CN112492889B - 基于车辆轨迹数据的交通控制***和方法 - Google Patents
基于车辆轨迹数据的交通控制***和方法 Download PDFInfo
- Publication number
- CN112492889B CN112492889B CN201980003397.0A CN201980003397A CN112492889B CN 112492889 B CN112492889 B CN 112492889B CN 201980003397 A CN201980003397 A CN 201980003397A CN 112492889 B CN112492889 B CN 112492889B
- Authority
- CN
- China
- Prior art keywords
- traffic
- flow
- bottleneck
- trajectory data
- processor
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000004891 communication Methods 0.000 claims abstract description 23
- 238000012800 visualization Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 238000010845 search algorithm Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000001413 cellular effect Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 241000351238 Alinea Species 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- G08G1/0125—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
- G08G1/01—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
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/075—Ramp control
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本申请的实施例提供了基于车辆轨迹数据(203)的交通控制***(100)和方法(300)。所述***(100)包括通信接口(202),其被配置为从至少一个导航设备(110)接收与车流相关的车辆轨迹数据(203)。所述***还包括至少一个处理器(204),所述至少一个处理器被配置为基于所述车辆轨迹数据(203)确定所述车流中的至少一个瓶颈路段,并且基于所述车辆轨迹数据(203)估计与所述瓶颈路段相关联的交通流量;所述至少一个处理器(204)进一步被配置为基于估计的所述交通流量预测未来车流,并且基于预测的所述未来车流控制交通。所述***(100)还包括存储器(208),所述存储器被配置为存储所述轨迹数据和预测的所述未来车流。
Description
技术领域
本申请涉及用于交通控制的***和方法,特别涉及基于车辆轨迹数据的交通控制***和方法。
背景技术
由于城市化和不断增长的交通需求,交通管理措施被广泛用于改善高速公路交通的机动性和安全性。例如,基于适当的交通控制,可以改善诸如车流速度和效率的重要交通参数。传统高速公路交通控制***的输入通常来自固定传感器(例如,环路探测器、地磁探测器或放置在战略位置的视频传感器)。传统高速公路交通控制***的性能在很大程度上取决于固定传感器的数据可用性。
虽然固定传感器可以提供传感器所在位置的交通速度和交通流量的完整时间历史,但安装和维护成本使得解决方案不太可取。而且,固定传感器提供足够的交通信息的能力由于其不动而进一步受到限制。例如,探测器覆盖不足(例如,在未充分建立探测器的小城市或农村地区)和探测器损坏或故障(例如,由于进行常规检查的人力不足)会降低固定传感器提供的数据的质量和数量。另一方面,可以手动获取诸如车流的交通信息。然而,劳动力和所需资源(例如,用于运输研究人员)的高成本将使该方法不经济。
本申请的实施例通过基于车辆轨迹数据的交通控制的改进方法和***来解决上述问题。
发明内容
本申请的一个方面提供一种基于车辆轨迹数据的交通控制方法。所述方法包括:通过通信接口从至少一个导航设备接收与车流相关的车辆轨迹数据。所述方法还包括:基于所述车辆轨迹数据,通过至少一个处理器确定所述车流中的至少一个瓶颈路径,以及基于车辆轨迹数据估计与所述瓶颈路段相关联的交通流量。所述方法还包括:基于估计的所述交通流量,通过所述至少一个处理器预测未来车流,以及基于预测的所述未来车流控制交通。
本申请的另一方面提供一种基于轨迹数据的交通控制***。所述***包括通信接口,所述通信接口被配置为从至少一个导航设备接收与车流相关的车辆轨迹数据。所述***还包括至少一个处理器,所述至少一个处理器被配置为基于所述车辆轨迹数据确定所述车流中的至少一个瓶颈路段,以及基于车辆轨迹数据估计与所述瓶颈路段相关联的交通流量。所述至少一个处理器进一步被配置为基于估计的所述交通流量预测未来车流,以及基于预测的所述未来车流控制交通。所述***还包括存储器,所述存储器被配置为存储所述轨迹数据和预测的所述未来车流。
本申请的另一方面提供一种非暂时性计算机可读介质,其上存储有指令,所述指令在由一个或以上处理器执行时,执行基于车辆轨迹数据的流量控制方法。所述方法包括:从至少一个导航设备接收与交通信号灯所在的交叉路口相关联的车辆轨迹数据,以及基于所述车辆轨迹数据确定车流中的至少一个瓶颈路段。所述方法还包括:基于所述车辆轨迹数据,估计与所述瓶颈路段相关联的交通流量,以及基于估计的所述交通流量预测未来车流。所述方法还包括基于预测的所述未来车流控制交通。
应当理解,前面的一般性描述和下面的详细描述都只是示例性和说明性的,并不是对要求保护的本发明的限制。
附图说明
图1示出了根据本申请的实施例的示例***通控制***的示意图。
图2示出了根据本申请的实施例的用于交通控制的示例性***的框图。
图3示出了根据本申请的实施例的用于交通控制的示例性方法的流程图。
图4示出了根据本申请的实施例的交通控制***的示例***通诊断图。
图5示出了根据本申请的实施例的由交通控制***提供的示例性可视化图。
具体实施方式
现在将详细参考示例性实施例,其示例在附图中示出。只要有可能,在整个附图中将使用相同的附图标记来表示相同或相似的部分。
图1示出了根据本申请的实施例的示例***通控制***100的示意图。在一些实施例中,交通控制***100可以被配置为通过控制来自合并到高速公路上的坡道的交通流量来控制高速公路交通。例如,交通控制***100可以被配置为控制道路区段130的车流。与本申请一致,道路区段130可以包括允许车辆进入受控通道高速公路(例如,高速公路)的入口坡道(例如,匝道)。与本申请一致,交通控制***100基于每个车辆101上的车载导航设备110获取车辆轨迹数据来执行交通控制。
与一些实施例一致,导航设备110可以是用于接收来自卫星导航***(未示出)的信号的设备。导航设备110可以是独立的设备或集成在另一个设备内,例如车辆、移动电话、可穿戴设备、照相机等。导航设备110可以是任何类型的可移动设备或配备有任何合适的卫星导航模块的等效结构,其使得导航设备110能够获取轨迹数据。
导航设备110从其接收信号的卫星导航***可以是全球导航卫星***,例如,全球定位***(GPS)、全球导航卫星***(GLONASS)、北斗-2导航卫星***(BDS)或欧盟的伽利略***。卫星导航***也可以是区域导航卫星***,例如北斗-1***、印度星座导航(NAVIC)***或准天顶卫星***(QZSS)。导航设备110可以是高灵敏度GPS接收器、传统GPS接收器、手持接收器、室外接收器或运动接收器。在一些实施例中,导航设备110可以通过辅助或增强GPS、通过中间设备(例如,蜂窝塔或站)直接连接到卫星,或者通过可以向导航设备110发送卫星信号(例如,卫星广播微波信号)或为卫星提供轨道数据或历书(例如,基于移动站的辅助)的任何其他通信方法连接到卫星。
另外,导航设备110可以经由网络连接到交通控制***100,例如无线局域网络(WLAN)、广域网(WAN)、诸如无线电波的无线网络、蜂窝网络、卫星通信网络和/或用于发送车辆导航信息的本地或短程无线网络(例如,蓝牙)。
与一些实施例一致,车辆101可以是被配置为沿着轨迹行进并且允许导航设备110获取轨迹数据的车辆。车辆101可以是电动车辆、燃料电池车辆、混合动力车辆或传统的内燃机车辆。车辆101可具有车身和至少一个车轮。车身可以是任何车身类型,例如运动车辆、轿跑车、轿车、皮卡车、旅行车、运动型多功能车(SUV)、小型货车或改装车。在一些实施例中,车辆101可包括一对前轮和一对后轮,如图1所示。然而,车辆101可具有更多或更少的车轮或等效结构,使车辆101能够四处移动。车辆101可以被配置为全轮驱动(AWD)、前轮驱动(FWR)或后轮驱动(RWD)。在一些实施例中,车辆101可以被配置为由占用车辆的操作员远程控制和/或自主操作。
在一些实施例中,导航设备110可以被配置为在车辆101沿轨迹行进时捕获轨迹数据。与本申请一致,导航设备110可配备有GPS配置模块,用于不断接收车辆101的位置信息。在一些实施例中,当车辆101沿轨迹行进时,产生与车辆101的运动相关联的地理空间中的轨迹(例如,由一系列按时间顺序排列的点表示的轨迹,例如p1→p2→…→pn,其中每个点由地理空间坐标集和时间戳组成,例如p=(x,y,t))。导航设备110还可以捕获或构建道路地图数据,包括沿着车辆101的轨迹的区域地图。
与本申请一致,交通控制***100可包括服务器120。在一些实施例中,服务器120可以是本地物理服务器、云服务器(如图1所示)、虚拟服务器、分布式服务器或任何其他合适的计算设备。例如,服务器120可以从导航设备110获取数据。与本申请一致,轨迹数据可以实时(例如,通过流传输)发送到服务器120,或者在一段时间(例如,1ms或5ms)之后共同发送。服务器120可以经由网络与导航设备110、坡道仪表140和/或交通控制***100内部或外部的其他组件通信,例如无线局域网络(WLAN)、广域网(WAN)、诸如无线电波的无线网络、蜂窝网络、卫星通信网络和/或本地或短程无线网络(例如,蓝牙)。与本申请一致,服务器120可以存储由导航设备110获取的轨迹数据。
在一些实施例中,服务器120可以被配置为基于车辆轨迹数据确定道路区段130的车流中的至少一个瓶颈路段。例如,瓶颈路段可以是处于排队或动态堵塞状态。在一些实施例中,服务器120可以确定与瓶颈路段相关联的各种参数,例如位置和范围(例如,堵塞的长度)。服务器120还可以基于车辆轨迹数据估计与瓶颈路段相关联的交通流量。服务器120还可以负责不时地预测道路区段130的未来车流,以向坡道仪表140提供优化的交通控制。服务器120可以使用获取轨迹数据来优化坡道仪表140的绿灯燃亮时间以管理进入高速公路的车流。
与本申请一致,服务器120可以将优化的绿灯燃亮时间传送到坡道仪表140。在一些实施例中,坡道仪表140可以是单交通信号灯、双交通信号灯或三个及以上交通信号灯。坡道仪表140可具有使坡道仪表140能够发信号的一个或以上方面或等效结构。
如图1所示,坡道仪表140可以通过安装结构150安装到支撑设备160上。安装结构150可以是安装或以其他方式附接到支撑设备160的机电设备。在一些实施例中,安装结构150可以使用螺钉、粘合剂或其他安装机构。支撑设备160可以是三脚架、悬臂、托架、灯杆或用于为安装结构150和坡道仪表140提供支撑的任何其他合适的结构。安装坡道仪表140的方式不受图1所示示例的限制,并且可以根据坡道仪表140、安装结构150和/或支撑设备160的类型进行修改,以实现期望的检测性能。
例如,图2示出了根据本申请的实施例的用于流量控制的示例***器120的框图。与本申请一致,服务器120可以从导航设备110接收道路地图数据201和车辆轨迹数据203,并且可以将绿灯燃亮时间205发送到坡道仪表140。基于车辆轨迹数据203,服务器120可确定车流中的至少一个瓶颈路段并相应地估计交通流量。然后,服务器120可以基于估计的交通流量模拟交通速度,并利用从轨迹数据获取的空间和时间速度数据(例如,最小化模拟的交通速度和测量的交通速度)来校准模拟。然后,服务器120可以基于模拟预测未来车流。然后,服务器120可以根据预测的未来车流来控制坡道仪表140的绿灯燃亮时间以进行交通管理。在一些实施例中,服务器120还可以使用道路地图数据201生成车流的可视化,以在地图中提供高速公路车流的可视化视图。
在一些实施例中,如图2所示,服务器120可以包括通信接口202、处理器204、内存206和存储器208。在一些实施例中,服务器120可以在单个设备中具有不同的模块,例如集成电路(IC)芯片(作为专用集成电路(ASIC)或现场可编程门阵列(FPGA)实现的),或具有专用功能的独立设备。在一些实施例中,服务器120的一个或以上组件可以位于云中,或者可以替代地在单个位置(例如在导航设备110内)或分布式位置。服务器120的组件可以在集成设备中或分布在不同位置,但是通过网络(未示出)彼此通信。
通信接口202可以经由通信电缆、无线局域网络(WLAN)、广域网(WAN)、诸如无线电波的无线网络、蜂窝网络和/或本地或短程无线网络(例如,蓝牙)或其他通信方法,向诸如导航设备110和坡道仪表140的组件发送数据和从其接收数据。在一些实施例中,通信接口202可以是综合业务数字网(ISDN)卡、电缆调制解调器、卫星调制解调器或调制解调器,以提供数据通信连接。又例如,通信接口202可以是局域网(LAN)卡,以提供与兼容LAN的数据通信连接。无线链路也可以通过通信接口202实现。在这种实现中,通信接口202可以经由网络发送和接收携带表示各种类型信息的数字数据流的电信号、电磁信号或光信号。
与一些实施例一致,通信接口202可以接收关于车辆101的移动性的数据,该数据包括由导航设备110捕获的车辆轨迹数据203和道路地图数据201。在一些实施例中,车辆轨迹数据203包括由导航设备110获取的GPS坐标。通信接口202还可以将所接收的数据提供给存储器208以便存储或提供给处理器204以进行处理。通信接口202还可以将由绿灯燃亮时间205组成的控制信号发送到坡道仪表140以控制流量。在一些实施例中,绿灯燃亮时间205被编码成电子信号,该电子信号由处理器204处理的交通信息(例如,绿灯燃亮时间和/或周期长度)组成。
处理器204可包括任何适当类型的通用或专用微处理器、数字信号处理器或微控制器。处理器204可以被配置为专用于确定坡道仪表的优化绿灯燃亮时间的单独处理器模块。或者,处理器204可以被配置为共享处理器模块,用于执行与基于车辆轨迹数据优化坡道仪表的绿灯燃亮时间无关的其他功能。
如图2所示,处理器204可以包括多个模块,例如交通诊断单元210、交通流量估计单元212、交通模拟单元214、交通控制单元216等。这些模块(以及任何相应的子模块或子单元)可以是处理器204的硬件单元(例如,集成电路的部分),其被设计为与处理器204通过执行程序的至少一部分而实现的其他组件或软件单元一起使用。程序可以存储在计算机可读介质上,并且当由处理器204执行时,它可以执行一个或以上的功能。尽管图2示出了在一个处理器204内的所有单元210-216,但是可以预期这些单元可以分布在彼此靠近或远离的多个处理器之间。
交通诊断单元210可以被配置为基于车辆轨迹数据203确定车流中的至少一个瓶颈路段。例如,瓶颈路段可以是处于排队或动态堵塞状态。在一些实施例中,交通诊断单元210可以基于速度的空间和时间分布确定瓶颈路段。例如,范围内(例如,0-80km/h)的每个速度可以在空间上与路段相关联,并且在时间上与时间间隔(例如,将时间间隔的持续时间设置为5分钟)相关联。当路段内的速度明显降低而其下游段仍然处于自由状态时,识别出瓶颈路段的激活。瓶颈路段被激活的地方被确定为瓶颈路段的位置。在一些实施例中,交通诊断单元210还可以被配置为识别瓶颈路段造成的拥堵区域。例如,交通诊断单元210可以应用深度优先搜索算法来识别瓶颈路段造成的交通拥堵的扩展边界。
例如,图4示出了根据本申请的实施例的交通控制***的示例***通诊断图。时空图400如图4所示。在图表400中,0-80km/h的每个速度在空间上对应于路段并且在时间上对应于时间间隔。例如,图400中的时间间隔是5分钟。可以识别瓶颈路段,其中路段内的速度明显下降,而其下游段仍然以自由状态流动(例如,图400下部的两个红色部分)。
返回图2,基于车流中确定的瓶颈路段,交通流量估计单元212可以被配置为估计与瓶颈路段相关联的交通流量。在一些实施例中,交通流量估计单元212可估计路段的基本图(FD),并使用该估计来描述交通密度与车流之间的关系。例如,交通流量估计单元212可以使用三角形FD方法来表示该关系。例如,流量估计单元212可以使用自由流速度、道路容量和堵塞密度来表示该关系。在一些实施例中,自由流速度可以被确定为高速公路的最大速度限制,容量是堵塞发生之前的高速公路容量,并且堵塞密度可以被假定为固定值。在一些实施例中,交通流量估计单元212可基于估计的FD和车辆轨迹数据203中包含的测量速度来估计交通流量。
基于估计的交通流量,交通模拟单元214可以被配置为模拟交通速度。在一些实施例中,交通模拟单元214可以应用宏观一阶模型(例如,单元传输模型或其变体)来模拟车流。交通模拟单元214还可以被配置为使用优化方法来校准模型参数和流量需求。例如,优化方法的目的是最小化交通模拟单元214的模拟速度与车辆轨迹数据203中包含的测量速度之间的差异。在一些实施例中,基于校准的模拟模型,交通模拟单元214可以被配置为预测未来的车流。例如,交通模拟单元214可以使用模型来进行短期车流预测。
基于预测,交通控制单元216可以被配置为控制交通。在一些实施例中,交通控制单元216可以使用自适应坡道仪表控制方法来控制交通。例如,交通控制单元216可以使用ALINEA型方法(例如,应用基于下游坡道占用的主流测量的反馈调节器)。在一些实施例中,基于对坡道下游速度的测量来设计反馈调节器。
在另一实施例中,交通控制单元216可以使用基于历史需求在特定时间离线导出的固定时间控制策略。例如,交通控制单元216可以优化坡道仪表140的绿灯燃亮时间,以最大化目标区域内的容量流。
内存206和存储器208可包括提供用于存储处理器204可能需要操作的任何类型的信息的任何适当类型的大容量存储器。内存206和存储器208可以是易失性或非易失性、磁性、半导体、磁带、光学、可移动、不可移动或其他类型的存储设备或有形(即,非暂时性)计算机可读介质,包括但不限于ROM、闪存内存、动态RAM和静态RAM。内存206和/或存储器208可以被配置为存储一个或以上计算机程序,其可以由处理器204执行本文公开的流量控制。例如,内存206和/或存储器208可以被配置为存储程序,其可以由处理器204执行以基于车辆轨迹数据来控制流量。
内存206和/或存储器208可以进一步被配置为存储供处理器204使用的信息和数据。例如,内存206和/或存储器208可以被配置为存储由导航设备110捕获的各种类型的数据(例如,道路地图数据、车辆轨迹数据、交通信息数据等)。内存206和/或存储器208还可以存储中间数据,例如优化模型、瓶颈路段参数、行程量、模拟交通速度和未来交通流量等。各种类型的数据可以在每个数据帧被处理之后,被永久地存储、周期性地删除或立即忽略。
图3示出了根据本申请的实施例的用于流量控制的示例性方法300的流程图。在一些实施例中,方法300可以由交通控制***100实现,该交通控制***100包括服务器120和坡道仪表140等。然而,方法300不限于该示例性实施例。方法300可以包括如下所述的步骤S302-S314。应当理解,一些步骤可以是可选的,以执行下面提供的本申请。还应理解,一些步骤可以是可选的,以执行本文提供的本申请。此外,一些步骤可以同时执行,或者以与图3中所示不同的顺序执行。
在步骤S302,服务器120可以接收与导航设备110获取的车流相关联的车辆轨迹数据203和道路地图数据201。导航设备110可以按某些时间间隔(例如,0.5秒或1秒)依次收集车辆101的位置信息,以获取车辆轨迹数据203。在一些实施例中,服务器120可以同时基于时间间隔和位置的变化来计算车辆101的速度。例如,服务器120可以将第一位置和第二位置之间的距离除以获得两个位置的时间点信息之间的时间间隔。当车辆101从第一位置行进到第二位置时,如果时间间隔足够小(例如,将时间间隔设置为0.5秒),则服务器120可以使用两个位置之间的平均速度作为车辆101的速度的表示。
在步骤S304,服务器120可以基于车辆轨迹数据203确定车流中的至少一个瓶颈路段。在一些实施例中,服务器120可以基于速度的空间和时间分布来确定瓶颈路段,其中车辆的速度在时间和空间之间分布。例如,服务器120可以将范围内的每个速度(例如,0-80km/h,并且可以着色以显示不同的速度)与空间上的路段(例如,目标区域内的高速公路的一部分)以及时间间隔(例如,将时间间隔的持续时间设为1分钟或5分钟)相关联。瓶颈路段的起点在时空图上标识,其中路段内的速度明显下降,而其下游段仍然处于自由状态。在一些实施例中,服务器120还可以识别由所确定的瓶颈路段触发的拥挤区域。例如,根据等式(1),服务器120可以应用深度优先搜索算法来识别瓶颈路段造成的交通拥堵的扩展边界。
其中,s是拥堵区域,i是路段索引(例如,目标区域包括5个路段,第三路段的索引是3),并且t是拥塞中的时间索引(例如,总数据收集时间为3小时,间隔为5分钟,在30分钟时间点收集的数据的时间索引为6),li是段I的长度,vf是自由流速度,vi(t)是时间间隔t中的路段i的速度。
在步骤S306,服务器120可以基于车辆轨迹数据203估计所识别的瓶颈路段的交通流量。在一些实施例中,服务器120可以估计路段的基本图(FD),其可以用于描述交通密度和车流之间的关系。例如,服务器120可以使用三角形FD来表示该关系。服务器120可以确定表征交通流量的参数,其包括例如三角形FD的自由流速度、容量和堵塞密度。通常,三角形FD中的自由流速度和临界速度是相同的,根据实验结果这是不实际的。为了区分自由流速度和临界速度,服务器120可以采用二阶函数来表示FD的左侧部分。因此,本FD是分段函数,其中服务器120假定用于低于临界值的交通密度的二阶函数和用于高于临界值的交通密度的一阶函数。在一些实施例中,自由流速度被确定为高速公路的最高限速。当交通流量达到容量时,临界速度对应于车流的平均速度,并且可以在交通流量被分解为瓶颈路段之前的时间点测量。此外,临界速度可以计算为这些轨迹的总行进时间上的总行进距离。
在一些实施例中,可以基于经验证据确定堵塞密度。堵塞密度的确定可取决于车体的平均长度。例如,基于经验证据,堵塞密度可以是135veh/h。
当堵塞密度和临界速度已知时,服务器120可以基于拥塞波速导出容量。拥塞波速表示交通拥堵的传播速度。当交通处于跟车状态,即FD的右侧部分时,如果引导车辆减速并将其速度改变到较低值,则新交通状态将传播到后面的车辆。交通状态的向后传播速度称为拥塞波速。为了确定拥塞波速,服务器120可以识别两个连续轨迹的显着减速并计算波速度。服务器120可以进一步过滤不现实的波,并且将所有剩余波速的平均值确定为拥塞波速。
在一个实施例中,服务器120可以基于估计的FD和车辆轨迹数据203中包含的测量的速度,根据等式(2)估计交通流量:
在步骤S308,服务器120可以基于估计的交通流量模拟交通速度。在一些实施例中,服务器120可以应用宏观的一阶模型来模拟车流。例如,服务器120可以使用单元传输模型(CMT)或其变体,其中可以捕获变量的动态(例如,交通密度)以基于估计的车流的交通速度来模拟交通速度。
在步骤S310,服务器120可以进一步被配置为使用最小化车辆轨迹数据203的模拟速度和测量速度之间的差异的优化,来校准模型参数和交通需求。例如,服务器120可以基于将估计的交通速度与实时测量的交通速度进行比较来校准模型。在一个实施例中,基于校准的模拟模型,服务器120可以被配置为预测未来的车流。例如,服务器120可以使用模型来进行短期车流预测。
在步骤S312,服务器120可以基于预测的未来车流来控制交通流量。在一些实施例中,服务器120可以使用自适应坡道仪表控制方法来确定坡道仪表140的绿灯燃亮时间。例如,服务器120可以使用ALINEA类型的方法(例如,应用基于下游坡道占用的主流测量的反馈调节器)。在一些实施例中,基于对坡道下游速度的测量来设计反馈调节器。
在另一实施例中,服务器120可以使用基于恒定历史需求在特定时间离线导出的固定时间控制策略,以确定坡道仪表140的绿灯燃亮时间。例如,交通控制单元216可以优化坡道仪表的绿灯燃亮时间,以最大化目标区域内的容量流。服务器120可以将确定的绿灯燃亮时间205发送到坡道仪表140,以控制目标区域内的流量。
在一些实施例中,在步骤S314,服务器120可以使用道路地图数据201生成车流的可视化以显示未来的车流。例如,导航设备110获取的道路地图数据201可用于构建目标区域的拓扑图以用于可视化目的。服务器120还可以将短期车流预测与目标区域的构建拓扑图相关联,以提供高速公路的交通状态的简要视图。可视化可以被提供给车辆101或诸如移动电话的终端设备,其呈现可视化以便向用户显示。
图5示出了根据本申请的实施例的由交通控制***100提供的示例性可视化图500。如图5所示,短期车流预测被叠加或以其他方式呈现为拓扑图,该拓扑图基于导航设备110获取的道路地图数据201构建。例如,在可视化500中,图上的彩色线是高速公路的一部分,其中进行短期车流预测。不同颜色代表不同的交通速度。例如,在可视化500中,红色表示拥塞区域(例如,排队),黄色表示慢速交通(例如,动态堵塞),绿色表示正常交通(例如,以自由流速度移动的车辆)。另外,可视化500可用于呈现高速公路的交通状态的简要视图,用于交通管理和/或用于制定个人旅行计划。
本申请的另一方面涉及一种存储指令的非暂时性计算机可读介质,所述指令在被执行时使得一个或以上处理器执行如上所述的方法。所述计算机可读介质包括易失性或非易失性、磁性、半导体、磁带、光学、可移动、不可移动或其他类型的计算机可读介质或计算机可读存储设备。例如,如本申请的计算机可读介质可以是存储设备或其上存储有计算机指令的内存模块。在一些实施例中,计算机可读介质可以是其上存储有计算机指令的盘或闪存驱动器。
显而易见,本领域普通技术人员可以对本申请的***和相关方法进行各种修改和变化。考虑到本申请的***和相关方法的说明书和实践,其他实施例对于本领域普通技术人员是显而易见的。
本申请中的说明书和示例的目的仅被认为是示例性的,真正的范围由以下权利要求及其等同物限定。
Claims (20)
1.一种基于车辆轨迹数据的交通控制方法,包括:
通过通信接口从至少一个导航设备接收与车流相关的车辆轨迹数据;
基于所述车辆轨迹数据,通过至少一个处理器确定所述车流中的至少一个瓶颈路段;
估计所述瓶颈路段的三角基本图,所述三角基本图为分段函数,所述三角基本图中包括自由流速度、道路容量和堵塞密度;
基于所述三角基本图和所述车辆轨迹数据,通过所述至少一个处理器估计与所述瓶颈路段相关联的交通流量;
基于估计的所述交通流量,通过所述至少一个处理器预测未来车流;以及
基于预测的所述未来车流来控制交通。
2.根据权利要求1所述的方法,其特征在于,所述控制交通进一步包括基于预测的所述未来车流确定坡道仪表的绿灯燃亮时间。
3.根据权利要求1所述的方法,其特征在于,确定所述至少一个瓶颈路段进一步包括:
基于所述车辆轨迹数据确定速度的时空分布;以及
使用所述速度的时空分布识别所述至少一个瓶颈路段。
4.根据权利要求1所述的方法,其特征在于,确定所述至少一个瓶颈路段进一步包括:
确定所述瓶颈路段的位置;以及
确定所述瓶颈路段造成的拥堵区域。
5.根据权利要求4所述的方法,其特征在于,基于深度优先搜索算法确定所述拥堵区域。
6.根据权利要求1所述的方法,其特征在于,估计所述交通流量进一步包括确定所述车流的自由流速度、道路容量和与所述车流相关联的堵塞密度中的至少一个。
7.根据权利要求1所述的方法,进一步包括:
通过所述通信接口接收道路地图数据;以及
通过所述至少一个处理器,基于所述道路地图数据和所述未来车流生成所述车流的可视化。
8.根据权利要求1所述的方法,其特征在于,所述至少一个导航设备与沿轨迹行进的车辆相关联。
9.根据权利要求1所述的方法,其特征在于,所述至少一个瓶颈路段处于排队或动态堵塞状态。
10.根据权利要求1所述的方法,其特征在于,估计所述交通流量还包括确定拥塞波速。
11.根据权利要求1所述的方法,其特征在于,所述预测未来车流进一步包括:
基于估计的所述交通流量,使用宏观模型模拟交通速度;以及
最小化模拟的所述交通速度和测量的交通速度之间的差异。
12.一种基于车辆轨迹数据的交通控制***,包括:
通信接口,被配置为从至少一个导航设备接收与车流相关的车辆轨迹数据;
至少一个处理器被配置为:
基于所述车辆轨迹数据,确定所述车流中的至少一个瓶颈路段;
估计所述瓶颈路段的三角基本图,所述三角基本图为分段函数,所述三角基本图中包括自由流速度、道路容量和堵塞密度;
基于所述三角基本图和所述车辆轨迹数据,估计与所述瓶颈路段相关联的交通流量;
基于估计的所述交通流量预测未来车流;以及
基于预测的所述未来车流控制交通;以及
存储器,被配置为存储所述轨迹数据和预测的所述未来车流。
13.根据权利要求12所述的***,其特征在于,所述至少一个处理器进一步被配置为基于预测的所述未来车流确定坡道仪表的绿灯燃亮时间。
14.根据权利要求12所述的***,其特征在于,所述至少一个处理器进一步被配置为:
基于所述车辆轨迹数据确定速度的时空分布;以及
使用所述速度的时空分布识别所述至少一个瓶颈路段。
15.根据权利要求12所述的***,其特征在于,为了确定所述至少一个瓶颈路段,所述至少一个处理器进一步被配置为:
确定所述瓶颈路段的位置;以及
确定所述瓶颈路段造成的拥堵区域。
16.根据权利要求15所述的***,其特征在于,基于深度优先搜索算法确定所述拥堵区域。
17.根据权利要求12所述的***,其特征在于,为了估计所述交通流量,所述至少一个处理器进一步被配置为,确定所述车流的自由流速度、道路容量和与所述车流相关联的堵塞密度中的至少一个。
18.根据权利要求12所述的***,其特征在于,所述至少一个处理器进一步被配置为:
接收道路地图数据;以及
基于所述道路地图数据和所述未来车流生成所述车流的可视化。
19.根据权利要求12所述的***,其特征在于,为了预测所述未来车流,所述至少一个处理器进一步被配置为:
基于估计的所述交通流量,使用宏观模型模拟交通速度;以及
最小化模拟的所述交通速度和测量的交通速度之间的差异。
20.一种非暂时性计算机可读介质,其上存储有计算机程序,其特征在于,所述计算机程序在由至少一个处理器执行时,执行基于车辆轨迹数据的交通控制方法,所述方法包括:
从至少一个导航设备接收与车流相关的车辆轨迹数据;
基于所述车辆轨迹数据,确定所述车流中的至少一个瓶颈路段;
估计所述瓶颈路段的三角基本图,所述三角基本图为分段函数,所述三角基本图中包括自由流速度、道路容量和堵塞密度;
基于所述三角基本图和所述车辆轨迹数据,估计与所述瓶颈路段相关联的交通流量;
基于估计的所述交通流量预测未来车流;以及
基于预测的所述未来车流控制交通。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2019/119977 WO2021097759A1 (en) | 2019-11-21 | 2019-11-21 | Systems and methods for traffic control based on vehicle trajectory data |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112492889A CN112492889A (zh) | 2021-03-12 |
CN112492889B true CN112492889B (zh) | 2023-02-17 |
Family
ID=74920081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980003397.0A Active CN112492889B (zh) | 2019-11-21 | 2019-11-21 | 基于车辆轨迹数据的交通控制***和方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112492889B (zh) |
WO (1) | WO2021097759A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115577574B (zh) * | 2022-12-08 | 2023-03-10 | 西南交通大学 | 一种导流栏杆位置计算方法、装置、设备及可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081846A (zh) * | 2011-02-22 | 2011-06-01 | 交通运输部公路科学研究所 | 基于高速公路收费数据轨迹匹配的交通状态识别方法 |
CN103456169A (zh) * | 2012-07-18 | 2013-12-18 | 同济大学 | 城市道路交叉口全息三维动态分析方法 |
CN105489008A (zh) * | 2015-12-28 | 2016-04-13 | 北京握奇智能科技有限公司 | 基于浮动车卫星定位数据的城市道路拥堵计算方法及*** |
CN108133603A (zh) * | 2017-12-30 | 2018-06-08 | 重庆楠桦生物科技有限公司 | 防拥堵红绿灯***及方法 |
US10134276B1 (en) * | 2017-12-01 | 2018-11-20 | International Business Machines Corporation | Traffic intersection distance anayltics system |
CN109712401A (zh) * | 2019-01-25 | 2019-05-03 | 同济大学 | 一种基于浮动车轨迹数据的复合路网瓶颈点识别方法 |
US10403133B1 (en) * | 2017-07-27 | 2019-09-03 | State Farm Mutual Automobile Insurance Company | Vehicle roadway traffic density management systems for optimizing vehicle spacing |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10036789A1 (de) * | 2000-07-28 | 2002-02-07 | Daimler Chrysler Ag | Verfahren zur Bestimmung des Verkehrszustands in einem Verkehrsnetz mit effektiven Engstellen |
JP4175312B2 (ja) * | 2004-09-17 | 2008-11-05 | 株式会社日立製作所 | 交通情報予測装置 |
JP2013171491A (ja) * | 2012-02-22 | 2013-09-02 | Nippon Expressway Research Institute Co Ltd | 単一の画像を活用した交通量推計システム |
CN104821080B (zh) * | 2015-03-02 | 2017-04-12 | 北京理工大学 | 基于宏观城市交通流的智能车辆行驶速度及时间预测方法 |
CN105825669B (zh) * | 2015-08-15 | 2018-06-08 | 北京数行健科技有限公司 | 一种识别城市快速路交通瓶颈的***和方法 |
CN106960571B (zh) * | 2017-03-30 | 2020-10-16 | 百度在线网络技术(北京)有限公司 | 道路拥堵瓶颈点确定方法、装置、服务器及存储介质 |
CN107123266B (zh) * | 2017-06-09 | 2020-09-25 | 青岛海信网络科技股份有限公司 | 一种基于交通大数据的瓶颈路段车流量调节方法和装置 |
CN108053645B (zh) * | 2017-09-12 | 2020-10-02 | 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 |
CN107765551A (zh) * | 2017-10-25 | 2018-03-06 | 河南理工大学 | 一种城市快速路入口匝道控制方法 |
CN109935076A (zh) * | 2018-05-21 | 2019-06-25 | 吉林化工学院 | 一种城市快速路常发***通瓶颈识别方法 |
-
2019
- 2019-11-21 CN CN201980003397.0A patent/CN112492889B/zh active Active
- 2019-11-21 WO PCT/CN2019/119977 patent/WO2021097759A1/en active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081846A (zh) * | 2011-02-22 | 2011-06-01 | 交通运输部公路科学研究所 | 基于高速公路收费数据轨迹匹配的交通状态识别方法 |
CN103456169A (zh) * | 2012-07-18 | 2013-12-18 | 同济大学 | 城市道路交叉口全息三维动态分析方法 |
CN105489008A (zh) * | 2015-12-28 | 2016-04-13 | 北京握奇智能科技有限公司 | 基于浮动车卫星定位数据的城市道路拥堵计算方法及*** |
US10403133B1 (en) * | 2017-07-27 | 2019-09-03 | State Farm Mutual Automobile Insurance Company | Vehicle roadway traffic density management systems for optimizing vehicle spacing |
US10134276B1 (en) * | 2017-12-01 | 2018-11-20 | International Business Machines Corporation | Traffic intersection distance anayltics system |
CN108133603A (zh) * | 2017-12-30 | 2018-06-08 | 重庆楠桦生物科技有限公司 | 防拥堵红绿灯***及方法 |
CN109712401A (zh) * | 2019-01-25 | 2019-05-03 | 同济大学 | 一种基于浮动车轨迹数据的复合路网瓶颈点识别方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2021097759A1 (en) | 2021-05-27 |
CN112492889A (zh) | 2021-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104851295B (zh) | 获取路况信息的方法和*** | |
CN111183465B (zh) | 使用车辆轨迹数据的自适应交通控制 | |
CN109410604B (zh) | 交通信号灯信息获取装置及方法 | |
CN109285376A (zh) | 一种基于深度学习的公交车客流统计分析*** | |
US10369995B2 (en) | Information processing device, information processing method, control device for vehicle, and control method for vehicle | |
CN109084794B (zh) | 一种路径规划方法 | |
CN109074728A (zh) | 推荐行驶速度提供程序、行驶支持***、车辆控制设备和自动行驶车辆 | |
CN105989749A (zh) | 用于优先化驾驶员警报的***和方法 | |
CN105844904A (zh) | 一种基于dsrc的异常车辆行为检测及追踪方法 | |
CN109584567A (zh) | 基于车路协同的交通管理方法 | |
CN111559383A (zh) | 用于基于车辆和边缘传感器数据确定自主车辆(av)动作的方法和*** | |
CN109307514A (zh) | 经数字电信网测量和报告道路用户分类、位置及运动参数的***和方法 | |
CN109637137A (zh) | 基于车路协同的交通管理*** | |
EP3374981A1 (en) | Traffic estimation | |
CN113012445A (zh) | 智能交通控制***及其控制方法 | |
JP7187806B2 (ja) | 情報処理装置、システム、方法、及びコンピュータプログラム | |
CN105898221A (zh) | 车联视频处理方法和装置 | |
CN109387218B (zh) | 车载设备及道路维护辅助管理*** | |
US20200118429A1 (en) | System to optimize scats adaptive signal system using trajectory data | |
JP2015076077A (ja) | 交通量推定システム、端末装置、交通量推定方法および交通量推定プログラム | |
CN111094095A (zh) | 自动地接收行驶信号 | |
CN111183464B (zh) | 基于车辆轨迹数据估计信号交叉路口的饱和流量的***和方法 | |
CN112492889B (zh) | 基于车辆轨迹数据的交通控制***和方法 | |
CN103903432A (zh) | 用于确定路链拥堵状况的设备和方法 | |
JP2018190315A (ja) | コンピュータプログラム、交通管制装置および交通管制方法 |
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 |