CN106017496A - 一种基于路况的实时导航方法 - Google Patents
一种基于路况的实时导航方法 Download PDFInfo
- Publication number
- CN106017496A CN106017496A CN201610353684.2A CN201610353684A CN106017496A CN 106017496 A CN106017496 A CN 106017496A CN 201610353684 A CN201610353684 A CN 201610353684A CN 106017496 A CN106017496 A CN 106017496A
- Authority
- CN
- China
- Prior art keywords
- real
- time
- crowding
- prediction
- section
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于路况的实时导航方法,所述方法包括:路况采集单元周期性采集各路段的实时交通信息,并将实时交通信息发送给实时交通服务器,实时交通服务器将接收的实时交通信息处理后得到各路段的实时拥挤度;终端导航设备获取起始位置和终点位置,经路径演算后提供行车路线一;终端导航设备获取当前位置到终点位置的各路段的拥挤度,基于拥挤度最低策略提供行车路线二;终端导航设备获取当前位置到终点位置的各路段在预定时间段后的预测拥挤度,基于预测拥挤度最低策略提供行车路线三。与现有技术相比,本发明使用户方便清楚地获知行进途中的实时路况及一段时间后的预测路况,提供三种线路给用户选择,实时性强,提高了导航效率。
Description
技术领域
本发明属于交通智能管理领域,具体涉及一种基于路况的实时导航方法。
背景技术
目前常用的导航方法是基于最短时间或最短路线在静态路网中进行路线搜索,提供导航路线。但有时沿着导航路线行驶会遇到道路维修封闭、交通管制或交通事故等突发事件,给出行带来极大的不便。最优的行驶路线与实时路况关系密切,获取道路交通信息的传统方法是收听广播,这种方法实时性差、覆盖范围小且不直观。随着相关技术的发展,目前人们可以通过相关软件查询实时路况,从而规划路线。这种方法可以有效规避像出现道路维修封闭、交通管制或交通事故这类问题的道路,但对于道路拥堵问题效果不是很好,因为有时查询时不拥堵,但经过一段时间后可能变得非常拥堵,同样影响了导航效率。
发明内容
本发明为了解决上述问题,提出一种基于路况的实时导航方法,该方法可实时查询路况信息,并能对路况进行预测,基于实时路况信息及预测路况信息,为用户提供三条行车路线。
本发明的具体技术方案如下:一种基于路况的实时导航方法,使用一种导航系统,所述导航系统包括路况采集单元、实时交通服务器和终端导航设备,所述方法包括:
A)路况采集单元采集路段的实时交通信息,并将实时交通信息发送给实时交通服务器,实时交通服务器将接收的实时交通信息处理后得到路段的实时拥挤度;
B)终端导航设备获取起始位置和终点位置,经路径演算后提供行车路线一;
C)终端导航设备获取当前位置到终点位置的所有路段的拥挤度,基于拥挤度最低的策略提供行车路线二;
D)终端导航设备获取当前位置到终点位置的所有路段在预定时间段后的预测拥挤度,基于预测拥挤度最低的策略提供行车路线三。
进一步的,所述步骤C)具体包括:
C1)终端导航设备向实时交通服务器发送实时拥挤度请求,所述实时拥挤度请求中包含当前位置及终点位置信息;
C2)实时交通服务器收到终端导航设备的实时拥挤度请求后,将当前位置到终点位置的所有路段的实时拥挤度下发给终端导航设备;
C3)终端导航设备收到当前位置到终点位置的所有路段的实时拥挤度后,基于实时拥挤度最低策略,提供行车路线二。
进一步的,所述步骤D)具体包括:
D1)终端导航设备向实时交通服务器发送预测拥挤度请求,所述预测拥挤度请求中包含当前位置及终点位置信息;
D2)实时交通服务器收到终端导航设备的预测拥挤度请求后,计算当前位置到终点位置的所有路段的预测拥挤度,并将预测拥挤度下发给终端导航设备;
D3)终端导航设备收到当前位置到终点位置的所有路段的预测拥挤度后,基于预测拥挤度最低策略,提供行车路线三。
进一步的,步骤D2)中采用神经网络预测模型计算所述预测拥挤度,所述神经网络预测模型的输入层为实时交通信息,输出层为预定时间段后的拥挤度,步骤D2)具体包括:
D21)实时交通服务器接收预测拥挤度请求;
D22)为当前位置到终点位置的每个路段建立对应的初始神经网络预测模型;
D23)统计各路段的历史交通信息,根据历史交通信息训练出各个路段的神经网络预测模型;
D24)将每个路段的实时交通信息输入对应路段的预测模型,得到该路段在预定时间段后的拥挤度;
D25)将计算出的预测拥挤度下发给终端导航设备。
进一步的,步骤C)与步骤D)在每进入下一个路段前执行;
本发明的有益效果:利用现有导航方法先规划出一条线路,在行驶过程中通过获得实时的路段拥挤度及一段时间后的预测拥挤度,分别规划出实时拥挤度最低的线路和预测拥挤度最低的线路,且在行驶途中不断更新。与现有技术相比,本发明使用户方便清楚地获知行进途中的实时路况及一段时间后的预测路况,提供多种线路给用户选择,实时性强,提高了导航效率。
附图说明
图1是本发明方法的流程示意图。
图2是图1中步骤C)的具体流程示意图。
图3是图1中步骤D)的具体流程示意图。
图4是图3中步骤D2)的具体流程示意图。
图5是本发明实施例中使用的神经网络预测模型结构图。
具体实施方式
下面结合具体的实施例及附图对基于路况的实时导航方法进行详细的描述。
本发明使用的导航系统,包括路况采集单元、实时交通服务器和终端导航设备。路况采集单元可包括现有的一些交通设施,如路口的地磁线圈、高速公路的收费设施、测速系统和监控等,还可包括交通岗亭和巡逻车的控制中心、110及122的呼叫中心和天气预测中心等;实时交通服务器包括通信单元、处理单元和存储单元,通信单元用于与路况采集单元和终端导航设备进行数据传输,处理单元用于执行数据运算程序,存储单元用于存储数据运算程序、所有路段的实时交通信息及运算结果;终端导航设备具有输入功能、定位功能、路径规划功能及基于地图的路径显示功能。
参阅图1,执行步骤A),路况采集单元采集路段的实时交通信息,并将实时交通信息发送给实时交通服务器,实时交通服务器将接收的实时交通信息处理后得到路段的实时拥挤度。本发明中所说的路段为路口与路口之间的一段道路。具体地,实时交通信息主要包括交通流信息(车流量、车速)、交通事件(交通事故、交通管制、道路维护)和天气事件(雾霾、雨雪)这三类,这些信息可利用现有的一些交通设施采集:如地磁线圈稍做改造,可统计经过该路口单位时间的车流量;高速公路收费站可统计该高速路单位时间的车流量;各种测速系统可统计车速;交通监控系统采集的公路状态视频信息可转换为路段中间段的车流数据;交通岗亭和巡逻车的控制中心、110和122呼叫中心以及天气预测中心等可采集交通事件和天气事件这两类信息。路况采集单元将各路段的实时交通信息采集后传输给实时交通服务器,实时交通服务器将这些信息进行处理,转化为对应路段的拥挤度,具体的处理方法是:
其中,车流量为测得的单位时间经过的车辆数,通行量为该路段的标准车流量,通行量为定值,但发生交通事件或天气事件时,通行量需根据这两类信息通过模糊计算方法进行修改。实时交通服务器将接收的实时交通流信息、计算出的拥挤度与各路段对应存储,以备查询。路况采集单元周期性采集实时交通信息,实时交通服务器及时更新数据。
执行步骤B),终端导航设备获取起始位置和终点位置,经路径演算后提供行车路线一。在终端导航设备上输入起始位置和终点位置,经过路径演算规划出一条从起始位置到终点位置的行车路线,并基于地图由终端导航设备的显示屏展示给用户。用户可以根据实际需求设定路径规划条件,如行车距离最短、行车用时最少或高速路优先等,获得相应的行车路线。该步骤为现有导航系统都具备的功能,所用技术为本领域技术人员所公知。
执行步骤C),终端导航设备获取当前位置到终点位置的所有路段的拥挤度,基于拥挤度最低的策略提供行车路线二。车辆按照步骤B)提供的行车路线一行驶,途中通过向实时交通服务器发送查询请求,实时交通服务器将当前位置与终点位置之间所有路段的拥挤度下发给终端导航设备,终端导航设备根据拥挤度最低原则,经过路径演算提供行车路线二。
执行步骤D),终端导航设备获取当前位置到终点位置的所有路段在预定时间段后的预测拥挤度,基于预测拥挤度最低的策略提供行车路线三。本实施例选用一个三层的BP神经网络预测模型,如图5所示,预测模型的输入层X1、X2、X3、X4、X5分别为当前拥挤度、雨雪天气的影响度、雾霾天气的影响度、交通事故的影响度、交通管制(含道路维修与养护)的影响度,将它们分别归一化处理,具体为:
X5交通管制(含道路维修与养护)的影响度,可按通行能力的百分数进行赋值。输出层Y1、Y2、Y3、Y4为预测的拥挤度,0<Y1≤0.25、0.25<Y2≤0.50、0.50<Y3≤0.75、0.75<Y4≤1分别代表小于等于该路段的通行能力、不超过通行能力140%、不超过通行能力170%、超过通行能力170%。具体步骤如图4所示,终端导航设备向实时交通服务器发送预测拥挤度请求,所述预测拥挤度请求中包含当前位置及终点位置信息;实时交通服务器接收终端导航设备的预测拥挤度请求;实时交通服务器为当前位置到终点位置的每个路段建立对应的初始神经网络预测模型;通过不断输入该路段相应时间段的历史数据进行学习,来修正神经网络模型的参数,最后确定每个路段的预测模型;将每个路段的实时拥挤度、雨雪天气、雾霾天气、交通事故、交通管制(含道路维修与养护)数据输入对应路段的预测模型,得到该路段在预定时间段后的拥挤度;将计算出的预测拥挤度下发给终端导航设备;终端导航设备收到当前位置到终点位置的所有路段的预测拥挤度后,基于预测拥挤度最低策略,提供行车路线三。其中学习的停止条件有下面两种:设置最大迭代次数,比如使用数据集迭代100次后停止训练;或计算训练集在神经网络上的预测准确率,达到一定门限值后停止训练。本实施例中设置学习速率λ=0.05(一般设置λ<0.1),采用训练次数100次后终止学习,在测试集上的正确率达到了92.03%。
按照步骤B)提供的行车路线一行驶,在行驶途中周期性或每进入下一个路段前查询当前位置与终点位置之间所有路段的拥挤度及预测拥挤度,并使用拥挤度最低路径规划算法,为用户更新拥挤度最低的行车路线及预测拥挤度最低的行车路线。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于路况的实时导航方法,使用一种导航系统,所述导航系统包括路况采集单元、实时交通服务器和终端导航设备,其特征在于,所述方法包括:
A)路况采集单元采集路段的实时交通信息,并将实时交通信息发送给实时交通服务器,实时交通服务器将接收的实时交通信息处理后得到路段的实时拥挤度;
B)终端导航设备获取起始位置和终点位置,经路径演算后提供行车路线一;
C)终端导航设备获取当前位置到终点位置的所有路段的拥挤度,基于拥挤度最低的策略提供行车路线二;
D)终端导航设备获取当前位置到终点位置的所有路段在预定时间段后的预测拥挤度,基于预测拥挤度最低的策略提供行车路线三。
2.根据权利要求1所述的方法,其特征在于,所述步骤C)具体包括:
C1)终端导航设备向实时交通服务器发送实时拥挤度请求,所述实时拥挤度请求中包含当前位置及终点位置信息;
C2)实时交通服务器收到终端导航设备的实时拥挤度请求后,将当前位置到终点位置的所有路段的实时拥挤度下发给终端导航设备;
C3)终端导航设备收到当前位置到终点位置的所有路段的实时拥挤度后,基于实时拥挤度最低策略,捉供行车路线二。
3.根据权利要求1所述的方法,其特征在于,所述步骤D)具体包括:
D1)终端导航设备向实时交通服务器发送预测拥挤度请求,所述预测拥挤度请求中包含当前位置及终点位置信息;
D2)实时交通服务器收到终端导航设备的预测拥挤度请求后,计算当前位置到终点位置的所有路段的预测拥挤度,并将预测拥挤度下发给终端导航设备;
D3)终端导航设备收到当前位置到终点位置的所有路段的预测拥挤度后,基于预测拥挤度最低策略,捉供行车路线三。
4.根据权利要求3所述的方法,具特征在于,步骤D2)中实时交通服务器采用神经网络预测模型计算所述预测拥挤度,所述神经网络预测模型的输入层为实时交通信息,输出层为预定时间段后的拥挤度,步骤D2)具体包括:
D21)实时交通服务器接收预测拥挤度请求;
D22)为当前位置到终点位置的每个路段建立对应的初始神经网络预测模型;
D23)统计各路段的历史交通信息,根据历史交通信息训练出各个路段的神经网络预测模型;
D24)将每个路段的实时交通信息输入对应路段的预测模型,得到该路段在预定时间段后的拥挤度;
D25)将各路段的预测拥挤度下发给终端导航设备。
5.根据权利要求1所述的方法,其特征在于,步骤C)与步骤D)在每进入下一个路段前执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610353684.2A CN106017496A (zh) | 2016-05-25 | 2016-05-25 | 一种基于路况的实时导航方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610353684.2A CN106017496A (zh) | 2016-05-25 | 2016-05-25 | 一种基于路况的实时导航方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106017496A true CN106017496A (zh) | 2016-10-12 |
Family
ID=57093344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610353684.2A Pending CN106017496A (zh) | 2016-05-25 | 2016-05-25 | 一种基于路况的实时导航方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106017496A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106297358A (zh) * | 2016-10-28 | 2017-01-04 | 腾讯科技(深圳)有限公司 | 路况预测的实现方法及装置 |
CN107389082A (zh) * | 2017-07-18 | 2017-11-24 | 梧州井儿铺贸易有限公司 | 一种导航性能良好的车载导航系统 |
CN108198413A (zh) * | 2017-12-20 | 2018-06-22 | 河南中裕广恒科技股份有限公司 | 一种大数据及自主深度学习的智能交通缓堵方法 |
CN108253991A (zh) * | 2018-01-24 | 2018-07-06 | 新日(无锡)发展有限公司 | 用于电动汽车行驶路线的同步控制系统 |
CN108286981A (zh) * | 2017-12-29 | 2018-07-17 | 广州斯沃德科技有限公司 | 车联网的车辆路径规划方法、装置和计算机设备 |
CN108288096A (zh) * | 2017-01-10 | 2018-07-17 | 北京嘀嘀无限科技发展有限公司 | 用于估算行程时间、模型训练的方法及装置 |
CN109099903A (zh) * | 2018-07-09 | 2018-12-28 | 百度在线网络技术(北京)有限公司 | 用于生成导航路线的方法和装置 |
CN109540160A (zh) * | 2018-10-18 | 2019-03-29 | 深圳壹账通智能科技有限公司 | 一种基于语音交互的最佳路径分析方法及相关设备 |
CN109859511A (zh) * | 2019-01-30 | 2019-06-07 | 苏州昆承智能车检测科技有限公司 | 一种自动驾驶辅助装置 |
CN110428612A (zh) * | 2019-07-05 | 2019-11-08 | 平安国际智慧城市科技股份有限公司 | 车辆管控方法、装置、计算机设备和存储介质 |
CN110675267A (zh) * | 2018-07-03 | 2020-01-10 | 北京嘀嘀无限科技发展有限公司 | 一种根据实时路况进行车险预警的方法及系统 |
CN111197991A (zh) * | 2020-01-15 | 2020-05-26 | 西安电子科技大学 | 基于深度神经网络的预测车辆最佳驾驶路径方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6240364B1 (en) * | 1999-02-06 | 2001-05-29 | Daimlerchrysler Ag | Method and device for providing traffic information |
JP2002098547A (ja) * | 2000-09-22 | 2002-04-05 | Seiko Epson Corp | 経路検索装置 |
JP2002286491A (ja) * | 2001-03-22 | 2002-10-03 | Kokusai Kogyo Co Ltd | 携帯用ナビゲーションシステム |
CN101929864A (zh) * | 2009-06-26 | 2010-12-29 | 上海市上海中学 | 一种路面交通导航系统及导航路线生成方法 |
CN102819954A (zh) * | 2012-08-28 | 2012-12-12 | 南京大学 | 交通区域动态地图监控预测系统 |
CN104658252A (zh) * | 2015-02-10 | 2015-05-27 | 交通运输部科学研究院 | 基于多源数据融合的高速公路交通运行状态的评估方法 |
-
2016
- 2016-05-25 CN CN201610353684.2A patent/CN106017496A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6240364B1 (en) * | 1999-02-06 | 2001-05-29 | Daimlerchrysler Ag | Method and device for providing traffic information |
JP2002098547A (ja) * | 2000-09-22 | 2002-04-05 | Seiko Epson Corp | 経路検索装置 |
JP2002286491A (ja) * | 2001-03-22 | 2002-10-03 | Kokusai Kogyo Co Ltd | 携帯用ナビゲーションシステム |
CN101929864A (zh) * | 2009-06-26 | 2010-12-29 | 上海市上海中学 | 一种路面交通导航系统及导航路线生成方法 |
CN102819954A (zh) * | 2012-08-28 | 2012-12-12 | 南京大学 | 交通区域动态地图监控预测系统 |
CN104658252A (zh) * | 2015-02-10 | 2015-05-27 | 交通运输部科学研究院 | 基于多源数据融合的高速公路交通运行状态的评估方法 |
Non-Patent Citations (2)
Title |
---|
欧冬秀: "《交通信息技术》", 31 May 2007 * |
沈海洲等: "基于神经网络的路段行程时间影响因素研究", 《智能交通运输系统研究与实践》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106297358A (zh) * | 2016-10-28 | 2017-01-04 | 腾讯科技(深圳)有限公司 | 路况预测的实现方法及装置 |
CN108288096A (zh) * | 2017-01-10 | 2018-07-17 | 北京嘀嘀无限科技发展有限公司 | 用于估算行程时间、模型训练的方法及装置 |
US10816352B2 (en) | 2017-01-10 | 2020-10-27 | Beijing Didi Infinity Technology And Development Co., Ltd. | Method and system for estimating time of arrival |
CN107389082B (zh) * | 2017-07-18 | 2021-01-22 | 浙江高速信息工程技术有限公司 | 一种导航性能良好的车载导航系统 |
CN107389082A (zh) * | 2017-07-18 | 2017-11-24 | 梧州井儿铺贸易有限公司 | 一种导航性能良好的车载导航系统 |
CN108198413A (zh) * | 2017-12-20 | 2018-06-22 | 河南中裕广恒科技股份有限公司 | 一种大数据及自主深度学习的智能交通缓堵方法 |
CN108286981A (zh) * | 2017-12-29 | 2018-07-17 | 广州斯沃德科技有限公司 | 车联网的车辆路径规划方法、装置和计算机设备 |
CN108286981B (zh) * | 2017-12-29 | 2020-12-22 | 广州斯沃德科技有限公司 | 车联网的车辆路径规划方法、装置和计算机设备 |
CN108253991A (zh) * | 2018-01-24 | 2018-07-06 | 新日(无锡)发展有限公司 | 用于电动汽车行驶路线的同步控制系统 |
CN110675267A (zh) * | 2018-07-03 | 2020-01-10 | 北京嘀嘀无限科技发展有限公司 | 一种根据实时路况进行车险预警的方法及系统 |
CN109099903A (zh) * | 2018-07-09 | 2018-12-28 | 百度在线网络技术(北京)有限公司 | 用于生成导航路线的方法和装置 |
CN109099903B (zh) * | 2018-07-09 | 2019-10-18 | 百度在线网络技术(北京)有限公司 | 用于生成导航路线的方法和装置 |
CN109540160A (zh) * | 2018-10-18 | 2019-03-29 | 深圳壹账通智能科技有限公司 | 一种基于语音交互的最佳路径分析方法及相关设备 |
CN109859511A (zh) * | 2019-01-30 | 2019-06-07 | 苏州昆承智能车检测科技有限公司 | 一种自动驾驶辅助装置 |
CN110428612A (zh) * | 2019-07-05 | 2019-11-08 | 平安国际智慧城市科技股份有限公司 | 车辆管控方法、装置、计算机设备和存储介质 |
CN110428612B (zh) * | 2019-07-05 | 2021-04-13 | 平安国际智慧城市科技股份有限公司 | 车辆管控方法、装置、计算机设备和存储介质 |
CN111197991A (zh) * | 2020-01-15 | 2020-05-26 | 西安电子科技大学 | 基于深度神经网络的预测车辆最佳驾驶路径方法 |
CN111197991B (zh) * | 2020-01-15 | 2022-09-23 | 西安电子科技大学 | 基于深度神经网络的预测车辆最佳驾驶路径方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106017496A (zh) | 一种基于路况的实时导航方法 | |
CN106781592B (zh) | 一种基于大数据的交通导航系统及方法 | |
CN103557870B (zh) | 一种动态轨迹导航方法及云平台 | |
CN109959388A (zh) | 一种基于栅格扩展模型的智能交通精细化路径规划方法 | |
CN110361024A (zh) | 利用车辆组标识的动态车道级车辆导航 | |
CN102708698B (zh) | 基于车联网的车辆最优路径导航方法 | |
CN109612488B (zh) | 基于大数据微服务的混合出行方式路径规划系统及方法 | |
CN201307343Y (zh) | 一种车辆动态路径导航装置 | |
CN112489426B (zh) | 一种基于图卷积神经网络的城市交通流量时空预测方案 | |
CN106408984B (zh) | 基于物联网的城市交通流诱导系统 | |
CN104121918A (zh) | 一种实时路径规划的方法和系统 | |
CN103295414A (zh) | 一种基于海量历史gps轨迹数据的公交车到站时间预测方法 | |
CN110570672B (zh) | 一种基于图神经网络的区域交通信号灯控制方法 | |
CN101739839A (zh) | 车辆动态路径导航系统 | |
CN107195177A (zh) | 基于分布式内存计算框架对城市交通路况的预测方法 | |
CN104680820A (zh) | 一种基于梯度场的交通流车联网系统及交通流控制方法 | |
CN105702073A (zh) | 一种基于路网决策点行程时间索引值的动态转向导航方法 | |
WO2023186024A1 (zh) | 一种自适应停车场可变出入口控制方法 | |
CN109931941A (zh) | 基于路段状态相关性的路径规划方法 | |
Chen et al. | Dynamic traffic light optimization and Control System using model-predictive control method | |
WO2023276420A1 (en) | Distributed multi-task machine learning for traffic prediction | |
Wang et al. | Real-time urban regional route planning model for connected vehicles based on V2X communication | |
Zhao et al. | Optimizing work-zone schedule with floating car data considering traffic diversion and managed lanes | |
Wen et al. | Co-evolutionary optimization algorithm based on the future traffic environment for emergency rescue path planning | |
CN206546634U (zh) | 基于物联网的城市交通流诱导系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20161012 |
|
WD01 | Invention patent application deemed withdrawn after publication |