车-路-云协同的交通流态势预测方法技术

本发明专利技术公开了一种车‑路‑云协同的交通流态势预测方法，用于解决现有交通流预测方法适用性差的技术问题。技术方案是每辆智能车在出行之前先向交通云提交路径规划请求，交通云结合当前交通路网的交通流状态和预测的交通流状态为智能车生成优化的规划路径。各智能车在行驶过程中周期性或在加速度发生改变时向交通云发送车辆编号、物理参数、位置、车道、速度与加速度等信息，交通云在本地更新云端存储的相关信息，并根据每辆车规划的行驶路径来实时估算一段时间后交通路网的交通流发展态势。在获取交通路网中所有车辆行驶状态的基础上，实现了交通流态势的实时预测，从而为提高交通流管理效率、降低能源开销提供有效支撑，适用性好。

Traffic Situation Prediction Method Based on Vehicle-Road-Cloud Cooperation

The invention discloses a traffic situation prediction method based on vehicle-road-cloud cooperation, which is used to solve the technical problem of poor applicability of the existing traffic flow prediction method. The technical scheme is that each intelligent vehicle submits a request for path planning to the traffic cloud before leaving. The traffic cloud generates an optimized path for the intelligent vehicle by combining the current traffic flow state of the traffic network with the predicted traffic flow state. Each intelligent vehicle sends information such as vehicle number, physical parameters, location, lane, speed and acceleration to the traffic cloud periodically or when the acceleration changes. The traffic cloud updates the relevant information stored in the cloud locally, and estimates the traffic flow development situation of the traffic network after a period of time according to the planned driving path of each vehicle. On the basis of acquiring the driving state of all vehicles in the traffic network, the real-time prediction of traffic flow situation is realized, which provides effective support for improving the efficiency of traffic flow management and reducing energy expenditure, and has good applicability.

【技术实现步骤摘要】
车-路-云协同的交通流态势预测方法
本专利技术涉及一种交通流预测方法，特别涉及一种车-路-云协同的交通流态势预测方法。
技术介绍
文献“基于时间序列相似性搜索的交通流短时预测方法，交通信息与安全，2014，Vol32(6)，p22-26”研究了现有预测模型存在的问题，并在此基础上设计了一种基于时间序列相似性搜索的交通流短时多步预测方法。作者选用集相似性模型和数据模型为一体的界标模型对交通流时间序列数据进行模式表示，之后根据界标距离对时间序列进行相似性搜索，在历史数据库中搜索与当前交通流时间序列相似度较高的历史时间序列，进而确定与预测时刻相对应的历史数据。该方法有效降低了交通流短时多步预测的误差。但文献所述方法主要适合于具有历史数据统计的交通流预测，未考虑交通路网的实时状态以及动态特性，在智能车这种对实时性要求较高的场景中适用性较差，不能对实时的交通流态势变化预测提供有效支撑。
技术实现思路
为了克服现有交通流预测方法适用性差的不足，本专利技术提供一种车-路-云协同的交通流态势预测方法。该方法中，每辆智能车在出行之前先向交通云提交路径规划请求，交通云依据路径最短、时间最短或者开销最小等策略，结合当前交通路网的交通流状态和预测的交通流状态为智能车生成优化的规划路径。各智能车在行驶过程中周期性或在加速度发生改变时向交通云发送车辆编号、物理参数、位置、车道、速度与加速度等信息，交通云在本地更新云端存储的相关信息，并根据每辆车规划的行驶路径来实时估算一段时间后交通路网的交通流发展态势。在获取交通路网中所有车辆行驶状态的基础上，本专利技术可实现交通流态势的实时预测，有助于优化车辆的路径规划结果，从而也为提高交通流管理效率、降低能源开销提供有效支撑，适用性好。本专利技术解决其技术问题所采用的技术方案：一种车-路-云协同的交通流态势预测方法，其特点是包括以下步骤：步骤一、在交通云TC中设置一个路网图RNG和一个VD数据库，云系统启动后读取交通环境配置文件GISFile，对路网图RNG进行初始化，并将数据库VD初始化为空。步骤二、TC等待接收车辆发送的消息并对接收数据进行管理。根据收到的车辆发来的υ_ppr消息，TC根据RNG中的通行压力为每一个发送该消息的车辆计算一条路径，并将结果发送给该车辆。根据收到的所有υ_sm消息，TC更新数据库VD中的相关记录。如果未收到车辆发来的消息，则TC以Δτ1为周期进行交通状态查询。如果收到车辆发来的消息，则对消息接收及数据管理，否则以Δτ1为周期进行交通状态查询。步骤三、计算路网图的通行压力。TC以Δτ1为周期向交通网络广播交通状态查询信息，查询之前Δτ2时间内的各车辆的行驶状态和各路口的通行状态。收到查询信息后，各车辆将其当前行驶状态上报给TC，并由TC更新至数据库VD；各路口将其PRD数据库中的统计信息上报TC，用于后续步骤中的预测计算。车道的通行压力用下式计算：式中，为车道的通行压力值，α为故障系数，当该车道上有车辆故障时α为1，否则为0。β为比例因子，取值为正整数，该值越大，通行压力值的增长速度就越大。MaxWeight表示通行压力最大值，是车道上的车辆数量。是基于统计计算出的车道上的当前平均速度。各道路段的通行压力用下式计算：式中，Weight(P)为路段的通行压力值，P表示当前道路段，路段包含的道路集合。路口中各临界区的通行压力按下式计算：路口中各车道在各临界区不同通过方向上的通行压力按下式计算：式中，Weight(CSi)表示路口CSi的通行压力，CSi表示路口i，表示路口CSi的临界区j的平均通行时间，表示驶入CSi的车辆总数，比例因子γ取值为正整数，其值越大，临界区通行压力的增加速度越快。步骤四、预测车辆的位置。对于每个路口，TC对正在驶向和已进入该路口的车辆进行按照先到先通过的方法进行排序并写入队列Q，接着推算队列Q中各车在ΔT时间后所在的车道和位置。车道的空闲距离、各车通过下一个路口的延迟时间以及车辆在t2+ΔT时间的行驶状态分别用式5、式6和式7来计算。如果路网图RNG中还有路口未做处理，返回执行车辆位置预测，否则执行车道与道路通行压力预测。式中，L1和L2分别为车辆在ΔT时间前后在车道上的位置，Distance函数用于计算这两个位置之间的车道总长度，υ.l表示车辆的长度，Δd是同一车道上前后两辆车之间的最小安全距离。式中，Delay(υk)函数的值大于0表示车辆不能通过路口，小于等于0则表示能通过，表示车辆υk在CSi路口按照j方向行驶的通行压力。式中，f′函数计算该车辆在ΔT时间内以所在车道平均车速所能行驶的距离。CS1st、CSlast分别是车辆υ预约的临界区向量中的第一个和最后一个临界区，是车辆经过路口后进入的下一段车道，CS′1st是下一段车道所连接的临界区，如果是车辆路径终点，CS′1st的值为空且FD函数的返回一个极大正整数值MaxFD，表示车辆在ΔT时间后所在的道路位置。步骤五、预测交通流通行压力。在t2时刻，TC根据车辆上报的行驶状态信息、路网图RNG以及数据库TD中的记录估算ΔT时间后的交通态势。TC根据推算的t2+ΔT时刻所有车辆的位置和状态信息，分别调用式1、式2计算t2+ΔT时刻路网图中的车道通行压力和道路段通行压力数据。此次交通流态势的预测完成。步骤六、本次预测完成后，返回消息处理处，循环执行步骤消息接收及数据管理、路网图通行压力计算和交通流通行压力预测，直至系统停机。本专利技术的有益效果是：该方法中，每辆智能车在出行之前先向交通云提交路径规划请求，交通云依据路径最短、时间最短或者开销最小等策略，结合当前交通路网的交通流状态和预测的交通流状态为智能车生成优化的规划路径。各智能车在行驶过程中周期性或在加速度发生改变时向交通云发送车辆编号、物理参数、位置、车道、速度与加速度等信息，交通云在本地更新云端存储的相关信息，并根据每辆车规划的行驶路径来实时估算一段时间后交通路网的交通流发展态势。在获取交通路网中所有车辆行驶状态的基础上，本专利技术可实现交通流态势的实时预测，有助于优化车辆的路径规划结果，从而也为提高交通流管理效率、降低能源开销提供有效支撑，适用性好。下面结合附图和具体实施方式对本专利技术作详细说明。附图说明图1是本专利技术车-路-云协同的交通流态势预测方法的流程图。图2是本专利技术方法中智能车、路口单元及交通云的通信方式。图3是本专利技术方法中道路网络模型，包括路口、临界区划分、道路段、车道及车辆通行过程。具体实施方式参照图1-3。本专利技术车-路-云协同的交通流态势预测方法具体步骤如下：每个路口部署一个路口单元I-Agent，每辆智能车υ都配置有一套接入网络的车载信息设备，交通云TC是部署于互联网中用于交通管理的云服务平台。车辆υ与I-Agent进行车-路通信，υ与TC进行车-云通信，I-Agent与TC进行路-云通信。每个路口I具有唯一id，路口区域被划分为一组相邻但互不覆盖的子区域(称为临界区，记为CS)；路口单元I-Agent负责授权、调度预约通过该路口的智能车安全、高效地通过路口。I-Agent中部署一个专门的数据库PRD，该数据库中包含各个临界区上的车辆通过信息。数据库每条信息记录的格式为<CSid，υid，dir，ts，te&本文档来自技高网...

【技术保护点】
1.一种车‑路‑云协同的交通流态势预测方法，其特征在于包括以下步骤：步骤一、在交通云TC中设置一个路网图RNG和一个VD数据库，云系统启动后读取交通环境配置文件GISFile，对路网图RNG进行初始化，并将数据库VD初始化为空；步骤二、TC等待接收车辆发送的消息并对接收数据进行管理；根据收到的车辆发来的v_ppr消息，TC根据RNG中的通行压力为每一个发送该消息的车辆计算一条路径，并将结果发送给该车辆；根据收到的所有v_sm消息，TC更新数据库VD中的相关记录；如果未收到车辆发来的消息，则TC以Δτ1为周期进行交通状态查询；如果收到车辆发来的消息，则对消息接收及数据管理，否则以Δτ1为周期进行交通状态查询；步骤三、计算路网图的通行压力；TC以Δτ1为周期向交通网络广播交通状态查询信息，查询之前Δτ2时间内的各车辆的行驶状态和各路口的通行状态；收到查询信息后，各车辆将其当前行驶状态上报给TC，并由TC更新至数据库VD；各路口将其PRD数据库中的统计信息上报TC，用于后续步骤中的预测计算；车道的通行压力用下式计算：

【技术特征摘要】
1.一种车-路-云协同的交通流态势预测方法，其特征在于包括以下步骤：步骤一、在交通云TC中设置一个路网图RNG和一个VD数据库，云系统启动后读取交通环境配置文件GISFile，对路网图RNG进行初始化，并将数据库VD初始化为空；步骤二、TC等待接收车辆发送的消息并对接收数据进行管理；根据收到的车辆发来的v_ppr消息，TC根据RNG中的通行压力为每一个发送该消息的车辆计算一条路径，并将结果发送给该车辆；根据收到的所有v_sm消息，TC更新数据库VD中的相关记录；如果未收到车辆发来的消息，则TC以Δτ1为周期进行交通状态查询；如果收到车辆发来的消息，则对消息接收及数据管理，否则以Δτ1为周期进行交通状态查询；步骤三、计算路网图的通行压力；TC以Δτ1为周期向交通网络广播交通状态查询信息，查询之前Δτ2时间内的各车辆的行驶状态和各路口的通行状态；收到查询信息后，各车辆将其当前行驶状态上报给TC，并由TC更新至数据库VD；各路口将其PRD数据库中的统计信息上报TC，用于后续步骤中的预测计算；车道的通行压力用下式计算：式中，Weight(l)为车道的通行压力值，α为故障系数，当该车道上有车辆故障时α为1，否则为0；β为比例因子，取值为正整数，该值越大，通行压力值的增长速度就越大；MaxWeight表示通行压力最大值，是车道l上的车辆数量；是基于统计计算出的l车道上的当前平均速度；各道路段的通行压力用下式计算：式中，Weight(P)为路段的通行压力值，P表示当前道路段，P·ζl路段包含的道路集合；路口中各临界区的通行压力按下式计算：路口中各车道在各临界区不同通过方向上的通行压力按下式计算：式中，Weight(CSi)表示路口CSi的通行压力，CSi表示路口i，表示路口CSi的临界区j的平均通行时间，表示驶入CSi的车辆总数，比例因...

【专利技术属性】
技术研发人员：张凯龙，谢策，王雨佳，李刘洋，谢尘玉，费超，李孝武，巩政，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西,61