CN117558135B - 一种基于交通信息模拟的园区交通控制方法及系统 - Google Patents

一种基于交通信息模拟的园区交通控制方法及系统 Download PDF

Info

Publication number
CN117558135B
CN117558135B CN202410045061.3A CN202410045061A CN117558135B CN 117558135 B CN117558135 B CN 117558135B CN 202410045061 A CN202410045061 A CN 202410045061A CN 117558135 B CN117558135 B CN 117558135B
Authority
CN
China
Prior art keywords
traffic
area
target
association
determining
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
Application number
CN202410045061.3A
Other languages
English (en)
Other versions
CN117558135A (zh
Inventor
胡艳胜
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.)
Guangzhou Zhuoqin Information Technology Co ltd
Original Assignee
Guangzhou Zhuoqin Information Technology Co 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 Guangzhou Zhuoqin Information Technology Co ltd filed Critical Guangzhou Zhuoqin Information Technology Co ltd
Priority to CN202410045061.3A priority Critical patent/CN117558135B/zh
Publication of CN117558135A publication Critical patent/CN117558135A/zh
Application granted granted Critical
Publication of CN117558135B publication Critical patent/CN117558135B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G08G1/0137—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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Development Economics (AREA)
  • Analytical Chemistry (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于交通信息模拟的园区交通控制方法及系统，该方法包括：根据预设的区域关联规则，确定目标园区的目标交通控制设备对应的交通关联区域；获取所述交通关联区域对应的交通传感数据，根据所述交通传感数据，确定所述目标交通控制设备对应的控制指令；根据所述目标园区中的所述目标交通控制设备对应的多个关联控制设备的控制指令，基于交通模拟算法，确定交通模拟结果；根据所述交通模拟结果，修正所述目标交通控制设备对应的控制指令。可见，本发明能够充分考虑区域内的传感数据和关联设备的算法模拟来实现更加精准有效的交通堵塞疏散，提高园区内的交通控制效果。

Description

一种基于交通信息模拟的园区交通控制方法及系统
技术领域
本发明涉及交通数据处理技术领域，尤其涉及一种基于交通信息模拟的园区交通控制方法及系统。
背景技术
随着智慧园区这一概念的提出，以及园区设备的智能化程度的提高，园区能够容纳的交通设备的数量也日渐增长，如何实现对园区的交通控制成为了一个重要的技术难题。现有的园区内的交通控制技术，大部分仍然采用人工判断和预设的车辆进出控制规则，没有充分考虑到利用好区域内的传感数据和关联控制设备的算法模拟，因此智能化程度低，交通控制效果差，无法有效预测和缓解交通堵塞。可见，现有技术存在缺陷，亟需解决。
发明内容
本发明所要解决的技术问题在于，提供一种基于交通信息模拟的园区交通控制方法及系统，能够充分考虑区域内的传感数据和关联设备的算法模拟来实现更加精准有效的交通堵塞疏散，提高园区内的交通控制效果。
为了解决上述技术问题，本发明第一方面公开了一种基于交通信息模拟的园区交通控制方法，所述方法包括：
根据预设的区域关联规则，确定目标园区的目标交通控制设备对应的交通关联区域；
获取所述交通关联区域对应的交通传感数据，根据所述交通传感数据，确定所述目标交通控制设备对应的控制指令；
根据所述目标园区中的所述目标交通控制设备对应的多个关联控制设备的控制指令，基于交通模拟算法，确定交通模拟结果；
根据所述交通模拟结果，修正所述目标交通控制设备对应的控制指令。
作为一种可选的实施方式，在本发明第一方面中，所述根据预设的区域关联规则，确定目标园区的目标交通控制设备对应的交通关联区域，包括：
根据预设的设备和区域直接关联的规则，确定目标园区的目标交通控制设备对应的直接关联区域；
获取与所述直接关联区域直接连通的多个候选交通区域，计算每一所述候选交通区域和所述直接关联区域之间的区域关联参数，根据所述区域关联参数，从所述多个候选交通区域中确定出目标关联区域，得到间接关联区域；
以所述间接关联区域为直接关联区域重复上一步骤，确定出所述间接关联区域对应的目标关联区域，以得到一个新的间接关联区域；
重复上述步骤直至确定出的所有候选交通区域对应的所述区域关联参数均小于预设的参数阈值，将确定出的所有所述间接关联区域和所述直接关联区域，确定为目标园区的目标交通控制设备对应的交通关联区域。
作为一种可选的实施方式，在本发明第一方面中，所述计算每一所述候选交通区域和所述直接关联区域之间的区域关联参数，包括：
对于每一所述候选交通区域，获取该候选交通区域与所述直接关联区域之间的相交边界的长度，以及获取该候选交通区域的历史交通堵塞记录；
计算该候选交通区域的历史交通堵塞记录中所述直接关联区域在预设的时间周期内存在堵塞的记录的占比；
计算与所述长度成正比的第一参数值，和与所述占比成正比的第二参数值；
计算所述第一参数值和所述第二参数值的乘积，得到该候选交通区域对应的区域关联参数。
作为一种可选的实施方式，在本发明第一方面中，所述交通传感数据包括图像数据、ETC感应数据、声音数据、车牌识别数据、人员打卡数据和员工设备定位数据。
作为一种可选的实施方式，在本发明第一方面中，所述获取所述交通关联区域对应的交通传感数据，根据所述交通传感数据，确定所述目标交通控制设备对应的控制指令，包括：
将所述交通关联区域中的所述直接关联区域和所有所述间接关联区域，按照与所述目标交通控制设备的距离从小到大进行排列以得到区域链条；
获取所述区域链条中每一区域中的传感设备传输的交通传感数据；
将每一区域的所述交通传感数据输入至训练好的交通堵塞预测神经网络中，以得到每一区域对应的交通堵塞概率；所述交通堵塞预测神经网络通过包括有多个训练传感数据和对应的堵塞情况标注的训练数据集训练得到；
根据所述区域链条中每一区域对应的所述交通堵塞概率，确定所述目标交通控制设备对应的控制指令。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述区域链条中每一区域对应的所述交通堵塞概率，确定所述目标交通控制设备对应的控制指令，包括：
计算所述区域链条中所有区域对应的所述交通堵塞概率的平均值，得到第一概率参数；
判断所述第一概率参数是否大于第一参数阈值，得到第一判断结果；
若所述第一判断结果为是，确定所述目标交通控制设备对应的控制指令为间隔第一时间打开引流；所述第一时间与第一差值成反比；所述第一差值为所述第一概率参数和所述第一参数阈值之间的差值；
若所述第一判断结果为否，判断所述区域链条中是否存在连续的多个区域的所述交通堵塞概率符合预设的链条概率增长规则，得到第二判断结果；
若所述第二判断结果为否，确定所述目标交通控制设备对应的控制指令为保持现状；
若所述第二判断结果为是，确定所述目标交通控制设备对应的控制指令为间隔第二时间打开引流；所述第二时间与相似度参数成反比；所述相似度参数为符合所述链条概率增长规则的多个区域的所述交通堵塞概率与预设的堵塞概率模板之间的相似度。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述目标园区中的所述目标交通控制设备对应的多个关联控制设备的控制指令，基于交通模拟算法，确定交通模拟结果，包括：
将所述目标园区中的与所述目标交通控制设备之间的距离小于预设距离阈值的控制设备，确定为对应的多个关联控制设备；
获取每一所述关联控制设备对应的所述第一概率参数和所述控制指令；
将所有所述关联控制设备的所述第一概率参数和所述控制指令，输入至训练好的疏散效果预测神经网络模型中，以得到输出的预测疏散效果参数；所述疏散效果预测神经网络模型通过包括有多个训练关联设备的训练概率参数和训练控制指令以及对应的疏散效果标注的训练数据集训练得到。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述交通模拟结果，修正所述目标交通控制设备对应的控制指令，包括：
判断所述疏散效果参数是否大于预设的第二参数阈值，得到第三判断结果；
若所述第三判断结果为是，确定所述目标交通控制设备对应的控制指令为停止打开引流；
若所述第三判断结果为否，判断所述疏散效果参数是否大于预设的第三参数阈值，得到第四判断结果；所述第三参数阈值小于所述第二参数阈值；
若所述第四判断结果为是，增大所述目标交通控制设备对应的控制指令中打开引流的间隔时间；
若所述第四判断结果为否，减小所述目标交通控制设备对应的控制指令中打开引流的间隔时间。
本发明第二方面公开了一种基于交通信息模拟的园区交通控制系统，所述系统包括：
第一确定模块，用于根据预设的区域关联规则，确定目标园区的目标交通控制设备对应的交通关联区域；
第二确定模块，用于获取所述交通关联区域对应的交通传感数据，根据所述交通传感数据，确定所述目标交通控制设备对应的控制指令；
第三确定模块，用于根据所述目标园区中的所述目标交通控制设备对应的多个关联控制设备的控制指令，基于交通模拟算法，确定交通模拟结果；
修正模块，用于根据所述交通模拟结果，修正所述目标交通控制设备对应的控制指令。
作为一种可选的实施方式，在本发明第二方面中，所述第一确定模块根据预设的区域关联规则，确定目标园区的目标交通控制设备对应的交通关联区域的具体方式，包括：
根据预设的设备和区域直接关联的规则，确定目标园区的目标交通控制设备对应的直接关联区域；
获取与所述直接关联区域直接连通的多个候选交通区域，计算每一所述候选交通区域和所述直接关联区域之间的区域关联参数，根据所述区域关联参数，从所述多个候选交通区域中确定出目标关联区域，得到间接关联区域；
以所述间接关联区域为直接关联区域重复上一步骤，确定出所述间接关联区域对应的目标关联区域，以得到一个新的间接关联区域；
重复上述步骤直至确定出的所有候选交通区域对应的所述区域关联参数均小于预设的参数阈值，将确定出的所有所述间接关联区域和所述直接关联区域，确定为目标园区的目标交通控制设备对应的交通关联区域。
作为一种可选的实施方式，在本发明第二方面中，所述第一确定模块计算每一所述候选交通区域和所述直接关联区域之间的区域关联参数的具体方式，包括：
对于每一所述候选交通区域，获取该候选交通区域与所述直接关联区域之间的相交边界的长度，以及获取该候选交通区域的历史交通堵塞记录；
计算该候选交通区域的历史交通堵塞记录中所述直接关联区域在预设的时间周期内存在堵塞的记录的占比；
计算与所述长度成正比的第一参数值，和与所述占比成正比的第二参数值；
计算所述第一参数值和所述第二参数值的乘积，得到该候选交通区域对应的区域关联参数。
作为一种可选的实施方式，在本发明第二方面中，所述交通传感数据包括图像数据、ETC感应数据、声音数据、车牌识别数据、人员打卡数据和员工设备定位数据。
作为一种可选的实施方式，在本发明第二方面中，所述第二确定模块获取所述交通关联区域对应的交通传感数据，根据所述交通传感数据，确定所述目标交通控制设备对应的控制指令的具体方式，包括：
将所述交通关联区域中的所述直接关联区域和所有所述间接关联区域，按照与所述目标交通控制设备的距离从小到大进行排列以得到区域链条；
获取所述区域链条中每一区域中的传感设备传输的交通传感数据；
将每一区域的所述交通传感数据输入至训练好的交通堵塞预测神经网络中，以得到每一区域对应的交通堵塞概率；所述交通堵塞预测神经网络通过包括有多个训练传感数据和对应的堵塞情况标注的训练数据集训练得到；
根据所述区域链条中每一区域对应的所述交通堵塞概率，确定所述目标交通控制设备对应的控制指令。
作为一种可选的实施方式，在本发明第二方面中，所述第二确定模块根据所述区域链条中每一区域对应的所述交通堵塞概率，确定所述目标交通控制设备对应的控制指令的具体方式，包括：
计算所述区域链条中所有区域对应的所述交通堵塞概率的平均值，得到第一概率参数；
判断所述第一概率参数是否大于第一参数阈值，得到第一判断结果；
若所述第一判断结果为是，确定所述目标交通控制设备对应的控制指令为间隔第一时间打开引流；所述第一时间与第一差值成反比；所述第一差值为所述第一概率参数和所述第一参数阈值之间的差值；
若所述第一判断结果为否，判断所述区域链条中是否存在连续的多个区域的所述交通堵塞概率符合预设的链条概率增长规则，得到第二判断结果；
若所述第二判断结果为否，确定所述目标交通控制设备对应的控制指令为保持现状；
若所述第二判断结果为是，确定所述目标交通控制设备对应的控制指令为间隔第二时间打开引流；所述第二时间与相似度参数成反比；所述相似度参数为符合所述链条概率增长规则的多个区域的所述交通堵塞概率与预设的堵塞概率模板之间的相似度。
作为一种可选的实施方式，在本发明第二方面中，所述第三确定模块根据所述目标园区中的所述目标交通控制设备对应的多个关联控制设备的控制指令，基于交通模拟算法，确定交通模拟结果的具体方式，包括：
将所述目标园区中的与所述目标交通控制设备之间的距离小于预设距离阈值的控制设备，确定为对应的多个关联控制设备；
获取每一所述关联控制设备对应的所述第一概率参数和所述控制指令；
将所有所述关联控制设备的所述第一概率参数和所述控制指令，输入至训练好的疏散效果预测神经网络模型中，以得到输出的预测疏散效果参数；所述疏散效果预测神经网络模型通过包括有多个训练关联设备的训练概率参数和训练控制指令以及对应的疏散效果标注的训练数据集训练得到。
作为一种可选的实施方式，在本发明第二方面中，所述修正模块根据所述交通模拟结果，修正所述目标交通控制设备对应的控制指令的具体方式，包括：
判断所述疏散效果参数是否大于预设的第二参数阈值，得到第三判断结果；
若所述第三判断结果为是，确定所述目标交通控制设备对应的控制指令为停止打开引流；
若所述第三判断结果为否，判断所述疏散效果参数是否大于预设的第三参数阈值，得到第四判断结果；所述第三参数阈值小于所述第二参数阈值；
若所述第四判断结果为是，增大所述目标交通控制设备对应的控制指令中打开引流的间隔时间；
若所述第四判断结果为否，减小所述目标交通控制设备对应的控制指令中打开引流的间隔时间。
本发明第三方面公开了另一种基于交通信息模拟的园区交通控制系统，所述系统包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第一方面公开的基于交通信息模拟的园区交通控制方法中的部分或全部步骤。
与现有技术相比，本发明具有以下有益效果：
本发明能够根据与目标交通控制设备关联的区域的传感数据来确定控制指令，再通过关联控制设备的指令来修正目标控制设备的指令，从而能够充分考虑区域内的传感数据和关联设备的算法模拟来实现更加精准有效的交通堵塞疏散，提高园区内的交通控制效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，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。
图1是本发明实施例公开的一种基于交通信息模拟的园区交通控制方法的流程示意图；
图2是本发明实施例公开的一种基于交通信息模拟的园区交通控制系统的结构示意图；
图3是本发明实施例公开的另一种基于交通信息模拟的园区交通控制系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或端没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于交通信息模拟的园区交通控制方法及系统，能够根据与目标交通控制设备关联的区域的传感数据来确定控制指令，再通过关联控制设备的指令来修正目标控制设备的指令，从而能够充分考虑区域内的传感数据和关联设备的算法模拟来实现更加精准有效的交通堵塞疏散，提高园区内的交通控制效果。以下分别进行详细说明。
实施例一
请参阅图1，图1是本发明实施例公开的一种基于交通信息模拟的园区交通控制方法的流程示意图。其中，图1所描述的方法可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中，且该服务器可以是本地服务器，也可以是云服务器，本发明实施例不做限定如图1所示，该基于交通信息模拟的园区交通控制方法可以包括以下操作：
101、根据预设的区域关联规则，确定目标园区的目标交通控制设备对应的交通关联区域。
102、获取交通关联区域对应的交通传感数据，根据交通传感数据，确定目标交通控制设备对应的控制指令。
可选的，交通传感数据包括图像数据、ETC感应数据、声音数据、车牌识别数据、人员打卡数据和员工设备定位数据。
103、根据目标园区中的目标交通控制设备对应的多个关联控制设备的控制指令，基于交通模拟算法，确定交通模拟结果。
104、根据交通模拟结果，修正目标交通控制设备对应的控制指令。
可见，实施本发明实施例所描述的方法能够根据与目标交通控制设备关联的区域的传感数据来确定控制指令，再通过关联控制设备的指令来修正目标控制设备的指令，从而能够充分考虑区域内的传感数据和关联设备的算法模拟来实现更加精准有效的交通堵塞疏散，提高园区内的交通控制效果。
作为一种可选的实施例，上述步骤中的，根据预设的区域关联规则，确定目标园区的目标交通控制设备对应的交通关联区域，包括：
根据预设的设备和区域直接关联的规则，确定目标园区的目标交通控制设备对应的直接关联区域；
获取与直接关联区域直接连通的多个候选交通区域，计算每一候选交通区域和直接关联区域之间的区域关联参数，根据区域关联参数，从多个候选交通区域中确定出目标关联区域，得到间接关联区域；
以间接关联区域为直接关联区域重复上一步骤，确定出间接关联区域对应的目标关联区域，以得到一个新的间接关联区域；
重复上述步骤直至确定出的所有候选交通区域对应的区域关联参数均小于预设的参数阈值，将确定出的所有间接关联区域和直接关联区域，确定为目标园区的目标交通控制设备对应的交通关联区域。
具体的，预设的设备和区域直接关联的规则，可以为规定目标交通控制设备所在的区域为直接关联区域，也可以设定距离目标交通控制设备最近的区域为直接关联区域。
可选的，可以预先将目标园区根据预设的地理或人为规则划分为多个子区域，以用于后续区域和区域链的确定。
通过上述实施例，能够基于区域关联关系和参数算法来确定目标交通控制设备对应的交通关联区域，后续基于区域内的传感数据确定出的控制指令，能够充分考虑区域内的传感数据和关联设备的算法模拟来实现更加精准有效的交通堵塞疏散，提高园区内的交通控制效果。
作为一种可选的实施例，上述步骤中的，计算每一候选交通区域和直接关联区域之间的区域关联参数，包括：
对于每一候选交通区域，获取该候选交通区域与直接关联区域之间的相交边界的长度，以及获取该候选交通区域的历史交通堵塞记录；
计算该候选交通区域的历史交通堵塞记录中直接关联区域在预设的时间周期内存在堵塞的记录的占比；
计算与长度成正比的第一参数值，和与占比成正比的第二参数值；
计算第一参数值和第二参数值的乘积，得到该候选交通区域对应的区域关联参数。
通过上述实施例，能够实现根据区域相交边界长度和同时存在堵塞记录占比来计算关联参数，以便于后续确定出准确的更相关的交通关联区域，后续基于区域内的传感数据确定出的控制指令，能够充分考虑区域内的传感数据和关联设备的算法模拟来实现更加精准有效的交通堵塞疏散，提高园区内的交通控制效果。
作为一种可选的实施例，上述步骤中的，获取交通关联区域对应的交通传感数据，根据交通传感数据，确定目标交通控制设备对应的控制指令，包括：
将交通关联区域中的直接关联区域和所有间接关联区域，按照与目标交通控制设备的距离从小到大进行排列以得到区域链条；
获取区域链条中每一区域中的传感设备传输的交通传感数据；
将每一区域的交通传感数据输入至训练好的交通堵塞预测神经网络中，以得到每一区域对应的交通堵塞概率；交通堵塞预测神经网络通过包括有多个训练传感数据和对应的堵塞情况标注的训练数据集训练得到；
根据区域链条中每一区域对应的交通堵塞概率，确定目标交通控制设备对应的控制指令。
可选的，本发明中的预测算法模型和神经网络，均可以为CNN结构或RNN结构的神经网络模型，并通过相应的梯度下降算法和损失函数进行训练直至收敛，本发明不做限定。
通过上述实施例，能够实现根据交通堵塞预测神经网络预测区域链中每一区域对应的交通堵塞概率，后续基于此确定出的控制指令，能够充分考虑区域内的传感数据和关联设备的算法模拟来实现更加精准有效的交通堵塞疏散，提高园区内的交通控制效果。
作为一种可选的实施例，上述步骤中的，根据区域链条中每一区域对应的交通堵塞概率，确定目标交通控制设备对应的控制指令，包括：
计算区域链条中所有区域对应的交通堵塞概率的平均值，得到第一概率参数；
判断第一概率参数是否大于第一参数阈值，得到第一判断结果；
若第一判断结果为是，确定目标交通控制设备对应的控制指令为间隔第一时间打开引流；第一时间与第一差值成反比；第一差值为第一概率参数和第一参数阈值之间的差值；
若第一判断结果为否，判断区域链条中是否存在连续的多个区域的交通堵塞概率符合预设的链条概率增长规则，得到第二判断结果；
若第二判断结果为否，确定目标交通控制设备对应的控制指令为保持现状；
若第二判断结果为是，确定目标交通控制设备对应的控制指令为间隔第二时间打开引流；第二时间与相似度参数成反比；相似度参数为符合链条概率增长规则的多个区域的交通堵塞概率与预设的堵塞概率模板之间的相似度。
通过上述实施例，能够实现根据区域链中每一区域对应的交通堵塞概率以及预设的参数判断计算规则来确定控制指令，从而能够充分考虑区域内的传感数据和关联设备的算法模拟来实现更加精准有效的交通堵塞疏散，提高园区内的交通控制效果。
作为一种可选的实施例，上述步骤中的，根据目标园区中的目标交通控制设备对应的多个关联控制设备的控制指令，基于交通模拟算法，确定交通模拟结果，包括：
将目标园区中的与目标交通控制设备之间的距离小于预设距离阈值的控制设备，确定为对应的多个关联控制设备；
获取每一关联控制设备对应的第一概率参数和控制指令；
将所有关联控制设备的第一概率参数和控制指令，输入至训练好的疏散效果预测神经网络模型中，以得到输出的预测疏散效果参数；疏散效果预测神经网络模型通过包括有多个训练关联设备的训练概率参数和训练控制指令以及对应的疏散效果标注的训练数据集训练得到。
通过上述实施例，能够实现根据疏散效果预测神经网络模型和关联控制设备的概率和指令来预测疏散效果，后续基于疏散效果修正的控制指令能够充分考虑区域内的传感数据和关联设备的算法模拟来实现更加精准有效的交通堵塞疏散，提高园区内的交通控制效果。
作为一种可选的实施例，上述步骤中的，根据交通模拟结果，修正目标交通控制设备对应的控制指令，包括：
判断疏散效果参数是否大于预设的第二参数阈值，得到第三判断结果；
若第三判断结果为是，确定目标交通控制设备对应的控制指令为停止打开引流；
若第三判断结果为否，判断疏散效果参数是否大于预设的第三参数阈值，得到第四判断结果；第三参数阈值小于第二参数阈值；
若第四判断结果为是，增大目标交通控制设备对应的控制指令中打开引流的间隔时间；
若第四判断结果为否，减小目标交通控制设备对应的控制指令中打开引流的间隔时间。
通过上述实施例，能够实现根据疏散效果预测和预设的判断计算规则来修正目标控制设备的控制指令，从而能够充分考虑区域内的传感数据和关联设备的算法模拟来实现更加精准有效的交通堵塞疏散，提高园区内的交通控制效果。
实施例二
请参阅图2，图2是本发明实施例公开的一种基于交通信息模拟的园区交通控制系统的结构示意图。其中，图2所描述的系统可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中，且该服务器可以是本地服务器，也可以是云服务器，本发明实施例不做限定。如图2所示，该系统可以包括：
第一确定模块201，用于根据预设的区域关联规则，确定目标园区的目标交通控制设备对应的交通关联区域；
第二确定模块202，用于获取交通关联区域对应的交通传感数据，根据交通传感数据，确定目标交通控制设备对应的控制指令；
第三确定模块203，用于根据目标园区中的目标交通控制设备对应的多个关联控制设备的控制指令，基于交通模拟算法，确定交通模拟结果；
修正模块204，用于根据交通模拟结果，修正目标交通控制设备对应的控制指令。
作为一种可选的实施例，第一确定模块201根据预设的区域关联规则，确定目标园区的目标交通控制设备对应的交通关联区域的具体方式，包括：
根据预设的设备和区域直接关联的规则，确定目标园区的目标交通控制设备对应的直接关联区域；
获取与直接关联区域直接连通的多个候选交通区域，计算每一候选交通区域和直接关联区域之间的区域关联参数，根据区域关联参数，从多个候选交通区域中确定出目标关联区域，得到间接关联区域；
以间接关联区域为直接关联区域重复上一步骤，确定出间接关联区域对应的目标关联区域，以得到一个新的间接关联区域；
重复上述步骤直至确定出的所有候选交通区域对应的区域关联参数均小于预设的参数阈值，将确定出的所有间接关联区域和直接关联区域，确定为目标园区的目标交通控制设备对应的交通关联区域。
作为一种可选的实施例，第一确定模块201计算每一候选交通区域和直接关联区域之间的区域关联参数的具体方式，包括：
对于每一候选交通区域，获取该候选交通区域与直接关联区域之间的相交边界的长度，以及获取该候选交通区域的历史交通堵塞记录；
计算该候选交通区域的历史交通堵塞记录中直接关联区域在预设的时间周期内存在堵塞的记录的占比；
计算与长度成正比的第一参数值，和与占比成正比的第二参数值；
计算第一参数值和第二参数值的乘积，得到该候选交通区域对应的区域关联参数。
作为一种可选的实施例，交通传感数据包括图像数据、ETC感应数据、声音数据、车牌识别数据、人员打卡数据和员工设备定位数据。
作为一种可选的实施例，第二确定模块202获取交通关联区域对应的交通传感数据，根据交通传感数据，确定目标交通控制设备对应的控制指令的具体方式，包括：
将交通关联区域中的直接关联区域和所有间接关联区域，按照与目标交通控制设备的距离从小到大进行排列以得到区域链条；
获取区域链条中每一区域中的传感设备传输的交通传感数据；
将每一区域的交通传感数据输入至训练好的交通堵塞预测神经网络中，以得到每一区域对应的交通堵塞概率；交通堵塞预测神经网络通过包括有多个训练传感数据和对应的堵塞情况标注的训练数据集训练得到；
根据区域链条中每一区域对应的交通堵塞概率，确定目标交通控制设备对应的控制指令。
作为一种可选的实施例，第二确定模块202根据区域链条中每一区域对应的交通堵塞概率，确定目标交通控制设备对应的控制指令的具体方式，包括：
计算区域链条中所有区域对应的交通堵塞概率的平均值，得到第一概率参数；
判断第一概率参数是否大于第一参数阈值，得到第一判断结果；
若第一判断结果为是，确定目标交通控制设备对应的控制指令为间隔第一时间打开引流；第一时间与第一差值成反比；第一差值为第一概率参数和第一参数阈值之间的差值；
若第一判断结果为否，判断区域链条中是否存在连续的多个区域的交通堵塞概率符合预设的链条概率增长规则，得到第二判断结果；
若第二判断结果为否，确定目标交通控制设备对应的控制指令为保持现状；
若第二判断结果为是，确定目标交通控制设备对应的控制指令为间隔第二时间打开引流；第二时间与相似度参数成反比；相似度参数为符合链条概率增长规则的多个区域的交通堵塞概率与预设的堵塞概率模板之间的相似度。
作为一种可选的实施例，第三确定模块203根据目标园区中的目标交通控制设备对应的多个关联控制设备的控制指令，基于交通模拟算法，确定交通模拟结果的具体方式，包括：
将目标园区中的与目标交通控制设备之间的距离小于预设距离阈值的控制设备，确定为对应的多个关联控制设备；
获取每一关联控制设备对应的第一概率参数和控制指令；
将所有关联控制设备的第一概率参数和控制指令，输入至训练好的疏散效果预测神经网络模型中，以得到输出的预测疏散效果参数；疏散效果预测神经网络模型通过包括有多个训练关联设备的训练概率参数和训练控制指令以及对应的疏散效果标注的训练数据集训练得到。
作为一种可选的实施例，修正模块204根据交通模拟结果，修正目标交通控制设备对应的控制指令的具体方式，包括：
判断疏散效果参数是否大于预设的第二参数阈值，得到第三判断结果；
若第三判断结果为是，确定目标交通控制设备对应的控制指令为停止打开引流；
若第三判断结果为否，判断疏散效果参数是否大于预设的第三参数阈值，得到第四判断结果；第三参数阈值小于第二参数阈值；
若第四判断结果为是，增大目标交通控制设备对应的控制指令中打开引流的间隔时间；
若第四判断结果为否，减小目标交通控制设备对应的控制指令中打开引流的间隔时间。
上述系统和模块和步骤的技术细节和技术效果，可以参照实施例一中的表述，本实施例在此不做赘述。
实施例三
请参阅图3，图3是本发明实施例公开的另一种基于交通信息模拟的园区交通控制系统的结构示意图。如图3所示，该系统可以包括：
存储有可执行程序代码的存储器301；
与存储器301耦合的处理器302；
处理器302调用存储器301中存储的可执行程序代码，执行本发明实施例一公开的基于交通信息模拟的园区交通控制方法中的部分或全部步骤。
实施例四
本发明实施例公开了一种计算机存储介质，该计算机存储介质存储有计算机指令，该计算机指令被调用时，用于执行本发明实施例一公开的基于交通信息模拟的园区交通控制方法中的部分或全部步骤。
以上所描述的系统实施例仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器（Read-Only Memory，ROM）、随机存储器（Random Access Memory，RAM）、可编程只读存储器（Programmable Read-only Memory，PROM）、可擦除可编程只读存储器（ErasableProgrammable Read Only Memory，EPROM）、一次可编程只读存储器（One-timeProgrammable Read-Only Memory，OTPROM）、电子抹除式可复写只读存储器（Electrically-Erasable Programmable Read-Only Memory，EEPROM）、只读光盘（CompactDisc Read-Only Memory，CD-ROM）或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是：本发明实施例公开的一种基于交通信息模拟的园区交通控制方法及系统所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。

Claims (6)

1.一种基于交通信息模拟的园区交通控制方法，其特征在于，所述方法包括：
根据预设的区域关联规则，确定目标园区的目标交通控制设备对应的交通关联区域；所述根据预设的区域关联规则，确定目标园区的目标交通控制设备对应的交通关联区域，包括：
根据预设的设备和区域直接关联的规则，确定目标园区的目标交通控制设备对应的直接关联区域；
获取与所述直接关联区域直接连通的多个候选交通区域，计算每一所述候选交通区域和所述直接关联区域之间的区域关联参数，根据所述区域关联参数，从所述多个候选交通区域中确定出目标关联区域，得到间接关联区域；
以所述间接关联区域为直接关联区域重复上一步骤，确定出所述间接关联区域对应的目标关联区域，以得到一个新的间接关联区域；
重复上述步骤直至确定出的所有候选交通区域对应的所述区域关联参数均小于预设的参数阈值，将确定出的所有所述间接关联区域和所述直接关联区域，确定为目标园区的目标交通控制设备对应的交通关联区域；所述计算每一所述候选交通区域和所述直接关联区域之间的区域关联参数，包括：
对于每一所述候选交通区域，获取该候选交通区域与所述直接关联区域之间的相交边界的长度，以及获取该候选交通区域的历史交通堵塞记录；
计算该候选交通区域的历史交通堵塞记录中所述直接关联区域在预设的时间周期内存在堵塞的记录的占比；
计算与所述长度成正比的第一参数值，和与所述占比成正比的第二参数值；
计算所述第一参数值和所述第二参数值的乘积，得到该候选交通区域对应的区域关联参数；
获取所述交通关联区域对应的交通传感数据，根据所述交通传感数据，确定所述目标交通控制设备对应的控制指令；所述获取所述交通关联区域对应的交通传感数据，根据所述交通传感数据，确定所述目标交通控制设备对应的控制指令，包括：
将所述交通关联区域中的所述直接关联区域和所有所述间接关联区域，按照与所述目标交通控制设备的距离从小到大进行排列以得到区域链条；
获取所述区域链条中每一区域中的传感设备传输的交通传感数据；
将每一区域的所述交通传感数据输入至训练好的交通堵塞预测神经网络中，以得到每一区域对应的交通堵塞概率；所述交通堵塞预测神经网络通过包括有多个训练传感数据和对应的堵塞情况标注的训练数据集训练得到；
根据所述区域链条中每一区域对应的所述交通堵塞概率，确定所述目标交通控制设备对应的控制指令；所述根据所述区域链条中每一区域对应的所述交通堵塞概率，确定所述目标交通控制设备对应的控制指令，包括：
计算所述区域链条中所有区域对应的所述交通堵塞概率的平均值，得到第一概率参数；
判断所述第一概率参数是否大于第一参数阈值，得到第一判断结果；
若所述第一判断结果为是，确定所述目标交通控制设备对应的控制指令为间隔第一时间打开引流；所述第一时间与第一差值成反比；所述第一差值为所述第一概率参数和所述第一参数阈值之间的差值；
若所述第一判断结果为否，判断所述区域链条中是否存在连续的多个区域的所述交通堵塞概率符合预设的链条概率增长规则，得到第二判断结果；
若所述第二判断结果为否，确定所述目标交通控制设备对应的控制指令为保持现状；
若所述第二判断结果为是，确定所述目标交通控制设备对应的控制指令为间隔第二时间打开引流；所述第二时间与相似度参数成反比；所述相似度参数为符合所述链条概率增长规则的多个区域的所述交通堵塞概率与预设的堵塞概率模板之间的相似度；
根据所述目标园区中的所述目标交通控制设备对应的多个关联控制设备的控制指令，基于交通模拟算法，确定交通模拟结果；
根据所述交通模拟结果，修正所述目标交通控制设备对应的控制指令。
2.根据权利要求1所述的基于交通信息模拟的园区交通控制方法，其特征在于，所述交通传感数据包括图像数据、ETC感应数据、声音数据、车牌识别数据、人员打卡数据和员工设备定位数据。
3.根据权利要求1所述的基于交通信息模拟的园区交通控制方法，其特征在于，所述根据所述目标园区中的所述目标交通控制设备对应的多个关联控制设备的控制指令，基于交通模拟算法，确定交通模拟结果，包括：
将所述目标园区中的与所述目标交通控制设备之间的距离小于预设距离阈值的控制设备，确定为对应的多个关联控制设备；
获取每一所述关联控制设备对应的所述第一概率参数和所述控制指令；
将所有所述关联控制设备的所述第一概率参数和所述控制指令，输入至训练好的疏散效果预测神经网络模型中，以得到输出的预测疏散效果参数；所述疏散效果预测神经网络模型通过包括有多个训练关联设备的训练概率参数和训练控制指令以及对应的疏散效果标注的训练数据集训练得到。
4.根据权利要求3所述的基于交通信息模拟的园区交通控制方法，其特征在于，所述根据所述交通模拟结果，修正所述目标交通控制设备对应的控制指令，包括：
判断所述疏散效果参数是否大于预设的第二参数阈值，得到第三判断结果；
若所述第三判断结果为是，确定所述目标交通控制设备对应的控制指令为停止打开引流；
若所述第三判断结果为否，判断所述疏散效果参数是否大于预设的第三参数阈值，得到第四判断结果；所述第三参数阈值小于所述第二参数阈值；
若所述第四判断结果为是，增大所述目标交通控制设备对应的控制指令中打开引流的间隔时间；
若所述第四判断结果为否，减小所述目标交通控制设备对应的控制指令中打开引流的间隔时间。
5.一种基于交通信息模拟的园区交通控制系统，其特征在于，所述系统包括：
第一确定模块，用于根据预设的区域关联规则，确定目标园区的目标交通控制设备对应的交通关联区域；所述第一确定模块根据预设的区域关联规则，确定目标园区的目标交通控制设备对应的交通关联区域的具体方式，包括：
根据预设的设备和区域直接关联的规则，确定目标园区的目标交通控制设备对应的直接关联区域；
获取与所述直接关联区域直接连通的多个候选交通区域，计算每一所述候选交通区域和所述直接关联区域之间的区域关联参数，根据所述区域关联参数，从所述多个候选交通区域中确定出目标关联区域，得到间接关联区域；
以所述间接关联区域为直接关联区域重复上一步骤，确定出所述间接关联区域对应的目标关联区域，以得到一个新的间接关联区域；
重复上述步骤直至确定出的所有候选交通区域对应的所述区域关联参数均小于预设的参数阈值，将确定出的所有所述间接关联区域和所述直接关联区域，确定为目标园区的目标交通控制设备对应的交通关联区域；所述第一确定模块计算每一所述候选交通区域和所述直接关联区域之间的区域关联参数的具体方式，包括：
对于每一所述候选交通区域，获取该候选交通区域与所述直接关联区域之间的相交边界的长度，以及获取该候选交通区域的历史交通堵塞记录；
计算该候选交通区域的历史交通堵塞记录中所述直接关联区域在预设的时间周期内存在堵塞的记录的占比；
计算与所述长度成正比的第一参数值，和与所述占比成正比的第二参数值；
计算所述第一参数值和所述第二参数值的乘积，得到该候选交通区域对应的区域关联参数；
第二确定模块，用于获取所述交通关联区域对应的交通传感数据，根据所述交通传感数据，确定所述目标交通控制设备对应的控制指令；所述第二确定模块获取所述交通关联区域对应的交通传感数据，根据所述交通传感数据，确定所述目标交通控制设备对应的控制指令的具体方式，包括：
将所述交通关联区域中的所述直接关联区域和所有所述间接关联区域，按照与所述目标交通控制设备的距离从小到大进行排列以得到区域链条；
获取所述区域链条中每一区域中的传感设备传输的交通传感数据；
将每一区域的所述交通传感数据输入至训练好的交通堵塞预测神经网络中，以得到每一区域对应的交通堵塞概率；所述交通堵塞预测神经网络通过包括有多个训练传感数据和对应的堵塞情况标注的训练数据集训练得到；
根据所述区域链条中每一区域对应的所述交通堵塞概率，确定所述目标交通控制设备对应的控制指令；所述第二确定模块根据所述区域链条中每一区域对应的所述交通堵塞概率，确定所述目标交通控制设备对应的控制指令的具体方式，包括：
计算所述区域链条中所有区域对应的所述交通堵塞概率的平均值，得到第一概率参数；
判断所述第一概率参数是否大于第一参数阈值，得到第一判断结果；
若所述第一判断结果为是，确定所述目标交通控制设备对应的控制指令为间隔第一时间打开引流；所述第一时间与第一差值成反比；所述第一差值为所述第一概率参数和所述第一参数阈值之间的差值；
若所述第一判断结果为否，判断所述区域链条中是否存在连续的多个区域的所述交通堵塞概率符合预设的链条概率增长规则，得到第二判断结果；
若所述第二判断结果为否，确定所述目标交通控制设备对应的控制指令为保持现状；
若所述第二判断结果为是，确定所述目标交通控制设备对应的控制指令为间隔第二时间打开引流；所述第二时间与相似度参数成反比；所述相似度参数为符合所述链条概率增长规则的多个区域的所述交通堵塞概率与预设的堵塞概率模板之间的相似度；
第三确定模块，用于根据所述目标园区中的所述目标交通控制设备对应的多个关联控制设备的控制指令，基于交通模拟算法，确定交通模拟结果；
修正模块，用于根据所述交通模拟结果，修正所述目标交通控制设备对应的控制指令。
6.一种基于交通信息模拟的园区交通控制系统，其特征在于，所述系统包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-4任一项所述的基于交通信息模拟的园区交通控制方法。
CN202410045061.3A 2024-01-12 2024-01-12 一种基于交通信息模拟的园区交通控制方法及系统 Active CN117558135B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410045061.3A CN117558135B (zh) 2024-01-12 2024-01-12 一种基于交通信息模拟的园区交通控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410045061.3A CN117558135B (zh) 2024-01-12 2024-01-12 一种基于交通信息模拟的园区交通控制方法及系统

Publications (2)

Publication Number Publication Date
CN117558135A CN117558135A (zh) 2024-02-13
CN117558135B true CN117558135B (zh) 2024-04-09

Family

ID=89820915

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410045061.3A Active CN117558135B (zh) 2024-01-12 2024-01-12 一种基于交通信息模拟的园区交通控制方法及系统

Country Status (1)

Country Link
CN (1) CN117558135B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118587908A (zh) * 2024-08-08 2024-09-03 罗普特科技集团股份有限公司 一种基于ai车辆识别的小区车辆管理方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108831168A (zh) * 2018-06-01 2018-11-16 江苏数翰信息科技有限公司 一种基于关联路口视觉识别的交通信号灯控制方法与系统
CN111476191A (zh) * 2020-04-15 2020-07-31 陈建 基于智慧交通的人工智能图像处理方法及大数据云服务器
WO2023072190A1 (zh) * 2021-10-28 2023-05-04 暨南大学 基于vr的心脏手术模拟方法及装置
CN117173913A (zh) * 2023-09-18 2023-12-05 日照朝力信息科技有限公司 基于不同时段车流量分析的交通控制方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108831168A (zh) * 2018-06-01 2018-11-16 江苏数翰信息科技有限公司 一种基于关联路口视觉识别的交通信号灯控制方法与系统
CN111476191A (zh) * 2020-04-15 2020-07-31 陈建 基于智慧交通的人工智能图像处理方法及大数据云服务器
CN112200077A (zh) * 2020-04-15 2021-01-08 陈建 基于智慧交通的人工智能图像处理方法及系统
WO2023072190A1 (zh) * 2021-10-28 2023-05-04 暨南大学 基于vr的心脏手术模拟方法及装置
CN117173913A (zh) * 2023-09-18 2023-12-05 日照朝力信息科技有限公司 基于不同时段车流量分析的交通控制方法及系统

Also Published As

Publication number Publication date
CN117558135A (zh) 2024-02-13

Similar Documents

Publication Publication Date Title
CN117558135B (zh) 一种基于交通信息模拟的园区交通控制方法及系统
CN117235873B (zh) 基于历史工作记录的智慧家居布局方法及系统
CN118362131B (zh) 基于动态规划核查的航线数据处理方法及系统
CN117632905A (zh) 基于云端使用记录的数据库管理方法及系统
CN116453343A (zh) 智能网联环境下基于流量预测的智能交通信号控制优化算法、软件与系统
CN117615359B (zh) 基于多种规则引擎的蓝牙数据传输方法及系统
CN116205334A (zh) 电网负荷的智能预测方法及装置
CN116343080A (zh) 一种动态稀疏关键帧视频目标检测方法、装置及存储介质
CN116012776A (zh) 一种人数监测方法、装置、电子设备及可读存储介质
CN115081920A (zh) 考勤签到调度管理方法、系统、设备及存储介质
CN117077854B (zh) 基于传感器网络的楼宇能耗监控方法及系统
CN116758111B (zh) 基于ai算法的施工现场目标物追踪方法及装置
CN113085890A (zh) 自动驾驶车辆的行驶路径的调整方法及装置
CN116956155A (zh) 一种基于人工智能的污水处理智能加药方法及系统
CN113447037B (zh) 行程偏航检测方法及装置
CN116245492A (zh) 一种用于跟踪工程进度的数据处理方法及装置
CN115456430A (zh) 一种景区涨潮预警方法及系统
CN111951793B (zh) 唤醒词识别的方法、装置及存储介质
CN117475367B (zh) 基于多规则协调的污水图像处理方法及系统
CN117912456B (zh) 基于数据预测的语音识别方法及系统
CN115988034B (zh) 管道安全状态的智能化监测方法及系统、服务平台
CN117765721B (zh) 基于云平台的公路交易特情处理方法及系统
CN117523638B (zh) 基于优先级筛选的人脸识别方法及系统
CN116720644B (zh) 基于社会力模型和寻路算法的行人动态疏散方法及系统
CN118041577B (zh) 基于多重代理的家居数据传输方法及系统

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