CN114781696B - 一种面向城市路网的无模型事故影响范围预测方法 - Google Patents
一种面向城市路网的无模型事故影响范围预测方法 Download PDFInfo
- Publication number
- CN114781696B CN114781696B CN202210332473.6A CN202210332473A CN114781696B CN 114781696 B CN114781696 B CN 114781696B CN 202210332473 A CN202210332473 A CN 202210332473A CN 114781696 B CN114781696 B CN 114781696B
- Authority
- CN
- China
- Prior art keywords
- domain
- lstm network
- conv
- network layer
- layer structure
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 9
- 230000000007 visual effect Effects 0.000 claims abstract description 8
- 230000008859 change Effects 0.000 claims abstract description 5
- 230000015654 memory Effects 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims description 2
- 230000000644 propagated effect Effects 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims description 2
- 230000006399 behavior Effects 0.000 abstract description 6
- 206010039203 Road traffic accident Diseases 0.000 description 10
- 238000010586 diagram Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000008846 dynamic interplay Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- 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
本发明公开了一种面向城市路网的无模型事故影响范围预测方法,包括PRN域、DT域;包括如下步骤:步骤1:在PRN域,进行DT域中的路网建模、车辆跟车模型建模和交叉口信号灯建模;步骤2:通过模拟软件SUMO的可视化界面实时观察交通状况的变化;对可视化界面进行截图来获得训练Conv‑LSTM网络层结构的数据集;步骤3:通过堆叠多个Conv‑LSTM网络层结构构成编‑解码结构形成Conv‑LSTM网络,来预测城市道路网络中由事故引起的时空拥堵范围;步骤4:通过Conv‑LSTM网络同时捕捉输入图片的时空信息来预测事故的时空影响范围。本发明使用宏观路网图片进行事故时空影响范围预测,无需对驾驶行为进行严格假设,可以捕捉各种动态驾驶行为。
Description
技术领域
本发明属于缓解交通拥堵技术领域,具体涉及一种面向城市路网的无模型事故影响范围预测方法。
背景技术
众所周知,交通事故对经济、环境、人们的健康和生活方式都存在着负面影响。因为复杂的路网结构使城市更容易发生交通事故,缓解事故造成的非经常性拥堵已成为每个城市的重点关注。及时有效缓解由交通事故造成的非经常性拥堵,在很大程度上依赖于采取适当措施的及时响应(例如,及时派遣清理事故的人员和发布事故信息等)。上述措施的有效性取决于对事故造成的时空拥堵范围的准确预测。同时,准确预测事故造成的时空拥堵范围,可以帮助交通管理部门在资源有限、多件事故同时发生的情况下,及时采取有效的事故应对措施。
目前已经存在许多方法来预测城市交通事故造成的拥堵范围。一些现有的方法侧重于事故持续时间的预测,而其他工作则着重研究确定了事故时空范围预测。这里提到的时空预测是指能够同时预测事故持续时间和拥堵扩散的空间范围。其中事故持续时间预测方法有:根据事故清理时间对事故持续时间的影响最大,采用梯度提升决策树方法对事故清理时间进行建模,以预测高速公路上交通事故的持续时间;基于时间、空间、环境、交通和事故细节等9个变量,分别构建了两个多元线性回归模型来预测事故总持续时间和清除时间。事故时空范围预测方法有:首先通过分析存档的事故数据对事故进行分类。然后,通过分析事故发生时间和地点的存档交通数据,构建了每种事故类型对其周围交通的影响。最后,构建了影响模型来预测和量化类似事故发生时对周围交通的影响;一种称作二进制整数编程(BIP)的基于模型的预测方法,仅根据电感线圈检测器数据估计高速公路事故造成的延误的时空范围,并确定对延误有影响的事故特征;提出了一种新的在线模型,可以实时学习当前交通状况,预测在高速公路和干线公路上的交通事故的时空影响范围;结合分析方法和数据挖掘方法,建立了一个模式匹配模型,以确定事故造成的时空拥堵范围,并在确定时空范围时剔除二次事故的影响。
上述的研究方法有以下几点归因于交通模型限制的缺点。首先,上述预测与城市交通事故相关的时空拥堵的工作大多场景都是在高速公路或城市主干道的。这是因为与城市路网相比,高速公路和城市主干道上的道路拥堵关系更容易分析,拥堵传播过程更容易确定。更值得注意的是,大多数现有的时空范围预测方法都依赖于现有的交通模型。然而,交通状况和交通参数很难确定,因为交通状况会随时间的变化而变化,所以要准确地建立一个城市路网的交通动态模型是非常困难的。此外,基于模型的方法受到以下因素的限制:模型偏好,其预测性能严格由模型精度决定。同时,大多数基于模型方法需要对驾驶行为进行严格假设,这些假设会在收集的有限的交通数据下设定和测试,只能表示部分关于真实路网的信息,因此无法充分捕捉动态交互环境中的各种驾驶行为。
发明内容
1.为实现上述目的,本发明提供如下技术方案:一种面向城市路网的无模型事故影响范围预测方法,使用宏观的路网图片进行预测,因此不需要详细的事故道路和其相邻道路的交通数据,不需要对动态交通流进行建模,适用于各种类型的事故场景,包括物理路网域和数字孪生域;物理路网域,即为PRN域;数字孪生域,即为DT域;PRN域是真实的城市的路网;DT域创建了PRN域的虚拟副本,因此从宏观角度观察事故引起的拥堵在路网上的传播情况;包括如下步骤:
步骤1:在PRN域,道路交通信息、车辆驾驶状态和交叉口信号相位信息被实时收集;然后在对原始数据进行融合和处理后,就可以进行DT域中的路网建模、车辆跟车模型建模和交叉口信号灯建模;在DT域中,DT域可以实时映射真实路网的交通运行状态,使交通管理者能够从宏观角度观察路网的交通,同时也为提出的无模型预测方法提供支持;
步骤2:DT域的平台是通过模拟软件SUMO搭建的;所选择的真实路网包括交叉路口、有向道路;为了处理观察DT域得到的宏观路网图片,得到预测的事故时空影响范围;在使用模拟软件SUMO进行事故模拟时,通过模拟软件SUMO的可视化界面实时观察交通状况的变化;对可视化界面进行截图来获得训练Conv-LSTM网络层结构的数据集;
步骤3:将LSTM网络层结构中的输入到状态、状态到状态的变换变为卷积计算,形成Conv-LSTM网络层结构;通过堆叠多个Conv-LSTM网络层结构构成编-解码结构形成Conv-LSTM网络,来预测城市道路网络中由事故引起的时空拥堵范围;
LSTM网络层结构包括用来累积状态信息的记忆单元ct;在LSTM网络层结构中有三个控制单元,分别是“输入门”、“输出门”和“遗忘门”;记忆单元ct将被上述三个控制单元访问、写入和清除,以使LSTM网络层结构能够实现长期记忆;当LSTM网络层结构中有一个新的输入xt时,输入门it被激活,输入信息将被写入存储单元;同时,如果遗忘门ft被激活,最后一个记忆单元信息ct-1将被"遗忘";记忆单元在时间t的输出ct是否会被传播到最终的状态向量ht,由输出门ot控制;其中,LSTM网络层结构的输入、单元输出和状态都是一维向量,LSTM网络层结构的公式如下式(1)所示,其中表示哈德玛乘积;
公式(1)中W是权重因子,b是偏置项,σ(·)、tanh(·)分别是sigmoid激活函数和tanh激活函数;
步骤4:LSTM网络层结构在处理输入序列时会包含很多空间冗余信息,因此Conv-LSTM网络层结构将输入到状态以及状态到状态的转换处使用卷积结构来同时捕捉输入的时空信息,在Conv-LSTM网络层结构中,所有的输入x1,...,xt,单元输出c1,...,ct,隐藏状态h1,...,ht,以及it,ft,ot都是3维向量,两个维度是空间维度行和列;为了更好地理解,把三维向量当作空间网格上的向量;空间网格中某个存储单元的未来状态是由存储单元的本地邻居的输入和过去状态决定的;Conv-LSTM网络层结构的公式显示在下面的公式(2):
公式(2)中表示哈德玛乘积,"*"表示卷积;
步骤5:通过Conv-LSTM网络来预测事故的时空影响范围;多个Conv-LSTM网络层结构叠加形成编-解码结构,解码结构的初始状态和单元输出是由编码结构最终状态复制过来的,编-解码结构的编码结构负责将输入序列压缩成一个隐藏的状态张量,解码结构对隐藏状态张量进行扩展,得到最终的预测结果;上述预测过程用公式(3)来解释;因此适用于无模型预测事故时空影响范围;
公式(3)中表示输入向量,/>表示输出向量,fen表示编码,gde表示解码。
与现有技术相比,本发明的有益效果如下:
本发明使用宏观路网图片进行事故时空影响范围预测,可以解决无法准确建立城市路网的交通动态模型的问题,并且无需对驾驶行为进行严格假设,可以捕捉各种动态驾驶行为。
本发明可以帮助交通管理部门在资源有限、多件事故同时发生的情况下,提前预知拥堵的传播范围和持续时间,以采取及时有效的事故应对措施,提高城市路网交通的运行效率和居民出行幸福度。
附图说明
图1为本发明的数字孪生路网;
图2为本发明的数字孪生路网中的拥堵传播现象:间隔时间为30s;
图3为本发明的Conv-LSTM网络层结构内部的卷积结构示意图;
图4为本发明的编-解码结构训练的输入输出示意图;
图5为本发明的编-解码结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
请参阅图1-5,本发明提供一种技术方案实施例:一种面向城市路网的无模型事故影响范围预测方法:
步骤1:收集数据集以及进行处理
为了验证提出的方法,在数字孪生平台上模拟交通事故的发生,获得相应的宏观路网图片。具体来说,为了使事故造成的拥堵情况易于观察,通过控制随机选择的路口的红灯时间超过正常时间来模拟交通事故。交通控制接口(Traffic Control Interface,Traci)和模拟软件SUMO的组合可以通过使用python编写的代码,控制路网中所有交通灯的状态。现实世界的路网中的每个路口在模拟软件SUMO中都有一个唯一的编号,所以可以通过选择编号来选择路口。模拟事故的过程描述如下。在模拟中,随机选择24个交通灯中的一个,在设定的时间内保持红色。
在使用模拟软件SUMO进行事故模拟时,实验者可以通过模拟软件SUMO的可视化界面实时观察交通状况的变化。在设定的时间内(309s-409s)对的可视化界面进行截图来获得训练Conv-LSTM网络层结构的数据集,其中设置事故发生的时间为第400秒。显然,每组数据中有20帧图片。其中,事故发生前的10帧图片作为Conv-LSTM网络层结构的输入,而事故发生后的10帧图片作为输出。接下来,需要对数据进行预处理,然后才能用于训练和测试Conv-LSTM网络层结构。数据预处理包括以下两个步骤。首先,数据集中的图片需要重新裁剪为以事故发生地点为中心的180×320尺寸。其次,将图片转换为灰度图,以减少预测图片的噪音。将重复70次上述数据生成过程和预处理过程产生的数据集,按照5:1:1的比例分为训练集、验证集和测试集。
步骤2:搭建Conv-LSTM网络
与传统的LSTM网络层结构只能提取序列的时间特征相比,Conv-LSTM网络可以同时提取时间和空间特征。对于本发明所使用的预测事故的时空影响范围的数据集,Conv-LSTM网络层结构可以同时提取输入图像的空间特征,和保持预测结果的时间相关性。在实验中,比较了Conv-LSTM网络层结构、LSTM网络层结构和一种基于模型的数学分析方法的预测性能。所选择的基于模型的方法是通过对比事故发生之后的速度与无事故发生时的路速,来确定由事故影响而导致速度下降的区域。因为现有的大部分基于模型的方法本质都是速度对比,因此所选取的方法非常具有代表性。在训练过程中,设定当连续20个epochs的验证集的loss值没有下降趋势时停止训练。
最终搭建的LSTM网络由两个具有2000个节点的LSTM网络层结构组成。对于Conv-LSTM网络,输入和输出都是10×180×320×1张量。本发明所设计的Conv-LSTM网络的编码结构由隐藏状态值为64、96和96的三个Conv-LSTM网络层结构组成。所有输入到状态和状态到状态的内核的大小为3×3。解码结构也由隐藏状态值为96、96和64的三个Conv-LSTM网络层结构组成,前两层的输入到状态和状态到状态的核大小为4×4,最后一层为3×3。因为预测与输入都是图片,维度一致,所以将编-解码结构的最后一层设置为1×1卷积层。使用图片间的相关性作为评估准确性的指标的计算公式如公式(4)所示:
其中ε=10-9。Pij和Lij分别表示预测帧和标签帧图片的像素值。下标i和j分别表示行和列。
表I预测精度对比结果
表I所示的比较结果表明,Conv-LSTM网络层结构的预测性能优于LSTM网络层结构。这是因为Conv-LSTM网络层结构在处理空间信息方面更强大。从表I也可以看出,本文所提方法的预测精度优于基于模型的方法。这表明提出的方法能够在不受模型限制的情况下达到更好的预测精度。
步骤3:预测结果
在训练Conv-LSTM网络层结构时,使用了三个不同交通流量的数据集,分别是2400辆/小时、3600辆/小时和4800辆/小时。预测精度对比显示在表I中。从表I可以看出,交通流量为4800辆/小时的数据集的预测精度最高。这是因为交通流量为4800辆/小时的数据集(模拟软件SUMO可视化界面的截图)的空间特征最容易被Conv-LSTM网络层结构中的卷积部分所捕捉。而之所以空间特征容易被捕捉,是因为交通流量的数值越大,路网中交通事故造成的车辆排队现象就越明显。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (2)
1.一种面向城市路网的无模型事故影响范围预测方法,其特征在于,包括物理路网域和数字孪生域;物理路网域,即为PRN域;数字孪生域,即为DT域;PRN域是真实的城市的路网;DT域创建了PRN域的虚拟副本,因此从宏观角度观察事故引起的拥堵在路网上的传播情况;包括如下步骤:
步骤1:在PRN域,道路交通信息、车辆驾驶状态和交叉口信号相位信息被实时收集;然后在对原始数据进行融合和处理后,就可以进行DT域中的路网建模、车辆跟车模型建模和交叉口信号灯建模;在DT域中,DT域可以实时映射真实路网的交通运行状态,使交通管理者能够从宏观角度观察路网的交通,同时也为提出的无模型预测方法提供支持;
步骤2:DT域的平台是通过模拟软件SUMO搭建的;所选择的真实路网包括交叉路口、有向道路;为了处理观察DT域得到的宏观路网图片,得到预测的事故时空影响范围;在使用模拟软件SUMO进行事故模拟时,通过模拟软件SUMO的可视化界面实时观察交通状况的变化;对可视化界面进行截图来获得训练Conv-LSTM网络层结构的数据集;
步骤3:将LSTM网络层结构中的输入到状态、状态到状态的变换变为卷积计算,形成Conv-LSTM网络层结构;通过堆叠多个Conv-LSTM网络层结构构成编-解码结构形成Conv-LSTM网络,来预测城市道路网络中由事故引起的时空拥堵范围;
LSTM网络层结构包括用来累积状态信息的记忆单元ct;在LSTM网络层结构中有三个控制单元,分别是“输入门”、“输出门”和“遗忘门”;记忆单元ct将被上述三个控制单元访问、写入和清除,以使LSTM网络层结构能够实现长期记忆;当LSTM网络层结构中有一个新的输入xt时,输入门it被激活,输入信息将被写入存储单元;同时,如果遗忘门ft被激活,最后一个记忆单元信息ct-1将被"遗忘";记忆单元在时间t的输出ct是否会被传播到最终的状态向量ht,由输出门ot控制;其中,LSTM网络层结构的输入、单元输出和状态都是一维向量,LSTM网络层结构的公式如下式(1)所示,其中表示哈德玛乘积;
公式(1)中W是权重因子,b是偏置项,σ(·)、tanh(·)分别是sigmoid激活函数和tanh激活函数;
步骤4:LSTM网络层结构在处理输入序列时会包含很多空间冗余信息,因此Conv-LSTM网络层结构将输入到状态以及状态到状态的转换处使用卷积结构来同时捕捉输入的时空信息,在Conv-LSTM网络层结构中,所有的输入x1,...,xt,单元输出c1,...,ct,隐藏状态h1,...,ht,以及it,ft,ot都是3维向量,两个维度是空间维度行和列;为了更好地理解,把三维向量当作空间网格上的向量;空间网格中某个存储单元的未来状态是由存储单元的本地邻居的输入和过去状态决定的;Conv-LSTM网络层结构的公式显示在下面的公式(2):
公式(2)中表示哈德玛乘积,"*"表示卷积;
步骤5:通过Conv-LSTM网络来预测事故的时空影响范围;多个Conv-LSTM网络层结构叠加形成编-解码结构,解码结构对隐藏状态张量进行扩展,得到最终的预测结果;上述预测过程用公式(3)来解释;因此适用于无模型预测事故时空影响范围;
公式(3)中表示输入向量,/>表示输出向量,fen表示编码,gde表示解码。
2.根据权利要求1所述的一种面向城市路网的无模型事故影响范围预测方法,其特征在于,所述步骤5中解码结构的初始状态和单元输出是由编码结构最终状态复制过来的,编-解码结构的编码结构负责将输入序列压缩成一个隐藏的状态张量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210332473.6A CN114781696B (zh) | 2022-03-30 | 2022-03-30 | 一种面向城市路网的无模型事故影响范围预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210332473.6A CN114781696B (zh) | 2022-03-30 | 2022-03-30 | 一种面向城市路网的无模型事故影响范围预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114781696A CN114781696A (zh) | 2022-07-22 |
CN114781696B true CN114781696B (zh) | 2024-04-16 |
Family
ID=82426615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210332473.6A Active CN114781696B (zh) | 2022-03-30 | 2022-03-30 | 一种面向城市路网的无模型事故影响范围预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114781696B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115049167B (zh) * | 2022-08-16 | 2022-11-08 | 北京市城市规划设计研究院 | 交通态势预测方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105608896A (zh) * | 2016-03-14 | 2016-05-25 | 西安电子科技大学 | 城市交通网络中的交通瓶颈识别方法 |
CN110929378A (zh) * | 2019-10-25 | 2020-03-27 | 中国科学院深圳先进技术研究院 | 一种基于数字孪生的高层建筑应急疏散方法、系统及电子设备 |
CN111524353A (zh) * | 2020-04-28 | 2020-08-11 | 中国计量大学 | 一种交通文本数据用于速度预测及行程规划方法 |
CN113112789A (zh) * | 2021-03-08 | 2021-07-13 | 张晔婷 | 城市快速路突发事件的影响预测及管控方法 |
CN113268916A (zh) * | 2021-04-07 | 2021-08-17 | 浙江工业大学 | 一种基于时空图卷积网络的交通事故预测方法 |
CN113379187A (zh) * | 2021-04-29 | 2021-09-10 | 武汉理工大学 | 一种交通气象灾害评估方法、装置及计算机可读存储介质 |
KR102321897B1 (ko) * | 2021-05-18 | 2021-11-08 | 주식회사 플럭시티 | 건설 현장의 3차원 모델링 공간에서 위험도를 나타내는 방법 및 컴퓨터 프로그램 제품 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2605991A (en) * | 2021-04-21 | 2022-10-26 | Zeta Specialist Lighting Ltd | Traffic control at an intersection |
-
2022
- 2022-03-30 CN CN202210332473.6A patent/CN114781696B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105608896A (zh) * | 2016-03-14 | 2016-05-25 | 西安电子科技大学 | 城市交通网络中的交通瓶颈识别方法 |
CN110929378A (zh) * | 2019-10-25 | 2020-03-27 | 中国科学院深圳先进技术研究院 | 一种基于数字孪生的高层建筑应急疏散方法、系统及电子设备 |
CN111524353A (zh) * | 2020-04-28 | 2020-08-11 | 中国计量大学 | 一种交通文本数据用于速度预测及行程规划方法 |
CN113112789A (zh) * | 2021-03-08 | 2021-07-13 | 张晔婷 | 城市快速路突发事件的影响预测及管控方法 |
CN113268916A (zh) * | 2021-04-07 | 2021-08-17 | 浙江工业大学 | 一种基于时空图卷积网络的交通事故预测方法 |
CN113379187A (zh) * | 2021-04-29 | 2021-09-10 | 武汉理工大学 | 一种交通气象灾害评估方法、装置及计算机可读存储介质 |
KR102321897B1 (ko) * | 2021-05-18 | 2021-11-08 | 주식회사 플럭시티 | 건설 현장의 3차원 모델링 공간에서 위험도를 나타내는 방법 및 컴퓨터 프로그램 제품 |
Non-Patent Citations (2)
Title |
---|
Digital Twin Empowered Model Free Prediction of Accident-Induced Congestion in Urban Road Networks;Xingyi Ji 等;《2022 IEEE 95th Vehicular Technology Conference》;20220825;第1-6页 * |
城市交通网络事故影响范围预测;计星怡 等;《2020中国信息通信大会论文集(CICC 2020)》;20201204;第318-322页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114781696A (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109697852B (zh) | 基于时序交通事件的城市道路拥堵程度预测方法 | |
CN111612206B (zh) | 一种基于时空图卷积神经网络的街区人流预测方法及系统 | |
Chen et al. | Learning deep representation from big and heterogeneous data for traffic accident inference | |
CN111145541B (zh) | 交通流量数据预测方法、存储介质和计算机设备 | |
CN113486726B (zh) | 一种基于改进卷积神经网络的轨道交通障碍物检测方法 | |
CN112257934A (zh) | 一种基于时空动态神经网络的城市人流预测方法 | |
CN114802296A (zh) | 一种基于动态交互图卷积的车辆轨迹预测方法 | |
CN110570035B (zh) | 同时建模时空依赖性和每日流量相关性的人流量预测系统 | |
CN114944053B (zh) | 一种基于时空超图神经网络的交通流预测方法 | |
WO2023123906A1 (zh) | 交通信号灯控制方法及相关设备 | |
CN114692762A (zh) | 一种基于图注意力交互机制的车辆轨迹预测方法 | |
McDuff et al. | Causalcity: Complex simulations with agency for causal discovery and reasoning | |
CN112084240B (zh) | 一种群租房智能识别、联动治理方法及系统 | |
CN113362491A (zh) | 一种车辆轨迹预测及驾驶行为分析方法 | |
CN116187555A (zh) | 基于自适应动态图的交通流预测模型构建方法及预测方法 | |
CN114781696B (zh) | 一种面向城市路网的无模型事故影响范围预测方法 | |
CN113762338A (zh) | 一种基于多重图注意力机制的交通流预测方法、设备及介质 | |
CN111047078A (zh) | 交通特征预测方法、系统及存储介质 | |
CN115662113A (zh) | 一种信号交叉口人车博弈冲突风险评估与预警方法 | |
Wei et al. | Dual graph for traffic forecasting | |
CN114219968A (zh) | 一种基于MA-Xnet的路面裂缝分割方法 | |
Zhang et al. | Off-deployment traffic estimation—a traffic generative adversarial networks approach | |
CN117116048A (zh) | 基于知识表示模型和图神经网络的知识驱动交通预测方法 | |
Ji et al. | Digital twin empowered model free prediction of accident-induced congestion in urban road networks | |
Chen et al. | Traffic flow prediction based on cooperative vehicle infrastructure for cloud control platform |
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 |