-
公开(公告)号：CN118865681A
公开(公告)日：2024-10-29
申请号：CN202410941855.8
申请日：2024-07-15
Applicant: 东南大学
Abstract: 本发明提出一种基于浮动车数据的信号交叉口排队长度估计方法与系统，首先对低频浮动车数据进行地图匹配；其次构建周期最大排队长度与浮动车空间位置分布的关系模型，基于历史浮动车数据，估计获得周期最大排队的均值；然后基于历史浮动车数据，根据交叉口信号配时数据，提取浮动车样本的周期平均最大排队长度，并获取方差；最后，以获得的均值与方差，定义周期最大排队长度的先验分布，基于当前时段观测的浮动车数据，采用贝叶斯方法，估计获得当前时段周期排队长度的后验分布。本发明利用现实城市路网中可广泛获取的低频低渗透率浮动车数据，实现可普及应用的大范围城市路网信号交叉口排队状态获取，为城市路网交通管理与控制提供基础支撑。
-
公开(公告)号：CN117592695A
公开(公告)日：2024-02-23
申请号：CN202311486201.2
申请日：2023-11-09
Applicant: 东南大学
IPC: G06Q10/0631 , G06Q10/047 , G06Q50/06 , G06Q50/26 , G06F30/27 , G06F119/02
Abstract: 本发明公开了一种基于增强型BP神经网络的机场加油车低碳调度方法，包括：获取机场网络拓扑信息和车辆运行状态数据，建立机场加油车低碳优化调度模型；提出基于增强型BP神经网络，将模型的多变量参数优化问题转化三个单变量子优化问题，初始化三个单变量，依次更新三个单变量，将更新的三个单变量作为增强型BP神经网络的输入，迭代优化直至满足收敛条件，获得权重向量；利用Lyapunov稳定性理论与数学推导，证明提出的增强型BP神经网络方法的稳定性和收敛性；本发明提出基于增强型BP神经网络的加油车路径调度模型，引入学习率的下界函数，避免了自适应梯度下降算法的过早收敛，提高了路径调度的预测精度。
-
公开(公告)号：CN113407906B
公开(公告)日：2024-02-02
申请号：CN202110520000.4
申请日：2021-05-13
Applicant: 东南大学 , 南京瑞栖智能交通技术产业研究院有限公司
IPC: G06F17/18 , G06F16/9537 , G08G1/01 , H04W4/20
Abstract: 本发明公开了一种基于手机信令数据的交通出行分布阻抗函数的确定方法，针对大样本的手机信令数据获取特定时段出行OD数据，结合高德地图API获取的出行距离获取出行概率，利用SPSS中的非线性回归工具，分别选取不同形式的阻抗函数，分区域对出行距离和出行概率进行回归，然后从R方、一区域不同函数、同一函数不同区域分别进行对比分析，根据比较结果最终选择对阻抗函数进行分段拟合，以市域为例回归分析适合市域的分段阻抗函数，为提高出行分布模型预测的提供定性与定量的基础。同时，利用手机大数据的样本量大、覆盖面广以及获得方式成熟稳定且成本较低等特性，增加结果准确性的同时(56)对比文件杨东;韩继国;武平;赵昕.基于手机信令数据的游客识别与出行轨迹匹配方法.交通运输研究.2019,(第06期),全文.杜亚朋;雒江涛;程克非;唐刚;徐正;罗克韧;余疆.基于手机信令和导航数据的出行方式识别方法.计算机应用研究.2017,(第08期),全文.
-
公开(公告)号：CN115100847B
公开(公告)日：2023-05-26
申请号：CN202210550566.6
申请日：2022-05-18
Applicant: 东南大学
IPC: G08G1/01
Abstract: 本发明公开了面向低渗透率网联车轨迹数据的排队服务时间估计方法，该方法首先，根据车速信息判别车辆在路口的排队停车状态，识别标记排队停车车辆。然后，通过对车辆到达、驶离周期的一致性判别，识别标记过饱和车辆。接着，针对欠饱和、过饱和两种情况，将车辆停车状态进行转换，以此为输入构建基于Logistic回归的车辆排队服务时间概率模型。最后，采用拉普拉斯近似方法，基于贝叶斯先验‑后验滚动实现排队服务时间的动态估计。本发明适用于低渗透率数据环境，在网联车车辆轨迹样本有限的条件下，可以实现欠饱和、过饱和场景下的排队服务时间估计，能为基于网联车数据的信号控制优化提供支撑。
-
公开(公告)号：CN116017407A
公开(公告)日：2023-04-25
申请号：CN202211616958.4
申请日：2022-12-15
Applicant: 东南大学
Abstract: 本发明提供了一种手机信令数据驱动的居民出行方式可靠辨识方法，包括：获取手机信令原始数据并预处理；获取居民出行调查数据，并与手机信令数据匹配，获得带有出行方式标签的手机信令数据；提取居民出行特征并结合出行方式标签进行相关性分析；构建基于信息论的贝叶斯网络结构和基于概率论的贝叶斯网络结构，构建融合贝叶斯网络模型；将连续出行特征处理为有序的离散状态，完成贝叶斯网络模型节点参数学习，完成基于贝叶斯网络模型的居民出行方式可靠辨识模型构建。本发明从信息论和概率论角度分别构建贝叶斯网络，考虑到了出行方式特征之间的隐性关系，运用BIC函数进行网络评分，对出行方式的辨识具有更高的可靠度和精度。
-
Patent Agency Ranking
公开(公告)号：CN113763707B
公开(公告)日：2022-08-16
申请号：CN202110953889.5
申请日：2021-08-19
Applicant: 东南大学
Abstract: 本发明公开了一种基于号牌数据的路段溢流和车道阻挡状态辨识方法，该方法根据检测器采集到的车辆身份标识数据，包括时间戳、车牌信息、信号交叉口名称、进口方向、进口车道等信息，获取交通流的到达‑驶离信息；在此基础上，通过卡尔曼滤波模型对交通流的累计到达曲线进行重构；以路段车道上的滞留车辆数和上游交叉口驶离车辆的车头时距为辨识参数，构建路段溢流状态辨识模型；在路段未发生溢流状态下，采用动态时间弯曲法对无车道阻挡状态下的预期累计驶离曲线和实际采集的驶离曲线相似度进行比较，通过时间序列分段法比较左转和相邻直行车道的累计驶离曲线偏移距离，对渠化段车道阻挡状态进行辨识。
-
公开(公告)号：CN114639240A
公开(公告)日：2022-06-17
申请号：CN202210186268.3
申请日：2022-02-28
Applicant: 东南大学
IPC: G08G1/01
Abstract: 本发明公开了一种基于先进先出规则异常侦测的车辆有效行程时间提取方法，步骤为：1、获取路网路口卡口式电子警察检测到的号牌数据，进行上下游号牌匹配；2、筛选出完整通过路段的号牌数据；3、按照车流到达下游交叉口次序，提取车辆通过上游交叉口时的时间戳序列；4、利用车辆先进先出规则，筛检时间戳序列中的异常值，并重新生成符合先进先出规则的时间戳序列；5、将号牌数据与新生成的时间戳序列匹配，计算序列中包含车辆的行程时间值，得到车辆有效路段行程时间。本发明提升了车辆行程时间预处理的科学性和准确性。
-
公开(公告)号：CN108171361B
公开(公告)日：2021-11-12
申请号：CN201711308503.5
申请日：2017-12-11
Applicant: 东南大学
Abstract: 本发明公开了考虑交通冲突指标分布问题的交通仿真模型标定方法，同时考虑效率指标和安全指标，选择合适的交叉口效率指标作为交通仿真建模第一轮标定目标以及第二轮标定目标的约束条件，选择合适的交叉口安全指标作为交通仿真建模第二轮标定目标；通过计算仿真指标的标准差以及选择合适的置信区间对建立的仿真模型的最小所需仿真次数进行估计，有效减少参数校正的仿真试验次数；使用ANOVA检验或相关性检验，筛选出显著影响效率指标和安全指标的仿真参数；建立多约束的标定优化问题，提出使用遗传算法对模型参数进行标定的具体策略和流程；提出适应度参数选取方案；提出模型约束条件选择方案；通过对于交通冲突参数分布进行模型标定。
-
公开(公告)号：CN113299080A
公开(公告)日：2021-08-24
申请号：CN202110468059.3
申请日：2021-04-28
Applicant: 东南大学
Abstract: 本发明公开了一种基于路口交通通行状态的信号实时优化方法，根据路口渠化信息和历史车流信息，确定路口信号配时参数。根据路口所有流向的交通通行状态，计算相位运行过程中每一秒的相位切换分。根据每一秒的相位切换分以及路口绿灯流向的交通通行状态，判断是否结束当前相位。根据本发明信号优化方法能够达到路口信号实时优化，最大化利用路口时空资源。
-
公开(公告)号：CN112634620A
公开(公告)日：2021-04-09
申请号：CN202011546643.8
申请日：2020-12-24
Applicant: 东南大学
Abstract: 本发明公开了基于Encoder‑Decoder深度神经网络的路网动态交通分配方法，依托于车辆轨迹数据，采用LSTM神经网络模型构建Encoder‑Decoder模型，输入为路网交通多时段车流OD，输出为道路断面流量以及交叉口进口道转向流量，构建模型过程引入Attention机制，进行动态交通分配，得到路网交通需求与实际道路流量之间的非线性映射关系。本发明得到的分配模型结果精度较高，解决了传统方法存在的精度低、实时性差等弊端，为解决交通关键技术问题提供有力支撑。
-
-
-
-
-
-
-
-
-
Search Results
130
records
(took 0.024 seconds)
