CN114613144A - 一种基于Embedding-CNN的混合车群运动演化规律的刻画方法 - Google Patents
一种基于Embedding-CNN的混合车群运动演化规律的刻画方法 Download PDFInfo
- Publication number
- CN114613144A CN114613144A CN202210359994.0A CN202210359994A CN114613144A CN 114613144 A CN114613144 A CN 114613144A CN 202210359994 A CN202210359994 A CN 202210359994A CN 114613144 A CN114613144 A CN 114613144A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- embedding
- time
- cnn
- section
- 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
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 46
- 238000012545 processing Methods 0.000 claims description 10
- 150000001875 compounds Chemical class 0.000 claims description 9
- 238000003780 insertion Methods 0.000 claims description 7
- 230000037431 insertion Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 claims 1
- 229910052731 fluorine Inorganic materials 0.000 claims 1
- 239000011737 fluorine Substances 0.000 claims 1
- 230000006399 behavior Effects 0.000 abstract description 7
- 238000011160 research Methods 0.000 abstract description 6
- 230000035699 permeability Effects 0.000 abstract description 4
- 238000013136 deep learning model Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 239000000523 sample Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 241000725585 Chicken anemia virus Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000032823 cell division Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000015220 hamburgers Nutrition 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000008447 perception 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
- G08G1/01—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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of 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
- G08G1/0125—Traffic data processing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于Embedding‑CNN的混合车群运动演化规律的刻画方法,属于智能交通信息技术领域。本方法包括以下步骤:首先,选定监测路段,通过监测路段路侧或车载传感器,截取t时刻监测路段混合异质车群的单车数据;再将步骤1)截取的单车数据进行预处理,获得Embedding‑CNN模型数据集;然后,构建Embedding‑CNN模型,并根据步骤2)获得的Embedding‑CNN模型数据集对Embedding‑CNN模型进行训练;最后,在测试集上对Embedding‑CNN模型的准确性进行验证。本方法从单个车辆行为出发,探究网联自动车的渗透率和空间分布与混合车群运动演化之间的关系等问题,建立基于Embedding‑CNN的深度学习模型实现对混合车群运动演化规律的精准刻画,为掌握网联环境下新型混合交通的运行状态提供依据。
Description
技术领域
本发明属于交通数据分析及处理领域,具体涉及一种基于嵌入层-卷积神经网络(Embedding-Convolutional Neural Networks,Embedding-CNN)的混合车群运动演化规律的刻画方法,可适用于智能网联环境下快速路混合车群运动演化规律的刻画。
背景技术
近年来,网联自动车(Connected Autonomous Vehicles,CAVs)技术发展迅速,凭借其广泛、实时的信息感知能力以及完全可控等特性,为研究交通问题提供了新的思路。相关的研究表明,网联自动车的加入,将会改变快速路交通流的运行状态,而这种变化会受其渗透率和空间分布情况的影响。因此,从单个车辆行为出发,研究混合交通条件下网联自动车的渗透率和空间分布与异质车群的运动演化规律之间的关系具有重要意义。智能网联环境下可以轻易获取道路上每辆车的位置信息、状态信息以及车辆类型等,使得上述研究成为可能。
现有的研究中,大多从车辆集体的平均行为出发,建立交通流演化模型。现有技术CN102289929A公开了一种带耗散项LWR宏观交通流稳定性建模方法,该方法通过在Burgers方程的基础上进行改进,建立了新的交通模型,用以解决各种交通参数变化时交通拥堵问题的整体描述问题。但是该方法研究车辆集体的平均行为,车流中单个车辆的个体特性并不凸显,尤其对于人驾车和自动车混合的异质车群,难以精确、有效地对新型混合交通流的运动演化特性进行刻画。
发明内容
有鉴于此,本发明的目的在于提供一种基于嵌入层-卷积神经网络(Embedding-Convolutional Neural Networks,Embedding-CNN)的混合车群运动演化规律的刻画方法,解决在人驾车和自动车混合的异质车群中,通过研究车辆集体的平均行为,难以精确、有效地对新型混合交通流的运动演化特性进行刻画的问题。
为实现上述目的,本发明包括以下步骤:
1)选定监测路段,通过监测路段路侧或车载传感器,截取监测路段不同交通状态下混合异质车群的单车数据;
2)将步骤1)截取的单车数据进行预处理,获得Embedding-CNN模型数据集;
3)构建Embedding-CNN模型,并根据步骤2)获得的Embedding-CNN模型数据集对Embedding-CNN模型进行训练;
4)在测试集上对Embedding-CNN模型的准确性进行验证。
进一步地,所述步骤1)具体包括以下步骤:
步骤1.1)选定长度为L的监测路段s,初始化混合车群的长度;
步骤1.2)在存储有混合异质车群的数据库中选取t时刻路段s内车辆n1,n2,...,nk的车辆长度lk;运动状态信息:速度v、加速度a、偏航角h;车辆的位置信息:纵向位置x,即车头位置,和所属车道c;车辆的类型p,用以区分网联人驾车和网联自动车;以及在t时刻选定的路段s内的车辆n1,n2,...,nk在t+τ时刻的运动状态信息和车辆的位置信息:纵向位置x′与所属车道k′。同时,获取t时刻路段s下游长度为L的路段s+1各个车辆的运动状态信息和位置信息。
进一步地,所述步骤2)具体包括以下步骤:
步骤2.1)根据t时刻路段s内的单车数据,将路段s划分为c×m个单元,c为车道的数量,m为每条车道划分的单元数量;确定每条车道单个单元划分的长度lmin,可用以下公式表示:
式中,L代表路段s及路段s+1的长度;
步骤2.2)确定每一条车道每辆车插入的单元位置,构建c×m×f的零矩阵,f为车辆的特征层的数量,根据车辆在路段s中的相对位置将车辆的状态信息插入到对应的单元中,替换原来的“0”值;
每一条车道每辆车插入的单元位置可用以下公式表示:
式中,m′i为插入的第一个位置;mi表示最后一个插入的位置;xj为第j辆车的纵向位置;smin为路段s的初始位置;lj为第j辆车的长度;[]表示取整函数。
步骤2.3)确定t时刻路段s+1内的车辆的平均速度和平均密度,可用以下公式表示:
步骤2.4)确定在t时刻选定的路段s内的车辆在t+τ时刻的平均速度和平均密度,可用以下公式表示:
式中,为在t时刻选定的路段s内的车辆在t+τ时刻的平均速度;vt+τ,i,j为在t时刻选定的路段s内的车辆在t+τ时刻第i条车道上的第j辆车的速度;为在t时刻选定的路段s内的车辆在t+τ时刻的平均密度;lmax为在t时刻选定的路段s内的车辆在t+τ时刻最前面车辆的纵向位置;lmin为在t时刻选定的路段s内的车辆在t+τ时刻最后面车辆的纵向位置。
进一步地,所述步骤3)具体包括以下步骤:
步骤3.1)搭建Embedding-CNN深度网络,即Embedding-CNN模型;并以在t时刻选定的路段s内的车辆在t+τ时刻的平均速度和平均密度为训练标签。
步骤3.2)对t时刻路段s+1中的车辆的平均速度和平均密度进行特征分桶,将浮点型特征值转换为整数型特征值;再对其进行标准化处理,输入到模型的Embedding部分进行训练;
数据标准化的公式为:
式中,fi *为标准化的数据;fi为样本i中的需要进行标准化的特征值;fmin为需要进行标准化的特征值的最小值;fmax为需要进行标准化的特征值的最大值。
步骤3.3)同时对构建的t时刻路段s中的车辆的数据集进行标准化处理输入到模型的CNN部分进行训练。经过多次卷积和池化后的输出与Embedding层的输出拼接,经过全连接层输出,完成模型的训练。
卷积神经网络模型关键公式如下:
式中,表示第l层第j个特征经过卷积操作后的输出;表示第l层第j个特征经过池化操作后的输出;为第l层中卷积核矩阵中位于(i,j)位置的系数;l代表第l层特征层;Mj表示第j个特征图;为第l层第j个特征图的偏置项;表示第l层第j个特征图的系数;代表第l-1层输出的第i个元素;*为卷积操作;down()表示采样函数。
进一步地,所述步骤4),通过计算Embedding-CNN模型输出与实际值的平均绝对百分比误差和均方根误差,验证Embedding-CNN模型的准确性。
平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)的计算公式为:
均方根误差(Root Mean Square Error,RMSE)的计算公式为:
有益效果
本发明提出一种基于Embedding-CNN的混合车群运动演化规律的刻画方法,该方法针对目前少有学者从单个车辆行为出发,探究网联自动车的渗透率和空间分布与混合车群运动演化之间的关系等问题,借鉴图像处理的思想,重构了数据样本,同时考虑监测车群下游状态的影响,建立基于Embedding-CNN的深度学习模型实现对混合车群运动演化规律的精准刻画,为掌握网联环境下新型混合交通的运行状态提供依据。
附图说明
图1为本发明总体流程示意图;
图2为步骤1通过路侧或车载传感器,获取不同交通状态下混合异质车群的单车数据的示意图;
图3为步骤2数据预处理中群体数据集重构示意图;
图4为步骤3深度学习网络示意图。
具体实施方式
为使本发明的技术方案、优点和目的更加清楚,下面将结合本发明实施例的附图,对本发明实施例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发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本申请的保护范围。
下面结合附图和实施例对本发明作进一步说明。
实施例1
如图1至图4所示,本实施例提供了一种基于Embedding-CNN的混合车群运动演化规律的刻画方法,包括以下步骤:
步骤1)选定监测路段,通过监测路段路侧或车载传感器,截取监测路段不同交通状态下混合异质车群的单车数据;
具体包括以下步骤:
步骤1.1)选定长度为L的监测路段s,初始化混合车群的长度;
步骤1.2)在存储有混合异质车群的数据库中选取t时刻路段s内车辆n1,n2,...,nk的车辆长度lk;运动状态信息:速度v、加速度a、偏航角h;车辆的位置信息:纵向位置x,即车头位置,和所属车道c;车辆的类型p,用以区分网联人驾车和网联自动车;以及在t时刻选定的路段s内的车辆n1,n2,...,nk在t+τ时刻的运动状态信息和车辆的位置信息:纵向位置x′与所属车道k′。同时,获取t时刻路段s下游长度为L的路段s+1中各个车辆的运动状态信息和位置信息。
步骤2)将步骤1)截取的单车数据进行预处理,获得Embedding-CNN模型数据集;
具体包括以下步骤:
步骤2.1)根据t时刻路段s内的单车数据,借鉴图像处理的思想,将路段s划分为c×m个单元,即c和m对应一张图片的宽和高;其中,c为车道的数量,m为每条车道划分的单元数量。每个单元对应图片上的一个像素点,每个单元的尺寸为d×lmin,d为每条车道的宽度,lmin为每条车道单个单元划分的长度,由m确定,可用以下公式表示:
式中,L代表路段s及路段s+1的长度;
步骤2.2)根据彩色图像中的颜色通道的概念,引入车辆状态的特征层,分别为车辆的速度特征层、车辆的加速度特征层、车辆的偏航角特征层以及车辆的类型特征层,每个层的尺寸均为c×m,然后根据每辆车在路段s上的空间位置关系,将各个车辆的特征一一映射到对应特征层中的相应位置;
具体的操作为构建c×m×f的零矩阵,f为车辆的特征层的数量;然后根据车辆在路段s中的相对位置将车辆的状态信息插入到对应的单元中,替换原来的“0”值。由于车辆存在横跨多个单元的情况,因此需要对插入的位置进行确定;
每一条车道每辆车插入的单元位置可用以下公式表示:
式中,m′i为插入的第一个位置;mi表示最后一个插入的位置;xj为第j辆车的纵向位置;smin为路段s的初始位置;lj为第j辆车的长度;[]表示取整函数;
步骤2.3)确定t时刻路段s+1内的车辆的平均速度和平均密度,可用以下公式表示:
步骤2.4)确定在t时刻选定的路段s内的车辆在t+τ时刻的平均速度和平均密度,计算公式为:
式中,为在t时刻选定的路段s内的车辆在t+τ时刻的平均速度;vt+τ,i,j为在t时刻选定的路段s内的车辆在t+τ时刻第i条车道上的第j辆车的速度;为在t时刻选定的路段s内的车辆在t+τ时刻的平均密度;lmax为在t时刻选定的路段s内的车辆在t+τ时刻最前面车辆的纵向位置;lmin为在t时刻选定的路段s内的车辆在t+τ时刻最后面车辆的纵向位置。
步骤3)构建Embedding-CNN模型,并根据步骤2)获得的Embedding-CNN模型数据集对Embedding-CNN模型进行训练;
具体包括以下步骤:
步骤3.1)搭建Embedding-CNN深度网络,即Embedding-CNN模型;并以在t时刻选定的路段s内的车辆在t+τ时刻的平均速度和平均密度为训练标签;
步骤3.2)对t时刻路段s+1内的车辆的平均速度和平均密度进行特征分桶,将浮点型特征值转换为整数型特征值;再对其进行标准化处理,输入到模型的Embedding部分进行训练;
数据标准化的公式为:
式中,fi *为标准化的数据;fi为样本i中的需要进行标准化的特征值;fmin为需要进行标准化的特征值的最小值;fmax为需要进行标准化的特征值的最大值;
步骤3.3)同时对构建的t时刻路段s内的车辆的数据集进行标准化处理输入到模型的CNN部分进行训练。经过多次卷积和池化后的输出与Embedding层的输出拼接,经过全连接层输出,完成模型的训练;
卷积神经网络模型关键公式如下:
式中,表示第l层第j个特征经过卷积操作后的输出;表示第l层第j个特征经过池化操作后的输出;为第l层中卷积核矩阵中位于(i,j)位置的系数;l代表第l层特征层;Mj表示第j个特征图;为第l层第j个特征图的偏置项;表示第l层第j个特征图的系数;代表第l-1层输出的第i个元素;*为卷积操作;down()表示采样函数。
步骤4)在测试集上对Embedding-CNN模型的准确性进行验证;
通过计算Embedding-CNN模型输出与实际值的平均绝对百分比误差和均方根误差,验证Embedding-CNN模型的准确性;
平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)的计算公式为:
均方根误差(Root Mean Square Error,RMSE)的计算公式为:
本发明提出一种基于Embedding-CNN的混合车群运动演化规律的刻画方法,该方法针对目前少有学者从单个车辆行为出发,探究网联自动车的渗透率和空间分布与混合车群运动演化之间的关系等问题,借鉴图像处理的思想,重构了数据样本,同时考虑监测车群下游状态的影响,建立基于Embedding-CNN的深度学习模型实现对混合车群运动演化规律的精准刻画,为掌握网联环境下新型混合交通的运行状态提供依据。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的保护范围当中。
Claims (5)
1.一种基于Embedding-CNN的混合车群运动演化规律的刻画方法,其特征在于:包括以下步骤:
1)选定监测路段,通过监测路段路侧或车载传感器,截取监测路段不同交通状态下混合异质车群的单车数据;
2)将步骤1)截取的单车数据进行预处理,获得Embedding-CNN模型数据集;
3)构建Embedding-CNN模型,并根据步骤2)获得的Embedding-CNN模型数据集对Embedding-CNN模型进行训练;
4)在测试集上对Embedding-CNN模型的准确性进行验证。
2.根据权利要求1所述的基于Embedding-CNN的新型混合车群运动演化规律的刻画方法,其特征在于:所述步骤1)具体包括以下步骤:
11)选定长度为L的监测路段s,初始化混合车群的长度;
12)在存储有混合异质车群的数据库中选取t时刻路段s内车辆n1,n2,...,nk的车辆长度lk;运动状态信息:速度v、加速度a、偏航角h;车辆的位置信息:纵向位置x,即车头位置,和所属车道c;车辆的类型p,用以区分网联人驾车和网联自动车;以及在t时刻选定的路段s内的车辆n1,n2,...,nk在t+τ时刻的运动状态信息和车辆的位置信息:纵向位置x′与所属车道k′;同时,获取t时刻路段s下游长度为L的路段s+1各个车辆的运动状态信息和位置信息。
3.根据权利要求2所述的基于Embedding-CNN的混合车群运动演化规律的刻画方法,其特征在于:所述步骤2)具体包括以下步骤:
21)根据t时刻路段s内的单车数据,将路段s划分为c×m个单元,c为车道的数量,m为每条车道划分的单元数量;确定每条车道单个单元划分的长度lmin,可用以下公式表示:
式中,L代表路段s及路段s+1的长度;
22)确定每一条车道每辆车插入的单元位置,构建c×m×f的零矩阵,f为车辆的特征层的数量,根据车辆在路段s中的相对位置将车辆的状态信息插入到对应的单元中,替换原来的“0”值;
每一条车道每辆车插入的单元位置可用以下公式表示:
式中,m′i为插入的第一个位置;mi表示最后一个插入的位置;xj为第j辆车的纵向位置;smin为路段s的初始位置;lj为第j辆车的长度;[]表示取整函数。
23)确定t时刻路段s+1中的车辆的平均速度和平均密度,可用以下公式表示:
24)确定在t时刻选定的路段s内的车辆在t+τ时刻的平均速度和平均密度,可用以下公式表示:
4.根据权利要求3所述的基于Embedding-CNN的混合车群运动演化规律的刻画方法,其特征在于:所述步骤3)具体包括以下步骤:
31)以在t时刻选定的路段s内的车辆在t+τ时刻的平均速度和平均密度为训练标签,搭建Embedding-CNN深度网络,即Embedding-CNN模型;
32)对t时刻路段s+1内的车辆的平均速度和平均密度进行特征分桶,将浮点型特征值转换为整数型特征值;再对其进行标准化处理,输入到模型的Embedding部分进行训练;
数据标准化的公式为:
式中,fi *为标准化的数据;fi为样本i中的需要进行标准化的特征值;fmin为需要进行标准化的特征值的最小值;fmax为需要进行标准化的特征值的最大值;
33)同时对构建的t时刻路段s内的车辆的数据集进行标准化处理输入到模型的CNN部分进行训练。经过多次卷积和池化后的输出与Embedding层的输出拼接,经过全连接层输出,完成模型的训练。卷积神经网络模型关键公式如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210359994.0A CN114613144B (zh) | 2022-04-07 | 2022-04-07 | 一种基于Embedding-CNN的混合车群运动演化规律的刻画方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210359994.0A CN114613144B (zh) | 2022-04-07 | 2022-04-07 | 一种基于Embedding-CNN的混合车群运动演化规律的刻画方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114613144A true CN114613144A (zh) | 2022-06-10 |
CN114613144B CN114613144B (zh) | 2024-04-30 |
Family
ID=81869878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210359994.0A Active CN114613144B (zh) | 2022-04-07 | 2022-04-07 | 一种基于Embedding-CNN的混合车群运动演化规律的刻画方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114613144B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115331420A (zh) * | 2022-07-25 | 2022-11-11 | 重庆大学 | 一种混合交通条件下的移动瓶颈控制方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111583644A (zh) * | 2020-05-08 | 2020-08-25 | 重庆大学 | 一种混合交通快速路上匝道汇流区网联自动车控制方法 |
CN112614344A (zh) * | 2020-12-14 | 2021-04-06 | 中汽研汽车试验场股份有限公司 | 一种自动驾驶汽车参与的混合交通系统效能评估方法 |
WO2021085771A1 (ko) * | 2019-10-28 | 2021-05-06 | 김익래 | 하이브리드 교통신호제어시스템 및 그 방법 |
CN113010967A (zh) * | 2021-04-22 | 2021-06-22 | 吉林大学 | 一种基于混合交通流模型的智能汽车在环仿真测试方法 |
WO2021134172A1 (zh) * | 2019-12-30 | 2021-07-08 | 华为技术有限公司 | 一种轨迹预测方法及相关设备 |
CN113362600A (zh) * | 2021-06-11 | 2021-09-07 | 重庆大学 | 一种交通状态估计方法及系统 |
CN113382064A (zh) * | 2021-06-08 | 2021-09-10 | 重庆大学 | 一种考虑智能网联车cav专用车道的通行能力估计方法及装置 |
-
2022
- 2022-04-07 CN CN202210359994.0A patent/CN114613144B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021085771A1 (ko) * | 2019-10-28 | 2021-05-06 | 김익래 | 하이브리드 교통신호제어시스템 및 그 방법 |
WO2021134172A1 (zh) * | 2019-12-30 | 2021-07-08 | 华为技术有限公司 | 一种轨迹预测方法及相关设备 |
CN111583644A (zh) * | 2020-05-08 | 2020-08-25 | 重庆大学 | 一种混合交通快速路上匝道汇流区网联自动车控制方法 |
CN112614344A (zh) * | 2020-12-14 | 2021-04-06 | 中汽研汽车试验场股份有限公司 | 一种自动驾驶汽车参与的混合交通系统效能评估方法 |
CN113010967A (zh) * | 2021-04-22 | 2021-06-22 | 吉林大学 | 一种基于混合交通流模型的智能汽车在环仿真测试方法 |
CN113382064A (zh) * | 2021-06-08 | 2021-09-10 | 重庆大学 | 一种考虑智能网联车cav专用车道的通行能力估计方法及装置 |
CN113362600A (zh) * | 2021-06-11 | 2021-09-07 | 重庆大学 | 一种交通状态估计方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115331420A (zh) * | 2022-07-25 | 2022-11-11 | 重庆大学 | 一种混合交通条件下的移动瓶颈控制方法 |
CN115331420B (zh) * | 2022-07-25 | 2023-11-14 | 重庆大学 | 一种混合交通条件下的移动瓶颈控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114613144B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210197851A1 (en) | Method for building virtual scenario library for autonomous vehicle | |
CN111415533B (zh) | 弯道安全预警监控方法、装置以及系统 | |
CN112201069A (zh) | 基于深度强化学习的驾驶员纵向跟车行为模型构建方法 | |
CN111537990A (zh) | 一种车道的标定方法、装置以及电子设备 | |
CN112465273B (zh) | 一种基于局部注意力机制的无人车轨迹预测方法 | |
DE102016210453A1 (de) | Fahrzeug, System in Kommunikation mit einem Kommunikationsmodul des Fahrzeugs, und System in Kommunikation mit einer Gruppe von Fahrzeugen | |
CN115376324B (zh) | 车辆场景复杂度确定方法 | |
CN112613225B (zh) | 一种基于神经网络元胞传输模型的交叉口交通状态预测方法 | |
CN112329533A (zh) | 一种基于图像分割的局部路面附着系数估计方法 | |
CN112633602B (zh) | 一种基于gis地图信息的交通拥堵指数预测方法及装置 | |
CN109686092B (zh) | 一种交通网络通达性评估方法 | |
CN110852358A (zh) | 一种基于深度学习的车辆类型判别方法 | |
CN110069982A (zh) | 一种交通车辆与行人的自动识别方法 | |
CN115457764B (zh) | 基于车辆轨迹数据的路段交通密度估测方法、装置及介质 | |
CN114913498A (zh) | 一种基于关键点估计的并行多尺度特征聚合车道线检测方法 | |
CN114976306A (zh) | 一种基于车联云的动力锂电池智能化梯次利用方法 | |
CN114613144A (zh) | 一种基于Embedding-CNN的混合车群运动演化规律的刻画方法 | |
CN116109986A (zh) | 一种基于激光雷达和视频技术互补的车辆轨迹提取方法 | |
CN212009589U (zh) | 一种基于深度学习的视频识别行车车轨迹获取装置 | |
CN115238958A (zh) | 一种基于复杂交通场景的危险事件链提取方法及系统 | |
CN111723672B (zh) | 一种视频识别行车轨迹获取方法、装置及存储介质 | |
CN112562311B (zh) | 基于gis大数据的工况权重因子获取方法及装置 | |
CN113642682B (zh) | 一种多车交互环境下的轨迹基元提取与分析方法和系统 | |
CN116630702A (zh) | 一种基于语义分割网络的路面附着系数预测方法 | |
CN110705854A (zh) | 一种驾驶水平评估方法及系统 |
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 |