CN110889427A - 一种拥堵交通流溯源分析方法 - Google Patents

一种拥堵交通流溯源分析方法 Download PDF

Info

Publication number
CN110889427A
CN110889427A CN201910978947.2A CN201910978947A CN110889427A CN 110889427 A CN110889427 A CN 110889427A CN 201910978947 A CN201910978947 A CN 201910978947A CN 110889427 A CN110889427 A CN 110889427A
Authority
CN
China
Prior art keywords
source
vehicle
neural network
deep neural
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.)
Granted
Application number
CN201910978947.2A
Other languages
English (en)
Other versions
CN110889427B (zh
Inventor
马万经
袁见
俞春辉
王玲
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN201910978947.2A priority Critical patent/CN110889427B/zh
Publication of CN110889427A publication Critical patent/CN110889427A/zh
Priority to PCT/CN2020/120829 priority patent/WO2021073524A1/zh
Application granted granted Critical
Publication of CN110889427B publication Critical patent/CN110889427B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本发明涉及一种拥堵交通流溯源分析方法，包括以下步骤：步骤S1：基于拥堵区域的车辆的自动车辆识别器数据和车辆道路来源数据，构建深度神经网络多分类模型，得到车辆的空间来源；步骤S2：基于车辆的空间来源和自动车辆识别器数据，构建深度神经网络回归模型，得到车辆的时间溯源结果。与现有技术相比，考虑拥堵区域交通流的来源信息，从而具备从网络层面进行缓堵的能力，提供了缓解拥堵的新研究视角；相比传统机器学习算法，在推理准确度上能够明显提高。

Description

一种拥堵交通流溯源分析方法
技术领域
本发明涉及交通控制领域，尤其是涉及一种拥堵交通流溯源分析方法。
背景技术
拥堵交通流溯源是指在时间与空间层面上对交通流的来源进行追溯。其中，空间溯源是指追溯车辆在一定空间范围之外的起点位置，时间溯源是指估计该车辆从起点位置到达某一具体空间位置所需要的行程时间。由于网联车渗透率在未来较长一段时间内将持续保持较低的市场渗透率，对拥堵区域车辆来源是无法准确判断的，拥堵交通流溯源分析通过解析现有的不完整的数据追溯交通流的来源，有望成为网络交通控制策略的关键输入信息。
从定义上来看，拥堵交通流溯源与车辆轨迹重构(Vehicle PathReconstruction,VPR)既存在相似性也存在不同点：相同点在于，两者的目的均在于获取车辆来源更详细的信息；其差异在于，车辆轨迹重构的目的在于获取单量车的具体轨迹，而交通溯源则只需要获取车辆来源信息，而无需获取完整的路径信息。
得益于车联网技术的逐渐发展，蕴含丰富交通运行信息的浮动车轨迹数据的获取变得更加容易，给交通参数估计、交通管控策略的研究提供了丰富的想象空间，现有应用包括排队长度估计，信号配时优化等等。然而，大部分研究均依赖于较高的市场渗透率。
自动车辆识别器数据是一种更适合交通流溯源的数据。虽然轨迹数据包含更多的信息，但是除了前述的低渗透率造成的约束之外，渗透率本身存在随机性，其估计也是一个难点。相比而言，断面传感器，例如卡口检测设备，能够检测到所有经过的车辆信息，并已经在许多大城市内普及。
交通流溯源方法可以给现有交通缓堵策略提供新的思路。目前，在交通拥堵缓解策略领域已有大量的研究与成果，主要可归纳为1)基于信号控制：例如，典型的信号控制系统：Sydney Coordinated Adaptive Traffic System(SCATs)和Sydney CoordinatedAdaptive Traffic System(SCOOTs)；2)基于道路设施优化：例如，通过可变车道、公交专用道的设置来提高时空资源的利用率；3)基于出行模式；4)基于交叉口转弯比例。例如，实施拥堵收费政策、发展电动汽车分时租赁等措施。然而，上述的若干缓堵措施，均没有考虑拥堵区域交通流的来源信息，从而不具备从网络层面进行缓堵的能力。
目前存在的问题：已有的交通流溯源方法没有考虑拥堵区域交通流的来源信息，从而不具备从网络层面进行缓堵的能力。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种拥堵交通流溯源分析方法。
本发明的目的可以通过以下技术方案来实现：
一种拥堵交通流溯源分析方法，该方法包括以下步骤：
步骤S1：基于拥堵区域的车辆的自动车辆识别器数据和车辆道路来源数据，构建深度神经网络多分类模型，得到车辆的空间来源；
步骤S2：基于车辆的空间来源和自动车辆识别器数据，构建深度神经网络回归模型，得到车辆的时间溯源结果。
所述的步骤S1包括：
步骤S11：将自动车辆识别器数据和车辆道路来源数据进行独热编码，分别得到自动车辆识别器独热编码数据和车辆道路来源独热编码数据；
步骤S12：构建与空间来源有关的深度神经网络多分类模型损失函数；
步骤S13：基于自动车辆识别器独热编码数据、车辆道路来源独热编码数据和深度神经网络多分类模型损失函数，通过优化算法和第一准确度算法得到深度神经网络多分类模型；
步骤S14：基于深度神经网络多分类模型，得到车辆的空间来源。
所述的深度神经网络多分类模型损失函数的计算式为：
Figure BDA0002234563350000021
其中，N为车辆的数量，m为空间来源的标签编号，pωm为车辆ω属于空间来源m的概率；yωm为空间来源，yωm＝1表示空间来源m为车辆ω的正确空间来源，yωm＝0表示空间来源m不是车辆ω的正确空间来源。
第一准确度计算方法为：
Figure BDA0002234563350000031
其中，EEω表示车辆ω的空间来源区域的正确性，所述的空间来源区域包括一条边界路段及其两侧相邻的边界路段，N为车辆的数量，SEA为准确度。
所述的步骤S2包括：
步骤S21：将车辆的空间来源和自动车辆识别器数据进行独热编码，得到独热编码空间来源和自动车辆识别器独热编码数据；
步骤S22：构建与时间溯源结果有关的深度神经网络回归模型损失函数；
步骤S23：基于自动车辆识别器独热编码数据、独热编码空间来源和深度神经网络回归模型损失函数，通过优化算法和第二准确度算法得到深度神经网络回归模型；
步骤S24：基于深度神经网络回归模型，得到车辆的时间溯源结果。
所述的深度神经网络回归模型损失函数的计算式为：
Figure BDA0002234563350000032
其中，
Figure BDA0002234563350000033
为时间溯源结果，
Figure BDA0002234563350000034
为真实的行程时间。
所述的第二准确度算法的计算式与深度神经网络回归模型损失函数的计算式相同。
所述的优化算法为AdaGrad和Adam。
与现有技术相比，本发明具有以下优点：
(1)提出了溯源的时空分析框架，即深度神经网络多分类模型和深度神经网络回归模型，能够避免随着溯源距离上升时，基于交叉口转弯比例的溯源方法中误差逐级提升问题。
(2)基于深度神经网络，相比传统机器学习算法，在推理准确度上能够明显提高。
(3)考虑拥堵区域交通流的来源信息，从而具备从网络层面进行缓堵的能力，提供了缓解拥堵的新研究视角。
(4)自动车辆识别器定点设置，只依赖定点检测设备的数据，具有较好的适应性。
附图说明
图1为本发明的流程图；
图2为本发明实施例的溯源示意路网图；
图3为本发明实施例的空间误差示意图；
图4为本发明实施例的深度神经网络多分类模型输入示意图；
图5为本发明实施例与传统机器学习溯源结果对比图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例
本实施例提供一种拥堵交通流溯源分析方法，如图1所示，包括两个步骤：
步骤S1：基于拥堵区域的车辆的自动车辆识别器数据和车辆道路来源数据，构建深度神经网络多分类模型，得到车辆的空间来源；
步骤S2：基于车辆的空间来源和自动车辆识别器数据，构建深度神经网络回归模型，得到车辆的时间溯源结果。
具体而言：
一、步骤S1包括：
步骤S11：将自动车辆识别器数据和车辆道路来源数据进行独热编码，得到自动车辆识别器独热编码数据和车辆道路来源独热编码数据；
步骤S12：构建与空间来源有关的深度神经网络多分类模型损失函数；
步骤S13：基于自动车辆识别器独热编码数据、车辆道路来源独热编码数据和深度神经网络多分类模型损失函数，通过优化算法和第一准确度算法得到深度神经网络多分类模型；
步骤S14：基于深度神经网络多分类模型，得到车辆的空间来源。
其中，深度神经网络多分类模型基于深度学习分类器(DNN Classifier)；
进一步地，设
Figure BDA0002234563350000041
为距离待溯源路段一定空间距离的边界路段集合，第m条路段的标签即为m，例如，若有11条边界路段，则m＝1,2,...,11，且这11条边界路段两两相邻，构成城市路网中的一个子网络，车辆道路来源数据即为子网络的数据，研究针对这个子网络范围内的车辆进行研究。定义ω为车辆的编号，车辆的空间来源为边界路段集B中任一边界路段。定义
Figure BDA0002234563350000051
为空间误差，
Figure BDA0002234563350000052
的值表示车辆的真实空间来源与深度神经网络多分类模型推测得到的车辆的空间来源之间所间隔的边界路段数，因此
Figure BDA0002234563350000053
只可能为非负整数。
步骤S11中使用独热编码(One-hot encoding)技术处理深度神经网络多分类模型的输入数据格式，输入量为自动车辆识别器数据和车辆道路来源数据，例如，车辆ω的输入自动车辆识别器数据为特征矢量
Figure BDA0002234563350000054
其中μ表示自动车辆识别器的编号。若车辆ω经过自动车辆识别器μ，则ωμ＝1，否则，ωμ＝0。
定义深度神经网络多分类模型输出的标签为
Figure BDA0002234563350000055
其表示车辆的空间来源，具体表现为边界路段集合B中的某一条路段。在标签中，1表示车辆的空间来源，且一个矢量中有且仅有一个1，其余均为0。例如：
Figure BDA0002234563350000056
表示车辆的来源为第3个边界路段(m＝3)。
步骤S12中深度神经网络多分类模型损失函数的具体计算式为
Figure BDA0002234563350000057
其中，N表示车辆的数量；m表示空间来源的标签编号；yωm表示车辆的空间来源，yωm＝1表示空间来源m为车辆ω的正确空间来源，反之则yωm＝0；pωm表示车辆ω属于空间来源m的概率。
步骤S13中：深度神经网络算法本质是通过找到负梯度，不断迭代直至找到最优解，这个过程称为梯度下降，本方法采用谷歌开源代码机器学习库TensorFlow中最常用的优化算法AdaGrad与Adam。
定义一条边界路段及其两侧相邻的边界路段共同构成一个空间来源区域，用EEω表示车辆ω的空间来源区域的正确性。
当深度神经网络多分类模型推测的车辆的空间来源在车辆的真实空间来源所在的空间来源区域内时
Figure BDA0002234563350000058
即认为模型对车辆的空间来源获得了准确推测，即EEω＝1；当模型推测得的车辆的空间来源在车辆的真实空间来源所在的空间来源区域之外时
Figure BDA0002234563350000059
即认为深度神经网络多分类模型对车辆的空间来源未获得准确推测，即EEω＝0。
上述内容可表述为如下公式：
Figure BDA0002234563350000061
进而，第一准确度算法计算公式如下：
Figure BDA0002234563350000062
其中，SEA为准确度。
二、步骤S2包括：
步骤S21：将车辆的空间来源和自动车辆识别器数据进行独热编码，得到独热编码空间来源和自动车辆识别器独热编码数据；
步骤S22：构建与时间溯源结果有关的深度神经网络回归模型损失函数；
步骤S23：基于自动车辆识别器独热编码数据、独热编码空间来源和深度神经网络回归模型损失函数，通过优化算法和第二准确度算法得到深度神经网络回归模型；
步骤S24：基于深度神经网络回归模型，得到车辆的时间溯源结果。
其中，深度神经网络回归模型基于深度学习回归器(DNN Regressor)。
进一步地，设车辆ω到达待溯源路段的时刻为
Figure BDA0002234563350000063
定义行程时间表示车辆ω从起始边界路段开始，到达待溯源路段所经过的时间。由于起始路段不一定会有自动车辆识别检测器，因此，在时间溯源模型中，采用回归的方式来推测行程时间，定义深度神经网络回归模型得到的行程时间(即时间溯源结果)为
Figure BDA0002234563350000064
步骤S21中深度神经网络回归模型的输入信息依旧采用独热编码的形式，定义
Figure BDA0002234563350000065
为输入信息，其主要包含两部分：第一部分
Figure BDA0002234563350000066
是深度神经网络多分类模型的输出结果，即
Figure BDA0002234563350000067
第二部分
Figure BDA0002234563350000068
包含的信息是车辆ω第一次在子网络被检测到的检测器编号，以及到达待溯源路段之间的时间差。例如，设
Figure BDA0002234563350000069
为车辆ω第一次被子网络中的检测器μ检测到的时间戳，则有
Figure BDA00022345633500000610
其中，
Figure BDA00022345633500000611
所包含的元素个数等于子路网中拥有的检测器个数，
Figure BDA00022345633500000612
为
Figure BDA00022345633500000613
的第μ个元素，代表其被μ号检测器捕捉到，其余元素均为0。
步骤S22中深度神经网络回归模型损失函数具体计算公式如下：
Figure BDA00022345633500000614
其中，
Figure BDA00022345633500000615
为真实的行程时间。
步骤S23中同样采用谷歌开源代码机器学习库TensorFlow中的AdaGrad与Adam作为模型优化算法。
第二准确度定义为TEE，其算法与深度神经网络回归模型损失函数相同，即：
Figure BDA0002234563350000071
下面结合一个具体的例子说明本方法：
如图2所示，为示例应用场景，该子网络由25个交叉口及若干条路段组成，在路段上分布着若干自动车辆识别器。其中，Dμ(μ＝1,2,...,10)表示第μ个自动车辆识别器，灰色圆圈代表普通交叉口，黑色圆圈代表边界交叉口，与边界交叉口相邻的黑色虚线路段为边界路段，由边界路段构成的集合为
Figure BDA0002234563350000072
待溯源路段为r14-15。
若在图2子网络中，车辆的真实空间来源是r3-8，则深度神经网络多分类模型的不同推测的空间误差数值如图3中
Figure BDA0002234563350000073
一栏所示。可以看到，空间误差均为非负整数。
图2中给出了两条示例轨迹(I和II)，它们在这个子网络内的起点边界路段为l2和l3，均经过待溯源路段r14-15。
以图2中的两条示例轨迹为例，图4为轨迹I与轨迹II在深度神经网络多分类模型中的输入自动车辆识别器数据形式，若车辆经过带有自动车辆识别器的路段，则对应元素的值为1，否则为0。
如图5所示，将本方法所采用的基于深度神经网络的分类和回归，与基于传统机器学习的分类和回归进行了对比。结果发现，基于深度神经网络的分类和回归在效果上全面优于基于传统机器学习的分类和回归的效果。

Claims (8)

1.一种拥堵交通流溯源分析方法，其特征在于，该方法包括以下步骤：
步骤S1：基于拥堵区域的车辆的自动车辆识别器数据和车辆道路来源数据，构建深度神经网络多分类模型，得到车辆的空间来源；
步骤S2：基于车辆的空间来源和自动车辆识别器数据，构建深度神经网络回归模型，得到车辆的时间溯源结果。
2.根据权利要求1所述的一种拥堵交通流溯源分析方法，其特征在于，所述的步骤S1包括：
步骤S11：将自动车辆识别器数据和车辆道路来源数据进行独热编码，分别得到自动车辆识别器独热编码数据和车辆道路来源独热编码数据；
步骤S12：构建与空间来源有关的深度神经网络多分类模型损失函数；
步骤S13：基于自动车辆识别器独热编码数据、车辆道路来源独热编码数据和深度神经网络多分类模型损失函数，通过优化算法和第一准确度算法得到深度神经网络多分类模型；
步骤S14：基于深度神经网络多分类模型，得到车辆的空间来源。
3.根据权利要求2所述的一种拥堵交通流溯源分析方法，其特征在于，所述的深度神经网络多分类模型损失函数的计算式为：
Figure FDA0002234563340000011
其中，N为车辆的数量，m为空间来源的标签编号，pωm为车辆ω属于空间来源m的概率；yωm为空间来源，yωm＝1表示空间来源m为车辆ω的正确空间来源，yωm＝0表示空间来源m不是车辆ω的正确空间来源。
4.根据权利要求2所述的一种拥堵交通流溯源分析方法，其特征在于，第一准确度计算方法为：
Figure FDA0002234563340000012
其中，EEω表示车辆ω的空间来源区域的正确性，所述的空间来源区域包括一条边界路段及其两侧相邻的边界路段，N为车辆的数量，SEA为准确度。
5.根据权利要求1所述的一种拥堵交通流溯源分析方法，其特征在于，所述的步骤S2包括：
步骤S21：将车辆的空间来源和自动车辆识别器数据进行独热编码，得到独热编码空间来源和自动车辆识别器独热编码数据；
步骤S22：构建与时间溯源结果有关的深度神经网络回归模型损失函数；
步骤S23：基于自动车辆识别器独热编码数据、独热编码空间来源和深度神经网络回归模型损失函数，通过优化算法和第二准确度算法得到深度神经网络回归模型；
步骤S24：基于深度神经网络回归模型，得到车辆的时间溯源结果。
6.根据权利要求5所述的一种拥堵交通流溯源分析方法，其特征在于，所述的深度神经网络回归模型损失函数的计算式为：
Figure FDA0002234563340000021
其中，
Figure FDA0002234563340000022
为时间溯源结果，
Figure FDA0002234563340000023
为真实的行程时间。
7.根据权利要求5所述的一种拥堵交通流溯源分析方法，其特征在于，所述的第二准确度算法的计算式与深度神经网络回归模型损失函数的计算式相同。
8.根据权利要求5所述的一种拥堵交通流溯源分析方法，其特征在于，所述的优化算法为AdaGrad和Adam。
CN201910978947.2A 2019-10-15 2019-10-15 一种拥堵交通流溯源分析方法 Active CN110889427B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910978947.2A CN110889427B (zh) 2019-10-15 2019-10-15 一种拥堵交通流溯源分析方法
PCT/CN2020/120829 WO2021073524A1 (zh) 2019-10-15 2020-10-14 一种拥堵交通流溯源分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910978947.2A CN110889427B (zh) 2019-10-15 2019-10-15 一种拥堵交通流溯源分析方法

Publications (2)

Publication Number Publication Date
CN110889427A true CN110889427A (zh) 2020-03-17
CN110889427B CN110889427B (zh) 2023-07-07

Family

ID=69746149

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910978947.2A Active CN110889427B (zh) 2019-10-15 2019-10-15 一种拥堵交通流溯源分析方法

Country Status (2)

Country Link
CN (1) CN110889427B (zh)
WO (1) WO2021073524A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112328791A (zh) * 2020-11-09 2021-02-05 济南大学 一种基于DiTextCNN的中文政务信息的文本分类方法
WO2021073524A1 (zh) * 2019-10-15 2021-04-22 同济大学 一种拥堵交通流溯源分析方法
CN113920719A (zh) * 2021-09-09 2022-01-11 青岛海信网络科技股份有限公司 交通溯源方法及电子设备
CN116580563A (zh) * 2023-07-10 2023-08-11 中南大学 基于马尔可夫链的区域拥堵车源预测方法、装置及设备
CN117010667A (zh) * 2023-09-27 2023-11-07 深圳市城市交通规划设计研究中心股份有限公司 一种道路交通排放空间溯源方法、电子设备及存储介质

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115311854B (zh) * 2022-07-22 2023-08-25 东南大学 一种基于数据融合的车辆时空轨迹重构方法
CN116580586B (zh) * 2023-07-12 2023-10-13 中南大学 一种平衡个人利益和社会利益的车辆路径诱导方法及系统

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001283373A (ja) * 2000-03-30 2001-10-12 Toshiba Corp 交通流計測システム
CN106856049A (zh) * 2017-01-20 2017-06-16 东南大学 基于卡口号牌识别数据的关键交叉口需求集聚分析方法
JP2017117080A (ja) * 2015-12-22 2017-06-29 アイシン・エィ・ダブリュ株式会社 自動運転支援システム、自動運転支援方法及びコンピュータプログラム
CN107564291A (zh) * 2017-10-20 2018-01-09 重庆市市政设计研究院 一种基于rfid的交通量溯源分析方法及系统
CN108509978A (zh) * 2018-02-28 2018-09-07 中南大学 基于cnn的多级特征融合的多类目标检测方法及模型
CN109087510A (zh) * 2018-09-29 2018-12-25 讯飞智元信息科技有限公司 交通监测方法及装置
CN109101997A (zh) * 2018-07-11 2018-12-28 浙江理工大学 一种采样受限主动学习的溯源方法
CN109191849A (zh) * 2018-10-22 2019-01-11 北京航空航天大学 一种基于多源数据特征提取的交通拥堵持续时间预测方法
CN109361617A (zh) * 2018-09-26 2019-02-19 中国科学院计算机网络信息中心 一种基于网络包载荷的卷积神经网络流量分类方法及系统
CN109448367A (zh) * 2018-10-22 2019-03-08 卢伟涛 一种基于大数据图像采集的智能道路交通追踪管理系统
CN109492588A (zh) * 2018-11-12 2019-03-19 广西交通科学研究院有限公司 一种基于人工智能的快速车辆检测与分类方法
CN109639739A (zh) * 2019-01-30 2019-04-16 大连理工大学 一种基于自动编码器网络的异常流量检测方法
CN110111574A (zh) * 2019-05-16 2019-08-09 北京航空航天大学 一种基于流量树分析的城市交通不平衡评价方法
CN110136435A (zh) * 2019-04-17 2019-08-16 青岛大学 一种多感染阈值、多传播并存的拥堵网络化传播模型

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106652441A (zh) * 2015-11-02 2017-05-10 杭州师范大学 一种基于时空数据的城市道路交通状态预测方法
CN105882695B (zh) * 2016-03-17 2017-11-28 北京交通大学 针对城市轨道交通路网客流拥堵的前瞻性关联控制方法
EP3495220B1 (en) * 2017-12-11 2024-04-03 Volvo Car Corporation Path prediction for a vehicle
CN110287995B (zh) * 2019-05-27 2022-12-20 同济大学 全天高架交通拥堵情况分级的多特征学习网络模型方法
CN110889427B (zh) * 2019-10-15 2023-07-07 同济大学 一种拥堵交通流溯源分析方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001283373A (ja) * 2000-03-30 2001-10-12 Toshiba Corp 交通流計測システム
JP2017117080A (ja) * 2015-12-22 2017-06-29 アイシン・エィ・ダブリュ株式会社 自動運転支援システム、自動運転支援方法及びコンピュータプログラム
CN106856049A (zh) * 2017-01-20 2017-06-16 东南大学 基于卡口号牌识别数据的关键交叉口需求集聚分析方法
CN107564291A (zh) * 2017-10-20 2018-01-09 重庆市市政设计研究院 一种基于rfid的交通量溯源分析方法及系统
CN108509978A (zh) * 2018-02-28 2018-09-07 中南大学 基于cnn的多级特征融合的多类目标检测方法及模型
CN109101997A (zh) * 2018-07-11 2018-12-28 浙江理工大学 一种采样受限主动学习的溯源方法
CN109361617A (zh) * 2018-09-26 2019-02-19 中国科学院计算机网络信息中心 一种基于网络包载荷的卷积神经网络流量分类方法及系统
CN109087510A (zh) * 2018-09-29 2018-12-25 讯飞智元信息科技有限公司 交通监测方法及装置
CN109191849A (zh) * 2018-10-22 2019-01-11 北京航空航天大学 一种基于多源数据特征提取的交通拥堵持续时间预测方法
CN109448367A (zh) * 2018-10-22 2019-03-08 卢伟涛 一种基于大数据图像采集的智能道路交通追踪管理系统
CN109492588A (zh) * 2018-11-12 2019-03-19 广西交通科学研究院有限公司 一种基于人工智能的快速车辆检测与分类方法
CN109639739A (zh) * 2019-01-30 2019-04-16 大连理工大学 一种基于自动编码器网络的异常流量检测方法
CN110136435A (zh) * 2019-04-17 2019-08-16 青岛大学 一种多感染阈值、多传播并存的拥堵网络化传播模型
CN110111574A (zh) * 2019-05-16 2019-08-09 北京航空航天大学 一种基于流量树分析的城市交通不平衡评价方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张晓春;邵源;孙超;: "面向未来城市的智慧交通整体构思", no. 05 *
李悦;陆化普;蔚欣欣;: "城市快速路交通流特性分析", no. 06 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021073524A1 (zh) * 2019-10-15 2021-04-22 同济大学 一种拥堵交通流溯源分析方法
CN112328791A (zh) * 2020-11-09 2021-02-05 济南大学 一种基于DiTextCNN的中文政务信息的文本分类方法
CN113920719A (zh) * 2021-09-09 2022-01-11 青岛海信网络科技股份有限公司 交通溯源方法及电子设备
CN116580563A (zh) * 2023-07-10 2023-08-11 中南大学 基于马尔可夫链的区域拥堵车源预测方法、装置及设备
CN116580563B (zh) * 2023-07-10 2023-09-22 中南大学 基于马尔可夫链的区域拥堵车源预测方法、装置及设备
CN117010667A (zh) * 2023-09-27 2023-11-07 深圳市城市交通规划设计研究中心股份有限公司 一种道路交通排放空间溯源方法、电子设备及存储介质
CN117010667B (zh) * 2023-09-27 2024-02-27 深圳市城市交通规划设计研究中心股份有限公司 一种道路交通排放空间溯源方法、电子设备及存储介质

Also Published As

Publication number Publication date
CN110889427B (zh) 2023-07-07
WO2021073524A1 (zh) 2021-04-22

Similar Documents

Publication Publication Date Title
CN110889427A (zh) 一种拥堵交通流溯源分析方法
CN107310550B (zh) 道路交通工具行驶控制方法和装置
US9053433B2 (en) Assisting vehicle guidance over terrain
Kim et al. Structural recurrent neural network for traffic speed prediction
CN108898520B (zh) 基于轨迹数据的学生安全监控方法和系统
CN113291321A (zh) 一种车辆轨迹预测方法、装置、设备及存储介质
CN115578876A (zh) 一种车辆的自动驾驶方法、系统、设备及存储介质
Zhang et al. Beyond-line-of-sight identification by using vehicle-to-vehicle communication
Canzian et al. Collision detection by networked sensors
CN116631186B (zh) 基于危险驾驶事件数据的高速公路交通事故风险评估方法、系统
CN104301697A (zh) 一种公共场所暴力事件自动检测系统及其方法
CN115188187A (zh) 一种基于车路协同的路侧感知数据质量监测系统及方法
Bawaneh et al. Novel traffic congestion detection algorithms for smart city applications
CN106157657A (zh) 一种移动用户的运动状态识别系统及其方法
CN103605960A (zh) 一种基于不同焦距视频图像融合的交通状态识别方法
Selvaraj et al. Edge learning of vehicular trajectories at regulated intersections
JP4572944B2 (ja) 運転支援装置、運転支援方法および運転支援プログラム
CN117291780A (zh) 一种周期自适应图卷积循环网络交通流预测方法
CN116740664A (zh) 一种轨迹预测方法和装置
JP4957612B2 (ja) 走行パターン情報取得装置、走行パターン情報取得方法および走行パターン情報取得プログラム
Kezia et al. Vehicle Trajectory Prediction Using Optimized Sta-Lstm For Autonomous Driving
CN115565388A (zh) 基于多通道车辆检测与立体特征标注的交通灯控制方法
Isong et al. Deep Learning-Based Object Detection Techniques for Self-Driving Cars: an in-Depth Analysis
Zernetsch et al. Cyclist intention detection: A probabilistic approach
Dabiri Application of deep learning in intelligent transportation systems

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