CN117292562B - 一种基于交叉口精准流向辨识的信号控制时段划分方法 - Google Patents
一种基于交叉口精准流向辨识的信号控制时段划分方法 Download PDFInfo
- Publication number
- CN117292562B CN117292562B CN202311566429.2A CN202311566429A CN117292562B CN 117292562 B CN117292562 B CN 117292562B CN 202311566429 A CN202311566429 A CN 202311566429A CN 117292562 B CN117292562 B CN 117292562B
- Authority
- CN
- China
- Prior art keywords
- data
- intersection
- traffic
- model
- 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 24
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 230000000295 complement effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000013441 quality evaluation Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000586 desensitisation Methods 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
- G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于交通信号控制技术领域,具体涉及一种基于交叉口精准流向辨识的信号控制时段划分方法,包括以下步骤:对电子眼数据和交叉口视频数据进行预处理和质量评估;获取交叉口进口道各转向交通流量数据;根据交通流量数据获取所需交通参数;将直行交通流参数和左转交通流参数用向量化模型表示;使用极坐标下的交通需求变化特征提取模型,进行特征提取;构建基于交叉口内部不同流向需求变化的时间分段点确定模型,进行时段划分。本发明能够解决在交通需求增大和变化加剧情况下,传统时段划分模型在计算中只考虑交叉口总流量大小而导致的时段划分不精准问题;能够提升交叉口运行效率,减少延误,缓解城市交叉口拥堵。
Description
技术领域
本发明属于交通信号控制技术领域,具体涉及一种基于交叉口精准流向辨识的信号控制时段划分方法。
背景技术
定时信号控制是最早,也是应用最广泛的信号控制方式。其中,固定时间策略是交通信号控制的关键,重中之重是根据交通变化特征对交通信号配时时段进行划分。
然而,现有的大多数时段划分方法,只是依据交叉口总流量的变化特征进行划分,并没有深入考虑在这些特征下掩盖的各进口道直行和左转的流向需求特征的变化。传统时段划分模型的计算中,只考虑交叉口总流量大小,从而导致了时段划分不精准问题。
因此,需要制定更加符合不同时段中实际交通变化的信号配时策略,以此提升交叉口的运行效率。
发明内容
根据以上现有技术中的不足,本发明提供了一种能够提升交叉口运行效率,减少延误,缓解城市交叉口拥堵的基于交叉口精准流向辨识的信号控制时段划分方法。
为达到以上目的,本发明提供了一种基于交叉口精准流向辨识的信号控制时段划分方法,包括以下步骤:
S1、对电子眼数据和交叉口视频数据进行预处理和质量评估;
S2、在预处理后的数据中,获取交叉口进口道各转向交通流量数据;
S3、根据交通流量数据获取所需交通参数,包括东、西、南、北四个方向的直行交通流参数和左转交通流参数;
S4、建立向量化模型,将直行交通流参数和左转交通流参数用向量化模型表示;
S5、使用极坐标下的交通需求变化特征提取模型,对向量化模型表现出的交通需求变化特征进行提取;
S6、构建基于交叉口内部不同流向需求变化的时间分段点确定模型,进行时段划分。
其中,电子眼数据和交叉口视频数据可以通过交警部门获取,获取方式包括但不限于:基于与交警部门的合作,获取相关数据用于对交通管理系统等进行优化;基于招标,中标后获取相关数据用于对交通管理系统等进行优化;通过向交警部门提交应用申请,交警部门进行脱敏后,可以获取到相关数据。
所述的S1中,预处理和质量评估包括对重复数据的删除,对缺失数据的补全,对错误数据的剔除和补全,具体为:
S11、根据电子眼的视频信息进行检验,保留正确数据,对错误重复数据进行删除,以此遍历整个数据列表;
S12、对部分段缺失的数据,利用移动平均法或线性插值法进行修补;对较长段缺失的数据,使用不同周期的相同时间数据、相同时间内相邻点位数据或不同时间相同点位的数据进行替换;
S13、错误数据一般仅为一行数据,可直接剔除,若错误数据较多,可采用历史数据补全。
为了更好的将交通流量与所需交通参数所对应,所述的S3中,定义东、西、南、北进口道直行交通流参数为wi、ei、ni、si,分别表示第i个时间窗内东、西、南、北进口道直行通过停车线的车辆数;东、西、南、北进口道左转交通流参数为swi、nei、nwi、sei,分别表示第i个时间窗内东、西、南、北进口道左转通过停车线的车辆数。
所述的S4中,建立向量化模型的方法为:
通过公式:
;
将wi、ei、ni、si的向量化模型表示为,将swi、nei、nwi、sei的向量化模型表示为/>。
所述的S5中,采用的极坐标下的交通需求变化特征提取模型为:
;
;
;
;
;
其中,表示第i个时间窗内的和向量;L为第i个时间窗内交叉口的交通需求大小;θi为第i个时间窗内交叉口的交通需求方向;α为处理之后(即为通过上述公式进行计算)的第i个时间窗内的东西方向的车辆数;β为处理之后的第i个时间窗内的南北方向的车辆数。
所述的S6中,构建方法为:
S61、将通过交通需求变化特征提取模型提取的数据作为输入数据集Di;
S62、构建隐藏层拓扑关系并初始化权重W;
S63、构建隐藏层节点之间的距离函数;
S64、采用竞争学习策略,依靠神经网络中神经元之间相互竞争来优化网络;
S65、重复训练,不断选择更新神经元c及其邻域节点的连接权值直至最优;
S66、输出自组织映射神经网络的聚类簇数K,聚类中心对象Oj;
S67、按照距离中心对象Oj最近原则分配数据,形成数据簇;
S68、将数据簇中的非中心对象Oi替换中心对象Oj,计算交换成本S;
S69、遍历所有簇的非中心点,在交换成本时输出聚类结果并进行可视化处理。
根据S69输出的聚类结果,即可划分全天的时段。
本发明涉及到的建模和算法可以通过电子设备执行,电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,通过处理器执行程序实现上述的建模和算法。
本发明所具有的有益效果是:
本发明能够根据交叉口各进口道不同转向流量参数,准确计算交叉口进口道不同时间段的交通需求变化特征,突出了不同流向需求变化特征,并以此来计算最佳时间分断点,确定全天的时段划分方案,可以根据时段划分方案制定更加符合实际交通需求变化特征的动态定时信号控制策略。
本发明能够解决在交通需求增大和变化加剧情况下,传统时段划分模型在计算中只考虑交叉口总流量大小而导致的时段划分不精准问题;能够提升交叉口运行效率,减少延误,缓解城市交叉口拥堵。
附图说明
图1是本发明的流程原理图;
图2是本发明实施例的交叉口简化图;
图3是本发明实施例的向量化模型在直角坐标系中表示图;
图4是本发明实施例的和向量长度(交通流大小)图;
图5是本发明实施例的和向量角度(交通流方向)图;
图6是本发明实施例中极坐标法提取的全天交通需求变化特征图;
图7是本发明实施例的S6步骤流程原理图;
图8是本发明实施例的时段划分图。
具体实施方式
下面结合附图对本发明的实施例做进一步描述:
如图1所示,一种基于交叉口精准流向辨识的信号控制时段划分方法包括如下步骤:
S1、对电子眼数据和交叉口视频数据进行预处理和质量评估;
S2、在预处理后的数据中,获取交叉口进口道各转向交通流量数据;
S3、根据交通流量数据获取所需交通参数,包括东、西、南、北四个方向的直行交通流参数和左转交通流参数;
S4、建立向量化模型,将直行交通流参数和左转交通流参数用向量化模型表示;
S5、使用极坐标下的交通需求变化特征提取模型,对向量化模型表现出的交通需求变化特征进行提取;
S6、构建基于交叉口内部不同流向需求变化的时间分段点确定模型,进行时段划分。
S1中,预处理和质量评估包括对重复数据的删除,对缺失数据的补全,对错误数据的剔除和补全,具体为:
S11、重复数据是因为电子眼系统的多次识别,数据特征为短时间(5分钟)内交叉口编号、行驶方向编号有相同车牌号码。根据电子眼的视频信息进行检验,保留正确的电子眼数据,对错误重复数据进行删除,以此遍历整个数据列表;
S12、缺失数据多是因为系统或设备故障,天气、道路环境等不可控因素,数据特征为一段时间内无过车数据。对部分段缺失的数据,利用移动平均法或线性插值法进行修补;对较长段缺失的数据,使用不同周期的相同时间数据、相同时间内相邻点位数据或不同时间相同点位的数据进行替换;
S13、错误数据多是因为车牌识别出现问题。数据特征为车牌数据识别错误,因为错误数据出现原因为设备识别车牌出错。错误数据一般仅为一行数据,可直接剔除,若错误数据较多,可采用历史数据补全。
本实施例中,选择平面十字交叉口为研究对象,简化交叉口见图2,即为东、南、西、北四车道的方向及其相应的左转方向示意图。对电子眼数据和视频数据预处理和质量评估,以5分钟为时间窗获取一天中交叉口所有转向通过停车线的车辆数,记时间窗为i(i=1,2,3……,96),时间窗i内通过停车线的车辆数为Q。
S3中,定义东、西、南、北进口道直行交通流参数为wi、ei、ni、si,分别表示第i个时间窗内东、西、南、北进口道直行通过停车线的车辆数;东、西、南、北进口道左转交通流参数为swi、nei、nwi、sei,分别表示第i个时间窗内东、西、南、北进口道左转通过停车线的车辆数。
S4中,建立向量化模型的方法为:
通过公式:
;
将wi、ei、ni、si的向量化模型表示为,将swi、nei、nwi、sei的向量化模型表示为/>。
向量化模型在直角坐标系中可表示为图3,即为将图2的东、南、西、北四车道的方向及其相应的左转方向在直角坐标系中进行了向量化表示。
S5中,采用的极坐标下的交通需求变化特征提取模型为:
;
;
;
;
;
其中,表示第i个时间窗内的和向量;L为第i个时间窗内交叉口的交通需求大小;θi为第i个时间窗内交叉口的交通需求方向;α为处理之后(即为通过上述公式计算)的第i个时间窗内的东西方向的车辆数;β为处理之后的第i个时间窗内的南北方向的车辆数。
据此,将全天96个时间窗的和向量的长度/>和角度/>在直角坐标系中表示出来,分别见图4、图5。
得到长度和角度之后,和向量的极坐标公式为,和向量在极坐标中的分布特征就是交叉口交通需求的变化特征,将全天96个时间窗的需求特征可视化为图6,图6中的圆点即为和向量在极坐标中的分布情况。
如图7所示,S6中,构建方法为:
S61、将通过交通需求变化特征提取模型提取的数据作为输入数据集Di(i=1,2,3……,96);其中D1为第一个时间窗内极坐标法下交通需求变化模型提取的;
S62、构建隐藏层拓扑关系并初始化权重W;
构建二维的3*5的平面阵列,拓扑函数为hextop,;
其中W11表示二维平面阵列中(1,1)位置上的权重指标,其余同理表示其他位置上的权重指标;
S63、构建隐藏层节点之间的距离函数;
,
i=1,2,3……,96;
S64、采用竞争学习策略compet(-dist(x,W)),依靠神经网络中神经元之间相互竞争来优化网络;
S65、重复训练,不断选择更新神经元c及其邻域节点的连接权值直至最优;
S66、输出自组织映射神经网络的聚类簇数K,聚类中心对象Oj;
S67、按照距离中心对象Oj最近原则分配数据,形成数据簇;
S68、将数据簇中的非中心对象Oi替换中心对象Oj,计算交换成本S;
;
S69、遍历所有簇的非中心点,在交换成本时输出聚类结果并进行可视化处理。全天共被分成了18个时段,输出时段划分如图8所示,图8中的纵向线即为时段划分线。
综上,本发明通过交叉口实际交通数据,针对传统时段划分模型在计算中只考虑交叉口总流量大小而导致的时段划分不精准问题,将交叉口内部不同进口道不同转向的交通参数向量化表示,建立基于极坐标系下的交通需求变化特征提取模型,突出了不同流向需求变化特征;然后,根据模型提取出的交通需求变化特征建立时间分段点模型确定最佳分段点,以此输出时段划分。
Claims (2)
1.一种基于交叉口精准流向辨识的信号控制时段划分方法,其特征在于包括以下步骤:
S1、对电子眼数据和交叉口视频数据进行预处理和质量评估;
S2、在预处理后的数据中,获取交叉口进口道各转向交通流量数据;
S3、根据交通流量数据获取所需交通参数,包括东、西、南、北四个方向的直行交通流参数和左转交通流参数;
S4、建立向量化模型,将直行交通流参数和左转交通流参数用向量化模型表示;
S5、使用极坐标下的交通需求变化特征提取模型,对向量化模型表现出的交通需求变化特征进行提取;
S6、构建基于交叉口内部不同流向需求变化的时间分段点确定模型,进行时段划分;
所述的S3中,定义东、西、南、北进口道直行交通流参数为wi、ei、ni、si,分别表示第i个时间窗内东、西、南、北进口道直行通过停车线的车辆数;东、西、南、北进口道左转交通流参数为swi、nei、nwi、sei,分别表示第i个时间窗内东、西、南、北进口道左转通过停车线的车辆数;
所述的S4中,建立向量化模型的方法为:
通过公式:
;
将wi、ei、ni、si的向量化模型表示为,将swi、nei、nwi、sei的向量化模型表示为/>;
所述的S5中,采用的极坐标下的交通需求变化特征提取模型为:
;
;
;
;
;
其中,表示第i个时间窗内的和向量;L为第i个时间窗内交叉口的交通需求大小;θi为第i个时间窗内交叉口的交通需求方向;α为处理之后的第i个时间窗内的东西方向的车辆数;β为处理之后的第i个时间窗内的南北方向的车辆数;
所述的S6中,构建方法为:
S61、将通过交通需求变化特征提取模型提取的数据作为输入数据集Di;
S62、构建隐藏层拓扑关系并初始化权重W;
S63、构建隐藏层节点之间的距离函数;
S64、采用竞争学习策略,依靠神经网络中神经元之间相互竞争来优化网络;
S65、重复训练,不断选择更新神经元c及其邻域节点的连接权值直至最优;
S66、输出自组织映射神经网络的聚类簇数K,聚类中心对象Oj;
S67、按照距离中心对象Oj最近原则分配数据,形成数据簇;
S68、将数据簇中的非中心对象Oi替换中心对象Oj,计算交换成本S;
S69、遍历所有簇的非中心点,在交换成本时输出聚类结果并进行可视化处理。
2.根据权利要求1所述的一种基于交叉口精准流向辨识的信号控制时段划分方法,其特征在于:所述的S1中,预处理和质量评估包括对重复数据的删除,对缺失数据的补全,对错误数据的剔除和补全,具体为:
S11、根据电子眼的视频信息进行检验,保留正确数据,对错误重复数据进行删除,以此遍历整个数据列表;
S12、对部分段缺失的数据,利用移动平均法或线性插值法进行修补;对较长段缺失的数据,使用不同周期的相同时间数据、相同时间内相邻点位数据或不同时间相同点位的数据进行替换;
S13、错误数据一般仅为一行数据,可直接剔除,若错误数据较多,可采用历史数据补全。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311566429.2A CN117292562B (zh) | 2023-11-23 | 2023-11-23 | 一种基于交叉口精准流向辨识的信号控制时段划分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311566429.2A CN117292562B (zh) | 2023-11-23 | 2023-11-23 | 一种基于交叉口精准流向辨识的信号控制时段划分方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117292562A CN117292562A (zh) | 2023-12-26 |
CN117292562B true CN117292562B (zh) | 2024-02-20 |
Family
ID=89248302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311566429.2A Active CN117292562B (zh) | 2023-11-23 | 2023-11-23 | 一种基于交叉口精准流向辨识的信号控制时段划分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117292562B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107833463A (zh) * | 2017-10-25 | 2018-03-23 | 上海应用技术大学 | 基于二维聚类的交通信号时段划分方法及系统 |
CN108417039A (zh) * | 2018-05-07 | 2018-08-17 | 大连理工大学 | 一种交通流组成影响的信号交叉口交通需求估算方法 |
CN110379184A (zh) * | 2019-07-25 | 2019-10-25 | 上海应用技术大学 | 交叉口信号控制时段划分方法 |
CN116736345A (zh) * | 2023-05-25 | 2023-09-12 | 武汉大学 | 用于mhgm多路径误差建模的半天球自适应格网划分方法 |
CN116994428A (zh) * | 2023-07-05 | 2023-11-03 | 山东理工大学 | 一种基于参数变化率的交叉口进口道交通事故辨识方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7835832B2 (en) * | 2007-01-05 | 2010-11-16 | Hemisphere Gps Llc | Vehicle control system |
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
- 2023-11-23 CN CN202311566429.2A patent/CN117292562B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107833463A (zh) * | 2017-10-25 | 2018-03-23 | 上海应用技术大学 | 基于二维聚类的交通信号时段划分方法及系统 |
CN108417039A (zh) * | 2018-05-07 | 2018-08-17 | 大连理工大学 | 一种交通流组成影响的信号交叉口交通需求估算方法 |
CN110379184A (zh) * | 2019-07-25 | 2019-10-25 | 上海应用技术大学 | 交叉口信号控制时段划分方法 |
CN116736345A (zh) * | 2023-05-25 | 2023-09-12 | 武汉大学 | 用于mhgm多路径误差建模的半天球自适应格网划分方法 |
CN116994428A (zh) * | 2023-07-05 | 2023-11-03 | 山东理工大学 | 一种基于参数变化率的交叉口进口道交通事故辨识方法 |
Non-Patent Citations (2)
Title |
---|
基于信号周期计算的交叉口管控时段划分;刘东波;代磊磊;李娅;王运霞;;吉林大学学报(工学版)(第06期);全文· * |
魏婧 ; .信号控制交叉口车道功能划分优化设计仿真.交通世界.2018,(第24期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117292562A (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN108648457B (zh) | 一种速度预测的方法、装置和计算机可读存储介质 | |
CN107563566B (zh) | 一种基于支持向量机的公交站间运行时间区间预测方法 | |
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 | |
CN113591380B (zh) | 基于图高斯过程的交通流预测方法、介质及设备 | |
CN111537990A (zh) | 一种车道的标定方法、装置以及电子设备 | |
CN112069573A (zh) | 一种基于元胞自动机的城市群空间模拟方法、系统及设备 | |
CN116797055B (zh) | 一种基于物联网的城市道路规划方法及系统 | |
CN112017436B (zh) | 城市市内交通旅行时间的预测方法及系统 | |
CN114202120A (zh) | 一种针对多源异构数据的城市交通行程时间预测方法 | |
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 | |
CN112050821A (zh) | 一种车道线聚合方法 | |
CN111210621A (zh) | 基于实时路况的信号绿波协调路线优化控制方法及系统 | |
CN116071722A (zh) | 基于路段轨迹的车道几何信息提取方法、系统、设备及介质 | |
CN111899511A (zh) | 一种共线线路avl数据的公交车到站时间预测方法 | |
CN117292562B (zh) | 一种基于交叉口精准流向辨识的信号控制时段划分方法 | |
CN117664168A (zh) | 一种园区车辆导航路径规划方法、介质及系统 | |
He et al. | Heterogeneous pointer network for travelling officer problem | |
CN112347983A (zh) | 车道线检测处理方法、装置、计算机设备和存储介质 | |
CN111310919A (zh) | 基于场景切分和局部路径规划的驾驶控制策略训练方法 | |
CN114419877B (zh) | 基于道路特征的车辆轨迹预测数据处理方法和装置 | |
CN115565376A (zh) | 融合graph2vec、双层LSTM的车辆行程时间预测方法及系统 | |
CN115982592A (zh) | 轨迹相似度计算方法、轨迹相似度计算装置以及存储介质 | |
CN114820931A (zh) | 基于虚拟现实的智慧城市cim可视化实时成像方法 | |
CN112634620A (zh) | 基于Encoder-Decoder深度神经网络的路网动态交通分配方法 |
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 |