CN110738852B - 一种基于车辆轨迹和长短记忆神经网络的交叉口转向溢出检测方法 - Google Patents

一种基于车辆轨迹和长短记忆神经网络的交叉口转向溢出检测方法 Download PDF

Info

Publication number
CN110738852B
CN110738852B CN201911012628.2A CN201911012628A CN110738852B CN 110738852 B CN110738852 B CN 110738852B CN 201911012628 A CN201911012628 A CN 201911012628A CN 110738852 B CN110738852 B CN 110738852B
Authority
CN
China
Prior art keywords
time
speed
track
axis
vehicle
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
Application number
CN201911012628.2A
Other languages
English (en)
Other versions
CN110738852A (zh
Inventor
祁宏生
戴茹梦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201911012628.2A priority Critical patent/CN110738852B/zh
Publication of CN110738852A publication Critical patent/CN110738852A/zh
Application granted granted Critical
Publication of CN110738852B publication Critical patent/CN110738852B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于车辆轨迹和长短记忆神经网络的交叉口转向溢出检测方法，该方法利用样本车辆的轨迹，根据红灯信号的起止时刻，对车辆的轨迹进行切割，提取红灯信号对应的轨迹。之后根据轨迹计算车辆在每一个轨迹点的速度。然后分别将速度映射至时间轴和空间轴，得到车辆在该红灯信号内的时间轴上的速度曲线，经采样后得到综合时空速度向量。另一方面，通过布设于展宽段入口处的检测器获得速度，并通过设置速度阈值的方法获得红灯信号起止时刻内的转向溢出时长。将综合时空速度向量和转向溢出时长作为参数对长短记忆神经网络进行训练。训练好的神经网络即可用于检测转向溢出。

Description

一种基于车辆轨迹和长短记忆神经网络的交叉口转向溢出检 测方法
技术领域
本发明涉及一种用于城市交通控制中的转向溢出检测方法。具体来说是涉及一种基于车辆轨迹和长短记忆神经网络的对交叉口进口道的转向溢出进行检测的方法。
背景技术
交通控制利用信号灯对交叉口进口道的不同方向的车流进行时间上的分配。然而，在高峰时期，常常发生转向溢出事件。转向溢出事件指的是在高峰时段，部分车辆排队过长，从展宽段蔓延至上游，堵塞其他转向车流的现象。转向溢出存在着诸多负面影响：降低了交叉口的通行能力，增加了转向的延误，降低了交通运行的可靠性。利用多种交通数据对转向溢出进行检测是有效的交叉口控制的前提条件。目前尚无实时检测转向溢出的方法。利用铺设于路面之下的线圈检测器检测的流量对转向溢出进行估计需要进行大规模的统计抽样，无法满足实时性的要求。本发明利用车辆的轨迹对转向溢出进行判别，能用于实时的交通信号参数的调整中。
发明内容
为了克服现有检测方法无法满足实时性的问题，本发明提出一种基于长短记忆神经网络、利用车辆轨迹进行转向溢出检测的方法。
本发明方法是通过如下步骤实现的：
步骤1获取车辆轨迹样本和左转、直行的信号参数信息；
步骤2利用红灯信号起止时刻对车辆轨迹进行时间上的切割；
步骤3对切割后的车辆轨迹进行如下处理
步骤3.1通过车辆轨迹计算车辆的速度；
步骤3.2将每辆车的速度映射至时间轴，得到车辆在时间上的速度向量，如果存在多辆车的轨迹，则对时间轴上的速度曲线求平均，得到时间尺度上的平均速度曲线；
步骤3.3将每辆车的速度映射至空间轴，获得车辆在空间上的速度曲线，如果存在多辆车的轨迹，则对映射之后的空间速度曲线求平均，得到空间尺度上的平均速度曲线；
步骤3.4对时间尺度和空间尺度上的速度曲线分别进行采样，典型的采样数量可以设置为100个速度值，抽样得到时间尺度上的平均速度向量和空间尺度上的平均速度向量；
步骤3.5将时间尺度上的平均速度向量和空间尺度上的平均速度向量连接在一起，形成综合时空速度向量；
步骤4通过铺设于展宽段入口处的检测器获得地点速度，并通过设置速度阈值来确定转向溢出时长。如果不存在溢出，设置其转向溢出时长为零；
步骤5使用所有红灯信号起止时刻的综合时空速度向量和转向溢出时长对长短记忆神经网络进行训练，其中，神经网路的输入为综合时空速度向量，输出为转向溢出时长(包括左转溢出时长和直行溢出时长)。
步骤6利用训练好的网络对转向溢出进行判断。轨迹数据的预处理过程和步骤1～3相同。
本发明的有益效果是：
1训练完毕之后，仅仅需要有限的车辆轨迹和信号参数就可以进行转向溢出判定，数据要求不高；同时对样本的需求也不高，即使只有一辆车的轨迹，方法仍然能够工作；
2采用本发明的方法可以同时对直行溢出和左转溢出进行判定。
附图说明
图1是现实中转向溢出情况示意图；
图2是车辆轨迹及切割、映射示意图；
图3是展宽段溢出时长提取方法；
图4是双层长短记忆神经网络的示意图；
图5本发明的整个工作流程示意图；
具体实施方式
下面结合附图对本发明做进一步的详细描述。
图1表示车辆转向溢出示意图。其中，左转车流的排队过长，从而堵塞了展宽段入口。因此，直行车流被阻滞在上游，无法进入展宽段。当直行绿灯开始时，由于上游直行车辆无法进入展宽段，从而直行绿灯有很大的浪费。
图2为示例车辆轨迹及切割、时空映射示意图。其中，TR1和TR2为两条轨迹。图中仅仅给出了左转信号参数长度rLT,k(第k个周期的左转红灯时间)。直行信号参数的处理流程类似。
对于第k个左转红灯信号，获取其开始时刻和结束时刻分别如图2的A和 B点。为了对车辆的轨迹进行切割，从A点和B点绘制斜率为w(根据经验，w 可以直接设定为20km/h)的直线。这两条斜线和轨迹相交。两个相交点之间的轨迹即为切割结果。以轨迹TR2为例，相交点分别为
Figure GDA0002727097730000031
和
Figure GDA0002727097730000032
n为相交点内部的轨迹点的数量(因为在实际中，轨迹的呈现形式是离散的点)。TR2,k为切割之后属于第k个红灯的轨迹。
切割之后对车辆的速度进行计算。TR2,k上的每一个点都对应一个速度值。对于轨迹点
Figure GDA0002727097730000033
速度的表达式如下所示：
Figure GDA0002727097730000034
因此从TR2,k可获得n个速度点v1，v2，v3..vn。之后将速度点序列映射至时间轴和空间轴。
映射至时间轴的方法见图2。对于任意的轨迹点C，设C为第m个轨迹点， 0<m≤n。从C绘制斜率为w的斜线，和时间轴相交在D点。时刻tD(D点对应的时刻)的速度定义为轨迹点C的速度。通过几何关系可以得到
Figure GDA0002727097730000035
Figure GDA0002727097730000036
则时间轴上对应于轨迹TR1,k的速度点序列为
Figure GDA0002727097730000037
m＝1,2,…n。上述序列构成时间轴速度曲线，定义域t∈[tA,tB]，由于轨迹是离散的，所以需要对除了
Figure GDA0002727097730000038
之外的任意点进行线性插值。如果该周期内存在多个车辆的轨迹，则对多个轨迹的时间轴速度曲线求数学平均值，得到时间尺度上的平均速度曲线。对该速度曲线进行采样，例如可以设定100个采样点，获得时间轴平均速度向量
Figure GDA0002727097730000041
第一个下标T表示时间，TRk表示第k个周期的轨迹，LT表示左转信号。
将轨迹TR1,k映射至空间的方法类似。如图2，得到了两条轨迹对应的空间轴速度曲线。需要注意的是在求空间尺度上的平均速度曲线时候，如果轨迹之间的速度曲线在空间上不重叠，无需求平均。只有空间上重叠的速度曲线才需要进行平均化处理。此外，采样过程中，可以进行平均采样，例如图2中的轨迹TR1,k映射之后的空间速度曲线和TR2,k映射之后的空间速度曲线采样数量相同。采样之后的结果表达为空间轴平均速度向量
Figure GDA0002727097730000042
下标S表示空间，下标LT表示左转。
同样可以对直行信号灯进行切割、映射处理，得到
Figure GDA0002727097730000043
和
Figure GDA0002727097730000044
下标TH表示直行信号。因此将四个向量按照如下顺序相连接，得到综合时空速度向量
Figure GDA0002727097730000045
为了方便表达，将
Figure GDA0002727097730000046
表示成
Figure GDA0002727097730000047
vkj表示第j个速度采样值。
图3为转向溢出时长的确定示意图。获取方法如下：在展宽段入口上下游紧密铺设检测器，检测器可以检测速度变化。图中给出了四个检测器和检测的四条速度曲线：两条左转速度曲线(红色)和两条直行速度曲线(蓝色)。为了确定对应k周期的溢出时长，同样利用A和B点出发的斜率为w的直线，和展宽段入口位置相交，进而切割展宽段入口速度曲线的时间轴，形成k周期的时间窗，该时间窗内对应的速度曲线用于提取溢出时长。为了完成溢出时长的确定，设置速度阈值，可以取5km/h，统计k周期时间窗内低于该阈值的时间长度，即为溢出时长，用τk,LT和τk,TH表达。如果所有速度都高于阈值，则设定τk,LT＝0和τk,TH＝0。
获得综合时空速度向量和溢出时长之后，就可以对长短记忆神经网络进行训练。图4为构建的神经网络示意图。输出为τk,LT和τk,TH，输入为
Figure GDA0002727097730000048
中的每一个值。对该神经网络进行训练，就可以得到训练好的神经网络。
图5为应用训练好的神经网络的步骤，处理流程和步骤1～3类似。

Claims (3)

1.一种基于车辆轨迹和长短记忆神经网络的交叉口转向溢出检测方法，其特征在于，该方法首先采集样本车辆的轨迹信息、信号参数信息，还包括下列步骤：
1)对于第k个周期，在车辆轨迹时空图中，利用红灯信号的起止时刻，切割车辆轨迹，提取红灯信号对应的部分轨迹；
2)通过提取的部分轨迹计算每个轨迹点的速度；
3)将获得的每个轨迹点的速度映射至时间轴和空间轴，得到时间轴和空间轴上的速度曲线，如果存在多个车辆的轨迹，则分别对时间轴、空间轴的速度曲线求数学平均，得到时间轴、空间轴的平均速度曲线；
4)对时间轴和空间轴的平均速度曲线进行均匀采样，得到时间轴的平均速度向量和空间轴的平均速度向量，对左转车辆、直行车辆均做上述处理，然后将左转的时间轴、空间轴平均速度向量、直行的时间轴、空间轴平均速度向量作为元素连接在一起，构成综合时空速度向量；
5)利用铺设于展宽段入口的检测器获取速度，之后根据红灯信号起止时刻进行速度的切割，并利用速度阈值确定该周期红灯信号起止时刻内的转向溢出时长；
6)以所有周期的综合时空速度向量作为神经网络的输入，以转向溢出时长作为输出训练长短记忆神经网络；之后即可利用训练好的网络对转向溢出进行判断；
步骤1)中切割车辆轨迹具体方法如下：在车辆轨迹时空图中，从红灯信号的起止时刻分别引出一条斜率为w的直线，两条直线与车辆轨迹相交，两交点之间的部分即为要提取的轨迹；
步骤5)中确定转向溢出时长的方法具体如下：
在展宽段入口上下游紧密铺设检测器用于检测速度变化，在车辆轨迹时空图中叠加展宽段入口左转、直行的速度曲线，从红灯信号的起止时刻分别引出一条斜率为w的直线，两条直线与展宽段入口位置相交，进而切割展宽段入口速度曲线的时间轴，形成第k周期的时间窗，设置速度阈值，对于各速度曲线统计上述时间窗内低于该阈值的时间长度，即为相应方向转向溢出时长，如果不存在溢出，设置其转向溢出时长为零。
2.根据权利要求1所述的基于车辆轨迹和长短记忆神经网络的交叉口转向溢出检测方法，其特征在于，步骤2)中计算每个轨迹点的速度，具体如下：以轨迹TR为例，切割时两个交点分别为
Figure FDA0002745861180000021
和
Figure FDA0002745861180000022
n为第k周期切割后要提取的轨迹内部的轨迹点的数量；对于轨迹点
Figure FDA0002745861180000023
i∈[1,2,..n]，速度的表达式如下所示：
Figure FDA0002745861180000024
3.根据权利要求2所述的基于车辆轨迹和长短记忆神经网络的交叉口转向溢出检测方法，其特征在于，步骤3)中将每个轨迹点的速度映射到时间轴和空间轴，具体为：
对于任意的轨迹点C，设C为第m个轨迹点，0<m≤n；
从C绘制斜率为w的斜线，和时间轴相交在D点，则通过几何关系可以得到D点对应时刻
Figure FDA0002745861180000025
则时间轴上对应于轨迹TR的速度点序列为
Figure FDA0002745861180000026
上述序列构成时间轴速度曲线，定义域t∈[tA,tB]，tA,tB分别为红灯信号的起止时刻，如果该周期内存在多个车辆的轨迹，则对多个轨迹的时间轴速度曲线求数学平均值，得到时间尺度上的平均速度曲线；
从C绘制水平线与空间轴相交，则空间轴上对应于轨迹TR的速度点序列为
Figure FDA0002745861180000027
上述序列构成空间轴速度曲线，当多个车辆轨迹之间的速度曲线在空间上重叠则需要将多个轨迹的空间轴速度曲线进行平均化处理，得到空间尺度上的平均速度曲线。
CN201911012628.2A 2019-10-23 2019-10-23 一种基于车辆轨迹和长短记忆神经网络的交叉口转向溢出检测方法 Active CN110738852B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911012628.2A CN110738852B (zh) 2019-10-23 2019-10-23 一种基于车辆轨迹和长短记忆神经网络的交叉口转向溢出检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911012628.2A CN110738852B (zh) 2019-10-23 2019-10-23 一种基于车辆轨迹和长短记忆神经网络的交叉口转向溢出检测方法

Publications (2)

Publication Number Publication Date
CN110738852A CN110738852A (zh) 2020-01-31
CN110738852B true CN110738852B (zh) 2020-12-18

Family

ID=69270985

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911012628.2A Active CN110738852B (zh) 2019-10-23 2019-10-23 一种基于车辆轨迹和长短记忆神经网络的交叉口转向溢出检测方法

Country Status (1)

Country Link
CN (1) CN110738852B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110874921A (zh) 2018-08-31 2020-03-10 百度在线网络技术（北京）有限公司 智能路侧单元及其信息处理方法
CN111681417B (zh) * 2020-05-14 2022-01-25 阿波罗智联(北京)科技有限公司 交通路口渠化调整方法和装置
CN113762454A (zh) * 2020-07-30 2021-12-07 北京沃东天骏信息技术有限公司 轨迹异常检测方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003346279A (ja) * 2002-05-22 2003-12-05 Nec Soft Ltd 通行状況監視・制御方法及び通行状況監視・制御システム
CN106710220A (zh) * 2017-03-14 2017-05-24 河南理工大学 一种城市道路分层动态协调控制算法及控制方法
CN106782602A (zh) * 2016-12-01 2017-05-31 南京邮电大学 基于长短时间记忆网络和卷积神经网络的语音情感识别方法
CN108447256A (zh) * 2018-03-22 2018-08-24 连云港杰瑞电子有限公司 基于电警和定点检测器数据融合的干道车辆轨迹重构方法
CN109003443A (zh) * 2018-07-02 2018-12-14 北方工业大学 基于地磁检测器的城市道路交叉口溢流控制方法
CN109166313A (zh) * 2018-09-10 2019-01-08 南京市公安局交通管理局 一种根据过车数据的溢出预警方法
US20190189005A1 (en) * 2017-07-04 2019-06-20 Shandong Provincial Communications Planning And Design Institute Method for judging highway abnormal event
CN110349409A (zh) * 2019-07-11 2019-10-18 浙江大学 一种利用单车轨迹确定交叉口转向溢出的方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5278554A (en) * 1991-04-05 1994-01-11 Marton Louis L Road traffic control system with alternating nonstop traffic flow
DE102015208208A1 (de) * 2015-05-04 2016-11-10 Robert Bosch Gmbh Verfahren und Vorrichtung zum Erkennen einer Müdigkeit eines Fahrers eines Fahrzeugs
CN107767666B (zh) * 2016-08-22 2021-01-29 任秀欢 一种智能检测的单点控制交叉口出口交通流溢出防控方法
CN106355907B (zh) * 2016-10-18 2018-12-18 同济大学 基于车辆轨迹的信号控制交叉口排队长度实时估计方法
KR20180043426A (ko) * 2016-10-19 2018-04-30 한국과학기술원 대기행렬의 스필오버 발생시간 추정 방법 및 시스템
CN107730885B (zh) * 2017-09-21 2020-06-16 浙江大学 一种城市干道潜在排队溢出时间段确定方法
CN108346286B (zh) * 2018-01-29 2020-10-30 浙江大学 基于宏观基本图的展宽段排队溢出检测方法
CN108492562B (zh) * 2018-04-12 2020-07-14 连云港杰瑞电子有限公司 基于定点检测与电警数据融合的交叉口车辆轨迹重构方法
CN108665704A (zh) * 2018-05-17 2018-10-16 北京航空航天大学 基于众包轨迹数据的交叉口周期最大排队长度估计方法
CN109767625A (zh) * 2019-03-18 2019-05-17 苏州易通交通科技有限公司 一种基于电警数据的交叉口短车道排队溢出识别方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003346279A (ja) * 2002-05-22 2003-12-05 Nec Soft Ltd 通行状況監視・制御方法及び通行状況監視・制御システム
CN106782602A (zh) * 2016-12-01 2017-05-31 南京邮电大学 基于长短时间记忆网络和卷积神经网络的语音情感识别方法
CN106710220A (zh) * 2017-03-14 2017-05-24 河南理工大学 一种城市道路分层动态协调控制算法及控制方法
US20190189005A1 (en) * 2017-07-04 2019-06-20 Shandong Provincial Communications Planning And Design Institute Method for judging highway abnormal event
CN108447256A (zh) * 2018-03-22 2018-08-24 连云港杰瑞电子有限公司 基于电警和定点检测器数据融合的干道车辆轨迹重构方法
CN109003443A (zh) * 2018-07-02 2018-12-14 北方工业大学 基于地磁检测器的城市道路交叉口溢流控制方法
CN109166313A (zh) * 2018-09-10 2019-01-08 南京市公安局交通管理局 一种根据过车数据的溢出预警方法
CN110349409A (zh) * 2019-07-11 2019-10-18 浙江大学 一种利用单车轨迹确定交叉口转向溢出的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Graphical Solution for Arterial Road Traffic Flow Model Considering Spillover";Hongsheng Qi;《IEEE Access》;20171222;第6755-6764页 *
"交叉口直行待行区的车辆延迟启动策略分析";王浩等;《公路交通科技》;20160430;第33卷(第4期);第86-91页 *
"过饱和条件下信号交叉口协调控制可靠性优化";王浩等;《公路交通科技》;20121130;第29卷(第11期);第108-112页 *

Also Published As

Publication number Publication date
CN110738852A (zh) 2020-01-31

Similar Documents

Publication Publication Date Title
CN110738852B (zh) 一种基于车辆轨迹和长短记忆神经网络的交叉口转向溢出检测方法
CN102810250B (zh) 基于视频的多车型交通信息检测方法
CN103235933B (zh) 一种基于隐马尔科夫模型的车辆异常行为检测方法
CN104408925B (zh) 基于陈列雷达的交叉口运行状态评价方法
CN102542289B (zh) 一种基于多高斯计数模型的人流量统计方法
CN107590999B (zh) 一种基于卡口数据的交通状态判别方法
CN107204115A (zh) 干线车流停车率估计方法
CN108447263B (zh) 基于浮动车的干线协调控制交叉口的信号控制评价方法
CN101783073B (zh) 基于双截面检测器的信号交叉口延误测定方法
CN107331170B (zh) 基于绿灯损失时间的交叉口信号配时评价方法及系统
CN102890862B (zh) 基于向量模式的交通状态分析装置及方法
CN112069944A (zh) 一种道路拥堵等级确定方法
CN106846804A (zh) 基于隐马尔科夫链的交叉口实时饱和流率估计方法
CN100454355C (zh) 实时采集道路车流量信息的视频方法
CN104851287B (zh) 基于视频检测器的城市道路路段行程时间检测方法
CN101364347A (zh) 基于视频的交叉口车辆控制延误的检测方法
CN110889328A (zh) 检测道路交通状况的方法、装置、电子设备和存储介质
CN103366572A (zh) 一种交叉口的视频交通参数检测方法
CN103985251A (zh) 一种车辆排队长度测算的方法及系统
CN105513362A (zh) 一种公交站台毗邻区公交车运行状态评价验证方法
CN109410608B (zh) 基于卷积神经网络的图片自学习交通信号控制方法
CN111986483A (zh) 基于电警数据碰撞实现道路拥堵状态研判处理的方法、装置及存储介质
CN116067677A (zh) 一种自动驾驶道路测试系统及分析方法
CN103914853A (zh) 多车辆跟踪时目标粘连和分裂情况的处理方法
CN112232257B (zh) 一种交通异常确定方法、装置、设备及介质

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