CN109272745A - 一种基于深度神经网络的车辆轨迹预测方法 - Google Patents

一种基于深度神经网络的车辆轨迹预测方法 Download PDF

Info

Publication number
CN109272745A
CN109272745A CN201810947323.XA CN201810947323A CN109272745A CN 109272745 A CN109272745 A CN 109272745A CN 201810947323 A CN201810947323 A CN 201810947323A CN 109272745 A CN109272745 A CN 109272745A
Authority
CN
China
Prior art keywords
neural network
vehicle
moment
follows
information
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
CN201810947323.XA
Other languages
English (en)
Other versions
CN109272745B (zh
Inventor
黄亮
冯旭
冯安琪
黄玉蘋
钱丽萍
吴远
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201810947323.XA priority Critical patent/CN109272745B/zh
Publication of CN109272745A publication Critical patent/CN109272745A/zh
Application granted granted Critical
Publication of CN109272745B publication Critical patent/CN109272745B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Neurology (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于深度神经网络的车辆轨迹预测方法，包括以下步骤：首先，在智能网联交通系统中，通过DSRC技术自动识别行驶的车辆并获取相关数据，实现车载系统与路边单元的信息交互；其次，针对采集的相关信息，首先通过量化公式对路边单元与车载系统的方位角进行量化，其次通过自回归滑动平均法对加速度进行预测，最后利用深度神经网络进行轨迹预测；最后，将处理好的信息通过光缆传送给另外3个路边单元，以便于下一次与车载系统的信息交互。本发明提供了一种在智能网联交通系统下基于深度神经网络的车辆轨迹预测方法。

Description

一种基于深度神经网络的车辆轨迹预测方法
技术领域
本发明属于交通领域，尤其是涉及智能网联交通系统下的一种基于深度神经网络的车辆轨迹预测方法。
背景技术
中国作为世界上人口最多的国家，改革开放以来，随着我国经济的快速发展，人民生活水平的日益提高，私家车开始进入各家各户，很好的方便了家人的出行。但车辆的普及和大众化也使得城市交通环境日益恶化，出现了车流不均衡、交通拥挤、车尾碰撞、侧方碰撞等交通现象。伴随着基础设施薄弱和交通网络拥堵，道路交通事故的数量日益增加，高交通事故发生率正在向全社会拉响警报，因此道路交通安全受到极大的关注。近年来，虽然我国对道路基础设施以及交通网络进行了很大的改善，使得交通事故数量和伤亡人数有所减少，但事故总数和发生率仍然很高。
与传统的道路交通系统相比，智能网联交通系统更加趋向于由“人”、“路”、“车”以及公路交通设施等进行信息交互的动态系统。根据各国大量的统计研究后发现，驾驶人的失误是导致交通事故的主要因素。因此，在当前道路基础设施已经不能再完善的情况下，获取道路其他车道车辆的状态信息并加工处理广播给当前车辆的工作刻不容缓，这使得驾驶员能更好的采取相应的补救措施，减小驾驶员因失误导致的交通事故。
发明内容
为了克服现有道路交通系统的安全性较低、交通事故发生概率较高的不足，本发明提供了一种在智能网联交通系统下基于深度神经网络的车辆轨迹预测方法。
本发明解决其技术问题所采用的技术方案是：
一种基于深度神经网络的车辆轨迹预测方法，所述预测方法包括如下步骤：
1)在智能网联交通系统中，通过DSRC技术自动识别行驶的车辆并获取相关数据，实现车载系统与路边单元的信息交互，其中，信息交互的步骤如下：
步骤1.1：当行驶车辆进入定向天线所覆盖的范围内时，车载系统会与路边单元通过DSRC技术实现双向通信，使得双方能同时发送自身存储单元上的信息，其中，车载系统发送的信息包括车辆的当前速度、当前位置和时间戳，路边单元发送的信息包括其他车道上车辆的预测速度、位于哪个方向上、几车道和加速度；
步骤1.2：路边单元将获取到的车辆信息发送到边缘云服务器进行一系列的运算操作；
2)边缘云服务器根据路边单元与车载系统之间的方位差，进行方位角计算并做相应的量化处理，针对位置信息对车辆行驶方向进行量化，其中，量化过程为：
步骤2.1：将位置信息转换成以视角存在的数字信息。其中，车辆的实际承载角相对于路边单元的定义为：
在此，各参数定义如下：
在t-1时刻路边单元与车载系统之间的方位角；
θt-1：将t-1时刻的车辆位置转化为方位角的反三角函数；
σt-1：在t-1时刻由信号反射引起的轴承误差噪声；
(xt-1,yt-1)：在t-1时刻车辆的当前位置；
步骤2.2：以十字路口中心作为坐标原点，对方向角进行量化处理，确定车辆所在的方向，其中，量化公式如下：
在此，各参数定义如下：
bt-1：t-1时刻车辆在十字路口的量化方向；
q(·)：量化函数；
i：十字路口的方向标识；
步骤2.3：为了实现方向信息的具体化，对该方向的车道进行量化。将实际轴承角度重命名为将其记录为：
在此，各参数定义如下：
在t-1时刻路边单元与车载系统之间的方位角；
θ't-1：t-1时刻，将车辆与路边单元的相对位置转化为方位角的反三角函数；
(xi,yi)：方向i上路边单元的固定位置；
步骤2.4：针对上述量化公式，对车辆所在的方向进行第二次量化，确定车辆所在的车道；
在此，各参数定义如下：
qt：在t时刻车道的量化方向；
ji：位于方向i上的第j个车道；
n：车道总数；
3)假设仅使用最近的p+1个车辆速度进行加速度估计，第p个加速度计算方式为：
在此，各参数定义如下：
Δτ：采样时间间隔；
Δv：后一时刻与前一时刻的速度之差；
vt-p：在t-p时刻小车的速度；
τt-p：在t-p时刻小车的时间戳；
at-(p+1)：第p个加速度值；
此后，根据p个加速度值，利用自回归滑动平均法进行车辆加速度预测，其中，预测公式如下：
在此，各参数定义如下：
at-1：在t-1时刻小车的加速度；
p：自回归阶数，即加速度总数；
q：移动平均阶数，即滑动总数；
β：不为零的待定系数；
不为零的待定系数；
ξt-1:在t-1时刻独立的误差项；
4)将传感器收集到的上一时刻的位置信息(xt-1，yt-1)以及速度信息vt-1，再结合上述步骤计算出的加速度信息at-1；将 (xt-1，yt-1，vt-1，at-1)作为原始特征数据，而轨迹(xt，yt)则作为该条原始特征数据的标签；轨迹是需要被神经网络所预测的东西，而 (xt-1，yt-1，vt-1，at-1)是神经网络需要观测的值；神经网络通过输入 (xt-1，yt-1，vt-1，at-1)，预测出t时刻小车的位置再通过标准值(xt，yt)来优化神经网络，使它能预测得更准；进一步地，将 [(xt-1，yt-1，vt-1，at-1)，(xt，yt)]作为一条带标签的数据存储在数据集中，然后再将整个数据集设定的比例划分为训练集，验证集和测试集三个部分；训练集用于训练神经网络，验证集用于实时验证神经网络的预测能力，而测试集则用来评价神经网络最终的预测能力；
5)数据集准备好后，需要定义神经网络的结构，神经网络由多个神经元和连接两个神经元的神经链路组成，单个神经元所进行的数学运算，如下所示：
在此，各参数定义如下：
yj：第j个神经元的输出；
f：激活函数；
wij：连接神经元i和神经元j的权重；
xi：前一层神经元i的输出；
bj：第j个神经元的偏置；
6)在定义好神经网络的结构后，通过准备好的数据集进行训练，神经网络的训练步骤如下：
步骤6.1：初始化神经网络的起始权重和偏置，初始化迭代次数 K＝0：
步骤6.2：从训练集中随机抽取一批数据，将原始特征数据和标签分别提取出来，原始特征数据直接输入神经网络；
步骤6.3：原始特征数据输入后，神经网络得到预测输出，再讲神经网络的输出与标签做比较，产生误差；
步骤6.4：通过梯度下降算法，对误差求偏导，并反向传播回各个权重和偏置，改变其数值从而不断减小误差；
步骤6.5：K＝K+1，如果K小于最大迭代次数G，则返回步骤6.1 继续执行，否则训练过程结束；
步骤6.6：神经网络训练完成后，用测试集检验神经网络的最终预测效果；
7)最后，边缘云服务器将处理好的信息通过光缆传送给路边单元，以便于下一次与车载系统的信息交互。
进一步，所述步骤1.2中，考虑到边缘云服务器的存储容量有限，所以将服务器中的数据每隔一周进行清零。
本发明的技术构思为：首先,在智能网联交通系统中，通过DSRC 技术自动识别行驶的车辆并获取相关数据，实现车载系统与路边单元的信息交互。接着,针对采集的相关信息，利用量化公式对路边单元与车载系统的方位角进行量化；利用自回归滑动平均法对加速度进行预测；利用深度神经网络进行轨迹预测。最后，将处理好的信息通过光缆发送给其他路边单元，以便于下一次与车载系统的信息交互。
本发明的有益效果主要表现在:1、通过对路边单元与车载系统的方位角的量化，可以清楚的了解当前车辆位于哪个方向的几车道。2、结合自回归滑动平均法和深度神经网络算法实现轨迹的预测，并将结果传送给驾驶员，以便驾驶员可以根据车辆的相关信息以及自身经验来做出合适的判断和行为，有效降低了交通事故的发生率。
附图说明
图1是移动互联交通系统信息交互的示意图。
具体实施方式
下面结合附图对本发明作进一步详细描述。
参照图1，一种基于深度神经网络车辆轨迹预测方法，本发明基于一种在DSRC技术通讯下的信息交互模型(如图1所示)。在智能网联交通系统中，首先通过量化公式对路边单元与车载系统的方位角进行量化，其次通过自回归滑动平均法对加速度进行预测，最后利用深度神经网络进行下一时刻轨迹预测，所述预测方法包括以下步骤：
1)在智能网联交通系统中，通过DSRC技术自动识别行驶的车辆并获取相关数据，实现车载系统与路边单元的信息交互，其中，信息交互的步骤如下：
步骤1.1：当行驶车辆进入定向天线所覆盖的范围内时，车载系统会与路边单元通过DSRC技术实现双向通信，使得双方能同时发送自身存储单元上的信息，其中，车载系统发送的信息包括车辆的当前速度、当前位置和时间戳，路边单元发送的信息包括其他车道上车辆的预测速度、位于哪个方向上、几车道和加速度；
步骤1.2：路边单元将获取到的车辆信息发送到边缘云服务器进行一系列的运算操作，考虑到边缘云服务器的存储容量有限，所以将服务器中的数据每隔一周进行清零；
2)边缘云服务器根据路边单元与车载系统之间的方位差，进行方位角计算并做相应的量化处理，针对位置信息对车辆行驶方向进行量化，其中，量化过程为：
步骤2.1：将位置信息转换成以视角存在的数字信息，其中，车辆的实际承载角相对于路边单元的定义为：
在此，各参数定义如下：
在t-1时刻路边单元与车载系统之间的方位角；
θt-1：将t-1时刻的车辆位置转化为方位角的反三角函数；
σt-1：在t-1时刻由信号反射引起的轴承误差噪声；
(xt-1,yt-1)：在t-1时刻车辆的当前位置；
步骤2.2：以十字路口中心作为坐标原点，对方向角进行量化处理，确定车辆所在的方向，其中，量化公式如下：
在此，各参数定义如下：
bt-1：t-1时刻车辆在十字路口的量化方向；
q(·)：量化函数；
i：十字路口的方向标识；
步骤2.3：为了实现方向信息的具体化，对该方向的车道进行量化，将实际轴承角度重命名为将其记录为：
在此，各参数定义如下：
在t-1时刻路边单元与车载系统之间的方位角；
θ't-1：t-1时刻，将车辆与路边单元的相对位置转化为方位角的反三角函数；
(xi,yi)：方向i上路边单元的固定位置；
步骤2.4：针对上述量化公式，对车辆所在的方向进行第二次量化，确定车辆所在的车道；
在此，各参数定义如下：
qt：在t时刻车道的量化方向；
ji：位于方向i上的第j个车道；
n：车道总数；
3)假设仅使用最近的p+1个车辆速度进行加速度估计，第p个加速度计算方式为：
在此，各参数定义如下：
Δτ：采样时间间隔；
Δv：后一时刻与前一时刻的速度之差；
vt-p：在t-p时刻小车的速度；
τt-p：在t-p时刻小车的时间戳；
at-(p+1)：第p个加速度值；
此后，根据p个加速度值，利用自回归滑动平均法进行车辆加速度预测，其中，预测公式如下：
在此，各参数定义如下：
at-1：在t-1时刻小车的加速度；
p：自回归阶数，即加速度总数；
q：移动平均阶数，即滑动总数；
β：不为零的待定系数；
不为零的待定系数；
ξt-1：在t-1时刻独立的误差项；
4)将传感器收集到的上一时刻的位置信息(xt-1，yt-1)以及速度信息vt-1，再结合上述步骤计算出的加速度信息at-1；将 (xt-1，yt-1，vt-1，at-1)作为原始特征数据，而轨迹(xt，yt)则作为该条原始特征数据的标签；轨迹是需要被神经网络所预测的东西，而 (xt-1，yt-1，vt-1，at-1)是神经网络需要观测的值；神经网络通过输入 (xt-1，yt-1，vt-1，at-1)，预测出t时刻小车的位置再通过标准值(xt，yt)来优化神经网络，使它能预测得更准；进一步地，将 [(xt-1，yt-1，vt-1，at-1)，(xt，yt)]作为一条带标签的数据存储在数据集中，然后再将整个数据集按6∶2∶2的比例划分为训练集，验证集和测试集三个部分。训练集用于训练神经网络，验证集用于实时验证神经网络的预测能力，而测试集则用来评价神经网络最终的预测能力；
5)数据集准备好后，需要定义神经网络的结构，神经网络由多个神经元和连接两个神经元的神经链路组成，单个神经元所进行的数学运算，如下所示：
在此，各参数定义如下：
yj：第j个神经元的输出；
f：激活函数；
wij：连接神经元i和神经元j的权重；
xi：前一层神经元i的输出；
bj：第j个神经元的偏置；
6)在定义好神经网络的结构后，通过准备好的数据集便可进行训练，神经网络的训练步骤如下：
步骤6.1：初始化神经网络的起始权重和偏置，初始化迭代次数 K＝0；
步骤6.2：从训练集中随机抽取一批数据，将原始特征数据和标签分别提取出来，原始特征数据直接输入神经网络；
步骤6.3：原始特征数据输入后，神经网络得到预测输出，再讲神经网络的输出与标签做比较，产生误差；
步骤6.4：通过梯度下降算法，对误差求偏导，并反向传播回各个权重和偏置，改变其数值从而不断减小误差；
步骤6.5：K＝K+1，如果K小于最大迭代次数G，则返回步骤6.1 继续执行，否则训练过程结束；
步骤6.6：神经网络训练完成后，用测试集检验神经网络的最终预测效果；
7)最后，边缘云服务器将处理好的信息(车辆的预测位置、位于哪个方向上、几车道和加速度)通过光缆传送给路边单元，以便于下一次与车载系统的信息交互。

Claims (2)

1.一种基于深度神经网络的车辆加速度预测方法，其特征在于，所述预测方法包括如下步骤：
1)在智能网联交通系统中，通过DSRC技术自动识别行驶的车辆并获取相关数据，实现车载系统与路边单元的信息交互，其中，信息交互的步骤如下：
步骤1.1：当行驶车辆进入定向天线所覆盖的范围内时，车载系统会与路边单元通过DSRC技术实现双向通信，使得双方能同时发送自身存储单元上的信息，其中，车载系统发送的信息包括车辆的当前速度、当前位置和时间戳，路边单元发送的信息包括其他车道上车辆的预测速度、位于哪个方向上、几车道和加速度；
步骤1.2：路边单元将获取到的车辆信息发送到边缘云服务器进行一系列的运算操作；
2)边缘云服务器根据路边单元与车载系统之间的方位差，进行方位角计算并做相应的量化处理，针对位置信息对车辆行驶方向进行量化，其中，量化过程为：
步骤2.1：将位置信息转换成以视角存在的数字信息，其中，车辆的实际承载角相对于路边单元的定义为：
在此，各参数定义如下：
在t-1时刻路边单元与车载系统之间的方位角；
θt-1：将t-1时刻的车辆位置转化为方位角的反三角函数；
σt-1：在t-1时刻由信号反射引起的轴承误差噪声；
(xt-1,yt-1)：在t-1时刻车辆的当前位置；
步骤2.2：以十字路口中心作为坐标原点，对方向角进行量化处理，确定车辆所在的方向，其中，量化公式如下：
在此，各参数定义如下：
bt-1：t-1时刻车辆在十字路口的量化方向；
q(·)：量化函数；
i：十字路口的方向标识；
步骤2.3：为了实现方向信息的具体化，对该方向的车道进行量化，将实际轴承角度重命名为将其记录为：
在此，各参数定义如下：
在t-1时刻路边单元与车载系统之间的方位角；
θ′t-1：t-1时刻，将车辆与路边单元的相对位置转化为方位角的反三角函数；
(xi,yi)：方向i上路边单元的固定位置；
步骤2.4：针对上述量化公式，对车辆所在的方向进行第二次量化，确定车辆所在的车道；
在此，各参数定义如下：
qt：在t时刻车道的量化方向；
ji：位于方向i上的第j个车道；
n：车道总数；
3)假设仅使用最近的p+1个车辆速度进行加速度估计，第p个加速度计算方式为：
在此，各参数定义如下：
Δτ：采样时间间隔；
Δv：后一时刻与前一时刻的速度之差；
vt-p：在t-p时刻小车的速度；
τt-p：在t-p时刻小车的时间戳；
at-(p+1)：第p个加速度值；
此后，根据p个加速度值，利用自回归滑动平均法进行车辆加速度预测，其中，预测公式如下：
在此，各参数定义如下：
at-1：在t-1时刻小车的加速度；
p：自回归阶数，即加速度总数；
q：移动平均阶数，即滑动总数；
β：不为零的待定系数；
不为零的待定系数；
ξt-1：在t-1时刻独立的误差项；
4)将传感器收集到的上一时刻的位置信息(xt-1,yt-1)以及速度信息vt-1,再结合上述步骤计算出的加速度信息at-1；将(xt-1,yt-1,vt-1,at-1)作为原始特征数据，而轨迹(xt,yt)则作为该条原始特征数据的标签；轨迹是需要被神经网络所预测的东西，而(xt-1,yt-1,vt-1,at-1)是神经网络需要观测的值；神经网络通过输入(xt-1,yt-1,vt-1,at-1)，预测出t时刻小车的位置再通过标准值(xt,yt)来优化神经网络，使它能预测得更准；进一步地，将[(xt-1,yt-1,vt-1,at-1),(xt,yt)]作为一条带标签的数据存储在数据集中，然后再讲整个数据集按设定的比例划分为训练集，验证集和测试集三个部分；训练集用于训练神经网络，验证集用于实时验证神经网络的预测能力，而测试集则用来评价神经网络最终的预测能力；
5)数据集准备好后，需要定义神经网络的结构，神经网络由多个神经元和连接两个神经元的神经链路组成，单个神经元所进行的数学运算，如下所示：
在此，各参数定义如下：
yj：第j个神经元的输出；
f：激活函数；
wij：连接神经元i和神经元j的权重；
xi：前一层神经元i的输出；
bj：第j个神经元的偏置；
6)在定义好神经网络的结构后，通过准备好的数据集便可进行训练，神经网络的训练步骤如下：
步骤6.1：初始化神经网络的起始权重和偏置，初始化迭代次数K＝0；
步骤6.2：从训练集中随机抽取一批数据，将原始特征数据和标签分别提取出来，原始特征数据直接输入神经网络；
步骤6.3：原始特征数据输入后，神经网络得到预测输出，再讲神经网络的输出与标签做比较，产生误差；
步骤6.4：通过梯度下降算法，对误差求偏导，并反向传播回各个权重和偏置，改变其数值从而不断减小误差；
步骤6.5：K＝K+1，如果K小于最大迭代次数G，则返回步骤6.1继续执行，否则训练过程结束；
步骤6.6：神经网络训练完成后，用测试集检验神经网络的最终预测效果；
7)最后，边缘云服务器将处理好的信息通过光缆传送给其他3 个路边单元，以便于下一次与车载系统的信息交互。
2.如权利要求1所述的一种基于深度神经网络的车辆加速度预测方法，其特征在于，所述步骤1.2中，考虑到边缘云服务器的存储容量有限，所以将服务器中的数据每隔一周进行清零。
CN201810947323.XA 2018-08-20 2018-08-20 一种基于深度神经网络的车辆轨迹预测方法 Active CN109272745B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810947323.XA CN109272745B (zh) 2018-08-20 2018-08-20 一种基于深度神经网络的车辆轨迹预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810947323.XA CN109272745B (zh) 2018-08-20 2018-08-20 一种基于深度神经网络的车辆轨迹预测方法

Publications (2)

Publication Number Publication Date
CN109272745A true CN109272745A (zh) 2019-01-25
CN109272745B CN109272745B (zh) 2020-10-27

Family

ID=65153824

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810947323.XA Active CN109272745B (zh) 2018-08-20 2018-08-20 一种基于深度神经网络的车辆轨迹预测方法

Country Status (1)

Country Link
CN (1) CN109272745B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109769285A (zh) * 2019-02-18 2019-05-17 西安交通大学 一种基于位置预测的车辆间通信的路由方法
CN109816971A (zh) * 2019-03-11 2019-05-28 长安大学 基于多源数据融合的危险品运输车辆预防跟踪系统及方法
CN109910909A (zh) * 2019-02-25 2019-06-21 清华大学 一种多车运动状态的汽车轨迹网联交互式预测方法
CN110009903A (zh) * 2019-03-05 2019-07-12 同济大学 一种交通事故现场还原方法
CN110264721A (zh) * 2019-07-01 2019-09-20 北京理工大学 一种城市交叉口周边车辆轨迹预测方法
CN110293968A (zh) * 2019-06-18 2019-10-01 百度在线网络技术（北京）有限公司 自动驾驶车辆的控制方法、装置、设备及可读存储介质
CN112017324A (zh) * 2019-05-31 2020-12-01 上海凌晗电子科技有限公司 一种驾驶信息实时交互系统及方法
CN114067556A (zh) * 2020-08-05 2022-02-18 北京万集科技股份有限公司 环境感知方法、装置、服务器和可读存储介质
US11661077B2 (en) 2021-04-27 2023-05-30 Toyota Motor Engineering & Manufacturing North America. Inc. Method and system for on-demand roadside AI service

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102665294A (zh) * 2012-04-25 2012-09-12 武汉大学 基于d-s证据理论的车载传感器网络事件区域检测方法
CN104537829A (zh) * 2014-12-09 2015-04-22 北京工业大学 一种用于智能交通物理仿真平台的智能小车及定位方法
CN104616502A (zh) * 2015-02-15 2015-05-13 北京工业大学 基于组合式车路视频网络的车牌识别与定位系统
CN106971536A (zh) * 2017-04-17 2017-07-21 武汉云砥信息科技有限公司 一种融合浮动车与路侧视频的高速公路拥堵状态检测方法
CN107544904A (zh) * 2017-08-21 2018-01-05 哈尔滨工程大学 一种基于深度cg‑lstm神经网络的软件可靠性预测模型
CN107609633A (zh) * 2017-05-03 2018-01-19 同济大学 车联网复杂网络中基于深度学习的车辆行驶影响因素的位置预测模型构造方法
CN107886750A (zh) * 2017-10-24 2018-04-06 北京邮电大学 一种基于超视距协同认知的无人驾驶汽车控制方法与系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102665294A (zh) * 2012-04-25 2012-09-12 武汉大学 基于d-s证据理论的车载传感器网络事件区域检测方法
CN104537829A (zh) * 2014-12-09 2015-04-22 北京工业大学 一种用于智能交通物理仿真平台的智能小车及定位方法
CN104616502A (zh) * 2015-02-15 2015-05-13 北京工业大学 基于组合式车路视频网络的车牌识别与定位系统
CN106971536A (zh) * 2017-04-17 2017-07-21 武汉云砥信息科技有限公司 一种融合浮动车与路侧视频的高速公路拥堵状态检测方法
CN107609633A (zh) * 2017-05-03 2018-01-19 同济大学 车联网复杂网络中基于深度学习的车辆行驶影响因素的位置预测模型构造方法
CN107544904A (zh) * 2017-08-21 2018-01-05 哈尔滨工程大学 一种基于深度cg‑lstm神经网络的软件可靠性预测模型
CN107886750A (zh) * 2017-10-24 2018-04-06 北京邮电大学 一种基于超视距协同认知的无人驾驶汽车控制方法与系统

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109769285A (zh) * 2019-02-18 2019-05-17 西安交通大学 一种基于位置预测的车辆间通信的路由方法
CN109910909B (zh) * 2019-02-25 2020-09-11 清华大学 一种多车运动状态的汽车轨迹网联交互式预测方法
CN109910909A (zh) * 2019-02-25 2019-06-21 清华大学 一种多车运动状态的汽车轨迹网联交互式预测方法
CN110009903A (zh) * 2019-03-05 2019-07-12 同济大学 一种交通事故现场还原方法
CN110009903B (zh) * 2019-03-05 2022-02-18 同济大学 一种交通事故现场还原方法
CN109816971A (zh) * 2019-03-11 2019-05-28 长安大学 基于多源数据融合的危险品运输车辆预防跟踪系统及方法
CN109816971B (zh) * 2019-03-11 2021-07-23 长安大学 基于多源数据融合的危险品运输车辆预防跟踪系统及方法
CN112017324A (zh) * 2019-05-31 2020-12-01 上海凌晗电子科技有限公司 一种驾驶信息实时交互系统及方法
CN110293968A (zh) * 2019-06-18 2019-10-01 百度在线网络技术（北京）有限公司 自动驾驶车辆的控制方法、装置、设备及可读存储介质
CN110264721A (zh) * 2019-07-01 2019-09-20 北京理工大学 一种城市交叉口周边车辆轨迹预测方法
CN114067556A (zh) * 2020-08-05 2022-02-18 北京万集科技股份有限公司 环境感知方法、装置、服务器和可读存储介质
CN114067556B (zh) * 2020-08-05 2023-03-14 北京万集科技股份有限公司 环境感知方法、装置、服务器和可读存储介质
US11661077B2 (en) 2021-04-27 2023-05-30 Toyota Motor Engineering & Manufacturing North America. Inc. Method and system for on-demand roadside AI service

Also Published As

Publication number Publication date
CN109272745B (zh) 2020-10-27

Similar Documents

Publication Publication Date Title
CN109272745A (zh) 一种基于深度神经网络的车辆轨迹预测方法
CN109118787A (zh) 一种基于深度神经网络的车辆速度预测方法
CN104778834B (zh) 一种基于车辆gps数据的城市道路交通拥堵判别方法
CN110562258B (zh) 一种车辆自动换道决策的方法、车载设备和存储介质
CN105513354A (zh) 基于视频的城市道路交通拥堵检测系统
CN110299011A (zh) 一种基于收费数据的高速公路任意断面的交通流预测方法
CN108710719A (zh) 基于冲突区侵占度的交叉口内部冲突消解仿真模拟方法
CN110371132A (zh) 驾驶员接管评估方法及装置
CN112258841B (zh) 一种基于它车辆轨迹预测的智能车辆风险评估方法
CN114446049B (zh) 基于社会价值取向的交通流预测方法、系统、终端及介质
CN109345832B (zh) 一种基于深度递归神经网络的城市道路超车预测方法
CN106205156A (zh) 一种针对部分车道车流突变的交叉口自愈合控制方法
CN110675626B (zh) 基于多维数据的交通事故黑点预测方法、装置及介质
CN112613225B (zh) 一种基于神经网络元胞传输模型的交叉口交通状态预测方法
CN109190811A (zh) 一种基于自适应扩展卡尔曼滤波的车辆速度跟踪方法
CN115662113A (zh) 一种信号交叉口人车博弈冲突风险评估与预警方法
CN112542049A (zh) 智慧交通综合管控平台
Wang et al. ARIMA Model and Few‐Shot Learning for Vehicle Speed Time Series Analysis and Prediction
CN115759329A (zh) 基于卷积神经网络的景区游客人数预测方法
CN109118786A (zh) 一种基于量化自适应卡尔曼滤波的车辆速度预测方法
CN117521937B (zh) 适于多维尺度的协同感知环境的动态路径诱导方法及系统
CN113362618B (zh) 基于策略梯度的多模式交通自适应信号控制方法及装置
Mohammadi et al. User throughput optimization for signalized intersection in a connected vehicle environment
CN113140108B (zh) 一种网联智能交通系统中的云端交通态势预测方法
CN113724507A (zh) 基于深度强化学习的交通控制与车辆诱导协同方法和系统

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