CN113689720B - 一种基于卷积神经网络的自动交叉口通行决策方法 - Google Patents
一种基于卷积神经网络的自动交叉口通行决策方法 Download PDFInfo
- Publication number
- CN113689720B CN113689720B CN202110795100.8A CN202110795100A CN113689720B CN 113689720 B CN113689720 B CN 113689720B CN 202110795100 A CN202110795100 A CN 202110795100A CN 113689720 B CN113689720 B CN 113689720B
- Authority
- CN
- China
- Prior art keywords
- passing
- traffic
- sequence
- neural network
- intersection
- 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
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
- G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
- G08G1/096783—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a roadside individual element
-
- 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
-
- 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/164—Centralised systems, e.g. external to vehicles
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Atmospheric Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于卷积神经网络的自动交叉口通行决策方法,步骤依次为,建立自动交叉口模型;基于计划树的方法确定所有可行的通过顺序;采集车辆轨迹数据,利用计划树列举出所有候选的通过顺序,遍历每种顺序并得到各顺序对应的时耗,建立用于描述交通状态和通行顺序的张量,构建张量‑时耗数据库;构建并训练卷积神经网络,通过训练好的卷积神经网络得到最短时耗的张量对应的通行顺序作为最终通行方案。本发明可显著减少计算时间,降低行车延误,提高通行速度。
Description
技术领域
本发明属于交通工程领域,特别涉及了一种自动交叉口通行决策方法。
背景技术
随着无线通信和互联网技术的不断发展,人工驾驶车辆将被智能网联车辆取代。车联网在智能交通领域备受关注,是当今国际公认的减少行车延误、提高运行效率、实现节能减排的最佳手段。
而事实上,真正制约城市交通效率、影响交通安全的关键因素,一直是交叉口处的通行顺序问题。过去的几十年内,学者们提出了一些解决自动交叉口管理问题的方法,主要包括基于预约的策略和基于规划的策略。前者遵循先来先服务(FCFS)规则,在实际运用中效果不佳。后者遍历所有可能的通行方案,对每种通行方案进行仿真测试获取车辆疏散时间,但计算时间呈指数增长,给实际应用带来了困难。
发明内容
为了解决上述背景技术提到的技术问题,本发明提出了一种基于卷积神经网络的自动交叉口通行决策方法。
为了实现上述技术目的,本发明的技术方案为:
一种基于卷积神经网络的自动交叉口通行决策方法,包括以下步骤:
(1)建立自动交叉口模型,利用V2I通信技术,使交叉口控制器与通信范围内的智能网联车辆进行信息交互;
(2)基于计划树的方法确定所有可行的通过顺序;
(3)采集车辆轨迹数据,利用计划树列举出所有候选的通过顺序,遍历每种顺序并得到各顺序对应的时耗,建立用于描述交通状态和通行顺序的张量,构建张量-时耗数据库;
(4)构建并训练卷积神经网络,通过训练好的卷积神经网络得到最短时耗的张量对应的通行顺序作为最终通行方案。
进一步地,在步骤(1)中,智能网联车辆进入交叉口的通信范围内后,通过自身装载的V2I通信设备将车辆速度、加速度、位置和目标车道信息传输给交叉口控制器,同时被其控制,且车辆在该区域禁止换道行为。
进一步地,采用所有车辆在交叉口处的延误最小作为自动交叉口模型的目标函数。
进一步地,在步骤(2)中,建立计划树,在获得初始的计划树后,为每一个通行顺序标记安全模式,当多个车流在交叉口处相互兼容即不形成潜在的冲突点时,形成一个兼容车流组;遍历代表通过顺序的每个节点的车辆id,如果若干相邻的车辆能够组成一个兼容车流组,则这些车辆被标记为安全模式并存储在一个数组中,从而获得可行的通过顺序。
进一步地,步骤(3)的具体过程如下:
(3-1)在SUMO仿真环境中插入智能网联车辆,收集车辆轨迹数据,用通行计划树列举出所有候选的通过顺序,遍历每种顺序并通过仿真测试得到所有顺序对应的时耗;
(3-2)建立包含速度、加速度、车道位置和通行顺序的三维张量,用来描述交通状态和通行顺序;
(3-3)将三维张量和对应的时耗存储到数据库中。
进一步地,步骤(3-2)的实现方法如下:
将交叉口定义为一个矩形框,在矩形框中将车道划分成多个单元网格,创建矩阵来表示车辆的位置;
对速度矩阵和加速度矩阵进行规范化处理:
其中,M′v和M′a分别为处理后的速度矩阵和加速度矩阵,Mv和Ma分别为处理后的速度矩阵和加速度矩阵,Vmax为允许的最大速度,amax为车辆最大加速度,dmax为车辆最大减速。
进一步地,步骤(4)的具体过程如下:
(4-1)采用具有简单顺序结构的神经网络,由三层卷积层和最大池化层组合而成,在每个卷积层中使用Relu激活和相同填充;最后对全连接层进行正则化处理;
(4-2)采用基于序列模型的算法对超参数进行配置,将随机森林引入到基于序列模型的优化中;
(4-3)利用已建立的张量-时耗数据库训练卷积神经网络,让网络学习交通状态、通行顺序到通行方案耗时关系的非线性映射,使其具有预测不同交通状态和通行方案的时耗的能力;
(4-4)将训练完毕的卷积神经网络运用到新的仿真测试中,对通信范围内的车辆进行建计划树以获得所有候选的通过顺序,构建包含速度、加速度、位置和通行顺序的三维张量,将所有张量输入卷积神经网络得到每个张量对应的时耗,最后选取最短时耗的张量对应的通行顺序作为最终通行方案。
进一步地,对于计划树产生的集合Sξ中的每一个通行顺序ξ,采用TC表示相应的时耗,为卷积神经网络预测得到的时耗,采用均方差作为损失函数,采用平均绝对误差评价网络的性能,其中n为训练样本个数,i为当前样本指针;
进一步地,卷积神经网络的参数设置如下:
第一卷积层的通道数量:[6,74];
第二卷积层的通道数量:[6,74];
第三卷积层的通道数量:[6,74]
第一卷积层的内核大小:{1,3,5};
第二卷积层的内核大小:{1,3,5};
第三卷积层的内核大小:{1,3,5};
隐含层单元数量:[256,1024];
优化器学习率:{0.1,0.01,0.001};
正则化参数:{0.1,0.01,0.001};
训练批次:{16,32,64,128};
最大训练时期设置为50,如果网络在5个时期内没有改进,训练过程将提前终止。
采用上述技术方案带来的有益效果
与传统的基于规划策略的交叉口管理方法不同,本发明在通过建立计划树列举出所有可能通行顺序后,利用卷积神经网络来代替模拟测试过程,在保证具有较好管理性能的前提下减少了计算时间,具有更佳的实用性,降低了自动交叉口处的行车延误,提高平均通行速度,为车联网环境下的自动交叉口通行效率和安全提供技术支撑。
附图说明
图1是本发明的方法流程图;
图2是计划树建立流程图;
图3是自动交叉口模型图;
图4是通行计划树示例图;
图5是兼容车流组示意图;
图6是安全标记叶子节点示意图;
图7是交通状态转换为矩阵示意图;
图8是卷积神经网络的结构示意图。
具体实施方式
以下将结合附图,对本发明的技术方案进行详细说明。
本发明设计了一种基于卷积神经网络的自动交叉口通行决策方法,如图1所示,步骤如下:
1、建立自动交叉口模型,利用V2I通信技术,使交叉口控制器与通信范围内的智能网联车辆进行信息交互;
2、基于计划树的方法确定所有可行的通过顺序;
3、采集车辆轨迹数据,利用计划树列举出所有候选的通过顺序,遍历每种顺序并得到各顺序对应的时耗,建立用于描述交通状态和通行顺序的张量,构建张量-时耗数据库;
4、构建并训练卷积神经网络,通过训练好的卷积神经网络得到最短时耗的张量对应的通行顺序作为最终通行方案。
1)自动交叉口模型搭建,具体包括:
1-1)模型建立:
利用V2I通信技术,使交叉口中心控制器与通信范围内的自动驾驶车辆进行信息交互,并引入交叉口控制器(Intersection Controller,IC)和通信范围(CommunicationRange,CR)两个关键概念。其中,IC集成通信单元和计算单元,负责接收智能网联车辆的信息并制定合理的通行方案;CR是一个逻辑概念,只有在CR中的智能网联车辆才能够与IC进行信息交互且被IC控制;车辆进入交叉口的通信范围内后,通过自身装载的V2I通信设备将车辆速度、加速度、位置和目标车道等信息传输给IC,同时被其控制。并且出于安全考虑,该区域禁止变道行为;
1-2)目标函数:
本发明的目标是寻找最优通行方案,使车辆在交叉口处的延误最小:
其中:D为交叉口总延误,C为在一段时间内穿越交叉口的网联自动驾驶车辆集合;vi为第i辆车的速度;ETi为第i辆车以最大允许速度从进入通信范围到穿过交叉口的耗时;ATi为第i辆车在交叉口处的实际通行时间。
2)基于计划树方法的所有可行通过顺序的确定,具体包括:
2-1)计划树建立过程,如图2所示
以图3所示交叉口为例,车辆D位于车辆C之后,由于通信范围内禁止变道行为,所以删除“ABCD”这个不可行节点,如图4所示;有时在建树过程中会出现不可行节点,它应该在构建计划树的过程中删除,而不是在过程之后,以提高算法的效率。参考图4中“DC”节点。
2-2)标记安全模式:
获得初始的计划树后,为每一个通行顺序标记安全模式;
以图3所示交叉口为例,当多个车流在交叉口处相互兼容即不形成潜在的冲突点时,可以形成一个兼容车流组(CSG),参考图4。
遍历代表通过顺序的每个节点的车辆id,如果若干相邻的车辆可以组成一个CSG,那么它们就可以被标记为安全模式并存储在一个数组中,从而获得可行通过顺序。
具体地,以图3场景中“CABD”节点为例,“A-B-D”所示顺序的车流可以形成一个CSG,而车辆C必须单独占用交叉口,此时应对节点“CABD”进行变换,参考图6;然后将节点的两个部分分别存储在两个数组中。
3)车辆轨迹数据采集、交通状态表达以及张量-时耗数据库建立,具体包括:
3-1)在SUMO仿真环境中插入智能网联车辆,收集车辆轨迹数据,用通行计划树列举出所有可能的通过顺序,遍历每种顺序并通过仿真测试得到所有顺序对应的时耗,用于后续的张量构建。
具体地,在仿真环境中构建一个典型的四路六车道交叉口,如图3所示;在不同方向的车道上设置距离停车线50米的感应回路,以识别停车线区域;假设智能网联车辆的到达服从泊松分布;用Python编写的控制算法通过traci接口与仿真环境交互。
上述仿真环境中的参数设定如下:
设定以交叉口几何中心为圆点、半径为50米的通信范围(CR);设定每条车道长度为200米;设定道路限速10.00m/s;设定最大加速度2.60m/s;设定最大减速度-4.50m/s;设定车身长度5.00m;设定车辆掉头速度4.00m/s;设定网格长度5.00m;设定通信延迟0.10s;设定仿真步长0.20s,仿真步数3600。
3-2)建立包含速度、加速度、车道位置和通行顺序的三维张量,用来描述交通状态和通行顺序,具体可表示为以下过程:
a)以图7为例,将交叉口定义为一个矩形框,在矩形框中将车道划分成多个单元网格,创建一个矩阵来表示车辆的位置;
b)同样地,对速度矩阵和加速度矩阵进行规范化处理:
其中,M′v和M′a分别为处理后的速度矩阵和加速度矩阵,Mv和Ma分别为处理后的速度矩阵和加速度矩阵,Vmax为允许的最大速度,amax为车辆最大加速度,dmax为车辆最大减速。
3-3)将三维张量和对应的时耗存储到数据库中。
4)卷积神经网络的结构搭建、超参数设定、训练过程以及在线优化过程,具体包括:
4-1)参考图8,采用具有简单顺序结构的神经网络,由三层卷积层和最大池化层组合而成,在每个卷积层中使用Relu激活和相同填充;最后对全连接层进行正则化处理,克服过拟合问题。
4-2)采用基于序列模型的算法配置(SMAC)对超参数进行配置,该方法将随机森林引入到基于序列模型的优化(SMBO)中,具体参数设定如下:
第一卷积层的通道数量:[6,74]
第二卷积层的通道数量:[6,74]
第三卷积层的通道数量:[6,74]
第一卷积层的内核大小:{1,3,5}
第二卷积层的内核大小:{1,3,5}
第三卷积层的内核大小:{1,3,5}
隐含层单元数量:[256,1024]
优化器学习率:{0.1,0.01,0.001}
正则化参数:{0.1,0.01,0.001}
训练批次:{16,32,64,128}
在一个实例中,80%的数据用于训练,其余用于验证,以获得最佳的超参数组合;最大训练时期(epoch)设置为50,如果模型在5个时期内没有改进,训练过程将提前终止;根据20个随机试验,平均在第45个时期左右将进行早期停止。
4-3)利用已建立的张量时耗数据库训练卷积神经网络,让网络学习交通状态、通行顺序到通行方案耗时关系的非线性映射,使其具有预测不同交通状态和通行方案的时耗的能力。
4-4)将训练完毕的卷积神经网络运用到新的仿真测试中,对通信范围内的车辆进行建树以获得所有可能的通过顺序,构建包含速度、加速度、位置和通行顺序的三维张量,将所有张量输入神经网络得到每个张量对应的时间消耗,最后选取最短时耗的张量对应的通行顺序作为最终通行方案。
实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (1)
1.一种基于卷积神经网络的自动交叉口通行决策方法,其特征在于,包括以下步骤:
(1)建立自动交叉口模型:利用V2I通信技术,使交叉口控制器与通信范围内的智能网联车辆进行信息交互;
(2)基于计划树的方法确定所有可行的通过顺序;
(3)采集车辆轨迹数据,利用计划树列举出所有候选的通过顺序,遍历每种顺序并得到各顺序对应的时耗,建立用于描述交通状态和通行顺序的张量,构建张量-时耗数据库;
(4)构建并训练卷积神经网络,通过训练好的卷积神经网络得到最短时耗的张量对应的通行顺序作为最终通行方案;
在步骤(1)中,智能网联车辆进入交叉口的通信范围内后,通过自身装载的V2I通信设备将车辆速度、加速度、位置和目标车道信息传输给交叉口控制器,同时被其控制,且车辆在该交叉口区域禁止换道行为;
采用所有车辆在交叉口处的延误最小作为自动交叉口模型的目标函数;
在步骤(2)中,建立计划树,在获得初始的计划树后,为每一个通行顺序标记安全模式,当多个车流在交叉口处相互兼容即不形成潜在的冲突点时,形成一个兼容车流组;遍历代表通过顺序的每个节点的车辆id,如果若干相邻的车辆能够组成一个兼容车流组,则这些车辆被标记为安全模式并存储在一个数组中,从而获得可行的通过顺序;
步骤(3)的具体过程如下:
(3-1)在SUMO仿真环境中插入智能网联车辆,收集车辆轨迹数据,用通行计划树列举出所有候选的通过顺序,遍历每种顺序并通过仿真测试得到所有顺序对应的时耗;
(3-2)建立包含速度、加速度、车道位置和通行顺序的三维张量,用来描述交通状态和通行顺序;
(3-3)将三维张量和对应的时耗存储到数据库中;
步骤(3-2)的实现方法如下:
将交叉口定义为一个矩形框,在矩形框中将车道划分成多个单元网格,创建矩阵来表示车辆的位置;
对速度矩阵和加速度矩阵进行规范化处理:
其中,M′v和M′a分别为处理后的速度矩阵和加速度矩阵,Mv和Ma分别为处理后的速度矩阵和加速度矩阵,Vmax为允许的最大速度,amax为车辆最大加速度,dmax为车辆最大减速度;
步骤(4)的具体过程如下:
(4-1)采用具有简单顺序结构的神经网络,由三层卷积层和最大池化层组合而成,在每个卷积层中使用Relu激活和相同填充;最后对全连接层进行正则化处理;
(4-2)采用基于序列模型的算法对超参数进行配置,将随机森林引入到基于序列模型的优化中;
(4-3)利用已建立的张量-时耗数据库训练卷积神经网络,让网络学习交通状态、通行顺序到通行方案耗时关系的非线性映射,使其具有预测不同交通状态和通行方案的时耗的能力;
(4-4)将训练完毕的卷积神经网络运用到新的仿真测试中,对通信范围内的车辆进行建计划树以获得所有候选的通过顺序,构建包含速度、加速度、位置和通行顺序的三维张量,将所有张量输入卷积神经网络得到每个张量对应的时耗,最后选取最短时耗的张量对应的通行顺序作为最终通行方案;
卷积神经网络的参数设置如下:
第一卷积层的通道数量:[6,74];
第二卷积层的通道数量:[6,74];
第三卷积层的通道数量:[6,74];
第一卷积层的内核大小:{1,3,5};
第二卷积层的内核大小:{1,3,5};
第三卷积层的内核大小:{1,3,5};
隐含层单元数量:[256,1024];
优化器学习率:{0.1,0.01,0.001};
正则化参数:{0.1,0.01,0.001};
训练批次:{16,32,64,128};
最大训练时期设置为50,如果网络在5个时期内没有改进,训练过程将提前终止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110795100.8A CN113689720B (zh) | 2021-07-14 | 2021-07-14 | 一种基于卷积神经网络的自动交叉口通行决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110795100.8A CN113689720B (zh) | 2021-07-14 | 2021-07-14 | 一种基于卷积神经网络的自动交叉口通行决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113689720A CN113689720A (zh) | 2021-11-23 |
CN113689720B true CN113689720B (zh) | 2022-08-05 |
Family
ID=78577128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110795100.8A Active CN113689720B (zh) | 2021-07-14 | 2021-07-14 | 一种基于卷积神经网络的自动交叉口通行决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113689720B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115063976B (zh) * | 2022-06-09 | 2023-08-29 | 青岛理工大学 | 基于多通道卷积神经网络的车辆冲突风险评估与预测方法 |
CN116935625B (zh) * | 2023-06-05 | 2024-03-22 | 中路高科交通科技集团有限公司 | 一种非法省际客运经营车辆违法行为智能检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018149308A1 (zh) * | 2017-02-15 | 2018-08-23 | 阿里巴巴集团控股有限公司 | 一种道路交通优化方法、装置以及电子设备 |
CN111680451A (zh) * | 2020-05-26 | 2020-09-18 | 银江股份有限公司 | 一种微观城市交通在线仿真系统及方法 |
CN112373472A (zh) * | 2021-01-14 | 2021-02-19 | 长沙理工大学 | 一种自动驾驶交叉口车辆进入时刻与行驶轨迹控制方法 |
-
2021
- 2021-07-14 CN CN202110795100.8A patent/CN113689720B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018149308A1 (zh) * | 2017-02-15 | 2018-08-23 | 阿里巴巴集团控股有限公司 | 一种道路交通优化方法、装置以及电子设备 |
CN111680451A (zh) * | 2020-05-26 | 2020-09-18 | 银江股份有限公司 | 一种微观城市交通在线仿真系统及方法 |
CN112373472A (zh) * | 2021-01-14 | 2021-02-19 | 长沙理工大学 | 一种自动驾驶交叉口车辆进入时刻与行驶轨迹控制方法 |
Non-Patent Citations (4)
Title |
---|
城市道路交通拥堵的模糊神经网络评析;诸云等;《北京理工大学学报》;20180515(第05期);全文 * |
基于神经网络的信号交叉口进口车道交通延误预测;林得刚等;《大连交通大学学报》;20130815(第04期);全文 * |
混合交通流下交叉路口自行车速度检测仿真;李媛等;《计算机仿真》;20171015(第10期);全文 * |
用BP神经网络预测下游交叉口进口交通量;凌浩等;《交通标准化》;20050115(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113689720A (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113689720B (zh) | 一种基于卷积神经网络的自动交叉口通行决策方法 | |
US11720099B2 (en) | Control method of automatic driving imported “smart gains” model, device and program | |
CN110060475A (zh) | 一种基于深度强化学习的多交叉口信号灯协同控制方法 | |
CN110794842A (zh) | 基于势场的强化学习路径规划算法 | |
CN109493599A (zh) | 一种基于生成式对抗网络的短时交通流预测方法 | |
CN102622515B (zh) | 一种天气预测方法 | |
Sadek | Artificial intelligence applications in transportation | |
CN107909206A (zh) | 一种基于深层结构循环神经网络的pm2.5预测方法 | |
CN113704956A (zh) | 一种基于数字孪生技术的城市道路在线微观仿真方法及系统 | |
CN109102107A (zh) | 一种基于物流仿真的多行车间设备布局方法 | |
Mao et al. | A comparison of deep reinforcement learning models for isolated traffic signal control | |
CN107400935A (zh) | 基于改进elm的熔融纺丝工艺的调节方法 | |
Zhang et al. | A study on autonomous intersection management: planning-based strategy improved by convolutional neural network | |
Huo et al. | Cooperative control for multi-intersection traffic signal based on deep reinforcement learning and imitation learning | |
US11550327B2 (en) | Composition method of automatic driving machine consciousness model | |
CN106647279B (zh) | 一种基于模糊规则的机车智能操纵优化计算方法 | |
Cui et al. | An interpretation framework for autonomous vehicles decision-making via SHAP and RF | |
CN116758767B (zh) | 基于多策略强化学习的交通信号灯控制方法 | |
Patil | Machine Learning for Traffic Management in Large-Scale Urban Networks: A Review | |
Tran et al. | Tslib: A unified traffic signal control framework using deep reinforcement learning and benchmarking | |
Skowronek et al. | Graph-based sparse neural networks for traffic signal optimization | |
Benedetti et al. | Application of deep reinforcement learning for traffic control of road intersection with emergency vehicles | |
CN107657106A (zh) | 基于遗传算法的交通流模拟方法 | |
Huo et al. | Tensor-based cooperative control for large scale multi-intersection traffic signal using deep reinforcement learning and imitation learning | |
Liu et al. | Research on routing optimisation of logistics distribution vehicle based on cloud model |
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 |