CN111311907B - 基于元胞传输模型的不确定基本图参数辨识的识别方法 - Google Patents
基于元胞传输模型的不确定基本图参数辨识的识别方法 Download PDFInfo
- Publication number
- CN111311907B CN111311907B CN202010090621.9A CN202010090621A CN111311907B CN 111311907 B CN111311907 B CN 111311907B CN 202010090621 A CN202010090621 A CN 202010090621A CN 111311907 B CN111311907 B CN 111311907B
- Authority
- CN
- China
- Prior art keywords
- graph
- uncertain
- traffic
- basic
- cell
- 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
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
-
- 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
-
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于元胞传输模型的不确定基本图参数辨识的识别方法,属于交通流基本图参数辨识领域,主要解决传统宏观基本图针对微观元胞不适用的问题。本发明以路段为节点构成图的顶点,路段之间的交通流向为图的有向边,构成元胞组合为路网拓扑结构的有向图模型,构造针对元胞的不确定基本图,根据线性回归拟合不确定基本图左侧的自由流状态,根据支持向量回归拟合不确定基本图右侧的拥挤流状态,从而确定不确定基本图的参数表达,用该图可以分析对应元胞的交通运行状态。该方法具有更为精确、针对微观路段有良好的鲁棒性等优点。
Description
技术领域
本发明属于交通流基本图参数辨识领域,主要涉及一种基于元胞传输模型的不确定基本图参数辨识的识别方法。
背景技术
机动车保有量的日益提高,伴随着日益严重的交通拥堵问题。因此对交通流进行合理交通分配,对缓解道路拥堵有着巨大的作用。作为整个路网交通流运行规律的直观体现,宏观交通流基本图可以反映整个路网运行车辆与运行水平关系,是进行交通分配的重要依据之一。
宏观基本图是采用关系图形式对路段交通流三要素:流量、速度、密度之间相互关系进行描述,一般呈现三角形,是路网自身的属性,与交通需求的变化无关。本发明针对的研究对象是基于元胞传输模型划分路网之后的元胞,有着很多不确定的信息,大致分为两类。第一类是数据收集和处理过程中产生的随机性,包括:通过测量各个路段的速度和流量推断交通状态、交通需求的预测、车辆通过路网及匝道的分流比等;第二类为司机的不同驾驶行为、突发交通事故等交通动态信息。当针对微观的元胞模型时,宏观基本图不能描述细微扰动带来的影响,而不确定基本图针对每个元胞有其对应的表现形式,可以更详实的表现微观的交通变化,知晓每个元胞精确的交通状态。
发明内容
本发明的目的在于针对现有方法的缺陷,提供一种基于元胞传输模型的不确定基本图参数辨识的识别方法,以不确定基本图为新的载体,通过对不确定基本图进行参数辨识,分析元胞的交通状态,从而代替宏观基本图。该方法具有更为精确、针对微观路段有良好的鲁棒性等优点。
为解决上述技术问题,本发明通过以下技术方案进行实施:
S1、以路段为节点构成图的顶点,路段之间的交通流向为图的有向边,构成元胞组合为路网拓扑结构的有向图模型;所述有向图模型考虑路段交通流特性、元胞等;
S2、构造针对元胞的不确定基本图;所述不确定基本图为获取元胞运行交通流数据后形成的流密关系图;
S3、根据线性回归拟合不确定基本图左侧的自由流状态,根据支持向量回归拟合不确定基本图右侧的拥挤流状态;
S4、确定不确定基本图的参数表达,用该图分析对应元胞的交通运行状态;所述不确定基本图的参数表达包括自由流与拥挤流两部分,得到分段函数的表达式。
进一步的,所述步骤S1中,路段交通流特性为车道数、曲率半径等道路环境特征。
进一步的,所述步骤S1中,元胞模型为:
ρi(t+1)=ρi(t)+α(qi-1,i-qi,i+1),i=1,2,...,n (1)
s(ρ)=min{Vρ,C}=Vmin{ρ,ρc} (2)
r(ρ)=min{C,W(ρm-ρ)}=Wmin{ρm-ρc,ρm-ρ} (3)
α=TL-1 (4)
其中,i-1,i,i+1为元胞编号,ρ为元胞密度,V为自由流速度,W为交通波速度,ρc为临界密度,ρm为拥挤密度,C为通行能力,α为交通流慢度,T为采样时间,L为元胞长度。
进一步的,所述步骤S1中,有向图模型为:给定快速路,将路网中引起交通流变化或者发生交通冲突的节点作为路段分割点,例如进出口匝道、车道数变化处、道路曲率半径变化处等,将路网划分为若干路段,每个路段进一步划分为若干个均衡的元胞。以元胞为节点构成图的顶点,相邻路段之间的交通流向为图的有向边,构成有向图模型。
进一步的,所述步骤S2中,针对元胞的不确定基本图为:通常交通流宏观基本图针对的是整个路网,因此鲁棒性较强,细微的扰动在整个路网的范围内会变得微不足道,不会反映到图中。但是针对CTM中元胞的基本图,扰动会很明显的反映在每一个元胞的基本图中。分析扰动来源,得到导致元胞的基本图不确定性的原因:基本图参数不确定、对交通需求的预测不确定、测量结果不确定。将不确定性用区间来表示在基本图中,即可得到针对元胞的不确定基本图。
进一步的,步骤S3中,所述根据线性回归拟合自由流状态拟合方程为:
q=wρ+b (5)
其中,ρ∈Rn是输入的特征向量,即密度;q∈R是输出的结果,即流量;w∈Rn和b∈R是模型参数,线性回归是一种基本的机器学习回归算法,利用LR方程对一个或多个自变量和因变量之间关系进行建模。其输入为训练数据集T={(x1,y1),(x2,y2),...,(xn,yn)}和样本特征向量,对应的输出为样本x的标签值y。
其中,xi为样本数据的横坐标,代表密度ρ的集合;yi为样本数据的纵坐标,代表流量q的集合;T为训练样本数据集。
进一步的,所述步骤S3中,根据支持向量回归拟合拥挤流状态拟合方程为:
进一步的,所述步骤S4中,不确定基本图的参数表达,得到分段函数的表达式为:
进一步的,步骤S4中,所述的基于元胞传输模型划分路段的元胞不确定基本图参数辨识的识别方法,包括如下步骤:
步骤4.1:针对目标快速路,根据元胞划分原则进行路段划分,划分为若干个元胞,组合为路网拓扑结构的有向图模型;
步骤4.2:通过GPS、视频等方法获取路段交通数据,绘制各个元胞的流密关系图,构造针对元胞的不确定基本图;
步骤4.3:将不确定基本图划分为两个部分,分别为图左边的自由流状态与图右边的拥挤流状态;
步骤4.4:利用统计学习中的线性回归拟合自由流部分;
步骤4.5:利用统计学习中的支持向量回归拟合拥挤流部分;
步骤4.6:得到不确定基本图的参数表达,利用该图可以用于分析元胞所处的交通状态。
与现有方法相比,本发明的有益效果如下:
本发明公开的一种基于元胞传输模型的不确定基本图参数辨识的识别方法,考虑根据元胞传输模型划分出来的路网拓扑结构的有向图模型,通过GPS、视频等方法获取路段交通数据,绘制各个元胞的流密关系图,构造出针对元胞的不确定基本图,并通过线性回归与支持向量回归进行拟合,得到不确定基本图的参数表达,利用该图可以用于分析元胞所处的交通状态。该方法具有更为精确、针对微观路段有良好的鲁棒性等优点。
附图说明
图1为步骤流程图
图2为路网拓扑结构的有向图模型示意图
图3为单个元胞模型的示意图
图4为元胞5的不确定基本图示意图
图5为针对元胞5的左侧自由流利用线性回归拟合结果示意图
图6为针对元胞5的右侧拥挤流利用支持向量回归拟合结果示意图
图7为完整的拟合不确定基本图结果示意图,其中(a)为元胞11的不确定基本图结果示意图,(b)为元胞14的不确定基本图结果示意图。
具体实施方式
为了清楚地说明本发明,下面结合实施例和附图对本发明作进一步的说明。显然,下面所具体描述的内容是说明性的而非限制性的,不应以此限制本发明的保护范围。
本实验以北京市京通快速路为研究对象,以此构建元胞传输模型,并对其中的元胞绘制不确定基本图且进行参数辨识。
本发明公开了一种基于元胞传输模型划分路段的元胞不确定基本图参数辨识的识别方法,该识别方法包括如下步骤,如图1所示:
S1、如图2所示,以路段为节点构成图的顶点,路段之间的交通流向为图的有向边,构成元胞组合为路网拓扑结构的有向图模型。
其中,,单个元胞的模型如图3所示,具体可表示为:
ρi(t+1)=ρi(t)+α(qi-1,i-qi,i+1),i=1,2,...,n (1)
s(ρ)=min{Vρ,C}=Vmin{ρ,ρc} (2)
r(ρ)=min{C,W(ρm-ρ)}=Wmin{ρm-ρc,ρm-ρ} (3)
α=TL-1 (4)
其中,i-1,i,i+1为元胞编号,ρ为元胞密度,V为自由流速度,W为交通波速度,ρc为临界密度,ρm为拥挤密度,C为通行能力,α为交通流慢度,T为采样时间,L为元胞长度。
京通快速路总长度大约为7千米,包括4车道、3车道与2车道,其中大部分为4车道,在该段路网中有6个进口匝道,7个出口匝道,且存在部分弯道,根据S1中的元胞划分规则,可划分为18个元胞,结合百度卫星地图的路段固有信息,完成京通快速路的元胞传输模型建模。
S2、构造针对元胞的不确定基本图,表示为获取元胞运行交通流数据后形成的流密关系图,以元胞5为例,如图5所示。
图5中,可以看出自由流数据大致呈线性分布,而拥挤流数据呈区域状分布。
具体的,速度、密度、流量等数据通过GPS、视频等获取,本发明中数据为利用视频拍摄一段时间内的车流,通过机器学习得到。分别记录每个元胞内车辆的速度、密度、流量,绘制每个元胞的流密关系散点图,即可得到每个元胞的不确定基本图。
S3、根据线性回归拟合不确定基本图左侧的自由流状态,根据支持向量回归拟合不确定基本图右侧的拥挤流状态:
其中,线性回归是一种基本的机器学习回归算法,利用LR方程对一个或多个自变量和因变量之间关系进行建模。其输入为训练数据集T={(x1,y1),(x2,y2),...,(xn,yn)}和样本特征向量,对应的输出为样本x的标签值y,最后得到拟合出的线性方程:
q=wρ+b (5)
其中,ρ∈Rn是输入的特征向量,即密度;q∈R是输出的结果,即流量;w∈Rn和b∈R是模型参数。
如图5所示,即为针对元胞5的左侧自由流利用线性回归拟合结果:
y=169.938373·X+0.547169 (6)
其中,支持向量回归是支持向量机在回归预测领域的应用,基本思想是让泛化误差(维数)的上限最小化,从而使经验风险最小化,使训练数据误差最小化。支持向量回归将问题描述为一个凸二次规划以及相应的对偶问题进行简化,且这个凸规划问题的解即为全局最优解。给定训练样本D={(x1,y1),(x2,y2),...,(xn,yn)},则SVR用下述数学语言进行描述:
如图6所示,即为针对元胞5右侧拥挤流利用支持向量回归的拟合结果。
S4、确定不确定基本图的参数表达,用该图分析对应元胞的交通运行状态。得到不确定基本图的参数表达包括自由流与拥挤流两部分,得到分段函数的表达式为:
完整的拟合不确定基本图如图7所示(以元胞11和元胞14为例),只用传统拟合宏观基本图的方法拟合不确定基本图的均方误差为25.543和28.738(以元胞11和元胞14为例),采用本发明方法拟合出不确定基本图的均方误差为10.745和11.648。可见,本发明不仅可以更加精确的描述微观元胞的交通状态,而且拟合的精度也优于拟合传统宏观基本图的方法,证明本发明具有更为精确、针对微观路段有良好的鲁棒性的优点。
本发明的上述实施例仅是为清楚地说明本发明所作的举例,而并非是对本发明实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对每一条道路均划分元胞进行分析,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (5)
1.基于元胞传输模型的不确定基本图参数辨识的识别方法,其特征在于,该识别方法包括如下步骤:
S1、以路段为节点构成图的顶点,路段之间的交通流向为图的有向边,构成元胞组合为路网拓扑结构的有向图模型;所述有向图模型考虑路段交通流特性、元胞;
S2、构造针对元胞的不确定基本图;所述不确定基本图为获取元胞运行交通流数据后形成的流密关系图;所述针对元胞的不确定基本图为:针对CTM中元胞的基本图,扰动会很明显的反映在每一个元胞的基本图中;分析扰动来源,得到导致元胞的基本图不确定性的原因:基本图参数不确定、对交通需求的预测不确定、测量结果不确定;将不确定性用区间来表示在基本图中,即可得到针对元胞的不确定基本图;
S3、根据线性回归拟合不确定基本图左侧的自由流状态,根据支持向量回归拟合不确定基本图右侧的拥挤流状态;根据线性回归拟合自由流状态拟合方程为:
q=wρ+b (5)
其中,ρ∈Rn是输入的特征向量,即密度;q∈R是输出的结果,即流量;w∈Rn和b∈R是模型参数;
所述线性回归是利用LR方程对一个或多个自变量和因变量之间关系进行建模,其输入为训练数据集T={(x1,y1),(x2,y2),...,(xn,yn)}和样本特征向量,对应的输出为样本x的标签值y;
其中,xi为样本数据的横坐标,代表密度ρ的集合;yi为样本数据的纵坐标,代表流量q的集合;T为训练样本数据集;
根据支持向量回归拟合拥挤流状态拟合方程为:
其中,ε≥0,代表预测值与真实值的误差,C为正则化参数,ξi和ξi *为松弛变量,与每一个训练样本一一对应;
S4、确定不确定基本图的参数表达,用该图分析对应元胞的交通运行状态;所述不确定基本图的参数表达包括自由流与拥挤流两部分,得到分段函数的表达式;
不确定基本图的参数表达,得到分段函数的表达式为:
2.根据权利要求1所述的基于元胞传输模型的不确定基本图参数辨识的识别方法,其特征在于,所述步骤S1中,路段交通流特性为车道数、曲率半径。
3.根据权利要求1所述的基于元胞传输模型的不确定基本图参数辨识的识别方法,其特征在于,所述步骤S1中,元胞模型为:
ρi(t+1)=ρi(t)+α(qi-1,i-qi,i+1),i=1,2,...,n (1)
s(ρ)=min{Vρ,C}=V min{ρ,ρc} (2)
r(ρ)=min{C,W(ρm-ρ)}=W min{ρm-ρc,ρm-ρ} (3)
α=TL-1 (4)
其中,i-1,i,i+1为元胞编号,ρ为元胞密度,V为自由流速度,W为交通波速度,ρc为临界密度,ρm为拥挤密度,C为通行能力,α为交通流慢度,T为采样时间,L为元胞长度。
4.根据权利要求1所述的基于元胞传输模型的不确定基本图参数辨识的识别方法,其特征在于,所述步骤S1中,所述有向图模型为:给定快速路,将路网中引起交通流变化或者发生交通冲突的节点作为路段分割点,包括进出口匝道、车道数变化处、道路曲率半径变化处,将路网划分为若干路段,每个路段进一步划分为若干个均衡的元胞,以元胞为节点构成图的顶点,相邻路段之间的交通流向为图的有向边,构成有向图模型。
5.根据权利要求1所述的基于元胞传输模型的不确定基本图参数辨识的识别方法,其特征在于,包括如下步骤:
步骤4.1:针对目标快速路,根据元胞划分原则进行路段划分,划分为若干个元胞,组合为路网拓扑结构的有向图模型;
步骤4.2:通过GPS、视频方法获取路段交通数据,绘制各个元胞的流密关系图,构造针对元胞的不确定基本图;
步骤4.3:将不确定基本图划分为两个部分,分别为图左边的自由流状态与图右边的拥挤流状态;
步骤4.4:利用统计学习中的线性回归拟合自由流部分;
步骤4.5:利用统计学习中的支持向量回归拟合拥挤流部分;
步骤4.6:得到不确定基本图的参数表达,利用该图可以用于分析元胞所处的交通状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010090621.9A CN111311907B (zh) | 2020-02-13 | 2020-02-13 | 基于元胞传输模型的不确定基本图参数辨识的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010090621.9A CN111311907B (zh) | 2020-02-13 | 2020-02-13 | 基于元胞传输模型的不确定基本图参数辨识的识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111311907A CN111311907A (zh) | 2020-06-19 |
CN111311907B true CN111311907B (zh) | 2021-05-28 |
Family
ID=71159350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010090621.9A Active CN111311907B (zh) | 2020-02-13 | 2020-02-13 | 基于元胞传输模型的不确定基本图参数辨识的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111311907B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112382095B (zh) * | 2020-11-26 | 2021-09-10 | 长沙理工大学 | 一种多源数据融合的城市快速路交通状态估计方法 |
CN112907950B (zh) * | 2021-01-20 | 2022-04-01 | 东南大学 | 一种面向车路协同环境的元胞传输模型改进方法 |
CN112991806B (zh) * | 2021-02-18 | 2022-01-07 | 安徽中科美络信息技术有限公司 | 一种车辆轨迹监测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7369853B2 (en) * | 2003-03-08 | 2008-05-06 | Samsung Electronics Co., Ltd | System and method for implementing a handoff in a traffic state in a broadband wireless access communication system |
WO2015015235A1 (en) * | 2013-07-29 | 2015-02-05 | Ren Jinxiang | Dynamic travel guidance system for motorists |
CN105427004A (zh) * | 2016-01-06 | 2016-03-23 | 北京工业大学 | 一种快速路网交通传感网络的优化布设方法 |
CN105702031A (zh) * | 2016-03-08 | 2016-06-22 | 北京航空航天大学 | 基于宏观基本图的路网关键路段识别方法 |
CN105741555A (zh) * | 2016-04-28 | 2016-07-06 | 华南理工大学 | 一种基于宏观基本图确定车型折算系数的方法 |
-
2020
- 2020-02-13 CN CN202010090621.9A patent/CN111311907B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7369853B2 (en) * | 2003-03-08 | 2008-05-06 | Samsung Electronics Co., Ltd | System and method for implementing a handoff in a traffic state in a broadband wireless access communication system |
WO2015015235A1 (en) * | 2013-07-29 | 2015-02-05 | Ren Jinxiang | Dynamic travel guidance system for motorists |
CN105427004A (zh) * | 2016-01-06 | 2016-03-23 | 北京工业大学 | 一种快速路网交通传感网络的优化布设方法 |
CN105702031A (zh) * | 2016-03-08 | 2016-06-22 | 北京航空航天大学 | 基于宏观基本图的路网关键路段识别方法 |
CN105741555A (zh) * | 2016-04-28 | 2016-07-06 | 华南理工大学 | 一种基于宏观基本图确定车型折算系数的方法 |
Non-Patent Citations (4)
Title |
---|
MFD对车型构成的敏感性分析及车辆换算系数计算方法;徐建闽 等;《中国公路学报》;20180831;第31卷(第8期);第145-154页 * |
基于云模型的城市快速路交通状态评价方法研究;李悦 等;《公路工程》;20130630;第38卷(第3期);第58-60页 * |
基于卡尔曼滤波的城市快速路交通密度估计与拥堵识别;张驰远 等;《交通信息与安全》;20171231;第35卷(第5期);第55-61页 * |
基于比例积分观测器的城市快速路交通密度估计与拥堵识别;郭宇奇 等;《北京工业大学学报》;20180630;第44卷(第6期);第910-918页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111311907A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109670277B (zh) | 一种基于多模态数据融合与多模型集成的旅行时间预测方法 | |
CN111311907B (zh) | 基于元胞传输模型的不确定基本图参数辨识的识别方法 | |
CN107766808B (zh) | 道路网络空间中车辆对象移动轨迹聚类的方法及系统 | |
Chiabaut et al. | Traffic congestion and travel time prediction based on historical congestion maps and identification of consensual days | |
Ma et al. | Calibration of microsimulation with heuristic optimization methods | |
CN112347993B (zh) | 一种基于车辆-无人机协同的高速公路车辆行为和轨迹预测方法 | |
CN111539454B (zh) | 一种基于元学习的车辆轨迹聚类方法及系统 | |
CN111832225A (zh) | 一种构建汽车行驶工况的方法 | |
CN111210621B (zh) | 基于实时路况的信号绿波协调路线优化控制方法及系统 | |
CN111292534A (zh) | 一种基于聚类与深度序列学习的交通状态估计方法 | |
Huang et al. | Automatic generation of road maps from low quality GPS trajectory data via structure learning | |
WO2021013190A1 (zh) | 基于气象参数的高速列车导航盲区定位方法及系统 | |
CN113808396B (zh) | 基于交通流量数据融合的交通速度预测方法和系统 | |
Zhao et al. | Abnormal trajectory detection based on a sparse subgraph | |
CN116071722A (zh) | 基于路段轨迹的车道几何信息提取方法、系统、设备及介质 | |
Axenie et al. | Fuzzy modelling and inference for physics-aware road vehicle driver behaviour model calibration | |
CN112101132B (zh) | 一种基于图嵌入模型和度量学习的交通状况预测方法 | |
Kamel et al. | Transportation big data simulation platform for the greater toronto area (GTA) | |
Patnaik et al. | Application of genetic programming clustering in defining LOS criteria of urban street in Indian context | |
Lusiandro et al. | Implementation of the advanced traffic management system using k-nearest neighbor algorithm | |
CN115936242B (zh) | 空气质量与交通状况的溯源关系数据获取方法及装置 | |
Zhao et al. | Trajectory-based characteristic analysis and decision modeling of the lane-changing process in intertunnel weaving sections | |
CN115063972A (zh) | 基于图卷积和门控循环单元的交通速度预测方法和系统 | |
CN114495486A (zh) | 一种基于层次强化学习的微观交通流预测系统及方法 | |
Ding et al. | Lane line detection based on YOLOv4 |
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 |