智能网联交通系统碳减排效益评估与实证研究

作为缓解城市交通拥堵与碳排放问题的重要技术手段,智能网联系统在提升城市路网通行能力与交通出行效率、减少车辆出行能耗与碳排放等方面具有重要作用。为了定量评估智能网联交通系统的实际碳减排效益,文中通过分析智能网联交通系统的基本特征与碳减排基本原理,分别对信号交叉口与道路路段两个城市路网重要组成场景建立碳排放测算模型;根据北京市高级别自动驾驶示范区的实际交通运行状况数据,对智能网联交通系统实施前后碳减排效益进行定量测算与对比分析。

智能网联交通混合标签感知的推荐预测模型

针对智能网联车辆高速移动以及智能网联组网模式多元化导致的传统协同过滤算法有效性受到限制的问题,提出一种新型混合标签感知推荐模型(hybrid tag-aware recommender model,HTRM)。嵌入层采用Word2Vec模型对项目标签、项目评分、用户行为标签和用户评分进行向量表示;特征层引入自编码器提取项目的自相似特征,采用长短期记忆网络(long short-term memory,LSTM)提取用户行为特征;门控层联合用户和项目的特征,并输入至全连接神经网络(fully connected neural network,FCNN)进行评分预测。实验结果表明,与TCF、CCF、ACF和DSPR传统模型相比,HTRM模型设计更合理,可以获得较高的推荐预测精度。

智能网联交通系统的关键技术与发展

该文梳理了国内外针对智能网联交通系统的相关研究,阐述了智能网联交通系统的架构和关键技术,分析了外部环境感知技术、车辆自主决策技术、控制执行技术以及车路协同技术等几个重点方向的研究进展。在分析总结已有文献的基础上,该文描述了未来智能网联交通系统的方案及其工作原理。未来智能网联交通系统应具备全程路径规划和精准定位功能,运用实时动态定位(RTK)技术和合成孔径雷达(SAR)技术,对运动或非运动物体(包括未装载GPS的物体)进行探测和定位,并保证在GPS信号弱或无信号(如隧道、室内)环境下和近距离、非可视情况下探测信号的连续性。系统还将运用移动边缘计算(MEC)理论,解决低时延、大规模网络接入等关键问题,运用大数据、云计算、物联网(IoTs)和移动通信技术,实现具有全局性、网络化的智能网联交通系统。

智能网联交通系统中的信息物理映射与系统构建

提出将人工智能和信息物理融合系统(CPS)的理论与方法集成融入智能交通系统及其应用,探索“人工智能+交通”的交叉创新领域,在交通物理与信息空间映射、网络通信与时空数据规约、交通安全与可信可控关联等关键问题上形成相关的解决方案和技术体系,推进实现交通信息物理融合系统及其应用的精准治理。

智能网联交通环境下基于Q学习的路径规划

强化学习是人工智能领域常见的一种学习范式,强化学习通过不断地与环境进行交互来使得整体行动收益达到最大化。智能网联交通是未来智能交通的发展趋势,通过智能的路侧设施,可为智能网联汽车提供独特的鸟瞰视角输入。为研究强化学习在智能网联交通环境下对路径规划的作用,将智能网联交通环境提供的鸟瞰视角作为输入,使用Canny方法将俯视交通环境中的道路形状进行特征提取,简化成网格显示,从而把复杂的路径规划问题转换成简单的基于表格的求解问题。使用Q学习这种经典的off-policy强化学习方法,对智能网联汽车进行多交叉口路径规划。研究发现,Q学习在多至9个宫格的情况下,仍具有快速的收敛性和可靠的成功率。

智能网联交通系统多层次映射关系建模

目前,学者在智能网联交通领域的研究主要集中于宏观的技术进展综述和微观某一特定问题分析,但对智能网联交通系统各组成元素之间相互影响作用关系的数学分析尚有欠缺。首先,将智能网联交通系统分为三层,分析智能网联交通中各子系统间的动态影响作用关系,以及子系统状态波动在横向和纵向上的影响,提出智能网联交通系统稳定性影响评价指标体系;其次,根据模型的协同联动思想,提出基于车速推荐思想的智能网联交叉口人、车、路、管控协同联动流程;最后,通过仿真模拟T型交叉口的人、车通行对该模型进行验证。结果表明,模型能很好地适应并说明智能网联交通系统在协同联动作用下提高交通流的顺畅性和稳定性。

面向智能网联交通系统的交通工程课程改革探索

为了促进交通工程课程建设,探索面向智能网联交通系统的交通工程专业课程教材改革,从智能网联交通智能化导论、智能网联交通管理与控制、智能网联交通系统控制原理三个方面,论述课程教材改革的必要性,并提出课程教材改革的具体内容和要求。交通工程课程教材改革适应智能网联背景的发展要求,对培养实践创新人才具有现实意义。

智能网联交通系统的关键技术及其发展

交通拥堵已经成为大中城市普遍存在的现象,有的通过拓宽路面、建立高架桥、地下通行、摇号购车、按车牌号现行及交通灯的智能控制等方式来解决交通拥堵的问题,但不能从根本上解决交通拥堵的问题。交通拥堵已成为未来社会发展中必须解决的问题。智能网联交通系统依托先进的人工智能技术、移动通信技术、大数据技术,能够从根本上改变交通拥堵现状,提升人们出行的安全水平,改善空气质量。经过对智能网联交通系统核心技术的剖析,期望为该系统的健全与实践应用作出贡献。

基于智能网联交通系统的环境感知技术探究

本文对智能网联交通系统中的环境感知技术进行研究,主要包括自主化车辆感知和网联化协同感知两种技术解决方案,深入阐述和分析其感知特点和内容,论证网联化协同感知是自主化车辆感知的补充和冗余设计,基于单车智能的协同感知才是实现无人驾驶的最佳路线。同时面向高速公路进行智能网联交通典型应用场景方案设计,探索实现智能网联高速公路交通系统的协同式、阶段性推进路线。

智能网联交通系统的关键技术与发展

为了有效解决交通拥堵,很多城市开展了路面拓宽、建设高架桥、车牌号限行以及交通信号灯控制等多种手段,但是,即使应用了多重的交通拥堵解决措施,依然无法从根源上减少交通拥堵状况。交通拥堵问题已经成为社会发展中的关键问题,也是促进城市发展中急需解决的问题。在科学技术不断发展的前提下,人工智能技术、大数据技术、通信技术等等与交通系统融合,形成了智能网联交通系统,利用智能网联交通系统能够积极分析交通拥堵状况出现的原因,加大对交通拥堵现象的分析,为人们日常出行提供有力保障。本文主要分析智能网联交通系统的关键技术与发展状况,仅供参考。

基于WOS的智能网联交通技术发展现状及趋势分析

为分析智能网联交通技术领域的研究现状,确定其发展走向,预测其发展趋势,并明确当前及未来的研究重点,结合智能网联交通技术实际发展状况,结合Web of Science核心数据库中的相关文献资料,运用文献计量学方法,从关键词频次、发文机构等角度绘制知识图谱进行分析,并解读当前的研究热点。研究结果表明:尽管国内研究起步较晚,但研究成果丰硕;国内在智能网联交通技术领域的研究主要集中在通信系统和控制系统的研发上;而国外更侧重于驾驶辅助系统的开发、预测控制模型以及网联环境下的交通安全等方面。综合以上信息,可以判断当前智能网联交通技术领域正处于快速发展阶段,新技术层出不穷。从论文发表数量来看,中国和美国在该领域占据领先地位,是科研的主要力量。

低渗透率智能网联环境下高风险事件预警方法

提出一种低渗透率智能网联环境下高风险事件预警方法。具体而言,基于熵能表征系统状态的特点提出交通熵的概念,将个体车辆的微观驾驶行为量化为交通熵,以表征交通流状态;再将交通熵作为长短时记忆网络模型(Long Short⁃term Memory,LSTM)的输入参数建立预警模型;最后,使用HighD轨迹数据集提取高风险事件,并验证模型有效性。结果显示,使用交通熵的模型误报率和漏报率大幅降低。以智能车渗透率10%为例,误报率和漏报率分别从6.18%和11.47%下降到了1.95%和3.12%;在预测模式下,对高风险事件误报率和漏报率为2.28%和3.82%。

智能网联混合交通流交叉口控制:研究进展与前沿

交叉口是城市道路交通运行的瓶颈点,是造成交通拥堵的问题所在。交通控制是调控交通流、预防和缓解交通拥堵的关键策略,在效费比上具有较大优势。智能网联、自动驾驶技术的发展催生了常规车辆(Regular Vehicle,RV)、网联车辆(Connected Vehicle,CV)和智能网联车辆(Connected and Automated Vehicle,CAV)组成的智能网联新型混合交通流,推动着城市道路交通控制对象、数据环境和控制手段的变革,为交通控制提出巨大挑战的同时,也为交通控制理论方法的创新发展创造了新的条件。智能网联混合交通流交叉口控制已成为国内外研究热点,尚处于研究起步阶段。根据路权特征,先从单点交叉口、干线交叉口和路网多交叉口3个层面梳理智能网联混合交通流环境下的共用设施交叉口控制研究,包括交通信号配时、车辆轨迹/路径规划以及车辆轨迹-信号配时协同控制。然后介绍自动驾驶专用设施交叉口控制研究,包括CAV专用车道、CAV专用路段、CAV专用区域和快速公交-CAV混合专用车道。通过对现有成果的梳理发现:虽然新型混合交通流交叉口控制研究取得了部分进展,但RV驾驶行为的随机性、CV驾驶行为的不完全可控性、CV/CAV横纵向轨迹的耦合性以及CV/CAV的时空稀疏性等仍是待解决的研究难点;并从流中控粒、以粒控流和粒流协控3个角度对未来研究方向进行了展望,为智能网联新型混合交通流控制研究提供参考。

一种车载服务的快速深度Q学习网络边云迁移策略

智能网联交通系统中车载用户的高速移动,不可避免地造成了数据在边缘服务器之间频繁迁移,产生了额外的通信回传时延,对边缘服务器的实时计算服务带来了巨大的挑战。为此,该文提出一种基于车辆运动轨迹的快速深度Q学习网络(DQN-TP)边云迁移策略,实现数据迁移的离线评估和在线决策。车载决策神经网络实时获取接入的边缘服务器网络状态和通信回传时延,根据车辆的运动轨迹进行虚拟机或任务迁移的决策,同时将实时的决策信息和获取的边缘服务器网络状态信息发送到云端的经验回放池中;评估神经网络在云端读取经验回放池中的相关信息进行网络参数的优化训练,定时更新车载决策神经网络的权值,实现在线决策的优化。最后仿真验证了所提算法与虚拟机迁移算法和任务迁移算法相比能有效地降低时延。

基于支持向量机的路面积水危险水位判断

为了完善路侧信息系统,弥补传统环境感知技术的不足,基于深度学习的原理,将支持向量机应用于路面积水危险水位的判断。通过考虑不同道路属性组合的各类路况下路面积水量对于车辆涉水行驶安全性的影响,利用网格搜索选取最优参数组合,构建水位判断模型,模型精度达到97.66%。该模型能够较好地针对不同路况进行水位划分,将路面积水水位划分为安全水位和危险水位,有利于车辆根据此信息调整路径及车速等决策,促进智能网联交通系统的发展和完善。