[發(fā)明專(zhuān)利]一種基于Embedding-CNN的混合車(chē)群運(yùn)動(dòng)演化規(guī)律的刻畫(huà)方法在審
| 申請(qǐng)?zhí)枺?/td> | 202210359994.0 | 申請(qǐng)日: | 2022-04-07 |
| 公開(kāi)(公告)號(hào): | CN114613144A | 公開(kāi)(公告)日: | 2022-06-10 |
| 發(fā)明(設(shè)計(jì))人: | 孫棣華;趙敏;李保輝 | 申請(qǐng)(專(zhuān)利權(quán))人: | 重慶大學(xué) |
| 主分類(lèi)號(hào): | G08G1/01 | 分類(lèi)號(hào): | G08G1/01 |
| 代理公司: | 北京匯澤知識(shí)產(chǎn)權(quán)代理有限公司 11228 | 代理人: | 武君 |
| 地址: | 400044 *** | 國(guó)省代碼: | 重慶;50 |
| 權(quán)利要求書(shū): | 查看更多 | 說(shuō)明書(shū): | 查看更多 |
| 摘要: | |||
| 搜索關(guān)鍵詞: | 一種 基于 embedding cnn 混合 運(yùn)動(dòng) 演化 規(guī)律 刻畫(huà) 方法 | ||
1.一種基于Embedding-CNN的混合車(chē)群運(yùn)動(dòng)演化規(guī)律的刻畫(huà)方法,其特征在于:包括以下步驟:
1)選定監(jiān)測(cè)路段,通過(guò)監(jiān)測(cè)路段路側(cè)或車(chē)載傳感器,截取監(jiān)測(cè)路段不同交通狀態(tài)下混合異質(zhì)車(chē)群的單車(chē)數(shù)據(jù);
2)將步驟1)截取的單車(chē)數(shù)據(jù)進(jìn)行預(yù)處理,獲得Embedding-CNN模型數(shù)據(jù)集;
3)構(gòu)建Embedding-CNN模型,并根據(jù)步驟2)獲得的Embedding-CNN模型數(shù)據(jù)集對(duì)Embedding-CNN模型進(jìn)行訓(xùn)練;
4)在測(cè)試集上對(duì)Embedding-CNN模型的準(zhǔn)確性進(jìn)行驗(yàn)證。
2.根據(jù)權(quán)利要求1所述的基于Embedding-CNN的新型混合車(chē)群運(yùn)動(dòng)演化規(guī)律的刻畫(huà)方法,其特征在于:所述步驟1)具體包括以下步驟:
11)選定長(zhǎng)度為L(zhǎng)的監(jiān)測(cè)路段s,初始化混合車(chē)群的長(zhǎng)度;
12)在存儲(chǔ)有混合異質(zhì)車(chē)群的數(shù)據(jù)庫(kù)中選取t時(shí)刻路段s內(nèi)車(chē)輛n1,n2,...,nk的車(chē)輛長(zhǎng)度lk;運(yùn)動(dòng)狀態(tài)信息:速度v、加速度a、偏航角h;車(chē)輛的位置信息:縱向位置x,即車(chē)頭位置,和所屬車(chē)道c;車(chē)輛的類(lèi)型p,用以區(qū)分網(wǎng)聯(lián)人駕車(chē)和網(wǎng)聯(lián)自動(dòng)車(chē);以及在t時(shí)刻選定的路段s內(nèi)的車(chē)輛n1,n2,...,nk在t+τ時(shí)刻的運(yùn)動(dòng)狀態(tài)信息和車(chē)輛的位置信息:縱向位置x′與所屬車(chē)道k′;同時(shí),獲取t時(shí)刻路段s下游長(zhǎng)度為L(zhǎng)的路段s+1各個(gè)車(chē)輛的運(yùn)動(dòng)狀態(tài)信息和位置信息。
3.根據(jù)權(quán)利要求2所述的基于Embedding-CNN的混合車(chē)群運(yùn)動(dòng)演化規(guī)律的刻畫(huà)方法,其特征在于:所述步驟2)具體包括以下步驟:
21)根據(jù)t時(shí)刻路段s內(nèi)的單車(chē)數(shù)據(jù),將路段s劃分為c×m個(gè)單元,c為車(chē)道的數(shù)量,m為每條車(chē)道劃分的單元數(shù)量;確定每條車(chē)道單個(gè)單元?jiǎng)澐值拈L(zhǎng)度lmin,可用以下公式表示:
式中,L代表路段s及路段s+1的長(zhǎng)度;
22)確定每一條車(chē)道每輛車(chē)插入的單元位置,構(gòu)建c×m×f的零矩陣,f為車(chē)輛的特征層的數(shù)量,根據(jù)車(chē)輛在路段s中的相對(duì)位置將車(chē)輛的狀態(tài)信息插入到對(duì)應(yīng)的單元中,替換原來(lái)的“0”值;
每一條車(chē)道每輛車(chē)插入的單元位置可用以下公式表示:
式中,m′i為插入的第一個(gè)位置;mi表示最后一個(gè)插入的位置;xj為第j輛車(chē)的縱向位置;smin為路段s的初始位置;lj為第j輛車(chē)的長(zhǎng)度;[]表示取整函數(shù)。
23)確定t時(shí)刻路段s+1中的車(chē)輛的平均速度和平均密度,可用以下公式表示:
式中,為t時(shí)刻路段s+1內(nèi)的車(chē)輛的平均速度;ki為每條車(chē)道上的車(chē)輛數(shù);vt,i,j為t時(shí)刻路段s+1第i條車(chē)道上的第j輛車(chē)的速度;為t時(shí)刻路段s+1的平均密度。
24)確定在t時(shí)刻選定的路段s內(nèi)的車(chē)輛在t+τ時(shí)刻的平均速度和平均密度,可用以下公式表示:
式中,為在t時(shí)刻選定的路段s內(nèi)的車(chē)輛在t+τ時(shí)刻的平均速度;vt+τ,i,j為在t時(shí)刻選定的路段s內(nèi)的車(chē)輛在t+τ時(shí)刻第i條車(chē)道上的第j輛車(chē)的速度;為在t時(shí)刻選定的路段s內(nèi)的車(chē)輛在t+τ時(shí)刻的平均密度;lmax為在t時(shí)刻選定的路段s內(nèi)的車(chē)輛在t+τ時(shí)刻最前面車(chē)輛的縱向位置;lmin為在t時(shí)刻選定的路段s內(nèi)的車(chē)輛在t+τ時(shí)刻最后面車(chē)輛的縱向位置。
該專(zhuān)利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息,商用須獲得專(zhuān)利權(quán)人授權(quán)。該專(zhuān)利全部權(quán)利屬于重慶大學(xué),未經(jīng)重慶大學(xué)許可,擅自商用是侵權(quán)行為。如果您想購(gòu)買(mǎi)此專(zhuān)利、獲得商業(yè)授權(quán)和技術(shù)合作,請(qǐng)聯(lián)系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/202210359994.0/1.html,轉(zhuǎn)載請(qǐng)聲明來(lái)源鉆瓜專(zhuān)利網(wǎng)。
- 外賣(mài)場(chǎng)景下店鋪embedding特征提取的方法
- 神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練方法、人群擴(kuò)散方法、裝置及設(shè)備
- 一種單聲道說(shuō)話人分離模型、訓(xùn)練方法和分離方法
- 數(shù)據(jù)處理方法及裝置
- 一種社交網(wǎng)絡(luò)博主的embedding評(píng)估方法及系統(tǒng)
- 一種用戶協(xié)同過(guò)濾召回方法及裝置
- 一種基于知識(shí)圖譜規(guī)則嵌入的組合商品挖掘方法
- 一種近似物品推薦的控制方法及裝置
- 一種模型訓(xùn)練方法及裝置
- 一種緩解數(shù)據(jù)稀疏性和商品冷啟動(dòng)的商品推薦模型
- 圖像語(yǔ)義標(biāo)注的設(shè)備和方法及其模型的生成方法和系統(tǒng)
- 使用卷積神經(jīng)網(wǎng)絡(luò)的數(shù)字圖像處理
- 為數(shù)據(jù)庫(kù)確定卷積神經(jīng)網(wǎng)絡(luò)CNN模型的裝置和方法
- 確定卷積神經(jīng)網(wǎng)絡(luò)CNN模型的裝置和方法
- 采用嵌入式系統(tǒng)中的小規(guī)模卷積神經(jīng)網(wǎng)絡(luò)模塊的人臉檢測(cè)
- 針對(duì)深度通道和卷積神經(jīng)網(wǎng)絡(luò)圖像和格式使用相機(jī)設(shè)備的方法和系統(tǒng)
- 處理卷積神經(jīng)網(wǎng)絡(luò)的方法
- CNN加速器和電子設(shè)備
- 一種基于混合神經(jīng)網(wǎng)絡(luò)的腦電時(shí)空特征學(xué)習(xí)與情感分類(lèi)方法
- 一種基于FPGA的深度學(xué)習(xí)加速方法





