-
公开(公告)号：CN118116236B
公开(公告)日：2024-12-31
申请号：CN202410427400.4
申请日：2024-04-10
Applicant: 东南大学
Abstract: 本发明公开了一种基于安全风险场的宏观区域车辆预警方法及系统，包括：S1、构建车辆行车风险场模型；S2、采集车辆周围环境信息；S3、基于步骤S2中采集的车辆周围环境信息数据，对自车和周围车辆未来一段时间变化的位置坐标和速度进行预测，得到未来时间段内各个时刻自车、周围车辆的位置和速度数据信息；S4、基于得到的自车和周围车辆的位置和速度数据，分别计算各个时间段内车辆的行车风险场；S5、根据车辆正常行驶到发生碰撞所用时间的倒数判断车辆间是否会产生交互作用，计算冲突风险场值、综合冲突风险场值；S6、实时输出根据计算得出的综合冲突风险场值。本发明可实现对道路中可能出现的各种情形进行危险程度评估。
-
公开(公告)号：CN118298615A
公开(公告)日：2024-07-05
申请号：CN202410425925.4
申请日：2024-04-10
Applicant: 东南大学
IPC: G08G1/00 , G08G1/0967 , H04W4/029 , H04W4/40 , H04W4/46
Abstract: 本发明提供一种智能网联车队形成控制方法，包括以下步骤：S1、获取前车信息，包括前车车辆类型及前车与自车的相对距离S。S2、若与前车相对距离S大于等于S1，自车切换至领航模式。若与前车相对距离S小于S1，自车切换至退化模式。S3、若与前车相对距离S大于S2，自车切换至领航模式。若与前车相对距离小于等于S2且大于等于S3，自车切换至追赶模式。若与前车相对距离小于等于S4，自车切换至跟随模式。若与前车相对距离小于S3且大于S4，判断前车队列规模m和车队最大规模N的大小关系，继而确定跟车模式。本发明在保证车队成员的决策控制保持一致的前提下，基于车队形成过程规则进行车辆驾驶模式控制，保证控制方案的实时性和准确性。
-
公开(公告)号：CN117670111A
公开(公告)日：2024-03-08
申请号：CN202311565117.X
申请日：2023-11-22
Applicant: 东南大学
IPC: G06Q10/0639 , G06Q50/40 , G06F18/2337 , G06F18/24 , G06N3/045 , G06N3/0442 , G06N3/048 , G06N3/082 , G08G1/01
Abstract: 本发明提出了一种基于评价指标改进FCM的高速路交通参数估计方法，主要改进了FCM状态划分算法。首先，通过经验模态分解对高速公路交通数据进行平稳化处理和去噪，以减少数据波动带来的误差，构建模型输入的数据矩阵。接着，从断面级和路段级尺度出发，建立多维交通状态评价指标体系，并基于此体系提出改进的FCM算法，实现交通状态的精准划分。最后，结合交通状态划分和深度学习方法，构建自适应时间序列分析预测模型，对流量和速度进行短时预测，从而获得动态的交通参数估计结果。本发明方法引入了道路物理结构，并利用改进的FCM算法对路网交通状态进行动态评价，有助于高速公路管理者提升交通管理与调度能力，优化路网的整体运行性能。
-
公开(公告)号：CN115420274A
公开(公告)日：2022-12-02
申请号：CN202210979577.6
申请日：2022-08-16
Applicant: 东南大学
Abstract: 本发明公开了一种基于安全势场的道路风险地图生成方法，具体步骤如下：通过采集外部各类交通主体数据信息，运用安全势场理论对道路线型和车道划分数据、道路边界数据、车辆数据进行分析，构建对应的势场模型，生成道路风险地图，并实时提供给驾驶员；本发明的道路风险地图生成系统，包括数据采集模块、势场模型构建模块、场强计算模块、道路切割模块、地图生成模块、和预警信息模块；各模块分别执行其存储执行指令并协同工作，来实现道路风险地图生成方法。本发明能够展示道路时空范围内安全风险的高低情况，可以从宏观层面把握道路风险的分布，与此同时，由于“聚集场强”包含环境信息场的场强信息，能够为车辆提供车道级风险预警提示。
-
公开(公告)号：CN119942780A
公开(公告)日：2025-05-06
申请号：CN202411879556.2
申请日：2024-12-19
Applicant: 东南大学
IPC: G08G1/01 , G08G1/0967 , G08G1/16 , G06N3/126 , G06N20/00
Abstract: 本发明涉及智能交通系统技术领域，公开了一种交通合流控制方法及系统，通过道路侧检测器和车载终端采集主线和匝道的交通流数据以确定目标控制交通流状态；根据待规划主线中车辆数量、车辆类型以及车辆位置分布，结合目标控制交通流状态，通过优化模型得到最优编队方案；根据目标控制交通流状态和最优编队方案，实时生成合作车辆的控制时间和控制指令；通过多智能体强化学习模型规划匝道车辆行驶速度，得出速度指令；匝道车辆在接收到速度指令后，调整车速以便汇入主线。本发明能够引导合作车辆主动预留合适的合流间隙，降低合流过程中碰撞风险，提升行车安全性；还能够有效减少匝道合流中的延误和能耗，避免频繁的刹车、加速等不稳定行为。
-
Patent Agency Ranking
公开(公告)号：CN115420274B
公开(公告)日：2025-03-18
申请号：CN202210979577.6
申请日：2022-08-16
Applicant: 东南大学
Abstract: 本发明公开了一种基于安全势场的道路风险地图生成方法，具体步骤如下：通过采集外部各类交通主体数据信息，运用安全势场理论对道路线型和车道划分数据、道路边界数据、车辆数据进行分析，构建对应的势场模型，生成道路风险地图，并实时提供给驾驶员；本发明的道路风险地图生成系统，包括数据采集模块、势场模型构建模块、场强计算模块、道路切割模块、地图生成模块、和预警信息模块；各模块分别执行其存储执行指令并协同工作，来实现道路风险地图生成方法。本发明能够展示道路时空范围内安全风险的高低情况，可以从宏观层面把握道路风险的分布，与此同时，由于“聚集场强”包含环境信息场的场强信息，能够为车辆提供车道级风险预警提示。
-
公开(公告)号：CN117636624B
公开(公告)日：2024-12-31
申请号：CN202311425412.5
申请日：2023-10-30
Applicant: 东南大学
IPC: G08G1/01 , G06N3/0442 , G06Q10/04
Abstract: 本发明公开了一种高速公路断面交通流量预测方法、装置及存储介质，属于智能交通控制领域。方法包括：根据获取的高速公路门架管理系统信息数据统计历史时段的交通流量时序数据，并对车辆进行路径还原得到重构路径，与根据龙门架的实际地理位置确定的有效路径进行对比，判断是否为异常检测路径，进而计算异常检测概率；将所述异常检测概率和交通流量时序数据，输入预训练的交通流量预测模型，得到模型输出的未来时段的高速公路断面交通流量。本发明通过计算异常检测概率，并将其与交通流量时序共同作为交通流量预测模型的输入特征参数，能够实现对高速公路断面交通流量的准确预测。
-
公开(公告)号：CN117576897B
公开(公告)日：2024-12-03
申请号：CN202311448915.4
申请日：2023-11-02
Applicant: 东南大学
IPC: G08G1/01 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于Transformer模型的高速公路交通状态估计方法，包括：采集高速公路的交通数据并进行预处理，将历史交通数据转化为交通状态特征向量；构建基于Transformer的交通状态估计模型，利用多头自注意力机制捕获交通数据的时空特点，构建深度学习模型来学习交通数据中的隐藏模式，利用交通状态特征向量训练一个交通状态估计器；在进行状态估计时，该方法会将实时交通数据输入到Transformer模型中，获取其特征向量，并通过前述训练的交通状态估计器得到高速公路的当前交通状态参数。本发明方法不仅提高了交通状态估计的准确性，还为高速公路管理者提供了一种高效、可靠的工具，帮助他们更好地进行交通管理和调度，从而优化路网的交通流动性和整体性能。
-
公开(公告)号：CN117576905B
公开(公告)日：2024-11-26
申请号：CN202311538852.1
申请日：2023-11-17
Applicant: 东南大学
Abstract: 本发明公开一种智能网联车辆队列的关键控制节点识别方法、装置及存储介质，属于智能交通控制技术领域。方法包括：获取智能网联车辆队列运动轨迹信息，提取出队列中所有车辆的车辆自身运动参数与车间相对运动参数；根据智能网联车辆的分布建立图结构表征，根据车辆动力学参数计算特征参数并构建相似度矩阵，推导基于智能网联车辆队列图结构与特征矩阵的拉普拉斯矩阵；并基于拉普拉斯矩阵，执行特征分解，确定最优化聚类簇数，进而执行智能网联车辆队列的谱聚类操作；根据聚类结果，提取各聚类簇中的关键车辆，输出智能网联车辆队列的关键控制节点识别结果至智能网联车辆队列。本发明能够为智能网联车辆队列的安全和高效控制提供决策依据与保障。
-
公开(公告)号：CN117576897A
公开(公告)日：2024-02-20
申请号：CN202311448915.4
申请日：2023-11-02
Applicant: 东南大学
IPC: G08G1/01 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于Transformer模型的高速公路交通状态估计方法，包括：采集高速公路的交通数据并进行预处理，将历史交通数据转化为交通状态特征向量；构建基于Transformer的交通状态估计模型，利用多头自注意力机制捕获交通数据的时空特点，构建深度学习模型来学习交通数据中的隐藏模式，利用交通状态特征向量训练一个交通状态估计器；在进行状态估计时，该方法会将实时交通数据输入到Transformer模型中，获取其特征向量，并通过前述训练的交通状态估计器得到高速公路的当前交通状态参数。本发明方法不仅提高了交通状态估计的准确性，还为高速公路管理者提供了一种高效、可靠的工具，帮助他们更好地进行交通管理和调度，从而优化路网的交通流动性和整体性能。
-
-
-
-
-
-
-
-
-
Search Results
40
records
(took 0.019 seconds)
