CN113903171B - 一种基于高速路网时空特性的车辆群智感知节点优化方法 - Google Patents
一种基于高速路网时空特性的车辆群智感知节点优化方法 Download PDFInfo
- Publication number
- CN113903171B CN113903171B CN202111133075.3A CN202111133075A CN113903171B CN 113903171 B CN113903171 B CN 113903171B CN 202111133075 A CN202111133075 A CN 202111133075A CN 113903171 B CN113903171 B CN 113903171B
- Authority
- CN
- China
- Prior art keywords
- time
- road
- vehicle
- accessibility
- network
- 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Abstract
本发明属于群智感知和智能交通技术领域,具体涉及一种基于高速路网时空特性的车辆群智感知节点优化方法,包括,S1通过基站向高速路网上的车辆发布感知任务,并接收车辆的状态信息;S2根据读取的所述高速路网的信息、车辆节点的状态信息并结合时间信息计算车辆节点的时空可达性;S3用上一个时间间隔同一时刻的交通运行状态的历史数据估计交通流时间序列未来某一时刻的交通运行状态的概率分布,根据交通流的周期性规律,预测下一时间间隔的时空可达性;S4基于时空可达性,寻找能完成感知任务且最大化路网的时空可达性的感知节点集合。通过上述方法能够最大化路网时空可达性的车辆节点准确高效的完成感知任务。
Description
技术领域
本发明属于群智感知和智能交通技术领域,具体涉及一种基于高速路网时空特性的车辆群智感知节点优化方法。
背景技术
移动群智感知是一种随着移动计算和云计算的发展而新生的一种数据采集方式。粗略来说,群智感知是指通过一组携带智能移动设备的用户进行协作,收集和上传数据,执行大规模的感知任务。随着智能驾驶和通信技术的发展,车辆上安装了更多的传感器和通信模块,使车辆群智感知成为智能交通系统中新的感知手段。车辆能够利用其嵌入的智能设备,经过相互协同合作共同完成单个用户或传统固定交通采集设施无法胜任的复杂感知任务,如道路拥堵情况、城市天气状况感知、交通异常分析、停车位检测等。
多方研究表明,在群智感知系统中,感知节点的选取对感知任务的完成率与感知结果的准确性有着很大的影响。对于高速路网环境下的车辆感知节点选择,与普通群智感知系统相比,具有明显的差异。首先,车辆作为基本的感知节点,其移动性和所携带的传感器数量远远超过普通的移动设备。其次,高速公路基本道路的交通流是非间断交通流,各个道路不是孤立的,而是相互关联的。此外,交通流是一个连续变化的随机过程,它的连续性和周期性表明它在时间维度上是不断演变的,高速道路上下游间交通状态相互影响,即整个路网是一个相互关联、相互作用的系统。如何权衡动态变化的路网环境与节点特征,选择合适的车辆节点执行感知任务,成为一个关键的问题。
在现有技术中,有的方案是选择节点使覆盖范围尽可能大,有的方案是通过分析车辆历史轨迹选择最小节点数,达到覆盖与能耗的平衡。这些方法只关注参与者自身的属性,而没有全面考虑路网的实际状态。还有一些方案通过优先感知路网中的关键道路来提高感知质量。但此类方法只考虑了路网的空间特征,即路网的拓扑结构,仅适用于交通流稳定且不随时间变化的情况。对于实际情况中交通流不断变化的高速路网,这类感知节点选择方案并不适用。因此,提出一种综合考虑路网时空特征的感知节点优化方法是有必要的。
发明内容
本专利正是基于现有技术的上述需求而提出的,本专利要解决的技术问题是提供一种基于高速路网时空特性的车辆群智感知节点优化方法以提高感知效率和感知数据的精度。
为了解决上述问题,本专利提供的技术方案包括:
提供了一种基于高速路网时空特性的车辆群智感知节点优化方法,包括:S1通过基站向高速路网上的车辆发布感知任务,并接收同意参与所述感知任务的车辆的状态信息;S2根据读取的所述高速路网的信息,接收的车辆节点的状态信息并结合时间信息计算车辆节点的时空可达性;所述S2包括,S201读取所述高速路网信息,提取所述高速路网中的道路ID,道路长度以及道路等级,并接受所述车辆节点的状态信息,所述状态信息包括位置信息;S202根据所述位置信息以及位置变换对应的时间信息,得到在给定的时间间隔内道路的动态速度;S203根据所述道路长度以及每条道路上的动态速度得到所述道路的时间权值;S204将所述时间权值作为最短路搜索时的权值,计算每个出入口到其他出入口的最短路径长度,得到道路的动态可达性的值;S205根据所述道路的动态可达性计算当前路网中的时空可达性;S3用上一个时间间隔同一时刻的交通运行状态的历史数据估计交通流时间序列未来某一时刻的交通运行状态的概率分布,根据交通流的周期性规律,预测下一时间间隔的时空可达性,并计算路网时空可达性;S4基于得到的路网时空可达性,寻找能完成感知任务且最大化路网的时空可达性的感知节点集合。
优选的,所述S4包括,S401初始化存放选中车辆节点的数组,和存放路网时空可达性的数组;S402初步选择感知节点,遍历所述感知任务,判断感知任务与车辆节点的时空状态是否有交集且满足路网资源的要求;S403计算加入该节点后的时空可达性,判断将该节点作为感知节点是否能够使当前路网的时空可达性增加;S404遍历结束后,返回存放在数组V中的选中感知节点集合。
优选的,发布的所述感知任务表示为:S={sj|j=1,2,...,m},m为所述感知任务的个数,每个任务sj∈S有时间范围特征和空间范围特征Lj={l1,l2,...,la},其中代表感知任务sj的开始时间,代表感知任务sj的结束时间,la代表该任务需要感知的第a个道路;结合所述感知任务的时间特征和空间特征,其时空需求的表达式为:
优选的,道路的动态速度表示为其中 是车辆xi在时间t的道路edge_e上的位置,是车辆xi在时间t-1的道路edge_e上的位置,dist()为复杂路网上位置信息的欧几里德距离,T为重新选择车辆节点的时间间隔,vedge_e为道路edge_e的动态速度,nedge_e为道路edge_e上的车辆数量。
优选的,车辆xi在时间t相对于当前路网中所有感知任务的时空可达性的表示为:其中 其中,acs(xi,sj,t)表示在位置的车辆xi相对于在位置的任务sj的可达性,车辆xi在时间t相对于当前路网中所有感知任务的时空可达性用ACS_cur(xi,t)表示,为车辆xi所处位置在时间t的动态可达性,为感知任务5j所处位置在时间t的动态可达性,X为车辆节点集合,表示位于网格gk、连接道路la和la,的出入口,路网中所有出入口集合为I。
优选的,所述交通流的时间序列的表达式为:
Fr=(fr(T),fr(2T),...,fr(cT))J,r=1,2,...,其中,Fr为第r个周期的交通流时间序列,每个交通流时间序列中包含c个时间间隔T的交通流,fr()为一个时间段的交通流,J为交通流时间序列的周期长度。
优选的,用上一个时间间隔同一时刻的交通运行状态的历史数据估计交通流时间序列未来某一时刻的交通运行状态的概率分布,表示为fr(t)|J=fr(t)|J-1。
优选的,根据当前时刻的交通流量对下一个时间间隔的时空可达性进行性预测,得到
优选的,使用变异系数表示预测时空可达性的接收程度,所述变异系数越小,所述预测时空可达性的指导性越强,所述变异系数表示为:其中ACS_futr为第T个交通流时间序列的预测时空可达性,为在当前时刻之前已经经历的交通流序列周期的时空可达性的平均值。
与现有技术相比,本发明能够最大化路网时空可达性的车辆节点准确高效的完成感知任务。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书实施例中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本专利一种基于高速路网时空特性的车辆群智感知节点优化方法的步骤流程图;
图2为本专利一种基于高速路网时空特性的车辆群智感知节点优化方法的S2的步骤流程图;
图3为本专利种基于高速路网时空特性的车辆群智感知节点优化方法的S4的步骤流程图;
图4为本专利路网交通流周期性示意图;
图5为本专利方法的逻辑流程示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
为便于对本申请实施例的理解,下面将结合附图以具体实施例做进一步的解释说明,实施例并不构成对本申请实施例的限定。
实施例1
本实施例提供了一种基于高速路网时空特性的车辆群智感知节点优化方法,参照图1~5。
S1云中心通过基站向高速路网上的车辆发布感知任务,并接收同意参与所述感知任务的车辆的状态信息。
设云中心发布了m个感知任务S={sj|j=1,2,...,m},每个任务sj∈S有时间范围特征和空间范围特征Lj={l1,l2,...,la},其中代表感知任务sj的开始时间,代表感知任务sj的结束时间,la代表该任务需要感知的第a个道路。
结合感知任务的时间范围和空间范围,所述感知任务的时空需求的表达式为:所述感知任务的时空需求表示在什么时间内需要感知哪些道路。示例性的,TL1={[13,15],{l3,l4,l5}}表示任务要求车辆在13:00和15:00之间通过l3,l4和l5三个道路。
设在高速路网上同意参与感知任务的有n个车辆,即有n个车辆节点,表示为:X={xi|i=1,2,...,n}。每个车辆节点的状态可以用 表示。其中代表车辆xi可以开始参与感知任务的开始时间,代表车辆不再参与任务的结束时间,la代表车辆参与任务时将经过的第a个道路,ei代表车辆所需的路网资源。所述网路资源包括车辆完成感知任务需要一定的报酬(比如金钱)或者资源补偿(比如油耗、流量)。
例如,TLE1={[10,13],{l1,l2},8}表示车辆1将在10:00和13:00之间经过l1和l2道路,所需资源为8单位。
S2云中心根据读取的所述高速路网的信息,接收的车辆节点的状态信息并结合时间信息计算车辆节点的时空可达性。
高速路网上的车辆位置会随着时间的推移而发生变化,即整个路网状态的时空特性的改变。
高速路网的时空特性包括时间特性和空间特性,所述时间特性主要由交通流的动态变化所表征,这也是造成路网状态变化的主要原因;所述空间特性主要反映在道路的拓扑结构,它在短时间内不会发生剧烈的变化。
基于车辆当前的时空状态,车辆节点可以参与一些感知任务;但随着车辆在高速路网中的移动,车辆节点的时空状态随机发生变化。
可达性被用来表示从一个地方到达另一个地方的困难程度。可达性不仅需要考虑路网的拓扑结构,还与每个时间间隔T的实时交通流状态有关。T也是选择车辆感知节点的周期。也就是说,每间隔时间T,云中心会对当前路网状态与感知任务需求重新进行评估,并重新选择适合的感知节点。
一般来说,可达性分为静态可达性和动态可达性。静态可达性是该交叉口到路网中其他交叉口的平均最短路径长度。
为了便于计算,整个高速路网被划分为大小一致的网格。因为高速公路道路的交通流是非间断交通流,车辆只能通过出入口进入或离开高速道路,因此,此处的交叉口被认为是高速公路的出入口。
计算静态可达性的核心为计算出任意两个出入口之间的最短路径长度。计算出所有出入口的静态可达性之后,就可以得到整个高速路网的静态可达性的分布情况。进一步地,在静态可达性的基础上,动态可达性可以被定义为从一个出入口到路网中其他出入口的平均最短时间。动态可达性结合了路网拓扑结构和实时交通流,因此可以准确反映路网的空间和时间特征。
在计算路网动态可达性时,可以将整个路网分解为一定数量的边(段)。动态可达性的算法核心仍然是最短路径算法,它与传统最短路径算法的不同之处在于在每条边都加入了流量时间的权值。因此,计算各边的权值和最短路径算法是时空可达性计算的核心。对于道路动态速度的估算,可以整个路网可以分解为一定数量的边(段)。通过给定的时间间隔T和每个道路,以及车辆上传的轨迹,能够得到道路上的车辆数量。可以推断,所有车辆的瞬时速度的平均值就是给定时间间隔内道路的动态速度。
由于在每一个时间段里,不是每条道路都可以计算出速度,所以对于没有实时速度数据的道路,用与该道路等级相同的实时速度平均值替代。
计算时空可达性的步骤如下:
S201读取所述高速路网信息,提取所述高速路网中的道路ID,道路长度以及道路等级,并接受所述车辆节点的状态信息,所述状态信息包括位置信息。
读取路网数据,分别提取每条道路的ID,长度和道路等级。
根据《城市道路工程设计规范》(CJJ37-2012),城市道路等级分快速路、主干路、次干路、支路四级,不同等级的道路有不同的设计车速。此处提取道路等级是为了在某些道路的动态速度缺失时,用相同道路等级道路的车速作为参考和补充。
S202根据所述位置信息以及位置变换对应的时间信息,得到在给定的时间间隔内道路的动态速度。
计算车辆速度,进而获得每条道路上的动态速度。
其中,是车辆xi在时间t的道路edge_e上的位置,是车辆xi在时间t-1的道路edge_e上的位置,dist()为复杂路网上位置信息的欧几里德距离,r为重新选择车辆节点的时间间隔,vedge_e为道路edge_e的动态速度,nedge_e为道路edge_e上的车辆数量。
若存在缺失速度,用具有相同道路等级的道路上的平均瞬时速度代替。
所述缺失速度的情况包括,若某时刻相应道路上没有车辆,就不能获取车辆位置,也就无法计算道路的动态速度。
S203根据所述道路长度以及所述每条道路上的动态速度得到所述道路的时间权值。
根据下式计算每条道路的时间权值。
其中,tij为道路edge_e的时间权值,Lengthedge_e为道路edge_e的长度。
S204将所述时间权值作为最短路搜索时的权值,计算每个出入口到其他出入口的最短路径长度,所有最短路径长度的平均值就是该出入口动态可达性的值。
最短路径的计算方法是按照NetworkX中的函数:
import network kx as nx
shortest_path_length=nx.single_source_dijkstra_path_length(Map,source=i,weight)
该函数返回从任何地点到路网Map中其他地点的最短路径长度的字典,weight为最短路径搜索中的权值。dict_Avg是查找字典平均值的函数。shortest_path_length(l,t)表示位置l在时间t的动态可达性。
S205根据所述道路的动态可达性计算当前整个路网的时空可达性。
计算车辆xi在时间t相对于当前路网中所有感知任务的时空可达性:
其中,X为车辆节点集合,acs(xi,sj,t)表示在位置lxi的车辆xi相对于在位置lsj的任务sj的可达性,车辆xi在时间t相对于当前路网中所有感知任务的时空可达性用ACS_cur(xi,t)表示,为车辆xi所处位置在时间t的动态可达性,为感知任务sj所处位置在时间t的动态可达性,表示位于网格gk、连接道路la和la,的出入口。路网中所有出入口集合为I。
S3用上一个时间间隔同一时刻的交通运行状态的历史数据估计交通流时间序列未来某一时刻的交通运行状态的概率分布,根据交通流的周期性规律,预测下一时间间隔的时空可达性,并计算路网时空可达性。
由于人们出行规律和时间变化规律,交通流时间序列具有明显的周期性。
交通流是一个随着时间不断变化的连续的随机过程。对于采集或计算得出的交通运行状态评价指标的观测值来说,其所形成的交通流时间序列可以看作是这一连续随机过程的离散化实现。
交通流的时间序列可以由下面公式表示:
Fr=(fr(T),fr(2T),...,fr(cT))J,r=1,2,...
其中,Fr为第r个周期的交通流时间序列,每个交通流时间序列中包含c个时间间隔T的交通流,fr()为一个时间段的交通流,J为交通流时间序列的周期长度,其中周期可以是一天、一周、一月等,如图4所示。
基于上述周期性变化规律,交通流时间序列未来某一时刻的交通运行状态的概率分布可以根据其在上一个周期同一时刻的交通运行状态的历史数据进行估计,如下式所示。
fr(t)|J=fr(t)|J-1
因此,根据当前时刻的交通流量对下一个时间间隔的时空可达性ACS_fut(xi,t)进行预测。
ΔACS(xi,sj,T)r=acs(xi,sj,(c+1)T)r-acs(xi,sj,cT)r
其中,r为交通流时间序列的周期序数,P表示在当前时刻之前已经经历的交通流序列周期数量,CVacs为变异系数(coefficient of variation,简称CV),ACS_futr为第r个交通流时间序列的预测时空可达性,为在当前时刻之前已经经历的交通流序列周期的时空可达性的平均值。变异系数能够反映数据的离散程度,消除数据本身的数值大小等整体性特征,便于对不同数据的离散程度进行比较。这里我们使用变异系数来表示对于以交通流周期性所预测的下一个时间间隔中的时空可达性的接受程度。变异系数越小,说明各个交通流序列周期的可达性差距越小,对于预测下一个时间间隔中的空间可达性的指导性越强。
那么t时刻对于路网中车辆xj的时空可达性为:
其中,ACS(xi,t)为总的时空可达性,通过当前时空可达性ACS_fut(xi,t)和预测的时空可达性ACS_cur(xi,t)计算得到。
S4基于得到的路网时空可达性,寻找能完成感知任务且最大化路网的时空可达性的感知节点集合。
云中心收集并发布当前感知任务的具体需求,车辆节点将轨迹上传到云中心,通过分析车辆的时空特性与感知任务的时空状态,在有限的道路网络资源约束下,云中心根据总的时空可达性ACS(xi,t),选择合适的车辆节点以实现最佳的感知结果。也就是说,基于路网的时空可达性选择车辆感知节点的算法基本思想,是在路网资源有限的情况下,寻找能完成感知任务且最大化路网时空可达性的感知节点集合。
依据路网的时空可达性在高速路网中选择感知节点的流程如下:
S401,初始化存放选中感知服务节点的数组,和存放路网时空可达性的数组。
S402,初步选择感知节点,遍历所述感知任务,判断感知任务与车辆节点的时空状态是否有交集且满足路网资源的要求。
遍历感知任务,并判断所述车辆节点与所述感知任务的时空状态是否有交集,以及所述车辆节点是否满足路网资源的要求。
若满足,则将所述车辆节点加入至存放选中感知服务节点的临时数组中。
S403,计算加入该节点后的时空可达性,判断将该节点作为感知节点是否能够使当前路网的时空可达性增加。
计算满足S402中的判断的所述车辆节点的所述高速路网的时空可达性,若所述时空可达性增加,则所述车辆节点为感知节点,能够执行对应的感知任务,并更新相应的感知服务节点的数组,将所述车辆节点加入到所述感知服务节点的数组中;若所述时空可达性没有增加,则所述感知服务节点的数组中不变。遍历下一个车辆节点。
S404:遍历结束后,返回存放在数组V中的选中感知节点集合。
示例性的,所述S4中的步骤用如下伪代码表示:
以上所述的具体实施方式,对本申请的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本申请的具体实施方式而已,并不用于限定本申请的保护范围,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (9)
1.一种基于高速路网时空特性的车辆群智感知节点优化方法,其特征在于,包括:
S1通过基站向高速路网上的车辆发布感知任务,并接收同意参与所述感知任务的车辆的状态信息;
S2根据读取的所述高速路网的信息,接收的车辆节点的状态信息并结合时间信息计算车辆节点的时空可达性;
所述S2包括,S201读取所述高速路网信息,提取所述高速路网中的道路ID,道路长度以及道路等级,并接受所述车辆节点的状态信息,所述状态信息包括位置信息;S202根据所述位置信息以及位置变换对应的时间信息,得到在给定的时间间隔内道路的动态速度;S203根据所述道路长度以及每条道路上的动态速度得到所述道路的时间权值;S204将所述时间权值作为最短路搜索时的权值,计算每个出入口到其他出入口的最短路径长度,得到道路的动态可达性的值;S205根据所述道路的动态可达性计算当前整个路网的时空可达性,包括,车辆xi在时间t相对于当前路网中所有感知任务的时空可达性的表示为:其中其中,acs(xi,sj,t)表示在位置的车辆xi相对于在位置的任务sj的可达性,车辆xi在时间t相对于当前路网中所有感知任务的时空可达性用ACS_cur(xi,t)表示,为车辆xi所处位置在时间t的动态可达性,为感知任务sj所处位置在时间t的动态可达性,X为车辆节点集合,S为感知任务,表示位于网格gl、连接道路lk和lk′的出入口,路网中所有出入口集合为I;
S3用上一个时间间隔同一时刻的交通运行状态的历史数据估计交通流时间序列未来某一时刻的交通运行状态的概率分布,根据交通流的周期性规律,预测下一时间间隔的时空可达性,并计算路网时空可达性;
S4基于得到的路网时空可达性,寻找能完成感知任务且最大化路网的时空可达性的感知节点集合。
2.根据权利要求1所述的一种基于高速路网时空特性的车辆群智感知节点优化方法,其特征在于,所述S4包括,S401初始化存放选中车辆节点的数组,和存放路网时空可达性的数组;S402初步选择感知节点,遍历所述感知任务,判断感知任务与车辆节点的时空状态是否有交集且满足路网资源的要求;S403计算加入该节点后的时空可达性,判断将该节点作为感知节点是否能够使当前路网的时空可达性增加;S404遍历结束后,返回存放在数组V中的选中感知节点集合。
5.根据权利要求1所述的一种基于高速路网时空特性的车辆群智感知节点优化方法,其特征在于,所述交通流的时间序列的表达式为:Fr=(fr(T),fr(2T),…,fr(cT))J,r=1,2,…,其中,Fr为第r个周期的交通流时间序列,每个交通流时间序列中包含c个时间间隔T的交通流,fr()为一个时间段的交通流,J为交通流时间序列的周期长度。
6.根据权利要求5所述的一种基于高速路网时空特性的车辆群智感知节点优化方法,其特征在于,用上一个时间间隔同一时刻的交通运行状态的历史数据估计交通流时间序列未来某一时刻的交通运行状态的概率分布,表示为fr(t)|J=fr(t)|J-1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111133075.3A CN113903171B (zh) | 2021-09-27 | 2021-09-27 | 一种基于高速路网时空特性的车辆群智感知节点优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111133075.3A CN113903171B (zh) | 2021-09-27 | 2021-09-27 | 一种基于高速路网时空特性的车辆群智感知节点优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113903171A CN113903171A (zh) | 2022-01-07 |
CN113903171B true CN113903171B (zh) | 2022-07-15 |
Family
ID=79029557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111133075.3A Active CN113903171B (zh) | 2021-09-27 | 2021-09-27 | 一种基于高速路网时空特性的车辆群智感知节点优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113903171B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114898559B (zh) * | 2022-05-26 | 2023-08-15 | 中国科学院深圳先进技术研究院 | 一种城市车辆移动感知能力测定方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104464320A (zh) * | 2014-12-15 | 2015-03-25 | 东南大学 | 基于真实路网特性及动态行程时间的最短路径诱导方法 |
CN105678410A (zh) * | 2015-12-31 | 2016-06-15 | 哈尔滨工业大学 | 一种考虑网络连通性时变特征的公交系统时空可达性建模方法 |
CN105702073A (zh) * | 2016-04-13 | 2016-06-22 | 徐亚国 | 一种基于路网决策点行程时间索引值的动态转向导航方法 |
US9672734B1 (en) * | 2016-04-08 | 2017-06-06 | Sivalogeswaran Ratnasingam | Traffic aware lane determination for human driver and autonomous vehicle driving system |
CN107153896A (zh) * | 2017-07-03 | 2017-09-12 | 北方工业大学 | 一种基于节点对熵的交通网路径预测方法及系统 |
US20170337813A1 (en) * | 2013-03-15 | 2017-11-23 | Donald Warren Taylor | Sustained vehicle velocity via virtual private infrastructure |
CN109615851A (zh) * | 2018-07-30 | 2019-04-12 | 北京航空航天大学 | 一种在群智感知系统中基于关键路段的感知节点选取方法 |
CN112216108A (zh) * | 2020-10-12 | 2021-01-12 | 中南大学 | 一种基于属性增强的时空图卷积模型的交通预测方法 |
CN112797995A (zh) * | 2020-12-17 | 2021-05-14 | 北京工业大学 | 具有时空特性态势信息的车辆应急导航方法 |
CN112950251A (zh) * | 2021-05-11 | 2021-06-11 | 北京航空航天大学 | 一种基于信誉的车辆群智感知节点反向组合拍卖激励优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10002530B1 (en) * | 2017-03-08 | 2018-06-19 | Fujitsu Limited | Traffic signal control using multiple Q-learning categories |
-
2021
- 2021-09-27 CN CN202111133075.3A patent/CN113903171B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170337813A1 (en) * | 2013-03-15 | 2017-11-23 | Donald Warren Taylor | Sustained vehicle velocity via virtual private infrastructure |
CN104464320A (zh) * | 2014-12-15 | 2015-03-25 | 东南大学 | 基于真实路网特性及动态行程时间的最短路径诱导方法 |
CN105678410A (zh) * | 2015-12-31 | 2016-06-15 | 哈尔滨工业大学 | 一种考虑网络连通性时变特征的公交系统时空可达性建模方法 |
US9672734B1 (en) * | 2016-04-08 | 2017-06-06 | Sivalogeswaran Ratnasingam | Traffic aware lane determination for human driver and autonomous vehicle driving system |
CN105702073A (zh) * | 2016-04-13 | 2016-06-22 | 徐亚国 | 一种基于路网决策点行程时间索引值的动态转向导航方法 |
CN107153896A (zh) * | 2017-07-03 | 2017-09-12 | 北方工业大学 | 一种基于节点对熵的交通网路径预测方法及系统 |
CN109615851A (zh) * | 2018-07-30 | 2019-04-12 | 北京航空航天大学 | 一种在群智感知系统中基于关键路段的感知节点选取方法 |
CN112216108A (zh) * | 2020-10-12 | 2021-01-12 | 中南大学 | 一种基于属性增强的时空图卷积模型的交通预测方法 |
CN112797995A (zh) * | 2020-12-17 | 2021-05-14 | 北京工业大学 | 具有时空特性态势信息的车辆应急导航方法 |
CN112950251A (zh) * | 2021-05-11 | 2021-06-11 | 北京航空航天大学 | 一种基于信誉的车辆群智感知节点反向组合拍卖激励优化方法 |
Non-Patent Citations (1)
Title |
---|
车路协同环境下的交通工程;王云鹏等;《中国工程科学》;20180430;第20卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113903171A (zh) | 2022-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Predictive task assignment in spatial crowdsourcing: a data-driven approach | |
CN109584552B (zh) | 一种基于网络向量自回归模型的公交到站时间预测方法 | |
Xing et al. | Traffic state estimation of urban road networks by multi-source data fusion: Review and new insights | |
CN110111574B (zh) | 一种基于流量树分析的城市交通不平衡评价方法 | |
Ye et al. | A method for driving route predictions based on hidden Markov model | |
CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
CN110274609B (zh) | 一种基于行程时间预测的实时路径规划方法 | |
CN112629533B (zh) | 基于路网栅格化道路车流预测的精细化路径规划方法 | |
CN104121918A (zh) | 一种实时路径规划的方法和系统 | |
JP2011138487A (ja) | 空間−時間関係に基づく交通予測方法およびシステム | |
CN102087788A (zh) | 基于浮动车车速置信度的交通状态参数估计方法 | |
CN109612488B (zh) | 基于大数据微服务的混合出行方式路径规划系统及方法 | |
CN109859480B (zh) | 基于复杂网络的拥堵路段建模和评估方法 | |
Zhang et al. | Urban traffic flow forecast based on FastGCRNN | |
CN114093168A (zh) | 一种基于韧性视角下的城市道路交通运行状态评价方法 | |
CN110837973A (zh) | 一种基于交通出行数据的人类出行选择信息挖掘方法 | |
CN113903171B (zh) | 一种基于高速路网时空特性的车辆群智感知节点优化方法 | |
Liu et al. | Personalized route recommendation for ride-hailing with deep inverse reinforcement learning and real-time traffic conditions | |
CN109064750B (zh) | 城市路网交通估计方法及系统 | |
CN113763713B (zh) | 一种路网瓶颈路段发掘与管理方法及装置 | |
Ghandeharioun et al. | Link travel time estimation for arterial networks based on sparse GPS data and considering progressive correlations | |
CN117546218A (zh) | 用于交通预测的分布式多任务机器学习 | |
CN113159371B (zh) | 基于跨模态数据融合的未知目标特征建模与需求预测方法 | |
CN105139328B (zh) | 面向车牌识别数据的旅行时间实时预测方法及装置 | |
Zhang et al. | Boosted trajectory calibration for traffic state estimation |
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 |