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 PDF

Info

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
Application number
CN202310004953.4A
Other languages
English (en)
Other versions
CN115689259A (zh
Inventor
李振华
吴梦怡
范青蓝
刘砚玥
侯德藻
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.)
Research Institute of Highway Ministry of Transport
Original Assignee
Research Institute of Highway Ministry of Transport
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 Research Institute of Highway Ministry of Transport filed Critical Research Institute of Highway Ministry of Transport
Priority to CN202310004953.4A priority Critical patent/CN115689259B/zh
Publication of CN115689259A publication Critical patent/CN115689259A/zh
Application granted granted Critical
Publication of CN115689259B publication Critical patent/CN115689259B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

路段车路协同场景优先级确定方法、设备及介质
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；
Figure SMS_1
其中，
Figure SMS_2
表示所述一致性指标，
Figure SMS_3
表示所述判断矩阵的最大特征根，
Figure SMS_4
表示所述 判断矩阵的阶数，
Figure SMS_5
，表示有完全的一致性；
Figure SMS_6
接近于0，表示有满意的一致性；
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：
Figure SMS_7
其中，
Figure SMS_8
表示所述一致性偏差校验系数，
Figure SMS_9
表示所述随机一致性指标；
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：
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，
Figure SMS_10
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：
Figure SMS_11
其中，
Figure SMS_12
表示第一层次权重总排序中第j个准则的权重值，
Figure SMS_13
表示第二单排序权 重向量中第
Figure SMS_14
个方案的对于第
Figure SMS_15
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：
Figure SMS_16
其中，
Figure SMS_17
表示第
Figure SMS_18
个准则其对应方案层的
Figure SMS_19
值，
Figure SMS_20
表示第
Figure SMS_21
个准则 对应方案层的
Figure SMS_22
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，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：
Figure SMS_23
其中，
Figure SMS_24
表示要素
Figure SMS_25
与要素
Figure SMS_26
重要性比较结果，重要性比较参见1-9的标度含义 如表1所示。
表1
Figure SMS_27
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；
Figure SMS_28
其中，
Figure SMS_29
表示所述一致性指标，
Figure SMS_30
表示所述判断矩阵的最大特征根，
Figure SMS_31
表示所述 判断矩阵的阶数，
Figure SMS_32
，表示有完全的一致性；
Figure SMS_33
接近于0，表示有满意的一致性；
Figure SMS_34
越大，不一致越严重。
引入随机一致性指标
Figure SMS_35
衡量
Figure SMS_36
的大小，其中，随机一致性指标
Figure SMS_37
和判断 矩阵的阶数有关，一般情况下，矩阵阶数越大，则出现一致性随机偏离的可能性也越大，其 对应关系如表2；
表2
Figure SMS_38
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：
Figure SMS_39
其中，
Figure SMS_40
表示所述一致性偏差校验系数，
Figure SMS_41
表示所述随机一致性指标；
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：
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
Figure SMS_42
，其中，
Figure SMS_43
表示准则层的准则数，
Figure SMS_44
表 示第
Figure SMS_45
个准则的权重值；
设A层
Figure SMS_46
个因素
Figure SMS_47
，对总目标Z的层次总排序权重为
Figure SMS_48
。
B层n个因素对上层A中因素为Aj的层次单排序为
Figure SMS_49
Figure SMS_50
，则B层的层次总排序
Figure SMS_51
：
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：
Figure SMS_52
其中，
Figure SMS_53
表示第一层次权重总排序中第
Figure SMS_54
个准则的权重值，
Figure SMS_55
表示第二单 排序权重向量中第
Figure SMS_56
个方案的对于第
Figure SMS_57
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：
Figure SMS_58
其中，
Figure SMS_59
表示第
Figure SMS_60
个准则其对应方案层的
Figure SMS_61
值，
Figure SMS_62
表示第
Figure SMS_63
个准则 对应方案层的
Figure SMS_64
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，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
Figure SMS_65
及其对应的特征向量
Figure SMS_66
，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，
Figure SMS_67
，特征向量
Figure SMS_68
=（2.295，0.386， 0.391）T，归一化后
Figure SMS_69
=（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
Figure SMS_70
，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：
Figure SMS_71
，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
Figure SMS_72
=（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
Figure SMS_73
，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：
Figure SMS_74
，特征向量W=（0.536，2.268，0.45，1.552，1.176）T，归一化 后
Figure SMS_75
=（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
Figure SMS_76
，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：
Figure SMS_77
，特征向量W=（0.347，1.101，2.621）T，归一化后
Figure SMS_78
= （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
Figure SMS_79
，通过一致性检验。
层次单排序权重系数如表7所示：
表7
Figure SMS_80
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
Figure SMS_81
由表8可得到，CR=
Figure SMS_82
0.08<0.1，通过 一致性检验。方案层权重排序为：B5>B4>B7>B6>B9>B10>B18>B12>B3>B2>B14>B8>B17>1B5> B1>B11>B13>B16。
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：
Figure QLYQS_1
；
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：
Figure QLYQS_2
；
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。
CN202310004953.4A 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 Active CN115689259B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

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