CN112185139A - 一种基于智慧综合杆的城市管理方法和系统 - Google Patents
一种基于智慧综合杆的城市管理方法和系统 Download PDFInfo
- Publication number
- CN112185139A CN112185139A CN202011007952.8A CN202011007952A CN112185139A CN 112185139 A CN112185139 A CN 112185139A CN 202011007952 A CN202011007952 A CN 202011007952A CN 112185139 A CN112185139 A CN 112185139A
- Authority
- CN
- China
- Prior art keywords
- information
- intelligent comprehensive
- vehicle
- pole
- traffic
- 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
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/095—Traffic lights
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于智慧综合杆的城市管理方法和系统:根据第一监控摄像头获得第一位置的第一图像信息;将第一图像信息输入第一神经网络模型,输出信息包括第一结果,判定第一交通拥堵指数信息满足第一预定条件时,从第一图像信息中获得汽车的车辆信息及行动路线;获得即将到达第二智慧综合杆处的数量信息;根据第二监控摄像头获得第二位置的第二图像信息;将第二图像信息输入第二神经网络模型中,第二结果表示第二智慧综合杆处的第二交通拥堵指数信息;根据数量信息和第二交通拥堵指数获得第一指令,第一指令用于调整红绿灯通行时间。解决了现有技术中存在交通灯设定不够合理,不能够根据实时交通情况疏导交通,从而造成交通阻塞的技术问题。
Description
技术领域
本发明涉及智慧城市管理领域,尤其涉及一种基于智慧综合杆的城市管理方法和系统。
背景技术
随着城市人口的增多和汽车的增加,城市交通问题日益突出。相对于道路网的承载力来说,汽车数量过多,诱发了交通阻塞问题。从某种程度上说,交通阻塞是汽车社会的产物。在人们上下班的高峰期,交通阻塞现象尤为明显,在很多大城市中心区,高峰期交通速度仅有每小时16km。交通阻塞导致时间和能源的严重浪费,影响城市经济的效率。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中存在交通灯设定不够合理,不能够根据实时交通情况疏导交通,从而造成交通阻塞的技术问题。
发明内容
本申请实施例通过提供一种基于智慧综合杆的城市管理方法和系统,解决了现有技术中存在交通灯设定不够合理,不能够根据实时交通情况疏导交通,从而造成交通阻塞的技术问题,达到根据实时道路情况,结合实时路段实况调整交通灯时间,疏导交通,避免交通堵塞的技术效果。
鉴于上述问题,提出了本申请实施例提供一种基于智慧综合杆的城市管理方法和系统。
第一方面,本申请实施例提供了一种基于智慧综合杆的城市管理方法,所述智慧综合杆包括一交通指示灯和一监控摄像头,所述方法包括:根据第一监控摄像头获得第一位置的第一图像信息,其中,所述第一监控摄像头为第一智慧综合杆上设置的监控摄像头;其中,第一图像信息包括所述第一智慧综合杆处的车辆通行信息;将所述第一图像信息输入第一神经网络模型中,所述模型使用多组训练数据训练出来的,所述多组中的训练数据中的每一组训练数据包括:第一图像信息和标识第一结果的标识信息;获得所述模型的输出信息,其中,所述输出信息包括第一结果,所述第一结果表示所述第一智慧综合杆处的第一交通拥堵指数信息;判定所述第一交通拥堵指数信息是否满足第一预定条件;当满足第一预定条件时,从所述第一图像信息中获得汽车的车辆信息;根据所述车辆信息获得所述车辆的行动路线;根据所述行动路线获得经过所述第一智慧综合杆处的车辆即将到达第二智慧综合杆处的数量信息;其中,所述第一智慧综合杆和所述第二智慧综合杆为相邻的智慧综合杆;根据第二监控摄像头获得第二位置的第二图像信息,其中,所述第二监控摄像头为第二智慧综合杆上设置的监控摄像头,其中,所述第二图像信息包括所述第二智慧综合杆处的车辆通行信息;将所述第二图像信息输入第二神经网络模型中,所述模型使用多组训练数据训练出来的,所述多组中的训练数据中的每一组训练数据包括:第二图像信息和标识第二结果的标识信息;获得所述模型的输出信息,其中,所述输出信息包括第二结果,所述第二结果表示所述第二智慧综合杆处的第二交通拥堵指数信息;判定所述第二交通拥堵指数信息是否满足第二预定条件;当满足第二预定条件时,获得来自所述数量信息;根据所述数量信息和所述第二交通拥堵指数获得第一指令,所述第一指令用于调整所述第一智慧综合杆和/或第二智慧综合杆的交通指示灯的红绿灯通行时间。
另一方面,本申请还提供了一种基于智慧综合杆的城市管理系统,其中,所述系统包括:第一获得单元,所述第一获得单元用于根据第一监控摄像头获得第一位置的第一图像信息,其中,所述第一监控摄像头为第一智慧综合杆上设置的监控摄像头;其中,第一图像信息包括所述第一智慧综合杆处的车辆通行信息;第一输入单元,所述第一输入单元用于将所述第一图像信息输入第一神经网络模型中,所述模型使用多组训练数据训练出来的,所述多组中的训练数据中的每一组训练数据包括:第一图像信息和标识第一结果的标识信息;第二获得单元,所述第二获得单元用于获得所述模型的输出信息,其中,所述输出信息包括第一结果,所述第一结果表示所述第一智慧综合杆处的第一交通拥堵指数信息;第一判断单元,所述第一判断单元用于判定所述第一交通拥堵指数信息是否满足第一预定条件;第三获得单元,所述第三获得单元用于当满足第一预定条件时,从所述第一图像信息中获得汽车的车辆信息;第四获得单元,所述第四获得单元用于根据所述车辆信息获得所述车辆的行动路线;第五获得单元,所述第五获得单元用于根据所述行动路线获得经过所述第一智慧综合杆处的车辆即将到达第二智慧综合杆处的数量信息;其中,所述第一智慧综合杆和所述第二智慧综合杆为相邻的智慧综合杆;第六获得单元,所述第六获得单元用于根据第二监控摄像头获得第二位置的第二图像信息,其中,所述第二监控摄像头为第二智慧综合杆上设置的监控摄像头,其中,所述第二图像信息包括所述第二智慧综合杆处的车辆通行信息;第二输入单元,所述第二输入单元用于将所述第二图像信息输入第二神经网络模型中,所述模型使用多组训练数据训练出来的,所述多组中的训练数据中的每一组训练数据包括:第二图像信息和标识第二结果的标识信息;第七获得单元,所述第七获得单元用于获得所述模型的输出信息,其中,所述输出信息包括第二结果,所述第二结果表示所述第二智慧综合杆处的第二交通拥堵指数信息;第二判断单元,所述第二判断单元用于判定所述第二交通拥堵指数信息是否满足第二预定条件;第八获得单元,所述第八获得单元用于当满足第二预定条件时,获得来自所述数量信息;第九获得单元,所述第九获得单元用于根据所述数量信息和所述第二交通拥堵指数获得第一指令,所述第一指令用于调整所述第一智慧综合杆和/或第二智慧综合杆的交通指示灯的红绿灯通行时间。
第三方面,本发明提供了一种基于智慧综合杆的城市管理方法系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了根据第一位置的第一图像信息输入第一神经网络模型,通过第一神经网络模型获得第一位置处的第一交通拥堵指数信息,根据第二图像信息输入第二神经网络模型,获得第二位置处的第二交通拥堵指数信息,所述第二位置为根据所述车辆导航路线获得的与第一位置相邻的第二智慧综合杆的位置,基于所述模型不断自我优化、修正的特性,根据获得的交通拥堵指数,实时调整所述第一智慧综合杆和/或第二智慧综合杆的交通指示灯的红绿灯通行时间,以达到根据实时道路情况,结合实时路段实况调整交通灯时间,疏导交通,避免交通堵塞的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种基于智慧综合杆的城市管理方法的流程示意图;
图2为本申请实施例一种基于智慧综合杆的城市管理系统的结构示意图;
图3为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第一输入单元12,第二获得单元13,第一判断单元14,第三获得单元15,第四获得单元16,第五获得单元17,第六获得单元18,第二输入单元19,第七获得单元20,第二判断单元21,第八获得单元22,第九获得单元23,总线300,接收器301,处理器302,发送器303,存储器304,总线接口306。
具体实施方式
本申请实施例通过提供一种基于智慧综合杆的城市管理方法和系统,解决了现有技术中存在交通灯设定不够合理,不能够根据实时交通情况疏导交通,从而造成交通阻塞的技术问题,达到根据实时道路情况,结合实时路段实况调整交通灯时间,疏导交通,避免交通堵塞的技术效果。下面,将参考附图详细的描述根据本申请的示例实施例。显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
随着城市人口的增多和汽车的增加,城市交通问题日益突出。相对于道路网的承载力来说,汽车数量过多,诱发了交通阻塞问题。从某种程度上说,交通阻塞是汽车社会的产物。在人们上下班的高峰期,交通阻塞现象尤为明显,在很多大城市中心区,高峰期交通速度仅有每小时16km。交通阻塞导致时间和能源的严重浪费,影响城市经济的效率。但现有技术中存在交通灯设定不够合理,不能够根据实时交通情况疏导交通,从而造成交通阻塞的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请实施例提供了一种基于智慧综合杆的城市管理方法,所述智慧综合杆包括一交通指示灯和一监控摄像头,所述方法包括:根据第一监控摄像头获得第一位置的第一图像信息,其中,所述第一监控摄像头为第一智慧综合杆上设置的监控摄像头;其中,第一图像信息包括所述第一智慧综合杆处的车辆通行信息;将所述第一图像信息输入第一神经网络模型中,所述模型使用多组训练数据训练出来的,所述多组中的训练数据中的每一组训练数据包括:第一图像信息和标识第一结果的标识信息;获得所述模型的输出信息,其中,所述输出信息包括第一结果,所述第一结果表示所述第一智慧综合杆处的第一交通拥堵指数信息;判定所述第一交通拥堵指数信息是否满足第一预定条件;当满足第一预定条件时,从所述第一图像信息中获得汽车的车辆信息;根据所述车辆信息获得所述车辆的行动路线;根据所述行动路线获得经过所述第一智慧综合杆处的车辆即将到达第二智慧综合杆处的数量信息;其中,所述第一智慧综合杆和所述第二智慧综合杆为相邻的智慧综合杆;根据第二监控摄像头获得第二位置的第二图像信息,其中,所述第二监控摄像头为第二智慧综合杆上设置的监控摄像头,其中,所述第二图像信息包括所述第二智慧综合杆处的车辆通行信息;将所述第二图像信息输入第二神经网络模型中,所述模型使用多组训练数据训练出来的,所述多组中的训练数据中的每一组训练数据包括:第二图像信息和标识第二结果的标识信息;获得所述模型的输出信息,其中,所述输出信息包括第二结果,所述第二结果表示所述第二智慧综合杆处的第二交通拥堵指数信息;判定所述第二交通拥堵指数信息是否满足第二预定条件;当满足第二预定条件时,获得来自所述数量信息;根据所述数量信息和所述第二交通拥堵指数获得第一指令,所述第一指令用于调整所述第一智慧综合杆和/或第二智慧综合杆的交通指示灯的红绿灯通行时间。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种基于智慧综合杆的城市管理方法,其中,所述智慧综合杆包括一交通指示灯和一监控摄像头,其中,所述方法包括:
步骤S100:根据第一监控摄像头获得第一位置的第一图像信息,其中,所述第一监控摄像头为第一智慧综合杆上设置的监控摄像头;其中,第一图像信息包括所述第一智慧综合杆处的车辆通行信息;
具体而言,所述第一智慧综合杆为设置有监控摄像头、交通指示灯的与交通网络通信连接的综合杆。所述交通指示灯为指挥交通运行的信号灯。所述监控摄像头是一种视频输入设备,可清晰获得车辆的号牌信息。所述第一位置为第一智慧综合杆的位置,所述第一图像信息为根据所述第一监控摄像头获得的图像信息。
步骤S200:将所述第一图像信息输入第一神经网络模型中,所述模型使用多组训练数据训练出来的,所述多组中的训练数据中的每一组训练数据包括:第一图像信息和标识第一结果的标识信息;
具体而言,所述第一神经网络模型即机器学习中的神经网络模型,神经网络(Neural Networks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂神经网络系统,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络(Artificial Neural Networks),是对人类大脑系统的一阶特性的一种描述。简单地讲,它是一个数学模型。通过大量训练数据集的训练,将所述第一图像信息输入神经网络模型,则输出所述当前位置的交通拥堵指数信息。
更进一步而言,所述训练的过程实质为监督学习的过程,每一组监督数据均包括第一图像信息和标识第一结果的标识信息,将所述第一图像信息输入到神经网络模型中,所述神经网络模型输出第一智慧综合杆处的第一交通拥堵指数信息,判断所述输出信息与标识第一结果的标识信息是否一致,如一致,进行下一组数据的监督学习;如果所述输出信息与标识第一结果的标识信息不一致,则所述神经网络模型进行自我修正、调整,直至获得的输出信息与标识第一结果的标识信息一致,则结束本组数据监督学习,进行下一组数据监督学习;当所述神经网络模型的输出信息达到预定的准确率/达到收敛状态时,则监督学习过程结束。通过对所述神经网络模型的监督学习,进而使得所述神经网络模型处理所述输入数据更加准确,进而使得输出的第一交通拥堵指数信息更加准确,进而更加准确的判断出所述第一位置处的交通情况,达到准确根据第一位置的交通情况进行实时调整交通灯时长的技术效果。
步骤S300:获得所述模型的输出信息,其中,所述输出信息包括第一结果,所述第一结果表示所述第一智慧综合杆处的第一交通拥堵指数信息;
步骤S400:判定所述第一交通拥堵指数信息是否满足第一预定条件;
具体而言,所述第一交通拥堵指数为根据交通拥堵情况生成的综合反应道路畅通或拥堵的概念性指数值。所述第一预定条件为交通拥堵指数标识为交通拥堵的预定条件,判断所述第一交通拥堵指数是否满足第一预定条件。
步骤S500:当满足第一预定条件时,从所述第一图像信息中获得汽车的车辆信息;
步骤S600:根据所述车辆信息获得所述车辆的行动路线;
具体而言,当所述第一交通拥堵指数信息满足第一预定条件,表明此时第一位置发生交通拥堵,根据第一图像信息获得汽车的车辆信息,所述车辆信息包括车牌号信息及车载导航信息,根据所述车载导航信息获得所述车辆的行进路线信息。
步骤S700:根据所述行动路线获得经过所述第一智慧综合杆处的车辆即将到达第二智慧综合杆处的数量信息;其中,所述第一智慧综合杆和所述第二智慧综合杆为相邻的智慧综合杆;
具体而言,所述第二智慧综合杆为与第一智慧综合杆相邻的智慧综合杆,进一步而言,所述第二智慧综合杆为下一交通灯的位置,通过所述车辆的实时行动路线获得在第一智慧综合杆处停留即将到达所述第二智慧综合杆的车辆的数量信息。
步骤S800:根据第二监控摄像头获得第二位置的第二图像信息,其中,所述第二监控摄像头为第二智慧综合杆上设置的监控摄像头,其中,所述第二图像信息包括所述第二智慧综合杆处的车辆通行信息;
具体而言,所述第二智慧综合杆为设置有监控摄像头、交通指示灯的与交通网络通信连接的综合杆。所述第二位置为第二智慧综合杆的位置,所述第二图像信息为根据所述第二监控摄像头获得的图像信息,所述第二图像信息包含第二智慧综合杆处的车辆通行信息。
步骤S900:将所述第二图像信息输入第二神经网络模型中,所述模型使用多组训练数据训练出来的,所述多组中的训练数据中的每一组训练数据包括:第二图像信息和标识第二结果的标识信息;
步骤S1000:获得所述模型的输出信息,其中,所述输出信息包括第二结果,所述第二结果表示所述第二智慧综合杆处的第二交通拥堵指数信息;
具体而言,所述第二神经网络模型同样为机器学习中的神经网络模型,这里不再展开叙述,通过所述第二图像信息输入所述第二神经网络模型,获得第二智慧综合杆处的第二交通拥堵指数。
步骤S1100:判定所述第二交通拥堵指数信息是否满足第二预定条件;
步骤S1200:当满足第二预定条件时,获得所述数量信息;
具体而言,所述第二预定条件为交通拥堵指数标识为交通拥堵的预定条件,当所述第二智慧综合杆处也拥堵时,获得第一智慧综合杆的车辆数量信息。
步骤S1300:根据所述数量信息和所述第二交通拥堵指数获得第一指令,所述第一指令用于调整所述第一智慧综合杆和/或第二智慧综合杆的交通指示灯的红绿灯通行时间。
具体而言,当所述第二智慧综合杆处也拥堵时,此时出现了相邻智慧综合杆拥堵,存在会出现大规模马路拥堵的风险,此时获得第一指令,根据所述第一指令调整第一智慧综合杆和/或第二智慧综合杆的红绿灯通行时间。举例而言,当所述第一智慧综合杆为轻度拥堵,第二智慧综合杆也为轻度拥堵时,所述数量信息会使得所述第二交通拥堵指数上升,此时根据第一指令,减少第一智慧综合杆通往第二智慧综合杆的绿灯时间,增大第二智慧综合杆的绿灯通行时间,以达到缓解交通压力,保证交通顺畅的技术效果。
进一步而言,所述根据所述车辆信息获得所述车辆的行动路线,本申请实施例S600还包括:
步骤S610:根据所述车辆信息获得所述车辆的车牌信息;
步骤S620:根据车牌信息获得所述车辆的导航数据信息;
步骤S630:根据所述导航数据信息获得所述车辆的行动路线。
具体而言,通过所述第一监控摄像头获得所述车辆的车牌信息,根据所述车牌信息获得所述车辆信息,根据所述车辆信息获得所述车辆的实时车载导航信息,根据所述实时导航信息的目的地及导航路线获得所述车辆的行动路线,通过对于所述车辆的行动路线的获得,为后续准确判断即将到达所述第二位置的车辆的数量奠定了基础,为后续准根据拥堵指数及时调整交通灯时长夯实了基础。
进一步而言,其中根据车牌信息获得所述车辆的导航数据信息,本申请实施例步骤S620还包括:
步骤S621:所述车辆与车辆交通控制平台相连,所述控制平台获悉所述车辆的导航数据信息;
步骤S622:所述第一智慧杆与所述控制平台通信连接后,获得所述车辆的导航数据信息。
具体而言,所述车辆交通控制平台为与车辆和智慧杆实时通信连接,并可获得车辆实时位置及导航信息的控制平台,所述获得车辆导航数据信息为所述智慧杆通过通信连接控制平台后,根据控制平台获得的车辆的导航数据信息。
进一步而言,所述根据所述车辆信息获得所述车辆的行动路线,本申请实施例步骤S600还包括:
步骤S640:获得所述车辆驾驶员的头像信息;
步骤S650:根据所述头像信息获得所述驾驶员所使用的移动终端的导航软件的导航数据信息;
步骤S660:根据所述导航数据信息获得所述车辆的行动路线。
具体而言,通过所述第一摄像头获得驾驶员的头像信息,根据所述头像信息人脸识别,获得所述驾驶员的移动终端,所述移动终端可能是手机,获得所述手机的实时导航信息,根据所述实时导航信息获得所述车辆的行动路线。通过获得驾驶员的手机导航信息,对所述车辆的路线进行进一步的确定,达到准确获得车辆行进路线的技术效果。
进一步而言,所述根据所述数量信息和所述第二交通拥堵指数获得第一指令,所述第一指令用于调整所述第一智慧综合杆和/或第二智慧综合杆的交通指示灯的红绿灯通行时间,本申请实施例步骤S1300还包括:
步骤S1310:当所述数量信息使得所述第二交通拥堵指数上升为第三交通拥堵指数,且所述第三交通拥堵指数为严重拥堵时,所述第一指令具体为:减少所述第一智慧综合杆在通往第二智慧综合杆方向的通行时间;加大所述第二智慧综合杆的通行时间。
具体而言,所述数量信息为即将到达第二智慧综合杆的车辆的数量信息,当所述车辆数量使得第二智慧综合杆的交通指数变为严重拥堵时,第一指令具体为,将第一智慧综合杆通向第二智慧综合杆的绿灯时间进行适宜的缩短,将第二智慧综合杆的绿灯时间适宜增长,保证所述第二智慧综合杆处的交通先疏导开,以达到根据实时道路情况,结合实时路段实况调整交通灯时间,疏导交通,避免交通堵塞的技术效果。
进一步而言,所述所述根据所述数量信息和所述第二交通拥堵指数获得第一指令,所述第一指令用于调整所述第一智慧综合杆和/或第二智慧综合杆的交通指示灯的红绿灯通行时间,本申请实施例步骤S1300还包括:
步骤S1320:获得第二指令,其中,所述第二指令用于通知所述从第二智慧综合杆向第一智慧综合杆通行的所述车辆的导航信息进行调整,调整方式为:变更通行路径,使所述车辆不再经过所述第一智慧综合杆。
具体而言,根据第一智慧综合杆处的车辆的目的地及紧急程度额不同,根据第二指令,为所述第一智慧综合杆处的车辆推荐其他路径信息,通过调整即将到达第二智慧综合杆的车辆的数量信息,以达到缓解交通拥堵压力,避免交通堵塞的技术效果。
进一步而言,所述步骤S1320还包括:
步骤S1321:获得所述车辆的导航目的地;
步骤S1322:根据所述车辆的导航过程中的通行速度;
步骤S1323:根据所述导航目的地和所述通行速度确定所述车辆的紧急程度;
步骤S1324:当紧急程度小于第三预定条件时,执行所述第二指令。
举例而言,所述导航目的地为所述第一用户的目的地信息,所述通行速度为所述车辆在行驶过程中的实时行进速度,根据所述实时行进速度和目的地信息获得所述驾驶员的紧急程度,所述第三预定条件为所述驾驶员的紧急程度。举例而言,如判断所述驾驶员的目的地为家,而所述车辆的行进速度不大于道路车辆的平均行进速度时,认为所述驾驶员不是很着急,此时所述驾驶员满足第三预定条件,此时执行第二指令,所述第二指令用于提醒所述车辆变道,通过其他路线行进。
进一步而言,将所述第一图像信息输入第一神经网络模型之前,所述步骤S200还包括:
步骤S210:根据第一图像信息生成第一验证码,所述第一验证码与所述第一图像信息一一对应;
步骤S220:根据第二图像信息和第一验证码生成第二验证码,以此类推,根据第N图像信息和第N-1验证码生成第N验证码,其中,N为大于1的自然数;
步骤S230:将所述图像信息和验证码分别复制保存在M台电子设备上,其中M为大于1的自然数。
具体而言,区块链技术也被称之为分布式账本技术,是一种由若干台计算设备共同参与“记账",共同维护一份完整的分布式数据库的新兴技术。由于区块链技术具有去中心化、公开透明、每台计算设备可以参与数据库记录、并且各计算设备之间可以快速的进行数据同步的特性,使得区块链技术已在众多的领域中广泛的进行应用。将所述第二图像信息与所述第一验证码作为一个整体,进行哈希函数计算,获得第二验证码,以此类推,根据第N图像信息和第N-1验证码生成第N验证码。通过每后一图像信息与所述前一图像信息的验证码的关联,形成一个链状的加密方式对所述验证码及图像信息进行加密处理,使得所述图像信息无法被轻易的篡改,进而达到保证图像信息及验证码安全的技术效果,进而能准确有效的保证通过所述图像信息训练获得的神经网络模型更加准确,进而达到准确判断道路拥堵指数的技术效果。
综上所述,本申请实施例所提供的一种基于智慧综合杆的城市管理方法和系统具有如下技术效果:
1、由于采用了根据第一位置的第一图像信息输入第一神经网络模型,通过第一神经网络模型获得第一位置处的第一交通拥堵指数信息,根据第二图像信息输入第二神经网络模型,获得第二位置处的第二交通拥堵指数信息,所述第二位置为根据所述车辆导航路线获得的与第一位置相邻的第二智慧综合杆的位置,基于所述模型不断自我优化、修正的特性,根据获得的交通拥堵指数,实时调整所述第一智慧综合杆和/或第二智慧综合杆的交通指示灯的红绿灯通行时间,以达到根据实时道路情况,结合实时路段实况调整交通灯时间,疏导交通,避免交通堵塞的技术效果。
2、由于采用了通过对于所述车辆的行动路线的获得的方式,为后续准确判断即将到达所述第二位置的车辆的数量奠定了基础,为后续准根据拥堵指数及时调整交通灯时长夯实了基础。
3、由于采用了通过第一指令,将第一智慧综合杆通向第二智慧综合杆的绿灯时间进行适宜的缩短,将第二智慧综合杆的绿灯时间适宜增长的方式,保证所述第二智慧综合杆处的交通先疏导开,以达到根据实时道路情况,结合实时路段实况调整交通灯时间,疏导交通,避免交通堵塞的技术效果。
4、由于采用了根据第二指令,为所述第一智慧综合杆处的车辆推荐其他路径信息的方式,通过调整即将到达第二智慧综合杆的车辆的数量信息,以达到缓解交通拥堵压力,避免交通堵塞的技术效果。
实施例二
基于与前述实施例中一种基于智慧综合杆的城市管理方法同样发明构思,本发明还提供了一种基于智慧综合杆的城市管理系统,如图2所示,所述系统包括:
第一获得单元11,所述第一获得单元11用于根据第一监控摄像头获得第一位置的第一图像信息,其中,所述第一监控摄像头为第一智慧综合杆上设置的监控摄像头;其中,第一图像信息包括所述第一智慧综合杆处的车辆通行信息;
第一输入单元12,所述第一输入单元12用于将所述第一图像信息输入第一神经网络模型中,所述模型使用多组训练数据训练出来的,所述多组中的训练数据中的每一组训练数据包括:第一图像信息和标识第一结果的标识信息;
第二获得单元13,所述第二获得单元13用于获得所述模型的输出信息,其中,所述输出信息包括第一结果,所述第一结果表示所述第一智慧综合杆处的第一交通拥堵指数信息;
第一判断单元14,所述第一判断单元14用于判定所述第一交通拥堵指数信息是否满足第一预定条件;
第三获得单元15,所述第三获得单元15用于当满足第一预定条件时,从所述第一图像信息中获得汽车的车辆信息;
第四获得单元16,所述第四获得单元16用于根据所述车辆信息获得所述车辆的行动路线;
第五获得单元17,所述第五获得单元17用于根据所述行动路线获得经过所述第一智慧综合杆处的车辆即将到达第二智慧综合杆处的数量信息;其中,所述第一智慧综合杆和所述第二智慧综合杆为相邻的智慧综合杆;
第六获得单元18,所述第六获得单元18用于根据第二监控摄像头获得第二位置的第二图像信息,其中,所述第二监控摄像头为第二智慧综合杆上设置的监控摄像头,其中,所述第二图像信息包括所述第二智慧综合杆处的车辆通行信息;
第二输入单元19,所述第二输入单元19用于将所述第二图像信息输入第二神经网络模型中,所述模型使用多组训练数据训练出来的,所述多组中的训练数据中的每一组训练数据包括:第二图像信息和标识第二结果的标识信息;
第七获得单元20,所述第七获得单元20用于获得所述模型的输出信息,其中,所述输出信息包括第二结果,所述第二结果表示所述第二智慧综合杆处的第二交通拥堵指数信息;
第二判断单元21,所述第二判断单元21用于判定所述第二交通拥堵指数信息是否满足第二预定条件;
第八获得单元22,所述第八获得单元22用于当满足第二预定条件时,获得来自所述数量信息;
第九获得单元23,所述第九获得单元23用于根据所述数量信息和所述第二交通拥堵指数获得第一指令,所述第一指令用于调整所述第一智慧综合杆和/或第二智慧综合杆的交通指示灯的红绿灯通行时间。
进一步而言,所述系统还包括:
第十获得单元,所述第十获得单元用于根据所述车辆信息获得所述车辆的车牌信息;
第十一获得单元,所述第十一获得单元用于根据车牌信息获得所述车辆的导航数据信息;
第十二获得单元,所述第十二获得单元用于根据所述导航数据信息获得所述车辆的行动路线。
进一步的,所述系统还包括:
第十三获得单元,所述第十三获得单元用于所述车辆与车辆交通控制平台相连,所述控制平台获悉所述车辆的导航数据信息;
第十四获得单元,所述第十四获得单元用于所述第一智慧杆与所述控制平台通信连接后,获得所述车辆的导航数据信息。
进一步而言,所述系统还包括:
第十五获得单元,所述第十五获得单元用于获得所述车辆驾驶员的头像信息;
第十六获得单元,所述第十六获得单元用于根据所述头像信息获得所述驾驶员所使用的移动终端的导航软件的导航数据信息;
第十七获得单元,所述第十七获得单元用于根据所述导航数据信息获得所述车辆的行动路线。
进一步而言,所述系统还包括:
第十八获得单元,所述第十八获得单元用于当所述数量信息使得所述第二交通拥堵指数上升为第三交通拥堵指数,且所述第三交通拥堵指数为严重拥堵时,所述第一指令具体为:减少所述第一智慧综合杆在通往第二智慧综合杆方向的通行时间;加大所述第二智慧综合杆的通行时间。
进一步而言,所述系统还包括:
第十九获得单元,所述第十九获得单元用于获得第二指令,其中,所述第二指令用于通知所述从第二智慧综合杆向第一智慧综合杆通行的所述车辆的导航信息进行调整,调整方式为:变更通行路径,使所述车辆不再经过所述第一智慧综合杆。
进一步的,所述系统还包括:
第二十获得单元,所述第二十获得单元用于获得所述车辆的导航目的地;
第二十一获得单元,所述第二十一获得单元用于获得所述车辆的导航过程中的通行速度;
第二十二获得单元,所述第二十二获得单元用于根据所述导航目的地和所述通行速度确定所述车辆的紧急程度;
第一执行单元,所述第一执行单元用于当紧急程度小于第三预定条件时,执行所述第二指令。
前述图1实施例一中的一种基于智慧综合杆的城市管理方法的各种变化方式和具体实例同样适用于本实施例的一种基于智慧综合杆的城市管理系统,通过前述对一种基于智慧综合杆的城市管理方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于智慧综合杆的城市管理系统的实施方法,所以为了说明书的简洁,在此不再详述。
示例性电子设备
下面参考图3来描述本申请实施例的电子设备。
图3图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实施例中一种基于智慧综合杆的城市管理方法的发明构思,本发明还提供一种基于智慧综合杆的城市管理系统,其上存储有计算机程序,该程序被处理器执行时实现前文所述一种基于智慧综合杆的城市管理方法的任一方法的步骤。
其中,在图3中,总线架构(用总线300来代表),总线300可以包括任意数量的互联的总线和桥,总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件,即收发机,提供用于在传输介质上与各种其他系统通信的单元。
处理器302负责管理总线300和通常的处理,而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本发明实施例提供的一种基于智慧综合杆的城市管理方法,所述智慧综合杆包括一交通指示灯和一监控摄像头,所述方法包括:根据第一监控摄像头获得第一位置的第一图像信息,其中,所述第一监控摄像头为第一智慧综合杆上设置的监控摄像头;其中,第一图像信息包括所述第一智慧综合杆处的车辆通行信息;将所述第一图像信息输入第一神经网络模型中,所述模型使用多组训练数据训练出来的,所述多组中的训练数据中的每一组训练数据包括:第一图像信息和标识第一结果的标识信息;获得所述模型的输出信息,其中,所述输出信息包括第一结果,所述第一结果表示所述第一智慧综合杆处的第一交通拥堵指数信息;判定所述第一交通拥堵指数信息是否满足第一预定条件;当满足第一预定条件时,从所述第一图像信息中获得汽车的车辆信息;根据所述车辆信息获得所述车辆的行动路线;根据所述行动路线获得经过所述第一智慧综合杆处的车辆即将到达第二智慧综合杆处的数量信息;其中,所述第一智慧综合杆和所述第二智慧综合杆为相邻的智慧综合杆;根据第二监控摄像头获得第二位置的第二图像信息,其中,所述第二监控摄像头为第二智慧综合杆上设置的监控摄像头,其中,所述第二图像信息包括所述第二智慧综合杆处的车辆通行信息;将所述第二图像信息输入第二神经网络模型中,所述模型使用多组训练数据训练出来的,所述多组中的训练数据中的每一组训练数据包括:第二图像信息和标识第二结果的标识信息;获得所述模型的输出信息,其中,所述输出信息包括第二结果,所述第二结果表示所述第二智慧综合杆处的第二交通拥堵指数信息;判定所述第二交通拥堵指数信息是否满足第二预定条件;当满足第二预定条件时,获得来自所述数量信息;根据所述数量信息和所述第二交通拥堵指数获得第一指令,所述第一指令用于调整所述第一智慧综合杆和/或第二智慧综合杆的交通指示灯的红绿灯通行时间。解决了现有技术中存在交通灯设定不够合理,不能够根据实时交通情况疏导交通,从而造成交通阻塞的技术问题,达到根据实时道路情况,结合实时路段实况调整交通灯时间,疏导交通,避免交通堵塞的技术效果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种基于智慧综合杆的城市管理方法,其中,所述智慧综合杆包括一交通指示灯和一监控摄像头,其中,所述方法包括:
根据第一监控摄像头获得第一位置的第一图像信息,其中,所述第一监控摄像头为第一智慧综合杆上设置的监控摄像头;其中,第一图像信息包括所述第一智慧综合杆处的车辆通行信息;
将所述第一图像信息输入第一神经网络模型中,所述模型使用多组训练数据训练出来的,所述多组中的训练数据中的每一组训练数据包括:第一图像信息和标识第一结果的标识信息;
获得所述模型的输出信息,其中,所述输出信息包括第一结果,所述第一结果表示所述第一智慧综合杆处的第一交通拥堵指数信息;
判定所述第一交通拥堵指数信息是否满足第一预定条件;
当满足第一预定条件时,从所述第一图像信息中获得汽车的车辆信息;
根据所述车辆信息获得所述车辆的行动路线;
根据所述行动路线获得经过所述第一智慧综合杆处的车辆即将到达第二智慧综合杆处的数量信息;其中,所述第一智慧综合杆和所述第二智慧综合杆为相邻的智慧综合杆;
根据第二监控摄像头获得第二位置的第二图像信息,其中,所述第二监控摄像头为第二智慧综合杆上设置的监控摄像头,其中,所述第二图像信息包括所述第二智慧综合杆处的车辆通行信息;
将所述第二图像信息输入第二神经网络模型中,所述模型使用多组训练数据训练出来的,所述多组中的训练数据中的每一组训练数据包括:第二图像信息和标识第二结果的标识信息;
获得所述模型的输出信息,其中,所述输出信息包括第二结果,所述第二结果表示所述第二智慧综合杆处的第二交通拥堵指数信息;
判定所述第二交通拥堵指数信息是否满足第二预定条件;
当满足第二预定条件时,获得所述数量信息;
根据所述数量信息和所述第二交通拥堵指数获得第一指令,所述第一指令用于调整所述第一智慧综合杆和/或第二智慧综合杆的交通指示灯的红绿灯通行时间。
2.如权利要求1所述的方法,所述根据所述车辆信息获得所述车辆的行动路线,包括:
根据所述车辆信息获得所述车辆的车牌信息;
根据车牌信息获得所述车辆的导航数据信息;
根据所述导航数据信息获得所述车辆的行动路线。
3.如权利要求2所述的方法,其中根据车牌信息获得所述车辆的导航数据信息,包括:
所述车辆与车辆交通控制平台相连,所述控制平台获悉所述车辆的导航数据信息;
所述第一智慧杆与所述控制平台通信连接后,获得所述车辆的导航数据信息。
4.如权利要求1所述的方法,所述根据所述车辆信息获得所述车辆的行动路线,包括:
获得所述车辆驾驶员的头像信息;
根据所述头像信息获得所述驾驶员所使用的移动终端的导航软件的导航数据信息;
根据所述导航数据信息获得所述车辆的行动路线。
5.如权利要求1所述的方法,所述根据所述数量信息和所述第二交通拥堵指数获得第一指令,所述第一指令用于调整所述第一智慧综合杆和/或第二智慧综合杆的交通指示灯的红绿灯通行时间,包括:
当所述数量信息使得所述第二交通拥堵指数上升为第三交通拥堵指数,且所述第三交通拥堵指数为严重拥堵时,所述第一指令具体为:
减少所述第一智慧综合杆在通往第二智慧综合杆方向的通行时间;加大所述第二智慧综合杆的通行时间。
6.如权利要求5所述的方法,其中,所述根据所述数量信息和所述第二交通拥堵指数获得第一指令,所述第一指令用于调整所述第一智慧综合杆和/或第二智慧综合杆的交通指示灯的红绿灯通行时间,还包括:
获得第二指令,其中,所述第二指令用于通知所述从第二智慧综合杆向第一智慧综合杆通行的所述车辆的导航信息进行调整,调整方式为:变更通行路径,使所述车辆不再经过所述第一智慧综合杆。
7.如权利要求6所述的方法,其中,所述方法还包括:
获得所述车辆的导航目的地;
获得所述车辆的导航过程中的通行速度;
根据所述导航目的地和所述通行速度确定所述车辆的紧急程度;
当紧急程度小于第三预定条件时,执行所述第二指令。
8.一种基于智慧综合杆的城市管理系统,其中,所述系统包括:
第一获得单元,所述第一获得单元用于根据第一监控摄像头获得第一位置的第一图像信息,其中,所述第一监控摄像头为第一智慧综合杆上设置的监控摄像头;其中,第一图像信息包括所述第一智慧综合杆处的车辆通行信息;
第一输入单元,所述第一输入单元用于将所述第一图像信息输入第一神经网络模型中,所述模型使用多组训练数据训练出来的,所述多组中的训练数据中的每一组训练数据包括:第一图像信息和标识第一结果的标识信息;
第二获得单元,所述第二获得单元用于获得所述模型的输出信息,其中,所述输出信息包括第一结果,所述第一结果表示所述第一智慧综合杆处的第一交通拥堵指数信息;
第一判断单元,所述第一判断单元用于判定所述第一交通拥堵指数信息是否满足第一预定条件;
第三获得单元,所述第三获得单元用于当满足第一预定条件时,从所述第一图像信息中获得汽车的车辆信息;
第四获得单元,所述第四获得单元用于根据所述车辆信息获得所述车辆的行动路线;
第五获得单元,所述第五获得单元用于根据所述行动路线获得经过所述第一智慧综合杆处的车辆即将到达第二智慧综合杆处的数量信息;其中,所述第一智慧综合杆和所述第二智慧综合杆为相邻的智慧综合杆;
第六获得单元,所述第六获得单元用于根据第二监控摄像头获得第二位置的第二图像信息,其中,所述第二监控摄像头为第二智慧综合杆上设置的监控摄像头,其中,所述第二图像信息包括所述第二智慧综合杆处的车辆通行信息;
第二输入单元,所述第二输入单元用于将所述第二图像信息输入第二神经网络模型中,所述模型使用多组训练数据训练出来的,所述多组中的训练数据中的每一组训练数据包括:第二图像信息和标识第二结果的标识信息;
第七获得单元,所述第七获得单元用于获得所述模型的输出信息,其中,所述输出信息包括第二结果,所述第二结果表示所述第二智慧综合杆处的第二交通拥堵指数信息;
第二判断单元,所述第二判断单元用于判定所述第二交通拥堵指数信息是否满足第二预定条件;
第八获得单元,所述第八获得单元用于当满足第二预定条件时,获得来自所述数量信息;
第九获得单元,所述第九获得单元用于根据所述数量信息和所述第二交通拥堵指数获得第一指令,所述第一指令用于调整所述第一智慧综合杆和/或第二智慧综合杆的交通指示灯的红绿灯通行时间。
9.一种基于智慧综合杆的城市管理系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011007952.8A CN112185139B (zh) | 2020-09-23 | 2020-09-23 | 一种基于智慧综合杆的城市管理方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011007952.8A CN112185139B (zh) | 2020-09-23 | 2020-09-23 | 一种基于智慧综合杆的城市管理方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112185139A true CN112185139A (zh) | 2021-01-05 |
CN112185139B CN112185139B (zh) | 2022-03-22 |
Family
ID=73956343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011007952.8A Active CN112185139B (zh) | 2020-09-23 | 2020-09-23 | 一种基于智慧综合杆的城市管理方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112185139B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100562588B1 (ko) * | 2005-03-29 | 2006-03-27 | (주)테스코일렉트론 | 교통신호 제어방법 |
CN103295406A (zh) * | 2013-06-24 | 2013-09-11 | 广州万客达电子科技有限公司 | 智能交通防拥堵系统和装置 |
CN105551269A (zh) * | 2015-12-15 | 2016-05-04 | 邹晓虎 | 智慧城市中的交通信号灯的智能交通控制方法 |
CN106297274A (zh) * | 2016-10-09 | 2017-01-04 | 上海五零盛同信息科技有限公司 | 智慧灯杆及城市路况预测方法 |
CN106971563A (zh) * | 2017-04-01 | 2017-07-21 | 中国科学院深圳先进技术研究院 | 智能交通信号灯控制方法及系统 |
CN107016861A (zh) * | 2017-05-31 | 2017-08-04 | 电子科技大学 | 基于深度学习和智能路灯的交通信号灯智能调控系统 |
CN107038876A (zh) * | 2017-04-07 | 2017-08-11 | 北京易华录信息技术股份有限公司 | 一种基于汽车电子标识的交通拥堵提示系统、方法及装置 |
CN109118761A (zh) * | 2018-08-21 | 2019-01-01 | 浙大网新系统工程有限公司 | 一种基于人工智能的智慧交通解决方法及其管理系统 |
CN109697867A (zh) * | 2019-01-28 | 2019-04-30 | 深圳市欧德克科技有限公司 | 一种基于深度学习的交通控制方法及系统 |
CN110444018A (zh) * | 2019-07-30 | 2019-11-12 | 腾讯科技(深圳)有限公司 | 仿真城市系统的控制方法和装置、存储介质及电子装置 |
CN110992714A (zh) * | 2019-12-18 | 2020-04-10 | 佛山科学技术学院 | 一种智能交通信号灯控制方法及系统 |
-
2020
- 2020-09-23 CN CN202011007952.8A patent/CN112185139B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100562588B1 (ko) * | 2005-03-29 | 2006-03-27 | (주)테스코일렉트론 | 교통신호 제어방법 |
CN103295406A (zh) * | 2013-06-24 | 2013-09-11 | 广州万客达电子科技有限公司 | 智能交通防拥堵系统和装置 |
CN105551269A (zh) * | 2015-12-15 | 2016-05-04 | 邹晓虎 | 智慧城市中的交通信号灯的智能交通控制方法 |
CN106297274A (zh) * | 2016-10-09 | 2017-01-04 | 上海五零盛同信息科技有限公司 | 智慧灯杆及城市路况预测方法 |
CN106971563A (zh) * | 2017-04-01 | 2017-07-21 | 中国科学院深圳先进技术研究院 | 智能交通信号灯控制方法及系统 |
CN107038876A (zh) * | 2017-04-07 | 2017-08-11 | 北京易华录信息技术股份有限公司 | 一种基于汽车电子标识的交通拥堵提示系统、方法及装置 |
CN107016861A (zh) * | 2017-05-31 | 2017-08-04 | 电子科技大学 | 基于深度学习和智能路灯的交通信号灯智能调控系统 |
CN109118761A (zh) * | 2018-08-21 | 2019-01-01 | 浙大网新系统工程有限公司 | 一种基于人工智能的智慧交通解决方法及其管理系统 |
CN109697867A (zh) * | 2019-01-28 | 2019-04-30 | 深圳市欧德克科技有限公司 | 一种基于深度学习的交通控制方法及系统 |
CN110444018A (zh) * | 2019-07-30 | 2019-11-12 | 腾讯科技(深圳)有限公司 | 仿真城市系统的控制方法和装置、存储介质及电子装置 |
CN110992714A (zh) * | 2019-12-18 | 2020-04-10 | 佛山科学技术学院 | 一种智能交通信号灯控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112185139B (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110823235B (zh) | 用于导出路段限速的智能车辆导航系统、方法以及控制逻辑 | |
CN110796856B (zh) | 车辆变道意图预测方法及变道意图预测网络的训练方法 | |
CN110544380B (zh) | 一种面向道路合流区域的实时车道级安全态势评估方法 | |
Awal et al. | An efficient cooperative lane-changing algorithm for sensor-and communication-enabled automated vehicles | |
CN112614366A (zh) | 汽车协同决策方法、装置、电子设备及计算机存储介质 | |
CN112201033B (zh) | 一种道路交通运行主动管控策略选择方法 | |
CN111145552A (zh) | 基于5g网络的车辆动态换道轨迹的规划方法 | |
CN113085852A (zh) | 自动驾驶车辆的行为预警方法、装置及云端设备 | |
CN106197442A (zh) | 导航方法以及设备 | |
Valera et al. | Driving cycle and road grade on-board predictions for the optimal energy management in EV-PHEVs | |
CN110377041B (zh) | 参考线生成方法、装置、终端设备及存储介质 | |
Odeh | Management of an intelligent traffic light system by using genetic algorithm | |
CN111798687A (zh) | 一种基于5g技术的远程控制车辆的方法及系统 | |
CN112249009A (zh) | 车速控制方法、装置、系统及电子设备 | |
CN116434523A (zh) | 信息感知场景下基于约束度的车辆主动安全管控方法及装置 | |
CN115731693A (zh) | 一种车道划分方法以及相关装置 | |
CN112863207B (zh) | 一种车辆行驶控制方法及装置 | |
CN113570096A (zh) | 一种基于大数据的智能出行的方法及装置 | |
CN112185139B (zh) | 一种基于智慧综合杆的城市管理方法和系统 | |
CN117523838A (zh) | 道路状态确定方法、装置、车辆和存储介质 | |
CN117612365A (zh) | 一种高速公路车道可汇入容量精细化估计方法、系统、设备及介质 | |
CN113276860B (zh) | 车辆控制方法、装置、电子设备以及存储介质 | |
CN115662134A (zh) | 基于主动管控的城市功能区快速路时空资源动态配置方法 | |
US20220198923A1 (en) | Method, apparatus, and computer program product for determining a split lane traffic pattern | |
CN111243280B (zh) | 一种实时计算交通状态的指标的方法及装置 |
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 |