CN101901547A - 一种可变车道自适应控制方法 - Google Patents

一种可变车道自适应控制方法 Download PDF

Info

Publication number
CN101901547A
CN101901547A CN2010102323131A CN201010232313A CN101901547A CN 101901547 A CN101901547 A CN 101901547A CN 2010102323131 A CN2010102323131 A CN 2010102323131A CN 201010232313 A CN201010232313 A CN 201010232313A CN 101901547 A CN101901547 A CN 101901547A
Authority
CN
China
Prior art keywords
output
layer
variable lane
attribute
network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN2010102323131A
Other languages
English (en)
Inventor
董红召
郭海锋
傅立骏
陈宁
郭明飞
凌越
曹福灵
马帅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN2010102323131A priority Critical patent/CN101901547A/zh
Publication of CN101901547A publication Critical patent/CN101901547A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Traffic Control Systems (AREA)

Abstract

一种可变车道自适应控制方法，包括以下步骤：1)、将通过设置在道路的检测器所检测到的时间占有率作为BP神经网络的输入，BP神经网络的输出向量，输出向量为0或1；2)可变车道控制过程如下：2.1)若当前可变车道属性为直行，如果输出向量为1，则在下一个直行相位到来时，将可变车道属性由直行变为左转；如果输出向量为0，则当前可变车道属性不变；2.2)若当前可变车道属性为左转，如果输出向量为1，则在下一个左转相位到来时将可变车道属性由左转变为直行；如果输出向量为0，则可变车道保持左转属性不变。本发明能够有效提高可变车道利用率。

Description

一种可变车道自适应控制方法
技术领域
本发明涉及交通控制方法，尤其是一种可变车道自适应控制方法。
背景技术
随着经济的发展，尤其是城市经济的快速发展，城市机动车的保有量快速上升，虽然城市道路及交通设施也有了相应的增加，但是道路设施的增长速度远远低于机动车的增长速度，由此造成了交通拥堵、环境污染等一系列问题。特别在上下班高峰期间，“潮汐式”交通引起的交通拥堵问题更加严重。从本质上讲，产生这种现象的原因是交通需求的动态变化与静态的道路设施之间的矛盾。充分挖掘、合理利用城市道路资源是缓解城市交通拥堵状况的有效手段。为此，国内很多大中型城市应用了可变车道技术。
目前可变车道诱导方法主要就是利用原有的车道诱导标志，经过加工改装，将标志上固定不变的指向箭头改为可变的箭头，根据交叉口的流量变化情况，由值班交警或者指挥中心调度控制，改变箭头的指向。车道的改变由值班交警根据观测交通流的大小来遥控信号标志牌的方式实现的。这样，车道的切换时间会经常提前或滞后于最佳切换时间，可变车道没有得到充分的使用。
发明内容
为了解决上述可变车道利用率不高的问题，本发明提供一种能够有效提高可变车道利用率的可变车道自适应控制方法。
本发明解决其技术问题所采用的技术方案是： 
一种可变车道自适应控制方法，所述可变车道自适应控制方法包括以下步骤：
1）、将通过设置在道路的检测器所检测到的时间占有率作为BP神经网络的输入，BP神经网络包括输入层、隐含层和输出层，其训练过程为在网络各节点的连接权值固定不变的前提下，从输入层开始逐层逐个节点地计算每个节点的输出，再保持输出层各节点的输出不变，从输出层开始反向逐层逐个节点计算连接权值的修改量；如果输出层的网络输出与期望输出相差超于预设值，根据网络输出与期望输出的信号误差进行权值调整，最终使网络输出层的输出值与期望值趋于一致。权值调整公式为：
Figure 2010102323131100002DEST_PATH_IMAGE001
 ，
Figure 519903DEST_PATH_IMAGE002
其中，
Figure 2010102323131100002DEST_PATH_IMAGE003
为当前某层权值调整量矩阵；为前一次权值调整量矩阵；X代表某层输入向量；
Figure 2010102323131100002DEST_PATH_IMAGE005
为动量系数；为比例系数，
Figure 2010102323131100002DEST_PATH_IMAGE007
；
Figure 779349DEST_PATH_IMAGE008
为误差信号，；
所述BP神经网络的输出向量 O =
Figure 146614DEST_PATH_IMAGE010
，所述输出向量为0或1；
2）、可变车道控制过程如下：
目前神经网络的实现仍以软件编程为主，编写相应的算法程序，神经网络训练好之后开始工作，采集相应道路的道路交通信息（时间占有率），交由算法进行计算，如果满足触发条件，则改变可变车道的属性；如果不满足触发条件，则保持可变车道的属性不变。
2.1）若当前可变车道属性为直行，将采集到的时间占有率数据输入BP神经网络中，如果输出向量为1，则在下一个直行相位到来时，将可变车道属性由直行变为左转；如果输出向量为0，则当前可变车道属性不变。
2.2）若当前可变车道属性为左转，将采集到的时间占有率数据输入BP神经网络中，如果输出向量为1，则在下一个左转相位到来时将可变车道属性由左转变为直行；如果输出向量为0，则可变车道保持左转属性不变。
本发明的技术构思为：本发明所述的自适应控制方法采用改进的BP神经网络，BP神经网络是一个3层或3层以上阶层神经网络，网络模型如图1所示。
Figure 2010102323131100002DEST_PATH_IMAGE011
，，…,
Figure 2010102323131100002DEST_PATH_IMAGE013
为网络的输入，
Figure 575639DEST_PATH_IMAGE014
，…,
Figure 2010102323131100002DEST_PATH_IMAGE015
为网络的输出。上下层之间各种神经元实行权连接，即下层的每个单元与上层的每个单元都实现权连接，每层各种神经元之间无连接。最基本的BP网络是3层前馈网络，包括输入层、隐层和输出层。
1.1变量的选择及原始数据的搜集
影响可变车道属性的因素主要有车速及时间占有率，本文将相应的左转车道及直行车道的时间占有率作为输入，将触发阈值作为网络的输出。训练样本来自有可变车道的某一实际交叉口的经过分析处理过的有经验的交通警察的现场指挥数据。时间占有率能够反映出左转和直行车道的车流量信息以及左转和直行车道的溢出情况，从而决定是否改变车道的属性。
1.2确定网络的学习算法
传统的BP算法具有收敛速度慢，容易陷入局部极小值等缺点，为此，学界提出了很多改进办法，例如，增加动量项法、自适应调节学习率法和引入陡度因子法。本文采用附加动量项的BP神经网络，可以有效地抑制网络陷入局部极小值。权值调整公式为：
Figure 472925DEST_PATH_IMAGE001
 (
Figure 715819DEST_PATH_IMAGE002
)
其中：
Figure 19761DEST_PATH_IMAGE003
为当前某层权值调整量矩阵；
    
Figure 600610DEST_PATH_IMAGE004
为前一次权值调整量矩阵；
X代表某层输入向量；
Figure 306398DEST_PATH_IMAGE005
为动量系数；
为比例系数，
Figure 245852DEST_PATH_IMAGE007
；
Figure 636251DEST_PATH_IMAGE008
为误差信号，
Figure 134228DEST_PATH_IMAGE009
。
1.3确定网络的结构
在本文中，将相应的直行车道和左转车道的时间占有率作为网络的输入，有可变车道的交叉口入口道如图3所示，触发阈值作为网络的输出，这样，网络的输入层节点数为8，输出层节点数为1，网络含有一个隐含层，隐含层的个数通过经验公式
Figure 968192DEST_PATH_IMAGE016
，确定为17个。对于输入层与隐含层，以及隐含层与输出层之间的传递函数均选为单极性Sigmoid函数，即： 
Figure 2010102323131100002DEST_PATH_IMAGE017
1.4 网络模型与BP学习算法
本发明所对应的三层网络结构图如图2所示，设输入向量为 X =，图中
Figure 2010102323131100002DEST_PATH_IMAGE019
=-1是为隐含层神经元引入阈值而设置的；隐含层输出向量为 Y =
Figure 50603DEST_PATH_IMAGE020
，图中
Figure 2010102323131100002DEST_PATH_IMAGE021
=-1是为输出层神经元引入阈值而设置的；输出层输出向量为 O =
Figure 278454DEST_PATH_IMAGE010
，期望输出向量为 d =。输入层到隐含层之间的权值矩阵用 V 表示， V =
Figure 2010102323131100002DEST_PATH_IMAGE023
,其中列向量
Figure 845887DEST_PATH_IMAGE024
为隐含层第j个神经元对应的权向量；隐含层到输出层之间的权值矩阵用 W 表示。 W =
Figure 2010102323131100002DEST_PATH_IMAGE025
，W1表示输出层的神经元对应的权向量。
对于输出层，有：
Figure 2010102323131100002DEST_PATH_IMAGE027
对于隐含层，有：
Figure 181151DEST_PATH_IMAGE028
  j=1,2,…,17
Figure 2010102323131100002DEST_PATH_IMAGE029
  j=1,2,…,17
对于输入层与隐含层，以及隐含层与输出层之间的传递函数均选为单极性Sigmoid函数，即：
Figure 169967DEST_PATH_IMAGE030
当网络输出与实际输出不等时，存在输出误差E，计算式如下：
Figure 2010102323131100002DEST_PATH_IMAGE031
由上式可以看出，网络误差是各层权值
Figure 469099DEST_PATH_IMAGE032
、
Figure 2010102323131100002DEST_PATH_IMAGE033
的函数，因此调整权值可以改变误差E。权值调整公式为：
Figure 568773DEST_PATH_IMAGE001
 (
Figure 941855DEST_PATH_IMAGE002
)
其中：
Figure 288522DEST_PATH_IMAGE003
为当前某层权值调整量矩阵；
     
Figure 514098DEST_PATH_IMAGE004
为前一次权值调整量矩阵；
X代表某层输入向量；
Figure 604414DEST_PATH_IMAGE005
为动量系数；
Figure 97581DEST_PATH_IMAGE006
为比例系数，
Figure 349571DEST_PATH_IMAGE007
；
Figure 62443DEST_PATH_IMAGE008
为误差信号，
Figure 690871DEST_PATH_IMAGE009
。
增加动量项即从前一次权值调整量中取出一部分迭加到本次权值调整量中，
Figure 321702DEST_PATH_IMAGE005
为动量系数，一般有
Figure 682276DEST_PATH_IMAGE002
。动量项反映了以前积累的调整经验，对于t时刻的调整起阻尼作用。当误差曲面出现骤然起伏时，可以减小振荡趋势，提高训练速度。
BP神经网络的工作过程通常由两个阶段组成。一个阶段是在网络各节点的连接权值固定不变的前提下，从输入层开始逐层逐个节点地计算每个节点的输出；另一阶段是学习阶段，在这一阶段，输出层中各节点的输出保持不变，网络学习从输出层开始，反向逐层逐个节点地计算各连接权值的修改量，以修改各连接的权值，直到输入层为止。这两个阶段分别称为正向传播和反向传播过程。在正向传播中，如果输出层的网络输出与期望输出相差较大，则开始反向传播过程。根据网络输出与所期望输出的信号误差对网络节点间的各连接权值进行修改，以此来减小网络输出信号与所期望输出的误差。BP网络通过不断进行的正向传播和反向传播，最终使网络输出层的输出值与期望值趋于一致。
本发明的有益效果主要表现在：通过实时采集的道路交通数据，由相应的自适应控制算法进行计算，来判断是否切换可变车道。这样，可以根据实时的道路车辆信息来实时地改变可变车道的属性，使得可变车道的利用率能够达到最大化。
附图说明
图1是三层神经网络模型的示意图。
图2是三层神经网络结构图。
图3是路口施工图。
图4是可变车道触发流程图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1～图4，一种基于BP神经网络的可变车道自适应控制方法，所述可变车道自适应控制方法包括以下步骤：
1）、将所述可变车道处于直行车道或左转车道时的时间占有率作为BP神经网络的输入，BP神经网络包括输入层、隐含层和输出层，其训练过程为在网络各节点的连接权值固定不变的前提下，从输入层开始逐层逐个节点地计算每个节点的输出，再保持输出层各节点的输出不变，从输出层开始反向逐层逐个节点计算连接权值的修改量；如果输出层的网络输出与期望输出相差超于预设值，根据网络输出与期望输出的信号误差进行权值调整，权值调整公式为：
Figure 131712DEST_PATH_IMAGE001
 ，
Figure 314563DEST_PATH_IMAGE002
其中，
Figure 267475DEST_PATH_IMAGE003
为当前某层权值调整量矩阵；
Figure 376114DEST_PATH_IMAGE004
为前一次权值调整量矩阵；X代表某层输入向量；
Figure 47267DEST_PATH_IMAGE005
为动量系数；为比例系数，
Figure 106807DEST_PATH_IMAGE007
；为误差信号，
Figure 544796DEST_PATH_IMAGE009
；
所述BP神经网络的输出向量 O =
Figure 69450DEST_PATH_IMAGE010
，所述输出向量为0或1；
2）、可变车道控制过程如下：
2.1）若当前可变车道属性为直行，将采集到的时间占有率数据输入BP神经网络，如果输出向量为1，则在下一个直行相位到来时，将可变车道属性由直行变为左转；如果输出向量为0，则当前可变车道属性不变。
2.2）若当前可变车道属性为左转，将采集到的时间占有率数据输入BP神经网络，如果输出向量为1，则在下一个左转相位到来时将可变车道属性由左转变为直行；如果输出向量为0，则可变车道保持左转属性不变。
本实施例中，神经网络的实现仍以软件编程为主，编写相应的算法程序，神经网络训练好之后开始工作，采集相应道路的道路交通信息（时间占有率），交由算法进行计算，如果满足触发条件，则改变可变车道的属性；如果不满足触发条件，则保持可变车道的属性不变。
(1)若当前可变车道属性为直行，将采集到的数据交由控制算法计算，得出可变车道触发条件满足，则在下一个直行相位到来时将可变车道属性由直行变为左转。
(2)若当前可变车道属性为直行，将采集到的数据交由控制算法计算，得到可变车道触发条件不满足，这时可变车道保持直行属性不变。
(3)若当前可变车道属性为左转，将采集到的数据交由控制算法计算，得到可变车道触发条件满足，则在下一个左转相位到来时将可变车道属性由左转变为直行。
(4)若当前可变车道属性为左转，将采集到的数据交由控制算法计算，得到可变车道触发条件不满足，这时可变车道保持左转属性不变。
路口施工图如图3所示
图3所示为一个交叉口的某一进口路段，1为渠化段，2为过渡段，3为不分流向段，4为所设置的能够检测时间占有率的检测器，检测器编号规则为，过渡段自左向右依次为①、②、③、④，不分流向段自左向右依次为⑤、⑥、⑦、⑧。5为可变车道。
可变车道触发流程图如下图4所示。
具体的控制实例如下所示：
路口施工图如图3所示，假如当前可变车道的属性为直行，检测器采集相应道路的时间占有率分别为（0.80，0.75，0.43，0.40，0.79，0.77，0.45，0.42），并传递到交通控制中心或者路边控制机，由相应的BP神经网络来计算，得到的触发值为0.93，0.93
Figure 996954DEST_PATH_IMAGE034
（0.9，1）（在数据样本里，可变车道属性如可以变换，设置触发值为1，不能变换设为0，则触发条件满足，这时在下一个直行相位到来时将可变车道属性由直行变为左转。

Claims (1)

1.一种可变车道自适应控制方法，其特征在于：所述可变车道自适应控制方法包括：
1）、将通过设置在道路的检测器所检测到的时间占有率作为BP神经网络的输入，BP神经网络包括输入层、隐含层和输出层，其训练过程为在网络各节点的连接权值固定不变的前提下，从输入层开始逐层逐个节点地计算每个节点的输出，再保持输出层各节点的输出不变，从输出层开始反向逐层逐个节点计算连接权值的修改量；如果输出层的网络输出与期望输出相差超于预设值，根据网络输出与期望输出的信号误差进行权值调整，最终使网络输出层的输出值与期望值趋于一致，权值调整公式为：
Figure 2010102323131100001DEST_PATH_IMAGE001
 ，
Figure 422177DEST_PATH_IMAGE002
其中，
Figure 2010102323131100001DEST_PATH_IMAGE003
为当前某层权值调整量矩阵；
Figure 401634DEST_PATH_IMAGE004
为前一次权值调整量矩阵；X代表某层输入向量；
Figure 2010102323131100001DEST_PATH_IMAGE005
为动量系数；
Figure 56737DEST_PATH_IMAGE006
为比例系数，；为误差信号，
Figure 2010102323131100001DEST_PATH_IMAGE009
；
所述BP神经网络的输出向量 O =，所述输出向量为0或1；
2）、可变车道控制过程如下：
2.1）若当前可变车道属性为直行，将采集到的时间占有率数据输入BP神经网络中，如果输出向量为1，则在下一个直行相位到来时，将可变车道属性由直行变为左转；如果输出向量为0，则当前可变车道属性不变；
2.2）若当前可变车道属性为左转，将采集到的时间占有率数据输入BP神经网络中，如果输出向量为1，则在下一个左转相位到来时将可变车道属性由左转变为直行；如果输出向量为0，则可变车道保持左转属性不变。
CN2010102323131A 2010-07-21 2010-07-21 一种可变车道自适应控制方法 Pending CN101901547A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2010102323131A CN101901547A (zh) 2010-07-21 2010-07-21 一种可变车道自适应控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2010102323131A CN101901547A (zh) 2010-07-21 2010-07-21 一种可变车道自适应控制方法

Publications (1)

Publication Number Publication Date
CN101901547A true CN101901547A (zh) 2010-12-01

Family

ID=43227047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2010102323131A Pending CN101901547A (zh) 2010-07-21 2010-07-21 一种可变车道自适应控制方法

Country Status (1)

Country Link
CN (1) CN101901547A (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102280026A (zh) * 2011-07-20 2011-12-14 浙江工业大学 一种全息环境下的车辆分形协作控制方法
CN102787569A (zh) * 2012-08-27 2012-11-21 西北工业大学 交叉路口可变车道标识和车道线长度的控制方法
CN103186984A (zh) * 2013-04-22 2013-07-03 东南大学 一种城市交叉口可变导向车道转向功能变换触发方法
CN103208196A (zh) * 2013-04-22 2013-07-17 东南大学 面向城市干道变向交通的车道调整方法
CN103426316A (zh) * 2013-07-19 2013-12-04 安锐 基于可变车道的交通控制方法和控制***
CN103541319A (zh) * 2013-09-25 2014-01-29 浙江吉利控股集团有限公司 一种可变车道分流***
CN106960590A (zh) * 2017-05-27 2017-07-18 深圳市乃斯网络科技有限公司 智能交通车道行进路线分配方法及***
CN107161155A (zh) * 2017-04-27 2017-09-15 大连理工大学 一种基于人工神经网络的车辆协同换道方法及其***
CN107730920A (zh) * 2017-10-23 2018-02-23 淮阴工学院 一种基于道钉灯的动态可变车道控制方法
CN108177653A (zh) * 2016-12-08 2018-06-19 本田技研工业株式会社 车辆控制装置
WO2018218410A1 (zh) * 2017-05-27 2018-12-06 深圳市乃斯网络科技有限公司 智能交通车道行进路线分配方法及***
CN111915894A (zh) * 2020-08-06 2020-11-10 北京航空航天大学 基于深度强化学习的可变车道及交通信号协同控制方法
CN112419726A (zh) * 2020-11-20 2021-02-26 华南理工大学 一种基于交通流预测的城市交通信号控制***
CN113570855A (zh) * 2021-06-22 2021-10-29 阿波罗智联(北京)科技有限公司 可变车道的控制方法、装置、设备以及存储介质
CN114694382A (zh) * 2022-04-01 2022-07-01 桂林电子科技大学 一种基于车联网环境的动态单向交通控制***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07220193A (ja) * 1994-01-28 1995-08-18 Nagoya Denki Kogyo Kk 交通状況判別装置
US20080010643A1 (en) * 2006-07-07 2008-01-10 Nec Electronics Corporation Multiprocessor system and access right setting method in the multiprocessor system
US20080106436A1 (en) * 1997-10-22 2008-05-08 Intelligent Technologies International, Inc. In-Vehicle Signage Techniques
CN101650877A (zh) * 2009-08-31 2010-02-17 吉林大学 交叉口自适应可变车道设置方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07220193A (ja) * 1994-01-28 1995-08-18 Nagoya Denki Kogyo Kk 交通状況判別装置
US20080106436A1 (en) * 1997-10-22 2008-05-08 Intelligent Technologies International, Inc. In-Vehicle Signage Techniques
US20080010643A1 (en) * 2006-07-07 2008-01-10 Nec Electronics Corporation Multiprocessor system and access right setting method in the multiprocessor system
CN101650877A (zh) * 2009-08-31 2010-02-17 吉林大学 交叉口自适应可变车道设置方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
樊晓平等: "基于神经网络的交叉口可变相序模糊控制方法", 《交通运输***工程与信息》, vol. 8, no. 1, 29 February 2008 (2008-02-29), pages 80 - 85 *
许伦辉等: "孤立交叉口多相位自适应模糊控制及其神经网络实现", 《中国公路学报》, vol. 18, no. 3, 31 July 2005 (2005-07-31) *

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102280026A (zh) * 2011-07-20 2011-12-14 浙江工业大学 一种全息环境下的车辆分形协作控制方法
CN102787569A (zh) * 2012-08-27 2012-11-21 西北工业大学 交叉路口可变车道标识和车道线长度的控制方法
CN102787569B (zh) * 2012-08-27 2014-09-10 西北工业大学 交叉路口可变车道标识方法
CN103186984A (zh) * 2013-04-22 2013-07-03 东南大学 一种城市交叉口可变导向车道转向功能变换触发方法
CN103208196A (zh) * 2013-04-22 2013-07-17 东南大学 面向城市干道变向交通的车道调整方法
CN103186984B (zh) * 2013-04-22 2015-01-07 东南大学 一种城市交叉口可变导向车道转向功能变换触发方法
CN103426316A (zh) * 2013-07-19 2013-12-04 安锐 基于可变车道的交通控制方法和控制***
CN103426316B (zh) * 2013-07-19 2015-04-15 安锐 基于可变车道的交通控制方法和控制***
CN103541319A (zh) * 2013-09-25 2014-01-29 浙江吉利控股集团有限公司 一种可变车道分流***
CN108177653A (zh) * 2016-12-08 2018-06-19 本田技研工业株式会社 车辆控制装置
CN107161155A (zh) * 2017-04-27 2017-09-15 大连理工大学 一种基于人工神经网络的车辆协同换道方法及其***
CN106960590A (zh) * 2017-05-27 2017-07-18 深圳市乃斯网络科技有限公司 智能交通车道行进路线分配方法及***
WO2018218410A1 (zh) * 2017-05-27 2018-12-06 深圳市乃斯网络科技有限公司 智能交通车道行进路线分配方法及***
CN107730920A (zh) * 2017-10-23 2018-02-23 淮阴工学院 一种基于道钉灯的动态可变车道控制方法
CN111915894A (zh) * 2020-08-06 2020-11-10 北京航空航天大学 基于深度强化学习的可变车道及交通信号协同控制方法
CN111915894B (zh) * 2020-08-06 2021-07-27 北京航空航天大学 基于深度强化学习的可变车道及交通信号协同控制方法
CN112419726A (zh) * 2020-11-20 2021-02-26 华南理工大学 一种基于交通流预测的城市交通信号控制***
CN112419726B (zh) * 2020-11-20 2022-09-20 华南理工大学 一种基于交通流预测的城市交通信号控制***
CN113570855A (zh) * 2021-06-22 2021-10-29 阿波罗智联(北京)科技有限公司 可变车道的控制方法、装置、设备以及存储介质
CN113570855B (zh) * 2021-06-22 2023-04-28 阿波罗智联(北京)科技有限公司 可变车道的控制方法、装置、设备以及存储介质
CN114694382A (zh) * 2022-04-01 2022-07-01 桂林电子科技大学 一种基于车联网环境的动态单向交通控制***

Similar Documents

Publication Publication Date Title
CN101901547A (zh) 一种可变车道自适应控制方法
Kumar et al. Short term traffic flow prediction in heterogeneous condition using artificial neural network
Randløv et al. Learning to Drive a Bicycle Using Reinforcement Learning and Shaping.
CN103927891B (zh) 一种基于双贝叶斯的路口动态转向比例两步预测方法
CN107168324A (zh) 一种基于anfis模糊神经网络的机器人路径规划方法
CN108510764A (zh) 一种基于q学习的多路口自适应相位差协调控制***及方法
Lin et al. Traffic signal optimization based on fuzzy control and differential evolution algorithm
Mikluščák et al. Using neural networks for route and destination prediction in intelligent transport systems
Sharma et al. Intelligent traffic light control system based on traffic environment using deep learning
Alam et al. Intellegent traffic light control system for isolated intersection using fuzzy logic
CN112863179B (zh) 一种基于神经网络模型预测控制的路口信号灯控制方法
CN102592464A (zh) 一种基于视频的相位差模糊推理确定方法
CN113741464B (zh) 一种基于时空数据强化学习的自动驾驶速度控制框架
Hassan et al. Smart City Intelligent Traffic Control for Connected Road Junction Congestion Awareness with Deep Extreme Learning Machine
CN1971655A (zh) 利用智能交通信息的减缓交通拥堵方法
CN112884194A (zh) 基于信号交叉口运行状况的可变车道切换与信号配时方法
Zang et al. An intelligent control method for urban traffic signal based on fuzzy neural network
Niittymäki Using fuzzy logic to control traffic signals at multi-phase intersections
Abd El-Hameed Artificial intelligence shaping sustainable cities for climate change mitigation: a review of literature
Sun et al. Neurofuzzy control to actuated-coordinated system at closely-spaced intersections
Gündogan et al. Pattern recognition method for simplified coordinated traffic signal control
Kim et al. Genetic algorithm approach to generate rules and membership functions of fuzzy traffic controller
CN113643528B (zh) 信号灯控制方法、模型训练方法、***、装置及存储介质
Yan et al. Application of CACMAC-PID Composite Control to Highway Density Control via Ramp Metering
Chen et al. Study of multi-agent area coordination control for urban traffic

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C12 Rejection of a patent application after its publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20101201