第三届滴滴大赛赛后回顾

第三届滴滴大赛赛后回顾

第三届滴滴大赛赛后回顾

目录

  1. 解决思路
  2. 算法
  3. 问题

Github-DiTech

有道云笔记-第三届滴滴大赛赛后回顾
第三届滴滴大赛赛后回顾

解决思路

首先针对赛题介绍:

城市的拥堵愈演愈烈,逐渐成为社会发展的顽疾。交通信号灯作为城市交通管控的重要环节,对路网通行效率有着至关重要的意义。然而今天的绝大部分信号灯仍未有足够的智慧,不能很好的调节时空资源与交通需求相匹配,甚至对道路交通状态一无所知。以滴滴车辆为代表提供的移动出行数据为城市交通管控提供了一个新思路,大范围、高质量的车辆轨迹为城市交通管控提供了大量低成本、覆盖广的移动检测数据,必将赋能信号灯变得更有效率。

发挥轨迹数据优势
使用新方法和手段
估计交通流量大小
识别拥堵路段范围
理解路口协调机制
优化信号配时参数

这里发现几个问题:

  1. 轨迹数据 → 交通流量
  2. 拥堵路段范围

再根据给出数据的特点(所给数据经过清洗以及人为删减)将整个优化过程分成两部分:
分析数据 & 模拟优化

算法

模拟部分

  

总体思路是分解路口配时成为方向(North2West–>N2W等共计8个方向)配时;
首先模拟车辆的生成(在一定距离处生成,并经历稀释),进入交通路口影响范围后,每时间步长更新车辆状态(包括生成,位置,速度,加速度,是否离开等),每个方向的出口流都可视为下个交通路口入口生成流. image

生成: 以随机数方式考虑生成
加速度: 考虑跟驰模型与车辆特征
有效绿灯时间: 这里仅考虑有效绿灯时间以简化模型

数据结构

请参考Github上的Docs

问题

问题在于轨迹数据到真是车流量的映射:

  1. 所给出轨迹数据不随机(DiDi车辆是有共同特征,不能按照随机取样来做)
  2. 车道特征(这实际上不合理,真实优化中是可以获知真实道路状况的,例如车道数等)

问题1的解决思路:

  1. 基于跟驰模型和Shockwave等来分析两车间车辆密度
  2. 根据q-k关系拟合

问题2的解决思路

  1. 在交通路口前停车阶段,分析车长单元道路内车辆概率密度(例如约有2.5辆车,我们可以估计有3车道等)

发表评论

电子邮件地址不会被公开。 必填项已用*标注