CN117150624A - 一种大规模微观交通仿真方法及装置 - Google Patents
一种大规模微观交通仿真方法及装置 Download PDFInfo
- Publication number
- CN117150624A CN117150624A CN202311182407.6A CN202311182407A CN117150624A CN 117150624 A CN117150624 A CN 117150624A CN 202311182407 A CN202311182407 A CN 202311182407A CN 117150624 A CN117150624 A CN 117150624A
- Authority
- CN
- China
- Prior art keywords
- target area
- license plate
- origin
- time
- road
- 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
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 216
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000000295 complement effect Effects 0.000 claims abstract description 15
- 238000003860 storage Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 abstract description 7
- 238000010276 construction Methods 0.000 abstract description 3
- 238000013459 approach Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 230000006872 improvement Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- AYFVYJQAPQTCCC-GBXIJSLDSA-N L-threonine Chemical compound C[C@@H](O)[C@H](N)C(O)=O AYFVYJQAPQTCCC-GBXIJSLDSA-N 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000283070 Equus zebra Species 0.000 description 1
- 238000005588 Kraus reaction Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Geometry (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Computer Hardware Design (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Mathematical Analysis (AREA)
- Quality & Reliability (AREA)
- Architecture (AREA)
- Traffic Control Systems (AREA)
- Multimedia (AREA)
- Mathematical Optimization (AREA)
- Entrepreneurship & Innovation (AREA)
- Civil Engineering (AREA)
- Operations Research (AREA)
- Computational Mathematics (AREA)
- Structural Engineering (AREA)
- Pure & Applied Mathematics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本说明书公开了一种大规模微观交通仿真方法及装置,将路网拓扑数据与车牌识别数据融合,得到目标区域内的全样本机动车出行起讫点对。基于动态交通分配算法对各起讫点对进行轨迹补全得到各起讫点对之间的轨迹。建立交通仿真模型,并基于车牌识别数据对仿真模型进行标定得到交通仿真模型的目标参数,从而得到标定后的交通仿真模型,以便执行交通仿真任务。可见,基于车牌识别数据和路网拓扑数据这两种容易获取的数据和路径补全算法及仿真标定算法构建交通仿真模型,提高了微观交通仿真模型的构建效率,并且标定后的交通仿真模型接近路网的真实交通运行状态,可以简单、高效地实现大规模微观交通仿真。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种大规模微观交通仿真方法及装置。
背景技术
随着城市化进程的加快,城市的交通网络日益复杂。为了有效地制订城市的交通发展规划,有必要对城市交通网络进行建模以及复现其交通状态。交通仿真可以为交通设计、交通规划、交通监测、交通需求管理提供科学支撑,因此如何构建准确的交通仿真模型,并依据该交通仿真模型进行交通仿真是一个重要的研究方向。
基于此,本说明书提供一种大规模微观交通仿真方法。
发明内容
本说明书提供一种大规模微观交通仿真方法及装置,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种大规模微观交通仿真方法,包括:
获取目标区域的路网拓扑数据,所述路网拓扑数据用于表征所述目标区域的路网结构以及所述目标区域内道路的属性信息;
获取车牌识别数据,并将所述车牌识别数据和所述目标区域的路网拓扑数据进行融合,得到位于所述目标区域内的多个起讫点对;
对位于所述目标区域内的各起讫点对进行轨迹补全,得到所述各起讫点对之间的轨迹;
获取预设的仿真参数和待标定参数,根据所述预设的仿真参数、所述待标定参数、所述目标区域的路网拓扑数据以及所述各起讫点对之间的轨迹建立待标定的交通仿真模型;
根据所述待标定的交通仿真模型仿真得到的所述各起讫点对之间的仿真行程时间,与所述各起讫点对之间的实际行程时间之间的差异,对所述待标定参数进行标定,得到目标参数,并根据所述目标参数和所述待标定的交通仿真模型,得到标定后的交通仿真模型;
根据标定后的交通仿真模型,执行所述目标区域内的交通仿真任务。
可选地,将所述车牌识别数据和所述目标区域的路网拓扑数据进行融合之前,所述方法还包括:
获取多个道路等级分别对应的参考属性信息;
从所述目标区域的路网拓扑数据中提取位于所述目标区域内的各道路的属性信息;
根据所述各道路等级分别对应的参考属性信息,对所述各道路的属性信息进行修正,得到标定后的所述各道路的目标属性信息;
根据所述目标区域的路网拓扑数据,确定位于所述目标区域内的各交叉口;
对所述目标区域的路网拓扑数据中所述各交叉口的信号配时参数进行调整,得到调整后的所述各交叉口的目标信号配时参数;
根据所述各道路的目标属性信息和所述各交叉口的目标信号配时参数,对所述目标区域的路网拓扑数据进行更新,得到更新后的所述目标区域的路网拓扑数据;
将所述车牌识别数据和所述目标区域的路网拓扑数据进行融合,具体包括:
将所述车牌识别数据和更新后的所述目标区域的路网拓扑数据进行融合。
可选地,所述车牌识别数据是由部署在所述目标区域内的多个电警设备预先检测多个车辆的车牌号得到的;
将所述车牌识别数据和所述目标区域的路网拓扑数据进行融合,得到位于所述目标区域内的多个起讫点对,具体包括:
将所述车牌识别数据指示的各电警设备的位置,和基于所述目标区域的路网拓扑数据确定的各道路交叉口的位置进行融合,从部署在所述目标区域内的各电警设备中筛选出部署在所述目标区域的各道路交叉口的各目标电警设备;
根据所述各目标电警设备在所述目标区域内的位置,以及所述车牌识别数据中各车牌的被检测时间,确定所述各车牌号分别对应的各出行轨迹;
根据所述各车牌号分别对应的各出行轨迹,确定位于所述目标区域内的多个起讫点对。
可选地,将所述车牌识别数据指示的所述各电警设备的位置,和所述目标区域的路网拓扑数据指示的各道路交叉口的位置进行融合,从部署在所述目标区域内的各电警设备中筛选出部署在所述目标区域的各道路交叉口的各目标电警设备,具体包括:
从所述车牌识别数据中获取各电警设备在所述目标区域内的第一位置;
从所述目标区域的路网拓扑数据中提取所述目标区域内各道路交叉口在所述目标区域内的第二位置;
根据所述各电警设备在所述目标区域内的第一位置,以及所述各道路交叉口在所述目标区域内的第二位置,确定所述各电警设备和所述各道路交叉口之间的距离;
根据所述各电警设备和所述各道路交叉口之间的距离,确定部署在所述目标区域的各交叉口的目标电警设备。
可选地,根据所述各目标电警设备在所述目标区域内的位置,以及所述车牌识别数据中各车牌的被检测时间,确定所述各车牌号分别对应的各出行轨迹,具体包括:
从所述车牌识别数据中获取各车牌号以及所述各车牌号分别被所述各电警设备检测的被检测时间;
针对每个车牌号,将该车牌号被所述各电警设备检测的各被检测时间进行排序,得到该车牌号对应的被检测时间序列;
根据该车牌号对应的被检测时间序列包含的各被检测时间,确定该车牌号对应的被检测时间序列中相邻两个被检测时间之间的时间间隔,并将时间间隔大于预设时间间隔阈值的相邻两个被检测时间之间设置出行链断点;
根据该车牌号对应的被检测时间序列中设置的各出行链断点,将该车牌号对应的被检测时间序列分割为该车牌号对应的多个被检测时间子序列;
根据该车牌号对应的各被检测时间子序列分别包含的各被检测时间,以及所述各被检测时间对应的目标电警设备在所述目标区域内的位置,确定该车牌号对应的多个出行轨迹。
可选地,对位于所述目标区域内的各起讫点对进行轨迹补全,得到所述各起讫点对之间的轨迹,具体包括:
根据所述各起讫点对,基于最短路算法生成所述各起讫点对之间的各最短路径,并将所述各最短路径加入所述各起讫点对的出行轨迹集中;
基于所述各起讫点对之间的各最短路径进行仿真,确定所述各最短路径在各时间步的平均行程时间;
基于所述各最短路径在各时间步的平均行程时间,使用Gawron算法更新所述各起讫点对的出行轨迹集中的各路径的行程时间;
根据所述各路径的行程时间,更新所述各起讫点对之间的最短路径,再次仿真并使用所述Gawron算法更新出行轨迹集中的各路径的行程时间,重复此步骤,直到所述各起讫点对的最优轨迹收敛不再改变,或迭代更新次数达到预设次数;
将所述各起讫点对之间的最优轨迹作为所述各起讫点对之间的轨迹。
可选地,所述待标定参数为速度因子;
根据所述待标定的交通仿真模型仿真得到的所述各起讫点对之间的仿真行程时间,与所述各起讫点对之间的实际行程时间之间的差异,对所述待标定参数进行标定,得到目标参数,具体包括:
将仿真时段分割为预设数量的时间阶段;
初始化各时间阶段的速度因子;
针对每个时间阶段,通过所述待标定的交通仿真模型,运行仿真得到该时间阶段内所述各起讫点对之间的各轨迹分别对应的仿真行程时间;
根据该时间阶段内所述各起讫点对之间的各轨迹分别对应的仿真行程时间,确定该时间阶段对应的平均仿真行程时间;
根据所述车牌识别数据,确定该时间阶段内所述各起讫点对之间各轨迹分别对应的实际行程时间,并确定该时间阶段对应的平均实际行程时间;
根据该时间阶段对应的平均仿真行程时间和该时间阶段对应的平均实际行程时间之间的差异,以及预设的该时间阶段的误差阈值,标定该时间阶段对应的速度因子,直到该时间阶段对应的平均仿真行程时间和该时间阶段对应的平均实际行程时间之间的差异满足预设条件;
将标定后的各时间阶段对应的速度因子作为目标参数。
本说明书提供了一种大规模微观交通仿真装置,包括:
路网拓扑数据获取模块,用于获取目标区域的路网拓扑数据,所述路网拓扑数据用于表征所述目标区域的路网结构以及所述目标区域内道路的属性信息;
起讫点确定模块,用于获取车牌识别数据,并将所述车牌识别数据和所述目标区域的路网拓扑数据进行融合,得到位于所述目标区域内的多个起讫点对;
轨迹补全模块,用于对位于所述目标区域内的各起讫点对进行轨迹补全,得到所述各起讫点对之间的轨迹;
交通仿真模型建立模块,用于获取预设的仿真参数和待标定参数,根据所述预设的仿真参数、所述待标定参数、所述目标区域的路网拓扑数据以及所述各起讫点对之间的轨迹建立待标定的交通仿真模型;
标定模块,用于根据所述待标定的交通仿真模型仿真得到的所述各起讫点对之间的仿真行程时间,与所述各起讫点对之间的实际行程时间之间的差异,对所述待标定参数进行标定,得到目标参数,并根据所述目标参数和所述待标定的交通仿真模型,得到标定后的交通仿真模型;
执行模块,用于根据标定后的交通仿真模型,执行所述目标区域内的交通仿真任务。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述大规模微观交通仿真方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在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上述大规模微观交通仿真方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
本说明书提供的大规模微观交通仿真方法中,将用于表征目标区域路网结构和道路的属性信息的路网拓扑数据与车牌识别数据进行融合,得到目标区域内的全样本机动车出行起讫点对,对各起讫点对进行轨迹补全,得到各起讫点对之间的轨迹,基于预设的仿真参数、待标定参数、路网拓扑数据和各起讫点对之间的轨迹建立交通仿真模型,进而,根据交通仿真模型仿真得到各起讫点对之间的仿真行程时间,与各起讫点对之间的实际行程时间进行比较得到两者之间的差异,对待标定参数进行标定得到目标参数,从而得到标定后的交通仿真模型,以便基于标定后的交通仿真模型执行交通仿真任务。可见,基于车牌识别数据和路网拓扑数据这两种容易获取的数据和本说明书提出的路径补全算法及仿真标定算法构建交通仿真模型,在构建微观交通仿真模型的同时,降低了微观仿真数据的获取难度,从而提高了微观交通仿真模型的构建效率。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附
图中:
图1为本说明书中一种大规模微观交通仿真方法的流程示意图;
图2为本说明书中一种目标区域的路网拓扑的示意图;
图3为本说明书中一种大规模微观交通仿真方法的流程示意图;
图4为本说明书提供的一种大规模微观交通仿真装置的示意图;
图5为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
另外,需要说明的是,本说明书中所有获取信号、信息或数据的动作都是在遵照所在地相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
交通仿真可以为交通设计、交通规划、交通监测、交通需求管理提供科学支撑,因此如何构建准确的交通仿真***是一个重要的研究方向。交通仿真可以分为宏观仿真模型和微观仿真模型。宏观模型将网络的运行类比于某种物理实体,比如气流或水流。然后借用已经构建好的物理学模型对宏观交通***进行建模仿真。宏观交通仿真模型可以对网络交通状态及演化过程进行描述,并且可以将复杂的交通***用简单的若干参数来表达,常用的宏观模型为宏观基本图。但是宏观模型忽略了车辆的微观行为特性,而且无法将微观行为和宏观状态间关联起来,这限制了它的应用。比如,当我们希望分析个体的行为发生改变时,宏观交通状态会如何发生变化,宏观模型便束手无策。微观模型由于其从出行个体出发进行建模,因此更加精细,可以将微观出行行为和宏观交通状态进行关联。微观交通仿真模型虽然具备一系列优点,但是微观交通仿真对数据的要求很高,目前较难实现快速高效且低成本的大规模城市级微观交通仿真。
基于此,本说明书提供一种大规模微观交通仿真方法,针对大规模城市级交通微观仿真的难点,采用车牌识别数据降低微观交通仿真中数据源获取难成本高的问题,以实现微观层面上的城市级交通仿真。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书提供的一种大规模微观交通仿真方法的流程示意图。
S100:获取目标区域的路网拓扑数据,所述路网拓扑数据用于表征所述目标区域的路网结构以及所述目标区域内道路的属性信息。
本说明书实施例中提供的一种大规模微观交通仿真方法,该方法的执行过程可由用于交通仿真的服务器等电子设备执行。另外,在该大规模微观交通仿真方法中涉及到的交通仿真模型的建立和标定的过程,执行交通仿真模型的建立和标定的电子设备和执行交通仿真的电子设备可以相同也可以不同,本说明书对此不做限定。
路网拓扑数据可以表征目标区域的路网结构,包括道路、交叉口和其它路段之间的连接关系和拓扑关系。在路网拓扑数据中可以以节点标识目标区域中道路网络中的交叉口、路口或重要位置。每个节点具有唯一的标识符,用于标识不同的交叉口或路口。在路网拓扑数据中可以以边表示道路网络中的道路或路段,边连接了两个节点。一条边通常包含起点的标识符和终点节点的标识符,以及道路的长度、方向和属性等信息。
目标区域内道路的属性信息包括道路长度、道路等级、车道数、道路限速、道路的曲率、坡度、急转弯等特征、道路配置的交通设施和标志的位置和类型等用于描述道路特征和属性的信息。
如图2所示为一个目标区域的路网拓扑图,该路网拓扑图基于目标区域的路网拓扑数据构建,其中的线条用于表征目标区域内的道路。
S102:获取车牌识别数据,并将所述车牌识别数据和所述目标区域的路网拓扑数据进行融合,得到位于所述目标区域内的多个起讫点对。
车牌识别数据指的是包含车牌信息的识别数据。在实际应用中,目标区域内可以设置车牌识别设备,用以在车辆行驶过程中识别车辆的车牌。车牌识别数据可以用于识别车辆的交通违法行为,如超速、闯红灯、逆行等。也可以用于治安监控,在公共场所、商业区域、停车场等地方识别车辆并与相关数据库进行比对。车牌识别数据可以应用于停车管理***中,用于自动识别车辆进入和离开停车场,并记录停车时间。
在实际应用中,车牌识别数据可以记录全样本机动车的时空轨迹信息。由于车牌识别数据可以记录全样本的信息,基于车牌识别数据提取出全样本车辆的出行起讫点,然后在后续步骤中采用轨迹补全算法补全轨迹后,能够建立大规模微观交通仿真模型,从而实现大规模全样本机动车的微观交通仿真。并且,车牌识别设备部署简单,使得车牌识别数据的获取难度大大降低,进而降低了建立大规模微观交通仿真模型的难度。
因此,基于车牌识别数据生成的多个起讫点对实际上是位于所述目标区域内的全样本机动车出行起讫点对。
本说明书中,起讫点指的是在目标区域内行驶的车辆的一段行程的起点和终点。起讫点对即一段行程的起点和终点构成的点对。
在本说明书实施例中,基于S100获取的目标区域的路网拓扑数据可以获得路网特征和拓扑图关系,从而得到交通供给。基于S102获取的车牌识别数据,可以提取在目标区域内出行车辆的出行信息,从而得到出行需求。从而,基于车牌识别数据和路网拓扑数据的融合,可以确定车辆在目标区域的行驶轨迹,从而获取全样本机动车辆的时空出行链,进而可以确定多个起讫点对。车牌识别数据和路网拓扑数据的融合可以基于获取车牌识别数据的地点,与路网拓扑数据所表征的路网信息进行匹配,从而确定在目标区域内的各道路分别采集到的车牌识别数据,进而,基于车牌识别数据所表征的车牌数据,确定各起讫点。
其中,交通供给指的是路网拓扑数据描述的目标区域的路网和道路能够为车辆提供的交通容量以及交通网络的通行效率。交通容量是指道路能够承载的最大交通流量,一般以车辆每小时通过的最大数量来衡量。交通网络的通行效率通常基于如行驶速度、交通延误时间等指标来描述,可以反映拥堵程度。
出行需求是对交通***中个体或群体的出行行为和需求的描述。它表示了人们出行的目的、出发地点、到达地点以及出行时段等相关信息。出行需求中涉及了人们离开的出发地点和到达的目的地点。这些地点可以是具体的地址、建筑物、交通枢纽等。出发地点和目的地点的位置、距离、交通连接等因素将影响出行模式和路径选择。此外,出行需求还包括出行活动的时间段,出行时段可以反映出行的时间分布特征,如早高峰、晚高峰、平峰等。出行时段也会受到交通需求、交通运输***的规划和调整等因素的影响。
在基于车牌识别数据执行后续步骤之前,还应对车牌识别数据进行清洗,以便过滤掉车牌识别数据中可能存在的错误、冗余、丢失等存在质量问题的数据。
在本说明书中,一种可选的针对车牌识别数据进行清洗的方案主要包括下述两步:第一,对识别错误的记录进行处理,识别错误指的是车牌识别数据所表征的车牌信息有明显的多符号或少符号情况,对于错误检测的数据,采取直接删除操作。第二,对重复检测的数据进行处理。重复检测问题指在同一个时刻同一辆车被多个摄像头采集的情况,对于重复检测问题,采用随机保留一条记录的方式进行处理。
S104:对位于所述目标区域内的各起讫点对进行轨迹补全,得到所述各起讫点对之间的轨迹。
具体的,在已知目标区域内各起讫点的前提下,可以利用目标区域的路网拓扑数据,来获取起点和终点之间的道路网络信息。这些数据通常包含路网拓扑、道路形状和连接关系等信息。
基于车牌识别数据和路网拓扑数据的融合可以获得起讫点信息,但是并无法得到车辆具体的行驶轨迹。因此,还需要遍历各起讫点对,对各起讫点对之间的轨迹进行补全。补全的方法可以是利用动态交通分配算法,采用Gawron算法作为路径选择算法,完成所有起讫点之间的轨迹补全。
具体的,基于前述确定的各起讫点对,可以首先采用最短路算法为各起讫点对生成最短路径,将生成的各最短路径加入各起讫点对的出行轨迹集中。其中,最短路算法可以是Dijkstra算法、Bellman-Ford算法、SPFA算法、Floyd算法等任意现有的最短路算法,本说明书对此不做限定。并且,在基于最短路算法生成各起讫点对之间的最短路径时,可采用路段平均行程时间和/或路段长度作为最短路算法权重。
但是,上述生成的各起讫点对之间的各最短路径并不直接作为各起讫点对之间的补全轨迹,还需要进一步利用动态交通分配算法,迭代计算最优轨迹。
首先,基于各最短路径进行仿真,得到各路段在各时间步的平均行程时间,之后,采用Gawron算法更新各起讫点对的出行轨迹集中各路径行程时间,再次仿真,重复迭代直到迭代更新次数达到预设的更新次数阈值或者最优轨迹收敛。
S106:获取预设的仿真参数和待标定参数,根据所述预设的仿真参数、所述待标定参数、所述目标区域的路网拓扑数据以及所述各起讫点对之间的轨迹建立待标定的交通仿真模型。
在本说明书实施例中,预设的仿真参数包括车辆的最大加速度、车辆减速时的加速度、车辆在紧急制动时的加速度、车辆在能力范围内所能达到的最大速度。除此之外,在仿真模型中,还需要设置跟驰模型和换道模型。跟驰模型和换道模型可以是现有的任意一种类型的模型,本说明书不做限定。
一种可选地预设的仿真参数如下表所示:
表1预设仿真参数表
一种可选的跟驰模型和换道模型可以为跟驰模型为改进Krauss model,换道模型为SUMO’s Lane-Changing Model。
在本说明书一个或多个实施例中,采用速度因子标定算法对交通仿真进行标定,因此,本说明书中,待标定参数为速度因子。其中,速度因子用于在交通仿真中描述车辆行驶速度的一个参数或变量。它通常被用来调整或模拟车辆行驶速度与实际道路条件、交通流量和其他因素之间的关系。
从而,基于上述预设的仿真参数以及待标定参数基于SUMO交通仿真软件,建立城市微观的交通仿真模型。由于该交通仿真模型中包括待标定参数,因此,在此步骤中建立的交通仿真模型是待标定的交通仿真模型,还需要在后续步骤中对待标定参数进行标定,以便得到标定后的交通仿真模型。
微观的交通仿真模型可以描述目标区域内仿真的车辆在道路上行驶的行为,并得到路网宏观交通状态演化情况。
S108:根据所述待标定的交通仿真模型仿真得到的所述各起讫点对之间的仿真行程时间,与所述各起讫点对之间的实际行程时间之间的差异,对所述待标定参数进行标定,得到目标参数,并根据所述目标参数和所述待标定的交通仿真模型,得到标定后的交通仿真模型。
在本说明书实施例中,交通仿真模型的标定目标为仿真得到的各起讫点对之间的仿真行程时间,与真实世界中各起讫点对之间的实际行程时间的变化趋势一致,并且在每个时间段上的时间差异不大于预设的阈值。从而,在本说明书中,对待标定参数进行标定的依据即为待标定的交通仿真模型仿真得到的所述各起讫点对之间的仿真行程时间,与各起讫点对之间的实际行程时间之间的差异,标定的方向即为仿真行程时间和实际行程时间的差异最小化的方向。
在经过多次迭代标定,标定后的参数满足预设条件时,则将标定的参数作为目标参数,将目标参数引入待标定的交通仿真模型中即可得到标定后的交通仿真模型。其中,预设条件可以是标定的次数大于预设次数阈值,或者仿真行程时间和实际行程时间的差异小于预设差异阈值等,本说明书对此不做限定。
可选的,待标定参数为速度因子。由此,标定交通仿真模型的方案可如下:
第一步:将仿真时段分割为预设数量的时间阶段。
将研究时段进行离散化,划分成预设数量的时间阶段,预设数量为预先设定的参数,本说明书对此不做限定。其中研究时段即为交通仿真模型的仿真时段,该研究时段可以是预先设定的任意物理时间中的时段,根据不同的应用场景,该研究时段可以根据实际需要确定,如早高峰、晚高峰、全天、多天,本说明书对研究时段对应的时长不做限定。
第二步:初始化各时间阶段的速度因子。
速度因子是交通仿真模型中决定仿真车辆的行驶速度的参数之一,在仿真过程中,速度因子可以是固定不变的参数,也可是随时间、位置或其他因素变化的函数。本说明书中,为每个时间阶段都赋予相对应的速度因子,从而在不同的时间阶段内,决定仿真车辆行驶速度的条件可以有所不同。初始化的方式可以是随机初始化、基于先验的赋值初始化等,本说明书对此不做限定。
可选地,一种各个时间阶段的速度因子表征方式可以为:sfi为第i个时间阶段的速度因子,共有m个时间阶段,从而各个时间阶段的速度因子序列Sf={sf0,…,sfi,…,sfm}。
第三步:针对每个时间阶段,通过所述待标定的交通仿真模型,得到该时间阶段内所述各起讫点之间的各轨迹分别对应的仿真行程时间。
待标定的交通仿真模型可以仿真目标区域内的各个车辆在目标区域的路网中行驶的轨迹和速度,从而,各个车辆可以沿着各起讫点对之间的各轨迹进行仿真行驶,从而,基于交通仿真模型的仿真过程,可以统计得到每个时间段内各起讫点对之间的各轨迹分别对应的仿真行程时间。
第四步:根据该时间阶段内所述各起讫点之间的各轨迹分别对应的仿真行程时间,确定该时间阶段对应的平均仿真行程时间。
从而,对该时间阶段内所述各起讫点之间的各轨迹分别对应的仿真行程时间进行算数平均处理,即可得到该时间阶段对应的平均仿真行程时间。
仿真后进行计算得到的各个阶段的平均行程时间记作Tavgs,Tavgs={tavgs0,…,tavgsi,…,tavgsm},其中tavgsi为第i个时间阶段仿真实验得到的平均行程时间
第五步:根据所述车牌识别数据,确定该时间阶段内所述各起讫点之间各轨迹分别对应的实际行程时间,并确定该时间阶段对应的平均实际行程时间。
具体的,车牌识别数据包含每个车牌被车牌识别设备识别到的时间戳,从而,可以基于车牌时间数据中包含的车牌的被检测时间,确定各起讫点对之间各轨迹分别对应的实际行程时间,从而对该时间阶段内各起讫点之间各轨迹分别对应的实际行程时间进行算数平均处理,得到该时间阶段对应的平均实际行程时间。
基于车牌识别数据计算得到的各个阶段的平均行程时间序列记作Tavgr,Tavgr={tavgr0,…,tavgri,…,tavgrm},其中tavgri为第i个时间阶段的真实平均行程时间。
第六步:根据该时间阶段对应的平均仿真行程时间和该时间阶段对应的平均实际行程时间之间的差异,以及预设的该时间阶段的误差阈值,标定该时间阶段对应的速度因子,直到该时间阶段对应的平均仿真行程时间和该时间阶段对应的平均实际行程时间之间的差异满足预设条件。
差异序列记作δ,δ={δ0,…,δi,…,δm},其中第i个时间阶段的平均仿真行程时间和平均实际行程时间之间的差异δi=tavgri-tavgsi。
预设的误差阈值序列Tthre,Tthre={tthre0,…,tthrei,…,tthrem},其中tthrei为第i个时间阶段的误差阈值。
遍历每个时间阶段,如果对于时间阶段i,判断该时间阶段对应的平均仿真行程时间和该时间阶段对应的平均实际行程时间之间的差异,与该时间阶段的误差阈值之间的关系,如果δi≤tthrei,则跳过该时间阶段,进入时间阶段i+1。如果δi>tthrei,则令sfi'=sfi*β。其中,如果平均实际行程时间大于平均仿真行程时间,则β小于1。进而,根据该时间阶段的新的速度因子序列重新仿真,生成新的Tavgs和δ。对于时间阶段i,如果δi≤tthrei或在该时间阶段已经循环了nl次,则进入下一个时间阶段,否则对于该时间阶段再次执行上述标定过程,直到该时间阶段的速度因子完成标定。
第七步:将标定后的各时间阶段对应的速度因子作为目标参数。
将标定后的各时间阶段的速度因子保存作为目标参数,以便后续将目标参数引入待标定的交通仿真模型中,得到标定后的交通仿真模型。
S110:根据标定后的交通仿真模型,执行所述目标区域内的交通仿真任务。
标定后的交通仿真模型能够较好的模拟真实世界的交通运行过程,能够用于执行目标区域内的交通仿真任务,如获取不同时刻路网各处的车辆密度分布、仿真得到不同观测点的车流量的分布形态、模拟出行车辆到达目的地所需的时间及其分布、或者研究车辆的燃油消耗和排放。总之,基于本说明书提供的大规模微观交通仿真方法构建的标定后的交通仿真模型,可以快速并经济的还原出目标区域的交通运行情况,进而用来支撑交通管控措施的制定和实施。
本说明提供的大规模微观交通仿真方法中,将路网拓扑数据与车牌识别数据进行融合,得到目标区域内的多个起讫点对,对各起讫点对进行轨迹补全,得到各起讫点对之间的轨迹,基于预设的仿真参数、待标定参数、路网拓扑数据和各起讫点对之间的轨迹建立交通仿真模型,对待标定参数进行标定得到目标参数,从而得到标定后的交通仿真模型,以便基于标定后的交通仿真模型执行交通仿真任务。
可见,通过获取车牌识别数据和路网拓扑数据这两种容易获取的数据构建交通仿真模型,提高了微观交通仿真模型的构建效率,并且标定后的交通仿真模型接近路网的真实交通运行状态,可以实现简单、高效的大规模微观交通仿真。
在本说明书一个可选的实施例中,步骤S100获取的目标区域的路网拓扑数据中,可能存在道路的属性信息错误和缺失的问题,为此,可基于不同道路等级的参考属性信息,对目标区域的路网拓扑数据中道路的属性信息进行修正,以提高后续交通仿真模型的精度和降低交通仿真模型的标定难度,具体方案如下:
第一步:获取多个道路等级分别对应的参考属性信息。
具体的,目标区域内道路的属性信息包括道路长度、道路等级、车道数、道路限速、道路的曲率、坡度、急转弯等特征、道路配置的交通设施和标志的位置和类型等用于描述道路特征和属性的信息。而在实际应用中,目标区域内的道路可以根据不同的道路等级进行划分。
在本说明书中,基于目标区域的路网拓扑数据获取到的道路的属性信息可能存在错误和缺失的问题,因此,可以基于先验的参考属性信息,对道路的属性信息进行修正。
多个道路等级分别对应的参考属性信息可以包括不同道路等级的道路对应的道路限速、车道数量、用途等参考信息。
可选地,下表为目标区域的四个道路等级的道路分别对应的参考属性信息。
道路等级 | 道路限速 |
高速公路 | 100km/h |
一级公路 | 80km/h |
二级公路 | 70km/h |
三级公路 | 60km/h |
表2不同等级道路限速表
表3不同等级道路信息表
第二步:从所述目标区域的路网拓扑数据中提取位于所述目标区域内的各道路的属性信息。
具体的,基于路网拓扑数据的数据格式,可以解析路网拓扑,遍历路网中的各节点和各边,从而构建出路网的拓扑结构,基于拓扑结构,可以提取各种道路属性。常见的道路属性包括道路编号、名称、长度、道路类型(如高速公路、城市道路等),速限、车道数、行驶方向、交通信号灯等。通过解析路网数据中相应的字段或属性,可以获取这些信息。
第三步:根据所述各道路等级分别对应的参考属性信息,对所述各道路的属性信息进行修正,得到标定后的所述各道路的目标属性信息。
将各道路等级分别对应的参考属性信息,与从路网拓扑数据中获取的各道路的属性信息进行匹配,首先确定各道路的道路等级,进而根据道路的道路等级对应的参考属性信息,判断道路的属性信息中是否存在错误和缺失,如果道路的属性信息存在错误和缺失,即可基于道路的道路等级对应的参考属性信息对道路的属性信息进行修正和补充,以完善道路的属性信息。
第四步:根据所述目标区域的路网拓扑数据,确定位于所述目标区域内的各交叉口。
一般的,路网拓扑数据中包含有节点和边,其中,节点用于表征路网中的交叉口,边用于表征路网中的道路。因此,可直接提取路网拓扑数据中的节点,基于节点确定位于目标区域内的各交叉口。另外,还可以基于从路网拓扑数据中提取的边确定目标区域内的各道路,基于各道路的交汇或交叉点,确定各交叉口。
道路交叉口是指两条或多条道路在某一点相交或交叉的地方。在道路交叉口处,交通来往的车辆、行人以及其他交通参与者必须遵守相应的交通规则和标志,以确保交通安全和顺畅。
道路交叉口可以分为不同类型,包括十字路口、T型路口、环形交叉口、立交桥等。每种类型的交叉口都有特定的设计和交通流控制规则,旨在标定交通流量、减少交通事故风险,并提供便利的交通连接。
交叉口通常设有交通信号灯、停止线、导向标志、斑马线等交通设施和标记,以引导交通参与者按照特定的信号和规则进行行驶、转弯和穿越。此外,路口也可能设置交通岗哨、交通警察或监控设备,以加强对交通秩序的管理和控制。
第五步:对所述目标区域的路网拓扑数据中所述各交叉口的信号配时参数进行调整,得到调整后的所述各交叉口的目标信号配时参数。
具体的,交叉口的信号配时参数用于描述交叉口的不同交通信号(绿灯、红灯、黄灯)的持续时间和顺序。另外,由于交叉口可能汇集了不同类型的车道,一个交叉口的信号配时参数还可以描述交叉口的车道布局和通行规则,包括直行车道、左转车道、右转车道、公交车道、非机动车道等。
而从路网拓扑数据中直接提取的交叉口的信号配时参数可能存在错误,因此需要对各交叉口的信号配时参数进行调整和修正,得到调整后的所述各交叉口的目标信号配时参数。调整信号配时参数的方式可以是人工调整,基于机器学习模型的调整,基于规则的调整等任意现有的调整方式,本说明书对此不做限定。
第六步:根据所述各道路的目标属性信息和所述各交叉口的目标信号配时参数,对所述目标区域的路网拓扑数据进行更新,得到更新后的所述目标区域的路网拓扑数据。
将修正后的各道路的目标属性信息,以及调整后的各交叉口的目标信号配时参数引入到原始的目标区域的路网拓扑数据,对目标区域的路网拓扑数据进行更新,得到更新后的目标区域的路网拓扑数据。从而,保证目标区域的路网拓扑数据中包含的各道路的属性信息和各交叉口的信号配时参数的准确性。
从而,在步骤S102中,可以将所述车牌识别数据和更新后的所述目标区域的路网拓扑数据进行融合得到位于所述目标区域内的多个起讫点对。
在本说明书一个或多个实施例中,车牌识别数据是由部署在所述目标区域内的多个电警设备预先检测多个车辆的车牌号得到的,从而车牌识别数据中不仅包括车牌号,还包括车牌号被电警设备检测的被检测时间,也包括检测每个车牌号的电警设备在目标区域中的位置,从而,在将所述车牌识别数据和所述目标区域的路网拓扑数据进行融合,得到位于所述目标区域内的多个起讫点对时,可以利用车牌号的被检测时间,以及电警设备的位置,对每个车牌号对应的车辆的出行链进行打断,以得到多个起讫点对。具体方案如下,如图3所示:
S200:将所述车牌识别数据指示的各电警设备的位置,和基于所述目标区域的路网拓扑数据确定的各道路交叉口的位置进行融合,从部署在所述目标区域内的各电警设备中筛选出部署在所述目标区域的各道路交叉口的各目标电警设备。
电警设备是一种交通监控设备,用于实时检测车辆的违法行为,特别是在红灯处闯红灯和超速行驶。根据不同的应用场景,电警设备可以部署在交叉路口、高速公路、主干路、重点区域(学校、医学、商业区等人流密集区域)、容易发生交通事故的危险路段等位置。电警设备可以拍摄包含车牌信息的图像或视频,并基于该包含车牌信息的图像或视频对车牌信息进行识别,从而得到车牌识别数据。
车牌识别数据不仅包括车牌本身的信息,还包括了电警设备的位置。因此,可以基于车牌识别数据所指的各电警设备的位置,与目标区域的路网拓扑数据指示的各交叉口的位置进行融合,确定各电警设备与目标区域内各道路交叉口之间的位置关系。从而可以从车牌识别数据所指示的各电警设备中筛选出部署在交叉口的各目标电警设备。
S202:根据所述各目标电警设备在所述目标区域内的位置,以及所述车牌识别数据中各车牌的被检测时间,确定所述各车牌号分别对应的各出行轨迹。
进而,各目标电警设备在目标区域内的位置实际上是指目标区域内部署有电警设备的交叉口的所在的位置。
另外,车牌识别数据中还包括每个车牌被电警设备识别时的时间戳,即各车牌的被检测时间。对于每个车牌而言,该车牌的被检测时间指示了该车牌被部署在目标区域内的各个电警设备拍摄的时间。而将各目标电警设备在所述目标区域内的位置与车牌识别数据中各车牌的被检测时间进行匹配,即可确定各车牌被部署在交叉口的电警设备拍摄到的时间。从而,针对每个车牌,将该车牌号被部署在交叉口的电警设备拍摄到的时间按照从前到后的顺序依次排序,得到该车牌对应的车辆在预设时段内的被检测时间序列。车辆的被检测时间序列不仅能够表征该车辆在预设时段内的出行时间特征,还能够表征该车辆在目标区域内的行驶轨迹。从而在此步骤中可以基于各目标电警设备在所述目标区域内的位置,以及所述车牌识别数据中各车牌的被检测时间,确定所述各车牌号分别对应的各出行轨迹。
S204:根据所述各车牌号分别对应的各出行轨迹,确定位于所述目标区域内的多个起讫点对。
从而,基于S202确定的各车牌号分别对应的各出行轨迹,将每条出行轨迹的起点和终点都提取出来,基于提取的起点和终点构建起讫点对。
在本说明书一个可选的实施例中,步骤S200可通过下述方案实现:
第一步:从所述车牌识别数据中获取各电警设备在所述目标区域内的第一位置。
具体的,在确定交叉口部署的目标电警设备时,可基于电警设备的位置与道路的位置之间的差异确定。因此,需要从车牌识别数据中获取各电警设备在目标区域内的第一位置。
第二步:从所述目标区域的路网拓扑数据中提取所述目标区域内各道路交叉口在所述目标区域内的第二位置。
一般的,路网拓扑数据中各道路交叉口均具有一定的长度和宽度,因此,道路交叉口在目标区域的第二位置可以用道路交叉口的质心位置确定。
第三步:根据所述各电警设备在所述目标区域内的第一位置,以及所述各道路交叉口在所述目标区域内的第二位置,确定所述各电警设备和所述各道路交叉口之间的距离。
各电警设备和各道路交叉口之间的距离一般指的是直线最短距离,即,将电警设备的第一位置作为点,将道路交叉口的第二位置作为点,确定两点之间的直线距离。
第四步:根据所述各电警设备和所述各道路交叉口之间的距离,确定部署在所述目标区域的各交叉口的目标电警设备。
确定车牌识别数据所包含的每个电警设备与路网中每条道路交叉口的直线距离,对于得到的所有直线距离,选取γ分位数作为距离阈值,将直线距离大于阈值的电警设备进行删除,将剩余电警设备按照直线距离最短的准则将电警设备与交叉口进行匹配,从而得到部署在所述目标区域的各交叉口的目标电警设备。
在本说明书一个可选的实施例中,步骤S202可通过下述方案实现:
第一步:从所述车牌识别数据中获取各车牌号以及所述各车牌号分别被所述各电警设备检测的被检测时间。
第二步:针对每个车牌号,将该车牌号被所述各电警设备检测的各被检测时间进行排序,得到该车牌号对应的被检测时间序列。
一般的,车牌识别数据可以在获取时就限定预设时段,从而基于预设时段的车牌识别数据确定的即为该车牌号对应的在预设时段的被检测时间序列。也可以是,获取的是第一预设时段的车牌识别数据,基于该第一预设时段的车牌识别数据,确定第二预设时段内该车牌号对应的被检测时间序列,其中第二预设时段在第一预设时段内。
第三步:根据该车牌号对应的被检测时间序列包含的各被检测时间,确定该车牌号对应的被检测时间序列中相邻两个被检测时间之间的时间间隔,并将时间间隔大于预设时间间隔阈值的相邻两个被检测时间之间设置出行链断点。
遍历每一车牌号,在车牌号相邻被检测点时间间隔大于γc处进行出行链打断。时间间隔大于预设时间间隔阈值,说明该车牌号对应的车辆在时间间隔大于预设时间间隔阈值的相邻两个被检测时间之间结束了一次出行。因此,将时间间隔大于预设时间间隔阈值的相邻两个被检测时间之间设置出行链断点,可以确定该车牌号对应的车辆的多次出行。
第四步:根据该车牌号对应的被检测时间序列中设置的各出行链断点,将该车牌号对应的被检测时间序列分割为该车牌号对应的多个被检测时间子序列。
具体的,如果该车牌号对应于一个或多个出行链断点,说明在预设时段内,该车牌号对应的车辆进行了多次出行,因此,该车牌号对应的车辆具有多次出行,每一次出行对应于一个出行轨迹。如果该车牌号不存在相对应的出行链断点,说明在预设时段内,该车牌号对应的车辆仅进行了一次出行,因此,该车牌号对应的车辆具有一条出行链,并对应于一个出行轨迹。
根据该车牌号对应的被检测时间序列中设置的各出行链断点,将该车牌号对应的被检测时间序列分割为该车牌号对应的多个被检测时间子序列,每个被检测时间子序列均对应于一个出行链,也就是对应于一个出行轨迹。
第五步:根据该车牌号对应的各被检测时间子序列中位于首位的第一被检测时间和位于末尾的第二被检测时间、所述第一被检测时间对应的目标电警设备在所述目标区域内的位置、所述第二被检测时间对应的目标电警设备在所述目标区域内的位置,确定该车牌号对应的多个出行轨迹。
由于被检测时间子序列中包含的是该车牌的多个被检测时间,因此,还需要基于各被检测时间以及得到各被检测时间对应的目标电警设备的位置,将每个被检测时间对应的目标电警设备的位置,按照被检测时间从小到大依次排列,并将各目标电警设备之间通过路网表征的道路进行连接,从而得到该车牌号对应的多个出行轨迹。
可选地,上述步骤S104可按照下述方案实现:
步骤一:根据所述各起讫点对,基于最短路算法生成所述各起讫点对之间的各最短路径,并将所述各最短路径加入所述各起讫点对的出行轨迹集中。
前述S102确定了各起讫点对(起点和终点的OD关系),确定各起讫点对之间的轨迹的最简单方法是使用最短路算法计算各起讫点对的最短路径。为了实现更合理的起讫点对间的轨迹补全,在本说明书中可以采用动态用户分配算法确定各起讫点对之间的完整轨迹。
步骤二:基于所述各起讫点对之间的各最短路径进行仿真,确定所述各最短路径在各时间步的平均行程时间。
在仿真过程中,车辆可以从各起讫点对之间的各最短路径中选择路径作为模拟行驶所遵循的路径。但是,由于目标区域中的车流的状态是动态变化的,因此,即使模拟行驶所遵循的路径是最短路径,也会出现行程时间不同的问题,因此,在本说明书中,以各最短路径在各时间步的平均行程时间作为指标。
步骤三:基于所述各最短路径在各时间步的平均行程时间,使用Gawron算法更新所述各起讫点对的出行轨迹集中的各路径的行程时间。
步骤四:重复上述步骤二、三,直至所述各起讫点对之间的轨迹满足预设条件。其中,所述预设条件为迭代次数达到次数阈值,或者最优轨迹收敛,不再改变。
其中,上述最优轨迹收敛指的是各起讫点对的出行轨迹集中各路径的行程时间不再随着迭代仿真发生更新。由于起讫点对的出行轨迹集中各路径的行程时间不再更新,说明该出行轨迹及中的路径已经达到最优,可以将其作为起讫点对之间的最优轨迹。
重复迭代以上步骤,将最终的仿真轨迹作为各起讫点对之间的补全的轨迹。
另外需要注意的是,如果在基于最短路算法生成各起讫点对之间的最短路径时,选择路段平均行程时间作为权重,则计算出的最短路径将更倾向于使用行程时间较短的道路;如果选择路段长度作为权重,则最短路径将更倾向于使用距离较短的道路。根据实际需求选择合适的权重来生成补全轨迹。在本说明书一个可选的实施例中,首先采用路段平均行程时间作为最短路算法权重,若路段平均行程时间未知,则采用路段长度作为最短路算法权重。
并且,在基于最短路算法生成的最短路径加入到各起讫点对的出行轨迹集R中时,若Ri(it)中轨迹数量大于nmax,则逐步删除行程时间最大的轨迹,直至轨迹数量达到nmax。
图4为本说明书提供的一种大规模微观交通仿真装置示意图,具体包括:
路网拓扑数据获取模块300,用于获取目标区域的路网拓扑数据,所述路网拓扑数据用于表征所述目标区域的路网结构以及所述目标区域内道路的属性信息;
起讫点确定模块302,用于获取车牌识别数据,并将所述车牌识别数据和所述目标区域的路网拓扑数据进行融合,得到位于所述目标区域内的多个起讫点对;
轨迹补全模块304,用于对位于所述目标区域内的各起讫点对进行轨迹补全,得到所述各起讫点对之间的轨迹;
交通仿真模型建立模块306,用于获取预设的仿真参数和待标定参数,根据所述预设的仿真参数、所述待标定参数、所述目标区域的路网拓扑数据以及所述各起讫点对之间的轨迹建立待标定的交通仿真模型;
标定模块308,用于根据所述待标定的交通仿真模型仿真得到的所述各起讫点对之间的仿真行程时间,与所述各起讫点对之间的实际行程时间之间的差异,对所述待标定参数进行标定,得到目标参数,并根据所述目标参数和所述待标定的交通仿真模型,得到标定后的交通仿真模型;
执行模块310,用于根据标定后的交通仿真模型,执行所述目标区域内的交通仿真任务。
可选地,所述装置还包括:
更新模块312,具体用于获取多个道路等级分别对应的参考属性信息;从所述目标区域的路网拓扑数据中提取位于所述目标区域内的各道路的属性信息;根据所述各道路等级分别对应的参考属性信息,对所述各道路的属性信息进行修正,得到标定后的所述各道路的目标属性信息;根据所述目标区域的路网拓扑数据,确定位于所述目标区域内的各交叉口;对所述目标区域的路网拓扑数据中所述各交叉口的信号配时参数进行调整,得到调整后的所述各交叉口的目标信号配时参数;根据所述各道路的目标属性信息和所述各交叉口的目标信号配时参数,对所述目标区域的路网拓扑数据进行更新,得到更新后的所述目标区域的路网拓扑数据;
可选地,所述起讫点确定模块302具体用于,将所述车牌识别数据和更新后的所述目标区域的路网拓扑数据进行融合。
可选地,所述车牌识别数据是由部署在所述目标区域内的多个电警设备预先检测多个车辆的车牌号得到的;
可选地,所述起讫点确定模块302具体用于,将所述车牌识别数据指示的各电警设备的位置,和基于所述目标区域的路网拓扑数据确定的各道路交叉口的位置进行融合,从部署在所述目标区域内的各电警设备中筛选出部署在所述目标区域的各道路交叉口的各目标电警设备;根据所述各目标电警设备在所述目标区域内的位置,以及所述车牌识别数据中各车牌的被检测时间,确定所述各车牌号分别对应的各出行轨迹;根据所述各车牌号分别对应的各出行轨迹,确定位于所述目标区域内的多个起讫点对。
可选地,所述起讫点确定模块302具体用于,从所述车牌识别数据中获取各电警设备在所述目标区域内的第一位置;从所述目标区域的路网拓扑数据中提取所述目标区域内各道路交叉口在所述目标区域内的第二位置;根据所述各电警设备在所述目标区域内的第一位置,以及所述各道路交叉口在所述目标区域内的第二位置,确定所述各电警设备和所述各道路交叉口之间的距离;根据所述各电警设备和所述各道路交叉口之间的距离,确定部署在所述目标区域的各交叉口的目标电警设备。
可选地,所述起讫点确定模块302具体用于,从所述车牌识别数据中获取各车牌号以及所述各车牌号分别被所述各电警设备检测的被检测时间;针对每个车牌号,将该车牌号被所述各电警设备检测的各被检测时间进行排序,得到该车牌号对应的被检测时间序列;根据该车牌号对应的被检测时间序列包含的各被检测时间,确定该车牌号对应的被检测时间序列中相邻两个被检测时间之间的时间间隔,并将时间间隔大于预设时间间隔阈值的相邻两个被检测时间之间设置出行链断点;根据该车牌号对应的被检测时间序列中设置的各出行链断点,将该车牌号对应的被检测时间序列分割为该车牌号对应的多个被检测时间子序列;根据该车牌号对应的各被检测时间子序列分别包含的各被检测时间,以及所述各被检测时间对应的目标电警设备在所述目标区域内的位置,确定该车牌号对应的多个出行轨迹。
可选地,所述轨迹补全模块304具体用于,根据所述各起讫点对,基于最短路算法生成所述各起讫点对之间的各最短路径,并将所述各最短路径加入所述各起讫点对的出行轨迹集中;基于所述各起讫点对之间的各最短路径进行仿真,确定所述各最短路径在各时间步的平均行程时间;基于所述各最短路径在各时间步的平均行程时间,使用Gawron算法更新所述各起讫点对的出行轨迹集中的各路径的行程时间;根据所述各路径的行程时间,更新所述各起讫点对之间的最短路径,再次仿真并使用所述Gawron算法更新出行轨迹集中的各路径的行程时间,重复此步骤,直到所述各起讫点对的最优轨迹收敛不再改变,或迭代更新次数达到预设次数;将所述各起讫点对之间的最优轨迹作为所述各起讫点对之间的轨迹。
可选地,所述待标定参数为速度因子;
可选地,所述标定模块308具体用于将仿真时段分割为预设数量的时间阶段;初始化各时间阶段的速度因子;针对每个时间阶段,通过所述待标定的交通仿真模型,得到该时间阶段内所述各起讫点对之间的各轨迹分别对应的仿真行程时间;根据该时间阶段内所述各起讫点对之间的各轨迹分别对应的仿真行程时间,确定该时间阶段对应的平均仿真行程时间;根据所述车牌识别数据,确定该时间阶段内所述各起讫点对之间各轨迹分别对应的实际行程时间,并确定该时间阶段对应的平均实际行程时间;根据该时间阶段对应的平均仿真行程时间和该时间阶段对应的平均实际行程时间之间的差异,以及预设的该时间阶段的误差阈值,标定该时间阶段对应的速度因子,直到该时间阶段对应的平均仿真行程时间和该时间阶段对应的平均实际行程时间之间的差异满足预设条件;将标定后的各时间阶段对应的速度因子作为目标参数。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1所示的大规模微观交通仿真方法。
本说明书还提供了图5所示的电子设备的示意结构图。如图5所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所示的大规模微观交通仿真方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、***、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、***或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种大规模微观交通仿真方法,其特征在于,包括:
获取目标区域的路网拓扑数据,所述路网拓扑数据用于表征所述目标区域的路网结构以及所述目标区域内道路的属性信息;
获取车牌识别数据,并将所述车牌识别数据和所述目标区域的路网拓扑数据进行融合,得到位于所述目标区域内的多个起讫点对;
对位于所述目标区域内的各起讫点对进行轨迹补全,得到所述各起讫点对之间的轨迹;
获取预设的仿真参数和待标定参数,根据所述预设的仿真参数、所述待标定参数、所述目标区域的路网拓扑数据以及所述各起讫点对之间的轨迹建立待标定的交通仿真模型;
根据所述待标定的交通仿真模型仿真得到的所述各起讫点对之间的仿真行程时间,与所述各起讫点对之间的实际行程时间之间的差异,对所述待标定参数进行标定,得到目标参数,并根据所述目标参数和所述待标定的交通仿真模型,得到标定后的交通仿真模型;
根据标定后的交通仿真模型,执行所述目标区域内的交通仿真任务。
2.如权利要求1所述的方法,其特征在于,将所述车牌识别数据和所述目标区域的路网拓扑数据进行融合之前,所述方法还包括:
获取多个道路等级分别对应的参考属性信息;
从所述目标区域的路网拓扑数据中提取位于所述目标区域内的各道路的属性信息;
根据所述各道路等级分别对应的参考属性信息,对所述各道路的属性信息进行修正,得到标定后的所述各道路的目标属性信息;
根据所述目标区域的路网拓扑数据,确定位于所述目标区域内的各交叉口;
对所述目标区域的路网拓扑数据中所述各交叉口的信号配时参数进行调整,得到调整后的所述各交叉口的目标信号配时参数;
根据所述各道路的目标属性信息和所述各交叉口的目标信号配时参数,对所述目标区域的路网拓扑数据进行更新,得到更新后的所述目标区域的路网拓扑数据;
将所述车牌识别数据和所述目标区域的路网拓扑数据进行融合,具体包括:
将所述车牌识别数据和更新后的所述目标区域的路网拓扑数据进行融合。
3.如权利要求1所述的方法,其特征在于,所述车牌识别数据是由部署在所述目标区域内的多个电警设备预先检测多个车辆的车牌号得到的;
将所述车牌识别数据和所述目标区域的路网拓扑数据进行融合,得到位于所述目标区域内的多个起讫点对,具体包括:
将所述车牌识别数据指示的各电警设备的位置,和基于所述目标区域的路网拓扑数据确定的各道路交叉口的位置进行融合,从部署在所述目标区域内的各电警设备中筛选出部署在所述目标区域的各道路交叉口的各目标电警设备;
根据所述各目标电警设备在所述目标区域内的位置,以及所述车牌识别数据中各车牌的被检测时间,确定所述各车牌号分别对应的各出行轨迹;
根据所述各车牌号分别对应的各出行轨迹,确定位于所述目标区域内的多个起讫点对。
4.如权利要求3所述的方法,其特征在于,将所述车牌识别数据指示的所述各电警设备的位置,和所述目标区域的路网拓扑数据指示的各道路交叉口的位置进行融合,从部署在所述目标区域内的各电警设备中筛选出部署在所述目标区域的各道路交叉口的各目标电警设备,具体包括:
从所述车牌识别数据中获取各电警设备在所述目标区域内的第一位置;
从所述目标区域的路网拓扑数据中提取所述目标区域内各道路交叉口在所述目标区域内的第二位置;
根据所述各电警设备在所述目标区域内的第一位置,以及所述各道路交叉口在所述目标区域内的第二位置,确定所述各电警设备和所述各道路交叉口之间的距离;
根据所述各电警设备和所述各道路交叉口之间的距离,确定部署在所述目标区域的各交叉口的目标电警设备。
5.如权利要求3所述的方法,其特征在于,根据所述各目标电警设备在所述目标区域内的位置,以及所述车牌识别数据中各车牌的被检测时间,确定所述各车牌号分别对应的各出行轨迹,具体包括:
从所述车牌识别数据中获取各车牌号以及所述各车牌号分别被所述各电警设备检测的被检测时间;
针对每个车牌号,将该车牌号被所述各电警设备检测的各被检测时间进行排序,得到该车牌号对应的被检测时间序列;
根据该车牌号对应的被检测时间序列包含的各被检测时间,确定该车牌号对应的被检测时间序列中相邻两个被检测时间之间的时间间隔,并将时间间隔大于预设时间间隔阈值的相邻两个被检测时间之间设置出行链断点;
根据该车牌号对应的被检测时间序列中设置的各出行链断点,将该车牌号对应的被检测时间序列分割为该车牌号对应的多个被检测时间子序列;
根据该车牌号对应的各被检测时间子序列分别包含的各被检测时间,以及所述各被检测时间对应的目标电警设备在所述目标区域内的位置,确定该车牌号对应的多个出行轨迹。
6.如权利要求1所述的方法,其特征在于,对位于所述目标区域内的各起讫点对进行轨迹补全,得到所述各起讫点对之间的轨迹,具体包括:
根据所述各起讫点对,基于最短路算法生成所述各起讫点对之间的各最短路径,并将所述各最短路径加入所述各起讫点对的出行轨迹集中;
基于所述各起讫点对之间的各最短路径进行仿真,确定所述各最短路径在各时间步的平均行程时间;
基于所述各最短路径在各时间步的平均行程时间,使用Gawron算法更新所述各起讫点对的出行轨迹集中的各路径的行程时间;
根据所述各路径的行程时间,更新所述各起讫点对之间的最短路径,再次仿真并使用所述Gawron算法更新出行轨迹集中的各路径的行程时间,重复此步骤,直到所述各起讫点对的最优轨迹收敛不再改变,或迭代更新次数达到预设次数;
将所述各起讫点对之间的最优轨迹作为所述各起讫点对之间的轨迹。
7.如权利要求1所述的方法,其特征在于,所述待标定参数为速度因子;
根据所述待标定的交通仿真模型仿真得到的所述各起讫点对之间的仿真行程时间,与所述各起讫点对之间的实际行程时间之间的差异,对所述待标定参数进行标定,得到目标参数,具体包括:
将仿真时段分割为预设数量的时间阶段;
初始化各时间阶段的速度因子;
针对每个时间阶段,通过所述待标定的交通仿真模型,运行仿真得到该时间阶段内所述各起讫点对之间的各轨迹分别对应的仿真行程时间;
根据该时间阶段内所述各起讫点对之间的各轨迹分别对应的仿真行程时间,确定该时间阶段对应的平均仿真行程时间;
根据所述车牌识别数据,确定该时间阶段内所述各起讫点对之间各轨迹分别对应的实际行程时间,并确定该时间阶段对应的平均实际行程时间;
根据该时间阶段对应的平均仿真行程时间和该时间阶段对应的平均实际行程时间之间的差异,以及预设的该时间阶段的误差阈值,标定该时间阶段对应的速度因子,直到该时间阶段对应的平均仿真行程时间和该时间阶段对应的平均实际行程时间之间的差异满足预设条件;
将标定后的各时间阶段对应的速度因子作为目标参数。
8.一种大规模微观交通仿真装置,其特征在于,包括:
路网拓扑数据获取模块,用于获取目标区域的路网拓扑数据,所述路网拓扑数据用于表征所述目标区域的路网结构以及所述目标区域内道路的属性信息;
起讫点确定模块,用于获取车牌识别数据,并将所述车牌识别数据和所述目标区域的路网拓扑数据进行融合,得到位于所述目标区域内的多个起讫点对;
轨迹补全模块,用于对位于所述目标区域内的各起讫点对进行轨迹补全,得到所述各起讫点对之间的轨迹;
交通仿真模型建立模块,用于获取预设的仿真参数和待标定参数,根据所述预设的仿真参数、所述待标定参数、所述目标区域的路网拓扑数据以及所述各起讫点对之间的轨迹建立待标定的交通仿真模型;
标定模块,用于根据所述待标定的交通仿真模型仿真得到的所述各起讫点对之间的仿真行程时间,与所述各起讫点对之间的实际行程时间之间的差异,对所述待标定参数进行标定,得到目标参数,并根据所述目标参数和所述待标定的交通仿真模型,得到标定后的交通仿真模型;
执行模块,用于根据标定后的交通仿真模型,执行所述目标区域内的交通仿真任务。
9.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~7任一项所述的方法。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在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上述权利要求1~7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311182407.6A CN117150624A (zh) | 2023-09-13 | 2023-09-13 | 一种大规模微观交通仿真方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311182407.6A CN117150624A (zh) | 2023-09-13 | 2023-09-13 | 一种大规模微观交通仿真方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117150624A true CN117150624A (zh) | 2023-12-01 |
Family
ID=88905940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311182407.6A Pending CN117150624A (zh) | 2023-09-13 | 2023-09-13 | 一种大规模微观交通仿真方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117150624A (zh) |
-
2023
- 2023-09-13 CN CN202311182407.6A patent/CN117150624A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11216355B2 (en) | Autonomous vehicle testing systems and methods | |
Sheu et al. | Stochastic modeling and real-time prediction of vehicular lane-changing behavior | |
CN109840660A (zh) | 一种车辆特征数据处理方法及车辆风险预测模型训练方法 | |
CN111881557B (zh) | 基于道路平均速度的车流仿真方法 | |
Vedagiri et al. | Traffic safety evaluation of uncontrolled intersections using surrogate safety measures under mixed traffic conditions | |
Lee | Modeling gap acceptance at freeway merges | |
Kim et al. | Genetic-algorithm based approach for calibrating microscopic simulation models | |
CN110426966A (zh) | 一种虚拟车辆寻路的方法、装置、存储介质和电子设备 | |
KR101123967B1 (ko) | 교통 정체 예측 시스템, 예측 방법 및 그 기록 매체 | |
CN114462233A (zh) | 微观交通仿真方法、计算机装置和存储介质 | |
CN113793500B (zh) | 城市交通道路可计算路网的构建方法及*** | |
Prontri et al. | Traffic signal control using fuzzy logic | |
CN109085764A (zh) | 无人驾驶仿真场景的创建方法及装置 | |
Chalfen et al. | Identification of parameters and verification of an urban traffic flow model. A case study in Wrocław | |
CN110264725B (zh) | 路段流量的确定方法及装置 | |
CN117150624A (zh) | 一种大规模微观交通仿真方法及装置 | |
Goss et al. | Integration of formal specification and traffic simulation for scenario-based validation | |
Toledo et al. | Microscopic traffic simulation: Models and application | |
Mizuta | Evaluation of metropolitan traffic flow with agent-based traffic simulator and approximated vehicle behavior model near intersections | |
Clara Fang et al. | An intelligent traffic signal control system based on fuzzy theory | |
Yanai et al. | Cluster analysis for a series of microscopic traffic simulation results | |
Ben-Akiva et al. | MITSIMLab: Enhancements and applications for urban networks | |
Wang | Simulation system for optimizing urban traffic network based on multi-scale fusion | |
CN115587460B (zh) | 道路交通情况数字仿真方法及装置 | |
Al-Jameel | Lane Changing and Lane Utilization Behavior for Three Lane Normal Section in Iraq Traffic Sites |
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 |