CN112762954B - 一种路径规划方法及*** - Google Patents
一种路径规划方法及*** Download PDFInfo
- Publication number
- CN112762954B CN112762954B CN202011561630.8A CN202011561630A CN112762954B CN 112762954 B CN112762954 B CN 112762954B CN 202011561630 A CN202011561630 A CN 202011561630A CN 112762954 B CN112762954 B CN 112762954B
- Authority
- CN
- China
- Prior art keywords
- road
- road section
- sampled
- section
- typical
- 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
Images
Classifications
-
- 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
- G01C21/3461—Preferred or disfavoured areas, e.g. dangerous zones, toll or emission zones, intersections, manoeuvre types, segments such as motorways, toll roads, ferries
-
- 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
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本发明提供一种路径规划方法及***,方法包括:首先确定n个典型路段;然后令h=1;基于模糊推理方法计算第h个未采样路段与各个典型路段的相似度;根据第h个未采样路段与各典型路段的相似度计算第h个未采样路段对应的速度权重;根据第h个未采样路段对应的速度权重计算第h个未采样路段对应的道路阻抗;直到h=K,其中K为未采样路段的总个数;最后根据各未采样路段对应的道路阻抗规划行驶路径。本发明基于道路阻抗越大,安全性越低的原理有效避免陡坡、视野狭窄的路段,减少安全性差的道路通过机会,从而为驾驶员山区道路安全出行规划行驶路径。
Description
技术领域
本发明涉及路径规划技术领域,特别是涉及一种路径规划方法及***。
背景技术
近年来,随着汽车保有量的不断增加,公路交通中由机动车辆所产生的道路交通事故逐渐增多,道路交通安全形势日益严峻。山区道路所经过的区域环境复杂、防护缺乏、人烟稀少、道路狭窄,是交通事故发生的主要场所。目前,如何实现对山区复杂环境进行的安全行驶路径规划成为交通领域研究的热点。
发明内容
本发明的目的是提供一种路径规划方法及***,以规划安全行驶路径。
为实现上述目的,本发明提供了一种路径规划方法,所述路径规划方法包括:
S1:确定n个典型路段;
S2:令h=1;
S3:基于模糊推理方法计算第h个未采样路段与各个典型路段的相似度;
S4:根据第h个未采样路段与各典型路段的相似度计算第h个未采样路段对应的速度权重;
S5:根据第h个未采样路段对应的速度权重计算第h个未采样路段对应的道路阻抗;
S6:判断h是否小于K;如果h小于K,则令h=h+1,并返回“S3”;如果h大于或等于K,则执行“S7”;其中K为未采样路段的总个数;
S7:根据各未采样路段对应的道路阻抗规划行驶路径。
可选地,所述确定n个典型路段,具体包括:
S11:采集多个样本路段;所述样本路段包括m个道路属性值和速度权重;
S12:利用随机森林方法对多个样本路段进行分类并训练预测模型;
S13:根据所述预测模型计算各未采样路段的第一速度权重;
S14:依据各未采样路段的所述第一速度权重与多个样本路段的速度权重确定n个典型路段。
可选地,所述基于模糊推理方法计算第h个未采样路段与各个典型路段的相似度,具体公式为:
其中,Pj,h表示第h个未采样路段的第j个道路属性值,Si,h表示第h个未采样路段与第i个典型路段的相似度,k1和w1表示修正参数,Pjt,h表示第h个未采路段对应的各典型路段的第j个道路属性值,m为道路属性值的数量。
可选地,所述根据第h个未采样路段与各典型路段的相似度计算第h个未采样路段对应的速度权重,具体公式为:
其中,Wh表示第h个未采样路段对应的速度权重,Si,h表示第h个未采样路段与第i个典型路段的相似度,Wi,h表示第h个未采路段对应的第i个典型路段的速度权重。
可选地,所述根据第h个未采样路段对应的速度权重计算第h个未采样路段对应的道路阻抗,具体公式为:
其中,length* h表示第h个未采样路段对应的道路阻抗,lengthh表示第h个未采样路段对应的道路长度,w* h表示第h个未采样路段对应的限速值,Wh表示第h个未采样路段对应的速度权重。
可选地,所述根据各未采样路段对应的道路阻抗规划行驶路径,具体为:
选择各未采样路段对应的道路阻抗最小的路段作为行驶路径。
本发明还提供一种路径规划***,所述路径规划***包括:
典型路段确定模块,用于确定n个典型路段;
赋值模块,用于令h=1;
相似度确定模块,用于基于模糊推理方法计算第h个未采样路段与各个典型路段的相似度;
速度权重确定模块,用于根据第h个未采样路段与各典型路段的相似度计算第h个未采样路段对应的速度权重;
道路阻抗确定模块,用于根据第h个未采样路段对应的速度权重计算第h个未采样路段对应的道路阻抗;
判断模块,用于判断h是否小于K;如果h小于K,则令h=h+1,并返回“相似度确定模块”;如果h大于或等于K,则执行“规划模块”;其中K为未采样路段的总个数;
规划模块,用于根据各未采样路段对应的道路阻抗规划行驶路径。
可选地,所述典型路段确定模块还包括:
采集单元,用于采集多个样本路段;所述样本路段包括m个道路属性值和速度权重;
训练单元,用于利用随机森林方法对多个样本路段进行分类并训练预测模型;
第一速度权重计算单元,用于根据所述预测模型计算各未采样路段的第一速度权重;
比较单元,用于依据各未采样路段的所述第一速度权重与多个样本路段的速度权重确定n个典型路段。
可选地,所述基于模糊推理方法计算第h个未采样路段与各个典型路段的相似度,具体公式为:
其中,Pj,h表示第h个未采样路段的第j个道路属性值,Si,h表示第h个未采样路段与第i个典型路段的相似度,k1和w1表示修正参数,Pjt,h表示第h个未采路段对应的各典型路段的第j个道路属性值,m为道路属性值的数量。
可选地,所述根据第h个未采样路段与各典型路段的相似度计算第h个未采样路段对应的速度权重,具体公式为:
其中,Wh表示第h个未采样路段对应的速度权重,Si,h表示第h个未采样路段与第i个典型路段的相似度,Wi,h表示第h个未采路段对应的第i个典型路段的速度权重。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供一种路径规划方法及***,方法包括:首先确定n个典型路段;然后令h=1;基于模糊推理方法计算第h个未采样路段与各个典型路段的相似度;根据第h个未采样路段与各典型路段的相似度计算第h个未采样路段对应的速度权重;根据第h个未采样路段对应的速度权重计算第h个未采样路段对应的道路阻抗;直到h=K,其中K为未采样路段的总个数;最后根据各未采样路段对应的道路阻抗规划行驶路径。本发明基于道路阻抗越大,安全性越低的原理有效避免陡坡、视野狭窄的路段,减少安全性差的道路通过机会,从而为驾驶员山区道路安全出行规划行驶路径。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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为本发明实施例1路径规划方法流程图。
具体实施方式
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。
本发明的目的是提供一种路径规划方法及***,以规划安全行驶路径。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
图1为本发明实施例1路径规划方法流程图,如图1所示,所述路径规划方法包括:
S1:确定n个典型路段。
S2:令h=1。
S3:基于模糊推理方法计算第h个未采样路段与各个典型路段的相似度。
S4:根据第h个未采样路段与各典型路段的相似度计算第h个未采样路段对应的速度权重。
S5:根据第h个未采样路段对应的速度权重计算第h个未采样路段对应的道路阻抗。
S6:判断h是否小于K;如果h小于K,则令h=h+1,并返回“S3”;如果h大于或等于K,则执行“S7”;其中K为未采样路段的总个数。
S7:根据各未采样路段对应的道路阻抗规划行驶路径。
在本发明实施例中,所述确定n个典型路段,具体包括:
S11:采集多个样本路段;所述样本路段包括m个道路属性值和速度权重。在本发明实施例中,采集样本路段共242个,所述样本路段包括4个道路属性值,所述道路属性值包括:道路坡度因子,可视域因子,道路等级因子和道路起伏度因子。样本选取情况如表1。
表1
S12:利用随机森林方法对多个样本路段进行分类并训练预测模型。其中道路属性值为自变量,速度为因变量。部分样本路段数据示例如表2所示。
表2部分样本路段数据选取示例
S13:根据所述预测模型计算各未采样路段的第一速度权重。
S14:依据各未采样路段的所述第一速度权重与多个样本路段的速度权重确定n个典型路段;具体的,选取各样本路段的速度权重与各未采样路段的所述第一速度权重相比,在设定范围内的各样本路段作为典型路段。
在本发明实施例中,所述基于模糊推理方法计算第h个未采样路段与各个典型路段的相似度,具体公式为:
其中,Pj,h表示第h个未采样路段的第j个道路属性值,Si,h表示第h个未采样路段与第i个典型路段的相似度,k1和w1表示修正参数,Pjt,h表示第h个未采路段对应的各典型路段的第j个道路属性值,m为道路属性值的数量。
在本发明实施例中,所述根据第h个未采样路段与各典型路段的相似度计算第h个未采样路段对应的速度权重,具体公式为:
其中,Wh表示第h个未采样路段对应的速度权重,Si,h表示第h个未采样路段与第i个典型路段的相似度,Wi,h表示第h个未采路段对应的第i个典型路段的速度权重。
在本发明实施例中,所述根据第h个未采样路段对应的速度权重计算第h个未采样路段对应的道路阻抗,具体公式为:
其中,length* h表示第h个未采样路段对应的道路阻抗,lengthh表示第h个未采样路段对应的道路长度,w* h表示第h个未采样路段对应的限速值,Wh表示第h个未采样路段对应的速度权重。
在本发明实施例中,所述根据各未采样路段对应的道路阻抗规划行驶路径,具体为:
选择各未采样路段对应的道路阻抗最小的路段作为行驶路径。
实施例2
本发明还提供一种路径规划***,所述路径规划***包括:
典型路段确定模块,用于确定n个典型路段。
赋值模块,用于令h=1。
相似度确定模块,用于基于模糊推理方法计算第h个未采样路段与各个典型路段的相似度。
速度权重确定模块,用于根据第h个未采样路段与各典型路段的相似度计算第h个未采样路段对应的速度权重。
道路阻抗确定模块,用于根据第h个未采样路段对应的速度权重计算第h个未采样路段对应的道路阻抗。
判断模块,用于判断h是否小于K;如果h小于K,则令h=h+1,并返回“相似度确定模块”;如果h大于或等于K,则执行“规划模块”;其中K为未采样路段的总个数。
规划模块,用于根据各未采样路段对应的道路阻抗规划行驶路径。
在本发明实施例中,所述典型路段确定模块还包括:
采集单元,用于采集多个样本路段;所述样本路段包括m个道路属性值和速度权重;
训练单元,用于利用随机森林方法对多个样本路段进行分类并训练预测模型;
第一速度权重计算单元,用于根据所述预测模型计算各未采样路段的第一速度权重;
比较单元,用于依据各未采样路段的所述第一速度权重与多个样本路段的速度权重确定n个典型路段;具体的,选取各样本路段的速度权重与各未采样路段的所述第一速度权重相比,在设定范围内的各样本路段作为典型路段。
在本发明实施例中,所述基于模糊推理方法计算第h个未采样路段与各个典型路段的相似度,具体公式为:
其中,Pj,h表示第h个未采样路段的第j个道路属性值,Si,h表示第h个未采样路段与第i个典型路段的相似度,k1和w1表示修正参数,Pjt,h表示第h个未采路段对应的各典型路段的第j个道路属性值,m为道路属性值的数量。
在本发明实施例中,所述根据第h个未采样路段与各典型路段的相似度计算第h个未采样路段对应的速度权重,具体公式为:
其中,Wh表示第h个未采样路段对应的速度权重,Si,h表示第h个未采样路段与第i个典型路段的相似度,Wi,h表示第h个未采路段对应的第i个典型路段的速度权重。
本发明重点分析影响山区道路行驶安全的影响因子(道路属性值),基于安全性越低道路阻抗越高的原则,提出了考虑行驶安全性的权重赋值方法,并根据道路阻抗实现山区路径规划。本发明对典型路段的影响因子数据和安全行驶速度数据进行采样,基于随机森林分类的思想,构建安全行驶速度与影响因子之间的分类映射关系,避免了直接通过影响因子构造权重赋值函数的难题,并将模糊推理方法的模糊隶属度应用在未采样路段样本权重赋值上,结果较直接采样随机森林分类方法更为精确合理。实例验证结果表明,本发明提出的考虑安全性权重的赋值方法推荐的路径可以有效避免陡坡、视野狭窄的路段,减少安全性差的道路通过机会,从而为驾驶员山区道路安全出行提供科学参考。本发明对行驶路段的安全性进行判断并获取更合理的行驶路径。道路属性值的选择是开放的,可以根据研究区的实际情况将影响行驶安全的因子都纳入道路属性值中,影响道路行驶安全的因素分析的越清楚,就越能获取更安全合理的路径。针对不同类型的山区道路特征,揭示更加全面的影响安全性的因子值得进一步深入研究。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (5)
1.一种路径规划方法,其特征在于,所述路径规划方法包括:
S1:确定n个典型路段;
S2:令h=1;
S3:基于模糊推理方法计算第h个未采样路段与各个典型路段的相似度;具体公式为:
其中,Pj,h表示第h个未采样路段的第j个道路属性值,Si,h表示第h个未采样路段与第i个典型路段的相似度,k1和w1表示修正参数,Pjt,h表示第h个未采路段对应的各典型路段的第j个道路属性值,m为道路属性值的数量;
S4:根据第h个未采样路段与各典型路段的相似度计算第h个未采样路段对应的速度权重;具体公式为:
其中,Wh表示第h个未采样路段对应的速度权重,Si,h表示第h个未采样路段与第i个典型路段的相似度,Wi,h表示第h个未采路段对应的第i个典型路段的速度权重;
S5:根据第h个未采样路段对应的速度权重计算第h个未采样路段对应的道路阻抗;具体公式为:
其中,length* h表示第h个未采样路段对应的道路阻抗,lengthh表示第h个未采样路段对应的道路长度,w* h表示第h个未采样路段对应的限速值,Wh表示第h个未采样路段对应的速度权重;
S6:判断h是否小于K;如果h小于K,则令h=h+1,并返回“S3”;如果h大于或等于K,则执行“S7”;其中K为未采样路段的总个数;
S7:根据各未采样路段对应的道路阻抗规划行驶路径。
2.根据权利要求1所述的路径规划方法,其特征在于,所述确定n个典型路段,具体包括:
S11:采集多个样本路段;所述样本路段包括m个道路属性值和速度权重;
S12:利用随机森林方法对多个样本路段进行分类并训练预测模型;
S13:根据所述预测模型计算各未采样路段的第一速度权重;
S14:依据各未采样路段的所述第一速度权重与多个样本路段的速度权重确定n个典型路段。
3.根据权利要求1所述的路径规划方法,其特征在于,所述根据各未采样路段对应的道路阻抗规划行驶路径,具体为:
选择各未采样路段对应的道路阻抗最小的路段作为行驶路径。
4.一种路径规划***,其特征在于,所述路径规划***包括:
典型路段确定模块,用于确定n个典型路段;
赋值模块,用于令h=1;
相似度确定模块,用于基于模糊推理方法计算第h个未采样路段与各个典型路段的相似度;具体公式为:
其中,Pj,h表示第h个未采样路段的第j个道路属性值,Si,h表示第h个未采样路段与第i个典型路段的相似度,k1和w1表示修正参数,Pjt,h表示第h个未采路段对应的各典型路段的第j个道路属性值,m为道路属性值的数量;
速度权重确定模块,用于根据第h个未采样路段与各典型路段的相似度计算第h个未采样路段对应的速度权重;具体公式为:
其中,Wh表示第h个未采样路段对应的速度权重,Si,h表示第h个未采样路段与第i个典型路段的相似度,Wi,h表示第h个未采路段对应的第i个典型路段的速度权重;
道路阻抗确定模块,用于根据第h个未采样路段对应的速度权重计算第h个未采样路段对应的道路阻抗;具体公式为:
其中,length* h表示第h个未采样路段对应的道路阻抗,lengthh表示第h个未采样路段对应的道路长度,w* h表示第h个未采样路段对应的限速值,Wh表示第h个未采样路段对应的速度权重;
判断模块,用于判断h是否小于K;如果h小于K,则令h=h+1,并返回“相似度确定模块”;如果h大于或等于K,则执行“规划模块”;其中K为未采样路段的总个数;
规划模块,用于根据各未采样路段对应的道路阻抗规划行驶路径。
5.根据权利要求4所述的路径规划***,其特征在于,所述典型路段确定模块还包括:
采集单元,用于采集多个样本路段;所述样本路段包括m个道路属性值和速度权重;
训练单元,用于利用随机森林方法对多个样本路段进行分类并训练预测模型;
第一速度权重计算单元,用于根据所述预测模型计算各未采样路段的第一速度权重;
比较单元,用于依据各未采样路段的所述第一速度权重与多个样本路段的速度权重确定n个典型路段。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011561630.8A CN112762954B (zh) | 2020-12-25 | 2020-12-25 | 一种路径规划方法及*** |
ZA2021/09285A ZA202109285B (en) | 2020-12-25 | 2021-11-19 | Mountain road safety path planning method and system based on fuzzy random forest algorithm |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011561630.8A CN112762954B (zh) | 2020-12-25 | 2020-12-25 | 一种路径规划方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112762954A CN112762954A (zh) | 2021-05-07 |
CN112762954B true CN112762954B (zh) | 2021-11-02 |
Family
ID=75694402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011561630.8A Active CN112762954B (zh) | 2020-12-25 | 2020-12-25 | 一种路径规划方法及*** |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112762954B (zh) |
ZA (1) | ZA202109285B (zh) |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10314119A1 (de) * | 2003-03-28 | 2004-10-21 | Dieter Dr. Bastian | Verfahren zur Ermittlung eines integralen Risikopotentials für einen Verkehrsteilnehmer und Einrichtung zur Durchführung des Verfahrens |
US8478499B2 (en) * | 2010-06-07 | 2013-07-02 | Ford Global Technologies, Llc | System and method for vehicle speed monitoring using historical speed data |
CN104567898B (zh) * | 2013-10-17 | 2017-09-12 | ***通信集团公司 | 一种交通路线规划方法、***及装置 |
CN105808554B (zh) * | 2014-12-30 | 2019-09-24 | 高德软件有限公司 | 一种轨迹数据匹配方法和装置 |
WO2016132395A1 (en) * | 2015-02-18 | 2016-08-25 | Hitachi, Ltd. | Weight estimation system |
CN106932839B (zh) * | 2015-12-31 | 2019-01-18 | 中国石油天然气股份有限公司 | 一种对岩石密度和速度曲线调校的方法及装置 |
US10262530B2 (en) * | 2016-12-20 | 2019-04-16 | Cambridge Mobile Telematics | Determining customized safe speeds for vehicles |
CN107230389A (zh) * | 2017-07-26 | 2017-10-03 | 山西省交通科学研究院 | 一种山区多弯路段安全预警***及方法 |
US10474916B2 (en) * | 2017-11-20 | 2019-11-12 | Ashok Krishnan | Training of vehicles to improve autonomous capabilities |
CN108519095A (zh) * | 2018-03-08 | 2018-09-11 | 杭州后博科技有限公司 | 一种结合地理特征的导航路径危险系数计算***及方法 |
CN111798039B (zh) * | 2020-06-12 | 2022-08-16 | 河海大学 | 一种学生接送辅助*** |
-
2020
- 2020-12-25 CN CN202011561630.8A patent/CN112762954B/zh active Active
-
2021
- 2021-11-19 ZA ZA2021/09285A patent/ZA202109285B/en unknown
Also Published As
Publication number | Publication date |
---|---|
ZA202109285B (en) | 2022-03-30 |
CN112762954A (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108430069B (zh) | 一种v2x网络性能测试及综合评价分析方法 | |
CN110866677B (zh) | 一种基于基准化分析的驾驶人相对风险评价方法 | |
CN104809878B (zh) | 利用公交车gps数据检测城市道路交通异常状态的方法 | |
CN111680745B (zh) | 一种基于多源交通大数据融合的突发拥堵判别方法及*** | |
CN110796859A (zh) | 基于交通流的实时交通状态辨识及事故风险预警方法 | |
CN111428960B (zh) | 一种融合多源车载传感器信息的智能车辆驾驶性自动化评价方法 | |
CN111785023A (zh) | 一种车辆碰撞风险预警方法及*** | |
EP0789341A1 (de) | Fahrzeugautonome Detektion von Verkehrsstau | |
CN109002622B (zh) | 一种随机车流作用下大跨径桥梁总体荷载响应估算方法 | |
CN107953888B (zh) | 一种道路类型识别方法及*** | |
CN108001453B (zh) | 一种识别高能耗驾驶行为的方法及*** | |
CN103198711B (zh) | 一种降低不同严重程度交通事故概率的车辆调控方法 | |
CN114783183A (zh) | 一种基于交通态势算法的监控方法与*** | |
CN111695241A (zh) | 一种基于vissim仿真的左入匝道合流区加速车道长度确定方法 | |
CN113870564B (zh) | 一种封闭路段交通拥堵分类方法、***、电子设备及存储介质 | |
CN111563555A (zh) | 一种司机驾驶行为分析方法及*** | |
CN113753059B (zh) | 一种自动驾驶***下的驾驶人接管能力预测方法 | |
CN112991685A (zh) | 考虑驾驶人疲劳状态影响的交通***风险评估及预警方法 | |
CN113173175A (zh) | 一种车辆重量确定方法及装置 | |
CN114970943A (zh) | 一种高速公路事故类型与严重程度预测方法 | |
CN114550445B (zh) | 一种城市区域交通安全状态评估方法和装置 | |
Wang et al. | ARIMA Model and Few‐Shot Learning for Vehicle Speed Time Series Analysis and Prediction | |
CN112762954B (zh) | 一种路径规划方法及*** | |
CN109649399A (zh) | 一种基于横向行车速度的驾驶员分心判别方法 | |
CN112308136B (zh) | 一种基于SVM-Adaboost的驾驶分心检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |