CN117079482A - 一种基于交叉路口的车辆通行预测方法、设备及介质 - Google Patents
一种基于交叉路口的车辆通行预测方法、设备及介质 Download PDFInfo
- Publication number
- CN117079482A CN117079482A CN202311190037.0A CN202311190037A CN117079482A CN 117079482 A CN117079482 A CN 117079482A CN 202311190037 A CN202311190037 A CN 202311190037A CN 117079482 A CN117079482 A CN 117079482A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- intersection
- prediction
- traffic
- 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 40
- 230000008859 change Effects 0.000 claims abstract description 69
- 238000004458 analytical method Methods 0.000 claims abstract description 3
- 238000010586 diagram Methods 0.000 claims description 42
- 238000007726 management method Methods 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 230000003247 decreasing effect Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 12
- 238000011144 upstream manufacturing Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 230000009977 dual effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000000737 periodic effect Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 9
- 238000004590 computer program Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 230000008093 supporting effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/081—Plural intersections under common control
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- 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交叉路口的车辆通行预测方法、设备及介质,属于交通预测技术领域,用于解决现有的道路交叉路口易发生交通拥堵情况,难以针对复杂拥堵状态下的交叉路口进行有效地疏通管理,不利于准确生成利于交通管理的交通预测信息的技术问题。方法包括:对车辆轨迹数据进行轨迹点位的瞬时速度解析,并根据每个时间区间内的瞬时速度数据组,对车辆进行轨迹点位的位置判定,确定出车辆的排队起始点数据;基于网信息,确定出有关交叉路口中交叉路口拓扑图;对交叉路口中的车辆进行有关时序变化特征与空间变化特征的卷积学习预测,得到排队长度预测数据以及排队速度预测数据;并生成用于交叉路口交通管理的交通预测数据。
Description
技术领域
本申请涉及交通预测领域,尤其涉及一种基于交叉路口的车辆通行预测方法、设备及介质。
背景技术
随着社会和经济的飞速发展,城市车辆保有量和居民出行量的快速上升使得城市拥堵现象越发严重。交通拥堵作为一种全球普遍现象,不仅造成了极大的时间经济成本,而且加重了大气和噪声污染,成为目前社会的主要问题之一。
道路交叉口是城市交通网络联结的关键节点,交叉口通行效率降低极易引起道路拥堵,排堵的关键是交叉口交通通行效率的提升。与路段交通流不同,交叉口各种车流、人流交汇、分散、相互交织,交通流不具有明显的方向性和顺序性,而交叉口的道路条件、周边交通环境等因素都会影响其通行能力。
现有的道路交叉口路况复杂,是道路交通拥堵的高发地带,难以针对不同行驶方向的车辆作出有关交通信息的准确预测。同时,又由于交叉路口的信号灯配时、道路结构以及通行策略等等不同因素的影响,难以让交管中心对交叉路口中的车辆实现最佳管理,不容易生成准确的交通预测信息,实现对交叉路口中车辆拥堵情况的缓解。
发明内容
本申请实施例提供了一种基于交叉路口的车辆通行预测方法、设备及介质,用于解决如下技术问题:现有的道路交叉路口易发生交通拥堵情况,难以针对复杂拥堵状态下的交叉路口进行有效地疏通管理,不利于快速且准确生成有利于交通管理的交通预测信息。
本申请实施例采用下述技术方案:
一方面,本申请实施例提供了一种基于交叉路口的车辆通行预测方法,包括:基于预设时间间隔,对交叉路口的车辆进行通行轨迹采样,得到车辆轨迹数据;对所述车辆轨迹数据进行轨迹点位的瞬时速度解析,并根据每个时间区间内的瞬时速度数据组,对所述车辆进行轨迹点位的位置判定,确定出所述车辆的排队起始点数据;基于所述车辆轨迹数据以及对应的路网信息,确定出有关交叉路口中所述车辆的交叉路口拓扑图;根据所述交叉路口拓扑图以及所述排队起始点数据,对所述交叉路口中的车辆进行有关时序变化特征与空间变化特征的卷积学习预测,得到所述车辆的排队长度预测数据;根据每个时间区间内的所述瞬时速度数据组,对所述车辆的行驶速度进行多层神经网络的特征训练,得到所述车辆的排队速度预测数据;将所述排队长度预测数据以及所述排队速度预测数据进行数据之间的同步协调,确定出用于交叉路口交通管理的交通预测数据。
本申请实施例通过对道路交叉路口中排队车辆的轨迹数据采集,能够更能体现出道路的交通畅通情况,并且基于卷积神经网络模型,能够时准确预测出排队车辆在各个路口的排队长度数据以及排队速度数据,为交叉路口的通行效能与措施执行能力提供了数据支撑,同时在道路交叉路口易发生交通拥堵情况下,能够针对复杂拥堵状态下的交叉路口进行有效地疏通管理,有利于快速且准确生成有利于交通管理的交通预测信息,帮助交管中心更好的对交叉路口中的等候排队的车辆进行交通管理,减少交通管理的滞后性,能够提前预测出可能发生的交通拥堵情况,并且为驾驶员提供交通运行的预测信息,帮助驾驶员更好的了解现有的交通情况,提前规划好自己的行驶路线。
在一种可行的实施方式中,基于预设时间间隔,对交叉路口的车辆进行通行轨迹采样,得到车辆轨迹数据,具体包括:通过所述交叉路口的多组路侧摄像头,对行驶中的所述车辆进行基于固定时间间隔下的实时采样,得到采样车辆数据;其中,所述采样车辆数据包括:车辆平均速度、车辆位移距离以及路段位置坐标;对所述采样车辆数据进行有关车辆流量参数计算,得到实时车流参数;将所述实时车流参数与预设的拥堵车流参数进行比对,确定出拥堵车辆数据;基于预设时间间隔,并根据全球导航卫星系统,将所述拥堵车辆数据对应的交叉路口区域进行车辆GNSS轨迹数据的采集,得到交叉路口中的所述车辆轨迹数据。
在一种可行的实施方式中,对所述车辆轨迹数据进行轨迹点位的瞬时速度解析,具体包括:将所述车辆轨迹数据进行多段时间划分,得到每个时间段下的车辆轨迹数据;对每个时间段下的车辆轨迹数据进行车辆速度变化的解析,并生成车辆变化曲线图;其中,所述车辆变化曲线图的横轴为每个时间段,所述车辆变化曲线图的纵轴为车辆实时速度;根据所述车辆变化曲线图中的曲线斜率,对所述车辆轨迹数据进行有关多个时间区间内的运动模式分类,得到基于所述曲线斜率的区间速度变化信息;其中,所述区间速度变化信息包括:单调递减速度信息以及复杂增减速度信息;所述复杂增减速度信息为存在加速与减速变化的速度信息;若所述区间速度变化信息为所述单调递减速度信息,则获取每个时间区间两端的所述车辆的瞬时速度数据,并确定为单调瞬时速度数据组;若所述区间速度变化信息为所述复杂增减速度信息,则获取每个时间区间内曲线斜率加减变化点下的若干时间点;采集与所述若干时间点对应的所述车辆的瞬时速度数据,并确定为复杂瞬时速度数据组;其中,每个时间区间内的瞬时速度数据组包括:所述单调瞬时速度数据组以及所述复杂瞬时速度数据组。
在一种可行的实施方式中,根据每个时间区间内的瞬时速度数据组,对所述车辆进行轨迹点位的位置判定,确定出所述车辆的排队起始点数据,具体包括:对所述每个时间区间内的瞬时速度数据组进行分类识别;若所述瞬时速度数据组为所述单调瞬时速度数据组,则根据与所述单调瞬时速度数据组对应的时间区间内的中位时间点以及道路坐标位置,对所述车辆进行轨迹点位的位置判定,得到第一起始点数据;若所述瞬时速度数据组为所述复杂瞬时速度数据组,则根据所述复杂瞬时速度数据组中与第一曲线斜率变化点对应的时间点以及道路坐标位置,对所述车辆进行轨迹点位的位置判定,得到第二起始点数据;其中,所述第一曲线斜率变化点为所述车辆变化曲线图中对应时间区间内的第一个曲线斜率发生变化的转折点;其中,所述排队起始点数据包括:所述第一起始点数据以及所述第二起始点数据。
在一种可行的实施方式中,基于所述车辆轨迹数据以及对应的路网信息,确定出有关交叉路口中所述车辆的交叉路口拓扑图,具体包括:获取与所述车辆轨迹数据相关联的上下游车辆轨迹数据;其中,所述上下游车辆轨迹数据为所述交叉路口上游区域与下游区域的车辆轨迹数据;将所述上下游车辆轨迹数据与所述交叉路口中的车辆轨迹数据进行数据连通,并生成连通关系结构图;其中,所述连通关系结构图的节点为拥堵车辆数据,所述连通关系结构图的边为瞬时速度数据组;基于所述路网信息中的交叉路口以及路段位置,生成交叉路口结构图;其中,所述交叉路口结构图的节点为存在拥堵情况的交叉路口,所述交叉路口结构图的边为交叉路口的路段;根据预设的神经网络模型,将所述连通关系结构图与所述交叉路口结构图之间进行有关拓扑关系的图片对偶处理,生成所述交叉路口拓扑图。
在一种可行的实施方式中,根据所述交叉路口拓扑图以及所述排队起始点数据,对所述交叉路口中的车辆进行有关时序变化特征与空间变化特征的卷积学习预测,得到所述车辆的排队长度预测数据,具体包括:根据图卷积网络,将所述交叉路口拓扑图中的节点特征与所述排队起始点数据进行谱图信号处理,得到图卷积数据;根据所述图卷积数据的节点特征与图结构特征,并基于长短期记忆网络,对所述交叉路口中的车辆进行有关时序变化特征与空间变化特征的卷积学习训练,得到时空图卷积模型;其中,所述时空图卷积模型具有时空学习模块、残差单元以及递归神经网络;通过所述时空图卷积模型,对所述图卷积数据进行有关多分支以及全连接层的数据特性预测,得到下一时间区间内的所述车辆的排队长度预测数据;其中,所述数据特性为所述排队起始点数据的连续特性、周期特性以及趋势特性;所述多分支为所述交叉路口拓扑图中的时间变化分支、空间变化分支以及车辆潮汐变化分支。
在一种可行的实施方式中,根据每个时间区间内的所述瞬时速度数据组,对所述车辆的行驶速度进行多层神经网络的特征训练,得到所述车辆的排队速度预测数据,具体包括:将所述每个时间区间内的所述瞬时速度数据组输入到预设的卷积神经网络中;通过所述卷积神经网络的卷积层,对所述瞬时速度数据组进行多个特征面的提取,并确定出与所述多个特征面对应的多个卷积核;通过所述卷积神经网络的池化层与全连接层,分别对所述多个特征面以及对应的多个卷积核进行二次特征的提取;并基于SIGMOID激活函数,对每个时间区间内的所述瞬时速度数据组进行最小化网络的损失计算训练,输出并得到下一个时间区间内的所述车辆的排队速度预测数据。
在一种可行的实施方式中,将所述排队长度预测数据以及所述排队速度预测数据进行数据之间的同步协调,确定出用于交叉路口交通管理的交通预测数据,具体包括:通过MYSQL数据库管理系统,将所述排队长度预测数据记录到二进制日志中,得到第一预测数据;将所述排队速度预测数据拷贝到所述MYSQL数据库管理系统的中继日志中,得到第二预测数据;根据所述MYSQL数据库管理系统的从属服务器,将所述第一预测数据与所述第二预测数据进行有关相同时间戳下的数据结构映射,并生成用于交叉路口中车辆通行管理的交通预测数据。
第二方面,本申请实施例还提供了一种基于交叉路口的车辆通行预测设备,所述设备包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有能够被所述至少一个处理器执行的指令,以使所述至少一个处理器能够执行上述任一实施方式所述的一种基于交叉路口的车辆通行预测方法。
第三方面,本申请实施例还提供了一种非易失性计算机存储介质,其特征在于,所述存储介质为非易失性计算机可读存储介质,所述非易失性计算机可读存储介质存储有至少一个程序,每个所述程序包括指令,所述指令当被终端执行时,使所述终端执行上述任一实施方式所述的一种基于交叉路口的车辆通行预测方法。
本申请提供了一种基于交叉路口的车辆通行预测方法、设备及介质,与现有技术相比,本申请具有以下有益的技术效果:
本申请实施例通过对道路交叉路口中排队车辆的轨迹数据采集,能够更能体现出道路的交通畅通情况,并且基于卷积神经网络模型,能够时准确预测出排队车辆在各个路口的排队长度数据以及排队速度数据,为交叉路口的通行效能与措施执行能力提供了数据支撑,同时在道路交叉路口易发生交通拥堵情况下,能够针对复杂拥堵状态下的交叉路口进行有效地疏通管理,有利于快速且准确生成有利于交通管理的交通预测信息,帮助交管中心更好的对交叉路口中的等候排队的车辆进行交通管理,减少交通管理的滞后性,能够提前预测出可能发生的交通拥堵情况,并且为驾驶员提供交通运行的预测信息,帮助驾驶员更好的了解现有的交通情况,提前规划好自己的行驶路线。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本申请实施例提供的一种基于交叉路口的车辆通行预测方法流程图;
图2为本申请实施例提供的一种交叉路口的车辆拥堵排队示意图;
图3为本申请实施例提供的一种基于交叉路口的车辆通行预测设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本说明书实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
本申请实施例提供了一种基于交叉路口的车辆通行预测方法,如图1所示,基于交叉路口的车辆通行预测方法具体包括步骤S101-S106:
S101、基于预设时间间隔,对交叉路口的车辆进行通行轨迹采样,得到车辆轨迹数据。
具体地,通过交叉路口的多组路侧摄像头,对行驶中的车辆进行基于固定时间间隔下的实时采样,得到采样车辆数据。其中,采样车辆数据包括:车辆平均速度、车辆位移距离以及路段位置坐标。
进一步地,对采样车辆数据进行有关车辆流量参数计算,得到实时车流参数。将实时车流参数与预设的拥堵车流参数进行比对,确定出拥堵车辆数据。
进一步地,基于预设时间间隔,并根据全球导航卫星系统,将拥堵车辆数据对应的交叉路口区域进行车辆GNSS轨迹数据的采集,得到交叉路口中的车辆轨迹数据。
在一个实施例中,图2为本申请实施例提供的一种交叉路口的车辆拥堵排队示意图,如图2所示,在一个复杂的交叉路口中,拥有多条行驶道路,1号、2号、3号、4号以及5号等等,在车流量大时,或者有特殊情况下,需要车辆在自己的行驶车道中进行排队等候,从而会形成排队车辆,行驶缓慢或者停止,从而产生连锁效应,变成了交通拥堵状态。首先可以通过该交叉路口的多组路侧摄像头对车辆进行数据采集后,并基于拥堵车流参数,判断出对应车道是否存在拥堵情况,并采集对应的拥堵车辆数据,然后再基于全球导航卫星系统(GNSS),将拥堵车辆数据对应的交叉路口区域进行车辆GNSS轨迹数据的采集,得到交叉路口中的车辆轨迹数据。
作为一种可行的实施方式,利用GNSS轨迹数据。能够实现对交通状态识别、速度与排队长度参数估计,并体现了车辆比例和参数估计准确性的关系。还可以利用GNSS轨迹数据挖掘城市拥堵事件并分析拥堵形成及传播规律。利用车辆GNSS轨迹数据可以实时获取和预测城市交通状态,且覆盖范围广、部署成本低,对自动驾驶路线决策、交通拥堵治理具有重要的支撑作用。
S102、对车辆轨迹数据进行轨迹点位的瞬时速度解析,并根据每个时间区间内的瞬时速度数据组,对车辆进行轨迹点位的位置判定,确定出车辆的排队起始点数据。
具体地,将车辆轨迹数据进行多段时间划分,得到每个时间段下的车辆轨迹数据。对每个时间段下的车辆轨迹数据进行车辆速度变化的解析,并生成车辆变化曲线图。其中,车辆变化曲线图的横轴为每个时间段,车辆变化曲线图的纵轴为车辆实时速度。
进一步地,根据车辆变化曲线图中的曲线斜率,对车辆轨迹数据进行有关多个时间区间内的运动模式分类,得到基于曲线斜率的区间速度变化信息。其中,区间速度变化信息包括:单调递减速度信息以及复杂增减速度信息。复杂增减速度信息为存在加速与减速变化的速度信息。
若区间速度变化信息为单调递减速度信息,则获取每个时间区间两端的车辆的瞬时速度数据,并确定为单调瞬时速度数据组。若区间速度变化信息为复杂增减速度信息,则获取每个时间区间内曲线斜率加减变化点下的若干时间点。采集与若干时间点对应的车辆的瞬时速度数据,并确定为复杂瞬时速度数据组。其中,每个时间区间内的瞬时速度数据组包括:单调瞬时速度数据组以及复杂瞬时速度数据组。
作为一种可行的实施方式,在排队车辆的一个时间区间内,会存在速度单调递减下的排队车辆行驶方式,即单调瞬时速度数据组,也存在一个时间区间内,车辆的加减速没有规律性的排队车辆行驶方式。故利用排队车辆在排队状态下的车辆变化曲线图中的曲线斜率,来反映出车辆在多个时间区间内的运动模式,从而确定出在每个时间区间下,排队等候车辆的速度变化情况,即不同运动模式下的区间速度变化信息。
进一步地,对每个时间区间内的瞬时速度数据组进行分类识别:
若瞬时速度数据组为单调瞬时速度数据组,则根据与单调瞬时速度数据组对应的时间区间内的中位时间点以及道路坐标位置,对车辆进行轨迹点位的位置判定,得到第一起始点数据。
若瞬时速度数据组为复杂瞬时速度数据组,则根据复杂瞬时速度数据组中与第一曲线斜率变化点对应的时间点以及道路坐标位置,对车辆进行轨迹点位的位置判定,得到第二起始点数据。其中,第一曲线斜率变化点为车辆变化曲线图中对应时间区间内的第一个曲线斜率发生变化的转折点。排队起始点数据包括:第一起始点数据以及第二起始点数据。
作为一种可行的实施方式,若瞬时速度数据组为复杂瞬时速度数据组,由于车辆经历了复杂的加速和减速,排队起始点的确定存在动态变化,故将车辆变化曲线图中对应时间区间内的第一个曲线斜率发生变化的转折点作为排队起始点。比如,车辆在减速前经历了加速过程,认为加速点与减速点位置相近,则将最先变化的该点作为排队起始点。同理,若车辆经历了先减速后加速的过程,则也认为起始点与减速点位置相近,将该点作为排队起始点,即确定为第二起始点数据。
S103、基于车辆轨迹数据以及对应的路网信息,确定出有关交叉路口中车辆的交叉路口拓扑图。
具体地,获取与车辆轨迹数据相关联的上下游车辆轨迹数据。其中,上下游车辆轨迹数据为交叉路口上游区域与下游区域的车辆轨迹数据。
进一步地,将上下游车辆轨迹数据与交叉路口中的车辆轨迹数据进行数据连通,并生成连通关系结构图。其中,连通关系结构图的节点为拥堵车辆数据,连通关系结构图的边为瞬时速度数据组。
进一步地,基于路网信息中的交叉路口以及路段位置,生成交叉路口结构图。其中,交叉路口结构图的节点为存在拥堵情况的交叉路口,交叉路口结构图的边为交叉路口的路段。
进一步地,根据预设的神经网络模型,将连通关系结构图与交叉路口结构图之间进行有关拓扑关系的图片对偶处理,生成交叉路口拓扑图。
在一个实施例中,基于路网信息的交叉路口结构图,以交叉口为节点、以路段为边自然地构成图结构。根据对偶图理论,将路段为节点、路段连通关系为边,需要再一次进行对偶处理,即将连通关系结构图与交叉路口结构图之间进行有关拓扑关系的图片对偶处理,生成交叉路口拓扑图。
S104、根据交叉路口拓扑图以及排队起始点数据,对交叉路口中的车辆进行有关时序变化特征与空间变化特征的卷积学习预测,得到车辆的排队长度预测数据。
具体地,根据图卷积网络,将交叉路口拓扑图中的节点特征与排队起始点数据进行谱图信号处理,得到图卷积数据。
进一步地,根据图卷积数据的节点特征与图结构特征,并基于长短期记忆网络,对交叉路口中的车辆进行有关时序变化特征与空间变化特征的卷积学习训练,得到时空图卷积模型。其中,时空图卷积模型具有时空学习模块、残差单元以及递归神经网络。
进一步地,通过时空图卷积模型,对图卷积数据进行有关多分支以及全连接层的数据特性预测,得到下一时间区间内的车辆的排队长度预测数据。其中,数据特性为排队起始点数据的连续特性、周期特性以及趋势特性。多分支为交叉路口拓扑图中的时间变化分支、空间变化分支以及车辆潮汐变化分支。
作为一种可行的实施方式,图卷积网络是一种应用于图结构数据的深度学习网络模型,将卷积操作作用于连通关系结构图上:将拥堵车辆数据的节点特征视为连通关系结构图上的信号,将瞬时速度数据组确定为连通关系结构图的边,同时借助谱图理论和信号处理方法构建节点间的影响关系,实现图卷积运算。同时基于交通信息预测的关键在于有效建模交通网络的复杂变化规律。再利用经过每个时间区间训练后的时空图卷积模型,对图卷积数据进行有关多分支以及全连接层的数据特性预测,便可以得到车辆的排队长度预测数据。
在一个实施例中,关于时空图卷积模型结构,首先将GCN(Graph ConvolutionalNetwork,图卷积神经网络)构成残差单元,并连接LSTM(Long Short-Term Memory,时间循环神经网络)层,形成时空学习模块,分别借助GCN(Graph Convolutional Network,图卷积神经网络)和LSTM(Long Short-Term Memory,时间循环神经网络)层来学习训练历史每个时间区间内基于交叉路口拓扑图以及排队起始点数据的空间模式和多个时段间的时序变化模式。然后基于排队起始点数据的连续特性、周期特性以及趋势特性,以及交叉路口拓扑图中的时间变化分支、空间变化分支以及车辆潮汐变化分支,将关联结合处理后的图卷积数据进行有关多分支以及全连接层的数据特性预测,最终得到下一时间区间内的排队长度预测数据。
S105、根据每个时间区间内的瞬时速度数据组,对车辆的行驶速度进行多层神经网络的特征训练,得到车辆的排队速度预测数据。
具体地,将每个时间区间内的瞬时速度数据组输入到预设的卷积神经网络中。
进一步地,通过卷积神经网络的卷积层,对瞬时速度数据组进行多个特征面的提取,并确定出与多个特征面对应的多个卷积核。
进一步地,通过卷积神经网络的池化层与全连接层,分别对多个特征面以及对应的多个卷积核进行二次特征的提取。并基于SIGMOID(sigmoid function,双弯曲函数)激活函数,对每个时间区间内的瞬时速度数据组进行最小化网络的损失计算训练,输出并得到下一个时间区间内的车辆的排队速度预测数据。
在一个实施例中,卷积神经网络对应的神经网络模型,可采用6个卷积、池化层+2个全链接层+1个SOFTMAX(归一指数函数)层,共9层深度,另外,为了避免过拟合并提高模型的泛化能力,还可以在其中嵌入若干个Dropout(正则网络)层。然后对多个特征面以及对应的多个卷积核进行二次特征的提取,并基于SIGMOID(sigmoid function,双弯曲函数)激活函数,对每个时间区间内的瞬时速度数据组进行最小化网络的损失计算训练,最终输出并得到下一个时间区间内的车辆的排队速度预测数据。
S106、将排队长度预测数据以及排队速度预测数据进行数据之间的同步协调,确定出用于交叉路口交通管理的交通预测数据。
具体地,通过MYSQL数据库管理系统,将排队长度预测数据记录到二进制日志中,得到第一预测数据。
进一步地,将排队速度预测数据拷贝到MYSQL数据库管理系统的中继日志中,得到第二预测数据。
进一步地,根据MYSQL数据库管理系统的从属服务器,将第一预测数据与第二预测数据进行有关相同时间戳下的数据结构映射,并生成用于交叉路口中车辆通行管理的交通预测数据。
作为一种可行的实施方式,利用MYSQL数据库管理系统的高可用性、出色的查询性能可以实现高吞吐量,以及可以轻松地进行数据的管理和配置,便可将排队长度预测数据以及排队速度预测数据进行数据之间的同步协调,以便于大规模数据处理,同时还保证了交通预测数据的整体有效性和高度准确性。
另外,本申请实施例还提供了一种基于交叉路口的车辆通行预测设备,如图3所示,基于交叉路口的车辆通行预测设备300具体包括:
至少一个处理器301。以及,与至少一个处理器301通信连接的存储器302;其中,存储器302存储有能够被至少一个处理器301执行的指令,以使至少一个处理器301能够执行:
基于预设时间间隔,对交叉路口的车辆进行通行轨迹采样,得到车辆轨迹数据;
对车辆轨迹数据进行轨迹点位的瞬时速度解析,并根据每个时间区间内的瞬时速度数据组,对车辆进行轨迹点位的位置判定,确定出车辆的排队起始点数据;
基于车辆轨迹数据以及对应的路网信息,确定出有关交叉路口中车辆的交叉路口拓扑图;
根据交叉路口拓扑图以及排队起始点数据,对交叉路口中的车辆进行有关时序变化特征与空间变化特征的卷积学习预测,得到车辆的排队长度预测数据;
根据每个时间区间内的瞬时速度数据组,对车辆的行驶速度进行多层神经网络的特征训练,得到车辆的排队速度预测数据;
将排队长度预测数据以及排队速度预测数据进行数据之间的同步协调,确定出用于交叉路口交通管理的交通预测数据。
本申请通过对道路交叉路口中排队车辆的轨迹数据采集,能够更能体现出道路的交通畅通情况,并且基于卷积神经网络模型,能够时准确预测出排队车辆在各个路口的排队长度数据以及排队速度数据,为交叉路口的通行效能与措施执行能力提供了数据支撑,同时在道路交叉路口易发生交通拥堵情况下,能够针对复杂拥堵状态下的交叉路口进行有效地疏通管理,有利于快速且准确生成有利于交通管理的交通预测信息,帮助交管中心更好的对交叉路口中的等候排队的车辆进行交通管理,减少交通管理的滞后性,能够提前预测出可能发生的交通拥堵情况,并且为驾驶员提供交通运行的预测信息,帮助驾驶员更好的了解现有的交通情况,提前规划好自己的行驶路线。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备、非易失性计算机存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请实施例提供的设备和介质与方法是一一对应的,因此,设备和介质也具有与其对应的方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述设备和介质的有益技术效果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
上述对本申请特定实施例进行了描述。其它实施例也在所属保护的范围内。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请的实施例可以有各种更改和变化。凡在本申请实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于交叉路口的车辆通行预测方法,其特征在于,所述方法包括:
基于预设时间间隔,对交叉路口的车辆进行通行轨迹采样,得到车辆轨迹数据;
对所述车辆轨迹数据进行轨迹点位的瞬时速度解析,并根据每个时间区间内的瞬时速度数据组,对所述车辆进行轨迹点位的位置判定,确定出所述车辆的排队起始点数据;
基于所述车辆轨迹数据以及对应的路网信息,确定出有关交叉路口中所述车辆的交叉路口拓扑图;
根据所述交叉路口拓扑图以及所述排队起始点数据,对所述交叉路口中的车辆进行有关时序变化特征与空间变化特征的卷积学习预测,得到所述车辆的排队长度预测数据;
根据每个时间区间内的所述瞬时速度数据组,对所述车辆的行驶速度进行多层神经网络的特征训练,得到所述车辆的排队速度预测数据;
将所述排队长度预测数据以及所述排队速度预测数据进行数据之间的同步协调,确定出用于交叉路口交通管理的交通预测数据。
2.根据权利要求1所述的一种基于交叉路口的车辆通行预测方法,其特征在于,基于预设时间间隔,对交叉路口的车辆进行通行轨迹采样,得到车辆轨迹数据,具体包括:
通过所述交叉路口的多组路侧摄像头,对行驶中的所述车辆进行基于固定时间间隔下的实时采样,得到采样车辆数据;其中,所述采样车辆数据包括:车辆平均速度、车辆位移距离以及路段位置坐标;
对所述采样车辆数据进行有关车辆流量参数计算,得到实时车流参数;将所述实时车流参数与预设的拥堵车流参数进行比对,确定出拥堵车辆数据;
基于预设时间间隔,并根据全球导航卫星系统,将所述拥堵车辆数据对应的交叉路口区域进行车辆GNSS轨迹数据的采集,得到交叉路口中的所述车辆轨迹数据。
3.根据权利要求1所述的一种基于交叉路口的车辆通行预测方法,其特征在于,对所述车辆轨迹数据进行轨迹点位的瞬时速度解析,具体包括:
将所述车辆轨迹数据进行多段时间划分,得到每个时间段下的车辆轨迹数据;
对每个时间段下的车辆轨迹数据进行车辆速度变化的解析,并生成车辆变化曲线图;其中,所述车辆变化曲线图的横轴为每个时间段,所述车辆变化曲线图的纵轴为车辆实时速度;
根据所述车辆变化曲线图中的曲线斜率,对所述车辆轨迹数据进行有关多个时间区间内的运动模式分类,得到基于所述曲线斜率的区间速度变化信息;其中,所述区间速度变化信息包括:单调递减速度信息以及复杂增减速度信息;所述复杂增减速度信息为存在加速与减速变化的速度信息;
若所述区间速度变化信息为所述单调递减速度信息,则获取每个时间区间两端的所述车辆的瞬时速度数据,并确定为单调瞬时速度数据组;
若所述区间速度变化信息为所述复杂增减速度信息,则获取每个时间区间内曲线斜率加减变化点下的若干时间点;采集与所述若干时间点对应的所述车辆的瞬时速度数据,并确定为复杂瞬时速度数据组;
其中,每个时间区间内的瞬时速度数据组包括:所述单调瞬时速度数据组以及所述复杂瞬时速度数据组。
4.根据权利要求3所述的一种基于交叉路口的车辆通行预测方法,其特征在于,根据每个时间区间内的瞬时速度数据组,对所述车辆进行轨迹点位的位置判定,确定出所述车辆的排队起始点数据,具体包括:
对所述每个时间区间内的瞬时速度数据组进行分类识别;
若所述瞬时速度数据组为所述单调瞬时速度数据组,则根据与所述单调瞬时速度数据组对应的时间区间内的中位时间点以及道路坐标位置,对所述车辆进行轨迹点位的位置判定,得到第一起始点数据;
若所述瞬时速度数据组为所述复杂瞬时速度数据组,则根据所述复杂瞬时速度数据组中与第一曲线斜率变化点对应的时间点以及道路坐标位置,对所述车辆进行轨迹点位的位置判定,得到第二起始点数据;其中,所述第一曲线斜率变化点为所述车辆变化曲线图中对应时间区间内的第一个曲线斜率发生变化的转折点;
其中,所述排队起始点数据包括:所述第一起始点数据以及所述第二起始点数据。
5.根据权利要求1所述的一种基于交叉路口的车辆通行预测方法,其特征在于,基于所述车辆轨迹数据以及对应的路网信息,确定出有关交叉路口中所述车辆的交叉路口拓扑图,具体包括:
获取与所述车辆轨迹数据相关联的上下游车辆轨迹数据;其中,所述上下游车辆轨迹数据为所述交叉路口上游区域与下游区域的车辆轨迹数据;
将所述上下游车辆轨迹数据与所述交叉路口中的车辆轨迹数据进行数据连通,并生成连通关系结构图;其中,所述连通关系结构图的节点为拥堵车辆数据,所述连通关系结构图的边为瞬时速度数据组;
基于所述路网信息中的交叉路口以及路段位置,生成交叉路口结构图;其中,所述交叉路口结构图的节点为存在拥堵情况的交叉路口,所述交叉路口结构图的边为交叉路口的路段;
根据预设的神经网络模型,将所述连通关系结构图与所述交叉路口结构图之间进行有关拓扑关系的图片对偶处理,生成所述交叉路口拓扑图。
6.根据权利要求1所述的一种基于交叉路口的车辆通行预测方法,其特征在于,根据所述交叉路口拓扑图以及所述排队起始点数据,对所述交叉路口中的车辆进行有关时序变化特征与空间变化特征的卷积学习预测,得到所述车辆的排队长度预测数据,具体包括:
根据图卷积网络,将所述交叉路口拓扑图中的节点特征与所述排队起始点数据进行谱图信号处理,得到图卷积数据;
根据所述图卷积数据的节点特征与图结构特征,并基于长短期记忆网络,对所述交叉路口中的车辆进行有关时序变化特征与空间变化特征的卷积学习训练,得到时空图卷积模型;其中,所述时空图卷积模型具有时空学习模块、残差单元以及递归神经网络;
通过所述时空图卷积模型,对所述图卷积数据进行有关多分支以及全连接层的数据特性预测,得到下一时间区间内的所述车辆的排队长度预测数据;其中,所述数据特性为所述排队起始点数据的连续特性、周期特性以及趋势特性;所述多分支为所述交叉路口拓扑图中的时间变化分支、空间变化分支以及车辆潮汐变化分支。
7.根据权利要求1所述的一种基于交叉路口的车辆通行预测方法,其特征在于,根据每个时间区间内的所述瞬时速度数据组,对所述车辆的行驶速度进行多层神经网络的特征训练,得到所述车辆的排队速度预测数据,具体包括:
将所述每个时间区间内的所述瞬时速度数据组输入到预设的卷积神经网络中;
通过所述卷积神经网络的卷积层,对所述瞬时速度数据组进行多个特征面的提取,并确定出与所述多个特征面对应的多个卷积核;
通过所述卷积神经网络的池化层与全连接层,分别对所述多个特征面以及对应的多个卷积核进行二次特征的提取;并基于SIGMOID激活函数,对每个时间区间内的所述瞬时速度数据组进行最小化网络的损失计算训练,输出并得到下一个时间区间内的所述车辆的排队速度预测数据。
8.根据权利要求1所述的一种基于交叉路口的车辆通行预测方法,其特征在于,将所述排队长度预测数据以及所述排队速度预测数据进行数据之间的同步协调,确定出用于交叉路口交通管理的交通预测数据,具体包括:
通过MYSQL数据库管理系统,将所述排队长度预测数据记录到二进制日志中,得到第一预测数据;
将所述排队速度预测数据拷贝到所述MYSQL数据库管理系统的中继日志中,得到第二预测数据;
根据所述MYSQL数据库管理系统的从属服务器,将所述第一预测数据与所述第二预测数据进行有关相同时间戳下的数据结构映射,并生成用于交叉路口中车辆通行管理的交通预测数据。
9.一种基于交叉路口的车辆通行预测设备,其特征在于,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有能够被所述至少一个处理器执行的指令,以使所述至少一个处理器能够执行根据权利要求1-8任一项所述的一种基于交叉路口的车辆通行预测方法。
10.一种非易失性计算机存储介质,其特征在于,所述存储介质为非易失性计算机可读存储介质,所述非易失性计算机可读存储介质存储有至少一个程序,每个所述程序包括指令,所述指令当被终端执行时,使所述终端执行根据权利要求1-8任一项所述的一种基于交叉路口的车辆通行预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311190037.0A CN117079482B (zh) | 2023-09-14 | 2023-09-14 | 一种基于交叉路口的车辆通行预测方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311190037.0A CN117079482B (zh) | 2023-09-14 | 2023-09-14 | 一种基于交叉路口的车辆通行预测方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117079482A true CN117079482A (zh) | 2023-11-17 |
CN117079482B CN117079482B (zh) | 2024-05-17 |
Family
ID=88715342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311190037.0A Active CN117079482B (zh) | 2023-09-14 | 2023-09-14 | 一种基于交叉路口的车辆通行预测方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117079482B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117275241A (zh) * | 2023-11-21 | 2023-12-22 | 湖南希赛网络科技有限公司 | 基于数字孪生的交通态势感知和流量预测的可视化系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112419710A (zh) * | 2020-10-22 | 2021-02-26 | 深圳云天励飞技术股份有限公司 | 交通拥堵数据预测方法、装置、计算机设备及存储介质 |
CN113034913A (zh) * | 2021-03-22 | 2021-06-25 | 平安国际智慧城市科技股份有限公司 | 交通拥堵预测方法、装置、设备及存储介质 |
CN115394083A (zh) * | 2022-08-29 | 2022-11-25 | 合肥工业大学 | 一种基于深度学习的高速公路交通拥堵预测方法 |
WO2022247677A1 (zh) * | 2021-05-28 | 2022-12-01 | 南京师范大学 | 基于混合深度学习模型的城市区域路网过车流量预测方法及其系统 |
CN116109021A (zh) * | 2023-04-13 | 2023-05-12 | 中国科学院大学 | 基于多任务学习的行程时间预测方法、装置、设备及介质 |
-
2023
- 2023-09-14 CN CN202311190037.0A patent/CN117079482B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112419710A (zh) * | 2020-10-22 | 2021-02-26 | 深圳云天励飞技术股份有限公司 | 交通拥堵数据预测方法、装置、计算机设备及存储介质 |
CN113034913A (zh) * | 2021-03-22 | 2021-06-25 | 平安国际智慧城市科技股份有限公司 | 交通拥堵预测方法、装置、设备及存储介质 |
WO2022247677A1 (zh) * | 2021-05-28 | 2022-12-01 | 南京师范大学 | 基于混合深度学习模型的城市区域路网过车流量预测方法及其系统 |
CN115394083A (zh) * | 2022-08-29 | 2022-11-25 | 合肥工业大学 | 一种基于深度学习的高速公路交通拥堵预测方法 |
CN116109021A (zh) * | 2023-04-13 | 2023-05-12 | 中国科学院大学 | 基于多任务学习的行程时间预测方法、装置、设备及介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117275241A (zh) * | 2023-11-21 | 2023-12-22 | 湖南希赛网络科技有限公司 | 基于数字孪生的交通态势感知和流量预测的可视化系统 |
CN117275241B (zh) * | 2023-11-21 | 2024-02-09 | 湖南希赛网络科技有限公司 | 基于数字孪生的交通态势感知和流量预测的可视化系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117079482B (zh) | 2024-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3650297B1 (en) | Method and apparatus for determining information related to a lane change of a target vehicle, and computer program | |
CN117079482B (zh) | 一种基于交叉路口的车辆通行预测方法、设备及介质 | |
CN109840660A (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 | |
US11577750B2 (en) | Method and apparatus for determining a vehicle comfort metric for a prediction of a driving maneuver of a target vehicle | |
CN104952248A (zh) | 一种基于欧氏空间的车辆汇聚预测方法 | |
CN104966129A (zh) | 一种车辆运行轨迹的分离方法 | |
CN113704956A (zh) | 一种基于数字孪生技术的城市道路在线微观仿真方法及系统 | |
CN113257016B (zh) | 一种交通信号控制方法、装置以及可读存储介质 | |
CN114730522A (zh) | 交通推理器 | |
Gang et al. | Continuous travel time prediction for transit signal priority based on a deep network | |
Yue et al. | Evolution of road traffic congestion control: A survey from perspective of sensing, communication, and computation | |
Kanoh et al. | Short-term traffic prediction using fuzzy c-means and cellular automata in a wide-area road network | |
Wang et al. | Real-time urban regional route planning model for connected vehicles based on V2X communication | |
Fan et al. | Online trajectory prediction for metropolitan scale mobility digital twin | |
CN112748736A (zh) | 车辆驾驶的辅助方法及装置 | |
CN115798212B (zh) | 一种基于出租车轨迹的交通拥堵检测方法 | |
CN115454082A (zh) | 车辆避障方法及系统、计算机可读存储介质和电子设备 | |
Teixeira et al. | Assessing traffic-related environmental impacts based on different traffic monitoring applications | |
CN114301792A (zh) | 一种交通流模拟方法及交通流传感器 | |
Li | Mathematical Modeling Methods and Their Application in the Analysis of Complex Signal Systems | |
Seddon | A program for simulating the dispersion of platoons of road traffic | |
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 | |
Abbas et al. | Evaluation of the use of streaming graph processing algorithms for road congestion detection | |
Yidan et al. | Bus travel speed prediction using attention network of heterogeneous correlation features | |
Mohebbi et al. | Spatial Agent-Based Simulation of Connected and Autonomous Vehicles to Assess Impacts on Traffic Conditions |
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 |