CN115081508A - 一种基于交通数字孪生的交通运行风险平行仿真系统 - Google Patents
一种基于交通数字孪生的交通运行风险平行仿真系统 Download PDFInfo
- Publication number
- CN115081508A CN115081508A CN202210450623.3A CN202210450623A CN115081508A CN 115081508 A CN115081508 A CN 115081508A CN 202210450623 A CN202210450623 A CN 202210450623A CN 115081508 A CN115081508 A CN 115081508A
- Authority
- CN
- China
- Prior art keywords
- traffic
- data
- vehicle
- time
- information
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 63
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000013136 deep learning model Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000007405 data analysis Methods 0.000 claims abstract description 15
- 230000005540 biological transmission Effects 0.000 claims abstract description 11
- 230000000007 visual effect Effects 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 3
- 239000010410 layer Substances 0.000 claims description 40
- 239000002352 surface water Substances 0.000 claims description 27
- 238000012417 linear regression Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 17
- 239000002346 layers by function Substances 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000006399 behavior Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 7
- 239000002245 particle Substances 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 4
- 230000008447 perception Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013058 risk prediction model Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
- G06F16/287—Visualization; Browsing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于交通数字孪生的交通运行风险平行仿真系统，包括：交通数据采集模块，采集高速公路车辆车道级位置轨迹信息；气象数据采集模块，采集高速公路沿途气象信息；数据处理模块，将信息处理成结构化数据；数据传输模块，将路侧处理好的数据发送至数据分析模块和可视化展示模块；仿真驱动模块，利用Gipps跟驰模型和换道模型对未来短时车辆位置进行预测仿真，同时根据实时气象数据对未来短时交通气象情况进行预测仿真；数据分析模块，利用基于SAEs的深度学习模型判断当前交通运行风险状态；可视化展示模块，进行可视化展示。与现有技术相比，本发明具有预测准确度高，具备可复制推广、鲁棒性强等优点。
Description
技术领域
本发明涉及大数据应用技术领域，尤其是涉及一种基于交通数字孪生的交通运行风险平行仿真系统。
背景技术
随着我国交通行业的快速发展，公众对于高速公路及城市交通出行的需求逐年攀升。公众和管理部门对于主动交通管理的需求愈加突出。目前道路上车辆轨迹检测技术已经发展成熟，可以利用雷达、视频、GPS等数据获取实时的车辆运行轨迹。然而目前无法根据当前车辆运行轨迹实现实时交通评估，且传统的交通运行风险预测模型无法在线使用，现有技术基于集计化的交通断面数据极易造成预测准确度低，导致无法在实际中获得良好的应用。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于交通数字孪生的交通运行风险平行仿真系统。
本发明的目的可以通过以下技术方案来实现：
一种基于交通数字孪生的交通运行风险平行仿真系统，该系统包括：
交通数据采集模块，用于实时采集高速公路车辆车道级位置轨迹信息；
气象数据采集模块，用于实时采集高速公路沿途的气象信息，包括气温、能见度、降雨量、风力、风向、路面水膜厚度和路面水膜状态；
数据处理模块，用于在边端及云端进行数据结构化处理及分析，利用分布式处理将雷达车辆轨迹信息和气象信息处理成结构化数据；
数据传输模块，用于将路侧处理好的数据发送至云端的数据分析模块和可视化展示模块；
仿真驱动模块，用于根据数据采集模块获取的实时车辆位置信息，利用Gipps 跟驰模型和换道模型对未来短时车辆位置进行预测仿真，同时根据实时气象数据利用基于LinearRegression实现的多变量线性回归模型对未来短时交通气象情况进行预测仿真；
数据分析模块，用于根据实时车辆位置信息、速度信息及气象信息，利用基于SAEs的深度学习模型判断当前交通运行风险状态；
可视化展示模块，用于采用GIS匹配技术将车辆位置信息、速度信息、气象信息及交通运行风险信息进行可视化展示。
进一步地，所述交通数据采集模块采用路侧毫米波雷达或激光雷达实时采集高速公路车辆车道级位置轨迹信息，信息采集频率和信息传输的频率为毫秒级，车辆位置定位精度为分米级。
进一步地，所述气象数据采集模块采用微气象站实时采集高速公路沿途气象信息，包括气温、能见度、降雨量、风力、风向、路面水膜厚度和路面水膜状态，所述气象数据采集模块的信息采集和信息传输的频率为秒级，采集的路面水膜厚度不小于6000μm，路面水膜状态包括：干、潮、湿、冰、雪/冰、严重潮湿和危险。
进一步地，所述数据处理模块中输入的雷达车辆轨迹信息为雷达帧数据格式，输出的结构化车辆轨迹数据为基于时间序列的完成全域车辆ID统一及轨迹拼接的具有车辆经纬度坐标及速度信息的车辆轨迹时序数据，时间序列采用UTC时间，与世界时的时间延误应为100毫秒以内。
进一步地，利用Gipps跟驰模型和换道模型对未来短时车辆位置进行预测仿真的由建模层、功能层和人机交互曾组成的框架实现，其中：
所述建模层包括：
建模部分，用于对交通数据进行特征提取，实现系统的抽象与建模，实现对车辆位置的实时映射和超前预测；建模部分涉及的路网模型包括道路几何特征、车道划分和路段基本结构，涉及的交通对象包括路面上行驶的全部车辆类型以及非机动车和行人，涉及的交通轨迹模型包括车道转向限制、车道类型限制和车速限制，涉及的车辆产生模型根据某种车头时距的概率分布规律随机生成，并不断在车源处产生新的车辆，涉及的核心模型包括作为车辆驾驶行为的变化依据的Gipps跟驰模型和换道模型；
计算部分，包括用于对数据进行实时数据的嵌入式计算单元，和用于完成复杂的建模计算和历史数据分析的云计算单元；
所述功能层，用于获得建模层的数据与信息，以实现预期功能；
所述人机交互层：用于为用户提供数字孪生系统运行情况，获得有数据依据的分析决策。
进一步地，所述建模层的具体流程包括：
a1)由函数生成车辆，车辆的生成满足泊松分布；
a2)同一车道相邻两辆车之间的等待时间满足指数分布，根据相邻两辆车之间等待时间均值以及上界和下界进行计算，产生随机车道随机类型车辆以及随机车速，随后车辆进入运行函数，即进入纵向位移函数计算，换道决策以及横向位移函数计算；
a3)基于Gipps跟驰模型，车辆在进入跟驰行为模式后自动按照前导车辆与当前车辆的速度与距离关系进行间距计算，并基根据计算的间距判断是否安全，通过比较选择合适的速度，进行跟驰行为；
a4)换道模型的算法采用Gipps跟驰模型中的部分决策树，判断周围感知范围内存在的车辆是否存在影响变道轨迹时的车辆发生变道的可能性，当车辆感知车道变道存在可能性时，继续进行下一步决策运算，即车辆计算一个优先值，以进行目标车道与当前车道的优势度的计算。
进一步地，所述功能层的具体内容为：
功能层基于内嵌的数据分析模块对实现各个预期功能，包括根据实时车辆位置信息、速度信息及气象信息利用基于SAEs的深度学习模型综合判断当前交通运行风险状态，以及同时利用仿真驱动模块获取未来各时刻的交通运行风险状态，并根据仿真结果对交通运行风险进行评价。
所述基于SAEs的深度学习模型的具体内容为：
b1)基于建模层的交通特征参数及数据采集模块获取的气象参数，以及车头时距分布建立数据集，其中车头时距为：
式中，TTCi为车辆i在t时刻相对于前车的碰撞时间，Xh(t)为t时刻车辆i的前车h的车头位置，lh为车辆h的车身长度，Vi(t)为t时刻车辆i的瞬时速度，Vh(t) 为t时刻车辆h的瞬时速度；
b2)定义交通冲突：以2.3s作为阈值，将计算的小于2.3s的TTC值均统计为一次交通冲突，并将交通冲突次数计为1，冲突认定情况的表达式为：
式中，Qi为交通冲突次数；
b3)以1分钟为时间片段的长度，以100米为路段长度进行统计，将整条道路分为若干段路段及若干个时间片段，并收集冲突段的交通冲突情况，建立交通冲突数据集；
b4)采用K-means聚类算法对每个时间段的每个路段的交通冲突数量进行聚类分析，采用欧氏距离作为衡量数据点相似性的指标，计算样本集中各个数据点距离初始质点的距离，并采用距离最近原则，将数据点分配至距离最近的质点，即将相似的数据归为一簇，将交通冲突数据集分为三簇，并分别定位为交通冲突高风险、中风险、低风险；
b5)将交通流量、各车道车辆占有率、车辆速度、车辆加速度、车辆相对车道中心线的横向偏移量、各车道车辆密度、车头时距、气温、能见度、降雨量、路面水膜厚度、路面水膜状态作为输入变量并进行数据标准化处理，利用步骤4)中的交通冲突数据集建立原始数据集，并采用随机森林法来对数据维度进行降维处理，得到训练数据集；
b6)训练基于SAEs的深度学习模型，以训练集作为输入，第一层被训练为自动编码器；在获得第一个隐藏层之后，第m个隐藏层的输出作为第m+1个隐藏层的输入；模型结构由用于提取短时交通流特征的SAEs与用于有监督的短时交通流预测的逻辑回归层共同组成，采用基于梯度优化技术的反向传播算法训练深层网络；在预训练阶段完成后，借助BP神经网络自上而下对预测模型的参数进行调整；
b7)最终获取基于车辆轨迹特征参数及气象参数的交通运行风险研判模型。
进一步地，所述仿真驱动模块获取未来1min，2min，5min，10min，20min及 30min时刻的车辆位置及气象信息，基于SAEs的深度学习模型判断交通运行风险状态，通过在线仿真软件，获取未来1min，2min，5min，10min，20min及30min 时刻的交通运行风险等级。
进一步地，根据实时气象数据利用基于LinearRegression实现的多变量线性回归模型对未来短时交通气象情况进行预测仿真的具体步骤包括：
1)基于当前时刻及过去1h内的气温、能见度、降雨量、路面水膜厚度参数，以1min尺度进行集计处理，针对气温、能见度、降雨量、路面水膜厚度四个参数分别采用基于LinearRegression实现的多变量线性回归模型利用历史时序数据作为输入变量进行预测；
2)根据功能层需求，预测未来1min，2min，5min，10min，20min及30min 时刻气温、能见度、降雨量、路面水膜厚度四个参数值，并输入到仿真驱动模块中，基于SAEs的深度学习模型提供气象输入变量。
本发明提供的基于交通数字孪生的交通运行风险平行仿真系统，相较于现有技术至少包括如下有益效果：
1)本发明方法构建交通数字孪生系统所用的数据为路侧固定的毫米波雷达和激光雷达检测设备采集数据，采用的是实时的雷达数据，具有检测精度高，检测速度快的特点，通过分布式计算可以实现车辆位置信息实时感知；
2)仿真驱动模块负责根据数据采集模块获取的实时车辆位置信息利用Gipps 跟驰模型和换道模型对未来短时车辆位置进行预测仿真，同时根据实时气象数据利用基于LinearRegression实现的多变量线性回归模型对未来短时交通气象情况进行预测仿真，对于未来个体车辆位置及气象信息可以进行精细化仿真，有利于交通运行风险研判精度大大提高，同时使得可视化展示效果大大提升；
3)数据分析模块负责根据实时车辆位置信息、速度信息及气象信息利用基于SAEs的深度学习模型综合研判当前交通运行风险状态，可以利用交通数字孪生系统和平行仿真系统对未来交通状态进行高精度预测，对未来交通运行风险进行预警；
4)由于本发明采用分米级车辆定位数据及高频气象数据，解决了传统交通运行风险预测模型不能在线使用的问题及基于集计化的交通断面数据造成的预测准确度低无法在实际中应用的问题，同时本发明具备可复制推广、鲁棒性强的特点。
附图说明
图1为实施例中基于交通数字孪生的交通运行风险平行仿真系统的原理流程示意图。
图2为实施例中基于交通数字孪生的交通运行风险平行仿真系统中仿真驱动模块流程示意图；
图3为实施例中基于交通数字孪生的交通运行风险平行仿真系统中可视化展示模块的展示示例。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
实施例
针对现有技术的缺陷，可知构建交通运行数字孪生系统具有重要研究价值。
数字孪生系统指的是对物理系统的虚拟映射，这一系统在其他的交通领域得到了运用，其与平行系统在概念上存在包含关系。传统的交通仿真系统在概念层面可以作为数字孪生系统建模层的基础。
本发明提供一种基于交通数字孪生的交通运行风险平行仿真系统，该系统利用实时高精度车辆轨迹数据及气象数据构建交通数字孪生系统，利用微观仿真模型及交通数字孪生系统实现交通平行仿真，同时通过构建深度学习模型，实现实时及未来短时交通运行风险研判。
一种基于交通数字孪生的交通运行风险平行仿真系统，如图1所示，包括交通数据采集模块、气象数据采集模块、数据处理模块、数据传输模块、仿真驱动模块、数据分析模块和可视化展示模块。
其中，交通数据采集模块采用路侧毫米波雷达或激光雷达负责实时采集高速公路车辆车道级位置轨迹信息，其车辆位置采集和传输的频率应为毫秒级，车辆位置定位精度应为分米级，能适应全天候及多种气象条件下的车辆位置及车速监测。
气象数据采集模块采用微气象站，负责实时采集高速公路沿途气象信息，包括气温、能见度、降雨量、风力、风向、路面水膜厚度、路面水膜状态，其信息采集和传输的频率应为秒级，本模块采用水膜厚度传感器获取路面水膜厚度，其水膜厚度传感器可监测的水膜高度不小于6000μm，路面状况(路面水膜状态)包括：干、潮、湿、冰、雪/冰、严重潮湿、危险。
数据处理模块负责在边端及云端进行数据结构化处理及分析，利用分布式处理将雷达车辆轨迹信息和气象信息处理成结构化数据。
进一步地，数据处理模块中输入的雷达车辆轨迹信息为雷达帧数据格式，输出的结构化车辆轨迹数据为基于时间序列的完成全域车辆ID统一及轨迹拼接的具有车辆经纬度坐标及速度信息的车辆轨迹时序数据，时间序列采用UTC时间，与世界时的时间延误应为100毫秒以内。
数据传输模块负责将路侧处理好的数据通过光纤或无线信号发射器发送至云端的数据分析模块和可视化展示模块。
仿真驱动模块负责根据数据采集模块获取的实时车辆位置信息，利用Gipps 跟驰模型和换道模型对未来短时车辆位置进行预测仿真，同时根据实时气象数据利用基于LinearRegression实现的多变量线性回归模型对未来短时交通气象情况进行预测仿真。
数据分析模块负责根据实时车辆位置信息、速度信息及气象信息利用基于 SAEs的深度学习模型综合研判当前交通运行风险状态。
可视化展示模块采用GIS匹配技术负责将车辆位置信息、速度信息、气象信息及交通运行风险信息进行可视化展示，例如图3所示的车辆位置信息。
基于上述内容，具体地，本发明系统采用Gipps模型的平行仿真按照建立的建模层、功能层和人机交互层实现。其中：
建模层：建模部分是整个数字孪生系统及平行仿真的核心部分，建模部分分为建模部分和运算部分。
建模部分，需要对交通数据进行特征提取，实现其系统的抽象与建模，实现对车辆位置的实时映射和超前预测，包括：路网模型(包括道路几何特征、车道划分、路段基本结构)、交通对象(包括路面上行驶的全部车辆类型以及非机动车和行人)、交通轨迹模型(包括：车道转向限制、车道类型限制、车速限制)、车辆产生模型 (按照某种车头时距的概率分布规律随机、不断在车源处产生新的车辆)、核心模型(包括跟驰、换道模型，本发明采用Gipps跟驰和换道模型作为车辆主要的驾驶行为的变化依据)。
计算部分则主要为嵌入式计算和云计算，前者用于实时的数据的处理，后者完成复杂的建模计算和历史数据分析，减少实时数据处理的压力，提升工作效率。
具体地，由函数生成车辆，车辆的生成满足泊松分布。
同一车道相邻两辆车之间的等待时间满足指数分布，根据相邻两辆车之间等待时间均值以及上界和下界进行计算，产生随机车道随机类型车辆以及随机车速。之后车辆进入运行函数，也即进入纵向位移函数计算，换道决策以及横向位移函数计算。
其中，跟驰算法即使用Gipps模型中算法，车辆在进入跟驰行为模式之后会自动按照前导车辆与当前车辆的速度与距离关系进行间距计算，并且判断这一间距条件来判断是否安全，同时Gipps模型中对车辆自身速度也存在限制。最后选择通过比较来选择一个合适的速度，进行跟驰行为。
其中，换道算法使用Gipps模型中的部分决策树，具体为变道的可行性，体现在当周围感知范围内存在车辆影响变道轨迹时车辆不会发生变道。当车辆感知道车道变道存在可能性的时候，继续进行下一步决策运算，也即车辆会计算一个优先值，来进行目标车道与当前车道的优势度的计算。具体体现在：当当前车道有车而相邻车道没有车时，车辆根据另一个车道的占用率以及最大速度来计算一个其进入该车道需要达到的速度以及自身当前的目标车速。将这两者进行对比，返还更为接近的数值，用1/(1+targetVelocity±desiredVelocity)作为期望值来代表，其中targetVelocity 为车辆自身当前的目标车速，desiredVelocity为车道需要达到的速度。最后车辆在对比两车道的这一期望值对比之下，进行换道选择。仿真驱动模块具体的流程如图 2所示。
功能层：功能层是本系统核心价值的体现。系统获得建模层的数据与信息，来实现预期的功能。这一层要能反应物理系统的内在情况，并且能够实现辅助决策等功能，保证系统在后一层次上的人机交互的体验以及性能表现状况。
功能层基于内嵌的数据分析模块对各个功能进行实现，包括功能层负责根据实时车辆位置信息、速度信息及气象信息，利用基于SAEs的深度学习模型综合研判当前交通运行风险状态，该算法是一种经典的深度学习模型。
SAEs模型以一组自动编码器为模块，通过模块堆叠来创建深度网络，基于基本交通流参数及气象参数对交通运行风险等级进行预测判断，同时利用仿真驱动模块获取未来1min，2min，5min，10min，20min及30min时刻的交通运行风险状态，其中仿真驱动模块是应用在线仿真软件，通过采用以实时交通流为初始化参数的仿真模拟未来短时车辆位置速度，并根据仿真结果对交通运行风险进行评价。
SAEs模型输入的交通特征参数，包括：交通流量、各车道车辆占有率、车辆速度、车辆加速度、车辆相对车道中心线的横向偏移量、各车道车辆密度、车头时距及数据采集模块获取的气象参数，包括：气温、能见度、降雨量、路面水膜厚度、路面状态(包括：干、潮、湿、冰、雪/冰、严重潮湿、危险)，以及车头时距分布建立数据集，其中车头时距为：
其中，TTCi是i车在t时刻相对于前车的碰撞时间，因为数据采集到的车辆位置是车头的位置，所以Xi(t)是t时刻i车的车头位置，Xh(t)是t时刻i车的前车h 的车头位置，lh是h车的车身长度，Vi(t)是t时刻i车的瞬时速度，Vh(t)是t时刻 h车的瞬时速度。
然后定义交通冲突：以2.3s作为阈值，凡是计算得到的TTC值小于2.3s，均统计为一次交通冲突，交通冲突次数统计为1，反之统计为0，冲突认定情况的具体表达式为：
式中，Qi为交通冲突次数。
进一步地，以1分钟为一时间片段的长度，以100米为路段长度进行统计，将整条道路分为若干段路段及若干个时间片段，来收集冲突段的交通冲突情况，建立交通冲突数据集。
采用K-means聚类算法对每个时间段的每个路段的交通冲突数量进行聚类分析，采用欧氏距离来作为衡量数据点相似性的指标，计算样本集中各个数据点距离初始质点的距离，并采用距离最近原则，将数据点分配至距离最近的质点，即可将相似的数据归为一簇。
将交通冲突数据集分为3簇，分别定位为交通冲突高风险、中风险、低风险。
进一步地，本发明将交通流量、各车道车辆占有率、车辆速度、车辆加速度、车辆相对车道中心线的横向偏移量、各车道车辆密度、车头时距、气温、能见度、降雨量、路面水膜厚度、路面状态作为输入变量并进行数据标准化处理。
利用交通冲突数据集建立原始数据集。
采用随机森林法来对数据维度进行降维处理，得到训练数据集。利用python 中rfc以训练集数据构建训练模型，而后导入测试集用rfc的接口score计算模型的准确率。
训练基于SAEs的深度学习模型，以训练集作为输入，第一层被训练为自动编码器；在获得第一个隐藏层之后，第m个隐藏层的输出作为第m+1个隐藏层的输入。模型结构由用于提取短时交通流特征的SAEs与用于有监督的短时交通流预测的逻辑回归层共同组成。
采用基于梯度优化技术的反向传播(Back Propagation，BP)算法训练深层网络，贪婪分层无监督学习算法由于自底向上依次对深层网络中每一层参数进行训练而展现出优势性。在预训练阶段完成后，再借助BP神经网络自上而下对预测模型的参数进行调整。
根据实时气象数据利用基于LinearRegression实现的多变量线性回归模型对未来短时交通气象情况进行预测仿真。
具体地，基于当前时刻及过去1h内的气温、能见度、降雨量、路面水膜厚度参数，以1min尺度进行集计处理，针对气温、能见度、降雨量、路面水膜厚度四个参数分别采用基于LinearRegression实现的多变量线性回归模型利用历史时序数据作为输入变量进行预测。
根据功能层需求，预测未来1min，2min，5min，10min，20min及30min时刻气温、能见度、降雨量、路面水膜厚度四个参数值，并输入到仿真驱动模块中，为基于SAEs的深度学习模型提供气象输入变量。
最终获得基于车辆轨迹特征参数及气象参数的交通运行风险研判模型。
人机交互层：交互层是呈现数字孪生系统与平行仿真系统的用户体验的层次，让用户能够快速获得数字孪生系统运行情况，掌握物理系统的特性和实时性能，获得有数据依据的分析决策。这一层能直接衡量整套系统的易用性和友好性。
综上，本实施例的仿真驱动模块获取未来1min，2min，5min，10min，20min 及30min时刻的车辆位置及气象信息，利用基于SAEs的深度学习模型研判交通运行风险状态，通过在线仿真软件，获取未来1min，2min，5min，10min，20min及 30min时刻的交通运行风险等级。
本发明在传统的交通仿真的基础上，提出了基于交通数字孪生的交通运行风险平行仿真系统，本发明提供的交通运行风险平行仿真系统基于交通数字孪生模块，利用车辆实时的车道级轨迹数据、微观跟驰和换道模型及气象数据对当前及未来多尺度交通运行风险进行在线仿真，实现了基于车辆轨迹数据及Gipps模型的交通运行仿真可视化，实现数字孪生系统中由数据层到建模层的转换，及人机交互界面，本系统提出了数字孪生系统与微观交通仿真模型融合方法，实现交通数字孪生技术和平行仿真技术的结合及在交通运行风险上的在线应用，解决了传统交通运行风险预测模型不能在线使用的问题及基于集计化的交通断面数据造成的预测准确度低无法在实际中应用的问题，同时本发明具备可复制推广、鲁棒性强的特点。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于交通数字孪生的交通运行风险平行仿真系统，其特征在于，包括：
交通数据采集模块，用于实时采集高速公路车辆车道级位置轨迹信息；
气象数据采集模块，用于实时采集高速公路沿途的气象信息，包括气温、能见度、降雨量、风力、风向、路面水膜厚度和路面水膜状态；
数据处理模块，用于在边端及云端进行数据结构化处理及分析，利用分布式处理将雷达车辆轨迹信息和气象信息处理成结构化数据；
数据传输模块，用于将路侧处理好的数据发送至云端的数据分析模块和可视化展示模块；
仿真驱动模块，用于根据数据采集模块获取的实时车辆位置信息，利用Gipps跟驰模型和换道模型对未来短时车辆位置进行预测仿真，同时根据实时气象数据利用基于LinearRegression实现的多变量线性回归模型对未来短时交通气象情况进行预测仿真；
数据分析模块，用于根据实时车辆位置信息、速度信息及气象信息，利用基于SAEs的深度学习模型判断当前交通运行风险状态；
可视化展示模块，用于采用GIS匹配技术将车辆位置信息、速度信息、气象信息及交通运行风险信息进行可视化展示。
2.根据权利要求1所述的基于交通数字孪生的交通运行风险平行仿真系统，其特征在于，所述交通数据采集模块采用路侧毫米波雷达或激光雷达实时采集高速公路车辆车道级位置轨迹信息，信息采集频率和信息传输的频率为毫秒级，车辆位置定位精度为分米级。
3.根据权利要求2所述的基于交通数字孪生的交通运行风险平行仿真系统，其特征在于，所述气象数据采集模块采用微气象站实时采集高速公路沿途气象信息，包括气温、能见度、降雨量、风力、风向、路面水膜厚度和路面水膜状态，所述气象数据采集模块的信息采集和信息传输的频率为秒级，采集的路面水膜厚度不小于6000μm，路面水膜状态包括：干、潮、湿、冰、雪/冰、严重潮湿和危险。
4.根据权利要求1所述的基于交通数字孪生的交通运行风险平行仿真系统，其特征在于，所述数据处理模块中输入的雷达车辆轨迹信息为雷达帧数据格式，输出的结构化车辆轨迹数据为基于时间序列的完成全域车辆ID统一及轨迹拼接的具有车辆经纬度坐标及速度信息的车辆轨迹时序数据，时间序列采用UTC时间，与世界时的时间延误应为100毫秒以内。
5.根据权利要求3所述的基于交通数字孪生的交通运行风险平行仿真系统，其特征在于，利用Gipps跟驰模型和换道模型对未来短时车辆位置进行预测仿真的由建模层、功能层和人机交互曾组成的框架实现，其中：
所述建模层包括：
建模部分，用于对交通数据进行特征提取，实现系统的抽象与建模，实现对车辆位置的实时映射和超前预测；建模部分涉及的路网模型包括道路几何特征、车道划分和路段基本结构，涉及的交通对象包括路面上行驶的全部车辆类型以及非机动车和行人，涉及的交通轨迹模型包括车道转向限制、车道类型限制和车速限制，涉及的车辆产生模型根据某种车头时距的概率分布规律随机生成，并不断在车源处产生新的车辆，涉及的核心模型包括作为车辆驾驶行为的变化依据的Gipps跟驰模型和换道模型；
计算部分，包括用于对数据进行实时数据的嵌入式计算单元，和用于完成复杂的建模计算和历史数据分析的云计算单元；
所述功能层，用于获得建模层的数据与信息，以实现预期功能；
所述人机交互层：用于为用户提供数字孪生系统运行情况，获得有数据依据的分析决策。
6.根据权利要求5所述的基于交通数字孪生的交通运行风险平行仿真系统，其特征在于，所述建模层的具体流程包括：
a1)由函数生成车辆，车辆的生成满足泊松分布；
a2)同一车道相邻两辆车之间的等待时间满足指数分布，根据相邻两辆车之间等待时间均值以及上界和下界进行计算，产生随机车道随机类型车辆以及随机车速，随后车辆进入运行函数，即进入纵向位移函数计算，换道决策以及横向位移函数计算；
a3)基于Gipps跟驰模型，车辆在进入跟驰行为模式后自动按照前导车辆与当前车辆的速度与距离关系进行间距计算，并基根据计算的间距判断是否安全，通过比较选择合适的速度，进行跟驰行为；
a4)换道模型的算法采用Gipps跟驰模型中的部分决策树，判断周围感知范围内存在的车辆是否存在影响变道轨迹时的车辆发生变道的可能性，当车辆感知车道变道存在可能性时，继续进行下一步决策运算，即车辆计算一个优先值，以进行目标车道与当前车道的优势度的计算。
7.根据权利要求5所述的基于交通数字孪生的交通运行风险平行仿真系统，其特征在于，所述功能层的具体内容为：
功能层基于内嵌的数据分析模块对实现各个预期功能，包括根据实时车辆位置信息、速度信息及气象信息利用基于SAEs的深度学习模型综合判断当前交通运行风险状态，以及同时利用仿真驱动模块获取未来各时刻的交通运行风险状态，并根据仿真结果对交通运行风险进行评价。
8.根据权利要求7所述的基于交通数字孪生的交通运行风险平行仿真系统，其特征在于，所述基于SAEs的深度学习模型的具体内容为：
b1)基于建模层的交通特征参数及数据采集模块获取的气象参数，以及车头时距分布建立数据集，其中车头时距为：
式中，TTCi为车辆i在t时刻相对于前车的碰撞时间，Xh(t)为t时刻车辆i的前车h的车头位置，lh为车辆h的车身长度，Vi(t)为t时刻车辆i的瞬时速度，Vh(t)为t时刻车辆h的瞬时速度；
b2)定义交通冲突：以2.3s作为阈值，将计算的小于2.3s的TTC值均统计为一次交通冲突，并将交通冲突次数计为1，冲突认定情况的表达式为：
式中，Qi为交通冲突次数；
b3)以1分钟为时间片段的长度，以100米为路段长度进行统计，将整条道路分为若干段路段及若干个时间片段，并收集冲突段的交通冲突情况，建立交通冲突数据集；
b4)采用K-means聚类算法对每个时间段的每个路段的交通冲突数量进行聚类分析，采用欧氏距离作为衡量数据点相似性的指标，计算样本集中各个数据点距离初始质点的距离，并采用距离最近原则，将数据点分配至距离最近的质点，即将相似的数据归为一簇，将交通冲突数据集分为三簇，并分别定位为交通冲突高风险、中风险、低风险；
b5)将交通流量、各车道车辆占有率、车辆速度、车辆加速度、车辆相对车道中心线的横向偏移量、各车道车辆密度、车头时距、气温、能见度、降雨量、路面水膜厚度、路面水膜状态作为输入变量并进行数据标准化处理，利用步骤b4)中的交通冲突数据集建立原始数据集，并采用随机森林法来对数据维度进行降维处理，得到训练数据集；
b6)训练基于SAEs的深度学习模型，以训练集作为输入，第一层被训练为自动编码器；在获得第一个隐藏层之后，第m个隐藏层的输出作为第m+1个隐藏层的输入；模型结构由用于提取短时交通流特征的SAEs与用于有监督的短时交通流预测的逻辑回归层共同组成，采用基于梯度优化技术的反向传播算法训练深层网络；在预训练阶段完成后，借助BP神经网络自上而下对预测模型的参数进行调整；
b7)最终获取基于车辆轨迹特征参数及气象参数的交通运行风险研判模型。
9.根据权利要求5所述的基于交通数字孪生的交通运行风险平行仿真系统，其特征在于，所述仿真驱动模块获取未来1min，2min，5min，10min，20min及30min时刻的车辆位置及气象信息，基于SAEs的深度学习模型判断交通运行风险状态，通过在线仿真软件，获取未来1min，2min，5min，10min，20min及30min时刻的交通运行风险等级。
10.根据权利要求9所述的基于交通数字孪生的交通运行风险平行仿真系统，其特征在于，根据实时气象数据利用基于LinearRegression实现的多变量线性回归模型对未来短时交通气象情况进行预测仿真的具体步骤包括：
1)基于当前时刻及过去1h内的气温、能见度、降雨量、路面水膜厚度参数，以1min尺度进行集计处理，针对气温、能见度、降雨量、路面水膜厚度四个参数分别采用基于LinearRegression实现的多变量线性回归模型利用历史时序数据作为输入变量进行预测；
2)根据功能层需求，预测未来1min，2min，5min，10min，20min及30min时刻气温、能见度、降雨量、路面水膜厚度四个参数值，并输入到仿真驱动模块中，基于SAEs的深度学习模型提供气象输入变量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210450623.3A CN115081508B (zh) | 2022-04-26 | 2022-04-26 | 一种基于交通数字孪生的交通运行风险平行仿真系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210450623.3A CN115081508B (zh) | 2022-04-26 | 2022-04-26 | 一种基于交通数字孪生的交通运行风险平行仿真系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115081508A true CN115081508A (zh) | 2022-09-20 |
| CN115081508B CN115081508B (zh) | 2024-04-16 |
Family
ID=83246989
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210450623.3A Active CN115081508B (zh) | 2022-04-26 | 2022-04-26 | 一种基于交通数字孪生的交通运行风险平行仿真系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115081508B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115620199A (zh) * | 2022-10-24 | 2023-01-17 | 四川警察学院 | 一种交通安全风险诊断方法和装置 |
| CN115631628A (zh) * | 2022-10-14 | 2023-01-20 | 港珠澳大桥管理局 | 车道可变限速控制方法、装置、计算机设备和存储介质 |
| CN115718466A (zh) * | 2022-11-21 | 2023-02-28 | 广东工业大学 | 基于随机森林和层次分析法的数字孪生车间故障预测方法 |
| CN117094474A (zh) * | 2023-10-18 | 2023-11-21 | 济南瑞源智能城市开发有限公司 | 一种基于全息感知的智慧隧道风险感知方法、设备及介质 |
| CN118569764A (zh) * | 2024-08-02 | 2024-08-30 | 江苏佳利达国际物流股份有限公司 | 基于云计算平台的智能物流监控预警系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107945556A (zh) * | 2017-12-07 | 2018-04-20 | 华蓝设计（集团）有限公司 | 一种快速道路不良天气下的动态限速优化控制方法 |
| CN108961790A (zh) * | 2018-07-24 | 2018-12-07 | 河北德冠隆电子科技有限公司 | 基于四维实景交通仿真的恶劣天气预警管理系统及方法 |
| CN109923575A (zh) * | 2016-11-07 | 2019-06-21 | 瑞士再保险有限公司 | 自动交通和驾驶模式识别和位置相关测量车辆事故的绝对和/或相对风险可能性的装置和方法 |
| CN111402586A (zh) * | 2020-03-26 | 2020-07-10 | 华东交通大学 | 基于车联网的公路气象环境预报预警控制系统和方法 |
| CN111862598A (zh) * | 2020-03-09 | 2020-10-30 | 同济大学 | 一种基于高清卡口数据及事故风险的可变限速控制方法 |
| CN112419709A (zh) * | 2020-10-16 | 2021-02-26 | 同济大学 | 一种基于路段异质性的快速路事故风险实时预测方法 |
| CN112562337A (zh) * | 2020-12-10 | 2021-03-26 | 之江实验室 | 一种基于深度学习的高速公路实时交通事故风险评估方法 |
| CN113538909A (zh) * | 2021-07-13 | 2021-10-22 | 公安部道路交通安全研究中心 | 一种自动驾驶车辆交通事件预测方法及装置 |
| CN113706899A (zh) * | 2021-07-20 | 2021-11-26 | 山东高速集团有限公司创新研究院 | 一种基于高速公路桥面气象结冰预测的交通运行风险防控方法 |
| CN114328448A (zh) * | 2021-12-01 | 2022-04-12 | 中交第二公路勘察设计研究院有限公司 | 基于模仿学习算法的高速公路车辆跟驰行为重构方法 |
-
2022
- 2022-04-26 CN CN202210450623.3A patent/CN115081508B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109923575A (zh) * | 2016-11-07 | 2019-06-21 | 瑞士再保险有限公司 | 自动交通和驾驶模式识别和位置相关测量车辆事故的绝对和/或相对风险可能性的装置和方法 |
| CN107945556A (zh) * | 2017-12-07 | 2018-04-20 | 华蓝设计（集团）有限公司 | 一种快速道路不良天气下的动态限速优化控制方法 |
| CN108961790A (zh) * | 2018-07-24 | 2018-12-07 | 河北德冠隆电子科技有限公司 | 基于四维实景交通仿真的恶劣天气预警管理系统及方法 |
| CN111862598A (zh) * | 2020-03-09 | 2020-10-30 | 同济大学 | 一种基于高清卡口数据及事故风险的可变限速控制方法 |
| CN111402586A (zh) * | 2020-03-26 | 2020-07-10 | 华东交通大学 | 基于车联网的公路气象环境预报预警控制系统和方法 |
| CN112419709A (zh) * | 2020-10-16 | 2021-02-26 | 同济大学 | 一种基于路段异质性的快速路事故风险实时预测方法 |
| CN112562337A (zh) * | 2020-12-10 | 2021-03-26 | 之江实验室 | 一种基于深度学习的高速公路实时交通事故风险评估方法 |
| CN113538909A (zh) * | 2021-07-13 | 2021-10-22 | 公安部道路交通安全研究中心 | 一种自动驾驶车辆交通事件预测方法及装置 |
| CN113706899A (zh) * | 2021-07-20 | 2021-11-26 | 山东高速集团有限公司创新研究院 | 一种基于高速公路桥面气象结冰预测的交通运行风险防控方法 |
| CN114328448A (zh) * | 2021-12-01 | 2022-04-12 | 中交第二公路勘察设计研究院有限公司 | 基于模仿学习算法的高速公路车辆跟驰行为重构方法 |
Non-Patent Citations (4)
| Title |
|---|
| 叶云港: "考虑交通行为特性的高速公路交通冲突预测模型研究", 中国优秀硕士电子期刊网, 15 March 2022 (2022-03-15) * |
| 周葵;吴伟;姚文静;罗小东;: "雾天高速公路交通安全风险评估", 交通科学与工程, no. 01, 30 March 2015 (2015-03-30) * |
| 李萌: "基于速度预测的雨天高速公路安全评估及预警管理研究", 中国优秀硕士电子期刊网, 15 January 2020 (2020-01-15) * |
| 隋琦;王瑛;李婷;刘庆爱;俞海洋;: "多源信息结合的雪灾交通风险评估研究", 地球信息科学学报, no. 11, 28 November 2018 (2018-11-28) * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115631628A (zh) * | 2022-10-14 | 2023-01-20 | 港珠澳大桥管理局 | 车道可变限速控制方法、装置、计算机设备和存储介质 |
| CN115631628B (zh) * | 2022-10-14 | 2024-02-20 | 港珠澳大桥管理局 | 车道可变限速控制方法、装置、计算机设备和存储介质 |
| CN115620199A (zh) * | 2022-10-24 | 2023-01-17 | 四川警察学院 | 一种交通安全风险诊断方法和装置 |
| CN115718466A (zh) * | 2022-11-21 | 2023-02-28 | 广东工业大学 | 基于随机森林和层次分析法的数字孪生车间故障预测方法 |
| CN115718466B (zh) * | 2022-11-21 | 2024-05-14 | 广东工业大学 | 基于随机森林和层次分析法的数字孪生车间故障预测方法 |
| CN117094474A (zh) * | 2023-10-18 | 2023-11-21 | 济南瑞源智能城市开发有限公司 | 一种基于全息感知的智慧隧道风险感知方法、设备及介质 |
| CN117094474B (zh) * | 2023-10-18 | 2024-02-20 | 济南瑞源智能城市开发有限公司 | 一种基于全息感知的智慧隧道风险感知方法、设备及介质 |
| CN118569764A (zh) * | 2024-08-02 | 2024-08-30 | 江苏佳利达国际物流股份有限公司 | 基于云计算平台的智能物流监控预警系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115081508B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115081508B (zh) | 一种基于交通数字孪生的交通运行风险平行仿真系统 | |
| CN109840660B (zh) | 一种车辆特征数据处理方法及车辆风险预测模型训练方法 | |
| CN107742193B (zh) | 一种基于时变状态转移概率马尔可夫链的行车风险预测方法 | |
| CN110395258A (zh) | 路面状态推断装置以及路面状态推断方法 | |
| CN115206103B (zh) | 一种基于平行仿真系统的可变限速控制系统 | |
| CN109272745B (zh) | 一种基于深度神经网络的车辆轨迹预测方法 | |
| CN107257756A (zh) | 用于在路况变化的情况下辅助车辆的技术 | |
| CN109118787B (zh) | 一种基于深度神经网络的车辆速度预测方法 | |
| CN113511204B (zh) | 一种车辆换道行为识别方法及相关设备 | |
| Wang et al. | ARIMA Model and Few‐Shot Learning for Vehicle Speed Time Series Analysis and Prediction | |
| Xue et al. | A context-aware framework for risky driving behavior evaluation based on trajectory data | |
| CN115422747A (zh) | 一种机动车尾气污染物排放量的计算方法和计算装置 | |
| CN117238126A (zh) | 一种连续流道路场景下的交通事故风险评估方法 | |
| CN116434523A (zh) | 信息感知场景下基于约束度的车辆主动安全管控方法及装置 | |
| CN113592221B (zh) | 基于安全替代评价指标的道路路段风险动态评估方法 | |
| CN117354347B (zh) | 用于物联网多功能智慧灯杆的车路协同控制方法及装置 | |
| Hu et al. | Deep learning based on connected vehicles for icing pavement detection | |
| CN116153082B (zh) | 一种基于机器视觉的高速公路路况采集分析处理系统 | |
| Phanse et al. | Modelling and simulation of road traffic under rainy conditions | |
| CN115512538B (zh) | 一种基于碳排放的可变限速控制方法及系统 | |
| CN114987495A (zh) | 一种面向高度自动驾驶的人机混合决策方法 | |
| Zhang et al. | Modeling lane-change risk in urban expressway off-ramp area based on naturalistic driving data | |
| CN113147781A (zh) | 一种汽车智能驾驶信息展示系统 | |
| CN113284338A (zh) | 机动车紧急避让无灯控人行横道对交通流影响的计算方法 | |
| CN107085074B (zh) | 一种分类监测机动车尾气的方法 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Song Hao Inventor after: Wang Junhua Inventor after: ShangGuan Qiangqiang Inventor before: Song Hao Inventor before: Wang Junhua |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |