港区无人驾驶车辆车道分段交通态势评估数据
收藏资源简介：
本数据面向智慧港区生产运营中的道路交通态势监测与协同调度场景，通过对无人驾驶车辆上报的定位、速度及车道信息进行分段聚合，形成各车道分段的代表速度、停车比例、拥堵指数、交通状态及可信度，为港区交通组织、通信基础设施建设、车辆调度和安全管理提供量化依据。首先，通过持续分析不同时间段的热点路段、低速路段及拥堵持续时间，可识别道路通行瓶颈和车辆集中区域，提高港区道路资源利用率。其次，本数据可作为无线网络需求侧分析依据，与现场信号强度等网络测量结果结合，辅助优化无线接入设备的布设位置、提升无人驾驶车辆通信的连续性和稳定性。再次，调度及路径规划系统可利用当前车道分段交通状态，在候选路径中降低拥堵路段权重，引导车辆绕开持续低速区域，减少无效行驶时间，提高运输任务周转效率和港区整体作业效率。最后，当某路段出现交通状态突变时，数据可向现场工作人员提供监控提示，支持其及时核查车辆故障、道路占用、作业冲突等情况并实施人工干预，降低交通阻塞和生产安全风险。该数据的应用有助于推动港口交通管理由经验判断向数据驱动转变，促进无人驾驶、智能调度和通信基础设施协同发展，提升港口行业数字化、智能化和绿色低碳运营水平。数据采集 采集的原始数据为无人驾驶车辆通过MQTT上报的定位、底盘和规划状态数据，程序从中分别提取车辆编号、消息时间、坐标、速度及当前车道号；程序按车辆编号汇集三个主题在汇集周期的最近有效值，形成标准化车辆观测数据。 数据检测 校验时间格式、坐标结构、速度是否在合理范围内；车道号是否完整以及车道是否存在于高精地图。不合格记录过滤并计数。 数据处理 起始时间为周期性观测窗口开始时间；截止时间为周期性观测窗口结束时间；周期性观测窗口为5分钟。车道号为车辆通过MQTT上报的当前所在车道号，经本地地图校验后原值输出。车道分段标识为计算值，表示当前车辆坐标位于当前所在车道的第几个分段。车道分段标识的计算首先需要在高精地图中将车道中心线按照0.2米的长度取样，并记录取样点的分段号，然后计算离当前车辆坐标最近的取样点，获得取样点对应的分段号作为车辆当前坐标的车道分段标识，输出格式为“lane_id:分段序号”。各车辆的状态上报频率可能不同，因此为了消除上报频率差异，先对同一车辆、同一秒、同一分段的速度取中位数，得到车辆秒级样本；“样本数”字段为窗口内该分段车辆秒级样本总数，“车辆数”为窗口内不同车辆编号的去重数量。分段速度的计算首先将样本车辆速度单位统一为千米每小时，然后对窗口内车辆秒级样本再次取中位数。停车比例的计算以0.5千米/小时为停车阈值，然后获得低于阈值的样本数和样本总量的比值。车道参考速度为高精地图中对应车道的限速。拥堵指数等于1减去速度可达比例然后乘以100，速度可达比例等于当前的分段速度除以车道参考速度。交通状态按照速度可达比例分级输出：大于等于0.8为通畅（FREE）；大于等于0.5且小于0.8为缓慢（SLOW）；大于等于0.3且小于0.5为拥堵（CONGESTED）；低于0.3为严重拥堵（SEVERE）。置信度为样本数和车辆数的加权平均，首先分别计算min(1，样本数/30)和min(1，车辆数/3)，按40%和60%加权后输出0至1的可信度，此计算方式的含义是样本数越多、车辆数越多，数据越可信。最终数据仅输出上述12个车道分段聚合字段，不输出车辆编号、原始坐标和MQTT报文，降低对单车身份及连续轨迹的反向识别风险。
