 (ja) | 交通情報予測装置 | |
US8645052B2 (en) | Motor vehicle acceleration determining system | |
DK2619059T3 (en) | Driver profiling system and method | |
WO2018122807A1 (zh) | 一种基于舒适度的自动驾驶车速控制方法 | |
CN101964941A (zh) | 基于动态信息的智能导航与位置服务系统及方法 | |
WO2010124138A4 (en) | Predicting expected road traffic conditions based on historical and current data | |
JP5562691B2 (ja) | 渋滞時間算出装置、出発時刻算出装置、渋滞なし時間算出装置、及びプログラム | |
US20220215749A1 (en) | Method for predicting at least one profile of the speed of a vehicle on a road network | |
KR20190111935A (ko) | 차량에 대해 맞춤형 안전 속도를 결정하는 방법 | |
CN110349420B (zh) | 一种基于数据分析的智能路况管理系统 | |
CN107918826B (zh) | 一种驾驶环境感知的司机评价与调度方法 | |
Flaskou et al. | Analysis of freight corridors using GPS data on trucks | |
CN116011169A (zh) | 基于rfid和obd数据的城市道路交通碳排放测算方法 | |
JP2023184590A (ja) | 情報処理装置 | |
CN111915893A (zh) | 一种道路瓶颈点识别方法、装置、电子设备及存储介质 | |
CN109489679A (zh) | 一种导航路径中的到达时间计算方法 | |
CN113408833A (zh) | 一种公共交通重点区域识别方法、装置及电子设备 | |
CN116740948B (zh) | 车辆行程速度的预测估值方法、装置、介质及应用 | |
Tišljarić et al. | Analysis of intersection queue lengths and level of service using GPS data | |
US20050288948A1 (en) | Systems, methods and computer readable media for measuring the performance and travel efficiency of a technician | |
JP2018181034A (ja) | 走行支援装置、走行支援方法およびそのためのデータ構造 | |
CN105825670B (zh) | 基于数据融合的道路过饱和状态判断方法及系统 | |
CN111785012B (zh) | 一种车云协同计算的能耗路谱分析方法 |
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 |