基于神经网络的交通控制诱导协同模型

全文: PDF(0 KB)
输出: BibTeX | EndNote (RIS)

摘要针对传统交通控制与诱导模型及算法的不足，提出了具有中心协调系统（CCOS）的交通控制与诱导协同模型。利用数据融合技术将历史数据的短时交通预测、交通事件检测结果以及实时交通流数据设计面向交通动态的信息融合，并采用神经网络技术构建基于神经网络的交通控制诱导协同模型，同时对模型的参数进行了确定。通过典型的路网进行仿真实验和对比分析，实验验证了该模型是可行和有效的。

	服务
	把本文推荐给朋友
	加入引用管理器
	E-mail Alert
	RSS
	（）
	作者相关文章
	傅贵
	杨朝霞
	周权

关键词 ：交通控制, 交通诱导, 数据融合, 神经网络, 协同模型

Abstract：In view of the shortage of traditional traffic control and guidance model and algorithms, the traffic control and guidance model based on central coordination system (CCOS) is proposed. In this model, the short-term traffic prediction of past traffic data, the result of traffic incident detection and the real-time traffic flow data are used to design the traffic-oriented dynamic traffic information fusion. Moreover, using the neural network technology, the traffic control and guidance coordination model based on neural network system is presented. Its parameters are decided by the experiments. Finally, a number of typical local road networks are selected for simulation comparative experiments. The experiments show this model is feasible and effective.

Key words： traffic control traffic guidance data fusion neural network coordination model

年卷期日期: 2017-07-10 出版日期: 2017-11-16

ZTFLH:

U491

基金资助:广州市121 人才梯队工程资助项目和“智慧天河”体系架构研究项目，项目编号：201603RY004。

作者简介: 傅贵(1975－)，男，广西人，博士研究生，高级工程师，研究方向为交通大数据、交通预测及控制、公安云架构。

引用本文:

傅贵, 杨朝霞, 周权. 基于神经网络的交通控制诱导协同模型[J]. 电脑与电信, 2017, 1(7): 17-22.
Fu Gui, Yang Zhaoxia, Zhou Quan. Traffic Control Guidance Coordination Model Based on Neural Network. Computer & Telecommunication, 2017, 1(7): 17-22.

链接本文:

http://www.computertelecom.com.cn/CN/ 或 http://www.computertelecom.com.cn/CN/Y2017/V1/I7/17

[1]	宋曼. 一种基于BP神经网络的电影协同过滤算法[J]. 电脑与电信, 2021, 1(6): 13-18.
[2]	马金峰. 基于密集连接卷积结构的人脸表情识别研究[J]. 电脑与电信, 2021, 1(4): 1-5.
[3]	邓锐尉胜男. 基于LSTM神经网络和DBSCAN算法的污水水质预测[J]. 电脑与电信, 2021, 1(4): 66-73.
[4]	鞠聪李涛. 基于深度可分离卷积结构的人脸表情识别研究[J]. 电脑与电信, 2020, 1(6): 1-5.
[5]	张钢, 陈家链, 宋健, 郭俊琦, 周晨睿. 基于对抗生成网络的中国山水画自动生成模型[J]. 电脑与电信, 2020, 1(3): 1-.
[6]	张恺陈思. 基于神经网络的时序预测模型研究[J]. 电脑与电信, 2019, 1(1-2): 61-65.
[7]	李奂谌. 基于增强卷积神经网络的路面裂纹检测[J]. 电脑与电信, 2018, 1(11): 54-56.
[8]	林伟声. 深度学习技术在信息系统数据分析中的应用[J]. 电脑与电信, 2017, 1(6): 51-53.
[9]	史雪莹. 基于自编码神经网络的手写体数字识别中关于特征表达的研究[J]. 电脑与电信, 2017, 1(1-2): 38-39.
[10]	李文婷. 智能建模方法研究[J]. 电脑与电信, 2017, 1(12): 109-111.
[11]	张钢. 深度学习技术在高校教学质量评价中的应用研究[J]. 电脑与电信, 2017, 1(10): 6-9.
[12]	徐向艺. 两种智能优化算法在交通控制应用中的对比分析[J]. 电脑与电信, 2016, 1(9): 67-69.
[13]	刘鑫, 张驰, 刘汝涛. 几种不同的方法在GPS 大数据探查中的应用分析[J]. 电脑与电信, 2016, 1(8): 74-76.
[14]	廖健林, 许生鸿, 蔡展标, 刘燕, 胡均万. 应用于远程图像监控的四轴飞行器[J]. 电脑与电信, 2016, 1(11): 24-28.
[15]	郑少兰. 基于神经网络的手写体汉字识别实验系统[J]. 电脑与电信, 2015, 1(5): 44-46.