CN114613146A - 一种基于大数据的智能驾驶方法和装置 - Google Patents

一种基于大数据的智能驾驶方法和装置 Download PDF

Info

Publication number
CN114613146A
CN114613146A CN202210512393.9A CN202210512393A CN114613146A CN 114613146 A CN114613146 A CN 114613146A CN 202210512393 A CN202210512393 A CN 202210512393A CN 114613146 A CN114613146 A CN 114613146A
Authority
CN
China
Prior art keywords
point
light
contour
illumination intensity
light sensation
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.)
Pending
Application number
CN202210512393.9A
Other languages
English (en)
Inventor
李金阳
易莹
阳仪萍
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.)
Hubei Cheanda Information Technology Co ltd
Original Assignee
Hubei Cheanda Information Technology 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 Hubei Cheanda Information Technology Co ltd filed Critical Hubei Cheanda Information Technology Co ltd
Priority to CN202210512393.9A priority Critical patent/CN114613146A/zh
Publication of CN114613146A publication Critical patent/CN114613146A/zh
Pending legal-status Critical Current

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096805—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Chemical & Material Sciences (AREA)
  • Operations Research (AREA)
  • Analytical Chemistry (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种基于大数据的智能驾驶方法和装置，其中，方法包括：通过获取用户输入的起点和终点，并根据光感采集单元采集的光照强度变化图，确定各个路线的预计达到时间。本发明的有益效果：实现了根据夜间行驶各个车辆灯光的情况，来对夜间的路径规划，相对于人工获取路况数据而言，提高了数据获取的效率，从而使路径规划更加合理，进而提高了用户的体验。

Description

一种基于大数据的智能驾驶方法和装置
技术领域
本发明涉及人工智能领域，特别涉及一种基于大数据的智能驾驶方法和装置。
背景技术
车辆路径规划是对行驶路线进行合理规划，随着科技的不断发展，交通量激增，交通路线会由于某种原因发生拥堵，这非常严重影响了车辆交通的运行效率，为了改进城市交通的运行状况，一些车辆调度平台需要获取城市交通路段的路况，根据路况对车辆的行车路径进行调度，车辆路径规划，可以在车辆配送环节，有效降低车辆使用数量和车辆行驶距离，提高配送的效率。
目前在进行车辆路径规划时，并没有考虑到夜间行驶和白天行驶的区别，因此也没有技术方案实现夜间的路径规划，目前车辆路径规划时，车辆的分流调度主要依靠人工的方式获取路况数据，效率比较低下。
发明内容
本发明的主要目的为提供一种基于大数据的智能驾驶方法、装置、设备以及存储介质，旨在解决没有技术方案实现夜间的路径规划的问题。
本发明提供了一种基于大数据的智能驾驶方法，应用于夜间行驶，通过车路协同***实现，所述车路协同***包括：公路的侧边设置有多个光感采集单元，平台以及车载终端，所述车载终端与所述平台数据连接，所述光感采集单元与所述平台数据连接，所述光感采集单元用于采集光线强度，当光线强度由弱变强再变弱时，则认定有车辆经过所述光感采集单元，所述光感采集单元根据采集的光照强度，构建时间与光照强度的光照强度变化图；所述智能驾驶方法包括：
在所述平台处接收用户输入的起点与终点；
根据所述起点和所述终点获取多条路线图；
实时获取各个路线图中的各个光感采集单元的光照强度变化图；
对各个所述光照强度变化图进行平滑处理，得到各个光照强度变化图对应的目标光照强度变化图；
从所述目标光照强度变化图提取极大值点、极小值点和变化周期，并根据极大值点和时间确定所述光感采集单元处的车辆流量；
根据每个极大值点与前一个极小值点计算光流变化量，并根据所述光流变化量计算对应所述光感采集单元处的车流速度变化量；其中，计算光流变化量的公式为
Figure 593319DEST_PATH_IMAGE001
；其中，
Figure 928092DEST_PATH_IMAGE002
为极小值点的光照强度，
Figure 980231DEST_PATH_IMAGE003
表示极小值对应的时间点，
Figure 745187DEST_PATH_IMAGE004
为极大值点的光照强度，
Figure 266298DEST_PATH_IMAGE003
表示极大值对应的时间点，
Figure 640647DEST_PATH_IMAGE005
表示光变化流量，
Figure 317266DEST_PATH_IMAGE006
，
Figure 751659DEST_PATH_IMAGE007
为常数，
Figure 448481DEST_PATH_IMAGE008
表示光变化流量；
根据相邻两个光感采集单元的所述车流速度变化量和车辆流量计算在所述相邻两个光感采集单元之间的平均速度；
将各个所述相邻两个光感采集单元之间的平均速度和各个光感采集单元的变化周期输入至驾驶时长预测模型中，得到各条线路图所对应的预测驾驶时长；其中，所述驾驶时长预测模型通过不同的相邻两个光感采集单元之间的平均速度和各个光感采集单元的变化周期以及对应的实际驾驶时长训练而成；
根据所述预测驾驶时长选取目标路线图进行驾驶。
进一步地，所述对各个所述光照强度变化图进行平滑处理，得到各个光照强度变化图对应的目标光照强度变化图的步骤，包括：
获取所述光照强度变化图的轮廓曲线，并获取到每个轮廓点的坐标；
设定初始轮廓点，并获取每个轮廓点至初始轮廓点的距离
Figure 626522DEST_PATH_IMAGE009
；
对每个轮廓点
Figure 89471DEST_PATH_IMAGE010
进行平滑处理，得到所述目标光照强度变化图，其中，进行所述平滑处理的公式为：
Figure 507814DEST_PATH_IMAGE011
，
Figure 924889DEST_PATH_IMAGE012
，其中
Figure 408085DEST_PATH_IMAGE013
为当前坐标点至所述初始轮廓点的弧长为
Figure 289322DEST_PATH_IMAGE014
的轮廓点，
Figure 558193DEST_PATH_IMAGE015
和
Figure 541192DEST_PATH_IMAGE016
分别表示当前坐标点的横坐标和纵坐标，
Figure 61035DEST_PATH_IMAGE017
为参数，
Figure 298244DEST_PATH_IMAGE018
分别代表平滑后当前坐标点的横坐标和纵坐标，
Figure 323969DEST_PATH_IMAGE019
表示弧长偏移距离为
Figure 715636DEST_PATH_IMAGE020
的横坐标，
Figure 600022DEST_PATH_IMAGE020
为一个距离变量，
Figure 941004DEST_PATH_IMAGE014
表示弧长，且0≤
Figure 386898DEST_PATH_IMAGE014
≤
Figure 767326DEST_PATH_IMAGE021
，L为所述轮廓曲线的弧长。
进一步地，所述从所述目标光照强度变化图提取极大值点、极小值点和变化周期的步骤中，提取所述极大值点和极小值点的步骤，包括：
获取所述轮廓曲线的曲率，根据每个所述轮廓点的曲率，将曲率为过零点的轮廓点提取出来作为第一轮廓点，其中，第一轮廓点的相邻点的曲率的乘积为负数；
提取所述第一轮廓点的a邻域两侧的离散点，所述离散点分别为Pi-a，Pi-a+1，…Pi-1和Pi+1，…Pi+a；其中Pi表示所述第一轮廓点；
将所述第一轮廓点Pi与离散点Pi-a的连线记为第一线段，将所述第一轮廓点Pi与离散点Pi+a的连线记为第二线段，然后将所述第一线段的中垂线与所述第二线段的中垂线的交点作为所述第一轮廓点的内切圆圆心；
计算所述第一轮廓点以及各离散点至所述内切圆圆心的距离，并取各计算得到的距离的平均值作为所述内切圆的半径；
判断所述内切圆的半径是否大于预设值；
若是，则判定所述第一轮廓点为所述轮廓曲线的极值点；
根据极值点与周围轮廓点的光照强度大小判断为极小值点或者极大值点。
进一步地，所述根据相邻两个光感采集单元的所述车流速度变化量和车辆流量计算在所述相邻两个光感采集单元之间的平均速度的步骤，包括：
基于所述车辆流量和所述车流速度变化量获取相邻两个光感采集单元的所述车辆流量和所述车流速度变化量的第一函数关系，以及根据所述车辆流量与时间的关系构建车辆流量和时间的第二函数关系；
根据所述第一函数关系和第二函数关系得到时间与所述车流速度变化量的第三函数关系；
根据所述第三函数关系得到时间与平均速度的第四函数关系；
根据所述第四函数关系获取到所述相邻两个光感采集单元之间的平均速度。
进一步地，多个所述光感采集单元组成SIG MESH，在所述SIG MESH中，所述光感采集单元共享其对应的光照强度变化图，当所述光感采集单元接收到所述光照强度变化图时，向其他的光感采集单元进行广播，所述光感采集单元接收到所述车载终端的连接请求时，与所述车载终端进行连接；
所述根据所述预测驾驶时长选取目标路线图进行驾驶的步骤之后，还包括：
所述车载终端广播连接光感采集单元的信息；
当接收到光感采集单元的回馈信息时，与对应的光感采集单元建立数据连接；
根据所述目标路线图经过的目标光感采集单元，获取各个所述目标光感采集单元的光照强度变化图；
根据所述光照强度变化图的变化情况反馈各个光感采集单元对应路段的拥堵情况，并将所述拥堵情况进行展示。
本发明还提供了一种基于大数据的智能驾驶装置，应用于夜间行驶，通过车路协同***实现，所述车路协同***包括：公路的侧边设置有多个光感采集单元，平台以及车载终端，所述车载终端与所述平台数据连接，所述光感采集单元与所述平台数据连接，所述光感采集单元用于采集光线强度，当光线强度由弱变强再变弱时，则认定有车辆经过所述光感采集单元，所述光感采集单元根据采集的光照强度，构建时间与光照强度的光照强度变化图；所述智能驾驶装置包括：
接收模块，用于在所述平台处接收用户输入的起点与终点；
第一获取模块，用于根据所述起点和所述终点获取多条路线图；
第二获取模块，用于实时获取各个路线图中的各个光感采集单元的光照强度变化图；
平滑处理模块，用于对各个所述光照强度变化图进行平滑处理，得到各个光照强度变化图对应的目标光照强度变化图；
提取模块，用于从所述目标光照强度变化图提取极大值点、极小值点和变化周期，并根据极大值点和时间确定所述光感采集单元处的车辆流量；
第一计算模块，用于根据每个极大值点与前一个极小值点计算光流变化量，并根据所述光流变化量计算对应所述光感采集单元处的车流速度变化量；其中，计算光流变化量的公式为
Figure 442021DEST_PATH_IMAGE001
；其中，
Figure 152357DEST_PATH_IMAGE002
为极小值点的光照强度，
Figure 211230DEST_PATH_IMAGE003
表示极小值对应的时间点，
Figure 124959DEST_PATH_IMAGE004
为极大值点的光照强度，
Figure 852612DEST_PATH_IMAGE003
表示极大值对应的时间点，
Figure 122182DEST_PATH_IMAGE005
表示光变化流量，
Figure 395032DEST_PATH_IMAGE006
，
Figure 310904DEST_PATH_IMAGE007
为常数，
Figure 12887DEST_PATH_IMAGE008
表示光变化流量；
第二计算模块，用于根据相邻两个光感采集单元的所述车流速度变化量和车辆流量计算在所述相邻两个光感采集单元之间的平均速度；
输入模块，用于将各个所述相邻两个光感采集单元之间的平均速度和各个光感采集单元的变化周期输入至驾驶时长预测模型中，得到各条线路图所对应的预测驾驶时长；其中，所述驾驶时长预测模型通过不同的相邻两个光感采集单元之间的平均速度和各个光感采集单元的变化周期以及对应的实际驾驶时长训练而成；
选取模块，用于根据所述预测驾驶时长选取目标路线图进行驾驶。
进一步地，所述平滑处理模块，包括：
获取子模块，用于获取所述光照强度变化图的轮廓曲线，并获取到每个轮廓点的坐标；
设定子模块，用于设定初始轮廓点，并获取每个轮廓点至初始轮廓点的距离
Figure 448548DEST_PATH_IMAGE009
；
平滑处理子模块，用于对每个轮廓点
Figure 141566DEST_PATH_IMAGE010
进行平滑处理，得到所述目标光照强度变化图，其中，进行所述平滑处理的公式为：
Figure 983882DEST_PATH_IMAGE011
，
Figure 804071DEST_PATH_IMAGE012
，其中
Figure 343506DEST_PATH_IMAGE013
为当前坐标点至所述初始轮廓点的弧长为
Figure 926801DEST_PATH_IMAGE014
的轮廓点，
Figure 302419DEST_PATH_IMAGE015
和
Figure 909986DEST_PATH_IMAGE016
分别表示当前坐标点的横坐标和纵坐标，
Figure 8655DEST_PATH_IMAGE017
为参数，
Figure 794208DEST_PATH_IMAGE018
分别代表平滑后当前坐标点的横坐标和纵坐标，
Figure 844072DEST_PATH_IMAGE019
表示弧长偏移距离为
Figure 753866DEST_PATH_IMAGE020
的横坐标，
Figure 205576DEST_PATH_IMAGE020
为一个距离变量，
Figure 427610DEST_PATH_IMAGE014
表示弧长，且0≤
Figure 528552DEST_PATH_IMAGE014
≤
Figure 415606DEST_PATH_IMAGE021
，L为所述轮廓曲线的弧长。
进一步地，所述从所述提取模块，包括：
曲率获取子模块，用于获取所述轮廓曲线的曲率，根据每个所述轮廓点的曲率，将曲率为过零点的轮廓点提取出来作为第一轮廓点，其中，第一轮廓点的相邻点的曲率的乘积为负数；
离散点提取子模块，用于提取所述第一轮廓点的a邻域两侧的离散点，所述离散点分别为Pi-a，Pi-a+1，…Pi-1和Pi+1，…Pi+a；其中Pi表示所述第一轮廓点；
圆心获取子模块，用于将所述第一轮廓点Pi与离散点Pi-a的连线记为第一线段，将所述第一轮廓点Pi与离散点Pi+a的连线记为第二线段，然后将所述第一线段的中垂线与所述第二线段的中垂线的交点作为所述第一轮廓点的内切圆圆心；
计算子模块，用于计算所述第一轮廓点以及各离散点至所述内切圆圆心的距离，并取各计算得到的距离的平均值作为所述内切圆的半径；
判断子模块，用于判断所述内切圆的半径是否大于预设值；
极值点判断子模块，用于若是，则判定所述第一轮廓点为所述轮廓曲线的极值点；
极小值点判断子模块，用于根据极值点与周围轮廓点的光照强度大小判断为极小值点或者极大值点。
进一步地，所述第二计算模块，包括：
第一函数关系获取子模块，用于基于所述车辆流量和所述车流速度变化量获取相邻两个光感采集单元的所述车辆流量和所述车流速度变化量的第一函数关系，以及根据所述车辆流量与时间的关系构建车辆流量和时间的第二函数关系；
第三函数关系获取子模块，用于根据所述第一函数关系和第二函数关系得到时间与所述车流速度变化量的第三函数关系；
第四函数关系获取子模块，用于根据所述第三函数关系得到时间与平均速度的第四函数关系；
平均速度获取子模块，用于根据所述第四函数关系获取到所述相邻两个光感采集单元之间的平均速度。
进一步地，多个所述光感采集单元组成SIG MESH，在所述SIG MESH中，所述光感采集单元共享其对应的光照强度变化图，当所述光感采集单元接收到所述光照强度变化图时，向其他的光感采集单元进行广播，所述光感采集单元接收到所述车载终端的连接请求时，与所述车载终端进行连接；
所述基于大数据的智能驾驶装置，还包括：
广播模块，用于所述车载终端广播连接光感采集单元的信息；
数据连接模块，用于当接收到光感采集单元的回馈信息时，与对应的光感采集单元建立数据连接；
第三获取模块，用于根据所述目标路线图经过的目标光感采集单元，获取各个所述目标光感采集单元的光照强度变化图；
展示模块，用于根据所述光照强度变化图的变化情况反馈各个光感采集单元对应路段的拥堵情况，并将所述拥堵情况进行展示。
本发明的有益效果：通过获取用户输入的起点和终点，并根据光感采集单元采集的光照强度变化图，确定各个路线的预计达到时间，实现了根据夜间行驶各个车辆灯光的情况，来对夜间的路径规划，相对于人工获取路况数据而言，提高了数据获取的效率，从而使路径规划更加合理，进而提高了用户的体验。
附图说明
图1 是本发明一实施例的一种基于大数据的智能驾驶方法的流程示意图；
图2 是本发明一实施例的一种基于大数据的智能驾驶装置的结构示意框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
需要说明，本发明实施例中所有方向性指示（诸如上、下、左、右、前、后等）仅用于解释在某一特定姿态（如附图所示）下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变，所述的连接可以是直接连接，也可以是间接连接。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。
另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
参照图1，本发明提出一种基于大数据的智能驾驶方法，应用于夜间行驶，通过车路协同***实现，所述车路协同***包括：公路的侧边设置有多个光感采集单元，平台以及车载终端，所述车载终端与所述平台数据连接，所述光感采集单元与所述平台数据连接，所述光感采集单元用于采集光线强度，当光线强度由弱变强再变弱时，则认定有车辆经过所述光感采集单元，所述光感采集单元根据采集的光照强度，构建时间与光照强度的光照强度变化图；所述智能驾驶方法包括：
S1：在所述平台处接收用户输入的起点与终点；
S2：根据所述起点和所述终点获取多条路线图；
S3：实时获取各个路线图中的各个光感采集单元的光照强度变化图；
S4：对各个所述光照强度变化图进行平滑处理，得到各个光照强度变化图对应的目标光照强度变化图；
S5：从所述目标光照强度变化图提取极大值点、极小值点和变化周期，并根据极大值点和时间确定所述光感采集单元处的车辆流量；
S6：根据每个极大值点与前一个极小值点计算光流变化量，并根据所述光流变化量计算对应所述光感采集单元处的车流速度变化量；其中，计算光流变化量的公式为
Figure 534872DEST_PATH_IMAGE001
；其中，
Figure 681469DEST_PATH_IMAGE002
为极小值点的光照强度，
Figure 705926DEST_PATH_IMAGE003
表示极小值对应的时间点，
Figure 209719DEST_PATH_IMAGE004
为极大值点的光照强度，
Figure 934224DEST_PATH_IMAGE003
表示极大值对应的时间点，
Figure 685011DEST_PATH_IMAGE005
表示光变化流量，
Figure 9813DEST_PATH_IMAGE006
，
Figure 737204DEST_PATH_IMAGE007
为常数，
Figure 80330DEST_PATH_IMAGE008
表示光变化流量；
S7：根据相邻两个光感采集单元的所述车流速度变化量和车辆流量计算在所述相邻两个光感采集单元之间的平均速度；
S8：将各个所述相邻两个光感采集单元之间的平均速度和各个光感采集单元的变化周期输入至驾驶时长预测模型中，得到各条线路图所对应的预测驾驶时长；其中，所述驾驶时长预测模型通过不同的相邻两个光感采集单元之间的平均速度和各个光感采集单元的变化周期以及对应的实际驾驶时长训练而成；
S9：根据所述预测驾驶时长选取目标路线图进行驾驶。
如上述步骤S1和S2所述，在平台处接收用户输入的起点与终点，具体地，用户在车载终端上输入对应的起点和终点，然后由车载终端上传至平台，具体地，该平台为对应app的***端，用户在车载终端下载对应的app，然后通过app上传至平台，从而实现在平台处接收用户输入的起点与终点，用户输入的起点，一般可以默认获取到车载终端的当前位置为起点，也可以是用户自行输入的起点，此处需要说明的是，即使是自动生成的起点，也可以认为是app协助用户生成的起点，终点的位置一般需要用户输入，当然根据用户输入的历史记录，也可以根据用户的选取来自动生成，本申请对此不作限定，至于根据所述起点和所述终点获取多条路线图各个app，例如百度地图，高德地图都可以实现多条路线的获取，然后其再根据后台数据为用户选取一条最优的路线进行推送，本申请只需要获取到多条路线，至于最优路线的选择，则根据后续的步骤进行选取。另外，光感采集单元可以采用光感传感器来实现，其具体可以型号可以是MAX44009工业光感传感器，其工作电流小于1uA，内功耗低，并且可以侦测到环境光，摄入广信，最终形成光场的形状，即可以采集光线强度，当夜晚有车辆经过时，其会经历光线强度由弱变强，再变弱的过程，考虑到多辆车依次经过该光感采集单元，光线具有一个累加的强度，但是在后续的计算过程中已经考虑了这一点，具体后续再进行详细说明，此处不再赘述，另外，光感采集单元的密度不宜设置过密，也不能过稀，一般而言不同的路段设置一个光感采集单元即可，该路段是指路段中没有分岔路口的路段，当然对于一些较长的路段也可以设置多个光感采集单元，本申请对此不作限定，设置过密会带来成本问题以及后续对数据处理的效率问题，而过稀则会带来数据结果不精确的问题，因此，需要根据实际情况进行合理的设置。
如上述步骤S3-S4所述，实时获取到各个光感采集单元的光照强度变化图，各个光感采集单元都会采集到对应的光照强度随着时间的变化情况，当然，获取到的光照强度变化图，应当是距离当前时间在设定时长以内的，对于设定时长以外的光照强度变化图对当前的路况判断并没有多大的帮助，还会造成数据的多余计算，另外，由于外界光照的原因，会导致光照强度的起伏不定，因此需要对各个所述光照强度变化图进行平滑处理，得到各个光照强度变化图对应的目标光照强度变化图，其中，平滑处理的方式不作限定，例如高斯滤波，双边滤波，中值滤波以及均值滤波等不同的平滑处理方式，本申请在后续的实施例中提供了一种具体的平滑处理方式，此处不再赘述，可以实现对变化图的变化曲线进行平滑处理即可。
如上述步骤S5-S6所述，从所述目标光照强度变化图提取极大值点、极小值点和变化周期，并根据极大值点和时间确定所述光感采集单元处的车辆流量；根据每个极大值点与前一个极小值点计算光流变化量，并根据所述光流变化量计算对应所述光感采集单元处的车流速度变化量；其中，计算光流变化量的公式为
Figure 503483DEST_PATH_IMAGE001
；其中，
Figure 236953DEST_PATH_IMAGE002
为极小值点的光照强度，
Figure 348128DEST_PATH_IMAGE003
表示极小值对应的时间点，
Figure 38436DEST_PATH_IMAGE004
为极大值点的光照强度，
Figure 944075DEST_PATH_IMAGE003
表示极大值对应的时间点，
Figure 164841DEST_PATH_IMAGE005
表示光变化流量，
Figure 299281DEST_PATH_IMAGE006
，
Figure 367732DEST_PATH_IMAGE007
为常数，
Figure 631223DEST_PATH_IMAGE008
表示光变化流量。其中，变化周期是指在考虑红绿灯的情况下，若该路段没有红绿灯，则可以认为其变化周期为无穷大，也因此，此处获取到的变化周期实际上是红绿灯的周期，因为在红灯时，其车辆基本不会发生移动，也因此其光照强度变化的频率不会太高，在经过平滑处理后，即很难会出现波动的情况，此时记录这个光照强度不发生变化的时间点，从而可以获取到对应的变化周期，至于极大值点和极小值点，则可以是在获取到目标光照强度变化图的轮廓图后，根据轮廓图的坐标，斜率等计算得到极大值点和极小值点，，另外根据极大值点和时间确定光感采集单元处的车辆流量，即在本实施例中，可以粗略的认为一个极大值点的出现表明一辆车经过，再根据这个时间，该时间为上述的设定时间，从而确定车辆流量；根据每个极大值点与前一个极小值点计算光流变化量，并根据所述光流变化量计算对应所述光感采集单元处的车流速度变化量。如前述所述，当具有多辆车同时穿过该车流速度变化量时，在对同时出现的极大值点时的车辆速度变化量数值会偏大，对于前车过去后，后续的车辆速度变化量数值会偏小，然后求取各个车辆速度变化量的平均值，从而将这个误差抵消，得到最终的车流速度变化量。
Figure 900137DEST_PATH_IMAGE006
，设置后续的加1是为了避免出现为0的情况，此时认为没有车辆经过，或者很少有车辆经过的情形。
如上述步骤S7-S9所述，根据相邻两个光感采集单元的所述车流速度变化量和车辆流量计算在所述相邻两个光感采集单元之间的平均速度；将各个所述相邻两个光感采集单元之间的平均速度和各个光感采集单元的变化周期输入至驾驶时长预测模型中，得到各条线路图所对应的预测驾驶时长；其中，所述驾驶时长预测模型通过不同的相邻两个光感采集单元之间的平均速度和各个光感采集单元的变化周期以及对应的实际驾驶时长训练而成；根据所述预测驾驶时长选取目标路线图进行驾驶。其中，计算平均速度的方式，可以是根据车辆速度变化量直接求取，但是根据实际情况，其通过光感采集单元处的平均速度应该是实时变化的，因此优选根据车辆流量和速度变化量进行求取，求取的方式后续实施例有详细说明，此处不再赘述。：将各个所述相邻两个光感采集单元之间的平均速度和各个光感采集单元的变化周期输入至驾驶时长预测模型中，得到各条线路图所对应的预测驾驶时长，需要说明的是，可以预测到车辆行驶至每个光感采集单元处的预计时间，然后根据预计时间与变化周期是否相匹配，即是否需要过去等红绿灯，来预测出驾驶时长，从而提高了预测的精度，该驾驶时长预测模型为神经网络模型，然后根据预测驾驶时长选取目标路线图进行驾驶。从而实现了根据夜间行驶各个车辆灯光的情况，来对夜间的路径规划，相对于人工获取路况数据而言，提高了数据获取的效率，从而使路径规划更加合理，进而提高了用户的体验。
在一个实施例中，所述对各个所述光照强度变化图进行平滑处理，得到各个光照强度变化图对应的目标光照强度变化图的步骤S4，包括：
S401：获取所述光照强度变化图的轮廓曲线，并获取到每个轮廓点的坐标；
S402：设定初始轮廓点，并获取每个轮廓点至初始轮廓点的距离
Figure 87535DEST_PATH_IMAGE009
；
S403：对每个轮廓点
Figure 259760DEST_PATH_IMAGE010
进行平滑处理，得到所述目标光照强度变化图，其中，进行所述平滑处理的公式为：
Figure 195617DEST_PATH_IMAGE011
，
Figure 204024DEST_PATH_IMAGE012
，其中
Figure 382065DEST_PATH_IMAGE013
为当前坐标点至所述初始轮廓点的弧长为
Figure 913190DEST_PATH_IMAGE014
的轮廓点，
Figure 331533DEST_PATH_IMAGE015
和
Figure 810925DEST_PATH_IMAGE016
分别表示当前坐标点的横坐标和纵坐标，
Figure 294121DEST_PATH_IMAGE017
为参数，
Figure 926090DEST_PATH_IMAGE018
分别代表平滑后当前坐标点的横坐标和纵坐标，
Figure 764602DEST_PATH_IMAGE019
表示弧长偏移距离为
Figure 433088DEST_PATH_IMAGE020
的横坐标，
Figure 765980DEST_PATH_IMAGE020
为一个距离变量，
Figure 501724DEST_PATH_IMAGE014
表示弧长，且0≤
Figure 215864DEST_PATH_IMAGE014
≤
Figure 420580DEST_PATH_IMAGE021
，L为所述轮廓曲线的弧长。
如上述步骤S401-S403所述，实现了对目标光照强度变化图的获取，即线获取到获取所述光照强度变化图的轮廓曲线，并获取到每个轮廓点的坐标，由于光照强度图都是根据光感采集单元实时记录的，因此，可以获取到光照强度变化图的轮廓曲线，然后将每个轮廓点表示为
Figure 478535DEST_PATH_IMAGE010
，由于由于外界光照的原因，会导致光照强度的起伏不定，导致轮廓曲线上或多或少具有一些噪声，因此，将每个每个轮廓点表示为
Figure 850478DEST_PATH_IMAGE010
，然后对横坐标和纵坐标进行卷积，消除这些噪声，需要注意的是，平滑后可能会将一些点移动，使闭合的轮廓曲线不连续，因此还可以根据搜索初始轮廓点的八邻域像素，搜索八邻域像素时，初始轮廓点将搜索到的第一个符合要求的像素作为下一个轮廓点，然后将搜索到的下一个轮廓点作为当前轮廓点，并按照上述选定的方向继续搜索下一个轮廓点，依次搜索直至搜索到的轮廓点为最末端的轮廓点，从而保证轮廓曲线为连续的曲线。
在一个实施例中，所述从所述目标光照强度变化图提取极大值点、极小值点和变化周期的步骤S5中，提取所述极大值点和极小值点的步骤，包括：
S501：获取所述轮廓曲线的曲率，根据每个所述轮廓点的曲率，将曲率为过零点的轮廓点提取出来作为第一轮廓点，其中，第一轮廓点的相邻点的曲率的乘积为负数；
S502：提取所述第一轮廓点的a邻域两侧的离散点，所述离散点分别为Pi-a，Pi-a+1，…Pi-1和Pi+1，…Pi+a；其中Pi表示所述第一轮廓点；
S503：将所述第一轮廓点Pi与离散点Pi-a的连线记为第一线段，将所述第一轮廓点Pi与离散点Pi+a的连线记为第二线段，然后将所述第一线段的中垂线与所述第二线段的中垂线的交点作为所述第一轮廓点的内切圆圆心；
S504：计算所述第一轮廓点以及各离散点至所述内切圆圆心的距离，并取各计算得到的距离的平均值作为所述内切圆的半径；
S505：判断所述内切圆的半径是否大于预设值；
S506：若是，则判定所述第一轮廓点为所述轮廓曲线的极值点；
S507：根据极值点与周围轮廓点的光照强度大小判断为极小值点或者极大值点。
如上述步骤S501-S507所述，如果一个轮廓点的曲率经过了正负值的变化，则认为其由由凹变凸或者由凸变凹，这在数学上被称作过零点，然而在平滑处理的过程中，对于一些细小的数据并不能很好的处理，即没有将这个部分的数据进行很好的平滑，此时可以计算每个过零点的内切圆，根据内切圆来判定是否符合要求，因此当内切圆的半径大于预设值时，则认为其符合要求，再根据极值点与周围轮廓点的光照强度大小判断为极小值点或者极大值点，若内切圆的半径小于或等于预设值时，则认为其不符合要求，属于要被遗弃的点，其可能发生在外界的余光照射在光感采集单元上，此时可以将这些点进行舍弃，从而提高判断的精度。
在一个实施例中，所述根据相邻两个光感采集单元的所述车流速度变化量和车辆流量计算在所述相邻两个光感采集单元之间的平均速度的步骤S7，包括：
S701：基于所述车辆流量和所述车流速度变化量获取相邻两个光感采集单元的所述车辆流量和所述车流速度变化量的第一函数关系，以及根据所述车辆流量与时间的关系构建车辆流量和时间的第二函数关系；
S702：根据所述第一函数关系和第二函数关系得到时间与所述车流速度变化量的第三函数关系；
S703：根据所述第三函数关系得到时间与平均速度的第四函数关系；
S704：根据所述第四函数关系获取到所述相邻两个光感采集单元之间的平均速度。
如上述步骤S701-S702所述，由于车辆流量和所述车流速度变化量都是可以在同一时间点获取，因此可以建立车辆流量和所述车流速度变化量的第一函数关系，以及车辆流量与时间的第二函数关系，从而得到根据所述第一函数关系和第二函数关系得到时间与所述车流速度变化量的第三函数关系，其中，拟合函数的方式不作限定，例如可以采用多项式拟合，从而得到第一函数关系和第二函数关系以及第三函数关系，根据第三函数关系获取到时间与平均速度的第四函数关系，由于第三函数关系是时间与所述车流速度变化量的函数关系，因此根据实际的时间可以得到对应的车流速度变化量，从而得到时间与平均速度的第四函数关系，根据所述第四函数关系获取到所述相邻两个光感采集单元之间的平均速度，需要说明的是，此处的平均速度并非是固定的平均速度，其与时间相关，当经过该光感采集单元的时间不同，其平均速度也不相同，因此，可以该平均速度实际上是随着时间变化的平均速度，根据到达光感采集单元的时间来预测最终的平均速度，从而对预计到达时间进行更加精准的预测。
在一个实施例中，多个所述光感采集单元组成SIG MESH，在所述SIG MESH中，所述光感采集单元共享其对应的光照强度变化图，当所述光感采集单元接收到所述光照强度变化图时，向其他的光感采集单元进行广播，所述光感采集单元接收到所述车载终端的连接请求时，与所述车载终端进行连接；
所述根据所述预测驾驶时长选取目标路线图进行驾驶的步骤S9之后，还包括：
S1001：所述车载终端广播连接光感采集单元的信息；
S1002：当接收到光感采集单元的回馈信息时，与对应的光感采集单元建立数据连接；
S1003：根据所述目标路线图经过的目标光感采集单元，获取各个所述目标光感采集单元的光照强度变化图；
S1004：根据所述光照强度变化图的变化情况反馈各个光感采集单元对应路段的拥堵情况，并将所述拥堵情况进行展示。
如上述步骤S1001-S1004所述，实现了对沿途的路段的拥堵情况的实时获取，目前，当在驾驶时，对于前方是否通畅只有在实地才能知晓，本申请通过将多个所述光感采集单元组成SIG MESH，其是一种基于泛洪管理的mesh网络，消息是通过广播信道传递，收到消息的节点可以继续转发消息，这样就可以实现更远范围的消息传递。为了防止出现消息不受限制的转发传递，规定了以下两种方法来避免：节点不会转发之前收到的消息，当收到新的消息时，会首先在缓存中检查是否存在相同消息，若存在，则忽略新的消息。每个消息都会包含一个TTL（Time to Live）的字段，这是用来限制消息中继的次数，每次转发消息后，TTL的值就会减1，当TTL的值到达1时，消息就不会再次被中继。其每个节点都可以被车载终端进行连接，当然连接的方式仍需要通过app进行连接，以获取到光照强度变化图，根据所述光照强度变化图的变化情况反馈各个光感采集单元对应路段的拥堵情况，并将所述拥堵情况进行展示。
参照图2，本发明还提供了一种基于大数据的智能驾驶装置，应用于夜间行驶，通过车路协同***实现，所述车路协同***包括：公路的侧边设置有多个光感采集单元，平台以及车载终端，所述车载终端与所述平台数据连接，所述光感采集单元与所述平台数据连接，所述光感采集单元用于采集光线强度，当光线强度由弱变强再变弱时，则认定有车辆经过所述光感采集单元，所述光感采集单元根据采集的光照强度，构建时间与光照强度的光照强度变化图；所述智能驾驶装置包括：
接收模块10，用于在所述平台处接收用户输入的起点与终点；
第一获取模块20，用于根据所述起点和所述终点获取多条路线图；
第二获取模块30，用于实时获取各个路线图中的各个光感采集单元的光照强度变化图；
平滑处理模块40，用于对各个所述光照强度变化图进行平滑处理，得到各个光照强度变化图对应的目标光照强度变化图；
提取模块50，用于从所述目标光照强度变化图提取极大值点、极小值点和变化周期，并根据极大值点和时间确定所述光感采集单元处的车辆流量；
第一计算模块60，用于根据每个极大值点与前一个极小值点计算光流变化量，并根据所述光流变化量计算对应所述光感采集单元处的车流速度变化量；其中，计算光流变化量的公式为
Figure 47104DEST_PATH_IMAGE001
；其中，
Figure 722805DEST_PATH_IMAGE002
为极小值点的光照强度，
Figure 351495DEST_PATH_IMAGE003
表示极小值对应的时间点，
Figure 812563DEST_PATH_IMAGE004
为极大值点的光照强度，
Figure 101462DEST_PATH_IMAGE003
表示极大值对应的时间点，
Figure 28573DEST_PATH_IMAGE005
表示光变化流量，
Figure 506959DEST_PATH_IMAGE006
，
Figure 9484DEST_PATH_IMAGE007
为常数，
Figure 298646DEST_PATH_IMAGE008
表示光变化流量；
第二计算模块70，用于根据相邻两个光感采集单元的所述车流速度变化量和车辆流量计算在所述相邻两个光感采集单元之间的平均速度；
输入模块80，用于将各个所述相邻两个光感采集单元之间的平均速度和各个光感采集单元的变化周期输入至驾驶时长预测模型中，得到各条线路图所对应的预测驾驶时长；其中，所述驾驶时长预测模型通过不同的相邻两个光感采集单元之间的平均速度和各个光感采集单元的变化周期以及对应的实际驾驶时长训练而成；
选取模块90，用于根据所述预测驾驶时长选取目标路线图进行驾驶。
在一个实施例中，所述平滑处理模块40，包括：
获取子模块，用于获取所述光照强度变化图的轮廓曲线，并获取到每个轮廓点的坐标；
设定子模块，用于设定初始轮廓点，并获取每个轮廓点至初始轮廓点的距离
Figure 699671DEST_PATH_IMAGE009
；
平滑处理子模块，用于对每个轮廓点
Figure 168699DEST_PATH_IMAGE010
进行平滑处理，得到所述目标光照强度变化图，其中，进行所述平滑处理的公式为：
Figure 358021DEST_PATH_IMAGE011
，
Figure 801772DEST_PATH_IMAGE012
，其中
Figure 142623DEST_PATH_IMAGE013
为当前坐标点至所述初始轮廓点的弧长为
Figure 713544DEST_PATH_IMAGE014
的轮廓点，
Figure 3711DEST_PATH_IMAGE015
和
Figure 805314DEST_PATH_IMAGE016
分别表示当前坐标点的横坐标和纵坐标，
Figure 928735DEST_PATH_IMAGE017
为参数，
Figure 552614DEST_PATH_IMAGE018
分别代表平滑后当前坐标点的横坐标和纵坐标，
Figure 884238DEST_PATH_IMAGE019
表示弧长偏移距离为
Figure 686103DEST_PATH_IMAGE020
的横坐标，
Figure 735968DEST_PATH_IMAGE020
为一个距离变量，
Figure 897959DEST_PATH_IMAGE014
表示弧长，且0≤
Figure 842344DEST_PATH_IMAGE014
≤
Figure 313646DEST_PATH_IMAGE021
，L为所述轮廓曲线的弧长。
在一个实施例中，所述从所述提取模块50，包括：
曲率获取子模块，用于获取所述轮廓曲线的曲率，根据每个所述轮廓点的曲率，将曲率为过零点的轮廓点提取出来作为第一轮廓点，其中，第一轮廓点的相邻点的曲率的乘积为负数；
离散点提取子模块，用于提取所述第一轮廓点的a邻域两侧的离散点，所述离散点分别为Pi-a，Pi-a+1，…Pi-1和Pi+1，…Pi+a；其中Pi表示所述第一轮廓点；
圆心获取子模块，用于将所述第一轮廓点Pi与离散点Pi-a的连线记为第一线段，将所述第一轮廓点Pi与离散点Pi+a的连线记为第二线段，然后将所述第一线段的中垂线与所述第二线段的中垂线的交点作为所述第一轮廓点的内切圆圆心；
计算子模块，用于计算所述第一轮廓点以及各离散点至所述内切圆圆心的距离，并取各计算得到的距离的平均值作为所述内切圆的半径；
判断子模块，用于判断所述内切圆的半径是否大于预设值；
极值点判断子模块，用于若是，则判定所述第一轮廓点为所述轮廓曲线的极值点；
极小值点判断子模块，用于根据极值点与周围轮廓点的光照强度大小判断为极小值点或者极大值点。
在一个实施例中，所述第二计算模块70，包括：
第一函数关系获取子模块，用于基于所述车辆流量和所述车流速度变化量获取相邻两个光感采集单元的所述车辆流量和所述车流速度变化量的第一函数关系，以及根据所述车辆流量与时间的关系构建车辆流量和时间的第二函数关系；
第三函数关系获取子模块，用于根据所述第一函数关系和第二函数关系得到时间与所述车流速度变化量的第三函数关系；
第四函数关系获取子模块，用于根据所述第三函数关系得到时间与平均速度的第四函数关系；
平均速度获取子模块，用于根据所述第四函数关系获取到所述相邻两个光感采集单元之间的平均速度。
在一个实施例中，多个所述光感采集单元组成SIG MESH，在所述SIG MESH中，所述光感采集单元共享其对应的光照强度变化图，当所述光感采集单元接收到所述光照强度变化图时，向其他的光感采集单元进行广播，所述光感采集单元接收到所述车载终端的连接请求时，与所述车载终端进行连接；
所述基于大数据的智能驾驶装置，还包括：
广播模块，用于所述车载终端广播连接光感采集单元的信息；
数据连接模块，用于当接收到光感采集单元的回馈信息时，与对应的光感采集单元建立数据连接；
第三获取模块，用于根据所述目标路线图经过的目标光感采集单元，获取各个所述目标光感采集单元的光照强度变化图；
展示模块，用于根据所述光照强度变化图的变化情况反馈各个光感采集单元对应路段的拥堵情况，并将所述拥堵情况进行展示。
本发明的有益效果：通过获取用户输入的起点和终点，并根据光感采集单元采集的光照强度变化图，确定各个路线的预计达到时间，实现了根据夜间行驶各个车辆灯光的情况，来对夜间的路径规划，相对于人工获取路况数据而言，提高了数据获取的效率，从而使路径规划更加合理，进而提高了用户的体验。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (10)

1.一种基于大数据的智能驾驶方法，其特征在于，应用于夜间行驶，通过车路协同***实现，所述车路协同***包括：公路的侧边设置有多个光感采集单元，平台以及车载终端，所述车载终端与所述平台数据连接，所述光感采集单元与所述平台数据连接，所述光感采集单元用于采集光线强度，当光线强度由弱变强再变弱时，则认定有车辆经过所述光感采集单元，所述光感采集单元根据采集的光照强度，构建时间与光照强度的光照强度变化图；所述智能驾驶方法包括：
在所述平台处接收用户输入的起点与终点；
根据所述起点和所述终点获取多条路线图；
实时获取各个路线图中的各个光感采集单元的光照强度变化图；
对各个所述光照强度变化图进行平滑处理，得到各个光照强度变化图对应的目标光照强度变化图；
从所述目标光照强度变化图提取极大值点、极小值点和变化周期，并根据极大值点和时间确定所述光感采集单元处的车辆流量；
根据每个极大值点与前一个极小值点计算光流变化量，并根据所述光流变化量计算对应所述光感采集单元处的车流速度变化量；其中，计算光流变化量的公式为
Figure 111370DEST_PATH_IMAGE001
；其中，
Figure 153144DEST_PATH_IMAGE002
为极小值点的光照强度，
Figure 870565DEST_PATH_IMAGE003
表示极小值对应的时间点，
Figure 891873DEST_PATH_IMAGE004
为极大值点的光照强度，
Figure 893196DEST_PATH_IMAGE003
表示极大值对应的时间点，
Figure 653341DEST_PATH_IMAGE005
表示光变化流量，
Figure 748072DEST_PATH_IMAGE006
，
Figure 573071DEST_PATH_IMAGE007
为常数，
Figure 179633DEST_PATH_IMAGE008
表示光变化流量；
根据相邻两个光感采集单元的所述车流速度变化量和车辆流量计算在所述相邻两个光感采集单元之间的平均速度；
将各个所述相邻两个光感采集单元之间的平均速度和各个光感采集单元的变化周期输入至驾驶时长预测模型中，得到各条线路图所对应的预测驾驶时长；其中，所述驾驶时长预测模型通过不同的相邻两个光感采集单元之间的平均速度和各个光感采集单元的变化周期以及对应的实际驾驶时长训练而成；
根据所述预测驾驶时长选取目标路线图进行驾驶。
2.如权利要求1所述的基于大数据的智能驾驶方法，其特征在于，所述对各个所述光照强度变化图进行平滑处理，得到各个光照强度变化图对应的目标光照强度变化图的步骤，包括：
获取所述光照强度变化图的轮廓曲线，并获取到每个轮廓点的坐标；
设定初始轮廓点，并获取每个轮廓点至初始轮廓点的距离
Figure 359947DEST_PATH_IMAGE009
；
对每个轮廓点
Figure 737446DEST_PATH_IMAGE010
进行平滑处理，得到所述目标光照强度变化图，其中，进行所述平滑处理的公式为：
Figure 412141DEST_PATH_IMAGE011
，
Figure 122477DEST_PATH_IMAGE012
，其中
Figure 178419DEST_PATH_IMAGE013
为当前坐标点至所述初始轮廓点的弧长为
Figure 357728DEST_PATH_IMAGE014
的轮廓点，
Figure 819802DEST_PATH_IMAGE015
和
Figure 92302DEST_PATH_IMAGE016
分别表示当前坐标点的横坐标和纵坐标，
Figure 365151DEST_PATH_IMAGE017
为参数，
Figure 281023DEST_PATH_IMAGE018
分别代表平滑后当前坐标点的横坐标和纵坐标，
Figure 985936DEST_PATH_IMAGE019
表示弧长偏移距离为
Figure 421597DEST_PATH_IMAGE020
的横坐标，
Figure 380195DEST_PATH_IMAGE020
为一个距离变量，
Figure 954002DEST_PATH_IMAGE014
表示弧长，且0≤
Figure 774190DEST_PATH_IMAGE014
≤
Figure 313625DEST_PATH_IMAGE021
，L为所述轮廓曲线的弧长。
3.如权利要求2所述的基于大数据的智能驾驶方法，其特征在于，所述从所述目标光照强度变化图提取极大值点、极小值点和变化周期的步骤中，提取所述极大值点和极小值点的步骤，包括：
获取所述轮廓曲线的曲率，根据每个所述轮廓点的曲率，将曲率为过零点的轮廓点提取出来作为第一轮廓点，其中，第一轮廓点的相邻点的曲率的乘积为负数；
提取所述第一轮廓点的a邻域两侧的离散点，所述离散点分别为Pi-a，Pi-a+1，…Pi-1和Pi+1，…Pi+a；其中Pi表示所述第一轮廓点；
将所述第一轮廓点Pi与离散点Pi-a的连线记为第一线段，将所述第一轮廓点Pi与离散点Pi+a的连线记为第二线段，然后将所述第一线段的中垂线与所述第二线段的中垂线的交点作为所述第一轮廓点的内切圆圆心；
计算所述第一轮廓点以及各离散点至所述内切圆圆心的距离，并取各计算得到的距离的平均值作为所述内切圆的半径；
判断所述内切圆的半径是否大于预设值；
若是，则判定所述第一轮廓点为所述轮廓曲线的极值点；
根据极值点与周围轮廓点的光照强度大小判断为极小值点或者极大值点。
4.如权利要求1所述的基于大数据的智能驾驶方法，其特征在于，所述根据相邻两个光感采集单元的所述车流速度变化量和车辆流量计算在所述相邻两个光感采集单元之间的平均速度的步骤，包括：
基于所述车辆流量和所述车流速度变化量获取相邻两个光感采集单元的所述车辆流量和所述车流速度变化量的第一函数关系，以及根据所述车辆流量与时间的关系构建车辆流量和时间的第二函数关系；
根据所述第一函数关系和第二函数关系得到时间与所述车流速度变化量的第三函数关系；
根据所述第三函数关系得到时间与平均速度的第四函数关系；
根据所述第四函数关系获取到所述相邻两个光感采集单元之间的平均速度。
5.如权利要求1所述的基于大数据的智能驾驶方法，其特征在于，多个所述光感采集单元组成SIG MESH，在所述SIG MESH中，所述光感采集单元共享其对应的光照强度变化图，当所述光感采集单元接收到所述光照强度变化图时，向其他的光感采集单元进行广播，所述光感采集单元接收到所述车载终端的连接请求时，与所述车载终端进行连接；
所述根据所述预测驾驶时长选取目标路线图进行驾驶的步骤之后，还包括：
所述车载终端广播连接光感采集单元的信息；
当接收到光感采集单元的回馈信息时，与对应的光感采集单元建立数据连接；
根据所述目标路线图经过的目标光感采集单元，获取各个所述目标光感采集单元的光照强度变化图；
根据所述光照强度变化图的变化情况反馈各个光感采集单元对应路段的拥堵情况，并将所述拥堵情况进行展示。
6.一种基于大数据的智能驾驶装置，其特征在于，应用于夜间行驶，通过车路协同***实现，所述车路协同***包括：公路的侧边设置有多个光感采集单元，平台以及车载终端，所述车载终端与所述平台数据连接，所述光感采集单元与所述平台数据连接，所述光感采集单元用于采集光线强度，当光线强度由弱变强再变弱时，则认定有车辆经过所述光感采集单元，所述光感采集单元根据采集的光照强度，构建时间与光照强度的光照强度变化图；所述智能驾驶装置包括：
接收模块，用于在所述平台处接收用户输入的起点与终点；
第一获取模块，用于根据所述起点和所述终点获取多条路线图；
第二获取模块，用于实时获取各个路线图中的各个光感采集单元的光照强度变化图；
平滑处理模块，用于对各个所述光照强度变化图进行平滑处理，得到各个光照强度变化图对应的目标光照强度变化图；
提取模块，用于从所述目标光照强度变化图提取极大值点、极小值点和变化周期，并根据极大值点和时间确定所述光感采集单元处的车辆流量；
第一计算模块，用于根据每个极大值点与前一个极小值点计算光流变化量，并根据所述光流变化量计算对应所述光感采集单元处的车流速度变化量；其中，计算光流变化量的公式为
Figure 882272DEST_PATH_IMAGE001
；其中，
Figure 257890DEST_PATH_IMAGE002
为极小值点的光照强度，
Figure 803140DEST_PATH_IMAGE003
表示极小值对应的时间点，
Figure 955337DEST_PATH_IMAGE004
为极大值点的光照强度，
Figure 6469DEST_PATH_IMAGE003
表示极大值对应的时间点，
Figure 56334DEST_PATH_IMAGE005
表示光变化流量，
Figure 969057DEST_PATH_IMAGE006
，
Figure 968237DEST_PATH_IMAGE007
为常数，
Figure 377222DEST_PATH_IMAGE008
表示光变化流量；
第二计算模块，用于根据相邻两个光感采集单元的所述车流速度变化量和车辆流量计算在所述相邻两个光感采集单元之间的平均速度；
输入模块，用于将各个所述相邻两个光感采集单元之间的平均速度和各个光感采集单元的变化周期输入至驾驶时长预测模型中，得到各条线路图所对应的预测驾驶时长；其中，所述驾驶时长预测模型通过不同的相邻两个光感采集单元之间的平均速度和各个光感采集单元的变化周期以及对应的实际驾驶时长训练而成；
选取模块，用于根据所述预测驾驶时长选取目标路线图进行驾驶。
7.如权利要求6所述的基于大数据的智能驾驶装置，其特征在于，所述平滑处理模块，包括：
获取子模块，用于获取所述光照强度变化图的轮廓曲线，并获取到每个轮廓点的坐标；
设定子模块，用于设定初始轮廓点，并获取每个轮廓点至初始轮廓点的距离
Figure 475234DEST_PATH_IMAGE009
；
平滑处理子模块，用于对每个轮廓点
Figure 440916DEST_PATH_IMAGE010
进行平滑处理，得到所述目标光照强度变化图，其中，进行所述平滑处理的公式为：
Figure 747133DEST_PATH_IMAGE011
，
Figure 625221DEST_PATH_IMAGE012
，其中
Figure 462727DEST_PATH_IMAGE013
为当前坐标点至所述初始轮廓点的弧长为
Figure 153471DEST_PATH_IMAGE014
的轮廓点，
Figure 146485DEST_PATH_IMAGE015
和
Figure 631693DEST_PATH_IMAGE016
分别表示当前坐标点的横坐标和纵坐标，
Figure 956495DEST_PATH_IMAGE017
为参数，
Figure 14712DEST_PATH_IMAGE018
分别代表平滑后当前坐标点的横坐标和纵坐标，
Figure 29941DEST_PATH_IMAGE019
表示弧长偏移距离为
Figure 764679DEST_PATH_IMAGE020
的横坐标，
Figure 59001DEST_PATH_IMAGE020
为一个距离变量，
Figure 357127DEST_PATH_IMAGE014
表示弧长，且0≤
Figure 305492DEST_PATH_IMAGE014
≤
Figure 899546DEST_PATH_IMAGE021
，L为所述轮廓曲线的弧长。
8.如权利要求7所述的基于大数据的智能驾驶装置，其特征在于，所述从所述提取模块，包括：
曲率获取子模块，用于获取所述轮廓曲线的曲率，根据每个所述轮廓点的曲率，将曲率为过零点的轮廓点提取出来作为第一轮廓点，其中，第一轮廓点的相邻点的曲率的乘积为负数；
离散点提取子模块，用于提取所述第一轮廓点的a邻域两侧的离散点，所述离散点分别为Pi-a，Pi-a+1，…Pi-1和Pi+1，…Pi+a；其中Pi表示所述第一轮廓点；
圆心获取子模块，用于将所述第一轮廓点Pi与离散点Pi-a的连线记为第一线段，将所述第一轮廓点Pi与离散点Pi+a的连线记为第二线段，然后将所述第一线段的中垂线与所述第二线段的中垂线的交点作为所述第一轮廓点的内切圆圆心；
计算子模块，用于计算所述第一轮廓点以及各离散点至所述内切圆圆心的距离，并取各计算得到的距离的平均值作为所述内切圆的半径；
判断子模块，用于判断所述内切圆的半径是否大于预设值；
极值点判断子模块，用于若是，则判定所述第一轮廓点为所述轮廓曲线的极值点；
极小值点判断子模块，用于根据极值点与周围轮廓点的光照强度大小判断为极小值点或者极大值点。
9.如权利要求6所述的基于大数据的智能驾驶装置，其特征在于，所述第二计算模块，包括：
第一函数关系获取子模块，用于基于所述车辆流量和所述车流速度变化量获取相邻两个光感采集单元的所述车辆流量和所述车流速度变化量的第一函数关系，以及根据所述车辆流量与时间的关系构建车辆流量和时间的第二函数关系；
第三函数关系获取子模块，用于根据所述第一函数关系和第二函数关系得到时间与所述车流速度变化量的第三函数关系；
第四函数关系获取子模块，用于根据所述第三函数关系得到时间与平均速度的第四函数关系；
平均速度获取子模块，用于根据所述第四函数关系获取到所述相邻两个光感采集单元之间的平均速度。
10.如权利要求6所述的基于大数据的智能驾驶装置，其特征在于，多个所述光感采集单元组成SIG MESH，在所述SIG MESH中，所述光感采集单元共享其对应的光照强度变化图，当所述光感采集单元接收到所述光照强度变化图时，向其他的光感采集单元进行广播，所述光感采集单元接收到所述车载终端的连接请求时，与所述车载终端进行连接；
所述基于大数据的智能驾驶装置，还包括：
广播模块，用于所述车载终端广播连接光感采集单元的信息；
数据连接模块，用于当接收到光感采集单元的回馈信息时，与对应的光感采集单元建立数据连接；
第三获取模块，用于根据所述目标路线图经过的目标光感采集单元，获取各个所述目标光感采集单元的光照强度变化图；
展示模块，用于根据所述光照强度变化图的变化情况反馈各个光感采集单元对应路段的拥堵情况，并将所述拥堵情况进行展示。
CN202210512393.9A 2022-05-12 2022-05-12 一种基于大数据的智能驾驶方法和装置 Pending CN114613146A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210512393.9A CN114613146A (zh) 2022-05-12 2022-05-12 一种基于大数据的智能驾驶方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210512393.9A CN114613146A (zh) 2022-05-12 2022-05-12 一种基于大数据的智能驾驶方法和装置

Publications (1)

Publication Number Publication Date
CN114613146A true CN114613146A (zh) 2022-06-10

Family

ID=81870608

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210512393.9A Pending CN114613146A (zh) 2022-05-12 2022-05-12 一种基于大数据的智能驾驶方法和装置

Country Status (1)

Country Link
CN (1) CN114613146A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06243387A (ja) * 1993-02-19 1994-09-02 Mitsubishi Heavy Ind Ltd 車両検知装置
CN101398932A (zh) * 2008-10-16 2009-04-01 青岛海信电子产业控股股份有限公司 视频车辆检测方法和装置
KR20110008413A (ko) * 2009-07-20 2011-01-27 재단법인대구경북과학기술원 트래픽 정보 수집 방법, 시스템 및 광 트래픽 센서
CN103927871A (zh) * 2014-04-21 2014-07-16 哈尔滨工业大学 一种基于多种传感器信息的车辆检测装置
CN107860395A (zh) * 2017-11-29 2018-03-30 四川九鼎智远知识产权运营有限公司 一种基于视频监控的导航规划方法
CN108597228A (zh) * 2018-05-30 2018-09-28 中国科学技术大学 基于可见光感知的交通流智能感知***及方法
WO2020225823A1 (en) * 2019-05-03 2020-11-12 Kenjale Amit System for vehicle prearrival notification and optimal route selection
CN112863196A (zh) * 2020-12-30 2021-05-28 中山大学 一种基于光伏板可自主供电车辆检测装置
CN113470359A (zh) * 2021-07-13 2021-10-01 合肥工业大学 基于5g-v2x的道路大规模拥堵告警方法及***

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06243387A (ja) * 1993-02-19 1994-09-02 Mitsubishi Heavy Ind Ltd 車両検知装置
CN101398932A (zh) * 2008-10-16 2009-04-01 青岛海信电子产业控股股份有限公司 视频车辆检测方法和装置
KR20110008413A (ko) * 2009-07-20 2011-01-27 재단법인대구경북과학기술원 트래픽 정보 수집 방법, 시스템 및 광 트래픽 센서
CN103927871A (zh) * 2014-04-21 2014-07-16 哈尔滨工业大学 一种基于多种传感器信息的车辆检测装置
CN107860395A (zh) * 2017-11-29 2018-03-30 四川九鼎智远知识产权运营有限公司 一种基于视频监控的导航规划方法
CN108597228A (zh) * 2018-05-30 2018-09-28 中国科学技术大学 基于可见光感知的交通流智能感知***及方法
WO2020225823A1 (en) * 2019-05-03 2020-11-12 Kenjale Amit System for vehicle prearrival notification and optimal route selection
CN112863196A (zh) * 2020-12-30 2021-05-28 中山大学 一种基于光伏板可自主供电车辆检测装置
CN113470359A (zh) * 2021-07-13 2021-10-01 合肥工业大学 基于5g-v2x的道路大规模拥堵告警方法及***

Similar Documents

Publication Publication Date Title
CN110688992B (zh) 交通信号识别方法、装置、车辆导航设备和无人驾驶车辆
WO2022116361A1 (zh) 基于城市主干线车辆排队长度的信号灯调控方法及***
CN110164152B (zh) 一种用于单交叉路***通信号灯控制***
CN106935027A (zh) 一种基于行驶数据的交通信息预测方法及装置
CN105865472A (zh) 一种基于最佳油耗的车载导航方法
CN109902899A (zh) 信息生成方法和装置
CN106197458A (zh) 一种基于手机信令数据和导航路线数据的手机用户出行方式识别方法
CN105096590B (zh) 交通信息生成方法和交通信息生成设备
CN110351651A (zh) 一种车辆轨迹缺失识别及补偿方法
CN110444015B (zh) 基于无信号十字路口分区的智能网联汽车速度决策方法
CN106931981A (zh) 一种导航剩余时间的生成方法及装置
CN111063208A (zh) 一种基于车联网的车道级交通诱导方法及***
CN106971535B (zh) 一种基于浮动车gps实时数据的城市交通拥堵指数计算平台
CN107886718B (zh) 一种路况分析方法、装置及网络***
CN113375689B (zh) 导航方法、装置、终端和存储介质
CN104875740B (zh) 用于管理跟随空间的方法、主车辆以及跟随空间管理单元
CN108827317A (zh) 基于稀疏地图和驾驶人识别的室内多平衡车自主导航方法
CN112785162A (zh) 基于智能车语义的高精地图众包数据质量评估方法与***
CN115246393A (zh) 控制车辆跟车距离的方法和装置以及电子设备和存储介质
CN111951543B (zh) 流量预测方法及装置
CN104900073B (zh) 一种雾霾情况下补充路网缺失数据的车辆诱导方法
CN114613146A (zh) 一种基于大数据的智能驾驶方法和装置
CN104183150B (zh) 车载单体道路交通状态判别装置与方法
CN115662134A (zh) 基于主动管控的城市功能区快速路时空资源动态配置方法
CN114067579B (zh) 一种智能交通信号控制***及其控制方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220610