CN117275241B - 基于数字孪生的交通态势感知和流量预测的可视化系统 - Google Patents
基于数字孪生的交通态势感知和流量预测的可视化系统 Download PDFInfo
- Publication number
- CN117275241B CN117275241B CN202311555014.5A CN202311555014A CN117275241B CN 117275241 B CN117275241 B CN 117275241B CN 202311555014 A CN202311555014 A CN 202311555014A CN 117275241 B CN117275241 B CN 117275241B
- Authority
- CN
- China
- Prior art keywords
- target road
- road section
- traffic
- vehicles
- traffic 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.)
- Active
Links
- 238000012800 visualization Methods 0.000 title claims abstract description 14
- 230000000007 visual effect Effects 0.000 claims description 42
- 238000004458 analytical method Methods 0.000 claims description 19
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 230000003993 interaction Effects 0.000 abstract description 5
- 238000000034 method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于数字孪生的交通态势感知和流量预测的可视化系统,包括交通数据采集端、边缘计算集群和云端服务器本发明涉及交通技术领域。该基于数字孪生的交通态势感知和流量预测的可视化系统,本发明通过搭建交通场景数字孪生系统,将实时监控信息与被监控场景的三维模型进行实时精准的融合起来,可以将不同位置、不同角度布设的多个交通数据纳入统一空间基准的全空间三维场景中,预测未来一段时间内的交通流量分布、拥堵等状况,生成一个全局路网交通流量的预测,让交通状况可视化,实现实时的数字孪生交通场景和真实城市交通场景信息交互和更新,可以实现目标路段交通信息的查看、回放、监控路线跟踪、目标跟踪等功能。
Description
技术领域
本发明涉及交通技术领域,具体为一种基于数字孪生的交通态势感知和流量预测的可视化系统。
背景技术
交通态势感知和流量预测是智慧城市建设中的关键技术,通过实时监测和预测交通情况,为城市交通运输提供决策支持和优化方案。
然而,现阶段对道路和车辆的监控主要依赖于用户使用各种地图应用程序,这种方式存在很多问题,首先,它依赖于用户的参与和主动上报,数据的准确性、覆盖率和实时性都受到限制;其次是个人数据的隐私问题。
发明内容
针对现有技术的不足,本发明提供了一种基于数字孪生的交通态势感知和流量预测的可视化系统,解决了背景技术中所提出的问题。
为实现以上目的,本发明通过以下技术方案予以实现:基于数字孪生的交通态势感知和流量预测的可视化系统,包括:
交通数据采集端,用于在目标路网各个目标路段的驶入岔口和驶出岔口处采集相应的实时交通数据,随后将交通数据传输至边缘计算集群;
所述目标路网指的在目标区域内,由各种道路组成的相互联络、交织成网状分布的道路系统;所述交通数据包括目标路段的路段距离、限速值、车道数量、多个车辆的ID信息、相应ID信息车辆在驶入岔口和驶出岔口各自的驶入时间和驶出时间;
边缘计算集群,其包括若干个分布于目标路网内不同区域的边缘计算终端,边缘计算终端,用于对各个目标路段的交通数据进行信息分析,随后依据分析结果,得到目标路段上车辆的轨迹信息,随后将其传输至云端服务器中,信息分析方式如下:
步骤一、以一个目标路段为例,在该目标路段的指定时间,获取驶出岔口的交通数据,并从该交通数据中提取所有车辆的ID信息;
步骤二、随后从该交通数据中提取所有车辆的数量,并将记作为n;
接着将n与预设数量值n0进行比较:
若n>n0,则表示该目标路段中的车辆过多,随后对目标路段的交通数据进行速度分析,根据分析结果,得到相应的可视化速度;
步骤三、随后依据指定时间,获取驶入岔口在前一时段内的所有交通数据,并从该交通数据中提取进入目标路段的所有车辆的驶入时间;
接着依据驶入时间和可视化速度,确定各个车辆行驶的可视化距离,随后依据可视化距离结合目标路段的路段距离,确定各个车辆处于目标路段的位置,并将其记作轨迹数据,随后将其传输至云端服务器中;
云端服务器,用于将边缘计算终端传输的轨迹数据,融合至预训练的数字孪生交通场景中并展示。
优选的,所述交通数据通过设置在驶入岔口和驶出岔口处的雷视一体机捕获得到,所述ID信息为对应车辆的车牌号,所述驶入时间表示为车辆在进入岔路口雷视一体机捕获区域的时间驶出时间表示车辆在离开岔路口雷视一体机捕获区域的时间。
优选的,实时交通数据通过无线通信技术传输至与其获取位置最近的一个边缘计算终端;
优选的,在步骤二中,若n≤n0,则表示该目标路段中的车辆数量适中,随后获取该目标路段中的限速值,并将其标记为XS,接着通过公式KS=XS-XS*β,得到目标路段中的可视化速度KS,其中β为预设比例系数。
优选的,在步骤二中,速度分析方式如下:
第一步、以一个ID信息的车辆为例,依据该车辆唯一的ID信息;
从驶出岔口的交通数据中,提取该ID信息车辆的驶入时间;
接着获取目标路段的驶出岔口含有该ID信息的交通数据,并从中提取该ID信息车辆的驶出时间;
第二步、随后通过计算目标路段中驶出岔口的驶入时间与驶出岔口的驶出时间之间的时间差;
第三步、随后通过目标路网获取该目标路段的路段距离,之后依据路段距离和时间差计算出该ID信息车辆在该目标路段的行驶速度;
第四步、依据各个车辆的ID信息,按照第一步到第三步的方式,得出该交通数据内各个车辆的行驶速度,并将其标记为SDi,i=1、2、……、n,n表示该交通数据中提取所有车辆的数量,i表示该交通数据中第几个ID信息车辆;
同时,获取该目标路段中的限速值,并将其标记为XS;
随后SDi与XS*β进行比较:
若SDi>XS*β,则表示相应车辆在该目标路段中的行驶速度正常;
若SDi≤XS*β,则表示相应车辆在该目标路段中的行驶速度缓慢;
第五步、之后在该交通数据中提取所有车辆中获取行驶速度缓慢的车辆对应的数量,接着计算行驶速度缓慢的车辆对应的数量在所有车辆数量中的占比,并将其记作B;
随后将B与预设比例阈值B0进行比较:
若B>B0,则表示该目标路段中行驶速度缓慢的车辆较多,后续进入该目标路段的车辆需要控制车速;
接着获取在该交通数据中提取所有车辆中获取行驶速度正常的车辆对应的行驶速度,并计算所有车辆行驶速度正常对应行驶速度的离散程度,随后剔除导致离散程度过大的行驶速度,保留未剔除的行驶速度;
同时获取在该交通数据中提取所有车辆中获取行驶速度缓慢的车辆对应的速度,并计算所有车辆行驶速度缓慢对应行驶速度的离散程度,随后剔除导致离散程度过大的行驶速度,保留未剔除的行驶速度;
之后求取该交通数据中所有未剔除的行驶速度的均值,并将其标记为SP;
随后通过KS=SP-SP*β,得到目标路段中的可视化速度KS;
优选的,若B≤B0,则表示该目标路段中行驶速度缓慢的车辆适中,接着通过公式KS=XS-XS*β,得到目标路段中的可视化速度KS;
优选的,所述边缘计算终端还用于依据指定时间,获取驶入岔口在前一时段内的所有交通数据,并从该交通数据中提取进入目标路段的所有车辆的车辆长度,并将各个车辆长度标记为CCj,j=1、2、……、m,m表示前一时段内进入目标路段的所有车辆的数量,j表示第几个车辆;
同时获取该目标路段的车道数量和路段距离,并将其分别标记为DS和DL;
随后通过公式,计算出该目标路段的拥堵占比系数YD,其中α1为预设的安全车距值,其表示两车之间的安全距离,α2为预设的影响因子,表示前一时段内进入目标路段的所有车辆在该目标路段上所占用的长度;
随后将拥堵占比系数YD与预设的拥堵判定值集DD∈{D1、D2、D3}进行比较,依据比较结果,得到相应的可视化拥堵程度,之后将可视化拥堵程度传输至云端服务器中;
所述云端服务器还用于实时接收各个边缘计算终端对车辆处理获得的可视化拥堵程度,并将其融合至数字孪生交通场景中。
优选的,所述拥堵占比系数与预设的拥堵判定值集的比较结果如下:
若YD<D1,则表示该目标路段的可视化拥堵程度为低度拥堵;
若D1≤YD<D2,则表示该目标路段的可视化拥堵程度为中度拥堵;
若D2≤YD<D3,则表示该目标路段的可视化拥堵程度低为高度拥堵;
若D3≤YD,则表示该目标路段的可视化拥堵程度低为严重拥堵。
本发明提供了一种基于数字孪生的交通态势感知和流量预测的可视化系统。与现有技术相比具备以下有益效果:
本发明通过搭建交通场景数字孪生系统,精确复制现实世界交通状况,决策者可以在数字副本上做一系列交通预演,选择高质量的决策;可视化应用界面,让交通状况变化更加直观,实现实时的数字孪生交通场景和真实城市交通场景信息交互和更新;
本发明通过结合历史数据和实时数据,预测未来一段时间内的交通流量分布、拥堵等状况,生成一个全局路网交通流量的预测,将结果可视化,进一步实现实时的数字孪生交通场景和真实城市交通场景信息交互和更新;
本发明通过将实时监控信息与被监控场景的三维模型进行实时精准的融合起来,可以将不同位置、不同角度布设的多个交通数据纳入统一空间基准的全空间三维场景中,可以实现目标路段交通信息的查看、回放、监控路线跟踪、目标跟踪等功能。
附图说明
图1为本发明的系统框图;
图2为本发明边缘计算终端信息分析的流程示意图。
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、完整的描述,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。
作为本发明的实施例一
请参阅图1-图2,本发明提供一种技术方案:一种基于数字孪生的交通态势感知和流量预测的可视化系统,包括:
交通数据采集端,用于在目标路网各个目标路段的驶入岔口和驶出岔口处,采集通过雷视一体机捕获的实时交通数据,随后将实时交通数据传输至边缘计算集群;
其中,目标路段依据岔路口划分得到,即在目标路网中,两个岔路口之间的道路记为一条目标路段,同时将目标路段两端的岔路口分别记作驶入岔口和驶出岔口,且驶入岔口和驶出岔口按照目标路段的行进方向进行划分,如一条由东向西行驶的目标路段,位于该目标路段东端的一个岔路口记作驶入岔口,位于该目标路段西端的一个岔路口记作驶出岔口;
目标路网指的在目标区域内,由各种道路组成的相互联络、交织成网状分布的道路系统,该技术为现有技术,在该实施例中,且目标路网通过从卫星地图中获取得到;
交通数据包括目标路段的路段距离、限速值、车道数量、多个车辆的ID信息、相应ID信息车辆在驶入岔口和驶出岔口各自的驶入时间和驶出时间,驶入时间表示为车辆在进入岔路口雷视一体机捕获区域的时间驶出时间表示车辆在离开岔路口雷视一体机捕获区域的时间;
雷视一体机为现有技术,故此不作赘述,车辆ID信息为对应车辆的车牌号;
边缘计算集群,其包括若干个分布于目标路网内不同区域的边缘计算终端,且各个边缘计算终端之间通信连接,且实时交通数据通过无线通信技术传输至与其获取位置最近的一个边缘计算终端;
边缘计算终端,用于对各个目标路段的交通数据进行信息分析,随后依据分析结果,得到目标路段上车辆的轨迹信息,随后将其传输至云端服务器中;
信息分析方式如下:
步骤一、以一个目标路段为例,在该目标路段的指定时间,获取驶出岔口的交通数据,并从该交通数据中提取所有车辆的ID信息;
步骤二、随后从该交通数据中提取所有车辆的数量,并将记作为n;
接着将n与预设数量值n0进行比较:
若n≤n0,则表示该目标路段中的车辆数量适中,随后获取该目标路段中的限速值,并将其标记为XS,接着通过公式KS=XS-XS*β,得到目标路段中的可视化速度KS,其中β为预设比例系数,在该实施例中,β的值为0.05,其目的是在可视化速度计算时,在符合安全驾驶的情况下,提供相对合理的可视化速度;
若n>n0,则表示该目标路段中的车辆过多,随后对目标路段的交通数据进行速度分析,根据分析结果,得到相应的可视化速度;
速度分析方式如下:
第一步、以一个ID信息的车辆为例,依据该车辆唯一的ID信息;
从驶出岔口的交通数据中,提取该ID信息车辆的驶入时间;
接着获取目标路段的驶出岔口含有该ID信息的交通数据,并从中提取该ID信息车辆的驶出时间;
第二步、随后通过计算目标路段中驶出岔口的驶入时间与驶出岔口的驶出时间之间的时间差;
第三步、随后通过目标路网获取该目标路段的路段距离,之后依据路段距离和时间差计算出该ID信息车辆在该目标路段的行驶速度;
第四步、依据各个车辆的ID信息,按照第一步到第三步的方式,得出该交通数据内各个车辆的行驶速度,并将其标记为SDi,i=1、2、……、n,n表示该交通数据中提取所有车辆的数量,i表示该交通数据中第几个ID信息车辆;
同时,获取该目标路段中的限速值,并将其标记为XS;
随后SDi与XS*β进行比较:
若SDi>XS*β,则表示相应车辆在该目标路段中的行驶速度正常;
若SDi≤XS*β,则表示相应车辆在该目标路段中的行驶速度缓慢;
第五步、之后在该交通数据中提取所有车辆中获取行驶速度缓慢的车辆对应的数量,接着计算行驶速度缓慢的车辆对应的数量在所有车辆数量中的占比,并将其记作B;
随后将B与预设比例阈值B0进行比较:
若B≤B0,则表示该目标路段中行驶速度缓慢的车辆适中,接着通过公式KS=XS-XS*β,得到目标路段中的可视化速度KS;
若B>B0,则表示该目标路段中行驶速度缓慢的车辆较多,后续进入该目标路段的车辆需要控制车速;
接着获取在该交通数据中提取所有车辆中获取行驶速度正常的车辆对应的行驶速度,并计算所有车辆行驶速度正常对应行驶速度的离散程度,随后剔除导致离散程度过大的行驶速度,保留未剔除的行驶速度,该技术为本领域人员常用技术;
依据离散程度进行行驶速度剔除判定的具体方式为:
通过,得出所有行驶速度正常的车辆对应的行驶速度的离散值L,将计算得到的离散值L与L0进行比较,若L>L0,则认为该组离散值L过大,按照|Xi-Xp|从大到小的顺序依次剔除对应的Xi值并对应计算剩余的离散值L,直至L≤L0,接着获取所有未被剔除的Xi值,即保留未剔除的行驶速度,其中,Xi表示各个行驶速度正常的车辆对应的行驶速度,Xp表示各个行驶速度正常的车辆对应行驶速度的平均值,L0为预设的离散阈值;
同时获取在该交通数据中提取所有车辆中获取行驶速度缓慢的车辆对应的速度,并计算所有车辆行驶速度缓慢对应行驶速度的离散程度,随后剔除导致离散程度过大的行驶速度,保留未剔除的行驶速度;
之后求取该交通数据中所有未剔除的行驶速度的均值,并将其标记为SP;
随后通过KS=SP-SP*β,得到目标路段中的可视化速度KS;
步骤三、随后依据指定时间,获取驶入岔口在前一时段内的所有交通数据,并从该交通数据中提取进入目标路段的所有车辆的驶入时间;
接着依据驶入时间和可视化速度,确定各个车辆行驶的可视化距离,随后依据可视化距离结合目标路段的路段距离,确定各个车辆处于目标路段的位置,并将其记作轨迹数据,随后将其传输至云端服务器中;
云端服务器,用于对边缘计算终端传输的轨迹数据,融合至预训练的数字孪生交通场景中并展示;
其具体方式为:
SS1、路网模型搭建
基于目标路网,搭建数字孪生交通场景,该技术为现有技术,故此不作赘述;
SS2、模型数据融合
实时接收各个边缘计算终端对车辆处理获得的轨迹数据,并将其融合至数字孪生交通场景中,该技术为现有技术,故此不作赘述;
该实施例通过搭建交通场景数字孪生系统,精确复制现实世界交通状况,决策者可以在数字副本上做一系列交通预演,选择高质量的决策;让交通状况变化更加直观,实现实时的数字孪生交通场景和真实城市交通场景信息交互和更新;
作为本发明的实施例二
边缘计算终端还用于依据指定时间,获取驶入岔口在前一时段内的所有交通数据,并从该交通数据中提取进入目标路段的所有车辆的车辆长度,并将各个车辆长度标记为CCj,j=1、2、……、m,m表示前一时段内进入目标路段的所有车辆的数量,j表示第几个车辆;
同时获取该目标路段的车道数量和路段距离,并将其分别标记为DS和DL;
随后通过公式,计算出该目标路段的拥堵占比系数YD,其中α1为预设的安全车距值,其表示两车之间的安全距离,α2为预设的影响因子,表示前一时段内进入目标路段的所有车辆在该目标路段上所占用的长度;
随后将拥堵占比系数YD与预设的拥堵判定值集DD∈{D1、D2、D3}进行比较,依据比较结果,得到相应的可视化拥堵程度,之后将可视化拥堵程度传输至云端服务器中;
其比较结果如下:
若YD<D1,则表示该目标路段的可视化拥堵程度为低度拥堵;
若D1≤YD<D2,则表示该目标路段的可视化拥堵程度为中度拥堵;
若D2≤YD<D3,则表示该目标路段的可视化拥堵程度低为高度拥堵;
若D3≤YD,则表示该目标路段的可视化拥堵程度低为严重拥堵;
云端服务器,实时接收各个边缘计算终端对车辆处理获得的可视化拥堵程度,并将其融合至数字孪生交通场景中;
该实施例通过结合历史数据和实时数据,预测未来一段时间内的交通流量分布、拥堵等状况,生成一个全局路网交通流量的预测,将结果可视化,进一步实现实时的数字孪生交通场景和真实城市交通场景信息交互和更新。
作为本发明的实施例三
本发明用于将实施例一和实施例二融合实施。
本发明通过将实时监控信息与被监控场景的三维模型进行实时精准的融合起来,可以将不同位置、不同角度布设的多个交通数据纳入统一空间基准的全空间三维场景中,可以实现目标路段交通信息的查看、回放、监控路线跟踪、目标跟踪等功能。
将其应用在城市管理中,可为交通规划,交通管理,道路养护部门提供重要的基础和运行数据,为快速纠正交通违章行为提供重要的技术手段和证据。
同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。
以上对本发明的一个实施例进行了详细说明,但内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (6)
1.基于数字孪生的交通态势感知和流量预测的可视化系统,其特征在于,包括:
交通数据采集端,用于在目标路网各个目标路段的驶入岔口和驶出岔口处采集相应的实时交通数据,随后将交通数据传输至边缘计算集群;
所述目标路网指的在目标区域内,由各种道路组成的相互联络、交织成网状分布的道路系统;所述交通数据包括目标路段的路段距离、限速值、车道数量、多个车辆的ID信息、相应ID信息车辆在驶入岔口和驶出岔口各自的驶入时间和驶出时间;
边缘计算集群,其包括若干个分布于目标路网内不同区域的边缘计算终端,边缘计算终端,用于对各个目标路段的交通数据进行信息分析,随后依据分析结果,得到目标路段上车辆的轨迹信息,随后将其传输至云端服务器中,信息分析方式如下:
步骤一、选取一个目标路段,在该目标路段的指定时间,获取驶出岔口的交通数据,并从该交通数据中提取所有车辆的ID信息;
步骤二、随后从该交通数据中提取所有车辆的数量,并将记作为n;接着将n与预设数量值n0进行比较:
若n>n0,则表示该目标路段中的车辆过多,随后对目标路段的交通数据进行速度分析,根据分析结果,得到相应的可视化速度;
步骤三、随后依据指定时间,获取驶入岔口在前一时段内的所有交通数据,并从该交通数据中提取进入目标路段的所有车辆的驶入时间;
接着依据驶入时间和可视化速度,确定各个车辆行驶的可视化距离,随后依据可视化距离结合目标路段的路段距离,确定各个车辆处于目标路段的位置,并将其记作轨迹数据,随后将其传输至云端服务器中;
云端服务器,用于将边缘计算终端传输的轨迹数据,融合至预训练的数字孪生交通场景中并展示;
所述边缘计算终端还用于依据指定时间,获取驶入岔口在前一时段内的所有交通数据,并从该交通数据中提取进入目标路段的所有车辆的车辆长度,并将各个车辆长度标记为CCj,j=1、2、……、m,m表示前一时段内进入目标路段的所有车辆的数量,j表示第几个车辆;
同时获取该目标路段的车道数量和路段距离,并将其分别标记为DS和DL;
随后通过公式,计算出该目标路段的拥堵占比系数YD,其中α1为预设的安全车距值,其表示两车之间的安全距离,α2为预设的影响因子,表示前一时段内进入目标路段的所有车辆在该目标路段上所占用的长度;
随后将拥堵占比系数YD与预设的拥堵判定值集DD∈{D1、D2、D3}进行比较,依据比较结果,得到相应的可视化拥堵程度,之后将可视化拥堵程度传输至云端服务器中;
所述云端服务器还用于实时接收各个边缘计算终端对车辆处理获得的可视化拥堵程度,并将其融合至数字孪生交通场景中;
所述拥堵占比系数与预设的拥堵判定值集的比较结果如下:
若YD<D1,则表示该目标路段的可视化拥堵程度为低度拥堵;
若D1≤YD<D2,则表示该目标路段的可视化拥堵程度为中度拥堵;
若D2≤YD<D3,则表示该目标路段的可视化拥堵程度低为高度拥堵;
若D3≤YD,则表示该目标路段的可视化拥堵程度低为严重拥堵。
2.根据权利要求1所述的基于数字孪生的交通态势感知和流量预测的可视化系统,其特征在于:所述交通数据通过设置在驶入岔口和驶出岔口处的雷视一体机捕获得到,所述ID信息为对应车辆的车牌号,所述驶入时间表示为车辆在进入岔路口雷视一体机捕获区域的时间驶出时间表示车辆在离开岔路口雷视一体机捕获区域的时间。
3.根据权利要求1所述的基于数字孪生的交通态势感知和流量预测的可视化系统,其特征在于:实时交通数据通过无线通信技术传输至与其获取位置最近的一个边缘计算终端。
4.根据权利要求1所述的基于数字孪生的交通态势感知和流量预测的可视化系统,其特征在于:在步骤二中,若n≤n0,则表示该目标路段中的车辆数量适中,随后获取该目标路段中的限速值,并将其标记为XS,接着通过公式KS=XS-XS*β,得到目标路段中的可视化速度KS,其中β为预设比例系数。
5.根据权利要求4所述的基于数字孪生的交通态势感知和流量预测的可视化系统,其特征在于:在步骤二中,速度分析方式如下:
第一步、选取一个ID信息的车辆,依据该车辆唯一的ID信息;
从驶出岔口的交通数据中,提取该ID信息车辆的驶入时间;
接着获取目标路段的驶出岔口含有该ID信息的交通数据,并从中提取该ID信息车辆的驶出时间;
第二步、随后通过计算目标路段中驶出岔口的驶入时间与驶出岔口的驶出时间之间的时间差;
第三步、随后通过目标路网获取该目标路段的路段距离,之后依据路段距离和时间差计算出该ID信息车辆在该目标路段的行驶速度;
第四步、依据各个车辆的ID信息,按照第一步到第三步的方式,得出该交通数据内各个车辆的行驶速度,并将其标记为SDi,i=1、2、……、n,n表示该交通数据中提取所有车辆的数量,i表示该交通数据中第几个ID信息车辆;
同时,获取该目标路段中的限速值,并将其标记为XS;
随后SDi与XS*β进行比较:
若SDi>XS*β,则表示相应车辆在该目标路段中的行驶速度正常;
若SDi≤XS*β,则表示相应车辆在该目标路段中的行驶速度缓慢;
第五步、之后在该交通数据中提取所有车辆中获取行驶速度缓慢的车辆对应的数量,接着计算行驶速度缓慢的车辆对应的数量在所有车辆数量中的占比,并将其记作B;
随后将B与预设比例阈值B0进行比较:
若B>B0,则表示该目标路段中行驶速度缓慢的车辆较多,后续进入该目标路段的车辆需要控制车速;
接着获取在该交通数据中提取所有车辆中获取行驶速度正常的车辆对应的行驶速度,并计算所有车辆行驶速度正常对应行驶速度的离散程度,随后剔除导致离散程度过大的行驶速度,保留未剔除的行驶速度;
同时获取在该交通数据中提取所有车辆中获取行驶速度缓慢的车辆对应的速度,并计算所有车辆行驶速度缓慢对应行驶速度的离散程度,随后剔除导致离散程度过大的行驶速度,保留未剔除的行驶速度;
之后求取该交通数据中所有未剔除的行驶速度的均值,并将其标记为SP;
随后通过KS=SP-SP*β,得到目标路段中的可视化速度KS。
6.根据权利要求5所述的基于数字孪生的交通态势感知和流量预测的可视化系统,其特征在于:若B≤B0,则表示该目标路段中行驶速度缓慢的车辆适中,接着通过公式KS=XS-XS*β,得到目标路段中的可视化速度KS。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311555014.5A CN117275241B (zh) | 2023-11-21 | 2023-11-21 | 基于数字孪生的交通态势感知和流量预测的可视化系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311555014.5A CN117275241B (zh) | 2023-11-21 | 2023-11-21 | 基于数字孪生的交通态势感知和流量预测的可视化系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117275241A CN117275241A (zh) | 2023-12-22 |
CN117275241B true CN117275241B (zh) | 2024-02-09 |
Family
ID=89206686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311555014.5A Active CN117275241B (zh) | 2023-11-21 | 2023-11-21 | 基于数字孪生的交通态势感知和流量预测的可视化系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117275241B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130106947A (ko) * | 2012-03-21 | 2013-10-01 | 인제대학교 산학협력단 | 사용자 참여 교통 혼잡정보 제공 시스템 및 방법 |
CN104318781A (zh) * | 2014-10-27 | 2015-01-28 | 东南大学 | 基于rfid技术的行程速度获取方法 |
CN109493620A (zh) * | 2017-09-11 | 2019-03-19 | 阿里巴巴集团控股有限公司 | 一种交通路况分析系统、方法以及装置 |
CN112907986A (zh) * | 2021-01-12 | 2021-06-04 | 浙江大学 | 一种基于数字孪生场景和边缘云的动态时间窗路口调度方法 |
CN114863699A (zh) * | 2022-06-14 | 2022-08-05 | 电子科技大学 | 一种基于数字孪生的城市车路协同交通流预测方法 |
CN115457772A (zh) * | 2022-09-13 | 2022-12-09 | 合肥革绿信息科技有限公司 | 一种智能交通数字孪生系统、存储介质和设备 |
KR102510542B1 (ko) * | 2022-04-06 | 2023-03-15 | 주식회사 건인티엔에스 | 스마트 교차로를 위한 3차원 통합 모니터링 시스템 및 그 방법 |
KR102530634B1 (ko) * | 2022-12-16 | 2023-05-09 | 주식회사 핀텔 | 실시간 교통상황을 디지털트윈과 메타버스로 구현하는 방법 및 시스템 |
CN116308153A (zh) * | 2023-03-01 | 2023-06-23 | 北京图安世纪科技股份有限公司 | 一种基于数字孪生的全息路口管理系统及方法 |
KR20230092120A (ko) * | 2021-12-17 | 2023-06-26 | 한국전자기술연구원 | 프로브 차량 정보를 활용한 교차로 교통 흐름 제어 방법 및 시스템 |
CN116524718A (zh) * | 2023-05-12 | 2023-08-01 | 北京车网科技发展有限公司 | 一种路口数据的远程可视化处理方法和系统 |
CN116883610A (zh) * | 2023-09-07 | 2023-10-13 | 园测信息科技股份有限公司 | 基于车辆识别与轨迹映射的数字孪生路口构建方法和系统 |
CN117079482A (zh) * | 2023-09-14 | 2023-11-17 | 山东金宇信息科技集团有限公司 | 一种基于交叉路口的车辆通行预测方法、设备及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11955001B2 (en) * | 2021-09-27 | 2024-04-09 | GridMatrix, Inc. | Traffic near miss collision detection |
-
2023
- 2023-11-21 CN CN202311555014.5A patent/CN117275241B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130106947A (ko) * | 2012-03-21 | 2013-10-01 | 인제대학교 산학협력단 | 사용자 참여 교통 혼잡정보 제공 시스템 및 방법 |
CN104318781A (zh) * | 2014-10-27 | 2015-01-28 | 东南大学 | 基于rfid技术的行程速度获取方法 |
CN109493620A (zh) * | 2017-09-11 | 2019-03-19 | 阿里巴巴集团控股有限公司 | 一种交通路况分析系统、方法以及装置 |
CN112907986A (zh) * | 2021-01-12 | 2021-06-04 | 浙江大学 | 一种基于数字孪生场景和边缘云的动态时间窗路口调度方法 |
KR20230092120A (ko) * | 2021-12-17 | 2023-06-26 | 한국전자기술연구원 | 프로브 차량 정보를 활용한 교차로 교통 흐름 제어 방법 및 시스템 |
KR102510542B1 (ko) * | 2022-04-06 | 2023-03-15 | 주식회사 건인티엔에스 | 스마트 교차로를 위한 3차원 통합 모니터링 시스템 및 그 방법 |
CN114863699A (zh) * | 2022-06-14 | 2022-08-05 | 电子科技大学 | 一种基于数字孪生的城市车路协同交通流预测方法 |
CN115457772A (zh) * | 2022-09-13 | 2022-12-09 | 合肥革绿信息科技有限公司 | 一种智能交通数字孪生系统、存储介质和设备 |
KR102530634B1 (ko) * | 2022-12-16 | 2023-05-09 | 주식회사 핀텔 | 실시간 교통상황을 디지털트윈과 메타버스로 구현하는 방법 및 시스템 |
CN116308153A (zh) * | 2023-03-01 | 2023-06-23 | 北京图安世纪科技股份有限公司 | 一种基于数字孪生的全息路口管理系统及方法 |
CN116524718A (zh) * | 2023-05-12 | 2023-08-01 | 北京车网科技发展有限公司 | 一种路口数据的远程可视化处理方法和系统 |
CN116883610A (zh) * | 2023-09-07 | 2023-10-13 | 园测信息科技股份有限公司 | 基于车辆识别与轨迹映射的数字孪生路口构建方法和系统 |
CN117079482A (zh) * | 2023-09-14 | 2023-11-17 | 山东金宇信息科技集团有限公司 | 一种基于交叉路口的车辆通行预测方法、设备及介质 |
Non-Patent Citations (4)
Title |
---|
Digital Twin-Assisted Cooperative Driving at Non-Signalized Intersections;Ziran Wang 等;IEEE TRANSACTIONS ON INTELLIGENT VEHICLES;第7卷(第2期);第198-209页 * |
从全息路口到数字孪生路口技术演进;吴冬升;智能网联汽车(第1期);第12-16页 * |
基于数字孪生的道路交叉口建模与应用;张宏 等;汽车安全与节能学报;第14卷(第1期);第55-61页 * |
数字孪生技术在智能交通应用中的态势与建议;张竞涛;信息通信技术与政策(第3期);第24-28页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117275241A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE112005000671B4 (de) | Verkehrsinformations-Sammelsystem für ein Navigationsgerät | |
DE60319993T2 (de) | Vorrichtung und verfahren zur verkehrsinformationsbereitstellung | |
DE10217880B4 (de) | Verfahren zum Kompilieren von Navigationsrouteninhalt | |
DE10139668B4 (de) | Verfahren zum Erzeugen von fahrtroutenbezogenen Wetterinformationen | |
DE102012213048B4 (de) | Vorrichtung zum Aktualisieren einer Fahrzeitabschätzung | |
DE102007056401B4 (de) | Vorrichtung zur Mitteilung der Wetterinformation und Programm dafür | |
CN113706737B (zh) | 基于自动驾驶车辆的路面巡检系统及方法 | |
CN105074793A (zh) | 用于车辆路径规划和交通管理的车道级车辆导航 | |
DE102018206630B4 (de) | Bildübertragungsprogramm, Bildübertragungsvorrichtung und Bildübertragungsverfahren | |
DE102022100213A1 (de) | Auf Maschinenlernen basierendes Framework für die Annotation befahrbarer Oberflächen | |
CN112785162B (zh) | 基于智能车语义的高精地图众包数据质量评估方法与系统 | |
CN109443360A (zh) | 一种基于多边形的车辆行驶轨迹生成及拼接算法 | |
DE102013107960B4 (de) | Verfahren zur Aktualisierung einer Datenbasis sowie Einrichtung und Computerprogramm | |
CN115762120A (zh) | 基于快速路全路段的全息感知预警系统 | |
DE19740602A1 (de) | Verkehrsleit-, Informations- und Positionierungssystem (VIPS) | |
EP2224408B1 (de) | System zur Verkehrserfassung | |
CN117275241B (zh) | 基于数字孪生的交通态势感知和流量预测的可视化系统 | |
DE102017208123A1 (de) | Verfahren, Vorrichtung und System zum Ermitteln eines Wettergebiets | |
CN115641721B (zh) | 多来源交通流指标融合及基于融合指标的路况计算方法 | |
DE10336590A1 (de) | Verfahren zur fahrzeugindividuellen Verkehrsprognose | |
CN111640303B (zh) | 城市通勤路径识别方法及设备 | |
CN114979204A (zh) | 一种高速公路运营管理数字化管控平台 | |
CN114398413A (zh) | 一种道路巡检智能分析方法、设备及存储介质 | |
DE19944888A1 (de) | Verkehrslageerfassung mit Fuzzy-Klassifikation und mehrdimensionaler morphologischer Datenfilterung und dynamischer Domänenbildung | |
Balamurugan et al. | The future of India creeping up in building a smart city: intelligent traffic analysis platform |
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 |