CN117177178B - 一种基于物联网的城市道路分流系统 - Google Patents
一种基于物联网的城市道路分流系统 Download PDFInfo
- Publication number
- CN117177178B CN117177178B CN202311452212.9A CN202311452212A CN117177178B CN 117177178 B CN117177178 B CN 117177178B CN 202311452212 A CN202311452212 A CN 202311452212A CN 117177178 B CN117177178 B CN 117177178B
- Authority
- CN
- China
- Prior art keywords
- urban road
- real
- road area
- time
- area
- 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
- 238000012806 monitoring device Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 15
- 238000000034 method Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims 1
- 238000011161 development Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于物联网的城市道路分流系统,涉及智能交通物联网应用服务技术领域。其中,该系统包括:监控装置,被设置在城市道路区域;测速装置,包括城市道路支撑杆上的座体以及与所述座体连接的测速仪;所述云服务器,用于对所述实时图像数据进行预处理,并根据经过所述预处理的所述实时图像数据以及所述实时速度数据,确定所述城市道路区域的实时拥挤程度并预测所述城市道路区域的未来拥挤程度;所述用户终端,用于向所述云服务器发送所述起始位置,以及接收所述云服务器发送的所述分流导向路径。本申请解决了对用户的出行路线的规划不准确的技术问题。
Description
技术领域
本发明涉及智能交通物联网应用服务技术领域,尤其涉及一种基于物联网的城市道路分流系统。
背景技术
随着经济的发展,城市车辆日益增多,城市交通问题日益严重,现有的交通管理模式已不能满足城市发展的客观要求。一些驾驶员在行驶过程中难以获得有利的指引,这不仅会导致交通的堵塞,还会使得驾驶员难以在预计时间内到达目的地。现有的智能交通系统仅仅是根据用户发送的起始地的位置与目的地的位置,为用户规划一条距离最近的路线,而没有考虑到道路拥堵带来的影响。也就是说,现有技术在规划用户的出行路线时考虑到的因素较单一,从而导致对用户的出行路线的规划不准确。
针对目前城市交通中的问题,设计一个适合城市发展需求的城市道路分流系统显得尤为重要。
发明内容
本发明目的在于提供一种基于物联网的城市道路分流系统,以解决上述问题。
本发明提供了一种基于物联网的城市道路分流系统,包括:监控装置,被设置在城市道路区域,上述监控装置用于采集实时图像数据,并将上述实时图像数据上传至云服务器;测速装置,包括城市道路支撑杆上的座体以及与上述座体连接的测速仪,用于监测上述城市道路区域的车辆的实时速度数据,并将上述实时速度数据上传至上述云服务器;上述云服务器,用于对上述实时图像数据进行预处理,并根据经过上述预处理的上述实时图像数据以及上述实时速度数据,确定上述城市道路区域的实时拥挤程度并预测上述城市道路区域的未来拥挤程度;上述云服务器,还用于根据上述城市道路区域的实时拥挤程度、上述城市道路区域的未来拥挤程度以及接收到的用户终端发送的起始位置,计算得到推荐路线,并将上述推荐路线作为分流导向路线,以实现道路车辆的分流导向;上述用户终端,用于向上述云服务器发送上述起始位置,以及接收上述云服务器发送的上述分流导向路径。
本发明与现有技术相比,具有如下的优点和有益效果:
1、基于物联网的城市道路分流系统能够基于城市道路区域的实时拥挤程度、预测得到的城市道路区域的未来拥挤程度以及接收到的用户终端发送的起始位置进行综合考虑,而不再局限于基于距离远近为用户规划出行路线,可以更准确地对用户的出行路线进行规划。从而实现道路车辆的分流导向,从而提高城市的运行效率。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为根据本申请实施例的一种可选的基于物联网的城市道路分流系统的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图,对本发明实施例中的技术方案进行清楚、完整的描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。
因此,以下对本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的部分实施例。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。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征和技术方案可以相互组合。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
可选地,作为一种的方案,如图1所示,基于物联网的城市道路分流系统101包括:
监控装置102,被设置在城市道路区域,监控装置102用于采集实时图像数据,并将实时图像数据上传至云服务器104;
测速装置103,包括城市道路支撑杆上的座体以及与座体连接的测速仪,用于监测城市道路区域的车辆的实时速度数据,并将实时速度数据上传至云服务器104;
云服务器104,用于对实时图像数据进行预处理,并根据经过预处理的实时图像数据以及实时速度数据,确定城市道路区域的实时拥挤程度并预测城市道路区域的未来拥挤程度;
在本申请的一些实施例中,实时图像数据包括城市车辆数据、城市路面数据、城市行人数据以及城市交通灯数据。
在本申请的一些实施例中,云服务器104,还用于将实时图像数据以及城市道路区域的车辆的速度数据存储到云数据库中。
云服务器104,还用于根据城市道路区域的实时拥挤程度、城市道路区域的未来拥挤程度以及接收到的用户终端105发送的起始位置,计算得到推荐路线,并将推荐路线作为分流导向路线,以实现道路车辆的分流导向。
用户终端105,用于向云服务器104发送起始位置,以及接收云服务器104发送的分流导向路径。
在本申请的一些实施例中,监控装置102包括摄像头、第一北斗定位芯片、第一5G通信模组、第一微型中央处理器、第一微型主板以及有线网络接口,其中,第一北斗定位芯片、第一5G通信模组以及第一微型中央处理器被集成到第一微型主板上,摄像头通过数据线连接到第一微型主板。
测速装置103包括第二北斗定位芯片、第二5G通信模组、第二微型中央处理器、第二微型主板,其中,第二北斗定位芯片、第二5G通信模组以及第二微型中央处理器被集成到第二微型主板上。
在本申请的一些实施例中,云服务器104包括:分布式批处理引擎服务器、分布式流处理引擎服务器、综合检索服务器、分布式数据库服务器、分布画像数据库服务器、事务数据库服务器以及应用服务器。
作为一种可选的方案,对实时图像数据进行预处理包括:
对实时图像数据进行灰度化处理,得到城市道路区域的路面的轮廓特征;
对灰度化处理后的实时图像数据进行二值化处理,得到城市道路区域的路面的特征图;
将路面的特征图输入多层感知机,确定城市道路区域内被车辆遮挡的区域;
将被车辆遮挡的区域作为城市道路区域内的车辆所在的区域。
可选地,对灰度化处理后的实时图像数据进行二值化处理就是将图像上的像素点的灰度值设置为0或者255,也就是将整个图像呈现出明显的黑白效果的过程。图像二值化可以使得图像中数据量减少,从而能凸显出路面的轮廓。示例性地,在将实时图像数据进行灰度化处理后,可以将256个亮度等级的灰度图像通过适当的阈值选取而获得能够反映图像整体和局部特征的二值化图像。所有灰度值大于或等于阈值的像素点可以被判定为属于特定物体(例如,城市道路区域的路面),灰度值小于阈值的像素点可以被排除在特定物体区域之外。另外,灰度值为0的像素点可以表示背景或者例外的物体区域。
示例性地,对灰度化处理后的实时图像数据进行二值化处理的方法可以包括但不限于简单二值法、平均值法、双峰法以及大津法(也可称为OTSU算法)。以对灰度化处理后的实时图像数据进行二值化处理的方法是大津法为例,第一步骤,将灰度化处理后的实时图像按其灰度值从低到高进行排序,形成灰度直方图;第二步骤,计算每个灰度级中像素点的累积概率;第三步骤,从灰度值最小的级开始,依次将每个灰度级作为阈值,计算背景和前景的类间方差;第四步骤,选取类间方差最大的阈值作为最佳阈值;将图像中像素点的灰度值与最佳阈值比较,大于最佳阈值的像素点设为前景,小于最佳阈值的像素点设为背景。
需要说明的是,多层感知机是由感知机推广而来,其具备多个神经元层,因此也被称为深度神经网络。多层感知机的一个重要特点就是多层,第一层可以被称为输入层,最后一层可以被称为输出层,中间层可以被称为隐藏层。可选地,可以根据实际需求选择隐藏层的层数以及输出层神经元的个数。
作为一种可选的方案,根据经过预处理的实时图像数据以及实时速度数据,确定城市道路区域的实时拥挤程度并预测城市道路区域的未来拥挤程度包括:
计算预设时间段内通过城市道路区域内的车辆的数量,得到预设时间段内的车流量;
根据预设时间段内的车流量和城市道路区域的车辆的实时速度数据,确定城市道路区域的实时拥挤程度;
基于城市道路区域的实时拥挤程度预测城市道路区域的未来拥挤程度。
作为一种可选的方案,基于城市道路区域的实时拥挤程度预测城市道路区域的未来拥挤程度包括:
获取城市道路区域的车道数、第一邻接城市道路区域的实时拥挤程度以及第二邻接城市道路区域的实时拥挤程度,其中,车辆的行驶顺序依次为:第一邻接城市道路区域、城市道路区域以及第二邻接城市道路区域;
基于以下表达式预测城市道路区域的未来拥挤程度;
其中,y为城市道路区域的未来拥挤程度,Num为城市道路区域的车道数,k为第一邻接城市道路区域的数量以及第二邻接城市道路区域的数量之和,i为第一邻接城市道路区域的编号或第二邻接城市道路区域的编号,Crowd(i)为编号为i的第一邻接城市道路区域的实时拥挤程度或编号为i的第二邻接城市道路区域的实时拥挤程度,b为常量;
其中,当Crowd(i)为第一邻接城市道路区域的实时拥挤程度时,a为1;当Crowd(i)为第一邻接城市道路区域的拥挤程度时,a为负1。
作为一种可选的方案,根据城市道路区域的实时拥挤程度、城市道路区域的未来拥挤程度以及接收到的用户终端发送的起始位置,计算得到推荐路线包括:
基于留一法编码方式对融合权重后的道路信息特征进行处理,得到结构化道路数据的特征值,其中,融合权重后的道路信息特征为基于根据城市道路区域的实时拥挤程度、城市道路区域的未来拥挤程度融合得到的;
将结构化道路数据的特征值通过多层全连接层进行计算,并根据起始位置以及出发时间获得各个目标道路特征的推荐概率值,其中,出发时间为用户终端向云服务器发送起始位置的时间;
根据各个目标道路特征的推荐概率值,计算各个目标路线的推荐概率值,其中,目标路线为与起始位置对应的路线;
将推荐概率值最大的目标路线作为推荐路线;
在一种具体的实现方式中,根据城市道路区域的实时拥挤程度、城市道路区域的未来拥挤程度以及接收到的用户终端发送的起始位置,计算得到推荐路线可以包括:
将城市道路区域的拥挤程度、城市道路区域的未来拥挤程度以及出发时间输入图卷积神经网络,获得融合后各个道路的拓扑信息;
根据前馈网络层对融合后各个道路的拓扑信息中的道路信息特征进行权重计算,获得融合权重后的道路信息特征;
基于留一法编码方式对融合权重后的道路信息特征进行处理,得到结构化道路数据的特征值;
将结构化道路数据的特征值通过多层全连接层进行计算,并根据起始位置以及出发时间获得各个目标道路特征的推荐概率值,其中,出发时间为用户终端向云服务器发送起始位置的时间;
根据各个目标道路特征的推荐概率值,计算各个目标路线的推荐概率值,其中,目标路线为与起始位置对应的路线;
将推荐概率值最大的目标路线作为推荐路线。
可选地,在云服务器计算得到推荐路线后,可以将推荐路线作为分流导向路线推荐给相应地用户,以实现道路车辆的分流导向。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
以上实施例仅用以说明本发明而并非限制本发明所描述的技术方案,尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明,但本发明不局限于上述具体实施方式,因此任何对本发明进行修改或等同替换;而一切不脱离发明的精神和范围的技术方案及其改进,其均涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种基于物联网的城市道路分流系统,其特征在于,包括:
监控装置,被设置在城市道路区域,所述监控装置用于采集实时图像数据,并将所述实时图像数据上传至云服务器;
测速装置,包括城市道路支撑杆上的座体以及与所述座体连接的测速仪,用于监测所述城市道路区域的车辆的实时速度数据,并将所述实时速度数据上传至所述云服务器;
所述云服务器,用于对所述实时图像数据进行预处理,并根据经过所述预处理的所述实时图像数据以及所述实时速度数据,确定所述城市道路区域的实时拥挤程度并预测所述城市道路区域的未来拥挤程度;
所述云服务器,还用于根据所述城市道路区域的实时拥挤程度、所述城市道路区域的未来拥挤程度以及接收到的用户终端发送的起始位置,计算得到推荐路线,并将所述推荐路线作为分流导向路线,以实现道路车辆的分流导向;
所述用户终端,用于向所述云服务器发送所述起始位置,以及接收所述云服务器发送的所述分流导向路径;
其中,所述对所述实时图像数据进行预处理包括:对所述实时图像数据进行灰度化处理,得到所述城市道路区域的路面的轮廓特征;
对灰度化处理后的所述实时图像数据进行二值化处理,得到所述城市道路区域的路面的特征图;
将所述路面的特征图输入多层感知机,确定所述城市道路区域内被车辆遮挡的区域;
将所述被车辆遮挡的区域作为所述城市道路区域内的车辆所在的区域;
所述根据经过所述预处理的所述实时图像数据以及所述实时速度数据,确定所述城市道路区域的实时拥挤程度并预测所述城市道路区域的未来拥挤程度包括:
计算预设时间段内通过所述城市道路区域内的车辆的数量,得到所述预设时间段内的车流量;
根据所述预设时间段内的车流量和所述城市道路区域的车辆的实时速度数据,确定所述城市道路区域的实时拥挤程度;
基于所述城市道路区域的实时拥挤程度预测所述城市道路区域的未来拥挤程度;
所述基于所述城市道路区域的实时拥挤程度预测所述城市道路区域的未来拥挤程度包括:
获取所述城市道路区域的车道数、第一邻接城市道路区域的实时拥挤程度以及第二邻接城市道路区域的实时拥挤程度,其中,所述车辆的行驶顺序依次为:所述第一邻接城市道路区域、所述城市道路区域以及所述第二邻接城市道路区域;
基于以下表达式预测所述城市道路区域的未来拥挤程度;
其中,y为所述城市道路区域的未来拥挤程度,Num为所述城市道路区域的车道数,k为所述第一邻接城市道路区域的数量以及所述第二邻接城市道路区域的数量之和,i为所述第一邻接城市道路区域的编号或所述第二邻接城市道路区域的编号,Crowd(i)为编号为i的所述第一邻接城市道路区域的实时拥挤程度或编号为i的所述第二邻接城市道路区域的实时拥挤程度,b为常量;
其中,当Crowd(i)为所述第一邻接城市道路区域的实时拥挤程度时,a为1;当Crowd(i)为所述第二邻接城市道路区域的实时拥挤程度时,a为负1。
2.根据权利要求1所述的基于物联网的城市道路分流系统,其特征在于,所述根据所述城市道路区域的实时拥挤程度、所述城市道路区域的未来拥挤程度以及接收到的用户终端发送的起始位置,计算得到推荐路线包括:
基于留一法编码方式对融合权重后的道路信息特征进行处理,得到结构化道路数据的特征值,其中,所述融合权重后的道路信息特征为基于所述根据所述城市道路区域的实时拥挤程度、所述城市道路区域的未来拥挤程度融合得到的;
将所述结构化道路数据的特征值通过多层全连接层进行计算,并根据所述起始位置以及出发时间获得各个目标道路特征的推荐概率值,其中,所述出发时间为所述用户终端向所述云服务器发送所述起始位置的时间;
根据各个所述目标道路特征的推荐概率值,计算各个目标路线的推荐概率值,其中,所述目标路线为与所述起始位置对应的路线;
将推荐概率值最大的所述目标路线作为所述推荐路线。
3.根据权利要求1所述的基于物联网的城市道路分流系统,其特征在于,
所述云服务器,还用于将所述实时图像数据以及所述城市道路区域的车辆的速度数据存储到云数据库中。
4.根据权利要求1所述的基于物联网的城市道路分流系统,其特征在于,
所述实时图像数据包括城市车辆数据、城市路面数据、城市行人数据以及城市交通灯数据。
5.根据权利要求1所述的基于物联网的城市道路分流系统,其特征在于,
所述监控装置包括摄像头、第一北斗定位芯片、第一5G通信模组、第一微型中央处理器、第一微型主板以及有线网络接口,其中,所述第一北斗定位芯片、所述第一5G通信模组以及所述第一微型中央处理器被集成到所述第一微型主板上,所述摄像头通过数据线连接到所述第一微型主板;
所述测速装置包括第二北斗定位芯片、第二5G通信模组、第二微型中央处理器、第二微型主板,其中,所述第二北斗定位芯片、所述第二5G通信模组以及所述第二微型中央处理器被集成到所述第二微型主板上。
6.根据权利要求1至5中任一项所述的基于物联网的城市道路分流系统,其特征在于,
所述云服务器包括:分布式批处理引擎服务器、分布式流处理引擎服务器、综合检索服务器、分布式数据库服务器、分布画像数据库服务器、事务数据库服务器以及应用服务器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311452212.9A CN117177178B (zh) | 2023-11-03 | 2023-11-03 | 一种基于物联网的城市道路分流系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311452212.9A CN117177178B (zh) | 2023-11-03 | 2023-11-03 | 一种基于物联网的城市道路分流系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117177178A CN117177178A (zh) | 2023-12-05 |
CN117177178B true CN117177178B (zh) | 2024-05-17 |
Family
ID=88930284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311452212.9A Active CN117177178B (zh) | 2023-11-03 | 2023-11-03 | 一种基于物联网的城市道路分流系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117177178B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108961756A (zh) * | 2018-07-26 | 2018-12-07 | 深圳市赛亿科技开发有限公司 | 一种自动实时交通车流量、人流量统计方法及系统 |
CN109360416A (zh) * | 2018-10-11 | 2019-02-19 | 平安科技(深圳)有限公司 | 道路交通预测方法及服务器 |
CN109448367A (zh) * | 2018-10-22 | 2019-03-08 | 卢伟涛 | 一种基于大数据图像采集的智能道路交通追踪管理系统 |
CN210428845U (zh) * | 2019-11-05 | 2020-04-28 | 北方工业大学 | 一种面向车路网协同的车载机系统 |
CN111815951A (zh) * | 2020-07-17 | 2020-10-23 | 山东科技大学 | 一种基于智能视觉物联网的道路车辆监控系统及方法 |
CN111882867A (zh) * | 2020-07-03 | 2020-11-03 | 多伦科技股份有限公司 | 一种基于物联网的城市智慧交通预警系统 |
CN113052405A (zh) * | 2021-05-08 | 2021-06-29 | 林兴叶 | 基于物联网和人工智能的交通拥堵预测与优化方法 |
US11064382B1 (en) * | 2020-05-07 | 2021-07-13 | T-Mobile Usa, Inc. | Management of telecommunications network congestion on roadways |
CN115240454A (zh) * | 2022-06-21 | 2022-10-25 | 山东新工科信息技术有限公司 | 一种疏解交通拥堵的物联网平台及基于它的疏解方法 |
CN116798136A (zh) * | 2023-03-07 | 2023-09-22 | 徐州工程学院 | 一种基于云平台的城市道路拥挤收费系统及收费方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561146B (zh) * | 2020-12-08 | 2023-04-18 | 哈尔滨工程大学 | 一种基于模糊逻辑和深度lstm的大规模实时交通流预测方法 |
-
2023
- 2023-11-03 CN CN202311452212.9A patent/CN117177178B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108961756A (zh) * | 2018-07-26 | 2018-12-07 | 深圳市赛亿科技开发有限公司 | 一种自动实时交通车流量、人流量统计方法及系统 |
CN109360416A (zh) * | 2018-10-11 | 2019-02-19 | 平安科技(深圳)有限公司 | 道路交通预测方法及服务器 |
CN109448367A (zh) * | 2018-10-22 | 2019-03-08 | 卢伟涛 | 一种基于大数据图像采集的智能道路交通追踪管理系统 |
CN210428845U (zh) * | 2019-11-05 | 2020-04-28 | 北方工业大学 | 一种面向车路网协同的车载机系统 |
US11064382B1 (en) * | 2020-05-07 | 2021-07-13 | T-Mobile Usa, Inc. | Management of telecommunications network congestion on roadways |
CN111882867A (zh) * | 2020-07-03 | 2020-11-03 | 多伦科技股份有限公司 | 一种基于物联网的城市智慧交通预警系统 |
CN111815951A (zh) * | 2020-07-17 | 2020-10-23 | 山东科技大学 | 一种基于智能视觉物联网的道路车辆监控系统及方法 |
CN113052405A (zh) * | 2021-05-08 | 2021-06-29 | 林兴叶 | 基于物联网和人工智能的交通拥堵预测与优化方法 |
CN115240454A (zh) * | 2022-06-21 | 2022-10-25 | 山东新工科信息技术有限公司 | 一种疏解交通拥堵的物联网平台及基于它的疏解方法 |
CN116798136A (zh) * | 2023-03-07 | 2023-09-22 | 徐州工程学院 | 一种基于云平台的城市道路拥挤收费系统及收费方法 |
Non-Patent Citations (2)
Title |
---|
Overview of Road Traffic Management Solutions based on IoT and AI;Asma Ait Ouallane, Ayoub Bahnasse, Assia Bakali, Mohamed Talea;Procedia Computer Science;20221231;第198卷;518-523 * |
基于车联网的交通信息采集与应用研究;刘斌;;电脑知识与技术;20160727(第17期);19-21 * |
Also Published As
Publication number | Publication date |
---|---|
CN117177178A (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6966989B2 (ja) | 道路中の車線境界線を確定するための方法、装置、電子機器、記憶媒体およびコンピュータプログラム | |
CN110376594B (zh) | 一种基于拓扑图的智能导航的方法和系统 | |
CN108528458B (zh) | 用于车辆尺寸预测的系统和方法 | |
CN112380317B (zh) | 高精地图更新方法、装置、电子设备和存储介质 | |
WO2018068653A1 (zh) | 点云数据处理方法、装置及存储介质 | |
Alhussan et al. | Pothole and plain road classification using adaptive mutation dipper throated optimization and transfer learning for self driving cars | |
CN111881713A (zh) | 一种识别违停地点的方法、系统、装置及存储介质 | |
CN108986453A (zh) | 一种基于情境信息的交通状况预测方法、系统及装置 | |
JP7292355B2 (ja) | 車両整列情報を特定する方法及び装置、電子機器、路側機器、クラウド制御プラットフォーム、記憶媒体並びにコンピュータプログラム製品 | |
CN112249009B (zh) | 车速控制方法、装置、系统及电子设备 | |
US20220129685A1 (en) | System and Method for Determining Object Characteristics in Real-time | |
Dewangan et al. | Towards the design of vision-based intelligent vehicle system: methodologies and challenges | |
CN116592872A (zh) | 一种更新占据栅格地图的方法及其装置、相关设备 | |
CN117284320A (zh) | 一种点云数据的车辆特征识别方法及系统 | |
CN113269156B (zh) | 一种基于多尺度特征融合的信号灯检测识别方法及系统 | |
CN117177178B (zh) | 一种基于物联网的城市道路分流系统 | |
Sharma et al. | Deep Learning-Based Object Detection and Classification for Autonomous Vehicles in Different Weather Scenarios of Quebec, Canada | |
Ballinas-Hernández et al. | Marked and unmarked speed bump detection for autonomous vehicles using stereo vision | |
CN109657556B (zh) | 道路及其周边地物的分类方法及系统 | |
CN116485837A (zh) | 一种目标跟踪方法、介质以及电子设备 | |
CN114998863A (zh) | 目标道路识别方法、装置、电子设备以及存储介质 | |
CN114674338A (zh) | 基于分层输入输出和双注意力跳接的道路可行驶区域精细推荐方法 | |
CN113902898A (zh) | 目标检测模型的训练、目标检测方法、装置、设备和介质 | |
CN112258881A (zh) | 基于智慧交通的车辆管理方法 | |
CN113240917A (zh) | 一种将深度神经网络应用于智慧交通的交通管理系统 |
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 |