CN116612633A - 一种基于车路协同感知下的自适应动态路径规划方法 - Google Patents

一种基于车路协同感知下的自适应动态路径规划方法 Download PDF

Info

Publication number
CN116612633A
CN116612633A CN202310522809.XA CN202310522809A CN116612633A CN 116612633 A CN116612633 A CN 116612633A CN 202310522809 A CN202310522809 A CN 202310522809A CN 116612633 A CN116612633 A CN 116612633A
Authority
CN
China
Prior art keywords
road
traffic
matrix
path planning
method based
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.)
Pending
Application number
CN202310522809.XA
Other languages
English (en)
Inventor
刘亚菲
王玉龙
王少参
李思颖
陈子涵
赵建波
李冠峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
713rd Research Institute Of China Shipbuilding Corp ltd
Original Assignee
713rd Research Institute Of China Shipbuilding Corp ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 713rd Research Institute Of China Shipbuilding Corp ltd filed Critical 713rd Research Institute Of China Shipbuilding Corp ltd
Priority to CN202310522809.XA priority Critical patent/CN116612633A/zh
Publication of CN116612633A publication Critical patent/CN116612633A/zh
Pending legal-status Critical Current

Links

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
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route
    • 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

本发明涉及一种基于车路协同感知下的自适应动态路径规划方法，首先建立根据路网、交通特征矩阵和属性矩阵预测未来时段交通信息的机器学习模型；属性矩阵包括固有属性矩阵和非固有属性矩阵；然后建立包括反应历史交通速度的交通特征矩阵、反应路段周围信息点类型的固有属性矩阵、根据历史天气状况构造的非固有属性矩阵的训练集；利用训练集对机器学习模型进行训练，得到城市交通流量预测模型；最后采集当前真实数据，根据城市交通流量预测模型得到交通流预测结果，使用迪杰斯特拉算法计算最优路径。本发明通过对卷积神经网络进行训练，实现对交通流量进行预测，从而改善现有省时路径规划依赖于当前时刻路况，规划的路径容易失去最佳性的问题。

Description

一种基于车路协同感知下的自适应动态路径规划方法
技术领域
本发明涉及一种路径规划方法，属于智能交通领域，具体涉及了一种基于车路协同感知下的自适应动态路径规划方法。
背景技术
在国民经济和科学技术全速发展的背景下，随着城市的高速发展，城市的交通道路网也日趋复杂，为了应对复杂的道路网和多变的交通路况，车辆导航设备的使用频率逐渐增加。在这样的大背景下，近年来，国内外众多学者和管理者已经开始关注和研究城市交通拥堵问题的解决方案，许多国家投入了大量的资源进行相关的研究和实验。
传统的路径规划算法大多以提供最短距离路径为目标，没有考虑交通流量的时变性和分析道路拥堵情况，并且具有搜索效率低、运行速度慢等缺点，随着交通系统的迅速发展，这些路径规划方法已经无法满足现有需求。
发明内容
本发明的目的是提供一种基于车路协同感知下的自适应动态路径规划方法，用以解决现有路径规划方法依赖于当前时刻路况，规划路径容易失去最佳性的问题。
为实现上述目的，本发明的方案包括：
本发明的一种基于车路协同感知下的自适应动态路径规划方法的技术方案，包括如下步骤:
1)建立根据路网、交通特征矩阵和属性矩阵预测未来时段交通信息的机器学习模型；
所述属性矩阵包括固有属性矩阵和非固有属性矩阵；
2)建立训练集，所述训练集包括：根据历史交通数据中，所述路网对应路段交通速度形成的交通特征矩阵；将对应路段周围信息点的类型作为路段的特征得到的固有属性矩阵；根据历史交通数据中，天气状况构造的非固有属性矩阵；
3)设置超参数，计算损失函数，利用所述训练集对机器学习模型进行训练，得到城市交通流量预测模型；
4)采集当前真实数据，根据城市交通流量预测模型得到交通流预测结果，使用迪杰斯特拉算法计算最优路径。
本发明的一种基于车路协同感知下的自适应动态路径规划方法，通过对卷积神经网络利用车路协同感知获得的历史数据进行训练，使得网络能够对交通流量进行预测，从而改善现有省时路径规划依赖于当前时刻路况，规划的路径容易失去最佳性的问题。
进一步地，为了提高模型预测的准确性，步骤1)中，所述机器学习模型为图卷积网络子模型与门控循环单元子模型相结合建立的；将由交通特征矩阵和属性矩阵融合后的强化矩阵作为图卷积网络子模型的输入，得到预测结果y；将预测结果y的特征序列用作门控循环单元子模型的输入，对时间依赖性进行建模并推导出交通流预测结果。
进一步地，所述交通特征矩阵为：根据出租车轨迹获得的对应路段的交通速度时间序列形成的，其中行由路段索引，列由时间戳索引。
通过出租车轨迹获得对应路段的交通速度时间，出租车的轨迹数据容易获得，且广泛分布，能够较为全面的反应道路交通状况。
进一步地，步骤2)中，所述信息点的类型包括如下的一种或多种：餐饮服务、企业、购物服务、交通设施、教育服务、生活服务、医疗服务、住宿。
通过路段周边主要的信息点类型，反应对应道路的固有属性，提高交通流预测的准确性。
进一步地，步骤2)中，在计算出每个路段的信息点分布后，将比例最大的信息点类型作为路段的特征。
进一步地，步骤2)中，所述天气状况包括晴天、多云、雾天、小雨和大雨五类。
考虑到天气对交通流有较大影响，利用历史交通数据中天气信息对模型进行训练，能够进一步提高交通流预测的准确性。
进一步地，步骤3)中，所述超参数包括学习率、训练批次、隐藏单元数量、批量大小、训练集的比例；分别设置为0.001、3000、100、64和0.8。
进一步地，步骤3)中，所述损失函数通过如下公式计算：
其中，yt和是基本事实和预测，βLregress表示正则项以避免过度拟合。
进一步地，步骤4)中，在计算最优路径时还设置优先级，所述优先级包括距离、通过时间、舒适性；根据优先级结合交通流预测结果计算最优路径。
本发明在最优路径计算的同时还综合考虑距离、时间、舒适度三个因素，计算满足用户需要的自定义最优路线。
进一步地，步骤4)中，根据拥堵程度设置对应道路的通过时间，根据平坦和颠簸设置对应道路的舒适性；根据需要设置距离、通过时间、舒适性的权重系数，根据设置的优先级权重系数结合交通流预测结果计算最优路径。
为了改善现有省时路径规划依赖于当前时刻路况、规划的路线容易失去最佳性的问题，本发明针对高拥堵率的城市道路网环境，综合考虑历史路况和当前时刻路况，研究能够预测拥堵和管制，以及综合考虑距离、时间、舒适度三个因素后找寻自定义最优道路的路径规划方法。
附图说明
图1是本发明实施例提供的方法整体流程图；
图2是本发明实施例提供的图卷积网络子模块结构示意图；
图3是本发明实施例提供的门控循环单元子模型结构示意图；
图4是本发明实施例提供的属性强化组件结构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚，下面结合附图及实施例，对本发明作进一步的详细说明。
本发明的一种基于车路协同感知下的自适应动态路径规划方法，该方法的整体流程如图1所示，包括对城市交通流量预测问题进行建模，制作模拟交通流量数据集，训练建立的城市交通流量预测网络模型、结合预测网络使用自适应动态路径规划算法。
(1)对城市交通流量进行建模步骤如下：
1)明确问题：城市交通流量预测问题可以理解为在路网G、交通特征矩阵F和属性矩阵P的基础上，根据学习函数f，得到未来时段T的交通信息，如下公式所示：
[Ft+1,Ft+2...,Ft+T]＝f(P|G,P)(1)
2)将交通特征矩阵F和属性矩阵P＝{I,E}输入属性强化组件，导出强化矩阵；其中，I为固有属性，E为非固有属性。
3)建立图卷积网络子模型。
4)建立门控循环单元子模型。
5)将图卷积网络子模型与门控循环单元子模型相结合，建立城市交通流量预测模型。
(2)用于模型训练的交通流量数据集包括如下三个模拟交通流量数据集，分别是taxi.csv、poi.csv、weather.csv。
1)taxi.csv：该数据集模拟历史出租车轨迹数据。共有144条主要路段，连通性由一个81*81的邻接矩阵建模。计算所选路段的交通速度时间序列并形成交通特征矩阵，其中行由路段索引，列由时间戳索引。
2)poi.csv：该数据集表示对应路段周围信息点的信息。信息点类别可分为9类：餐饮服务、企业、购物服务、交通设施、教育服务、生活服务、医疗服务、住宿等。在计算出每个路段的信息点分布后，将比例最大的信息点类型作为路段的特征，得到的固有属性矩阵大小为81*1。
3)weather.csv：该数据集模拟历史天气状况。天气状况分为晴天、多云、雾天、小雨和大雨五类。利用时变天气条件信息，构造大小为81*2976的非固有属性矩阵。
(3)训练城市交通流量预测网络模型的步骤如下：
1)设置超参数。
2)计算损失函数。
(4)结合预测网络使用自适应动态路径规划算法步骤如下：
1)统一优先级的量纲，优先级包括三个要素：距离、通过时间、舒适性。
2)设置优先级，结合交通流预测结果和优先级，使用迪杰斯特拉算法计算最优路径。
具体地，城市交通流量进行建模中的步骤2)包括以下详细步骤：
第一步，加入固有属性I。I∈Rn×p是p个不同固有属性的集合{I1,I2,…,Ip}。不断使用整个矩阵I，在每个时间戳生成增广矩阵的过程中提取交通特征矩阵F的对应列。具体而言，在时间t由固有属性强化的矩阵形成为：
其中，R是所有实数的集合，本实施例用Rn表示n维实数空间；l示用于标记该变量是第几个卷积层的权重矩阵；m表示初始窗口大小。
第二步，结合非固有属性E。E∈Rn×(w*t)是w个不同非固有属性{E1,E2,…,Ew}的集合。在形成Mt时将选择窗口大小扩大到m+1，即选择每个非固有属性子矩阵Ew。通过属性强化单元，包含固有属性和非固有属性以及时间t的交通特征信息的强化矩阵形成为：
其中：Mt∈Rn×(p+l+w*(m+1))。
进一步地，对城市交通流量进行建模中的步骤3)进行详细说明：
图卷积网络模型将邻接矩阵和交通特征矩阵作为输入，建模过程可以通过如下公式表示。
其中：σ是激活函数，表示具有自环的邻接矩阵，N表示邻接矩阵。O表示元素全为1的单位矩阵；/>是对应的度数矩阵，Wl是第l个卷积层的权重矩阵，yl是输出表示，并且y0＝F。
图卷积网络模型的架构如图2所示。
进一步地，对城市交通流量进行建模中的步骤4)进行详细说明：
门控循环单元子模型可以看作是复位门和更新门的组合，如图3所示，其中kt-1是一个在时间t-1的节点，kt-h,…,kt-1,kt表示在时间t-h,…,t-1,t的隐藏状态，h表示从时间1～t之间的某个时刻。σ和tanh指的是Sigmoid和tanh激活函数，表示门信号。
进一步地，城市交通流量进行建模中的步骤5)包括以下步骤：
第一步，属性强化组件的架构如图4所示。
其中，在时间t，Ft是从原始交通特征矩阵F中提取的；{Et-m,…,Et}是从时间t-m到t的非固有信息的集合；I是固有属性，对于不同的时间戳是不变的；Mt是外部属性和原始流量融合后的强化特征矩阵。
第二步，将强化矩阵M作为时空模型g的输入，得到最终的预测结果y。
第三步，将预测结果y的特征序列作为门控循环单元的输入，对时间依赖性进行建模并推导出隐藏的交通状态kt。如公式(6)～(9)所示：
vt＝σ(Wv·[(Mt⊙N),ht-1]+bv) (6)
st＝σ(Ws·[(Mt⊙N),ht-1]+bs) (7)
dt＝tanh(Wd·[(Mt⊙N),(rt,ht-1)]+bd) (8)
kt＝v*kt-1+(1-vt)*dt (9)
其中，⊙表示图卷积操作，σ为Sigmoid函数，b为偏置项，W为权重；vt表示更新门，st是复位门，dt表示候选隐藏状态，。
进一步地，对训练城市交通流量预测网络模型的步骤1)进行详细说明：
城市交通流量预测网络模型的超参数主要包括学习率、训练批次、隐藏单元数量、批量大小、训练集的比例。训练集的学习率、训练批次、隐藏单元数量、批量大小和训练集的比例设置为0.001、3000、100、64和0.8。
进一步地，对训练城市交通流量预测网络模型的步骤2)进行详细说明：
损失函数按照公式(10)来计算：
其中，yt和是基本事实和预测，βLregress表示正则项以避免过度拟合。
进一步地，结合预测网络使用自适应动态路径规划算法步骤1)的详细步骤如下：
第一步，使用七个系数来表达道路的拥堵程度，分别为：0.5、1.0、1.5、2.0、2.5、3.0、3.5，系数越大表示该条道路越拥堵。这七个系数可以同样用于衡量通行时间，系数越大,道路越拥堵，该路段的通行时间也越长。
此外还存在两种特殊情况：第一，道路发生管制，系数将被设置为0，表示该道路无法通行；第二，道路发生交通事故导致该道路拥堵程度剧烈增加，系数将被设置为50。
第二步，使用系数1或2来衡量道路舒适度。1表示该段道路平坦，2表示该段道路颠簸。
第三步，使用系数1来表示每段道路的距离。
进一步地，对结合预测网络提出自适应动态路径规划算法步骤2)进行详细说明：
第一步，输入关于距离、时间、舒适度的三个权重系数，三者之和必须为1。例如，输入0、1、0表示希望系统规划时间最短路径；输入0.3、0.4、0.3表示三个元素的重要程度大致相等，其中时间最短更为重要。
第二步，根据输入的优先级权重，结合网络预测的结果，使用迪杰斯特拉算法计算最优路径。
本申请的实例提供了一种基于车路协同感知下的自适应动态路径规划方法，通过该方法结合城市交通流量的特征规律，并对其进行建模，制作了模拟交通流量数据集，开展了卷积神经网络的交通流量预测研究，提出了一种适配于城市交通道路网的卷积神经网络模型，将用户关心的距离、时间、舒适度三个行车元素进行了融合，提出了能够计算用户自定义最优道路的路径规划算法。并在TensorFlow框架上完成了该模型的构建、训练和测试过程，仿真实验的结果验证了该模型的可行性和有效性，证明了本模型在预测准确度和网络收敛速度方面的性能均有所提升。

Claims (10)

1.一种基于车路协同感知下的自适应动态路径规划方法，其特征在于，包括如下步骤:
1)建立根据路网、交通特征矩阵和属性矩阵预测未来时段交通信息的机器学习模型；
所述属性矩阵包括固有属性矩阵和非固有属性矩阵；
2)建立训练集，所述训练集包括：根据历史交通数据中，所述路网对应路段交通速度形成的交通特征矩阵；将对应路段周围信息点的类型作为路段的特征得到的固有属性矩阵；根据历史交通数据中，天气状况构造的非固有属性矩阵；
3)设置超参数，计算损失函数，利用所述训练集对机器学习模型进行训练，得到城市交通流量预测模型；
4)采集当前真实数据，根据城市交通流量预测模型得到交通流预测结果，使用迪杰斯特拉算法计算最优路径。
2.根据权利要求1所述的基于车路协同感知下的自适应动态路径规划方法，其特征在于，步骤1)中，所述机器学习模型为图卷积网络子模型与门控循环单元子模型相结合建立的；将由交通特征矩阵和属性矩阵融合后的强化矩阵作为图卷积网络子模型的输入，得到预测结果y；将预测结果y的特征序列用作门控循环单元子模型的输入，对时间依赖性进行建模并推导出交通流预测结果。
3.根据权利要求1所述的基于车路协同感知下的自适应动态路径规划方法，其特征在于，所述交通特征矩阵为：根据出租车轨迹获得的对应路段的交通速度时间序列形成的，其中行由路段索引，列由时间戳索引。
4.根据权利要求1所述的基于车路协同感知下的自适应动态路径规划方法，其特征在于，步骤2)中，所述信息点的类型包括如下的一种或多种：餐饮服务、企业、购物服务、交通设施、教育服务、生活服务、医疗服务、住宿。
5.根据权利要求4所述的基于车路协同感知下的自适应动态路径规划方法，其特征在于，步骤2)中，在计算出每个路段的信息点分布后，将比例最大的信息点类型作为路段的特征。
6.根据权利要求1所述的基于车路协同感知下的自适应动态路径规划方法，其特征在于，步骤2)中，所述天气状况包括晴天、多云、雾天、小雨和大雨五类。
7.根据权利要求1所述的基于车路协同感知下的自适应动态路径规划方法，其特征在于，步骤3)中，所述超参数包括学习率、训练批次、隐藏单元数量、批量大小、训练集的比例；分别设置为0.001、3000、100、64和0.8。
8.根据权利要求1所述的基于车路协同感知下的自适应动态路径规划方法，其特征在于，步骤3)中，所述损失函数通过如下公式计算：
其中，yt和是基本事实和预测，βLregress表示正则项以避免过度拟合。
9.根据权利要求1所述的基于车路协同感知下的自适应动态路径规划方法，其特征在于，步骤4)中，在计算最优路径时还设置优先级，所述优先级包括距离、通过时间、舒适性；根据优先级结合交通流预测结果计算最优路径。
10.据权利要求9所述的基于车路协同感知下的自适应动态路径规划方法，其特征在于，步骤4)中，根据拥堵程度设置对应道路的通过时间，根据平坦和颠簸设置对应道路的舒适性；根据需要设置距离、通过时间、舒适性的权重系数，根据设置的优先级权重系数结合交通流预测结果计算最优路径。
CN202310522809.XA 2023-05-10 2023-05-10 一种基于车路协同感知下的自适应动态路径规划方法 Pending CN116612633A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310522809.XA CN116612633A (zh) 2023-05-10 2023-05-10 一种基于车路协同感知下的自适应动态路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310522809.XA CN116612633A (zh) 2023-05-10 2023-05-10 一种基于车路协同感知下的自适应动态路径规划方法

Publications (1)

Publication Number Publication Date
CN116612633A true CN116612633A (zh) 2023-08-18

Family

ID=87673981

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310522809.XA Pending CN116612633A (zh) 2023-05-10 2023-05-10 一种基于车路协同感知下的自适应动态路径规划方法

Country Status (1)

Country Link
CN (1) CN116612633A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117292551A (zh) * 2023-11-27 2023-12-26 辽宁邮电规划设计院有限公司 基于物联网的城市交通态势调节系统与方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117292551A (zh) * 2023-11-27 2023-12-26 辽宁邮电规划设计院有限公司 基于物联网的城市交通态势调节系统与方法
CN117292551B (zh) * 2023-11-27 2024-02-23 辽宁邮电规划设计院有限公司 基于物联网的城市交通态势调节系统与方法

Similar Documents

Publication Publication Date Title
CN112216108B (zh) 一种基于属性增强的时空图卷积模型的交通预测方法
CN109754605B (zh) 一种基于注意力时态图卷积网络的交通预测方法
CN109887282B (zh) 一种基于层级时序图卷积网络的路网交通流预测方法
CN113268916A (zh) 一种基于时空图卷积网络的交通事故预测方法
CN113487066B (zh) 基于多属性增强图卷积-Informer模型的长时序货运量预测方法
CN113724504B (zh) 一种面向车辆轨迹大数据的城市区域流量预测系统及方法
CN109886444A (zh) 一种交通短时客流预测方法、装置、设备和存储介质
CN112489426B (zh) 一种基于图卷积神经网络的城市交通流量时空预测方案
CN113538910B (zh) 一种自适应的全链条城市区域网络信号控制优化方法
CN110164129B (zh) 基于gernn的单交叉口多车道交通流量预测方法
Lin et al. A spatial-temporal hybrid model for short-term traffic prediction
CN114944053B (zh) 一种基于时空超图神经网络的交通流预测方法
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
CN115376317B (zh) 一种基于动态图卷积和时序卷积网络的交通流预测方法
CN116612633A (zh) 一种基于车路协同感知下的自适应动态路径规划方法
CN114266406A (zh) 一种基于联邦学习的大范围路网交通流状态预测方法
CN112884014A (zh) 一种基于路段拓扑结构分类的交通速度短时预测方法
Lu et al. Leveraging graph neural network with lstm for traffic speed prediction
CN111311905A (zh) 一种基于粒子群优化小波神经网络的高速公路行程时间预测方法
Xing et al. RL-GCN: Traffic flow prediction based on graph convolution and reinforcement learning for smart cities
CN116665448A (zh) 一种基于图卷积网络的交通速度实时预测方法及系统
CN116167254A (zh) 基于城市大数据的多维城市仿真推演方法和系统
CN115600421A (zh) 基于改进型Petri网的自主式交通系统演化模型的构建方法及装置、介质
CN114139773A (zh) 一种基于时空图卷积网络的公共交通流量预测方法
CN114139984A (zh) 基于流量与事故协同感知的城市交通事故风险预测方法

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