排序方式: 共有3条查询结果,搜索用时 0 毫秒
1
1.
提出一种低渗透率智能网联环境下高风险事件预警方法。具体而言,基于熵能表征系统状态的特点提出交通熵的概念,将个体车辆的微观驾驶行为量化为交通熵,以表征交通流状态;再将交通熵作为长短时记忆网络模型(Long Short-term Memory, LSTM)的输入参数建立预警模型;最后,使用HighD轨迹数据集提取高风险事件,并验证模型有效性。结果显示,使用交通熵的模型误报率和漏报率大幅降低。以智能车渗透率10 %为例,误报率和漏报率分别从6.18 %和11.47 %下降到了1.95 %和3.12 %;在预测模式下,对高风险事件误报率和漏报率为2.28 %和3.82 %。 相似文献
2.
3.
1