Processing

Please wait...

Settings

Settings

Goto Application

1. WO2020133721 - METHOD FOR STATUS ESTIMATION OF SIGNALIZED INTERSECTION BASED ON NON-PARAMETRIC BAYESIAN FRAMEWORK

Publication Number WO/2020/133721
Publication Date 02.07.2020
International Application No. PCT/CN2019/078187
International Filing Date 14.03.2019
IPC
G08G 1/01 2006.1
GPHYSICS
08SIGNALLING
GTRAFFIC CONTROL SYSTEMS
1Traffic control systems for road vehicles
01Detecting movement of traffic to be counted or controlled
CPC
G08G 1/0125
GPHYSICS
08SIGNALLING
GTRAFFIC CONTROL SYSTEMS
1Traffic control systems for road vehicles
01Detecting movement of traffic to be counted or controlled
0104Measuring and analyzing of parameters relative to traffic conditions
0125Traffic data processing
G08G 1/0137
GPHYSICS
08SIGNALLING
GTRAFFIC CONTROL SYSTEMS
1Traffic control systems for road vehicles
01Detecting movement of traffic to be counted or controlled
0104Measuring and analyzing of parameters relative to traffic conditions
0137for specific applications
Applicants
  • 银江股份有限公司 ENJOYOR CO., LTD [CN]/[CN]
Inventors
  • 金峻臣 JIN, Junchen
  • 王辉 WANG, Hui
  • 杨宪赞 YANG, Xianzan
  • 李瑶 LI, Yao
  • 周浩敏 ZHOU, Haomin
  • 郭海锋 GUO, Haifeng
Agents
  • 杭州千克知识产权代理有限公司 KG INTELLECTUAL PROPERTY LAW FIRM
Priority Data
201811596573.X26.12.2018CN
Publication Language Chinese (ZH)
Filing Language Chinese (ZH)
Designated States
Title
(EN) METHOD FOR STATUS ESTIMATION OF SIGNALIZED INTERSECTION BASED ON NON-PARAMETRIC BAYESIAN FRAMEWORK
(FR) PROCÉDÉ D'ESTIMATION D'ÉTAT D'UNE INTERSECTION SIGNALISÉE SUR LA BASE D'UNE STRUCTURE BAYÉSIENNE NON PARAMÉTRIQUE
(ZH) 一种基于非参数贝叶斯框架的信号交叉口状态估计方法
Abstract
(EN)
Provided is a method for status estimation of signalized intersection based on non-parametric Bayesian framework. The method comprises the following steps: (1) data acquisition: acquiring and vectorizing historical traffic data of intersections and corresponding signal control parameters to establish a status data set and a control data set respectively; (2) establishment of the non-parametric Bayesian framework: training and optimizing a transfer model and a measurement model using the status data set and the control data set in combination with recursive status estimation and a Gaussian process regression model; and (3) status estimation of intersection: linearizing the transfer model and the measurement model by adopting an expanded kalman filter, inputting the traffic status and signal control parameters of the previous moment into the transfer model to obtain a predicted status and a covariance thereof, and then inputting the obtained predicted status, the covariance thereof and the measured value of the current moment into the measurement model to predict an optimal estimated value of the current status. The present invention does not need a precise traffic model and is driven by data, having the advantages of wide application range and high estimation accuracy.
(FR)
L'invention concerne un procédé d'estimation d'état d'une intersection signalisée sur la base d'une structure bayésienne non paramétrique. Le procédé comporte les étapes suivantes : (1) acquisition de données consistant : à acquérir et à vectoriser des données de trafic historiques d'intersections et des paramètres de commande de signal correspondants pour établir un ensemble de données d'état et un ensemble de données de commande respectivement; (2) établissement de la structure bayésienne non paramétrique consistant : à apprendre et à optimiser un modèle de transfert et un modèle de mesure à l'aide de l'ensemble de données d'état et de l'ensemble de données de commande en combinaison avec une estimation d'état récursif et un modèle de régression de processus gaussien; et (3) estimation d'état d'intersection consistant : à linéariser le modèle de transfert et le modèle de mesure en adoptant un filtre de Kalman étendu, à entrer l'état de la circulation routière et les paramètres de commande de signal du moment précédent dans le modèle de transfert pour obtenir un état prédit et une covariance de ce dernier, puis à entrer l'état prédit obtenu, sa covariance et la valeur mesurée du moment actuel dans le modèle de mesure pour prédire une valeur estimée optimale de l'état actuel. La présente invention n'a pas besoin d'un modèle de circulation routière précis et s'appuie sur des données, et apporte une gamme étendue d'applications et une précision d'estimation élevée.
(ZH)
一种基于非参数贝叶斯框架的信号交叉口状态估计方法,其步骤如下:(1)数据采集:获取交叉口历史交通数据和对应信号控制参数,向量化处理,分别建立状态数据集和控制数据集;(2)建立非参数贝叶斯框架:结合递归状态估计和高斯过程回归模型,利用所述状态数据集和控制数据集训练并优化转移模型和测量模型;(3)交叉口状态估计:采用扩展的卡尔曼滤波器来线性化转移模型和测量模型,再将上一时刻的交通状态、信号控制参数输入至转移模型得到预测状态及其协方差,然后将得到的预测状态及其协方差、当前时刻的测量值输入到测量模型,预测当前时刻状态的最优估计值。本发明不需要精确的交通模型,由数据驱动,适用范围广,估计准确率高。
Also published as
Latest bibliographic data on file with the International Bureau