CN111882860B - 车道调整方法和装置 - Google Patents

Abstract

本申请公开了一种车道调整方法和装置，涉及智能交通技术和深度学习领域，其中，方法包括：响应于接收到的信控设备的绿灯信号，确定与绿灯信号对应的目标流向，在绿灯周期内获取通过与目标流向对应的交通路口的车辆通行轨迹特征；将车辆通行轨迹特征输入预先训练的饱和车头时距模型，以获取目标流向的饱和流率；根据饱和流率调整所述目标流向的车道数量。由此，实现了智能化的车道流向的确定，使得车道的流向设置符合真实的交通情况，保证了交通畅通。

Description

车道调整方法和装置

技术领域

本申请涉及数据处理中的智能交通技术领域，尤其涉及一种车

道调整方法和装置。

背景技术

随着车辆保有量的增加，城市交通道路发展越来越快，为了满

足行人和车辆，以及不同车辆的交通需求，会设置不同流向的车道

来控制交通运行。

然而，由于道路通行情况瞬息万变，若是车道流向的设置不合

理，则可能会导致道路拥挤，甚至会引发交通事故，相关技术中，

仅仅根据人工经验设定车道的方向和数量，可能导致车道与实际交

通情况误差较大。

发明内容

本申请提供了一种车道调整方法和装置，以实现了智能化的车道流向的确定，使得车道的流向设置符合真实的交通情况，保证了交通畅通。

根据第一方面，提供了一种车道调整方法，包括：响应于接收到的信控设备的绿灯信号，确定与所述绿灯信号对应的目标流向；在绿灯周期内获取通过与所述目标流向对应的交通路口的车辆通行轨迹特征；将所述车辆通行轨迹特征输入预先训练的饱和车头时距模型，获取所述目标流向的饱和车头时距；根据所述饱和车头时距确定所述目标流向的饱和流率，并根据所述饱和流率计算所述目标流向的车道数量的调整值。

可选的，在所述将所述车辆通行轨迹特征输入预先训练的饱和车头时距模型之前，还包括：获取所述目标流向的视频轨迹，分析所述视频轨迹提取携带时间特征和位置特征的样本GPS数据；将所述时间特征与所述信控设备的绿灯时间进行对比，获取满足绿灯通行时间的目标GPS数据；分析所述目标GPS数据的位置特征提取车辆通行样本轨迹特征，并按照预设算法计算与所述车辆通行样本轨迹特征对应的饱和车头时距真值；根据预设的目标函数对所述车辆通行样本轨迹特征对应的饱和车头时距真值进行训练，获取对应的模型参数，根据所述模型参数生成所述饱和车头时距模型。

可选的，在将所述时间特征与所述信控设备的绿灯时间进行对比之前，还包括：根据所述时间特征和位置特征，确定对应的样本GPS数据是否满足预设的正常行驶条件；删除不满足所述正常行驶条件的样本GPS数据。

可选的，所述分析所述目标GPS数据的位置特征提取车辆通行样本轨迹特征，包括：根据所述位置特征提取所述目标GPS数据对应的车辆，经过停车线的瞬时速度；根据所述位置特征提取所述目标GPS数据对应的车辆，经预设参考位置的瞬时速度；根据所述位置特征提取所述目标GPS数据对应的车辆，在停车线内部的稳定速度。

可选的，所述根据所述饱和流率调整所述目标流向的车道数量，包括：获取所述目标流向所属的交通道路中所有道路的饱和流率，并判断所述所有道路中是否包含所述饱和流率大于预设阈值的参考道路；若包含所述参考道路，则计算所述目标流向的饱和流率和预设标准饱和流率的差值；根据所述差值计算所述目标流向的车道数量的调整值。

本申请第二方面，提供了一种车道调整装置，包括：确定模块，用于响应于接收到的信控设备的绿灯信号，确定与所述绿灯信号对应的目标流向；第一获取模块，用于在绿灯周期内获取通过与所述目标流向对应的交通路口的车辆通行轨迹特征；第二获取模块，用于将所述车辆通行轨迹特征输入预先训练的饱和车头时距模型，获取所述目标流向的饱和车头时距；调整模块，用于根据所述饱和车头时距确定所述目标流向的饱和流率，并根据所述饱和流率计算所述目标流向的车道数量的调整值。

可选的，还包括：分析模块，用于获取所述目标流向的视频轨迹，分析所述视频轨迹提取携带时间特征和位置特征的样本GPS数据；第三获取模块，用于将所述时间特征与所述信控设备的绿灯时间进行对比，获取满足绿灯通行时间的目标GPS数据；计算模块，用于分析所述目标GPS数据的位置特征提取车辆通行样本轨迹特征，并按照预设算法计算与所述车辆通行样本轨迹特征对应的饱和车头时距真值；第四获取模块，用于根据预设的目标函数对所述车辆通行样本轨迹特征对应的饱和车头时距真值进行训练，获取对应的模型参数，根据所述模型参数生成所述饱和车头时距模型。

可选的，所述调整模块，具体用于：获取所述目标流向所属的交通道路中所有道路的饱和流率，并判断所述所有道路中是否包含所述饱和流率大于预设阈值的参考道路；若包含所述参考道路，则计算所述目标流向的饱和流率和预设标准饱和流率的差值；根据所述差值计算所述目标流向的车道数量的调整值。

本申请第三方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述实施例描述的车道调整方法。

本申请第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行上述实施例描述的车道调整方法。

本申请实施例提供的技术方案，包括如下技术效果：

当目标流向的信控设备为绿灯信号时，在绿灯周期内获取目标流向上通过交通路口的车辆通行轨迹特征，将车辆通行轨迹特征输入预先训练的饱和车头时距模型，以取目标流向的饱和流率，进而，根据饱和流率调整目标流向的车道数量。由此，实现了智能化的信号周期车道流向的确定，使得信号周期车道的流向设置不但符合真实的交通情况，而且精度较高保证了交通畅通。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是根据本申请第一实施例的车道调整方法的流程示意图；

图2-1是根据本申请第二实施例的交通路口通行场景示意图；

图2-2是根据本申请第三实施例的稳定速度确定场景示意图；

图3是根据本申请第四实施例的车道调整方法的流程示意图；

图4是根据本申请第五实施例的车道调整场景示意图；

图5是根据本申请第六实施例的车道调整装置的结构示意图；

图6是根据本申请第七实施例的车道调整装置的结构示意图；

图7是用来实现本申请实施例的车道调整方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

为了解决上述背景技术中提到的，人工设置车道，导致设置效率低，以及设置准确率不高的技术问题，本申请提出一种车道设置方法，在本方法中，可以基于地图的GPS轨迹数据提取车辆的多种通行特征，可以将其通过机器学习的计算方式，配合视频检测得到了饱和流率的真值，并加以训练，训练好的模型可获得获取较好的车道的调整效果，经实验验证，准确率超过90％。

具体而言，图1是根据本申请一个实施例的车道调整方法的流程图，如图1所示，该方法包括：

步骤101，响应于接收到的信控设备的绿灯信号，确定与绿灯信号对应的目标流向。

步骤102，在绿灯周期内获取通过与目标流向对应的交通路口的车辆通行轨迹特征。

其中，本实施例中的目标流向为绿灯指示通行的流向，绿灯周期为绿灯点亮时长对应的周期，与目标流向对应的交通路口为信控设备下，指示通行的目标流向下的路口。举例而言，如图2-1所示，当信控设备为绿灯信号对应于东西流向时，则目标流向为东西方向，交通路口为信控设备所在位置上的东西流向对应的通行路口。继续参照图2-1，当东西流向下的信控设备为绿灯信号(图中以灰色表示对应的信控灯点亮状态)，在时长为60秒的控制周期内(每个控制周期由一个绿灯周期和一个红灯周期组成)，绿灯在该控制周期的第21秒时开启直至在60秒时关闭，则对应的绿灯周期为在控制周期内绿灯点亮的时间，在本示例中，绿灯周期为40秒。

在一个实施例中，当目标流向的信控设备绿灯信号时，获取在绿灯周期通过目标流向下的交通路口的车辆通行轨迹特征。其中，上述通行轨迹特征可以包括：在绿灯信号时刻距离停车线位置、经过停车线所需要的时间、由静止到达到稳定速度的加速度大小、稳定速度大小、车辆通过停车线时的速度、车辆过停车线在路口内部的速度、车辆驶过停车线在穿过路口时的速度、车辆在不同的路段参考点(比如下游路段200米之前)的速度、车辆的尺寸、车辆由稳定速度转为停车时的加速度(负值)等中的一种或多种。

需要说明的是，在不同的应用场景下，获取在绿灯周期通过交通路口的车辆通行轨迹特征的方式不同，示例如下：

示例一：

在本示例中，提取绿灯周期内车辆通过交通路口的视频图像，根据视频图像来提取对应的车辆通行轨迹特征，举例而言，当车辆通行轨迹特征包括车辆的稳定速度，分析的是车辆A的稳定速度时，则如图2-2所示，假设该绿灯周期内包含100帧视频帧，则根据100帧视频中，车辆A的行驶的距离在相邻视频帧之间的变化情况，当视频帧时间的行驶距离稳定即不变化时，比如，视频帧50-53帧之间，连续3个周期的视频帧对应的行驶距离都几乎相等，则，认为在50帧时，车辆A达到稳定速度，从而，根据邻近帧之间的行驶距离和对应的时间差，计算出该稳定速度。

示例二:

在本示例中，根据在绿灯周期内，检测到的车辆的位置信息和重量信息，基于每个车辆的重量是之间的差别，或者是车轮之间的相互位置，识别同属于一个车辆的车轮行驶在路面的位置和行驶路段的距离，确定车辆通行轨迹特征。

步骤103，将车辆通行轨迹特征输入预先训练的饱和车头时距模型，获取目标流向的饱和车头时距。

可以理解，预先根据大量实验数据训练饱和车头时距模型，该饱和车头时距模型可以根据输入的车辆通行轨迹特征输出饱和车头时距，其中，饱和车头时距是评价驾驶安全的重要指标，是反应车道设置合理性的重要依据，饱和车头时距，代表着前后两辆车的前端在车流稳定时，通过同一地点的时间差，一般可使用前后车的车头间距除以后车速度来计算，饱和车头时距表示对应的交通路口下，相邻车辆经过停车线的时间差的稳定值。

具体而言，如图3所示，训练饱和车头时距模型可以采用机器学习、深度学习等多种技术，具体方法包括：

步骤201，获取目标流向的视频轨迹，分析视频轨迹提取携带时间特征和位置特征的样本GPS数据。

具体的，获取目标流向的视频轨迹，该视频轨迹中是包含车流图像信息的视频图像，分析视频轨迹提取携带时间特征和位置特征的样本GPS数据，其中，位置特征是车辆的相对停车线等道路标志的特征，时间特征指的是绿灯的各个阶段的特征，简单来说可以是信号灯为绿灯的时间特征，该时间特征可以根据视频中的信号灯的颜色特征分析得到，也可以理解，在本实施例中，提取包含时间特征和位置特征的样本GPS数据。其中，样本GPS数据可以为包含GPS定位数据的视频图像，后续分析时提取视频图像的位置信息，也可以是对应的包含车辆位置的具体数据，该车辆位置可以是车头距离停车线的距离、车尾和车头时间的长度等等。

步骤202，将时间特征与信控设备的绿灯时间进行对比，获取满足绿灯通行时间的目标GPS数据。

其中，绿灯时间可以包括绿灯开启时刻、绿灯周期时刻、绿灯停止时刻等，将时间特征对应的视频帧的拍摄时间点与上述绿灯开启的各个阶段时刻对应起来，确定满足绿灯通行时间的目标GPS数据，其中，目标GPS数据对应的GPS数据与上述绿灯开启的各个阶段时刻对应。

当然，在实际执行过程中，可能有一些GPS数据长时间无打点、倒车、异常停车等异常轨迹数据，因此，为了去除这些噪声数据，本实施例中，还根据时间特征和位置特征，确定对应的样本GPS数据是否满足预设的正常行驶条件，该正常行驶条件包括上述提到的长时间无打点、倒车、异常停车等行驶轨迹，进而删除不满足正常行驶条件的样本GPS数据。

举例而言，当正常行驶条件为无异常停车时，则根据样本GPS数据提取目标流向的车辆在不同的时间点的位置是否变化，若不变化，且对应的时间在绿灯开启时刻，则认为该车辆可以存在异常停车行为，从而，删除该车辆对应的样本GPS数据。

步骤203，分析目标GPS数据的位置特征提取车辆通行样本轨迹特征，并按照预设算法计算与车辆通行样本轨迹特征对应的饱和车头时距真值。

在一些可能的示例中，分析目标GPS数据的位置特征提取车辆通行样本轨迹特征，与上述实施例对应的，该样本轨迹特征的提取过程可以是根据位置特征提取目标GPS数据对应的车辆，在绿灯开启时刻与停车线的距离，根据位置特征提取目标GPS数据对应的车辆，经过停车线的速度，根据位置特征提取目标GPS数据对应的车辆，在停车线内部的形行驶速度，根据位置特征提取目标GPS数据对应的车辆，在停车线内部的稳定速度，以及根据位置特征提取目标GPS数据由静止达到稳定速度的加速度等，上述车辆通行样本轨迹特征的提取方式可以参考车辆通行轨迹特征的获取方式。

举例而言，当车辆通行样本轨迹特征为绿灯开启时刻距离停车线的距离时，则提取绿灯开启时刻对应的目标GPS数据，提取目标GPS数据中车头和停车线的距离。

进而，按照预设的算法计算与车辆通行样本轨迹特征对应的饱和车头时距真值，该预设的算法在不同的应用场景下可不同，在一些可能的示例中，获取当前绿灯周期内，相邻车辆的车头通过停车线的时间点，计算相邻车辆对应的时间点的差值，确定差值稳定时通过的车辆的数量，根据该数量确定对应的饱和车头时距真值。

步骤204，根据预设的目标函数对车辆通行样本轨迹特征对应的饱和流率真值进行训练，获取对应的模型参数，根据模型参数生成饱和流率模型。

具体的，预先标注车辆通行样本轨迹特征和饱和流率的对应关系，根据预设的目标函数对车辆通行样本轨迹特征对应的饱和流率真值进行训练，获取对应的模型参数，根据模型参数生成饱和流率模型。

步骤104，根据饱和车头时距确定目标流向的饱和流率，并根据饱和流率计算目标流向的车道数量的调整值。

在一个实施例中，根据饱和车头时距确定目标流向的饱和流率，其中，饱和流率可以理解为每小时通过交通路口的车辆数，在实际计算时，可将3600/饱和车头时距的比值作为饱和流率，根据饱和流率来计算目标流向的车道数量的调整值，其中，该调增值可以为正值也可以为负值，为正值时可理解为目标流向下车道数量的增加值，为负值时可理解为目标流向下车道数量的减少值，在目标流向的车道数量的调整值确定后，可以由相关人员实现车道流向的调整，以保证对应目标流向的车辆可以在绿灯时间内通过，保障交通畅通。此处的饱和流率指的是，在绿灯周期内，一次可以通过停车线的折算为标准小轿车的最大车辆数。

需要说明的是，在不同的应用场景下，根据饱和流率计算目标流向的车道数量的调整值的方式不同，示例如下：

示例一：

在本示例中，获取目标流向所属的交通道路中所有道路的饱和流率，并判断所有道路中是否包含饱和流率大于预设阈值的参考道路，其中预设阈值根据实验数据和交通路口的地理位置确定，当饱和流率大于该预设阈值，表明该车道已经处于过饱和的状态，可能会出现车道闲置的情况，从而，若包含参考道路，则计算目标流向的饱和流率和预设标准饱和流率的差值，根据差值计算目标流向下的车道数量的调整值，比如，将差值作为该调整值，或者预先构建差值和调整值的对应关系，查询该对应关系，获取与差值对应的调整值，进而，可以将参考道路中的至少部分道路的流向，其中，至少部分对应的数量可以为小于等于调整值的任意数，将至少部分参考道路的流向调整为目标流向。也可以理解，在本实施例中，协调车道之间的流向，对车辆经过较少的车道降低数量，对车辆经过较多的车道提高数量。

举例而言，如图4左图所示，当目标流向所属的交通道路为7车道，编号为1-8，则若是目标流向的车道对应的编号为8，目标流向为南直，第1个车道对应的流向为北左，第2-4个车道对应的流向为北直，第5个车道的流向为南右，第6-7个车道为南直，第8个车道为南右，则确定第2-4个车道对应的流向的饱和流率较高，则确定该流向的车道为参考车道，计算出7车道的饱和流率和标准饱和流率的差值，确定调整值为1，则参照图4右图，将参考车道4的流向修改为南直。

示例二：

在本示例中，得到目标流向的饱和流率后，获取车辆由静止速度达到稳定速度的平均时长，该平均时长越长，表示对应流向下的车道越是拥挤，根据预设的对应关系，确定与该平均时长对应的系数，根据饱和流率和该系数的乘积值，确定目标流向的理论车道数量，根据该理论车道数量和实际车道数量的差值确定调整值，进而，根据调整值来指导有关技术人员调整车道数量。

当然，在实际执行过程中，可能车道的数量不能调整，比如其他车道也比较拥挤等，这种情况，可以调整信控灯的绿灯通行时长，即预先构建饱和流率和信号灯周期的时间对应关系，根据该对应关系确定出对应的信号灯周期。

综上，本申请实施例的车道调整方法，当目标流向的信控设备绿灯启亮时，在绿灯周期内获取目标流向上通过交通路口的车辆通行轨迹特征，将车辆通行轨迹特征输入预先训练的饱和车头时距模型，以获取目标流向的饱和流率，进而，根据饱和流率调整目标流向的车道数量。由此，实现了智能化的信号周期车道流向的确定，使得信号周期车道的流向设置不但符合真实的交通情况，而且精度较高保证了交通畅通。

为了实现上述实施例，本申请还提出了一种车道调整装置，图5是根据本申请一个实施例的车道调整装置的结构示意图，如图5所示，该车道调整装置包括：确定模块10、第一获取模块20、第二获取模块30、调整模块40，其中，

确定模块10，用于响应接收到的信控设备的绿灯信号，确定与绿灯信号对应的目标流向；

第一获取模块20，用于在绿灯周期内获取与目标流向对应的交通路口的车辆通行轨迹特征；

第二获取模块30，用于将车辆通行轨迹特征输入预先训练的饱和车头时距模型，获取目标流向的饱和车头时距；

调整模块40，用于根据饱和车头时距确定饱和流率，并将车辆通行轨迹特征输入预先训练的饱和车头时距模型，并根据饱和流率计算目标流向的车道数量的调整值。

在本申请的一个实施例中，如图6所示，在如图5所示的基础上，该装置还包括：分析模块50、第三获取模块60、计算模块70和第四获取模块80，其中，

分析模块50，用于获取目标流向的视频轨迹，分析视频轨迹提取携带时间特征和位置特征的样本GPS数据；

第三获取模块60，用于将时间特征与信控设备的绿灯时间进行对比，获取满足绿灯通行时间的目标GPS数据；

计算模块70，用于分析目标GPS数据的位置特征提取车辆通行样本轨迹特征，并按照预设算法计算与车辆通行样本轨迹特征对应的饱和车头时距真值；

第四获取模块80，用于根据预设的目标函数对车辆通行样本轨迹特征对应的饱和车头时距真值进行训练，获取对应的模型参数，根据模型参数生成饱和车头时距模型在本申请的一个实施例中，调整模块40具体用于：

获取目标流向所属的交通道路中所有道路的饱和流率，并判断所有道路中是否包含饱和流率大于预设阈值的参考道路；

若包含参考道路，则计算目标流向的饱和流率和预设标准饱和流率的差值；

根据差值计算目标流向的车道数量的调整值。

需要说明的是，前述对车道调整方法的解释说明，也适用于本申请实施例的车道调整装置，其实现原理类似，在此不再赘述。

综上，本申请实施例的车道调整装置，当目标流向的信控设备绿灯启亮时，在绿灯周期内获取目标流向上通过交通路口的车辆通行轨迹特征，将车辆通行轨迹特征输入预先训练的饱和车头时距模型，获取目标流向的饱和流率，进而，根据饱和流率调整目标流向的车道数量。由此，实现了智能化的信号周期车道流向的确定，使得信号周期车道的流向设置不但符合真实的交通情况，而且精度较高保证了交通畅通。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图7所示，是根据本申请实施例的车道调整的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图7所示，该电子设备包括：一个或多个处理器701、存储器702，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器***)。图7中以一个处理器701为例。

存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的车道调整的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的车道调整的方法。

存储器702作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的车道调整的方法对应的程序指令/模块(例如，附图3所示的确定模块10、第一获取模块20、第二获取模块30、调整模块40)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的车道调整的方法。

存储器702可以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***、至少一个功能所需要的应用程序；存储数据区可存储根据执行车道调整方法的电子设备的使用所创建的数据等。此外，存储器702可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至执行车道调整方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

执行车道调整的方法的电子设备还可以包括：输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接，图7中以通过总线连接为例。

输入装置703可接收输入的数字或字符信息，以及产生与车道调整的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (8)

1.一种车道调整方法，其特征在于，包括：

响应于接收到的信控设备的绿灯信号，确定与所述绿灯信号对应的目标流向；

在绿灯周期内获取通过与所述目标流向对应的交通路口的车辆通行轨迹特征；

将所述车辆通行轨迹特征输入预先训练的饱和车头时距模型，获取所述目标流向的饱和车头时距；

根据所述饱和车头时距确定所述目标流向的饱和流率，并根据所述饱和流率计算所述目标流向的车道数量的调整值；

在所述将所述车辆通行轨迹特征输入预先训练的饱和车头时距模型之前，还包括：

获取所述目标流向的视频轨迹，分析所述视频轨迹提取携带时间特征和位置特征的样本GPS数据；

将所述时间特征与所述信控设备的绿灯时间进行对比，获取满足绿灯通行时间的目标GPS数据；

分析所述目标GPS数据的位置特征提取车辆通行样本轨迹特征，并按照预设算法计算与所述车辆通行样本轨迹特征对应的饱和车头时距真值；

根据预设的目标函数对所述车辆通行样本轨迹特征对应的饱和车头时距真值进行训练，获取对应的模型参数，根据所述模型参数生成所述饱和车头时距模型。

2.如权利要求1所述的方法，其特征在于，在将所述时间特征与所述信控设备的绿灯时间进行对比之前，还包括：

根据所述时间特征和位置特征，确定对应的样本GPS数据是否满足预设的正常行驶条件；

删除不满足所述正常行驶条件的样本GPS数据。

3.如权利要求1所述的方法，其特征在于，所述分析所述目标GPS数据的位置特征提取车辆通行样本轨迹特征，包括：

根据所述位置特征提取所述目标GPS数据对应的车辆，经过停车线的瞬时速度；

根据所述位置特征提取所述目标GPS数据对应的车辆，经预设参考位置的瞬时速度；

根据所述位置特征提取所述目标GPS数据对应的车辆，在停车线内部的稳定速度。

4.如权利要求1所述的方法，其特征在于，所述根据所述饱和流率计算所述目标流向的车道数量的调整值，包括：

获取所述目标流向所属的交通道路中所有道路的饱和流率，并判断所述所有道路中是否包含所述饱和流率大于预设阈值的参考道路；

若包含所述参考道路，则计算所述目标流向的饱和流率和预设标准饱和流率的差值；

根据所述差值计算所述目标流向的车道数量的调整值。

5.一种车道调整装置，其特征在于，包括：

确定模块，用于响应于接收到的信控设备的绿灯信号，确定与所述绿灯信号对应的目标流向；

第一获取模块，用于在绿灯周期内获取通过与所述目标流向对应的交通路口的车辆通行轨迹特征；

第二获取模块，用于将所述车辆通行轨迹特征输入预先训练的饱和车头时距模型，获取所述目标流向的饱和车头时距；

调整模块，用于根据所述饱和车头时距确定所述目标流向的饱和流率，并根据所述饱和流率计算所述目标流向的车道数量的调整值；

分析模块，用于获取所述目标流向的视频轨迹，分析所述视频轨迹提取携带时间特征和位置特征的样本GPS数据；

第三获取模块，用于将所述时间特征与所述信控设备的绿灯时间进行对比，获取满足绿灯通行时间的目标GPS数据；

计算模块，用于分析所述目标GPS数据的位置特征提取车辆通行样本轨迹特征，并按照预设算法计算与所述车辆通行样本轨迹特征对应的饱和流率真值；

第四获取模块，用于根据预设的目标函数对所述车辆通行样本轨迹特征对应的饱和车头时距真值进行训练，获取对应的模型参数，根据所述模型参数生成所述饱和车头时距模型。

6.如权利要求5所述的装置，其特征在于，所述调整模块，具体用于：

获取所述目标流向所属的交通道路中所有道路的饱和流率，并判断所述所有道路中是否包含所述饱和流率大于预设阈值的参考道路；

若包含所述参考道路，则计算所述目标流向的饱和流率和预设标准饱和流率的差值；

根据所述差值计算所述目标流向的车道数量的调整值。

7.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1－4中任一项所述的车道调整方法。

8.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1－4中任一项所述的车道调整方法。

Images