CN116311950A - 路径选择方法和基于虚实融合技术的v2x测试*** - Google Patents
路径选择方法和基于虚实融合技术的v2x测试*** Download PDFInfo
- Publication number
- CN116311950A CN116311950A CN202310558195.0A CN202310558195A CN116311950A CN 116311950 A CN116311950 A CN 116311950A CN 202310558195 A CN202310558195 A CN 202310558195A CN 116311950 A CN116311950 A CN 116311950A
- Authority
- CN
- China
- Prior art keywords
- traffic data
- data set
- congestion
- target
- entropy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 42
- 238000010187 selection method Methods 0.000 title abstract description 17
- 230000004927 fusion Effects 0.000 title abstract description 16
- 238000005516 engineering process Methods 0.000 title abstract description 15
- 238000012546 transfer Methods 0.000 claims abstract description 64
- 230000002159 abnormal effect Effects 0.000 claims abstract description 55
- 238000006243 chemical reaction Methods 0.000 claims abstract description 55
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 38
- 238000004422 calculation algorithm Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 28
- 238000004088 simulation Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 12
- 230000001131 transforming effect Effects 0.000 claims 1
- 239000011159 matrix material Substances 0.000 description 19
- 210000002569 neuron Anatomy 0.000 description 19
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000002860 competitive effect Effects 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000001364 causal effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- 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
- G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route
-
- 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
- G08G1/096877—Systems involving transmission of navigation instructions to the vehicle where the input to the navigation device is provided by a suitable I/O arrangement
- G08G1/096888—Systems involving transmission of navigation instructions to the vehicle where the input to the navigation device is provided by a suitable I/O arrangement where input information is obtained using learning systems, e.g. history databases
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Remote Sensing (AREA)
- Chemical & Material Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Analytical Chemistry (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供一种路径选择方法和基于虚实融合技术的V2X测试***,针对每条预选路径,对历史正常交通数据集和历史异常交通数据集进行熵投影转换,得到参考交通数据集,基于参考交通数据集和实时交通数据集,利用自组织映射模型,得到多个目标拥堵交通数据,对多个目标拥堵交通数据进行传递熵计算,得到任意两个目标拥堵交通数据的影响关系,根据得到的影响关系,确定预选路径的拥堵指标,根据得到的拥堵指标,选择最优路径。由于在选择路径时,考虑到历史异常交通数据集和历史正常交通数据集,根据得到的参考交通数据集与实时交通数据集,得到目标拥堵交通数据,相比于只根据实时交通数据得到的目标拥堵交通数据更准确,从而选择的路径也更为准确。
Description
技术领域
本申请涉及智能交通技术领域,具体涉及一种路径选择方法和基于虚实融合技术的V2X测试***。
背景技术
交通运输为城市业务主题中的一个重要分类,对交通运输进行合理规划,可以进行交通事件预警,减少交通事故等,赋能城市活力。路径选择在交通运输合理规划中尤为重要。
相关技术中,对路径进行选择时,比如,车辆在自动驾驶的过程中,或者用户在使用导航的过程中,再或者在基于虚实融合技术的V2X测试***中对被测车辆的性能进行测试的过程中,均可用到路径选择方法。
目前来说,对路径进行选择时,只关注实时交通数据,因此路径选择不够准确。
发明内容
鉴于现有技术中的上述缺陷或不足,本申请旨在提供一种路径选择方法和基于虚实融合技术的V2X测试***。
第一方面,本申请实施例提供一种路径选择方法,其特征在于,该方法包括:
针对每条预选路径,执行以下操作:对历史正常交通数据集和历史异常交通数据集进行熵投影转换,得到参考交通数据集;基于所述参考交通数据集和实时交通数据集,利用自组织映射模型进行训练,得到影响交通拥堵的多个目标拥堵交通数据;对所述多个目标拥堵交通数据进行传递熵计算,得到任意两个目标拥堵交通数据的影响关系;根据得到的多个影响关系,确定表征所述预选路径的拥堵状态的拥堵指标;其中,所述历史正常交通数据集、所述历史异常交通数据集和所述实时交通数据集均为与所述预选路径对应的数据集;
根据每条预选路径对应的测拥堵指标,选择最优路径。
在一种可能的实现方式中,所述对历史正常交通数据集和历史异常交通数据集进行熵投影转换,得到参考交通数据集,包括:
对所述历史正常交通数据集和所述历史异常交通数据集进行整合,得到历史交通数据集;
采用核熵成分分析算法对所述历史交通数据集进行分析,得到至少一个核熵投影转换分量集;
基于所述至少一个核熵投影转换分量集,采用ReliefF算法,得到所述参考交通数据集。
在一种可能的实现方式中,所述基于所述核熵投影转换分量集,采用ReliefF算法,得到所述参考交通数据集,包括:
采用所述ReliefF算法,得到所述至少一个核熵投影转换分量集中每个核熵投影转换分量的贡献权重;
根据得到的贡献权重,计算每个核熵投影转换分量集的分贡献权重和,以及总贡献权重和,其中,所述总贡献权重和为所有核熵投影转换分量的贡献权重的和值;
将分贡献权重和与所述总贡献权重和的比值超过预设值的核熵投影转换分量集组成的数据集作为所述参考交通数据集。
在一种可能的实现方式中,所述基于所述参考交通数据集和实时交通数据集,利用自组织映射模型进行训练,得到影响交通拥堵的多个目标拥堵交通数据,包括:
将所述参考交通数据集和所述实时交通数据集进行组合,得到目标交通数据集;
对所述目标交通数据集进行初始化,得到目标交通数据集;
利用自组织映射模型对所述目标交通数据集进行训练,得到影响交通拥堵的多个目标拥堵交通数据。
在一种可能的实现方式中,所述对所述多个目标拥堵交通数据进行传递熵计算,得到任意两个目标拥堵交通数据的影响关系,包括:
针对任意两个目标拥堵交通数据,计算第一目标拥堵交通数据对第二目标拥堵交通数据的第一传递熵,以及计算所述第二目标拥堵交通数据对所述第一目标拥堵交通数据的第二传递熵;
根据所述第一传递熵和所述第二传递熵的差值,确定所述第一目标拥堵交通数据和所述第二目标拥堵交通数据的影响关系。
在一种可能的实现方式中,所述根据所述第一传递熵和所述第二传递熵的差值,确定所述第一目标拥堵交通数据和所述第二目标拥堵交通数据的影响关系,包括:
若所述差值大于零,则确定所述影响关系为所述第二目标拥堵交通数据对所述第一目标拥堵交通数据的影响大于所述第一目标拥堵交通数据对所述第二目标拥堵交通数据的影响;
若所述差值小于零,则确定影响关系为由所述第二目标拥堵交通数据传递至所述第一目标拥堵交通数据的传递影响关系;
若所述差值等于零,则确定所述影响关系为所述第一目标拥堵交通数据和所述第二目标拥堵交通数据之间无确定影响关系。
在一种可能的实现方式中,所述根据得到的多个影响关系,确定表征所述预选路径的拥堵状态的拥堵指标,包括:
从所述多个影响关系中查找每个传递影响关系对应的第二目标拥堵交通数据;
从查找到的第二目标拥堵交通数据中确定同一个目标拥堵数据的数量;
计算每个数量和与所述数量对应的目标拥堵数据的权重的乘积;
将得到的乘积的和值作为表征所述预选路径的拥堵状态的拥堵指标。
在一种可能的实现方式中,所述根据每条预选路径对应的拥堵指标,选择最优路径,包括:
从得到的拥堵指标中选择和值最小的拥堵指标;
并将所述和值最小的拥堵指标对应的路径作为所述最优路径。
第二方面,本申请实施例提供一种基于虚实融合技术的V2X测试***,包括:
环境信息模拟设备,用于模拟历史正常交通数据集、历史异常交通数据集以及实时交通数据集;
被测车辆,用于针对每条预选路径,执行以下操作:对接收到的历史正常交通数据集和接收到的历史异常交通数据集进行熵投影转换,得到参考交通数据集;基于所述参考交通数据集和接收到的实时交通数据集,利用自组织映射模型进行训练,得到影响交通拥堵的多个目标拥堵交通数据;对所述多个目标拥堵交通数据进行传递熵计算,得到任意两个目标拥堵交通数据的影响关系;根据得到的多个影响关系,确定表征所述预选路径的拥堵状态的拥堵指标;其中,所述历史正常交通数据集、所述历史异常交通数据集和所述实时交通数据集均为与所述预选路径对应的数据集,且均由所述环境信息模拟设备发送的;根据每条预选路径对应的拥堵指标,选择最优路径。
在一种可能的实现方式中,所述被测车辆具体用于:
对所述历史正常交通数据集和所述历史异常交通数据集进行整合,得到历史交通数据集;
采用核熵成分分析算法对所述历史交通数据集进行分析,得到至少一个核熵投影转换分量集;
基于所述至少一个核熵投影转换分量集,采用ReliefF算法,得到所述参考交通数据集。
在一种可能的实现方式中,所述被测车辆具体用于:
将所述参考交通数据集和所述实时交通数据集进行组合,得到组合交通数据集;
对所述组合交通数据集进行初始化,得到目标交通数据集;
利用自组织映射模型对所述目标交通数据集进行训练,得到影响交通拥堵的多个目标拥堵交通数据。
在一种可能的实现方式中,所述被测车辆具体用于:
针对任意两个目标拥堵交通数据,计算第一目标拥堵交通数据对第二目标拥堵交通数据的第一传递熵,以及计算所述第二目标拥堵交通数据对所述第一目标拥堵交通数据的第二传递熵;
根据所述第一传递熵和所述第二传递熵的差值,确定所述第一目标拥堵交通数据和所述第二目标拥堵交通数据的影响关系。
在一种可能的实现方式中,所述被测车辆具体用于:
若所述差值大于零,则确定所述影响关系为所述第二目标拥堵交通数据对所述第一目标拥堵交通数据的影响大于所述第一目标拥堵交通数据对所述第二目标拥堵交通数据的影响;
若所述差值小于零,则确定影响关系为由所述第二目标拥堵交通数据传递至所述第一目标拥堵交通数据的传递影响关系;
若所述差值等于零,则确定所述影响关系为所述第一目标拥堵交通数据和所述第二目标拥堵交通数据之间无确定影响关系。
在一种可能的实现方式中,所述被测车辆具体用于:
从所述多个影响关系中查找每个传递影响关系对应的第二目标拥堵交通数据;
从查找到的第二目标拥堵交通数据中确定同一个目标拥堵数据的数量;
计算每个数量和与所述数量对应的目标拥堵数据的权重的乘积;
将得到的乘积的和值作为表征所述预选路径的拥堵状态的拥堵指标。
在一种可能的实现方式中,所述被测车辆具体用于:
从得到的拥堵指标中选择和值最小的拥堵指标;
将所述和值最小的拥堵指标对应的路径作为所述最优路径。
综上所述,本申请实施例提供的一种路径选择方法和基于虚实融合技术的V2X测试***,该方法包括,首先针对每条预选路径,对历史正常交通数据集和历史异常交通数据集进行熵投影转换,得到参考交通数据集,然后基于参考交通数据集和实时交通数据集,利用自组织映射模型进行训练,得到影响交通拥堵的多个目标拥堵交通数据,对多个目标拥堵交通数据进行传递熵计算,得到任意两个目标拥堵交通数据的影响关系,最后根据得到的多个影响关系,确定表征预选路径的拥堵状态的拥堵指标,其中,历史正常交通数据集、历史异常交通数据集和实时交通数据集均为与预选路径对应的数据集,得到每条预选路径的拥堵指标后,根据每条预选路径的拥堵指标,选择最优路径。由于本申请实施例在选择路径时,考虑到每条预选路径对应的历史正常交通数据集和历史异常交通数据集,由历史正常交通数据集和历史异常交通数据集得到参考交通数据集,并基于参考交通数据集与实时交通数据集,得到影响交通拥堵的多个目标拥堵交通数据,相比于只根据实时交通数据得到的目标拥堵交通数据更准确,从而选择的路径也更为准确,此外,还可以提高交通数据的利用率。
附图说明
图1为本申请实施例提供的一种路径选择方法的流程示意图;
图2为本申请实施例提供的一种二维自组织映射模型的网络结构示意图;
图3为本申请实施例提供的一种“U”矩阵图;
图4为本申请实施例提供的另一种“U”矩阵图;
图5为本申请实施例提供的一种变量间的传递关系示意图;
图6为本申请实施例提供的另一种变量间的传递关系示意图;
图7为本申请实施例提供的另一种变量间的传递关系示意图;
图8为本申请实施例提供的一种具有传递影响关系的目标拥堵交通数据之间的网状图;
图9为本申请实施例提供的一种具有传递影响关系的目标拥堵交通数据之间的树状图;
图10为本申请实施例提供的一种基于虚实融合技术的V2X测试***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
诚如背景技术中提到的,针对现有技术中的问题,本申请提出了一种路径选择方法,该路径选择方法可以应用于实际交通中,由车辆中的电子设备执行;也可以应用于虚拟测试中,由基于虚实融合技术的V2X测试***实现(该***的详细内容将在后续实施例中予以说明)。更具体的,该方法可以适用于自动驾驶或使用导航的场景,如图1所示,具体包括如下步骤:
S101、针对每条预选路径,执行以下操作:对历史正常交通数据集和历史异常交通数据集进行熵投影转换,得到参考交通数据集;基于所述参考交通数据集和实时交通数据集,利用自组织映射模型进行训练,得到影响交通拥堵的多个目标拥堵交通数据;对所述多个目标拥堵交通数据进行传递熵计算,得到任意两个目标拥堵交通数据的影响关系;根据得到的多个影响关系,确定表征所述预选路径的拥堵状态的拥堵指标;其中,所述历史正常交通数据集、所述历史异常交通数据集和所述实时交通数据集均为与所述预选路径对应的数据集;
S102、根据每条预选路径对应的拥堵指标,选择最优路径。
本申请实施例中,首先针对每条预选路径,对历史正常交通数据集和历史异常交通数据集进行熵投影转换,得到参考交通数据集,然后基于参考交通数据集和实时交通数据集,利用自组织映射模型进行训练得到影响交通拥堵的多个目标拥堵交通数据,对多个目标拥堵交通数据进行传递熵计算,得到任意两个目标拥堵交通数据的影响关系,最后根据得到的多个影响关系,确定表征预选路径的拥堵状态的拥堵指标,其中,历史正常交通数据集、历史异常交通数据集和实时交通数据集均为与预选路径对应的数据集,得到每条预选路径的拥堵指标后,根据每条预选路径的拥堵指标,选择最优路径。这里的“拥堵指标”也可以称为“拥堵数值”,以数值大小表征拥堵程度。由于本申请实施例在选择路径时,考虑到每条预选路径对应的历史正常交通数据集和历史异常交通数据集,将由历史正常交通数据集和历史异常交通数据集得到的参考交通数据集与实时交通数据集作为训练集,输入模型中进行训练,得到影响交通拥堵的多个目标拥堵交通数据,相比于只根据实时交通数据得到的目标拥堵交通数据更准确,从而选择的路径也更为准确,此外,还可以提高交通数据的利用率。
本申请实施例提供的路径选择方法,可以应用于真实路径选择,比如车辆在自动驾驶的过程中,或在使用导航的过程中,用户预先设置好了出发地和目的地,由出发地到目的地可能存在多条路径,车辆在行驶的过程中,假如快到一个岔路口时,通过三条路径均可到达目的地,则将该三条路径作为预选路径,根据本申请提供的路径选择方法,从三条路径中选择最优的一条路径出行,还可以应用于模拟路径选择,比如,应用于基于虚实融合技术的V2X测试***中,对被测车辆的性能进行测试。
历史正常交通数据集为车辆在预选路径正常行驶时采集到的交通数据,历史异常交通数据集为车辆在预选路径遇到拥堵状况时采集到的交通数据,比如,道路交通事故、车辆的异常行为(逆行、异常静止、非常规行驶等)、道路障碍物(枯枝、落石等)、路面异常状况(路面塌陷、路面维护等)等。本申请实施例中的交通数据可以为车辆速度,车辆加速度,行人人数等。
在具体实施中,历史正常交通数据集和历史异常交通数据集均为与预选路径对应的数据集,并且为预先采集到的,比如,在预选路径1中,通过在预选路径1中设置的摄像头采集的交通数据,在预选路径2中,通过设置在路径2中的公交站采集到的交通数据,在预选路径3中,通过在预选路径3中通过的车辆采集到的交通数据。
历史正常交通数据集和历史异常交通数据集均为一段时长内的连续的交通数据,比如,在预选路径1中,a日上午9:00到上午10:00内的连续的交通数据,在a日上午9:00到上午10:00,预选路径1未发生交通拥堵,则将在a日上午9:00到上午10:00采集到的交通数据作为预选路径1对应的历史正常交通数据;在预选路径1中,b日上午9:00到上午10:00发生交通拥堵,则将在b日上午9:00到上午10:00采集到的交通数据作为预选路径1对应的历史异常交通数据。
需要说明的是,历史正常交通数据和历史异常交通数据可以是不同时间段采集到的,只要是在同一条预选路径采集的,时间上连续的交通数据即可。
在一种实施例中,对历史正常交通数据集和历史异常交通数据集进行熵投影转换,得到参考交通数据集,具体的,首先对历史正常交通数据集和历史异常交通数据集进行整合,得到历史交通数据集,然后采用核熵成分分析算法对历史交通数据集进行分析,得到至少一个核熵投影转换分量集,最后采用ReliefF算法,获得每个核熵投影转换分量集中每个核熵投影转换分量的贡献权重,根据得到的贡献权重,计算每个核熵投影转换分量集的分贡献权重和,以及总贡献权重和,其中,总贡献权重和为所有核熵投影转换分量的贡献权重的和值,将分贡献权重和与总贡献权重和的比值超过预设值的核熵投影转换分量集组成的数据集作为所述参考交通数据集。
需要说明的是,本申请实施例中的历史正常交通数据集中的历史正常交通数据和历史异常交通数据集中的历史异常交通数据/>均为在时间上连续的交通数据,其中,j表示交通数据,比如,j=1,表示为车辆加速度,j=2,表示为车辆速度,j=3,表示为行人人数,……,k表示时间,比如,k=1表示9:00-9:01,k=2,表示9:02-9:03,k=3表示9:03-9:04,……。在具体实施中,历史正常交通数据集和历史异常交通数据集可以均为k×j的矩阵。
比如,历史交通数据集为35*35的矩阵,采用核熵成分分析算法对该历史交通数据集/>进行分析,得到一个35*8的矩阵,该矩阵为8个核熵投影转换分量集,也就是说,采用核熵成分分析算法得到的矩阵中,每一列为一个核熵投影转换分量集。
核熵成分分析(kernel entropy component analysis,KECA)算法是一种不同于传统“谱方法”的非线性降维算法,KECA算法可以保持数据降维前后数据集的renyi熵损失最小,还可以在确定数据投影方向的时候不再采用根据特征值大小确定投影方向的方法。与主成分分析(Kernel Principle Component Analysis,KPCA)算法不同的是KECA在降维时估算各个主元方向对renyi熵的贡献权重来确定该主元方向对信息的保留程度,再将数据映射到对renyi熵贡献较大的那些核主元方向上,而不是对应的特征值较大的主元方向上,也就是说,KECA是通过选取renyi熵贡献较高的特征值和相应的特征向量来尽可能的保持数据变换前后熵的不变性。
在一种实施例中,可以采用ReliefF算法,获得每个核熵投影转换分量集中每个核熵投影转换分量的贡献权重。
得到每个核熵投影换换分量的贡献权重后,针对每个核熵投影转换分量集,将该核熵投影转换分量集中的每个核熵投影转换分量的贡献权重相加,得到分贡献权重和,然后将每个分贡献权重和相加,得到总贡献权重和,最后选择分贡献权重和与总贡献权重和的比值大于等于预设值的分贡献权重和,并将选择出的分贡献权重和对应的核熵投影转换分量集作为参考交通数据集。
比如,得到的至少一个核熵投影转换分量集为35*8的矩阵,则将该矩阵中每一列中的35个贡献权重相加,得到8个分贡献权重和a1、a2、a3、a4、a5、a6、a7和a8,再将8个分贡献权重和相加,得到总贡献权重和A,然后将每个分贡献权重和与总贡献权重和相除,b1=a1/A,b2=a2/A,b3=a3/A,b4=a4/A,b5=a5/A,b6=a6/A,b7=a7/A,b8=a8/A,得到8个比值后,将每个比值与预设值进行比较,比较结果为b1大于/>,b2大于/>,b4大于/>,b7大于/>,则分别选择分贡献权重和a1、a2、a4和a7对应的核熵投影转换分量集,将选择出的核熵投影转换分量集作为参考交通数据集,也就是参考交通数据集为一个35*4的矩阵。
下面对ReliefF算法进行简单说明。ReliefF算法是一种特征选择算法,用于实现多类别分类任务。它的主要目的是通过去除不相关的和多余的特征来提高分类精度和性能。ReliefF算法根据每个特征和类别的相关性来分配不同的特征权重。它对冗余数据具有很强的鲁棒性,因为在计算邻居时充分考虑了不同特征之间的关系。
ReliefF算法的核心思想是通过评估类间邻居样本的特征差异和类内邻居样本的特征差异来选择重要特征。如果类间样本的特征差异较小,而类内样本的特征差异较大,则对该特征赋予较重的权重,以过滤掉该特征。该特征的权重越大,该特征的分类能力越强。
需要说明的是,本申请实施例中的参考交通数据集,用于表征影响路径的拥堵状态的因素,在实施中为实时交通数据集做参考,最终得到影响交通拥堵的目标拥堵交通数据。
在一种实施例中,基于参考交通数据集和实时交通数据集,利用自组织映射模型进行训练,得到影响交通拥堵的多个目标拥堵交通数据,具体的,将参考交通数据集和与预选路径对应的实时交通数据集进行组合,得到组合交通数据集,然后将组合交通数据集进行初始化,得到目标交通数据集,最后利用自组织映射模型对目标交通数据集进行训练,得到影响交通拥堵的多个拥堵交通数据。
其中,组合交通数据集中既包括表征影响路径的拥堵状态的拥堵因素的数据集,又包括实时交通数据集,对组合交通数据集进行初始化,得到的目标交通数据集,目标交通数据集同样包括表征影响路径的拥堵状态的拥堵因素和实时交通数据,也就是,目标交通数据集表征拥堵因素和实时交通数据。
本申请实施例中的实时交通数据集,可以是终端(摄像头、公交站、车辆等)实时采集到的,该终端可以是基于虚实融合技术的V2X测试***中的环境信息模拟设备,也可以是路径中设置的实体设备;实时交通数据集既可以包括正常交通数据,也可以包括异常交通数据,还可以既包括正常交通数据,又包括异常交通数据。实时交通数据集也是在时间上连续的交通数据的矩阵,比如,每隔一分钟采集到的交通数据。
下面对自组织映射模型进行简要说明。
自组织映射模型(Self-organization Mapping,SOM)主要是将数据进行学习,从而得到极为关键的特征,或者说是某种潜在的规律,数据将被分别聚类至含有响应关系的区域。
SOM由于结构与人类的脑皮层的工作机制相似而提出。在日常的训练工作时,它主要是参照并模仿人脑在处理问题时的决策状况。
SOM可以被看作是一个无人进行监督的学***面阵,也允许是三维栅格排列。图2为二维自组织映射模型的网络结构示意图,其处理的数据对应着SOM的输入层,输出层则是被有序的节点组成的二维网格。在输入时,待分类数据主要是通过权向量将其传送到SOM的竞争层,并与位于SOM竞争层的没有被激活神经元进行一系列的匹配,至此完成SOM的训练。
SOM通过以下3个基础原则进行设计:输入模式在SOM下的相似性,相似性测量原理,SOM下竞争学习原理。
输入模式在SOM下的相似性。主要是指SOM在分类时,是通过待处理数据类别即的特征详情信息或是专家往常经验。在没有导师的分类情况下,将其分类视作聚类。聚类要保持样本类内达到相似,而无过多相似的样本数据进行分离;相似性测量原理则是通过与距离相关的函数进行计算,通过距离函数对待处理数据与SOM竞争层的神经元;SOM下竞争学习原理则是通过权值对SOM的竞争层的某个神经元进行最大的刺激,使其在SOM下获胜。
综上可知,SOM在运行时,在将数据输入SOM时,进行简单处理,再由具备权值的SOM网络进行学习训练,得到具备不相似特征的数据,在此基础上使用选定的距离函数进行SOM输入模式的分辨,最终将获胜的神经元展示在SOM的输出层,于是在SOM的输出层就可以得到具备数据特征类的分布图。具体原理如下综述:
通过距离函数计算获得SOM中最佳匹配神经元:
在SOM中,由于侧向的兴奋反馈,SOM的获胜神经元邻域进行不断更新,更新的表达式如公式2所示:
在输入N维数据集X进行匹配后,直到所有数据都在SOM下完成更新,匹配,此时SOM算法停止。
SOM应用广泛,在使用SOM后,可以将数据的处理结果以图像的方式进行展示。主要由“U”矩阵图,碰撞直方图等方法进行分类结果的展示。
“U”矩阵图是对于SOM的神经元的距离进行了可视化的展示。在相邻的神经元的距离计算出后,通常选用不同的颜色进行表示。神经元在SOM的可视化展示下,颜色越深则表示其距离越大。若神经元之间相互接近,则由浅色标识。由于以上特性,浅色区域则可以被认为集群,而深色区域可以被理解为集群分离器,“U”矩阵图如图3所示。
碰撞直方图是用来绘制每个神经元,在该模型下被待处理数据映射次数的平面图。该图与标签平面图实际上是相对应的。
如图4所示,在SOM的碰撞直方图中,神经元每次被映射一个SOM的输入数据的情况下,这个SOM下的神经元就会加1,因此,数据集在SOM训练后,将会得到一个神经元在SOM下被碰撞的次数的图像,这就是SOM的碰撞直方图。各个六边形记录着神经元在SOM下被映射的次数。从而得知,我们可以从SOM的碰撞直方图中获悉输入SOM的数据集分布状况。
上面是对SOM的说明,下面对本申请实施例提供的如何得到任一两个目标拥堵交通数据的影响关系进行详细说明。
在一种实施例中,对多个目标拥堵交通数据进行传递熵计算,得到任意两个目标拥堵交通数据的影响关系,具体的,针对任意两个目标拥堵交通数据,计算第一目标拥堵交通数据对第二目标拥堵交通数据的第一传递熵,以及计算第二目标拥堵交通数据对第一目标拥堵交通数据的第二传递熵;根据第一传递熵和第二传递熵的差值,确定第一目标拥堵交通数据和第二目标拥堵交通数据的影响关系。
若差值大于零,则确定影响关系为第二目标拥堵交通数据对第一目标拥堵交通数据的影响大于第一目标拥堵交通数据对第二目标拥堵交通数据的影响;
若差值小于零,则确定影响关系为由第二目标拥堵交通数据传递至第一目标拥堵交通数据的传递影响关系;
若差值等于零,则确定影响关系为第一目标拥堵交通数据和所述第二目标拥堵交通数据之间无确定影响关系。
由于差值小于零对应的影响关系为传递影响关系,也就是由一个目标交通数据传递至另一个目标交通数据,本申请实施例中,确定表征该预选路径的拥堵状态的拥堵指标时,是根据目标交通数据之间的传递确定的,因此,本申请实施例只关注差值小于零的情况,其他两种情况(差值大于零和差值等于零)不考虑。
下面对传递熵进行简单说明。传递熵是将两个待研究序列之间的信息关系进行量化,可以被用来进行因果关系的建立。
通过引入熵,将序列间的复杂度量化,其信息熵表达式如公式5所示,
由于同一***的变量之间大多有一定的相关性,他们互相影响并有一定的共同信息关联,因此可通过互信息的公式对变量间的信息进行量化,如公式6所示,
将上述公式进行分解,将会得到另一种表述形式,如公式7所示:
为了更加规范的描述信息的流动性,条件信息熵被提出,如公式8所示:
在公式9中可得知,此时在计算变量对变量/>的传递熵。其中/>为条件概率,/>分别在/>时刻,/>的测量值为/>。/>则代表了/>在/>时刻的测量值。此外,在公式9中,/>则分别代表了/>的植入维度,/>,。通过公式9可知,传递熵的计算是通过将/>与/>作为条件的/>的信息熵与只将/>为条件的/>的信息熵进行减法运算。这将明了的获悉传递熵考虑了/>的信息熵是否被/>的存在而受到影响。
考虑到在所研究的变量间,信息会由于传播问题从而出现不确定的延时的问题。为了进一步解决这一发现的问题,将公式9进行改写,如公式10表示:
在公式10中,参数代表预报范围,根据传递熵的定义,此时的传递熵为/>信息熵被/>的影响。即参数/>为预报范围,这将代表着/>在传递信息时与/>存在时间上的滞后。然而在公式10中仍存在一定的问题,这一计算方式需要及时调整参数/>的值,这将意味着,/>与/>的间隔也会由调整的参数/>的调整而变化。这种状况在计算传递熵是不合理的。为了避免这一问题,将公式10进行改写,改写后的公式如下所示:
与前文提及的互信息不同,如果和/>的值为不同,这表明/>对/>的传递熵,和/>对/>的传递熵为不一样的。可通过计算结果得知信息在不同的方向上具有一定的差异。这也展现了传递熵的非对称性。待处理的数据的因果关系的方向则可对两个传递熵值进行减法运算得到。
以上的关系可用链式图进行表示。如在多变量,当/>,/>,/>存在时,该变量间的传递关系如图5所示;/>小于/>时,该状况的根因传递关系如图6所示;/>,/>均大于0时,然而/>无限接近于0时,其关系可由图7所示。
在一种实施例中,计算得到差值后,选择差值小于零的多组目标拥堵交通数据,从选择的多组目标拥堵交通数据中,选择第二目标拥堵交通数据,并确定选择出的第二目标拥堵交通数据中同一个目标拥堵交通数据的数量,根据每个数量和与该数量对应的目标拥堵数据的权重,确定每个表征预选路径的拥堵状态的拥堵指标。
具体的,计算每个数量和与该数量对应的目标拥堵数据的权重的乘积,将得到的乘积的和值作为拥堵指标。
需要说明是的,本申请实施例中将数量最多的目标拥堵交通数据作为拥堵状态对应的根本因素,即导致拥堵的根本因素,将数量最少的目标拥堵交通数据作为拥堵状对应的直接因素。
比如,本申请实施例中,选择出5个目标拥堵交通数据,分别为2、5、6、10和11,分别计算该5个目标拥堵交通数据之间的影响关系,得到的具有传递影响关系的目标拥堵交通数据之间的网状图如图9所示,从图9中可以看出,6和2之间存在传递影响关系,且由6传递至2,6和5之间存在传递影响关系,且由6传递至5,6和10之间存在传递影响关系,且由6传递至10,6和11之间也存在传递影响关系,且由6传递至11,其他目标拥堵交通数据之间的传递影响关系可以参照6和其他目标拥堵交通数据之间的传递影响关系,此处不再赘述。
将图8中所示的目标拥堵交通数据之间的传递影响关系的网状图进行拆解,得到图9所示的树状图,从图9所示的树状图中可知,6作为第二目标拥堵交通数据的数量为4,2作为第二目标拥堵交通数据的数量为3,5作为第二目标拥堵交通数据的数量为2,10作为第二目标拥堵交通数据的数量为1,11作为第二目标拥堵交通数据数量为0,由此可以看出,6为导致拥堵的根本因素,11为导致拥堵的直接因素。
需要说明的是,第二目标拥堵交通数据表征在传递影响关系中将信息传递至另一个目标拥堵交通数据的目标拥堵交通数据。
在一种实施例中,目标拥堵交通数据的权重是根据该目标拥堵交通数据对应的数量预设的,比如,将数量从大到小排列,从第一个数量开始,最后一个数量结束,依次以50%,25%,12.5%,6.25%,3.125%......权重进行分配,比如,以图8和图9为例,6对应的权重为50%,2对应的权重为25%,5对应的权重为12.5%,10对应的权重为6.25%,11对应的权重为3.125%。
将数量和与其对应的权重相乘,并进行和值运算,即4*50%+3*25%+2*12.5%+1*6.25%+0*3.125%=2+0.75+0.25+0.065=3.0625。
上述权重的分配为举例说明,在具体实施中,权重的分配还可以为其他方式,比如,通过试验预设,或根据研发人员的经验预设,本申请中不再举例说明,在具体实施中,分支越少表明该移动终端周围环境更加适宜出行,分支越多,则表明该移动终端周围环境较复杂,因此,在进行权重分配时,分支多的权重较大,分支少的权重较小。这里的分支即上述提到的数量,比如,数量4对应的权重为50%,数量0对应的权重为3.125%。数量4也就是分支为4。
针对每个预选路径均可得到一个上述的拥堵指标,选择数值最小的拥堵指标对应的路径作为最优路径。
本申请实施例中,拥堵指标的数值越大,说明拥堵的越严重,因此,选择数值最小的拥堵指标对应的路径作为最优路径。
本申请实施例提供的路径选择方法,基于历史正常交通数据、历史异常交通数据和实时交通数据,并采用核熵成分分析算法进行路径的选择,可以合理利用交通数据,得到的最优路径也更加准确,进而可以为智慧城市交通建设提供新思路,以辅助交通参与者做出正确的决策,保证交通参与者的绿色出行。
基于相同的发明构思,本申请还提供一种基于虚实融合技术的V2X测试***,该***解决问题的原理和上述任意一种路径选择方法解决问题的原理相似,重复之处不再赘述。
如图10所示,基于虚实融合技术的V2X测试***主要由上位机101、环境信息模拟设备102、报警信号捕捉设备103和被测车辆104组成。上位机101中搭载场景仿真软件和数据监控与处理软件,仿真场景软件可以使用PreScan和Simulink进行联合仿真,与环境信息仿真设备102使用以太网连接,用于创建虚拟交通环境,包含交通场景信息和背景车辆信息,并将其传递给环境信息仿真设备102;环境信息仿真设备102有三个方面的作用:(1)将仿真测试场景信息通过V2X协议栈转化为标准的V2X消息,并与被测车辆104的OBU设备进行V2X通信;(2)接收被测车辆104的OBU发送的V2X消息,并通过测试数据发送模块发送给数据监控与处理软件,用于测试过程中被测车辆104状态的数据记录;(3)接收被测车辆104中的预警显示终端发送的预警信号,通过测试数据发送模块发送给数据监控与处理软件,用于测试过程中预警信号记录;数据监控与处理软件用于接收汇总环境信息仿真设备102发送的测试数据,并进行测试数据处理与记录,形成自动化测试流程。各部分的具体内容,可以参见期刊《汽车电器》2022年第1期刊登的论文《基于虚实融合技术的V2X测试***研究》。
其中的环境信息仿真设备102和被测车辆104除了上述功能外,还可以包括以下功能:
环境信息模拟设备102,用于模拟历史正常交通数据集、历史异常交通数据集以及实时交通数据集;
被测车辆104,用于针对每条预选路径,执行以下操作:对接收到的历史正常交通数据集和接收到的历史异常交通数据集进行熵投影转换,得到参考交通数据集;基于所述参考交通数据集和接收到的实时交通数据集,利用自组织映射模型进行训练,得到影响交通拥堵的多个目标拥堵交通数据;对所述多个目标拥堵交通数据进行传递熵计算,得到任意两个目标拥堵交通数据的影响关系;根据得到的多个影响关系,确定表征所述预选路径的拥堵状态的拥堵指标;其中,所述历史正常交通数据集、所述历史异常交通数据集和所述实时交通数据集均为与所述预选路径对应的数据集,且均由所述环境信息模拟设备发送的;根据每条预选路径对应的拥堵指标,选择最优路径。
本申请实施例中,由基于虚实融合技术的V2X测试***中的环境信息模拟设备充当路径选择方法中的多个终端,提供历史交通数据和实时交通数据,在虚拟环境下测试车辆的路径选择方法。
比如,上位机101创建一个有3条预选路径的虚拟交通环境,分别为预选路径1、预选路径2和预选路径3,环境信息仿真设备102将每个预选路径的历史正常交通数据集、历史异常交通数据集和实时交通数据集发送至被测车辆104,被测车辆104接收到每个预选路径对应的历史正常交通数据集、历史异常交通数据集和实时交通数据集后,采用本申请实施例提供的路径选择方法,从三个预选路径中选择出最优路径,并将选择结果通过环境信息仿真设备102发送至上位机101,由于虚拟交通环境是由上位机101创建的,因此,上位机101知道哪条路径是最优路径,上位机101根据被测车辆104选择的最优路径和自身设置的最优路径进行比较,如果路径一致,则确定被测车辆的选择路径的性能良好。
需要说明的是,上位机101、环境信息模拟设备102和被测车辆104之间进行数据传输时,是根据协议进行传输的,并非直接传输的上述举例中的数据。
在一种可能的实现方式中,被测车辆104具体用于:
对所述历史正常交通数据集和所述历史异常交通数据集进行整合,得到历史交通数据集;
采用核熵成分分析算法对所述历史交通数据集进行分析,得到至少一个核熵投影转换分量集;
基于所述至少一个核熵投影转换分量集,采用ReliefF算法,得到所述参考交通数据集。
在一种可能的实现方式中,被测车辆104具体用于:
采用所述ReliefF算法,得到所述至少一个核熵投影转换分量集中每个核熵投影转换分量的贡献权重;
根据得到的贡献权重,计算每个核熵投影转换分量集的分贡献权重和,以及总贡献权重和,其中,所述总贡献权重和为所有核熵投影转换分量的贡献权重的和值;
将分贡献权重和与所述总贡献权重和的比值超过预设值的核熵投影转换分量集组成的数据集作为所述参考交通数据集。
在一种可能的实现方式中,被测车辆104具体用于:
将所述参考交通数据集和所述实时交通数据集进行组合,得到组合交通数据集;
对所述组合交通数据集进行初始化,得到目标交通数据集;
利用自组织映射模型对所述目标交通数据集进行训练,得到影响交通拥堵的多个目标拥堵交通数据。
在一种可能的实现方式中,被测车辆104具体用于:
针对任意两个目标拥堵交通数据,计算第一目标拥堵交通数据对第二目标拥堵交通数据的第一传递熵,以及计算所述第二目标拥堵交通数据对所述第一目标拥堵交通数据的第二传递熵;
根据所述第一传递熵和所述第二传递熵的差值,确定所述第一目标拥堵交通数据和所述第二目标拥堵交通数据的影响关系。
在一种可能的实现方式中,被测车辆104具体用于:
若所述差值大于零,则确定所述影响关系为所述第二目标拥堵交通数据对所述第一目标拥堵交通数据的影响大于所述第一目标拥堵交通数据对所述第二目标拥堵交通数据的影响;
若所述差值小于零,则确定影响关系为由所述第二目标拥堵交通数据传递至所述第一目标拥堵交通数据的传递影响关系;
若所述差值等于零,则确定所述影响关系为所述第一目标拥堵交通数据和所述第二目标拥堵交通数据之间无确定影响关系。
在一种可能的实现方式中,被测车辆104具体用于:
从所述多个影响关系中查找每个传递影响关系对应的第二目标拥堵交通数据;
从查找到的第二目标拥堵交通数据中确定同一个目标拥堵数据的数量;
计算每个数量和与所述数量对应的目标拥堵数据的权重的乘积;
将得到的乘积的和值作为表征所述预选路径的拥堵状态的拥堵指标。
在一种可能的实现方式中,被测车辆104具体用于:
从得到的拥堵指标中选择和值最小的拥堵指标;
将所述和值最小的拥堵指标对应的路径作为所述最优路径。
本申请实施例提供的一种路径选择方法和基于虚实融合技术的V2X测试***,该方法包括,首先针对每条预选路径,对历史正常交通数据集和历史异常交通数据集进行熵投影转换,得到参考交通数据集,然后基于参考交通数据集和实时交通数据集,利用自组织映射模型进行训练得到影响交通拥堵的多个目标拥堵交通数据,对多个目标拥堵交通数据进行传递熵计算,得到任意两个目标拥堵交通数据的影响关系,最后根据得到的多个影响关系,确定表征预选路径的拥堵状态的拥堵指标,其中,历史正常交通数据集、历史异常交通数据集和实时交通数据集均为与预选路径对应的数据集,得到每条预选路径的拥堵指标后,根据每条预选路径的拥堵指标,选择最优路径。由于本申请实施例在选择路径时,考虑到每条预选路径对应的历史正常交通数据集和历史异常交通数据集,将由历史正常交通数据集和历史异常交通数据集得到的参考交通数据集与实时交通数据集作为训练集,输入模型中进行训练,得到影响交通拥堵的多个目标拥堵交通数据,相比于只根据实时交通数据得到的目标拥堵交通数据更准确,从而选择的路径也更为准确,此外,还可以提高交通数据的利用率。
本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。以上所述仅是本申请的优选实施方式,应当指出,由于文字表达的有限性,而客观上存在无限的具体结构,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进、润饰或变化,也可以将上述技术特征以适当的方式进行组合;这些改进润饰、变化或组合,或未经改进将发明的构思和技术方案直接应用于其他场合的,均应视为本申请的保护范围。
Claims (10)
1.一种路径选择方法,其特征在于,该方法包括:
针对每条预选路径,执行以下操作:对历史正常交通数据集和历史异常交通数据集进行熵投影转换,得到参考交通数据集;基于所述参考交通数据集和实时交通数据集,利用自组织映射模型进行训练,得到影响交通拥堵的多个目标拥堵交通数据;对所述多个目标拥堵交通数据进行传递熵计算,得到任意两个目标拥堵交通数据的影响关系;根据得到的多个影响关系,确定表征所述预选路径的拥堵状态的拥堵指标;其中,所述历史正常交通数据集、所述历史异常交通数据集和所述实时交通数据集均为与所述预选路径对应的数据集;
根据每条预选路径对应的拥堵指标,选择最优路径。
2.如权利要求1所述的方法,其特征在于,所述对历史正常交通数据集和历史异常交通数据集进行熵投影转换,得到参考交通数据集,包括:
对所述历史正常交通数据集和所述历史异常交通数据集进行整合,得到历史交通数据集;
采用核熵成分分析算法对所述历史交通数据集进行分析,得到至少一个核熵投影转换分量集;
基于所述至少一个核熵投影转换分量集,采用ReliefF算法,得到所述参考交通数据集。
3.如权利要求2所述的方法,其特征在于,所述基于所述核熵投影转换分量集,采用ReliefF算法,得到所述参考交通数据集,包括:
采用所述ReliefF算法,得到所述至少一个核熵投影转换分量集中每个核熵投影转换分量的贡献权重;
根据得到的贡献权重,计算每个核熵投影转换分量集的分贡献权重和,以及总贡献权重和,其中,所述总贡献权重和为所有核熵投影转换分量的贡献权重的和值;
将分贡献权重和与所述总贡献权重和的比值超过预设值的核熵投影转换分量集组成的数据集作为所述参考交通数据集。
4.如权利要求1所述的方法,其特征在于,所述基于所述参考交通数据集和实时交通数据集,利用自组织映射模型进行训练,得到影响交通拥堵的多个目标拥堵交通数据,包括:
将所述参考交通数据集和所述实时交通数据集进行组合,得到组合交通数据集;
对所述组合交通数据集进行初始化,得到目标交通数据集;
利用自组织映射模型对所述目标交通数据集进行训练,得到影响交通拥堵的多个目标拥堵交通数据。
5.如权利要求1所述的方法,其特征在于,所述对所述多个目标拥堵交通数据进行传递熵计算,得到任意两个目标拥堵交通数据的影响关系,包括:
针对任意两个目标拥堵交通数据,计算第一目标拥堵交通数据对第二目标拥堵交通数据的第一传递熵,以及计算所述第二目标拥堵交通数据对所述第一目标拥堵交通数据的第二传递熵;
根据所述第一传递熵和所述第二传递熵的差值,确定所述第一目标拥堵交通数据和所述第二目标拥堵交通数据的影响关系。
6.如权利要求5所述的方法,其特征在于,所述根据所述第一传递熵和所述第二传递熵的差值,确定所述第一目标拥堵交通数据和所述第二目标拥堵交通数据的影响关系,包括:
若所述差值大于零,则确定所述影响关系为所述第二目标拥堵交通数据对所述第一目标拥堵交通数据的影响大于所述第一目标拥堵交通数据对所述第二目标拥堵交通数据的影响;
若所述差值小于零,则确定影响关系为由所述第二目标拥堵交通数据传递至所述第一目标拥堵交通数据的传递影响关系;
若所述差值等于零,则确定所述影响关系为所述第一目标拥堵交通数据和所述第二目标拥堵交通数据之间无确定影响关系。
7.如权利要求6所述的方法,其特征在于,所述根据得到的多个影响关系,确定表征所述预选路径的拥堵状态的拥堵指标,包括:
从所述多个影响关系中查找每个传递影响关系对应的第二目标拥堵交通数据;
从查找到的第二目标拥堵交通数据中确定同一个目标拥堵数据的数量;
计算每个数量和与所述数量对应的目标拥堵数据的权重的乘积;
将得到的乘积的和值作为表征所述预选路径的拥堵状态的拥堵指标。
8.如权利要求7所述的方法,其特征在于,所述根据每条预选路径对应的拥堵指标,选择最优路径,包括:
从得到的拥堵指标中选择和值最小的拥堵指标;
将所述和值最小的拥堵指标对应的路径作为所述最优路径。
9.一种基于虚实融合技术的V2X测试***,其特征在于,包括:
环境信息模拟设备,用于模拟历史正常交通数据集、历史异常交通数据集以及实时交通数据集;
被测车辆,用于针对每条预选路径,执行以下操作:对接收到的历史正常交通数据集和接收到的历史异常交通数据集进行熵投影转换,得到参考交通数据集;基于所述参考交通数据集和接收到的实时交通数据集,利用自组织映射模型进行训练,得到影响交通拥堵的多个目标拥堵交通数据;对所述多个目标拥堵交通数据进行传递熵计算,得到任意两个目标拥堵交通数据的影响关系;根据得到的多个影响关系,确定表征所述预选路径的拥堵状态的拥堵指标;其中,所述历史正常交通数据集、所述历史异常交通数据集和所述实时交通数据集均为与所述预选路径对应的数据集,且均由所述环境信息模拟设备发送的;根据每条预选路径对应的拥堵指标,选择最优路径。
10.如权利要求9所述的测试***,其特征在于,所述被测车辆具体用于:
对所述历史正常交通数据集和所述历史异常交通数据集进行整合,得到历史交通数据集;
采用核熵成分分析算法对所述历史交通数据集进行分析,得到至少一个核熵投影转换分量集;
基于所述至少一个核熵投影转换分量集,采用ReliefF算法,得到所述参考交通数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310558195.0A CN116311950B (zh) | 2023-05-18 | 2023-05-18 | 路径选择方法和基于虚实融合技术的v2x测试*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310558195.0A CN116311950B (zh) | 2023-05-18 | 2023-05-18 | 路径选择方法和基于虚实融合技术的v2x测试*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116311950A true CN116311950A (zh) | 2023-06-23 |
CN116311950B CN116311950B (zh) | 2023-08-18 |
Family
ID=86787319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310558195.0A Active CN116311950B (zh) | 2023-05-18 | 2023-05-18 | 路径选择方法和基于虚实融合技术的v2x测试*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116311950B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004185305A (ja) * | 2002-12-03 | 2004-07-02 | Nippon Telegr & Teleph Corp <Ntt> | 交通渋滞予測方法、交通渋滞予測装置、交通渋滞予測プログラム、およびそのプログラムを記録した記録媒体 |
JP2005031071A (ja) * | 2003-06-18 | 2005-02-03 | Matsushita Electric Ind Co Ltd | 車載情報提示装置及び方法 |
US20080071466A1 (en) * | 2006-08-18 | 2008-03-20 | Inrix, Inc. | Representative road traffic flow information based on historical data |
CN103413263A (zh) * | 2013-08-28 | 2013-11-27 | 北京交通发展研究中心 | 旅行时间指数熵交通运行评价方法 |
CN103473469A (zh) * | 2013-09-25 | 2013-12-25 | 南京航空航天大学 | 一种基于客观指标的扇区交通态势多层次模糊评价方法 |
CN104157139A (zh) * | 2014-08-05 | 2014-11-19 | 中山大学 | 一种交通拥堵预测方法及可视化方法 |
CN104700120A (zh) * | 2015-03-23 | 2015-06-10 | 南京工业大学 | 一种基于自适应熵投影聚类算法的fMRI特征提取及分类方法 |
CN104821080A (zh) * | 2015-03-02 | 2015-08-05 | 北京理工大学 | 基于宏观城市交通流的智能车辆行驶速度及时间预测方法 |
KR20180101945A (ko) * | 2017-03-06 | 2018-09-14 | 성균관대학교산학협력단 | 버스 혼잡도 정보 제공 시스템 및 이를 이용한 버스 혼잡도 정보 제공 방법 |
US20190051162A1 (en) * | 2017-08-11 | 2019-02-14 | Gridsmart Technologies, Inc. | System and method of navigating vehicles |
CN113034913A (zh) * | 2021-03-22 | 2021-06-25 | 平安国际智慧城市科技股份有限公司 | 交通拥堵预测方法、装置、设备及存储介质 |
CN115035708A (zh) * | 2022-03-10 | 2022-09-09 | 南京信息职业技术学院 | 交通拥堵预判***及方法 |
-
2023
- 2023-05-18 CN CN202310558195.0A patent/CN116311950B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004185305A (ja) * | 2002-12-03 | 2004-07-02 | Nippon Telegr & Teleph Corp <Ntt> | 交通渋滞予測方法、交通渋滞予測装置、交通渋滞予測プログラム、およびそのプログラムを記録した記録媒体 |
JP2005031071A (ja) * | 2003-06-18 | 2005-02-03 | Matsushita Electric Ind Co Ltd | 車載情報提示装置及び方法 |
US20080071466A1 (en) * | 2006-08-18 | 2008-03-20 | Inrix, Inc. | Representative road traffic flow information based on historical data |
CN103413263A (zh) * | 2013-08-28 | 2013-11-27 | 北京交通发展研究中心 | 旅行时间指数熵交通运行评价方法 |
CN103473469A (zh) * | 2013-09-25 | 2013-12-25 | 南京航空航天大学 | 一种基于客观指标的扇区交通态势多层次模糊评价方法 |
CN104157139A (zh) * | 2014-08-05 | 2014-11-19 | 中山大学 | 一种交通拥堵预测方法及可视化方法 |
CN104821080A (zh) * | 2015-03-02 | 2015-08-05 | 北京理工大学 | 基于宏观城市交通流的智能车辆行驶速度及时间预测方法 |
CN104700120A (zh) * | 2015-03-23 | 2015-06-10 | 南京工业大学 | 一种基于自适应熵投影聚类算法的fMRI特征提取及分类方法 |
KR20180101945A (ko) * | 2017-03-06 | 2018-09-14 | 성균관대학교산학협력단 | 버스 혼잡도 정보 제공 시스템 및 이를 이용한 버스 혼잡도 정보 제공 방법 |
US20190051162A1 (en) * | 2017-08-11 | 2019-02-14 | Gridsmart Technologies, Inc. | System and method of navigating vehicles |
CN113034913A (zh) * | 2021-03-22 | 2021-06-25 | 平安国际智慧城市科技股份有限公司 | 交通拥堵预测方法、装置、设备及存储介质 |
CN115035708A (zh) * | 2022-03-10 | 2022-09-09 | 南京信息职业技术学院 | 交通拥堵预判***及方法 |
Non-Patent Citations (2)
Title |
---|
何天祥: "企业管理结构复杂度评价的新方法―熵正交投影法", ***工程理论与实践, no. 04 * |
董宏辉;贾利民;孙晓亮;李晨曦;秦勇;郭敏;: "基于最大熵模型的城市快速路交通状态预测方法研究", 交通运输***工程与信息, no. 02 * |
Also Published As
Publication number | Publication date |
---|---|
CN116311950B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110164128B (zh) | 一种城市级智能交通仿真*** | |
CN109508360B (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
CN116129366B (zh) | 基于数字孪生的园区监测方法及相关装置 | |
CN112216108A (zh) | 一种基于属性增强的时空图卷积模型的交通预测方法 | |
CN114970321A (zh) | 一种基于动态轨迹流的场景流数字孪生方法及*** | |
Jalalkamali | Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters | |
Yan et al. | Spatial-temporal chebyshev graph neural network for traffic flow prediction in iot-based its | |
CN113643528B (zh) | 信号灯控制方法、模型训练方法、***、装置及存储介质 | |
CN114170533A (zh) | 基于注意力机制和多模态表征学习的滑坡识别方法及*** | |
CN114664091A (zh) | 一种基于节假日流量预测算法的预警方法及*** | |
Zarandi et al. | Interval type-2 fuzzy expert system for prediction of carbon monoxide concentration in mega-cities | |
CN110782120A (zh) | 一种交通流模型的评测方法、***、设备及介质 | |
CN114519302A (zh) | 基于数字孪生的公路交通态势仿真方法 | |
CN115063274B (zh) | 基于虚拟现实的飞行训练方案生成方法、***、设备 | |
CN109117352B (zh) | 服务器性能预测方法和装置 | |
CN114998712A (zh) | 图像识别方法、存储介质及电子设备 | |
Wang et al. | A traffic prediction model based on multiple factors | |
Mohammed et al. | Comparative study on machine learning algorithms for early fire forest detection system using geodata | |
CN113406955A (zh) | 基于复杂网络的自动驾驶汽车复杂环境模型、认知***及认知方法 | |
CN116486624A (zh) | 基于时空图卷积神经网络的交通流预测方法及*** | |
CN113159371B (zh) | 基于跨模态数据融合的未知目标特征建模与需求预测方法 | |
Gürsoy et al. | Creation of wildfire susceptibility maps in the Mediterranean Region (Turkey) using convolutional neural networks and multilayer perceptron techniques | |
Wang et al. | Changing lane probability estimating model based on neural network | |
Zhang et al. | Off-deployment traffic estimation—a traffic generative adversarial networks approach | |
CN116311950B (zh) | 路径选择方法和基于虚实融合技术的v2x测试*** |
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 |