-
公开(公告)号：CN113362491B
公开(公告)日：2022-05-17
申请号：CN202110603385.0
申请日：2021-05-31
Applicant: 湖南大学
Abstract: 本发明公开了一种基于图卷积神经网络的、具有交互感知的车辆驾驶轨迹预测算法，包含一种半全局图数据处理算法、一种基于M‑product的交互感知图卷积神经网络及一种对预测轨迹进行驾驶行为分析的算法。车辆轨迹数据被组织成由特征矩阵和邻接矩阵组成的图数据格式。处理后的轨迹数据被送入双并行网络中，子网络分别输出不同的embedding，拼接后输入后续的基于GRU的编码器‑解码器网络中，用于时序数据的特征挖掘并输出最终的预测轨迹。本发明能更高效的提取驾驶场景多车之间的时空依赖特征，有更高的车辆轨迹预测精度，并解决了图卷积网络中的数据构造问题，以及驾驶行为分析中对场景背景特征的考虑不足问题。
-
公开(公告)号：CN105321362B
公开(公告)日：2017-10-13
申请号：CN201510717150.9
申请日：2015-10-30
Applicant: 湖南大学
IPC: G08G1/09
Abstract: 本申请发明针对现有技术在交叉路口通行管理中采取固定红绿灯时间控制、车辆之间缺乏信息交互导致的绿灯空放、通行效率不高的缺点，公开了一种基于CPS的无信号交叉路口车辆智能协同通行方法。本方法基于CPS中3C技术的深度融合，辅以GPS技术、车对车通信、速度智能控制技术，提出一种包含车辆通行数据采集、信息处理及通信、决策控制三大步骤的方法，通过接近交叉路口的车辆不断获取己车通行信息并和其他方向车辆进行通信交互以达到实时感知周围环境的目的，在此基础上进行动态决策及控制，即根据周围车辆的通行信息分析己车和其他车辆有无潜在碰撞风险并进行化解，协商车辆通行优先级及对速度进行控制，确保车辆安全高效通行。
-
公开(公告)号：CN105321362A
公开(公告)日：2016-02-10
申请号：CN201510717150.9
申请日：2015-10-30
Applicant: 湖南大学
IPC: G08G1/09
Abstract: 本申请发明针对现有技术在交叉路口通行管理中采取固定红绿灯时间控制、车辆之间缺乏信息交互导致的绿灯空放、通行效率不高的缺点，公开了一种基于CPS的无信号交叉路口车辆智能协同通行方法。本方法基于CPS中3C技术的深度融合，辅以GPS技术、车对车通信、速度智能控制技术，提出一种包含车辆通行数据采集、信息处理及通信、决策控制三大步骤的方法，通过接近交叉路口的车辆不断获取己车通行信息并和其他方向车辆进行通信交互以达到实时感知周围环境的目的，在此基础上进行动态决策及控制，即根据周围车辆的通行信息分析己车和其他车辆有无潜在碰撞风险并进行化解，协商车辆通行优先级及对速度进行控制，确保车辆安全高效通行。
-
公开(公告)号：CN111709378B
公开(公告)日：2022-07-12
申请号：CN202010562317.X
申请日：2020-06-18
Applicant: 湖南大学
Abstract: 本发明属于多传感器高冲突数据融合领域，涉及一种基于JS散度和模糊证据理论的路况状态评估新方法，针对各传感器采集的原始冲突数据，首先把概率中不确定部分的多子集焦元的概率赋值合理分配到单子集上去，JS散度用来度量证据内相同焦元在不同概率分配下的距离和，而相似系数有效测量不同证据主体之间的冲突，再合理地嵌入模糊推理机制客观的度量证据的冲突程度，最后利用支持度得到权重并加权证据得到平均证据,利用数据融合的DS融合规则融合平均证据多次得到可靠的融合结果。有益效果在于合理刻画道路状况，利用模型中综合联系值和全体联系分量的线性关联，采用综合值来具体定量刻画交通道路的拥堵状况及变化趋势，辅助驾驶员的驾驶。
-
公开(公告)号：CN113362491A
公开(公告)日：2021-09-07
申请号：CN202110603385.0
申请日：2021-05-31
Applicant: 湖南大学
Abstract: 本发明公开了一种基于图卷积神经网络的、具有交互感知的车辆驾驶轨迹预测算法，包含一种半全局图数据处理算法、一种基于M‑product的交互感知图卷积神经网络及一种对预测轨迹进行驾驶行为分析的算法。车辆轨迹数据被组织成由特征矩阵和邻接矩阵组成的图数据格式。处理后的轨迹数据被送入双并行网络中，子网络分别输出不同的embedding，拼接后输入后续的基于GRU的编码器‑解码器网络中，用于时序数据的特征挖掘并输出最终的预测轨迹。本发明能更高效的提取驾驶场景多车之间的时空依赖特征，有更高的车辆轨迹预测精度，并解决了图卷积网络中的数据构造问题，以及驾驶行为分析中对场景背景特征的考虑不足问题。
-
Patent Agency Ranking
公开(公告)号：CN113313947A
公开(公告)日：2021-08-27
申请号：CN202110603374.2
申请日：2021-05-31
Applicant: 湖南大学
Abstract: 本发明涉及一种短期交通预测图卷积网络的路况评估方法，属于智能交通领域。通过将表示交通网络中节点的距离二元关系的邻接矩阵抽象为模糊关系矩阵，并通过计算出其传递闭包得到表达所有潜在节点之间联系的转移关系矩阵，并结合注意力机制的自学习矩阵得到基于当前输入的转移关系矩阵，然后将此矩阵用于图卷积过程。有益效果在于，通过权重学习表示出交通网络中数据的转移关系，提高了图卷积网络对交通数据流中动态空间依赖的捕捉能力。同时模型通过构建三类数据集考虑了交通流量中长时间跨度依赖，并通过因果空洞卷积考虑短时间跨度，提高了交通数据预测的准确性。
-
公开(公告)号：CN113283714A
公开(公告)日：2021-08-20
申请号：CN202110502780.X
申请日：2021-05-09
Applicant: 湖南大学
Abstract: 本发明涉及一种基于群决策的交通拥堵抑制方法，属于交通拥堵抑制技术领域。利用网联环境中的终端传感器系统，收集并上传到云平台数据中心，利用城市各路口的交通监控系统采集路口交通数据，形成评价矩阵。对各干路属性权重进行重新赋值并归一化处理，得到综合评价矩阵。根据自身用户偏好和综合评价矩阵数据计算出各干路的综合排序值，并持续向云平台数据中心上传最新数据。在信息物理系统中道路拥堵抑制方面有明显效果，有效的减少道路拥堵阻塞，进而减少了行车的事故率；有效减少了交通行车中的停车率、等待时间，进而降低了出行成本。抑制了交通路网的拥堵，改善了城市干路的交通状况。
-
公开(公告)号：CN106515492B
公开(公告)日：2018-12-25
申请号：CN201611088787.7
申请日：2016-12-01
Applicant: 湖南大学
IPC: B60L11/18
Abstract: 本发明涉及一种基于CPS的电动汽车充电方法，涉及电动汽车充电及相关技术领域。充电管理中心根据电网的实时负载实时调控各充电站的充电功率，充电监控系统负责监控充电站需求总功率是否超过充电管理中心调度值。若充电站需求总功率小于充电管理中心调度值则采用模糊充电方法充电，否则采用了基于模糊多目标优化的遗传算法给电动汽车充电。本发明的优点在于，在电价动态变化的情况下，减少电动汽车的充电成本，同时在给定的时间内尽量将电动汽车充满电；同时减轻电动汽车大规模接入对配电网的影响；不仅避免了大规模充电对电网的影响同时还兼顾了使用者的充电需求和经济利益。
-
公开(公告)号：CN105372528A
公开(公告)日：2016-03-02
申请号：CN201510821187.6
申请日：2015-11-24
Applicant: 湖南大学
IPC: G01R31/00
CPC classification number: G01R31/00
Abstract: 本发明公开了一种电力变压器内部故障的状态检修方法，对变压器的内部故障模型进行仿真，建立起基于符号动力学的电力变压器运行状况的评估模型，以变压器内部故障电流为主要研究对象，研究一种新型的电力变压器状态检修模型。该模型以监测到的变压器内部电流作为输入，根据获取的实时数据与历史数据的比对，结合考虑变压器出厂数据，历史测试数据，对变压器当前状态运行做出评估，判断变压器是否处于故障早期状态，以及故障的类型和故障的程度。目标是将该变压器状态检修模型应用于实际状态检修的过程，以达到节约成本的目的，或者将该状态检修模型用于综合系统，达到优化最终结果的目标。
-
公开(公告)号：CN115796017A
公开(公告)日：2023-03-14
申请号：CN202211453961.9
申请日：2022-11-21
Applicant: 湖南大学
IPC: G06F30/27 , G06F18/214 , G06F119/02
Abstract: 本发明涉及一种基于模糊理论的可解释交通认知方法，属于人工智能技术领域。交通场景实时交通数据被组织成外部属性特征矩阵、交通认知特征矩阵和邻接矩阵，预处理后的外部属性特征矩阵被送入模糊推理机制中，经过特征演算后输出属性影响特征矩阵，该矩阵和交通认知特征矩阵、邻接矩阵一同输入图卷积神经网络中，之后再输入基于门控循环单元的时间特性捕获网络中，最后输出预测结果并用于属性影响模糊分类和交通认知工作。本发明能够高效的提取交通场景中多条道路之间的时间和空间依赖特性，具有更高的交通数据认知性能和可解释性，解决了深度神经网络的透明度低、可解释性差，以及交通认知过程中对交通场景的外部属性特征考虑不足的问题。
-
-
-
-
-
-
-
-
-
Search Results
29
records
(took 0.019 seconds)
