公开(公告)号：CN119475738A

公开(公告)日：2025-02-18

申请号：CN202411538075.5

申请日：2024-10-31

Applicant: 河北交通投资集团有限公司 ,  河北省交通规划设计研究院有限公司 ,  东南大学

Inventor： 何勇海 ,  雷伟 ,  焦彥利 ,  余汪梓 ,  刘攀 ,  高静雅 ,  张龙 ,  李志斌 ,  徐铖铖

IPC: G06F30/20 ,  G06F30/13 ,  G06T7/80 ,  G06T15/00 ,  G06T17/05 ,  G06F18/2134 ,  G06F18/25 ,  G06F111/10

Abstract: 本发明公开了复合交通网络宏微观一体化的微观三维仿真方法及系统，涉及交通仿真技术领域。本发明包括：实时联动全局动态交通场景搭建；多源交通智能体参数融合标定；前后端双向一体化通信渲染模块；复合交通网络场景复现分析响应动态可视化演示交互与评价体系开发以及全视角仿真视频流存档回访分析。本发明基于复合交通网络宏微观一体化，通过发明的改进集中学习‑分布执行深度多源智能体算法、微观仿真模型参数多维度标定、微观交通流个体交互模型以及微观交通评价指标计算体系完成微观三维仿真系统构建，从微观角度为城市交通三维仿真提供了可靠实用的手段。

公开(公告)号：CN118351682B

公开(公告)日：2024-12-13

申请号：CN202410348396.2

申请日：2024-03-26

Applicant: 东南大学 ,  四川数字交通科技股份有限公司

Inventor： 陈垦 ,  罗懿斓 ,  李伟 ,  焦育威 ,  刘攀 ,  李志斌

IPC: G08G1/01

Abstract: 本发明公开了一种基于深度学习的两阶段高速公路车辆离散点轨迹重构方法与系统，包括对基于毫米雷达波数据进行特征提取后采用基于密度的离群值检测算法清洗异常的离散轨迹点；建立高速公路路网拓扑图，考虑基于图论的Betweenness Centrality法识别关键轨迹节点；对清洗后的毫米雷达波多源离散交通流轨迹点利用CA‑LWR方法进行全时空交通流轨迹预测；将离散轨迹点预测得到的交通流轨迹嵌入深度学习的编码器中并作为历史车辆轨迹输入到Transformer中增强目标车辆轨迹重构的精度。本发明能够提高轨迹重构的精度和实时性，有助于优化交通系统、提高交通效率，为高速公路管理者提供数据支撑，同时在自动驾驶领域能够为车辆定速巡航提供较为安全的路径。

公开(公告)号：CN118330600A

公开(公告)日：2024-07-12

申请号：CN202410765213.7

申请日：2024-06-14

Applicant: 南京隼眼电子科技有限公司 ,  东南大学 ,  中路高科交通科技集团有限公司

Inventor： 张凡 ,  张纪升 ,  刘攀 ,  张慧 ,  徐铖铖 ,  陈涛

IPC: G01S7/41

Abstract: 本发明公开了一种雷达恒虚警检测方法、装置、雷达、介质及产品，方法包括：获取雷达的回波信号，并从所述回波信号中确定被检测单元和参考单元；根据所述参考单元的信号强度确定背景强度估计阈值；在当前参考单元的信号强度大于所述背景强度估计阈值的情况下，从所有小于或等于所述背景强度估计阈值的信号强度中确定背景强度估计值；根据所述背景强度估计值生成与环境中噪声和杂波相适应的自适应门限；在所述被检测单元的幅度值大于或等于所述自适应门限的情况下，确定所述被检测单元内存在目标信号。本发明能够提升CFAR检测的准确性。

公开(公告)号：CN115310278B

公开(公告)日：2024-06-11

申请号：CN202210900330.0

申请日：2022-07-28

Applicant: 东南大学

Inventor： 王子寒 ,  史云阳 ,  刘志远 ,  张奇 ,  程文昱 ,  刘攀 ,  徐铖铖

IPC: G06F30/20 ,  G06F16/29 ,  G06F16/215 ,  G06F16/2457 ,  G06F16/2458

Abstract: 本发明公开了一种大规模路网在线微观交通的仿真方法，包括如下步骤：从区域电子地图内提取指定高速公路生成仿真路网，采用地图匹配技术实现真实世界卡口与仿真路网的匹配。采用消息队列将实时卡口数据存储在服务器内，数据预处理后为实时在线仿真系统提供定制化的仿真输入。设计相应逻辑算法建立车流量载入规则，在仿真平台内生成仿真交通流量，并根据实时数据进行仿真环境内的车辆速度控制和车辆状态更新。在仿真预热结束后，通过SUMO内置Traci接口获取仿真平台实时交通流量，与真实卡口数据流量进行对比，验证实时在线系统的仿真准确性。本发明实现了车道级实时道路交通流量重构并提供一种实时仿真准确性的验证方法。

公开(公告)号：CN117010559A

公开(公告)日：2023-11-07

申请号：CN202310970832.5

申请日：2023-08-03

Applicant: 东南大学

Inventor： 李志斌 ,  唐莎 ,  王湉湉 ,  刘攀 ,  徐铖铖

IPC: G06Q10/04 ,  G06Q50/26 ,  G06N3/045 ,  G06N3/048 ,  G06N3/082

Abstract: 本发明公开了一种道路交通事故严重程度与持续时间预测方法，具体为：1、获取道路交通事故严重程度影响因素和道路交通事故持续时间的影响因素；2、建立MobileNetV2‑SENet模型；3、将获取的道路交通事故严重程度影响因素数据转换为图像数据输入至MobileNetV2‑SENet模型中，得到道路交通事故严重程度；4、构建异质集成学习模型，作为道路交通事故持续时间预测模型；5、将MobileNetV2‑SENet模型输出的道路交通事故严重程度和其他道路交通事故持续时间的影响因素输入至构建异质集成学习模型，得到道路交通事故持续时间。本发明能够较好的实现对于交通事故严重程度与持续时间的联合预测。

公开(公告)号：CN115966092B

公开(公告)日：2023-10-27

申请号：CN202210521475.X

申请日：2022-05-13

Applicant: 河北省交通规划设计研究院有限公司 ,  河北雄安荣乌高速公路有限公司 ,  东南大学

Inventor： 李春杰 ,  何勇海 ,  杨祥 ,  杨阳 ,  刘攀 ,  焦彦利 ,  靳进钊 ,  王庆远 ,  闫涛 ,  韩雨 ,  侯建华 ,  宋晓轩 ,  张凯丽 ,  孙芳 ,  李志斌 ,  崔葳 ,  季欣凯 ,  胡书睿 ,  王亚州 ,  戎翠 ,  李昆

IPC: G08G1/09

Abstract: 本发明涉及一种高速公路路段封闭管控方法及系统，本发明中，高速公路路段封闭管控系统获取待进行封闭管控路段的待封闭路段管控信息；根据所述待封闭路段管控信息，设置驾驶引导指示信息；所述驾驶引导指示信息用于指示不同位置处的驾驶者在所述待封闭路段封闭前，驶离所述待封闭路段所在道路；利用所述高速公路路段封闭管控系统中不同位置处的指示器，将相应的所述驾驶引导指示信息指示给所述驾驶者。本发明技术方案可实现道路封闭的自动管控，解决现有高速公路道路封闭管控困难的技术问题。

公开(公告)号：CN116502885A

公开(公告)日：2023-07-28

申请号：CN202310295833.4

申请日：2023-03-24

Applicant: 东南大学

Inventor： 赵佳慧 ,  刘攀 ,  李志斌

IPC: G06Q10/0635 ,  G06Q50/26 ,  G06Q50/30 ,  G06F16/215 ,  G06N3/0464 ,  G08G1/16

Abstract: 本发明公开了一种基于大规模浮动车轨迹数据的区域交通事故风险分析方法，包括以下步骤：S1，采用断裂GPS定位融合匹配的改进Dijkstra时空轨迹重构算法，对城市大规模浮动车轨迹数据进行城市道路网络时空线路匹配；S2，采用全天候‑多时段融合的星期‑小时‑用地类型多维度标签化处理方法，最终生成浮动车全天候多维复杂的活动标签；S3，对各交通分区内全天候活动标签进行文本聚类分析，挖掘各交通分区浮动车潜在的时空活动特征；S4，构建结合浮动车的城市路网区域交通事故风险分析模型，得到交通事故风险影响因素的重要性排序。本发明计算高效，对实现城市路网的交通安全评估具有重要的现实意义。

公开(公告)号：CN115641712B

公开(公告)日：2023-05-30

申请号：CN202211263249.2

申请日：2022-10-15

Applicant: 河北省交通规划设计研究院有限公司 ,  东南大学

Inventor： 朱冀军 ,  何勇海 ,  刘攀 ,  雷伟 ,  李春杰 ,  焦彦利 ,  韩雨 ,  韩明敏 ,  张凯丽 ,  章明钰

IPC: G08G1/01 ,  G08G1/065

公开(公告)号：CN116088530A

公开(公告)日：2023-05-09

申请号：CN202310176952.8

申请日：2023-02-28

Applicant: 东南大学

Inventor： 李志斌 ,  邱开来 ,  刘攀 ,  徐铖铖 ,  韩雨 ,  郭延永 ,  俞灏

IPC: G05D1/02

Abstract: 本发明公开了基于模型预测控制引导的强化学习自动驾驶车队控制方法，针对智能网联环境下非线性混合流的自动驾驶车队构建预测控制模型；基于状态过渡模型构建非自动驾驶车辆的状态集成参数ψ；基于多智能体通信拓扑结构及状态估计ψ′，对自动驾驶车队构建基于深度确定性策略梯度的强化学习控制模型；将第一加速度和第二加速度结合为融合控制律，根据融合控制律对强化学习控制模型进行训练，将训练后的强化学习控制模型作为自动驾驶车辆的控制策略。本发明将模型预测控制用于强化学习训练，针对智能网联混合流自动驾驶车队队列控制，降低模型预测控制中的在线控制算力需求，减少强化学习训练过程中的无意义数据，增强混合流场景下的控制鲁棒性。

公开(公告)号：CN116049668A

公开(公告)日：2023-05-02

申请号：CN202211642644.1

申请日：2022-12-20

Applicant: 东南大学

Inventor： 郭延永 ,  刘佩 ,  刘攀 ,  岳全胜 ,  吴秀梅 ,  陈晓薇

IPC: G06F18/214 ,  G06N20/00

Abstract: 本发明公开了一种基于机器学习的自动驾驶事故严重程度预测方法，包括如下步骤：(1)获取自动驾驶事故多源数据，对数据进行联合和预处理形成事故集D1；(2)对D1进行稀疏性分析和相关性检验，剔除冗余属性并保留与事故严重程度、事故类型相关性强的变量，建立事故集D2；(3)通过SMOTE算法对D2重采样，均衡事故严重程度、事故类型两种特征的类别比例；(4)导入XGBoost模型，将D2按比例划分为训练集和测试集，利用网格搜索原理调试XGBoost模型超参并得到相对优的超参组合；(5)利用步骤4相对优的超参组合建立基于XGBoost算法的自动驾驶事故严重程度预测模型，在步骤4得到的训练集上训练自动驾驶事故严重程度预测模型并在测试集上验证该模型预测性能。