申请/专利权人：哈尔滨华鲤跃腾科技有限公司

申请日：2024-04-24

公开（公告）日：2024-06-21

公开（公告）号：CN118098000B

主分类号：G08G1/0968

分类号：G08G1/0968;G08G1/01;G08G1/14;G06N3/042;G06N3/0442;G06N3/0455;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2024.06.14#实质审查的生效;2024.05.28#公开

摘要：本发明涉及公共资源规划技术领域，公开了一种基于人工智能的城市综合管理方法，包括以下步骤：S100：当车辆进入车场时，获取车辆信息和当前车场的快照信息，输入到训练好的模型中；S200：模型预测出该车辆在未来时间步的最优路径和车位占用状态，并显示在显示设备上。本发明架构融合了图神经网络的结构建模能力、RNNTransformer的序列建模能力，并通过注意力层捕捉车辆相互影响，能够学习车场的拓扑结构、车流模式等隐含信息，同时优化车辆行驶路径和车位利用效率，同时学习空间拓扑结构、时间动态过程和车辆相互影响，为复杂的车辆引导问题提供全面的建模和优化方案。

主权项：1.一种基于人工智能的城市综合管理方法，其特征在于，包括以下步骤：S100：当车辆进入车场时，获取车辆信息和当前车场的快照信息，输入到训练好的模型中；S200：模型预测出该车辆在未来时间步的最优路径和车位占用状态，并显示在显示设备上；S300：根据预测结果，在显示设备上引导车辆按照最优路径行驶，并更新车位占用信息；S400：同时实时获取车场中车辆的驾驶意图信息，在显示设备界面输出图形化的车辆的驾驶意图信息，根据驾驶意图信息重新优化车辆的路径和当前车场的快照信息；S500：重复以上步骤S100-S400，直到车辆到达最优的目标车位；在步骤S100-S200中，所提及的模型包括以下几个部分，图神经网络层、注意力层、序列建模层和输出层；图神经网络层是使用门控图卷积网络层，其中ReLU为整流线性单元激活函数：；其中是图的邻接矩阵，是门控卷积操作，包括以下步骤： ； ； ；其中为第l层的节点特征矩阵，为标准图卷积，为门控信号，为Hadamard积，为元素乘积，为sigmoid函数；注意力层在节点特征上应用多头注意力机制，捕获车辆间影响，具体的： ； ； ； ；其中、和分别表示查询、键和值，表示使用多少个不同的注意力“头”,即，，被分别分割为H份进行并行计算，其中表示注意力层的输出特征，其中，，分别是查询、键和值的线性变换矩阵，为缩放因子，为时间步长；序列建模层对车辆运动序通过LSTM进行建模： ；其中是时间步的隐藏状态向量，是时间步的隐藏状态向量，为时刻t注意力层的输出特征；输出层包括路径输出层和车位状态输出层，具体的：路径输出层：；状态输出层：；其中和分别是路径和状态输出的线性变换矩阵；模型能够持续输出每个时间步的最新车位分布，对车辆进行动态引导，具体包括：输入特征构建：假设在时间步t，获得了车场的快照信息，记为： ：表示当前车位状态的特征矩阵，为车位数量，是输入特征维度； ：表示当前车辆位置的矩阵，每行是坐标；还需要获取新进入车场的车辆及其目标位置，将这些信息整合为时刻t的输入特征： ；其中是一个特征编码函数，将各种输入拼接并进行编码，构造出节点级和图级特征；模型推理：将输入到训练好的GNN模型中进行推理： ；其中是事先构造好的图结构，是模型输出的节点隐藏表示；然后将通过训练好的RNN模型中序列层进行序列建模： ；最后由输出层预测出未来T个时间步的车辆路径和车位状态： ； ；其中和分别是预测的路径坐标序列和车位状态序列；决策与引导：对于新进入车场的车辆，从中提取出从当前位置到目标的最优路径的路径序列；同时，根据更新下一时刻车场的车位占用信息；然后将发送给诱导系统，引导车辆按照预测的路径行驶，同时将作为下一时刻的输入，重复以上步骤，直至车辆到达最优的目标车位。

全文数据：

权利要求：

百度查询： 哈尔滨华鲤跃腾科技有限公司 一种基于人工智能的城市综合管理方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD