CN109711054B - 一种基于学习的用于车辆通信的车辆轨迹生成方法 - Google Patents
一种基于学习的用于车辆通信的车辆轨迹生成方法 Download PDFInfo
- Publication number
- CN109711054B CN109711054B CN201811612865.8A CN201811612865A CN109711054B CN 109711054 B CN109711054 B CN 109711054B CN 201811612865 A CN201811612865 A CN 201811612865A CN 109711054 B CN109711054 B CN 109711054B
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- input
- vissim
- parameters
- 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.)
- Active
Links
Images
Landscapes
- Traffic Control Systems (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明包含了一种基于学习的用于车辆通信的车辆轨迹生成模型,该模型主要基于VISSIM和极端学习机(Extreme learning Machine,ELM)。该方法针对不同的车辆密度来生成对应的车辆移动轨迹数据。提出了一种使用VISSIM这类交通仿真软件的新方法。首先利用VISSIM生成大量的仿真数据,然后把这些数据经过统计后使用ELM进行训练,训练后可以得到VISSIM的参数权值矩阵,利用这个参数权值矩阵来建立车辆移动轨迹生成模型。利用本模型可以方便的确定不同车辆密度的VISSIM仿真参数,这样可以让耗时耗力的交通仿真参数设置变得更加高效。
Description
技术领域
本发明包含一种车辆移动轨迹生成方法,应用于交通仿真和车辆通信路由协议测试。涉及一种交通仿真软件VISSIM和极端学习机(ELM),利用ELM来确定参数权值矩阵,然后建立一个VISSIM仿真模型来生成对应车辆密度的移动轨迹数据。
背景技术
随着通信和移动计算的发展,传统的社交网络服务不断发展,为随时随地提供更便捷的信息共享和在线交流方式。目前,智能手机已经相对先进,是十年来移动社交网络的主要平台载体。不难预见智能汽车将有可能成为未来移动社交网络的另一个载体。车载通信因其应用广泛而吸引了大量研究者。车载通信建立了车辆之间的通信平台,不仅提高了交通效率,而且为驾驶员带来了可靠的安全性和多种便利性,使旅行者的体验更加舒适。例如,通过获得超视觉范围内的其他车辆的信息(诸如速度,方向,位置等)和实时道路状况信息,应用车辆通信来支持安全驾驶。
在学术界和工业界,由于在现实环境中测试车辆通信的高成本,研究人员通常使用仿真来检查车辆通信的质量。特别地,对于车辆通信的仿真,由于车辆的动态和道路约束性质,车辆的运动轨迹是仿真更加接近实际性能结果的基础。因此,非常有必要产生接近真实车辆运动的节点轨迹。然而,由于隐私和安全问题,私家车的车辆运动数据很难获得,阻碍了对车辆通信的研究。生成接近真实的移动数据集一直是一个巨大的挑战,对于车辆通信的仿真也是至关重要的。
目前,针对移动轨迹的研究主要包含以下几个方面:应用浮动车数据(FloatingCar Data,FCD)、使用收集到的精确道路交通信息和采用政府工作报告。做了大量工作。孔祥杰等人通过划分城市功能区来分析中国北京的FCD。他们应用重力模型来预测车辆的起源-目的地(Origin-Destination,OD)矩阵。作为结果,他们通过使用模拟工具SUMO生成城市车辆的移动数据,从而重现该移动场景。将生成的车辆运动数据与北京的实际交通状况进行比较。结果表明,该方法在大多数区域产生精确的车辆轨迹,但不适用于火车站或公交车站等区域。
R.Ketabi提出了车辆移动场景生成的框架,即En Route。通过将该框架应用于行星尺度图像数据集(交通摄像机),他们通过OD矩阵模拟大规模城市场景(伦敦市)的交通需求。Y.Pigné和G.Danoy采用从流量计和OD矩阵模型收集的精确道路交通信息来模拟卢森堡人的车辆轨迹。由于在旅程中使用最短路径的影响,所生成的车辆数据在某些地方比实际数据大于政府统计数据。
S.Uppoor等人生成了在科隆持续24小时的社交车辆的轨迹,其中通过考虑微观驾驶员行为和宏观交通流量来设定每条道路的交通流量。然后他们使用Gawron的算法来平衡交通流量。最后,他们证明了考虑到微观行为,新数据集对网络性能评估产生了重大影响。但是,如果没有相对准确的政府研究数据,就不可能通过他们的方法生成数据集。
发明内容
针对现有车辆移动轨迹生成方法的不足,本发明提供一种仿真速度快,且不需要重复建模的基于ELM的VISSIM移动轨迹生成方法,包括如下步骤,
步骤1:处理车辆卡口数据,建立真实车辆流量模型;
步骤2:使用控制变量法来生成生成具有代表性的VISSIM实验数据集,即保持其他参数不变持续改变其中一个参数,生成了大量具有连续性的实验数据;
步骤3:使用ELM来训练上步生成的实验数据,训练完成后建立参数权值矩阵;
步骤4:利用步骤3生成的参数权值矩阵建立仿真模型,通过仿真模型得到不同车辆密度所对应的VISSIM仿真参数,然后根据这些参数设置VISSIM仿真软件的仿真参数,启动VISSIM仿真就可以得到该车辆密度所对应的车辆移动轨迹数据集。
进一步地,所述的步骤1具体的为,
步骤1.1:选取某区域内几条车道的车辆流量统计数据作为道路卡口数据,其中包含了该时间范围内通过卡口的所有车辆的信息,包括车牌号,通过卡口的时间、行车道号、车辆的颜色和监测点名称;对于这些卡口数据,首先对其进行预处理,以消除由于操作错误,数据存储异常和丢失数据导致的数据异常;
步骤1.2:将一天划分为12个时间段,每两个小时就是一个时间段,分别计算每个时段通过卡口的车辆数量,同一车道每天的车流量变化曲线趋于一致,进而可以根据不同的时间段来确定该道路或者区域所对应的车流量大小,即真实车流量模型。
进一步地,所述的步骤2中生成VISSIM实验数据集的具体步骤如下,
步骤2.1:构建道路拓扑,具体的从实际地图中选择仿真的相关区域,将需要使用的道路轨迹采用图片的方式下载,再把这张图片添加到VISSIM工作区中,构造出基于该图像的道路拓扑,最后对这些道路进行修缮得到道路拓扑图;
步骤2.2:在影响VISSIM仿真结果的参数中,选择其中四个影响较大的参数,分别是输入流量、输入车道数、输入比和输入时间;输入流量就是该车道每小时产生的车辆数量,输入车道数是产生输入流量的车道数,输入比是输入车道数与总车道数的比值,输入时间是输入车道产生车流量的时间;除了这四个输入参数外,将仿真区域内除了输入车道以外其他所有车道的平均车流量作为输出参数,也就是作为仿真结果来评价仿真产生的移动轨迹数据的好坏;建立好道路拓扑,再把这4个输入参数的值设置完毕后就可以开始进行VISSIM仿真;
步骤2.3:为了得到全面的实验数据集,采取控制变量法来产生实验数据,一个实验组里只持续改变一个输入参数,这样可以获得连续的数据;这样的数据可以直观的表现出该参数对实验结果造成的影响;不仅是改变参数,还需要使用不同的道路拓扑来生成数据;这样才能使这些数据更加具有代表性,这些数据训练出来的参数权值矩阵也就更加能代表这4个参数对实验结果的综合影响。
进一步地,所述的步骤3具体的为,
步骤3.1:使用ELM来对VISSIM生成的实验数据进行训练,ELM算法随机生成输入层连接权重和隐藏层连接权重以及隐藏层神经元的阈值;在训练过程中不需要调整,只需要设置隐藏层的神经元数量,可以获得唯一的最优解决方案;
步骤3.2:先确定隐藏层神经元个数,使用不同的神经元个数对数据进行训练,会产生不同的训练精度和测试精度;每个神经元个数做多次实验取平均值,平均训练精度和测试精度最小的隐藏层神经元个数就是最佳的隐藏层神经元个数;使用相同的训练数据和预测数据进行增量试验,隐层神经元数量初始值设为20,然后递增;可以发现在隐层神经元数量为1000时,ELM的训练精度和预测精度最优;
步骤3.3:确定隐藏层神经元个数后,使用1000个隐层神经元的ELM训练代码对VISSIM实验数据进行训练,经过训练得到了参数权值矩阵。
进一步地,所述的步骤4具体的为,
步骤4.1:首先建立仿真车流量模型,在其它参数不变的情况下,仿真的车辆密度的大小和输入时间有几乎呈线性的关系;即输入时间越久仿真车辆密度越大;所以建立一个输入时间和车流量密度模型,保持其它参数不变让输入时间从50增加到300,可以得到一个不同输入时间对应不同车流量密度的模型;
步骤4.2:生成车辆移动轨迹数据;根据步骤1中生成的真实车流量模型,可得到每个时间段对应的车辆密度;根据这个车辆密度在仿真车流量模型中找到对应的参数,把这些参数设置在VISSIM中就可以得到相应的车辆移动轨迹数据集。
利用本模型可以方便的确定不同车辆密度的VISSIM仿真参数,这样可以让耗时耗力的交通仿真参数设置变得更加高效。
附图说明
图1展示统计的景田路持续6天的车流量。
图2是使用VISSIM构建的道路拓扑图。
图3是景田路不同时间段的车流量模型。
图4是使用VISSIM仿真的场景图。
图5展示了车流量密度和输入流量之间的关系。
图6展示了用ELM训练的测试情况。
图7为本方案的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参考图1-7,本发明提供了一种基于学习的用于车辆通信的车辆轨迹生成方法,其特征在于:包括如下步骤,
步骤1:处理车辆卡口数据,建立真实车辆流量模型;
步骤1.1:选取某区域内几条车道的车辆流量统计数据作为道路卡口数据,其中包含了该时间范围内通过卡口的所有车辆的信息,包括车牌号,通过卡口的时间和行车道号、车辆的颜色和监测点名称;对于这些卡口数据,首先对其进行预处理,以消除由于操作错误,数据存储异常和丢失数据导致的数据异常。车道的卡口数据反映了车道的交通量,以及交通量和时间之间的关系。在不同时间道路上行驶的车辆的数量也是不同的,这对于轨迹数据生成是非常重要的。以景田路卡口车流量为例,经过数据的预处理和统计,图1展示了景田路持续6天的车流量,图1的横坐标为时间段坐标轴,每2小时为一个时间段。可以看到在这6天当中每天的车流量变化曲线大致相同。
步骤1.2:将一天划分为12个时间段,每两个小时就是一个时间段,分别计算每个时段通过卡口的车辆数量,同一车道每天的车流量变化曲线趋于一致,进而可以根据不同的时间段来确定该道路或者区域所对应的车流量大小,即真实车流量模型。将景田路6天的卡口车流量按时间段分类,然后相加求出平均值。这12个时间段的卡口数据的平均值就是该道路的车流量模型,图3是景田路的车流量模型。
步骤2:使用控制变量法来生成生成具有代表性的VISSIM实验数据集,即保持其他参数不变持续改变其中一个参数,生成了大量具有连续性的实验数据;
步骤2.1:构建道路拓扑,具体的从实际地图中选择仿真的相关区域,这样会使得生成的移动数据集更接近现实。从百度地图上选取一块合适的仿真区域,将需要使用的道路轨迹采用图片的方式下载,再把这张图片添加到VISSIM工作区中,构造出基于该图像的道路拓扑,最后对这些道路进行修缮得到道路拓扑图。图2是使用VISSIM构建的道路拓扑图。
步骤2.2:在影响VISSIM仿真结果的参数中,选择其中四个影响较大的参数,分别是输入流量、输入车道数、输入比和输入时间;输入流量就是该车道每小时产生的车辆数量,输入车道数是产生输入流量的车道数,输入比是输入车道数与总车道数的比值,输入时间是输入车道产生车流量的时间;参见表1为几个重要的VISSIM参数格式,
表1
除了这四个输入参数外,将仿真区域内除了输入车道以外其他所有车道的平均车流量作为输出参数,也就是作为仿真结果来评价仿真产生的移动轨迹数据的好坏;建立好道路拓扑,再把这4个输入参数的值设置完毕后就可以开始进行VISSIM仿真;图4是使用VISSIM生成实验数据的场景图。
步骤2.3:为了得到全面的实验数据集,采取控制变量法来产生实验数据,一个实验组里只持续改变一个输入参数,这样可以获得连续的数据;这样的数据可以直观的表现出该参数对实验结果造成的影响;不仅是改变参数,还需要使用不同的道路拓扑来生成数据;这样才能使这些数据更加具有代表性,这些数据训练出来的参数权值矩阵也就更加能代表这4个参数对实验结果的综合影响。图5展示了其它参数不变的情况下车流量密度和输入流量之间的变化关系。
步骤3:使用ELM来训练上步生成的实验数据,训练完成后建立参数权值矩阵;
步骤3.1:使用ELM来对VISSIM生成的实验数据进行训练,ELM是一种新的单隐层前馈神经网络(SLFN)算法。ELM算法随机生成输入层连接权重和隐藏层连接权重以及隐藏层神经元的阈值;此外,在训练过程中不需要调整,只需要设置隐藏层的神经元数量,可以获得唯一的最优解决方案。与传统的训练方法相比,ELM具有学习速度快,泛化性能好的优点。使用原生的ELM算法训练数据,在黄广斌教授的个人网站上可以下载到ELM的原生代码。
步骤3.2:隐藏层神经元的数量对ELM的训练结果有较大影响,所以先确定隐藏层神经元个数,使用不同的神经元个数对数据进行训练,会产生不同的训练精度和测试精度;每个神经元个数做多次实验取平均值,平均训练精度和测试精度最小的隐藏层神经元个数就是最佳的隐藏层神经元个数;使用相同的训练数据和预测数据进行增量试验,隐层神经元数量初始值设为20,然后递增。表2是本次增量试验中隐层神经元数目与ELM精度的关系。可以发现在隐层神经元数量为1000时,ELM的训练精度和预测精度最优。
表2
步骤3.3:确定隐藏层神经元个数后,使用1000个隐层神经元的ELM训练代码对VISSIM实验数据进行训练,经过训练得到了参数权值矩阵。图6展示了ELM的测试情况。
步骤4:利用步骤3生成的参数权值矩阵建立仿真模型,通过仿真模型得到不同车辆密度所对应的VISSIM仿真参数,然后根据这些参数设置VISSIM仿真软件的仿真参数,启动VISSIM仿真就可以得到该车辆密度所对应的车辆移动轨迹数据集。
步骤4.1:首先建立仿真车流量模型,在其它参数不变的情况下,仿真的车辆密度的大小和输入时间有几乎呈线性的关系;即输入时间越久仿真车辆密度越大;所以建立一个输入时间和车流量密度模型,保持其它参数不变让输入时间从50增加到300,可以得到一个不同输入时间对应不同车流量密度的模型;
步骤4.2:接下来生成车辆移动轨迹数据;根据步骤1中生成的真实车流量模型,可得到每个时间段对应的车辆密度;根据这个车辆密度在仿真车流量模型中找到对应的参数,把这些参数设置在VISSIM中就可以得到相应的车辆移动轨迹数据集;最后将VISSIM实际生成的实验数据和仿真车流量模型中的数据进行对比证明了,该方法是有效的。表3为仿真车流量模型,表4是景田路6种车流量密度对应的仿真模型中的实验数据和VISSIM中实际生成的实验数据对比表。
表3
表4
与以往的工作相比,提出的基于卡口数据和ELM的车辆移动轨迹生成方法打破了移动仿真对调查报告的依赖性,具有良好的实用性。并且本方案提出了一种使用像VISSIM这样的移动仿真工具的新方法。使用这种方法可以让繁琐的移动仿真变得简单又快捷。当想要生成目的车辆密度的移动轨迹数据集时,如何设置VISSIM参数一直是一个很大的问题。本文提出的方法基于车载卡口数据和ELM,打破了移动仿真对调查报告的依赖性,具有良好的便利性。可以说率先提出了一种使用像VISSIM这样的仿真工具的新方法。通过该方法获得的参数权重矩阵和交通流模型可以用于生成不同道路拓扑和车辆密度的移动轨迹数据集,并且不需要再次建模。此外,通过该技术方案的方法获得的车辆移动轨迹数据集将有助于车辆通信中的通信协议的仿真和评估。
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 (3)
1.一种基于学习的用于车辆通信的车辆轨迹生成方法,其特征在于:包括如下步骤,
步骤1:处理车辆卡口数据,建立真实车辆流量模型;
步骤2:使用控制变量法生成具有代表性的交通仿真软件VISSIM实验数据集;
VISSIM实验数据集的生成步骤如下,
步骤2.1:构建道路拓扑,具体的从实际地图中选择仿真的相关区域,将需要使用的道路轨迹采用图片的方式下载,再把这张图片添加到VISSIM工作区中,构造出基于图像的道路拓扑,最后对这些道路进行修缮得到道路拓扑图;
步骤2.2:在影响VISSIM仿真结果的参数中,选择其中四个影响较大的参数,分别是输入流量、输入车道数、输入比和输入时间;输入流量就是车道每小时产生的车辆数量,输入车道数是产生输入流量的车道数,输入比是输入车道数与总车道数的比值,输入时间是输入车道产生车流量的时间;除了这四个输入参数外,将仿真区域内除了输入车道以外其他所有车道的平均车流量作为输出参数,也就是作为仿真结果来评价仿真产生的移动轨迹数据的好坏;建立好道路拓扑,再把这4个输入参数的值设置完毕后就可以开始进行VISSIM仿真;
步骤2.3:为了得到全面的实验数据集,采取控制变量法来产生实验数据,一个实验组里只持续改变一个输入参数,这样可以获得连续的数据;这样的数据可以直观的表现出该参数对实验结果造成的影响;不仅是改变参数,还需要使用不同的道路拓扑来生成数据,使这些数据更加具有代表性,这些数据训练出来的参数权值矩阵也就更加能代表这4个参数对实验结果的综合影响;
步骤3:使用极端学习机ELM来训练上步生成的实验数据,训练完成后建立参数权值矩阵;所述的步骤3具体的为,
步骤3.1:使用ELM来对VISSIM生成的实验数据进行训练,ELM算法随机生成输入层连接权重和隐藏层连接权重以及隐藏层神经元的阈值;在训练过程中不需要调整,只需要设置隐藏层的神经元数量,可以获得唯一的最优解决方案;
步骤3.2:先确定隐藏层神经元个数,使用不同的神经元个数对数据进行训练,会产生不同的训练精度和测试精度;每个神经元个数做多次实验取平均值,平均训练精度和测试精度最小的隐藏层神经元个数就是最佳的隐藏层神经元个数;使用相同的训练数据和预测数据进行增量试验,隐层神经元数量初始值设为20,然后递增;在隐层神经元数量为1000时,ELM的训练精度和预测精度最优;
步骤3.3:确定隐藏层神经元个数后,使用1000个隐层神经元的ELM训练代码对VISSIM实验数据进行训练,经过训练得到了参数权值矩阵;
步骤4:利用步骤3生成的参数权值矩阵建立仿真模型,通过仿真模型得到不同车辆密度所对应的VISSIM仿真参数,然后根据这些参数设置VISSIM的仿真参数,启动VISSIM仿真就可以得到该车辆密度所对应的车辆移动轨迹数据集。
2.如权利要求1所述的一种基于学习的用于车辆通信的车辆轨迹生成方法,其特征在于:所述的步骤1具体的为,
步骤1.1:选取某区域内几条车道的车辆流量统计数据作为道路卡口数据,其中包含了该时间范围内通过卡口的所有车辆的信息,包括车牌号,通过卡口的时间、行车道号、车辆的颜色和监测点名称;对于这些卡口数据,首先对其进行预处理,以消除由于操作错误,数据存储异常和丢失数据导致的数据异常;
步骤1.2:将一天划分为12个时间段,每两个小时为一个时间段,分别计算每个时段通过卡口的车辆数量,同一车道每天的车流量变化曲线趋于一致,根据不同的时间段来确定该道路或者区域所对应的车流量大小,即真实车流量模型。
3.如权利要求1所述的一种基于学习的用于车辆通信的车辆轨迹生成方法,其特征在于:所述的步骤4具体的为,
步骤4.1:首先建立仿真车流量模型,在其它参数不变的情况下,仿真的车辆密度的大小和输入时间有几乎呈线性的关系;即输入时间越久仿真车辆密度越大;所以建立一个输入时间和车流量密度模型,保持其它参数不变让输入时间从50增加到300,可以得到一个不同输入时间对应不同车流量密度的模型;
步骤4.2:接下来生成车辆移动轨迹数据;根据步骤1中生成的真实车流量模型,可得到每个时间段对应的车辆密度;根据这个车辆密度在仿真车流量模型中找到对应的参数,把这些参数设置在VISSIM中就可以得到相应的车辆移动轨迹数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811612865.8A CN109711054B (zh) | 2018-12-27 | 2018-12-27 | 一种基于学习的用于车辆通信的车辆轨迹生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811612865.8A CN109711054B (zh) | 2018-12-27 | 2018-12-27 | 一种基于学习的用于车辆通信的车辆轨迹生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109711054A CN109711054A (zh) | 2019-05-03 |
CN109711054B true CN109711054B (zh) | 2022-12-23 |
Family
ID=66258755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811612865.8A Active CN109711054B (zh) | 2018-12-27 | 2018-12-27 | 一种基于学习的用于车辆通信的车辆轨迹生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109711054B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110532250B (zh) * | 2019-08-26 | 2023-04-07 | 腾讯科技(深圳)有限公司 | 交规数据的处理方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105074793A (zh) * | 2013-03-15 | 2015-11-18 | 凯利普公司 | 用于车辆路径规划和交通管理的车道级车辆导航 |
CN105371857A (zh) * | 2015-10-14 | 2016-03-02 | 山东大学 | 一种基于公交车gnss时空轨迹数据建构路网拓扑的装置及方法 |
CN107045639A (zh) * | 2017-03-13 | 2017-08-15 | 同济大学 | 一种基于时间自动机的跟车行为生成方法 |
US20180120843A1 (en) * | 2016-11-03 | 2018-05-03 | Mitsubishi Electric Research Laboratories, Inc. | System and Method for Controlling Vehicle Using Neural Network |
CN108446463A (zh) * | 2018-03-02 | 2018-08-24 | 南京航空航天大学 | 融合车辆动力学的微观交通流协同仿真平台、仿真方法及安全评价方法 |
CN108616816A (zh) * | 2018-05-07 | 2018-10-02 | 重庆邮电大学 | 一种基于极限学习的车辆轨迹预测和mec应用迁移方法 |
-
2018
- 2018-12-27 CN CN201811612865.8A patent/CN109711054B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105074793A (zh) * | 2013-03-15 | 2015-11-18 | 凯利普公司 | 用于车辆路径规划和交通管理的车道级车辆导航 |
CN105371857A (zh) * | 2015-10-14 | 2016-03-02 | 山东大学 | 一种基于公交车gnss时空轨迹数据建构路网拓扑的装置及方法 |
US20180120843A1 (en) * | 2016-11-03 | 2018-05-03 | Mitsubishi Electric Research Laboratories, Inc. | System and Method for Controlling Vehicle Using Neural Network |
CN107045639A (zh) * | 2017-03-13 | 2017-08-15 | 同济大学 | 一种基于时间自动机的跟车行为生成方法 |
CN108446463A (zh) * | 2018-03-02 | 2018-08-24 | 南京航空航天大学 | 融合车辆动力学的微观交通流协同仿真平台、仿真方法及安全评价方法 |
CN108616816A (zh) * | 2018-05-07 | 2018-10-02 | 重庆邮电大学 | 一种基于极限学习的车辆轨迹预测和mec应用迁移方法 |
Non-Patent Citations (2)
Title |
---|
Motion Planning with Velocity Prediction and Composite Nonlinear Feedback Tracking Control for Lane-Change Strategy of Autonomous Vehicles;Chen Y. etal.;《IEEE Transactions on Intelligent Vehicles》;20191231;第63-74页 * |
基于深度学习的交通流量预测;刘明宇 等;《系统仿真学报》;20181130;第30卷(第11期);第4100-4105页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109711054A (zh) | 2019-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9459111B2 (en) | Methods and apparatus for estimating power usage | |
Lemieux et al. | Vehicle speed prediction using deep learning | |
WO2017051411A1 (en) | Near real-time modeling of pollution dispersion | |
Hirschmann et al. | A new method to calculate emissions with simulated traffic conditions | |
Viswanathan et al. | Simulation-assisted exploration of charging infrastructure requirements for electric vehicles in urban environments | |
KR101815511B1 (ko) | 교통 시뮬레이션을 위한 프레임워크 및 이를 이용한 시뮬레이션방법 | |
CN105957348B (zh) | 一种基于gis和pems的城市公交线路节点处排放估算方法 | |
US20220335822A1 (en) | Method of determining the amount of pollutant emissions from a vehicle over a road network section | |
Valera et al. | Driving cycle and road grade on-board predictions for the optimal energy management in EV-PHEVs | |
Kraschl-Hirschmann et al. | A method for emission estimation for microscopic traffic flow simulation | |
CN113554263A (zh) | 基于交通仿真的高速公路施工组织方案交通影响评估方法 | |
Deshpande et al. | In-vehicle test results for advanced propulsion and vehicle system controls using connected and automated vehicle information | |
CN109711054B (zh) | 一种基于学习的用于车辆通信的车辆轨迹生成方法 | |
Wei et al. | Dual graph for traffic forecasting | |
Huber et al. | Modelling bicycle route choice in German cities using open data, MNL and the bikeSim web-app | |
Arasan et al. | Microsimulation study of vehicular interactions in heterogeneous traffic flow on intercity roads | |
Sashank et al. | Calibration of sumo for indian heterogeneous traffic conditions | |
Mondal et al. | Microsimulation-based framework to analyse urban signalised intersection in mixed traffic | |
Lingqiu et al. | A LSTM based bus arrival time prediction method | |
Zhao et al. | A learning-based vehicle-trajectory generation method for vehicular networking | |
Golovnin et al. | A web-oriented approach for urban road traffic simulation | |
Billot et al. | Can C-ITS lead to the emergence of Traffic Management 2.0? | |
Khaleghian et al. | Calibrating real-world city traffic simulation model using vehicle speed data | |
Rakow et al. | Investigation of the system-wide effects of intelligent infrastructure concepts with microscopic and mesoscopic traffic simulation | |
Che et al. | An open vehicle-in-the-loop test method for autonomous vehicle |
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 |