买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉重庆大学申请的专利基于车辆微观信息的混合车流宏观演化规律模型构建方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118506574B 。

龙图腾网通过国家知识产权局官网在2025-09-16发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410608389.1，技术领域涉及：G06N3/0464；该发明授权基于车辆微观信息的混合车流宏观演化规律模型构建方法是由廖孝勇;张洪杨;林景栋;李源琼;游锐;周俞辰;段睿劼设计研发完成，并于2024-05-16向国家知识产权局提交的专利申请。

本基于车辆微观信息的混合车流宏观演化规律模型构建方法在说明书摘要公布了：本发明属于智能交通领域，涉及一种基于车辆微观信息的混合车流宏观演化规律模型构建方法，包括：S1.对高速公路隧道内部瓶颈路段场景中的混合车流进行车群划分，并选取建模参数；S2.对网联环境下所采集的车辆数据进行分层映射，形成多维特征矩阵；S3.利用卷积神经网络提取车辆状态特征矩阵，建立基于车辆微观信息的车流宏观演化规律模型。本发明解决了单一微观或宏观建模难以准确全面地刻画车流演化的问题，利用神经网络模型对空间矩阵数据的处理优势，提出和建立了一种有效降低瓶颈路段车辆量预测误差的规律模型。

本发明授权基于车辆微观信息的混合车流宏观演化规律模型构建方法在权利要求书中公布了：1.一种基于车辆微观信息的混合车流宏观演化规律模型构建方法，其特征在于，包括以下步骤： S1.对高速公路隧道内部瓶颈路段场景中的混合车流进行车群划分，并选取建模参数； S2.对网联环境下所采集的车辆数据进行分层映射，形成多维特征矩阵； 所述步骤S2中，用图像数字化方法处理车辆数据进行分层映射，通过采样与量化步骤将连续的模拟图像转换成离散化的数字图像形式； S2.1图像采样； 通过智能路侧设备或车载通讯系统采集目标路段中车辆微观信息，将所研究混合车群所在车道区域视作一张图片，并在空间上划分为c×m的网格阵列； 其中，单独的网格代表图像的一个像素点，m×n定义了图像的空间分辨率； S2.2图像量化； 将混合车群所在道路区域在空间上划分为网格，对应车辆的每个状态信息建立一个映射层，在对应映射层中根据车辆的空间相对位置对车辆信息进行量化填入，完成混合车流中车辆微观信息在空间层面的表征； S2.3构建多维特征矩阵； 在高速公路隧道内部瓶颈路段道路上游选取长度为L的道路空间S，将道路空间S视作一张图片，进行网格划分，转化为C×M规格的网格；其中，C为车道数量；M为单条车道在车辆行驶方向上所划分的单元数； 获取道路空间S中车辆n1,n2,…,nk的车辆微观信息，针对选取的车辆每类状态信息，构建对应的C×M大小的状态映射层，再将各车辆微观状态信息在其状态映射层中按照空间相对位置映射到对应单元格中，形成F个状态特征层；其中F为车辆微观信息状态个数，各状态特征层相叠加即可构建C×M×F的多维特征矩阵； S2.4车辆微观信息分层映射； I.将各个车辆按照在道路空间S中的相对位置映射到各状态特征层的对应网格中，道路空间S中有车辆n1,n2,…,nk组成的车群，各车道中，车辆占据单元起止位置表示为： 式中，mia、mib分别表示车辆插入特征图中的起始单元和终止单元；xi为车头所在位置；lveh为车辆长度；s0为道路空间S的起始位置；[·]表示向上取整； II.完成车辆状态信息的量化填入，其中物理特征量化值包括车辆速度加速度所在车道和车辆类型量化关系式表示为： 式中，vi表示车辆ni的实际速度；vmax表示道路最高限速值；ai为车辆ni的实际加速度；amax、bmax分别为车群中车辆的最大加速度和最大减速度； S3.利用卷积神经网络提取车辆状态特征矩阵，建立基于车辆微观信息的车流宏观演化规律模型； 所述步骤S3中，基于车辆微观信息的车流宏观演化规律模型包含以下部分： I.模型输入； 模型输入车辆微观信息特征矩阵，模型输入X的表达式如下： X＝[M1,M2,M3,...Mn] 式中，Mi表示第i个混合车群数据分层映射后得到的C×M×F多维特征矩阵；n表示用于CNN模型输入训练的样本数量； II.车辆微观信息和空间特征提取； 通过卷积操作和池化处理提取车辆微观信息和空间特征，CNN模型中第一层卷积和池化层的输出和模型输入满足下列关系： 式中，σ为激活函数；pool·表示池化操作；l为卷积操作中卷积神经网络的深度；分别表示网络每一层的输出和输入；为网络每一层的参数矩阵； 模型中第一层卷积和池化层的输出与输入关系表示如下： 式中，k表示神经网络的层数编号； III、特征扁平化 对模型输入中的车辆状态和空间特征进行筛选和提取，得到满足维度要求的特征矩阵，形式如下： 式中，flatten·为扁平化操作；L表示扁平化操作中卷积神经网络构造深度； IV.模型输出 在完成特征提取输入以及特征扁平化后，经全连接层输出最终的模型输出结果，形式为： 式中，wf和bf为全连接层的权重系数；为模型输出矩阵，表示混合车群下一个控制周期的运动状态信息。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人重庆大学，其通讯地址为：400044 重庆市沙坪坝区正街174号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。