-
公开(公告)号：CN113689720A
公开(公告)日：2021-11-23
申请号：CN202110795100.8
申请日：2021-07-14
Applicant: 东南大学
Abstract: 本发明公开了一种基于卷积神经网络的自动交叉口通行决策方法，步骤依次为，建立自动交叉口模型；基于计划树的方法确定所有可行的通过顺序；采集车辆轨迹数据，利用计划树列举出所有候选的通过顺序，遍历每种顺序并得到各顺序对应的时耗，建立用于描述交通状态和通行顺序的张量，构建张量‑时耗数据库；构建并训练卷积神经网络，通过训练好的卷积神经网络得到最短时耗的张量对应的通行顺序作为最终通行方案。本发明可显著减少计算时间，降低行车延误，提高通行速度。
-
公开(公告)号：CN117975754A
公开(公告)日：2024-05-03
申请号：CN202410173732.4
申请日：2024-02-07
Applicant: 东南大学
IPC: G08G1/0967 , G08G1/01 , G06N3/0464 , G06N3/092
Abstract: 本发明公开了一种基于DQN和CNN的高速公路自动驾驶专用道车辆汇入方法，属于自动驾驶技术领域。本发明方法主要包括：依据高速公路单向多车道场景搭建强化学习模型，包括建立基于检测区道路网格化处理得到的状态空间、基于换道关键区的开放是否和持续时间设置动作空间、构建奖励函数以增加平均绿灯时间内的换道车辆数和降低换道信号开放成本；基于CNN的智能体采用DQN算法进行汇入策略求解，训练基于DQN‑CNN的深度强化学习模型，获得高速公路自动驾驶专用道车辆智能汇入模型。本发明利用深度强化学习算法提高了高速公路场景下自动驾驶车辆汇入专用道时的安全性和高效性，可以更好地解决高速公路系统中复杂多变的交通问题。
-
公开(公告)号：CN115578861A
公开(公告)日：2023-01-06
申请号：CN202211259399.6
申请日：2022-10-14
Applicant: 东南大学
Abstract: 本发明公开了一种基于嵌入式特征选择策略的高速公路交通流预测方法。该方法首先结合外部影响因素对数据集进行剔除与分割，生成初始时间特征集合；基于斯皮尔曼关联性系数法，过滤初始时间特征集合的冗余信息，结合嵌入式时间特征选择策略，获得近似最优时间特征子集；融合目标高速路网形成有效时间、车型等，基于最优时间特征子集，利用嵌入式空间特征选择策略，获得最优时空特征子集；进而结合神经网络构建高速公路目标场景最佳交通流预测模型。本发明能够进行精准的时空特征选择和高速公路路网交通流精准预测，对所选时空特征具有良好的可解释性和可读性，可以为高速公路营运管理工作提供数据支撑。
-
Patent Agency Ranking
公开(公告)号：CN116386020A
公开(公告)日：2023-07-04
申请号：CN202310309602.4
申请日：2023-03-27
Applicant: 东南大学
Abstract: 本发明公开了多源数据融合的高速公路收费站出口流量预测方法及系统，获取高速公路收费数据和车辆牌照识别数据，提取各单源数据流量特征，根据待预测收费站出口的时空特性统一各单源时空维度，构建基于收费数据的预测模型和基于车辆牌照识别数据的预测模型，将两个单源预测模型的输出作为多源数据融合预测模型的输入，基于多源数据融合预测模型获取预测流量。本发明结合收费数据和车辆牌照识别数据进行多方位检测，利用多源数据间的互补性和冗余性，避免了基于单一数据源可能存在的检测范围小、数据特征少的局限性，提高了交通预测的准确率。
-
公开(公告)号：CN114360266B
公开(公告)日：2022-12-13
申请号：CN202111560168.4
申请日：2021-12-20
Applicant: 东南大学
Abstract: 本发明公开了一种网联车探测状态感知的交叉口强化学习信号控制方法，在网联自动驾驶车辆具有一定市场渗透率的情况下，将交叉口进口道划分为一定数目的网格，以网联自动驾驶车辆作为移动传感器，探测周围车辆的实时位置、速度等数据，将数据填充到相应的进口道网格中，形成网格填充矩阵。将信号灯视作智能体并设计马尔可夫决策过程，以网格填充矩阵作为智能体状态，以相位切换为动作，以车辆更新等待时间为奖励函数。采用深度策略梯度算法训练智能体，可以减少车辆的等待时间，同时实现排队长度以及平均速度的优化。本发明提出的方法能够在对信号交通口进行控制时减少交通拥堵，缓解因交通拥堵带来的交通延误和碳排放及能源消耗。
-
公开(公告)号：CN114360266A
公开(公告)日：2022-04-15
申请号：CN202111560168.4
申请日：2021-12-20
Applicant: 东南大学
Abstract: 本发明公开了一种网联车探测状态感知的交叉口强化学习信号控制方法，在网联自动驾驶车辆具有一定市场渗透率的情况下，将交叉口进口道划分为一定数目的网格，以网联自动驾驶车辆作为移动传感器，探测周围车辆的实时位置、速度等数据，将数据填充到相应的进口道网格中，形成网格填充矩阵。将信号灯视作智能体并设计马尔可夫决策过程，以网格填充矩阵作为智能体状态，以相位切换为动作，以车辆更新等待时间为奖励函数。采用深度策略梯度算法训练智能体，可以减少车辆的等待时间，同时实现排队长度以及平均速度的优化。本发明提出的方法能够在对信号交通口进行控制时减少交通拥堵，缓解因交通拥堵带来的交通延误和碳排放及能源消耗。
-
公开(公告)号：CN115578861B
公开(公告)日：2023-10-10
申请号：CN202211259399.6
申请日：2022-10-14
Applicant: 东南大学
IPC: G08G1/01 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于嵌入式特征选择策略的高速公路交通流预测方法。该方法首先结合外部影响因素对数据集进行剔除与分割，生成初始时间特征集合；基于斯皮尔曼关联性系数法，过滤初始时间特征集合的冗余信息，结合嵌入式时间特征选择策略，获得近似最优时间特征子集；融合目标高速路网形成有效时间、车型等，基于最优时间特征子集，利用嵌入式空间特征选择策略，获得最优时空特征子集；进而结合神经网络构建高速公路目标场景最佳交通流预测模型。本发明能够进行精准的时空特征选择和高速公路路网交通流精准预测，对所选时空特征具有良好的可解释性和可读性，可以为高速公路营运管理工作提供数据支撑。
-
公开(公告)号：CN113689720B
公开(公告)日：2022-08-05
申请号：CN202110795100.8
申请日：2021-07-14
Applicant: 东南大学
Abstract: 本发明公开了一种基于卷积神经网络的自动交叉口通行决策方法，步骤依次为，建立自动交叉口模型；基于计划树的方法确定所有可行的通过顺序；采集车辆轨迹数据，利用计划树列举出所有候选的通过顺序，遍历每种顺序并得到各顺序对应的时耗，建立用于描述交通状态和通行顺序的张量，构建张量‑时耗数据库；构建并训练卷积神经网络，通过训练好的卷积神经网络得到最短时耗的张量对应的通行顺序作为最终通行方案。本发明可显著减少计算时间，降低行车延误，提高通行速度。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.02 seconds)
