CN111739299B - 稀疏轨迹的车辆排队长度确定方法、装置、设备及介质 - Google Patents
稀疏轨迹的车辆排队长度确定方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN111739299B CN111739299B CN202010695697.4A CN202010695697A CN111739299B CN 111739299 B CN111739299 B CN 111739299B CN 202010695697 A CN202010695697 A CN 202010695697A CN 111739299 B CN111739299 B CN 111739299B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- length
- wave
- calculating
- 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
Images
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
-
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及人工智能及数据处理技术领域,提供一种稀疏轨迹的车辆排队长度确定方法、装置、设备及介质。其方法能够结合坐标数据和Link数据来进行纵向相对行驶距离的计算,且采用了垂直映射的方式,能够最大程度消除估计点在交叉口范围内低速行驶的横向漂移误差,使用非排队车辆对排队长度的进行修正,得到修正长度,以消除预估的排队长度与真实排队长度间的误差,并且,通过卡尔曼滤波对缺失周期的车辆排队长度进行填补,以实现对车辆排队长度的自动化确定,且对车辆排队长度的确定更加精确。此外,本发明还可应用于智慧交通,从而推动智慧城市的建设。本发明还涉及区块链技术,车辆排队长度可存储于区块链节点中。
Description
技术领域
本发明涉及人工智能及数据处理技术领域,尤其涉及一种稀疏轨迹的车辆排队长度确定方法、装置、设备及介质。
背景技术
随着城市道路交通信息化水平的不断提高以及智慧交通的不断推进,各种新型的交通检测设备和技术逐渐被应用于交通***的运行监测和管控中,包括车辆自动识别设备(如:卡口、电警、RFID(Radio Frequency Identification,射频识别)等)、车辆导航GPS(Global Positioning System,全球定位***)数据等。这些新型的交通数据源可以提供部分车辆的ID及其运行轨迹信息,为广域路网的信号控制交叉口的控制评估和优化提供了新的数据支撑和机遇。
近年来,国内外学者致力于利用车辆轨迹数据估计排队长度。从现有的排队长度估计模型的前提假设和方法手段来看,相关发明成果可划分为两大类:一是在近似简化或完全忽略不确定性因素的前提下,利用交通波理论建立起来的排队长度或延误估计模型。二是考虑交通***中部分不确定性因素的前提下,利用概率论方法建立得到的排队长度或延误估计模型。在假设车辆到达分布的前提下,同时在已知最后一辆浮动车位置,浮动车比率等情况下,计算排队长度的期望值。上述方式均存在一定缺陷。
首先,基于交通波的排队长度估计方法可以得到排队车辆在时间和空间上的分布,虽然能够较好的反映信号控制交叉口的交通演化趋势,但该类方法对轨迹数据要求较高,还需要进行以下假设:(1)信号参数和车辆到达已知,要求一个周期内至少捕捉到两辆排队车辆。因此,在未捕捉到两辆排队车辆的缺失周期,则无法实现排队长度的估计。(2)将最后一辆排队车辆位置至停车线的距离作为排队长度,这种假设在稀疏车辆轨迹情况下存在较大误差;或者将集结波和消散波交点至停车线的距离作为排队长度,这种假设在低饱和度、交通到达不均匀的情况下也存在较大误差。
其次,基于概率论方法的排队长度估计方法虽体现了排队的随机过程,但仍未能综合分析交通***的不确定因素,也包含一个周期内至少要捕捉一辆排队车辆、车辆到达类型已知等假设。
并且,上述两类方法多基于仿真数据或低频浮动车数据进行分析论证,未能使用大规模商用车辆轨迹数据进行实地验证,对排队长度的估计不够准确。
发明内容
鉴于以上内容,有必要提供一种稀疏轨迹的车辆排队长度确定方法、装置、设备及介质,能够通过卡尔曼滤波对缺失周期的车辆排队长度进行填补,以实现对车辆排队长度的自动化确定,且对车辆排队长度的确定更加精确。
一种稀疏轨迹的车辆排队长度确定方法,所述稀疏轨迹的车辆排队长度确定方法包括:
连接指定平台,从所述指定平台获取车辆轨迹数据;
从所述车辆轨迹数据中获取坐标数据及Link数据;
将所述坐标数据中的每个坐标点映射到所述Link数据中的对应Link,并计算映射后的每个坐标点到所述Link数据中的首条Link起点的距离的累加和;
获取所述车辆轨迹数据的时间戳,基于所述时间戳及所述累加和构建车辆时空轨迹图;
响应于对具有稀疏轨迹的目标周期的车辆排队长度的确定指令,从所述车辆时空轨迹图中获取上一周期的集结波数据及消散波数据;
根据所述集结波数据及所述消散波数据计算在所述上一周期内集结波与消散波的交点到停车线的第一距离;
获取所述上一周期内的非排队车辆,计算每辆非排队车辆与所述停车线间的每个第二距离;
选择所述第一距离与所述第二距离中的最短距离作为修正长度;
基于扩展卡尔曼滤波算法对所述修正长度进行缺失填补,得到所述目标周期的车辆排队长度。
根据本发明优选实施例,所述将所述坐标数据中的每个坐标点映射到所述Link数据中的对应Link包括:
从所述坐标数据中获取每个坐标点对应的Link ID;
根据所述Link ID确定每个坐标点对应的Link;
将每个坐标点垂直映射至每个坐标点对应的Link。
根据本发明优选实施例,所述根据所述集结波数据及所述消散波数据计算在所述上一周期内集结波与消散波的交点到停车线的第一距离包括:
基于车辆运动学从所述集结波数据中确定至少一段集结波;
确定所述至少一段集结波中每段集结波的斜率及截距;
从所述消散波数据中获取所述消散波的斜率及截距;
根据每段集结波的斜率及截距,以及所述消散波的斜率及截距计算所述第一距离。
根据本发明优选实施例,所述根据每段集结波的斜率及截距,以及所述消散波的斜率及截距计算所述第一距离包括:
确定每段集结波与所述停车线间的距离;
获取距离最短的集结波作为目标集结波;
获取所述目标集结波的目标斜率与目标截距;
计算所述消散波的截距与所述目标截距的第一差值,及计算所述目标斜率与所述消散波的斜率的第二差值;
计算所述第一差值与所述第二差值的商值,并计算所述商值与所述消散波的斜率的乘积;
确定所述停车线的纵向距离;
计算所述纵向距离与所述乘积的第三差值;
计算所述第三差值与所述消散波的截距的和作为所述第一距离。
根据本发明优选实施例,所述基于扩展卡尔曼滤波算法对所述修正长度进行缺失填补,得到所述目标周期的车辆排队长度包括:
确定作用于所述修正长度的状态变换矩阵;
根据所述状态变换矩阵与所述修正长度计算所述目标周期的先验预测值;
确定作用于所述修正长度的第一协方差;
根据所述第一协方差确定作用于所述先验预测值的第二协方差;
根据所述第二协方差计算所述目标周期的卡尔曼增益;
根据所述卡尔曼增益、所述先验预测值及所述修正长度计算所述车辆排队长度。
根据本发明优选实施例,采用下述公式根据所述状态变换矩阵与所述修正长度计算所述目标周期的先验预测值:
采用下述公式根据所述第一协方差确定作用于所述先验预测值的第二协方差:
采用下述公式根据所述第二协方差计算所述目标周期的卡尔曼增益:
根据本发明优选实施例,采用下述公式所述根据所述卡尔曼增益、所述先验预测值及所述修正长度计算所述车辆排队长度:
一种稀疏轨迹的车辆排队长度确定装置,所述稀疏轨迹的车辆排队长度确定装置包括:
获取单元,用于连接指定平台,从所述指定平台获取车辆轨迹数据;
所述获取单元,还用于从所述车辆轨迹数据中获取坐标数据及Link数据;
计算单元,用于将所述坐标数据中的每个坐标点映射到所述Link数据中的对应Link,并计算映射后的每个坐标点到所述Link数据中的首条Link起点的距离的累加和;
构建单元,用于获取所述车辆轨迹数据的时间戳,基于所述时间戳及所述累加和构建车辆时空轨迹图;
所述获取单元,还用于响应于对具有稀疏轨迹的目标周期的车辆排队长度的确定指令,从所述车辆时空轨迹图中获取上一周期的集结波数据及消散波数据;
所述计算单元,还用于根据所述集结波数据及所述消散波数据计算在所述上一周期内集结波与消散波的交点到停车线的第一距离;
所述计算单元,还用于获取所述上一周期内的非排队车辆,计算每辆非排队车辆与所述停车线间的每个第二距离;
选择单元,用于选择所述第一距离与所述第二距离中的最短距离作为修正长度;
填补单元,用于基于扩展卡尔曼滤波算法对所述修正长度进行缺失填补,得到所述目标周期的车辆排队长度。
一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现所述稀疏轨迹的车辆排队长度确定方法。
一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现所述稀疏轨迹的车辆排队长度确定方法。
由以上技术方案可以看出,本发明能够基于扩展卡尔曼滤波算法对所述修正长度进行缺失填补,得到所述目标周期的车辆排队长度,以便通过卡尔曼滤波对缺失周期的车辆排队长度进行填补,实现对所述车辆排队长度的自动化确定,且对所述车辆排队长度的确定更加精确。
附图说明
图1是本发明稀疏轨迹的车辆排队长度确定方法的较佳实施例的流程图。
图2是本发明稀疏轨迹的车辆排队长度确定装置的较佳实施例的功能模块图。
图3是本发明实现稀疏轨迹的车辆排队长度确定方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
如图1所示,是本发明稀疏轨迹的车辆排队长度确定方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
所述稀疏轨迹的车辆排队长度确定方法应用于一个或者多个电子设备中,所述电子设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific IntegratedCircuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
S10,连接指定平台,从所述指定平台获取车辆轨迹数据。
在本发明的至少一个实施例中,所述指定平台可以包括各类交通管理平台,所述指定平台上存储着多种交通数据。
为了确保数据的安全性及隐私性,可以将所述车辆轨迹数据部署在区块链上。
S11,从所述车辆轨迹数据中获取坐标数据及Link数据。
其中,所述Link数据是指基于路网拓扑结构,以道路交叉口为节点,将路网拆解成node和link集合,link为不同节点node之间的有向路径。
例如:所述坐标数据可以是表格的形式,参见表1。
表1坐标数据表
车辆ID | 时间戳 | 经度 | 纬度 | Link ID | 通过距离 | 线速度 |
e93e2532c87e0789e | 1480288802 | 120.40033 | 36.086 | 66320951 | 16 | 3.2 |
e93e2532c87e0789e | 1480288805 | 120.4005 | 36.08579 | 66320951 | 44 | 9.3 |
e93e2532c87e0789e | 1480288808 | 120.40055 | 36.08573 | 66320951 | 52 | 2.7 |
e93e2532c87e0789e | 1480288811 | 120.4006 | 36.08567 | 66320951 | 61 | 2.7 |
e93e2532c87e0789e | 1480288814 | 120.40064 | 36.08558 | 66320941 | 4 | 3.5 |
进一步地,所述link数据也可以是表格的形式,参见表2。
表2 link数据表
S12,将所述坐标数据中的每个坐标点映射到所述Link数据中的对应Link,并计算映射后的每个坐标点到所述Link数据中的首条Link起点的距离的累加和。
在本发明的至少一个实施例中,所述将所述坐标数据中的每个坐标点映射到所述Link数据中的对应Link包括:
从所述坐标数据中获取每个坐标点对应的Link ID;
根据所述Link ID确定每个坐标点对应的Link;
将每个坐标点垂直映射至每个坐标点对应的Link。
可以理解的是,由于车辆坐标点在交叉口范围低速行驶时易产生漂移与较大的误差,若直接通过坐标点计算相对行驶距离,则会产生较大误差,影响车辆排队长度估计的效果。为此,本实施例结合坐标数据和Link数据来进行纵向相对行驶距离的计算,通过link数据来计算相对行驶距离(即计算映射后的每个坐标点到所述Link数据中的首条Link起点的距离的累加和),且采用了垂直映射的方式,能够最大程度消除估计点在交叉口范围内低速行驶的横向漂移误差。
S13,获取所述车辆轨迹数据的时间戳,基于所述时间戳及所述累加和构建车辆时空轨迹图。
在本发明的至少一个实施例中,所述车辆时空轨迹图反映的是时间与距离的关系,所述车辆时空轨迹图能够为后续方案提供基础数据,图形的构建主要是为了方便数据的存储,因此,本发明对构建所述车辆时空轨迹图的方式不限制。
S14,响应于对具有稀疏轨迹的目标周期的车辆排队长度的确定指令,从所述车辆时空轨迹图中获取上一周期的集结波数据及消散波数据。
鉴于短时间内交通流的稳定特性,因此,本实施例获取上一周期的集结波数据及消散波数据对目标周期的车辆排队长度进行确定,以便结合历史已估计排队长度数据对处于稀疏状态的目标周期的排队长度进行修正,以提升准确度。
S15,根据所述集结波数据及所述消散波数据计算在所述上一周期内集结波与消散波的交点到停车线的第一距离。
在本实施例中,基于交通波理论,可详细描述车辆由于信号灯周期性变化而引起的排队集结与消散过程。当红灯启亮,到达车辆受红灯影响减速,靠近停车线车辆减速排队,并且排队逐渐向上游传播,形成所述集结波;当红灯结束,绿灯启亮时,排队车辆以饱和流率驶离交叉口,排队逐渐消散,形成所述消散波向上游传递。且所述消散波速度大于所述集结波,因此,在一段时间后,车辆排队到达距离停车线最远位置,此后排队完全消散。
在本发明的至少一个实施例中,所述根据所述集结波数据及所述消散波数据计算在所述上一周期内集结波与消散波的交点到停车线的第一距离包括:
基于车辆运动学从所述集结波数据中确定至少一段集结波;
确定所述至少一段集结波中每段集结波的斜率及截距;
从所述消散波数据中获取所述消散波的斜率及截距;
根据每段集结波的斜率及截距,以及所述消散波的斜率及截距计算所述第一距离。
通过上述实施方式,计算集结波与消散波的交点到停车线的第一距离,用于后续估计最大排队长度。
具体地,所述根据每段集结波的斜率及截距,以及所述消散波的斜率及截距计算所述第一距离包括:
确定每段集结波与所述停车线间的距离;
获取距离最短的集结波作为目标集结波;
获取所述目标集结波的目标斜率与目标截距;
计算所述消散波的截距与所述目标截距的第一差值,及计算所述目标斜率与所述消散波的斜率的第二差值;
计算所述第一差值与所述第二差值的商值,并计算所述商值与所述消散波的斜率的乘积;
确定所述停车线的纵向距离;
计算所述纵向距离与所述乘积的第三差值;
计算所述第三差值与所述消散波的截距的和作为所述第一距离。
通过上述实施方式,能够基于排队车辆构成的集结波及消散波计算所述第一距离。
S16,获取所述上一周期内的非排队车辆,计算每辆非排队车辆与所述停车线间的每个第二距离。
可以理解的是,所述第一距离是根据采集到的排队车辆的信息计算的,但是,在低饱和或交通到达波动大等稀疏轨迹的情况下,上述方式会将部分的非排队车辆估计成为排队车辆,即估计得到的排队长度总是大于或等于真实排队长度,因此,后续还要基于每个第二距离进行修正。
S17,选择所述第一距离与所述第二距离中的最短距离作为修正长度。
通过上述实施方式,能够使用非排队车辆对排队长度的进行修正,得到所述修正长度,以消除预估的排队长度与真实排队长度间的误差。
S18,基于扩展卡尔曼滤波算法对所述修正长度进行缺失填补,得到所述目标周期的车辆排队长度。
在本发明的至少一个实施例中,所述基于扩展卡尔曼滤波算法对所述修正长度进行缺失填补,得到所述目标周期的车辆排队长度包括:
确定作用于所述修正长度的状态变换矩阵;
根据所述状态变换矩阵与所述修正长度计算所述目标周期的先验预测值;
确定作用于所述修正长度的第一协方差;
根据所述第一协方差确定作用于所述先验预测值的第二协方差;
根据所述第二协方差计算所述目标周期的卡尔曼增益;
根据所述卡尔曼增益、所述先验预测值及所述修正长度计算所述车辆排队长度。
可以理解的是,若一个周期内采样排队车辆小于或者等于1辆(即产生了缺失周期的所述具有稀疏轨迹的目标周期),计算过程中会产生缺失值,造成对车辆排队长度的确定不准确。
通过上述实施方式,结合历史已估计排队长度数据,采用卡尔曼滤波对缺失周期的车辆排队长度进行填补。卡尔曼滤波基本思想是递推无偏最小均方误差估计,其根据前一个估计值和最新一个观测数据来估计当前最优值,用状态方程和递推方法进行估计,相对于现有技术中采用多重插值、EM算法等进行缺失值填补,卡尔曼滤波既能处理平滑数据,也能够处理波动较大的数据,具有无偏、线性、实时等特性。卡尔曼滤波是一个封闭的修正和反馈过程,通过计算预测值及对预测值修正,实现对目标周期的车辆排队长度的准确计算。
在本发明的至少一个实施例中,采用下述公式根据所述状态变换矩阵与所述修正长度计算所述目标周期的先验预测值:
采用下述公式根据所述第一协方差确定作用于所述先验预测值的第二协方差:
采用下述公式根据所述第二协方差计算所述目标周期的卡尔曼增益:
进一步地,采用下述公式所述根据所述卡尔曼增益、所述先验预测值及所述修正长度计算所述车辆排队长度:
通过上述实施方式,即可通过扩展卡尔曼滤波对缺失周期的车辆排队长度进行填补,以实现对所述车辆排队长度的自动化确定,且对所述车辆排队长度的确定更加精确。
由以上技术方案可以看出,本发明能够连接指定平台,从所述指定平台获取车辆轨迹数据,从所述车辆轨迹数据中获取坐标数据及Link数据,将所述坐标数据中的每个坐标点映射到所述Link数据中的对应Link,并计算映射后的每个坐标点到所述Link数据中的首条Link起点的距离的累加和,结合坐标数据和Link数据计算映射后的每个坐标点到所述Link数据中的首条Link起点的距离的累加和,能够最大程度消除估计点在交叉口范围内低速行驶的横向漂移误差,获取所述车辆轨迹数据的时间戳,基于所述时间戳及所述累加和构建车辆时空轨迹图,响应于对具有稀疏轨迹的目标周期的车辆排队长度的确定指令,从所述车辆时空轨迹图中获取上一周期的集结波数据及消散波数据,根据所述集结波数据及所述消散波数据计算在所述上一周期内集结波与消散波的交点到停车线的第一距离,并获取所述上一周期内的非排队车辆,计算每辆非排队车辆与所述停车线间的每个第二距离,选择所述第一距离与所述第二距离中的最短距离作为修正长度,以使用非排队车辆对排队长度的进行修正,得到所述修正长度,以消除预估的排队长度与真实排队长度间的误差,基于扩展卡尔曼滤波算法对所述修正长度进行缺失填补,得到所述目标周期的车辆排队长度,以便通过卡尔曼滤波对缺失周期的车辆排队长度进行填补,实现对所述车辆排队长度的自动化确定,且对所述车辆排队长度的确定更加精确。
如图2所示,是本发明稀疏轨迹的车辆排队长度确定装置的较佳实施例的功能模块图。所述稀疏轨迹的车辆排队长度确定装置11包括获取单元110、计算单元111、构建单元112、选择单元113、填补单元114。本发明所称的模块/单元是指一种能够被处理器13所执行,并且能够完成固定功能的一系列计算机程序段,其存储在存储器12中。在本实施例中,关于各模块/单元的功能将在后续的实施例中详述。
获取单元110连接指定平台,从所述指定平台获取车辆轨迹数据。
在本发明的至少一个实施例中,所述指定平台可以包括各类交通管理平台,所述指定平台上存储着多种交通数据。
为了确保数据的安全性及隐私性,可以将所述车辆轨迹数据部署在区块链上。
所述获取单元110从所述车辆轨迹数据中获取坐标数据及Link数据。
其中,所述Link数据是指基于路网拓扑结构,以道路交叉口为节点,将路网拆解成node和link集合,link为不同节点node之间的有向路径。
例如:所述坐标数据可以是表格的形式,参见表1。
表 1 坐标数据表
车辆ID | 时间戳 | 经度 | 纬度 | Link ID | 通过距离 | 线速度 |
e93e2532c87e0789e | 1480288802 | 120.40033 | 36.086 | 66320951 | 16 | 3.2 |
e93e2532c87e0789e | 1480288805 | 120.4005 | 36.08579 | 66320951 | 44 | 9.3 |
e93e2532c87e0789e | 1480288808 | 120.40055 | 36.08573 | 66320951 | 52 | 2.7 |
e93e2532c87e0789e | 1480288811 | 120.4006 | 36.08567 | 66320951 | 61 | 2.7 |
e93e2532c87e0789e | 1480288814 | 120.40064 | 36.08558 | 66320941 | 4 | 3.5 |
进一步地,所述link数据也可以是表格的形式,参见表2。
表 2 link数据表
计算单元111将所述坐标数据中的每个坐标点映射到所述Link数据中的对应Link,并计算映射后的每个坐标点到所述Link数据中的首条Link起点的距离的累加和。
在本发明的至少一个实施例中,所述计算单元111将所述坐标数据中的每个坐标点映射到所述Link数据中的对应Link包括:
从所述坐标数据中获取每个坐标点对应的Link ID;
根据所述Link ID确定每个坐标点对应的Link;
将每个坐标点垂直映射至每个坐标点对应的Link。
可以理解的是,由于车辆坐标点在交叉口范围低速行驶时易产生漂移与较大的误差,若直接通过坐标点计算相对行驶距离,则会产生较大误差,影响车辆排队长度估计的效果。为此,本实施例结合坐标数据和Link数据来进行纵向相对行驶距离的计算,通过link数据来计算相对行驶距离(即计算映射后的每个坐标点到所述Link数据中的首条Link起点的距离的累加和),且采用了垂直映射的方式,能够最大程度消除估计点在交叉口范围内低速行驶的横向漂移误差。
构建单元112获取所述车辆轨迹数据的时间戳,基于所述时间戳及所述累加和构建车辆时空轨迹图。
在本发明的至少一个实施例中,所述车辆时空轨迹图反映的是时间与距离的关系,所述车辆时空轨迹图能够为后续方案提供基础数据,图形的构建主要是为了方便数据的存储,因此,本发明对构建所述车辆时空轨迹图的方式不限制。
所述获取单元110响应于对具有稀疏轨迹的目标周期的车辆排队长度的确定指令,从所述车辆时空轨迹图中获取上一周期的集结波数据及消散波数据。
鉴于短时间内交通流的稳定特性,因此,本实施例获取上一周期的集结波数据及消散波数据对目标周期的车辆排队长度进行确定,以便结合历史已估计排队长度数据对处于稀疏状态的目标周期的排队长度进行修正,以提升准确度。
所述计算单元111根据所述集结波数据及所述消散波数据计算在所述上一周期内集结波与消散波的交点到停车线的第一距离。
在本实施例中,基于交通波理论,可详细描述车辆由于信号灯周期性变化而引起的排队集结与消散过程。当红灯启亮,到达车辆受红灯影响减速,靠近停车线车辆减速排队,并且排队逐渐向上游传播,形成所述集结波;当红灯结束,绿灯启亮时,排队车辆以饱和流率驶离交叉口,排队逐渐消散,形成所述消散波向上游传递。且所述消散波速度大于所述集结波,因此,在一段时间后,车辆排队到达距离停车线最远位置,此后排队完全消散。
在本发明的至少一个实施例中,所述计算单元111根据所述集结波数据及所述消散波数据计算在所述上一周期内集结波与消散波的交点到停车线的第一距离包括:
基于车辆运动学从所述集结波数据中确定至少一段集结波;
确定所述至少一段集结波中每段集结波的斜率及截距;
从所述消散波数据中获取所述消散波的斜率及截距;
根据每段集结波的斜率及截距,以及所述消散波的斜率及截距计算所述第一距离。
通过上述实施方式,计算集结波与消散波的交点到停车线的第一距离,用于后续估计最大排队长度。
具体地,所述计算单元111根据每段集结波的斜率及截距,以及所述消散波的斜率及截距计算所述第一距离包括:
确定每段集结波与所述停车线间的距离;
获取距离最短的集结波作为目标集结波;
获取所述目标集结波的目标斜率与目标截距;
计算所述消散波的截距与所述目标截距的第一差值,及计算所述目标斜率与所述消散波的斜率的第二差值;
计算所述第一差值与所述第二差值的商值,并计算所述商值与所述消散波的斜率的乘积;
确定所述停车线的纵向距离;
计算所述纵向距离与所述乘积的第三差值;
计算所述第三差值与所述消散波的截距的和作为所述第一距离。
通过上述实施方式,能够基于排队车辆构成的集结波及消散波计算所述第一距离。
所述计算单元111获取所述上一周期内的非排队车辆,计算每辆非排队车辆与所述停车线间的每个第二距离。
可以理解的是,所述第一距离是根据采集到的排队车辆的信息计算的,但是,在低饱和或交通到达波动大等稀疏轨迹的情况下,上述方式会将部分的非排队车辆估计成为排队车辆,即估计得到的排队长度总是大于或等于真实排队长度,因此,后续还要基于每个第二距离进行修正。
选择单元113选择所述第一距离与所述第二距离中的最短距离作为修正长度。通过上述实施方式,能够使用非排队车辆对排队长度的进行修正,得到所述修正长度,以消除预估的排队长度与真实排队长度间的误差。
填补单元114基于扩展卡尔曼滤波算法对所述修正长度进行缺失填补,得到所述目标周期的车辆排队长度。
在本发明的至少一个实施例中,所述填补单元114基于扩展卡尔曼滤波算法对所述修正长度进行缺失填补,得到所述目标周期的车辆排队长度包括:
确定作用于所述修正长度的状态变换矩阵;
根据所述状态变换矩阵与所述修正长度计算所述目标周期的先验预测值;
确定作用于所述修正长度的第一协方差;
根据所述第一协方差确定作用于所述先验预测值的第二协方差;
根据所述第二协方差计算所述目标周期的卡尔曼增益;
根据所述卡尔曼增益、所述先验预测值及所述修正长度计算所述车辆排队长度。
可以理解的是,若一个周期内采样排队车辆小于或者等于1辆(即产生了缺失周期的所述具有稀疏轨迹的目标周期),计算过程中会产生缺失值,造成对车辆排队长度的确定不准确。
通过上述实施方式,结合历史已估计排队长度数据,采用卡尔曼滤波对缺失周期的车辆排队长度进行填补。卡尔曼滤波基本思想是递推无偏最小均方误差估计,其根据前一个估计值和最新一个观测数据来估计当前最优值,用状态方程和递推方法进行估计,相对于现有技术中采用多重插值、EM算法等进行缺失值填补,卡尔曼滤波既能处理平滑数据,也能够处理波动较大的数据,具有无偏、线性、实时等特性。卡尔曼滤波是一个封闭的修正和反馈过程,通过计算预测值及对预测值修正,实现对目标周期的车辆排队长度的准确计算。
在本发明的至少一个实施例中,所述填补单元114采用下述公式根据所述状态变换矩阵与所述修正长度计算所述目标周期的先验预测值:
采用下述公式根据所述第一协方差确定作用于所述先验预测值的第二协方差:
所述填补单元114采用下述公式根据所述第二协方差计算所述目标周期的卡尔曼增益:
进一步地,所述填补单元114采用下述公式所述根据所述卡尔曼增益、所述先验预测值及所述修正长度计算所述车辆排队长度:
通过上述实施方式,即可通过扩展卡尔曼滤波对缺失周期的车辆排队长度进行填补,以实现对所述车辆排队长度的自动化确定,且对所述车辆排队长度的确定更加精确。
由以上技术方案可以看出,本发明能够连接指定平台,从所述指定平台获取车辆轨迹数据,从所述车辆轨迹数据中获取坐标数据及Link数据,将所述坐标数据中的每个坐标点映射到所述Link数据中的对应Link,并计算映射后的每个坐标点到所述Link数据中的首条Link起点的距离的累加和,结合坐标数据和Link数据计算映射后的每个坐标点到所述Link数据中的首条Link起点的距离的累加和,能够最大程度消除估计点在交叉口范围内低速行驶的横向漂移误差,获取所述车辆轨迹数据的时间戳,基于所述时间戳及所述累加和构建车辆时空轨迹图,响应于对具有稀疏轨迹的目标周期的车辆排队长度的确定指令,从所述车辆时空轨迹图中获取上一周期的集结波数据及消散波数据,根据所述集结波数据及所述消散波数据计算在所述上一周期内集结波与消散波的交点到停车线的第一距离,并获取所述上一周期内的非排队车辆,计算每辆非排队车辆与所述停车线间的每个第二距离,选择所述第一距离与所述第二距离中的最短距离作为修正长度,以使用非排队车辆对排队长度的进行修正,得到所述修正长度,以消除预估的排队长度与真实排队长度间的误差,基于扩展卡尔曼滤波算法对所述修正长度进行缺失填补,得到所述目标周期的车辆排队长度,以便通过卡尔曼滤波对缺失周期的车辆排队长度进行填补,实现对所述车辆排队长度的自动化确定,且对所述车辆排队长度的确定更加精确。
如图3所示,是本发明实现稀疏轨迹的车辆排队长度确定方法的较佳实施例的电子设备的结构示意图。
所述电子设备1可以包括存储器12、处理器13和总线,还可以包括存储在所述存储器12中并可在所述处理器13上运行的计算机程序,例如稀疏轨迹的车辆排队长度确定程序。
本领域技术人员可以理解,所述示意图仅仅是电子设备1的示例,并不构成对电子设备1的限定,所述电子设备1既可以是总线型结构,也可以是星形结构,所述电子设备1还可以包括比图示更多或更少的其他硬件或者软件,或者不同的部件布置,例如所述电子设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是,所述电子设备1仅为举例,其他现有的或今后可能出现的电子产品如可适应于本发明,也应包含在本发明的保护范围以内,并以引用方式包含于此。
其中,存储器12至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card, SMC)、安全数字(Secure Digital, SD)卡、闪存卡(Flash Card)等。进一步地,存储器12还可以既包括电子设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如稀疏轨迹的车辆排队长度确定程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是所述电子设备1的控制核心(Control Unit),利用各种接口和线路连接整个电子设备1的各个部件,通过运行或执行存储在所述存储器12内的程序或者模块(例如执行稀疏轨迹的车辆排队长度确定程序等),以及调用存储在所述存储器12内的数据,以执行电子设备1的各种功能和处理数据。
所述处理器13执行所述电子设备1的操作***以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个稀疏轨迹的车辆排队长度确定方法实施例中的步骤,例如图1所示的步骤。
示例性的,所述计算机程序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12中,并由所述处理器13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在所述电子设备1中的执行过程。例如,所述计算机程序可以被分割成获取单元110、计算单元111、构建单元112、选择单元113、填补单元114。
或者,所述处理器13执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能,例如:
连接指定平台,从所述指定平台获取车辆轨迹数据;
从所述车辆轨迹数据中获取坐标数据及Link数据;
将所述坐标数据中的每个坐标点映射到所述Link数据中的对应Link,并计算映射后的每个坐标点到所述Link数据中的首条Link起点的距离的累加和;
获取所述车辆轨迹数据的时间戳,基于所述时间戳及所述累加和构建车辆时空轨迹图;
响应于对具有稀疏轨迹的目标周期的车辆排队长度的确定指令,从所述车辆时空轨迹图中获取上一周期的集结波数据及消散波数据;
根据所述集结波数据及所述消散波数据计算在所述上一周期内集结波与消散波的交点到停车线的第一距离;
获取所述上一周期内的非排队车辆,计算每辆非排队车辆与所述停车线间的每个第二距离;
选择所述第一距离与所述第二距离中的最短距离作为修正长度;
基于扩展卡尔曼滤波算法对所述修正长度进行缺失填补,得到所述目标周期的车辆排队长度。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备,或者网络设备等)或处理器(processor)执行本发明各个实施例所述稀疏轨迹的车辆排队长度确定方法的部分。
所述电子设备1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示相关的硬件设备来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。
其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
进一步地,计算机可用存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,在图3中仅用一根箭头表示,但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器13逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
图3仅示出了具有组件12-13的电子设备1,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
结合图1,所述电子设备1中的所述存储器12存储多个指令以实现一种稀疏轨迹的车辆排队长度确定方法,所述处理器13可执行所述多个指令从而实现:
连接指定平台,从所述指定平台获取车辆轨迹数据;
从所述车辆轨迹数据中获取坐标数据及Link数据;
将所述坐标数据中的每个坐标点映射到所述Link数据中的对应Link,并计算映射后的每个坐标点到所述Link数据中的首条Link起点的距离的累加和;
获取所述车辆轨迹数据的时间戳,基于所述时间戳及所述累加和构建车辆时空轨迹图;
响应于对具有稀疏轨迹的目标周期的车辆排队长度的确定指令,从所述车辆时空轨迹图中获取上一周期的集结波数据及消散波数据;
根据所述集结波数据及所述消散波数据计算在所述上一周期内集结波与消散波的交点到停车线的第一距离;
获取所述上一周期内的非排队车辆,计算每辆非排队车辆与所述停车线间的每个第二距离;
选择所述第一距离与所述第二距离中的最短距离作为修正长度;
基于扩展卡尔曼滤波算法对所述修正长度进行缺失填补,得到所述目标周期的车辆排队长度。
具体地,所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能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,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种稀疏轨迹的车辆排队长度确定方法,其特征在于,所述稀疏轨迹的车辆排队长度确定方法包括:
连接指定平台,从所述指定平台获取车辆轨迹数据;
从所述车辆轨迹数据中获取坐标数据及Link数据;
将所述坐标数据中的每个坐标点映射到所述Link数据中的对应Link,并计算映射后的每个坐标点到所述Link数据中的首条Link起点的距离的累加和;
获取所述车辆轨迹数据的时间戳,基于所述时间戳及所述累加和构建车辆时空轨迹图;
响应于对具有稀疏轨迹的目标周期的车辆排队长度的确定指令,从所述车辆时空轨迹图中获取上一周期的集结波数据及消散波数据;
根据所述集结波数据及所述消散波数据计算在所述上一周期内集结波与消散波的交点到停车线的第一距离;
获取所述上一周期内的非排队车辆,计算每辆非排队车辆与所述停车线间的每个第二距离;
选择所述第一距离与所述第二距离中的最短距离作为所述具有稀疏轨迹的目标周期的车辆排队长度的修正长度;
基于扩展卡尔曼滤波算法对所述修正长度进行缺失填补,得到所述目标周期的车辆排队长度。
2.如权利要求1所述的稀疏轨迹的车辆排队长度确定方法,其特征在于,所述将所述坐标数据中的每个坐标点映射到所述Link数据中的对应Link包括:
从所述坐标数据中获取每个坐标点对应的Link ID;
根据所述Link ID确定每个坐标点对应的Link;
将每个坐标点垂直映射至每个坐标点对应的Link。
3.如权利要求1所述的稀疏轨迹的车辆排队长度确定方法,其特征在于,所述根据所述集结波数据及所述消散波数据计算在所述上一周期内集结波与消散波的交点到停车线的第一距离包括:
基于车辆运动学从所述集结波数据中确定至少一段集结波;
确定所述至少一段集结波中每段集结波的斜率及截距;
从所述消散波数据中获取所述消散波的斜率及截距;
根据每段集结波的斜率及截距,以及所述消散波的斜率及截距计算所述第一距离。
4.如权利要求3所述的稀疏轨迹的车辆排队长度确定方法,其特征在于,所述根据每段集结波的斜率及截距,以及所述消散波的斜率及截距计算所述第一距离包括:
确定每段集结波与所述停车线间的距离;
获取距离最短的集结波作为目标集结波;
获取所述目标集结波的目标斜率与目标截距;
计算所述消散波的截距与所述目标截距的第一差值,及计算所述目标斜率与所述消散波的斜率的第二差值;
计算所述第一差值与所述第二差值的商值,并计算所述商值与所述消散波的斜率的乘积;
确定所述目标集结波与所述消散波的交点到所述停车线的距离作为纵向距离;
计算所述纵向距离与所述乘积的第三差值;
计算所述第三差值与所述消散波的截距的和作为所述第一距离。
5.如权利要求1所述的稀疏轨迹的车辆排队长度确定方法,其特征在于,所述基于扩展卡尔曼滤波算法对所述修正长度进行缺失填补,得到所述目标周期的车辆排队长度包括:
确定作用于所述修正长度的状态变换矩阵;
根据所述状态变换矩阵与所述修正长度计算所述目标周期的先验预测值;
确定作用于所述修正长度的第一协方差;
根据所述第一协方差确定作用于所述先验预测值的第二协方差;
根据所述第二协方差计算所述目标周期的卡尔曼增益;
根据所述卡尔曼增益、所述先验预测值及所述修正长度计算所述车辆排队长度。
6.如权利要求5所述的稀疏轨迹的车辆排队长度确定方法,其特征在于,采用下述公式根据所述状态变换矩阵与所述修正长度计算所述目标周期的先验预测值:
采用下述公式根据所述第一协方差确定作用于所述先验预测值的第二协方差:
p(J|J-1)=Ap(J-1|J-1)A′+ω
其中,p(J|J-1)表示所述第二协方差,p(J-1|J-1)表示所述第一协方差,A′表示所述状态变换矩阵的转置,ω表示状态过程的噪声的协方差矩阵;
采用下述公式根据所述第二协方差计算所述目标周期的卡尔曼增益:
其中,Kg(J)表示所述卡尔曼增益,H表示系数矩阵,H′表示所述系数矩阵的转置,ε表示测量过程中的噪声的协方差矩阵。
8.一种稀疏轨迹的车辆排队长度确定装置,其特征在于,所述稀疏轨迹的车辆排队长度确定装置包括:
获取单元,用于连接指定平台,从所述指定平台获取车辆轨迹数据;
所述获取单元,还用于从所述车辆轨迹数据中获取坐标数据及Link数据;
计算单元,用于将所述坐标数据中的每个坐标点映射到所述Link数据中的对应Link,并计算映射后的每个坐标点到所述Link数据中的首条Link起点的距离的累加和;
构建单元,用于获取所述车辆轨迹数据的时间戳,基于所述时间戳及所述累加和构建车辆时空轨迹图;
所述获取单元,还用于响应于对具有稀疏轨迹的目标周期的车辆排队长度的确定指令,从所述车辆时空轨迹图中获取上一周期的集结波数据及消散波数据;
所述计算单元,还用于根据所述集结波数据及所述消散波数据计算在所述上一周期内集结波与消散波的交点到停车线的第一距离;
所述计算单元,还用于获取所述上一周期内的非排队车辆,计算每辆非排队车辆与所述停车线间的每个第二距离;
选择单元,用于选择所述第一距离与所述第二距离中的最短距离作为所述具有稀疏轨迹的目标周期的车辆排队长度的修正长度;
填补单元,用于基于扩展卡尔曼滤波算法对所述修正长度进行缺失填补,得到所述目标周期的车辆排队长度。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现如权利要求1至7中任意一项所述的稀疏轨迹的车辆排队长度确定方法。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的稀疏轨迹的车辆排队长度确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010695697.4A CN111739299B (zh) | 2020-07-20 | 2020-07-20 | 稀疏轨迹的车辆排队长度确定方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010695697.4A CN111739299B (zh) | 2020-07-20 | 2020-07-20 | 稀疏轨迹的车辆排队长度确定方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111739299A CN111739299A (zh) | 2020-10-02 |
CN111739299B true CN111739299B (zh) | 2020-11-17 |
Family
ID=72654970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010695697.4A Active CN111739299B (zh) | 2020-07-20 | 2020-07-20 | 稀疏轨迹的车辆排队长度确定方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111739299B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113012430A (zh) * | 2021-02-23 | 2021-06-22 | 西南交通大学 | 一种车辆排队长度检测方法、装置、设备及可读存储介质 |
CN113032425A (zh) * | 2021-03-04 | 2021-06-25 | 武汉理工大学 | 一种交叉口排队长度估计方法及装置 |
CN113256961B (zh) * | 2021-06-25 | 2022-05-24 | 上海交通大学 | 基于车辆编队的路口自主车辆调度与控制方法 |
CN115472007B (zh) * | 2022-08-29 | 2024-04-12 | 北京掌行通信息技术有限公司 | 一种车辆排队长度预测方法、装置、存储介质及终端 |
CN116704750B (zh) * | 2023-05-06 | 2024-01-12 | 浙江大学 | 一种基于聚类算法的交通状态识别方法、电子设备、介质 |
CN117437581B (zh) * | 2023-12-20 | 2024-03-01 | 神思电子技术股份有限公司 | 基于图像语义分割和视角缩放的机动车拥堵长度计算方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102376162A (zh) * | 2011-09-28 | 2012-03-14 | 东南大学 | 交叉口出口道的路内停车带与交叉口最佳距离设置方法 |
CN106355907A (zh) * | 2016-10-18 | 2017-01-25 | 同济大学 | 基于车辆轨迹的信号控制交叉口排队长度实时估计方法 |
CN107123276A (zh) * | 2016-08-25 | 2017-09-01 | 苏州华川交通科技有限公司 | 利用低抽样率gps数据的交叉口车辆排队长度估算方法 |
CN108053645A (zh) * | 2017-09-12 | 2018-05-18 | 同济大学 | 一种基于轨迹数据的信号交叉口周期流量估计方法 |
CN108399741A (zh) * | 2017-10-17 | 2018-08-14 | 同济大学 | 一种基于实时车辆轨迹数据的交叉口流量估计方法 |
CN108665704A (zh) * | 2018-05-17 | 2018-10-16 | 北京航空航天大学 | 基于众包轨迹数据的交叉口周期最大排队长度估计方法 |
CN108765981A (zh) * | 2018-06-20 | 2018-11-06 | 昆明理工大学 | 一种分车道实时排队长度预测方法 |
CN110335459A (zh) * | 2019-04-26 | 2019-10-15 | 同济大学 | 低渗透率车辆轨迹数据的交叉口排队长度估计方法及装置 |
CN110415520A (zh) * | 2019-07-30 | 2019-11-05 | 西南交通大学 | 一种路段施工区背景下基于交通波的干线协调控制方法 |
CN111402578A (zh) * | 2020-02-28 | 2020-07-10 | 平安国际智慧城市科技股份有限公司 | 基于轨迹监测的共享车辆监控方法、装置和计算机设备 |
-
2020
- 2020-07-20 CN CN202010695697.4A patent/CN111739299B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102376162A (zh) * | 2011-09-28 | 2012-03-14 | 东南大学 | 交叉口出口道的路内停车带与交叉口最佳距离设置方法 |
CN107123276A (zh) * | 2016-08-25 | 2017-09-01 | 苏州华川交通科技有限公司 | 利用低抽样率gps数据的交叉口车辆排队长度估算方法 |
CN106355907A (zh) * | 2016-10-18 | 2017-01-25 | 同济大学 | 基于车辆轨迹的信号控制交叉口排队长度实时估计方法 |
CN108053645A (zh) * | 2017-09-12 | 2018-05-18 | 同济大学 | 一种基于轨迹数据的信号交叉口周期流量估计方法 |
CN108399741A (zh) * | 2017-10-17 | 2018-08-14 | 同济大学 | 一种基于实时车辆轨迹数据的交叉口流量估计方法 |
CN108665704A (zh) * | 2018-05-17 | 2018-10-16 | 北京航空航天大学 | 基于众包轨迹数据的交叉口周期最大排队长度估计方法 |
CN108765981A (zh) * | 2018-06-20 | 2018-11-06 | 昆明理工大学 | 一种分车道实时排队长度预测方法 |
CN110335459A (zh) * | 2019-04-26 | 2019-10-15 | 同济大学 | 低渗透率车辆轨迹数据的交叉口排队长度估计方法及装置 |
CN110415520A (zh) * | 2019-07-30 | 2019-11-05 | 西南交通大学 | 一种路段施工区背景下基于交通波的干线协调控制方法 |
CN111402578A (zh) * | 2020-02-28 | 2020-07-10 | 平安国际智慧城市科技股份有限公司 | 基于轨迹监测的共享车辆监控方法、装置和计算机设备 |
Non-Patent Citations (3)
Title |
---|
A Bayesian approach for estimating vehicle queue lengths at signalized intersections using probe vehicle data;Yu Mei,et al;《Transportation Research Part C》;20191108;参见期刊第233-249页 * |
Cycle-Based Queue Length Estimation for Signalized Intersections Using Sparse Vehicle Trajectory Data;Chaopeng Tan,et al;《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》;20191231;期刊论文第1-16页 * |
Sampled Trajectory Data-Driven Method of Cycle-Based Volume Estimation for Signalized Intersections by Hybridizing Shockwave Theory and Probability Distribution;Jiarong Yao,etal;《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》;20200630;第21卷(第6期);参见期刊第2615-2627页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111739299A (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111739299B (zh) | 稀疏轨迹的车辆排队长度确定方法、装置、设备及介质 | |
CN107945507B (zh) | 行程时间预测方法及装置 | |
EP2681512B1 (en) | Vehicle route calculation | |
CN110969857B (zh) | 一种交通信息处理方法及装置 | |
TW201933157A (zh) | 用於監控交通壅塞的系統和方法 | |
CN101751777A (zh) | 基于空间聚类分析的城市路网交通小区动态划分方法 | |
CN103295414A (zh) | 一种基于海量历史gps轨迹数据的公交车到站时间预测方法 | |
CN102708698A (zh) | 基于车联网的车辆最优路径导航方法 | |
CN113763700B (zh) | 信息处理方法、装置、计算机设备及存储介质 | |
CN108335483B (zh) | 交通拥堵扩散路径的推断方法及其*** | |
CN104424812A (zh) | 一种公交到站时间预测***和方法 | |
CN109360416A (zh) | 道路交通预测方法及服务器 | |
Ram et al. | SMARTBUS: A web application for smart urban mobility and transportation | |
CN106767879A (zh) | 停车导航方法及*** | |
CN114201482A (zh) | 人口动态分布统计方法、装置、电子设备及可读存储介质 | |
CN113066302B (zh) | 车辆信息预测方法、装置及电子设备 | |
US20220227388A1 (en) | Method and apparatus for determining green wave speed, and storage medium | |
US20170193405A1 (en) | System for dispatching a driver | |
CN115164922A (zh) | 一种路径规划方法、***、设备及存储介质 | |
CN104599161A (zh) | 基于客户端的gps坐标点对订单进行计价的方法和设备 | |
CN111141302B (zh) | 车辆驾驶到达时间的预估方法、装置及电子设备 | |
CN111812689A (zh) | 基于gps轨迹的用户行为分析方法、装置、电子设备及介质 | |
CN111613052B (zh) | 一种交通状况确定方法、装置、电子设备及存储介质 | |
CN111047107A (zh) | 公路通行时间预测方法、装置、电子设备和存储介质 | |
CN113808388A (zh) | 综合考虑小汽车和公共交通运行的交通拥堵分析方法 |
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 |