-
公开(公告)号：CN118411838B
公开(公告)日：2025-03-21
申请号：CN202410348024.X
申请日：2024-03-26
Applicant: 东南大学
Abstract: 本发明构建了一种混合网联环境应急车辆时空路权协同优先控制方法，以提高混合网联环境下应急车辆的救援效率，同时避免对社会车辆造成较大延误。首先，针对混合网联环境下的网联车辆与人工车辆提出了一种基于CV精细化轨迹数据的车辆轨迹重构方法，用于估计各车道的交通状态；之后，提出了基于红灯早断、绿灯延长等方案的时间路权优先策略以及基于应急优先车道、动态清空距离等方案的空间路权优先策略；最后，基于模型预测控制框架设计了一种主动优先控制算法，通过速度引导、信号优先控制等方式保障应急车辆的优先通行权。
-
公开(公告)号：CN117037461A
公开(公告)日：2023-11-10
申请号：CN202210867442.0
申请日：2022-07-22
Applicant: 东南大学
IPC: G08G1/01 , G06F16/9537 , G06N3/0464
Abstract: 本发明公开了一种基于多权重图三维卷积的路网交通拥堵预测方法，该方法使用的模型包括图三维卷积模块和事故模块事故影响模块。在图三维模块中，首先使用权重图卷积提取考虑多种静态外部因素(兴趣点和道路结构属性)的空间异质性影响下的交通拥堵空间关联性，再使用三维卷积考虑多种静态外部因素的时间异质性影响下的交通拥堵时间关联性。事故模块事故影响模块使用简单神经网络，不仅根据事故本身的特征(事故类型、严重程度等)、事故发生地点和从事故发生到预测时间步长的时间长度，提取了事故影响在不同时间和路段上的交通拥堵的不同影响，即时空异质性影响。为避免稀疏的事故数据造成模型过拟合，事故模块事故影响模块被单独构建，独立与图三维模块之外，且在邻近历史时间段内路网上有事故发生时才被使用。
-
公开(公告)号：CN116279484A
公开(公告)日：2023-06-23
申请号：CN202310305219.1
申请日：2023-03-27
Applicant: 东南大学
Abstract: 本发明提供一种融合演化博弈与机器学习的多风格驾驶者强制换道预测方法，该方法包括基于车辆轨迹数据提取表示换道车辆与周围车辆博弈状态的特征向量及车辆换道决策观测值，建立强制换道观测数据集；利用高斯混合聚类方法，将车辆分为两种驾驶风格，根据换道车辆和目标车道后车的不同驾驶风格，将换道博弈分为四类，将观测数据集划分为相对应的四个子集；根据四个子集的车辆轨迹数据，分别利用演化博弈论EGT及碰撞时间指标输出换道决策；建立融合演化博弈论和机器学习的强制换道模型EGT‑ML，将基于EGT的换道决策加入训练集中，并在训练集上进行模型训练，在观测数据集上评价预测效果，结果表明模型具有较高的准确率和较强的鲁棒性。
-
公开(公告)号：CN113724510B
公开(公告)日：2022-08-16
申请号：CN202110830390.5
申请日：2021-07-22
Applicant: 东南大学
Abstract: 本发明公开了一种应急信号优先与社会车辆动态路径诱导协同优化方法，基于复杂网络理论构造路网韧性能力指标；将韧性能力较低的节点删除。在此基础上构建应急救援路径双层规划模型，上层目标是最大化应急信号优先对应急救援车辆延误的减少量，使得应急救援车辆的行程延误最小；下层目标是优化交通流分配，使得社会车辆的行程时间最小。应急车辆每通过一个交叉口后根据当前路网交通状态更新子网路、应急救援路径、应急信号优先策略以及社会车辆诱导方案，直至抵达事故地点。本发明考虑了应急救援任务对路网韧性能力的负面影响，构建双层规划模型实现应急救援效率与社会车辆通行效率之间的博弈均衡，有效避免路网级联失效甚至二次交通事故的发生。
-
公开(公告)号：CN113724510A
公开(公告)日：2021-11-30
申请号：CN202110830390.5
申请日：2021-07-22
Applicant: 东南大学
Abstract: 本发明公开了一种应急信号优先与社会车辆动态路径诱导协同优化方法，基于复杂网络理论构造路网韧性能力指标；将韧性能力较低的节点删除。在此基础上构建应急救援路径双层规划模型，上层目标是最大化应急信号优先对应急救援车辆延误的减少量，使得应急救援车辆的行程延误最小；下层目标是优化交通流分配，使得社会车辆的行程时间最小。应急车辆每通过一个交叉口后根据当前路网交通状态更新子网路、应急救援路径、应急信号优先策略以及社会车辆诱导方案，直至抵达事故地点。本发明考虑了应急救援任务对路网韧性能力的负面影响，构建双层规划模型实现应急救援效率与社会车辆通行效率之间的博弈均衡，有效避免路网级联失效甚至二次交通事故的发生。
-
Patent Agency Ranking
-
公开(公告)号：CN119723865A
公开(公告)日：2025-03-28
申请号：CN202411597897.0
申请日：2024-11-11
Applicant: 东南大学
IPC: G08G1/01 , G06N5/025 , G06F18/214 , G06F18/24 , G06Q50/26
Abstract: 本发明公开了一种基于因果机器学习的交叉口行人‑左转车辆冲突风险因素量化方法，具体为：1：提取行人‑左转车辆冲突数据；2：将行人‑左转车辆冲突数据与信号控制类型Ttype以及安全影响因素匹配；3：构建有向无环图；4：基于有向无环图，利用双重鲁棒学习算法构建了不同信号控制类型下的因果推断模型，在安全影响因素中挖掘与对行人‑左转车辆冲突相关的因素作为冲突风险因素，并估计不同信号控制类型对行人‑左转车辆冲突风险的异质性因果效应。本发明能够有效地识别并处理混淆因素，提高了模型在面对真实世界数据时的鲁棒性和泛化能力。
-
公开(公告)号：CN119445833A
公开(公告)日：2025-02-14
申请号：CN202411407213.6
申请日：2024-10-10
Applicant: 东南大学
Abstract: 本发明提出了一种考虑宏‑微观数据耦合的城市道路拥堵评价方法，包括如下步骤：S1：获取GIS地理信息数据，利用复杂网络理论对交通网络进行建模；S2：对车辆GPS轨迹数据进行预处理，提取各路段的速度信息，得到交通状态指标；S3：根据各路段的速度信息，得到渗流阈值；S4：根据渗流阈值，得到各路段的运行状态阈值；S5：根据交通状态指标，得到运行状态指标，结合运行状态阈值，得到系统拥塞指数SCI。本发明提出耦合宏观和微观的道路拥堵评价方法，针对城市道路拥堵状况评价问题，避免了引入多源数据带来的探测器的类型和质量差异、成本效益及数据实时性的不确定性，同时解决仅从宏观视角描述交通状况导致的丢失具体路段详细信息问题。
-
公开(公告)号：CN116469250B
公开(公告)日：2024-10-18
申请号：CN202310305362.0
申请日：2023-03-27
Applicant: 东南大学
IPC: G08G1/01
Abstract: 本发明公开了一种基于迁移学习的城市路网动态OD估计方法。本发明的研究对象是城市路网中的动态交通需求，方法的基础数据包括社会车辆车牌识别数据以及出租车GPS数据，基于迁移学习的框架完成有监督的动态OD估计。考虑到载客状态下的出租车与社会车辆的行程具有相似性，分别从号牌数据和GPS数据中提取有效的同构出行行程数据，应用迁移学习将出租车数据中的出行起讫点识别知识应用于社会车辆号牌数据，确定社会车辆出行的起终点从而完成动态OD估计。
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.017 seconds)
