CN109360416A - 道路交通预测方法及服务器 - Google Patents
道路交通预测方法及服务器 Download PDFInfo
- Publication number
- CN109360416A CN109360416A CN201811181962.6A CN201811181962A CN109360416A CN 109360416 A CN109360416 A CN 109360416A CN 201811181962 A CN201811181962 A CN 201811181962A CN 109360416 A CN109360416 A CN 109360416A
- Authority
- CN
- China
- Prior art keywords
- section
- measured
- data
- vehicle
- congestion
- 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.)
- Pending
Links
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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- 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
- 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
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明适用于计算机应用技术领域,提供了一种道路交通预测方法、服务器及计算机可读存储介质,包括:通过获取道路监控装置发送的待测路段的车流量数据,以及处于待测路段的车辆中的终端发送的行进数据;根据车流量数据、行进数据以及待测路段的预设道路信息,计算待测路段的拥塞系数;根据拥塞系数和预设的拥塞阈值确定待测路段是否为拥塞路段。通过同时获取道路监控装置发送的待测路段的车流量数据以及待测路段上的车辆终端的行进数据,并根据车流量数据和行进数据结合计算得到拥塞系数,以通过拥塞系数判断当前路段是否发生拥塞,提高了道路拥塞判断的准确性和完整性,为之后的道路交通管控提供了良好的数据基础。
Description
技术领域
本发明属于计算机应用技术领域,尤其涉及一种道路交通预测方法、服务器及计算机可读存储介质。
背景技术
每个城市都有自己的城市道路交通网络,人们通过选择不同的路线可以快速到达自己的目的地。然而,很多时候由于交通拥塞,如果还是依照以往的出行路线,那么用户将很难在规定时长内到达自己的目的地。众所周知,城市道路拥塞是一种动态的拥塞,而非静态的拥塞。这也意味着,道路拥塞的程度随着时长的变化而变化。
现有技术中通过对道路交通信息进行监控,确定当前的交通拥堵情况。但是这种方式在车流量随机变化的情况下,并不能全面、精确地预测得到道路拥塞情况。
发明内容
有鉴于此,本发明实施例提供了一种道路交通预测方法、服务器及计算机可读存储介质,以解决现有技术中在车流量随机变化的情况下,并不能全面、精确地预测得到道路拥塞的问题。
本发明实施例的第一方面提供了一种道路交通预测方法,包括:
获取道路监控装置发送的待测路段的车流量数据,以及处于所述待测路段的车辆中的终端发送的行进数据;
根据所述车流量数据、所述行进数据以及所述待测路段的预设道路信息,计算所述待测路段的拥塞系数;
根据所述拥塞系数和预设的拥塞阈值确定所述待测路段是否为拥塞路段。
本发明实施例的第二方面提供了一种服务器,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取道路监控装置发送的待测路段的车流量数据,以及处于所述待测路段的车辆中的终端发送的行进数据;
根据所述车流量数据、所述行进数据以及所述待测路段的预设道路信息,计算所述待测路段的拥塞系数;
根据所述拥塞系数和预设的拥塞阈值确定所述待测路段是否为拥塞路段。本发明实施例的第三方面提供了一种计算机可读存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。
本发明实施例与现有技术相比存在的有益效果是:
本发明实施例通过获取道路监控装置发送的待测路段的车流量数据,以及处于待测路段的车辆中的终端发送的行进数据;根据车流量数据、行进数据以及待测路段的预设道路信息,计算待测路段的拥塞系数;根据拥塞系数和预设的拥塞阈值确定待测路段是否为拥塞路段。通过同时获取道路监控装置发送的待测路段的车流量数据以及待测路段上的车辆终端的行进数据,并根据车流量数据和行进数据结合计算得到拥塞系数,以通过拥塞系数判断当前路段是否发生拥塞,提高了道路拥塞判断的准确性和完整性,为之后的道路交通管控提供了良好的数据基础。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的道路交通预测方法的流程图;
图2是本发明实施例二提供的道路交通预测方法的流程图;
图3是本发明实施例三提供的服务器的示意图;
图4是本发明实施例四提供的服务器的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
参见图1,图1是本发明实施例一提供的道路交通预测方法的流程图。本实施例中道路交通预测方法的执行主体为服务器。如图所示的道路交通预测方法可以包括以下步骤:
S101:获取道路监控装置发送的待测路段的车流量数据,以及处于所述待测路段的车辆中的终端发送的行进数据。
当前国民经济持续高水平增长,城市化空前加快,汽车在日常生活中扮演的角色越来越重要。然而,汽车数量的骤增引发了一系列的城市交通问题,如私人交通工具泛滥直接导致城市道路交通拥塞、交通事故增多、公共交通衰落等;以及社会问题,如机动车辆剧增导致的环境污染严重、资源消耗过大等。“出行难”问题的本质是交通***管理与控制水平的偏低,即城市路网结构的不合理。这些问题严重制约着城市的可持续发展,乃至影响国家的正常发展。诸多现象表明,城市交通问题已然成为政府必须面对和解决的问题之一。
每个城市都有自己的城市道路交通网络,人们通过选择不同的路线可以快速到达自己的目的地。然而,很多时候由于交通拥塞,如果还是依照以往的出行路线,那么用户将很难在规定时间内到达自己的目的地。众所周知,城市道路拥塞是一种动态的的拥塞,而非静态的拥塞。这也意味着,道路拥塞的程度随着时间的变化而变化,因此,要获得道路的状态,必须要获得道路上的交通流状态。车联网(Internet of Vehicle,IOV)的兴起源于物联网(Internet of things,IOT)的快速发展,根据中国物联网校企联盟的定义,IOV是指通过装载在车辆上的电子设备通过无线技术,实现在信息网络平台上对所有车辆的静动态信息进行提取和有效利用,并根据不同的功能需求对道路网中所有车辆的运行状态进行有效监管和综合服务,是物联网技术在交通***领域的典型应用。IOV是车内网、车际网和车载移动话联网为基础,按照约定的通信协议和数据交互标准,在车、路、人以及互联网之间,进行无线通讯和信息交换的***网络,是由车辆位置、速度和路线等信息构成的巨大交互网络。通过全球定位***(Global Position System,GPS)、无线射频识别、传感器、摄像头图像处理等装置,车辆可以完成自身环境和状态信息的采集;在有网络通信连接的情况下,通过互联网技术,将监控车辆自身的各种信息传输汇聚到中央处理器;通过计算机技术,分析和处理车辆信息,缓解城市道路交通,最终实现完善城市道路网的目的。
而车载智能终端(Global trusted Identity,GID)的出现,恰好解决了动态交通信息采集这一难题。车联网的“端-管-云”架构中,GID通过智能车载诊断***连接到控制器局域网,感知车辆静态属性信息和动态驾驶行为信息,并实时分析处理,构建最真实准确的动态车况与周边环境信息的物联。GID可以大幅度减少传统车载终端的投入和网络建设成本,解决互联网汽车、汽车身份证和网络识别,从本质上解决了车联网终端的核心问题。这些数据可以通过车云平台长期保存。并且车主可以通过手机、客户端随时查询车辆运行的动态和静态数据信息。交通拥塞导致了时间了资源上的巨大浪费,交通拥塞场发生在交通需求近似或超过交通***的容量的情况下。现在普遍认为,通过增加道路来解决拥堵基本是不可行的,主要因为道路交通容量的增加会导致交通需求的增加。这些因素促使需要使用基于信息的方法来解决交通拥塞的问题。
由于主要城市的路网配备有比较完善的传感器设备和可以提取交通信息的辅助商用传感器,提取和分析不同时间和空间下的交通数据并投入应用成为可能。在本实施例中,通过道路监控装置获取待测路段的车流量数据,同时通过车辆中的终端获取车辆行进过程中的行进数据。
需要说明的是,本实施例中的道路监控装置为安装在道路两旁或者其他地方的监控设备、传感器等,例如,如闭路电视摄像头、GPS设备等;车辆中的终端可以是安装在车辆上的终端设备,例如GPS设备等,也可以是司机或者车上乘客身上做携带的终端设备,例如,手机、平板电脑等。其中道路监控装置用于并获取道路情况,例如,车流量数据、道路运载情况等;车辆中的终端用来获取车辆的行进情况,例如,车辆的行进速度、停止时间、瞬时速度、加速度、以及当前的定位信息等数据。
在实际应用中,各个路口监控的车流量数据包括了路口信息、车辆信息、通行时间,或者来自路口的视频监控的数据。车辆应用数据主要来自如地图商、车险应用程序等提供的第三方应用程序的数据服务,包括了用户信息、经纬度数据、速度等信息。道路位置数据包括了路段、经纬度范围数据等。通过将这些数据获取之后,进行联合分析和预测,保证道路拥塞情况预测的准确性。在获取当前待测路段的车流量数据的同时,通过车辆的行进数据中的定位信息确定车辆当前的位置,判断车辆当前是否行进在该待测路段上,若是在,则获取运行在该待测路段上的车辆的行进数据。
S102:根据所述车流量数据、所述行进数据以及所述待测路段的预设道路信息,计算所述待测路段的拥塞系数。
在本实施例中,待测路段的预设道路信息是预先存储在服务器中的,其中预设道路信息中包括但不限于道路宽度、车道数量、直线长度、拐弯位置、拐弯弧度、交叉路口信息以及红绿灯信息等,此处不做限定。通过预设道路信息可以确定车辆在该道路上的运行情况,进而判断当前路段是否拥塞。
在获取到车流量数据和行进数据之后,根据车流量数据和行进数据,以及预设道路信息,计算待测路段的拥塞系数。在本实施例中,车流量数据是宏观的道路上的车辆运行情况,例如,道路上所有车辆的平均行进速度,用于体现道路的负载情况和运行情况;行进数据用于表示单个车辆的行进情况,例如,该车辆当前行进的瞬时速度、定位信息等。在本实施例中,将宏观的车流量数据和单一的行进数据两种数据结合起来,计算待测路段的拥塞系数,可以全面、精确的确定当前的拥塞情况。
S103:根据所述拥塞系数和预设的拥塞阈值确定所述待测路段是否为拥塞路段。
在本实施例中,预先设置有拥塞阈值,用于通过拥塞阈值确定当前的拥塞系数是否过大,若当前拥塞系数大于或者等于该拥塞阈值,则确定当前路段为拥塞路段,若当前拥塞系数小于该拥塞阈值,则当前路段为非拥塞路段。
通过确定当前的待测路段是否为拥塞路段,并在判断出拥塞路段之后,提醒出行人员避开拥塞区域;还可以为交管局研究人员制定交通规则提供依据,例如用收费车道代替拼车道等;还可以将拥塞数据提供给城市规划设计人员,用以规划设计城市交通线路,比如在经常拥堵地段适当增添路段等;还可以将拥塞数据提供给土木工程师,用以规划设计建筑施工区域,如短期建设如何影响交通等。
上述方案,通过获取道路监控装置发送的待测路段的车流量数据,以及处于所述待测路段的车辆中的终端发送的行进数据;根据所述车流量数据、所述行进数据以及所述待测路段的预设道路信息,计算所述待测路段的拥塞系数;根据所述拥塞系数和预设的拥塞阈值确定所述待测路段是否为拥塞路段。通过同时获取道路监控装置发送的待测路段的车流量数据以及待测路段上的车辆终端的行进数据,并根据车流量数据和行进数据结合计算得到拥塞系数,以通过拥塞系数判断当前路段是否发生拥塞,提高了道路拥塞判断的准确性和完整性,为之后的道路交通管控提供了良好的数据基础。
参见图2,图2是本发明实施例二提供的道路交通预测方法的流程图。本实施例中道路交通预测方法的执行主体为服务器。如图所示的道路交通预测方法可以包括以下步骤:
S201:获取道路监控装置发送的待测路段的车流量数据,以及处于所述待测路段的车辆中的终端发送的行进数据。
在本实施例中S201与图1对应的实施例中S101的实现方式完全相同,具体可参考图1对应的实施例中的S101的相关描述,在此不再赘述。
S202:对所述车流量数据和所述行进数据中不符合预设要求的数据进行删减。
在通过同时获取道路监控装置发送的待测路段的车流量数据以及待测路段上的车辆终端的行进数据之后,由于各种装置的数据采集对象众多,车辆行进数据和车流量数据中也存在很多类型的数据信息,因此,步骤S201中得到的数据量较大、且数据类型较多,则可能出现较多的冗余数据,这些数据没有多大的用处,若将其加进拥塞系数的计算中,则可能影响整个拥塞情况的判断结果。因此在本方案中,根据预设要求,判断不符合预设要求的数据,并对其进行删减。
在获取到路段数据之后,可以对路段数据进行清洗,以保证数据的一致性、有效性、合理性。每个参数都有一定的取值范围,例如车辆速度,其最大值不能超过所在道路的限定速度,最小值为0。如果处理的样本数据的车辆速度超出了这个范围,则可以认为该样本数据为异常数据,需要删除或修正。负值的速度是很显然错误的,在数据处理中可以用0代替这些负值。因此,阈值检测方法就是对采集的单一交通信息按照统计规律确定参数的上下限,并以此为基准,如果交通信息不在该范围内,则判定该交通信息为异常信息。算法认为特定的时间间隔内交通流参数值肯定会在一个合理的范围内。根据这一规则,可以判定不在这一范围内的交通参数为不正确的数据。
进一步的,步骤S202中可以包括:
S2021:将不符合所述行使时长的预设要求的数据进行删减;所述行使时长的预设要求为:其中,t(s)用于表示所述行使时长;Ct用于表示所述待测路段中的车辆的行驶时长修正系数;le用于表示所述待测路段中车辆的平均等待时长,τmax用于表示所述待测路段中的红灯信号时长或者在交叉口的延误时长;cmax用于表示所述待测路段的通行系数;vmax用于表示预设的所述待测路段上的车辆最大行驶速度。
在本实施例中,预设的数据包括但不限于待测路段中的车辆的行驶时长修正系数、待测路段中的红灯信号时长或者在交叉口的延误时长、待测路段的通行系数、所述待测路段上的车辆最大行驶速度。其中,待测路段中的车辆的行驶时长修正系数用于对获取到的车辆行使时长进行修正,减少行使时长的计算误差;待测路段中的红灯信号时长用于表示该待测路段中的红绿灯的红灯、绿灯、黄灯的保持时长、交叉口的延误时长为根据之前的数据对车辆在待测路段上的延误时长的预设或者估计、待测路段的通行系数用于表示当前时刻该路段上的负载通行能力;待测路段上的车辆最大行驶速度即为该路段上的最大限速。通过根据以上的预设数值,以及当前待测路段中车辆通过的行使时长、待测路段中车辆的平均等待时长计算当前路段上的行使时长的上限值和下限值。根据计算出来的上限值和下限值对获取到的数据进行筛选,确定大于或者等于该下限值,并且小于或者等于该上限值的行使时长作为合理的行使时长,并将其投入拥塞参数的计算中。
S2022:将不符合所述瞬时速度的预设要求的数据进行删减;所述瞬时速度的预设要求为:0≤vd≤cv·vmax;其中,vd用于表示所述瞬时速度,cv用于表示所述待测路段中的车辆速度修正系数。
在本实施例中,车辆速度修正系数用于对获取到的车辆瞬时速度进行修正,通过车辆速度修正系数和最大行使速度计算出车辆瞬时速度的上限,将大于该上限的车辆瞬时速度删减,得到正常的车辆行使速度。通过将获取到的一个车辆在某段道路上的行驶时间根据当前道路的道路情况进行删减,保证行驶时间的可靠性。
S203:根据所述车流量数据和所述待测路段的预设道路信息,计算所述待测路段的车辆密集度。
根据路段数据中的车流量数据、车辆应用数据以及道路位置数据,其中,道路位置数据包括道路编号、经纬度等数据。根据这些数据计算出每个道路编号对应的路段中每辆车的通行时间和车流量密度,以确定出当前路段是否为拥塞路段。通过各个监控装置获取到的车流量数据,确定当前时刻,该预设的单位长度路段上的车辆数量nu,以确定当前时刻的车辆密集程度:pu=nu/du。
与步骤S203同步执行的,还包括步骤S204:
S204:根据所述行进数据和所述待测路段的预设道路信息,计算所述车辆通过所述待测路段所需的通行时长。
在计算车辆密集度的同时,根据车辆应用数据中的当前速度vd,计算在预设的单位长度du的路段上的通行时长:tu=du/vd。
需要说明的是,在本实施例中,监控***中需要监控不同宽度、长度以及不同形态的道路,为了保证道路信息比对的统一性,预设的单位长度上计算即时行驶时间过程中,预设的长度固定不变。
S205:通过公式Ju=αtu+βpu计算所述待测路段的拥塞系数;其中,α,β用于表示通行时间和密集程度的调整参数;pu、tu分别用于表示所述车辆密集程度和所述通行时长。
根据路段数据中的车流量数据、车辆应用数据以及道路位置数据,其中,道路位置数据包括道路编号、经纬度等数据。根据这些数据计算出每个道路编号对应的路段中每辆车的通行时间和车流量密度,以确定出当前路段是否为拥塞路段。根据通行时间和密集程度确定当前路段的拥塞系数为:
Ju=αtu+βpu=αdu/vd+βnu/du;
其中,α,β用于表示通行时间和密集程度的调整参数。在计算出拥塞系数之后,将该系数与预设的拥塞阈值进行对比,若拥塞系数大于或者等于拥塞阈值,则确定当前路段为拥塞路段。
S206:根据所述拥塞系数和预设的拥塞阈值确定所述待测路段是否为拥塞路段。
在本实施例中S206与图1对应的实施例中S103的实现方式完全相同,具体可参考图1对应的实施例中的S103的相关描述,在此不再赘述。
在步骤S206之后,还可以包括:
若所述待测路段为所述拥塞路段,则根据所述车辆应用数据和所述车流量数据进行预测,得到所述待测路段的拥塞时长和拥塞路段的路段标识;
将所述拥塞时长和所述拥塞路段的路段标识发送至所述车辆中的终端。
具体的,在判断出当前路段为拥塞路段之后,根据车流量数据和车辆应用数据,计算预设时间段之内的平均速度,并根据该平均速度预测拥塞时长和拥塞路段的路段标识,然后将所述拥塞时长和所述拥塞路段的路段标识发送至所述车辆中的终端。在判断出拥塞路段之后,提醒出行人员避开拥塞区域,使司机可以根据当前的拥塞情况或者其他路段的拥塞情况确定合适的行进路线,保证交通出行的效率;还可以为交管局研究人员制定交通规则提供依据,例如用收费车道代替拼车道等;还可以将拥塞数据提供给城市规划设计人员,用以规划设计城市交通线路,比如在经常拥堵地段适当增添路段等;还可以将拥塞数据提供给土木工程师,用以规划设计建筑施工区域,如短期建设如何影响交通等。
示例性的,对通行时间进行预测可以采用时间序列的方式。具体的,是将某种统计指标的数值,按时间先后顺序排到所形成的数列。时间序列就是将获取到的车辆行驶速度,按时间先后顺序排到所形成的数列。通过编制和分析时间序列,根据时间序列所反映出来的发展过程、方向和趋势,进行类推或延伸,借以预测下一段时间可能达到的水平,以及当前的拥塞状态的持续拥塞时间。
上述方案,通过通过根据获取到的车流量数据和所述待测路段的预设道路信息,计算待测路段的车辆密集度;根据获取到的行进数据和待测路段的预设道路信息,计算车辆通过待测路段所需的通行时长,将车辆密集度和所述通行时长结合起来计算待测路段的拥塞系数,最后根据拥塞系数和预设的拥塞阈值确定待测路段是否为拥塞路段。并在确定拥塞路段之后预测拥塞时长和拥塞路段标识,同时将这些拥塞信息发送至对应路段上的车辆终端,以使司机可以根据当前的路段拥塞情况确定合适的行进路线,保证交通出行的效率。本方案通过实时获取道路数据,并进行联合分析和预测,在保证可以应对各种道路交通随机时间的情况下,提高道路拥塞情况预测的准确性,确保道路交通管理调控的统一性和实时性。
参见图3,图3是本发明实施例三提供的一种服务器的示意图。服务器包括的各单元用于执行图1~图2对应的实施例中的各步骤。具体请参阅图1~图2各自对应的实施例中的相关描述。为了便于说明,仅示出了与本实施例相关的部分。本实施例的服务器300包括:
获取单元301,用于获取道路监控装置发送的待测路段的车流量数据,以及处于所述待测路段的车辆中的终端发送的行进数据;
计算单元302,用于根据所述车流量数据、所述行进数据以及所述待测路段的预设道路信息,计算所述待测路段的拥塞系数;
判断单元303,用于根据所述拥塞系数和预设的拥塞阈值确定所述待测路段是否为拥塞路段。
进一步的,所述服务器300还可以包括:
删减单元,用于获取道路监控装置发送的待测路段的车流量数据,以及处于所述待测路段的车辆中的终端发送的行进数据之后,对所述车流量数据和所述行进数据中不符合预设要求的数据进行删减。
进一步的,所述删减单元可以包括:
将不符合所述行使时长的预设要求的数据进行删减;所述行使时长的预设要求为:其中,t(s)用于表示所述行使时长;Ct用于表示所述待测路段中的车辆的行驶时长修正系数;le用于表示所述待测路段中车辆的平均等待时长,τmax用于表示所述待测路段中的红灯信号时长或者在交叉口的延误时长;cmax用于表示所述待测路段的通行系数;vmax用于表示预设的所述待测路段上的车辆最大行驶速度;
将不符合所述瞬时速度的预设要求的数据进行删减;所述瞬时速度的预设要求为:0≤vd≤cv·vmax;其中,vd用于表示所述瞬时速度,cv用于表示所述待测路段中的车辆速度修正系数。
进一步的,所述计算单元302还可以包括:
密集度计算单元,用于根据所述车流量数据和所述待测路段的预设道路信息,计算所述待测路段的车辆密集度;
通行时长计算单元,用于根据所述行进数据和所述待测路段的预设道路信息,计算所述车辆通过所述待测路段所需的通行时长;
拥塞系数计算单元,用于通过公式Ju=αtu+βpu计算所述待测路段的拥塞系数;其中,α,β用于表示通行时间和密集程度的调整参数;pu、tu分别用于表示所述车辆密集程度和所述通行时长。
进一步的,所述服务器300还可以包括:
时长预测单元,用于所述根据所述拥塞系数和预设的拥塞阈值判断所述待测路段是否为拥塞路段之后,若所述待测路段为所述拥塞路段,则根据所述车辆应用数据和所述车流量数据进行预测,得到所述待测路段的拥塞时长和拥塞路段的路段标识;
消息发送单元,用于将所述拥塞时长和所述拥塞路段的路段标识发送至所述车辆中的终端。
上述方案,通过获取道路监控装置发送的待测路段的车流量数据,以及处于待测路段的车辆中的终端发送的行进数据;根据车流量数据、行进数据以及待测路段的预设道路信息,计算待测路段的拥塞系数;根据拥塞系数和预设的拥塞阈值确定待测路段是否为拥塞路段。通过同时获取道路监控装置发送的待测路段的车流量数据以及待测路段上的车辆终端的行进数据,并根据车流量数据和行进数据结合计算得到拥塞系数,以通过拥塞系数判断当前路段是否发生拥塞,提高了道路拥塞判断的准确性和完整性,为之后的道路交通管控提供了良好的数据基础。
图4是本发明实施例四提供的服务器的示意图。如图4所示,该实施例的服务器4包括:处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现上述道路交通预测方法实施例中的步骤,例如图1所示的步骤101至103。或者,所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能,例如图3所示单元301至303的功能。
示例性的,所述计算机程序42可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器41中,并由所述处理器40执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序42在所述服务器4中的执行过程。
所述服务器4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述服务器可包括,但不仅限于,处理器40、存储器41。本领域技术人员可以理解,图4仅仅是服务器4的示例,并不构成对服务器4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述服务器还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述服务器4的内部存储单元,例如服务器4的硬盘或内存。所述存储器41也可以是所述服务器4的外部存储设备,例如所述服务器4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card,FC)等。进一步地,所述存储器41还可以既包括所述服务器4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述服务器所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解: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;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种道路交通预测方法,其特征在于,包括:
获取道路监控装置发送的待测路段的车流量数据,以及处于所述待测路段的车辆中的终端发送的行进数据;
根据所述车流量数据、所述行进数据以及所述待测路段的预设道路信息,计算所述待测路段的拥塞系数;
根据所述拥塞系数和预设的拥塞阈值确定所述待测路段是否为拥塞路段。
2.如权利要求1所述的道路交通预测方法,其特征在于,所述获取道路监控装置发送的待测路段的车流量数据,以及处于所述待测路段的车辆中的终端发送的行进数据之后,还包括:
对所述车流量数据和所述行进数据中不符合预设要求的数据进行删减。
3.如权利要求2所述的道路交通预测方法,其特征在于,所述车流量数据中包括每个所述车辆通过所述待测路段的行驶时长,所述行进数据中包括每个所述车辆的瞬时速度;所述对所述车流量数据和所述行进数据中不符合预设要求的数据进行删减,包括:
将不符合所述行使时长的预设要求的数据进行删减;所述行使时长的预设要求为:其中,t(s)用于表示所述行使时长;Ct用于表示所述待测路段中的车辆的行驶时长修正系数;le用于表示所述待测路段中车辆的平均等待时长,τmax用于表示所述待测路段中的红灯信号时长或者在交叉口的延误时长;cmax用于表示所述待测路段的通行系数;vmax用于表示预设的所述待测路段上的车辆最大行驶速度;
将不符合所述瞬时速度的预设要求的数据进行删减;所述瞬时速度的预设要求为:0≤vd≤cv·vmax;其中,vd用于表示所述瞬时速度,cv用于表示所述待测路段中的车辆速度修正系数。
4.如权利要求1-3任一项所述的道路交通预测方法,其特征在于,所述根据所述车流量数据、所述行进数据以及所述待测路段的预设道路信息,计算所述待测路段的拥塞系数,包括:
根据所述车流量数据和所述待测路段的预设道路信息,计算所述待测路段的车辆密集度;
根据所述行进数据和所述待测路段的预设道路信息,计算所述车辆通过所述待测路段所需的通行时长;
通过公式Ju=αtu+βpu计算所述待测路段的拥塞系数;其中,α,β用于表示通行时间和密集程度的调整参数;pu、tu分别用于表示所述车辆密集程度和所述通行时长。
5.如权利要求1所述的道路交通预测方法,其特征在于,所述根据所述拥塞系数和预设的拥塞阈值确定所述待测路段是否为拥塞路段之后,还包括:
若所述待测路段为所述拥塞路段,则根据所述车辆应用数据和所述车流量数据进行预测,得到所述待测路段的拥塞时长和拥塞路段的路段标识;
将所述拥塞时长和所述拥塞路段的路段标识发送至所述车辆中的终端。
6.一种服务器,其特征在于,包括存储器以及处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时,实现如下步骤:
获取道路监控装置发送的待测路段的车流量数据,以及处于所述待测路段的车辆中的终端发送的行进数据;
根据所述车流量数据、所述行进数据以及所述待测路段的预设道路信息,计算所述待测路段的拥塞系数;
根据所述拥塞系数和预设的拥塞阈值确定所述待测路段是否为拥塞路段。
7.如权利要求6所述的服务器,其特征在于,所述获取道路监控装置发送的待测路段的车流量数据,以及处于所述待测路段的车辆中的终端发送的行进数据之后,还包括:
对所述车流量数据和所述行进数据中不符合预设要求的数据进行删减。
8.如权利要求7所述的服务器,其特征在于,所述车流量数据中包括每个所述车辆通过所述待测路段的行驶时长,所述行进数据中包括每个所述车辆的瞬时速度;所述对所述车流量数据和所述行进数据中不符合预设要求的数据进行删减,包括:
将不符合所述行使时长的预设要求的数据进行删减;所述行使时长的预设要求为:其中,t(s)用于表示所述行使时长;Ct用于表示所述待测路段中的车辆的行驶时长修正系数;le用于表示所述待测路段中车辆的平均等待时长,τmax用于表示所述待测路段中的红灯信号时长或者在交叉口的延误时长;cmax用于表示所述待测路段的通行系数;vmax用于表示预设的所述待测路段上的车辆最大行驶速度;
将不符合所述瞬时速度的预设要求的数据进行删减;所述瞬时速度的预设要求为:0≤vd≤cv·vmax;其中,vd用于表示所述瞬时速度,cv用于表示所述待测路段中的车辆速度修正系数。
9.如权利要求6-8任一项所述的服务器,其特征在于,所述根据所述车流量数据、所述行进数据以及所述待测路段的预设道路信息,计算所述待测路段的拥塞系数,包括:
根据所述车流量数据和所述待测路段的预设道路信息,计算所述待测路段的车辆密集度;
根据所述行进数据和所述待测路段的预设道路信息,计算所述车辆通过所述待测路段所需的通行时长;
通过公式Ju=αtu+βpu计算所述待测路段的拥塞系数;其中,α,β用于表示通行时间和密集程度的调整参数;pu、tu分别用于表示所述车辆密集程度和所述通行时长。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811181962.6A CN109360416A (zh) | 2018-10-11 | 2018-10-11 | 道路交通预测方法及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811181962.6A CN109360416A (zh) | 2018-10-11 | 2018-10-11 | 道路交通预测方法及服务器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109360416A true CN109360416A (zh) | 2019-02-19 |
Family
ID=65349108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811181962.6A Pending CN109360416A (zh) | 2018-10-11 | 2018-10-11 | 道路交通预测方法及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109360416A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993969A (zh) * | 2019-03-08 | 2019-07-09 | 腾讯大地通途(北京)科技有限公司 | 一种路况判定信息获取方法、装置及设备 |
CN110047276A (zh) * | 2019-03-11 | 2019-07-23 | 广州文远知行科技有限公司 | 障碍物车辆的拥堵状态确定方法、装置和相关产品 |
CN110164130A (zh) * | 2019-04-29 | 2019-08-23 | 北京北大千方科技有限公司 | 交通事件检测方法、装置、设备及存储介质 |
CN111681327A (zh) * | 2020-05-28 | 2020-09-18 | 中国联合网络通信集团有限公司 | 一种道路收费标准调控方法和装置 |
CN111866941A (zh) * | 2019-04-23 | 2020-10-30 | 华为技术有限公司 | 一种网络资源调度方法及相关设备 |
CN112584345A (zh) * | 2019-09-27 | 2021-03-30 | 大陆汽车***公司 | 用于车对外界信息交互通信的装置和方法 |
CN112735147A (zh) * | 2019-10-29 | 2021-04-30 | 北京百度网讯科技有限公司 | 道路交叉路口的延误指标数据获取方法和装置 |
CN114282943A (zh) * | 2021-12-23 | 2022-04-05 | 智道网联科技(北京)有限公司 | 流量数据的处理方法、处理***、处理装置和电子设备 |
CN117177178A (zh) * | 2023-11-03 | 2023-12-05 | 四川川西数据产业有限公司 | 一种基于物联网的城市道路分流*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5115542B2 (ja) * | 2009-12-01 | 2013-01-09 | 住友電気工業株式会社 | 交通情報算出装置、交通システム及びコンピュータプログラム |
CN102968901A (zh) * | 2012-11-30 | 2013-03-13 | 青岛海信网络科技股份有限公司 | 获取区域拥堵信息的方法及区域拥堵分析装置 |
CN103593976A (zh) * | 2013-11-28 | 2014-02-19 | 青岛海信网络科技股份有限公司 | 基于检测器确定道路交通状态的方法及*** |
CN104778834A (zh) * | 2015-01-23 | 2015-07-15 | 哈尔滨工业大学 | 一种基于车辆gps数据的城市道路交通拥堵判别方法 |
CN108320506A (zh) * | 2018-02-05 | 2018-07-24 | 青岛大学 | 一种基于复合网络的拥堵时段的发现方法 |
-
2018
- 2018-10-11 CN CN201811181962.6A patent/CN109360416A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5115542B2 (ja) * | 2009-12-01 | 2013-01-09 | 住友電気工業株式会社 | 交通情報算出装置、交通システム及びコンピュータプログラム |
CN102968901A (zh) * | 2012-11-30 | 2013-03-13 | 青岛海信网络科技股份有限公司 | 获取区域拥堵信息的方法及区域拥堵分析装置 |
CN103593976A (zh) * | 2013-11-28 | 2014-02-19 | 青岛海信网络科技股份有限公司 | 基于检测器确定道路交通状态的方法及*** |
CN104778834A (zh) * | 2015-01-23 | 2015-07-15 | 哈尔滨工业大学 | 一种基于车辆gps数据的城市道路交通拥堵判别方法 |
CN108320506A (zh) * | 2018-02-05 | 2018-07-24 | 青岛大学 | 一种基于复合网络的拥堵时段的发现方法 |
Non-Patent Citations (1)
Title |
---|
邹晓芳: "城市快速路交通流故障数据修复方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993969A (zh) * | 2019-03-08 | 2019-07-09 | 腾讯大地通途(北京)科技有限公司 | 一种路况判定信息获取方法、装置及设备 |
CN110047276A (zh) * | 2019-03-11 | 2019-07-23 | 广州文远知行科技有限公司 | 障碍物车辆的拥堵状态确定方法、装置和相关产品 |
CN111866941A (zh) * | 2019-04-23 | 2020-10-30 | 华为技术有限公司 | 一种网络资源调度方法及相关设备 |
CN111866941B (zh) * | 2019-04-23 | 2022-09-23 | 华为云计算技术有限公司 | 一种网络资源调度方法及相关设备 |
CN110164130A (zh) * | 2019-04-29 | 2019-08-23 | 北京北大千方科技有限公司 | 交通事件检测方法、装置、设备及存储介质 |
CN110164130B (zh) * | 2019-04-29 | 2021-06-15 | 北京北大千方科技有限公司 | 交通事件检测方法、装置、设备及存储介质 |
CN112584345A (zh) * | 2019-09-27 | 2021-03-30 | 大陆汽车***公司 | 用于车对外界信息交互通信的装置和方法 |
CN112735147A (zh) * | 2019-10-29 | 2021-04-30 | 北京百度网讯科技有限公司 | 道路交叉路口的延误指标数据获取方法和装置 |
CN111681327A (zh) * | 2020-05-28 | 2020-09-18 | 中国联合网络通信集团有限公司 | 一种道路收费标准调控方法和装置 |
CN114282943A (zh) * | 2021-12-23 | 2022-04-05 | 智道网联科技(北京)有限公司 | 流量数据的处理方法、处理***、处理装置和电子设备 |
CN117177178A (zh) * | 2023-11-03 | 2023-12-05 | 四川川西数据产业有限公司 | 一种基于物联网的城市道路分流*** |
CN117177178B (zh) * | 2023-11-03 | 2024-05-17 | 四川川西数据产业有限公司 | 一种基于物联网的城市道路分流*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109360416A (zh) | 道路交通预测方法及服务器 | |
US20210407284A1 (en) | Vehicle traffic flow prediction method with missing data | |
Yang et al. | Short-term traffic prediction for edge computing-enhanced autonomous and connected cars | |
CN108053673A (zh) | 一种路况预报方法、存储介质和服务器 | |
CN104424812B (zh) | 一种公交到站时间预测***和方法 | |
Ye et al. | A method for driving route predictions based on hidden Markov model | |
CN105940284B (zh) | 电动移动体信息提供装置及电动移动体信息提供方法 | |
CN111739299B (zh) | 稀疏轨迹的车辆排队长度确定方法、装置、设备及介质 | |
US20230419823A1 (en) | Methods and systems for managing exhaust emission in a smart city based on industrial internet of things | |
CN107240254A (zh) | 交通路况预测方法及终端设备 | |
WO2018177421A1 (zh) | 一种预测车辆出现地点的方法及装置 | |
CN111862590A (zh) | 路况预测方法、装置及存储介质 | |
Ma et al. | Evolution regularity mining and gating control method of urban recurrent traffic congestion: a literature review | |
CN109410576A (zh) | 多源数据融合的路况分析方法、装置、存储介质及*** | |
CN109920250A (zh) | 动态预测城市道路智能交通管理方法 | |
Habtie et al. | Artificial neural network based real-time urban road traffic state estimation framework | |
CN111914940B (zh) | 一种共享车辆站点分群聚类方法、***、装置及存储介质 | |
CN115116216A (zh) | 基于车路云接口实现的全域协同感知与决策方法、装置 | |
CN111667689B (zh) | 车辆旅行时间预测的方法、设备和计算机设备 | |
Chen et al. | Reconstructing vehicle trajectories on freeways based on motion detection data of connected and automated vehicles | |
Banerjee et al. | An intelligent hybrid scheme for optimizing parking space: A Tabu metaphor and rough set based approach | |
WO2021185285A1 (zh) | 地图数据采集方法、装置及*** | |
US20230126317A1 (en) | System and method for processing vehicle event data for improved journey trace determination | |
Ding et al. | A deep learning based traffic state estimation method for mixed traffic flow environment | |
US20230153733A1 (en) | Generating greenhouse gas emissions estimations associated with logistics contexts using machine learning techniques |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190219 |
|
RJ01 | Rejection of invention patent application after publication |