CN117612386A - 高速公路交通流预测方法、装置、计算机设备和存储介质 - Google Patents
高速公路交通流预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117612386A CN117612386A CN202311591796.8A CN202311591796A CN117612386A CN 117612386 A CN117612386 A CN 117612386A CN 202311591796 A CN202311591796 A CN 202311591796A CN 117612386 A CN117612386 A CN 117612386A
- Authority
- CN
- China
- Prior art keywords
- data
- traffic flow
- traffic
- flow prediction
- prediction result
- 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 69
- 230000004927 fusion Effects 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims description 29
- 238000011217 control strategy Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 28
- 230000006870 function Effects 0.000 description 16
- 238000007726 management method Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 230000001932 seasonal effect Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- 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
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开涉及计算机技术领域,提供了一种高速公路交通流预测方法、装置、计算机设备和存储介质。高速公路交通流预测方法包括:利用高速公路上的数据采集设备采集对应行驶区间的交通数据和天气数据;其中,高速公路被划分为多个行驶区间,每个行驶区间设置一个数据处理设备和至少一个数据采集设备;对每个行驶区间的交通数据和天气数据进行数据融合;将数据融合结果输入至交通流预测模型中,输出每个行驶区间的交通流预测结果。本发明能够提高交通流预测的准确性,实现交通流预测的实时性,以及提高交通管理和出行效率。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种高速公路交通流预测方法、装置、计算机设备和存储介质。
背景技术
交通流预测是基于过去时段的交通信息,去预测未来某个时段的交通状况,在智慧高速公路领域中,交通流预测起着重要的作用,精准的预测结果可以帮助高速公路运营管理部门更好地安排道路资源,同时,也能提供给出行者更为准确的道路信息,是提升交通安全和效率的有效手段。
随着高速公路的智能化发展,基于云计算和大数据的交通流预测技术在交通领域得到了广泛的应用。基于云计算和大数据的交通流预测技术有较大的局限性,主要体现在以下几个方面:
1)延时和响应时间:现有技术将数据从路侧采集设备传输到云端进行处理和分析,要先经过专用的数据采集***处理之后,才能汇总到大数据平台进行分析和预测,这种传输和处理延迟会导致较长的响应时间,不适合对实时流量进行快速响应和决策。
2)预测准确性不足:现有技术不能及时融合多种原始信息,且往往只关注交通流量数据本身,缺乏对其他数据源(如天气、道路条件等)的充分融合,影响交通流分析和预测的准确性,无法实现实时准确的交通流量预测。
3)网络带宽需求高:现有技术需要将路侧产生的全部数据都上传到中心进行处理,不可避免会给网络带宽带来巨大压力,特别是在大规模交通***中,需要传输和处理的数据量可能非常大,对网络资源的使用和成本有较高的要求。
4)网络断连和可靠性:现有技术依赖于稳定的网络连接,但在某些交通环境中,网络连接可能不稳定或面临断连的风险,导致数据传输失败或预测结果受到影响。
因此,亟需一种高速公路交通流预测方法,以解决上述现有技术中存在的不足,达到提高高速公路交通流预测的准确性、实时性、安全性和可靠性的目的。
发明内容
有鉴于此,本公开实施例提供了一种高速公路交通流预测方法、装置、计算机设备和存储介质,以解决现有的交通流预测技术存在延迟响应、预测准确率低、网络要求高以及可靠性差的问题。
本公开实施例的第一方面,提供了一种高速公路交通流预测方法,所述方法应用于数据处理设备,所述方法包括:利用高速公路上的数据采集设备采集对应行驶区间的交通数据和天气数据;其中,所述高速公路被划分为多个行驶区间,每个行驶区间设置一个数据处理设备和至少一个数据采集设备;对每个行驶区间的交通数据和天气数据进行数据融合;将数据融合结果输入至交通流预测模型中,输出每个行驶区间的交通流预测结果。
本公开实施例的第二方面,提供了一种高速公路交通管控设备,高速公路交通管控设备用于实现上述第一方面的高速公路交通流预测方法,所述高速公路交通管控设备包括多个数据采集单元、多个数据处理单元,以及控制单元:至少一个数据采集单元设置于高速公路的对应行驶区间内,所述数据采集单元用于采集对应行驶区间内的交通数据以及环境数据,并将所述交通数据以及所述环境数据发送给所述控制单元;所述高速公路被区间划分为多个行驶区间;每个数据处理单元设置于高速公路的对应行驶区间内,所述数据处理单元用于接收对应行驶区间内的至少一个数据采集单元发来的所述交通数据以及所述环境数据,以及对所述交通数据以及所述环境数据进行数据处理,生成交通流预测结果,并将所述交通流预测结果发送给所述控制单元;所述控制单元用于接收每个行驶区间对应的数据处理单元发来的交通流预测结果,并基于多个交通流预测结果生成交通管控策略。
本公开实施例的第三方面,提供了一种高速公路交通流预测装置,包括:数据采集模块,用于利用高速公路上的数据采集设备采集对应行驶区间的交通数据和天气数据;其中,所述高速公路被划分为多个行驶区间,每个行驶区间设置一个数据处理设备和至少一个数据采集设备;数据融合模块,用于对每个行驶区间的交通数据和天气数据进行数据融合;交通流预测结果输出模块,用于将数据融合结果输入至交通流预测模型中,输出每个行驶区间的交通流预测结果。
本公开实施例的第四方面,提供了一种电子设备,包括存储器、处理器以及存储在存储器中并且可以在处理器上运行的计算机程序,该处理器执行计算机程序时实现上述方法的步骤。
本公开实施例的第五方面,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述方法的步骤。
本公开实施例与现有技术相比存在的有益效果是:
1)减少延迟和响应时间:本发明可以将计算和分析移至离数据源更近的地方,基于部署在路侧边缘的计算能力和预测模型,能够减少数据传输和处理的延迟,实时对交通流量进行预测和分析,从而实现更快速的响应和决策。
2)提高预测准确性:本发明可以根据具体的场景特点,划分最优的高速公路空间分段,针对不同路段收集交通运行状态、气象环境状态、道路结构状态以及车辆微观状态等路侧信息,通过对不同来源的原始数据进行融合和分析,获得更精准的预测结果。
3)降低带宽需求:本发明在边缘对采集信息进行计算和处理,关键的信息和预测结果才传输到云端,这样可以极大减少传输的数据量,从而减少对网络带宽的依赖,降低带宽需求。
4)增强可靠性和断连容忍性:本发明支持边缘的实时闭环控制,即使在网络断连或不稳定的情况下,仍然通过存储的数据和模型,继续进行预测和决策,从而提高预测的可靠性。
附图说明
为了更清楚地说明本公开实施例中的技术方案,下面将对实施例或现有技术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公开的一些实施例,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它的附图。
图1是根据本公开的高速公路交通流预测方法的流程示意图;
图2是根据本公开的高速公路交通流预测方法的一个具体实施例的流程示意图;
图3是根据本公开的高速公路交通流预测方法的一个具体实施例的流程示意图;
图4是根据本公开的高速公路交通流预测方法的一个具体实施例的流程示意图;
图5是根据本公开的高速公路交通管控设备的结构示意图;
图6是根据本公开的边缘云计算平台的结构示意图;
图7是根据本公开的高速公路交通流预测装置的结构示意图;
图8是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
在本实施例中提供了一种高速公路交通流预测方法,可用于数据处理设备中,图1是根据本发明实施例的高速公路交通流预测方法的流程图,如图1所示,该流程包括如下步骤:
步骤S101,利用高速公路上的数据采集设备采集对应行驶区间的交通数据和天气数据。
具体地,高速公路会被预先划分为多个行驶区间,其中,每个行驶区间设置一个数据处理设备和至少一个数据采集设备;数据采集设备是指部署在高速公路沿线进行数据采集的设备,包括车辆检测器、摄像机、雷达、气象检测器等,还包括车道控制灯、可变情报板等,以及OBU、辅助驾驶终端、自动驾驶终端、导航终端等车载终端,用于实时采集对应行驶区间内的交通数据和天气数据。数据处理设备用于接收对应行驶区间内各个数据采集设备实时采集的交通数据和天气数据,交通数据包括车辆的行驶速度、车道占用情况和车辆数量,天气数据包括温度、降雨量、风速以及能见度等。
在一些优选的实施例中,采集到对应行驶区间的交通数据和天气数据后,需要对其数据进行预处理,以剔除其中的无效数据,以保证交通流预测的准确性。
步骤S102,对每个行驶区间的交通数据和天气数据进行数据融合。
具体地,可以通过周期性、趋势性和季节性等方式提取交通流数据的时间特征,通过高速公路的行驶区间划分来提取空间特征;并且考虑天气变化对交通流的影响,将天气数据作为外部特征,基于不同特征对交通数据进行融合。
更具体地,在可以通过周期性、趋势性和季节性等方式提取交通流数据的时间特征的过程中,使用时间序列分析方法,如移动平均法、指数平滑法等,来对交通数据进行周期性和趋势性分析,从而提取时间特征;使用季节分解方法,如季节分解法或X-12-ARIMA方法,来识别交通流数据中的季节性特征。
更具体地,在通过高速公路的行驶区间划分来提取空间特征的过程中,可以根据高速公路的具体情况,将路段划分为不同的空间区域,如城市区域、郊区区域、山区区域等,提取空间特征。或者还可以使用地理信息***(GIS)技术,结合交通流量和道路网络数据,对路段进行空间分析,提取空间特征。
更具体地,在考虑天气变化对交通流的影响,将天气数据作为外部特征,基于不同特征对交通数据进行融合的过程中:
首先,考虑天气变化对交通流的影响,可以使用统计分析方法,如相关性分析或回归分析,探究天气变化与交通流量之间的关系,并提取天气特征;
其次,将提取的天气特征与交通流数据进行关联,构建外部特征数据集;将外部特征数据集与原始交通数据进行融合,可以采用数据合并、连接或拼接等方法,得到包含时间、空间和天气特征的综合数据集;
最后,使用机器学***均法或特征组合方法,以提升模型的预测和分析能力。
步骤S103,将数据融合结果输入至交通流预测模型中,输出每个行驶区间的交通流预测结果。
具体地,该数据融合结果可以理解为包括时间特征、空间特征和天气特征的综合数据集,将综合数据集输入至训练好的交通流预测模型中,可以输出对应行驶区间的交通流预测结果。这里的交通流预测结果可以包括交通状态预测结果和交通流量预测结果;交通状态预测结果用于表示对应行驶区间内的实时交通状态;实时交通状态包括道路拥堵情况,用于提供实时的交通状况监测、拥堵预警、路况评估等功能,从而达到帮助交通管理部门和驾车者做出合理的交通决策的目的。交通流量预测结果用于表示未来预设时间段内对应行驶区间的交通流量,以帮助交通规划、交通管理和路线选择等决策。
在一些优选的实施例中,如图2所示,高速公路交通流预测方法还包括以下步骤:
步骤S104,判断所述交通流预测结果是否满足预设精度阈值。
具体地,上述预设精度阈值可以根据实际情况进行设置,在此不作具体限定。判断交通流预测结果是否满足预设精度阈值,是为了保证交通流预测模型的预测准确性,如果预测准确性较低则需要重新进行模型训练和模型优化。
步骤S105,如果所述交通流预测结果满足预设精度阈值,则将所述交通流预测结果发送给高速公路云控平台;所述高速公路云控平台用于接收所述交通流预测结果,并根据所述交通流预测结果确定对应行驶区间的交通管控策略。
具体地,当交通流预测结果满足预设精度阈值时,表示交通流预测模型的预测准确率较高,能够满足用户需求,可以将其发送给出云控平台。这里的云控平台用于将各个行驶区间的交通流预测结果作为执行总体交通决策的依据,从而获得全局最优的交通策略。
步骤S106,如果所述交通流预测结果不满足预设精度阈值,则对所述交通流预测模型进行精度优化,直至优化后的交通流预测模型输出的交通流预测结果满足所述预设精度阈值为止。
具体地,如图3所示:当预测结果满足精度要求时,可以直接向云控平台输出预测结果;当预测结果不满足精度要求时,则需要重新对交通流预测模型进行模型训练和模型优化,进一步提高预测的准确性和可靠性,并更新预测模型和参数,进行新一轮的预测和优化,直到生成最优的流量预测模型;当模型训练达到最优时,就可以利用训练好的模型,实时进行交通流量的预测和分析。根据当前的交通流量数据和天气数据,预测出具体路段在未来时间段内的交通流量情况,提供精准的交通流量预测结果。
在一些优选的实施例中,如图4所示,根据所述交通流预测结果确定对应行驶区间的交通管控策略,包括:
步骤S401,基于所述交通状态预测结果和所述交通流量预测结果,确定对应行驶区间的交通流量管控策略;所述交通流量管控策略包括信号灯控制策略、车道管理策略以及动态限行策略。
具体地,通过监测对应行驶区间的实时交通状况、拥堵预警以及道路情况,从而根据实时交通状态预测未来某一时段局部路段的交通流量,从而适应性采取信号灯控制策略、车道管理策略以及动态限行策略,例如交通拥挤时延长绿灯时间,以达到缓解交通拥挤的问题;又或者一侧车道拥挤一侧车道车少,则可以临时下达占道行驶指令,使车辆走车少的道路,达到缓解交通拥堵的问题。从而达到帮助交通规划、交通管理和路线选择的目的。
步骤S402,基于所述交通流量预测结果,确定对应行驶区间的行车路径引导管控策略;所述行车路径引导管控策略包括行车路径提醒策略以及动态路径优化策略。
具体地,通过监测高速公路上各个车道的异常事件,以及各个车道的车流量,从而合理化的向司机端发出路径优化信息,例如A路段拥挤时,会向司机端发送提示信息,用于提示A路段拥挤;并重新规划行车路径,以确保车辆实时处于最优行驶路线上。
在一些优选的实施例中,所述方法还包括:初始化所述交通流预测模型的网络权重,确定输入维度、输出维度、隐藏层层数、卷积核维度、步长、训练批次和残差单元数量;利用训练集训练所述交通流预测模型;将数据融合结果输入至训练好的交通流预测模型中,输出预测值;根据训练批次,利用反向传播算法训练交通流预测模型,更新交通流预测模型的权重值;训练完成后,利用测试集测试所述交通流预测模型的预测精度。
具体地,上述步骤可以理解为模型训练或者模型由于预测精度不达标重新优化的具体实施例。其中,训练集和测试集均为历史时间段内包含时间、空间和天气特征的综合数据集,其比例为训练集80%和测试集20%。上述交通流预测模型可以卷积神经网络,其具体网络结构在此不作具体限定。
在一些优选的实施例中,所述交通数据包括交通运行状态数据、道路结构状态数据、车辆微观数据;所述天气数据包括气象环境状态数据;所述对每个行驶区间的交通数据和天气数据进行数据融合,包括:对每个行驶区间的交通运行状态数据、道路结构状态数据、车辆微观数据以及气象环境状态数据进行数据融合。
本发明具有以下技术效果:
1、边缘云计算平台的控制模型是本发明构建边缘智能的技术关键,该模型能够实时融合不同来源的交通数据,支持本地实时决策和控制,并通过云边协同和云端的反馈进行流量预测模型和算法的优化,这种反馈循环可以不断提升边缘智能的性能和准确性,进而提高交通流量预测的效果。
2、本发明利用多个数据源,如高速公路监测设备、气象监测设备、车载终端等,获取交通流量数据和天气数据,从特征层对多源数据进行融合,从而得到更全面、更准确的交通流量预测结果。
3、针对高速公路的特点,本发明引入了空间分段和场景感知的方法。通过将高速公路划分为不同的空间段,并结合交通流量的时空分布特征,能够更好地捕捉交通流量变化规律和拥堵情况,提高预测的准确性。
4、本发明基于边缘智能,在边缘节点上进行实时的交通流量预测和分析,可以利用动态实时的交通流数据,结合天气数据预测未来交通流量,为交通管理者和驾驶员提供及时的交通状态和拥堵预警信息。
在本实施例中还提供了一种高速公路交通管控设备,该高速公路交通管控设备包括:多个数据采集单元、多个数据处理单元,以及控制单元:
至少一个数据采集单元设置于高速公路的对应行驶区间内,所述数据采集单元用于采集对应行驶区间内的交通数据以及环境数据,并将所述交通数据以及所述环境数据发送给所述控制单元;所述高速公路被区间划分为多个行驶区间;
每个数据处理单元设置于高速公路的对应行驶区间内,所述数据处理单元用于接收对应行驶区间内的至少一个数据采集单元发来的所述交通数据以及所述环境数据,以及对所述交通数据以及所述环境数据进行数据处理,生成交通流预测结果,并将所述交通流预测结果发送给所述控制单元;
所述控制单元用于接收每个行驶区间对应的数据处理单元发来的交通流预测结果,并基于多个交通流预测结果生成交通管控策略。
具体地,数据采集单元(例如图5中的前端设备),可以为车辆检测器、摄像机、气象检测器、车道控制灯、可变情报板等,以及OBU、辅助驾驶终端、自动驾驶终端、导航终端等车载终端;数据处理单元(例如图5中的智能边缘一体机,智能边缘一体机是部署在高速公路沿线路域范围内,实现路侧边缘计算功能的装置,部署在不同位置的多台智能边缘一体机通过光纤专网构成边缘云计算平台,实现边缘智能),每个数据处理单元包括路侧边缘服务器,以及与路侧边缘服务器连接的前端设备接口和用户接口;控制单元(例如图5中的高速公路云控平台),高速公路云控平台是指部署在高速公路监控中心,采用“云边端”协同架构,利用人工智能、大数据、云计算等关键技术,对路侧边缘计算设备及其他路侧设备上传的海量信息进行分层级处理和决策分析,具备对高速公路进行精确管控和高效运营管理功能的基础支撑平台。
更具体地,从图5中可以看出:边缘云计算平台向下可以通过丰富的前端设备接口和用户接口接入不同种类和数量的前端设备,并对接入的前端设备进行数据采集、处理与控制,通过边缘侧的自主决策控制,减小网络传输对于算力实时性的损耗,降低带宽需求,从而在局部区域内实现对交通状态的精准感知、对交通流的精准预测和管控等功能。边缘云计算平台向上对接高速公路云控平台,将处理后的数据,比如流量预测结果、事件分析结果等,汇聚到云控平台进行统筹分析,通过云边协同完成全局的交通决策。
更具体地,边缘云计算平台的控制模型如图6所示。基于该模型,既可以实施边缘安全控制服务,也可以实施云边协同控制。边缘云计算平台通过应用场景分析,启动路段分割算法,针对具体的场景特点,划分最优的高速公路空间分段。在此基础上,针对局部路段采集交通运行状态、气象环境状态、道路结构状态以及车辆微观状态等交通数据,结合中心云控平台的反馈信息,进行感知融合分析,包括交通状态分析、交通流量预测等分析模块,将分析结果输出到中心云控平台;同时,根据感知融合分析的结果,还可以在本地产生局部最优的交通流量管控和行车路径引导等局部路段策略集,提供给中心云控平台作为制定总体决策的依据,从而获得全局最优的交通策略。基于云边任务划分,在中心云授权下,边缘云也可以为自动驾驶/辅助驾驶车辆提供行车控制及决策建议等时效要求高的边缘安全控制服务,提高服务的及时性,提升用户体验。
本发明还给出了一个具体实施方式,如下所示:
在高速公路沿线按照3~5公里的间距部署多台智能边缘一体机,通过专用光纤环网将各台智能边缘一体机连接在一起。智能边缘一体机具备计算、存储和网络等基础资源,并且能够提供前端设备接入、边缘管理、边缘服务和云边协同等边缘计算功能,是构建边缘云计算平台,实现边缘智能的基础设备。高速公路沿线部署多种前端设备,包括车辆检测器、摄像机、雷达、气象检测器等,这些设备实时采集交通数据和天气数据。智能边缘一体机通过前端设备接口接入所负责的路段区域内的前端设备,收集各设备实时采集的交通数据和天气数据。在高速公路监控中心部署云控平台,云控平台采用“云边端”协同架构,对边缘云计算平台上传的数据进行分层级处理和决策分析,同时,也能将反馈信息下发给边缘云计算平台。
在智能边缘一体机上搭建边缘云计算平台,基于该平台实现边缘智能,采用Go语言设计实现,包含路段分割、数据采集、数据融合、智能分析、本地决策和边缘安全控制等功能模块。
路段分割模块:根据应用场景分析,对高速公路空间进行路段分割,划分最优的局部路段,针对本发明的交通流预测场景,可以采用的方法包括基于地理位置的划分、基于路网拓扑结构的划分、基于聚类分析的划分等。具体采用的路段划分方法根据高速公路的特点决定,比如针对特定地理区域的交通流预测任务,采用基于地理位置的划分方法,对于具有相似交通特征的路段,采用基于聚类分析的划分方法等。在完成路段划分后,智能边缘一体机负责对划分的局部路段进行数据采集、处理和分析。
数据采集模块:利用边缘计算中间件EdgeX Foundry作为前端设备接入的工具,通过开放标准和框架管理和连接各种前端设备,将不同类型和品牌的前端设备与边缘云计算平台进行集成,实现前端设备数据的统一采集、处理和传输。
数据融合模块,利用KubeEdge作为云边协同的工具,实现云端和边缘节点的协同工作,通过该工具云端可以将任务、配置和指令发送到边缘节点上,边缘节点可以根据云端的调度和控制进行处理和执行。将云端的反馈信息和数据采集阶段获取的交通运行状态、气象环境状态、道路结构状态以及车辆微观状态进行感知融合分析,以获取更全面、准确和综合的信息,为后续阶段提供更多的维度和视角,从而增强数据的分析和应用能力。
智能分析模块:采用数据挖掘、机器学***台,也能作为本地决策模块和边缘安全控制模块的输入。
本地决策模块:根据智能分析结果制定交通管控策略,包含交通流量管控和行车路径引导等功能。交通流量管控指根据实时交通状态和流量预测结果,采取动态信号控制、车道管理、动态限行等措施控制交通流量,以缓解拥堵、优化交通***的运行效率;行车路径引导是指根据交通流量预测结果和道路状况,提供行车路径建议、动态路径优化等,指引驾车者选择最佳路线,避开拥堵路段。
边缘安全控制模块:数据融合模块、智能分析模块和本地决策模块的结果也能输出到边缘安全控制模块,根据这些结果产生边缘安全控制策略,为自动驾驶/辅助驾驶车辆提供行车控制及决策建议等时效要求高的边缘安全控制服务,提高服务的及时性,提升用户体验。
基于边缘云计算平台的高速公路交通流预测方法,包含以下步骤:
步骤1:根据高速公路路段划分,采集局部路段的交通流数据和天气数据,包括车辆的行驶速度、车道占用情况和车辆数量等交通流数据,以及温度、降雨量、风速、能见度等天气数据,对原始数据进行预处理,目的是剔除数据中的无效数据,确保交通流预测的准确性。
步骤2:通过周期性、趋势性和季节性等方式提取交通流数据的时间特征,通过高速公路路段划分提取空间特征,考虑天气变化对交通流的影响,将天气数据作为外部特征,基于不同特征对数据进行融合。
步骤3:利用预先部署的交通流量预测算法模型对融合后的数据进行计算分析,进行本路段的交通流量预测,得到初步的预测结果。
步骤4:根据设定的精度阈值对预测结果进行判断,如果满足精度要求,则将预测结果输出到交通流量管控、行车路径引导等应用模块,或者将预测结果上传到中心云控平台;如果不满足精度要求,则输出反馈结果到模型训练和优化模块。
步骤5:模型训练和优化模块根据反馈结果重新训练和优化交通流量预测模型,进一步提高预测的准确性和可靠性,并更新预测模型和参数,进行新一轮的预测和优化,直到生成最优的流量预测模型。
步骤6:当模型训练达到最优时,就可以利用训练好的模型,实时进行交通流量的预测和分析。根据当前的交通流量数据和天气数据,预测出具体路段在未来时间段内的交通流量情况,提供精准的交通流量预测结果。
本公开实施例与现有技术相比存在的有益效果是:
1、提高交通流量预测的准确性:本发明利用边缘智能算法和多源数据融合,能够更全面、精确地对高速公路交通流量进行预测。相比传统方法,本发明考虑了交通流量的空间特征和多种影响因素,利用高速公路空间分段和不同来源原始数据的融合分析,更好地捕捉交通流量变化规律,提高预测的准确性。
2、实现交通流量预测的实时性:本发明基于边缘智能的技术方案,能够在路侧边缘实时进行交通流量的预测和分析。相比传统方法需要依赖云控平台进行数据处理的方式,本发明充分利用边缘计算能力,降低了数据传输延迟,实现了更快速的实时预测。
3、提高交通管理和出行效率:本发明的技术方案能够实时、准确地获取交通流量预测结果,并将预测结果应用于交通管理决策中。通过及时了解道路拥堵情况、交通状况预测和流量分布信息,交通管理者可以根据预测结果采取相应措施,以提高交通管理的效率和减少拥堵状况。同时,对出行者而言,能够根据交通流量预测结果进行更合理的行程规划,避开交通拥堵区域,提高出行效率。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
图7是根据本公开的高速公路交通流预测装置的一些实施例的结构示意图。如图7所示,该高速公路交通流预测装置包括:
数据采集模块,用于利用高速公路上的数据采集设备采集对应行驶区间的交通数据和天气数据;其中,所述高速公路被划分为多个行驶区间,每个行驶区间设置一个数据处理设备和至少一个数据采集设备;
数据融合模块,用于对每个行驶区间的交通数据和天气数据进行数据融合;
交通流预测结果输出模块,用于将数据融合结果输入至交通流预测模型中,输出每个行驶区间的交通流预测结果。
在一些优选的实施例中,装置还包括:
精度判断模块,用于判断所述交通流预测结果是否满足预设精度阈值;
预测结果发送模块,用于如果所述交通流预测结果满足预设精度阈值,则将所述交通流预测结果发送给高速公路云控平台;所述高速公路云控平台用于接收所述交通流预测结果,并根据所述交通流预测结果确定对应行驶区间的交通管控策略;
模型优化模块,用于如果所述交通流预测结果不满足预设精度阈值,则对所述交通流预测模型进行精度优化,直至优化后的交通流预测模型输出的交通流预测结果满足所述预设精度阈值为止。
在一些优选的实施例中,交通流预测结果包括交通状态预测结果和交通流量预测结果;所述交通状态预测结果用于表示对应行驶区间内的实时交通状态;所述实时交通状态包括道路拥堵情况;所述交通流量预测结果用于表示未来预设时间段内对应行驶区间的交通流量。
在一些优选的实施例中,预测结果发送模块,包括:
交通流量管控策略确定单元,用于基于所述交通状态预测结果和所述交通流量预测结果,确定对应行驶区间的交通流量管控策略;所述交通流量管控策略包括信号灯控制策略、车道管理策略以及动态限行策略;
行车路径引导管控策略确定单元,用于基于所述交通流量预测结果确定对应行驶区间的行车路径引导管控策略;所述行车路径引导管控策略包括行车路径提醒策略以及动态路径优化策略。
在一些优选的实施例中,所述交通数据包括交通运行状态数据、道路结构状态数据、车辆微观数据;数据融合模块,包括:数据融合单元,用于对每个行驶区间的交通运行状态数据、道路结构状态数据、车辆微观数据以及气象环境状态数据进行数据融合。
在一些优选的实施例中,装置还包括:
权重初始化模块,用于初始化所述交通流预测模型的网络权重,确定输入维度、输出维度、隐藏层层数、卷积核维度、步长、训练批次和残差单元数量;
模型训练模块,用于利用训练集训练所述交通流预测模型;
预测值输出模块,用于将数据融合结果输入至训练好的交通流预测模型中,输出预测值;
更新权重值模块,用于根据训练批次,利用反向传播算法训练交通流预测模型,更新交通流预测模型的权重值;
预测精度测试模块,用于在训练完成后,利用测试集测试所述交通流预测模型的预测精度。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本公开实施例的实施过程构成任何限定。
下面参考图8,其示出了适于用来实现本公开的一些实施例的电子设备800的结构示意图。图8示出的服务器仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图8所示,电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中,还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
通常,以下装置可以连接至I/O接口805:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807;包括例如磁带、硬盘等的存储装置808;以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图8中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置809从网络上被下载和安装,或者从存储装置808被安装,或者从ROM 802被安装。在该计算机程序被处理装置801执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:利用高速公路上的数据采集设备采集对应行驶区间的交通数据和天气数据;其中,所述高速公路被划分为多个行驶区间,每个行驶区间设置一个数据处理设备和至少一个数据采集设备;对每个行驶区间的交通数据和天气数据进行数据融合;将数据融合结果输入至交通流预测模型中,输出每个行驶区间的交通流预测结果。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种高速公路交通流预测方法,其特征在于,所述方法应用于数据处理设备,所述方法包括:
利用高速公路上的数据采集设备采集对应行驶区间的交通数据和天气数据;其中,所述高速公路被划分为多个行驶区间,每个行驶区间设置一个数据处理设备和至少一个数据采集设备;
对每个行驶区间的交通数据和天气数据进行数据融合;
将数据融合结果输入至交通流预测模型中,输出每个行驶区间的交通流预测结果。
2.根据权利要求1所述的高速公路交通流预测方法,其特征在于,所述方法还包括:
判断所述交通流预测结果是否满足预设精度阈值;
如果所述交通流预测结果满足预设精度阈值,则将所述交通流预测结果发送给高速公路云控平台;所述高速公路云控平台用于接收所述交通流预测结果,并根据所述交通流预测结果确定对应行驶区间的交通管控策略;
如果所述交通流预测结果不满足预设精度阈值,则对所述交通流预测模型进行精度优化,直至优化后的交通流预测模型输出的交通流预测结果满足所述预设精度阈值为止。
3.根据权利要求1或2所述的高速公路交通流预测方法,其特征在于,交通流预测结果包括交通状态预测结果和交通流量预测结果;
所述交通状态预测结果用于表示对应行驶区间内的实时交通状态;所述实时交通状态包括道路拥堵情况;
所述交通流量预测结果用于表示未来预设时间段内对应行驶区间的交通流量。
4.根据权利要求3所述的高速公路交通流预测方法,其特征在于,所述根据所述交通流预测结果确定对应行驶区间的交通管控策略,包括:
基于所述交通状态预测结果和所述交通流量预测结果,确定对应行驶区间的交通流量管控策略;所述交通流量管控策略包括信号灯控制策略、车道管理策略以及动态限行策略;
基于所述交通流量预测结果确定对应行驶区间的行车路径引导管控策略;所述行车路径引导管控策略包括行车路径提醒策略以及动态路径优化策略。
5.根据权利要求1或2所述的高速公路交通流预测方法,其特征在于,所述交通数据包括交通运行状态数据、道路结构状态数据、车辆微观数据;
所述天气数据包括气象环境状态数据;所述对每个行驶区间的交通数据和天气数据进行数据融合,包括:
对每个行驶区间的交通运行状态数据、道路结构状态数据、车辆微观数据以及气象环境状态数据进行数据融合。
6.根据权利要求1或2所述的高速公路交通流预测方法,其特征在于,所述方法还包括:
初始化所述交通流预测模型的网络权重,确定输入维度、输出维度、隐藏层层数、卷积核维度、步长、训练批次和残差单元数量;
利用训练集训练所述交通流预测模型;
将数据融合结果输入至训练好的交通流预测模型中,输出预测值;
根据训练批次,利用反向传播算法训练交通流预测模型,更新交通流预测模型的权重值;
训练完成后,利用测试集测试所述交通流预测模型的预测精度。
7.一种高速公路交通管控设备,其特征在于,所述高速公路交通管控设备用于实现权利要求1至6中任一项的高速公路交通流预测方法,所述高速公路交通管控设备包括多个数据采集单元、多个数据处理单元,以及控制单元:
至少一个数据采集单元设置于高速公路的对应行驶区间内,所述数据采集单元用于采集对应行驶区间内的交通数据以及环境数据,并将所述交通数据以及所述环境数据发送给所述控制单元;所述高速公路被区间划分为多个行驶区间;
每个数据处理单元设置于高速公路的对应行驶区间内,所述数据处理单元用于接收对应行驶区间内的至少一个数据采集单元发来的所述交通数据以及所述环境数据,以及对所述交通数据以及所述环境数据进行数据处理,生成交通流预测结果,并将所述交通流预测结果发送给所述控制单元;
所述控制单元用于接收每个行驶区间对应的数据处理单元发来的交通流预测结果,并基于多个交通流预测结果生成交通管控策略。
8.一种高速公路交通流预测装置,其特征在于,包括:
数据采集模块,用于利用高速公路上的数据采集设备采集对应行驶区间的交通数据和天气数据;其中,所述高速公路被划分为多个行驶区间,每个行驶区间设置一个数据处理设备和至少一个数据采集设备;
数据融合模块,用于对每个行驶区间的交通数据和天气数据进行数据融合;
交通流预测结果输出模块,用于将数据融合结果输入至交通流预测模型中,输出每个行驶区间的交通流预测结果。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并且可以在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-6中任一项所述高速公路交通流预测方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述高速公路交通流预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311591796.8A CN117612386A (zh) | 2023-11-27 | 2023-11-27 | 高速公路交通流预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311591796.8A CN117612386A (zh) | 2023-11-27 | 2023-11-27 | 高速公路交通流预测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117612386A true CN117612386A (zh) | 2024-02-27 |
Family
ID=89957575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311591796.8A Pending CN117612386A (zh) | 2023-11-27 | 2023-11-27 | 高速公路交通流预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117612386A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111127888A (zh) * | 2019-12-23 | 2020-05-08 | 广东工业大学 | 一种基于多源数据融合的城市交通流预测方法 |
CN113706862A (zh) * | 2021-08-04 | 2021-11-26 | 同济大学 | 一种考虑路网容量约束的分布式主动均衡管控方法 |
CN114463977A (zh) * | 2022-02-10 | 2022-05-10 | 北京工业大学 | 一种基于车路协同多源数据融合交通流预测的路径规划方法 |
CN114664091A (zh) * | 2022-04-26 | 2022-06-24 | 中远海运科技股份有限公司 | 一种基于节假日流量预测算法的预警方法及*** |
CN115148019A (zh) * | 2022-05-16 | 2022-10-04 | 中远海运科技股份有限公司 | 一种基于节假日拥堵预测算法的预警方法及*** |
WO2022247677A1 (zh) * | 2021-05-28 | 2022-12-01 | 南京师范大学 | 基于混合深度学习模型的城市区域路网过车流量预测方法及其*** |
CN115691165A (zh) * | 2022-09-28 | 2023-02-03 | 北京东土拓明科技有限公司 | 一种交通信号灯调度方法、装置、设备及可读存储介质 |
KR20230057558A (ko) * | 2021-10-22 | 2023-05-02 | 세종대학교산학협력단 | 딥러닝을 이용한 단기 교통 흐름 예측 방법 및 그 장치 |
CN116311948A (zh) * | 2023-05-11 | 2023-06-23 | 武汉理工大学三亚科教创新园 | 基于交通流速度预测和信号灯状态的车辆路径规划方法 |
CN116504076A (zh) * | 2023-06-19 | 2023-07-28 | 贵州宏信达高新科技有限责任公司 | 基于etc门架数据的高速公路车流量预测方法 |
-
2023
- 2023-11-27 CN CN202311591796.8A patent/CN117612386A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111127888A (zh) * | 2019-12-23 | 2020-05-08 | 广东工业大学 | 一种基于多源数据融合的城市交通流预测方法 |
WO2022247677A1 (zh) * | 2021-05-28 | 2022-12-01 | 南京师范大学 | 基于混合深度学习模型的城市区域路网过车流量预测方法及其*** |
CN113706862A (zh) * | 2021-08-04 | 2021-11-26 | 同济大学 | 一种考虑路网容量约束的分布式主动均衡管控方法 |
KR20230057558A (ko) * | 2021-10-22 | 2023-05-02 | 세종대학교산학협력단 | 딥러닝을 이용한 단기 교통 흐름 예측 방법 및 그 장치 |
CN114463977A (zh) * | 2022-02-10 | 2022-05-10 | 北京工业大学 | 一种基于车路协同多源数据融合交通流预测的路径规划方法 |
CN114664091A (zh) * | 2022-04-26 | 2022-06-24 | 中远海运科技股份有限公司 | 一种基于节假日流量预测算法的预警方法及*** |
CN115148019A (zh) * | 2022-05-16 | 2022-10-04 | 中远海运科技股份有限公司 | 一种基于节假日拥堵预测算法的预警方法及*** |
CN115691165A (zh) * | 2022-09-28 | 2023-02-03 | 北京东土拓明科技有限公司 | 一种交通信号灯调度方法、装置、设备及可读存储介质 |
CN116311948A (zh) * | 2023-05-11 | 2023-06-23 | 武汉理工大学三亚科教创新园 | 基于交通流速度预测和信号灯状态的车辆路径规划方法 |
CN116504076A (zh) * | 2023-06-19 | 2023-07-28 | 贵州宏信达高新科技有限责任公司 | 基于etc门架数据的高速公路车流量预测方法 |
Non-Patent Citations (1)
Title |
---|
姚午开;韩子雯;高志波;: "高速公路交通状态预测的多源数据融合研究", 公路与汽运, no. 03, 27 May 2019 (2019-05-27) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110361024B (zh) | 用于利用车辆组标识的动态车道级车辆导航的方法和*** | |
CN110376594B (zh) | 一种基于拓扑图的智能导航的方法和*** | |
CN111859291A (zh) | 交通事故识别方法、装置、设备和计算机存储介质 | |
CN108648451A (zh) | 一种交通数据处理设备和交通态势管理*** | |
CN113906716A (zh) | 雾节点资源的分配 | |
CN111383444B (zh) | 预测路况状态的方法、装置、服务器及存储介质 | |
US20230326352A1 (en) | Platoon driving control method and apparatus, medium, and electronic device | |
KR20210151716A (ko) | 차량 네비게이션을 위한 방법, 장치, 기기, 시스템 및 클라우드 제어 플랫폼 | |
CN110704491B (zh) | 数据查询方法和装置 | |
US11394612B2 (en) | Distributed systems and extracting configurations for edge servers using driving scenario awareness | |
CN111341093A (zh) | 车队的控制方法、装置、设备及存储介质 | |
CN114662583A (zh) | 应急事件防控调度方法、装置、电子设备和存储介质 | |
CN113380037B (zh) | 一种交通信息采集方法和装置 | |
CN116698075B (zh) | 路网数据处理方法、装置、电子设备及存储介质 | |
CN115994726B (zh) | 派送路径调整方法、装置、电子设备和计算机可读介质 | |
CN113344277A (zh) | 预测模型训练方法、状态更新方法、装置、设备和介质 | |
CN111586557A (zh) | 车辆通信方法、装置、计算机可读介质及电子设备 | |
CN117612386A (zh) | 高速公路交通流预测方法、装置、计算机设备和存储介质 | |
US11393336B2 (en) | Smog analysis via digital computing platforms | |
CN115966098A (zh) | 一种预测公交车到站时间的方法及设备 | |
CN114862491A (zh) | 车辆位置确定方法、派单方法、装置、服务器及存储介质 | |
KR102302486B1 (ko) | 도시 도로의 운행 속도 처리 방법, 도시 도로의 운행 속도 처리 장치, 기기 및 비휘발성 컴퓨터 저장 매체 | |
CN112185112A (zh) | 一种基于人工智能的交通管理方法、设备及*** | |
CN115171416B (zh) | 推荐行驶信息发送方法、装置、电子设备和介质 | |
Zhu et al. | Cost Analysis of Vehicle‐Road Cooperative Intelligence Solutions for High‐Level Autonomous Driving: A Beijing Case Study |
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 |