基于大规模浮动车数据的交通信号相位和时间估计-计算机科学-机器学习-交通信号-算法.pdf

基于大规模浮动车数据的交通信号相位和时间估计-计算机科学-机器学习-交通信号-算法.pdf

  1. 1、本文档共9页,可阅读全部内容。
  2. 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多

基于大规模浮动车数据的交通信号相位和时间估计

12†1†345

MingchengLiao,ZebangFeng,MiaoFan,ShengtongXu,HaoyiXiong

1NavInfoCo.Ltd.,2AustralianNationalUniversity,3BeijingInstituteofGraphicCommunication,

4AutohomeInc.,5BaiduInc.

Abstract—有效的现代交通系统关键依赖于准确的信号相

位和时间(SPaT)估计。然而,获取地面真实的SPaT信息由

于与交通运输部门和信号安装者之间的沟通挑战而面临重大障

碍。因此,浮动车数据(FCD)已成为大规模SPaT分析的主要

来源。当前的FCD方法通常通过假设特定时间和地点的固定计

本划和基本交叉口设计来简化问题。这些方法未能考虑到周期性

的信号变化、多样化的交叉口结构以及现实世界数据本身的局

译限性,从而缺乏一个普遍适用的全面框架。为了解决这一限制,

中我们提出了一套工业级的FCD分析工具包,管理整个过程,从

初始的数据预处理到最终的SPaT估计。我们的方法估计信号

1

v相位、识别时间(TOD)段,并确定红灯和绿灯的持续时间。该

0框架在各种条件下表现出显著的稳定性和鲁棒性,无论道路几

9何形状如何,都是其关键特征之一。此外,我们提供了一个经过

1

4清理、去标识化的FCD数据集和支持参数以促进未来的研究。Fig.1:我们的SPaT估计算法框架集成到导航平台中,

1.目前,在我们的导航平台中运行,系统每天分析超过1500万条向用户提供实时的交通信号状态更新。

7FCD记录,支持中国大陆超过两百万个交通信号灯,其中75%

0以上的估计误差小于五秒。

5

2IndexTerms—估计短期通行时间,大规模真实浮动车数据历史上,SPaT预测研究主要依赖两种数据模式。第

:

v一种采用临时安装的检测器或传感器阵列来捕捉详细

iI.介绍

x的车辆和交叉口动态[5],[6]。第二种利用浮动车数据

r

a信号相位和时间(SPaT)预测,涉及准确估计交(FCD),这些数据来源于微观交通仿真(例如SUMO)

通信号相位持续时间(例如绿灯和红灯周期)并识别或现实世界中的车辆轨迹[7],[8]。虽然车载摄像头可

相应的时间段(TOD)计划,在智能运输系统中代表以识别倒计时显示器,但这种做法由于此类显示器的

了一个关键的数据驱动挑战[1]。这种能力对于优化交不一致存在而缺乏广泛适用性。尽管专业传感器和仿

通流、缓解拥堵、提高安全性以及实现车辆协调移动真的数据具有高保真度,但在广大区域如中国大陆进

至关重要[2],[3],[4]。此外,向驾驶员提供实时SPaT行大规模部署面临着重大的经济和物流障碍。FCD可

数据有助于做出明智的决策,从而带来更顺畅和可预以从安装在车辆上的传感器获得,捕捉时间信息和外

测的驾驶体验,正如我们在平台上提供的(图1)。然部参数(例如地理坐标)以及内部参数(例如车速)。通

而,由于通信障碍以及各种制造商和技术团队之间交过车队的自然移动,这种方法能够在成本更低的情况

通信号的分散控制,直接获取真实可靠的SPaT数据下覆盖更大的区域。因此,来自现实世界车辆的FCD

通常是不可行的。这需要有效的基于数据驱动的SPaT成为一个更具可扩展性和成本效益的解决方案,可以

预测方法。通过现有的车队进行

您可能关注的文档

文档评论(0)

zikele + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档