CN111063208A - 一种基于车联网的车道级交通诱导方法及*** - Google Patents

一种基于车联网的车道级交通诱导方法及*** Download PDF

Info

Publication number
CN111063208A
CN111063208A CN201911365085.2A CN201911365085A CN111063208A CN 111063208 A CN111063208 A CN 111063208A CN 201911365085 A CN201911365085 A CN 201911365085A CN 111063208 A CN111063208 A CN 111063208A
Authority
CN
China
Prior art keywords
lane
vehicle
link
travel time
level
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
Application number
CN201911365085.2A
Other languages
English (en)
Inventor
刘海青
滕坤敏
张宇
郭昊
张树鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN201911365085.2A priority Critical patent/CN111063208A/zh
Publication of CN111063208A publication Critical patent/CN111063208A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096877—Systems involving transmission of navigation instructions to the vehicle where the input to the navigation device is provided by a suitable I/O arrangement
    • G08G1/096888—Systems involving transmission of navigation instructions to the vehicle where the input to the navigation device is provided by a suitable I/O arrangement where input information is obtained using learning systems, e.g. history databases

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

本发明公开了一种基于车联网的车道级交通诱导方法及***，该方法包括：采集车辆行驶数据，并提取所述车辆行驶数据中的有效字段信息；以交叉口为节点，以交叉口间的路段为连线，构建基础路网；所述路段中含有车道信息；对所述基础路网中的路段进行Link划分，形成划分路网；根据所述行驶数据和所述划分路网计算车道级行程时间；根据所述历史行程数据和所述车道级行程时间计算各个时间间隔的预测车道级行程时间；根据所述预测车道级行程时间计算OD点间的车辆最短行程时间，并确定所述车辆最短行程时间对应的最短路径为诱导规划路径。本发明弥补了传统诱导方式存在的不足，为出行者提供更加准确、安全、可靠的交通诱导服务。

Description

一种基于车联网的车道级交通诱导方法及***
技术领域
本发明涉及智能交通控制与管理技术领域，特别是涉及一种基于车联网的车道级交通诱导方法及***。
背景技术
交通诱导***作为智能交通***的重要组成部分，在日益严峻的交通环境下，受到越来越多的应用。一方面，基于道路的实时交通状态，对车辆的行驶路径进行动态诱导，为出行者选择最优路线，提高了出行效率，节约了出行成本；更为重要的，交通诱导***通过解决个体的出行问题，进而解决了路网的交通问题，防止交通阻塞的发生，减少车辆在道路上的逗留时间，并且最终实现交通流在路网中各个路段上的合理分配。
交通诱导***主要分为静态交通诱导和动态交通诱导。静态交通诱导利用历史数据在出行者出行之前计算出行路线，在一定程度上减少了出行时间，合理分配了路网的车流量，避免了交通拥堵的产生；然而，交通状态的复杂性与不确定性决定了静态交通诱导能力的局限性。动态交通诱导将实时的路网交通状态与历史数据相结合，通过不断预测出行者的OD(ORIGIN，DESTINATION出发地点和出行的目的地)行程时间，实时更新行驶路线，提高了交通诱导信息的准确性。现有的动态交通诱导可以提供的不同诱导策略，如距离最短路径诱导、行程时间最短路径诱导、碳排放最少路径诱导等。在这些策略中，诱导路径的规划，皆以自然路段为基本对象，即城市道路中相邻交叉口之间的路段为整体进行研究，没有区分路段上的不同车道的交通特征，因此也就无法实现车道级导航及变道信息辅助等微观诱导。
综上，如何提供一种能够区分路段上的不同车道的交通特征，并为出行者提供更加准确、安全、可靠的交通诱导方案成为本领域亟待解决的问题。
发明内容
本发明的目的是提供一种基于车联网的车道级交通诱导方法及***，利用车道级定位数据对以车道为单位的路段行程时间进行估计，并实施交通诱导控制，弥补了传统诱导方式存在的不足，为出行者提供更加准确、安全、可靠的交通诱导服务。
为实现上述目的，本发明提供了一种基于车联网的车道级交通诱导方法，所述方法包括：
采集车辆行驶数据，并提取所述车辆行驶数据中的有效字段信息；所述车辆行驶数据包括车辆的实时行驶数据和历史行驶数据；所述有效字段信息包括：车辆ID、采集时间、经度、纬度和方向盘转向角；
以交叉口为节点，以交叉口间的路段为连线，构建基础路网；所述路段中含有车道信息；
对所述基础路网中的路段进行Link划分，形成划分路网；所述划分路网中的路段由多个Link组成；
根据所述行驶数据和所述划分路网计算车道级行程时间；
根据所述历史行程数据和所述车道级行程时间计算各个时间间隔的预测车道级行程时间；
根据所述预测车道级行程时间计算OD点间的车辆最短行程时间，并确定所述车辆最短行程时间对应的最短路径为诱导规划路径。
可选的，所述对所述基础路网中的路段进行Link划分，形成划分路网，具体包括：
确定所述基础路网中各路段的长度为
Figure BDA0002338185370000021
利用三级长度阈值对各路段进行Link划分，所述三级长度阈值分别为
Figure BDA0002338185370000022
且
Figure BDA0002338185370000023
当
Figure BDA0002338185370000024
时，以整个路段作为一个Link；
当
Figure BDA0002338185370000025
时，由路段下游往上游方向依次进行Link划分，每个Link长度为
Figure BDA0002338185370000026
最后一个Link的长度为路段剩余划分长度；
当
Figure BDA0002338185370000027
时，由路段下游往上游方向依次进行Link划分，第一个Link的长度为
Figure BDA0002338185370000028
其他Link的长度为
Figure BDA0002338185370000029
最后一个Link的长度为路段剩余划分长度；
对每一路段中Link按照由路段下游至上游的顺序依次进行编号。
可选的，所述根据所述行驶数据和所述划分路网计算车道级行程时间，具体包括：
获取所述基础路网对应的车道级地图，并将车辆的定位信息在所述车道级地图中进行投影，并利用最短距离原则进行车道级地图匹配；
根据所述定位信息将所述车辆行驶数据与车道和划分的Link进行位置对应，并根据车辆ID对车辆行驶数据进行聚类，使相同车辆ID的车辆信息归为同一个集合
Figure BDA0002338185370000031
其中，
Figure BDA0002338185370000032
表示路段ab的第N个Link、K车道上的车辆标识为ID的车辆行驶数据、e表示路段ab的第ab个Link、K车道上标识为ID的车辆采集地第e条的车行驶数据；
根据车辆行驶数据采集时间间隔和每一Link的长度，筛选各个Link中车辆行驶数据不完备的车辆，并根据不完备的车辆行驶数据以及对应Link的长度补全不完备的车辆行驶数据；
根据补全的车辆行驶数据利用公式
Figure BDA0002338185370000033
计算各个Link中每条车道的车辆行程时间；其中，Q表示在路段Eab内第N个Link、第K车道上的总车辆数；q表示每一车辆的行驶数据采集数量；t表示车辆行驶数据的采集时间间隔；
根据公式
Figure BDA0002338185370000034
以ΔT作为时间步长，计算车辆在路段中各车道的平均行程时间，并将结果保存至
Figure BDA0002338185370000035
且
Figure BDA0002338185370000036
表示第i个ΔT的车道级行程时间。
可选的，所述根据所述历史行程数据和所述车道级行程时间计算各个时间间隔的预测车道级行程时间，具体包括：
以不包括当前天的前四周车辆行驶数据作为历史行驶数据，以当前天的车辆行驶数据作为实时行驶数据，根据以ΔT作为时间步长计算的车道级行程时间利用公式
Figure BDA0002338185370000037
依次滚动预测计算下个ΔT的车辆行程时间，并实时更新预测信息；其中，
Figure BDA0002338185370000038
表示历史行驶数据中相同时刻的第i+1个ΔT内的车道级行程时间；
Figure BDA0002338185370000039
表示实时行驶数据中第i个ΔT内的车道级行程时间；α、β分别为历史行驶数据和实时行驶数据的权重值，且α+β＝1；
根据公式
Figure BDA00023381853700000310
以ΔT作为时间步长，计算第i+1个ΔT内车辆在路段中各车道的平均行程时间，即为预测车道级行程时间，并将结果保存至
Figure BDA00023381853700000311
可选的，所述根据所述预测车道级行程时间计算OD点间的车辆最短行程时间，并确定所述车辆最短行程时间对应的最短路径为诱导规划路径，具体包括：一级诱导路径规划：将各车道的预测车道级行程时间作为路段中各Link的路阻属性；采用Dijkstra最短路径搜索算法，以路段为基本单位进行最优路径选择，得到一级最优路径集合Po1＝{Eab}；其中，Po1表示诱导决策后以路段为基本单位的最优路径集合；Eab表示最优路径中各个路段；
可选的，所述根据所述预测车道级行程时间计算OD点间的车辆最短行程时间，并确定所述车辆最短行程时间对应的最短路径为诱导规划路径，还包括：
二级诱导路径规划：在一级诱导路径规划基础上，对车辆所在当前路段的下游路段的每个Link各车道级行程时间进行预测，并根据最短时间进行组合，在路段中确立最短行程时间的Link车道集合，形成路段内车辆行驶的最短车道路径，得到二级最优路径集合
Figure BDA0002338185370000041
其中，Po2表示诱导决策后以车道为基本单位的最优路径集合；
Figure BDA0002338185370000042
表示最优路径中各个路段中的车道。
可选的，所述方法还包括：根据所述诱导规划路径，执行诱导决策控制：
驾驶员按照所述一级最优路径集合选择路段；
或在驾驶过程中，按照所述二级最优路径集合提醒驾驶员进行变道行驶：当车辆处于第i-1个Link时，比较第i和i+1个Link需要变换车道的次数n；若n≤1则在第i个Link发布换道提醒，若n≤1则在第i个Link发布换道提醒；若n≥2则在第i-1个Link发布换道提醒，以第i个Link作为过渡阶段安全变道；
如果车辆在下游路口需要改变行驶方向时，根据对Link的划分依据，若当前路段Link数量大于或等于3时，车辆行驶到编号为2的Link即提示驾驶员变道为转弯到下个路口做准备；若当前路段Link数量小于2时，车辆在进入当前路段之后即提示驾驶员；
依据所述车辆行驶数据中的方向盘转向角数据，提示驾驶员是否应该进行变道；同时监控转向灯信息，提示驾驶员变道的时候正确使用转向灯。
本发明还提供了一种基于车联网的车道级交通诱导***，所述***包括：
车辆行驶数据采集模块，用于采集车辆行驶数据，并提取所述车辆行驶数据中的有效字段信息；所述车辆行驶数据包括车辆的实时行驶数据和历史行驶数据；所述有效字段信息包括：车辆ID、采集时间、经度、纬度和方向盘转向角；
基础路网构建模块，用于以交叉口为节点，以交叉口间的路段为连线，构建基础路网；所述路段中含有车道信息；
Link划分模块，用于对所述基础路网中的路段进行Link划分，形成划分路网；所述划分路网中的路段由多个Link组成；
车道级行程时间计算模块，用于根据所述行驶数据和所述划分路网计算车道级行程时间；
车道级行程时间预测模块，用于根据所述历史行程数据和所述车道级行程时间计算各个时间间隔的预测车道级行程时间；
交通诱导模块，用于根据所述预测车道级行程时间计算OD点间的车辆最短行程时间，并确定所述车辆最短行程时间对应的最短路径为诱导规划路径。
可选的，所述Link划分模块具体包括：
路段长度确定子模块，用于确定所述基础路网中各路段的长度为
Figure BDA0002338185370000051
三级划分子模块，用于利用三级长度阈值对各路段进行Link划分，所述三级长度阈值分别为
Figure BDA0002338185370000052
且
Figure BDA0002338185370000053
当
Figure BDA0002338185370000054
时，以整个路段作为一个Link；
当
Figure BDA0002338185370000055
时，由路段下游往上游方向依次进行Link划分，每个Link长度为
Figure BDA0002338185370000056
最后一个Link为路段剩余划分长度的区域；
当
Figure BDA0002338185370000057
时，由路段下游往上游方向依次进行Link划分，第一个Link的长度为
Figure BDA0002338185370000058
其他Link的长度为
Figure BDA0002338185370000059
最后一个Link的长度为路段剩余划分长度；
编号子模块，用于对每一路段中Link按照由路段下游至上游的顺序依次进行编号。
可选的，所述车道级行程时间计算模块具体包括：
地图匹配子模块，用于获取所述基础路网对应的车道级地图，并将车辆的定位信息在所述车道级地图中进行投影，并利用最短距离原则进行车道级地图匹配；
聚类子模块，用于根据所述定位信息将所述车辆行驶数据与车道和划分的Link进行位置对应，并根据车辆ID对车辆行驶数据进行聚类，使相同车辆ID的车辆信息归为同一个集合
Figure BDA0002338185370000061
其中，
Figure BDA0002338185370000062
表示路段ab的第N个Link、K车道上的车辆标识为ID的车辆行驶数据、e表示路段ab的第ab个Link、K车道上标识为ID的车辆采集地第e条的车行驶数据；
车辆行驶数据补全子模块，用于根据车辆行驶数据采集时间间隔和每一Link的长度，筛选各个Link中车辆行驶数据不完备的车辆，并根据不完备的车辆行驶数据以及对应Link的长度补全不完备的车辆行驶数据；
车辆行程时间计算子模块，用于根据补全的车辆行驶数据利用公式
Figure BDA0002338185370000063
计算各个Link中每条车道的车辆行程时间；其中，Q表示在路段Eab内第N个Link、第K车道上的总车辆数；q表示每一车辆的行驶数据采集数量；t表示车辆行驶数据的采集时间间隔；
车道级行程时间计算子模块，用于根据公式
Figure BDA0002338185370000064
以ΔT作为时间步长，计算车辆在路段中各车道的平均行程时间，并将结果保存至
Figure BDA0002338185370000065
且
Figure BDA0002338185370000066
表示第i个ΔT的车道级行程时间。
可选的，所述车道级行程时间预测模块具体包括：
滚动预测计算子模块，用于以不包括当前天的前四周车辆行驶数据作为历史行驶数据，以当前天的车辆行驶数据作为实时行驶数据，根据以ΔT作为时间步长计算的车道级行程时间利用公式
Figure BDA0002338185370000067
依次滚动预测计算下个ΔT的车辆行程时间，并实时更新预测信息；其中，
Figure BDA0002338185370000068
表示历史行驶数据中相同时刻的第i+1个ΔT内的车道级行程时间；
Figure BDA0002338185370000069
表示实时行驶数据中第i个ΔT内的车道级行程时间；α、β分别为历史行驶数据和实时行驶数据的权重值，且α+β＝1；
预测车道级行程时间计算子模块，用于根据公式
Figure BDA00023381853700000610
以ΔT作为时间步长，计算第i+1个ΔT内车辆在路段中各车道的平均行程时间，即为预测车道级行程时间，并将结果保存至
Figure BDA00023381853700000611
可选的，所述交通诱导模块具体包括：
一级诱导规划子模块，用于一级诱导路径规划：将各车道的预测车道级行程时间作为路段中各Link的路阻属性；采用Dijkstra最短路径搜索算法，以路段为基本单位进行最优路径选择，得到一级最优路径集合Po1＝{Eab}；其中，Po1表示诱导决策后以路段为基本单位的最优路径集合；Eab表示最优路径中各个路段；和/或
二级诱导规划子模块，用于二级诱导路径规划：在一级诱导路径规划基础上，对车辆所在当前路段的下游路段的每个Link各车道级行程时间进行预测，并根据最短时间进行组合，在路段中确立最短行程时间的Link车道集合，形成路段内车辆行驶的最短车道路径，得到二级最优路径集合
Figure BDA0002338185370000071
其中，Po2表示诱导决策后以车道为基本单位的最优路径集合；
Figure BDA0002338185370000072
表示最优路径中各个路段中的车道。
可选的，所述***还包括决策控制模块，所述决策控制模块用于根据所述诱导规划路径，执行诱导决策控制：
驾驶员按照所述一级最优路径集合选择路段；
或在驾驶过程中，按照所述二级最优路径集合提醒驾驶员进行变道行驶：当车辆处于第i-1个Link时，比较第i和i+1个Link需要变换车道的次数n；若n≤1则在第i个Link发布换道提醒，若n≤1则在第i个Link发布换道提醒；若n≥2则在第i-1个Link发布换道提醒，以第i个Link作为过渡阶段安全变道；
如果车辆在下游路口需要改变行驶方向时，根据对Link的划分依据，若当前路段Link数量大于或等于3时，车辆行驶到编号为2的Link即提示驾驶员变道为转弯到下个路口做准备；若当前路段Link数量小于2时，车辆在进入当前路段之后即提示驾驶员；
依据所述车辆行驶数据中的方向盘转向角数据，提示驾驶员是否应该进行变道；同时监控转向灯信息，提示驾驶员变道的时候正确使用转向灯。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的基于车联网的车道级交通诱导方法及***通过对基础路网中的路段进行Link划分，并结合车辆的历史行驶数据以及车联网环境下采集的实时行驶数据，预测每一个Link中各车道的车辆行驶时间，根据预测的车道级行驶时间进行OD最短行程时间判别，确定车辆最短行程时间对应的最短路径为诱导规划路径。传统的交通诱导***以路段为研究对象，无法实现车道级导航及变道信息辅助等微观诱导，本发明利用路段Link划分，并结合车辆的高精度行驶轨迹数据对车道交通状态进行判别，提出一种新的车道级交通诱导方法和***，弥补了传统交通诱导方式存在的不足，为出行者提供更加准确、安全、可靠的交通诱导服务。
另外，本发明还能向驾驶员发布诱导信息，在诱导过程中进行二次行程时间的预测，保证行驶路径的最优化。本发明采用的是道路车辆的车道级定位信息，不仅能通过准确的定位信息获取车辆的行程时间，还能在进行交通诱导时辅助驾驶员进行转向、变道等操作，让驾驶行为更加安全、可靠。本发明不仅可以实现宏观交通路径规划与诱导，而且还能在路段中根据实际交通状态进行微观变道决策，从而实现辅助驾驶，提高行驶效率，增加驾驶员的行车安全系数，改善驾驶体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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为本发明实施例提供的基于车联网的车道级交通诱导方法的流程图；
图2为本发明实施例提供的基于车联网的车道级交通诱导***的***框图。
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。
本发明的目的是提供一种基于车联网的车道级交通诱导方法及***，利用车道级定位数据对以车道为单位的路段行程时间进行估计，并实施交通诱导控制，弥补了传统诱导方式存在的不足，为出行者提供更加准确、安全、可靠的交通诱导服务。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本实施例提供的基于车联网的车道级交通诱导方法包括：
步骤101：采集车辆行驶数据，并提取所述车辆行驶数据中的有效字段信息；所述车辆行驶数据包括车辆的实时行驶数据和历史行驶数据；所述有效字段信息包括：车辆ID、采集时间、经度、纬度和方向盘转向角。
在实际应用中，本实施例可以利用车辆安装的亚米级定位设备采集车辆的位置，并通过CAN总线读取车辆的行驶工况数据，对车辆的位置和行驶工况数据进行解析，筛选提取有效字段信息。这些有效字段信息中，车辆ID为装有采集设备的车辆的唯一ID标识；采集时间为车辆信息的采样时刻；经度、纬度是定位设备采集的车辆行驶位置信息；方向盘转向角度为车辆自身方向转向角度，当车轮为正时角度为0，方向盘左转为负，右转为正。
步骤102：以交叉口为节点，以交叉口间的路段为连线，构建基础路网；所述路段中含有车道信息。
在本实施例中，基础路网可以表示为公式(1)：
G＝(V,E,D) (1)
其中，V表示交叉口集合，E表示路段集合，D表示车道集合，K表示车道编号且由车辆行驶方向的左侧开始。
V＝{v1,…,vm,…,vM} (2)
Eab＝{＜va,vb＞}a,b∈M (3)
Figure BDA0002338185370000091
其中，va,vb分别表示路段Eab的起始交叉口与终止交叉口；a、b分别表示对应的交叉口编号；M表示所有交叉口的编号集合。
步骤103：对所述基础路网中的路段进行Link划分，形成划分路网；所述划分路网中的路段由多个Link组成。
为了使车道级行程时间预测模块的预测结果更加精确，在基础路网的基础上对路段进行Link划分，划分后的Link如公式(5)所示：
Figure BDA0002338185370000092
Figure BDA0002338185370000093
其中，
Figure BDA0002338185370000094
表示此Link的长度；
Figure BDA0002338185370000095
表示在Link范围内第i个ΔT时间间隔车辆的平均行程时间；
Figure BDA0002338185370000101
表示预测的第i+1个ΔT车辆的平均行程时间；ΔT表示计算车道级行程时间的时间步长，通常情况下取值5min，可以根据实际情况进行调整，如15min，30min等。
本实施例的Link划分方法可以为：
确定所述基础路网中各路段的长度为
Figure BDA0002338185370000102
利用三级长度阈值对各路段进行Link划分，所述三级长度阈值分别为
Figure BDA0002338185370000103
且
Figure BDA0002338185370000104
当
Figure BDA0002338185370000105
时，以整个路段作为一个Link；
当
Figure BDA0002338185370000106
时，由路段下游往上游方向依次进行Link划分，每个Link长度为
Figure BDA0002338185370000107
最后一个Link为路段剩余划分长度的区域；
当
Figure BDA0002338185370000108
时，由路段下游往上游方向依次进行Link划分，第一个Link的长度为
Figure BDA0002338185370000109
其他Link的长度为
Figure BDA00023381853700001010
最后一个Link的长度为路段剩余划分长度；
对每一路段中Link按照由路段下游至上游的顺序依次进行编号。
步骤104：根据所述行驶数据和所述划分路网计算车道级行程时间。
通过车辆行驶数据采集模块获取路网中车辆的行驶数据，表示为公式(7)，
Hr＝{IDr,Tr,Lgr,Ltr,Sr} (7)
其中IDr表示车辆标识；Tr表示数据采集时间；Lgr表示车辆经度信息；Ltr表示车辆纬度信息；Sr表示车辆方向盘转向角信息；r表示采集到的第r辆的行驶数据。
本步骤104具体包括：
Step1：获取所述基础路网对应的车道级地图，并将车辆的定位信息在所述车道级地图中进行投影，并利用最短距离原则进行车道级地图匹配；
其中，车道级地图是高精度的含有车道信息的地图。
Step2：根据所述定位信息将所述车辆行驶数据与车道和划分的Link进行位置对应，并根据车辆ID对车辆行驶数据进行聚类，使相同车辆ID的车辆信息归为同一个集合：表示如公式(8)所示。
Figure BDA00023381853700001011
其中，
Figure BDA0002338185370000111
表示路段ab的第N个Link、K车道上的车辆标识为ID的车辆行驶数据；e表示路段ab的第ab个Link、K车道上标识为ID的车辆采集地第e条的车行驶数据。
Step3：根据车辆行驶数据采集时间间隔和每一Link的长度，筛选各个Link中车辆行驶数据不完备的车辆，并根据不完备的车辆行驶数据以及对应Link的长度补全不完备的车辆行驶数据；
Step4：根据补全的车辆行驶数据利用公式(9)计算各个Link中每条车道的车辆行程时间；
Figure BDA0002338185370000112
其中，Q表示在路段Eab内第N个Link、第K车道上的总车辆数；j表示在路段Eab内第N个Link、第K车道上的第j辆车；q表示每一车辆的行驶数据采集数量；t表示车辆行驶数据的采集时间间隔。
Step5：根据公式(9)以ΔT作为时间步长，计算车辆在路段中各车道的平均行程时间，即为车道级行程时间，并将计算结果进行保存，如下式所示。
Figure BDA0002338185370000113
步骤105：根据所述历史行程数据和所述车道级行程时间计算各个时间间隔的预测车道级行程时间。
本实施例中，以不包括当前天的前四周车辆行驶数据作为历史行驶数据，以当前天的车辆行驶数据作为实时行驶数据，以时间步长ΔT计算的车道级行程时间，并利用公式(11)依次滚动预测计算下个ΔT的车辆行程时间，并实时更新预测信息，预测表达式(11)如下所示：
Figure BDA0002338185370000114
其中，
Figure BDA0002338185370000115
表示历史行驶数据中相同时刻的第i+1个ΔT内的车道级行程时间；
Figure BDA0002338185370000116
表示实时行驶数据中第i个ΔT内的车道级行程时间；α、β分别为历史行驶数据和实时行驶数据的权重值，且α+β＝1。
根据公式(11)以ΔT作为时间步长，计算车辆行驶数据采集时间Ti+1内路段的平均行程时间，即为预测车道级行程时间，如下式所示。
Figure BDA0002338185370000117
步骤106：根据所述预测车道级行程时间计算OD点间的车辆最短行程时间，并确定所述车辆最短行程时间对应的最短路径为诱导规划路径。
本实施例以出行者为对象，计算OD点间的车辆最短行程时间路径，并为驾驶员提供诱导决策信息。主要包括两级诱导路径规划和诱导决策，具体如下：
两级诱导路径规划：
一级诱导路径规划：将各车道的预测车道级行程时间作为路段中各Link的路阻属性；采用Dijkstra最短路径搜索算法，以路段为基本单位进行最优路径选择，得到一级最优路径集合Po1＝{Eab}；其中，Po1表示诱导决策后以路段为基本单位的最优路径集合；Eab表示最优路径中各个路段；
二级诱导路径规划：在一级诱导路径规划基础上，对车辆所在当前路段的下游路段的每个Link各车道级行程时间进行预测，并根据最短时间进行组合，在路段中确立最短行程时间的Link车道集合，形成路段内车辆行驶的最短车道路径，得到二级最优路径集合
Figure BDA0002338185370000121
其中，Po2表示诱导决策后以车道为基本单位的最优路径集合；
Figure BDA0002338185370000122
表示最优路径中各个路段中的车道。
诱导决策：
根据所述诱导规划路径，执行诱导决策控制：
驾驶员按照所述一级最优路径集合选择路段；
或在驾驶过程中，按照所述二级最优路径集合提醒驾驶员进行变道行驶：当车辆处于第i-1个Link时，比较第i和i+1个Link需要变换车道的次数n；若n≤1则在第i个Link发布换道提醒，若n≤1则在第i个Link发布换道提醒；若n≥2则在第i-1个Link发布换道提醒，以第i个Link作为过渡阶段安全变道；
如果车辆在下游路口需要改变行驶方向时，根据对Link的划分依据，若当前路段Link数量大于或等于3时，车辆行驶到编号为2的Link即提示驾驶员变道为转弯到下个路口做准备；若当前路段Link数量小于2时，车辆在进入当前路段之后即提示驾驶员；
依据所述车辆行驶数据中的方向盘转向角数据，提示驾驶员是否应该进行变道；同时监控转向灯信息，提示驾驶员变道的时候正确使用转向灯。
上述的诱导决策的可以发布至具有地图显示和语音播报功能的智能车载终端以及移动手机终端。
如图2所示，本实施例还提供了一种与上述实施例提供的基于车联网的车道级交通诱导方法对应的***，所述***包括：
车辆行驶数据采集模块201，用于采集车辆行驶数据，并提取所述车辆行驶数据中的有效字段信息；所述车辆行驶数据包括车辆的实时行驶数据和历史行驶数据；所述有效字段信息包括：车辆ID、采集时间、经度、纬度和方向盘转向角；
基础路网构建模块202，用于以交叉口为节点，以交叉口间的路段为连线，构建基础路网；所述路段中含有车道信息；
Link划分模块203，用于对所述基础路网中的路段进行Link划分，形成划分路网；所述划分路网中的路段由多个Link组成；
车道级行程时间计算模块204，用于根据所述行驶数据和所述划分路网计算车道级行程时间；
车道级行程时间预测模块205，用于根据所述历史行程数据和所述车道级行程时间计算各个时间间隔的预测车道级行程时间；
交通诱导模块206，用于根据所述预测车道级行程时间计算OD点间的车辆最短行程时间，并确定所述车辆最短行程时间对应的最短路径为诱导规划路径。
其中，所述Link划分模块203具体包括：
路段长度确定子模块，用于确定所述基础路网中各路段的长度为
Figure BDA0002338185370000131
三级划分子模块，用于利用三级长度阈值对各路段进行Link划分，所述三级长度阈值分别为
Figure BDA0002338185370000132
且
Figure BDA0002338185370000133
当
Figure BDA0002338185370000134
时，以整个路段作为一个Link；
当
Figure BDA0002338185370000135
时，由路段下游往上游方向依次进行Link划分，每个Link长度为
Figure BDA0002338185370000136
最后一个Link为路段剩余划分长度的区域；
当
Figure BDA0002338185370000137
时，由路段下游往上游方向依次进行Link划分，第一个Link的长度为
Figure BDA0002338185370000138
其他Link的长度为
Figure BDA0002338185370000139
最后一个Link的长度为路段剩余划分长度；
编号子模块，用于对每一路段中Link按照由路段下游至上游的顺序依次进行编号。
所述车道级行程时间计算模块204具体包括：
地图匹配子模块，用于获取所述基础路网对应的车道级地图，并将车辆的定位信息在所述车道级地图中进行投影，并利用最短距离原则进行车道级地图匹配；
聚类子模块，用于根据所述定位信息将所述车辆行驶数据与车道和划分的Link进行位置对应，并根据车辆ID对车辆行驶数据进行聚类，使相同车辆ID的车辆信息归为同一个集合
Figure BDA0002338185370000141
其中，
Figure BDA0002338185370000142
表示路段ab的第N个Link、K车道上的车辆标识为ID的车辆行驶数据、e表示路段ab的第ab个Link、K车道上标识为ID的车辆采集地第e条的车行驶数据；
车辆行驶数据补全子模块，用于根据车辆行驶数据采集时间间隔和每一Link的长度，筛选各个Link中车辆行驶数据不完备的车辆，并根据不完备的车辆行驶数据以及对应Link的长度补全不完备的车辆行驶数据；
车辆行程时间计算子模块，用于根据补全的车辆行驶数据利用公式
Figure BDA0002338185370000143
计算各个Link中每条车道的车辆行程时间；其中，Q表示在路段Eab内第N个Link、第K车道上的总车辆数；q表示每一车辆的行驶数据采集数量；t表示车辆行驶数据的采集时间间隔。
车道级行程时间计算子模块，用于根据公式
Figure BDA0002338185370000144
以ΔT作为时间步长，计算车辆在路段中各车道的平均行程时间，并将结果保存至
Figure BDA0002338185370000145
且
Figure BDA0002338185370000146
表示第i个ΔT的车道级行程时间。
所述车道级行程时间预测模块205具体包括：
滚动预测计算子模块，用于以不包括当前天的前四周车辆行驶数据作为历史行驶数据，以当前天的车辆行驶数据作为实时行驶数据，根据以ΔT作为时间步长计算的车道级行程时间利用公式
Figure BDA0002338185370000147
依次滚动预测计算下个ΔT的车辆行程时间，并实时更新预测信息；其中，
Figure BDA0002338185370000148
表示历史行驶数据中相同时刻的第i+1个ΔT内的车道级行程时间；
Figure BDA0002338185370000149
表示实时行驶数据中第i个ΔT内的车道级行程时间；α、β分别为历史行驶数据和实时行驶数据的权重值，且α+β＝1。
预测车道级行程时间计算子模块，用于根据公式
Figure BDA0002338185370000151
以ΔT作为时间步长，计算第i+1个ΔT内车辆在路段中各车道的平均行程时间，即为预测车道级行程时间，并将结果保存至
Figure BDA0002338185370000152
所述交通诱导模块206具体包括：
一级诱导规划子模块，用于一级诱导路径规划：将各车道的预测车道级行程时间作为路段中各Link的路阻属性；采用Dijkstra最短路径搜索算法，以路段为基本单位进行最优路径选择，得到一级最优路径集合Po1＝{Eab}；其中，Po1表示诱导决策后以路段为基本单位的最优路径集合；Eab表示最优路径中各个路段；和/或
二级诱导规划子模块，用于二级诱导路径规划：在一级诱导路径规划基础上，对车辆所在当前路段的下游路段的每个Link各车道级行程时间进行预测，并根据最短时间进行组合，在路段中确立最短行程时间的Link车道集合，形成路段内车辆行驶的最短车道路径，得到二级最优路径集合
Figure BDA0002338185370000153
其中，Po2表示诱导决策后以车道为基本单位的最优路径集合；
Figure BDA0002338185370000154
表示最优路径中各个路段中的车道。
所述***还包括决策控制模块，所述决策控制模块用于根据所述诱导规划路径，执行诱导决策控制：
驾驶员按照所述一级最优路径集合选择路段；
或在驾驶过程中，按照所述二级最优路径集合提醒驾驶员进行变道行驶：当车辆处于第i-1个Link时，比较第i和i+1个Link需要变换车道的次数n；若n≤1则在第i个Link发布换道提醒，若n≤1则在第i个Link发布换道提醒；若n≥2则在第i-1个Link发布换道提醒，以第i个Link作为过渡阶段安全变道；
如果车辆在下游路口需要改变行驶方向时，根据对Link的划分依据，若当前路段Link数量大于或等于3时，车辆行驶到编号为2的Link即提示驾驶员变道为转弯到下个路口做准备；若当前路段Link数量小于2时，车辆在进入当前路段之后即提示驾驶员；
依据所述车辆行驶数据中的方向盘转向角数据，提示驾驶员是否应该进行变道；同时监控转向灯信息，提示驾驶员变道的时候正确使用转向灯。
对于实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (13)

1.一种基于车联网的车道级交通诱导方法，其特征在于，所述方法包括：
采集车辆行驶数据，并提取所述车辆行驶数据中的有效字段信息；所述车辆行驶数据包括车辆的实时行驶数据和历史行驶数据；所述有效字段信息包括：车辆ID、采集时间、经度、纬度和方向盘转向角；
以交叉口为节点，以交叉口间的路段为连线，构建基础路网；所述路段中含有车道信息；
对所述基础路网中的路段进行Link划分，形成划分路网；所述划分路网中的路段由多个Link组成；
根据所述行驶数据和所述划分路网计算车道级行程时间；
根据所述历史行程数据和所述车道级行程时间计算各个时间间隔的预测车道级行程时间；
根据所述预测车道级行程时间计算OD点间的车辆最短行程时间，并确定所述车辆最短行程时间对应的最短路径为诱导规划路径。
2.根据权利要求1所述的基于车联网的车道级交通诱导方法，其特征在于，所述对所述基础路网中的路段进行Link划分，形成划分路网，具体包括：
确定所述基础路网中各路段的长度为
Figure FDA0002338185360000011
利用三级长度阈值对各路段进行Link划分，所述三级长度阈值分别为
Figure FDA0002338185360000012
且
Figure FDA0002338185360000013
当
Figure FDA0002338185360000014
时，以整个路段作为一个Link；
当
Figure FDA0002338185360000015
时，由路段下游往上游方向依次进行Link划分，每个Link长度为
Figure FDA0002338185360000016
最后一个Link的长度为路段剩余划分长度；
当
Figure FDA0002338185360000017
时，由路段下游往上游方向依次进行Link划分，第一个Link的长度为
Figure FDA0002338185360000018
其他Link的长度为
Figure FDA0002338185360000019
最后一个Link的长度为路段剩余划分长度；
对每一路段中Link按照由路段下游至上游的顺序依次进行编号。
3.根据权利要求1所述的基于车联网的车道级交通诱导方法，其特征在于，所述根据所述行驶数据和所述划分路网计算车道级行程时间，具体包括：
获取所述基础路网对应的车道级地图，并将车辆的定位信息在所述车道级地图中进行投影，并利用最短距离原则进行车道级地图匹配；
根据所述定位信息将所述车辆行驶数据与车道和划分的Link进行位置对应，并根据车辆ID对车辆行驶数据进行聚类，使相同车辆ID的车辆信息归为同一个集合
Figure FDA0002338185360000021
其中，
Figure FDA0002338185360000022
表示路段ab的第N个Link、K车道上的车辆标识为ID的车辆行驶数据、e表示路段ab的第ab个Link、K车道上标识为ID的车辆采集地第e条的车行驶数据；
根据车辆行驶数据采集时间间隔和每一Link的长度，筛选各个Link中车辆行驶数据不完备的车辆，并根据不完备的车辆行驶数据以及对应Link的长度补全不完备的车辆行驶数据；
根据补全的车辆行驶数据利用公式
Figure FDA0002338185360000023
计算各个Link中每条车道的车辆行程时间；其中，Q表示在路段Eab内第N个Link、第K车道上的总车辆数；q表示每一车辆的行驶数据采集数量；t表示车辆行驶数据的采集时间间隔；
根据公式
Figure FDA0002338185360000024
以ΔT作为时间步长，计算车辆在路段中各车道的平均行程时间，并将结果保存至
Figure FDA0002338185360000025
且
Figure FDA0002338185360000026
表示第i个ΔT的车道级行程时间。
4.根据权利要求1所述的基于车联网的车道级交通诱导方法，其特征在于，所述根据所述历史行程数据和所述车道级行程时间计算各个时间间隔的预测车道级行程时间，具体包括：
以不包括当前天的前四周车辆行驶数据作为历史行驶数据，以当前天的车辆行驶数据作为实时行驶数据，根据以ΔT作为时间步长计算的车道级行程时间利用公式
Figure FDA0002338185360000027
依次滚动预测计算下个ΔT的车辆行程时间，并实时更新预测信息；其中，
Figure FDA0002338185360000028
表示历史行驶数据中相同时刻的第i+1个ΔT内的车道级行程时间；
Figure FDA0002338185360000029
表示实时行驶数据中第i个ΔT内的车道级行程时间；α、β分别为历史行驶数据和实时行驶数据的权重值，且α+β＝1；
根据公式
Figure FDA00023381853600000210
以ΔT作为时间步长，计算第i+1个ΔT内车辆在路段中各车道的平均行程时间，即为预测车道级行程时间，并将结果保存至
Figure FDA0002338185360000031
5.根据权利要求1所述的基于车联网的车道级交通诱导方法，其特征在于，所述根据所述预测车道级行程时间计算OD点间的车辆最短行程时间，并确定所述车辆最短行程时间对应的最短路径为诱导规划路径，具体包括：
一级诱导路径规划：将各车道的预测车道级行程时间作为路段中各Link的路阻属性；采用Dijkstra最短路径搜索算法，以路段为基本单位进行最优路径选择，得到一级最优路径集合Po1＝{Eab}；其中，Po1表示诱导决策后以路段为基本单位的最优路径集合；Eab表示最优路径中各个路段。
6.根据权利要求5所述的基于车联网的车道级交通诱导方法，其特征在于，所述根据所述预测车道级行程时间计算OD点间的车辆最短行程时间，并确定所述车辆最短行程时间对应的最短路径为诱导规划路径，还包括：
二级诱导路径规划：在一级诱导路径规划基础上，对车辆所在当前路段的下游路段的每个Link各车道级行程时间进行预测，并根据最短时间进行组合，在路段中确立最短行程时间的Link车道集合，形成路段内车辆行驶的最短车道路径，得到二级最优路径集合
Figure FDA0002338185360000032
其中，Po2表示诱导决策后以车道为基本单位的最优路径集合；
Figure FDA0002338185360000033
表示最优路径中各个路段中的车道。
7.根据权利要求6所述的基于车联网的车道级交通诱导方法，其特征在于，所述方法还包括：根据所述诱导规划路径，执行诱导决策控制：
驾驶员按照所述一级最优路径集合选择路段；
或在驾驶过程中，按照所述二级最优路径集合提醒驾驶员进行变道行驶：当车辆处于第i-1个Link时，比较第i和i+1个Link需要变换车道的次数n；若n≤1则在第i个Link发布换道提醒，若n≤1则在第i个Link发布换道提醒；若n≥2则在第i-1个Link发布换道提醒，以第i个Link作为过渡阶段安全变道；
如果车辆在下游路口需要改变行驶方向时，根据对Link的划分依据，若当前路段Link数量大于或等于3时，车辆行驶到编号为2的Link即提示驾驶员变道为转弯到下个路口做准备；若当前路段Link数量小于2时，车辆在进入当前路段之后即提示驾驶员；
依据所述车辆行驶数据中的方向盘转向角数据，提示驾驶员是否应该进行变道；同时监控转向灯信息，提示驾驶员变道的时候正确使用转向灯。
8.一种基于车联网的车道级交通诱导***，其特征在于，所述***包括：
车辆行驶数据采集模块，用于采集车辆行驶数据，并提取所述车辆行驶数据中的有效字段信息；所述车辆行驶数据包括车辆的实时行驶数据和历史行驶数据；所述有效字段信息包括：车辆ID、采集时间、经度、纬度和方向盘转向角；
基础路网构建模块，用于以交叉口为节点，以交叉口间的路段为连线，构建基础路网；所述路段中含有车道信息；
Link划分模块，用于对所述基础路网中的路段进行Link划分，形成划分路网；所述划分路网中的路段由多个Link组成；
车道级行程时间计算模块，用于根据所述行驶数据和所述划分路网计算车道级行程时间；
车道级行程时间预测模块，用于根据所述历史行程数据和所述车道级行程时间计算各个时间间隔的预测车道级行程时间；
交通诱导模块，用于根据所述预测车道级行程时间计算OD点间的车辆最短行程时间，并确定所述车辆最短行程时间对应的最短路径为诱导规划路径。
9.根据权利要求8所述的基于车联网的车道级交通诱导***，其特征在于，所述Link划分模块具体包括：
路段长度确定子模块，用于确定所述基础路网中各路段的长度为
Figure FDA0002338185360000041
三级划分子模块，用于利用三级长度阈值对各路段进行Link划分，所述三级长度阈值分别为
Figure FDA0002338185360000042
且
Figure FDA0002338185360000043
当
Figure FDA0002338185360000044
时，以整个路段作为一个Link；
当
Figure FDA0002338185360000045
时，由路段下游往上游方向依次进行Link划分，每个Link长度为
Figure FDA0002338185360000046
最后一个Link为路段剩余划分长度的区域；
当
Figure FDA0002338185360000047
时，由路段下游往上游方向依次进行Link划分，第一个Link的长度为
Figure FDA0002338185360000048
其他Link的长度为
Figure FDA0002338185360000049
最后一个Link的长度为路段剩余划分长度；
编号子模块，用于对每一路段中Link按照由路段下游至上游的顺序依次进行编号。
10.根据权利要求8所述的基于车联网的车道级交通诱导***，其特征在于，所述车道级行程时间计算模块具体包括：
地图匹配子模块，用于获取所述基础路网对应的车道级地图，并将车辆的定位信息在所述车道级地图中进行投影，并利用最短距离原则进行车道级地图匹配；
聚类子模块，用于根据所述定位信息将所述车辆行驶数据与车道和划分的Link进行位置对应，并根据车辆ID对车辆行驶数据进行聚类，使相同车辆ID的车辆信息归为同一个集合
Figure FDA0002338185360000051
其中，
Figure FDA0002338185360000052
表示路段ab的第N个Link、K车道上的车辆标识为ID的车辆行驶数据、e表示路段ab的第ab个Link、K车道上标识为ID的车辆采集地第e条的车行驶数据；
车辆行驶数据补全子模块，用于根据车辆行驶数据采集时间间隔和每一Link的长度，筛选各个Link中车辆行驶数据不完备的车辆，并根据不完备的车辆行驶数据以及对应Link的长度补全不完备的车辆行驶数据；
车辆行程时间计算子模块，用于根据补全的车辆行驶数据利用公式
Figure FDA0002338185360000053
计算各个Link中每条车道的车辆行程时间；其中，Q表示在路段Eab内第N个Link、第K车道上的总车辆数；q表示每一车辆的行驶数据采集数量；t表示车辆行驶数据的采集时间间隔；
车道级行程时间计算子模块，用于根据公式
Figure FDA0002338185360000054
以ΔT作为时间步长，计算车辆在路段中各车道的平均行程时间，并将结果保存至
Figure FDA0002338185360000055
且
Figure FDA0002338185360000056
表示第i个ΔT的车道级行程时间。
11.根据权利要求8所述的基于车联网的车道级交通诱导***，其特征在于，所述车道级行程时间预测模块具体包括：
滚动预测计算子模块，用于以不包括当前天的前四周车辆行驶数据作为历史行驶数据，以当前天的车辆行驶数据作为实时行驶数据，根据以ΔT作为时间步长计算的车道级行程时间利用公式
Figure FDA0002338185360000057
依次滚动预测计算下个ΔT的车辆行程时间，并实时更新预测信息；其中，
Figure FDA0002338185360000058
表示历史行驶数据中相同时刻的第i+1个ΔT内的车道级行程时间；
Figure FDA0002338185360000059
表示实时行驶数据中第i个ΔT内的车道级行程时间；α、β分别为历史行驶数据和实时行驶数据的权重值，且α+β＝1；
预测车道级行程时间计算子模块，用于根据公式
Figure FDA0002338185360000061
以ΔT作为时间步长，计算第i+1个ΔT内车辆在路段中各车道的平均行程时间，即为预测车道级行程时间，并将结果保存至
Figure FDA0002338185360000062
12.根据权利要求8所述的基于车联网的车道级交通诱导***，其特征在于，所述交通诱导模块具体包括：
一级诱导规划子模块，用于一级诱导路径规划：将各车道的预测车道级行程时间作为路段中各Link的路阻属性；采用Dijkstra最短路径搜索算法，以路段为基本单位进行最优路径选择，得到一级最优路径集合Po1＝{Eab}；其中，Po1表示诱导决策后以路段为基本单位的最优路径集合；Eab表示最优路径中各个路段；和/或
二级诱导规划子模块，用于二级诱导路径规划：在一级诱导路径规划基础上，对车辆所在当前路段的下游路段的每个Link各车道级行程时间进行预测，并根据最短时间进行组合，在路段中确立最短行程时间的Link车道集合，形成路段内车辆行驶的最短车道路径，得到二级最优路径集合
Figure FDA0002338185360000063
其中，Po2表示诱导决策后以车道为基本单位的最优路径集合；
Figure FDA0002338185360000064
表示最优路径中各个路段中的车道。
13.根据权利要求8所述的基于车联网的车道级交通诱导***，其特征在于，所述***还包括决策控制模块，所述决策控制模块用于根据所述诱导规划路径，执行诱导决策控制：
驾驶员按照所述一级最优路径集合选择路段；
或在驾驶过程中，按照所述二级最优路径集合提醒驾驶员进行变道行驶：当车辆处于第i-1个Link时，比较第i和i+1个Link需要变换车道的次数n；若n≤1则在第i个Link发布换道提醒，若n≤1则在第i个Link发布换道提醒；若n≥2则在第i-1个Link发布换道提醒，以第i个Link作为过渡阶段安全变道；
如果车辆在下游路口需要改变行驶方向时，根据对Link的划分依据，若当前路段Link数量大于或等于3时，车辆行驶到编号为2的Link即提示驾驶员变道为转弯到下个路口做准备；若当前路段Link数量小于2时，车辆在进入当前路段之后即提示驾驶员；
依据所述车辆行驶数据中的方向盘转向角数据，提示驾驶员是否应该进行变道；同时监控转向灯信息，提示驾驶员变道的时候正确使用转向灯。
CN201911365085.2A 2019-12-26 2019-12-26 一种基于车联网的车道级交通诱导方法及*** Pending CN111063208A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911365085.2A CN111063208A (zh) 2019-12-26 2019-12-26 一种基于车联网的车道级交通诱导方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911365085.2A CN111063208A (zh) 2019-12-26 2019-12-26 一种基于车联网的车道级交通诱导方法及***

Publications (1)

Publication Number Publication Date
CN111063208A true CN111063208A (zh) 2020-04-24

Family

ID=70303844

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911365085.2A Pending CN111063208A (zh) 2019-12-26 2019-12-26 一种基于车联网的车道级交通诱导方法及***

Country Status (1)

Country Link
CN (1) CN111063208A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111554100A (zh) * 2020-07-08 2020-08-18 中邮建技术有限公司 一种考虑机动车碳排放的快速道路车道引导方法及装置
CN112435498A (zh) * 2020-11-23 2021-03-02 合肥工业大学 一种基于方向性诱导的城市路网最短路径获取方法
CN112767683A (zh) * 2020-12-22 2021-05-07 安徽百诚慧通科技有限公司 一种基于反馈机制的路径诱导方法
CN113421451A (zh) * 2021-06-30 2021-09-21 腾讯科技（深圳）有限公司 导航处理方法、装置、电子设备及计算机可读存储介质
CN113920743A (zh) * 2021-12-09 2022-01-11 江苏九比特信息***有限公司 一种基于环境信息的交通诱导屏控制***及方法
CN113954868A (zh) * 2021-10-08 2022-01-21 南京航空航天大学 一种基于时空交通模型的车道级路径规划方法及***
CN113990106A (zh) * 2021-11-10 2022-01-28 河海大学 一种高速公路车道分配***
CN115188194A (zh) * 2022-07-15 2022-10-14 同济大学 一种高速公路交通车道级精准诱导***及方法
CN116403410A (zh) * 2023-06-06 2023-07-07 中南大学 一种考虑拥堵车源的高速公路混合路径诱导模型构建方法
CN117804490A (zh) * 2024-02-28 2024-04-02 四川交通职业技术学院 一种车辆运行路线的综合规划方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140278052A1 (en) * 2013-03-15 2014-09-18 Caliper Corporation Lane-level vehicle navigation for vehicle routing and traffic management
CN104464320A (zh) * 2014-12-15 2015-03-25 东南大学 基于真实路网特性及动态行程时间的最短路径诱导方法
CN105096622A (zh) * 2015-08-11 2015-11-25 吉林大学 一种基于车路通信的动态路径诱导方法
CN105427647A (zh) * 2015-12-24 2016-03-23 青岛海信网络科技股份有限公司 一种区别车辆转向的路径分配方法及装置
CN105702073A (zh) * 2016-04-13 2016-06-22 徐亚国 一种基于路网决策点行程时间索引值的动态转向导航方法
CN106327896A (zh) * 2016-09-06 2017-01-11 中国第汽车股份有限公司 一种面向自动驾驶车辆的车道选择***和方法
CN110085043A (zh) * 2019-05-20 2019-08-02 广州小鹏汽车科技有限公司 一种最优车道的确定方法及车辆控制***
CN110361024A (zh) * 2018-04-10 2019-10-22 丰田自动车株式会社 利用车辆组标识的动态车道级车辆导航
CN110530393A (zh) * 2019-10-08 2019-12-03 北京邮电大学 车道级路径规划方法、装置、电子设备及可读存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140278052A1 (en) * 2013-03-15 2014-09-18 Caliper Corporation Lane-level vehicle navigation for vehicle routing and traffic management
CN105074793A (zh) * 2013-03-15 2015-11-18 凯利普公司 用于车辆路径规划和交通管理的车道级车辆导航
CN104464320A (zh) * 2014-12-15 2015-03-25 东南大学 基于真实路网特性及动态行程时间的最短路径诱导方法
CN105096622A (zh) * 2015-08-11 2015-11-25 吉林大学 一种基于车路通信的动态路径诱导方法
CN105427647A (zh) * 2015-12-24 2016-03-23 青岛海信网络科技股份有限公司 一种区别车辆转向的路径分配方法及装置
CN105702073A (zh) * 2016-04-13 2016-06-22 徐亚国 一种基于路网决策点行程时间索引值的动态转向导航方法
CN106327896A (zh) * 2016-09-06 2017-01-11 中国第汽车股份有限公司 一种面向自动驾驶车辆的车道选择***和方法
CN110361024A (zh) * 2018-04-10 2019-10-22 丰田自动车株式会社 利用车辆组标识的动态车道级车辆导航
CN110085043A (zh) * 2019-05-20 2019-08-02 广州小鹏汽车科技有限公司 一种最优车道的确定方法及车辆控制***
CN110530393A (zh) * 2019-10-08 2019-12-03 北京邮电大学 车道级路径规划方法、装置、电子设备及可读存储介质

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111554100A (zh) * 2020-07-08 2020-08-18 中邮建技术有限公司 一种考虑机动车碳排放的快速道路车道引导方法及装置
CN112435498A (zh) * 2020-11-23 2021-03-02 合肥工业大学 一种基于方向性诱导的城市路网最短路径获取方法
CN112767683A (zh) * 2020-12-22 2021-05-07 安徽百诚慧通科技有限公司 一种基于反馈机制的路径诱导方法
CN112767683B (zh) * 2020-12-22 2021-12-21 安徽百诚慧通科技有限公司 一种基于反馈机制的路径诱导方法
CN113421451A (zh) * 2021-06-30 2021-09-21 腾讯科技（深圳）有限公司 导航处理方法、装置、电子设备及计算机可读存储介质
CN113421451B (zh) * 2021-06-30 2024-04-09 腾讯科技（深圳）有限公司 导航处理方法、装置、电子设备及计算机可读存储介质
CN113954868A (zh) * 2021-10-08 2022-01-21 南京航空航天大学 一种基于时空交通模型的车道级路径规划方法及***
CN113990106A (zh) * 2021-11-10 2022-01-28 河海大学 一种高速公路车道分配***
CN113990106B (zh) * 2021-11-10 2023-08-29 河海大学 一种高速公路车道分配***
CN113920743A (zh) * 2021-12-09 2022-01-11 江苏九比特信息***有限公司 一种基于环境信息的交通诱导屏控制***及方法
CN115188194A (zh) * 2022-07-15 2022-10-14 同济大学 一种高速公路交通车道级精准诱导***及方法
CN116403410A (zh) * 2023-06-06 2023-07-07 中南大学 一种考虑拥堵车源的高速公路混合路径诱导模型构建方法
CN116403410B (zh) * 2023-06-06 2023-08-22 中南大学 一种考虑拥堵车源的高速公路混合路径诱导模型构建方法
CN117804490A (zh) * 2024-02-28 2024-04-02 四川交通职业技术学院 一种车辆运行路线的综合规划方法及装置
CN117804490B (zh) * 2024-02-28 2024-05-17 四川交通职业技术学院 一种车辆运行路线的综合规划方法及装置

Similar Documents

Publication Publication Date Title
CN111063208A (zh) 一种基于车联网的车道级交通诱导方法及***
CN103646560B (zh) 出租车行车轨迹经验知识路径的提取方法
CN111197991B (zh) 基于深度神经网络的预测车辆最佳驾驶路径方法
CN104574967B (zh) 一种基于北斗的城市大面积路网交通感知方法
CN107195180B (zh) 一种基于电警数据的交通出行轨迹提取方法和装置
CN102708698B (zh) 基于车联网的车辆最优路径导航方法
CN107246878B (zh) 一种导航路径的确定方法、装置及汽车
US9002633B2 (en) Method of determining and validating navigational priority settings utilizing probe data
CN101964941A (zh) 基于动态信息的智能导航与位置服务***及方法
CN107490384B (zh) 一种基于城市路网的最优静态路径选择方法
CN109612488B (zh) 基于大数据微服务的混合出行方式路径规划***及方法
CN111314857B (zh) 一种基于过车视频数据的车辆实时出行轨迹获取方法
CN112767683B (zh) 一种基于反馈机制的路径诱导方法
CN104575050A (zh) 一种基于浮动车的快速路匝道智能诱导方法及装置
CN112801399B (zh) 一种路径生成方法、装置、终端设备及存储介质
CN112767694B (zh) 用于缓解道路拥堵的交通优化方法和装置
JP2007140745A (ja) 渋滞予測システム及び渋滞要因推定システム、並びに渋滞予測方法及び渋滞要因推定方法
CN112289062B (zh) 一种基于绿灯时刻图的车辆行驶路径动态导航方法
CN110553656A (zh) 一种用于车机的路况规划方法及***
CN107452226A (zh) 一种中途停车推荐路侧停车位的方法及***
CN112033428A (zh) 一种配电抢修的路径规划方法
CN110633558A (zh) 一种城市交通***建模***
CN111862657B (zh) 一种确定路况信息的方法及装置
CN114413923B (zh) 一种行驶路线推荐方法、装置、存储介质及***
US20190259272A1 (en) Inaccessible road section estimation system and inaccessible road section estimation program

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