CN113689721A - 一种自动驾驶车速控制方法、系统、终端以及存储介质 - Google Patents

一种自动驾驶车速控制方法、系统、终端以及存储介质 Download PDF

Info

Publication number
CN113689721A
CN113689721A CN202110874675.9A CN202110874675A CN113689721A CN 113689721 A CN113689721 A CN 113689721A CN 202110874675 A CN202110874675 A CN 202110874675A CN 113689721 A CN113689721 A CN 113689721A
Authority
CN
China
Prior art keywords
automatic driving
traffic light
traffic
driving vehicle
road
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
CN202110874675.9A
Other languages
English (en)
Other versions
CN113689721B (zh
Inventor
叶可江
贺航涛
须成忠
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN202110874675.9A priority Critical patent/CN113689721B/zh
Publication of CN113689721A publication Critical patent/CN113689721A/zh
Application granted granted Critical
Publication of CN113689721B publication Critical patent/CN113689721B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • 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
    • 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
    • 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
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096725—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information generates an automatic action on the vehicle control
    • 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

Abstract

本申请涉及一种自动驾驶车速控制方法、系统、终端以及存储介质。所述方法包括：接收自动驾驶车辆发起的红绿灯车速优化请求；获取自动驾驶车辆所在道路的最近一个红绿灯路口在前n个时刻中每一个时刻的车流量，将车流量输入训练好的神经网络模型中，通过神经网络模型输出所述最近一个红绿灯路口在当前时刻的车流量预测结果；获取所述自动驾驶车辆所在道路的路况信息以及自动驾驶车辆到达该道路上最近一个红绿灯路口的距离，并根据所获取的路况信息、距离以及所述车流量预测结果计算所述自动驾驶车辆通行所述最近一个红绿灯路口的最优速度。本申请实施例可以为自动驾驶提供更节省能源的车速，对调度控制自动驾驶车辆、优化道路资源具有重大意义。

Description

一种自动驾驶车速控制方法、系统、终端以及存储介质
技术领域
本申请属于智慧交通技术领域，特别涉及一种自动驾驶车速控制方法、系统、终端以及存储介质。
背景技术
交通信号灯在城市交通管理中起到了决定性的作用，而在城市交通中，短时间拥堵往往发生在红绿灯路口，例如：红绿灯路口前方的路段快速通过之后，需要在红绿灯路口停下等待红灯读秒，会导致红绿灯前方路段的靠红绿灯的部分拥堵，离红绿灯较远的一部分却是没有车辆，导致没有合理利用道路资源，加大能源消耗，也可能导致交通拥堵。
随着智慧城市的发展，城市的智慧程度不断提高，在以往的道路交通中，驾驶车辆的主体是人，人的行为是难以控制的，而随着自动驾驶的发展，未来的驾驶主体会发展到“人少AI(Artificial Intelligence，人工智能)多”的情形。AI的行为是可以控制诱导的，因此可以通过算法控制诱导红绿灯路口自动驾驶的车速，从而将城市中空闲的道路资源调度起来，可以有效节省城市空间资源和自然能源。而目前还没有基于实时路况对交通灯路口的自动驾驶车速进行控制以对道路资源进行优化的技术。
发明内容
本申请提供了一种自动驾驶车速控制方法、系统、终端以及存储介质，旨在解决现有技术中还没有基于实时路况对交通灯路口的自动驾驶车速进行控制的技术问题。
为了解决上述问题，本申请提供了如下技术方案：
一种自动驾驶车速控制方法，包括：
接收自动驾驶车辆发起的红绿灯车速优化请求；
获取所述自动驾驶车辆所在道路的最近一个红绿灯路口在前n个时刻中每一个时刻的车流量，将所获取的车流量输入训练好的神经网络模型中，通过所述神经网络模型输出所述最近一个红绿灯路口在当前时刻的车流量预测结果；
获取所述自动驾驶车辆所在道路的路况信息以及自动驾驶车辆到达该道路上最近一个红绿灯路口的距离，并根据所获取的路况信息、距离以及所述车流量预测结果计算所述自动驾驶车辆通行所述最近一个红绿灯路口的最优速度，根据所述最优速度控制所述自动驾驶车辆通行所述最近一个红绿灯路口。
本申请实施例采取的技术方案还包括：所述神经网络模型的训练过程包括：
收集红绿灯路口的历史交通流数据集，所述历史交通流数据集中包括每天通过每个红绿灯路口的平均车流量数据集、每条道路的红灯每秒平均通行车辆数、绿灯每秒平均通行车辆数以及每个红绿灯路口的交通灯时长；所述平均车流量数据集中包括每一条车流数据对应的气温、湿度以及节假日标签；
对所述历史交通流数据集进行预处理，生成所述历史交通流数据集的序列数据；
将所述序列数据输入神经网络模型进行训练，得到训练好的神经网络模型。
本申请实施例采取的技术方案还包括：所述对历史交通流数据集进行预处理具体为：
使用相邻数据对所述历史交通流数据集中的缺失值进行填补，并将所述历史交通流数据集设置为浮点类型，再取所述历史交通流数据集中最大项和最小项的差值为分母，对所述历史交通流数据集进行归一化处理，获取所述历史交通流数据集的序列数据。
本申请实施例采取的技术方案还包括：所述神经网络模型为门控循环单元模型，所述门控循环单元模型的计算过程具体为：
定义一个α算子，α算子由线性层组成，根据气温Wtp、湿度Whm以及节假日标签L对所述车流数据进行处理输出：
Figure BDA0003189932370000031
将所述序列数据输入到GRU模型中进行训练：
rd＝σ(υr·[hd-1,Wd])
zd＝σ(vz·[hd-1,Wd])
Figure BDA0003189932370000032
Figure BDA0003189932370000033
Od＝σ(Wo·hd)
其中，
Figure BDA0003189932370000041
是需要训练的模型参数，Wd为当前时刻的输入，rd表示复位门，zd为更新门，hd-1为上一时刻的隐藏状态，σ为sigmoid激活函数，tanh为三角正切函数；[]表示向量相连，*表示矩阵乘法，Od为预测输出；
使用均方误差损失为损失函数：
Figure BDA0003189932370000042
累计损失函数为：
Figure BDA0003189932370000043
其中，reald为真实值；
使用时间反向传播算法学习GRU模型，各层权重参数组成向量I∈Rm,计算梯度为：
Figure BDA0003189932370000044
累计平方梯度为：
Figure BDA0003189932370000045
网络参数更新方程为：Ij＝Ij-1-αΔloss。
本申请实施例采取的技术方案还包括：所述获取所述自动驾驶车辆所在道路的路况信息以及自动驾驶车辆到达该道路上最近一个红绿灯路口的距离，并根据所获取的路况信息、距离以及所述车流量预测结果计算所述自动驾驶车辆通行所述最近一个红绿灯路口的最优速度包括：
如果所述当前时刻的车流量预测结果小于设定阈值，则判定所述自动驾驶车辆前方无车，并获取所述自动驾驶车辆所在道路的道路限速、所述最近一个红绿灯路口当前的交通灯状态以及交通灯时长；所述交通灯状态包括红灯、黄灯、绿灯状态，所述交通灯时长包括红灯时长、黄灯时长以及绿灯时长；
根据所述道路限速、交通灯时长以及自动驾驶车辆到达该道路上最近一个红绿灯路口的距离分别计算红灯、黄灯、绿灯状态下所述自动驾驶车辆通行所述最近一个红绿灯路口的最优速度。
本申请实施例采取的技术方案还包括：所述红灯、黄灯、绿灯状态下所述自动驾驶车辆通行所述最近一个红绿灯路口的最优速度计算方式具体为：
如果当前的交通灯状态是红灯状态，且当前的交通灯读数为t，所述最优速度V为：
Figure BDA0003189932370000051
其中，m表示所述自动驾驶车辆到达当前道路的最近一个红绿灯路口的距离，TY、TG分别代表黄灯时长和绿灯时长，3.6为Km/h和m/s的互换；
如果
Figure BDA0003189932370000052
则最优速度为V限，V限表示所述自动驾驶车辆所在道路的道路限速；
如果当前的交通灯状态是绿灯状态，且当前的交通灯读数为t，则比较所述自动驾驶车辆当前的速度
Figure BDA0003189932370000053
和V限的大小关系：
如果
Figure BDA0003189932370000054
则所述最优速度为：
Figure BDA0003189932370000061
如果
Figure BDA0003189932370000062
则所述最优速度为：
Figure BDA0003189932370000063
其中，TR代表红灯时长；
如果当前的交通灯状态是黄灯状态，则以下一种状态的满时间读数进行下一状态的最优速度计算。
本申请实施例采取的技术方案还包括：所述获取所述自动驾驶车辆所在道路的路况信息以及自动驾驶车辆到达该道路上最近一个红绿灯路口的距离，并根据所获取的路况信息、距离以及所述车流量预测结果计算所述自动驾驶车辆通行所述最近一个红绿灯路口的最优速度包括：
如果所述当前时刻的车流量预测结果大于或等于设定阈值，则判定所述自动驾驶车辆前方有车，并获取所述自动驾驶车辆所在道路的道路限速、所述最近一个红绿灯路口当前的交通灯状态、交通灯时长以及所述红绿灯路口的绿灯通行能力；
根据所述道路限速、交通灯时长、绿灯通行能力、车流量预测结果以及自动驾驶车辆到达所述最近一个红绿灯路口的距离分别计算红灯、黄灯、绿灯状态下所述自动驾驶车辆通行所述最近一个红绿灯路口的最优速度。
本申请实施例采取的技术方案还包括：所述红灯、黄灯、绿灯状态下所述自动驾驶车辆通行所述最近一个红绿灯路口的最优速度计算方式具体为：
如果当前的交通灯状态为绿灯状态，且交通灯读数为t，假设绿灯通行力为a辆车/秒，假设当前时刻的车流量预测结果为f辆/秒，则：
若f≤a，表示绿灯通行能力足够，则积累车辆通行完后的剩余时间为：
Figure BDA0003189932370000071
所述最优速度为：
Figure BDA0003189932370000072
若a≤f≤2a，表示绿灯通行能力欠佳，所述最优速度为：
Figure BDA0003189932370000073
若f≥2a，表示路口拥堵，所述最优速度为：
Figure BDA0003189932370000074
如果当前的交通灯状态为红灯状态，且交通灯读数为t，则：
若f≤a，表示绿灯通行能力足够，所述最优速度为：
Figure BDA0003189932370000075
若a≤f≤2a，表示绿灯通行能力欠佳，所述最优速度为：
Figure BDA0003189932370000076
若f≥2a，表示路口拥堵，所述最优速度为：
Figure BDA0003189932370000077
本申请实施例采取的另一技术方案为：一种自动驾驶车速控制系统，包括：
请求接收模块：用于接收自动驾驶车辆发起的红绿灯车速优化请求；
车流量预测模块：用于获取所述自动驾驶车辆所在道路的最近一个红绿灯路口在前n个时刻中每一个时刻的车流量，将所获取的车流量输入训练好的神经网络模型中，通过所述神经网络模型输出所述最近一个红绿灯路口在当前时刻的车流量预测结果；
车速计算模块：用于获取所述自动驾驶车辆所在道路的路况信息以及自动驾驶车辆到达该道路上最近一个红绿灯路口的距离，并根据所获取的路况信息、距离以及所述车流量预测结果计算所述自动驾驶车辆通行所述最近一个红绿灯路口的最优速度，根据所述最优速度控制所述自动驾驶车辆通行所述最近一个红绿灯路口。
本申请实施例采取的又一技术方案为：一种终端，所述终端包括处理器、与所述处理器耦接的存储器，其中，
所述存储器存储有用于实现所述自动驾驶车速控制方法的程序指令；
所述处理器用于执行所述存储器存储的所述程序指令以控制自动驾驶车速控制。
本申请实施例采取的又一技术方案为：一种存储介质，存储有处理器可运行的程序指令，所述程序指令用于执行所述自动驾驶车速控制方法。
相对于现有技术，本申请实施例产生的有益效果在于：本申请实施例的自动驾驶车速控制方法、系统、终端以及存储介质通过使用大量数据训练出可以实时预测红绿灯路口车流量的神经网络模型，并结合车流量预测结果以及红绿灯路口的实时路况信息计算出自动驾驶车辆通过红绿灯路口的最优速度，通过该最优速度控制自动驾驶车辆在合理时间内通过红绿灯路口而不用等待红灯，从而为自动驾驶提供更节省能源的车速，对调度控制自动驾驶车辆、合理优化道路资源具有重大意义。
附图说明
图1是本申请实施例的自动驾驶车速控制方法的流程图；
图2是本申请实施例的神经网络模型的训练过程示意图；
图3为本申请实施例的GRU模型的计算过程示意图；
图4是本申请实施例的GRU模型的内部计算流程图；
图5为本申请实施例的自动驾驶车速控制系统结构示意图；
图6为本申请实施例的终端结构示意图；
图7为本申请实施例的存储介质的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
针对现有技术的不足，本申请实施例的自动驾驶车速控制方法通过使用大量历史交通流数据训练神经网络，短时预测实时道路状况，根据道路状况为自动驾驶车辆推荐最优车速，从而更加节省能源，并减少甚至避免车辆拥堵。
具体地，请参阅图1，是本申请实施例的自动驾驶车速控制方法的流程图。本申请实施例的自动驾驶车速控制方法包括以下步骤：
S10：接收自动驾驶车辆发起的红绿灯车速优化请求；
S11:获取自动驾驶车辆所在道路的最近一个红绿灯路口在前n个时刻中每一个时刻的车流量，将获取的车流量输入到训练好的神经网络模型中，通过神经网络模型输出该红绿灯路口在当前时刻的车流量预测结果；
S12：判断当前时刻的车流量预测结果是否小于设定阈值，如果小于设定阈值，执行S13；否则，执行S14；
本步骤中，如果车流量预测结果小于设定阈值，判定自动驾驶车辆前方无车，如果车流量预测结果大于设定阈值，判定自动驾驶车辆前方有车；针对前方有车和前方无车两种状态，本申请实施例采用不同的算法计算出自动驾驶车辆到达当前道路最近一个红绿灯路口的最优速度，通过该最优速度控制车辆到达路口时该路口为绿灯通行时间。
S13：获取自动驾驶车辆所在道路的路况信息以及自动驾驶车辆到达该道路上最近一个红绿灯路口的距离(单位以“米”记)，并根据获取的路况信息以及距离计算不同交通灯状态下自动驾驶车辆通行红绿灯路口的最优速度，并执行S15；
本步骤中，获取的路况信息包括：自动驾驶车辆所在道路的道路限速、红绿灯路口当前的交通灯状态以及交通灯时长；交通灯状态分为红灯、黄灯、绿灯三种状态，获取的交通灯时长包括红灯时长、黄灯时长以及绿灯时长。红灯、黄灯、绿灯三种状态下自动驾驶车辆通行红绿灯路口的最优速度计算方式分别为：
①如果当前的交通灯状态是红灯状态，且当前的交通灯读数为t，最优速度V(单位为千米每小时)的计算公式为：
Figure BDA0003189932370000111
其中，m表示自动驾驶车辆到达当前道路的最近一个红绿灯路口的距离，TY、TG分别代表黄灯时长和绿灯时长，3.6为Km/h和m/s的互换。
如果
Figure BDA0003189932370000112
表示此时车辆离红绿灯路口还较远，需要再行驶一段时间，则最优速度应该为V限，V限表示当前道路的道路限速。
②如果当前的交通灯状态是绿灯状态，且当前的交通灯读数为t，则需要比较自动驾驶车辆当前的速度
Figure BDA0003189932370000113
和V限的大小关系：
如果
Figure BDA0003189932370000114
则最优速度为：
Figure BDA0003189932370000115
如果
Figure BDA0003189932370000116
则最优速度为：
Figure BDA0003189932370000117
其中，TR代表红灯时长。
同理，如果
Figure BDA0003189932370000118
(表示远远大于道路限速)，表示此时车辆离红绿灯还较远，需要再行驶一段时间，则最优速度为V限。
③如果当前的交通灯状态是黄灯状态，则以下一种状态的满时间读数进行对应状态的最优速度计算。
S14：获取自动驾驶车辆所在道路的路况信息、自动驾驶车辆到达该道路上最近一个红绿灯路口的距离、该红绿灯路口在当前时刻的车流量预测结果以及该红绿灯路口的绿灯通行能力，并根据获取的路况信息、距离、车流量预测结果以及绿灯通行能力计算不同交通灯状态下自动驾驶车辆通行红绿灯路口的最优速度；
本步骤中，针对红灯、黄灯、绿灯三种状态下自动驾驶车辆通行红绿灯路口的最优速度计算方式分别为：
①如果当前的交通灯状态为绿灯状态，且交通灯读数为t，假设绿灯通行力为a辆车/秒(通常a为1)，设当前时刻的车流量预测结果为f辆/秒，则：
若f≤a，表示绿灯通行能力足够，则积累车辆通行完后的剩余时间为：
Figure BDA0003189932370000121
此时最优速度为：
Figure BDA0003189932370000122
若a≤f≤2a，表示绿灯通行能力欠佳，需要等待到下一个绿灯通行，此时最优速度为：
Figure BDA0003189932370000123
若f≥2a，表示可能路口拥堵，此时最优速度为：
Figure BDA0003189932370000124
②如果当前的交通灯状态为红灯状态，且交通灯读数为t，则：
若f≤a，表示绿灯通行能力足够，此时最优速度为：
Figure BDA0003189932370000125
若a≤f≤2a，表示绿灯通行能力欠佳，需要等待到下一个绿灯通行，此时最优速度为：
Figure BDA0003189932370000126
若f≥2a，表示可能路口拥堵，此时最优速度为：
Figure BDA0003189932370000131
③如果当前的交通灯状态是黄灯状态，则以下一种状态的满时间读数进行对应状态的最优速度计算。
S15：根据最优速度计算结果控制自动驾驶车辆行驶通过所在道路的最近一个红绿灯路口。
基于上述，本申请实施例的自动驾驶车速控制方法通过使用大量数据训练出可以实时预测红绿灯路口车流量的神经网络模型，并结合车流量预测结果以及红绿灯路口的实时路况信息计算出自动驾驶车辆通过红绿灯路口的最优速度，通过该最优速度控制自动驾驶车辆在合理时间内通过红绿灯路口而不用等待红灯，从而为自动驾驶提供更节省能源的车速，对调度控制自动驾驶车辆、合理优化道路资源具有重大意义。
请参阅图2，是本申请实施例的神经网络模型的训练过程示意图。本申请实施例的神经网络模型训练过程包括以下步骤：
S20：收集红绿灯路口的历史交通流数据集，并按设定比例将数据集划分为训练集和测试集；
本步骤中，收集的历史交通流数据包括：随机抽取一年中的30天，按照设定的间隔时间(本申请实施例设定该时间为10分钟，具体可根据实际应用进行设定)间隔收集每天通过每个红绿灯路口的平均车流量数据集F、每条道路的红灯每秒平均通行车辆数M、绿灯每秒平均通行车辆数N以及每个路口交通灯的红灯黄灯绿灯时长TR，TY，TG。平均车流量数据集F中包括每一条车流数据W对应的气温Wtp、湿度Whm以及节假日标签L，将节假日放假前一天和假期结束当天的车流数据标记为1，否则标记为0。
本申请实施例随机取数据集中的80％作为训练集，20％为测试集，具体划分比例可根据实际操作进行设定。
S21：对历史交通流数据集进行预处理，生成数据集的序列数据；
本步骤中，预处理具体包括：首先使用相邻数据对数据集中的缺失值进行填补，然后将数据集设置为浮点类型，再取数据集中最大项和最小项的差值为分母，对数据集进行归一化处理，获取数据集的序列数据。由于本申请是使用前n个时刻的车流量预测当前时刻的车流量，因此需要将序列数据划分为输入集dataX和输出集dataY，即取序列数据中前n个数据作为输入集dataX，其他数据作为预测数据放入输出集dataY中。设输入集dataX中每一个数组中的车流数据如表1所示：
表1：车流数据表
Figure BDA0003189932370000141
S22：将序列数据输入神经网络模型进行训练，得到训练好的神经网络模型；
本申请实施例中，神经网络模型为LSTM(Long Short-Term Memory，长短时记忆网络)的GRU(gated recurrent unit，门控循环单元)模型。具体如图3和图4所示，图3为本申请实施例的GRU模型的计算过程示意图，图4是本申请实施例的GRU模型的内部计算流程图；GRU模型的计算过程具体如下：
S22.1：定义一个α算子，α算子由线性层组成，根据气温Wtp、湿度Whm以及节假日标签L对车流数据进行处理输出，即：
Figure BDA0003189932370000151
S22.2：将训练集数据输入到GRU模型当中进行训练，以一轮计算为例，具体计算步骤如下：
rd＝σ(vr·[hd-1,Wd]) (13)
zd＝σ(vz·[hd-1,Wd]) (14)
Figure BDA0003189932370000152
Figure BDA0003189932370000153
Od＝σ(Wo·hd) (17)
上式中，
Figure BDA0003189932370000154
是需要训练的模型参数，Wd为当前时刻的输入，rd表示复位门，zd为更新门，hd-1为上一时刻的隐藏状态，σ为sigmoid激活函数，tanh为三角正切函数；[]表示向量相连，*表示矩阵乘法，Od为预测输出。
S22.3：使用MSEloss(均方误差损失)为损失函数：
Figure BDA0003189932370000155
Figure BDA0003189932370000156
累计损失函数为：
Figure BDA0003189932370000157
上式中，reald为真实值。
S22.4：使用时间反向传播算法学习GRU模型，各层权重参数组成向量I∈Rm,先计算梯度，对权向量求导：
Figure BDA0003189932370000158
因为参数每一时刻共享，因此当前时刻的梯度依赖于之前所有时刻的累计梯度，考虑到累计正负问题，本申请实施例使用累计平方梯度将权向量各分量导数相加：
Figure BDA0003189932370000161
S22.5：对权向量参数进行更新，更新方程为：
Ij＝Ij-1-αΔloss (21)
上式中，α为学习率，本申请实施例α取值为0.002。
基于上述，本申请实施例通过在神经网络中定义一个更能捕获现实情形的α算子，从而在预测中考虑了更多的现实环境因素，可以提高预测效率，并使得预测结果更为准确。
请参阅图5，为本申请实施例的自动驾驶车速控制系统结构示意图。本申请实施例的自动驾驶车速控制系统40包括：
请求接收模块41：用于接收自动驾驶车辆发起的红绿灯车速优化请求；
车流量预测模块42：用于获取自动驾驶车辆所在道路的最近一个红绿灯路口在前n个时刻中每一个时刻的车流量，将所获取的车流量输入训练好的神经网络模型中，通过神经网络模型输出最近一个红绿灯路口在当前时刻的车流量预测结果；
车速计算模块43：用于获取自动驾驶车辆所在道路的路况信息以及自动驾驶车辆到达该道路上最近一个红绿灯路口的距离，并根据所获取的路况信息、距离以及车流量预测结果计算自动驾驶车辆通行最近一个红绿灯路口的最优速度，根据最优速度控制自动驾驶车辆通行最近一个红绿灯路口。
请参阅图6，为本申请实施例的终端结构示意图。该终端50包括处理器51、与处理器51耦接的存储器52。
存储器52存储有用于实现上述自动驾驶车速控制方法的程序指令。
处理器51用于执行存储器52存储的程序指令以控制自动驾驶车速控制。
其中，处理器51还可以称为CPU(Central Processing Unit，中央处理单元)。处理器51可能是一种集成电路芯片，具有信号的处理能力。处理器51还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
请参阅图7，为本申请实施例的存储介质的结构示意图。本申请实施例的存储介质存储有能够实现上述所有方法的程序文件61，其中，该程序文件61可以以软件产品的形式存储在上述存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本申请中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本申请所示的这些实施例，而是要符合与本申请所公开的原理和新颖特点相一致的最宽的范围。

Claims (11)

1.一种自动驾驶车速控制方法，其特征在于，包括：
接收自动驾驶车辆发起的红绿灯车速优化请求；
获取所述自动驾驶车辆所在道路的最近一个红绿灯路口在前n个时刻中每一个时刻的车流量，将所获取的车流量输入训练好的神经网络模型中，通过所述神经网络模型输出所述最近一个红绿灯路口在当前时刻的车流量预测结果；
获取所述自动驾驶车辆所在道路的路况信息以及自动驾驶车辆到达该道路上最近一个红绿灯路口的距离，并根据所获取的路况信息、距离以及所述车流量预测结果计算所述自动驾驶车辆通行所述最近一个红绿灯路口的最优速度，根据所述最优速度控制所述自动驾驶车辆通行所述最近一个红绿灯路口。
2.根据权利要求1所述的自动驾驶车速控制方法，其特征在于，所述神经网络模型的训练过程包括：
收集红绿灯路口的历史交通流数据集，所述历史交通流数据集中包括每天通过每个红绿灯路口的平均车流量数据集、每条道路的红灯每秒平均通行车辆数、绿灯每秒平均通行车辆数以及每个红绿灯路口的交通灯时长；所述平均车流量数据集中包括每一条车流数据对应的气温、湿度以及节假日标签；
对所述历史交通流数据集进行预处理，生成所述历史交通流数据集的序列数据；
将所述序列数据输入神经网络模型进行训练，得到训练好的神经网络模型。
3.根据权利要求2所述的自动驾驶车速控制方法，其特征在于，所述对历史交通流数据集进行预处理具体为：
使用相邻数据对所述历史交通流数据集中的缺失值进行填补，并将所述历史交通流数据集设置为浮点类型，再取所述历史交通流数据集中最大项和最小项的差值为分母，对所述历史交通流数据集进行归一化处理，获取所述历史交通流数据集的序列数据。
4.根据权利要求3所述的自动驾驶车速控制方法，其特征在于，所述神经网络模型为门控循环单元模型，所述门控循环单元模型的计算过程具体为：
定义一个α算子，α算子由线性层组成，根据气温Wtp、湿度Whm以及节假日标签L对所述车流数据进行处理输出：
Figure FDA0003189932360000021
将所述序列数据输入到GRU模型中进行训练：
rd＝σ(υr·[hd-1，Wd])
Zd＝σ(υz·[hd-1，Wd])
Figure FDA0003189932360000022
Figure FDA0003189932360000023
Od＝σ(Wo·hd)
其中，
Figure FDA0003189932360000024
是需要训练的模型参数，Wd为当前时刻的输入，rd表示复位门，zd为更新门，hd-1为上一时刻的隐藏状态，σ为sigmoid激活函数，tanh为三角正切函数；[]表示向量相连，*表示矩阵乘法，Od为预测输出；
使用均方误差损失为损失函数：
Figure FDA0003189932360000025
累计损失函数为：
Figure FDA0003189932360000031
其中，reald为真实值；
使用时间反向传播算法学习GRU模型，各层权重参数组成向量I∈Rm，计算梯度，对权向量求导：
Figure FDA0003189932360000032
使用累计平方梯度将权向量各分量导数相加：
Figure FDA0003189932360000033
对权向量参数进行更新：Ij＝Ij-1-αΔloss。
5.根据权利要求1至4任一项所述的自动驾驶车速控制方法，其特征在于，所述获取所述自动驾驶车辆所在道路的路况信息以及自动驾驶车辆到达该道路上最近一个红绿灯路口的距离，并根据所获取的路况信息、距离以及所述车流量预测结果计算所述自动驾驶车辆通行所述最近一个红绿灯路口的最优速度包括：
如果所述当前时刻的车流量预测结果小于设定阈值，则判定所述自动驾驶车辆前方无车，并获取所述自动驾驶车辆所在道路的道路限速、所述最近一个红绿灯路口当前的交通灯状态以及交通灯时长；所述交通灯状态包括红灯、黄灯、绿灯状态，所述交通灯时长包括红灯时长、黄灯时长以及绿灯时长：
根据所述道路限速、交通灯时长以及自动驾驶车辆到达该道路上最近一个红绿灯路口的距离分别计算红灯、黄灯、绿灯状态下所述自动驾驶车辆通行所述最近一个红绿灯路口的最优速度。
6.根据权利要求5所述的自动驾驶车速控制方法，其特征在于，所述红灯、黄灯、绿灯状态下所述自动驾驶车辆通行所述最近一个红绿灯路口的最优速度计算方式具体为：
如果当前的交通灯状态是红灯状态，且当前的交通灯读数为t，所述最优速度V为：
Figure FDA0003189932360000041
其中，m表示所述自动驾驶车辆到达当前道路的最近一个红绿灯路口的距离，TY、TG分别代表黄灯时长和绿灯时长，3.6为Km/h和m/s的互换；
如果
Figure FDA0003189932360000042
则最优速度为V限，V限表示所述自动驾驶车辆所在道路的道路限速；
如果当前的交通灯状态是绿灯状态，且当前的交通灯读数为t，则比较所述自动驾驶车辆当前的速度
Figure FDA0003189932360000047
和V限的大小关系：
如果
Figure FDA0003189932360000043
则所述最优速度为：
Figure FDA0003189932360000044
如果
Figure FDA0003189932360000045
则所述最优速度为：
Figure FDA0003189932360000046
其中，TR代表红灯时长；
如果当前的交通灯状态是黄灯状态，则以下一种状态的满时间读数进行下一状态的最优速度计算。
7.根据权利要求6所述的自动驾驶车速控制方法，其特征在于，所述获取所述自动驾驶车辆所在道路的路况信息以及自动驾驶车辆到达该道路上最近一个红绿灯路口的距离，并根据所获取的路况信息、距离以及所述车流量预测结果计算所述自动驾驶车辆通行所述最近一个红绿灯路口的最优速度包括：
如果所述当前时刻的车流量预测结果大于或等于设定阈值，则判定所述自动驾驶车辆前方有车，并获取所述自动驾驶车辆所在道路的道路限速、所述最近一个红绿灯路口当前的交通灯状态、交通灯时长以及所述红绿灯路口的绿灯通行能力；
根据所述道路限速、交通灯时长、绿灯通行能力、车流量预测结果以及自动驾驶车辆到达所述最近一个红绿灯路口的距离分别计算红灯、黄灯、绿灯状态下所述自动驾驶车辆通行所述最近一个红绿灯路口的最优速度。
8.根据权利要求7所述的自动驾驶车速控制方法，其特征在于，所述红灯、黄灯、绿灯状态下所述自动驾驶车辆通行所述最近一个红绿灯路口的最优速度计算方式具体为：
如果当前的交通灯状态为绿灯状态，且交通灯读数为t，假设绿灯通行力为a辆车/秒，假设当前时刻的车流量预测结果为f辆/秒，则：
若f≤a，表示绿灯通行能力足够，则积累车辆通行完后的剩余时间为：
Figure FDA0003189932360000051
所述最优速度为：
Figure FDA0003189932360000061
若a≤f≤2a，表示绿灯通行能力欠佳，所述最优速度为：
Figure FDA0003189932360000062
若f≥2a，表示路口拥堵，所述最优速度为：
Figure FDA0003189932360000063
如果当前的交通灯状态为红灯状态，且交通灯读数为t，则：
若f≤a，表示绿灯通行能力足够，所述最优速度为：
Figure FDA0003189932360000064
若a≤f≤2a，表示绿灯通行能力欠佳，所述最优速度为：
Figure FDA0003189932360000065
若f≥2a，表示路口拥堵，所述最优速度为：
Figure FDA0003189932360000066
9.一种自动驾驶车速控制系统，其特征在于，包括：
请求接收模块：用于接收自动驾驶车辆发起的红绿灯车速优化请求；
车流量预测模块：用于获取所述自动驾驶车辆所在道路的最近一个红绿灯路口在前n个时刻中每一个时刻的车流量，将所获取的车流量输入训练好的神经网络模型中，通过所述神经网络模型输出所述最近一个红绿灯路口在当前时刻的车流量预测结果；
车速计算模块：用于获取所述自动驾驶车辆所在道路的路况信息以及自动驾驶车辆到达该道路上最近一个红绿灯路口的距离，并根据所获取的路况信息、距离以及所述车流量预测结果计算所述自动驾驶车辆通行所述最近一个红绿灯路口的最优速度，根据所述最优速度控制所述自动驾驶车辆通行所述最近一个红绿灯路口。
10.一种终端，其特征在于，所述终端包括处理器、与所述处理器耦接的存储器，其中，
所述存储器存储有用于实现权利要求1-8任一项所述的自动驾驶车速控制方法的程序指令；
所述处理器用于执行所述存储器存储的所述程序指令以控制自动驾驶车速控制。
11.一种存储介质，其特征在于，存储有处理器可运行的程序指令，所述程序指令用于执行权利要求1至8任一项所述自动驾驶车速控制方法。
CN202110874675.9A 2021-07-30 2021-07-30 一种自动驾驶车速控制方法、系统、终端以及存储介质 Active CN113689721B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110874675.9A CN113689721B (zh) 2021-07-30 2021-07-30 一种自动驾驶车速控制方法、系统、终端以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110874675.9A CN113689721B (zh) 2021-07-30 2021-07-30 一种自动驾驶车速控制方法、系统、终端以及存储介质

Publications (2)

Publication Number Publication Date
CN113689721A true CN113689721A (zh) 2021-11-23
CN113689721B CN113689721B (zh) 2022-09-20

Family

ID=78578478

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110874675.9A Active CN113689721B (zh) 2021-07-30 2021-07-30 一种自动驾驶车速控制方法、系统、终端以及存储介质

Country Status (1)

Country Link
CN (1) CN113689721B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114179946A (zh) * 2022-01-12 2022-03-15 金华市路骑电动科技有限公司 一种电动车数据链路的智能化监测方法及系统
CN114333311A (zh) * 2021-12-28 2022-04-12 南京民基悠步信息技术有限公司 一种基于物联网的综合运维管理系统

Citations (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140028801A (ko) * 2012-08-30 2014-03-10 경희대학교 산학협력단 Ｉｔｓ 데이터를 활용한 도심 구간의 정체도 예측 방법
CN103914985A (zh) * 2014-04-25 2014-07-09 大连理工大学 一种混合动力客车未来车速轨迹预测方法
CN104821080A (zh) * 2015-03-02 2015-08-05 北京理工大学 基于宏观城市交通流的智能车辆行驶速度及时间预测方法
CN105551276A (zh) * 2016-02-22 2016-05-04 爱易成技术(天津)有限公司 路面交通车速诱导方法
CN108364491A (zh) * 2018-01-17 2018-08-03 佛山杰致信息科技有限公司 基于车流量预测的驾驶员信息提醒方法
CN108520633A (zh) * 2018-03-02 2018-09-11 江苏大学 一种缓解交通拥堵的车速引导方法
CN109272157A (zh) * 2018-09-12 2019-01-25 中交信息技术国家工程实验室有限公司 一种基于门控神经网络的高速公路交通流参数预测方法及系统
CN109448408A (zh) * 2018-11-14 2019-03-08 江苏大学 一种红绿灯处车辆行驶状态优化方法
CN109492814A (zh) * 2018-11-15 2019-03-19 中国科学院深圳先进技术研究院 一种城市交通流量预测方法、系统及电子设备
CN109671281A (zh) * 2017-10-16 2019-04-23 南京唯实科技有限公司 一种基于大数据的十字路口红绿灯时间动态调整方法
JP2019148905A (ja) * 2018-02-26 2019-09-05 沖電気工業株式会社 情報処理装置、情報処理方法およびプログラム
CN110415517A (zh) * 2019-07-15 2019-11-05 中国地质大学（北京） 一种基于车辆行驶轨迹的道路拥堵精准预警系统及方法
CN110827543A (zh) * 2019-11-11 2020-02-21 重庆邮电大学 一种基于深度学习和时空数据融合的短时交通流控制方法
CN110930696A (zh) * 2019-11-07 2020-03-27 重庆特斯联智慧科技股份有限公司 一种基于ai导航的智慧城市交通管理运行方法及其系统
CN111179586A (zh) * 2019-10-24 2020-05-19 广州市高科通信技术股份有限公司 一种基于大数据分析的交通诱导方法、设备及存储介质
CN111301426A (zh) * 2020-03-13 2020-06-19 南通大学 基于gru网络模型预测未来行驶过程能耗的方法
CN111383481A (zh) * 2020-03-03 2020-07-07 东南大学 城市拥堵路口智能网联汽车绿色通行车速优化方法
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
CN112071104A (zh) * 2020-09-18 2020-12-11 清华大学 一种考虑驾驶风格的多信号灯路口车辆通行辅助优化方法
CN112330215A (zh) * 2020-11-26 2021-02-05 长沙理工大学 一种城市用车需求量预测方法、设备及存储介质
CN112419710A (zh) * 2020-10-22 2021-02-26 深圳云天励飞技术股份有限公司 交通拥堵数据预测方法、装置、计算机设备及存储介质
WO2021058100A1 (en) * 2019-09-25 2021-04-01 Huawei Technologies Co., Ltd. Multisensory learning system for traffic prediction
CN112669594A (zh) * 2020-12-11 2021-04-16 国汽(北京)智能网联汽车研究院有限公司 交通路况预测的方法、装置、设备及存储介质
CN113012433A (zh) * 2021-03-18 2021-06-22 中国北方车辆研究所 车载联网节能辅助驾驶控制方法与系统
EP3839917A1 (en) * 2019-12-18 2021-06-23 Telefónica Iot & Big Data Tech, S.A. Method, system and computer programs for traffic estimation using passive network data
CN113112791A (zh) * 2021-03-26 2021-07-13 华南理工大学 一种基于滑动窗口长短时记忆网络的交通流量预测方法

Patent Citations (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140028801A (ko) * 2012-08-30 2014-03-10 경희대학교 산학협력단 Ｉｔｓ 데이터를 활용한 도심 구간의 정체도 예측 방법
CN103914985A (zh) * 2014-04-25 2014-07-09 大连理工大学 一种混合动力客车未来车速轨迹预测方法
CN104821080A (zh) * 2015-03-02 2015-08-05 北京理工大学 基于宏观城市交通流的智能车辆行驶速度及时间预测方法
CN105551276A (zh) * 2016-02-22 2016-05-04 爱易成技术(天津)有限公司 路面交通车速诱导方法
CN109671281A (zh) * 2017-10-16 2019-04-23 南京唯实科技有限公司 一种基于大数据的十字路口红绿灯时间动态调整方法
CN108364491A (zh) * 2018-01-17 2018-08-03 佛山杰致信息科技有限公司 基于车流量预测的驾驶员信息提醒方法
JP2019148905A (ja) * 2018-02-26 2019-09-05 沖電気工業株式会社 情報処理装置、情報処理方法およびプログラム
CN108520633A (zh) * 2018-03-02 2018-09-11 江苏大学 一种缓解交通拥堵的车速引导方法
CN109272157A (zh) * 2018-09-12 2019-01-25 中交信息技术国家工程实验室有限公司 一种基于门控神经网络的高速公路交通流参数预测方法及系统
CN109448408A (zh) * 2018-11-14 2019-03-08 江苏大学 一种红绿灯处车辆行驶状态优化方法
CN109492814A (zh) * 2018-11-15 2019-03-19 中国科学院深圳先进技术研究院 一种城市交通流量预测方法、系统及电子设备
CN110415517A (zh) * 2019-07-15 2019-11-05 中国地质大学（北京） 一种基于车辆行驶轨迹的道路拥堵精准预警系统及方法
WO2021058100A1 (en) * 2019-09-25 2021-04-01 Huawei Technologies Co., Ltd. Multisensory learning system for traffic prediction
CN111179586A (zh) * 2019-10-24 2020-05-19 广州市高科通信技术股份有限公司 一种基于大数据分析的交通诱导方法、设备及存储介质
CN110930696A (zh) * 2019-11-07 2020-03-27 重庆特斯联智慧科技股份有限公司 一种基于ai导航的智慧城市交通管理运行方法及其系统
CN110827543A (zh) * 2019-11-11 2020-02-21 重庆邮电大学 一种基于深度学习和时空数据融合的短时交通流控制方法
EP3839917A1 (en) * 2019-12-18 2021-06-23 Telefónica Iot & Big Data Tech, S.A. Method, system and computer programs for traffic estimation using passive network data
CN111383481A (zh) * 2020-03-03 2020-07-07 东南大学 城市拥堵路口智能网联汽车绿色通行车速优化方法
CN111301426A (zh) * 2020-03-13 2020-06-19 南通大学 基于gru网络模型预测未来行驶过程能耗的方法
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
CN112071104A (zh) * 2020-09-18 2020-12-11 清华大学 一种考虑驾驶风格的多信号灯路口车辆通行辅助优化方法
CN112419710A (zh) * 2020-10-22 2021-02-26 深圳云天励飞技术股份有限公司 交通拥堵数据预测方法、装置、计算机设备及存储介质
CN112330215A (zh) * 2020-11-26 2021-02-05 长沙理工大学 一种城市用车需求量预测方法、设备及存储介质
CN112669594A (zh) * 2020-12-11 2021-04-16 国汽(北京)智能网联汽车研究院有限公司 交通路况预测的方法、装置、设备及存储介质
CN113012433A (zh) * 2021-03-18 2021-06-22 中国北方车辆研究所 车载联网节能辅助驾驶控制方法与系统
CN113112791A (zh) * 2021-03-26 2021-07-13 华南理工大学 一种基于滑动窗口长短时记忆网络的交通流量预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
KELANG TIAN, JINGJIE GUO1, KEJIANG YE, CHENG-ZHONG XU: "ST-MGAT: Spatial-Temporal Multi-Head Graph Attention Networks for Traffic Forecasting", 《2020 IEEE 32ND INTERNATIONAL CONFERENCE ON TOOLS WITH ARTIFICIAL INTELLIGENCE (ICTA》 *
林倩: "基于短时交通速度预测的网约车行驶路线优化研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 *
熊若曦: "基于车路协同的车辆诱导策略对路网交通流的影响研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 *
王志建，张炜健，刘士: "基于EMD－GRU循环神经网络的转向交通流量组合预测", 《工业控制计算机》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114333311A (zh) * 2021-12-28 2022-04-12 南京民基悠步信息技术有限公司 一种基于物联网的综合运维管理系统
CN114179946A (zh) * 2022-01-12 2022-03-15 金华市路骑电动科技有限公司 一种电动车数据链路的智能化监测方法及系统

Also Published As

Publication number Publication date
CN113689721B (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
CN113689721B (zh) 一种自动驾驶车速控制方法、系统、终端以及存储介质
WO2022077693A1 (zh) 负荷预测模型的训练方法及训练装置、存储介质、设备
CN111739284B (zh) 基于遗传算法优化模糊控制的交通信号灯智能配时方法
CN103325259B (zh) 一种基于多核并行的违章停车检测方法
CN102999756B (zh) 基于gpu实现pso-svm对道路标志的识别方法
CN111680377B (zh) 一种交通态势仿真方法、系统和电子设备
CN109920248B (zh) 一种基于gru神经网络的公交到站时间预测方法
CN115830848A (zh) 一种基于lstm模型的共享停车位智能分配系统及方法
CN113657651A (zh) 基于深度迁移学习的柴油车排放预测方法、介质及设备
CN115311860A (zh) 一种交通流量预测模型的在线联邦学习方法
CN116453343A (zh) 智能网联环境下基于流量预测的智能交通信号控制优化算法、软件与系统
CN113838303B (zh) 停车场推荐方法、装置、电子设备及存储介质
CN116521374A (zh) 一种数据处理方法、设备、车辆及计算机程序产品
CN114004143B (zh) 一种轮胎寿命的预测方法、装置、终端设备及存储介质
WO2023004775A1 (zh) 一种自动驾驶车速控制方法、系统、终端以及存储介质
CN115691165A (zh) 一种交通信号灯调度方法、装置、设备及可读存储介质
Xu et al. Deep learning short-term traffic flow prediction based on lane changing behavior recognition
CN114566048A (zh) 一种基于多视角自适应时空图网络的交通控制方法
CN114418606A (zh) 基于时空卷积网络的网约车订单需求预测方法
Zhang et al. The intelligent engine start-stop trigger system based on the actual road running status
CN117198071B (zh) 一种交通信号相位自适应调整方法、系统、设备
Mao et al. Deep learning based vehicle position estimation for human drive vehicle at connected freeway
Bai et al. Research on prediction of urban road congestion based on spark-gbdt
CN117217499B (zh) 一种基于多源数据驱动的校园电动滑板车调度优化方法
CN116246227A (zh) 非机动车违规驾驶行为检测方法、装置和嵌入式设备

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