CN114333332B - 一种交通管控方法、装置及电子设备 - Google Patents
一种交通管控方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114333332B CN114333332B CN202210208458.0A CN202210208458A CN114333332B CN 114333332 B CN114333332 B CN 114333332B CN 202210208458 A CN202210208458 A CN 202210208458A CN 114333332 B CN114333332 B CN 114333332B
- Authority
- CN
- China
- Prior art keywords
- traffic
- control scheme
- control
- management
- data
- 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
Landscapes
- Traffic Control Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本说明书一个或多个实施例公开了一种交通管控方法、装置及电子设备,该方法包括:使用基于实时采集的交通流数据预测得到目标交通路网的交通流状态,并根据该交通流状态从基于历史交通数据生成的管控方案库中确定至少一个候选管控方案,然后基于预测交通流状态时使用的交通流数据对至少一个候选管控方案进行仿真推演,从中选择验证方案可行且推演结果满足预设约束条件的候选管控方案作为主动管控方案并下发,以实现对目标交通路网进行交通管控。
Description
技术领域
本文件涉及智慧交通技术领域,尤其涉及一种交通管控方法、装置及电子设备。
背景技术
高速公路建设,特别是高速公路智慧化作为我国“交通强国”战略的手段之一,具有举足轻重的作用。面对复杂多变的交通路网,尤其是高速公路路网的管控,一般采取技术加政策的管控手段。
现有的管控技术以主动交通管控(Active Traffic Management,ATM)作为主流,但是,在对交通路网进行主动交通管控时,往往会由于主动管控方案匹配不精准而影响交通路网正常运行。
发明内容
本说明书一个或多个实施例的目的是提供一种交通管控方法、装置及电子设备,以精准匹配合适的主动管控方案,提升主动交通管控效果。
为解决上述技术问题,本说明书一个或多个实施例是这样实现的:
第一方面,提出了一种交通管控方法,包括:
基于从目标交通路网实时采集的交通流数据,为所述目标交通路网预测交通流状态;
根据预测得到的所述交通流状态,从管控方案库中确定至少一个候选管控方案,其中,所述管控方案库基于历史交通数据生成;
基于所述至少一个候选管控方案进行仿真推演,确定验证方案可行且推演结果满足预设约束条件的候选控方案作为主动管控方案;
下发所述主动管控方案,所述主动管控方案被用于对所述目标交通路网进行交通管控。
第二方面,提出了一种交通管控方法,包括:
基于从目标交通路网实时采集的交通流数据,为所述目标交通路网预测交通流状态;
根据预测得到的所述交通流状态,从管控方案库中确定主动管控方案,其中,所述管控方案库基于历史交通数据生成;
下发所述主动管控方案,所述主动管控方案被用于对所述目标交通路网进行主动交通管控;
在实施主动交通管控之后,基于从所述目标交通路网周期性采集的交通流数据,融合得到所述目标交通路网的交通状态;
基于所述交通状态对所述管控方案库进行优化。
第三方面,提出了一种交通管控装置,包括:
预测模块,基于从目标交通路网实时采集的交通流数据,为所述目标交通路网预测交通流状态;
第一确定模块,根据预测得到的所述交通流状态,从管控方案库中确定至少一个候选管控方案,其中,所述管控方案库基于历史交通数据生成;
第二确定模块,基于所述至少一个候选管控方案进行仿真推演,确定验证方案可行且推演结果满足预设约束条件的候选控方案作为主动管控方案;
下发模块,下发所述主动管控方案,所述主动管控方案被用于对所述目标交通路网进行主动交通管控。
第四方面,提出了一种交通管控设备,包括:存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述计算机程序,以用于实现第一方面或第二方面所述方法中的步骤。
第五方面,提出了一种存储有计算机程序的计算机可读存储介质,当所述计算机程序被处理器执行时,用于实现第一方面或第二方面所述方法中的步骤。
由以上本说明书一个或多个实施例提供的技术方案可见,使用基于实时采集的交通流数据预测得到目标交通路网的交通流状态,并根据该交通流状态从基于历史交通数据生成的管控方案库中确定至少一个候选管控方案,然后基于预测交通流状态时使用的交通流数据对至少一个候选管控方案进行仿真推演,从中选择验证方案可行且推演结果满足预设约束条件的候选管控方案作为主动管控方案并下发。通过引入交通流状态预测,保证后续仿真推演时所用候选管控方案更贴近目标交通路网的真实交通运行需求,从而推演出最为匹配合适的主动管控方案。进而,保证后续实现精准、安全、可靠地交通管控,提升主动交通管控效果。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案,下面将对一个或多个实施例或现有技术描述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说明书中记载的一些实施例,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是本说明书实施例提供的交通管控方法的步骤示意图之一。
图2是本说明书实施例提供的交通管控方法的步骤示意图之二。
图3是本说明书实施例提供的交通管控方案的流程图。
图4是本说明书实施例提供的一种交通管控装置的结构示意图之一。
图5是本说明书实施例提供的一种交通管控装置的结构示意图之二。
图6是本说明书的一个实施例提供的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书一个或多个实施例中的附图,对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述,显然,所描述的一个或多个实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的一个或多个实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本文件的保护范围。
针对现有ATM技术中存在的主动管控方案匹配不精准的技术问题,本说明书实施例提供一种基于状态预测的主动管控方案,基本思路是:通过对目标交通路网中实时采集的交通流数据进行处理,预测得到该目标交通路网的交通流状态,然后根据该交通流状态从管控方案库中确定至少一个候选管控方案;接下来基于预测交通流状态时使用的交通流数据对至少一个候选管控方案进行仿真推演,从中选择验证方案可行且推演结果满足预设约束条件的候选管控方案作为主动管控方案并下发。
由于该在线仿真推演所针对的管控方案是通过预测得到的交通流状态从管控方案库中确定的,不是由当前交通流数据直接输入管控方案库得出;且预测得到的交通流状态能够更准确得反映目标交通路网在未来时间片的交通流情况,因此,使用预测得到的交通流状态能够更为精准地从管控方案库中,确定出与目标交通路网实际交通运行状况相匹配的候选管控方案。进一步,可以保证后续仿真推演时所用候选管控方案更贴近目标交通路网的真实交通运行需求,从而推演出匹配合适的主动管控方案。当下发到目标交通路网实施时,由于该主动管控方案与目标交通路网的真实交通运行需求更为接近,因此,可以通过主动管控方案中管控措施实现更为精准、安全、可靠地交通管控,提升主动交通管控效果。
下面通过具体的实施例的对本说明书技术方案进行详述。
实施例一
参照图1所示,为本说明书实施例提供的交通管控方法的步骤示意图。
步骤102:基于从目标交通路网实时采集的交通流数据,为所述目标交通路网预测交通流状态。
在本说明书实施例中,主动交通管控的路网对象可以包含:城际高速公路,城市内普通公路、快速公路以及其它类型公路。这些路网对象可以根据地域、政策等因素划分为不同的交通路网,其中,一个交通路网可以包含高速路段、普通公路路段、快速公路路段等多种路段中的一种或几种的组合。在每个交通路网对应的路段中,都可以布设有用于收集交通数据的感知设备,这些感知设备可以包括:摄像头、门架、卡口、雷达等。
当需要对目标交通路网进行主动交通管控时,可以基于从目标交通路网实时采集的交通流数据,为该目标交通路网预测得到交通流状态。这里的交通流数据至少包括:该目标交通路网的基础路网数据,流量数据,速度数据,时间数据等。其中,流量数据、速度数据等可以根据布设在目标交通路网的感知设备采集的车辆过往图像、车辆速度、数量等数据融合确定。进一步,还可以通过道路交通软件上报的用户数据对流量数据、速度数据等进行优化。
在本说明书实施例中,还可以将采集到的分散交通流数据融合在一起,基于时空属性,将同一位置以及同一时间片的交通流数据进行清洗、融合,得到针对目标交通路网的实时交通流状态。其实,交通流状态与交通流数据包含的数据内容类似,只是交通流数据默认是大量的零散数据,而交通流状态是基于交通流数据融合汇总的规整数据。
应理解,在得到该目标交通路网的实时交通流状态之后,可以基于状态预测模型,为该目标交通路网预测交通流状态。预测得到的交通流状态不同于实时交通流状态,而是用于表征未来时间片的交通运行状况。
具体地,可以将交通流数据输入状态预测模型,并在训练之前对分散的交通流数据进行数据融合,得到该目标交通路网的实时交通流状态,使用该实时交通流状态作为最终输入,预测得到目标交通路网在未来时间片的交通流状态。这里的状态预测模型可以是基于机器学习算法构建、训练得到的机器学习模型,例如,xgboost模型、图神经网络模型、深度学习算法模型。该状态预测模型训练时所需样本数据可以是从目标交通路网采集的历史交通数据确定,也可以是从目标交通路网以外的其它交通路网采集的历史交通数据确定,或者是两者结合确定,本说明书并不对此进行限定。通过机器学习算法构建、训练得到状态预测模型,并基于该状态预测模型预测目标交通路网在未来时间片的交通流状态,确保交通流状态可靠,提升主动交通管控过程中入参数据的准确性。
值得说明的是,在本说明书实施例中,预测得到的交通流状态中,除了包含主要的流量数据、速度数据,还可以包含密度数据。由于三者构成交通流模型,因此,在使用状态预测模型进行交通流状态预测时,可以只使用包含流量数据、速度数据的实时交通流状态进行预测,再使用预测得到的交通流状态中的流量数据、速度数据,利用交通流模型计算得到密度数据。或者,在使用状态预测模型进行交通流状态预测时,可以使用包含流量数据、速度数据、密度数据的实时交通流状态,预测得到的交通流状态。相应地,状态预测模型训练时所使用的样本数据的类型与预测时所使用的测试数据的类型匹配。
步骤104:根据预测得到的所述交通流状态,从管控方案库中确定至少一个候选管控方案,其中,所述管控方案库基于历史交通数据生成。
本说明书实施例中,在基于预测得到的交通流状态从管控方案库中确定候选管控方案时,可以根据管控方案库的不同执行不同的确定操作。
一种情况,管控方案库是普通的数据库。管控方案库可以通过以下方式确定:
a1,采集历史交通数据,该历史交通数据至少包含交通流数据和时间数据。该历史交通数据可以从目标交通路网获取,也可以从目标交通路网以外的其它交通路网获取,或是两者结合获取。本说明书并不对此进行限定。
a2,基于时空属性,对历史交通数据进行融合,得到多个历史交通状态。在获取历史交通数据之后,可以基于时空属性,将同一位置以及同一时间片的交通流数据进行清洗、融合,得到多个历史交通状态。
a3,基于多个历史交通状态进行场景仿真推演,生成管控方案库;该管控方案库中存储有历史交通状态与相应管控方案的映射关系。本说明书实施例可以采用枚举管控措施的方式,分别为每个历史交通状态生成至少一个管控仿真场景;然后,基于历史交通数据对每个管控仿真场景进行交通状态的仿真推演,并选择评估指标满足预设约束条件的至少一个管控措施作为当前管控仿真场景的管控方案;建立每个历史交通状态与相应管控方案的映射关系以生成管控方案库。换言之,管控方案库中有多个历史交通状态,每个历史交通状态对应有一个或多个管控方案,而每个管控方案都可以由一个或多个管控措施组合而成。
本说明书实施例中,评估指标可以包括:速度、流量、行程时间、二次事故率、业务响应时间等,用于评价交通运行情况以及管控效果。管控措施可以包括:限流、速度协调控制、匝道控制、排队预警、临时信息板、路径引导、汇入控制、车道管理、增加车道、匝道汇入、临时路肩使用、货车限制、可变车速限制等。这些管控措施之间可以相互组合,形成不同的管控方案。
举例说明管控方案库的生成:假设从管控区域下的交通路网获取历史交通流数据,对这些历史交通流数据进行时空属性处理,得到多个历史交通状态,包括:基础路网数据、速度数据、流量数据等。应理解,这里的历史交通状态可以不是对应于某个特定交通路网的,可以是多个交通路网的历史交通状态,以保证管控方案库的方案多样性全面性。本说明书所涉及的交通状态或是历史交通状态,其具体体现形式可以是包含各类描述基础路网数据、速度数据、流量数据、时间数据等数据的参数字段,例如,每天下午5点-5点半,在G7高速公路A路段,3车道以B速度、C流量行驶缓慢;其实,这仅是一个具体的实例描述,实际的参数字段可以根据状态的不同添加或减少,且描述方式可以灵活设置,只要能够从参数字段中读取能够反映交通路网的交通运行状况即可。相应地,为每个历史交通状态仿真推演确定的管控方案的体现形式也可以较为灵活。例如,针对历史交通状态1,可以仿真推演出2个不同的管控方案,且这2个管控方案的管控效果(反映在评估指标上)均不错,都可以解决该历史交通状态下交通运行问题,不同之处在于管控措施的选择和实施方式。其中一个管控方案可以是汇入控制、增加车道以及路径引导这几个管控措施的组合;另一个管控方案可以是车道管理、匝道汇入以及货车限制等。
相应地,在基于预测得到的交通流状态从管控方案库中确定候选管控方案时,可以从管控方案库存储的映射关系中,选择与交通流状态相比,满足相似度条件(相近或相同,例如,交通流状态相似度高达80%,或,交通流状态近乎相同)的历史交通状态对应的管控方案作为候选管控方案。
另一种情况,管控方案库具备学习能力,即该管控方案库中可以进行模型训练和预测。管控方案库可以通过以下方式确定:
b1,采集历史交通数据,该历史交通数据至少包含交通流数据和时间数据。该历史交通数据可以从目标交通路网获取,也可以从目标交通路网以外的其它交通路网获取,或是两者结合获取。本说明书并不对此进行限定。
b2,基于时空属性,对历史交通数据进行融合,得到多个历史交通状态。在获取历史交通数据之后,可以基于时空属性,将同一位置以及同一时间片的交通流数据进行清洗、融合,得到多个历史交通状态。
b3,基于所述多个历史交通状态对预设方案模型进行训练,生成管控方案预测模型;所述管控方案预测模型存储在所述管控方案库中。
其中,预设方案模型可以是基于机器学习算法模型构建的待训练模型,可以将多个历史交通状态作为样本数据进行特征提取(提取的特征可以是例如时间、流量、速度等),输入预设方案模型中进行学习训练得到管控方案预测模型。该管控方案预测模型基于历史交通状态反复训练得到,因此,在基于预测得到的交通流状态从管控方案库中确定候选管控方案时,可以将该交通流状态输入管控方案预测模型中,预测得到候选管控方案。通过机器学习算法训练得到的模型预测候选管控方案,可以提升确定候选管控方***性,
应理解,通过管控方案预测模型预测得到的管控方案,也可以是一个或多个具体管控措施的组合,在此不做赘述。
在本说明书实施例中,可以基于从各类感知设备实时采集的交通流数据对目标交通路网在未来时间片的交通运行状况进行预测,得到交通流状态,并使用交通流状态从管控方案库中确定出至少一个候选管控方案。其实,本说明书实施例考虑到实际的交通路网中,影响交通运行状况的还有各类交通事件,例如,由于天气、事故、施工等事件,可能会造成或增加交通运行压力。因此,还可以根据预测得到的交通流状态和从目标交通路网实时采集的事件状态,确定为目标交通路网预测的交通状态,然后根据该交通状态从管控方案库中确定至少一个候选管控方案。
针对增加了事件状态作为确定候选管控方案的条件这种情况,相应地,确定候选管控方案所基于的管控方案库,则是基于包含交通流数据、事件数据以及时间数据的历史交通数据生成的。具体生成方案可参考上述a1-a3仿真推演方式或b1-b3机器学习方式,在此不做赘述。
应理解,上述天气、事故、施工等事件状态,可以是基于布设在交通路网相应路段的感知设备采集,管控方案的执行主体获取后处理分析得到,和/或,经由交通道路类客户端或其它类型客户端主动上报用户反馈的数据分析得到,例如,用户通过A软件上报当前经过的B路段有占路施工。这样,将交通流状态和事件状态结合起来可以更好的反映目标交通路网的交通状态,以便确定更为匹配合适的候选管控方案。
本说明书实施例中,管控方案库是基于真实的历史交通数据生成的,经过反复的模拟推演或是模型训练,因此,不依赖于历史管控方案,处理方式以及适用场景更为灵活,且可以用于冷启动。
步骤106:基于所述至少一个候选管控方案进行仿真推演,确定验证方案可行且推演结果满足预设约束条件的候选管控方案作为主动管控方案。
在确定候选管控方案之后,可以基于预测得到的交通流状态对选出的一个或多个候选管控方案分别进行仿真推演,具体仿真推演操作可使用基于交通流模型构建的仿真平台实现,模拟仿真目标交通路网实施相应候选管控方案,并结合模拟仿真结果来验证候选管控方案是否可行。如果验证候选管控方案不可行,则放弃本次主管管控操作,或者,返回步骤104重新确定候选管控方案,或者,返回步骤102重新预测目标交通路网的交通流状态,直至验证出可行管控方案为止。上述模拟仿真结果可以是包含或反映评估指标的数据。
由于候选管控方案可以存在多个,因此,当这些候选管控方案经验证后存在多个可行的,那么,可以结合候选管控方案的模拟仿真结果,选择推演结果满足预设约束条件的候选管控方案作为主动管控方案。其中,预设约束条件,可以是推演结果中评估指标的评分均达到设定阈值,或是,推演结果中有设定数目的评估指标的评分达到设定阈值,或是,推演结果中评估指标的评分总和最大。这里所涉及的满足预设约束条件的候选管控方案,指的是构成该候选管控方案的一个或多个管控措施在被模拟仿真实施在目标交通路网时,达到的管控效果较好。
应理解,在本说明书实施例中,步骤106在确定主动管控方案时所使用的预设约束条件可以与生成管控方案库时所使用的预设约束条件相同或有差异。
步骤108:下发所述主动管控方案,所述主动管控方案被用于对所述目标交通路网进行交通管控。
在确定主动管控方案之后,下发到目标交通路网对应的实施方。这里的实施方包括但不限于:布设在目标交通路网的感知设备,管控目标交通路网的管理方终端设备等。一个主动管控方案可以根据所包含的管控措施由感知设备或上述管理方终端设备单独实施,或配合实施。例如,例如,针对大流量拥堵,采用上述方案确定了主动管控方案,可以通过目标交通路段播放器广播限流提醒,在目标交通路段设置路障,通过临时信息板提示动态速度限制,通过人工关闭匝道,或动态开放硬路肩等。
上述主动交通管控方案,使用基于实时采集的交通流数据预测得到目标交通路网的交通流状态,并根据该交通流状态从管控方案库中确定至少一个候选管控方案,然后基于预测交通流状态时使用的交通流数据对至少一个候选管控方案进行仿真推演,从中选择验证方案可行且推演结果满足预设约束条件的候选管控方案作为主动管控方案并下发。通过引入交通流状态预测,保证后续仿真推演时所用候选管控方案更贴近目标交通路网的真实交通运行需求,从而推演出最为匹配合适的主动管控方案。进而,保证后续实现精准、安全、可靠地交通管控,提升主动交通管控效果。
其实,在下发主动管控方案并实施在目标交通网络之后,还可以离线采集目标交通路网在实施主动管控方案后的交通数据,例如交通流数据、事件等,并根据这些交通数据分析得到管控效果,以反馈给管控方案库进行方案优化。
具体地,可以周期性采集目标交通路网在实施主动交通管控之后产生的交通数据;基于时空属性,对该交通数据进行融合,得到目标交通路网的交通状态,基于交通状态对所述管控方案库进行优化;其实,从该交通状态可以提取分析出评估指标,例如,当前目标交通路网的速度(提升2%)、流量(提升10%)、二次事故率(降低60%)、平均行程时间(不变)等,使用这些评估指标评估目标交通网络在使用主动管控方案后的实际管控效果。
在优化管控方案库时,针对采用a1-a3生成的管控方案库而言,可以为每个管控方案配置权重。在基于所述交通状态对所述管控方案库进行优化时,可基于所述交通状态统计得到的评估指标,对所述管控方案库中管控方案的权重进行调整。如果相比该主动管控方案在生成的时候的管控效果存在提升,则增大该主动管控方案在管控方案库中的权重。反之,如果相比该主动管控方案生成的时候的管控效果没有提升,则减小该主动管控方案在管控方案库中的权重。其中,管控方案的权重可用于在确定候选管控方案时作为选择参考。
进一步,在确定评估指标没有增幅,即管控效果没有提升时,还可以基于新采集的交通数据,重新触发仿真推演操作,以更新优化管控方案库中的管控方案。
在优化管控方案库时,针对采用b1-b3生成的管控方案库而言,可以不关心本次主动管控方案的效果如何,直接使用新采集的交通数据确定的交通状态对管控方案预测模型进行再训练,以提升模型预测准确度。
本说明书实施例通过上述方式优化管控方案库,可以实现主动管控方案的全链路控制,灵活部署离线生成管控方案库,在线实现主动管控的确定下发,以及离线优化管控方案库,而且结合在线主动管控过程中对目标交通路网的交通流状态预测,实现了较为完整的闭环主动管控设计,精准匹配合适的主动管控方案,提升主动交通管控的效果以及准确率。
值得说明的是,本说明书实施例中预测得到的交通流状态隐含有时间属性,换言之,交通流状态默认携带有未来时间片信息。例如,状态预测模型可以根据包含时间数据的样本进行训练得到,这样,实时采集的交通流数据可以根据当时的时间数据,一起作为输入特征送入机器学习模型进行训练。
实施例二
参照图2所示,为本说明书实施例提供的交通管控方法的步骤示意图。该交通管控方法可以包括以下步骤:
步骤202:基于从目标交通路网实时采集的交通流数据,为目标交通路网预测交通流状态。
步骤204:根据预测得到的交通流状态,从管控方案库中确定主动管控方案,其中,管控方案库基于历史交通数据生成。
步骤206:下发主动管控方案,主动管控方案被用于对所述目标交通路网进行主动交通管控。
步骤208:在实施主动交通管控之后,基于从目标交通路网周期性采集的交通流数据,融合得到目标交通路网的交通状态。
步骤210:基于交通状态对管控方案库进行优化。
本说明书实施例通过图2所示交通管控方案,可以实现主动管控方案的全链路控制,灵活部署离线生成管控方案库,在线实现主动管控的确定下发,以及离线优化管控方案库,而且结合在线主动管控过程中对目标交通路网的交通流状态预测,实现了较为完整的闭环主动管控设计,精准匹配合适的主动管控方案,提升主动交通管控的效果以及准确率。
参照图3所示,为本说明书实施例提供的交通管控方案的流程图。在该交通管控方案中,可以包括三个部分:1、主动管控方案的在线确定及下发,2、管控方案库的离线生成,3、管控效果的离线评估及管控方案库的离线优化。
其中,第2部分中,管控方案库可以基于获取的交通流数据、时间数据以及事件数据等数据,通过仿真分析确定或是训练模型而成。应理解,管控方案库可以是在初次启动主动交通管控程序之前就已经预先配置好的,也可以是在初次启动主动交通管控程序之后生成的,之后每次循环触发主动交通管控时都可以不用再次重新生成,可以利用第3部分的管控效果的离线评估进行优化完善。
第1部分被触发后,从A类感知设备至少可以获知到速度、流量、密度这些交通流数据,之后基于状态预测模型进行状态预测,得到交通流状态;同时,还可以从B类感知设备获知到天气、事故、施工等事件状态。结合这两个状态从管控方案库中可以匹配出候选管控方案,之后进行仿真推演,确定出可行的候选管控方案作为主动管控方案下发。
第3部分中,定时从实施主动管控方案的交通路网获取交通流数据,分析管控效果,并基于效果对管控方案库进行优化。这里可以再次触发管控方案库的重新仿真推演,以更新管控方案库。
应理解,A类感知设备和B类感知设备可包含相同的感知设备,也可以包含不同的感知设备,在此不做限定。
需要说明的是,图2所示主动管控方案的具体实现细节可参照实施例一的方案,在此不做赘述。
应理解,本说明书实施例中主动交通管控方法的执行主体可以是具有一定计算和处理能力的终端设备实现,其实现形式可以有多种,例如可以是智能手机、个人电脑、穿戴设备、平板电脑等。也可以是提供数据支持、计算服务以及一些管理服务的服务器实现,本实施例中并不限定服务器的实现形态,例如,服务器可以是常规服务器、云服务器、云主机、虚拟中心等服务器设备。其中,服务器设备的构成主要包括处理器、硬盘、内存、***总线等,和通用的计算机架构类型。服务器可以包含一台网站服务器,也可以包含多台网站服务器。
在上述实施例及附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如102、104等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。
实施例三
图4为本说明书实施例提供的一种交通管控装置的结构示意图,包括:
预测模块402,基于从目标交通路网实时采集的交通流数据,为所述目标交通路网预测交通流状态。
第一确定模块404,根据预测得到的所述交通流状态,从管控方案库中确定至少一个候选管控方案,其中,所述管控方案库基于历史交通数据生成。
第二确定模块406,基于所述至少一个候选管控方案进行仿真推演,确定验证方案可行且推演结果满足预设约束条件的候选控方案作为主动管控方案。
下发模块408,下发所述主动管控方案,所述主动管控方案被用于对所述目标交通路网进行主动交通管控。
一种可实现的方案,该主动交通管控装置还包括:优化模块,该优化模块可以周期性采集所述目标交通路网在实施主动交通管控之后产生的交通数据;基于时空属性,对所述交通数据进行融合,得到所述目标交通路网的交通状态;基于所述交通状态对所述管控方案库进行优化。
再一种可实现的方案,该主动交通管控装置还包括:方案库生成模块,该方案库生成模块采集历史交通数据,所述历史交通数据至少包含交通流数据和时间数据;基于时空属性,对所述历史交通数据进行融合,得到多个历史交通状态;基于所述多个历史交通状态进行场景仿真推演,生成管控方案库;所述管控方案库中存储有历史交通状态与管控方案的映射关系。
再一种可实现的方案,方案库生成模块可采用枚举管控措施的方式,分别为每个历史交通状态生成至少一个管控仿真场景;基于历史交通数据对每个管控仿真场景进行交通状态的仿真推演,并选择评估指标满足预设约束条件的至少一个管控措施作为当前管控仿真场景的管控方案;建立每个历史交通状态与相应管控方案的映射关系以生成管控方案库。
再一种可实现的方案,所述管控方案库中管控方案配置有权重;则优化模块可以基于所述交通状态统计得到的评估指标,对所述管控方案库中管控方案的权重进行调整。
再一种可实现的方案,如果基于所述交通状态统计得到的评估指标没有增幅,则在优化模块对所述管控方案库中管控方案的权重进行调整之后,方案库生成模块还可以基于所述交通数据重新进行仿真推演,以更新所述管控方案库。
再一种可实现的方案,该主动交通管控装置还包括:方案库生成模块,该方案库生成模块采集历史交通数据,所述历史交通数据至少包含历史交通流数据和时间数据;基于时空属性,对所述历史交通数据进行融合,得到多个历史交通状态;基于所述多个历史交通状态对预设方案模型进行训练,生成管控方案预测模型;所述管控方案预测模型存储在所述管控方案库中。
再一种可实现的方案,优化模块触发方案库生成模块基于所述交通状态对所述管控方案预测模型进行再训练。
再一种可实现的方案,预测模块将从目标交通路网实时采集的交通流数据输入状态预测模型,预测得到所述目标交通路网的交通流状态;所述状态预测模型基于预设机器学习模型训练得到。
再一种可实现的方案,第一确定模块根据预测得到的所述交通流状态,以及从目标交通路网实时采集的事件状态,确定所述目标交通路网的交通状态;基于所述交通状态从管控方案库中确定至少一个候选管控方案。
图5所示,为本说明书实施例提供的一种交通管控装置的结构示意图,包括:
预测模块502,基于从目标交通路网实时采集的交通流数据,为所述目标交通路网预测交通流状态;
确定模块504,根据预测得到的所述交通流状态,从管控方案库中确定主动管控方案,其中,所述管控方案库基于历史交通数据生成;
下发模块506,下发所述主动管控方案,所述主动管控方案被用于对所述目标交通路网进行主动交通管控;
融合模块508,在实施主动交通管控之后,基于从所述目标交通路网周期性采集的交通流数据,融合得到所述目标交通路网的交通状态;
优化模块510,基于所述交通状态对所述管控方案库进行优化。
同理,该图5中模块方案细节以及效果参考图4以及实施例一。
实施例四
图6为本申请示例性实施例提供的一种电子设备的结构示意图。本实施例的电子设备可以是主动交通管控设备。如图6所示,该电子设备包括:存储器602和处理器604。
存储器602,用于存储计算机程序。处理器604,与存储器602耦合,用于执行存储器602中存储的计算机程序,以用于:
基于从目标交通路网实时采集的交通流数据,为所述目标交通路网预测交通流状态;根据预测得到的所述交通流状态,从管控方案库中确定至少一个候选管控方案,其中,所述管控方案库基于历史交通数据生成;基于所述至少一个候选管控方案进行仿真推演,确定验证方案可行且推演结果满足预设约束条件的候选控方案作为主动管控方案;下发所述主动管控方案,所述主动管控方案被用于对所述目标交通路网进行交通管控。或者,
基于从目标交通路网实时采集的交通流数据,为所述目标交通路网预测交通流状态;根据预测得到的所述交通流状态,从管控方案库中确定主动管控方案,其中,所述管控方案库基于历史交通数据生成;下发所述主动管控方案,所述主动管控方案被用于对所述目标交通路网进行主动交通管控;在实施主动交通管控之后,基于从所述目标交通路网周期性采集的交通流数据,融合得到所述目标交通路网的交通状态;基于所述交通状态对所述管控方案库进行优化。
进一步,如图6所示,该电子设备还包括:显示器606、电源组件608、音频组件610、通信组件612等其它组件。图6中仅示意性给出部分组件,并不意味着计算机设备只包括图6所示组件。另外,图6中所示组件中有些为可选组件,而非必选组件,具体可视计算机设备的产品形态而定。本实施例的计算机设备可以实现为台式电脑、笔记本电脑、智能手机等终端设备,也可以是常规服务器、云服务器等服务器。
相应地,本申请实施例还提供一种存储有计算机程序的计算机可读存储介质,当计算机程序被处理器执行时,致使处理器实现上述实施例一或实施例二中交通管控的方法逻辑。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器 (RAM) 和/或非易失性内存等形式,如只读存储器(ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体 (transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围。
Claims (14)
1.一种交通管控方法,包括:
基于从目标交通路网实时采集的交通流数据,为所述目标交通路网预测交通流状态,其中,所述交通流状态用于表征未来时间片的交通运行状况;
根据预测得到的所述交通流状态,从管控方案库中确定至少一个候选管控方案,其中,所述管控方案库基于历史交通数据进行反复的模拟推演或模型训练生成,且不依赖历史管控方案,所述历史交通数据至少包含历史交通流数据和时间数据;
基于所述至少一个候选管控方案进行仿真推演,确定验证方案可行且推演结果满足预设约束条件的候选控方案作为主动管控方案;
下发所述主动管控方案,所述主动管控方案被用于对所述目标交通路网进行交通管控。
2.如权利要求1所述的交通管控方法,在下发所述主动管控方案之后,还包括:
周期性采集所述目标交通路网在实施主动交通管控之后产生的交通数据;
基于时空属性,对所述交通数据进行融合,得到所述目标交通路网的交通状态;
基于所述交通状态对所述管控方案库进行优化。
3.如权利要求2所述的交通管控方法,所述管控方案库通过以下方式生成:
采集历史交通数据;
基于时空属性,对所述历史交通数据进行融合,得到多个历史交通状态;
基于所述多个历史交通状态进行场景仿真推演,生成管控方案库;所述管控方案库中存储有历史交通状态与管控方案的映射关系。
4.如权利要求3所述的交通管控方法,基于所述多个历史交通状态进行场景仿真推演,生成所述管控方案库,包括:
采用枚举管控措施的方式,分别为每个历史交通状态生成至少一个管控仿真场景;
基于历史交通数据对每个管控仿真场景进行交通状态的仿真推演,并选择评估指标满足预设约束条件的至少一个管控措施作为当前管控仿真场景的管控方案;
建立每个历史交通状态与相应管控方案的映射关系以生成管控方案库。
5.如权利要求2-4任一项所述的交通管控方法,所述管控方案库中管控方案配置有权重;
则基于所述交通状态对所述管控方案库进行优化,包括:
基于所述交通状态统计得到的评估指标,对所述管控方案库中管控方案的权重进行调整。
6.如权利要求5所述的交通管控方法,如果基于所述交通状态统计得到的评估指标没有增幅,则在对所述管控方案库中管控方案的权重进行调整之后,还包括:
基于所述交通数据重新进行仿真推演,以更新所述管控方案库。
7.如权利要求2所述的交通管控方法,所述管控方案库通过以下方式生成:
采集历史交通数据;
基于时空属性,对所述历史交通数据进行融合,得到多个历史交通状态;
基于所述多个历史交通状态对预设方案模型进行训练,生成管控方案预测模型;所述管控方案预测模型存储在所述管控方案库中。
8.如权利要求7所述的交通管控方法,基于所述交通状态对所述管控方案库进行优化,包括:
基于所述交通状态对所述管控方案预测模型进行再训练。
9.如权利要求1所述的交通管控方法,基于从目标交通路网实时采集的交通流数据,为所述目标交通路网预测交通流状态,包括:
将从目标交通路网实时采集的交通流数据输入状态预测模型,预测得到所述目标交通路网的交通流状态;所述状态预测模型基于预设机器学习模型训练得到。
10.如权利要求1所述的交通管控方法,根据预测得到的所述交通流状态,从管控方案库中确定至少一个候选管控方案,包括:
根据预测得到的所述交通流状态,以及从目标交通路网实时采集的事件状态,确定所述目标交通路网的交通状态;
基于所述交通状态从管控方案库中确定至少一个候选管控方案。
11.一种交通管控方法,包括:
基于从目标交通路网实时采集的交通流数据,为所述目标交通路网预测交通流状态,其中,所述交通流状态用于表征未来时间片的交通运行状况;
根据预测得到的所述交通流状态,从管控方案库中确定主动管控方案,其中,所述管控方案库基于历史交通数据进行反复的模拟推演或模型训练生成,且不依赖历史管控方案,所述历史交通数据至少包含历史交通流数据和时间数据;
下发所述主动管控方案,所述主动管控方案被用于对所述目标交通路网进行主动交通管控;
在实施主动交通管控之后,基于从所述目标交通路网周期性采集的交通流数据,融合得到所述目标交通路网的交通状态;
基于所述交通状态对所述管控方案库进行优化。
12.一种交通管控装置,包括:
预测模块,基于从目标交通路网实时采集的交通流数据,为所述目标交通路网预测交通流状态,其中,所述交通流状态用于表征未来时间片的交通运行状况;
第一确定模块,根据预测得到的所述交通流状态,从管控方案库中确定至少一个候选管控方案,其中,所述管控方案库基于历史交通数据进行反复的模拟推演或模型训练生成,且不依赖历史管控方案,所述历史交通数据至少包含历史交通流数据和时间数据;
第二确定模块,基于所述至少一个候选管控方案进行仿真推演,确定验证方案可行且推演结果满足预设约束条件的候选控方案作为主动管控方案;
下发模块,下发所述主动管控方案,所述主动管控方案被用于对所述目标交通路网进行主动交通管控。
13.一种交通管控设备,包括:存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述计算机程序,以用于实现权利要求1-11任一项所述方法中的步骤。
14.一种存储有计算机程序的计算机可读存储介质,当所述计算机程序被处理器执行时,用于实现权利要求1-11任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210208458.0A CN114333332B (zh) | 2022-03-04 | 2022-03-04 | 一种交通管控方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210208458.0A CN114333332B (zh) | 2022-03-04 | 2022-03-04 | 一种交通管控方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114333332A CN114333332A (zh) | 2022-04-12 |
CN114333332B true CN114333332B (zh) | 2022-09-06 |
Family
ID=81030788
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210208458.0A Active CN114333332B (zh) | 2022-03-04 | 2022-03-04 | 一种交通管控方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114333332B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102101991B1 (ko) * | 2019-10-31 | 2020-04-20 | 한국교통연구원 | 고속도로 교통 제어 시스템 |
CN112201033A (zh) * | 2020-09-08 | 2021-01-08 | 同济大学 | 一种道路交通运行主动管控策略选择方法 |
WO2021058100A1 (en) * | 2019-09-25 | 2021-04-01 | Huawei Technologies Co., Ltd. | Multisensory learning system for traffic prediction |
CN113034902A (zh) * | 2021-03-05 | 2021-06-25 | 阿里云计算有限公司 | 一种交通控制方法、装置及电子设备 |
CN113299059A (zh) * | 2021-04-08 | 2021-08-24 | 四川国蓝中天环境科技集团有限公司 | 一种数据驱动的道路交通管控决策支持方法 |
CN113327421A (zh) * | 2021-06-04 | 2021-08-31 | 河北省交通规划设计院 | 一种基于v2x路网控制方法及*** |
CN113947905A (zh) * | 2021-10-19 | 2022-01-18 | 交通运输部公路科学研究所 | 一种交通运行态势感知方法、模块及*** |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8798897B2 (en) * | 2010-11-01 | 2014-08-05 | International Business Machines Corporation | Real-time traffic analysis through integration of road traffic prediction and traffic microsimulation models |
CN107945507B (zh) * | 2016-10-13 | 2020-08-11 | 腾讯科技(深圳)有限公司 | 行程时间预测方法及装置 |
CN111341099B (zh) * | 2020-02-27 | 2022-05-10 | 阿里巴巴集团控股有限公司 | 一种数据处理方法、装置及电子设备 |
CN111815953B (zh) * | 2020-08-31 | 2021-01-19 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种面向交通事件的高速公路交通管控效果评价方法 |
CN112185124B (zh) * | 2020-11-27 | 2021-03-26 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种全路网交通状态预测方法及装置 |
-
2022
- 2022-03-04 CN CN202210208458.0A patent/CN114333332B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021058100A1 (en) * | 2019-09-25 | 2021-04-01 | Huawei Technologies Co., Ltd. | Multisensory learning system for traffic prediction |
KR102101991B1 (ko) * | 2019-10-31 | 2020-04-20 | 한국교통연구원 | 고속도로 교통 제어 시스템 |
CN112201033A (zh) * | 2020-09-08 | 2021-01-08 | 同济大学 | 一种道路交通运行主动管控策略选择方法 |
CN113034902A (zh) * | 2021-03-05 | 2021-06-25 | 阿里云计算有限公司 | 一种交通控制方法、装置及电子设备 |
CN113299059A (zh) * | 2021-04-08 | 2021-08-24 | 四川国蓝中天环境科技集团有限公司 | 一种数据驱动的道路交通管控决策支持方法 |
CN113327421A (zh) * | 2021-06-04 | 2021-08-31 | 河北省交通规划设计院 | 一种基于v2x路网控制方法及*** |
CN113947905A (zh) * | 2021-10-19 | 2022-01-18 | 交通运输部公路科学研究所 | 一种交通运行态势感知方法、模块及*** |
Also Published As
Publication number | Publication date |
---|---|
CN114333332A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Amini et al. | Big data analytics architecture for real-time traffic control | |
Talebpour et al. | Modeling lane-changing behavior in a connected environment: A game theory approach | |
EP3035314B1 (en) | A traffic data fusion system and the related method for providing a traffic state for a network of roads | |
US20210192586A1 (en) | Systems and Methods for Detecting and Responding to Anomalous Traffic Conditions | |
CN112435469B (zh) | 车辆预警控制方法、装置、计算机可读介质及电子设备 | |
US11938969B2 (en) | Intelligent dynamic parking for autonomous vehicles | |
Wang et al. | Car-following models for human-driven vehicles and autonomous vehicles: A systematic review | |
KR20150069424A (ko) | 하둡 기반의 대용량 불균형 데이터 분류분석 시스템 및 방법 | |
Das et al. | Evaluating lateral interactions of motorized two-wheelers using multi-gene symbolic genetic programming | |
Noor et al. | Predict Arrival Time by Using Machine Learning Algorithm to Promote Utilization of Urban Smart Bus | |
Zhang et al. | Hybrid short-term traffic forecasting architecture and mechanisms for reservation-based Cooperative ITS | |
US11948101B2 (en) | Identification of non-deterministic models of multiple decision makers | |
US20220309391A1 (en) | Interactive machine learning optimization | |
CN114333332B (zh) | 一种交通管控方法、装置及电子设备 | |
US20210269058A1 (en) | Automatic scenario generator using a computer for autonomous driving | |
Xu et al. | Applying finite mixture models to New York City travel times | |
US11907857B2 (en) | Dynamic selection of parameter threshold values | |
Salamanis et al. | Evaluating the effect of time series segmentation on STARIMA-based traffic prediction model | |
Zou et al. | Analyzing freeway traffic incident clearance time using a deep survival model | |
CN112734810B (zh) | 一种障碍物追踪方法及装置 | |
CN112801156B (zh) | 用于人工智能机器学习的业务大数据采集方法及服务器 | |
Luo et al. | Dynamic simplex: Balancing safety and performance in autonomous cyber physical systems | |
CN114620034A (zh) | 一种自动泊车的轨迹动态规划方法、***、设备及介质 | |
Makarova et al. | ITS safety ensuring through situational management methods | |
CN117132958B (zh) | 道路要素识别方法及相关装置 |
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 |