一种交通状态估计方法、装置、设备及可读存储介质转让专利
申请号 : CN202111023599.7
文献号 : CN113450572B
文献日 : 2021-11-12
发明人 : 郑芳芳 , 陆良 , 刘晓波 , 唐优华 , 刘婧 , 樊治辰
申请人 : 西南交通大学 , 成都交大大数据科技有限公司
摘要 :
权利要求 :
1.一种交通状态估计方法,其特征在于,包括:获取第一信息,所述第一信息包括第一时间段内探测车辆在车道上的轨迹数据,所述第一时间段以第一时刻为统计起点并以当前时刻为统计终点的一段时间,所述第一时刻不同于当前时刻;
获取第二信息,所述第二信息包括第二时间段内非探测车辆在车道上的轨迹数据,所述第二时间段以第一时刻为统计起点并以第二时刻为统计终点的一段时间,所述第二时刻位于所述第一时刻和所述当前时刻之间;
建立基于随机交通流的卡尔曼滤波数学模型,将所述第一信息和所述第二信息作为所述卡尔曼滤波数学模型的输入信息,求解所述卡尔曼滤波数学模型得到当前时刻基于驾驶员异质性的交通状态估计信息;
其中,所述建立基于随机交通流的卡尔曼滤波数学模型,将所述第一信息和所述第二信息作为所述卡尔曼滤波数学模型的输入信息,求解所述卡尔曼滤波数学模型得到当前时刻基于驾驶员异质性的交通状态估计信息,包括:建立时间离散计算数学模型,将所述第二信息和所述第一信息作为所述时间离散计算数学模型的输入信息,求解所述时间离散计算数学模型得到所述卡尔曼滤波数学模型的时间离散值;
建立数据预处理数学模型,将所述第一信息、所述第二信息和所述时间离散值作为所述数据预处理数学模型的输入信息,求解所述数据预处理数学模型得到第三信息,所述第三信息包括关于第三时间段的初始条件、边界条件和车辆进出车道的矩阵信息,所述第三时间段为以所述第二时刻到第三时刻的一段时间,所述第三时刻为所述第二时刻加上所述时间离散值的时刻;
建立中间处理数学模型,将所述第一信息和所述第二信息作为中间处理数学模型的输入信息,求解所述中间处理数学模型得到中间信息,所述中间信息包括第二时间段内的车辆内的平均间距关系式和观察对角矩阵中的对角元素信息;
建立基于卡尔曼滤波数学模型的随机交通流迭代数学模型,将所述第三信息和所述中间信息作为所述随机交通流迭代计算数学模型的输入信息,求解所述随机交通流迭代计算数学模型得到第四信息,所述第四信息包括第三时刻的交通状态估计和第三时刻的协方差信息;
建立重复数学模型,将所述第一信息、所述中间信息、所述第四信息和所述时间离散值作为所述重复数学模型的输入信息,求解所述重复数学模型得到当前时刻基于驾驶员异质性的交通状态估计信息;
其中,建立数据预处理数学模型,将所述第一信息、所述第二信息和所述时间离散值作为所述数据预处理数学模型的输入信息,求解所述数据预处理数学模型得到第三信息,包括:
统计所述第二时刻到所述第三时刻中的车辆总数;
以秒为单位时间统计所述第二时刻到所述第三时刻的时间长度;
建立三个空矩阵分别为记为X矩阵、V矩阵、S矩阵,三个所述空矩阵均以所述车辆总数为行数,以预设时间为间隔;
按照所述车辆的编号和所述车辆的时间序列将所述车辆的位置、所述车辆的速度、所述车辆与前车的间距信息分别录入所述X矩阵、所述V矩阵和所述S矩阵中得到初始条件的矩阵信息;
建立边界条件建立数学模型,将所述初始条件的矩阵作为所述边界条件建立数学模型的输入信息,求解所述边界条件建立数学模型得到边界条件的矩阵信息。
2.根据权利要求1所述的交通状态估计方法,其特征在于,所述建立基于卡尔曼滤波数学模型的随机交通流迭代数学模型,将所述第三信息作为所述随机交通流迭代计算数学模型的输入信息,求解所述迭代计算数学模型得到第四信息,包括:建立随机交通流异质性状态函数计算公式,将所述第三信息作为所述随机交通流异质性状态函数计算公式的输入信息,求解所述随机交通流异质性状态函数计算公式,得到第五信息,所述第五信息包括所述第三时刻的第一阶段交通状态估计信息;
建立随机交通流异质性协方差函数计算公式,将所述第三信息作为所述随机交通流异质性协方差函数计算公式的输入信息,求解所述随机交通流异质性协方差函数计算公式,得到第六信息,所述第六信息包括第三时刻的第一阶段协方差信息;
建立残差均值计算数学模型,将平均间距关系式、所述第三信息和所述第五信息作为所述残差均值计算数学模型的输入信息,求解所述残差均值计算数学模型得到残差均值信息;
建立卡尔曼增益计算数学模型,将所述观察对角矩阵中的对角元素、所述第三信息和所述第六信息作为所述卡尔曼增益计算数学模型,求解所述卡尔曼增益计算数学模型得到卡尔曼增益矩阵信息;
建立状态校正数学模型,将所述卡尔曼增益矩阵信息、所述第三信息、所述第五信息和所述残差均值信息作为所述状态校正数学模型输入信息,求解所述状态校正数学模型得到所述第三时刻的交通状态估计信息;
建立协方差校正数学模型,将所述第三信息、所述第六信息和所述卡尔曼增益矩阵信息作为所述状态校正数学模型输入信息,求解所述状态校正数学模型得到所述第三时刻的协方差信息。
3.一种交通状态估计装置,其特征在于,包括:第一信息获取单元,用于获取第一信息,所述第一信息包括第一时间段内探测车辆在车道上的轨迹数据,所述第一时间段以第一时刻为统计起点并以当前时刻为统计终点的一段时间,所述第一时刻不同于当前时刻;
第二信息获取单元,用于获取第二信息,所述第二信息包括第二时间段内非探测车辆在车道上的轨迹数据,所述第二时间段以第一时刻为统计起点并以第二时刻为统计终点的一段时间,所述第二时刻位于所述第一时刻和所述当前时刻之间;
卡尔曼滤波计算单元,用于建立基于随机交通流的卡尔曼滤波数学模型,将所述第一信息和所述第二信息作为所述卡尔曼滤波数学模型的输入信息,求解所述卡尔曼滤波数学模型得到当前时刻基于驾驶员异质性的交通状态估计信息;
其中,所述卡尔曼滤波计算单元包括:离散计算单元,用于建立时间离散计算数学模型,将所述第二信息和所述第一信息作为所述时间离散计算数学模型的输入信息,求解所述时间离散计算数学模型得到所述卡尔曼滤波数学模型的时间离散值;
预处理单元,用于建立数据预处理数学模型,将所述第一信息、所述第二信息和所述时间离散值作为所述数据预处理数学模型的输入信息,求解所述数据预处理数学模型得到第三信息,所述第三信息包括关于第三时间段的初始条件、边界条件和车辆进出车道的矩阵信息,所述第三时间段为以所述第二时刻到第三时刻的一段时间,所述第三时刻为所述第二时刻加上所述时间离散值的时刻;
中间信息处理单元,用于建立中间处理数学模型,将所述第一信息和所述第二信息作为中间处理数学模型的输入信息,求解中间处理数学模型得到中间信息,中间信息包括第二时间段内的车辆内的平均间距关系式和观察对角矩阵中的对角元素信息;
迭代单元,用于建立基于卡尔曼滤波数学模型的随机交通流迭代数学模型,将所述第三信息和所述中间信息作为所述随机交通流迭代计算数学模型的输入信息,求解所述随机交通流迭代计算数学模型得到第四信息,所述第四信息包括第三时刻的交通状态估计和第三时刻的协方差信息;
重复单元,用于建立重复数学模型,将所述第一信息、所述中间信息、所述第四信息和所述时间离散值作为所述重复数学模型的输入信息,求解所述重复数学模型得到当前时刻基于驾驶员异质性的交通状态估计信息;
其中,所述预处理单元包括:
数量统计单元,用于统计所述第二时刻到所述第三时刻中的车辆总数;
时间统计单元,用于时间以秒为单位时间统计所述第二时刻到所述第三时刻的时间长度;
矩阵建立单元,用于建立三个空矩阵分别为记为X矩阵、V矩阵、S矩阵,三个所述空矩阵均以所述车辆总数为行数,以预设时间为间隔;
初始化单元,用于按照所述车辆的编号和所述车辆的时间序列将所述车辆的位置、所述车辆的速度、所述车辆与前车的间距信息分别录入所述X矩阵、所述V矩阵和所述S矩阵中得到初始条件的矩阵信息;
边界单元,用于建立边界条件建立数学模型,将所述初始条件的矩阵作为所述边界条件建立数学模型的输入信息,求解所述边界条件建立数学模型得到边界条件的矩阵信息。
4.根据权利要求3所述的交通状态估计装置,其特征在于,所述迭代单元包括:一阶段估计单元,用于建立随机交通流异质性状态函数计算公式,将第三信息作为随机交通流异质性状态函数计算公式的输入信息,求解随机交通流异质性状态函数计算公式,得到第五信息,第五信息包括第三时刻的第一阶段交通状态估计信息;
一阶段协方差计算单元,用于建立随机交通流异质性协方差函数计算公式,将第三信息作为随机交通流异质性协方差函数计算公式的输入信息,求解随机交通流异质性协方差函数计算公式,得到第六信息,第六信息包括第三时刻的第一阶段协方差信息;
残差均值计算单元,用于建立残差均值计算数学模型,将平均间距关系式、第三信息和第五信息作为残差均值计算数学模型的输入信息,求解残差均值计算数学模型得到残差均值信息;
增益计算单元,用于建立卡尔曼增益计算数学模型,将观察对角矩阵中的对角元素、第三信息和第六信息作为卡尔曼增益计算数学模型,求解卡尔曼增益计算数学模型得到卡尔曼增益矩阵信息;
校正估计计算单元,用于建立状态校正数学模型,将卡尔曼增益矩阵信息、第三信息、第五信息和残差均值信息作为状态校正数学模型输入信息,求解状态校正数学模型得到第三时刻的交通状态估计信息;
校正协方差计算单元,用于建立协方差校正数学模型,将第三信息、第六信息和卡尔曼增益矩阵信息作为状态校正数学模型输入信息,求解状态校正数学模型得到第三时刻的协方差信息。
5.一种交通状态估计设备,其特征在于,包括:存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至2任一项所述交通状态估计方法的步骤。
6.一种可读存储介质,其特征在于:所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至2任一项所述交通状态估计方法的步骤。
说明书 :
一种交通状态估计方法、装置、设备及可读存储介质
技术领域
背景技术
的随机性和异质性。然而,实际交通系统中,人工驾驶行为具有明显的异质性和随机性,例
如:不同的驾驶员反应时间不同、期望行驶速度不同以及可接受的安全距离也不同。现有的
交通状态估计方法并不能实时在人工驾驶行为具有明显的异质性和随机性的问题下进行
交通状态估计。
发明内容
起点并以当前时刻为统计终点的一段时间,所述第一时刻不同于当前时刻;获取第二信息,
所述第二信息包括第二时间段内非探测车辆在车道上的轨迹数据,所述第二时间段以第一
时刻为统计起点并以第二时刻为统计终点的一段时间,所述第二时刻位于所述第一时刻和
所述当前时刻之间;建立基于随机交通流的卡尔曼滤波数学模型,将所述第一信息和所述
第二信息作为所述卡尔曼滤波数学模型的输入信息,求解所述卡尔曼滤波数学模型得到当
前时刻基于驾驶员异质性的交通状态估计信息。
到当前时刻基于驾驶员异质性的交通状态估计信息,包括:建立时间离散计算数学模型,将
所述第二信息和所述第一信息作为所述时间离散计算数学模型的输入信息,求解所述时间
离散计算数学模型得到所述卡尔曼滤波数学模型的时间离散值;建立数据预处理数学模
型,将所述第一信息、所述第二信息和所述时间离散值作为所述数据预处理数学模型的输
入信息,求解所述数据预处理数学模型得到第三信息,所述第三信息包括关于第三时间段
的初始条件、边界条件和车辆进出车道的矩阵信息,所述第三时间段为以所述第二时刻到
所述第三时刻的一段时间,所述第三时刻为第二时刻加上时间离散值的时刻;建立中间处
理数学模型,将所述第一信息和所述第二信息作为中间处理数学模型的输入信息,求解所
述中间处理数学模型得到中间信息,所述中间信息包括第二时间段内的车辆内的平均间距
关系式和观察对角矩阵中的对角元素信息;建立基于卡尔曼滤波数学模型的随机交通流迭
代数学模型,将所述第三信息和所述中间信息作为所述随机交通流迭代计算数学模型的输
入信息,求解所述随机交通流迭代计算数学模型得到第四信息,所述第四信息包括第三时
刻的交通状态估计和第三时刻的协方差信息;建立重复数学模型,将所述第一信息、和所述
中间信息、所述第四信息和所述时间离散值作为所述重复数学模型的输入信息,求解所述
重复数学模型得到当前时刻基于驾驶员异质性的交通状态估计信息。
数学模型得到第四信息,包括:建立随机交通流异质性状态函数计算公式,将所述第三信息
作为所述随机交通流异质性状态函数计算公式的输入信息,求解所述随机交通流异质性状
态函数计算公式,得到第五信息,所述第五信息包括所述第三时刻的第一阶段交通状态估
计信息;建立随机交通流异质性协方差函数计算公式,将所述第三信息作为所述随机交通
流异质性协方差函数计算公式的输入信息,求解所述随机交通流异质性协方差函数计算公
式,得到第六信息,所述第六信息包括第三时刻的第一阶段协方差信息;建立残差均值计算
数学模型,将平均间距关系式、所述第三信息和所述第五信息作为所述残差均值计算数学
模型的输入信息,求解所述残差均值计算数学模型得到残差均值信息;建立卡尔曼增益计
算数学模型,将所述观察对角矩阵中的对角元素、所述第三信息和所述第六信息作为所述
卡尔曼增益计算数学模型,求解所述卡尔曼增益计算数学模型得到卡尔曼增益矩阵信息;
建立状态校正数学模型,将所述卡尔曼增益矩阵信息、所述第三信息、所述第五信息和所述
残差均值信息作为所述状态校正数学模型输入信息,求解所述状态校正数学模型得到所述
第三时刻的交通状态估计信息;建立协方差校正数学模型,将所述第三信息、所述第六信息
和所述卡尔曼增益矩阵信息作为所述状态校正数学模型输入信息,求解所述状态校正数学
模型得到所述第三时刻的协方差信息。
第三信息,包括:统计所述第二时刻到所述第三时刻中的车辆总数;以秒为单位时间统计所
述第二时刻到所述第三时刻的时间长度;建立三个空矩阵分别为记为X矩阵、V矩阵、S矩阵,
三个所述空矩阵均以所述车辆总数为行数,以预设时间为间隔;按照所述车辆的编号和所
述车辆的时间序列将所述车辆的位置、所述车辆的速度、所述车辆与前车的间距信息分别
录入所述X矩阵、所述V矩阵和所述S矩阵中得到初始条件的矩阵信息;建立边界条件建立数
学模型,将所述初始条件的矩阵作为所述边界条件建立数学模型的输入信息,求解所述边
界条件建立数学模型得到边界条件的矩阵信息。
一时间段以第一时刻为统计起点并以当前时刻为统计终点的一段时间,所述第一时刻不同
于当前时刻;第二信息获取单元,用于获取第二信息,所述第二信息包括第二时间段内非探
测车辆在车道上的轨迹数据,所述第二时间段以第一时刻为统计起点并以第二时刻为统计
终点的一段时间,所述第二时刻位于所述第一时刻和所述当前时刻之间;卡尔曼滤波计算
单元,用于建立基于随机交通流的卡尔曼滤波数学模型,将所述第一信息和所述第二信息
作为所述卡尔曼滤波数学模型的输入信息,求解所述卡尔曼滤波数学模型得到当前时刻基
于驾驶员异质性的交通状态估计信息。
求解所述时间离散计算数学模型得到所述卡尔曼滤波数学模型的时间离散值;预处理单
元,用于建立数据预处理数学模型,将所述第一信息、所述第二信息和所述时间离散值作为
所述数据预处理数学模型的输入信息,求解所述数据预处理数学模型得到第三信息,所述
第三信息包括关于第三时间段的初始条件、边界条件和车辆进出车道的矩阵信息,所述第
三时间段为以所述第二时刻到所述第三时刻的一段时间,所述第三时刻为第二时刻加上时
间离散值的时刻;中间信息处理单元,用于建立中间处理数学模型,将所述第一信息和所述
第二信息作为中间处理数学模型的输入信息,求解中间处理数学模型得到中间信息,中间
信息包括第二时间段内的车辆内的平均间距关系式和对角矩阵中的对角元素信息;迭代单
元,用于建立基于卡尔曼滤波数学模型的随机交通流迭代数学模型,将所述第三信息作为
所述随机交通流迭代计算数学模型的输入信息,求解所述随机交通流迭代计算数学模型得
到第四信息,所述第四信息包括第三时刻的交通状态估计和第三时刻的协方差信息;重复
单元,用于建立重复数学模型,将所述第一信息、所述中间信息、所述第四信息和所述时间
离散值作为所述重复数学模型的输入信息,求解所述重复数学模型得到当前时刻基于驾驶
员异质性的交通状态估计信息。
机交通流异质性状态函数计算公式,得到第五信息,第五信息包括第三时刻的第一阶段交
通状态估计信息;一阶段协方差计算单元,用于建立随机交通流异质性协方差函数计算公
式,将第三信息作为随机交通流异质性协方差函数计算公式的输入信息,求解随机交通流
异质性协方差函数计算公式,得到第六信息,第六信息包括第三时刻的第一阶段协方差信
息;残差均值计算单元,用于建立残差均值计算数学模型,将平均间距关系式、第三信息和
第五信息作为残差均值计算数学模型的输入信息,求解残差均值计算数学模型得到残差均
值信息;增益计算单元,用于建立卡尔曼增益计算数学模型,将观察对角矩阵中的对角元
素、第三信息和第六信息作为卡尔曼增益计算数学模型,求解卡尔曼增益计算数学模型得
到卡尔曼增益矩阵信息;校正估计计算单元,用于建立状态校正数学模型,将卡尔曼增益矩
阵信息、第三信息、第五信息和残差均值信息作为状态校正数学模型输入信息,求解状态校
正数学模型得到第三时刻的交通状态估计信息;校正协方差计算单元,用于建立协方差校
正数学模型,将第三信息、第六信息和卡尔曼增益矩阵信息作为状态校正数学模型输入信
息,求解状态校正数学模型得到第三时刻的协方差信息。
第三时刻的时间长度;矩阵建立单元,用于建立三个空矩阵分别为记为X矩阵、V矩阵、S矩
阵,三个所述空矩阵均以所述车辆总数为行数,以预设时间为间隔;初始化单元,用于按照
所述车辆的编号和所述车辆的时间序列将所述车辆的位置、所述车辆的速度、所述车辆与
前车的间距信息分别录入所述X矩阵、所述V矩阵和所述S矩阵中得到初始条件的矩阵信息;
边界单元,用于建立边界条件建立数学模型,将所述初始条件的矩阵作为所述边界条件建
立数学模型的输入信息,求解所述边界条件建立数学模型得到边界条件的矩阵信息。
世界中驾驶员的驾驶行为是一致的,并且将随机交通流数学模型与卡尔曼滤波数学模型结
合实现交通状态估计;同时本实施中通过保留随机交通流数学模型中的相关性(即丰富性)
的方式导出均值和协方差动态,创新性地解决了“非线性”的问题,减少了运算时间,克服了
现有采样技术(例如集成滤波器,粒子滤波器等)耗时长,无法实时估计的缺点。
明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这
些附图获得其他相关的附图。
具体实施方式
本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施
例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实
施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施
例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的
所有其他实施例,都属于本发明保护的范围。
描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
当前时刻。
包括了每个车辆的车辆编号信息、驾驶员的期望速度、驾驶员的最小安全距离和驾驶员的
速度受其前车轨迹限制时的反应时间倒数数值。需要说明的是探测车辆在实时估计中能获
取轨迹数据的车辆。为了便于理解,本申请中给出部分示例便于理解,我们假设第一时刻为
0s,当前时刻为600s。
刻位于所述第一时刻和所述当前时刻之间。
的最小安全距离和驾驶员的速度受其前车轨迹限制时,其反应时间的倒数数值。需要说明
的是非探测车辆即在实时估计中不能获取轨迹数据的车辆。假设第二时刻为200s,当前时
刻为600s。
交通状态估计信息。
值;可以理解的是,在本步骤是了获得进行迭代运算的时间离散值,并且通过时间离散值逐
步得到可靠的实时交通状态估计信息。具体而言,时间离散值的计算方式请参见公式(1):
二信息计算。优选地,在本方法中将第一信息和第二信息都作为计算基础,这样增加样本量
后计算出的数值对于最终计算结果而言更佳接近于真实情况。假设计算出的时间离散值为
0.1s。
三时间段的初始条件、边界条件和车辆进出车道的矩阵信息,第三时间段为以第二时刻到
第三时刻的一段时间,第三时刻为第二时刻加上时间离散值的时刻。
息;边界条件为某给定时间段内第一辆车的车辆轨迹信息;车辆进出当前车道的信息指车
道内所有车辆驶入时刻的位置、速度、与前车的间距以及所有车辆驶出车道时刻信息,上述
这些信息可以由3个矩阵文件进行描述,分别是X:记录探测车辆全部时刻的位置和非探测
车辆进入路段时刻的位置;V:记录探测车辆全部时刻的速度和非探测车辆进入路段时刻的
速度;S:记录探测车辆全部时刻的间距和非探测车辆进入路段时刻的间距。根据S100/
S200/S300的基础,则第三时刻为200.1s。初始条件即为200s时刻车道内所有车辆的位置、
速度、与前车的间距信息,边界条件为指200s‑200.1s内第一辆车的车辆轨迹信息,车辆进
出当前车道的信息指200.1s时刻车道内所有驶入车辆的位置、速度、与前车的间距以及所
有车辆驶出车道时刻信息。其中具体的获取可以通过以下预处理步骤即可得到以上3个矩
阵文件。具体而言,本步骤中包括步骤S321、步骤S322、步骤S323、步骤S324和步骤S325。
标为间隔为0.1秒的时间序列。其中本步骤中所提及的预设时间为0.1秒,本领域的技术人
员也可以根据需求选择其他的预设时间,本申请中不作出的具体的说明。
阵。
刻记录为1,驶出后的第一个时刻记录为‑1(若车辆在时间序列末尾驶出,则令该行TRecord
末尾为‑1)。
行数据在车辆驶过路段停止线后被延长至时间序列末尾,并于末尾时刻驶出路段;2、3行和
最后一行记录了非探测车辆轨迹数据,X矩阵、V矩阵、S矩阵中只显示车辆进入路段的时刻
轨迹信息。
平均间距关系式和观察对角矩阵中的对角元素信息。
角矩阵
方法为本领域的公知常识,此处不在赘述。
型得到第四信息,第四信息包括第三时刻的交通状态估计和第三时刻的协方差信息;
出了基于驾驶员异质性的随机交通流数学模型。但是交通流模型具有复杂的“非线性”,“非
线性”造成模型的应用十分困难。目前来说,本领域为了解决上述问题,通过利用采用技术
(例如集成滤波器,粒子滤波器等)去解决这个问题。但是,这些方法很耗时,难以满足实时
计算的实际需求。为了解决上述技术问题,本实施例通过保留随机交通流中的相关性或者
又称为丰富性的方式推导出随机交通流数学模型的均值和协方差动态,以此替代现有技术
中解决“非线性”问题,减少了运算时间,同时使用标准卡尔曼滤波技术实现了交通状态的
实时可靠估计。
位置和速度。因此,车辆n与前车n‑1的距离可以由公式(2)表示为:
也就是说,定义具有联合分布函数Fθ的参数向量θ(w)=(vf,d,c)(w)。驾驶员n的参数
的上下边界进行约束。我们假设, 0<d <d <∞,0<c <
max
c <∞,且
同时,为了避免违反Courant‑Friedrichs‑Lewy
(CFL)条件,时间离散设置应该满足
,∑(·)协方差矩阵,其对角元素由给定
得到具有白噪声的车辆间距数据。
来。定义对角矩阵Ωs(t),对角矩阵中的对角元素Ωs,n,n(t)=Var(S(vn(t),w))可以使用历
史数据通过经验标准差近似得出。所以观测向量可以表示为式(17):
用卡尔曼滤波来进行交通状态估计。
式(20)、(21)在时间上进行离散。在t=kΔt时刻可以使用 表示交通状
态估计的预测和更新即交通状态估计;同理,以相同的方式定义 和
信息,第五信息包括第三时刻的第一阶段交通状态估计信息;
到第六信息,第六信息包括第三时刻的第一阶段协方差信息;
息;卡尔曼增益矩阵信息可以由式(25)计算得知:
型得到第三时刻的交通状态估计信息;
计信息。
随机交通流迭代计算数学模型输入信息,求解随机交通流迭代计算数学模型;
计算直到计算到600s时的基于驾驶员异质性的交通状态估计信息。
离也不同,这与真实世界中驾驶员的驾驶行为是一致的。该模型可以很好地与车辆轨迹数
据结合并利用数据同化技术进行交通状态估计。
时间,并结合标准卡尔曼滤波技术实现了交通状态的实时可靠估计,克服了现有采样技术
(例如集成滤波器,粒子滤波器等)耗时长,无法实时估计的缺点。
间,第一时刻不同于当前时刻;
时间,第二时刻位于第一时刻和当前时刻之间;
时刻基于驾驶员异质性的交通状态估计信息。
的时间离散值;
息包括关于第三时间段的初始条件、边界条件和车辆进出车道的矩阵信息,第三时间段为
以第二时刻到第三时刻的一段时间,第三时刻为第二时刻加上时间离散值的时刻;
时间段内的车辆内的平均间距关系式和对角矩阵中的对角元素信息;
型得到第四信息,第四信息包括第三时刻的交通状态估计和第三时刻的协方差信息;
交通状态估计信息。
边界条件的矩阵。
算公式,得到第五信息,第五信息包括第三时刻的第一阶段交通状态估计信息;
协方差函数计算公式,得到第六信息,第六信息包括第三时刻的第一阶段协方差信息;
到残差均值信息;
得到卡尔曼增益矩阵信息;
型得到第三时刻的交通状态估计信息;
时刻的协方差信息。
型输出信息和中间信息作为随机交通流迭代计算数学模型输入信息,求解随机交通流迭代
计算数学模型;
括多媒体组件803,输入/输出(I/O)接口804,以及通信组件805中的一者或多者。
通状态估计设备800的操作,这些数据例如可以包括用于在该交通状态估计设备800上操作
的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、
图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它
们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电
可擦除可编程只读存储器(Electrically Erasable Programmable Read‑Only Memory,简
称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read‑Only Memory,简称
EPROM),可编程只读存储器(Programmable Read‑Only Memory,简称PROM),只读存储器
(Read‑Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件803可以包
括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。
例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可
以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器,
用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口,上述其他接口
模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于
该交通状态估计设备800与其他设备之间进行有线或无线通信。无线通信,例如Wi‑Fi,蓝
牙,近场通信(Near FieldCommunication,简称NFC),2G、3G或4G,或它们中的一种或几种的
组合,因此相应的该通信组件805可以包括:Wi‑Fi模块,蓝牙模块,NFC模块。
(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing
Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程
门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他
电子元件实现,用于执行上述的交通状态估计方法。
介质可以为上述包括程序指令的存储器802,上述程序指令可由交通状态估计设备800的处
理器801执行以完成上述的交通状态估计方法。
码的可读存储介质。
等同替换、改进等,均应包含在本发明的保护范围之内。
本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。