CN114283584A - 一种智能网联环境下高速公路路况预测方法及计算机可读存储介质 - Google Patents
一种智能网联环境下高速公路路况预测方法及计算机可读存储介质 Download PDFInfo
- Publication number
- CN114283584A CN114283584A CN202111662681.4A CN202111662681A CN114283584A CN 114283584 A CN114283584 A CN 114283584A CN 202111662681 A CN202111662681 A CN 202111662681A CN 114283584 A CN114283584 A CN 114283584A
- Authority
- CN
- China
- Prior art keywords
- data
- activation function
- function value
- forming
- value
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000006855 networking Effects 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 65
- 230000004913 activation Effects 0.000 claims description 50
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- RXKJFZQQPQGTFL-UHFFFAOYSA-N dihydroxyacetone Chemical compound OCC(=O)CO RXKJFZQQPQGTFL-UHFFFAOYSA-N 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 description 6
- 238000011217 control strategy Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000011144 upstream manufacturing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请涉及智能交通领域,尤其涉及一种智能网联环境下高速公路的路况预测方法及计算机可读存储介质,其中。一种智能网联环境下高速公路路况预测方法,包括:获取到采集数据的状态下,对所述采集数据做预处理以形成一处理数据;根据所述处理数据构建一预测模型;接收外部输入的实时数据,根据所述实时数据于所述预测模型中形成一预测数据。
Description
技术领域
本申请涉及智能交通领域,尤其涉及一种智能网联环境下高速公路的路况预测方法及计算机可读存储介质。
背景技术
现有高速公路流量监控与预测方法,主要针对的是高速公路几何路段(以高速公路互通节点划分)或控制路段(例如以ETC门架所在检测断面划分),属于宏观层面,只能辅助高速公路管控中心坐席管理人员了解几何路段的交通流量情况。实际上高速公路相邻2个互通节点往往距离较远(十几公里甚至几十公里),ETC门架设立的目的主要是用于高速公路收费、实际分布相对稀疏且相邻间距并不统一,因此,以高速公路几何路段或控制路段为对象,在时空维度上无法支持在固定周期内、连续全覆盖、车道级的流量感知监测与预测,对于智能网联环境而言也就无法根据未来时刻交通流量的预测数据实现分车道的流量控制策略制定,包括但不限于自动驾驶专用车道的开启、货运车辆专用车道的开启、异常事件下的智能网联车辆协同换道流量引导等。本发明解决上述问题。
发明内容
针对上述技术缺陷,本发明提供一种智能网联环境下高速公路的路况预测方法及计算机可读存储介质,具体地:
一方面,本发明提供一种智能网联环境下高速公路路况预测方法,其中,包括:
获取到采集数据的状态下,对所述采集数据做预处理以形成一处理数据;
根据所述处理数据构建一预测模型;
接收外部输入的实时数据,根据所述实时数据于所述预测模型中形成一预测数据。
优选地,上述的一种智能网联环境下高速公路路况预测方法,其中:获取到采集数据的状态下,对所述采集数据做预处理以形成一处理数据具体包括:
所述采集数据至少包括采集路段当前时刻的实时数据,与当前时刻匹配的历史数据和影响数据;
对实时数据、与当前时刻匹配的历史数据做归一化处理以形成所述处理数据,以使得实时数据、与当前时刻匹配的历史数据被归一化至[0,1]之间。
优选地,上述的一种智能网联环境下高速公路路况预测方法,其中:根据所述处理数据构建一预测模型具体包括:
分别获取所述处理数据、上一个所述隐藏数据和输出初始数据;
根据所述处理数据、上一个隐藏数据形成基础模型;
训练所述基础模型以形成一补偿参数直至所述补偿参数匹配所述补偿阈值;
根据所述补偿参数调整所述基础模型以形成所述预测模型。
优选地,上述的一种智能网联环境下高速公路路况预测方法,其中:根据所述处理数据、上一个隐藏数据形成基础模型具体包括:
根据所述处理数据和前一个隐藏数据计算形成遗忘门激活函数值,于所述遗忘门激活函数值匹配预设阈值的状态下遗弃所述遗忘门激活函数值,于所述遗忘门激活函数值不匹配预设阈值的状态下保留所述遗忘门激活函数值;
根据所述处理数据和前一个隐藏数据计算形成输入门激活函数值,根据所述输入门激活函数值形成添加信息值;
根据所述处理数据、前一个隐藏数据、添加信息值计算形成与所述处理数据匹配时刻的激活函数值和隐藏数据;
根据隐藏数据计算形成所述基础模型。
优选地,上述的一种智能网联环境下高速公路路况预测方法,其中:根据所述处理数据和前一个隐藏数据计算形成遗忘门激活函数值,于所述遗忘门激活函数值匹配预设阈值的状态下遗弃所述遗忘门激活函数值,于所述遗忘门激活函数值不匹配预设阈值的状态下保留所述遗忘门激活函数值具体包括:
ft=σ(Wf[ht-1x’t])+bf
ft∈fy
其中:ht-1为t-1时刻的隐藏数据,x’t为t时刻经归一化处理后的实时数据;σ()为sigmoid函数,Wf为遗忘门权重,bf为遗忘偏置,ft为遗忘门激活函数值,fy为遗忘门激活函数阈值。
优选地,上述的一种智能网联环境下高速公路路况预测方法,其中:根据所述处理数据和前一个隐藏数据计算形成输入门激活函数值,根据所述输入门激活函数值形成添加信息值具体包括:
it=σ(Wi[ht-1x’t])+bi
C’t=tanh(Wc[ht-1x’t])+bc
Ct=ft·Ct-1+it·C’t
其中:it为需要记忆的信息,C’t为候选记忆单元用于更新记忆单元,Wi为输入门第一权重数据、Wc为输入门第二权重数据,bi为输入门第一偏置,bc为输入门第二偏置,σ()、tanh()为sigmoid函数、双曲正切函数。
优选地,上述的一种智能网联环境下高速公路路况预测方法,其中:根据所述处理数据、前一个隐藏数据、添加信息值计算形成与所述处理数据匹配时刻的激活函数值和隐藏数据具体包括:
ot=σ(Wo[ht-1x’t])+bo
ht=ot·tanhCt
ot与所述处理数据匹配时刻的激活函数值;ht与所述处理数据匹配时刻的隐藏数据。
优选地,上述的一种智能网联环境下高速公路路况预测方法,其中:根据隐藏数据计算形成所述基础模型,具体包括
yt=g(Wyhht+by)
其中:Wyh为输出权重,by为输出的偏置,g()为输出层的激活函数。
优选地,上述的一种智能网联环境下高速公路路况预测方法,其中:训练所述基础模型以形成一补偿参数直至所述补偿参数匹配所述补偿阈值,具体包括,
Lθ≤Ly
再一方面,本发明再提供一种计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现任一项所述的一种智能网联环境下高速公路路况预测方法.
本发明至少具备以下有益效果:
本发明的目的是提供一种智能网联环境下高速公路路况预测方法,利用高速公路沿线均匀布设的超视距雷达设备固定周期上报的车道级交通流量数据,细分到不同车道,搭建高速公路车道级流量监测特征体系,包括流量时变趋势、流量空间分布、车型构成比例、货车占比等,形成高速公路车道级流量特征画像,然后输入到高速公路车道级交通流量预测模型,将模型预测结果反馈至高速公路指挥中心坐席管控***,支撑智能网联环境下运营管理者制定下发车道级流量控制策略,解决高速公路智慧化管控决策支撑依据精细化不足的问题,提升高速公路通行效率与服务水平。
附图说明
图1为本发明实施例提供的一种智能网联环境下高速公路路况预测方法的流程示意图;
图2为本发明实施例提供的一种智能网联环境下高速公路路况预测方法的流程示意图;
图3为本发明实施例提供的一种智能网联环境下高速公路路况预测方法的流程示意图;
图4为本发明实施例提供的一种智能网联环境下高速公路路况预测方法的流程示意图。
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的一部分实施例,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。
实施例一
如图1-4所示,一种智能网联环境下高速公路路况预测方法,其中包括:
步骤S110、于获取到采集数据的状态下,对所述采集数据做预处理以形成一处理数据;
步骤S1101、所述采集数据至少包括采集路段当前时刻的实时数据,与当前时刻匹配的历史数据和影响数据。示意性地,
采集路段当前时刻的实时数据可为高速公路路侧安装的超视距毫米波雷达实时采集交通流数据作为输入数据,包括:
X=[x1,x2,…,xT];
xi=[qm-(d-1)/c,i,qm-(d-1)/c+1,i,…,qm+(d-1)/c,i];
其中,xi为时刻i监测路段m及其上下游监测路段的数组;
d为时刻i监测路段总数;c为上下游路段滑动个数;
qm-(d-1)/c,i为时刻i第m-(d-1)/c段车道的车辆数量;
qm-(d-1)/c,i为r维向量,r为路段m的车道数。
与当前时刻匹配的历史数据可为高速公路路侧安装的超视距毫米波雷达采集历史交通流数据,包括:
X-w为预测日前w天的交通流数据;
xi,-w为预测日前w天时刻i监测路段及其上下游监测路段的输入。
与当前时刻匹配的历史数据的影响数据可为包括天气信息,事故/事件信息,工作日/节假日,包括:
bi为事故/事件信息,r维0-1变量,bi,r=1第r根车道发生事故/事件、bi,r=0第r根车道未发生事故/事件;
ci为工作日/节假日信息,0-1变量,ci=1工作日、ci=0节假日,上述的影响数据的范围在[0、1]。
步骤S1102、对实时数据、与当前时刻匹配的历史数据做归一化处理以形成所述处理数据,以使得实时数据、与当前时刻匹配的历史数据和影响数据被归一化至[0,1]之间。
例如采用最大-最小归一化方法将每个实时数据和历史数据归一化到[0,1]区间形成所述处理数据。
步骤S120、根据所述处理数据构建一预测模型;具体包括:
步骤S1201、分别获取所述处理数据、上一个所述隐藏数据和输出初始数据,在首次计算过程中,对所述隐藏数据设置有隐藏初始数据,输出数据设置有输出初始数据;
其中,所述处理数据可记为X’t=[x’1,x’2,…,x’T],隐藏数据集记为h=[h1,h2,…,hT]、输出数据记为y=[y1,y2,…,yT],x’t为t时刻的归一化处理会的处理数据,x’1~x’t为归一化处理后的所述处理数据,yt为t时刻的输出,ht为t时刻的隐藏状态。
步骤S1202、根据所述处理数据、上一个隐藏数据形成基础模型,具体包括:
步骤S12021、根据所述处理数据和前一个隐藏数据计算形成遗忘门激活函数值,于所述遗忘门激活函数值匹配预设阈值的状态下遗弃所述遗忘门激活函数值,于所述遗忘门激活函数值不匹配预设阈值的状态下保留所述遗忘门激活函数值;例如:
根据x’t和ht-1计算遗忘门激活函数值ft,确定是否删除遗忘门激活函数值ft,
ft=σ(Wf[ht-1x’t])+bf
其中:ht-1为t-1时刻的隐藏数据,x’t为t时刻经归一化处理后的实时数据;σ()为sigmoid函数,Wf为遗忘门权重,bf为遗忘偏置,ft为遗忘门激活函数值;
需要说明的是:预设阈值一般流量预测是根据历史时段对当前时刻的影响程度来判断的,例如实时数据以5分钟上报为例,可能考虑前面3个“5分钟”(历史时段)的实时数据形成所述预设阈值。
步骤S12022、根据所述处理数据和前一个隐藏数据计算形成输入门激活函数值,根据所述输入门激活函数值形成添加信息值。例如:根据x’t和ht-1计算输入门激活函数值(it、C’t),根据输入门激活函数值(it、C’t)形成添加信息值,
it=σ(Wi[ht-1x’t])+bi
C’t=tanh(Wc[ht-1x’t])+bc
Ct=ft·Ct-1+it·C’t
其中:it为需要记忆的信息,C’t为候选记忆单元用于更新记忆单元,Wi为输入门第一权重数据、Wc为输入门第二权重数据,bi为输入门第一偏置,bc为输入门第二偏置,σ()、tanh()为sigmoid函数、双曲正切函数。
步骤S12023、根据所述处理数据、前一个隐藏数据、添加信息值计算形成与所述处理数据匹配时刻的激活函数值和隐藏数据;
ot=σ(Wo[ht-1x’t])+bo
ht=ot·tanhCt
ot与所述处理数据匹配时刻的激活函数值;ht与所述处理数据匹配时刻的隐藏数据。
步骤S12024、根据隐藏数据计算形成所述基础模型,例如,
yt=g(Wyhht+by)
其中:Wyh为输出权重,by为输出的偏置,g()为输出层的激活函数。
步骤S1203、训练所述基础模型以形成一补偿参数直至所述补偿参数匹配所述补偿阈值;
例如采用BPTT算法对模型进行训练,损失函数采用均方根误差
Lθ≤Ly
步骤S1204、根据所述补偿参数调整所述基础模型以形成所述预测模型。
通过上述预测模型,输入当前监测路段当前时刻的交通流数据以及历史数据、影响因素数据,利用训练好的预测模型(LSTM-RNN模型)进行预测,模型预测结果作为下一时刻的流量数据,同步更新流量时变趋势、流量空间分布车型构成比例、货车占比等车道级流量监测特征体系,反馈至高速公路指挥中心坐席管控***,支撑智能网联环境下运营管理者制定下发车道级流量控制策略。
另外,若本发明实施例中有涉及“第一”、“第二”等的描述,则该“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,全文中出现的“和/或”的含义,包括三个并列的方案,以“A和/或B”为例,包括A方案、或B方案、或A和B同时满足的方案。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种智能网联环境下高速公路路况预测方法,其特征在于,包括:
获取到采集数据的状态下,对所述采集数据做预处理以形成一处理数据;
根据所述处理数据构建一预测模型;
接收外部输入的实时数据,根据所述实时数据于所述预测模型中形成一预测数据。
2.根据权利要求1所述的一种智能网联环境下高速公路路况预测方法,其特征在于:获取到采集数据的状态下,对所述采集数据做预处理以形成一处理数据具体包括:
所述采集数据至少包括采集路段当前时刻的实时数据,与当前时刻匹配的历史数据和影响数据;
对实时数据、与当前时刻匹配的历史数据做归一化处理以形成所述处理。
3.根据权利要求1所述的一种智能网联环境下高速公路路况预测方法,其特征在于:根据所述处理数据构建一预测模型具体包括:
分别获取所述处理数据、上一个所述隐藏数据;
根据所述处理数据、上一个隐藏数据形成基础模型;
训练所述基础模型以形成一补偿参数直至所述补偿参数匹配所述补偿阈值;
根据所述补偿参数调整所述基础模型以形成所述预测模型。
4.根据权利要求3所述的一种智能网联环境下高速公路路况预测方法,其特征在于:根据所述处理数据、上一个隐藏数据形成基础模型具体包括:
根据所述处理数据和前一个隐藏数据计算形成遗忘门激活函数值,于所述遗忘门激活函数值匹配预设阈值的状态下遗弃所述遗忘门激活函数值,于所述遗忘门激活函数值不匹配预设阈值的状态下保留所述遗忘门激活函数值;
根据所述处理数据和前一个隐藏数据计算形成输入门激活函数值,根据所述输入门激活函数值形成添加信息值;
根据所述处理数据、前一个隐藏数据、添加信息值计算形成与所述处理数据匹配时刻的激活函数值和隐藏数据;
根据隐藏数据计算形成所述基础模型。
6.根据权利要求5所述的一种智能网联环境下高速公路路况预测方法,其特征在于,根据所述处理数据和前一个隐藏数据计算形成输入门激活函数值,根据所述输入门激活函数值形成添加信息值具体包括:
it=σ(Wi[ht-1x’t])+bi
C’t=tanh(Wc[ht-1x’t])+bc
Ct=ft·Ct-1+it·C’t
其中:it为需要记忆的信息,C’t为候选记忆单元用于更新记忆单元,Wi为输入门第一权重数据、Wc为输入门第二权重数据,bi为输入门第一偏置,bc为输入门第二偏置,σ()、tanh()为sigmoid函数、双曲正切函数。
7.根据权利要求6所述的一种智能网联环境下高速公路路况预测方法,其特征在于,根据所述处理数据、前一个隐藏数据、添加信息值计算形成与所述处理数据匹配时刻的激活函数值和隐藏数据具体包括:
ot=σ(Wo[ht-1x’t])+bo
ht=ot·tanhCt
ot与所述处理数据匹配时刻的激活函数值;ht与所述处理数据匹配时刻的隐藏数据。
8.根据权利要求6所述的一种智能网联环境下高速公路路况预测方法,其特征在于,根据隐藏数据计算形成所述基础模型,具体包括
yt=g(Wyhht+by)
其中:Wyh为输出权重,by为输出的偏置,g()为输出层的激活函数。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1~9中任一项所述的一种智能网联环境下高速公路路况预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111662681.4A CN114283584A (zh) | 2021-12-31 | 2021-12-31 | 一种智能网联环境下高速公路路况预测方法及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111662681.4A CN114283584A (zh) | 2021-12-31 | 2021-12-31 | 一种智能网联环境下高速公路路况预测方法及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114283584A true CN114283584A (zh) | 2022-04-05 |
Family
ID=80879192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111662681.4A Pending CN114283584A (zh) | 2021-12-31 | 2021-12-31 | 一种智能网联环境下高速公路路况预测方法及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114283584A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109448369A (zh) * | 2018-10-26 | 2019-03-08 | 中交第公路勘察设计研究院有限公司 | 高速公路实时运行风险计算方法 |
CN109859469A (zh) * | 2019-02-15 | 2019-06-07 | 重庆邮电大学 | 一种基于集成lstm神经网络的车流量预测方法 |
CN110070713A (zh) * | 2019-04-15 | 2019-07-30 | 浙江工业大学 | 一种基于双向嵌套lstm神经网络的交通流预测方法 |
CN110675623A (zh) * | 2019-09-06 | 2020-01-10 | 中国科学院自动化研究所 | 基于混合深度学习的短时交通流量预测方法、***、装置 |
CN111292525A (zh) * | 2019-12-30 | 2020-06-16 | 南京艾特斯科技有限公司 | 基于神经网络的交通流预测方法 |
KR20210064939A (ko) * | 2019-11-26 | 2021-06-03 | 광운대학교 산학협력단 | 심층 순환신경망 기반 에너지 사용 예측과 부하 제어 장치 및 방법 |
CN112906945A (zh) * | 2021-01-27 | 2021-06-04 | 昭通亮风台信息科技有限公司 | 一种交通流量预测方法、***及计算机可读存储介质 |
CN113240182A (zh) * | 2021-05-19 | 2021-08-10 | 广州广电运通金融电子股份有限公司 | 复杂路网下的短时交通流量预测方法、存储介质和*** |
-
2021
- 2021-12-31 CN CN202111662681.4A patent/CN114283584A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109448369A (zh) * | 2018-10-26 | 2019-03-08 | 中交第公路勘察设计研究院有限公司 | 高速公路实时运行风险计算方法 |
CN109859469A (zh) * | 2019-02-15 | 2019-06-07 | 重庆邮电大学 | 一种基于集成lstm神经网络的车流量预测方法 |
CN110070713A (zh) * | 2019-04-15 | 2019-07-30 | 浙江工业大学 | 一种基于双向嵌套lstm神经网络的交通流预测方法 |
CN110675623A (zh) * | 2019-09-06 | 2020-01-10 | 中国科学院自动化研究所 | 基于混合深度学习的短时交通流量预测方法、***、装置 |
KR20210064939A (ko) * | 2019-11-26 | 2021-06-03 | 광운대학교 산학협력단 | 심층 순환신경망 기반 에너지 사용 예측과 부하 제어 장치 및 방법 |
CN111292525A (zh) * | 2019-12-30 | 2020-06-16 | 南京艾特斯科技有限公司 | 基于神经网络的交通流预测方法 |
CN112906945A (zh) * | 2021-01-27 | 2021-06-04 | 昭通亮风台信息科技有限公司 | 一种交通流量预测方法、***及计算机可读存储介质 |
CN113240182A (zh) * | 2021-05-19 | 2021-08-10 | 广州广电运通金融电子股份有限公司 | 复杂路网下的短时交通流量预测方法、存储介质和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8948995B2 (en) | Preceding vehicle state prediction | |
Seo et al. | Traffic state estimation with the advanced probe vehicles using data assimilation | |
CN107194491A (zh) | 一种基于公交客流和站间行程时间预测的动态调度方法 | |
CN106710215B (zh) | 瓶颈上游车道级交通状态预测***及实现方法 | |
CN112382095A (zh) | 一种多源数据融合的城市快速路交通状态估计方法 | |
EP3323669B1 (en) | Vehicle control unit (vcu) and operating method thereof | |
CN110288826B (zh) | 基于多源数据融合和milp的交通控制子区聚类划分方法 | |
CN108830488B (zh) | 一种道路区域危险度评估方法 | |
CN112819213B (zh) | 基于深度学习网络的高速公路货运量预测方法及*** | |
CN115675098B (zh) | 基于用户特征差异的智能网联汽车动能回收***、方法、设备及存储介质 | |
CN107978148A (zh) | 一种基于多源交通数据动态可靠性的交通状态预测方法 | |
WO2016107876A1 (en) | Vehicular motion monitoring method | |
CN115063990A (zh) | 一种混合交通流环境高速公路瓶颈路段动态限速控制方法 | |
CN116597642A (zh) | 一种交通拥堵状况的预测方法及*** | |
CN112906945A (zh) | 一种交通流量预测方法、***及计算机可读存储介质 | |
Tu et al. | Research on intelligent calculation method of intelligent traffic flow index based on big data mining | |
Long et al. | Research on Decision‐Making Behavior of Discretionary Lane‐Changing Based on Cumulative Prospect Theory | |
CN116596380A (zh) | 高速公路施工组织方案和管控方案的优化确定方法、平台、设备及介质 | |
CN114187766A (zh) | 一种基于饱和率的道路服务水平评价方法 | |
CN114418606A (zh) | 基于时空卷积网络的网约车订单需求预测方法 | |
CN116434523A (zh) | 信息感知场景下基于约束度的车辆主动安全管控方法及装置 | |
Shen | Freeway travel time estimation and prediction using dynamic neural networks | |
CN114549075A (zh) | 一种基于停车和视频大数据的区域停车评价方法 | |
CN114283584A (zh) | 一种智能网联环境下高速公路路况预测方法及计算机可读存储介质 | |
CN111175852B (zh) | 一种基于长短时记忆算法的机场大雾预报预警方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220405 |
|
RJ01 | Rejection of invention patent application after publication |