CN116844337A - 基于车路协同的道路交通实时路况信息分析系统和方法 - Google Patents

Abstract

本发明涉及一种基于车路协同的道路交通实时路况信息分析系统，包括：数据抽取与筛选模块和路况预测模块，数据抽取与筛选模块与路况预测模块通信连接；数据抽取与筛选模块实时抽取路端采集的视频数据和感知数据，经过筛选后将有效数据传输至路况预测模块；路况预测模块根据有效数据预测与不同车辆类型相关联的参数并计算路况指数，根据路况指数输出对应的路况类型。此外，本发明还涉及一种对应的分析方法。通过本发明的系统和方法，本发明可以对车辆类型进行预测，使得路况预测结果更加准确。

Description

基于车路协同的道路交通实时路况信息分析系统和方法

技术领域

本发明涉及道路交通技术领域，并且更具体地，涉及一种基于车路协同的道路交通实时路况信息分析系统和方法。

背景技术

车辆导航需要实时交通路况信息，车路协同场景会利用路端设备收集实时道路视频和感知信息，相比基于地图软件和打车软件的路况数据，车路协同采集的数据具有实时、准确、全天候等特点，其视频和图像数据更直观更丰富。充分利用车路协同采集的数据进行路况分析，不仅能够满足车辆导航的需求，还可以为车辆自动驾驶系统和辅助驾驶系统提供更准确的规划决策数据。现有方案大多基于车载导航系统或手机地图APP导航功能采集数据，数据的真实性较难保证，对于车辆类型(如货车、卡车等)、车速、行人、临时道路信息(如障碍物、交通管制、事故等)无法提供实时、准确、空天视角的准确信息。

此外，车辆类型是影响路况计算的关键因素，而目前的路况预测方法没有考虑车辆类型对于路况预测的差异性影响。例如，货车、客车等车辆类型的行驶速度明显低于小汽车的行驶速度，而目前的路况预测方法中通常不会考虑这些车辆类型而进行路况预测，其预测结果往往也不够准确。

因此，现有技术有待改进。

发明内容

针对现有技术的不足，本发明提出了一种基于车路协同的道路交通实时路况信息分析系统和方法。

为了解决上述技术问题，本发明采用以下技术方案：

根据本发明的一方面，提供一种基于车路协同的道路交通实时路况信息分析系统，包括：

数据抽取与筛选模块和路况预测模块，数据抽取与筛选模块与路况预测模块通信连接；

数据抽取与筛选模块实时抽取路端采集的视频数据和感知数据，经过筛选后将有效数据传输至路况预测模块；

路况预测模块根据有效数据预测与不同车辆类型相关联的参数并计算路况指数，根据路况指数输出对应的路况类型。

在本发明的一个实施例中，与不同车辆类型相关联的参数包括不同车辆类型的流量和不同车辆类型的平均速度。

在本发明的一个实施例中，将预测的不同车辆类型的流量和预测的不同车辆类型的平均速度作为输入送入至路况计算模块中，通过以下计算式计算路况指数：

I＝min(0,v_free-v)/v_free，

其中，I为路况指数；v＝sum(Qi*Vi)/sum(Qi)，Qi、Vi分别为预设时间段内预测的车辆类型i的流量和平均速度；v_free为道路的自由流速度。

在本发明的一个实施例中，将历史时刻和当前时刻不同车辆类型的流量的统计值、历史时刻和当前时刻道路拥堵状态的统计值以及历史时刻和当前时刻交通事故状态的统计值输入到流量预测模型中，预测不同车辆类型在道路中的流量以得到预测的不同车辆类型的流量；将历史时刻和当前时刻不同车辆类型的平均速度的统计值、历史时刻和当前时刻道路拥堵状态的统计值以及历史时刻和当前时刻交通事故状态的统计值输入到速度预测模型，预测不同车辆类型在道路中的平均速度以得到预测的不同车辆类型的平均速度。

在本发明的一个实施例中，流量预测模型采用基于Transformer的流量预测模型，速度预测模型采用基于Transformer的速度预测模型。

在本发明的一个实施例中，基于历史数据，从不同时间维度统计历史时刻不同车辆类型的流量和平均速度，并且基于历史数据，从不同时间维度统计历史时刻道路拥堵状态的相关参数和历史时刻交通事故状态的相关参数。

在本发明的一个实施例中，道路拥堵状态的相关参数包括拥堵持续时长、长度和位置；交通事故状态的相关参数包括交通事故类型和事故持续时长。

在本发明的一个实施例中，不同车辆类型包括货车、客车和乘用车。

在本发明的一个实施例中，路况类型包括畅通、缓行和拥堵。

在本发明的一个实施例中，数据抽取与筛选模块按照一定频率抽取视频数据和感知数据。

在本发明的一个实施例中，系统还包括：

区域中心节点路况分析模块、云端计算中心模块和车辆路况获取模块，区域中心节点路况分析模块连接数据抽取与筛选模块，云端计算中心模块连接区域中心节点路况分析模块，区域中心节点路况分析模块、云端计算中心模块均连接路况预测模块，车辆路况获取模块连接路况预测模块；

数据抽取与筛选模块进一步将有效数据自动上传至云端计算中心模块供区域中心节点路况分析模块使用；

区域中心节点路况分析模块根据有效数据分析汇总区域道路人流、车流、车速、拥堵情况，检测区域内道路交通事故情况以及其它道路交通事件，并将分析结果传送至云端计算中心；

云端计算中心根据分析结果计算跨区域路况信息；

车辆路况获取模块接收路况预测模块输出的道路路况并基于道路路况进行路径规划优化。

在本发明的一个实施例中，路况预测模块还提供接口供接入车路协同网络的车辆获取实时道路交通数据，接口包括MQTT、HTTP、RPC接口中的至少一种，道路交通数据包括文字、语音、图片、视频中的至少一种。

在本发明的一个实施例中，接入车路协同网络的车辆使用公共API或SDK的方式获取实时道路交通数据，车辆根据实时位置和目的地路线获取不同区域的实时路况信息和未来路况预测信息，供导航软件、自动驾驶系统、辅助驾驶系统决策使用，车辆驾驶员根据实时位置和目的地路线按需查看实时路况图片和视频信息。

根据本发明的另一方面，提供一种利用如上所述的基于车路协同的道路交通实时路况信息分析系统进行分析的方法，其特征在于，包括以下步骤：

通过数据抽取与筛选模块，实时抽取路端采集的视频数据和感知数据，经过筛选后将有效数据传输至路况预测模块；

通过路况预测模块，根据有效数据预测与不同车辆类型相关联的参数并计算路况指数，根据路况指数输出对应的路况类型。

通过采用上述技术方案，本发明相比于现有技术具有如下优点：

(1)本发明充分利用路端采集数据的实时性、准确性和客观性，采用空天视角使用路况分析系统实时分析和预测区域路况分析，供车量的自动驾驶系统、辅助驾驶系统和驾驶员决策时使用，真正实现全景化、实时、准确的规划和预测。

(2)本发明基于多区域车路协同网络的历史路况数据和实时路况信息可以更准确预测道路未来一段时间内的交通状况，并按照车辆目的地不同更准确的推荐高效行车路线，避免拥堵，为快捷通畅的城市交通提供更准确高效的数据支持。

(3)本发明还引入了车辆类型的预测，使得路况预测结果更加准确。

附图说明

图1示出了本发明提供的一种基于车路协同的道路交通实时路况信息分析方法的一个实施例的流程图；

图2示出了本发明提供的一种基于车路协同的道路交通实时路况信息分析方法的另一个实施例的流程图。

具体实施方式

应当理解，在示例性实施例中所示的本发明的实施例仅是说明性的。虽然在本发明中仅对少数实施例进行了详细描述，但本领域技术人员很容易领会在未实质脱离本发明主题的教导情况下，多种修改是可行的。相应地，所有这样的修改都应当被包括在本发明的范围内。在不脱离本发明的主旨的情况下，可以对以下示例性实施例的设计、操作条件和参数等做出其他的替换、修改、变化和删减。

在本发明中，本发明的一个实施例中提供的一种基于车路协同的道路交通实时路况信息分析系统，包括：数据抽取与筛选模块、区域中心节点路况分析模块、云端计算中心模块、路况预测模块、车辆路况获取模块，区域中心节点路况分析模块连接数据抽取与筛选模块，云端计算中心模块连接区域中心节点路况分析模块，区域中心节点路况分析模块、云端计算中心模块均连接路况预测模块，车辆路况获取模块连接路况预测模块。

数据抽取与筛选模块实时按一定频率抽取路端采集的视频、感知信息，经过筛选后将有效信息自动上传至云端计算中心模块供区域中心节点路况分析模块使用；路况预测模块根据路端采集的视频信息和感知信息计算实时行人信息(行人数量、行人类别)、各类车辆信息(车辆数量、车辆类型、车速)，并根据上述信息生成道路拥堵等级信息，并更新至实时道路交通情况数据库；路况预测模块根据路端采集的视频信息使用交通事故检测模型分析道路事故情况，进行分类分级后，更新至实时道路交通情况数据库；车辆路况获取模块根据输入的实时道路交通信息数据进行路径规划优化。

路况预测模块提供接口(包括但不限于MQTT、HTTP、RPC接口)供接入车路协同网络的车辆获取实时道路交通数据(包括但不限于文字、语音、图片、视频)。区域中心节点路况分析模块根据视频图像信息和感知检测结果分析汇总区域道路人流、车流、车速、拥堵情况，检测区域内道路交通事故情况以及其它道路交通事件，并将分析结果传送至云端计算中心；云端计算中心模块接收区域中心数据并计算跨区域路况信息；路况预测模块根据时间因素、位置因素、邻近区域信息、历史路况信息，预测未来一段时间内路况信息，并根据实时路况信息进行修正。接入车路协同网络的车辆使用公共API或SDK的方式获取实时道路交通数据，车辆根据实时位置和目的地路线获取不同区域的实时路况信息和未来路况预测信息，供导航软件、自动驾驶系统、辅助驾驶系统决策使用，车辆驾驶员根据实时位置和目的地路线按需查看实时路况图片和视频信息。

如图1所示，图1示出了本实施例提供的分析方法的流程图：

数据抽取与筛选步骤：

针对路端设备采集的视频数据、感知结果按一定的频率进行检测，初步分析计算车流量、车辆类型、行人情况，并按初步分析结果调整频率，分析后将原始数据与初步分析结果上传至区域中心节点和云端，供区域中心节点进一步计算分析；

区域中心节点路况分析步骤：

区域中心节点汇总多个路端设备的视频数据、感知结果和初步分析结果，根据区域地图和道路情况，分析汇总区域道路人流、车流、车速、拥堵情况，检测道路交通事故情况以及其它道路交通事件，并将分析结果传送至相邻其它区域中心节点和云端计算中心；

云端计算中心计算步骤：

负责城市整体交通路况分析和协调各节点任务，根据需要参与区域中心节点的分析计算任务，并将分析结果传送至区域中心节点和相邻节点；

路况预测步骤：

路况分析系统根据时间、地理信息、历史路况信息、邻近区域路况和实时路况信息预测未来一段时间内的道路拥堵状况，并根据车辆目的地进行线路推荐；

车辆路况获取步骤：

路况分析系统所产生的分析结果、图像、视频信息、预测信息、推荐信息以公共服务的形式提供出来，车载系统、无人驾驶系统、辅助驾驶系统可通过API、MQTT在内的多种方式获取，展示播放到车载大屏或者供无人驾驶系统、辅助驾驶系统规划决策使用。

此外，本发明进一步提出了基于车辆类型来进行路况预测。

本发明的另一实施例中提供的一种基于车路协同的道路交通实时路况信息分析系统，包括：

数据抽取与筛选模块和路况预测模块，数据抽取与筛选模块与路况预测模块通信连接；

数据抽取与筛选模块实时抽取路端采集的视频数据和感知数据，经过筛选后将有效数据传输至路况预测模块；

路况预测模块根据有效数据预测与不同车辆类型相关联的参数并计算路况指数，根据路况指数输出对应的路况类型。

在上述实施例中，与不同车辆类型相关联的参数包括不同车辆类型的流量和不同车辆类型的平均速度。

在上述实施例中，将预测的不同车辆类型的流量和预测的不同车辆类型的平均速度作为输入送入至路况计算模块中，通过以下计算式计算路况指数：

I＝min(0,v_free-v)/v_free，

其中，I为路况指数；v＝sum(Qi*Vi)/sum(Qi)，Qi、Vi分别为预设时间段内预测的车辆类型i的流量和平均速度；v_free为道路的自由流速度。

在上述实施例中，将历史时刻和当前时刻不同车辆类型的流量的统计值、历史时刻和当前时刻道路拥堵状态的统计值以及历史时刻和当前时刻交通事故状态的统计值输入到流量预测模型中，预测不同车辆类型在道路中的流量以得到预测的不同车辆类型的流量；将历史时刻和当前时刻不同车辆类型的平均速度的统计值、历史时刻和当前时刻道路拥堵状态的统计值以及历史时刻和当前时刻交通事故状态的统计值输入到速度预测模型，预测不同车辆类型在道路中的平均速度以得到预测的不同车辆类型的平均速度。

在上述实施例中，流量预测模型采用基于Transformer的流量预测模型，速度预测模型采用基于Transformer的速度预测模型。

在上述实施例中，如图2所示，路况预测模块可以被配置为基于历史数据，从不同时间维度统计历史时刻不同车辆类型的流量和历史时刻不同车辆类型的平均速度，并且基于历史数据，从不同时间维度统计历史道路拥堵状态的相关参数和历史交通事故状态的相关参数；

其中历史数据可以是历史一个月的数据、历史二个月的数据、历史三个月的数据等，优选历史数据是历史一个月的数据，不同时间维度可以是5分钟、10分钟、30分钟、1小时、3小时、5小时、8小时、10小时、12小时、14小时、16小时、21小时、23小时、1天、2天。

在上述实施例中，如图2所示，当前时刻不同车辆类型的流量可以是近5分钟、近10分钟等的不同车辆类型的流量，优选是近5分钟的不同车辆类型的流量，并且当前时刻不同车辆类型的平均速度据包括近5分钟、近10分钟等的不同车辆类型的平均速度，优选近5分钟的不同车辆类型的平均速度。

在上述实施例中，道路拥堵状态的相关参数包括拥堵持续时长、长度和位置；交通事故状态的相关参数包括交通事故类型和事故持续时长。

在上述实施例中，不同车辆类型包括货车、客车和乘用车。

本发明使用的车辆类型具体如下：

车辆分类

在上述实施例中，路况类型至少包括畅通、缓行和拥堵。

具体地说：

当计算得到的路况指数0≤I≤2时，输出畅通的道路路况；

当计算得到的路况指数2＜I≤4时，输出基本畅通的道路路况；

当计算得到的路况指数4＜I≤6时，输出缓行的道路路况；

当计算得到的路况指数6＜I≤8时，输出拥堵的道路路况；

当计算得到的路况指数8＜I≤10时，输出严重拥堵的道路路况。

在上述实施例中，该分析系统还可以包括：

区域中心节点路况分析模块、云端计算中心模块和车辆路况获取模块，区域中心节点路况分析模块连接数据抽取与筛选模块，云端计算中心模块连接区域中心节点路况分析模块，区域中心节点路况分析模块、云端计算中心模块均连接路况预测模块，车辆路况获取模块连接路况预测模块；

数据抽取与筛选模块进一步将有效数据自动上传至云端计算中心模块供区域中心节点路况分析模块使用；

区域中心节点路况分析模块根据有效数据分析汇总区域道路人流、车流、车速、拥堵情况，检测区域内道路交通事故情况以及其它道路交通事件，并将分析结果传送至云端计算中心；

云端计算中心根据分析结果计算跨区域路况信息；

车辆路况获取模块接收路况预测模块输出的道路路况并基于道路路况进行路径规划优化。

在上述实施例中，路况预测模块还提供接口供接入车路协同网络的车辆获取实时道路交通数据，接口包括MQTT、HTTP、RPC接口中的至少一种，道路交通数据包括文字、语音、图片、视频中的至少一种。

在上述实施例中，接入车路协同网络的车辆使用公共API或SDK的方式获取实时道路交通数据，车辆根据实时位置和目的地路线获取不同区域的实时路况信息和未来路况预测信息，供导航软件、自动驾驶系统、辅助驾驶系统决策使用，车辆驾驶员根据实时位置和目的地路线按需查看实时路况图片和视频信息。

再次参照图2，本发明基于车辆类型来进行路况预测的方法的具体方案如下：

路况指数I＝min(0,v_free-v)/v_free，其中，v是统计时间段内通过道路的所有车辆的平均速度，v_free为道路的自由流速度。

根据路况指数I，可以将道路分为5个等级：0≤I≤2畅通；2＜I≤4基本畅通；4＜I≤6缓行；6＜I≤8拥堵；8＜I≤10严重拥堵。

如图2所示，在框201处，从不同时间维度(例如，5分钟、1小时、1天)统计例如历史一个月不同车辆类型的流量数据。在框202中，统计历史时刻和当前时刻道路拥堵状态，例如，拥堵持续时长、长度和位置。在框203中，统计历史时刻和当前时刻交通事故状态，例如，交通事故类型和事故持续时长。在框204中，从不同时间维度(例如，5分钟、1小时、1天)统计历史时刻不同车辆类型的平均速度数据。在框205中，统计近5分钟的不同车辆类型的流量数据。在框206中，统计近5分钟的不同车辆类型的平均速度数据。在框207中，将框201中的历史一个月不同车辆类型的流量数据的统计值、框205中的近5分钟的不同车辆类型的流量数据的统计值、框202中的历史时刻和当前时刻道路拥堵状态的统计值以及框203中历史时刻和当前时刻交通事故状态的统计值输入到基于Transformer的流量预测模型中，并在框209中预测不同车辆类型在道路中的流量以得到不同车辆类型的流量预测数据。在框208中，将框204中的历史时刻不同车辆类型的平均速度数据的统计值、框206中的近5分钟的不同车辆类型的平均速度数据的统计值、框202中的历史时刻和当前时刻道路拥堵状态的统计值以及框203中的历史时刻和当前时刻交通事故状态的统计值输入到基于Transformer的速度预测模型，并在框210中预测不同车辆类型在道路中的平均速度以得到不同车辆类型的平均速度预测数据。然后将框209中的不同车辆类型的流量预测数据和框210中的不同车辆类型的平均速度预测数据作为输入送至框211中的路况计算模块中计算路况指数I，其中I＝min(0,v_free-v)/v_free，其中v＝sum(Qi*Vi)/sum(Qi)，Qi、Vi分别为车辆类型i的流量预测数据和平均速度预测数据；v_free为道路的自由流速度。最后在框212中，基于路况指数输出预测的道路路况。

综上所述，相比于现有技术，本发明能够充分利用路端采集数据的实时性、准确性和客观性，采用空天视角使用路况分析系统实时分析和预测区域路况分析，供车量的自动驾驶系统、辅助驾驶系统和驾驶员决策时使用，真正实现全景化、实时、准确的规划和预测。本发明能够基于多区域车路协同网络的历史路况数据和实时路况信息可以更准确预测道路未来一段时间内的交通状况，并按照车辆目的地不同更准确的推荐高效行车路线，避免拥堵，为快捷通畅的城市交通提供更准确高效的数据支持。本发明还引入了车辆类型的预测，使得路况预测结果更加准确。

以上所述仅为本发明的较佳实施例，并非用来限定本发明的实施范围；如果不脱离本发明的精神和范围，对本发明进行修改或者等同替换，均应涵盖在本发明权利要求的保护范围当中。

Claims (14)

1.一种基于车路协同的道路交通实时路况信息分析系统，其特征在于，包括：

数据抽取与筛选模块和路况预测模块，所述数据抽取与筛选模块与所述路况预测模块通信连接；

所述数据抽取与筛选模块实时抽取路端采集的视频数据和感知数据，经过筛选后将有效数据传输至所述路况预测模块；

所述路况预测模块根据有效数据预测与不同车辆类型相关联的参数并计算路况指数，根据路况指数输出对应的路况类型。

2.根据权利要求1所述的基于车路协同的道路交通实时路况信息分析系统，其特征在于，与不同车辆类型相关联的参数包括不同车辆类型的流量和不同车辆类型的平均速度。

3.根据权利要求2所述的基于车路协同的道路交通实时路况信息分析系统，其特征在于，将预测的不同车辆类型的流量和预测的不同车辆类型的平均速度作为输入送入至路况计算模块中，通过以下计算式计算路况指数：

I＝min(0,v_free–v)/v_free，

其中，I为路况指数；v＝sum(Qi*Vi)/sum(Qi)，Qi、Vi分别为预设时间段内预测的车辆类型i的流量和平均速度；v_free为道路的自由流速度。

4.根据权利要求2所述的基于车路协同的道路交通实时路况信息分析系统，其特征在于，将历史时刻和当前时刻不同车辆类型的流量的统计值、历史时刻和当前时刻道路拥堵状态的统计值以及历史时刻和当前时刻交通事故状态的统计值输入到流量预测模型中，预测不同车辆类型在道路中的流量以得到预测的不同车辆类型的流量；将历史时刻和当前时刻不同车辆类型的平均速度的统计值、历史时刻和当前时刻道路拥堵状态的统计值以及历史时刻和当前时刻交通事故状态的统计值输入到速度预测模型中，预测不同车辆类型在道路中的平均速度以得到预测的不同车辆类型的平均速度。

5.根据权利要求4所述的基于车路协同的道路交通实时路况信息分析系统，其特征在于，所述流量预测模型采用基于Transformer的流量预测模型，所述速度预测模型采用基于Transformer的速度预测模型。

6.根据权利要求4所述的基于车路协同的道路交通实时路况信息分析系统，其特征在于，基于历史数据，从不同时间维度统计历史时刻不同车辆类型的流量和平均速度，并且基于历史数据，从不同时间维度统计历史时刻道路拥堵状态的相关参数和历史时刻交通事故状态的相关参数。

7.根据权利要求6所述的基于车路协同的道路交通实时路况信息分析系统，其特征在于，所述道路拥堵状态的相关参数包括拥堵持续时长、长度和位置；所述交通事故状态的相关参数包括交通事故类型和事故持续时长。

8.根据权利要求1所述的基于车路协同的道路交通实时路况信息分析系统，其特征在于，不同车辆类型包括货车、客车和乘用车。

9.根据权利要求1所述的基于车路协同的道路交通实时路况信息分析系统，其特征在于，所述路况类型包括畅通、缓行和拥堵。

10.根据权利要求1所述的基于车路协同的道路交通实时路况信息分析系统，其特征在于，所述数据抽取与筛选模块按照一定频率抽取视频数据和感知数据。

11.根据权利要求1所述的基于车路协同的道路交通实时路况信息分析系统，其特征在于，所述系统还包括：

区域中心节点路况分析模块、云端计算中心模块和车辆路况获取模块，所述区域中心节点路况分析模块连接所述数据抽取与筛选模块，所述云端计算中心模块连接所述区域中心节点路况分析模块，所述区域中心节点路况分析模块、所述云端计算中心模块均连接所述路况预测模块，所述车辆路况获取模块连接所述路况预测模块；

所述数据抽取与筛选模块进一步将有效数据自动上传至所述云端计算中心模块供所述区域中心节点路况分析模块使用；

所述区域中心节点路况分析模块根据有效数据分析汇总区域道路人流、车流、车速、拥堵情况，检测区域内道路交通事故情况以及其它道路交通事件，并将分析结果传送至所述云端计算中心；

所述云端计算中心根据分析结果计算跨区域路况信息；

所述车辆路况获取模块接收所述路况预测模块输出的路况类型并基于所述路况类型进行路径规划优化。

12.根据权利要求1所述的基于车路协同的道路交通实时路况信息分析系统，其特征在于，所述路况预测模块还提供接口供接入车路协同网络的车辆获取实时道路交通数据，所述接口包括MQTT、HTTP、RPC接口中的至少一种，道路交通数据包括文字、语音、图片、视频中的至少一种。

13.根据权利要求12所述的基于车路协同的道路交通实时路况信息分析系统，其特征在于，接入车路协同网络的车辆使用公共API或SDK的方式获取实时道路交通数据，车辆根据实时位置和目的地路线获取不同区域的实时路况信息和未来路况预测信息，供导航软件、自动驾驶系统、辅助驾驶系统决策使用，车辆驾驶员根据实时位置和目的地路线按需查看实时路况图片和视频信息。

14.一种利用如权利要求1-13中任一项所述的基于车路协同的道路交通实时路况信息分析系统进行分析的方法，其特征在于，包括以下步骤：

通过数据抽取与筛选模块，实时抽取路端采集的视频数据和感知数据，经过筛选后将有效数据传输至路况预测模块；

通过所述路况预测模块，根据有效数据预测与不同车辆类型相关联的参数并计算路况指数，根据路况指数输出对应的路况类型。