CN109410608A - 基于卷积神经网络的图片自学习交通信号控制方法 - Google Patents
基于卷积神经网络的图片自学习交通信号控制方法 Download PDFInfo
- Publication number
- CN109410608A CN109410608A CN201811316092.9A CN201811316092A CN109410608A CN 109410608 A CN109410608 A CN 109410608A CN 201811316092 A CN201811316092 A CN 201811316092A CN 109410608 A CN109410608 A CN 109410608A
- Authority
- CN
- China
- Prior art keywords
- picture
- time
- convolutional neural
- neural networks
- traffic
- 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
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- 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
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
Abstract
本发明公开了基于卷积神经网络的图片自学习交通信号控制方法,对不同相位关键车流车辆排队长度的图片进行分类,建立图片数据集,以及不同相位关键车流车辆排队长度的类别图片与相应的绿灯显示时间的关系库;以所述关系库为基础,得到当前周期中当前相位绿灯显示时间,通过图片处理装置和信号控制器实现实时信号控制。本发明基于图片自学习的交通信号控制方法,不需要交通流检测器检测的精确交通流量,而是通过获取不同周期不同相位的排队车辆图片,进而得出绿灯显示时间,对道路交通进行实时控制。
Description
技术领域
本发明涉及交通信号控制技术领域,特别涉及基于卷积神经网络的图片自学习交通信号控制方法。
背景技术
平面交叉口延误是城市道路车辆延误的主要形式,据统计城市道路中80%的延误是由于平台交叉口导致的。实行交通信号控制的平台交叉口,交通信号控制方案的不合理也是导致交叉口车辆延误的重要因素。因此,对交通信号控制方法的研究一直是智能交通领域研究的重点。
目前我国信号控制中的配时方法有美国的HCM法、英国的TRRL法(也称Webster法)、澳大利亚的ARRB法,中国《城市道路设计规范》中推荐的停车线法、冲突点法等。这些信号配时方法大都以车辆通行率最大或者车辆延误最小为优化目标,计算信号周期,在根据车流量分配各个相位的绿灯放行时间。交通信号控制系统交通参数主要依靠环形线圈、微波等检测器的等进行采集。随着视频处理技术成熟、视频在智能交通的普及应用,越来越多的信号机厂商及互联网企业开始将视频作为信号控制系统的数据来源,如青岛海信的Hicon系统、天津通翔的Smart UTC系统、浙大中控的Intellific系统、上海宝康的Mitco系统、Alibaba在杭州的城市大脑项目、华为的交通信号优化的“TrafficGo方案”等。
将视频作为信号控制系统的数据来源,对于交通信号的优化取得了较为理想的效果,但存在各家算法不公开,且视频处理复杂、大量视频传输需要高带宽网络问题的缺点,投入成本较大。
深度学习是近十年来人工智能领域取得的重要突破。它在语音识别、自然语言处理、计算机视觉、图片与视频分析、多媒体等诸多领域的应用取得了巨大成功,现有的深度学习模型属于神经网络,神经网络的起源可追溯到20世纪40年代,曾经在八九十年代流行。
2006年,Hinton等在Science上提出了深度学习,这篇文章的两个主要观点是:
(1)多隐层的人工神经网络具有优异的特征学习能力,学习到的数据更能反映数据的本质特征,有利于可视化或分类;
(2)深度神经网络在训练上的难度,可以通过逐层无监督训练有效克服。在2012年,Alex Krizhevsky团队凭借卷积神经网络在ImageNet挑战赛中,把图片识别分类误差记录从26%降到了15%,大大提高了图片的分类水平。
与浅层学习模型相比,深度学习构造了具有多隐层的学习模型,设计了有效的学习算法并能够加速计算,从而能够对大数据进行处理;通过深度学习能够得到更高层的特征,从而提高样本的识别率或预测的准确率。基于深度学习架构的人工智能如今已被广泛应用于计算机视觉、自然语言处理、传感器融合、目标识别、自动驾驶等汽车行业的各个领域。
在信号控制实际应用过程中,信号控制系统并不需要非常精确的交通流量。可以通过从视频中截取带有关键信息的图片,进行计算机视觉图片自学习方法,判断交叉口交通状况,进而对优化信号控制方案。
王新元等利用机器视觉,采用四个STM32F103作为嵌入式控制器,利用摄像头采集路口车流情况,将四个不同方向的车流情况信息传输给控制器,控制器进行汇总并做出决策,实现智能调控信号灯的变换时间。
浙江工业大学汤一平教授在2016年申请发明专利《一种基于深度卷积神经网络的交通信号灯控制方法》(专利公开号CN106023605A)公开一种基于深度卷积神经网络的交通信号灯控制方法,通过检测各个出口道的流量,解决交叉口出口交通流量溢出的问题。
北京中星微电子有限公司提出一种交通信号灯的控制方法及系统(专利公开号CN101577054A),该专利公开了一种交通信号灯的控制方法,所述交通信号灯用于针对路口的各个通行方向提供通行指示时间的控制,所述的方法包括:采集路口的视频图像,所述视频图像至少包括目标通行方向的视频图像:从所述视频图像中识别出目标通行方向的区域特征信息:依据所述区域特征信息计算相应目标通行方向的交通信号灯的通行指示时间。本发明可以实时、动态地适应每个路口各方向在各个时段交通流量的变化,从而提高道路通行效率。
大连理工大学发明了一种基于深度强化学习的交通信号自适应控制方法(专利公开号CN106910351A),该发明涉及交通控制及人工智能技术领域,一种基于深度强化学习的交通信号自适应控制方法,包括以下步骤:(1)定义交通信号控制agent、状态空间S、动作空间A和回报函数r;(2)深度神经网络的预训练;(3)使用深度强化学习方法对神经网络进行训练;(4)依据训练好的深度神经网络进行交通信号控制。
以上公开的研究及发明成果是基于卷积神经网络对各个进口道/出口道的流量,无法针对当前情况作出灵活的适应性变化,无法解决城市路口部分拥堵,部分无车的现象。
发明内容
有鉴于现有技术的上述缺陷,本发明提供基于卷积神经网络的图片自学习交通信号控制方法,实现的目的之一是不需要交通流检测器检测,通过获取不同周期不同相位的排队车辆图片,进而得出绿灯显示时间,对道路交通进行实时控制,达到实时优化信号控制方案的目的。
为实现上述目的,本发明公开了基于卷积神经网络的图片自学习交通信号控制方法,步骤如下:
A、对信号控制中同一相位车辆的最大排队长度图片进行分类,并对所述最大排队长度图片进行图片归一化处理,建立所述同一相位车辆的所述最大排队长度图片的分类图片数据集;
B、将与所述分类图片数据集对应的,且在每一相应相位中,发生车辆排队的区域标定为标定区域;
将每一所述标定区域均作为卷积神经网络的图片自学习的感兴趣区域;
对每一所述感兴趣区域进行ROI区域提取,构建每一所述感兴趣区域的训练方法;以所述训练方法对相应所述感兴趣区域进行训练,得到所述卷积神经网络的各项初选参数;
将所述各项初选参数用于每一相位的所述车辆的最大排队长度图片的分类检测;
C、对采用所述各项初选参数的所述卷积神经网络进行图片分类正确率η检验,正确率η为正确分类图片与分类图片总体之比,正确率大于或等于η时,所述初选参数符合要求为各项合格参数,急需执行步骤D;否则返回所述步骤A;
D、重复执行步骤A至步骤C直至得到符合步骤C要求的每一所述相位的所述卷积神经网络的所述各项合格参数;
E、将建立的训练好的每一相位的神经网络移植到图片处理装置;
F、对完成移植的所述图片处理装置初始化,点亮信号灯,对图片进行分类,不同类别的图片对应所述图片处理装置的存储器中不同的绿灯显示时长,实现交通信号的实时控制;
G、将所述信号灯所在的交叉路口中,各进口道方向的采集摄像头采集的交通视频实时传输至所述图片处理装置的图片处理单元;
H、在每一信号灯的开始时刻,所述图片处理装置的信号控制器对所述图片处理单元发出指令,截取当前图片,并对所述当前图片进行所述ROI区域提取,并运用卷积神经网络算法分类,得到相应的所述信号灯的显示时间;
I、将所述显示时间发送至所述信号控制器,所述信号控制器控制相应的所述信号灯根据所述显示时间进行实时信号控制;
J、重复上述步骤F至I,直至完成每一所述信号灯的所述实时信号控制。
优选的,如所述图片处理装置与所述信号控制器之间的通信中断或者其他设备发生故障,所述信号控制器降阶控制,所述降阶控制为固定信号控制方案或者黄闪。
优选的,当所述交叉口车辆饱和状态或过饱和状态时,在所述步骤H中,所述信号灯的开始时刻为绿灯结束-黄灯开始时刻;
进行所述ROI区域提取,并运用卷积神经网络算法分类后,根据排队长度调整下一周期的绿灯显示时间。
本发明的有益效果:
本发明基于图片自学习的交通信号控制方法,不需要交通流检测器检测的精确交通流量,通过获取不同周期不同相位的排队车辆图片,进而得出绿灯显示时间,对道路交通进行实时控制。
本发明的应用克服了传统信号控制方法的通过车流量计算信号控制周期,进而分配各个相位绿灯显示时间的需要采集信号交叉口精确车流量、不能对当前周期实时优化的弊端,可提高信号交叉口的通行效率,减少交叉口绿灯损失时间。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1示出本发明一实施例的流程图。
图2示出本发明一实施例的交叉口示意图。
图3示出本发明一实施例基于CNN的图片分类示意图。
具体实施方式
实施例
以某一具有左转专用相位的十交叉口的视频交通流检测数据,采用如图1所示,对基于卷积神经网络的图片自学习交通信号控制方法进行分析。
如图2所示的交叉口,东进口方向具有一根左转、两根直行、一根右转车道,西进口方向具有一根左转、三根直行、一根右转车道,南北方向各具有两根直右、直左车道。信号相位为东西直行、东西左转、南北直左三相位(东西方向设有专用左转相位,且设置左转待转区),摄像头安装位置在4个进口道。南北方向人行道(过街斑马线)长度为37米,东西方向人行道长度(过街斑马线)长度为14米。
以东西直行相位为例,对信号控制中同一相位车辆最大排队长度的图片分类并进行图片归一化处理,将图片分为VL、L、M、H、VH五类,建立同一相位车辆最大排队长度分类图片的数据集。对数据集中的该相位排队车辆对应的区域进行标定,作为图片自学习的感兴趣区域(Region of Interest,ROI),ROI为同一相位交叉口排队车辆所占的区域,ROI的区域选择,可采用坐标法(选择感兴趣区域的四个点组成封闭式四边形);然后,对ROI区域进行提取,构建卷积神经网络分类图片的感兴趣区域进行的训练(见图3),得到卷积神经网路的各项参数用于车辆最大排队长度的图片分类检测。
对卷积神经网络进行图片分类正确率检验,正确率大于或等于η时,(本实施例中η取值为0.9)进行下一步,否则通过增加样本数、训练次数或者调节网络的参数重新训练。将训练好的不同相位的神经网络移植到图片处理装置,上述步骤为数据集的构建以及卷积神经网络训练阶段及迁移阶段。
初始化,点亮信号灯,通过图片自学习将训练的神经网络对图片进行分类,不同类别的图片对应图片处理装置中存储器中不同的绿灯显示时长,实现交通信号实时的控制;四个进口道方向摄像头采集的交通视频实时传输至图片处理单元;当某一相位绿灯开始时刻,信号控制器对图片处理模块发出指令,截取当前图片,进行归一化处理,并对当前图片进行ROI区域提取,运用卷积神经网络进行图片分类,得出图片属于VL、L、M、H、VH五类中的类别,利用排队长度的类别图片与相应的绿灯显示时间的关系库,进而得到绿灯显示时间;将绿灯显示时间发送至信号控制器,信号控制器控制绿灯显示时间;重复上述步骤形成完整的实时信号控制系统。
不考虑全红的情况下,各相位的绿灯显示与黄灯时间之和为信号控制周期。对于各相位的绿灯显示时间需要综合考虑车辆通过时间、行人过街时间等最小绿灯时间以及车辆、行人等待忍耐限度的最大绿灯时间。
本十字形交叉口三相位分类图片对应的绿灯显示时间如下表。
上表中的绿灯显示时间确定:
以东西直行相位为例,VL最小等级分类图片的绿灯显示时间,一般为行人过街的最小绿灯时间,东西方向人行道长度(过街斑马线)长度为14米,行人步行速度一般为1.2米/秒,因此,VL对应的绿灯显示时间为12秒(14/1.2取整);VH最大等级分类图片的绿灯显示时间,需要摄像头最远可以拍摄的长度以及行人、驾驶人排队等候忍耐时间确定,本实施例交叉口采用的摄像头可以拍摄到100米,VH对应的绿灯显示时间取45。
交叉口各相位绿灯显示时间及信号控制周期,如公式(1)所示:
其中:C—信号控制周期;
3N为黄灯时间为3秒,N为相位数;
gi为第i相位的绿灯显示时间;
gmin为最小绿灯时间;
gmax为最大绿灯时间。
例如,实施例中某一个周期的东西直行对应的图片分类为H级(36秒),东西左转对应的M级(26秒),南北直左对应的图片分类为L级(18秒),不考虑全红的情况下,本周期的信号周期为89秒。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (3)
1.基于卷积神经网络的图片自学习交通信号控制方法,步骤如下:
A、对信号控制中同一相位车辆的最大排队长度图片进行分类,并对所述最大排队长度图片进行图片归一化处理,建立所述同一相位车辆的所述最大排队长度图片的分类图片数据集;
B、将与所述分类图片数据集对应的,且在每一相应相位中,发生车辆排队的区域标定为标定区域;
将每一所述标定区域均作为卷积神经网络的图片自学习的感兴趣区域;
对每一所述感兴趣区域进行ROI区域提取,构建每一所述感兴趣区域的训练方法;以所述训练方法对相应所述感兴趣区域进行训练,得到所述卷积神经网络的各项初选参数;
将所述各项初选参数用于每一相位的所述车辆的最大排队长度图片的分类检测;
C、对采用所述各项初选参数的所述卷积神经网络进行图片分类正确率η检验,正确率η为正确分类图片与总体图片之比,正确率大于或等于η时,所述初选参数符合要求为各项合格参数,急需执行步骤D;否则返回所述步骤A;
D、重复执行步骤A至步骤C直至得到符合步骤C要求的每一所述相位的所述卷积神经网络的所述各项合格参数;
E、将构建的训练好的每一相位的神经网络移植到图片处理装置;
F、对完成移植的所述图片处理装置初始化,点亮信号灯,对图片进行分类,不同类别的图片对应所述图片处理装置的存储器中不同的绿灯显示时长,实现交通信号的实时控制;
G、将所述信号灯所在的交叉路口中,各进口道方向的采集摄像头采集的交通视频实时传输至所述图片处理装置的图片处理单元;
H、在每一信号灯的开始时刻,所述图片处理装置的信号控制器对所述图片处理单元发出指令,截取当前图片,并对所述当前图片进行所述ROI区域提取,并运用卷积神经网络算法分类,得到相应的所述信号灯的显示时间;
I、将所述显示时间发送至所述信号控制器,所述信号控制器控制相应的所述信号灯根据所述显示时间进行实时信号控制;
J、重复上述步骤F至I,直至完成每一所述信号灯的所述实时信号控制。
2.根据权利要求1所述的基于卷积神经网络的图片自学习交通信号控制方法,其特征在于,如所述图片处理装置与所述信号控制器之间的通信中断或者其他设备发生故障,所述信号控制器降阶控制,所述降阶控制为固定信号控制方案或者黄闪。
3.根据权利要求1所述的基于卷积神经网络的图片自学习交通信号控制方法,其特征在于,当所述交叉口车辆饱和状态或过饱和状态时,在所述步骤H中,所述信号灯的开始时刻为绿灯结束-黄灯开始时刻;
进行所述ROI区域提取,并运用卷积神经网络算法分类后,根据排队长度调整下一周期的绿灯显示时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811316092.9A CN109410608B (zh) | 2018-11-07 | 2018-11-07 | 基于卷积神经网络的图片自学习交通信号控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811316092.9A CN109410608B (zh) | 2018-11-07 | 2018-11-07 | 基于卷积神经网络的图片自学习交通信号控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109410608A true CN109410608A (zh) | 2019-03-01 |
CN109410608B CN109410608B (zh) | 2021-02-05 |
Family
ID=65471982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811316092.9A Active CN109410608B (zh) | 2018-11-07 | 2018-11-07 | 基于卷积神经网络的图片自学习交通信号控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109410608B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110246345A (zh) * | 2019-05-31 | 2019-09-17 | 闽南师范大学 | 一种基于HydraCNN的信号灯智能控制方法和系统 |
CN112017455A (zh) * | 2020-09-16 | 2020-12-01 | 昆明理工大学 | 一种应用于智慧交通中的智能交通灯协调控制方法 |
CN112489456A (zh) * | 2020-12-01 | 2021-03-12 | 山东交通学院 | 基于城市主干线车辆排队长度的信号灯调控方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR19980701535A (ko) * | 1995-01-24 | 1998-05-15 | 워렌 리처드 보비 | 머신비젼 교통 검출기용 자동 차선 한정 장치 및 방법(automated lane definition for machine vision traffic detector) |
DE102015208139A1 (de) * | 2014-05-09 | 2015-11-12 | Xerox Corporation | Fahrzeuginsassenerfassung mittels des Abstands zwischen Beifahrer- und Fahrermerkmalen |
CN106910351A (zh) * | 2017-04-19 | 2017-06-30 | 大连理工大学 | 一种基于深度强化学习的交通信号自适应控制方法 |
CN107134156A (zh) * | 2017-06-16 | 2017-09-05 | 上海集成电路研发中心有限公司 | 一种基于深度学习的智能交通灯系统及其控制交通灯的方法 |
US20180218495A1 (en) * | 2017-02-02 | 2018-08-02 | International Business Machines Corporation | Systems and methods for automatic detection of architectural distortion in two dimensional mammographic images |
CN108596081A (zh) * | 2018-04-23 | 2018-09-28 | 吉林大学 | 一种基于雷达和摄像机融合的车辆行人探测方法 |
-
2018
- 2018-11-07 CN CN201811316092.9A patent/CN109410608B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR19980701535A (ko) * | 1995-01-24 | 1998-05-15 | 워렌 리처드 보비 | 머신비젼 교통 검출기용 자동 차선 한정 장치 및 방법(automated lane definition for machine vision traffic detector) |
DE102015208139A1 (de) * | 2014-05-09 | 2015-11-12 | Xerox Corporation | Fahrzeuginsassenerfassung mittels des Abstands zwischen Beifahrer- und Fahrermerkmalen |
US20180218495A1 (en) * | 2017-02-02 | 2018-08-02 | International Business Machines Corporation | Systems and methods for automatic detection of architectural distortion in two dimensional mammographic images |
CN106910351A (zh) * | 2017-04-19 | 2017-06-30 | 大连理工大学 | 一种基于深度强化学习的交通信号自适应控制方法 |
CN107134156A (zh) * | 2017-06-16 | 2017-09-05 | 上海集成电路研发中心有限公司 | 一种基于深度学习的智能交通灯系统及其控制交通灯的方法 |
CN108596081A (zh) * | 2018-04-23 | 2018-09-28 | 吉林大学 | 一种基于雷达和摄像机融合的车辆行人探测方法 |
Non-Patent Citations (1)
Title |
---|
杨旭华等: "基于RBF神经网络的单交叉口自学习控制系统", 《机电工程》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110246345A (zh) * | 2019-05-31 | 2019-09-17 | 闽南师范大学 | 一种基于HydraCNN的信号灯智能控制方法和系统 |
CN110246345B (zh) * | 2019-05-31 | 2020-09-29 | 闽南师范大学 | 一种基于HydraCNN的信号灯智能控制方法和系统 |
CN112017455A (zh) * | 2020-09-16 | 2020-12-01 | 昆明理工大学 | 一种应用于智慧交通中的智能交通灯协调控制方法 |
CN112489456A (zh) * | 2020-12-01 | 2021-03-12 | 山东交通学院 | 基于城市主干线车辆排队长度的信号灯调控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109410608B (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021232387A1 (zh) | 一种多功能的智能信号控制系统 | |
US11069233B1 (en) | Video-based main road cooperative signal machine control method | |
CN104077613B (zh) | 一种基于级联多级卷积神经网络的人群密度估计方法 | |
CN107134156A (zh) | 一种基于深度学习的智能交通灯系统及其控制交通灯的方法 | |
CN109410608A (zh) | 基于卷积神经网络的图片自学习交通信号控制方法 | |
CN106910351A (zh) | 一种基于深度强化学习的交通信号自适应控制方法 | |
CN111696348B (zh) | 一种多功能的智能信号控制系统和方法 | |
CN108831168B (zh) | 一种基于关联路口视觉识别的交通信号灯控制方法与系统 | |
CN109493599A (zh) | 一种基于生成式对抗网络的短时交通流预测方法 | |
WO2019179108A1 (zh) | 一种基于视频的十字路口信号机控制方法 | |
CN106652483A (zh) | 利用检测设备在区域公路网布设交通信息检测点的方法 | |
CN107103279A (zh) | 一种在垂直视角下基于深度学习的客流计数方法 | |
CN109272745A (zh) | 一种基于深度神经网络的车辆轨迹预测方法 | |
WO2023123906A1 (zh) | 交通信号灯控制方法及相关设备 | |
CN108320513A (zh) | 一种绿灯闪烁信号时行人过街行为分析方法 | |
CN109118787A (zh) | 一种基于深度神经网络的车辆速度预测方法 | |
Huang et al. | Traffic congestion level prediction based on recurrent neural networks | |
Liao et al. | Time difference penalized traffic signal timing by LSTM Q-network to balance safety and capacity at intersections | |
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 | |
Lawe et al. | Optimization of traffic signals using deep learning neural networks | |
Gupta et al. | Real-time traffic control and monitoring | |
Garg et al. | A deep reinforcement learning agent for traffic intersection control optimization | |
Desai et al. | Vehicle-Pedestrian Detection Methods for Urban Traffic Control System: A Survey | |
Zhou et al. | Video driven traffic modelling | |
LIN et al. | KeyLight: Intelligent Traffic Signal Control Method Based on Improved Graph Neural Network |
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 |