CN109636045A - 基于蚁群算法求解泰森多边形最短路径的车辆拦截方法 - Google Patents
基于蚁群算法求解泰森多边形最短路径的车辆拦截方法 Download PDFInfo
- Publication number
- CN109636045A CN109636045A CN201811541299.6A CN201811541299A CN109636045A CN 109636045 A CN109636045 A CN 109636045A CN 201811541299 A CN201811541299 A CN 201811541299A CN 109636045 A CN109636045 A CN 109636045A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- path
- crossing
- overall length
- tracking
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000005457 optimization Methods 0.000 title claims description 8
- 239000011159 matrix material Substances 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 6
- 239000003016 pheromone Substances 0.000 claims description 12
- 241000257303 Hymenoptera Species 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000033001 locomotion Effects 0.000 abstract description 4
- 238000013459 approach Methods 0.000 abstract description 2
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 5
- 238000003915 air pollution Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 125000002485 formyl group Chemical class [H]C(*)=O 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000008188 pellet Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明中涉及到一种基于智能算法的机动车拦截路径规划方法。本发明将城市路网的拓扑结构和车辆运动轨迹抽象成多为矩阵，以所有车辆为核心在矩阵中形成泰森多边形，计算目标车辆所在泰森多边形区域内的目标可到达路径总长，以目标车辆的预测路径为终点，用智能算法求在拦截车辆运动过程中使目标车辆泰森多边形区域内路径最短的路口位置，连接这些路口位置便得到最优拦截路径。本发明需要路网及车辆的轨迹信息，路网信息可直接通过地图获得，轨迹信息需要依靠城市路口监控，方法通过结合常用的路径寻优算法及简化面积计算的图形方法，为城市环境下的车辆拦截问题提供了新思路。
Description
技术领域
本发明中涉及到一种基于智能算法的机动车拦截路径规划方法，属于城市智能交通规划执法与环境保护领域。
背景技术
空气污染的主要来源是交通尾气污染。据统计，大气污染物中，机动车的排放物占60％-70％。机动车排放的有害成分主要包括铅、一氧化氮、碳氢化合物、氮氧化物、硫化物、醛、可吸入颗粒物及其他化合物等。近几年来，我国机动车保有量急剧增长，机动车使用频率高，使用周期长，其尾气排放污染日趋严重，因此急需进行有效的机动车污染防治。
限制污染排放是对污染治理最有效的办法，城市的空气污染主要由机动车尾气排放造成，因此限制机动车尾气排放能达到最直接的治理空气污染的目的。然而在当前背景下限制所有机动车尾气排放是很难实现的，现阶段实现污染治理的措施是限制城市内超标排放机动车。对机动车的拦截主要由发现目标、跟踪目标、拦截目标三部分组成，发现及跟踪目标依赖于现如今先进的监测设备及图像采集设备，实际中的成本原因使得城市路口这些设备的数量受限，因此需要对被拦截车辆的轨迹进行提前预测，同时合理的拦截路径能在缺少监测设备的情况下保证有效控制污染源，使污染程度降低到最小同时减少成本。因此车辆拦截问题成为城市移动污染源控制的关键技术。
发明内容
为克服设备数量受限制等问题，本发明提出一种基于智能算法的机动车拦截路径规划方法，利用交通路网的拓扑结构和一些容易获得的交通信息，比如超标排放车辆某时刻的位置或未来可能出现的位置，可以在监测设备尽可能少的情况下，使执法拦截车辆经过最快、最准确、效率最高的规划路径拦截超标排放车辆。
本发明提供的方法能在已知超标排放车辆的预测轨迹或不完全的实时位置的情况下发挥拦截作用，为尽可能快速准确得拦截超标排放车辆控制污染排放，通过结合图形与优化算法为拦截车辆提供最佳拦截路线。
本发明的技术方案：
本发明包括以下步骤：
步骤一：将城市路网及车辆行驶轨迹表示成矩阵：
以在路网上车辆的位置为中心形成泰森多边形，将路网分割成多个部分，计算每个多边形区域内目标可到达路径总长。
步骤二：运用智能算法计算多个拦截车辆从随机起点开始由不同方向到终点运动时，目标车辆所在多边形区域内的可达路径总长，由智能算法得到在这一过程中使得目标可到达路径总长一直最小的追踪车辆位置，关联这些位置得到最优拦截路径。
所述的步骤一中，将交通路网抽象成矩阵，以此来计算各路段长度，当两点间坐标为0,0则这两个路口无道路可相互到达。
智能算法选用蚁群算法，其搜索最佳拦截路径过程如下：
(1)首先将城市交通路网依据拓扑结构抽象成矩阵，为区域内的车辆和后期计算路径总长提供坐标数据。
(2)根据路网内车辆的位置生成泰森多边形，研究区域是非凸环境时多边形的边界将会是不规则的曲线，边界的形状由从以车辆为中心扩散的圆遇到障碍物时发生的散射决定，圆扩散的速度与车辆的行驶速度成正比。
(3)根据已有的监控信息初步确定目标车辆的预测轨迹，由预测轨迹上某点距目标车辆的距离以及目标车辆到该点所经过的路口数量赋予该点权值。
(4)用蚁群算法计算追踪车辆到预测轨迹上某点的最优路径，算法的起点是追踪车辆当前位置，算法终点是目标车辆的预测轨迹，目标函数是目标车辆所在泰森多边形区域内的可到达路径总长。
(5)考虑到拦截的实际情况是拦截车辆的速度始终大于目标车辆的速度，拦截车辆总是能在目标车辆到达下一路口前提前到达下一路口，因此算法只根据车辆在路口的坐标计算。
(6)将多只蚂蚁放置在不同路口，算法开始时蚂蚁向临近的路口运动，由追踪车辆的数量选择不同路口数组合。由追踪车辆的位置计算出目标车辆所在区域内的路径总长，依据路径总长赋予该路口信息素，路径总长越短信息素浓度越高。
(7)所有车辆由新位置向下一时刻的位置运动，同样依据(6)中所述的路径总长赋予每个路口信息素浓度，直到计算到目标车辆的预测轨迹，追踪车辆提前于目标车辆到达预测路径上的某个路口，则由该路口延伸到追踪车辆当前位置的轨迹为有效追踪路径。
(8)根据目标车辆到预测轨迹上某点所经过的路口数n，找出追踪车辆到预测轨迹上该点所经过的路口数小于或等于n的轨迹，同时根据该轨迹确定于其组合使得信息素浓度最高的其他追踪车辆的轨迹。这些轨迹即为最优追踪路径。
其中路径总长的计算模型如下：
式中cri表示与圆边界相交的路口，pe表示目标坐标，Ls表示路径总长，以此方法计算出的路径长度成为可达路径长度，这种计算方式可以有效避免在计算路径总长时，将无效路径长度也计算到总长内。
本发明的有益效果：
(1)本发明需要的信息更少，只利用了交通路网的拓扑结构和一些容易获得的交通信息，比如研究车辆的部分实时位置或预测轨迹，即可获得对超标排放车辆的最佳拦截路径。
(2)本发明利用智能算法结合图形计算，使得在拦截路径规划的计算过程中准确率更高计算速度更快。结合Voronoi多边形内的所有位置点到中心点距离最短的特点，Voronoi多边形的中心点的活动范围只能在多边形内，首次将基于图形面积的方法和智能算法相结合的拦截方法应用到车辆拦截中。
(3)本发明在车辆路径规划首次将智能算法与图形方法相结合。基于智能算法与图形面积最小原理，将城市交通路网抽象为坐标矩阵，并通过泰森多边形区域分割法确定本发明的目标函数为可到达路径最短，由蚁群算法寻找超标排放车辆可到达路径最短的追踪车辆的位置，并最终由这些位置组成最优拦截路径，相比传统的拦截方法，本发明使追踪车辆不必实时获取超标车辆的位置信息也可完成拦截任务。
附图说明
图1发明方法流程图；
图2研究区域二值图；
图3泰森多边形形成图；
图4拦截过程示意图。
具体实施方式
下面结合实例和附图对本发明作进一步描述，但本发明的保护范围并步限于此。
本实施例具体过程如下，见图1：
步骤一：将城市交通路网(如图2)依据拓扑结构和车辆位置抽象成一个平面坐标矩阵，如下：
其中坐标为零的点是无法到达的路口，坐标的生成主要还是根据路口的位置。
1、将交通路网抽象成矩阵，如图2上即为研究区域内每个路口的坐标值，直接通过两点间的欧式距离就可计算得到某条道路的长度，坐标为零的点表示不存在的路口无法进行计算。
2、然后根据在区域内的车辆的位置分布形成Voronoi多边形，见图3，并根据已有信息获取车辆的部分实时位置或预测路径。
3、在完成区域分割后，计算超标排放车辆所在Voronoi区域的面积，可以先计算Voronoi区域间的分界线方程，以及这些分界线的交点，在已知这些点坐标的情况下便可以通过三角形分割求出各个区域的面积。面积计算的目的是在用蚁群算法求取最佳路径时，可以作为利用路径总长求取最佳路径时的对照组，从而提高精确度。
4、接下来是计算可到达路径总长，以目标所在的点为圆心形成半径不断增长的圆，当圆周遇到路口时，计算当前路口cri与上一个与到的路口cri-1的距离，不断重复该过程直到圆半径增长到所在区域最远的顶点，最后累加这些距离即得到区域内路径总长：
步骤二：基于蚁群算法求解最佳拦截路径
1、在能够求出区域内可到达路径总长的基础上，以超标排放车辆和追踪车辆的位置为输入，以可到达路径总长为蚁群算法的目标函数，根据超标排放车辆所在区域的可到达路径总长确定信息素浓度，根据信息素浓公式：
更新信息素浓度，式子中一般ρ＝0.5，表示信息素增量，m表示计算中蚂蚁的数量。
2、在缺少超标排放车辆实时位置或预测轨迹的情况下，由蚁群算法确定区域内两种车辆所有路口组合的信息素浓度，以超标排放车辆的位置坐标为参考，建立与路口坐标矩阵同纬度的信息素矩阵，根据超标排放车辆对应坐标矩阵中的实时位置，配合信息素矩阵选取追踪车辆下一步的位置。
情况一：已知超标排放车辆的预测轨迹
(1)、当已知超标排放车辆的预测轨迹时，同样以超标排放车辆和追踪车辆的位置为输入，以可到达路径总长为蚁群算法的目标函数，根据可到达路径总长确定信息素浓度，此时蚁群算法的终点改为预测路径，所有蚂蚁移动到预测路径时算法结束。从追踪车辆的起点开始沿信息素浓度高的路口，构成一条由起点到预测路径的拦截路径，追踪车辆直接前往预测路径。(如图4)图中圆表示超标排放车辆，三角形表示拦截车辆，虚线表示超标排放车辆的预测路径，实现表示拦截车辆的运动轨迹。
(2)、在追踪车辆到达预测路径上某路口后，若超标排放车辆仍未到达该路口，则追踪车辆沿着预测路径往超标排放车辆相反方向运动直到拦截成功。由于是预测路径，最终拦截成功率还需要考虑该路口的预测准确度，预测准确度权值由预测时给出，与捕获率为乘积关系。
情况二：已知少量超标排放车辆的实时位置
已知少量的实时位置的情况，相当于已知距离较短的预测路径，与第二点相同仍以预测路径为蚁群算法的终点，算法的终点将根据目标的位置变化而不断改变，当出现实时路径时调整算法的终点，以此来动态规划最佳拦截路径。
总之，本发明更具可行性，相比于传统的追踪拦截方法，本发明更加灵活高效，利用了交通路网的拓扑结构，图形区域划分于智能算法相结合的形式，来规划拦截车辆的路径，提高了拦截效率和拦截成功率，对城市机动车拦截问题的研究提供了新的思路和方法。
提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。
Claims (4)
1.基于蚁群算法求解泰森多边形最短路径的车辆拦截方法，其特征包括以下步骤：
步骤一：将城市路网及车辆行驶轨迹表示成矩阵形式，以在路网上车辆的位置为中心形成泰森多边形，将路网分割成多个部分，计算每个多边形区域内目标可到达路径总长；
步骤二：运用智能算法计算多个拦截车辆从随机起点开始由不同方向到终点运动时，目标车辆所在多边形区域内的可达路径总长，由智能算法得到在这一过程中使得目标可到达路径总长一直最小的追踪车辆位置，关联这些位置得到最优拦截路径。
2.根据权利要求1所述的基于蚁群算法求解泰森多边形最短路径的车辆拦截方法，其特征在于：所示步骤一中，将交通路网抽象成矩阵，以此来计算各路段长度，当两点间坐标为0,0则这两个路口无道路可相互到达。
3.根据权利要求1所述的基于蚁群算法求解泰森多边形最短路径的车辆拦截方法，其特征在于：所述的智能算法采用蚁群算法，蚁群算法搜索最佳拦截路径过程如下：
(1)根据已有的监控信息初步确定目标车辆的预测轨迹，由预测轨迹上某点距目标车辆的距离以及目标车辆到该点所经过的路口数量赋予该点权值；
(2)用蚁群算法计算追踪车辆到预测轨迹上某点的最优路径，算法的起点是追踪当前位置，算法终点是目标车辆的预测轨迹，目标函数是目标车辆所在泰森多边形区域内的可到达路径总长；
(3)将多只蚂蚁放置在不同路口，算法开始时蚂蚁向临近的路口运动，由追踪车辆的数量选择路口数组合；由追踪车辆的位置计算出目标车辆所在区域内的路径总长，依据路径总长赋予该路口信息素，路径总长越短信息素浓度越高；
(4)所有车辆由新位置向下一位置运动，同样依据(3)中所述的路径总长赋予每个路口信息素浓度，直到计算到目标车辆的预测轨迹，追踪车辆提前于目标车辆到达预测路径上的某个路口，则由该路口延伸到追踪车辆当前位置的轨迹为有效追踪路径；
(5)根据目标车辆到预测轨迹上某点所经过的路口数n，找出追踪车辆到预测轨迹上该点所经过的路口数小于或等于n的轨迹，同时根据该轨迹确定于其组合使得信息素浓度最高的其他追踪车辆的轨迹，这些轨迹即为最优追踪路径。
4.根据权利要求1所述的一种基于蚁群算法求解泰森多边形最短路径的车辆拦截方法，其特征在于：路径总长Ls的计算模型如下：
式中cri表示与圆边界相交的路口，pe表示目标坐标，Ls表示路径总长。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811541299.6A CN109636045B (zh) | 2018-12-17 | 2018-12-17 | 基于蚁群算法求解泰森多边形最短路径的车辆拦截方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811541299.6A CN109636045B (zh) | 2018-12-17 | 2018-12-17 | 基于蚁群算法求解泰森多边形最短路径的车辆拦截方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109636045A true CN109636045A (zh) | 2019-04-16 |
| CN109636045B CN109636045B (zh) | 2022-12-16 |
Family
ID=66074421
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811541299.6A Active CN109636045B (zh) | 2018-12-17 | 2018-12-17 | 基于蚁群算法求解泰森多边形最短路径的车辆拦截方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109636045B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110110919A (zh) * | 2019-04-30 | 2019-08-09 | 杭州电子科技大学 | 基于粒子群算法与区域可到达路径最小化的目标拦截方法 |
| CN111899508A (zh) * | 2020-07-08 | 2020-11-06 | 合肥驭翔机动车检测服务有限公司 | 一种机动车尾气拦截检测方法及其系统 |
| CN113364829A (zh) * | 2020-11-06 | 2021-09-07 | 公安部第三研究所 | 一种智能路面拦截系统及方法 |
| CN114048277A (zh) * | 2021-11-15 | 2022-02-15 | 江西方兴科技有限公司 | 一种高速公路智能稽查追逃系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101122974A (zh) * | 2007-09-13 | 2008-02-13 | 北京航空航天大学 | 基于Voronoi图和蚁群优化算法的无人机航路规划方法 |
| US8260485B1 (en) * | 2007-04-26 | 2012-09-04 | The Boeing Company | Adaptive multi-vehicle area coverage optimization system and method |
| CN103729892A (zh) * | 2013-06-20 | 2014-04-16 | 深圳市金溢科技有限公司 | 车辆定位方法、装置及处理器 |
-
2018
- 2018-12-17 CN CN201811541299.6A patent/CN109636045B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8260485B1 (en) * | 2007-04-26 | 2012-09-04 | The Boeing Company | Adaptive multi-vehicle area coverage optimization system and method |
| CN101122974A (zh) * | 2007-09-13 | 2008-02-13 | 北京航空航天大学 | 基于Voronoi图和蚁群优化算法的无人机航路规划方法 |
| CN103729892A (zh) * | 2013-06-20 | 2014-04-16 | 深圳市金溢科技有限公司 | 车辆定位方法、装置及处理器 |
Non-Patent Citations (3)
| Title |
|---|
| HUANG LIWEI,等: "A novel coordinated path planning method using k-degree smoothing for multi-UAVs", 《APPLIED SOFT COMPUTING》 * |
| 王振华，等: "基于改进多目标蚁群算法的无人机路径规划", 《计算机应用研究》 * |
| 葛奔等: "基于泰森多边形服务分区的常规公交站点布局优化", 《武汉工程大学学报》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110110919A (zh) * | 2019-04-30 | 2019-08-09 | 杭州电子科技大学 | 基于粒子群算法与区域可到达路径最小化的目标拦截方法 |
| CN111899508A (zh) * | 2020-07-08 | 2020-11-06 | 合肥驭翔机动车检测服务有限公司 | 一种机动车尾气拦截检测方法及其系统 |
| CN111899508B (zh) * | 2020-07-08 | 2022-03-29 | 合肥驭翔机动车检测服务有限公司 | 一种机动车尾气拦截检测方法及其系统 |
| CN113364829A (zh) * | 2020-11-06 | 2021-09-07 | 公安部第三研究所 | 一种智能路面拦截系统及方法 |
| CN114048277A (zh) * | 2021-11-15 | 2022-02-15 | 江西方兴科技有限公司 | 一种高速公路智能稽查追逃系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109636045B (zh) | 2022-12-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109636045A (zh) | 基于蚁群算法求解泰森多边形最短路径的车辆拦截方法 | |
| CN106225791B (zh) | 一种基于网格划分的gps定位与道路匹配方法 | |
| CN110110919A (zh) | 基于粒子群算法与区域可到达路径最小化的目标拦截方法 | |
| Kaiwartya et al. | Geometry-based localization for GPS outage in vehicular cyber physical systems | |
| CN109863513B (zh) | 用于自主车辆控制的神经网络系统 | |
| CN103542858B (zh) | 车辆到达目标能力评估方法，数据库生成方法、导航系统 | |
| RU2741818C1 (ru) | Способ формирования энергоэффективного трека транспортного средства, устройство формирования энергоэффективного трека и система формирования энергоэффективного трека | |
| US20210009154A1 (en) | Centralized Shared Autonomous Vehicle Operational Management | |
| CN109697875A (zh) | 规划行驶轨迹的方法及装置 | |
| CN110111566A (zh) | 轨迹预测方法、装置和存储介质 | |
| CN104933869A (zh) | 一种带抗噪声的使用卫星定位数据进行车辆违章行为辨识的方法 | |
| CN111121785B (zh) | 一种基于图搜索的无道路路径规划方法 | |
| CN104897168A (zh) | 基于道路危险评估的智能车路径搜索方法及系统 | |
| CN112683290B (zh) | 一种车辆轨迹规划方法、电子设备及计算机可读存储介质 | |
| CN112379697B (zh) | 轨迹规划方法、装置、轨迹规划器、无人机及存储介质 | |
| CN108091134B (zh) | 一种基于手机信令位置轨迹数据的通用数据集生成方法 | |
| CN110285817B (zh) | 基于自适应d-s证据理论的复杂路网地图匹配方法 | |
| Yue et al. | Evolution of road traffic congestion control: A survey from perspective of sensing, communication, and computation | |
| CN103903468A (zh) | 道路拥堵时间预警方法及装置 | |
| CN115407784A (zh) | 一种基于空地信息互补的无人车路径规划方法 | |
| Li et al. | Dynamic traffic light control scheme for reducing CO2 emissions employing ETC technology | |
| CN110109159A (zh) | 行驶管理方法、装置、电子设备及存储介质 | |
| Bakibillah et al. | Predictive car-following scheme for improving traffic flows on urban road networks | |
| Maglaras et al. | Clustering in urban environments: Virtual forces applied to vehicles | |
| CN111126878B (zh) | 一种基于生态指数的城市交通运行评价方法 |
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 |