CN115689259B - 路段车路协同场景优先级确定方法、设备及介质 - Google Patents
路段车路协同场景优先级确定方法、设备及介质 Download PDFInfo
- Publication number
- CN115689259B CN115689259B CN202310004953.4A CN202310004953A CN115689259B CN 115689259 B CN115689259 B CN 115689259B CN 202310004953 A CN202310004953 A CN 202310004953A CN 115689259 B CN115689259 B CN 115689259B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- road
- layer
- weight
- scene
- 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 45
- 239000011159 matrix material Substances 0.000 claims abstract description 81
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 61
- 238000012163 sequencing technique Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 2
- 239000000758 substrate Substances 0.000 claims 1
- 238000010276 construction Methods 0.000 description 8
- 238000010606 normalization Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及智能化交通技术领域,是关于一种路段车路协同场景优先级确定方法、装置、设备及介质,方法包括:获取目标层的目标路段的路段特征;根据准则层的不同准则对车路协同的场景进行分类,准则包括:车辆安全行驶、车辆高效行驶和车辆信息服务;根据各个准则对应方案层的车路协同场景,基于层次分析法,构建目标路段所需部署的车路协同场景层次结构模型;根据该模型的各个层级之间的标度关系,确定目标层和准则层之间的第一判断矩阵,以及准则层和方案层之间的第二判断矩阵;根据第一和第二判断矩阵求取层级各元素的权重,确定目标路段的车路协同场景部署优先级分配方案。通过该方案,更具针对性的提高道路智能改造升级需求。
Description
技术领域
本发明涉及智能化交通技术领域,尤其涉及一种路段车路协同场景优先级确定方法、装置、设备及介质。
背景技术
在交通运输***中,车与路是相辅相成的共同体的存在,只有当车辆能力与道路环境能够匹配、协同运行时,才能确保整个道路交通***的平衡,保障交通运输的安全性、高效与经济性。但随着车辆智能化能力的不断提升与推广应用,当前道路智能化的水平发展跟不上车辆发展脚步,虽然国内外已经发布了有关智智慧道路建设的标准与规范,但侧重于宏观层面的指导,没有针对什么样的路段应用什么样的场景才能提升该路段的智能水平等问题,提出明确指导。因此如何有目标性的明确各路段智能化时对车路协同场景需求,并为该路段合理科学的布设车路协同场景,有针对性的提升道路智能环境,确保在当前路段下车辆运行过程中的安全、高效与舒适性,是当前亟需解决的关键问题。
路段车路协同场景部署的优先等级方法正确与否直接关系到智慧公路建设或升级改造工程的成本与效率。
发明内容
为克服相关技术中存在的问题,本发明提供一种路段车路协同场景优先级确定方法和装置,从而更具针对性的提高道路智能需求,有效指导当前智慧道路建设,同时可减少道路基础设施等场景构建的重复性,物力、人力资源合理分配,节省成本。
根据本发明实施例的第一方面,提供一种路段车路协同场景优先级确定方法,所述方法包括:
获取目标层的目标路段的路段特征;
根据准则层的不同准则对车路协同的场景进行分类,其中,准则层的准则包括:车辆安全行驶、车辆高效行驶和车辆信息服务;
根据各个准则对应的方案层的车路协同场景,基于层次分析法,构建所述目标路段所需部署的车路协同场景层次结构模型;
根据所述车路协同场景层次结构模型的各个层级之间的标度关系,确定所述目标层和准则层之间的第一判断矩阵,以及准则层和所述方案层之间的第二判断矩阵;
根据所述第一判断矩阵和所述第二判断矩阵求取层级各元素的权重,确定所述目标路段的车路协同场景部署优先级分配方案。
在一个实施例中,优选地,车辆安全行驶的车路协同场景包括:紧急制动预警、盲区预警、慢速车辆预警、异常车辆预警、弱势交通参与者碰撞预警、道路危险提示、弯道预警、限速预警、前向碰撞预警和侧向碰撞预警;
车辆高效行驶的车路协同场景包括:紧急车辆让行、前方拥堵预警、限行管理、车速诱导和路线诱导与指引;
车辆信息服务的车辆协同场景包括:近场支付、远程支付和服务信息提醒。
在一个实施例中,优选地,根据所述车路协同场景层次结构模型的各个层级之间的标度关系,确定所述目标层和准则层之间的第一判断矩阵,以及准则层和所述方案层之间的第二判断矩阵,包括:
根据所述车路协同场景层次结构模型,采用一致矩阵法和调查问卷法,根据1-9的标度方法,确定所述路段特征的各层级之间的标度关系值,并求取平均值,以得到所述第一判断矩阵和所述第二判断矩阵。
在一个实施例中,优选地,根据所述第一判断矩阵和所述第二判断矩阵,确定所述目标路段的车路协同场景部署优先级分配方案,包括:
计算每个第一判断矩阵的最大特征根及其对应的特征向量,并对所述特征向量进行归一化处理,得到第一单排序权重向量,并进行排序和一致性校验,其中,所述第一单排序权重向量用于表征目标层相对于准则层的相对重要性的权重值;
计算每个第二判断矩阵的最大特征根及其对应的特征向量,并对所述特征向量进行归一化处理,得到第二单排序权重向量,并进行排序和一致性校验,其中,所述第二单排序权重向量用于表征所述准则层相对于方案层的相对重要性的权重值;
根据所述第一单排序权重向量和所述第二单排序权重向量,确定准则层的所有准则对于目标层的相对重要性的权重值的第一层次权重总排序,和方案层的所有方案对于目标层的相对重要性的权重值的第二层次权重总排序,并进行一致性校验;
根据所述第一层次权重总排序和所述第二层次权重总排序的排序结果,确定所述目标路段的车路协同场景部署优先级分配方案。
在一个实施例中,优选地,所述第一判断矩阵和所述第二判断矩阵的一致性校验的步骤包括:
根据判断矩阵的最大特征值和判断矩阵的阶数,采用以下第一计算公式计算一致性指标;
根据预设的阶数与随机一致性指标的对应关系,确定所述判断矩阵的阶数对应的随机一致性指标;
根据所述一致性指标和所述随机一致性指标,采用以下第三计算公式计算一致性偏差校验系数:
当所述一致性偏差校验系数小于0.1时,确定通过一致性校验,特征向量(归一化后)即为权向量;否则未通过一致性校验,需重新调整判断矩阵值。
在一个实施例中,优选地,根据所述第一单排序权重向量和所述第二单排序权重向量,确定准则层的所有准则对于目标层的相对重要性的权重值的第一层次权重总排序,和方案层的所有方案对于目标层的相对重要性的权重值的第二层次权重总排序,并进行一致性校验,包括:
根据所述第一层次权重总排序和所述第二单排序权重向量采用以下计算公式,计算得到所述第二层次权重总排序:
采用以下计算公式计算层次权重总排序的一致性偏差校验系数:
当所述一致性偏差校验系数小于0.1时,确定通过一致性校验,否则,未通过一致性校验,需要重新考虑模型或重新构造一致性比率较大的判断矩阵。
在一个实施例中,优选地,根据所述第一层次权重总排序和所述第二层次权重总排序的排序结果,按照权重从大到小的顺序,确定所述目标路段的车路协同场景部署优先级分配方案。
根据本发明实施例的第二方面,提供一种路段车路协同场景优先级确定装置,所述装置包括:
获取模块,用于获取目标层的目标路段的路段特征;
分类模块,用于根据准则层的不同准则对车路协同的场景进行分类,其中,准则层的准则包括:车辆安全行驶、车辆高效行驶和车辆信息服务;
构建模块,用于根据各个准则对应的方案层的车路协同场景,基于层次分析法,构建所述目标路段所需部署的车路协同场景层次结构模型;
第一确定模块,用于根据所述车路协同场景层次结构模型的各个层级之间的标度关系,确定所述目标层和准则层之间的第一判断矩阵,以及准则层和所述方案层之间的第二判断矩阵;
第二确定模块,用于根据所述第一判断矩阵和所述第二判断矩阵,确定所述目标路段的车路协同场景部署优先级分配方案。
根据本发明实施例的第三方面,提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面实施例中任一项所述路段车路协同场景优先级确定方法的步骤。
根据本发明实施例的第四方面,提供一种非暂态计算机可读存储介质,其上存储有计算机指令,该指令被处理器执行时实现第一方面中任一项所述方法的步骤。
本发明的实施例提供的技术方案可以包括以下有益效果:
本发明实施例中,对道路路段特征提取分析,从安全、高效、信息服务三个方面对智能化车路协同场景完成分类,采用层次分析法,对路段智能化车路协同场景构造层次结构模型,采用调查问卷的方法,构造道路智能化判断矩阵,求取该路段安全、高效、信息服务三个维度对应的车路协同场景权重系数,排序并检验一致性,确定该路段各智能化车路协同场景的部署优先等级。一方面更具针对性的提高道路智能需求,有效指导当前智慧道路建设;另一方面可减少道路基础设施等场景构建的重复性,物力、人力资源合理分配,节省成本。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种路段车路协同场景优先级确定方法的流程图。
图2是根据一示例性实施例示出的一种路段车路协同场景优先级确定方法中步骤S105的流程图。
图3是根据一示例性实施例示出的一种路段车路协同场景优先级确定方法的具体流程图。
图4是根据一示例性实施例示出的一种路段车路协同场景优先级确定装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种路段车路协同场景优先级确定方法的流程图,如图1所示,该方法包括:
步骤S101,获取目标层的目标路段的路段特征。其中,采用标准查阅、现场调研法、调查问卷等方法,对山区、平原、丘陵等不同地形下的路段进行特征分析,包括道路线形特征、交通标志标线是否完好、是否有隧道、是否有效桥梁、是否有边坡、是否有急转弯、是否有长下坡、是否有遮挡、周边环境等特征。
步骤S102,根据准则层的不同准则对车路协同的场景进行分类,其中,准则层的准则包括:车辆安全行驶、车辆高效行驶和车辆信息服务;
可结合已发布的道路相关标准或指南,对车路协同场景进行维度划分,划分为安全、高效、信息服务3个维度。
在一个实施例中,优选地,车辆安全行驶的车路协同场景包括:紧急制动预警、盲区预警、慢速车辆预警、异常车辆预警、弱势交通参与者碰撞预警、道路危险提示、弯道预警、限速预警、前向碰撞预警和侧向碰撞预警;
车辆高效行驶的车路协同场景包括:紧急车辆让行、前方拥堵预警、限行管理、车速诱导和路线诱导与指引;
车辆信息服务的车辆协同场景包括:近场支付、远程支付和服务信息提醒。
步骤S103,根据各个准则对应的方案层的车路协同场景,基于层次分析法,构建所述目标路段所需部署的车路协同场景层次结构模型;车路协同场景是路段能够体现车辆安全行驶、车辆高效行驶、信息服务功能的影响因子。
利用层次分析法原理,构建某路段智能化层次结构模型,其中路段智能化是最终目标,安全、高效、信息服务是路段智能化功能体现,典型车路协同场景是路段智能化方案手段,所以,层次结构模型中的目标层是路段,准则层是安全、高效、信息服务3个维度,方案层是车路协同场景。
步骤S104,根据所述车路协同场景层次结构模型的各个层级之间的标度关系,确定所述目标层和准则层之间的第一判断矩阵,以及准则层和所述方案层之间的第二判断矩阵;
在一个实施例中,优选地,根据所述车路协同场景层次结构模型的各个层级之间的标度关系,确定所述目标层和准则层之间的第一判断矩阵,以及准则层和所述方案层之间的第二判断矩阵,包括:
根据所述车路协同场景层次结构模型,采用一致矩阵法和调查问卷法,根据1-9的标度方法,确定所述路段特征的各层级之间的标度关系值,并求取平均值,以得到所述第一判断矩阵和所述第二判断矩阵。
一致矩阵法,即元素之间两两比较,采用相对尺度,即1-9的标度法,确定两两元素之间的重要关系,尽可能减少性质不同因素相互比较的困难,提高准确度。判断矩阵性质如下:
表1
步骤S105,根据所述第一判断矩阵和所述第二判断矩阵,确定所述目标路段的车路协同场景部署优先级分配方案。
在该实施例中,对道路路段特征提取分析,从安全、高效、信息服务三个方面对智能化车路协同场景完成分类,采用层次分析法,对路段智能化车路协同场景构造层次结构模型,采用调查问卷的方法,构造道路智能化判断矩阵,求取该路段安全、高效、信息服务三个维度对应的车路协同场景权重系数,排序并检验一致性,确定该路段各智能化车路协同场景的部署优先等级,从而能降低现有道路智能化升级改造、重建成本,满足车辆安全、高效、信息服务的运行需求。
图2是根据一示例性实施例示出的一种路段车路协同场景优先级确定方法中步骤S105的流程图。
如图2所示,在一个实施例中,优选地,上述步骤S105包括:
步骤S201,计算每个第一判断矩阵的最大特征根及其对应的特征向量,并对所述特征向量进行归一化处理,得到第一单排序权重向量,并进行排序和一致性校验,其中,所述第一单排序权重向量用于表征目标层相对于准则层的相对重要性的权重值;其中,计算单排序权重向量,排序并检验一致性,包括层次单排序及其一致性检验和层次总排序及其一致性检验。层次单排序是指,求取对应判断矩阵的最大特征根λ的特征向量W,经归一化后的ω即为同一层次相应因素对于上一层某因素相对重要性的排序权值。一致性检验是指,确定判断矩阵不一致的允许范围。
层次总排序及其一致性检验是指,计算某一层所有因素对于目标层相对重要性的权值的层次总排序,特别是最底层中各方案对于目标层的排序权重,从而进行方案选择。总排序权重要自上而下定的将单准侧下的权重进行合成。
步骤S202,计算每个第二判断矩阵的最大特征根及其对应的特征向量,并对所述特征向量进行归一化处理,得到第二单排序权重向量,并进行排序和一致性校验,其中,所述第二单排序权重向量用于表征所述准则层相对于方案层的相对重要性的权重值;
步骤S203,根据所述第一单排序权重向量和所述第二单排序权重向量,确定准则层的所有准则对于目标层的相对重要性的权重值的第一层次权重总排序,和方案层的所有方案对于目标层的相对重要性的权重值的第二层次权重总排序,并进行一致性校验;
步骤S204,根据所述第一层次权重总排序和所述第二层次权重总排序的排序结果,确定所述目标路段的车路协同场景部署优先级分配方案。
在一个实施例中,优选地,所述第一判断矩阵和所述第二判断矩阵的一致性校验的步骤包括:
根据判断矩阵的最大特征值和判断矩阵的阶数,采用以下第一计算公式计算一致性指标;
表2
根据所述一致性指标和所述随机一致性指标,采用以下第二计算公式计算一致性偏差校验系数:
当所述一致性偏差校验系数小于0.1时,确定通过一致性校验,特征向量(归一化后)即为权向量;否则未通过一致性校验,需重新调整判断矩阵值。
在一个实施例中,优选地,根据所述第一单排序权重向量和所述第二单排序权重向量,确定准则层的所有准则对于目标层的相对重要性的权重值的第一层次权重总排序,和方案层的所有方案对于目标层的相对重要性的权重值的第二层次权重总排序,并进行一致性校验,包括:
B1:a1b11+a2b12+...+amb1m;
B2:a1b21+a2b22+...+amb2m;
...
Bn:a1bn1+a2bn2+...+ambnm;
根据所述第一层次权重总排序和所述第二单排序权重向量采用以下计算公式,计算得到所述第二层次权重总排序:
采用以下计算公式计算层次权重总排序的一致性偏差校验系数:
当所述一致性偏差校验系数小于0.1时,确定通过一致性校验,否则,未通过一致性校验,需要重新考虑模型或重新构造一致性比率较大的判断矩阵。
在一个实施例中,优选地,根据所述第一层次权重总排序和所述第二层次权重总排序的排序结果,按照权重从大到小的顺序,确定所述目标路段的车路协同场景部署优先级分配方案。
下面以目标路段为弯路路段为例,详细说明本发明的上述技术方案。
如图3所示,弯道路段对应的车路协同场景层次结构模型包括目标层、准则层和方案层,目标层为弯道路段(O),准则层包括安全(A1)、高效(A2)和信息服务(A3),车辆安全行驶的车路协同场景包括紧急制动预警(B1)、盲区预警(B2)、慢速车辆预警(B3)、异常车辆预警(B4)、弱势交通参与者碰撞预警(B5)、道路危险提示(B6)、弯道预警(B7)、限速预警(B8)、前向碰撞预警(B9)和侧向碰撞预警(B10),
车辆高效行驶的车路协同场景包括:紧急车辆让行(B1)、前方拥堵预警(B2)、限行管理(B3)、车速诱导(B4)和路线诱导与指引(B5);
车辆信息服务的车辆协同场景包括:近场支付(B1)、远程支付(B2)和服务信息提醒(B3)。
根据车路协同场景层次结构模型的各个层级之间的标度关系,确定目标层和准则层之间的第一判断矩阵,以及准则层和方案层之间的第二判断矩阵。
第一判断矩阵O-A如表3所示:
表3
O | A1 | A2 | A3 |
A1 | 1 | 5 | 9 |
A2 | 1/5 | 1 | 5 |
A3 | 1/9 | 1/5 | 1 |
计算O-A矩阵的最大特征根及其对应的特征向量,并对所述特征向量进行归
一化处理,得到第一单排序权重向量。通过计算,,特征向量=(2.295,0.386,
0.391)T,归一化后=(0.765,0.0128,0.011)T,一致性指标CI=0.019,随机一致性指标RI=
0.52(查表2),一致性比率CR=CI/RI=0.037,通过一致性检验。
第二判断矩阵A1-B如表4所示:
表4
A1 | B1 | B2 | B3 | B4 | B5 | B6 | B7 | B8 | B9 | B10 |
B1 | 1 | 1/3 | 1/3 | 1/5 | 1/5 | 1/5 | 1/3 | 1/3 | 1/3 | 1/3 |
B2 | 3 | 1 | 1/2 | 1/5 | 1/4 | 1/2 | 1/3 | 2 | 1/3 | 1/3 |
B3 | 3 | 2 | 1 | 1/3 | 1/5 | 1/3 | 1/3 | 3 | 1/3 | 1/3 |
B4 | 5 | 5 | 3 | 1 | 1/3 | 4 | 3 | 5 | 1/2 | 1/2 |
B5 | 5 | 4 | 5 | 3 | 1 | 3 | 2 | 5 | 3 | 3 |
B6 | 5 | 2 | 3 | 1/4 | 1/3 | 1 | 0.5 | 4 | 2 | 2 |
B7 | 3 | 3 | 3 | 1/3 | 1/2 | 2 | 1 | 2 | 2 | 2 |
B8 | 3 | 1/2 | 1/3 | 1/5 | 1/5 | 1/4 | 1/2 | 1 | 1/2 | 1/2 |
B9 | 3 | 3 | 3 | 2 | 1/3 | 1/2 | 1/2 | 2 | 1 | 1 |
B10 | 3 | 3 | 3 | 2 | 1/3 | 1/2 | 1/2 | 2 | 1 | 1 |
计算得到:,特征向量W=(0.26,0.456,0.545,1.628,2.329,1.136,
1.234,0.404,1.004,1.004)T,归一化后=(0.026,0.0456,0.0545,0.1628,0.2329,
0.1136,0.1234,0.0404,0.1004,0.1004)T,一致性指标CI=0.132,随机一致性指标RI=1.49
(查表2),一致性比率CR=CI/RI=0.089,通过一致性检验。
第二判断矩阵A2-B如表5所示:
表5
A2 | B1 | B2 | B3 | B4 | B5 |
B1 | 1 | 1/5 | 2 | 1/3 | 1/3 |
B2 | 5 | 1 | 3 | 2 | 2 |
B3 | 1/2 | 1/3 | 1 | 1/3 | 1/3 |
B4 | 3 | 1/2 | 3 | 1 | 2 |
B5 | 3 | 1/2 | 3 | 1/2 | 1 |
计算得到:,特征向量W=(0.536,2.268,0.45,1.552,1.176)T,归一化
后=(0.08967,037908,0.07527,0.25939,0.19658)T,一致性指标CI=0.05,随机一致性指
标RI=1.12(查表2),一致性比率CR=CI/RI=0.044,通过一致性检验。
第二判断矩阵A2-B如表6所示:
表6
A3 | B1 | B2 | B3 |
B1 | 1 | 1/4 | 1/6 |
B2 | 4 | 1 | 1/3 |
B3 | 6 | 3 | 1 |
计算得到:,特征向量W=(0.347,1.101,2.621)T,归一化后=
(0.08522,0.27056,0.64422)T,一致性指标CI=0.027,随机一致性指标RI=0.52(查表2),一
致性比率CR=CI/RI=0.052,通过一致性检验。
层次单排序权重系数如表7所示:
表7
计算方案层次总排序权重向量,并检验一致性,得到方案层对目标层的权重如表8所示。
表8
由表8可得到,CR=
根据上述结果,对于该弯道路段来说,安全权重值最高,为76.506%,在弯道路段安全行驶最重要。提升该路段得整体智能化水平,可优先部署弱势交通参与者预警、异常车辆预警、弯道预警、道路危险状况提示、前方碰撞预警、侧向碰撞预警场景。
图4是根据一示例性实施例示出的一种路段车路协同场景优先级确定装置的框图。
如图4所示,根据本发明实施例的第二方面,提供一种路段车路协同场景优先级确定装置,所述装置包括:
获取模块41,用于获取目标层的目标路段的路段特征;
分类模块42,用于根据准则层的不同准则对车路协同的场景进行分类,其中,准则层的准则包括:车辆安全行驶、车辆高效行驶和车辆信息服务;
构建模块43,用于根据各个准则对应的方案层的车路协同场景,基于层次分析法,构建所述目标路段所需部署的车路协同场景层次结构模型;
第一确定模块44,用于根据所述车路协同场景层次结构模型的各个层级之间的标度关系,确定所述目标层和准则层之间的第一判断矩阵,以及准则层和所述方案层之间的第二判断矩阵;
第二确定模块45,用于根据所述第一判断矩阵和所述第二判断矩阵,确定所述目标路段的车路协同场景部署优先级分配方案。
根据本发明实施例的第三方面,提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面实施例中任一项所述路段车路协同场景优先级确定方法的步骤。
根据本发明实施例的第四方面,提供一种非暂态计算机可读存储介质,其上存储有计算机指令,该指令被处理器执行时实现第一方面中任一项所述方法的步骤。
进一步可以理解的是,本发明中“多个”是指两个或两个以上,其它量词与之类似。“和/或”,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/或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。字符“/”一般表示前后关联对象是一种“或”的关系。单数形式的“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。
进一步可以理解的是,术语“第一”、“第二”等用于描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开,并不表示特定的顺序或者重要程度。实际上,“第一”、“第二”等表述完全可以互换使用。例如,在不脱离本发明范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。
进一步可以理解的是,本发明实施例中尽管在附图中以特定的顺序描述操作,但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作,或是要求执行全部所示的操作以得到期望的结果。在特定环境中,多任务和并行处理可能是有利的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (4)
1.一种路段车路协同场景优先级确定方法,其特征在于,所述方法包括:
步骤S101,获取目标层的目标路段的路段特征;
步骤S102,根据准则层的不同准则对车路协同的场景进行分类,其中,准则层的准则包括:车辆安全行驶、车辆高效行驶和车辆信息服务;
步骤S103,根据各个准则对应的方案层的车路协同场景,基于层次分析法,构建所述目标路段所需部署的车路协同场景层次结构模型;
步骤S104,根据所述车路协同场景层次结构模型的各个层级之间的标度关系,确定所述目标层和准则层之间的第一判断矩阵,以及准则层和所述方案层之间的第二判断矩阵;
步骤S105,根据所述第一判断矩阵和所述第二判断矩阵求取层级各元素的权重,确定所述目标路段的车路协同场景部署优先级分配方案;
上述步骤S101中,采用标准查阅、现场调研法、调查问卷方法,对不同地形下的路段进行特征分析,包括道路线形特征、交通标志标线是否完好、是否有隧道、是否有效桥梁、是否有边坡、是否有急转弯、是否有长下坡、是否有遮挡、周边环境;
上述步骤S102中,车辆安全行驶的车路协同场景包括:紧急制动预警、盲区预警、慢速车辆预警、异常车辆预警、弱势交通参与者碰撞预警、道路危险提示、弯道预警、限速预警、前向碰撞预警和侧向碰撞预警;
车辆高效行驶的车路协同场景包括:紧急车辆让行、前方拥堵预警、限行管理、车速诱导和路线诱导与指引;
车辆信息服务的车辆协同场景包括:近场支付、远程支付和服务信息提醒;
上述步骤S103中,所述层次结构模型中的目标层是路段,准则层是安全、高效、信息服务3个维度,方案层是车路协同场景;
上述步骤S104中,根据所述车路协同场景层次结构模型的各个层级之间的标度关系,确定所述目标层和准则层之间的第一判断矩阵,以及准则层和所述方案层之间的第二判断矩阵,包括:
根据所述车路协同场景层次结构模型,采用一致矩阵法和调查问卷法,根据1-9的标度方法,确定所述路段特征的各层级之间的标度关系值,并求取平均值,以得到所述第一判断矩阵和所述第二判断矩阵;
上述步骤S105中,根据所述第一判断矩阵和所述第二判断矩阵,确定所述目标路段的车路协同场景部署优先级分配方案,包括:
步骤S201,计算每个第一判断矩阵的最大特征根及其对应的特征向量,并对所述特征向量进行归一化处理,得到第一单排序权重向量,并进行排序和一致性校验,其中,所述第一单排序权重向量用于表征目标层相对于准则层的相对重要性的权重值;
步骤S202,计算每个第二判断矩阵的最大特征根及其对应的特征向量,并对所述特征向量进行归一化处理,得到第二单排序权重向量,并进行排序和一致性校验,其中,所述第二单排序权重向量用于表征所述准则层相对于方案层的相对重要性的权重值;
步骤S203,根据所述第一单排序权重向量和所述第二单排序权重向量,确定准则层的所有准则对于目标层的相对重要性的权重值的第一层次权重总排序,和方案层的所有方案对于目标层的相对重要性的权重值的第二层次权重总排序,并进行一致性校验;
步骤S204,根据所述第一层次权重总排序和所述第二层次权重总排序的排序结果,确定所述目标路段的车路协同场景部署优先级分配方案;
上述步骤S203中,根据所述第一单排序权重向量和所述第二单排序权重向量,确定准则层的所有准则对于目标层的相对重要性的权重值的第一层次权重总排序,和方案层的所有方案对于目标层的相对重要性的权重值的第二层次权重总排序,并进行一致性校验,包括:
将各个第一单排序权重向量按照从上至下的顺序进行合成,并排序,以得到所述第一层次权重总排序a1,a2,…,am,其中,m表示准则层的准则数,am表示第m个准则的权重值;
根据所述第一层次权重总排序和所述第二单排序权重向量采用以下计算公式,计算得到所述第二层次权重总排序:
其中,aj表示第一层次权重总排序中第j个准则的权重值,bij表示第二单排序权重向量中第i个方案的对于第j个准则的权重值;
采用以下计算公式计算层次权重总排序的一致性偏差校验系数:
其中,CIm表示第m个准则其对应方案层的CI值,RIm表示第m个准则对应方案层的RI值;
当所述一致性偏差校验系数小于0.1时,确定通过一致性校验,否则,未通过一致性校验,重新调整所述判断矩阵。
2.根据权利要求1所述的方法,其特征在于,
根据所述第一层次权重总排序和所述第二层次权重总排序的排序结果,按照权重从大到小的顺序,确定所述目标路段的车路协同场景部署优先级分配方案。
3.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至2任一项所述路段车路协同场景优先级确定方法的步骤。
4.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至2任一项所述路段车路协同场景优先级确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310004953.4A CN115689259B (zh) | 2023-01-04 | 2023-01-04 | 路段车路协同场景优先级确定方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310004953.4A CN115689259B (zh) | 2023-01-04 | 2023-01-04 | 路段车路协同场景优先级确定方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115689259A CN115689259A (zh) | 2023-02-03 |
CN115689259B true CN115689259B (zh) | 2023-06-30 |
Family
ID=85056904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310004953.4A Active CN115689259B (zh) | 2023-01-04 | 2023-01-04 | 路段车路协同场景优先级确定方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115689259B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116714579B (zh) * | 2023-08-04 | 2023-10-24 | 交通运输部公路科学研究所 | 基于车路协同的自动驾驶车辆预见性安全控制方法及*** |
CN117669364A (zh) * | 2023-11-22 | 2024-03-08 | 中汽研汽车检验中心(广州)有限公司 | 车道保持辅助***测试场景的提取方法、服务器及介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SG11201706602RA (en) * | 2015-02-13 | 2017-09-28 | Beijing Didi Infinity Tech And Dev Co Ltd | Methods and systems for transport capacity scheduling |
CN110880236B (zh) * | 2018-09-05 | 2022-06-14 | 阿里巴巴集团控股有限公司 | 路况信息处理方法、装置及*** |
CN111862600A (zh) * | 2020-06-22 | 2020-10-30 | 中汽研智能网联技术(天津)有限公司 | 一种基于车路协同的交通效率评估方法 |
CN112525551B (zh) * | 2020-12-10 | 2023-08-29 | 北京百度网讯科技有限公司 | 自动驾驶车辆的路测方法、装置、设备及存储介质 |
CN112907955A (zh) * | 2021-01-28 | 2021-06-04 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种基于信息融合的车路协同***的评价方法 |
-
2023
- 2023-01-04 CN CN202310004953.4A patent/CN115689259B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115689259A (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115689259B (zh) | 路段车路协同场景优先级确定方法、设备及介质 | |
US7679531B2 (en) | System and method of optimizing a fixed-route transit network | |
Wan et al. | The extended VIKOR method for multi-attribute group decision making with triangular intuitionistic fuzzy numbers | |
CN111611524B (zh) | 一种燃气风险评估与***资源匹配方法及装置 | |
WO2020147391A1 (zh) | 驾驶水平评估方法、装置、计算机设备和存储介质 | |
Fogue et al. | A novel approach for traffic accidents sanitary resource allocation based on multi-objective genetic algorithms | |
Zahabi et al. | Spatio-temporal analysis of car distance, greenhouse gases and the effect of built environment: A latent class regression analysis | |
CN110942198A (zh) | 一种用于轨道交通运营的乘客路径识别方法和*** | |
CN110288825B (zh) | 基于多源数据融合和snmf的交通控制子区聚类划分方法 | |
CN111785023A (zh) | 一种车辆碰撞风险预警方法及*** | |
CN110288826B (zh) | 基于多源数据融合和milp的交通控制子区聚类划分方法 | |
CN112561685A (zh) | 客户的分类方法和装置 | |
Duran et al. | Transit network design with pollution minimization | |
CN113988705A (zh) | 一种交通安全风险评估方法及装置 | |
Kim et al. | Iterative optimization algorithm with parameter estimation for the ambulance location problem | |
CN115345347A (zh) | 交通风险预测方法、装置、计算机设备和存储介质 | |
CN112884235A (zh) | 出行推荐方法、出行推荐模型的训练方法、装置 | |
CN116386316A (zh) | 交通风险的预测方法和装置、电子设备及存储介质 | |
Park et al. | Data-driven dynamic stacking strategy for export containers in container terminals | |
CN105976099A (zh) | 基于模糊信息的航天型号科研生产管理水平的评估方法 | |
CN111985770A (zh) | 一种基于多重生态***服务能力指数的生态空间优先级识别方法 | |
CN106897292A (zh) | 一种互联网数据聚类方法及*** | |
Roxas Jr et al. | Estimating the environmental effects of the car shifting behavior along EDSA | |
Liang et al. | Optimizing bus stop spacing using the simulated annealing algorithm with spatial interaction coverage model | |
Jasiūnienė et al. | Road safety assessment considering the expected fatal accident density |
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 |