CN109948835A - 一种基于人工神经网络的最优路径及计算路径时间的方法 - Google Patents
一种基于人工神经网络的最优路径及计算路径时间的方法 Download PDFInfo
- Publication number
- CN109948835A CN109948835A CN201910148952.0A CN201910148952A CN109948835A CN 109948835 A CN109948835 A CN 109948835A CN 201910148952 A CN201910148952 A CN 201910148952A CN 109948835 A CN109948835 A CN 109948835A
- Authority
- CN
- China
- Prior art keywords
- result
- neural network
- path
- time
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 40
- 238000013439 planning Methods 0.000 claims abstract description 12
- 238000010187 selection method Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 239000000446 fuel Substances 0.000 claims description 3
- 239000003595 mist Substances 0.000 claims description 3
- 210000003205 muscle Anatomy 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims 1
- 238000005094 computer simulation Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003339 best practice Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及路径规划技术领域,尤其是一种基于人工神经网络的最优路径及计算路径时间的方法,最优路径的选择方法为:步骤A、从本机和网络中获得汽车行驶时间原始数据及实时的道路情况;步骤B、在本机中对当前道路信息的驾驶信息进行神经网络分析;步骤C、在互联网主机中对相似车辆进行数据采集和神经网络分析;步骤D、如果两个结果相差过大则重新验证,优先采取本机结果,如本机样本点过少,则采取云计算结果;步骤E、根据所得结果规划路径;步骤F、行驶过程中重复调用本方法来缩短运行时间和规避拥堵路段;计算路径时间的方法为:对于已知路径的路程使用步骤A、B、C、D预测到达时间并求和,本发明能够缩短运行时间和规避拥堵路段。
Description
技术领域
本发明涉及路径规划技术领域,具体领域为一种基于人工神经网络的最优路径及计算路径时间的方法。
背景技术
影响汽车路程时间的因素有很多,决定了计算到达时间的最优方法难以建立起精确的数学模型,所以现在的导航软件对于时间的预测结果比较单一。而利用人工神经网络可以在多种环境影响因素和本车实际驾车习惯获得最短时间的路径。而人工神经网络具有较强的鲁棒性和容错性,非线性映射能力适合解决非线性、复杂系统的建模和预测,对于汽车导航运行时间预测结果更加符合实际。
发明内容
本发明的目的在于提供一种基于人工神经网络的最优路径及计算路径时间的方法,以解决现有技术中预测结果比较单一、且无法达到用户理想需求的问题。
为实现上述目的,本发明提供如下技术方案:一种基于人工神经网络的最优路径及计算路径时间的方法,最优路径的选择方法为:
步骤A、从本机和网络中获得汽车行驶时间原始数据及实时的道路情况;
步骤B、在本机中对当前道路信息的驾驶信息进行神经网络分析;
步骤C、在互联网主机中对相似车辆进行数据采集和神经网络分析;
步骤D、如果两个结果相差过大则重新验证,优先采取本机结果,如本机样本点过少,则采取云计算结果;
步骤E、根据所得结果规划路径;
步骤F、行驶过程中重复调用本方法来缩短运行时间和规避拥堵路段;
计算路径时间的方法为:对于已知路径的路程使用步骤A、B、C、D预测到达时间并求和。
优选的,当汽车没有计算和存储条件的时候,通过云计算的结果来预测时间和路径规划。
优选的,步骤B包括:
步骤B1:根据当前道路信息导入数据,得到一组初始数组L=[L1,L2,....,Ln];
步骤B2:按照不同需求处理初始数据将初始数组划分为输入集X=[x1,x2,....,xn]T,这里Xi代表了一组输入,Xi的转置即为一族同类数据,和输出集Y=[y1,y2,....,yn]T;
步骤B3:判断样本点个数;
步骤B4:选择验证方法,样本点较多选择交叉验证,样本点较少选择留一法验证;
步骤B5:对数据进行归一化,对于输入集进行归一化,xij=(xij-xminj)/(xmaxj-xminj)yij=(yij-yminj)/(ymaxj-yminj);
步骤B6:产生训练集和测试集,划分X1=[x1,x2,....,xn1]T,=[x1,x2,....,xn2]T,Y1=[y1,y2,....,yn1]T,Y2=[y1,y2,....,yn2]T;
步骤B7:构建神经网络,设置隐含神经元个数,权值计算公式
这里ω是权值,δ是神经网络中神经元的值,这里f(x)是s型函数
;
步骤B8:训练神经网络,设置迭代次数,学习率,和训练目标,δ=ωδ得到最后的输出然后反向传播误差,调整ω的值来训练网络;
步骤B9:比较预测值和测试集值的误差。误差指标函数E和训练误差允许值ε,数据反归一化。用X2的数据获得训练结果Y3,
当误差较小则采用误差较大则调到B4;
步骤B10:输出预测结果,和决定系数R2。
优选的,导入的道路及输出信息包括:通过互联网获得环境信息、及道路信息,行驶信息由本车信息输入,且在允许的情况下分辨不同的驾驶员来输入驾驶信息。
优选的,其中驾驶信息为:
按时间段来划分行驶阶段汽车的驾驶信息,优先选取相同道路或者相同时间段的信息;
按照天气情况划分:风、云、雾、雨、闪、雪、霜、雷、雹、霾,并且划分成三个等级。
优选的,输入的信息包括:行驶的路段路、燃油量、加权速度均方根、停车次数、该路段的行驶时间、驾驶偏好、环境和道路信息;
输出的信息包括:路程的行驶时间。
优选的,步骤D包括:
步骤D1:本车是新车无驾驶信息则采用云计算结果;
步骤D2:本车计算结果相比较云计算过大则重新计算两次,假如结果仍相差较大,则判断本机数据量,本机样本量很小的则选择云计算结果,如果数据量很多则选择本机结果;
步骤D3:结果相差较小则选择本机数据。
优选的,步骤E包括:
步骤E1:根据驾驶员的偏好对不同的路程加上权重;
步骤E2:计算时间最短的方案。
优选的,步骤F具体包括:
步骤F1:根据现有路径行驶;
步骤F2:在行驶一定时间后,再次调用获得新的结果;
步骤F3:比较两个结果之间的误差,如果新的结果相比于原有结果偏差较大则通知驾驶员人工判断是否切换路径;
步骤F4:如果新的结果相比于原有结果偏差较大则通知驾驶员人工判断是否切换路径;
步骤F5:如果新的结果相比于原有结果偏差较小则保持原有道路。
与现有技术相比,本发明的有益效果是:能够缩短运行时间和规避拥堵路段,在多种环境影响因素和本车实际驾车习惯获得最短时间的路径,且具有较强的鲁棒性和容错性,非线性映射能力适合解决非线性、复杂系统的建模和预测,对于汽车导航运行时间预测结果更加符合实际。
附图说明
图1为本发明的路径规划方法的流程图;
图2为本发明的计算路径时间方法的流程图;
图3为本发明的对人工神经网络模型进行训练的流程图;
图4为本发明的路径规划中更新数据流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1至4,本发明提供一种技术方案:一种基于人工神经网络的最优路径及计算路径时间的方法,最优路径的选择方法为:
步骤A、从本机和网络中获得汽车行驶时间原始数据及实时的道路情况;
步骤B、在本机中对当前道路信息的驾驶信息进行神经网络分析;
步骤C、在互联网主机中对相似车辆进行数据采集和神经网络分析;
步骤D、如果两个结果相差过大则重新验证,优先采取本机结果,如本机样本点过少,则采取云计算结果;
步骤E、根据所得结果规划路径;
步骤F、行驶过程中重复调用本方法来缩短运行时间和规避拥堵路段;
计算路径时间的方法为:对于已知路径的路程使用步骤A、B、C、D预测到达时间并求和,这里的方法因为路程已经确定所以这里处理数据不考虑人的感受因素影响结果,初始的导入数据只有能直接影响行车时间的数据,求出的数据较为准确。
当汽车没有计算和存储条件的时候,通过云计算的结果来预测时间和路径规划,即去掉在本机计算的部分。该方法能降低车辆对计算机的要求降低使用门槛。
步骤B包括:
步骤B1:根据当前道路信息导入数据,得到一组初始数组L=[L1,L2,....,Ln];
步骤B2:按照不同需求处理初始数据将初始数组划分为输入集X=[x1,x2,....,xn]T,这里Xi代表了一组输入,Xi的转置即为一族同类数据,和输出集Y=[y1,y2,....,yn]T;
步骤B3:判断样本点个数;
步骤B4:选择验证方法,样本点较多选择交叉验证,样本点较少选择留一法验证;
步骤B5:对数据进行归一化,对于输入集进行归一化,xij=(xij-xminj)/(xmaxj-xminj)yij=(yij-yminj)/(ymaxj-yminj);
步骤B6:产生训练集和测试集,划分X1=[x1,x2,....,xn1]T,=[x1,x2,....,xn2]T,Y1=[y1,y2,....,yn1]T,Y2=[y1,y2,....,yn2]T;
步骤B7:构建神经网络,设置隐含神经元个数,权值计算公式
这里ω是权值,δ是神经网络中神经元的值,这里f(x)是s型函数
;
步骤B8:训练神经网络,设置迭代次数,学习率,和训练目标,δ=ωδ得到最后的输出然后反向传播误差,调整ω的值来训练网络;
步骤B9:比较预测值和测试集值的误差。误差指标函数E和训练误差允许值ε,数据反归一化。用X2的数据获得训练结果Y3,
当误差较小则采用误差较大则调到B4;
步骤B10:输出预测结果,和决定系数R2。
导入的道路及输出信息包括:通过互联网获得环境信息、及道路信息,行驶信息由本车信息输入,且在允许的情况下分辨不同的驾驶员来输入驾驶信息。
其中驾驶信息为:
按时间段来划分行驶阶段汽车的驾驶信息,优先选取相同道路或者相同时间段的信息;
按照天气情况划分:风、云、雾、雨、闪、雪、霜、雷、雹、霾,并且划分成三个等级。
输入的信息包括:行驶的路段路、燃油量、加权速度均方根、停车次数、该路段的行驶时间(这里把红绿灯时间设为定值,无则为0)、驾驶偏好、环境和道路信息等,以上的输入信息,有的对人驾驶感受有影响会影响最终的道路决策,但是对路程的时间是没有影响的,所以只用于路径规划,可以由对比实验拟合或者神经网络训练量化不同情况下这些因素对速度的影响,取几组不同情况下的加权系数直接增加到输出结果中。当输入变量的参数过多,可以先进行数据清洗然后对数据集进行数据降维和特征选择,获得更好的初始值;
对于较多样本按照以上方法选取固定样本进行神经网络训练,对于较少的样本量则全部保留,对于无信息的道路取一个很差的固定初始值;
输出的信息包括:路程的行驶时间。
步骤D包括:
步骤D1:本车是新车无驾驶信息则采用云计算结果;
步骤D2:本车计算结果相比较云计算过大则重新计算两次,假如结果仍相差较大,则判断本机数据量,本机样本量很小的则选择云计算结果,如果数据量很多则选择本机结果;
步骤D3:结果相差较小则选择本机数据。
步骤E包括:
步骤E1:根据驾驶员的偏好对不同的路程加上权重;
步骤E2:计算时间最短的方案。
步骤F具体包括:
步骤F1:根据现有路径行驶;
步骤F2:在行驶一定时间后,再次调用获得新的结果;
步骤F3:比较两个结果之间的误差,如果新的结果相比于原有结果偏差较大则通知驾驶员人工判断是否切换路径;
步骤F4:如果新的结果相比于原有结果偏差较大则通知驾驶员人工判断是否切换路径;
步骤F5:如果新的结果相比于原有结果偏差较小则保持原有道路。
通过本技术方案,本发明分为两种:
1.是基础的时间预测功能,能比较容易实现,输入的参数较少获得结果较为精确,且不需要汽车计算可以直接云计算获得结果,能很容易实现。且如果加入本机驾驶数据能更好的预测出驾驶所需的时间,节省交通等待时间。
2.是基于1.更进一步的路径规划,相较于一般的路径规划,本方案提出了本车实际驾驶数据计算的方法,针对有不同开车习惯的车主能很好的推荐结果。但是,第二种对于不影响运行结果的影响因素对于实际道路选择的影响需要大量调试,拟合。第二种,方法也可以采取本地上传资料,云计算的方式,更加节省本地资源和车辆配置。
配置较好的车辆可在无网络或网络较差地区由本车存储的道路信息和环境信息,通过本地数据计算来推荐道路。
如图1所示,最佳质量图像扫描方法的步骤包括:
S1,从本机获得汽车行驶时间原始数据,从互联网获得现在的道路情况
S2,在本机中对当前道路信息的驾驶信息进行神经网络分析;
S3,在互联网主机中对相似车辆进行数据采集和神经网络分析;
S4,如果两个结果相差过大则重新验证,优先采取本机结果,如本机样本点过少,则采取云计算结果;
S5,根据所得结果规划路径;
S6,行驶过程中重复调用本方法来缩短运行时间和规避拥堵路段
如图2所示,计算路径时间调用图一的S1-S4并求和,这里的方法因为路程已经确定所以这里处理数据不考虑人的感受因素影响结果,初始的导入数据只有能直接影响行车时间的数据求出的数据较为准确。
如图3所示,S2,S3中的神经网络分析具体步骤为:
S21,根据当前道路信息导入数据;
S22,按照不同需求处理初始数据;
S23,判断样本点个数;
S24,选择验证方法,样本点较多选择交叉验证,样本点较少选择留一法验证;
S25,对数据进行归一化;
S26,产生训练集和测试集;
S27,构建神经网络;
S28,训练神经网络;
S29,比较预测值和测试集值的误差。误差指标函数E和训练误差允许值ε,
当误差较小则采用误差较大则调到B4。
S210,输出预测结果;
如图4所示,S6中的具体步骤为:
S61,根据现有路径行驶;
S62,在行驶一定时间后,再次调用获得新的结果;
S63,比较两个结果之间的误差,如果新的结果相比于原有结果偏差较大则通知驾驶员人工判断是否切换路径;
S64,如果新的结果相比于原有结果偏差较大则通知驾驶员人工判断是否切换路径;
S65,如果新的结果相比于原有结果偏差较小则保持原有道路。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种基于人工神经网络的最优路径及计算路径时间的方法,其特征在于:最优路径的选择方法为:
步骤A、从本机和网络中获得汽车行驶时间原始数据及实时的道路情况;
步骤B、在本机中对当前道路信息的驾驶信息进行神经网络分析;
步骤C、在互联网主机中对相似车辆进行数据采集和神经网络分析;
步骤D、如果两个结果相差过大则重新验证,优先采取本机结果,如本机样本点过少,则采取云计算结果;
步骤E、根据所得结果规划路径;
步骤F、行驶过程中重复调用本方法来缩短运行时间和规避拥堵路段;
计算路径时间的方法为:对于已知路径的路程使用步骤A、B、C、D预测到达时间并求和。
2.根据权利要求1所述的一种基于人工神经网络的最优路径及计算路径时间的方法,其特征在于:当汽车没有计算和存储条件的时候,通过云计算的结果来预测时间和路径规划。
3.根据权利要求1所述的一种基于人工神经网络的最优路径及计算路径时间的方法,其特征在于:步骤B包括:
步骤B1:根据当前道路信息导入数据,得到一组初始数组L=[L1,L2,....,Ln];
步骤B2:按照不同需求处理初始数据将初始数组划分为输入集X=[x1,x2,....,xn]T,这里Xi代表了一组输入,Xi的转置即为一族同类数据,和输出集Y=[y1,y2,....,yn]T;
步骤B3:判断样本点个数;
步骤B4:选择验证方法,样本点较多选择交叉验证,样本点较少选择留一法验证;
步骤B5:对数据进行归一化,对于输入集进行归一化,xij=(xij-xminj)/(xmaxj-xminj)yij=(yij-yminj)/(ymaxj-yminj);
步骤B6:产生训练集和测试集,划分X1=[x1,x2,....,xn1]T,=[x1,x2,....,xn2]T,Y1=[y1,y2,....,yn1]T,Y2=[y1,y2,....,yn2]T;
步骤B7:构建神经网络,设置隐含神经元个数,权值计算公式
这里ω是权值,δ是神经网络中神经元的值,这里f(x)是s型函数;
步骤B8:训练神经网络,设置迭代次数,学习率,和训练目标,δ=ωδ得到最后的输出然后反向传播误差,调整ω的值来训练网络;
步骤B9:比较预测值和测试集值的误差。误差指标函数E和训练误差允许值ε,数据反归一化。用X2的数据获得训练结果Y3,
当误差较小则采用误差较大则调到B4;
步骤B10:输出预测结果,和决定系数R2。
4.根据权利要求3所述的一种基于人工神经网络的最优路径及计算路径时间的方法,其特征在于:导入的道路及输出信息包括:通过互联网获得环境信息、及道路信息,行驶信息由本车信息输入,且在允许的情况下分辨不同的驾驶员来输入驾驶信息。
5.根据权利要求4所述的一种基于人工神经网络的最优路径及计算路径时间的方法,其特征在于:其中驾驶信息为:
按时间段来划分行驶阶段汽车的驾驶信息,优先选取相同道路或者相同时间段的信息;
按照天气情况划分:风、云、雾、雨、闪、雪、霜、雷、雹、霾,并且划分成三个等级。
6.根据权利要求5所述的一种基于人工神经网络的最优路径及计算路径时间的方法,其特征在于:输入的信息包括:行驶的路段路、燃油量、加权速度均方根、停车次数、该路段的行驶时间、驾驶偏好、环境和道路信息;
输出的信息包括:路程的行驶时间。
7.根据权利要求1所述的一种基于人工神经网络的最优路径及计算路径时间的方法,其特征在于:步骤D包括:
步骤D1:本车是新车无驾驶信息则采用云计算结果;
步骤D2:本车计算结果相比较云计算过大则重新计算两次,假如结果仍相差较大,则判断本机数据量,本机样本量很小的则选择云计算结果,如果数据量很多则选择本机结果;
步骤D3:结果相差较小则选择本机数据。
8.根据权利要求1所述的一种基于人工神经网络的最优路径及计算路径时间的方法,其特征在于:步骤E包括:
步骤E1:根据驾驶员的偏好对不同的路程加上权重;
步骤E2:计算时间最短的方案。
9.根据权利要求1所述的一种基于人工神经网络的最优路径及计算路径时间的方法,其特征在于:步骤F具体包括:
步骤F1:根据现有路径行驶;
步骤F2:在行驶一定时间后,再次调用获得新的结果;
步骤F3:比较两个结果之间的误差,如果新的结果相比于原有结果偏差较大则通知驾驶员人工判断是否切换路径;
步骤F4:如果新的结果相比于原有结果偏差较大则通知驾驶员人工判断是否切换路径;
步骤F5:如果新的结果相比于原有结果偏差较小则保持原有道路。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910148952.0A CN109948835A (zh) | 2019-02-28 | 2019-02-28 | 一种基于人工神经网络的最优路径及计算路径时间的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910148952.0A CN109948835A (zh) | 2019-02-28 | 2019-02-28 | 一种基于人工神经网络的最优路径及计算路径时间的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109948835A true CN109948835A (zh) | 2019-06-28 |
Family
ID=67006905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910148952.0A Pending CN109948835A (zh) | 2019-02-28 | 2019-02-28 | 一种基于人工神经网络的最优路径及计算路径时间的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109948835A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714708A (zh) * | 2013-12-18 | 2014-04-09 | 福建工程学院 | 一种基于出租车分时段的经验路径的最优路径规划的方法 |
CN106548645A (zh) * | 2016-11-03 | 2017-03-29 | 济南博图信息技术有限公司 | 基于深度学习的车辆路径寻优方法及系统 |
CN107490386A (zh) * | 2017-08-29 | 2017-12-19 | 广州小鹏汽车科技有限公司 | 一种电动汽车最优路径和驾驶方式的规划方法及系统 |
-
2019
- 2019-02-28 CN CN201910148952.0A patent/CN109948835A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714708A (zh) * | 2013-12-18 | 2014-04-09 | 福建工程学院 | 一种基于出租车分时段的经验路径的最优路径规划的方法 |
CN106548645A (zh) * | 2016-11-03 | 2017-03-29 | 济南博图信息技术有限公司 | 基于深度学习的车辆路径寻优方法及系统 |
CN107490386A (zh) * | 2017-08-29 | 2017-12-19 | 广州小鹏汽车科技有限公司 | 一种电动汽车最优路径和驾驶方式的规划方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022052406A1 (zh) | 一种自动驾驶训练方法、装置、设备及介质 | |
CN111583639B (zh) | 一种道路交通拥堵预警方法及系统 | |
CN109977812A (zh) | 一种基于深度学习的车载视频目标检测方法 | |
CN111738337B (zh) | 一种混行交通环境下的驾驶人分心状态检测识别方法 | |
CN114170789B (zh) | 基于时空图神经网络的智能网联车换道决策建模方法 | |
CN110930705B (zh) | 一种路口交通决策系统、方法及设备 | |
CN116110022B (zh) | 基于响应知识蒸馏的轻量化交通标志检测方法及系统 | |
CN109948839B (zh) | 架空输电线路舞动风险的预测和预警方法及系统 | |
CN109398363A (zh) | 一种路面等级确定方法、装置、存储介质及汽车 | |
CN113487857B (zh) | 一种区域多路口可变车道协同控制决策方法 | |
CN110427690A (zh) | 一种基于全局粒子群算法生成ato速度曲线的方法及装置 | |
CN113239986A (zh) | 车辆轨迹评价网络模型的训练方法、装置和存储介质 | |
Zeng et al. | Training reinforcement learning agent for traffic signal control under different traffic conditions | |
CN113160585A (zh) | 交通灯配时优化方法、系统及存储介质 | |
CN113552883A (zh) | 基于深度强化学习的地面无人车自主驾驶方法及系统 | |
CN115545281A (zh) | 风险场景识别方法、装置、设备及存储介质 | |
CN112950934A (zh) | 一种道路拥堵原因识别方法 | |
CN114419884B (zh) | 基于强化学习和相位竞争的自适应信号控制方法及系统 | |
CN108921044A (zh) | 基于深度卷积神经网络的驾驶员决策特征提取方法 | |
CN114444922A (zh) | 一种群体智能控制下的混合交通效能评估方法 | |
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 | |
CN109948835A (zh) | 一种基于人工神经网络的最优路径及计算路径时间的方法 | |
CN111507499B (zh) | 预测用模型的构建方法、测试方法、装置及系统 | |
CN116946183A (zh) | 一种考虑驾驶能力的商用车驾驶行为预测方法及车用设备 | |
CN115359672B (zh) | 一种数据驱动与强化学习结合的交通区域边界控制方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190628 |
|
RJ01 | Rejection of invention patent application after publication |