基于路网表征学习技术的道路行驶难度及事件预测

行业领域

电子信息技术

需求背景

对实时交通路网的预测技术可以为自动驾驶车辆提供道路难度和不同类型事件发生概率等信息，是路径规划和决策的重要输入。当前方法对这一问题的解决仍存在不足。深度学习技术在空间结构化数据表示学习和时序数据表示学习方面都积累了丰富模型，特别是以图神经网络和 Transformer 为代表的方法，均对分布内数据的表示学习获得了 SOTA 效果。

需解决的主要技术难题

1.在仿真、实车上部署路网事件预测算法，支持路径规划结果的优化；2. 根据本项目研究内容，投稿相关高水平会议/期刊论文。

期望实现的主要技术目标

结构信息最优化理论经过了近二十年发展，从一维结构熵发展到高维结构熵，至2016年相对完善，是实现复杂结构化数据信息熵度量的最新理论及方法；该理论除了可准确度量图结构数据的信息熵，还收获了最优化层次化抽象的节点聚合表达编码树。在本项目，时空路网被建模为时序的动态带权有向图结构，如何利用结构信息最优化理论生成指导车流量信息聚合的远距离量化传导路径，优化时空图神经网络表示学习，提升时空道路难度和事件发生概率的预测精度。

需求解析

解析单位：“科创中国”工业互联网产业科技服务团（中国计算机学会） 解析时间：2023-10-15

袁华

常熟理工学院

教授

综合评价

传统的数据分析与建模方法通常局限于特定的条件假设和模型结构，难以有效解决上述复杂的非线性问题。本项目拟采用深度学习的方法以数据为驱动，可以在没有先验知识的情况下深入挖掘交通特征，较好地处理交通流的随机性和非线性特征，利用多源交通数据提取交通流的动态时空特征，通过深度学习理论对动态时空相关性进行建模，建立交通事件检测与持续时间预测框架，挖掘潜在的交通异常特征并建立预测模型，逐步构建融合多源数据特征的行程时间预测模型，弥补了现有算法对动态时空特征提取的不足，提高了异常交通条件下行程时间预测的精度和稳定性。项目的研发能够提高不同道路交通状态下的出行预测和拥堵控制能力，为最优路径规划和城市交通拥堵管控提供信息化决策依据。

解析单位：“科创中国”工业互联网产业科技服务团（中国计算机学会） 解析时间：2023-10-14

袁华

常熟理工学院

教授

综合评价

传统的数据分析与建模方法通常局限于特定的条件假设和模型结构，难以有效解决上述复杂的非线性问题。本项目拟采用深度学习的方法以数据为驱动，可以在没有先验知识的情况下深入挖掘交通特征，较好地处理交通流的随机性和非线性特征，利用多源交通数据提取交通流的动态时空特征，通过深度学习理论对动态时空相关性进行建模，建立交通事件检测与持续时间预测框架，挖掘潜在的交通异常特征并建立预测模型，逐步构建融合多源数据特征的行程时间预测模型，弥补了现有算法对动态时空特征提取的不足，提高了异常交通条件下行程时间预测的精度和稳定性。项目的研发能够提高不同道路交通状态下的出行预测和拥堵控制能力，为最优路径规划和城市交通拥堵管控提供信息化决策依据。

更多

处理进度

科创中国

友情链接

海外专利信息资源系统

省级中心站