CN117351714A - 基于车联网的智能交通流优化方法及*** - Google Patents
基于车联网的智能交通流优化方法及*** Download PDFInfo
- Publication number
- CN117351714A CN117351714A CN202311318560.7A CN202311318560A CN117351714A CN 117351714 A CN117351714 A CN 117351714A CN 202311318560 A CN202311318560 A CN 202311318560A CN 117351714 A CN117351714 A CN 117351714A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- road
- vehicles
- running
- target
- 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 49
- 238000005457 optimization Methods 0.000 title description 32
- 230000008859 change Effects 0.000 claims description 40
- 238000004891 communication Methods 0.000 claims description 31
- 230000003068 static effect Effects 0.000 claims description 24
- 238000013523 data management Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 14
- 230000006855 networking Effects 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 13
- 238000004088 simulation Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 32
- 230000009286 beneficial effect Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
-
- 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
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了基于车联网的智能交通流优化方法及***，其方法包括：基于车联网获取目标道路的道路拓扑结构以及目标道路中的车辆运行状态参数，并对车辆运行状态参数进行解析，确定目标道路中的车流运行特征以及不同车辆的驾驶行为特征；基于车辆运行要求构建车辆协调控制模型，并基于车辆协调控制模型对道路拓扑结构、车流运行特征以及每一车辆的驾驶行为特征进行分析，确定多车辆无冲突运行轨迹；基于多车辆无冲突运行轨迹生成对不同车辆的动态引导图，并基于车联网将动态引导图下发至对应车辆终端进行运行路线提醒。保障了对目标道路上交通流优化的准确性和可靠性，也提高了车辆在目标道路上的运行效率，缓解了交通压力。
Description
技术领域
本发明涉及道路监控及数据处理技术领域，特别涉及一种基于车联网的智能交通流优化方法及***。
背景技术
车联网是车辆上的车载设备通过无线通信技术，对信息网络平台中的所有车辆动态信息进行有效利用，在车辆运行中提供不同的功能服务，随着生活水平的不断提高，越来越多的人选择自驾出行，车联网的出现为用户出行提供了极大的便利；
但是，目前车辆上所用的车联网大都侧重对自身功能的研发，例如防碰撞、近距离跟车预警等功能，目前并未将车联网应用至交通流优化领域，且目前所用的交通流优化方法大都采用交通广播或人为疏通等手段，且均是在发生交通拥挤后才能发现，导致对交通留优化效果大大降低，同时，不能向不同车辆发出明确的行进路线指引，大大降低了对交通流优化的效果，也降低了车辆的行驶效率；
因此，为了克服上述缺陷，本发明提供了一种基于车联网的智能交通流优化方法及***。
发明内容
本发明提供一种基于车联网的智能交通流优化方法及***，用以通过车联网对目标道路的道路拓扑结构和目标道路上不同车辆的运行状态参数进行分析，实现对目标道路上的车流运行特征和不同车辆的驾驶行为特征进行准确有效的确定，为进行交通流优化提供了便利与保障，其次，通过构建的车辆协调控制模型对得到的道路拓扑结构、车流运行特征以及每一车辆的驾驶行为特征进行分析，实现对多车辆无冲突运行轨迹进行确定，确保多车辆能够在目标道路上有序前进，最后，根据多车辆无冲突运行轨迹生成动态引导图，并将动态引导图下发至对应的车辆终端，保障了对目标道路上交通流优化的准确性和可靠性，也提高了车辆在目标道路上的运行效率，缓解了交通压力。
本发明提供了一种基于车联网的智能交通流优化方法，包括：
步骤1：基于车联网获取目标道路的道路拓扑结构以及目标道路中的车辆运行状态参数，并对车辆运行状态参数进行解析，确定目标道路中的车流运行特征以及不同车辆的驾驶行为特征；
步骤2：基于车辆运行要求构建车辆协调控制模型，并基于车辆协调控制模型对道路拓扑结构、车流运行特征以及每一车辆的驾驶行为特征进行分析，确定多车辆无冲突运行轨迹；
步骤3：基于多车辆无冲突运行轨迹生成对不同车辆的动态引导图，并基于车联网将动态引导图下发至对应车辆终端进行运行路线提醒。
优选的，一种基于车联网的智能交通流优化方法，步骤1中，基于车联网获取目标道路的道路拓扑结构，包括：
基于数据管理平台根据车联网获取目标道路上不同车辆的道路行驶录像，并对不同车辆的道路行驶录像进行分割，得到道路行驶录像的静态帧图像集合；
提取静态帧图像集合中每一静态帧图像中的图像特征，并基于图像特征对静态帧图像进行去重，得到标准静态帧图像集合；
基于图像特征确定相邻标准静态帧图像，并基于图像特征确定相邻标准静态帧图像的重叠区域，且将重叠区域作为图像拼接边界将相邻标准静态帧图像进行拼接；
基于拼接结果得到目标道路的完整道路图像，并基于完整道路图像确定目标道路的道路拓扑结构。
优选的，一种基于车联网的智能交通流优化方法，基于完整道路图像确定目标道路的道路拓扑结构，包括：
获取得到的目标道路的完整道路图像，并提取完整道路图像中的目标道路主体，并对目标道路主体进行特征遍历，确定目标道路对应的主道路和支路；
基于遍历结果在完整道路图像中对目标道路中主道路和支路的分叉点进行标注，并基于标注结果得到目标道路的第一道路拓扑结构；
同时，基于标准结果获取目标道路中主道路和支路的道路基本参数，并基于道路基本参数得到目标道路中主道路和支路对应的车道数量以及弯道数量，且基于车道数量以及弯道数量得到目标道路的第二道路拓扑结构；
对第一道路拓扑结构和第二道路拓扑结构进行汇总，并基于汇总结果得到目标道路最终的道路拓扑结构。
优选的，一种基于车联网的智能交通流优化方法，步骤1中，基于车联网获取目标道路的道路拓扑结构以及目标道路中的车辆运行状态参数，包括：
获取数据管理平台的配置信息，并基于配置信息在数据管理平台中对车辆中的车载终端分配通信端口；
基于通信端口构建目标道路中车辆的车载终端与数据管理平台的无线通讯链路，并基于无线通讯链路将车辆的车联网数据传输至数据管理平台，同时，实时监测通信端口在单位时间内的数据通讯特征，并基于数据通讯特征确定单位时间内的车联网数据上传量，且当单位时间内的车联网数据上传量大于预设阈值时，对通信端口进行扩充，基于扩充结果实时接收车辆的车联网数据；
基于数据管理平台对获取到的车联网数据进行解析，得到车联网数据对应的数据源，并基于数据源的身份标签对车联网数据进行标记，且基于标记结果得到目标道路中的车辆运行状态参数。
优选的，一种基于车联网的智能交通流优化方法，步骤1中，对车辆运行状态参数进行解析，确定目标道路中的车流运行特征以及不同车辆的驾驶行为特征，包括：
获取目标道路中的预设参照点，并对得到的车辆运行状态参数进行解析，且基于预设参照点的属性信息对车辆运行状态参数的解析结果进行特征筛选，得到与预设参照点相关的目标解析结果；
基于目标解析结果确定单位时间内通过预设参照点的车辆数目以及每一车辆的行驶速度，并基于车辆数目以及每一车辆的行驶速度确定车辆在目标道路上的平均车速；
获取道路路况对交通流的影响系数，并分别确定车辆数目、平均车速以及道路路况对交通流的影响系数对车流运行特征的影响权重，且基于影响权重对车辆数目、平均车速以及道路路况对交通流的影响系数进行综合分析，得到目标道路中的车流运行特征。
优选的，一种基于车联网的智能交通流优化方法，步骤1中，对车辆运行状态参数进行解析，确定目标道路中的车流运行特征以及不同车辆的驾驶行为特征，包括：
获取得到的车辆运行状态参数，并对车辆运行状态参数进行解析，确定不同车辆在目标道路上的全局行驶数据，且基于全局行驶数据确定不同车辆在目标道路上的提速次数、提速点、变道频率以及速度变化特征；
基于提速次数、提速点、变道频率以及速度变化特征得到不同车辆的驾驶行为特征。
优选的，一种基于车联网的智能交通流优化方法，步骤2中，基于车辆运行要求构建车辆协调控制模型，并基于车辆协调控制模型对道路拓扑结构、车流运行特征以及每一车辆的驾驶行为特征进行分析，确定多车辆无冲突运行轨迹，包括：
获取车辆运行要求，并基于车辆运行要求确定车辆在道路上行驶时的安全指标，且基于安全指标对服务器中的预设数据库进行检索，得到车辆在道路上的历史车辆行驶数据；
对历史车辆行驶数据进行解析，确定车辆在道路上的行驶事件，并基于行驶事件确定车辆在道路上安全行驶时对应的基准驾驶参数，且基于基准驾驶参数以及基准道路交通规则对预设卷积神经网络进行训练，得到车辆协调控制模型；
基于车辆协调控制模型对道路拓扑结构、车流运行特征以及每一车辆的驾驶行为特征进行分析，得到目标道路上各车辆的车速-位置-时间关系，并基于预设仿真模型根据各车辆的车速-位置-时间关系对不同车辆的行驶状态进行仿真模拟，得到不同车辆在当前时刻对应的驾驶状态，其中，驾驶状态包括行驶速度、行驶位置、与前车的跟车距离、换道位置以及换道时间点；
基于不同车辆在当前时刻对应的驾驶状态对相应车辆在目标时间段后的驾驶状态进行动态跟踪，并基于动态跟踪结果得到不同车辆在不同时刻对应的目标驾驶状态；
对不同车辆在不同时刻对应的目标驾驶状态进行汇总，得到各车辆在目标道路上的多车辆无冲突运行轨迹。
优选的，一种基于车联网的智能交通流优化方法，步骤3中，基于多车辆无冲突运行轨迹生成对不同车辆的动态引导图，包括：
获取得到的多车辆无冲突运行轨迹，并将得到的多车辆无冲突运行轨迹进行分割，得到不同车辆在目标道路上的目标运行轨迹，且基于目标运行轨迹得到基础引导图；
确定车辆在目标运行轨迹上的运行方向，并基于运行方向从指引图标库中调取方向指引图标，且将方向指引图标在基础引导图上进行第一动态显示；
确定车辆在目标运行轨迹上的驾驶状态变更点以及每一驾驶状态变更点对应的驾驶特征，并基于驾驶特征从指引图标库中调取驾驶状态变更指引图标，且将驾驶状态变更指引图标在基础引导图上的驾驶状态变更点进行第二动态显示；
将第一动态显示和第二动态显示在基础引导图上进行汇总，并基于汇总结果得到不同车辆的动态引导图。
优选的，一种基于车联网的智能交通流优化方法，步骤3中，基于车联网将动态引导图下发至对应车辆终端进行运行路线提醒，包括：
获取得到的动态引导图，并基于引导特征对相应动态引导图添加终端身份标签；
基于添加结果根据终端身份标签和车联网将动态引导图分布式下发至对应车辆终端，并基于车辆终端对接收到的动态引导图进行格式转换；
将格式转换后的动态指引图在车辆终端上进行显示，并基于显示结果向车辆驾驶员发送运行路线提醒，且基于提醒结果以及车辆运行状态对车辆终端上的动态引导图的工作状态进行实时更新。
本发明提供了，一种基于车联网的智能交通流优化***，包括：
特征确定模块，用于基于车联网获取目标道路的道路拓扑结构以及目标道路中的车辆运行状态参数，并对车辆运行状态参数进行解析，确定目标道路中的车流运行特征以及不同车辆的驾驶行为特征；
轨迹确定模块，用于基于车辆运行要求构建车辆协调控制模型，并基于车辆协调控制模型对道路拓扑结构、车流运行特征以及每一车辆的驾驶行为特征进行分析，确定多车辆无冲突运行轨迹；
线路引导模块，用于基于多车辆无冲突运行轨迹生成对不同车辆的动态引导图，并基于车联网将动态引导图下发至对应车辆终端进行运行路线提醒。
与现有技术相比，本发明的有益效果如下：
1.通过车联网对目标道路的道路拓扑结构和目标道路上不同车辆的运行状态参数进行分析，实现对目标道路上的车流运行特征和不同车辆的驾驶行为特征进行准确有效的确定，为进行交通流优化提供了便利与保障，其次，通过构建的车辆协调控制模型对得到的道路拓扑结构、车流运行特征以及每一车辆的驾驶行为特征进行分析，实现对多车辆无冲突运行轨迹进行确定，确保多车辆能够在目标道路上有序前进，最后，根据多车辆无冲突运行轨迹生成动态引导图，并将动态引导图下发至对应的车辆终端，保障了对目标道路上交通流优化的准确性和可靠性，也提高了车辆在目标道路上的运行效率，缓解了交通压力。
2.通过对车辆运行要求进行分析，实现对车辆在道路上行驶时的安全指标进行有效确定，并根据安全指标从服务器中获取车辆在道路上的历史车辆行驶数据，其次，对获取到的历史车辆行驶数据进行分析，实现对车辆在道路上安全行驶时对应的基准驾驶参数进行准确获取，并根据获取到的基准驾驶参数以及基准道路交通规则对预设卷积神经网络进行训练，实现对车辆协调控制模型进行准确有效的构建，最后，通过构建的车辆协调控制模型对道路拓扑结构、车流运行特征以及每一车辆的驾驶行为特征进行分析，实现对目标道路上的多车辆无冲突运行轨迹进行准确有效的制定，为进行交通流优化提供了可靠的支撑，保障了对交通流优化的效率和准确率，也提高了车辆在道路上的行车效率。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种基于车联网的智能交通流优化方法的流程图；
图2为本发明实施例中一种基于车联网的智能交通流优化方法中步骤1的流程图；
图3为本发明实施例中一种基于车联网的智能交通流优化***的结构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1：
本实施例提供了一种基于车联网的智能交通流优化方法，如图1所示，包括：
步骤1：基于车联网获取目标道路的道路拓扑结构以及目标道路中的车辆运行状态参数，并对车辆运行状态参数进行解析，确定目标道路中的车流运行特征以及不同车辆的驾驶行为特征；
步骤2：基于车辆运行要求构建车辆协调控制模型，并基于车辆协调控制模型对道路拓扑结构、车流运行特征以及每一车辆的驾驶行为特征进行分析，确定多车辆无冲突运行轨迹；
步骤3：基于多车辆无冲突运行轨迹生成对不同车辆的动态引导图，并基于车联网将动态引导图下发至对应车辆终端进行运行路线提醒。
该实施例中，目标道路指的是当前需要进行交通流优化的道路，且至少为一条道路。
该实施例中，道路拓扑结构指的是目标道路包含的主路和支路，主路与之路之间的交叉口以及目标道路的形状以及道路尺寸参数等。
该实施例中，车辆运行状态参数指的是车辆在目标道路上的运行速度、运行位置以及与周围车辆之间的间距等。
该实施例中，车流运行特征指的是目标道路上车流的位置以及某一段车流的拥挤情况等。
该实施例中，驾驶行为特征指的是不行车辆在目标道路上的编导频率以及提速情况等。
该实施例中，车辆运行要求是根据历史行车数据确定的，包括跟车距离以及变道条件等。
该实施例中，车辆协调控制模型是对目标道路上的车辆行驶情况进行协调，确保目标道路上不会因为车辆过多导致拥挤情况。
该实施例中，多车辆无冲突运行轨迹指的是多辆车在目标道路上行驶且不冲突(即不存在交通拥挤)的行驶路线。
该实施例中，动态引导图是用于相不同车辆传达不同时刻对应的驾驶速度、行驶位置以及变道位置的指引图，该图像上的指引标识是实时更新的。
该实施例中，
上述技术方案的有益效果是：通过车联网对目标道路的道路拓扑结构和目标道路上不同车辆的运行状态参数进行分析，实现对目标道路上的车流运行特征和不同车辆的驾驶行为特征进行准确有效的确定，为进行交通流优化提供了便利与保障，其次，通过构建的车辆协调控制模型对得到的道路拓扑结构、车流运行特征以及每一车辆的驾驶行为特征进行分析，实现对多车辆无冲突运行轨迹进行确定，确保多车辆能够在目标道路上有序前进，最后，根据多车辆无冲突运行轨迹生成动态引导图，并将动态引导图下发至对应的车辆终端，保障了对目标道路上交通流优化的准确性和可靠性，也提高了车辆在目标道路上的运行效率，缓解了交通压力。
实施例2：
在实施例1的基础上，本实施例提供了一种基于车联网的智能交通流优化方法，如图2所示，步骤1中，基于车联网获取目标道路的道路拓扑结构，包括：
步骤101：基于数据管理平台根据车联网获取目标道路上不同车辆的道路行驶录像，并对不同车辆的道路行驶录像进行分割，得到道路行驶录像的静态帧图像集合；
步骤102：提取静态帧图像集合中每一静态帧图像中的图像特征，并基于图像特征对静态帧图像进行去重，得到标准静态帧图像集合；
步骤103：基于图像特征确定相邻标准静态帧图像，并基于图像特征确定相邻标准静态帧图像的重叠区域，且将重叠区域作为图像拼接边界将相邻标准静态帧图像进行拼接；
步骤104：基于拼接结果得到目标道路的完整道路图像，并基于完整道路图像确定目标道路的道路拓扑结构。
该实施例中，道路行驶录像指的是不同车辆在目标道路上行驶时采集到的视频图像。
该实施例中，静态帧图像集合指的是将得到的道路行驶图像进行离散化后得到的每一帧图像。
该实施例中，图像特征指的是每一静态帧图像中包含的道路情况，例如可以是道路宽度以及道路形状等。
该实施例中，标准静态帧图像集合指的是对得到的静态帧图像集合进行图像去重后，得到的最终的图像集合，其中，标准静态帧图像集合中包含的个体即为标准静态帧图像。
上述技术方案的有益效果是：通过对目标道路上不同车辆的道路行驶录像进行处理，实现根据不同车辆的道路行驶录像对目标道路的道路拓扑结果进行准确有效的确定，为进行交通流优化提供了便利与保障。
实施例3：
在实施例2的基础上，本实施例提供了一种基于车联网的智能交通流优化方法，基于完整道路图像确定目标道路的道路拓扑结构，包括：
获取得到的目标道路的完整道路图像，并提取完整道路图像中的目标道路主体，并对目标道路主体进行特征遍历，确定目标道路对应的主道路和支路；
基于遍历结果在完整道路图像中对目标道路中主道路和支路的分叉点进行标注，并基于标注结果得到目标道路的第一道路拓扑结构；
同时，基于标准结果获取目标道路中主道路和支路的道路基本参数，并基于道路基本参数得到目标道路中主道路和支路对应的车道数量以及弯道数量，且基于车道数量以及弯道数量得到目标道路的第二道路拓扑结构；
对第一道路拓扑结构和第二道路拓扑结构进行汇总，并基于汇总结果得到目标道路最终的道路拓扑结构。
该实施例中，目标道路主体即为完整道路图像中记录的目标道路区域。
该实施例中，特征遍历指的是对目标道路主体的道路特征进行全面分析，从而便于确定目标道路上的主道路和支路。
该实施例中，第一道路拓扑结构指的是目标道路中著道路和支路之间的相对位置关系。
该实施例中，道路基本参数指的是目标道路中主道路和支路对应的宽度、长度以及包含的车道数等。
该实施例中，第二道路拓扑结构指的是目标道路中包含的车道数量以及玩到数量。
上述技术方案的有益效果是：通过对得到的完整道路图像进行分析，实现对目标道路上的主道路和支路的分叉点以及道路基本参数进行准确有效的确定，实现根据分叉点和道路基本参数对目标道路的道路拓扑结构准确有效的确定，为进行有效的交通流优化提供了遍历与保障，也提高了车辆在目标道路上的运行效率。
实施例4：
在实施例1的基础上，本实施例提供了一种基于车联网的智能交通流优化方法，步骤1中，基于车联网获取目标道路的道路拓扑结构以及目标道路中的车辆运行状态参数，包括：
获取数据管理平台的配置信息，并基于配置信息在数据管理平台中对车辆中的车载终端分配通信端口；
基于通信端口构建目标道路中车辆的车载终端与数据管理平台的无线通讯链路，并基于无线通讯链路将车辆的车联网数据传输至数据管理平台，同时，实时监测通信端口在单位时间内的数据通讯特征，并基于数据通讯特征确定单位时间内的车联网数据上传量，且当单位时间内的车联网数据上传量大于预设阈值时，对通信端口进行扩充，基于扩充结果实时接收车辆的车联网数据；
基于数据管理平台对获取到的车联网数据进行解析，得到车联网数据对应的数据源，并基于数据源的身份标签对车联网数据进行标记，且基于标记结果得到目标道路中的车辆运行状态参数。
该实施例中，配置信息指的是数据管理平台在运行过程中对运行环境的要求以及运行的条件等。
该实施例中，车联网数据指的是车辆在行驶过程中采集到的道路情况，包括周围车辆数量、与周围车辆的相对距离以及道路情况等数据。
该实施例中，数据通讯特征指的是通信端口在单位时间内通过的数据量以及通过通信端口数据的数据格式等。
该实施例中，预设阈值是提前设定好的，用于表征通信端口在单位时间内能够通过的数据最大量。
该实施例中，数据源指的是不同车联网数据对应的端头，即不同车联网数据对应的目标车辆。其中，身份标签即表征不同车辆的标记符号。
上述技术方案的有益效果是：通过数据管理平台对目标道路上的车辆分配通信端口，并通过通信端口对不同车辆的车联网数据进行准确有效的接收，且对接收到的车联网数据进行标记，从而实现对不同车辆的车辆运行状态参数进行准确有效的确定，保障了对目标道路中的车流运行特征以及不同车辆的驾驶行为特征确定的准确性，从而便于提高交通流优化的准确性以及可靠性。
实施例5：
在实施例1的基础上，本实施例提供了一种基于车联网的智能交通流优化方法，步骤1中，对车辆运行状态参数进行解析，确定目标道路中的车流运行特征以及不同车辆的驾驶行为特征，包括：
获取目标道路中的预设参照点，并对得到的车辆运行状态参数进行解析，且基于预设参照点的属性信息对车辆运行状态参数的解析结果进行特征筛选，得到与预设参照点相关的目标解析结果；
基于目标解析结果确定单位时间内通过预设参照点的车辆数目以及每一车辆的行驶速度，并基于车辆数目以及每一车辆的行驶速度确定车辆在目标道路上的平均车速；
获取道路路况对交通流的影响系数，并分别确定车辆数目、平均车速以及道路路况对交通流的影响系数对车流运行特征的影响权重，且基于影响权重对车辆数目、平均车速以及道路路况对交通流的影响系数进行综合分析，得到目标道路中的车流运行特征。
该实施例中，预设参照点是在目标道路上提前设定好的，是用于对目标道路中车流运行特征进行确定的参考依据，且至少为两个。
该实施例中，属性信息指的是预设参照点在目标道路上的位置以及相邻预设参照点之间的距离大小。
该实施例中，得到与预设参照点相关的目标解析结果指的是车辆运行状态参数中包含预设参照点对应的车辆运行状态参数对应的结果。
该实施例中，影响系数指的是道路情况对车辆的行驶速度以及跟车距离产生影响的程度，不同路况对应的影响系数不同。
上述技术方案的有益效果是：通过确定目标道路上的预测参照点，并根据预设参照点对车辆运行状态参数的解析结果进行分析，实现对包含预设参照点的解析结果进行提取，其次，通过提取到的目标解析结果实现对目标道路上的平均车速，车辆数目以及道路路况对交通流的影响系数进行确定，且根据平均车速，车辆数目以及道路路况对交通流的影响系数实现对目标道路上的车流运行特征进行可靠分析，为进行交通流优化提供了便利与依据，保障了进行交通流优化的准确率和可靠性。
实施例6：
在实施例1的基础上，本实施例提供了一种基于车联网的智能交通流优化方法，步骤1中，对车辆运行状态参数进行解析，确定目标道路中的车流运行特征以及不同车辆的驾驶行为特征，包括：
获取得到的车辆运行状态参数，并对车辆运行状态参数进行解析，确定不同车辆在目标道路上的全局行驶数据，且基于全局行驶数据确定不同车辆在目标道路上的提速次数、提速点、变道频率以及速度变化特征；
基于提速次数、提速点、变道频率以及速度变化特征得到不同车辆的驾驶行为特征。
该实施例中，全局行驶数据指的是车辆在目标道路上全程对应的行驶数据。
该实施例中，速度变化特征指的是车辆的提速快慢等。
上述技术方案的有益效果是：通过对车辆运行状态参数进行分析，实现对目标道路上不同车辆的提速次数、提速点、变道频率以及速度变化特征进行准确确定，也实现根据提速次数、提速点、变道频率以及速度变化特征对不同车辆的驾驶行为特征进行锁定，为进行交通流优化提供了便利，确保了进行交通流优化的可靠性。
实施例7：
在实施例1的基础上，本实施例提供了一种基于车联网的智能交通流优化方法，步骤2中，基于车辆运行要求构建车辆协调控制模型，并基于车辆协调控制模型对道路拓扑结构、车流运行特征以及每一车辆的驾驶行为特征进行分析，确定多车辆无冲突运行轨迹，包括：
获取车辆运行要求，并基于车辆运行要求确定车辆在道路上行驶时的安全指标，且基于安全指标对服务器中的预设数据库进行检索，得到车辆在道路上的历史车辆行驶数据；
对历史车辆行驶数据进行解析，确定车辆在道路上的行驶事件，并基于行驶事件确定车辆在道路上安全行驶时对应的基准驾驶参数，且基于基准驾驶参数以及基准道路交通规则对预设卷积神经网络进行训练，得到车辆协调控制模型；
基于车辆协调控制模型对道路拓扑结构、车流运行特征以及每一车辆的驾驶行为特征进行分析，得到目标道路上各车辆的车速-位置-时间关系，并基于预设仿真模型根据各车辆的车速-位置-时间关系对不同车辆的行驶状态进行仿真模拟，得到不同车辆在当前时刻对应的驾驶状态，其中，驾驶状态包括行驶速度、行驶位置、与前车的跟车距离、换道位置以及换道时间点；
基于不同车辆在当前时刻对应的驾驶状态对相应车辆在目标时间段后的驾驶状态进行动态跟踪，并基于动态跟踪结果得到不同车辆在不同时刻对应的目标驾驶状态；
对不同车辆在不同时刻对应的目标驾驶状态进行汇总，得到各车辆在目标道路上的多车辆无冲突运行轨迹。
该实施例中，安全指标指的是车辆在目标道路上行驶时需要保持的最低行车要求标准，例如可以是跟车距离以及安全行驶速度等。
该实施例中，预设数据库是服务器中提前已知的，用于存储不同类型的数据。
该实施例中，历史车辆行驶数据指的是目标道路上不同车辆在行驶过程中产生的行驶数据。
该实施例中，行驶事件指的是车辆在目标道路上行驶时出现的交通事故以及变道情况等。
该实施例中，基准驾驶参数指的是安全跟车距离以及安全行驶速度和安全变道速度以及安全变道时与其他车辆的相对距离等。
该实施例中，基准道路交通规则是提前已知的，表征的是车辆在目标道路上行驶时需要遵守的交通规则。
该实施例中，预设卷积网络是提前已知的，是构建车辆协调控制模型的模型基础。
该实施例中，预设仿真模型是计算机中已知的程序，用于根据车速-位置-时间关系对目标道路上车辆当前的行驶情况进行仿真模型，从而便于确定不同车辆在目标道路上不出现冲突时对应的驾驶状态。
该实施例中，目标驾驶状态指的是不同车辆在未来不同时刻对应的驾驶状态。
上述技术方案的有益效果是：通过对车辆运行要求进行分析，实现对车辆在道路上行驶时的安全指标进行有效确定，并根据安全指标从服务器中获取车辆在道路上的历史车辆行驶数据，其次，对获取到的历史车辆行驶数据进行分析，实现对车辆在道路上安全行驶时对应的基准驾驶参数进行准确获取，并根据获取到的基准驾驶参数以及基准道路交通规则对预设卷积神经网络进行训练，实现对车辆协调控制模型进行准确有效的构建，最后，通过构建的车辆协调控制模型对道路拓扑结构、车流运行特征以及每一车辆的驾驶行为特征进行分析，实现对目标道路上的多车辆无冲突运行轨迹进行准确有效的制定，为进行交通流优化提供了可靠的支撑，保障了对交通流优化的效率和准确率，也提高了车辆在道路上的行车效率。
实施例8：
在实施例1的基础上，本实施例提供了一种基于车联网的智能交通流优化方法，步骤3中，基于多车辆无冲突运行轨迹生成对不同车辆的动态引导图，包括：
获取得到的多车辆无冲突运行轨迹，并将得到的多车辆无冲突运行轨迹进行分割，得到不同车辆在目标道路上的目标运行轨迹，且基于目标运行轨迹得到基础引导图；
确定车辆在目标运行轨迹上的运行方向，并基于运行方向从指引图标库中调取方向指引图标，且将方向指引图标在基础引导图上进行第一动态显示；
确定车辆在目标运行轨迹上的驾驶状态变更点以及每一驾驶状态变更点对应的驾驶特征，并基于驾驶特征从指引图标库中调取驾驶状态变更指引图标，且将驾驶状态变更指引图标在基础引导图上的驾驶状态变更点进行第二动态显示；
将第一动态显示和第二动态显示在基础引导图上进行汇总，并基于汇总结果得到不同车辆的动态引导图。
该实施例中，目标运行轨迹指的是将不同车辆的运行轨迹从多车辆无冲突运行轨迹中分割出来后得到的结果，即每一车辆对应的独立运行轨迹。
该实施例中，基础引导图即为不同车辆目标运行轨迹对应的行驶路线图。
该实施例中，指引图标库是提前设定好的，用于存储不同的指引图标。
该实施例中，第一动态显示指的是将方向指引图标在基础引导图上进行显示，目的是表征车辆的行进方向。
该实施例中，驾驶状态变更点指的是车辆在目标道路上的变道位置以及速度变更点。
该实施例中，驾驶特征指的是车辆在不同驾驶状态变更点对应的驾驶行为，例如可以是变道、减速或加速等。
该实施例中，驾驶状态变更指引图标指的是车辆在驾驶状态变更点的驾驶特征对应的指引图标，用于表征驾驶特征的变化情况。
该实施例中，第二动态显示指的是将驾驶状态变更指引图标在基础引导图上进行显示，从而便于提醒驾驶员在当前时刻和当前位置需要做出驾驶状态变更，从而达到优化交通流的目的。
上述技术方案的有益效果是：通过对得到的多车辆无冲突运行轨迹进行分析，实现对不同车辆的目标运行轨迹进行确定，其次，根据目标运行轨迹生成不同车辆的基础引导图，最后，分别确定车辆在目标道路上的方向指引图标和驾驶状态变更指引图标，并将方向指引图标和驾驶状态变更指引图标在得到的基础引导图上进行动态显示，实现对不同车辆的动态引导图进行准确有效制定，为不同车辆进行交通流优化时提供了参考依据，保障了交通流优化的准确率和效率。
实施例9：
在实施例1的基础上，本实施例提供了一种基于车联网的智能交通流优化方法，步骤3中，基于车联网将动态引导图下发至对应车辆终端进行运行路线提醒，包括：
获取得到的动态引导图，并基于引导特征对相应动态引导图添加终端身份标签；
基于添加结果根据终端身份标签和车联网将动态引导图分布式下发至对应车辆终端，并基于车辆终端对接收到的动态引导图进行格式转换；
将格式转换后的动态指引图在车辆终端上进行显示，并基于显示结果向车辆驾驶员发送运行路线提醒，且基于提醒结果以及车辆运行状态对车辆终端上的动态引导图的工作状态进行实时更新。
该实施例中，引导特征指的是不同动态引导图中包含的引导类型。
该实施例中，终端身份标签指的是用于表征不通过动态引导图对应的车辆终端的标记标签。
上述技术方案的有益效果是：通过对得到的动态引导图添加终端身份标签，并根据添加结果确定不同动态引导图对应的车辆终端，实现将动态引导图准确下发至对应的车辆终端，并进行路线提醒，保障了交通流优化的准确率和可靠性。
实施例10：
本实施例提供了一种基于车联网的智能交通流优化***，如图3所示，包括：
特征确定模块，用于基于车联网获取目标道路的道路拓扑结构以及目标道路中的车辆运行状态参数，并对车辆运行状态参数进行解析，确定目标道路中的车流运行特征以及不同车辆的驾驶行为特征；
轨迹确定模块，用于基于车辆运行要求构建车辆协调控制模型，并基于车辆协调控制模型对道路拓扑结构、车流运行特征以及每一车辆的驾驶行为特征进行分析，确定多车辆无冲突运行轨迹；
线路引导模块，用于基于多车辆无冲突运行轨迹生成对不同车辆的动态引导图，并基于车联网将动态引导图下发至对应车辆终端进行运行路线提醒。
上述技术方案的有益效果是：通过车联网对目标道路的道路拓扑结构和目标道路上不同车辆的运行状态参数进行分析，实现对目标道路上的车流运行特征和不同车辆的驾驶行为特征进行准确有效的确定，为进行交通流优化提供了便利与保障，其次，通过构建的车辆协调控制模型对得到的道路拓扑结构、车流运行特征以及每一车辆的驾驶行为特征进行分析，实现对多车辆无冲突运行轨迹进行确定，确保多车辆能够在目标道路上有序前进，最后，根据多车辆无冲突运行轨迹生成动态引导图，并将动态引导图下发至对应的车辆终端，保障了对目标道路上交通流优化的准确性和可靠性，也提高了车辆在目标道路上的运行效率，缓解了交通压力。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于车联网的智能交通流优化方法，其特征在于，包括：
步骤1：基于车联网获取目标道路的道路拓扑结构以及目标道路中的车辆运行状态参数，并对车辆运行状态参数进行解析，确定目标道路中的车流运行特征以及不同车辆的驾驶行为特征；
步骤2：基于车辆运行要求构建车辆协调控制模型，并基于车辆协调控制模型对道路拓扑结构、车流运行特征以及每一车辆的驾驶行为特征进行分析，确定多车辆无冲突运行轨迹；
步骤3：基于多车辆无冲突运行轨迹生成对不同车辆的动态引导图，并基于车联网将动态引导图下发至对应车辆终端进行运行路线提醒。
2.根据权利要求1所述的一种基于车联网的智能交通流优化方法，其特征在于，步骤1中，基于车联网获取目标道路的道路拓扑结构，包括：
基于数据管理平台根据车联网获取目标道路上不同车辆的道路行驶录像，并对不同车辆的道路行驶录像进行分割，得到道路行驶录像的静态帧图像集合；
提取静态帧图像集合中每一静态帧图像中的图像特征，并基于图像特征对静态帧图像进行去重，得到标准静态帧图像集合；
基于图像特征确定相邻标准静态帧图像，并基于图像特征确定相邻标准静态帧图像的重叠区域，且将重叠区域作为图像拼接边界将相邻标准静态帧图像进行拼接；
基于拼接结果得到目标道路的完整道路图像，并基于完整道路图像确定目标道路的道路拓扑结构。
3.根据权利要求2所述的一种基于车联网的智能交通流优化方法，其特征在于，基于完整道路图像确定目标道路的道路拓扑结构，包括：
获取得到的目标道路的完整道路图像，并提取完整道路图像中的目标道路主体，并对目标道路主体进行特征遍历，确定目标道路对应的主道路和支路；
基于遍历结果在完整道路图像中对目标道路中主道路和支路的分叉点进行标注，并基于标注结果得到目标道路的第一道路拓扑结构；
同时，基于标准结果获取目标道路中主道路和支路的道路基本参数，并基于道路基本参数得到目标道路中主道路和支路对应的车道数量以及弯道数量，且基于车道数量以及弯道数量得到目标道路的第二道路拓扑结构；
对第一道路拓扑结构和第二道路拓扑结构进行汇总，并基于汇总结果得到目标道路最终的道路拓扑结构。
4.根据权利要求1所述的一种基于车联网的智能交通流优化方法，其特征在于，步骤1中，基于车联网获取目标道路的道路拓扑结构以及目标道路中的车辆运行状态参数，包括：
获取数据管理平台的配置信息，并基于配置信息在数据管理平台中对车辆中的车载终端分配通信端口；
基于通信端口构建目标道路中车辆的车载终端与数据管理平台的无线通讯链路，并基于无线通讯链路将车辆的车联网数据传输至数据管理平台，同时，实时监测通信端口在单位时间内的数据通讯特征，并基于数据通讯特征确定单位时间内的车联网数据上传量，且当单位时间内的车联网数据上传量大于预设阈值时，对通信端口进行扩充，基于扩充结果实时接收车辆的车联网数据；
基于数据管理平台对获取到的车联网数据进行解析，得到车联网数据对应的数据源，并基于数据源的身份标签对车联网数据进行标记，且基于标记结果得到目标道路中的车辆运行状态参数。
5.根据权利要求1所述的一种基于车联网的智能交通流优化方法，其特征在于，步骤1中，对车辆运行状态参数进行解析，确定目标道路中的车流运行特征以及不同车辆的驾驶行为特征，包括：
获取目标道路中的预设参照点，并对得到的车辆运行状态参数进行解析，且基于预设参照点的属性信息对车辆运行状态参数的解析结果进行特征筛选，得到与预设参照点相关的目标解析结果；
基于目标解析结果确定单位时间内通过预设参照点的车辆数目以及每一车辆的行驶速度，并基于车辆数目以及每一车辆的行驶速度确定车辆在目标道路上的平均车速；
获取道路路况对交通流的影响系数，并分别确定车辆数目、平均车速以及道路路况对交通流的影响系数对车流运行特征的影响权重，且基于影响权重对车辆数目、平均车速以及道路路况对交通流的影响系数进行综合分析，得到目标道路中的车流运行特征。
6.根据权利要求1所述的一种基于车联网的智能交通流优化方法，其特征在于，步骤1中，对车辆运行状态参数进行解析，确定目标道路中的车流运行特征以及不同车辆的驾驶行为特征，包括：
获取得到的车辆运行状态参数，并对车辆运行状态参数进行解析，确定不同车辆在目标道路上的全局行驶数据，且基于全局行驶数据确定不同车辆在目标道路上的提速次数、提速点、变道频率以及速度变化特征；
基于提速次数、提速点、变道频率以及速度变化特征得到不同车辆的驾驶行为特征。
7.根据权利要求1所述的一种基于车联网的智能交通流优化方法，其特征在于，步骤2中，基于车辆运行要求构建车辆协调控制模型，并基于车辆协调控制模型对道路拓扑结构、车流运行特征以及每一车辆的驾驶行为特征进行分析，确定多车辆无冲突运行轨迹，包括：
获取车辆运行要求，并基于车辆运行要求确定车辆在道路上行驶时的安全指标，且基于安全指标对服务器中的预设数据库进行检索，得到车辆在道路上的历史车辆行驶数据；
对历史车辆行驶数据进行解析，确定车辆在道路上的行驶事件，并基于行驶事件确定车辆在道路上安全行驶时对应的基准驾驶参数，且基于基准驾驶参数以及基准道路交通规则对预设卷积神经网络进行训练，得到车辆协调控制模型；
基于车辆协调控制模型对道路拓扑结构、车流运行特征以及每一车辆的驾驶行为特征进行分析，得到目标道路上各车辆的车速-位置-时间关系，并基于预设仿真模型根据各车辆的车速-位置-时间关系对不同车辆的行驶状态进行仿真模拟，得到不同车辆在当前时刻对应的驾驶状态，其中，驾驶状态包括行驶速度、行驶位置、与前车的跟车距离、换道位置以及换道时间点；
基于不同车辆在当前时刻对应的驾驶状态对相应车辆在目标时间段后的驾驶状态进行动态跟踪，并基于动态跟踪结果得到不同车辆在不同时刻对应的目标驾驶状态；
对不同车辆在不同时刻对应的目标驾驶状态进行汇总，得到各车辆在目标道路上的多车辆无冲突运行轨迹。
8.根据权利要求1所述的一种基于车联网的智能交通流优化方法，其特征在于，步骤3中，基于多车辆无冲突运行轨迹生成对不同车辆的动态引导图，包括：
获取得到的多车辆无冲突运行轨迹，并将得到的多车辆无冲突运行轨迹进行分割，得到不同车辆在目标道路上的目标运行轨迹，且基于目标运行轨迹得到基础引导图；
确定车辆在目标运行轨迹上的运行方向，并基于运行方向从指引图标库中调取方向指引图标，且将方向指引图标在基础引导图上进行第一动态显示；
确定车辆在目标运行轨迹上的驾驶状态变更点以及每一驾驶状态变更点对应的驾驶特征，并基于驾驶特征从指引图标库中调取驾驶状态变更指引图标，且将驾驶状态变更指引图标在基础引导图上的驾驶状态变更点进行第二动态显示；
将第一动态显示和第二动态显示在基础引导图上进行汇总，并基于汇总结果得到不同车辆的动态引导图。
9.根据权利要求1所述的一种基于车联网的智能交通流优化方法，其特征在于，步骤3中，基于车联网将动态引导图下发至对应车辆终端进行运行路线提醒，包括：
获取得到的动态引导图，并基于引导特征对相应动态引导图添加终端身份标签；
基于添加结果根据终端身份标签和车联网将动态引导图分布式下发至对应车辆终端，并基于车辆终端对接收到的动态引导图进行格式转换；
将格式转换后的动态指引图在车辆终端上进行显示，并基于显示结果向车辆驾驶员发送运行路线提醒，且基于提醒结果以及车辆运行状态对车辆终端上的动态引导图的工作状态进行实时更新。
10.一种基于车联网的智能交通流优化***，其特征在于，包括：
特征确定模块，用于基于车联网获取目标道路的道路拓扑结构以及目标道路中的车辆运行状态参数，并对车辆运行状态参数进行解析，确定目标道路中的车流运行特征以及不同车辆的驾驶行为特征；
轨迹确定模块，用于基于车辆运行要求构建车辆协调控制模型，并基于车辆协调控制模型对道路拓扑结构、车流运行特征以及每一车辆的驾驶行为特征进行分析，确定多车辆无冲突运行轨迹；
线路引导模块，用于基于多车辆无冲突运行轨迹生成对不同车辆的动态引导图，并基于车联网将动态引导图下发至对应车辆终端进行运行路线提醒。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311318560.7A CN117351714A (zh) | 2023-10-11 | 2023-10-11 | 基于车联网的智能交通流优化方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311318560.7A CN117351714A (zh) | 2023-10-11 | 2023-10-11 | 基于车联网的智能交通流优化方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117351714A true CN117351714A (zh) | 2024-01-05 |
Family
ID=89356889
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311318560.7A Pending CN117351714A (zh) | 2023-10-11 | 2023-10-11 | 基于车联网的智能交通流优化方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117351714A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017015951A1 (zh) * | 2015-07-28 | 2017-02-02 | 苏州大学张家港工业技术研究院 | 基于车路协同的无控交叉口车辆通行引导***及其引导方法 |
| CN113327421A (zh) * | 2021-06-04 | 2021-08-31 | 河北省交通规划设计院 | 一种基于v2x路网控制方法及*** |
| CN114265398A (zh) * | 2021-11-16 | 2022-04-01 | 长安大学 | 自动驾驶车辆轨迹规划方法、装置、电子设备及存储介质 |
| CN114840001A (zh) * | 2022-06-01 | 2022-08-02 | 浙江大学 | 一种封闭环境下的多车协同轨迹规划方法 |
| CN114889603A (zh) * | 2022-04-20 | 2022-08-12 | 北京京东乾石科技有限公司 | 一种车辆换道处理方法和装置 |
-
2023
- 2023-10-11 CN CN202311318560.7A patent/CN117351714A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017015951A1 (zh) * | 2015-07-28 | 2017-02-02 | 苏州大学张家港工业技术研究院 | 基于车路协同的无控交叉口车辆通行引导***及其引导方法 |
| CN113327421A (zh) * | 2021-06-04 | 2021-08-31 | 河北省交通规划设计院 | 一种基于v2x路网控制方法及*** |
| CN114265398A (zh) * | 2021-11-16 | 2022-04-01 | 长安大学 | 自动驾驶车辆轨迹规划方法、装置、电子设备及存储介质 |
| CN114889603A (zh) * | 2022-04-20 | 2022-08-12 | 北京京东乾石科技有限公司 | 一种车辆换道处理方法和装置 |
| CN114840001A (zh) * | 2022-06-01 | 2022-08-02 | 浙江大学 | 一种封闭环境下的多车协同轨迹规划方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113033030B (zh) | 一种基于真实道路场景的拥堵模拟方法及*** | |
| CN109902899B (zh) | 信息生成方法和装置 | |
| CN109520744A (zh) | 自动驾驶车辆的驾驶性能测试方法和装置 | |
| US11681294B2 (en) | Method and system for prediction of roadwork zone | |
| JP2021531462A (ja) | トポロジーマップに基づくインテリジェントナビゲーションの方法及びシステム | |
| CN110749329B (zh) | 一种基于结构化道路的车道级拓扑构建方法及装置 | |
| CN104508719A (zh) | 驾驶辅助***以及驾驶辅助方法 | |
| CN112249009B (zh) | 车速控制方法、装置、***及电子设备 | |
| CN104819726A (zh) | 导航数据处理方法、装置及导航终端 | |
| CN109859505B (zh) | 高速站点的预警处理方法、装置、服务器和介质 | |
| US11643105B2 (en) | Systems and methods for generating simulation scenario definitions for an autonomous vehicle system | |
| CN113340318A (zh) | 车辆导航方法、装置、电子设备及存储介质 | |
| CN114518122A (zh) | 行车导航方法、装置、计算机设备、存储介质和计算机程序产品 | |
| US20230159052A1 (en) | Method for processing behavior data, method for controlling autonomous vehicle, and autonomous vehicle | |
| CN113259900A (zh) | 一种分布式多源异构交通数据融合方法及装置 | |
| CN115062202A (zh) | 驾驶行为意图及轨迹的预测方法、装置、设备及存储介质 | |
| CN112017428B (zh) | 路侧车联网装置、高架桥路段识别方法及车载车联网装置 | |
| CN117351714A (zh) | 基于车联网的智能交通流优化方法及*** | |
| JP2004053441A (ja) | ナビゲーション装置 | |
| JP2023005015A (ja) | 交通状況予測装置、および、交通状況予測方法 | |
| CN114116854A (zh) | 轨迹数据处理方法、装置、设备和存储介质 | |
| CN113762030A (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
| CN115223381A (zh) | 交通信息处理方法、装置、电子设备及计算机存储介质 | |
| JP6835404B2 (ja) | プローブ情報作成プログラム、プローブ情報作成方法およびプローブ情報作成システム | |
| CN115457798B (zh) | 自动驾驶车辆停车位导引方法、装置、设备及存储介质 |
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 |