CN114333302B - 全局交通优化系统 - Google Patents
全局交通优化系统 Download PDFInfo
- Publication number
- CN114333302B CN114333302B CN202111535390.9A CN202111535390A CN114333302B CN 114333302 B CN114333302 B CN 114333302B CN 202111535390 A CN202111535390 A CN 202111535390A CN 114333302 B CN114333302 B CN 114333302B
- Authority
- CN
- China
- Prior art keywords
- module
- traffic flow
- information
- road
- carbon
- 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
- 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
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- 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
Abstract
本发明涉及一种全局交通优化系统,包括:局部降碳模块、全局交通流预测模块、全局计算优化模块、可视化模块以及终端,其中,每个局部降碳模块与每个终端一一对应连接,所述局部降碳模块分别与所述全局交通流预测模块、所述全局计算优化模块、所述可视化模块电性连接。本申请能够直接以碳排放量为优化目标,具有全局性,并达到实时动态优化道路交通的效果。
Description
技术领域
本发明涉及一种全局交通优化系统。
背景技术
交通运输行业是我国碳中和重点关注的领域,其中城市交通碳排放量呈现增速最快,持续增加的特点,所以城市交通达到碳达峰,碳中和极具挑战。要使交通系统的碳排放降低,能够努力的方向很多。除了硬件的更新换代以降低能源使用等方法,对城市的道路交通进行优化控制也是达到“双碳”目标必不可少的。
现有的技术方法中关于交通优化系统技术的多在于对于道路交通运行优化,或基于用户的需求进行优化,或基于单一路段的优化,或基于红绿灯控制的优化;也有基于既定路线的优化等等。但是,现有技术的缺点与不足在于:这些技术最终的目标往往是提供用户路径选择,或是道路规划等;这些技术的优化目标大多是既定的一条线路或是固定的一段道路,而交通系统是个网络,并没有从全局或者整体来考虑;这些技术大多不是以降低碳排放为目标。
总而言之,现有技术对于碳排放量的计算往往采用自下而上的模式,目前交通系统的碳排放估计往往只能固定的时间段固定的消耗量来估计,这样很难动态地去调控碳排放。
发明内容
有鉴于此,有必要提供一种全局交通优化系统。
本发明提供一种全局交通优化系统,该系统包括:局部降碳模块、全局交通流预测模块、全局计算优化模块、可视化模块以及终端,其中:每个局部降碳模块与每个终端一一对应连接,所述局部降碳模块分别与所述全局交通流预测模块、所述全局计算优化模块、所述可视化模块电性连接;所述局部降碳模块用于根据每个信息对应的历史碳排放数据,收集各个信息所对应的碳排放量的模型;根据每个信息所对应的实时碳排放数据,收集要优化的路段进路段以及出路段车辆或行人信息;并得到优化后动态的基于实时碳排放调控的推荐车速;所述全局交通流预测模块用于收集历史道路交通流数据,使用历史道路交通流数据进行预测模型训练,收集实时道路交通流数据,基于收集到的动态交通流数据和已经训练好的模型,使用基于图神经网络的时空预测框架预测车速数据;所述全局计算优化模块用于使用局部降碳模块的数据和全局交通流预测模块的交通流数据进行计算,得到的局部道路节点需要进行交通降碳结果,并将所述结果传到可视化模块中;所述可视化模块用于记录路段碳排放信息并进行可视化;所述终端与每条道路相对应,包括:联网车和道路牌。
具体地,所述局部降碳模块包括:相互电性连接的感知设备、本地数据收集模块、动态数据收集模块、局部预计算模块,其中:
所述感知设备用于感知交通系统的碳排放量;
所述本地数据收集模块用于根据所述感知设备获取的每个信息所对应的历史碳排放数据,训练各个信息所对应的碳排放量的函数模型;
所述动态数据收集模块用于根据所述感知设备获取的每个信息所对应的实时碳排放数据,收集要优化的路段进路段以及出路段车辆或行人信息;
所述局部预计算模块用于基于收集的实时道路交通流数据以及得到的函数模型作为输入,进行优化后得到动态的基于实时碳排放调控的推荐车速。
具体地,所述的本地数据收集模块用于:
直接使用全连接神经网络进行训练,根据收集的信息训练出各个信息所对应的碳排放量的模型,该模块的目的在于获取该函数模型,分别使用fC,fH,fh表示信息所对应的线性函数:
具体地,所述局部预计算模块用于:
其中,vC、vH、vh为速度系数,即速度所对应的参数,该参数来源于速度和排放的关系函数,行人的速度变化不大,忽略不计,故令vh=1;
进行碳排放优化计算,计算公式为:
min C-CZ
s.t.C=Relu(VC)fC(MC)+Relu(VH)fH(MH)+fh(Mh)
其中,VC和VH为要优化的参数,计算后将其根据速度和排放的关系函数还原为速度,该速度即为优化速度。
具体地,所述全局交通流预测模块包括:相互电性连接的历史交通流数据收集模块、预测模型训练模块、动态交通流数据收集模块、交通流预测模块,其中:
所述历史交通流数据收集模块用于收集历史道路交通流数据;所述历史道路交通流数据包括:道路车速、车流量、交通占用率等数据;
所述预测模型训练模块用于使用历史道路交通流数据进行预测模型训练,训练出一个效果好的预测模型;
所述动态交通流数据收集模块用于收集实时道路交通流数据;
所述交通流预测模块用于使用收集到的动态交通流数据和已经训练好的模型进行交通流预测。
具体地,所述全局交通流预测模块用于:
采用历史交通速度数据预测未来交通速度数据,基于图神经网络的时空预测框架是一种基于GATv2和GRU的时空框架,计算公式如下:
rd=σ(υr·GATv2(hd-1,Wd))
zd=σ(υz·GATv2(hd-1,Wd))
Od=σ(Wo·hd)
其中,是需要训练的参数,Wd为当前时刻的输入,rd、zd为中间变量,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;*表示矩阵乘法,Od为预测输出;GATv2为非受限的图注意力网络,其计算公式如下:
其中,hi和hj是i节点和j节点的特征向量,即数据向量,示例体现为交通速度,αij是i节点和j节点的注意力系数,LeakyReLU为激活函数,h′ i为特征映射,即GATv2的输出。
具体地,所述全局计算优化模块用于:
使用基于不受限的图注意力网络,即GATv2进行全局计算优化,模型训练公式:
min Variance(Δαij)
其中,Ci和Cj是i节点和j节点的特征向量,即数据向量,此处体现为路段碳排放量,LeakyReLU为激活函数,αij是i节点和j节点的注意力系数;
优化目标如下:
min∑Wi(∑αij)Ci
其中Wi为每一个路段的优化参数,是需要计算的,αij是注意力系数Ci为路段i的当前碳排放量。
具体地,所述可视化模块提供两个可视化功能:各路段实时消耗碳量,以及可优化最低消耗碳量,同时输出推荐行车速度以及路况信息。
本申请采用“自上而下”的全局交通优化系统,实时的动态的对碳排放进行估计与优化。与现有技术相比,本申请的有益效果包括:其一,本申请对于交通系统的碳排放量优化模式具有实时性,动态性;其二,本申请具有全局性,而并不是只是在于某一个路段来进行的;其三,本申请在图结构的分析方法上使用了非受限的图神经网络方法,以及在交通优化和系统局部件的交通预测上使用了人工智能训练算法。
附图说明
图1为本发明实施例提供的全局交通优化系统的功能模块示意图;
图2为本发明实施例提供的局部降碳模块的功能模块示意图;
图3为本发明实施例提供的全局交通流预测模块的功能模块示意图;
图4为本发明实施例提供的全局交通流预测模块的结构示意图;
图5为本发明实施例提供的GRU的示意图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细的说明。
参阅图1所示,是本发明全局交通优化系统较佳实施例的示意图。
全局交通优化系统1包括:局部降碳模块11、全局交通流预测模块12、全局计算优化模块13、可视化模块14以及终端15。其中:每个局部降碳模块11与每个终端15一一对应连接,所述局部降碳模块11分别与所述全局交通流预测模块12、所述全局计算优化模块13、所述可视化模块14电性连接。
请一并参阅图2所示,所述局部降碳模块11包括:相互电性连接的感知设备111、本地数据收集模块112、动态数据收集模块113、局部预计算模块114。其中:
所述感知设备111用于感知交通系统的碳排放量;所述感知设备112包括设置在道路上的摄像头、红外体温探测仪及碳排放测量仪等传感设备;所述摄像头用于获取燃油车车辆物理信息MC以及新能源车车辆物理信息MH,所述红外探测仪用于获取人体物理信息Mh,所述碳排放测量仪用于获取上述车辆及人体所对应的总碳排放测量量C。
所述本地数据收集模块112用于根据所述感知设备111获取的每个信息所对应的历史碳排放数据,收集各个信息所对应的碳排放量的模型。其中:
每个信息所对应的历史碳排放量即实测为((MC,MH,Mh),C),但系统需要的是((MC,CC),(MH,CH),(Mh,Ch))。本实施例列出一个基于数据的测量方法:本实施例直接使用全连接神经网络进行训练,根据收集的信息训练出各个信息所对应的碳排放量的模型,获取该函数模型,分别使用fC,fH,fh表示信息所对应的线性函数。具体而言:
所述本地数据收集模块112直接使用全连接神经网络进行训练,根据收集的信息训练出各个信息所对应的碳排放量的模型,该模块的目的在于获取该函数模型,分别使用fC,fH,fh表示信息所对应的线性函数。
本申请必须基于“自上而下”的碳排放计算方法,即实时监测大气中温室气体浓度的变化,因为要做到实时动态优化,“自下而上”的测算方法对本申请是没有意义的。
所述动态数据收集模块113用于根据所述感知设备111获取的每个信息所对应的实时碳排放数据,收集要优化的路段进路段以及出路段车辆或行人信息。其中:
所述信息包括车辆碳排放信息、行人碳排放信息,所述车辆碳排放信息包括:车辆种类,型号,品牌,以及所对应的碳排放函数,碳排放函数即车辆在某个速度的碳排放量;所述行人碳排放信息包括:身高,体温等特征所对应的碳排放量。信息维度并不局限于上述示例,具体而言:
所述局部预计算模块114用于基于动态交通流数据收集模块123收集的实时道路交通流数据以及所述本地数据收集模块112所得到的函数模型作为输入,进行优化后得到动态的基于实时碳排放调控的推荐车速;优化速度反馈:基于进入路段的车辆类型可能为联网车(含自动驾驶)、非联网车,对于联网车可以直接从服务器端直接传递推荐速度数据到车辆端,对于非联网车,可设置道路牌推荐一个均衡的速度方案。
所述局部预计算模块114使用进入路段信息和离开路段信息测算当前路段碳排放量,以及使用优化算法优化出各车辆使用什么样的车速可以降低当前碳排放量。根据和得到留存于道路中的信息情况,为了方便,本实施例使用来表示留存信息,计算当前路段总碳排放量,计算方法如下:
其中,vC、vH、vh为速度系数,即速度所对应的参数,该参数来源于速度和排放的关系函数。行人的速度变化不大,忽略不计,故令vh=1。该数据传输到可视化模块。
进行碳排放优化计算,计算公式为:
min C-CZ
s.t.C=Relu(VC)fC(MC)+Relu(VH)fH(MH)+fh(Mh)
其中,VC和VH为要优化的参数,计算后将其根据速度和排放的关系函数还原为速度,该速度即为优化速度,将其反馈到可视化模块14。
所述全局交通流预测模块12使用基于图神经网络的时空预测框架预测车速数据以测算道路碳排放数据。请一并参阅图3所示,所述全局交通流预测模块12包括:相互电性连接的历史交通流数据收集模块121、预测模型训练模块122、动态交通流数据收集模块123、交通流预测模块124。其中:所述历史交通流数据收集模块121用于收集历史道路交通流数据;所述历史道路交通流数据包括:道路车速、车流量、交通占用率等数据。所述预测模型训练模块122用于使用历史道路交通流数据进行预测模型训练,训练出一个效果好的预测模型。所述动态交通流数据收集模块123用于收集实时道路交通流数据。所述交通流预测模块124用于使用收集到的动态交通流数据和已经训练好的模型进行交通流预测,并将数据输出到局部降碳模块11中的局部预计算模块114和全局优化计算模块13中。
具体而言:
所述全局交通流预测模块12(请参阅图4)采用历史交通速度数据预测未来交通速度数据,所述基于图神经网络的时空预测框架是一种基于GATv2和GRU(请参阅图5)的时空框架,计算公式如下:
rd=σ(υr·GATv2(hd-1,Wd))
zd=σ(υz·GATv2(hd-1,Wd))
Od=σ(Wo·hd)
其中,是需要训练的参数,Wd为当前时刻的输入,rd、zd为中间变量,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;*表示矩阵乘法,Od为预测输出。GATv2为非受限的图注意力网络,其计算公式如下:
其中,hi和hj是i节点和j节点的特征向量,即数据向量,示例体现为交通速度,αij是i节点和j节点的注意力系数,LeakyReLU为激活函数,h′i为特征映射,即GATv2的输出。
所述全局计算优化模块13用于使用局部降碳模块11中的局部预计算模块114传过来的数据和全局交通流预测模块12传过来的交通流数据进行计算,得到的需要局部降碳模块11达到的结果传到可视化模块14中。所述需要局部降碳模块11达到的结果是指对局部道路节点进行交通降碳优化。为了得到更优秀的优化结果,本实施例使用基于不受限的图注意力网络,即GATv2。其中,所述全局计算优化模块13数据来源于局部降碳模块11,且将处理后的数据传回到局部降碳模块11,具体而言:
由局部降碳模块11运行得到的历史数据进行训练,获取各个路段之间的图结构关联系数,也可称作注意力系数,得到注意力系数后即可对全局碳排放进行优化,目标是全局的碳排放最优,或是呈递减趋势,即可达到系统最终目标。图注意力网络能够很好的捕获图结构的结构特征,本实施例选用GATv2,模型训练公式:
min Variance(Δαij)
其中,Ci和Cj是i节点和j节点的特征向量,即数据向量,此处体现为路段碳排放量,LeakyReLU为激活函数,αij是i节点和j节点的注意力系数。
优化目标如下:
min∑Wi(∑αij)Ci
其中Wi为每一个路段的优化参数,是需要计算的,αij是注意力系数Ci为路段i的当前碳排放量。优化计算结束后将Wi、Ci返回到局部降碳模块11。
所述可视化模块14用于记录路段碳排放信息并进行可视化。具体而言:
所述可视化模块14提供两个可视化功能:各路段实时消耗碳量,以及可优化最低消耗碳量,同时输出推荐行车速度以及路况信息。
所述终端15与每条道路相对应,包括:联网车和道路牌。
本申请给道路中的所有车辆提供一个总碳消耗量最低的行驶模式,以及在部分车辆碳排放不受限时对其他车辆进行控制补偿,基于图结构的研究方法,把该优化目标拓展到全局图结构的道路交通中。本申请提出了一种动态全局降碳交通优化控制技术,使用了人工智能的模式识别技术,直接以碳排放量为优化目标,达到动态优化道路交通的效果;使用先进的非受限的图注意力网络(GATv2)到交通优化中以达到全局优化的效果。
虽然本发明参照当前的较佳实施方式进行了描述,但本领域的技术人员应能理解,上述较佳实施方式仅用来说明本发明,并非用来限定本发明的保护范围,任何在本发明的精神和原则范围之内,所做的任何修饰、等效替换、改进等,均应包含在本发明的权利保护范围之内。
Claims (6)
1.一种全局交通优化系统,该系统包括:局部降碳模块、全局交通流预测模块、全局计算优化模块、可视化模块以及终端,其中,每个局部降碳模块与每个终端一一对应连接,所述局部降碳模块分别与所述全局交通流预测模块、所述全局计算优化模块、所述可视化模块电性连接,其特征在于:
所述局部降碳模块用于根据每个信息对应的历史碳排放数据,收集各个信息所对应的碳排放量的模型;根据每个信息所对应的实时碳排放数据,收集要优化的路段进路段以及出路段车辆或行人信息;并得到优化后动态的基于实时碳排放调控的推荐车速;
所述全局交通流预测模块用于收集历史道路交通流数据,使用历史道路交通流数据进行预测模型训练,收集实时道路交通流数据,基于收集到的动态交通流数据和已经训练好的模型,使用基于图神经网络的时空预测框架预测车速数据;
所述全局计算优化模块用于使用局部降碳模块的数据和全局交通流预测模块的交通流数据进行计算,得到的局部道路节点需要进行交通降碳结果,并将所述结果传到可视化模块中;
所述可视化模块用于记录路段碳排放信息并进行可视化;
所述终端与每条道路相对应,包括:联网车和道路牌;
所述局部降碳模块包括本地数据收集模块,所述的本地数据收集模块用于:
直接使用全连接神经网络进行训练,根据收集的信息训练出各个信息所对应的碳排放量的函数模型,该模块的目的在于获取该碳排放量的函数模型,分别使用fC,fH,f表示信息所对应的线性函数:
其中,C代表碳排放测量仪获取的车辆及人体所对应的总碳排放测量量;MC代表燃油车车辆物理信息;MH代表新能源车车辆物理信息;Mh代表红外探测仪获取的人体物理信息;
所述局部降碳模块包括局部预计算模块,所述局部预计算模块用于:
其中,vC、vH、v为速度系数,即速度所对应的参数,该参数来源于速度和排放的关系函数,行人的速度变化不大,忽略不计,故令v=1;
进行碳排放优化计算,计算公式为:
min C-CZ
s.t.C=Relu(VC)fC(MC)+Relu(VH)fH(MH)+f(M)
其中,VC和VH为要优化的参数,计算后将其根据速度和排放的关系函数还原为速度,该速度即为优化速度。
2.如权利要求1所述的系统,其特征在于,所述局部降碳模块包括:相互电性连接的感知设备、本地数据收集模块、动态数据收集模块、局部预计算模块,其中:
所述感知设备用于感知交通系统的碳排放量;
所述本地数据收集模块用于根据所述感知设备获取的每个信息所对应的历史碳排放数据,训练各个信息所对应的碳排放量的函数模型;
所述动态数据收集模块用于根据所述感知设备获取的每个信息所对应的实时碳排放数据,收集要优化的路段进路段以及出路段车辆或行人信息;
所述局部预计算模块用于基于收集的实时道路交通流数据以及得到的碳排放量的函数模型作为输入,进行优化后得到动态的基于实时碳排放调控的推荐车速。
3.如权利要求2所述的系统,其特征在于,所述全局交通流预测模块包括:相互电性连接的历史交通流数据收集模块、预测模型训练模块、动态交通流数据收集模块、交通流预测模块,其中:
所述历史交通流数据收集模块用于收集历史道路交通流数据;所述历史道路交通流数据包括:道路车速、车流量、交通占用率数据;
所述预测模型训练模块用于使用历史道路交通流数据进行预测模型训练,训练出一个效果好的预测模型;
所述动态交通流数据收集模块用于收集实时道路交通流数据;
所述交通流预测模块用于使用收集到的动态交通流数据和已经训练好的模型进行交通流预测。
4.如权利要求3所述的系统,其特征在于,所述全局交通流预测模块用于:
采用历史交通速度数据预测未来交通速度数据,基于图神经网络的时空预测框架是一种基于GATv2和GRU的时空框架,计算公式如下:
rd=σ(υr·GATv2(d-1,Wd))
zd=σ(υz·GATv2(d-1,Wd))
Od=σ(Wo·hd)
其中,vr,υz,是需要训练的参数,Wd为当前时刻的输入,rd、zd为中间变量,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;*表示矩阵乘法,Od为预测输出;GATv2为非受限的图注意力网络,其计算公式如下:
其中,hi和hj是i节点和j节点的特征向量,即数据向量,示例体现为交通速度,αij是i节点和j节点的注意力系数,LeakyReLU为激活函数,h′i为特征映射,即GATv2的输出。
6.如权利要求5所述的系统,其特征在于,所述可视化模块提供两个可视化功能:各路段实时消耗碳量,以及可优化最低消耗碳量,同时输出推荐行车速度以及路况信息。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111535390.9A CN114333302B (zh) | 2021-12-15 | 2021-12-15 | 全局交通优化系统 |
PCT/CN2022/138209 WO2023109715A1 (zh) | 2021-12-15 | 2022-12-09 | 全局交通优化系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111535390.9A CN114333302B (zh) | 2021-12-15 | 2021-12-15 | 全局交通优化系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114333302A CN114333302A (zh) | 2022-04-12 |
CN114333302B true CN114333302B (zh) | 2023-04-18 |
Family
ID=81051832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111535390.9A Active CN114333302B (zh) | 2021-12-15 | 2021-12-15 | 全局交通优化系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114333302B (zh) |
WO (1) | WO2023109715A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114333302B (zh) * | 2021-12-15 | 2023-04-18 | 深圳先进技术研究院 | 全局交通优化系统 |
CN115035713B (zh) * | 2022-04-29 | 2023-08-25 | 银江技术股份有限公司 | 智慧交通碳排放监测系统和方法 |
CN117422594A (zh) * | 2023-08-14 | 2024-01-19 | 广东省科学院广州地理研究所 | 高时空分辨率的高速公路客货车碳排放计量方法及装置 |
CN117271992B (zh) * | 2023-09-19 | 2024-03-26 | 东莞市东莞通股份有限公司 | 一种基于大数据的城市道路碳排放监测管理系统 |
CN117010667B (zh) * | 2023-09-27 | 2024-02-27 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种道路交通排放空间溯源方法、电子设备及存储介质 |
CN117010577B (zh) * | 2023-10-07 | 2023-12-22 | 北京建工环境修复股份有限公司 | 基于时空分布的多维度碳排放监测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011003002A (ja) * | 2009-06-18 | 2011-01-06 | Toyota Central R&D Labs Inc | エンジン作動時排出物質の排出量計算装置及びプログラム |
CN109754605A (zh) * | 2019-02-27 | 2019-05-14 | 中南大学 | 一种基于注意力时态图卷积网络的交通预测方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010081836A1 (en) * | 2009-01-16 | 2010-07-22 | Tele Atlas B.V. | Method for computing an energy efficient route |
CN105865476B (zh) * | 2016-06-21 | 2018-08-28 | 北京航空航天大学 | 一种动态交通环境下的汽车最低碳路径搜索方法 |
CN107730425A (zh) * | 2017-09-11 | 2018-02-23 | 深圳市易成自动驾驶技术有限公司 | 碳排放量计算方法、装置及存储介质 |
EP3714342A4 (en) * | 2017-12-28 | 2021-07-14 | Siemens Mobility GmbH | VEHICLE SPEED DETERMINATION SYSTEM AND METHOD |
EP3518204A1 (de) * | 2018-01-24 | 2019-07-31 | VITRONIC Dr.-Ing. Stein Bildverarbeitungssysteme GmbH | Verfahren zur verkehrsüberwachung und verkehrsüberwachungsanlage |
CN109859469A (zh) * | 2019-02-15 | 2019-06-07 | 重庆邮电大学 | 一种基于集成lstm神经网络的车流量预测方法 |
CN110070222B (zh) * | 2019-04-18 | 2022-10-14 | 安徽中科龙安科技股份有限公司 | 一种交通低排放的演化调控方法及系统 |
CN110827184A (zh) * | 2019-10-12 | 2020-02-21 | 上海市政工程设计研究总院(集团)有限公司 | 一种道路交通碳排放计算模块及计算方法 |
DE102019134886A1 (de) * | 2019-12-18 | 2021-06-24 | Ford Global Technologies, Llc | System zum kooperativen Anpassen von Fahrzeugbewegungen im Bereich einer Fahrbahneinmündung, Fahrzeug, Bewegungssteuerungsvorrichtung und Computerprogrammprodukt |
US20210248460A1 (en) * | 2020-02-07 | 2021-08-12 | Uatc, Llc | Systems and Methods for Optimized Multi-Agent Routing Between Nodes |
CN111554100B (zh) * | 2020-07-08 | 2020-11-24 | 中邮建技术有限公司 | 一种考虑机动车碳排放的快速道路车道引导方法及装置 |
CN112652165B (zh) * | 2020-12-11 | 2022-05-31 | 北京百度网讯科技有限公司 | 模型训练及路况预测方法、装置、设备、介质及程序产品 |
CN112613652A (zh) * | 2020-12-17 | 2021-04-06 | 东南大学 | 一种服务于低碳道路交通规划的道路网碳排放估算方法 |
CN114333302B (zh) * | 2021-12-15 | 2023-04-18 | 深圳先进技术研究院 | 全局交通优化系统 |
-
2021
- 2021-12-15 CN CN202111535390.9A patent/CN114333302B/zh active Active
-
2022
- 2022-12-09 WO PCT/CN2022/138209 patent/WO2023109715A1/zh unknown
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011003002A (ja) * | 2009-06-18 | 2011-01-06 | Toyota Central R&D Labs Inc | エンジン作動時排出物質の排出量計算装置及びプログラム |
CN109754605A (zh) * | 2019-02-27 | 2019-05-14 | 中南大学 | 一种基于注意力时态图卷积网络的交通预测方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2023109715A1 (zh) | 2023-06-22 |
CN114333302A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114333302B (zh) | 全局交通优化系统 | |
Yang et al. | Ensemble learning for short-term traffic prediction based on gradient boosting machine | |
CN114220271A (zh) | 基于动态时空图卷积循环网络的交通流预测方法、设备及存储介质 | |
Zhi-Peng et al. | An improved adaptive exponential smoothing model for short-term travel time forecasting of urban arterial street | |
WO2024077969A1 (zh) | 一种基于多周期特征的lstm-svr地铁车站温度预测方法 | |
CN113487856A (zh) | 基于图卷积网络及注意力机制的交通流组合预测模型 | |
CN116307152A (zh) | 时空交互式动态图注意力网络的交通预测方法 | |
CN113487863A (zh) | 一种多因素交通风险实时定量评估系统及方法 | |
CN113379099A (zh) | 一种基于机器学习与copula模型的高速公路交通流自适应预测方法 | |
CN114582131B (zh) | 一种基于匝道智能控流算法的监控方法及系统 | |
CN116822652A (zh) | 地铁故障预测方法、装置、电子设备、系统及存储介质 | |
US20220391717A1 (en) | Training method and system for passenger distribution prediction model, and passenger guiding method and system | |
Yang et al. | Improved deep reinforcement learning for car-following decision-making | |
CN112927507B (zh) | 一种基于LSTM-Attention的交通流量预测方法 | |
Hua et al. | Freeway traffic speed prediction under the intelligent driving environment: a deep learning approach | |
Acharya et al. | Spiking neural network based region proposal networks for neuromorphic vision sensors | |
Tian et al. | Pattern-adaptive generative adversarial network with sparse data for traffic state estimation | |
CN116523681A (zh) | 电动汽车的负荷分解方法、装置、电子设备及存储介质 | |
CN112182267A (zh) | 一种地铁车厢乘客精细化引导方法及系统 | |
Wang et al. | Metroeye: A weather-aware system for real-time metro passenger flow prediction | |
CN114819423B (zh) | 应用gis技术及数据信息融合系统的碳排治理系统 | |
CN111371609B (zh) | 基于深度学习的车联网连通预测方法 | |
Vlahogianni | Prediction of non-recurrent short-term traffic patterns using genetically optimized probabilistic neural networks | |
柏梦婷 et al. | Survey of traffic travel-time prediction methods | |
Singh et al. | Prediction of energy consumption for battery electric vehicles |
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 |