CN106530698A - 一种考虑出口转向的城市道路行程时间的估计方法 - Google Patents
一种考虑出口转向的城市道路行程时间的估计方法 Download PDFInfo
- Publication number
- CN106530698A CN106530698A CN201611032896.7A CN201611032896A CN106530698A CN 106530698 A CN106530698 A CN 106530698A CN 201611032896 A CN201611032896 A CN 201611032896A CN 106530698 A CN106530698 A CN 106530698A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- upstream
- vehicle number
- time
- outlet turning
- 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
Links
- 238000007514 turning Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 238000009825 accumulation Methods 0.000 claims description 24
- 239000000523 sample Substances 0.000 claims description 16
- 230000001174 ascending effect Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 2
- 230000001186 cumulative effect Effects 0.000 abstract 2
- 238000005259 measurement Methods 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 108010049508 Myxococcus acidic endoprotease Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种考虑出口转向的城市道路行程时间的估计方法,包括:步骤一、建立累计直方图修正模型;步骤二、对车辆不同出口转向的上游累计车辆数进行估算;步骤三、利用估算出的车辆不同出口转向的上游累计车辆数和车辆不同出口转向的下游累计车辆数估计路段具体出口转向的行程时间。本发明将定点检测器和探测车采集的数据与传统累积直方图模型相结合,重新建立考虑不同出口转向的行程时间累积直方图模型,本发明考虑了城市道路中相对偏差的存在,提高了城市道路行程时间的估计精度,本发明方法的估计值与探测车实测值的误差低于10%。
Description
技术领域
本发明属于智能交通领域,具体涉及一种考虑出口转向的城市道路行程时间的估计方法。
背景技术
行程时间是智能交通***的主要参数之一,是衡量路网交通拥堵状况、出行效率的重要指标。在城市路网中,行程时间是指从路段上游点到下游点所需时间总和。由于城市道路交叉口信号控制、交通流自身的不守恒性,造成不同出口转向之间行程时间差别很大,准确估计城市路网行程时间仍然面临着挑战。行程时间的预测通常采用的方法包括时间序列法、人工神经网络模型、卡尔曼滤波等,这些方法虽然都具有一定的准确性,但存在基础数据多计算量大求解不易的问题。
发明内容
为解决上述问题,本发明提供一种考虑出口转向的城市道路行程时间的估计方法,该方法包括:
步骤一、建立累计直方图修正模型;
步骤二、对车辆不同出口转向的上游累计车辆数进行估算;
步骤三、利用估算出的车辆不同出口转向的上游累计车辆数和车辆不同出口转向的下游累计车辆数估计路段具体出口转向的平均行程时间。
进一步地,所述累计直方图修正模型为:
式中:UA(t)为上游路段累计车辆数;Um(t)为车辆不同的出口转向的上游累计车辆数;ε为误差参数;用字母m表示车辆不同的出口转向,m代表T、L、R,其中T表示直行,L表示左转,R表示右转。
进一步地,所述对车辆不同出口转向的上游累计车辆数估算方法为:
(1)计算UA(t)和Dm(t);
所述UA(t)和Dm(t)通过布设在停车线处的检测器数据求出,其中,Dm(t)表示下游路段累计车辆数;
(2)垂直缩放UA(t),估计Um(t);
定义变量Vm,p为有效比例因子,表示一天中p时间间隔内m出口转向的比例因子;ts,p和te,p分别表示p时间间隔车辆行程的起点时刻和终点时刻(本文Vm,p的取值可以根据路段各出口转向的流量比例设置各出口转向对应的比例因子值,如果Vm,p=1,则Um(t)=UA(t));
在p时间间隔的起始时刻ts,p对上游m出口转向的初始累积车辆数Um(ts,p)进行估计,然后运用公式(2)对各时间间隔UA(t)以相应比例因子进行垂直缩放,得出Um(t)的估计值;
式中:Y(t)为ts,p到t时间间隔m转向的车辆数;UA(t)-UA(ts,p)为ts,p到t时间间隔内累积车辆数;Um(t)为t时刻进行m转向的累计车辆数;
(3)利用探测车数据,计算Um′(t);
引入探测车是为了使其在交叉口提供时间标记,将探测车采集到的数据定义为D′m(t),现定义有n辆探测车,探测车位于上游和下游的时间点分别为tu和td,对Um(t)曲线所经过的点进行定义,步骤如下:
a、将td的数据列表按照数据值的升序(即到达的先后顺序)进行排序;
b、将tu的数据列表按照数据值的升序(即出发的先后顺序)进行排序;
c、则将Um(t)经过的点定义为(tuj,D′(tdj)),其中tuj和tdj分别是tu、td数据列表中第j辆探测车的数据;
道路上车流量较少处于自由流状态时,此时将累积直方图数据进行初始化处理,定义初始参考点P0(Um(t0)=D′m(t0)=0),选取道路上交通流量从自由流逐渐向缓行状态过渡的时刻作为tr,定义Pr(tr,Um(tr))为累积直方图中的一个参考点,对于直方图中其他点Pj,以前一点Pj-1作为参考进行重新计算,则重新计算得到的Um′(t)所经过的点(tp,Yp)的计算公式如下:
Um′(t)=Um(t)+C (3)
其中,
式中:Um′(t)为重新计算Um(t)得到的m出口转向的上游累积车辆数;C为修正变量;s为缩放因子。
进一步地,所述比例因子Vm,p,是将前一天各固定时间间隔的Um′(t)和UA(t)进行整合,用于对未来时刻路网交通状态进行预测,Vm,p的计算公式如下:
其中:
式中:te,p、ts,p分别为p时间间隔开始和结束时刻;YA,p、Ym,p分别为UA(t)和Um′(t)在p时间间隔内的累积计数。
进一步地,所述利用估算出的车辆不同出口转向的上游累计车辆数和车辆不同出口转向的下游累计车辆数估计路段具体出口转向的平均行程时间方法为:将Um′(t)和检测器数据Dm(t)代入公式(8)中,计算路段具体出口转向的平均行程时间
其中:
N=U′m(t2)-U′m(t1)=Dm(t4)-Dm(t3) (9)
式中:Um′(t)为重新计算得出的上游m出口转向的累计车辆数;S为全部行程时间;N为时间t1-t2(t3-t4)内到达上游点(离开下游点)的累积车流量;
本发明的有益效果:通过将定点检测器和探测车采集的数据与传统累积直方图模型相结合,重新建立考虑不同出口转向的行程时间累积直方图模型并进行实例分析,新建累积直方图模型的估计值与探测车实测值的误差在10%左右,且只需要少量交通流数据就能够得出不同出口转向的行程时间数据,能够简单有效地判断路口各个方向是否处于交通饱和状态,对后续控制策略的制定及防止交通拥挤的加剧具有较高的应用价值。
附图说明
图1为本发明垂直缩放UA(t)示意图;
图2为本发明累积直方图修正模型建立流程图;
图3为本发明利用探测车数据计算Um′(t)示意图;
图4为本发明平均行程时间计算示意图;
图5为本发明实施例研究区域图;
图6为本发明实施例的左转行程时间图;
图7为本发明实施例的左转行程时间误差分析图;
图8为本发明实施例的直行行程时间图;
图9为本发明实施例的直行行程时间误差分析图;
图10为本发明实施例的右转行程时间图;
图11为本发明实施例的右转行程时间误差分析图;
图12为本发明实施例的相同交通流情况下方法准确率对比图;
具体实施方式
以下结合附图对本发明的优选实施案例进行说明,应当理解,此处所描述的优选实施案例仅用于解释和说明本发明方案,并不用于限制本发明。
具体实施例:请参见图1、2、3,一种考虑出口转向的城市道路行程时间的估计方法,该方法包括:
步骤一、建立累计直方图修正模型:
式中:UA(t)为上游路段累计车辆数;Um(t)为车辆不同的出口转向的上游累计车辆数;ε为误差参数;用字母m表示车辆不同的出口转向,m代表T、L、R,其中T表示直行,L表示左转,R表示右转。
步骤二、对车辆不同出口转向的上游累计车辆数进行估算,该估算方法为:
(1)计算UA(t)和Dm(t);
所述UA(t)和Dm(t)通过布设在停车线处的检测器数据求出,其中,Dm(t)表示下游路段累计车辆数;
(2)垂直缩放UA(t),估计Um(t),请参见图1;
定义变量Vm,p为有效比例因子,表示一天中p时间间隔内m出口转向的比例因子;ts,p和te,p分别表示p时间间隔车辆行程的起点时刻和终点时刻(本文Vm,p的取值可以根据路段各出口转向的流量比例设置各出口转向对应的比例因子值,如果Vm,p=1,则Um(t)=UA(t));
在p时间间隔的起始时刻ts,p对上游m出口转向的初始累积车辆数Um(ts,p)进行估计,然后运用公式(2)对各时间间隔UA(t)以相应比例因子进行垂直缩放,得出Um(t)的估计值;
式中:Y(t)为ts,p到t时间间隔m转向的车辆数;UA(t)-UA(ts,p)为ts,p到t时间间隔内累积车辆数;Um(t)为t时刻进行m转向的累计车辆数;
(3)利用探测车数据,计算Um′(t),请参见图2、图3;
引入探测车是为了使其在交叉口提供时间标记,将探测车采集到的数据定义为D′m(t),现定义有n辆探测车,探测车位于上游和下游的时间点分别为tu和td,对Um(t)曲线所经过的点进行定义,步骤如下:
a、将td的数据列表按照数据值的升序(即到达的先后顺序)进行排序;
b、将tu的数据列表按照数据值的升序(即出发的先后顺序)进行排序;
c、则将Um(t)经过的点定义为(tuj,D′(tdj)),其中tuj和tdj分别是tu、td数据列表中第j辆探测车的数据;
道路上车流量较少处于自由流状态时,此时将累积直方图数据进行初始化处理,定义初始参考点P0(Um(t0)=D′m(t0)=0),选取道路上交通流量从自由流逐渐向缓行状态过渡的时刻作为tr,定义Pr(tr,Um(tr))为累积直方图中的一个参考点,对于直方图中其他点Pj,以前一点Pj-1作为参考进行重新计算,则重新计算得到的Um′(t)所经过的点(tp,Yp)的计算公式如下:
Um′(t)=Um(t)+C (3)
其中,
式中:Um′(t)为重新计算Um(t)得到的m出口转向的上游累积车辆数;C为修正变量;s为缩放因子。
如图3所示,在时间tr之前不对原有直方图进行缩放,在tr-tp时间间隔对直方图进行垂直缩放,超过tp之后由于修正变量C为定值,对其进行垂直转换,从而使得Um′(t)是连续的,且在时刻tp平行于原有Um(t)。最后利用Um′(t)与Dm(t)计算考虑出口转向的城市路段行程时间平均行程时间。
进一步地,所述比例因子Vm,p,是将前一天各固定时间间隔的Um′(t)和UA(t)进行整合,用于对未来时刻路网交通状态进行预测,Vm,p的计算公式如下:
其中:
式中:te,p、ts,p分别为p时间间隔开始和结束时刻;YA,p、Ym,p分别为UA(t)和Um′(t)在p时间间隔内的累积计数。
请参见图4,步骤三、利用估算出的车辆不同出口转向的上游累计车辆数和车辆不同出口转向的下游累计车辆数估计路段具体出口转向的平均行程时间:将Um′(t)和检测器数据Dm(t)代入公式(8)中,计算路段具体出口转向的平均行程时间
其中:
N=U′m(t2)-U′m(t1)=Dm(t4)-Dm(t3) (9)
式中:Um′(t)为重新计算得出的上游m出口转向的累计车辆数;S为全部行程时间;N为时间t1-t2(t3-t4)内到达上游点(离开下游点)的累积车流量;
需要说明的是,为验证本发明可行性,申请人以青岛香江路从江山南路至武夷山路一段为实验区域,请参见图5。这是一段由西向东的城市主干道,路段全长2.1km,双向四车道,交通检测器布设在停车线附近,选用2015年7月20日由探测车在上述区间采集到的数据代入神经网络模型和累积直方图修正模型进行实验模拟,分别模拟从S点到L、T、R三点进行左转、直行、右转的车辆。将探测车采集的时间数据定义为实际行程时间ta,利用上述两种模型仿真所得出口转向行程时间定义为预测行程时间te,评价指标如下:
AM=(1-MAPE) (12)
式中:APE为行程时间绝对百分率误差;MAEP为行程时间平均百分率误差;AM为行程时间估计有效性百分率。
利用上述公式对路段运用上述两种模型进行左转、直行、右转三个方向行程时间误差分析。从图6、图8、图10行程时间预测结果可以看出,累积直方图曲线总体上与实际行程时间曲线的契合度较高,能够对行程时间进行估计;从图7、图9、图11的误差分析可知,运用累积直方图方法进行预测时,误差一般情况下控制在10%以内,并且相对神经网络模型而言准确度稍高,能够较准确的对行程时间进行预测。
另外,为了证明该方法与神经网络模型相比具有简单易行的优势,申请人利用公式(10)-(12)分别对累积直方图模型和神经网络模型在不同交通流量时单位时间间隔内的百分率误差进行分析,请参见图12,从图中可以发现:
(1)采用累积直方图模型进行道路行程时间估计时,估计精度能够达到90%左右,并且随着交通流数据的增加估计精度会有所提高。
(2)本文所提出方法只需要少量探测车数据就可以做出相对准确的预测,但是神经网络模型只有在交通流量较大时检测精度才会相对准确。所以运用累积直方图模型预测行程时间更为简单易行。
最后应说明的是:以上所述仅为本发明的较佳实施方式,并不用于限定本发明,凡在依据本发明的技术实质所作的简单的任何修改、等同替换、修饰等,均应包括在本发明的保护范围之内。
Claims (5)
1.一种考虑出口转向的城市道路行程时间的估计方法,其特征在于,该方法包括:
步骤一、建立累计直方图修正模型;
步骤二、对车辆不同出口转向的上游累计车辆数进行估算;
步骤三、利用估算出的车辆不同出口转向的上游累计车辆数和车辆不同出口转向的下游累计车辆数估计路段具体出口转向的平均行程时间。
2.根据权利要求1所述的考虑出口转向的城市道路行程时间的估计方法,其特征在于,所述累计直方图修正模型为:
式中:UA(t)为上游路段累计车辆数;Um(t)为车辆不同的出口转向的上游累计车辆数;ε为误差参数;用字母m表示车辆不同的出口转向,m代表T、L、R,其中T表示直行,L表示左转,R表示右转。
3.根据权利要求1所述的考虑出口转向的城市道路行程时间的估计方法,其特征在于,所述对车辆不同出口转向的上游累计车辆数估算方法为:
(1)计算UA(t)和Dm(t);
所述UA(t)和Dm(t)通过布设在停车线处的检测器数据求出,其中,Dm(t)表示下游路段累计车辆数;
(2)垂直缩放UA(t),估计Um(t);
定义变量Vm,p为有效比例因子,表示一天中p时间间隔内m出口转向的比例因子;ts,p和te,p分别表示p时间间隔车辆行程的起点时刻和终点时刻(本文Vm,p的取值可以根据路段各出口转向的流量比例设置各出口转向对应的比例因子值,如果Vm,p=1,则Um(t)=UA(t));
在p时间间隔的起始时刻ts,p对上游m出口转向的初始累积车辆数Um(ts,p)进行估计,然后运用公式(2)对各时间间隔UA(t)以相应比例因子进行垂直缩放,得出Um(t)的估计值;
式中:Y(t)为ts,p到t时间间隔m转向的车辆数;UA(t)-UA(ts,p)为ts,p到t时间间隔内累积车辆数;Um(t)为t时刻进行m转向的累计车辆数;
(3)利用探测车数据,计算Um′(t);
引入探测车是为了使其在交叉口提供时间标记,将探测车采集到的数据定义为D′m(t),现定义有n辆探测车,探测车位于上游和下游的时间点分别为tu和td,对Um(t)曲线所经过的点进行定义,步骤如下:
a、将td的数据列表按照数据值的升序(即到达的先后顺序)进行排序;
b、将tu的数据列表按照数据值的升序(即出发的先后顺序)进行排序;
c、则将Um(t)经过的点定义为(tuj,D′(tdj)),其中tuj和tdj分别是tu、td数据列表中第j辆探测车的数据;
道路上车流量较少处于自由流状态时,此时将累积直方图数据进行初始化处理,定义初始参考点P0(Um(t0)=D′m(t0)=0),选取道路上交通流量从自由流逐渐向缓行状态过渡的时刻作为tr,定义Pr(tr,Um(tr))为累积直方图中的一个参考点,对于直方图中其他点Pj,以前一点Pj-1作为参考进行重新计算,则重新计算得到的Um′(t)所经过的点(tp,Yp)的计算公式如下:
Um′(t)=Um(t)+C (3)
其中,
式中:Um′(t)为重新计算Um(t)得到的m出口转向的上游累积车辆数;C为修正变量;s为缩放因子。
4.根据权利要求3所述的考虑出口转向的城市道路行程时间的估计方法,其特征在于,所述比例因子Vm,p,是将前一天各固定时间间隔的Um′(t)和UA(t)进行整合,用于对未来时刻路网交通状态进行预测,Vm,p的计算公式如下:
其中:
式中:te,p、ts,p分别为p时间间隔开始和结束时刻;YA,p、Ym,p分别为UA(t)和Um′(t)在p时间间隔内的累积计数。
5.根据权利要求1所述的考虑出口转向的城市道路行程时间的估计方法,其特征在于,所述利用估算出的车辆不同出口转向的上游累计车辆数和车辆不同出口转向的下游累计车辆数估计路段具体出口转向的平均行程时间方法为:将Um′(t)和检测器数据Dm(t)代入公式(8)中,计算路段具体出口转向的平均行程时间
其中:
N=U′m(t2)-U′m(t1)=Dm(t4)-Dm(t3) (9)
式中:Um′(t)为重新计算得出的上游m出口转向的累计车辆数;S为全部行程时间;N为时间t1-t2(t3-t4)内到达上游点(离开下游点)的累积车流量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611032896.7A CN106530698A (zh) | 2016-11-22 | 2016-11-22 | 一种考虑出口转向的城市道路行程时间的估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611032896.7A CN106530698A (zh) | 2016-11-22 | 2016-11-22 | 一种考虑出口转向的城市道路行程时间的估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106530698A true CN106530698A (zh) | 2017-03-22 |
Family
ID=58356056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611032896.7A Pending CN106530698A (zh) | 2016-11-22 | 2016-11-22 | 一种考虑出口转向的城市道路行程时间的估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106530698A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932908A (zh) * | 2020-08-05 | 2020-11-13 | 浙江工业大学 | 一种基于深度学习的转向比及车流量统计方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504897A (zh) * | 2014-09-28 | 2015-04-08 | 北京工业大学 | 一种基于轨迹数据的交叉***通流特性分析及车辆运动预测方法 |
US20160202074A1 (en) * | 2015-01-11 | 2016-07-14 | Microsoft Technology Licensing, Llc | Predicting and utilizing variability of travel times in mapping services |
CN106097718A (zh) * | 2016-08-23 | 2016-11-09 | 重庆大学 | 基于gps数据的信号交叉口区域通行时间估计方法 |
-
2016
- 2016-11-22 CN CN201611032896.7A patent/CN106530698A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504897A (zh) * | 2014-09-28 | 2015-04-08 | 北京工业大学 | 一种基于轨迹数据的交叉***通流特性分析及车辆运动预测方法 |
US20160202074A1 (en) * | 2015-01-11 | 2016-07-14 | Microsoft Technology Licensing, Llc | Predicting and utilizing variability of travel times in mapping services |
CN106097718A (zh) * | 2016-08-23 | 2016-11-09 | 重庆大学 | 基于gps数据的信号交叉口区域通行时间估计方法 |
Non-Patent Citations (2)
Title |
---|
ASHISH BHASKAR ET AL.: "Urban route average travel time estimation considering exit turning movements", 《 TRANSPORTATION RESEARCH RECORD: JOURNAL OF THE TRANSPORTATION RESEARCH BOARD》 * |
李嘉等: "基于交通数据融合技术的行程时间预测模型", 《湖南大学学报(自然科学版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932908A (zh) * | 2020-08-05 | 2020-11-13 | 浙江工业大学 | 一种基于深度学习的转向比及车流量统计方法 |
CN111932908B (zh) * | 2020-08-05 | 2021-07-23 | 浙江工业大学 | 一种基于深度学习的转向比及车流量统计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104658252B (zh) | 基于多源数据融合的高速公路交通运行状态的评估方法 | |
CN104821080B (zh) | 基于宏观城市交通流的智能车辆行驶速度及时间预测方法 | |
CN104157152B (zh) | 一种用于道路交叉口车辆排队溢出状态的交通信号优化控制方法 | |
CN104732075B (zh) | 一种城市道路交通事故风险实时预测方法 | |
Hiribarren et al. | Real time traffic states estimation on arterials based on trajectory data | |
CN106710215B (zh) | 瓶颈上游车道级交通状态预测***及实现方法 | |
CN107330217A (zh) | 一种基于rbfnn的中观油耗预测方法 | |
CN101894461A (zh) | 城市地面道路行程时间预测方法 | |
CN105405294A (zh) | 道路拥堵路段的预警方法 | |
CN101739822A (zh) | 区域交通状态获取的传感器网络配置方法 | |
CN106355882A (zh) | 一种基于路中检测器的交通状态估计方法 | |
CN103632537B (zh) | 一种基于浮动车的城市道路aadt估计方法 | |
Shirke et al. | Macroscopic modelling of arterial traffic: An extension to the cell transmission model | |
CN106023602A (zh) | 山地城市信号交叉口延误计算方法 | |
Lee et al. | Determining lane use distributions using basic freeway segment density measures | |
CN102074112A (zh) | 基于时间序列多元线性回归的虚拟速度传感器设计方法 | |
CN106571034A (zh) | 基于融合数据的城市快速路交通状态滚动预测方法 | |
Salim et al. | Estimation of average space headway under heterogeneous traffic conditions | |
Jain et al. | Developing level-of-service criteria for two-lane rural roads with grades under mixed traffic conditions | |
CN106530698A (zh) | 一种考虑出口转向的城市道路行程时间的估计方法 | |
Li et al. | Calibrating VISSIM roundabout model using a critical gap and follow-up headway approach | |
CN108417030A (zh) | 基于交通参数组合的路***通状态强度计算方法 | |
Kar et al. | Modelling service quality offered by signalized intersections from automobile users’ perspective in urban indian context | |
Guin et al. | Freeway Travel-Time Estimation and Forecasting [2013] | |
CN105701579A (zh) | 高原双车道二级公路基本路段交通事故预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170322 |