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

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:

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

[1]	李春辉王小英张庆洁刘翰卓梁嘉烨高宁康. 基于多尺度卷积神经网络的DDoS攻击检测方法[J]. 电脑与电信, 2024, 1(6): 35-.
[2]	周锐　刘海军　邢丽莉　崔春杰　王高远. 基于卷积神经网络的儿童自闭症面部特征分类[J]. 电脑与电信, 2024, 1(5): 38-.
[3]	任豪. 结合注意力特征融合的八度卷积表情识别方法[J]. 电脑与电信, 2024, 1(5): 71-.
[4]	王瑾　王睿. 基于多尺度特征深度学习的人脸表情识别算法[J]. 电脑与电信, 2024, 1(5): 75-.
[5]	刘星晨　袁一平. 基于改进的BP神经网络负荷预测[J]. 电脑与电信, 2024, 1(3): 68-.
[6]	王梓润王仟怡袁文佳王晓萌卫笑刘伟范修竹. 基于混合智能算法对销售量的预测研究 [J]. 电脑与电信, 2023, 1(3): 33-37.
[7]	郝艳艳. 基于卷积神经网络的小麦病害识别研究 [J]. 电脑与电信, 2022, 1(9): 19-21.
[8]	张小雪黄巍. 基于卷积神经网络的交通标志识别算法 [J]. 电脑与电信, 2022, 1(7): 1-.
[9]	刘逸琛. 基于变分自编码器的商品文本分类算法设计 [J]. 电脑与电信, 2022, 1(6): 37-.
[10]	张继超. 基于ELM算法的Chebyshev神经网络在常微分方程数值解中的应用 [J]. 电脑与电信, 2022, 1(6): 58-.
[11]	王鹏程苏一水王茂发. 基于神经网络的面包智能溯源系统 [J]. 电脑与电信, 2022, 1(5): 19-.
[12]	李小红白伟丽. 基于EMD和RBFNN的冷负荷组合预测模型 [J]. 电脑与电信, 2022, 1(1-2): 75-80.
[13]	贾亮徐善博邢轶博. 基于FPGA的卷积神经网络图像识别算法研究 [J]. 电脑与电信, 2022, 1(12): 58-.
[14]	张梓浩刘鹏浩谢汉辉邵国林吴振凯张嘉利. 面向多场所的基于深度学习电动车智能安全检测系统 [J]. 电脑与电信, 2022, 1(10): 40-44.
[15]	张望. 基于空间通道Transformer的双分支网络图像去雾方法 [J]. 电脑与电信, 2022, 1(10): 82-89.