CN115100867B - 一种基于数字孪生的城市智能交通仿真方法 - Google Patents
一种基于数字孪生的城市智能交通仿真方法 Download PDFInfo
- Publication number
- CN115100867B CN115100867B CN202210892234.6A CN202210892234A CN115100867B CN 115100867 B CN115100867 B CN 115100867B CN 202210892234 A CN202210892234 A CN 202210892234A CN 115100867 B CN115100867 B CN 115100867B
- Authority
- CN
- China
- Prior art keywords
- matrix
- node
- traffic
- digital twin
- urban
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于数字孪生的城市智能交通仿真方法,涉及数字孪生技术领域。本发明方法包括:通过根据城市交通物理实体构建对应的数字孪生体三维模型;利用所述数字孪生体三维模型构建车辆密度矩阵、平均速度矩阵、平均时长矩阵;对城市相关区域交通进行分析,预警可能出现交通事故的区域;根据预警结果分析城市交通情况建立疏导路径;对所建立的疏导路径进行优化;将所述优化结果应用于城市交通物理实体。从而能够实现城市智能交通多专业设备的全域立体感知,有利于为城市智能交通的建设提供参考,以及为数字孪生技术在智能城市交通网络中提供预警交通事故的策略支持。
Description
技术领域
本发明涉及数字孪生领域,具体是一种基于数字孪生的城市智能交通仿真方法。
背景技术
数字孪生是充分利用物理模型、物联网、传感器更新、运行历史等数据,集成多学科、多物理量、多尺度、多概率的仿真过程,在虚拟空间中完成映射,从而反映相应的实体系统的过程。
而随着社会经济的不断发展,汽车已成为人们出行不可缺少的交通工具,但随着汽车的拥有量不断增加,城市交通拥堵现象日益严重,事故频发。交通事故发生后往往处理时间较长,特别是上下班时段,交通事故的出现给人们的出行带来了很大的影响。所以若能及时发现并预测事故发生高危路段,从而有效避免事故的发生一直是人们追求的目标。
因此出现了基于公开号为CN 113077625A的中国专利公开了“一种道路交通事故形态预测方法”,根据所述检测方法可通过语音播报装置对可能出现交通事故的车辆驾驶人员做出提醒,但实际操作起来所收集数据过多,且检测准确性不理想。
发明内容
为了解决上述问题存在的不足,本发明旨在通过数字孪生技术与城市智能交通相结合,实现对城市道路事故发生的预警以及对可能发生事故路段的及时处理。
本发明解决其技术问题所采用的技术方案是:一种基于数字孪生的城市智能交通仿真方法,具体包括如下步骤:
步骤1,构建城市交通物理实体对应的数字孪生体三维模型;
步骤2,利用数字孪生体三维模型构建车辆密度矩阵、平均速度矩阵、平均时长矩阵;
步骤3,将路网的车辆密度矩阵、平均速度矩阵、平均时长矩阵输入事故预测模型得到事故预警;
步骤4,根据城市交通事故预警情况建立疏导路径;
步骤5,对所建立的疏导路径进行优化,得到优化路径结果;
步骤6,将得到的优化路径结果应用于数字孪生体三维模型模拟疏导结果,验证无误后应用于城市交通物理实体。
进一步的,步骤1对城市交通物理实体的实际运行过程运用数字孪生体三维模型进行实时仿真模拟,数字孪生体三维模型中城市路网模型通过现有地图进行建模。
进一步的,步骤2具体包括以下步骤:
步骤2.1:在步骤1生成的数字孪生体三维模型中,根据交通路段按照关联交通信号进行逐段分解;
步骤2.2:根据数字孪生体三维模型中各路段的车辆某两个时间点的位置信息及车辆总数即可求得某一时间段内所述路段的车辆密度,平均通过时长以及平均速度;其中车辆位置信息根据路段起始摄像头获取;
步骤2.3:通过根据步骤2.2的方法计算城市交通路网中所有路段内的车辆密度,平均通过时长以及平均速度,并根据数字孪生体三维模型中各路段的时空关系构建三个邻接矩阵,包括车辆密度矩阵、平均速度矩阵和平均时长矩阵;其中车辆密度矩阵中的某一元素表示某一路段车辆的密度;平均速度矩阵中的某一元素表示某一路段车辆的平均速度;平均时长矩阵中的某一元素表示某一路段车辆的平均通过时长。
进一步的,步骤3包括:事故预测模型的核心层结构包括刷新层与记忆更新层,首先将步骤2.4所得的车辆密度矩阵、平均速度矩阵、平均时长矩阵作为网络模型的输入,分别通过一个矩阵块分割层,作用是将矩阵的高和宽缩减为原来的四分之一,深度变为原来的16倍,随后将所得结果分别输入网络的核心层结构;刷新层的作用是将网络中上一节点的输出与当前节点进行拼接,再接上一个tanh函数使拼接输出结果转换至[-1,1]内,刷新层表达公式如下:
其中O t 表示输出结果,τ表示tanh函数,ω o 表示刷新层的权重值,s t-1表示上一节点的输出,v t 表示当前节点的输出;
而记忆更新层除了权重值与刷新层不同外,其余表达相同;记忆更新层通过更新上一层节点的输出决定数据随机丢弃的程度,之后将处理结果与当前节点进行拼接,最后将记忆更新层的输出结果通过ReLU函数得到新的记忆内容,最终表达公式如下:
其中f t 为新的记忆内容,ω c 表示记忆更新层的权重值;
对于网络的更新记忆,表达公式如下:
其中F t 为更新记忆结果,(1-O t )*s t-1可使网络对数据进行部分丢弃,网络通过这两个核心层来对输入进行处理,并在学习过程中自适应更新两个核心层的权重信息;
在刷新层后都需连接一个记忆更新层,两者组成一个大的层结构;在经过三个此层结构后连接一个全连接层,最后网络输出当前时刻城市此区域交通事故分析数据。
进一步的,步骤4包括:根据步骤3所得城市区域交通事故分析结果得到数字孪生体三维模型中可能出现交通事故的城市区域,将这些城市区域作为首要区域,并根据各首要区域内首辆车辆终端发送的疏导数据和首要区域的事故分析数据随机构建多条疏导路径,具体为:通过宽度优先或广度优选的搜索算法,以大概率发生交通事故的区域作为起点,低风险区域作为终点,搜索构建多条疏导路径。
进一步的,步骤5具体包括以下步骤:
步骤5.1:将步骤4所得路径根据所在数字孪生体三维模型中的空间结构构成有向图,其中各路径的交点为节点,可能出现交通事故区域为源节点,各路段为边,并构成新的邻接矩阵,矩阵内的元素值为平均通过时长;
步骤5.2:根据步骤2.3所述方法获取各路段中的平均通过时长;
步骤5.3:将步骤5.1所得的所有节点划入集合A与集合B,A中包含所有已求出的到源节点最短路径所包含的节点与源节点,B则为剩余节点的集合;根据步骤5.1构建的邻接矩阵求得所有与源节点的相邻节点,将源节点与相邻节点之间的路段由步骤5.2所求的平均通过时长设立初始权值ω 1,而其余路段的初始权值为无穷大;根据设立的初始权值找到距源节点最小的节点ai,将集合B中的节点ai移动到集合A;
步骤5.4:根据步骤5.3所得节点ai,同理根据平均通过时长求出其前序节点到源节点的权值,将初始权值进行更新;
步骤5.5:计算路径权值,计算方法如下:
ω= ω x +ω y
其中,ω为路径权值,ω x 为路径中此节点的前序节点到源节点的权值,ω y 为路径中此节点与前序节点之间的权值;同理根据所有的路径权值,将路径权值最小的节点由集合B移动到集合A;重新执行步骤5.4,直至终点加入至集合A;由此得到耗时最短的疏导路径。
进一步的,平均速度矩阵中的平均速度具体计算公式如下;
根据上述公式计算某一时间段内某一路段的平均速度,其中,L c (section,new)为
车辆c在路段section上此时间段内的最后出现位置,L c (section,old)为某车辆c在驶入路
段section上的首次出现的位置,DISTANCE(L c (section,new)- L c (section,old))为计算某
车辆c在路段section上的某一时间段内行驶的距离,与为车
辆c在路段section上首次出现位置与最后一次出现位置的时间点,n为某一时间段内通过
路段section的车辆总数,S i 为某一时间段内路段section的平均速度。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
本发明提供的一种基于数字孪生的城市智能交通仿真方法,将数字孪生技术与城市智能交通相结合,实现对城市道路交通事故状况的预警以及提供解决方案。相较于直接获取文本类疏导结果,将疏导结果在数字孪生体三维模型中进行模拟,可使交管人员更直观对疏导结果进行查看,并在应用于城市道路交通实体之前预览方案的可行性。
附图说明
图1是本发明实施例提供的一种基于数字孪生的城市智能交通仿真方法流程示意图;
图2是本发明实施例提供的一种交通事故预测模型示意图。
图3是本发明实施例提供的有向图的示意图。
具体实施方式
本发明提出了一种基于数字孪生的城市智能交通仿真方法,如图1所示,包括:
步骤1,构建城市交通物理实体对应的数字孪生体三维模型;
步骤2,利用数字孪生体三维模型构建车辆密度矩阵、平均速度矩阵、平均时长矩阵;
步骤3,将路网的车辆密度矩阵、平均速度矩阵、平均时长矩阵输入事故预测模型得到事故预警;
步骤4,根据城市交通事故预警情况建立疏导路径;
步骤5,对所建立的疏导路径进行优化;
步骤6,将得到的优化路径结果应用于数字孪生体三维模型模拟疏导结果,验证无误后应用于城市交通物理实体。
其中,所述的构建城市交通物理实体对应的数字孪生体三维模型包括:对城市交通物理实体的实际运行过程运用数字孪生体三维模型进行实时仿真模拟,数字孪生体三维模型中城市路网模型通过现有地图进行建模;
其中,所述的利用数字孪生体三维模型构建车辆密度矩阵、平均速度矩阵、平均时长矩阵,改进的方法包括:首先在生成的数字孪生体三维模型中,交通路段按照关联交通信号进行逐段分解;根据数字孪生体三维模型中各路段的车辆某两个时间点的位置信息及车辆总数即可求得某一时间段内所述路段的平均速度,其中车辆位置信息根据路段起始摄像头获取;平均速度具体包括:
根据上述公式计算某一时间段内某一路段的平均速度,其中,L c (section,new)为
车辆c在路段section上此时间段内的最后出现位置,L c (section,old)为某车辆c在驶入路
段section上的首次出现的位置,DISTANCE(L c (section,new)- L c (section,old))为计算某
车辆c在路段section上的某一时间段内行驶的距离,与为车辆c
在路段section上首次出现位置与最后一次出现位置的时间点,n为某一时间段内通过路段
section的车辆总数,S i 为某一时间段内路段section的平均速度。根据上述方法计算城市
交通路网中所有路段内的平均车速同理根据路段起始摄像头获取的车辆信息求得各路段
的车辆密度以及平均通过时长;并根据数字孪生体三维模型中各路段的时空关系构建三个
邻接矩阵,其中车辆密度矩阵中的某一元素表示某一路段车辆的密度;平均速度矩阵中的
某一元素表示某一路段车辆的平均速度;平均时长矩阵中的某一元素表示某一路段车辆的
平均通过时长;
其中,将路网的车辆密度矩阵、平均速度矩阵、平均时长矩阵输入事故预测模型得到事故预警,改进的方法包括:首先交通事故预测模型包括:网络的核心层结构包括刷新层与记忆更新层;首先将所得的车辆密度矩阵、平均速度矩阵、平均时长矩阵为网络模型的输入,通过一个图像块分割层,作用是将矩阵的高和宽缩减为原来的四分之一,深度变为原来的16倍,随后将所得结果输入网络的核心层结构;刷新层的作用是将网络中上一节点的输出与当前节点进行拼接,再接上一个tanh函数使拼接输出结果转换至[-1,1]内,刷新层表达公式如下:
其中O t 表示输出结果,τ表示tanh函数,ω o 表示刷新层的权重值,s t-1表示上一节点的输出,v t 表示当前节点的输出;
而记忆更新层除了权重值与刷新层不同外,其余表达相同;记忆更新层通过更新上一层节点的输出决定数据随机丢弃的程度,之后将处理结果与当前节点进行拼接,最后将记忆更新层的输出结果通过ReLU函数得到新的记忆内容,最终表达公式如下:
其中f t 为新的记忆内容,ω c 表示记忆更新层的权重值;
对于网络的更新记忆,表达公式如下:
其中F t 为更新记忆结果,(1-O t )*s t-1可使网络对数据进行部分丢弃,网络通过这两个核心层来对输入进行处理,并在学习过程中自适应更新两个核心层的权重信息;
在刷新层后都需连接一个记忆更新层,两者组成一个大的层结构;在经过三个此层结构后连接一个全连接层,最后网络输出当前时刻城市此区域交通事故分析数据。
其中,根据城市交通拥堵情况建立疏导路径,改进的方法包括:根据所得城市区域交通事故分析结果得到数字孪生体三维模型中可能出现交通事故的城市区域,将这些城市区域作为首要区域,并根据各首要区域内首辆车辆终端发送的疏导数据和首要城市区域的拥堵分析数据随机构建多条疏导路径。
其中,对所建立的疏导路径进行优化,改进的方法包括:首先将所得多条疏导路径根据所在数字孪生体三维模型中的空间结构构成有向图,其中各路径的交点为节点,拥堵区域为源节点,各路段为边,并构成新的邻接矩阵,有向图如图3所示,构成的有向图中节点是各路径的交点(路口),边为每条路径的平均通过时长,其对应的邻接矩阵的某一元素为某一路径的平均通过时长,图中v1路口无法一次到达v6路口,则v1到v6的路段初始权值为无穷大,即邻接矩阵中的第一行第六列的元素。
之后根据路段起始摄像头获取的车辆信息求得各路段的平均通过时长。
将所得的所有结点划入集合A与集合B,A中包含所有已求出的到源节点最短路径所包含的节点与源节点,B则为剩余节点的集合;根据构建的邻接矩阵求得所有与源节点相邻节点,将源节点与相邻节点之间的路段由所求的平均通过时长设立初始权值ω 1,而其余路段的初始权值为无穷大;根据设立的初始权值找到据源节点最小的节点ai,将集合B中的节点ai移动到集合A,以图3为例,邻接矩阵中源节点假设是v1,则找第一行中值最小的元素,也就是第一行第二列的5,则将v2移动到集合A;
优选的,同理根据平均通过时长求出节点ai前序节点到源节点的权值,将初始权值进行更新,假设源节点是v1,现在找到的路径为v1到v2到v3,则v2为v3的前序节点;
优选的,计算路径权值,计算方法如下:
ω= ω x +ω y
其中,ω为路径权值,ω x 为路径中此节点的前序节点到源节点的权值,ω y 为路径中此节点与前序节点之间的权值(假设源节点是v1,现在找到的路径为v1到v2到v3,则v1到v2的平均通过时间5, v2到v3的平均通过时间4)。同理根据所有的路径权值,将路径权值最小的节点由集合B移动到集合A;重新执行上述更新初始权值步骤,直至终点加入至集合A;由此得到耗时最短的疏导路径;最后将得到的优化结果应用于数字孪生体三维模型模拟疏导结果,验证无误后应用于城市交通物理实体。
根据上述方法找到所有以大概率发生交通事故的区域作为起点,低风险区域作为终点的路径,将其保存后发送至仿真软件,软件更新数字孪生体三维模型模拟疏导结果,提供给相关部门一个直观的疏导路径结果,以便应用于城市交通物理实体。假设本发明最终的优化路径结果为1,4,6,表示从节点1到4到6,通过数据整理将这个文本信息保存并发送至仿真软件,应用于数字孪生体三维模型模拟疏导结果,验证无误后应用于城市交通物理实体。本发明将数字孪生与智能交通相结合,整理后的结果可在数字孪生体三维模型中显示疏导结果,应用在数字孪生体与直接查看疏导结果的区别是能够直观在一个界面里查看疏导结果,方便管理人员进行查看与调控。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (3)
1.一种基于数字孪生的城市智能交通仿真方法,其特征在于,包括如下步骤:
步骤1,构建城市交通物理实体对应的数字孪生体三维模型;
步骤2,利用数字孪生体三维模型构建车辆密度矩阵、平均速度矩阵、平均时长矩阵;
所述步骤2具体包括以下步骤:
步骤2.1:在步骤1生成的数字孪生体三维模型中,根据交通路段按照关联交通信号进行逐段分解;
步骤2.2:根据数字孪生体三维模型中各路段的车辆某两个时间点的位置信息及车辆总数即可求得某一时间段内所述路段的车辆密度,平均通过时长以及平均速度;其中车辆位置信息根据路段起始摄像头获取;
步骤2.3:通过根据步骤2.2的方法计算城市交通路网中所有路段内的车辆密度,平均通过时长以及平均速度,并根据数字孪生体三维模型中各路段的时空关系构建三个邻接矩阵,包括车辆密度矩阵、平均速度矩阵和平均时长矩阵;其中车辆密度矩阵中的某一元素表示某一路段车辆的密度;平均速度矩阵中的某一元素表示某一路段车辆的平均速度;平均时长矩阵中的某一元素表示某一路段车辆的平均通过时长;
步骤3,将路网的车辆密度矩阵、平均速度矩阵、平均时长矩阵输入事故预测模型得到事故预警;
所述步骤3具体包括;
事故预测模型的核心层结构包括刷新层与记忆更新层,首先将步骤2.3所得的车辆密度矩阵、平均速度矩阵、平均时长矩阵作为网络模型的输入,分别通过一个矩阵块分割层,作用是将矩阵的高和宽缩减为原来的四分之一,深度变为原来的16倍,随后将所得结果分别输入网络的核心层结构;刷新层的作用是将网络中上一节点的输出与当前节点进行拼接,再接上一个tanh函数使拼接输出结果转换至[-1,1]内,刷新层表达公式如下:
其中O t 表示输出结果,τ表示tanh函数,ω o 表示刷新层的权重值,s t-1表示上一节点的输出,v t 表示当前节点的输出;
而记忆更新层除了权重值与刷新层不同外,其余表达相同;记忆更新层通过更新上一层节点的输出决定数据随机丢弃的程度,之后将处理结果与当前节点进行拼接,最后将记忆更新层的输出结果通过ReLU函数得到新的记忆内容,最终表达公式如下:
其中f t 为新的记忆内容,ω c 表示记忆更新层的权重值;
对于网络的更新记忆,表达公式如下:
其中F t 为更新记忆结果,(1-O t )*s t-1可使网络对数据进行部分丢弃,网络通过这两个核心层来对输入进行处理,并在学习过程中自适应更新两个核心层的权重信息;
在刷新层后都需连接一个记忆更新层,两者组成一个大的层结构;在经过三个此层结构后连接一个全连接层,最后网络输出当前时刻城市此区域交通事故分析数据;
步骤4,根据城市交通事故预警情况建立疏导路径;所述步骤4具体包括;
根据步骤3所得城市区域交通事故分析结果得到数字孪生体三维模型中可能出现交通事故的城市区域,将这些城市区域作为首要区域,并根据各首要区域内首辆车辆终端发送的疏导数据和首要区域的事故分析数据随机构建多条疏导路径,具体为:通过宽度优先或广度优选的搜索算法,以大概率发生交通事故的区域作为起点,低风险区域作为终点,搜索构建多条疏导路径;
步骤5,对所建立的疏导路径进行优化,得到优化路径结果;所述步骤5具体包括以下步骤;
步骤5.1:将步骤4所得路径根据所在数字孪生体三维模型中的空间结构构成有向图,其中各路径的交点为节点,可能出现交通事故区域为源节点,各路段为边,并构成新的邻接矩阵,矩阵内的元素值为平均通过时长;
步骤5.2:根据步骤2.3所述方法获取各路段中的平均通过时长;
步骤5.3:将步骤5.1所得的所有节点划入集合A与集合B,A中包含所有已求出的到源节点最短路径所包含的节点与源节点,B则为剩余节点的集合;根据步骤5.1构建的邻接矩阵求得所有与源节点的相邻节点,将源节点与相邻节点之间的路段由步骤5.2所求的平均通过时长设立初始权值ω 1,而其余路段的初始权值为无穷大;根据设立的初始权值找到距源节点最小的节点ai,将集合B中的节点ai移动到集合A;
步骤5.4:根据步骤5.3所得节点ai,同理根据平均通过时长求出其前序节点到源节点的权值,将初始权值进行更新;
步骤5.5:计算路径权值,计算方法如下:
ω= ω x +ω y
其中,ω为路径权值,ω x 为路径中此节点的前序节点到源节点的权值,ω y 为路径中此节点与前序节点之间的权值;同理根据所有的路径权值,将路径权值最小的节点由集合B移动到集合A;重新执行步骤5.4,直至终点加入至集合A;由此得到耗时最短的疏导路径;
步骤6,将得到的优化路径结果应用于数字孪生体三维模型模拟疏导结果,验证无误后应用于城市交通物理实体。
2.根据权利要求1所述的基于数字孪生的城市智能交通仿真方法,其特征在于:所述步骤1对城市交通物理实体的实际运行过程运用数字孪生体三维模型进行实时仿真模拟,数字孪生体三维模型中城市路网模型通过现有地图进行建模。
3.根据权利要求1所述的基于数字孪生的城市智能交通仿真方法,其特征在于:平均速度矩阵中的平均速度具体计算公式如下;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210892234.6A CN115100867B (zh) | 2022-07-27 | 2022-07-27 | 一种基于数字孪生的城市智能交通仿真方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210892234.6A CN115100867B (zh) | 2022-07-27 | 2022-07-27 | 一种基于数字孪生的城市智能交通仿真方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115100867A CN115100867A (zh) | 2022-09-23 |
CN115100867B true CN115100867B (zh) | 2022-11-29 |
Family
ID=83298173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210892234.6A Active CN115100867B (zh) | 2022-07-27 | 2022-07-27 | 一种基于数字孪生的城市智能交通仿真方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115100867B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116758740B (zh) * | 2023-06-14 | 2024-03-22 | 广西大学 | 一种基于数字孪生和信息树的智慧交通高效模拟方法 |
CN117574691B (zh) * | 2024-01-17 | 2024-05-14 | 湘江实验室 | 虚拟实体数据系统构建方法及相关设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102176283A (zh) * | 2011-01-07 | 2011-09-07 | 重庆大学 | 一种简化交通路网模型及基于此模型的导航方法 |
JP2014035639A (ja) * | 2012-08-08 | 2014-02-24 | Toshiba Corp | 交通事故発生予報装置、方法およびプログラム |
CN110264711A (zh) * | 2019-05-29 | 2019-09-20 | 北京世纪高通科技有限公司 | 一种交通事故概率的确定方法及装置 |
CN110942629A (zh) * | 2019-11-29 | 2020-03-31 | 中核第四研究设计工程有限公司 | 道路交通事故管理方法、装置及终端设备 |
CN111798662A (zh) * | 2020-07-31 | 2020-10-20 | 公安部交通管理科学研究所 | 一种基于时空网格化数据的城市交通事故预警方法 |
CN113408189A (zh) * | 2021-05-27 | 2021-09-17 | 华南理工大学 | 基于可变元胞的城市多点循环式紧急疏散与仿真推演方法 |
WO2021203972A1 (zh) * | 2020-11-19 | 2021-10-14 | 平安科技(深圳)有限公司 | 基于碰撞模型的风险预防方法、装置、设备及存储介质 |
CN114639243A (zh) * | 2022-03-31 | 2022-06-17 | 四川九洲视讯科技有限责任公司 | 智能交通预测与决策方法、系统及可读存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4783414B2 (ja) * | 2008-09-12 | 2011-09-28 | 株式会社東芝 | 交通状況予測システム |
US10853720B1 (en) * | 2017-04-26 | 2020-12-01 | EMC IP Holding Company LLC | Traffic condition forecasting using matrix compression and deep neural networks |
US11468215B2 (en) * | 2018-06-13 | 2022-10-11 | Toyota Jidosha Kabushiki Kaisha | Digital twin for vehicle risk evaluation |
CN111859291B (zh) * | 2020-06-23 | 2022-02-25 | 北京百度网讯科技有限公司 | 交通事故识别方法、装置、设备和计算机存储介质 |
CN112991719B (zh) * | 2021-01-28 | 2022-05-24 | 北京奥泽尔科技发展有限公司 | 一种基于拥堵画像的交通拥堵预测方法及系统 |
CN113268916A (zh) * | 2021-04-07 | 2021-08-17 | 浙江工业大学 | 一种基于时空图卷积网络的交通事故预测方法 |
-
2022
- 2022-07-27 CN CN202210892234.6A patent/CN115100867B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102176283A (zh) * | 2011-01-07 | 2011-09-07 | 重庆大学 | 一种简化交通路网模型及基于此模型的导航方法 |
JP2014035639A (ja) * | 2012-08-08 | 2014-02-24 | Toshiba Corp | 交通事故発生予報装置、方法およびプログラム |
CN110264711A (zh) * | 2019-05-29 | 2019-09-20 | 北京世纪高通科技有限公司 | 一种交通事故概率的确定方法及装置 |
CN110942629A (zh) * | 2019-11-29 | 2020-03-31 | 中核第四研究设计工程有限公司 | 道路交通事故管理方法、装置及终端设备 |
CN111798662A (zh) * | 2020-07-31 | 2020-10-20 | 公安部交通管理科学研究所 | 一种基于时空网格化数据的城市交通事故预警方法 |
WO2021203972A1 (zh) * | 2020-11-19 | 2021-10-14 | 平安科技(深圳)有限公司 | 基于碰撞模型的风险预防方法、装置、设备及存储介质 |
CN113408189A (zh) * | 2021-05-27 | 2021-09-17 | 华南理工大学 | 基于可变元胞的城市多点循环式紧急疏散与仿真推演方法 |
CN114639243A (zh) * | 2022-03-31 | 2022-06-17 | 四川九洲视讯科技有限责任公司 | 智能交通预测与决策方法、系统及可读存储介质 |
Non-Patent Citations (1)
Title |
---|
基于深度学习的突发事件识别研究;尹浩然;《硕士电子期刊》;20211215(第12期);正文第25-37页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115100867A (zh) | 2022-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115100867B (zh) | 一种基于数字孪生的城市智能交通仿真方法 | |
CN110415516B (zh) | 基于图卷积神经网络的城市交通流预测方法及介质 | |
CN112216108B (zh) | 一种基于属性增强的时空图卷积模型的交通预测方法 | |
CN112099496B (zh) | 一种自动驾驶训练方法、装置、设备及介质 | |
CN108335483B (zh) | 交通拥堵扩散路径的推断方法及其系统 | |
CN111554105B (zh) | 一种复杂交通路口的智能流量识别与统计方法 | |
JP2022003508A (ja) | 軌道計画モデルの訓練方法と装置、電子機器、コンピュータ記憶媒体及びコンピュータプログラム | |
CN112633602B (zh) | 一种基于gis地图信息的交通拥堵指数预测方法及装置 | |
CN114360239A (zh) | 一种多层时空交通知识图谱重建的交通预测方法及系统 | |
CN110689181A (zh) | 基于协同张量分解的旅行时间判断方法 | |
CN107977914B (zh) | 一种城市交通管理与控制策略可视量化测试方法 | |
CN111899283B (zh) | 一种视频目标跟踪方法 | |
US11047697B2 (en) | User familiarization with a novel route for reducing cognitive load associated with navigation | |
CN116612633A (zh) | 一种基于车路协同感知下的自适应动态路径规划方法 | |
CN114724414B (zh) | 城市空中交通分担率的确定方法、装置、电子设备及介质 | |
US20230137263A1 (en) | Method and apparatus for generating structured trajectories from geospatial observations | |
CN115981302A (zh) | 车辆跟驰换道行为决策方法、装置及电子设备 | |
CN115775366A (zh) | 道路目标检测方法、检测装置、电子设备及存储介质 | |
CN114267191A (zh) | 缓解交通拥堵驾驶员控制系统、方法、介质、设备及应用 | |
CN111489552A (zh) | 一种车头时距预测方法、装置、设备及存储介质 | |
CN115081186B (zh) | 一种支持数据驱动的驾驶行为仿真系统及其仿真方法 | |
US20200072633A1 (en) | User familiarization with a novel route for reducing cognitive load associated with navigation | |
Zeb et al. | HetroTraffSim: A Novel Traffic Simulation Software for Heterogeneous Traffic Flow | |
US20230135578A1 (en) | Method and apparatus for generating structured trajectories from geospatial observations | |
US20230132499A1 (en) | Method and apparatus for generating structured trajectories from geospatial observations |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |