CN113936454A - 一种基于轨迹融合的信息处理方法及*** - Google Patents

一种基于轨迹融合的信息处理方法及*** Download PDF

Info

Publication number
CN113936454A
CN113936454A CN202111104910.0A CN202111104910A CN113936454A CN 113936454 A CN113936454 A CN 113936454A CN 202111104910 A CN202111104910 A CN 202111104910A CN 113936454 A CN113936454 A CN 113936454A
Authority
CN
China
Prior art keywords
data
time
intersection
real
vehicle
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.)
Granted
Application number
CN202111104910.0A
Other languages
English (en)
Other versions
CN113936454B (zh
Inventor
周园园
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.)
Shanghai Baokang Electronic Control Engineering Co Ltd
Original Assignee
Shanghai Baokang Electronic Control Engineering Co Ltd
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 Shanghai Baokang Electronic Control Engineering Co Ltd filed Critical Shanghai Baokang Electronic Control Engineering Co Ltd
Priority to CN202111104910.0A priority Critical patent/CN113936454B/zh
Publication of CN113936454A publication Critical patent/CN113936454A/zh
Application granted granted Critical
Publication of CN113936454B publication Critical patent/CN113936454B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G08G1/0125—Traffic data processing
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请涉及一种基于轨迹融合的信息处理方法及***，涉及城市智能交通领域。所述方法包括获取第一区域的路网拓扑关系数据；初始化第一区域所有路段的在网数据为空；获取第一位置的实时过车数据，以及实时信号数据；根据所述过车数据和所述实时信号数据，计算第一位置所有路段的第一信息；对所述第一信息进行分类，加权计算第一位置的第二信息。本申请的基于轨迹融合的信息处理方法及***，通过电子警察实时过车数据及路网拓扑结构，实时分析路网实时在网车辆与车辆实时运行轨迹数据，结合在网车辆数、运行轨迹数据以及路口信号运行数据分析路网中各交叉口流向的交通状况，为信号***实时调控提供数据决策。

Description

一种基于轨迹融合的信息处理方法及***
技术领域
本申请涉及城市智能交通领域，尤其涉及基于轨迹融合的信息处理方法及***。
背景技术
目前，主流的路口车道交通拥堵识别方法主要有两种方法：一种是传统交流参数采集设备计算，通过路面建设的交通参数采集设备获取的固定时间断面交通流参数，如交通量、时间占有率、空间占有率、平均速度等参数，通过单个参数或者多个参数融合后判断设备所在车道交通拥堵程度，此方法需要建设专用的交通流参数采集设备，且采集参数采用固定时间，无法避免信号运行周期的影响。
另一种是互联网轨迹数据计算方法，通过抽样的浮动车信息，按照一定的固定采样周期将浮动车的经纬度、瞬时速度、行驶方向角、行驶时间等数据传到后台数据库，通过计算车道平均行程速度、平均行程时间来判断车道的拥堵程度，此方法由于采用互联网数据，无法与公安网、视频网进行打通，且使用费用昂贵。
因此，期望提供一种基于轨迹融合的信息处理方法及***，电子警察实时过车数据及路网拓扑结构，实时分析路网实时在网车辆与车辆实时运行轨迹数据，结合在网车辆数、运行轨迹数据以及路口信号运行数据分析路网中各交叉口流向的交通状况，为信号***实时调控提供数据决策。
发明内容
根据本申请的一些实施例的第一方面，提供了一种基于轨迹融合的信息处理方法，应用于平台(例如，云控平台等)中，所述方法可以包括：获取第一区域的路网拓扑关系数据；初始化第一区域所有路段的在网数据为空；获取第一位置的实时过车数据，以及实时信号数据；根据所述过车数据和所述实时信号数据，计算第一位置所有路段的第一信息；对所述第一信息进行分类，加权计算第一位置的第二信息。
在一些实施例中，所述第一位置包括路口，所述第一信息包括路口所有车道的交通指数，所述第二信息包括路口的交通状态，获取第一位置的实时过车数据具体包括当获取到实时过车数据时，所述过车数据包括车辆号牌，通过所述号牌比对获取车辆轨迹数据；根据所述车辆轨迹数据，更新所述号牌的车辆所在车道对应的上游路段、下游路段的在网数据，所述在网数据包括车辆在网数据。
在一些实施例中，所述实时信号数据包括信号相位数据和信号周期数据；当获取到信号相位数据时，根据相位所在路口、相位开始时刻、相位结束时刻计算所述相位通行路口所有车道的交通指数，具体包括判断是否获取到车道在相位运行时段的车辆轨迹数据；若获取到轨迹数据，提取每一号牌的行程时间，根据预设阈值过滤车辆信息；若过滤后无车辆，对应车道的交通指数为0。
在一些实施例中，若过滤后有车辆，获取对应车道的交通指数具体包括计算所有车辆的平均行程时间；根据自由流行程时间和所述平均行程时间，计算所述车道通过车辆的平均延误时间；将所述平均延误时间分类至不同的所属区间；根据所属区间，分别计算所述车道的交通指数。
在一些实施例中，若未获取到轨迹数据，通过所述车道对应上游路段的在网数据，估算所述车道平均行程时间，具体包括提取实时在网车辆数q，若q为0，所述车道的交通指数为0。
在一些实施例中，若q不为0，具体包括计算所述上游路段的车辆密度k；根据车辆密度k，计算所述上游路段的平均运行速度；计算所述上游路段的平均行程时间；根据所述平均行程时间，计算所述上游路段的平均延误时间；将所述平均延误时间分类至不同的所属区间；根据所属区间，分别计算所述车道的交通指数。
在一些实施例中，当获取到信号周期数据时，根据周期所在路口、周期开始时刻、周期结束时刻，以及所述周期通行路口所有车道的交通指数，计算并分析所述路口的交通状态。
在一些实施例中，将所述路口所有车道的交通指数分类至不同的指数区间，并记录各指数区间的车道数值；根据所述各指数区间的车道数值，分别计算所述路口的TPI。
在一些实施例中，将所述路口所有车道的交通指数的计算结果，存储至路口车道交通指数表；将所述路口的交通状态的计算分析结果，存储至路***通指数表。
根据本申请的一些实施例的第二方面，提供了一个***，所述***包括：一个存储器，被配置为存储数据及指令；一个与存储器建立通信的处理器，其中，当执行存储器中的指令时，所述处理器被配置为：获取第一区域的路网拓扑关系数据；初始化第一区域所有路段的在网数据为空；获取第一位置的实时过车数据，以及实时信号数据；根据所述过车数据和所述实时信号数据，计算第一位置所有路段的第一信息；对所述第一信息进行分类，加权计算第一位置的第二信息。
因此，根据本申请的一些实施例的基于轨迹融合的信息处理方法及***，电子警察实时过车数据及路网拓扑结构，实时分析路网实时在网车辆与车辆实时运行轨迹数据，结合在网车辆数、运行轨迹数据以及路口信号运行数据分析路网中各交叉口流向的交通状况，为信号***实时调控提供数据决策。
附图说明
为更好地理解并阐述本申请的一些实施例，以下将结合附图参考实施例的描述，在这些附图中，同样的数字编号在附图中指示相应的部分。
图1是根据本申请的一些实施例提供的基于轨迹融合的信息处理***的示例性示意图。
图2是根据本申请的一些实施例提供的基于轨迹融合的信息处理方法的示例性流程图。
图3是根据本申请的一些实施例提供的基于轨迹融合的信息处理***的研判***集成示意图。
图4是根据本申请的一些实施例提供的智能交通场景的路口车道交通状态研判逻辑结构图。
图5是根据本申请的一些实施例提供的智能交通场景的路***通状态研判逻辑结构图。
具体实施方式
以下参考附图的描述为便于综合理解由权利要求及其等效内容所定义的本申请的各种实施例。这些实施例包括各种特定细节以便于理解，但这些仅被视为示例性的。因此，本领域技术人员可以理解对在此描述的各种实施例进行各种变化和修改而不会脱离本申请的范围和精神。另外，为简要并清楚地描述本申请，本申请将省略对公知功能和结构的描述。
在以下说明书和权利要求书中使用的术语和短语不限于字面含义，而是仅为能够清楚和一致地理解本申请。因此，对于本领域技术人员，可以理解，提供对本申请各种实施例的描述仅仅是为说明的目的，而不是限制所附权利要求及其等效定义的本申请。
下面将结合本申请一些实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
需要说明的是，在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一”、“一个”、“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本申请中使用的术语“和/或”是指并包含一个或多个相绑定的列出项目的任何或所有可能组合。表达“第一”、“第二”、“所述第一”和“所述第二”是用于修饰相应元件而不考虑顺序或者重要性，仅仅被用于区分一种元件与另一元件，而不限制相应元件。
根据本申请一些实施例的终端可以是平台，装备和/或电子设备，该平台可以包括云控平台等，所述平台可以包括由一个或多个电子设备组成的***平台；该装备可以包括智能网联车辆(Intelligent Connected Vehicle，ICV)；该电子设备可以包括个人电脑(PC，例如平板电脑、台式电脑、笔记本、上网本、掌上电脑PDA)、客户端设备、虚拟现实设备(VR)、增强现实设备(AR)、混合现实设备(MR)、XR设备、渲染机、智能手机、移动电话、电子书阅读器、便携式多媒体播放器(PMP)、音频/视频播放器(MP3/MP4)、摄像机和可穿戴设备等中的一种或几种的组合。根据本申请的一些实施例，所述可穿戴设备可以包括附件类型(例如手表、戒指、手环、眼镜、或头戴式装置(HMD))、集成类型(例如电子服装)、装饰类型(例如皮肤垫、纹身或内置电子装置)等，或几种的组合。在本申请的一些实施例中，所述电子设备可以是灵活的，不限于上述设备，或者可以是上述各种设备中的一种或几种的组合。在本申请中，术语“用户”可以指示使用电子设备的人或使用电子设备的设备(例如人工智能电子设备)。
本申请实施例提供了一种基于轨迹融合的信息处理方法及***。为了便于理解本申请实施例，以下将参考附图对本申请实施例进行详细描述。
图1是根据本申请的一些实施例提供的基于轨迹融合的信息处理***的示例性示意图。如图1所述，基于轨迹融合的信息处理***100可以包括网络110、控制端120、用户端130和服务器140等。具体的，控制端120与用户端130在通过网络建立通信，例如，控制端120与用户端130可以在同一个局域网(比如，同一个路由器的网络环境等)中通信。进一步，控制端120可以通过有线(例如，网线等)或无线(例如，云端服务器等)等方式与网络110连接，用户端130可以通过有线或无线(例如，WIFI等)等方式与网络110建立通信连接。在一些实施例中，用户端130可以向控制端120、服务器140发送车辆关联信息等。进一步地，控制端120、服务器140可以向用户端130反馈路网交通指数及交通状态等信息。根据反馈的信息，用户端130可以执行场景决策与规划。作为示例，服务器140可以获取控制端120的交通状态分析结果等，所述交通状态分析结果可以包括路口车道的拥堵指数和路口的拥堵状态等。
根据本申请的一些实施例，控制端120、用户端130可以为相同或不同的终端设备等。所述终端设备可以包括但不限于云控平台，智能终端，移动终端，计算机等。在智能交通场景中，控制端120可以包括电子警察、云控平台等，用户端130可以包括智能装备等。在一些实施例中，控制端120和用户端130可以集成在一个设备中，例如，用户端的智能装备等。基于轨迹融合的信息处理***100的部署硬件要求低，在中小城市可以仅部署一台服务器满足应用需求。在一些实施例中，服务器140是计算机的一种，具有比普通计算机运行更快、负载更高等优势，而相对应的价格更高昂。在网络环境中，服务器可以为其它客户机(例如，PC机、智能手机、ATM等终端，以及交通***等大型设备)提供计算或者应用服务。服务器具有高速的CPU运算能力、长时间的可靠运行、强大的I/O外部数据吞吐能力以及更好的扩展性。所述服务器可以提供的服务包括但不限于承担响应服务请求、承担服务、保障服务的能力等。所述服务器作为电子设备，具有极其复杂的内部结构，包括与普通计算机相近的内部结构等，作为示例，所述服务器的内部结构可以包括中央处理器(Central ProcessingUnit，CPU)、硬盘、内存，***、***总线等。
在本申请的一些实施例中，基于轨迹融合的信息处理***100可以省略一个或多个元件，或者可以进一步包括一个或多个其它元件。作为示例，基于轨迹融合的信息处理***100可以包括多个用户端130，如多个智能装备等。又例如，基于轨迹融合的信息处理***100可以包括一个或多个控制端120，如电子警察、云控平台等。再例如，基于轨迹融合的信息处理***100可以包括多个服务器140等。在一些实施例中，基于轨迹融合的信息处理***100可以包括但不限于基于城市智能交通场景处理的***。网络110可以为任意类型的通信网络，所述通信网络可以包括计算机网络(例如，局域网(LAN，Local Area Network)或广域网(WAN，Wide Area Network))、互联网和/或电话网络等，或几种的组合。在一些实施例中，网络110可以为其他类型的无线通信网络。所述无线通信可以包括微波通信和/或卫星通信等。所述无线通信可以包括蜂窝通信，例如，全球移动通信(GSM，Global System forMobile Communications)、码分多址(CDMA，Code Division Multiple Access)、第三代移动通信(3G，The 3rd Generation Telecommunication)、***移动通信(4G)、第五代移动通信(5G)、第六代移动通信(6G)、长期演进技术(LTE，Long Term Evolution)、长期演进技术升级版(LTE-A，LTE-Advanced)、宽带码分多址(WCDMA，Wideband Code DivisionMultiple Access)、通用移动通信***(UMTS，Universal Mobile TelecommunicationsSystem)、无线宽带(WiBro，Wireless Broadband)等，或几种的组合。在一些实施例中，用户端130可以为其他具备同等功能模块的装备和/或电子设备，该装备和/或电子设备可以包括智能网联车辆(Intelligent Connected Vehicle，ICV)、虚拟现实设备(VR)、渲染机、个人电脑(PC，例如平板电脑、台式电脑、笔记本、上网本、掌上电脑PDA)、智能手机、移动电话、电子书阅读器、便携式多媒体播放器(PMP)、音频/视频播放器(MP3/MP4)、摄像机和可穿戴设备等中的一种或几种的组合。
在一些实施例中，所述WIFI可以为其他类型的无线通信技术。根据本申请的一些实施例，所述无线通信可以包括无线局域网(WiFi，Wireless Fidelity)、蓝牙、低功耗蓝牙(BLE，Bluetooth Low Energy)、紫蜂协议(ZigBee)、近场通讯(NFC，Near FieldCommunication)、磁安全传输、射频和体域网(BAN，Body Area Network)等，或几种的组合。根据本申请的一些实施例，所述有线通信可以包括全球导航卫星***(Glonass/GNSS，Global Navigation Satellite System)、全球定位***(GPS，Global Position System)、北斗导航卫星***或伽利略(欧洲全球卫星导航***)等。所述有线通信可以包括通用串行总线(USB，Universal Serial Bus)、高清多媒体接口(HDMI，High-Definition MultimediaInterface)、推荐标准232(RS-232，Recommend Standard 232)、和/或简易老式电话服务(POTS，Plain Old Telephone Service)等，或几种的组合。
需要说明的是，以上对于基于轨迹融合的信息处理***100的描述，仅为描述方便，并不能把本申请限制在所举实施例的范围之内。可以理解，对于本领域技术人员，基于本***的原理，可能在不背离该原理的前提下，对各个元件进行任意组合，或者构成子***与其他元件连接，对实施上述方法和***的应用领域进行形式和细节上的各种修正和改变。例如，服务器140和/或控制端120可以通过电子警察等获取交通信息等。诸如此类的变形，均在本申请的保护范围之内。
图2是根据本申请的一些实施例提供的基于轨迹融合的信息处理方法的示例性流程图。如图2所述，流程200可以通过基于轨迹融合的信息处理***100实现。在一些实施例中，所述基于轨迹融合的信息处理方法200可以自动启动或通过指令启动。所述指令可以包括***指令、设备指令、用户指令、动作指令等，或几种的组合。
在201，获取第一区域的路网拓扑关系数据。操作201可以通过基于轨迹融合的信息处理***100的控制端120、服务器140实现。在一些实施例中，控制端120和/或服务器140可以获取第一区域的路网拓扑关系数据。在一些实施例中，用户端130可以实时获取智能交通场景信息并发送至控制端120和/或服务器140。作为示例，所述第一区域可以包括某一城市，控制端120和/或服务器140可以通过网络110获取该城市的路网拓扑关系数据等。例如，所述路网拓扑关系数据包括道路、路段、路口、车道等。在一些实施例中，所述智能交通场景和所述路网拓扑关系数据可以在用户端130的用户界面(UI)中显示，所述场景显示可以包括但不限于通过VR，AR，MR，XR任一形式或组合形式进行场景显示。
在202，初始化第一区域所有路段的在网数据为空。操作202可以通过基于轨迹融合的信息处理***100的控制端120、服务器140实现。在一些实施例中，控制端120和/或服务器140可以初始化第一区域所有路段的在网数据为空。作为示例，控制端120和/或服务器140可以将所述某一城市的所有路段的在网数据初始化为空，所述在网数据可以包括车辆在网数据等。
在203，获取第一位置的实时过车数据，以及实时信号数据。操作203可以通过基于轨迹融合的信息处理***100的控制端120、服务器140实现。在一些实施例中，控制端120和/或服务器140可以获取第一位置的实时过车数据，以及实时信号数据。所述第一位置包括路口，作为示例，控制端120和/或服务器140可以获取第一位置的实时过车数据具体包括当获取到实时过车数据时，所述过车数据包括车辆号牌，通过所述号牌比对获取车辆轨迹数据；根据所述车辆轨迹数据，更新所述号牌的车辆所在车道对应的上游路段、下游路段的在网数据，所述在网数据包括车辆在网数据。
在一些实施例中，控制端120和/或服务器140可以通过电子警察获取路口的过车数据，所述过车数据可以包括但不限于车辆号牌、车辆通过时间、路口编号、车道方向、车道编号、车道类型、车道流向等信息。又例如，所述实时信号数据包括信号相位数据和信号周期数据；所述信号相位数据可以包括但不限于路口编号、相位编号、相位开始时间、相位结束时间等信息。所述信号周期数据可以包括但不限于路口编号、周期编号、周期开始时间、周期结束时间等信息。
作为示例，控制端120和/或服务器140可以通过kafka获取实时过车数据，所述过车数据可以包括车辆号牌，通过所述号牌比对获取车辆轨迹数据。所述车辆轨迹数据可以包括但不限于车辆号牌、车辆通过时间、路口编号、车道方向、车道编、车道类型、车道流向、车辆通过上游路口编号、车辆行程时间等信息。在一些实施例中，控制端120和/或服务器140可以更新所述号牌的车辆所在车道对应的上游路段、下游路段的在网数据。例如，所述更新可以包括但不限于上游路段在网车中剔除获取到的车辆号牌数据、下游路段在网车中增加车辆号牌数据等。
在204，根据所述过车数据和所述实时信号数据，计算第一位置所有路段的第一信息。操作204可以通过基于轨迹融合的信息处理***100的服务器140和/或控制端120实现。在一些实施例中，服务器140和/或控制端120可以根据所述过车数据和所述实时信号数据，计算第一位置所有路段的第一信息。在一些实施例中，所述第一信息可以包括路口所有车道的交通指数等信息，服务器140和/或控制端120可以根据所述过车数据和所述实时信号数据，计算路口所有车道的交通指数等信息。
根据本申请的一些实施例，所述实时信号数据包括信号相位数据和信号周期数据；当获取到信号相位数据时，根据相位所在路口、相位开始时刻、相位结束时刻计算所述相位通行路口所有车道的交通指数，具体包括判断是否获取到车道在相位运行时段的车辆轨迹数据；若获取到轨迹数据，提取每一号牌的行程时间，根据预设阈值过滤车辆信息；若过滤后无车辆，对应车道的交通指数为0。若过滤后有车辆，获取对应车道的交通指数具体包括计算所有车辆的平均行程时间；根据自由流行程时间和所述平均行程时间，计算所述车道通过车辆的平均延误时间；将所述平均延误时间分类至不同的所属区间；根据所属区间，分别计算所述车道的交通指数。进一步，若未获取到轨迹数据，通过所述车道对应上游路段的在网数据，估算所述车道平均行程时间，具体包括提取实时在网车辆数q，若q为0，所述车道的交通指数为0。若q不为0，具体包括计算所述上游路段的车辆密度k；根据车辆密度k，计算所述上游路段的平均运行速度；计算所述上游路段的平均行程时间；根据所述平均行程时间，计算所述上游路段的平均延误时间；将所述平均延误时间分类至不同的所属区间；根据所属区间，分别计算所述车道的交通指数。
作为示例，步骤204可以进一步包括流程400，流程400可以包括步骤401-404。
在401，获取车道在相位运行时间内的所有经过该车道的车辆轨迹数据；
在402，判断是否获取到轨迹数据，若获取可以进入403，若未获取到轨迹数据可以进入404。步骤403可以进一步包括子步骤403a-403f。
在403a，提取每个号牌的行程时间tn,判断tn是否位于
Figure BDA0003271748770000081
范围内，对tn不属于范围
Figure BDA0003271748770000082
的数据进行筛除；其中，L代表车道对应上游路段长度、C代表当前路口信号周期时长、Hs代表当前车道饱和车头时距、La代表每辆车处于排队时所占平均长度、g代表当前车道周期内实际放行绿灯时长。
在403b，若过滤后车辆数不为0可以进入403c，若为0，可以确定车道交通拥堵指数值为0，当前车道计算程序程序退出，程序进入计算下一车道；
在403c，对过滤后的ti计算所有车辆的平均行程时间
Figure BDA0003271748770000083
其中，n代表车辆个数；
在403d，计算车道通过车辆平均延误时间
Figure BDA0003271748770000084
其中，tf代表自由流行程时间；
在403e，判断Δt所属区间[0、C)、[C、2C)、[2C、3C)、[3C、4C]、(4C、∞]并根据Δt所属区间使用不同公式进行指数计算；
在403f，若0≤Δt＜Q,可以确定拥堵指数为[Δt/C]*4；若C≤Δt＜2C,可以确定拥堵指数为4+[(Δt-C)/C]*2；若2C≤Δt＜3C,可以确定拥堵指数为6+[(Δt-2C)/C]*2；若3C≤Δt≤4C,可以确定拥堵指数为8+[(Δt-3C)/C]*2且最大值不超过10；若4C＜Δt,可以确定拥堵指数为10。
在404，若未获取到轨迹数据，可以使用车道对应上游路段的在网车辆数估算确定车道平均行程时间
Figure BDA0003271748770000091
步骤404可以进一步包括子步骤404a-404h。
在404a，提取路口实时在网车辆数q,判断当前在网车辆数q是否为0，若q不为0，可以则进入404b，若q为0可以进入404h；
在404b，当q不为0时，计算路段车辆密度
Figure BDA0003271748770000092
其中，N为车道机动车道条数、L为车道长度；
在404c，计算路段平均运行速度
Figure BDA0003271748770000093
其中，kj饱和情况下单位距离内容纳车辆个数；
在404d，计算路段平均行程时间
Figure BDA0003271748770000094
在404e，计算
Figure BDA0003271748770000095
在404f，判断Δt所属区间[0、C)、[C、2C)、[2C、3C)、[3C、4C]、(4C、∞]并根据Δt所属区间使用不同公式进行指数计算；
在404g，若0≤Δt＜Q,可以确定拥堵指数为[Δt/C]*4；若C≤Δt＜2C,可以确定拥堵指数为4+[(Δt-C)/C]*2；若2C≤Δt＜3C,可以确定拥堵指数为6+[(Δt-2C)/C]*2；若3C≤Δt≤4C,可以确定拥堵指数为8+[(Δt-3C)/C]*2且最大值不超过10；若4C＜Δt,可以确定拥堵指数为10；
在404h，若qi为0则当前
Figure BDA0003271748770000096
可以确定指数为0。
在205，对所述第一信息进行分类，加权计算第一位置的第二信息。操作205可以通过基于轨迹融合的信息处理***100的服务器140和/或控制端120实现。在一些实施例中，服务器140和/或控制端120可以对所述第一信息进行分类，加权计算第一位置的第二信息。在一些实施例中，所述第二信息包括路口的交通状态，服务器140和/或控制端120可以对所述路口所有车道的交通指数进行分类，加权计算路口的交通状态等。
根据本申请的一些实施例，当获取到信号周期数据时，根据周期所在路口、周期开始时刻、周期结束时刻，以及所述周期通行路口所有车道的交通指数，计算并分析所述路口的交通状态。进一步，将所述路口所有车道的交通指数分类至不同的指数区间，并记录各指数区间的车道数值；根据所述各指数区间的车道数值，分别计算所述路口的TPI。
作为示例，步骤205可以进一步包括流程500，流程500可以包括步骤501-502。
在501，对计算确定的路口所有车道拥堵指数值的大小按照区间[0、2]、[2、4]、[4、6]、[6、8]、[8、10]进行分类，并记录各区间段数据个数分别为m、j、i、k、h；所述数据个数包括车道数值等。
在502，判断m、j、i、k、h各数值情况，分别采用不同公式计算确定路***通拥堵指数；步骤502可以进一步包括子步骤502a-502h；
在502a，若i、k、h均为0时，若i+h+k＝0，可以确定路口拥堵指数TPI＝Max(TPIl)；
在502b，若i&k&h＞0,可以确定路口拥堵指数
Figure BDA0003271748770000101
在502c，若i＝0、h≠0、k≠0，
可以确定路口拥堵指数
Figure BDA0003271748770000102
在502d，若i≠0、k＝0、h≠0，
可以确定路口拥堵指数
Figure BDA0003271748770000103
在502e，若i≠0、k≠0、h＝0，
可以确定路口拥堵指数
Figure BDA0003271748770000104
在502f，若i≠0、k＝h＝0，
可以确定路口拥堵指数
Figure BDA0003271748770000111
在502g，若k≠0、i＝h＝0，
可以确定路口拥堵指数
Figure BDA0003271748770000112
在502h，若h≠0、i＝k＝0，
可以确定路口拥堵指数
Figure BDA0003271748770000113
根据本申请的一些实施例，流程200可以进一步包括将所述路口所有车道的交通指数的计算结果，存储至路口车道交通指数表；将所述路口的交通状态的计算分析结果，存储至路***通指数表。
图3是根据本申请的一些实施例提供的基于轨迹融合的信息处理***的研判***集成示意图。如图3所示，基于轨迹融合的信息处理***100的研判***集成示意图包括路口信号机和路口相机。根据本申请的一些实施例，通过信号控制***获取所述路口信号机的信息，包括实时信号相位数据和实时信号周期数据。通过电子警察***获取路口相机的信息，包括实时过车数据等。在一些实施例中，通过对时服务器连接信号控制***和电子警察***，并获取关联信息，包括实时过车数据，实时信号相位数据，实时信号周期数据等。进一步，通过实时信号周期数据和实时过车数据进行车道交通指数计算，并确定车道交通拥堵数值。进一步，通过实时信号相位数据和车道交通拥堵指数进行路***通指数计算，并确定路***通拥堵指数等信息。
图4是根据本申请的一些实施例提供的智能交通场景的路口车道交通状态研判逻辑结构图。如图4所示，智能交通场景的路口车道交通状态研判逻辑在程序开始时，获取信号相位运行数据，若无则退出当前程序。若有运行数据，进一步获取路段车辆轨迹数据，若无轨迹数据，获取路段上游的在途车数据，若上游无在途车，退出当前程序。若有在途车，计算路网密度；若有轨迹数据，筛除异常数据；所述路网密度和过滤后的轨迹数据进一步用于行程时间计算，再计算延误时长，判断延误时长区间，所述区间包括[0、C)、[C、2C)、[2C、3C)、[3C、4C]、(4C、∞]；进一步，以不同区间利用不同公式进行车道交通指数计算，确定车道的拥堵指数。
图5是根据本申请的一些实施例提供的智能交通场景的路***通状态研判逻辑结构图。如图5所示，智能交通场景的路***通状态研判逻辑在程序开始时，获取信号周期运行数据，若无则退出当前程序。若有运行数据，获取路口车道的拥堵指数数据，若无拥堵指数数据，退出当前程序。若有拥堵指数数据，对所有车道的拥堵指数数据进行区间分类，所述区间包括[0、2]、[2、4]、[4、6]、[6、8]、[8、10]；进一步，根据加权计算不同区间的路***通指数，确定路口的拥堵指数。需要注意的是，本申请的交通指数区间取值范围为0-10的整数区间，仅为示例性的，在实际应用中可以使用其他任意可以表示指数层级关系的数值或符号等进行区间分类。
根据本申请的一些实施例，本申请的基于轨迹融合的信息处理***在前端设备建设方面大量利旧，无需重复建设路网交通流采集采集，同时不需要专门采购互联网等第三方数据，费用投入较低。与传统断面检测器只能反映断面(点)交通流参数相比，本申请的基于轨迹融合的信息处理方法更能准确反应路网运行状况；与路口传统断面检测器只能固定时间间隔检测交通流参数相比，本申请的基于轨迹融合的信息处理方法与信号运行参数相结合避免信号周期运行造成的参数检测突变。通过采用公安交管部门现有的存量数据，无需与第三方供应商进行***集成，保证了公安数据的安全性，同时可有效避免驾驶人及车辆信息的泄露。此外，本申请的基于轨迹融合的信息处理***为高度智能化的控制***，减少人员投入；本***部署硬件要求低，对中小城市只需要一台服务器即可满足应用需求。
需要说明的是，以上对于流程200的描述，仅为描述方便，并不能把本申请限制在所举实施例的范围之内。可以理解，对于本领域技术人员，基于本***的原理，可能在不背离该原理的前提下，对各个操作进行任意组合，或者构成子流程与其它操作组合，对实施上述流程和操作的功能进行形式和细节上的各种修正和改变。例如，流程200可以进一步包括将所述路口所有车道的交通指数的计算结果，存储至路口车道交通指数表；将所述路口的交通状态的计算分析结果，存储至路***通指数表等操作。诸如此类的变形，均在本申请的保护范围之内。
综上所述，根据本申请实施例的基于轨迹融合的信息处理方法及***，电子警察实时过车数据及路网拓扑结构，实时分析路网实时在网车辆与车辆实时运行轨迹数据，结合在网车辆数、运行轨迹数据以及路口信号运行数据分析路网中各交叉口流向的交通状况，为信号***实时调控提供数据决策。
需要注意的是，上述的实施例仅仅是用作示例，本申请不限于这样的示例，而是可以进行各种变化。
需要说明的是，在本说明书中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
最后，还需要说明的是，上述一系列处理不仅包括以这里所述的顺序按时间序列执行的处理，而且包括并行或分别地、而不是按时间顺序执行的处理。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序指令相关的硬件来完成，所述的程序可存储于一计算机可读存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储器(Read-Only Memory，ROM)或随机存储器(Random Access Memory，RAM)等。
以上所揭露的仅为本申请一些优选的实施例，不能以此来限定本申请之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本申请权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (10)

1.一种基于轨迹融合的信息处理方法，其特征在于，包括：
获取第一区域的路网拓扑关系数据；
初始化第一区域所有路段的在网数据为空；
获取第一位置的实时过车数据，以及实时信号数据；
根据所述过车数据和所述实时信号数据，计算第一位置所有路段的第一信息；
对所述第一信息进行分类，加权计算第一位置的第二信息。
2.根据权利要求1所述的方法，其特征在于，所述第一位置包括路口，所述第一信息包括路口所有车道的交通指数，所述第二信息包括路口的交通状态，获取第一位置的实时过车数据具体包括：
当获取到实时过车数据时，所述过车数据包括车辆号牌，通过所述号牌比对获取车辆轨迹数据；
根据所述车辆轨迹数据，更新所述号牌的车辆所在车道对应的上游路段、下游路段的在网数据，所述在网数据包括车辆在网数据。
3.根据权利要求2所述的方法，其特征在于，所述实时信号数据包括信号相位数据和信号周期数据；当获取到信号相位数据时，根据相位所在路口、相位开始时刻、相位结束时刻计算所述相位通行路口所有车道的交通指数，具体包括：
判断是否获取到车道在相位运行时段的车辆轨迹数据；
若获取到轨迹数据，提取每一号牌的行程时间，根据预设阈值过滤车辆信息；
若过滤后无车辆，对应车道的交通指数为0。
4.根据权利要求3所述的方法，其特征在于，若过滤后有车辆，获取对应车道的交通指数具体包括：
计算所有车辆的平均行程时间；
根据自由流行程时间和所述平均行程时间，计算所述车道通过车辆的平均延误时间；
将所述平均延误时间分类至不同的所属区间；
根据所属区间，分别计算所述车道的交通指数。
5.根据权利要求3所述的方法，其特征在于，若未获取到轨迹数据，通过所述车道对应上游路段的在网数据，估算所述车道平均行程时间，具体包括：
提取实时在网车辆数q，若q为0，所述车道的交通指数为0。
6.根据权利要求5所述的方法，其特征在于，若q不为0，具体包括：
计算所述上游路段的车辆密度k；
根据车辆密度k，计算所述上游路段的平均运行速度；
计算所述上游路段的平均行程时间；
根据所述平均行程时间，计算所述上游路段的平均延误时间；
将所述平均延误时间分类至不同的所属区间；
根据所属区间，分别计算所述车道的交通指数。
7.根据权利要求6所述的方法，其特征在于，当获取到信号周期数据时，根据周期所在路口、周期开始时刻、周期结束时刻，以及所述周期通行路口所有车道的交通指数，计算并分析所述路口的交通状态。
8.根据权利要求7所述的方法，其特征在于，具体包括：
将所述路口所有车道的交通指数分类至不同的指数区间，并记录各指数区间的车道数值；
根据所述各指数区间的车道数值，分别计算所述路口的TPI。
9.根据权利要求8所述的方法，其特征在于，具体包括：
将所述路口所有车道的交通指数的计算结果，存储至路口车道交通指数表；
将所述路口的交通状态的计算分析结果，存储至路***通指数表。
10.一个***，其特征在于，包括：
一个存储器，被配置为存储数据及指令；
一个与存储器建立通信的处理器，其中，当执行存储器中的指令时，所述处理器被配置为：
获取第一区域的路网拓扑关系数据；
初始化第一区域所有路段的在网数据为空；
获取第一位置的实时过车数据，以及实时信号数据；
根据所述过车数据和所述实时信号数据，计算第一位置所有路段的第一信息；
对所述第一信息进行分类，加权计算第一位置的第二信息。
CN202111104910.0A 2021-09-22 2021-09-22 一种基于轨迹融合的信息处理方法及*** Active CN113936454B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111104910.0A CN113936454B (zh) 2021-09-22 2021-09-22 一种基于轨迹融合的信息处理方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111104910.0A CN113936454B (zh) 2021-09-22 2021-09-22 一种基于轨迹融合的信息处理方法及***

Publications (2)

Publication Number Publication Date
CN113936454A true CN113936454A (zh) 2022-01-14
CN113936454B CN113936454B (zh) 2023-02-21

Family

ID=79276249

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111104910.0A Active CN113936454B (zh) 2021-09-22 2021-09-22 一种基于轨迹融合的信息处理方法及***

Country Status (1)

Country Link
CN (1) CN113936454B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0803043D0 (en) * 2008-02-20 2008-03-26 Davidson Prince N Comprehensive traffic control system with integrated communications technology
CN101702262A (zh) * 2009-11-06 2010-05-05 北京交通大学 一种城市交通流畅通性指标的数据融合方法
JP2011118521A (ja) * 2009-12-01 2011-06-16 Sumitomo Electric Ind Ltd 交通情報算出装置、交通システム及びコンピュータプログラム
CN102938201A (zh) * 2012-11-03 2013-02-20 西安费斯达自动化工程有限公司 密度非饱和状态下的电子空穴微观交通流建模方法
CN104851287A (zh) * 2015-04-15 2015-08-19 浙江大学 基于视频检测器的城市道路路段行程时间检测方法
CN106205156A (zh) * 2016-08-12 2016-12-07 南京航空航天大学 一种针对部分车道车流突变的交叉口自愈合控制方法
CN107085952A (zh) * 2017-06-28 2017-08-22 北京数行健科技有限公司 一种评价区域信号灯配时方案的方法、装置及***
CN107945511A (zh) * 2017-11-20 2018-04-20 中兴软创科技股份有限公司 一种交叉口延误时间的计算方法
CN109191872A (zh) * 2018-10-09 2019-01-11 东南大学 一种基于号牌数据的路***通流特征参数提取方法
CN110164132A (zh) * 2019-05-29 2019-08-23 浙江警察学院 一种道路交通异常的检测方法及***
CN110264717A (zh) * 2019-06-25 2019-09-20 牡丹江师范学院 一种城市智能交通调控***
CN111951549A (zh) * 2020-08-04 2020-11-17 内蒙古大学 在网联车辆环境下的自适应交通信号灯控制方法及***
CN111986483A (zh) * 2020-08-28 2020-11-24 上海宝康电子控制工程有限公司 基于电警数据碰撞实现道路拥堵状态研判处理的方法、装置及存储介质
CN112820108A (zh) * 2021-01-12 2021-05-18 南京睿思交通信息科技有限公司 一种自学习的路网交通状态分析及预测方法
CN113112816A (zh) * 2021-04-06 2021-07-13 安徽百诚慧通科技有限公司 一种车辆在路段平均行驶延误的提取方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0803043D0 (en) * 2008-02-20 2008-03-26 Davidson Prince N Comprehensive traffic control system with integrated communications technology
CN101702262A (zh) * 2009-11-06 2010-05-05 北京交通大学 一种城市交通流畅通性指标的数据融合方法
JP2011118521A (ja) * 2009-12-01 2011-06-16 Sumitomo Electric Ind Ltd 交通情報算出装置、交通システム及びコンピュータプログラム
CN102938201A (zh) * 2012-11-03 2013-02-20 西安费斯达自动化工程有限公司 密度非饱和状态下的电子空穴微观交通流建模方法
CN104851287A (zh) * 2015-04-15 2015-08-19 浙江大学 基于视频检测器的城市道路路段行程时间检测方法
CN106205156A (zh) * 2016-08-12 2016-12-07 南京航空航天大学 一种针对部分车道车流突变的交叉口自愈合控制方法
CN107085952A (zh) * 2017-06-28 2017-08-22 北京数行健科技有限公司 一种评价区域信号灯配时方案的方法、装置及***
CN107945511A (zh) * 2017-11-20 2018-04-20 中兴软创科技股份有限公司 一种交叉口延误时间的计算方法
CN109191872A (zh) * 2018-10-09 2019-01-11 东南大学 一种基于号牌数据的路***通流特征参数提取方法
CN110164132A (zh) * 2019-05-29 2019-08-23 浙江警察学院 一种道路交通异常的检测方法及***
CN110264717A (zh) * 2019-06-25 2019-09-20 牡丹江师范学院 一种城市智能交通调控***
CN111951549A (zh) * 2020-08-04 2020-11-17 内蒙古大学 在网联车辆环境下的自适应交通信号灯控制方法及***
CN111986483A (zh) * 2020-08-28 2020-11-24 上海宝康电子控制工程有限公司 基于电警数据碰撞实现道路拥堵状态研判处理的方法、装置及存储介质
CN112820108A (zh) * 2021-01-12 2021-05-18 南京睿思交通信息科技有限公司 一种自学习的路网交通状态分析及预测方法
CN113112816A (zh) * 2021-04-06 2021-07-13 安徽百诚慧通科技有限公司 一种车辆在路段平均行驶延误的提取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
RONIEL S. DE SOUSA ETC.: "A distributed and low-overhead traffic congestion control protocol for vehicular ad hoc networks", 《COMPUTER COMMUNICATIONS》 *
卢凯明: "基于轨迹数据的山地城市信号交叉口运行评价指标研究", 《中国优秀硕士学位论文全文数据库》 *
王尧: "城市道路交通拥堵评价与判定方法研究", 《中国优秀硕士学位论文全文数据库》 *

Also Published As

Publication number Publication date
CN113936454B (zh) 2023-02-21

Similar Documents

Publication Publication Date Title
CN109270927B (zh) 道路数据的生成方法及装置
CN106023629B (zh) 一种路径推荐方法和装置
CN106887137A (zh) 拥堵事件提示方法及装置
EP3443482B1 (en) Classifying entities in digital maps using discrete non-trace positioning data
CN104599002A (zh) 预测订单价值的方法及设备
CN111325986A (zh) 异常停车监测方法、装置、电子设备以及存储介质
Song et al. Farsa: Fully automated roadway safety assessment
CN111860558A (zh) 行程异常检测方法、装置及电子设备
CN110377687A (zh) 用户出行方式判别方法、装置和服务器
CN113888867B (zh) 一种基于lstm位置预测的车位推荐方法及***
CN104121917B (zh) 一种自动发现新建桥梁的方法和装置
CN113936454B (zh) 一种基于轨迹融合的信息处理方法及***
CN111160594B (zh) 一种到达时间的预估方法、装置及存储介质
CN110349428A (zh) 识别用户是否正在前往公交站点的方法及装置
Das et al. Why slammed the brakes on? auto-annotating driving behaviors from adaptive causal modeling
Song et al. Remote estimation of free-flow speeds
CN113609956B (zh) 训练方法、识别方法、装置、电子设备以及存储介质
CN114707567A (zh) 轨迹分类方法、轨迹分类模型训练方法及计算机程序产品
CN114492544A (zh) 模型训练方法及装置、交通事件发生概率评估方法及装置
Antoniades et al. Fare and duration prediction: A study of New York city taxi rides
CN106781470B (zh) 城市道路的运行速度的处理方法及装置
CN113936453B (zh) 一种基于车头时距的信息识别方法及***
CN107622664B (zh) 基于积木拼接的交通流量检测器布设方法、服务器及***
CN114093170B (zh) 一种信号机控制方案的生成方法、***、装置及电子设备
Shamohammadi et al. Comparison of the performance of gradient boosting, logistic regression, and linear Support Vector Classifier algorithms in classifying travel modes based on GNSS data

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