智能网联环境下基于混合深度学习的交通流预测模型

为适应未来智能网联环境下精细化交通流预测需求,提出一种基于混合深度学习(Hybrid Deep Learning, HDL)的车道级交通流速度预测模型.模型以智能网联系统强大的数据采集和计算能力为基础,采用集成经验模态分解算法将原始速度序列分解为多个固有模态函数分量和残差分量,并将所得分量重构为模型输入;利用双向长短期记忆神经网络和注意力机制,构建深度学习模型框架;为检验模型预测精度和可靠性,选择北京市二环路多个连续车道断面速度数据进行算法验证.结果表明,HDL模型在不同车道均有理想的预测结果,单步和多步预测精度均显著优于对比模型.

基于智能路钮的超高速公路虚拟轨道系统研究

为提高超高速公路行驶安全性,使用结构分析和数学模型的方法研究基于智能路钮的高速公路虚拟轨道系统.该系统由路面子系统、车载子系统和服务中心子系统组成.安装车载系统的车辆接近写入路钮时激活虚拟轨道系统,阅读器读取标签路钮的位置坐标和该处道路线形信息,同时数据处理模块读取线形参数并处理得到道路切线与车身角度,读取前轮偏角、车辆速度和相邻两个标签路钮之间的距离,利用计算模型得到车辆在相邻两个标签路钮之间行驶时方向盘的转动角速度,并将控制参数发送给转向电机.研究结果表明,当超高速公路设计车速分别为140,160,180 km/h时,只要保证路钮间的距离分别小于1.33,1.50,1.69 m,就可保证车辆偏离中心线的距离小于0.5 m.因此,基于智能路钮的虚拟轨道系统可将车辆限制在虚拟轨道内行驶,保证超高速公路的安全性.