CN102436598A - 一种基于交通图像信息的车辆最优路径挖掘方法 - Google Patents

一种基于交通图像信息的车辆最优路径挖掘方法 Download PDF

Info

Publication number
CN102436598A
CN102436598A CN2011102656810A CN201110265681A CN102436598A CN 102436598 A CN102436598 A CN 102436598A CN 2011102656810 A CN2011102656810 A CN 2011102656810A CN 201110265681 A CN201110265681 A CN 201110265681A CN 102436598 A CN102436598 A CN 102436598A
Authority
CN
China
Prior art keywords
information
camera
node
traffic
layer
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.)
Granted
Application number
CN2011102656810A
Other languages
English (en)
Other versions
CN102436598B (zh
Inventor
崔志明
张广铭
吴健
杨元峰
和天旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201110265681.0A priority Critical patent/CN102436598B/zh
Publication of CN102436598A publication Critical patent/CN102436598A/zh
Application granted granted Critical
Publication of CN102436598B publication Critical patent/CN102436598B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于交通图像信息的车辆最优路径挖掘方法，包括下列步骤：（1）标定摄像头，记录地理位置信息；（2）根据道路可达性测量相邻摄像头之间的路程距离（3）构建摄像头分布网络图；（4）对每一子结点设置3个堆栈，分别存放固定信息、历史信息、实时信息；（5）根据3种堆栈的所有信息构建神经网络的输入层，确定输出层；（6）对神经网络的隐含层构建深层学习框架，进行3层逐层（layerbylayer）学习，输出路径序列；（7）将输出的结果连成线即为一个有向图中的最优路径；（8）将此最优路径通过各结点路程相加，可得最优路径总长度，根据交通流量，可以估算出出发地至目的地的时间；步骤（9）：生成一张交通引导图。本发明能根据采集点的固定信息、历史采集信息和实时采集信息。使用深层神经网络计算，生成最优路径，为智能交通系统提供了一种新的可靠的最优路径挖掘方法。

Description

一种基于交通图像信息的车辆最优路径挖掘方法
技术领域
本发明涉及交通图像处理技术中的智能路径挖掘领域，具体涉及一种交通图像信息挖掘整合利用方法。 
背景技术
现有技术中，随着社会经济快速发展，交通在人类经济、社会活动中的地位日益显著。交通管理的层次、质量更是与人们生活密切相关，提高交通管理水平的重要措施就是采用智能交通系统，即ITS。基于交通图像的车辆检测、跟踪和分类技术的发展为ITS中动态交通信息的采集与分析提供了一条很好的途径，这些技术可以广泛地应用于车辆收费、道路监控、大型停车场以及提高公路利用效率等领域。 
以图像理解为基础的智能交通系统随着计算机视觉和模式识别技术的不断发展，进入实际应用阶段。基于图像理解的车辆检测、跟踪及分类技术的研究与发展为交通信息的采集与分析提供了一条良好途径，这些技术伴随数据挖掘的技术，可以为交管部门提供决策支持，亦可为驾驶人员提供最优路径选择。这是目前智能交通系统研究的热点。 
传统的交通图像主要用于牌照识别，违章检测（闯红灯，违规转弯，逆行等），且都针对同一场景的图片进行处理，许多有用信息没有得到充分利用。例如摄像头自身所处的位置信息；图片拍摄的精确时间；多个摄像头之间的距离信息，这些信息的提取都没有被用于计算挖掘出新的信息，而是作为历史信息存于数据库内，在一定的时间内被更新掉了。 
深层学习（Deep Learning）作为一种新的机器学习理论框架于2010年被提出，参见http://deeplearning.net。 
神经网络具有以下性质和能力：（一）非线性。一个由非线性神经元互连而成的神经网络自身是非线性的，这种非线性是针对网络结点的特殊性质。（二）输入输出映射。通过训练样本对神经网络的突触权值进行调整，每个样本由唯一的输入信号和相应的期望响应组成。（三）适应性。神经网络具有调整自身突触权值来适应外界变化的能力，当其处于时变环境中，突触权值可设计成随时间变化。 
2009年，Learning Deep Architectures for AI理论由加拿大科学家Yoshua Bengio先生提出，该理论对通过构建深层结构（Deep Architectures）和逐层（layer by layer）学习为解决人工智能中复杂数据优化的问题提供了有效途径。 
[文献出处：Yoshua Bengio, Learning Deep Architectures for AI [J], Foundations and Trends in Machine LearningVol. 2, No. 1 (2009)pp. 1–127.] 
然而，将交通图像信息与神经网络，尤其是深层学习结合，进行车辆最优路径的挖掘的构思，未见报道。
发明内容
本发明的发明目的是提供一种基于交通图像信息的车辆最优路径挖掘方法，用以为复杂交通环境下车辆最优路径的选择与决策支持，具有良好的鲁棒性。 
为达到上述发明目的，发明人首先针对交通路网的摄像头布局特性进行了研究，发现交通图像的采集设备固定，而且采集设备之间的路程距离可以测量，不同的采集设备相对于不同的地理位置构成了一张交通网络。采用图论的原理可构建一个有向图，得到最优路径为特定人员提供服务。其次，由于各摄像头（结点）的计算所要考虑的因素较多，且各因素在不同层次的权重不一样，不能使用单一权值进行全局处理。 
基于上述特定特点，本发明考虑采用将深层神经网络与图论理论相结合进行深度优化计算。首先各结点的信息按时间维度分类保存，如结点地理位置，交通图片信息采集时间，各结点之间的实际路程距离，结点区域车流量等。其次构建深层神经网络计算输入层、输出层信息，然后，设置隐含层进行逐层计算，再将输出结果使用图论原理得出最优路径。该路径可用于交管指挥、特种车辆行驶，及用户行驶决策支持。 
由此，本发明采用的技术方案是：一种基于交通图像信息的车辆最优路径挖掘方法，在待挖掘车辆最优路径的交通路网中布置有摄像头，挖掘方法包括下列步骤： 
(1) 针对交通路网的摄像头布局特性进行采集，对各摄像头进行名称标定，并记录各摄像头对应地理位置信息；各摄像头的名称可以采用如C1、C2、C3……进行标定，对应地理位置信息表达如某某路No.005位置；
(2) 根据道路可达性测量相邻摄像头之间的路程距离；
(3) 构建摄像头分布的带权网络图，每个摄像头对应一个结点，权值是相邻摄像头之间的路程距离；
(4) 对每一个结点设置3个堆栈，一个存放固定信息，一个存放历史采集信息，一个存放实时采集信息；
(5) 根据3种堆栈的所有信息构建神经网络的输入层，确定输出层；
(6) 对神经网络的隐含层构建深层学习框架，进行3层逐层（layer by layer）学习，输出路径序列；
(7) 输入需要挖掘车辆最优路径的出发点摄像头名称和目的地摄像头名称，利用步骤(4)到(6)构建的神经网络进行处理，将输出的结果连成线即为一个有向图中的最优路径；
(8) 将有向图中的最优路径与交通图结合，获得所需的车辆最优路径。
上文中，根据有向图中的最优路径，将此最优路径通过各结点路程相加，可得最优路径总长度；根据交通流量，可以估算出出发地至目的地的时间；将此最优路径各结点与交通图结合，串联成线就可生成一张交通引导图。在进行深层神经网络体系计算时步骤（4）、（5）、（6）有循环的成分。 
上述技术方案中，所述步骤(4)中，存放固定信息的堆栈 
Figure RE-DEST_PATH_IMAGE002
中包括的数据为，
Figure 2011102656810100002DEST_PATH_IMAGE004
表示出发点和目的地的一对摄像头名称，
Figure 2011102656810100002DEST_PATH_IMAGE006
表示结点地理位置，表示与本结点相邻节点之间的实际路程距离； 
存放历史采集信息的堆栈
Figure 2011102656810100002DEST_PATH_IMAGE010
中包括的数据为，
Figure 308285DEST_PATH_IMAGE004
表示出发点和目的地的一对摄像头名称，
Figure 2011102656810100002DEST_PATH_IMAGE012
为交通图片信息采集时间段，
Figure 2011102656810100002DEST_PATH_IMAGE014
表示在固定时间段内同一车辆通过相邻节点之间所花费的时间，表示在固定时间段内本结点所示区域车流量，
Figure 2011102656810100002DEST_PATH_IMAGE018
表示在固定时间段内相邻结点所示区域车流量；
存放实时采集信息的堆栈
Figure 2011102656810100002DEST_PATH_IMAGE020
中包括的数据为，表示出发点和目的地的一对摄像头名称，
Figure 2011102656810100002DEST_PATH_IMAGE022
为交通图片信息实时采集时间点，
Figure 2011102656810100002DEST_PATH_IMAGE024
为本结点所示区域车量拥堵状况。
神经网络的输入层为
Figure 331395DEST_PATH_IMAGE004
、、
Figure 2011102656810100002DEST_PATH_IMAGE026
、
Figure 852561DEST_PATH_IMAGE012
、
Figure 2011102656810100002DEST_PATH_IMAGE028
、
Figure 737341DEST_PATH_IMAGE016
、
Figure 817423DEST_PATH_IMAGE018
、
Figure 78640DEST_PATH_IMAGE022
、
Figure 62033DEST_PATH_IMAGE024
；输出层
Figure 2011102656810100002DEST_PATH_IMAGE030
为行驶时间最短路径、
Figure 2011102656810100002DEST_PATH_IMAGE032
为行驶距离最短路径、为道路通畅度最高路径。 
由于上述技术方案的运用，本发明与现有技术相比具有下列优点： 
1．本发明最优路径的选择是根据城市交通图像采集系统完成的，不依赖现有的GPS(卫星定位系统)，即不必付费更新，是基于现有系统上的功能扩充，不必增加投入。
2．本发明使用采集点的固定信息、历史采集信息和实时采集信息这三类信息，与现有旅游交通引导系统只针对某一阶段历史采集信息相比更具实用价值。因为交通道路上堵车，事故发生是只对历史采集信息分析得不出的。只有通过实时信息的判断才能得出道路的车流量是否正常，进而选择实际可行路线。 
3. 本发明在处理固定信息、历史采集信息和实时采集信息这三类信息时采用深层神经网络计算，能更好的反映这三类信息权重在系统中的作用。 
4．实验证明，一种基于交通图像信息的车辆最优路径挖掘方法是可行的，通过最优路径生成方法比较，验证了该方法性能优于其他方法。具有较高的实用价值，为交通图像挖掘处理在智能交通系统的构建中起到良好的推动作用。 
5．将本发明应用于智能交通系统最优路径挖掘中，算法的时间复杂度低，具有良好的鲁棒性。 
附图说明
图1是实施例一中基于交通图像信息的车辆最优路径挖掘方法总体流程图； 
图2是实施例一中获得的上三角形矩阵；
图3是实施例一中的带权路径网络图；
图4是实施例一中的神经网络结构示意图；
图5是实施例一中3层逐层学习结构示意图；
图6是实施例一中获得的有向图中的最优路径。
具体实施方式
为了更好地理解本发明的技术方案，下面结合附图及实施例对本发明作进一步描述： 
实施例一：图1为基于交通图像信息的车辆最优路径挖掘方法总体流程图，数据文件（图片文件）是200万像素的交通序列图片：
步骤（1）：针对交通路网的摄像头布局特性进行采集，首先对摄像头进行标定如C1、C2、C3……，并且记录其对应地理位置信息（如某某路No.005位置）。读入图片，图片大小重新设置为1616像素（长）×1232像素（宽）。
步骤（2）：根据道路实际可达性测量不同摄像头之间的路程距离并生成一张表。如表1所示： 
表1.相邻摄像机结点路程距离
  C1 C2 C3 C4 C5 C6 C7 C8 C9 C10
C1 0 0.32 ∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞
C2   0 0.45 0.25 ∞ ∞ ∞ ∞ ∞ ∞
C3     0 ∞ 0.30 ∞ ∞ ∞ ∞ ∞
C4       0 0.40 ∞ ∞ ∞ ∞ ∞
C5         0 0.56 ∞ ∞ ∞ ∞
C6           0 0.21 0.33 0.48 ∞
C7             0 ∞ ∞ 0.75
C8               0 ∞ 0.68
C9                 0 0.92
C10                   0
其中C1、C2、C3…为标定的摄像机，∞代表不直接相邻（中间还有其他结点），其余数值单位为公里。可得一个上三角矩阵，如图2所示。
步骤（3）：构建摄像头分布网络图。 
通过以上邻接矩阵，可得到一个带权路径网络图，权值为两个结点间的实际距离，单位是公里。如图3所示。 
步骤（4）：对图3中的每一子结点设置3个堆栈，一个存放固定信息，一个存放历史采集信息，一个存放实时采集信息； 
步骤（5）：根据3种堆栈的所有信息构建神经网络的输入层，确定输出层；
本发明设置的神经网络与三层BP神经网络类似，都包含输入层、隐含层和输出层，但是不同的是本发明的神经网络隐含层不是单一的一层，而是由3个不同层次递进构成，这三个层次之间的关系又是逐层计算的，并不是简单叠加。神经网络结构如图4所示。
本发明设定存放固定信息的堆栈
Figure 993080DEST_PATH_IMAGE002
，
Figure 747410DEST_PATH_IMAGE004
表示一对摄像机（结点）编号（出发点和目的地2个编号如C1、C10），表示结点地理位置，
Figure 381708DEST_PATH_IMAGE008
表示与本结点相邻节点之间的实际路程距离。 
对于一个历史采集信息的堆栈
Figure 624602DEST_PATH_IMAGE010
，
Figure 866227DEST_PATH_IMAGE004
表示一对摄像机（结点）编号，交通图片信息采集时间段（通常是过去一周内每半小时为一阶段划分），
Figure 161653DEST_PATH_IMAGE014
表示在固定时间段内同一车辆通过相邻节点之间所花费的时间，
Figure 496819DEST_PATH_IMAGE016
表示在固定时间段内本结点所示区域车流量。
Figure 288058DEST_PATH_IMAGE018
表示在固定时间段内相邻结点所示区域车流量。 
对于一个实时采集信息的堆栈
Figure 366872DEST_PATH_IMAGE020
，
Figure 677899DEST_PATH_IMAGE004
一对摄像机（结点）编号，
Figure 511863DEST_PATH_IMAGE022
交通图片信息实时采集时间点，
Figure 462501DEST_PATH_IMAGE024
本结点所示区域车量拥堵状况。 
输入层，分别为（
Figure 656591DEST_PATH_IMAGE004
、
Figure 9075DEST_PATH_IMAGE006
、
Figure 13940DEST_PATH_IMAGE026
、
Figure 451875DEST_PATH_IMAGE012
、、
Figure 158111DEST_PATH_IMAGE016
、
Figure 333877DEST_PATH_IMAGE018
、
Figure 259108DEST_PATH_IMAGE022
、
Figure 797930DEST_PATH_IMAGE024
）。输出层代表行驶时间最短路径、
Figure 206094DEST_PATH_IMAGE032
行驶距离最短路径、
Figure 431670DEST_PATH_IMAGE034
为道路通畅度最高路径（适合旅游观光车辆）。 
步骤（6）：对神经网络的隐含层构建深层学习框架，进行3层逐层（layer by layer）学习，输出路径序列； 
如图5所示，在H1层，从 
Figure DEST_PATH_DEST_PATH_IMAGE001
一对摄像机（结点）编号中取出发点编号如C1。
Figure DEST_PATH_DEST_PATH_IMAGE002
交通图片信息实时采集时间点，
Figure DEST_PATH_DEST_PATH_IMAGE003
本结点所示区域车量拥堵状况。得到其相邻的点。例如，
Figure DEST_PATH_558438DEST_PATH_IMAGE003
表示车辆拥堵停滞（此路不通），则该相邻点删除。我们返回到上一结点进行从新路径选择。将反馈结果用于在H2层计算。如图3带权路径网络图所示，原本C1-C2-C4-C5（0.32+0.25+0.3=0.87）要比C1-C2-C3-C5（0.32+0.45+0.3=1.07）路径短，但如果C4结点堵车，则最优路径是C1-C2-C3-C5，即删除了C4结点，回到上一个结点C2重新计算。
在H2层，根据
Figure 608443DEST_PATH_IMAGE004
一对摄像机（结点）编号，交通图片信息采集时间段（通常是过去一周内每半小时为一阶段划分），
Figure 635798DEST_PATH_IMAGE014
表示在固定时间段内同一车辆通过相邻节点之间所花费的时间，
Figure 835966DEST_PATH_IMAGE016
表示在固定时间段内本结点所示区域车流量。
Figure 205767DEST_PATH_IMAGE018
表示在固定时间段内相邻结点所示区域车流量。从
Figure 158680DEST_PATH_IMAGE004
一对摄像机（结点）编号中取出发点编号如C1。通过对应的
Figure 876155DEST_PATH_IMAGE012
得出信息采集时间段，从而得到（
Figure 49647DEST_PATH_IMAGE028
、
Figure 122646DEST_PATH_IMAGE016
、
Figure 903651DEST_PATH_IMAGE018
）。将反馈结果用于在H3层计算。例如，根据可以得到任意两个结点行驶所花费时间最短的路径走法，具体通过相邻节点之间所花费的时间相加和比较得出。如图3带权路径网络图所示， C6-C7-C10花费5.5分钟，C6-C8-C10花费4.5分钟，C6-C9-C10花费4.8分钟，则优先选择C6-C8-C10作为最优路径。 
在H3层，根据表示一对摄像机（结点）编号，
Figure 638892DEST_PATH_IMAGE006
表示结点地理位置，表示与本结点相邻节点之间的实际路程距离。通过得出所得路径的整体长度和，输出即为行驶时间最短路径
Figure 987724DEST_PATH_IMAGE030
。同理，行驶距离最短路径
Figure 972997DEST_PATH_IMAGE032
通过H1层的
Figure 95805DEST_PATH_IMAGE004
、
Figure 166529DEST_PATH_IMAGE024
，H3层的
Figure 282253DEST_PATH_IMAGE004
、
Figure 122033DEST_PATH_IMAGE006
、得到。道路通畅度最高路径
Figure 206719DEST_PATH_IMAGE034
通过H1层的、、
Figure 285030DEST_PATH_IMAGE024
，H2层的
Figure 392663DEST_PATH_IMAGE018
，H3层的
Figure 787873DEST_PATH_IMAGE004
、、得到。 
步骤（7）：将输出的结果连成线即为一个有向图中的最优路径；如图6所示。 
步骤（8）：将此最优路径通过各结点路程相加，可得最优路径总长度，根据交通流量，可以估算出出发地至目的地的长度； 
步骤（9）：将此最优路径各结点串联成线就可生成一张交通引导图
C1——C2——C4——C5——C6——C7——C10
说明：步骤（4）—（7）构成Route-mining算法。其基本描述如表2所示。
表2. Route-mining算法 
 
输入：摄像头固定信息，历史信息，实时信息
输出：一条有向图中的最优路径
算法步骤：
（1）输入摄像头实时信息参数，构建隐含层H1，输入摄像头历史信息参数，构建隐含层H2，输入摄像头固定信息参数，构建隐含层H3
（2）分别对隐含层进行逐层神经网络计算。
（3）根据隐含层的不同设置得出结果r1、r2、r3。
（4）最终从r1、r2、r3中得到所需要的有向图中的最优路径。

Claims (3)

1. 一种基于交通图像信息的车辆最优路径挖掘方法，在待挖掘车辆最优路径的交通路网中布置有摄像头，其特征在于：挖掘方法包括下列步骤：
(1) 针对交通路网的摄像头布局特性进行采集，对各摄像头进行名称标定，并记录各摄像头对应地理位置信息；
(2) 根据道路可达性测量相邻摄像头之间的路程距离；
(3) 构建摄像头分布的带权网络图，每个摄像头对应一个结点，权值是相邻摄像头之间的路程距离；
(4) 对每一个结点设置3个堆栈，一个存放固定信息，一个存放历史采集信息，一个存放实时采集信息；
(5) 根据3种堆栈的所有信息构建神经网络的输入层，确定输出层；
(6) 对神经网络的隐含层构建深层学习框架，进行3层逐层学习，输出路径序列；
(7) 输入需要挖掘车辆最优路径的出发点摄像头名称和目的地摄像头名称，利用步骤(4)到(6)构建的神经网络进行处理，将输出的结果连成线即为一个有向图中的最优路径；
(8) 将有向图中的最优路径与交通图结合，获得所需的车辆最优路径。
2. 根据权利要求1所述的基于交通图像信息的车辆最优路径挖掘方法，其特征在于：所述步骤(4)中，存放固定信息的堆栈                                               
Figure 2011102656810100001DEST_PATH_IMAGE002
中包括的数据为，
Figure 2011102656810100001DEST_PATH_IMAGE004
表示出发点和目的地的一对摄像头名称，
Figure 2011102656810100001DEST_PATH_IMAGE006
表示结点地理位置，
Figure 2011102656810100001DEST_PATH_IMAGE008
表示与本结点相邻节点之间的实际路程距离；
存放历史采集信息的堆栈
Figure 2011102656810100001DEST_PATH_IMAGE010
中包括的数据为，
Figure 43608DEST_PATH_IMAGE004
表示出发点和目的地的一对摄像头名称，
Figure 2011102656810100001DEST_PATH_IMAGE012
为交通图片信息采集时间段，表示在固定时间段内同一车辆通过相邻节点之间所花费的时间，
Figure 2011102656810100001DEST_PATH_IMAGE016
表示在固定时间段内本结点所示区域车流量，表示在固定时间段内相邻结点所示区域车流量；
存放实时采集信息的堆栈
Figure 2011102656810100001DEST_PATH_IMAGE020
中包括的数据为，
Figure 432389DEST_PATH_IMAGE004
表示出发点和目的地的一对摄像头名称，为交通图片信息实时采集时间点，
Figure 2011102656810100001DEST_PATH_IMAGE024
为本结点所示区域车量拥堵状况。
3. 根据权利要求2所述的基于交通图像信息的车辆最优路径挖掘方法，其特征在于：神经网络的输入层为
Figure 209590DEST_PATH_IMAGE004
、、
Figure 2011102656810100001DEST_PATH_IMAGE026
、
Figure 98228DEST_PATH_IMAGE012
、
Figure 2011102656810100001DEST_PATH_IMAGE028
、
Figure 149754DEST_PATH_IMAGE016
、、
Figure 165301DEST_PATH_IMAGE022
、
Figure 141347DEST_PATH_IMAGE024
；输出层为行驶时间最短路径、
Figure 2011102656810100001DEST_PATH_IMAGE032
为行驶距离最短路径、
Figure 2011102656810100001DEST_PATH_IMAGE034
为道路通畅度最高路径。
CN201110265681.0A 2011-09-08 2011-09-08 一种基于交通图像信息的车辆最优路径挖掘方法 Expired - Fee Related CN102436598B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201110265681.0A CN102436598B (zh) 2011-09-08 2011-09-08 一种基于交通图像信息的车辆最优路径挖掘方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201110265681.0A CN102436598B (zh) 2011-09-08 2011-09-08 一种基于交通图像信息的车辆最优路径挖掘方法

Publications (2)

Publication Number Publication Date
CN102436598A true CN102436598A (zh) 2012-05-02
CN102436598B CN102436598B (zh) 2014-04-02

Family

ID=45984649

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201110265681.0A Expired - Fee Related CN102436598B (zh) 2011-09-08 2011-09-08 一种基于交通图像信息的车辆最优路径挖掘方法

Country Status (1)

Country Link
CN (1) CN102436598B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103150680A (zh) * 2013-03-25 2013-06-12 东南大学 一种道路可达性最佳的城市建设用地自动布局方法
CN103258422A (zh) * 2013-01-24 2013-08-21 辽宁工程技术大学 一种基于时间递推与神经网络耦合的交通路径动态诱导技术
CN104330089A (zh) * 2014-11-17 2015-02-04 东北大学 一种利用历史gps数据进行地图匹配的方法
CN107832887A (zh) * 2017-11-09 2018-03-23 许继电源有限公司 一种基于神经网络的共享汽车智能寻优决策方法和系统
CN108600398A (zh) * 2018-07-06 2018-09-28 合肥安华信息科技有限公司 一种基于云服务器的高速公路交通管理方法
CN109868795A (zh) * 2019-01-14 2019-06-11 江苏建筑职业技术学院 双侧混凝土排水槽一次性成型系统及成型方法
DE102018202970A1 (de) * 2018-02-28 2019-08-29 Robert Bosch Gmbh Verfahren zum Ermitteln einer topologischen Information einer Straßenkreuzung
US11188085B2 (en) * 2019-03-22 2021-11-30 Ford Global Technologies, Llc Vehicle capsule networks
AU2020239623B2 (en) * 2017-04-27 2022-04-14 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for determining an estimated time of arrival

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101706882A (zh) * 2009-11-23 2010-05-12 浙江大学 基于嵌入式平台的神经网络模型在线训练方法
CN101944176A (zh) * 2009-05-08 2011-01-12 通用汽车环球科技运作公司 存在交通设施标识的更优畅通路径检测

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101944176A (zh) * 2009-05-08 2011-01-12 通用汽车环球科技运作公司 存在交通设施标识的更优畅通路径检测
CN101706882A (zh) * 2009-11-23 2010-05-12 浙江大学 基于嵌入式平台的神经网络模型在线训练方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
朱圣领，林杰，郭旭红，芮延年: "改进遗传算法在一类最优路径规划中的应用", 《苏州大学学报（工科版）》 *
朱文兴，贾磊，丁绪东，胡咏梅: "城市交通网络中的路径优化研究", 《山东大学学报（工学版）》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103258422A (zh) * 2013-01-24 2013-08-21 辽宁工程技术大学 一种基于时间递推与神经网络耦合的交通路径动态诱导技术
CN103258422B (zh) * 2013-01-24 2015-06-10 辽宁工程技术大学 一种基于时间递推与神经网络耦合的交通路径动态诱导技术
CN103150680B (zh) * 2013-03-25 2016-06-08 东南大学 一种道路可达性最佳的城市建设用地自动布局方法
CN103150680A (zh) * 2013-03-25 2013-06-12 东南大学 一种道路可达性最佳的城市建设用地自动布局方法
CN104330089A (zh) * 2014-11-17 2015-02-04 东北大学 一种利用历史gps数据进行地图匹配的方法
CN104330089B (zh) * 2014-11-17 2017-12-29 东北大学 一种利用历史gps数据进行地图匹配的方法
AU2020239623B2 (en) * 2017-04-27 2022-04-14 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for determining an estimated time of arrival
US11398002B2 (en) 2017-04-27 2022-07-26 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for determining an estimated time of arrival
CN107832887A (zh) * 2017-11-09 2018-03-23 许继电源有限公司 一种基于神经网络的共享汽车智能寻优决策方法和系统
DE102018202970A1 (de) * 2018-02-28 2019-08-29 Robert Bosch Gmbh Verfahren zum Ermitteln einer topologischen Information einer Straßenkreuzung
US10949682B2 (en) 2018-02-28 2021-03-16 Robert Bosch Gmbh Method for ascertaining a piece of topological information of an intersection
CN108600398A (zh) * 2018-07-06 2018-09-28 合肥安华信息科技有限公司 一种基于云服务器的高速公路交通管理方法
CN109868795A (zh) * 2019-01-14 2019-06-11 江苏建筑职业技术学院 双侧混凝土排水槽一次性成型系统及成型方法
CN109868795B (zh) * 2019-01-14 2024-02-09 江苏建筑职业技术学院 双侧混凝土排水槽一次性成型系统及成型方法
US11188085B2 (en) * 2019-03-22 2021-11-30 Ford Global Technologies, Llc Vehicle capsule networks

Also Published As

Publication number Publication date
CN102436598B (zh) 2014-04-02

Similar Documents

Publication Publication Date Title
CN102436598B (zh) 一种基于交通图像信息的车辆最优路径挖掘方法
CN104778834B (zh) 一种基于车辆gps数据的城市道路交通拥堵判别方法
CN113947900B (zh) 一种智能网联快速路匝道协同控制系统
CN104573116B (zh) 基于出租车gps数据挖掘的交通异常识别方法
CN110111574B (zh) 一种基于流量树分析的城市交通不平衡评价方法
CN106781490A (zh) 城市道路交通运行分析评价系统
Crainic et al. Impact of generalized travel costs on satellite location in the two-echelon vehicle routing problem
US11669552B2 (en) Use of geographic database comprising lane level information for traffic parameter prediction
CN109410577A (zh) 基于空间数据挖掘的自适应交通控制子区划分方法
Dubey et al. Internet of Things based adaptive traffic management system as a part of Intelligent Transportation System (ITS)
US11035686B2 (en) Use of geographic database comprising lane level information for traffic parameter prediction
CN112629533A (zh) 基于路网栅格化道路车流预测的精细化路径规划方法
Ho et al. An improved pheromone-based vehicle rerouting system to reduce traffic congestion
CN103236170B (zh) 一种基于动态路网的交通诱导方法
WO2017164721A1 (fr) Systeme de supervision et de controle du trafic
CN105185103B (zh) 一种路段行程时间的管理控制方法
Sayed et al. Understanding dhaka city traffic intensity and traffic expansion using gravity model
Rezaei et al. ReFOCUS: A hybrid fog-cloud based intelligent traffic re-routing system
Amaral et al. An exploratory evaluation of urban street networks for last mile distribution
Pi et al. Visual recognition for urban traffic data retrieval and analysis in major events using convolutional neural networks
CN104596534A (zh) 一种计算最优行车路径的方法
US20210165931A1 (en) Automated control through a traffic model
CN106781495A (zh) 快速发现导致城市道路交通拥堵源头位置的方法和系统
Tchuente et al. Providing more regular road signs infrastructure updates for connected driving: A crowdsourced approach with clustering and confidence level
Elsaid et al. Incorporating bicycling demand into pavement management systems for convenient bikeway networks

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20140402

Termination date: 20160908