CN110648531A - 一种车载自组织网络中基于深度学习的节点移动性预测方法 - Google Patents
一种车载自组织网络中基于深度学习的节点移动性预测方法 Download PDFInfo
- Publication number
- CN110648531A CN110648531A CN201910884475.4A CN201910884475A CN110648531A CN 110648531 A CN110648531 A CN 110648531A CN 201910884475 A CN201910884475 A CN 201910884475A CN 110648531 A CN110648531 A CN 110648531A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- mobility
- information
- network
- prediction
- 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
Images
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
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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"
-
- 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- G08G1/015—Detecting movement of traffic to be counted or controlled with provision for distinguishing between two or more types of vehicles, e.g. between motor-cars and cycles
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Analytical Chemistry (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Remote Sensing (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种车载自组织网络中基于深度学习的网络节点移动性预测方法,该方法有效利用交通法规对节点的移动性约束、车辆节点的历史行程数据以及车辆和司机的个性化信息实现车辆节点的未来几个时间点的移动性预测。所述方法为:结合不同类型的车辆运动模型,建立车辆历史行程数据样本库以及交通法规约束数据库,同时约定样本行程数据特征;再利用循环神经网络提取车辆样本移动性深层次特征,建立移动性预测模型;再采用梯度下降反向传播算法训练模型参数。最后利用车辆当前移动的实时数据信息对移动性进行预测。本发明涉及车辆移动模型数据分析及神经网络模型搭建、参数训练实现方法。本发明利用深度学习的非线性预测能力,将车辆行驶数据特征映射到车辆的移动,实现车载自组织网络中节点的移动性预测。
Description
技术领域
本发明涉及一种车载自组织网络中基于深度学习的网络节点移动性预测方法,属于通信技术领域,特别涉及基于深度学习方法的车载自组织网络中的车辆节点移动性预测方法。
背景技术
近年来,车辆自组织网络已经受到世界各国研究机构和科研人员的密切关注。车辆自组织网络(Vehicular Ad Hoc Network,VANET)是一种新型的移动自组织网络,由在道路上的汽车之间通信(vehicle-to-vehicle,V2V)以及汽车与基础设施间通信(vehicle-to-infrastructure,V2I)组成,在道路上构建出一个自组织的、部署方便、费用低廉、结构开放的无线通信网络。车载自组织网络的移动性预测对于安全出行、智能出行的实现具有重大意义。利用车辆自组织网络可以有效避免和减少交通事故。实现路况信息收集、交通状况查询、出行计划安排以及周边信息查询等服务。由于车辆自组织网络的快速移动性、拓扑变化频繁、简介连通性、网络规模大等特点给车辆节点的移动性预测带来巨大挑战。但是充分挖掘车载传感器信息、GPS位置信息、用户出行习惯及规律、交通法规等信息可以尽可能准确对车辆节点移动性进行预测,从而提供个性化服务。因此,有效的预测方法至关重要。深度学习是一种基于现有数据进行信息特征提取及挖掘预测的技术。因此,可以根据节点运动的历史数据来预测节点未来的运动信息。
发明内容
本发明的目的是为了解决车辆自组织网络中节点的移动性预测问题。合理利用交通法规对移动节点的方向性约束以及车辆节点的历史行程数据对节点的移动性进行更精准的预测。
第一方面,提供一种车载自组织网络中基于深度学习的网络节点移动性预测方法,该方法有效利用交通法规对节点的移动性约束、车辆节点的历史行程数据以及车辆和司机的个性化信息实现车辆节点的未来几个时间点的移动性预测。所述方法为:结合不同类型的车辆运动模型,建立车辆历史行程数据样本库以及交通法规约束数据库,同时约定样本行程数据特征;再利用循环神经网络提取车辆样本移动性深层次特征,建立移动性预测模型;再采用梯度下降反向传播算法训练模型参数;最后利用车辆当前移动的实时数据信息对移动性进行预测。
结合上述第一方面,所述方法具体包含:
步骤101)结合不同类型的车辆特点,选取不同的车辆移动模型,建立车辆历史行程数据样本库以及交通法规约束等数据库,同时约定样本行程数据特征。
根据不同类型车辆的行车特点,提取用于模型训练的特征信息,主要包括路网信息,交通法规约束信息,车辆行车习惯信息,车主信息,城市历史路况信息,平均车流速度、车辆密度信息等;
根据不同类型车辆的行车特点,提取对于实时预测有益的即时特征信息,主要包括预测时的车速、行驶方向、天气、是否为节假日等信息;
其中,所述不同类型车辆主要包括具有不同的行车习惯的公共汽车、出租车、私家车;
其中,所述不同行车习惯主要包括公共汽车行车路线固定、车速平稳、有固定停靠站点;出租车路线随机、涉及路线范围分布较广;私家车每日路线有根据车主信息有规律可寻;
步骤102)利用善于处理时间序列的循环神经网络方法提取车辆样本移动性深层次特征,建立移动性预测模型。
建立循环神经网络模型,设置网络结构,约定输入输出信息;
其中,输入为102)中提取的用于模型训练的特征信息,组成特征向量,送入神经网络,提取车辆移动性的深层信息;输出为预测的一个时段的节点移动性的离散值;
步骤103)采用梯度下降反向传播算法训练模型参数,根据损失函数判断是否满足迭代要求,如果满足了迭代条件,则迭代结束,模型训练完成,并保存模型参数;
否则返回步骤102)对模型参数进行下一次迭代;
步骤104)利用车辆当前移动的实时数据即时特征信息对车辆节点未来一个时段的移动性进行预测。
第二方面,提供神经网络训练方法,主要包含:
采用时间反向传播(BPTT)算法对网络进行训练,使误差函数最小化。
与现有技术相比,本发明中基于深度学习实现车辆自组织网络中的节点移动性预测,合理利用交通法规对移动节点的方向性约束以及车辆节点的历史行程数据,对节点的移动性进行更精准的预测。
附图说明
图1基于深度学习的网络节点移动性预测方法流程图;
图2LSTM链式结构中重复模块的结构图;
图3长短时记忆模块结构示意图;
具体实施方式
下面结合附图和实施例对本发明所述方法进行详细说明。
实施例1
本发明提出的基于深度学习实现车辆自组织网络中的节点移动性预测的流程图如附图1所示,本发明包括以下步骤:
为不同类型车辆简历移动模型;结合不同类型的车辆运动模型,建立车辆历史行程数据样本库以及交通法规约束数据库,同时约定样本行程数据特征;再利用循环神经网络提取车辆样本移动性深层次特征,建立移动性预测模型;再采用梯度下降反向传播算法训练模型参数;最后利用车辆当前移动的实时数据信息对移动性进行预测。
实施例2
利用循环神经网络提取车辆样本移动性深层次特征,建立移动性预测模型。简单的RNN结构求解过程中易发生梯度消失或梯度爆炸问题,从而使得较长时间的序列依赖问题无法得到解决。本发明主要采用可以处理长期依赖问题的特殊的RNN结构长短时记忆网络(Long Short Term Memory,LSTM)。其LSTM链式结构中重复模块的结构图如图2所示。每一个模块对应不同时刻的输入x和不同时刻的输出h。训练网络时x为提取的路网信息、交通法规约束信息、车辆行车习惯信息、车主信息、城市历史路况信息、平均车流速度、车辆密度信息等特征。输出为一个短暂时段的几个移动性预测结果。
长短时记忆模块结构示意图如图3所示。LSTM在时序过程中保存的所有状态信息称为元胞状态(cell state),用于更新这些时序信息,决定信息如何保留或丢弃的是一系列“门”的结构。LSTM网络的每个基本结构单元中主要包含三种门:
遗忘门(Forget Gate):用于决定要舍弃什么信息。通过为上一状态的输出和当前状态的输入添加范围在[0,1]的权重,从而决定对上一个神经元的状态保留多少。
ft=σ(Wf·[ht-1,xt]+bf)
其中,ft表示遗忘系数,σ表示激励函数,ht-1表示上一时刻状态,xt表示当前时刻输入,Wf表示权值矩阵,bf表示偏置。
输入门(Input Gate):用于决定保留什么新信息。
it=σ(Wi·[ht-1,xt]+bi)
输出门(Output Gate):用于决定输出什么信息。
ot=σ(Wo·[ht-1,xt]+bo)
其中,o表示输出系数,σ表示激励函数,ht-1表示上一时刻状态,xt表示当前时刻输入,Wo表示权值矩阵,bo表示偏置。
有此可得到当前时刻状态:
ht=ot*tanh(Ct)
其中,ht表示当前时刻更新后的状态,Ct表示元胞状态,即贯穿时序重复结构的状态信息总和。
通过前向传播和反向传播确定模型参数。在通过模型进行节点移动性预测阶段,所用特征即包含训练过程所用特征同时又包含车辆行驶实时状态特征。
总之本发明提出一种基于深度学习实现车辆自组织网络中的节点移动性预测方法。本发明结合交通法规对移动节点的方向性约束以及车辆节点的历史行程数据,并通过行车当前状态数据进行车辆节点移动性预测,具有良好的预测性能。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (3)
1.一种车载自组织网络中基于深度学习的网络节点移动性预测方法,该方法有效利用交通法规对节点的移动性约束、车辆节点的历史行程数据以及车辆和司机的个性化信息实现车辆节点的未来几个时间点的移动性预测。所述方法为:结合不同类型的车辆运动模型,建立车辆历史行程数据样本库以及交通法规约束数据库,同时约定样本行程数据特征;再利用循环神经网络提取车辆样本移动性深层次特征,建立移动性预测模型;再采用梯度下降反向传播算法训练模型参数;最后利用车辆当前移动的实时数据信息对移动性进行预测。
2.根据权利要求1所述的一种车载自组织网络中基于深度学习的网络节点移动性预测方法,所述方法具体包含:
步骤101)结合不同类型的车辆特点,选取不同的车辆移动模型,建立车辆历史行程数据样本库以及交通法规约束等数据库,同时约定样本行程数据特征。
根据不同类型车辆的行车特点,提取用于模型训练的特征信息,主要包括路网信息,交通法规约束信息,车辆行车习惯信息,车主信息,城市历史路况信息,平均车流速度、车辆密度信息等;
根据不同类型车辆的行车特点,提取对于实时预测有益的即时特征信息,主要包括预测时的车速、行驶方向、天气、是否为节假日等信息;
其中,所述不同类型车辆主要包括具有不同的行车习惯的公共汽车、出租车、私家车;
其中,所述不同行车习惯主要包括公共汽车行车路线固定、车速平稳、有固定停靠站点;出租车路线随机、涉及路线范围分布较广;私家车每日路线有根据车主信息有规律可寻;
步骤102)利用善于处理时间序列的循环神经网络方法提取车辆样本移动性深层次特征,建立移动性预测模型。
建立循环神经网络模型,设置网络结构,约定输入输出信息;
其中,输入为102)中提取的用于模型训练的特征信息,组成特征向量,送入神经网络,提取车辆移动性的深层信息;输出为预测的一个时段的节点移动性的离散值;
步骤103)采用梯度下降反向传播算法训练模型参数,根据损失函数判断是否满足迭代要求,如果满足了迭代条件,则迭代结束,模型训练完成,并保存模型参数;
否则返回步骤102)对模型参数进行下一次迭代;
步骤104)利用车辆当前移动的实时数据即时特征信息对车辆节点未来一个时段的移动性进行预测。
3.根据权利要求2所述的一种车载自组织网络中基于深度学习的网络节点移动性预测方法,其特征在于,所述步骤102)进一步包含:
步骤102-1)循环神经网络参数训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910884475.4A CN110648531B (zh) | 2019-09-19 | 2019-09-19 | 一种车载自组织网络中基于深度学习的节点移动性预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910884475.4A CN110648531B (zh) | 2019-09-19 | 2019-09-19 | 一种车载自组织网络中基于深度学习的节点移动性预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110648531A true CN110648531A (zh) | 2020-01-03 |
CN110648531B CN110648531B (zh) | 2020-12-04 |
Family
ID=68991282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910884475.4A Active CN110648531B (zh) | 2019-09-19 | 2019-09-19 | 一种车载自组织网络中基于深度学习的节点移动性预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110648531B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113299069A (zh) * | 2021-05-28 | 2021-08-24 | 广东工业大学华立学院 | 一种基于历史误差反向传播的自适应交通信号控制方法 |
CN116209030A (zh) * | 2023-05-06 | 2023-06-02 | 四川中普盈通科技有限公司 | 一种移动平台抗弱网通信网关接入方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355248A (zh) * | 2016-08-26 | 2017-01-25 | 深圳先进技术研究院 | 一种深度卷积神经网络训练方法及装置 |
CN107492113A (zh) * | 2017-06-01 | 2017-12-19 | 南京行者易智能交通科技有限公司 | 一种视频图像中运动目标位置预测模型训练方法、位置预测方法及轨迹预测方法 |
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 |
CN108022012A (zh) * | 2017-12-01 | 2018-05-11 | 兰州大学 | 基于深度学习的车辆位置预测方法 |
CN108257158A (zh) * | 2018-03-27 | 2018-07-06 | 福州大学 | 一种基于循环神经网络的目标预测与跟踪方法 |
CN109872535A (zh) * | 2019-03-27 | 2019-06-11 | 深圳市中电数通智慧安全科技股份有限公司 | 一种智慧交通通行预测方法、装置及服务器 |
-
2019
- 2019-09-19 CN CN201910884475.4A patent/CN110648531B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355248A (zh) * | 2016-08-26 | 2017-01-25 | 深圳先进技术研究院 | 一种深度卷积神经网络训练方法及装置 |
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 |
CN107492113A (zh) * | 2017-06-01 | 2017-12-19 | 南京行者易智能交通科技有限公司 | 一种视频图像中运动目标位置预测模型训练方法、位置预测方法及轨迹预测方法 |
CN108022012A (zh) * | 2017-12-01 | 2018-05-11 | 兰州大学 | 基于深度学习的车辆位置预测方法 |
CN108257158A (zh) * | 2018-03-27 | 2018-07-06 | 福州大学 | 一种基于循环神经网络的目标预测与跟踪方法 |
CN109872535A (zh) * | 2019-03-27 | 2019-06-11 | 深圳市中电数通智慧安全科技股份有限公司 | 一种智慧交通通行预测方法、装置及服务器 |
Non-Patent Citations (8)
Title |
---|
ANDREAS KLEIN 等: "Achievable Performance Gains Using Movement Prediction and Advanced 3D System Modeling", 《 2014 IEEE 79TH VEHICULAR TECHNOLOGY CONFERENCE (VTC SPRING)》 * |
JIANXIN LIAO 等: "Multi-context integrated deep neural network model for next location prediction", 《IEEE ACCESS》 * |
XIAOLIANG FAN 等: "A deep learning approach for next location prediction", 《THE 2018 IEEE 22ND INTERNATIONAL CONFERENCE ON COMPUTER SUPPORTED COOPERATIVE WORK IN DESIGN》 * |
刘念伯: "车用自组织网络节点移动性研究", 《中国博士学位论文全文数据库信息科技辑》 * |
岳泊暄: "基于深度学习的智能汽车容错感知与决策控制方法研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 * |
李幸超: "基于循环神经网络的轨迹位置预测技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
王莹 等: "无线网络中的移动预测综述", 《通信学报》 * |
郭磊: "基于深度学习的位置预测算法研究与应用", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113299069A (zh) * | 2021-05-28 | 2021-08-24 | 广东工业大学华立学院 | 一种基于历史误差反向传播的自适应交通信号控制方法 |
CN113299069B (zh) * | 2021-05-28 | 2022-05-13 | 广东工业大学华立学院 | 一种基于历史误差反向传播的自适应交通信号控制方法 |
CN116209030A (zh) * | 2023-05-06 | 2023-06-02 | 四川中普盈通科技有限公司 | 一种移动平台抗弱网通信网关接入方法及系统 |
CN116209030B (zh) * | 2023-05-06 | 2023-08-18 | 四川中普盈通科技有限公司 | 一种移动平台抗弱网通信网关接入方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110648531B (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1705954B (zh) | 增强型移动通信设备和交通应用 | |
CN109000676B (zh) | 一种vanet环境下结合预测信息的路径规划方法 | |
Mohanty et al. | Traffic congestion detection in a city using clustering techniques in VANETs | |
US20030014180A1 (en) | Method for regional system wide optimal signal timing for traffic control based on wireless phone networks | |
CN112785077B (zh) | 基于时空数据的出行需求预测方法及系统 | |
US9778658B2 (en) | Pattern detection using probe data | |
CN104331422A (zh) | 一种路段类型推测方法 | |
CN110648531B (zh) | 一种车载自组织网络中基于深度学习的节点移动性预测方法 | |
CN113222239B (zh) | 基于CNN-LSTM-At神经网络的短时交通流量预测方法 | |
CN113947132B (zh) | 基于gcn图神经网络的公交到站预测方法、计算机及介质 | |
CN102724631A (zh) | 车辆自组织网络基于位置路由的位置信息更新方法 | |
JP2024521538A (ja) | 交通予測のための分散マルチタスク機械学習 | |
US20210188306A1 (en) | Distributed learning to learn context-specific driving patterns | |
CN113673749A (zh) | 车辆行人地图轨迹预测方法及装置 | |
CN114418606B (zh) | 基于时空卷积网络的网约车订单需求预测方法 | |
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 | |
CN114186146A (zh) | 带容量限制的网约车服务网点选址方法及系统 | |
Horng et al. | Using cellular automata on recommendation mechanism for smart parking in vehicular environments | |
CN113490181B (zh) | 一种基于lstm神经网络的车辆传输时延优化方法 | |
CN113053100B (zh) | 一种公交到站时间的预估方法及装置 | |
CN113345252B (zh) | 一种收费站下道流量短时预测方法与装置 | |
CN116259171A (zh) | 一种公交到站时刻预测方法及装置 | |
CN114330871A (zh) | 一种通过公交运营数据结合gps数据预测城市路况的方法 | |
CN113344239A (zh) | 一种基于两级谱聚类的交通拥堵状况预测方法及系统 | |
Esmaeili et al. | A platoon formation strategy for heterogeneous vehicle types at a signalized intersection |
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 |