以下表格展示了从数据库中获取的交通参与者数据。
| 参与者ID | 类型 | 速度 | 位置 (X, Y) | 方向 | 风险评分 | 是否静止 | 预测行为 | 预测置信度 |
|---|---|---|---|---|---|---|---|---|
| P001 | 车辆 | 60 km/h | (100, 200) | 北 | 0.8 | 否 | 直行 | 0.95 |
| P002 | 行人 | 5 km/h | (150, 250) | 东 | 0.3 | 否 | 过马路 | 0.80 |
| P003 | 自行车 | 15 km/h | (120, 230) | 西 | 0.5 | 否 | 骑行 | 0.90 |
以下表格展示了交通参与者之间的关系数据。
| 关系ID | 参与者1 ID | 参与者2 ID | 关系类型 | 距离 | 交互时长 | 开始时间 | 结束时间 |
|---|---|---|---|---|---|---|---|
| R001 | P001 | P002 | 接近 | 15 米 | 5 秒 | 2024-01-01 10:00:00 | 2024-01-01 10:00:05 |
| R002 | P001 | P003 | 并行 | 5 米 | 10 秒 | 2024-01-01 10:00:05 | 2024-01-01 10:00:15 |
以下表格展示了视频流数据。
| 视频流ID | 摄像头ID | 文件名 | 存储路径 | 分辨率 | 帧率 | 编码格式 | 开始时间 | 结束时间 | 状态 |
|---|---|---|---|---|---|---|---|---|---|
| V001 | C001 | video1.mp4 | /path/to/video1.mp4 | 1920x1080 | 30 | H.264 | 2024-01-01 09:00:00 | 2024-01-01 10:00:00 | 活动 |
以下是一些模拟测试数据的操作。
收集摄像头、雷达等传感器数据，以及高精地图数据。
对收集到的数据进行清洗、对齐、校准等预处理操作。
提取交通参与者的位置、速度、方向等特征。
基于交通规则和周围环境，构建交通参与者之间的关系图。
使用GNN模型训练交通参与者关系建模。
使用测试数据评估GNN模型的性能。
根据关系图和GNN模型预测交通参与者的行为。