CN116386337B - 一种基于车流预测的车道动态控制方法及系统 - Google Patents
一种基于车流预测的车道动态控制方法及系统 Download PDFInfo
- Publication number
- CN116386337B CN116386337B CN202310652138.9A CN202310652138A CN116386337B CN 116386337 B CN116386337 B CN 116386337B CN 202310652138 A CN202310652138 A CN 202310652138A CN 116386337 B CN116386337 B CN 116386337B
- Authority
- CN
- China
- Prior art keywords
- data
- traffic
- flow
- lane
- traffic flow
- 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 30
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 230000003068 static effect Effects 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 17
- 238000012806 monitoring device Methods 0.000 claims description 12
- 230000002457 bidirectional effect Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 description 4
- 238000005192 partition Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000013112 stability test Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
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
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于车流预测的车道动态控制方法及系统。通过视频监控设备采集对应流向上不同时间段的静态容量数据,并生成车流分配表。在一个采集周期内,视频监控设备采集第一数据,并根据第一数据判断当前流向的车流量密度。地磁传感器采集车道上不同时间段的动态流量数据,并生成第二数据,根据第二数据判断当前车道的车流量速度,第一数据与第二数据共同构成第一车流数据,并预测下一采集周期内的第二车流数据,当第二车流数据超过流向交通承载容量的情况下,控制车道变更。本发明能够根据当前车流状态实时调整车道的流向,减轻交通负载压力,提高路口的交通出行效率。
Description
技术领域
本发明涉及车道方向控制技术,尤其涉及一种基于车流预测的车道动态控制方法及系统。
背景技术
在特定交通环境中,受交通区域内的早晚高峰、节假日高峰的影响,特定区域内两个不同流向上的车流具有显著的潮汐性。现有技术一般采用定时方法实现车道控制,定时方法无法满足各种交通环境需求,甚至会导致交通压力增大。CN102867423B公开了一种城市干道可变车道的协同控制方法,通过线圈传感器监测当前车道的运行情况,实现动态化的潮汐车道控制效果。再例如,CN106710249A的那种潮汐型可变车道及其控制方法,通过对当前路口交通流与上游路口交通流的检测作为判断指标控制潮汐车道的变化。
上述技术手段仅将车流量作为标准,实际交通情况还包含车辆较多但通行缓慢、车辆不多但通行缓慢、车辆多且通行缓慢、车辆多但通行不缓慢等多种情况。且由于部分路口的“人车分离”效果不佳,车道控制还需要考虑非机动车对主干道交通流产生的负载影响。实际应用场景中缺乏一种更精确且具有更高实用性的车道动态控制方法,因此,现有技术还有待进一步改进。
发明内容
针对上述问题,本发明提供了一种基于车流预测的车道动态控制方法,该方法采集不同时间段的车流数据,并在车流数据超过峰值容量时开启地磁传感器,地磁传感器采集各个车道的车流通行速度。当车流通行速度小于谷值车速的情况下,预测后续车流数据,并基于后续车流数据控制潮汐车道的变化。进一步的,本发明还提供了一种用于实现所述车流预测的车道动态控制方法的控制系统。
本申请的发明目的可通过以下技术手段实现:
一种基于车流预测的车道动态控制方法,包括以下步骤:
步骤1:在双向车流路段配置至少一个的视频监控设备,双向车流路段具有第一流向、第二流向和潮汐车道,在第一流向和第二流向的任意车道安装一地磁传感器;
步骤2:视频监控设备分别采集第一流向、第二流向的静态容量数据,并基于该静态容量数据生成一车流分配表K;
步骤3:基于多个通行周期的车流分配表K构建车流时间序列,根据该车流时间序列确定每一时刻的峰值容量;
步骤4:视频监控设备采集t时刻的第一流向的车道图像,生成第一数据;
步骤5:若第一数据Pt>Ktmax,则进入步骤6,否则,返回步骤2,Ktmax为t时刻的峰值容量;
步骤6:地磁传感器采集t时刻的对应车道的动态流量数据,并基于该动态流量数据生成第二数据Qt;
步骤7:若第二数据Qt<Vmin,则进入步骤8,否则,返回步骤6,Vmin为谷值车速;
步骤8:基于第一数据Pt与第二数据Qt生成t时刻的第一车流数据;
步骤9:确定第一流向的下一通行时刻t',预测t'时刻的第二车流数据,t'≥t,若W>S,W表示潮汐车道处于第二流向通车时的车流量占比,则进入步骤10,否则,返回步骤2,S为第一流向的交通承载容量;
步骤10:若潮汐车道位于第二流向,在通行时刻t'将潮汐车道调整为第一流向。
在本发明中,视频监控设备拍摄不同时刻的多张车道图像,车道图像经过二值化处理后生成特征图,提取特征图中的车辆特征值,所述车辆特征值为静态容量数据。
在本发明中,在步骤1中,提取双向车流路段的通行周期,通行周期由通行时间段与禁行时间段组成,通行时刻t'为通行时间段的初始时刻。
在本发明中,第一数据为车流量密度,车流量密度=x/(n·L),其中,x为第一流向的车辆总数量,n为该流向的车道数量,L为道路断面宽度。
在本发明中,第二数据为车流量速度,该车流量速度=,其中,m为车流总数量,yi为车辆i的瞬时速度。
在本发明中,步骤9中,以车流时间序列为训练集构建卷积神经网络,输入第一车流数据后,预测t'时刻的第二车流数据。
在本发明中,将车流时间序列进行归一化处理后作为输入数据,以t时刻的峰值容量Ktmax作为输出标签,经过迭代训练后生成偏置参数,将偏置参数发送至训练集,调整卷积神经网络从训练集采集数据的频率。
一种用于实现基于车流预测的车道动态控制方法的控制系统,包括多个视频监控设备、地磁传感器、数据分析模块、数据处理模块、数据分类器以及车道显示器,其中,
视频监控设备用于采集第一流向、第二流向的静态容量数据;
地磁传感器用于采集任意车道的动态流量数据;
数据分析模块用于构建车流时间序列;
数据处理模块用于根据第一数据以及第二数据生成第一车流数据;
数据分类器被配置为基于t时刻的第一车流数据生成t'时刻的第二车流数据;
车道显示器被配置为显示潮汐车道的流向。
实施本发明的一种基于车流预测的车道动态控制方法及系统,具有以下有益效果:通过实时监测车流,获得路口的静态容量数据和动态流量数据,更准确地预测未来车流变化并动态调整潮汐车道流向,减少拥堵和交通阻塞,提高路段通行能力和交通运输效率。该方法通过对车流时间序列的样本分析,获得车辆通行时刻的车流数据,实现对路段交通流量的监控和预测,为未来实现智慧城市和智能交通系统提供了基础支持。
附图说明
图1为一种交叉路口车流量密度与车流量速度之间的关系图;
图2为本发明的基于车流预测的车道动态控制方法的流程图;
图3为本发明的多个通信周期的示意图;
图4为本发明的潮汐车道上布置视频识别区域与地磁传感区域的示意图;
图5为本发明的根据所述基于车流预测的车道动态控制方法的控制系统的硬件框图。
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。
在交叉路口上,每一流向均具有多条车道,在同一方向双向流向上设置一潮汐车道,潮汐车道可以在两个双向流向上进行切换。参照图1,由道路上行驶的车流在密度未达到临界密度a之前是以自由流车速稳定行驶;当密度在临界密度a与临界密度b之间时,路段流量达到最大值,也就是路段通行能力。随着密度的持续增加,当密度达到阻塞密度时,道路发生交通堵塞,交通量降为0,在此过程中交通流拥挤波是以恒定值反向传播。应当理解,潮汐车道是设置在某一特殊路段,且该路段具有典型的双向车流不同的特点,当某一时刻下,第一流向上车流超过峰值,则认为第二流向上车流低于峰值。
实施例一
本实施例详述一种基于车流预测的车道动态控制方法,参照图2至图4,所述控制方法包括以下步骤:
步骤1:在双向车流路段配置至少一个的视频监控设备,双向车流路段具有第一流向、第二流向和潮汐车道,在第一流向和第二流向的任意车道安装一地磁传感器。参照图3,提取双向车流路段的通行周期,通行周期由通行时间段与禁行时间段组成,通行时刻t'为通行时间段的初始时刻。在本实施例中,优选的地磁传感器放置在道路中央,用于检测经过其上方的车流量速度。视频监控设备优选的设置在路灯杆等位置,拍摄车辆行驶的图像信息,并对车辆进行计数、分类和跟踪等处理。
步骤2:视频监控设备分别采集第一流向、第二流向的静态容量数据,并基于该静态容量数据生成一车流分配表,用于分析车流分布和车道利用率等信息。在本实施例中,视频监控设备在不同时间段内拍摄多张图像,多张图像经过图像二值化处理后生成特征图,并提取特征图中的车辆特征值,所述车辆特征值为静态容量数据。
在本实施例中,视频监控设备选定一监控区间,设置区间出口与区间进口,在某一时刻下,统计区间内的车辆数量,并基于特征识别计算视频信息内全部的车辆总数,车流分配表K中包含所述车辆总数与区间内的车辆数量。
步骤3:基于多个通行周期的车流分配表K构建车流时间序列,根据该车流时间序列确定每一时刻的峰值容量。在本实施例中,将车流分配表K按时间顺序排列,得到一个车流时间序列,并进行数据清洗和归一化处理,以便后续的分析和预测。通过车流时间序列分析对车流量的历史数据进行分析和处理,以确定其变化规律和趋势。基于历史数据和分析结果,采用车流时间序列模型进行预测,以获得未来车流量变化的预测结果,并基于该预测结果,计算出某一时刻下的峰值容量,以指导后续的车流调整和管理工作,优选的,峰值容量在10-15辆/min。
在本实施例中,车流时间序列模型为自回归滑动平均模型,通过对收集后的数据进行车流时间序列分析,对序列进行平稳性检验与差分处理,并按照车流时间序列的分析结果生成自回归项数p以及移动平均项数q,生成初始差分阶数d,所述自回归滑动平均模型为: ,其中,Y为车流时间序列数据,B为滞后算子,/>为白噪声,c为常数,θ1、θ2、θq为移动平均系数,/>、/>、/>为自回归系数。可选的,车流时间序列模型还可以使用典型的移动平均模型,且当其他标准可以适用时,等效于本实施例提出的车流时间序列处理方案。
特殊的,视频监控设备采集的静态容量数据为车辆的特征值,所述特征值基于视频监控设备采集的每一帧图像生成,基于此生成的车流时间序列出现数据列缺失的情况,建立近邻模型用于填补车流时间序列的数据列缺失值,所述近邻模型为:,其中,xi表示图像数据的真实值,/>表示填充的图像数据,/>为模型训练权重,u为图像数据缺失的数量。
步骤4:视频监控设备采集t时刻的第一流向的车道图像,生成第一数据。其中,第一数据为车流量密度,车流量密度=x/(n·L),其中,x为第一流向的车辆总数量,n为该流向的车道数量,L为道路断面宽度。
在本实施例中,视频监控设备采集一段时间内的视频数据,并将视频数据转换为数字信号后生成一系列连续的图像帧,将每一帧图像进行放大和滤波处理后进行编码,对每一帧图像进行采样后构建二维矩阵,矩阵中的每一元素代表一个像素点,为所述像素点分配一个二进制值,并预先设定一固定阈值,将图像中像素点的灰度值与所述阈值进行比较,若像素的灰度值大于阈值,则设置为白色,否则设置为黑色。
步骤5:在t时刻,若第一数据Pt>Ktmax,则进入步骤6,反之,进入步骤2,其中,Ktmax为t时刻下的峰值容量,该峰值容量为在车流分配表中的最大值。
步骤6:地磁传感器采集车道上的动态流量数据,并基于该数据生成第二数据Qt,发送至数据分析模块,其中,第二数据为车流量速度,该车流量速度=,其中,m为车流总数量,yi为车辆i的瞬时速度。地磁传感器获取车辆平均通过时间,车流动态速度数据为随时间段变化的函数,当输入一时刻值进入所述函数后,生成记录的车辆平均通过时间。
步骤7:若第二数据Qt<Vmin,则进入步骤8,反之,进入步骤6,Vmin为谷值车速。该谷值车速为预设的参数值,低于谷值车速则说明当前流向存在拥堵情况,本实施例中,谷值车速的预设值为当前城市交通负载压力系数,其中,城市交通负载压力系数通过接入城市交通路况数据系统的API接口获取。谷值车速例如取值为5-15km/h。
步骤8: 基于第一数据Pt与第二数据Qt生成t时刻的第一车流数据,并发送至数据分类器。在本实施例中,将多个时刻的第一车流数据、第二车流数据转换为两行多列的交通分区矩阵,交通分区矩阵的第一行为不同时刻的车流量密度的预测值,第二行为不同时刻的车流量速度的预测值。
在本实施例中,当第一车流数据输入数据分类器之后,基于第一车流数据对预测模型进行训练。应当理解,数据分类器具有成熟且具有自主预测能力的神经网络模型,其中包含有预设的权重参数,数据分类器基于第一车流数据处理生成第二车流数据的过程包括以下步骤:
步骤801:将第一车流数据进行归一化处理,生成数据D={X1,X2,…Xh},其中,h∈[2,g],h表示历史间隙,Xh为第一车流数据中的历史间隙h内的样本数据,将数据D插入数据分析模块中的训练集后,基于数据D生成数据D-1,抽取数据D-1中的h个样本输入至预测模型;
步骤802:预测模型将数据D-1的h个样本转换为归一化矩阵,按照预设的采样率抽取一定比例样本作为监督学习的数据集,按照比例分配训练集与测试集,其中训练集与测试集的比例优选的为9:1;
步骤803:基于KL散度方法对比各个卷积层的高斯分布结果,经过改进后预测模型实现反向传播学习,并完成监督训练过程,生成新的权重参数,并构造均方根误差损失函数;
步骤804:生成KL散度的估计值,利用反向传播算法学习新的网络参数;
步骤805:基于新的网络参数、权重参数,并生成数据D+1,所述数据D+1为第二车流数据。
步骤9:确定第一流向的下一通行时刻t',预测t'时刻的第二车流数据,t'≥t,若W>S,则进入步骤10,否则,返回步骤2,S为第一流向的交通承载容量。W表示潮汐车道处于第二流向通车时的车流量占比,用于判断是否需要改变潮汐车道流向。
在本实施例中,第二车流数据为交通分区矩阵,其中,第二车流数据的交通分区矩阵中,行为车流量密度、车流量速度,列为时刻,矩阵中的任意一值表示在该时刻下车流量密度与车流量速度的虚拟值。第二车流数据基于图神经网络生成,将车流分配表K构建车流时间序列作为训练集,输入第一车流数据后,预测下一时刻的第二车流数据,其中,训练集具有一初始采样频率,将车流时间序列进行归一化处理后作为输入数据,读取t时刻下的峰值容量Kmax作为输出标签,经过迭代训练后生成偏置参数,所述偏置参数发送至训练集,调整初始采样频率。
步骤10:若潮汐车道位于第二流向,在通行时刻t'将潮汐车道调整为第一流向。在本实施例中,潮汐车道的流向改变通过交通指示灯的形式体现,在第一流向与第二流向上均布置有交通指示灯,潮汐车道关闭和通行两种状态通过交通指示灯切换实现。所述交通指示灯中设置有接收器,用于接收指令。
实施例二
如图5,本实施例记载一种用于实现所述基于车流预测的车道动态控制方法的控制系统,包括多个视频监控设备、地磁传感器、数据分析模块、数据处理模块、数据分类器以及车道显示器。视频监控设备用于采集第一流向、第二流向的静态容量数据。地磁传感器用于采集任意车道的动态流量数据。数据分析模块用于构建车流时间序列。数据处理模块用于根据第一数据以及第二数据生成第一车流数据。数据分类器被配置为基于t时刻的第一车流数据生成t'时刻的第二车流数据。车道显示器被配置为显示潮汐车道的流向。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或它们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改,等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于车流预测的车道动态控制方法,其特征在于,包括以下步骤:
步骤1:在双向车流路段配置至少一个的视频监控设备,双向车流路段具有第一流向、第二流向和潮汐车道,在第一流向和第二流向的任意车道安装一地磁传感器,其中,提取双向车流路段的通行周期,通行周期由通行时间段与禁行时间段组成,通行时刻t'为通行时间段的初始时刻;
步骤2:视频监控设备分别采集第一流向、第二流向的静态容量数据,并基于该静态容量数据生成一车流分配表K;
步骤3:基于多个通行周期的车流分配表K构建车流时间序列,根据该车流时间序列确定每一时刻的峰值容量;
步骤4:视频监控设备采集t时刻的第一流向的车道图像,生成第一数据;
步骤5:若第一数据Pt>Ktmax,则进入步骤6,否则,返回步骤2,Ktmax为t时刻的峰值容量;
步骤6:地磁传感器采集t时刻的对应车道的动态流量数据,并基于该动态流量数据生成第二数据Qt;
步骤7:若第二数据Qt<Vmin,则进入步骤8,否则,返回步骤6,Vmin为谷值车速;
步骤8:基于第一数据Pt与第二数据Qt生成t时刻的第一车流数据;
步骤9:确定第一流向的下一通行时刻t',预测t'时刻的第二车流数据,t'≥t,若W>S,W表示潮汐车道处于第二流向通车时的车流量占比,则进入步骤10,否则,返回步骤2,S为第一流向的交通承载容量;
步骤10:若潮汐车道位于第二流向,在通行时刻t'将潮汐车道调整为第一流向,
其中,将车流时间序列进行归一化处理后作为输入数据,以t时刻的峰值容量Ktmax作为输出标签,经过迭代训练后生成偏置参数,将偏置参数发送至训练集,调整卷积神经网络从训练集采集数据的频率,以车流时间序列为训练集构建卷积神经网络,输入第一车流数据后,预测t'时刻的第二车流数据,
将第一车流数据进行归一化处理,生成数据D,基于数据D生成数据D-1,抽取数据D-1中的样本输入至预测模型;预测模型将数据D-1的样本转换为归一化矩阵,按照预设的采样率抽取一定比例样本作为监督学习的数据集,按照比例分配训练集与测试集;基于KL散度方法,生成新的权重参数,并构造均方根误差损失函数;生成KL散度的估计值,利用反向传播算法生成数据D+1,所述数据D+1的为第二车流数据,
第一数据为车流量密度,车流量密度=x/(n·L),其中,x为第一流向的车辆总数量,n为该流向的车道数量,L为道路断面宽度,
第二数据为车流量速度,该车流量速度=,其中,m为车流总数量,yi为车辆i的瞬时速度。
2.根据权利要求1所述的基于车流预测的车道动态控制方法,其特征在于,视频监控设备拍摄不同时刻的多张车道图像,车道图像经过二值化处理后生成特征图,提取特征图中的车辆特征值,所述车辆特征值为静态容量数据。
3.一种用于实现根据权利要求1所述的基于车流预测的车道动态控制方法的控制系统,其特征在于,包括多个视频监控设备、地磁传感器、数据分析模块、数据处理模块、数据分类器以及车道显示器,其中,
视频监控设备用于采集第一流向、第二流向的静态容量数据;
地磁传感器用于采集任意车道的动态流量数据;
数据分析模块用于构建车流时间序列;
数据处理模块用于根据第一数据以及第二数据生成第一车流数据;
数据分类器被配置为基于t时刻的第一车流数据生成t'时刻的第二车流数据;
车道显示器被配置为显示潮汐车道的流向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310652138.9A CN116386337B (zh) | 2023-06-05 | 2023-06-05 | 一种基于车流预测的车道动态控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310652138.9A CN116386337B (zh) | 2023-06-05 | 2023-06-05 | 一种基于车流预测的车道动态控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116386337A CN116386337A (zh) | 2023-07-04 |
CN116386337B true CN116386337B (zh) | 2023-08-22 |
Family
ID=86971563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310652138.9A Active CN116386337B (zh) | 2023-06-05 | 2023-06-05 | 一种基于车流预测的车道动态控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116386337B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117612379B (zh) * | 2024-01-24 | 2024-03-29 | 山东华夏高科信息股份有限公司 | 一种智慧交通车流量预测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408962A (zh) * | 2016-10-31 | 2017-02-15 | 江苏金米智能科技有限责任公司 | 一种潮汐车道控制方法 |
WO2018072240A1 (zh) * | 2016-10-20 | 2018-04-26 | 中国科学院深圳先进技术研究院 | 一种路网潮汐交通流可变导向车道控制方法 |
CN110363987A (zh) * | 2019-07-03 | 2019-10-22 | 特斯联(北京)科技有限公司 | 一种应用城市大脑云平台的交通容量配置方法与系统 |
CN112396845A (zh) * | 2020-11-16 | 2021-02-23 | 王凯 | 一种智能交通系统及其控制方法 |
CN112542042A (zh) * | 2020-12-01 | 2021-03-23 | 东南大学 | 一种考虑机动车碳排放的潮汐车道设置方法及装置 |
-
2023
- 2023-06-05 CN CN202310652138.9A patent/CN116386337B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018072240A1 (zh) * | 2016-10-20 | 2018-04-26 | 中国科学院深圳先进技术研究院 | 一种路网潮汐交通流可变导向车道控制方法 |
CN106408962A (zh) * | 2016-10-31 | 2017-02-15 | 江苏金米智能科技有限责任公司 | 一种潮汐车道控制方法 |
CN110363987A (zh) * | 2019-07-03 | 2019-10-22 | 特斯联(北京)科技有限公司 | 一种应用城市大脑云平台的交通容量配置方法与系统 |
CN112396845A (zh) * | 2020-11-16 | 2021-02-23 | 王凯 | 一种智能交通系统及其控制方法 |
CN112542042A (zh) * | 2020-12-01 | 2021-03-23 | 东南大学 | 一种考虑机动车碳排放的潮汐车道设置方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116386337A (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103258427B (zh) | 基于信息物理网络的城市快速路交通实时监控方法 | |
Shepelev et al. | A Study of the Travel Time of Intersections by Vehicles using Computer Vision. | |
CN103839409B (zh) | 基于多断面视觉传感聚类分析的交通流状态判别方法 | |
CN112512020B (zh) | 一种基于多源数据融合的交通状态弱信号感知研判方法 | |
CN116386337B (zh) | 一种基于车流预测的车道动态控制方法及系统 | |
CN106355885A (zh) | 基于大数据分析平台的交通信号动态控制方法及系统 | |
CN108091132B (zh) | 一种交通流量预测方法及装置 | |
CN111341095B (zh) | 一种基于边缘侧在线计算的交通信号控制系统及方法 | |
Ashifuddin Mondal et al. | Intelligent traffic congestion classification system using artificial neural network | |
CN102044073B (zh) | 判断图像中人群密度的方法及系统 | |
CN101751782A (zh) | 一种基于多源信息融合的十字路口交通事件自动检测系统 | |
CN102436740A (zh) | 一种高速公路交通事件自动检测方法 | |
WO2021073524A1 (zh) | 一种拥堵交通流溯源分析方法 | |
CN101783074A (zh) | 一种城市道路交通流状态实时判别方法及系统 | |
CN103246896A (zh) | 一种鲁棒性车辆实时检测与跟踪方法 | |
CN105224911A (zh) | 一种多视角实时行人检测方法及系统 | |
CN110674887A (zh) | 一种基于视频分类的端到端道路拥堵检测算法 | |
CN112084928A (zh) | 基于视觉注意力机制和ConvLSTM网络的道路交通事故检测方法 | |
CN109754621A (zh) | 一种基于高速公路路况态势的视频分析方法 | |
CN116631186B (zh) | 基于危险驾驶事件数据的高速公路交通事故风险评估方法、系统 | |
CN103310206A (zh) | 一种基于多特征与多帧信息融合的助力车检测方法 | |
CN114267082A (zh) | 基于深度理解的桥侧坠落行为识别方法 | |
CN116206451A (zh) | 一种智慧交通车流数据分析方法 | |
CN107862341A (zh) | 一种车辆检测方法 | |
CN113313012B (zh) | 一种基于卷积生成对抗网络的危险驾驶行为识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |