CN113257008A - 基于深度学习的行人流量动态控制系统及方法 - Google Patents
基于深度学习的行人流量动态控制系统及方法 Download PDFInfo
- Publication number
- CN113257008A CN113257008A CN202110514948.9A CN202110514948A CN113257008A CN 113257008 A CN113257008 A CN 113257008A CN 202110514948 A CN202110514948 A CN 202110514948A CN 113257008 A CN113257008 A CN 113257008A
- Authority
- CN
- China
- Prior art keywords
- model
- time
- target detection
- deep learning
- signal
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 230000005540 biological transmission Effects 0.000 claims abstract description 12
- 230000001276 controlling effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000003213 activating effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/005—Traffic control systems for road vehicles including pedestrian guidance indicator
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (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)
- Traffic Control Systems (AREA)
Abstract
基于深度学习的行人流量动态控制系统,包括LSTM模型、目标检测模型以及决策模型,其特征在于,所述LSTM模型、目标检测模型分别与决策模型数据传输连接;所述LSTM模型、目标检测模型与数据输入组件并联传输连接;所述决策模型汇总连接LSTM模型、目标检测模型;所述决策模型与信号输出组件数据传输连接,且信号输出组件与信号灯电性连接。其方法在于通过LSTM模型进行对历史数据的分析,并通过目标检测MobileNet‑SSD模型对实时情况进行获取。本发明的积极进步效果在于:我们将二者的结果结合起来,并通过决策模型对当前信号切换区间进行相应调整,从而优化道路人流拥堵现象的发生。
Description
技术领域
本发明涉及城市交通信号控制技术领域,具体是基于深度学习的行人流量动态控制系统及方法。
背景技术
随着我国交通体系的发展与进步,行人出行的便捷与安全日益受到关注;控制人口密集区域的人流流动对于公安等相关部门保障人民安全起着不可忽视的作用;同时,为了在城市道路交通中有效减少闯红灯等违法违规行为导致的交通隐患;我们必须合理调整道路信号灯的通行时间,控制道路行人流速,减少隐患产生;现有交通信号控制方法中存在以下问题:一是控制方式固定单一,时间利用率低下;二是行人主动切换信号不定时不规律的切换,可能会导致车辆的拥堵现象的产生。
发明内容
本发明提供基于深度学习的行人流量动态控制系统及方法,可以有效解决上述背景技术中提出的问题。
本发明所采取的技术方案是:基于深度学习的行人流量动态控制系统,包括LSTM模型、目标检测模型以及决策模型,其特征在于,所述LSTM模型、目标检测模型分别与决策模型数据传输连接;所述LSTM模型包括遗忘门、输入门、状态存储单元、输出门,且遗忘门、输入门、状态存储单元、输出门依次处理并传输数据;所述LSTM模型、目标检测模型与数据输入组件并联传输连接;所述决策模型汇总连接LSTM模型、目标检测模型;所述决策模型与信号输出组件数据传输连接,且信号输出组件与信号灯电性连接。
作为本发明的进一步优选方案,目标检测算法模型采用基于在MobileNet和SSD的基础上改进的MobileNet-SSD模型。
作为本发明的进一步优选方案,遗忘门从细胞状态中丢弃掉无用信息数据:
作为本发明的进一步优选方案,输入门在单元状态中存储有效的新信息数据:
作为本发明的进一步优选方案,状态存储单元将过去与现在记录的信息数据进行合并:
作为本发明的进一步优选方案,输出门选择要输出的结果:
作为本发明的进一步优选方案,表示sigmoid激活函数函数,*表示元素对应相乘;为t时刻的输入值,分别为权值矩阵,分别为偏值;为输入门,用来控制当前输入的信息哪些要存储到当前时刻的细胞状态里,哪些信息需要被过滤掉;为忘记门,控制上一时刻记忆细胞存储的信息哪些需要被忘记;为输出门,用来控制当前隐藏层信息是否需要输出;为记忆单元,为隐藏状态。
作为本发明的进一步优选方案,控制方法包括如下步骤:
步骤1:将本系统设置地域的历史数据采用LSTM模型进行分析;
步骤2:选取调整时间段T,设置流量阈值为r,期望控制流速V;
步骤3:通过LSTM模型预测该时间段得到流量结果m;通过目标检测模型得到实时人流n;
步骤4:判断当满足|nt-m|>r时,开始进行切换时间计算;当不满足切换条件,则按固定时间间隔重复步骤1至步骤2的操作;
步骤5:输入期望流速v;判断nt与m的大小关系,根据信号频率与调整时间关系公式,分别计算出通行时间;
步骤6:通过给定的信号调整次数α,根据s=t/α计算出每次信号调整的单位时间长度,并在T时段内均匀设置信号切换时间。
作为本发明的进一步优选方案,根据步骤3中预测行人流量结果m,其所需信号通过时间为t1=m/v;根据目标检测得到实时人流量n,所需信号通过时间为t2;作为本发明的进一步优选方案,当nt>m,则,总时间长度为t=t1-t2。
作为本发明的进一步优选方案,步骤5中的信号频率与调整时间关系公式为:
t=α·t1±β·t2
其中t为标准单位时段长,t1为预测通行时长,t2为实际通行时长,定义α、β为两个调节因子;调节因子即为权重系数,通过这两个权重系数来调节预测数据和实施路况对结果造成的影响的比重。
与现有技术相比,本发明提供了基于深度学习的行人流量动态控制系统及方法,具备以下有益效果:
本系统分为三个部分,分别是历史数据处理的LSTM模型,实时数据处理的MobileNet-SSD模型,以及最后的综合决策处理;首先通过LSTM模型进行对历史数据的分析,并通过目标检测MobileNet-SSD模型对实时情况进行进行获取;本发明的积极进步效果在于:将二者的结果结合起来,并通过决策模型对当前信号切换区间进行相应调整,从而优化道路人流拥堵现象的发生。
附图说明
图1为本发明总体模型运行流程示意图;
图3为本发明LSTM模型中遗忘门的示意图;
图4为本发明LSTM模型中输入门的示意图;
图5为本发明LSTM模型中状态存储单元的示意图;
图6为本发明LSTM模型中输出门的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
本发明提供基于深度学习的行人流量动态控制系统,包括LSTM模型、目标检测模型以及决策模型,其特征在于,所述LSTM模型、目标检测模型分别与决策模型数据传输连接;所述LSTM模型包括遗忘门、输入门、状态存储单元、输出门,且遗忘门、输入门、状态存储单元、输出门依次处理并传输数据;所述LSTM模型、目标检测模型与数据输入组件并联传输连接;所述决策模型汇总连接LSTM模型、目标检测模型;所述决策模型与信号输出组件数据传输连接,且信号输出组件与信号灯电性连接。
作为本发明的进一步优选方案,目标检测算法模型采用基于在MobileNet和SSD的基础上改进的MobileNet-SSD模型。
作为本发明的进一步优选方案,遗忘门从细胞状态中丢弃掉无用信息数据:
作为本发明的进一步优选方案,输入门在单元状态中存储有效的新信息数据:
作为本发明的进一步优选方案,状态存储单元将过去与现在记录的信息数据进行合并:
作为本发明的进一步优选方案,输出门选择要输出的结果:
作为本发明的进一步优选方案,表示sigmoid激活函数函数,*表示元素对应相乘;为t时刻的输入值,分别为权值矩阵,分别为偏值;为输入门,用来控制当前输入的信息哪些要存储到当前时刻的细胞状态里,哪些信息需要被过滤掉;为忘记门,控制上一时刻记忆细胞存储的信息哪些需要被忘记;为输出门,用来控制当前隐藏层信息是否需要输出;为记忆单元,为隐藏状态。
作为本发明的进一步优选方案,控制方法包括如下步骤:
步骤1:将本系统设置地域的历史数据采用LSTM模型进行分析;
步骤2:选取调整时间段T,设置流量阈值为r,期望控制流速V;
步骤3:通过LSTM模型预测该时间段得到流量结果m;通过目标检测模型得到实时人流n;
步骤4:判断当满足|nt-m|>r时,开始进行切换时间计算;当不满足切换条件,则按固定时间间隔重复步骤1至步骤2的操作;
步骤5:输入期望流速v;判断nt与m的大小关系,根据信号频率与调整时间关系公式,分别计算出通行时间;
步骤6:通过给定的信号调整次数α,根据s=t/α计算出每次信号调整的单位时间长度,并在T时段内均匀设置信号切换时间。
作为本发明的进一步优选方案,步骤5中的信号频率与调整时间关系公式为:
t=α·t1±β·t2
其中t为标准单位时段长,t1为预测通行时长,t2为实际通行时长,定义α、β为两个调节因子;调节因子即为权重系数,通过这两个权重系数来调节预测数据和实施路况对结果造成的影响的比重。
作为本发明的一个具体实施例:
应用时,默认排除车辆因素,第一步,将本系统设置地域的历史数据通过LSTM模型,即采用长短时记忆网络进行分析,利用记忆门和忘记门去更新细胞在某时刻的信息状态,在处理长序列数据的依赖性问题上非常有效;选取调整时间段T,设置流量阈值为r,期望控制流速V;通过LSTM模型将每一个单元的有效信息进行保留,并传到下一个单元中,然后预测该时间段得到流量结果m,其所需信号通过时间t1=m/v;第二步,通过MobileNet-SSD网络模型进行目标检测,通过将标准卷积运算分解结成两次新方式的卷积运算,分别提取了数据的平面特征和通道特征,最后得到实时人流n,以及所需信号通过时间为t2;第三步,判断当满足|nt-m|>r时,由决策模型开始进行切换时间计算:输入期望流速v;判断nt与m的大小关系,从而分别计算出t1、t2、t;当nt>m,则总时间长度为t=t1-t2;为了调节历史数据与实施数据对我们决策影响的大小,我们定义两个调节因子α和β,故有t=α·t1±β·t2;因在T时间段内,若需要进行α次信号调整,则每次调整信号的单位时间为s=t/a,并在T时段内均匀设置信号切换时间。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
Claims (10)
1.基于深度学习的行人流量动态控制系统,包括LSTM模型、目标检测模型以及决策模型,其特征在于,所述LSTM模型、目标检测模型分别与决策模型数据传输连接;所述LSTM模型包括遗忘门、输入门、状态存储单元、输出门,且遗忘门、输入门、状态存储单元、输出门依次处理并传输数据;所述LSTM模型、目标检测模型与数据输入组件并联传输连接;所述决策模型汇总连接LSTM模型、目标检测模型;所述决策模型与信号输出组件数据传输连接,且信号输出组件与信号灯电性连接。
2.根据权利要求1所述的基于深度学习的行人流量动态控制系统及方法,其方法于,目标检测算法模型采用基于在MobileNet和SSD的基础上改进的MobileNet-SSD模型。
8.根据权利要求1所述的基于深度学习的行人流量动态控制方法,其控制方法包括如下步骤:
步骤1:将本系统设置地域的历史数据采用LSTM模型进行分析;
步骤2:选取调整时间段T,设置流量阈值为r,期望控制流速V;
步骤3:通过LSTM模型预测该时间段得到流量结果m;通过目标检测模型得到实时人流n;
步骤4:判断当满足|nt-m|>r时,开始进行切换时间计算;当不满足切换条件,则按固定时间间隔重复步骤1至步骤2的操作;
步骤5:输入期望流速v;判断nt与m的大小关系,根据信号频率与调整时间关系公式,分别计算出通行时间;
步骤6:通过给定的信号调整次数α,根据s=t/α计算出每次信号调整的单位时间长度,并在T时段内均匀设置信号切换时间。
10.根据权利要求8所述的基于深度学习的行人流量动态控制方法,其方法于,步骤5中的信号频率与调整时间关系公式为:
t=α·t1±β·t2
其中t为标准单位时段长,t1为预测通行时长,t2为实际通行时长,定义α、β为两个调节因子;调节因子即为权重系数,通过这两个权重系数来调节预测数据和实施路况对结果造成的影响的比重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110514948.9A CN113257008B (zh) | 2021-05-12 | 2021-05-12 | 基于深度学习的行人流量动态控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110514948.9A CN113257008B (zh) | 2021-05-12 | 2021-05-12 | 基于深度学习的行人流量动态控制系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113257008A true CN113257008A (zh) | 2021-08-13 |
CN113257008B CN113257008B (zh) | 2022-06-21 |
Family
ID=77222879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110514948.9A Expired - Fee Related CN113257008B (zh) | 2021-05-12 | 2021-05-12 | 基于深度学习的行人流量动态控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113257008B (zh) |
Citations (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104299426A (zh) * | 2014-09-19 | 2015-01-21 | 辽宁天久信息科技产业有限公司 | 一种基于对行人检测计数统计的交通信号控制系统及方法 |
US20150084791A1 (en) * | 2013-09-23 | 2015-03-26 | Electronics And Telecommunications Research Institute | Apparatus and method for managing safety of pedestrian at crosswalk |
CN104751648A (zh) * | 2015-04-21 | 2015-07-01 | 重庆大学 | 一种面向大型园区交通安全的信号灯自适应控制系统 |
CN105046990A (zh) * | 2015-08-25 | 2015-11-11 | 银江股份有限公司 | 一种基于粒子群算法的相邻路口间人行道信号灯控制方法 |
WO2016022108A1 (en) * | 2014-08-06 | 2016-02-11 | Robinson Kurt B | Systems and methods involving features of adaptive and/or autonomous traffic control |
CN205644972U (zh) * | 2016-04-06 | 2016-10-12 | 兰州交通大学 | 一种城市智能交通控制系统 |
CN107393318A (zh) * | 2017-08-29 | 2017-11-24 | 苏州麦喆思科电子有限公司 | 一种根据车流量调节交通灯时长间隔的方法 |
US20180096595A1 (en) * | 2016-10-04 | 2018-04-05 | Street Simplified, LLC | Traffic Control Systems and Methods |
KR20180057826A (ko) * | 2016-11-23 | 2018-05-31 | 윤종식 | 교통사고 예방을 위한 횡단보도 신호등 제어 방법 및 그 시스템 |
CN108875588A (zh) * | 2018-05-25 | 2018-11-23 | 武汉大学 | 基于深度学习的跨摄像头行人检测跟踪方法 |
CN108932855A (zh) * | 2017-05-22 | 2018-12-04 | 阿里巴巴集团控股有限公司 | 道路交通控制系统、方法以及电子设备 |
CN109493609A (zh) * | 2018-12-11 | 2019-03-19 | 杭州炬视科技有限公司 | 一种便携式未礼让行人自动识别抓拍的装置和方法 |
CN109829428A (zh) * | 2019-01-31 | 2019-05-31 | 兰州交通大学 | 基于改进YOLOv2的视频图像行人检测方法及系统 |
CN110084367A (zh) * | 2019-04-19 | 2019-08-02 | 安徽农业大学 | 一种基于lstm深度学习模型的土壤墒情预测方法 |
CN110334602A (zh) * | 2019-06-06 | 2019-10-15 | 武汉市公安局视频侦查支队 | 一种基于卷积神经网络的人流量统计方法 |
CN110458013A (zh) * | 2019-07-05 | 2019-11-15 | 中国地质大学(武汉) | 一种基于实例级注意机制的交通异常事件检测方法 |
CN110488811A (zh) * | 2019-07-22 | 2019-11-22 | 上海有个机器人有限公司 | 一种基于社交网络模型的机器人对行人轨迹预测的方法 |
CN110491146A (zh) * | 2019-08-21 | 2019-11-22 | 浙江工业大学 | 一种基于深度学习的交通信号控制方案实时推荐方法 |
US20190378403A1 (en) * | 2018-06-07 | 2019-12-12 | Seung Heon SONG | Smart road sign, electronic device, and method of protecting pedestrian using same |
CN110580808A (zh) * | 2018-06-08 | 2019-12-17 | 杭州海康威视数字技术股份有限公司 | 一种信息处理方法、装置、电子设备及智能交通系统 |
CN110689184A (zh) * | 2019-09-21 | 2020-01-14 | 广东毓秀科技有限公司 | 一种通过深度学习进行轨交人流预测的方法 |
CN110969872A (zh) * | 2019-12-18 | 2020-04-07 | 上海天壤智能科技有限公司 | 基于强化学习和图注意力网络的交通信号控制方法及系统 |
CN111027372A (zh) * | 2019-10-10 | 2020-04-17 | 山东工业职业学院 | 一种基于单目视觉与深度学习的行人目标检测识别方法 |
US20200135018A1 (en) * | 2018-10-24 | 2020-04-30 | Bluesignal Corporation | Method of predicting traffic congestion and controlling traffic signals based on deep learning and server for performing the same |
US20200142421A1 (en) * | 2018-11-05 | 2020-05-07 | GM Global Technology Operations LLC | Method and system for end-to-end learning of control commands for autonomous vehicle |
CN111144648A (zh) * | 2019-12-25 | 2020-05-12 | 中国联合网络通信集团有限公司 | 人流量预测设备及方法 |
CN111259396A (zh) * | 2020-02-01 | 2020-06-09 | 贵州师范学院 | 一种基于深度学习卷积神经网络的计算机病毒检测方法及深度学习神经网络的压缩方法 |
CN111274886A (zh) * | 2020-01-13 | 2020-06-12 | 天地伟业技术有限公司 | 一种基于深度学习的行人闯红灯违法行为分析方法及系统 |
CN111310156A (zh) * | 2019-11-28 | 2020-06-19 | 苏宁金融科技(南京)有限公司 | 一种滑块验证码的自动识别方法及系统 |
CN111459168A (zh) * | 2020-04-23 | 2020-07-28 | 上海交通大学 | 一种融合的自动驾驶汽车过街行人轨迹预测方法及系统 |
US20200250461A1 (en) * | 2018-01-30 | 2020-08-06 | Huawei Technologies Co., Ltd. | Target detection method, apparatus, and system |
CN111882878A (zh) * | 2020-09-02 | 2020-11-03 | 烟台大学 | 一种基于交通流预测的最大化关键道路通行能力的方法 |
CN111951570A (zh) * | 2019-05-17 | 2020-11-17 | 上海晶赞融宣科技有限公司 | 交通信号灯的控制方法及装置、系统 |
CN111951575A (zh) * | 2020-08-13 | 2020-11-17 | 北京交通大学 | 基于提前强化学习的交通信号灯自适应控制方法 |
CN112216124A (zh) * | 2020-09-17 | 2021-01-12 | 浙江工业大学 | 一种基于深度强化学习的交通信号控制方法 |
CN112270381A (zh) * | 2020-11-16 | 2021-01-26 | 电子科技大学 | 基于深度学习的人流量检测方法 |
CN112309146A (zh) * | 2020-10-28 | 2021-02-02 | 平安科技(深圳)有限公司 | 交通信号灯的智能控制方法及系统、存储介质、计算设备 |
CN112330957A (zh) * | 2020-10-14 | 2021-02-05 | 北京博研智通科技有限公司 | 一种路口信号灯控制效果分析系统及方法 |
CN112365724A (zh) * | 2020-04-13 | 2021-02-12 | 北方工业大学 | 一种基于深度强化学习的连续交叉口信号协同控制方法 |
CN112489423A (zh) * | 2020-11-20 | 2021-03-12 | 湖南警察学院 | 一种基于视觉的城市道路交通交警指挥方法 |
CN112487884A (zh) * | 2020-11-16 | 2021-03-12 | 香港中文大学(深圳) | 一种交通违法行为检测方法、装置及计算机可读存储介质 |
CN112508305A (zh) * | 2019-12-29 | 2021-03-16 | 山西大学 | 基于lstm的公共场所入口人流量预测方法 |
CN112581748A (zh) * | 2020-12-20 | 2021-03-30 | 宋彦震 | 基于卷积神经网络的车库出车行人安全提示系统 |
CN112700663A (zh) * | 2020-12-23 | 2021-04-23 | 大连理工大学 | 基于深度强化学习策略的多智能体智能信号灯路网控制方法 |
-
2021
- 2021-05-12 CN CN202110514948.9A patent/CN113257008B/zh not_active Expired - Fee Related
Patent Citations (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150084791A1 (en) * | 2013-09-23 | 2015-03-26 | Electronics And Telecommunications Research Institute | Apparatus and method for managing safety of pedestrian at crosswalk |
WO2016022108A1 (en) * | 2014-08-06 | 2016-02-11 | Robinson Kurt B | Systems and methods involving features of adaptive and/or autonomous traffic control |
CN104299426A (zh) * | 2014-09-19 | 2015-01-21 | 辽宁天久信息科技产业有限公司 | 一种基于对行人检测计数统计的交通信号控制系统及方法 |
CN104751648A (zh) * | 2015-04-21 | 2015-07-01 | 重庆大学 | 一种面向大型园区交通安全的信号灯自适应控制系统 |
CN105046990A (zh) * | 2015-08-25 | 2015-11-11 | 银江股份有限公司 | 一种基于粒子群算法的相邻路口间人行道信号灯控制方法 |
CN205644972U (zh) * | 2016-04-06 | 2016-10-12 | 兰州交通大学 | 一种城市智能交通控制系统 |
US20180096595A1 (en) * | 2016-10-04 | 2018-04-05 | Street Simplified, LLC | Traffic Control Systems and Methods |
KR20180057826A (ko) * | 2016-11-23 | 2018-05-31 | 윤종식 | 교통사고 예방을 위한 횡단보도 신호등 제어 방법 및 그 시스템 |
CN108932855A (zh) * | 2017-05-22 | 2018-12-04 | 阿里巴巴集团控股有限公司 | 道路交通控制系统、方法以及电子设备 |
CN107393318A (zh) * | 2017-08-29 | 2017-11-24 | 苏州麦喆思科电子有限公司 | 一种根据车流量调节交通灯时长间隔的方法 |
US20200250461A1 (en) * | 2018-01-30 | 2020-08-06 | Huawei Technologies Co., Ltd. | Target detection method, apparatus, and system |
CN108875588A (zh) * | 2018-05-25 | 2018-11-23 | 武汉大学 | 基于深度学习的跨摄像头行人检测跟踪方法 |
US20190378403A1 (en) * | 2018-06-07 | 2019-12-12 | Seung Heon SONG | Smart road sign, electronic device, and method of protecting pedestrian using same |
CN110580808A (zh) * | 2018-06-08 | 2019-12-17 | 杭州海康威视数字技术股份有限公司 | 一种信息处理方法、装置、电子设备及智能交通系统 |
US20200135018A1 (en) * | 2018-10-24 | 2020-04-30 | Bluesignal Corporation | Method of predicting traffic congestion and controlling traffic signals based on deep learning and server for performing the same |
US20200142421A1 (en) * | 2018-11-05 | 2020-05-07 | GM Global Technology Operations LLC | Method and system for end-to-end learning of control commands for autonomous vehicle |
CN109493609A (zh) * | 2018-12-11 | 2019-03-19 | 杭州炬视科技有限公司 | 一种便携式未礼让行人自动识别抓拍的装置和方法 |
CN109829428A (zh) * | 2019-01-31 | 2019-05-31 | 兰州交通大学 | 基于改进YOLOv2的视频图像行人检测方法及系统 |
CN110084367A (zh) * | 2019-04-19 | 2019-08-02 | 安徽农业大学 | 一种基于lstm深度学习模型的土壤墒情预测方法 |
CN111951570A (zh) * | 2019-05-17 | 2020-11-17 | 上海晶赞融宣科技有限公司 | 交通信号灯的控制方法及装置、系统 |
CN110334602A (zh) * | 2019-06-06 | 2019-10-15 | 武汉市公安局视频侦查支队 | 一种基于卷积神经网络的人流量统计方法 |
CN110458013A (zh) * | 2019-07-05 | 2019-11-15 | 中国地质大学(武汉) | 一种基于实例级注意机制的交通异常事件检测方法 |
CN110488811A (zh) * | 2019-07-22 | 2019-11-22 | 上海有个机器人有限公司 | 一种基于社交网络模型的机器人对行人轨迹预测的方法 |
CN110491146A (zh) * | 2019-08-21 | 2019-11-22 | 浙江工业大学 | 一种基于深度学习的交通信号控制方案实时推荐方法 |
CN110689184A (zh) * | 2019-09-21 | 2020-01-14 | 广东毓秀科技有限公司 | 一种通过深度学习进行轨交人流预测的方法 |
CN111027372A (zh) * | 2019-10-10 | 2020-04-17 | 山东工业职业学院 | 一种基于单目视觉与深度学习的行人目标检测识别方法 |
CN111310156A (zh) * | 2019-11-28 | 2020-06-19 | 苏宁金融科技(南京)有限公司 | 一种滑块验证码的自动识别方法及系统 |
CN110969872A (zh) * | 2019-12-18 | 2020-04-07 | 上海天壤智能科技有限公司 | 基于强化学习和图注意力网络的交通信号控制方法及系统 |
CN111144648A (zh) * | 2019-12-25 | 2020-05-12 | 中国联合网络通信集团有限公司 | 人流量预测设备及方法 |
CN112508305A (zh) * | 2019-12-29 | 2021-03-16 | 山西大学 | 基于lstm的公共场所入口人流量预测方法 |
CN111274886A (zh) * | 2020-01-13 | 2020-06-12 | 天地伟业技术有限公司 | 一种基于深度学习的行人闯红灯违法行为分析方法及系统 |
CN111259396A (zh) * | 2020-02-01 | 2020-06-09 | 贵州师范学院 | 一种基于深度学习卷积神经网络的计算机病毒检测方法及深度学习神经网络的压缩方法 |
CN112365724A (zh) * | 2020-04-13 | 2021-02-12 | 北方工业大学 | 一种基于深度强化学习的连续交叉口信号协同控制方法 |
CN111459168A (zh) * | 2020-04-23 | 2020-07-28 | 上海交通大学 | 一种融合的自动驾驶汽车过街行人轨迹预测方法及系统 |
CN111951575A (zh) * | 2020-08-13 | 2020-11-17 | 北京交通大学 | 基于提前强化学习的交通信号灯自适应控制方法 |
CN111882878A (zh) * | 2020-09-02 | 2020-11-03 | 烟台大学 | 一种基于交通流预测的最大化关键道路通行能力的方法 |
CN112216124A (zh) * | 2020-09-17 | 2021-01-12 | 浙江工业大学 | 一种基于深度强化学习的交通信号控制方法 |
CN112330957A (zh) * | 2020-10-14 | 2021-02-05 | 北京博研智通科技有限公司 | 一种路口信号灯控制效果分析系统及方法 |
CN112309146A (zh) * | 2020-10-28 | 2021-02-02 | 平安科技(深圳)有限公司 | 交通信号灯的智能控制方法及系统、存储介质、计算设备 |
CN112270381A (zh) * | 2020-11-16 | 2021-01-26 | 电子科技大学 | 基于深度学习的人流量检测方法 |
CN112487884A (zh) * | 2020-11-16 | 2021-03-12 | 香港中文大学(深圳) | 一种交通违法行为检测方法、装置及计算机可读存储介质 |
CN112489423A (zh) * | 2020-11-20 | 2021-03-12 | 湖南警察学院 | 一种基于视觉的城市道路交通交警指挥方法 |
CN112581748A (zh) * | 2020-12-20 | 2021-03-30 | 宋彦震 | 基于卷积神经网络的车库出车行人安全提示系统 |
CN112700663A (zh) * | 2020-12-23 | 2021-04-23 | 大连理工大学 | 基于深度强化学习策略的多智能体智能信号灯路网控制方法 |
Non-Patent Citations (12)
Title |
---|
ROMIT VINOD KANKARIA: "Alert System for Drivers based on Traffic Signs, Lights and Pedestrian Detection", 《2020 INTERNATIONAL CONFERENCE FOR EMERGING TECHNOLOGY (INCET)》 * |
XIN LI: "Pedestrian Detection method based on Multi-Scale Fusion Inception-SSD Model", 《2020 IEEE 9TH JOINT INTERNATIONAL INFORMATION TECHNOLOGY AND ARTIFICIAL INTELLIGENCE CONFERENCE (ITAIC)》 * |
YI ZHANG: "Traffic Light Scheduling for Pedestrian-Vehicle Mixed-Flow Networks", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
曾令秋: "一种城市道路场景下行人危险度评估方法", 《湖南大学学报(自然科学版)》 * |
李明明: "道路场景中基于视频的多目标检测", 《软件》 * |
李福进: "基于特征金字塔SSD的行人检测算法", 《华北理工大学学报(自然科学版)》 * |
王思雨: "一种基于YOLO的交通目标实时检测方法", 《计算机与数字工程》 * |
罗雯: "基于深度学习的交通信号灯识别算法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
赵庶旭: "Traffic flow prediction of urban road network based on LSTM-RF model", 《JOURNAL OF MEASUREMENT SCIENCE AND INSTRUMENTATION》 * |
陈方: "MobileNet压缩模型的研究与优化", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
陶亦舟: "基于精细微观交通流模型的信号交叉口人-车相互干扰研究", 《物理学报》 * |
顾帅: "Android移动平台下基于深度学习的目标检测技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113257008B (zh) | 2022-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115050177B (zh) | 一种基于时空多头注意力机制的高速公路拥堵预测方法 | |
CN110363255B (zh) | 一种基于深度学习算法的高速公路限速限流方法 | |
CN114360266B (zh) | 一种网联车探测状态感知的交叉口强化学习信号控制方法 | |
CN109559510B (zh) | 基于随机分布控制算法的多个mfd子区边界协调控制方法 | |
CN112330067B (zh) | 基于区块链的金融大数据分析系统 | |
CN107025468A (zh) | 基于pca‑ga‑svm算法的高速公路拥堵识别方法 | |
WO2023216793A1 (zh) | 一种混合交通流环境高速公路瓶颈路段动态限速控制方法 | |
CN112991750B (zh) | 基于强化学习与生成式对抗网络的局部交通优化方法 | |
CN113487860A (zh) | 一种智能交通信号控制方法 | |
CN116660849A (zh) | 基于自注意力机制的时空lstm网络雷达回波序列预测方法 | |
CN114582131B (zh) | 一种基于匝道智能控流算法的监控方法及系统 | |
CN110033627B (zh) | 一种基于时间稳定性的高速公路限速控制方法 | |
KR20210117445A (ko) | 도로 환경 데이터 분석을 통한 기계 학습 기반의 도로 속도 예측 방법 및 이를 기록한 기록매체 | |
CN113257008A (zh) | 基于深度学习的行人流量动态控制系统及方法 | |
CN116386337B (zh) | 一种基于车流预测的车道动态控制方法及系统 | |
CN113313941B (zh) | 基于记忆网络和编码器-解码器模型的车辆轨迹预测方法 | |
CN113505346B (zh) | 一种基于人工智能的城市路灯数据处理及联合调控系统 | |
CN115687989A (zh) | Laplace噪声下基于Transformer-DNN混合网络的多用户频谱感知方法 | |
CN114333359A (zh) | 基于人工智能的自适应交通信号灯控制方法及系统 | |
CN117834136B (zh) | 一种车联网通信过程中量子密钥动态管理方法 | |
CN113409572B (zh) | 一种道路运行风险防控的节能控制系统及方法 | |
CN116978233B (zh) | 一种面向事故多发区的主动可变限速方法 | |
CN115131977B (zh) | 一种针对突发性溢流风险的单点交叉口信号配时方法 | |
CN115497294B (zh) | 融合深度预测网络和卡尔曼滤波算法的交通灯控制方法及系统 | |
Xie et al. | Design of intelligent traffic light system based on genetic algorithm to optimize Elman neural network |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220621 |