CN107231408A - 城市道路中基于车辆状态预测的连通性模型的构造方法 - Google Patents
城市道路中基于车辆状态预测的连通性模型的构造方法 Download PDFInfo
- Publication number
- CN107231408A CN107231408A CN201710303313.8A CN201710303313A CN107231408A CN 107231408 A CN107231408 A CN 107231408A CN 201710303313 A CN201710303313 A CN 201710303313A CN 107231408 A CN107231408 A CN 107231408A
- Authority
- CN
- China
- Prior art keywords
- crossing
- vehicle
- node
- stack
- link
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
现有城市道路中车联网连通性研究均从路口至路口之间路段的密度等宏观角度衡量道路的连通性,而城市道路中车辆往往存在分布不均、路口转发节点空洞等问题,因此使用密度衡量连通性存在缺限。为此,本发明给出一种城市道路中基于车辆状态预测的连通性模型的构造方法。首先结合车辆的具体分布和动态变化,利用已有的车辆状态预测技术,计算车辆间链路生存时间,以此评估道路是否连通以及连通的稳定性,得到路口和路段连通性方法,然后推导城市道路整体连通性模型,并给出连通性最优的路径选择方法。本发明从根本上提升了城市道路网络路径连通的可靠性和稳定性,为车联网数据和信息提供最优传输路径,有助于推动车联网可靠有效的信息共享渠道的建设。
Description
技术领域
本发明涉及车联网领域,具体涉及城市道路中基于车辆状态预测的连通性模型的构造方法。
背景技术
车联网连通性研究是连通性量化度量并应用于车联网路由机制设计。量化度量方法研究主要集中在基于连通性的路由协议,因为连通性的度量直接影响到路由协议中路径的选择。部分研究简单地以车辆密度作为道路连通性的指标,然而道路密度高可能仅是局部分布密集,出现车辆分簇的情况,形成若干互不连通性的分支。更准确的研究综合考虑连通率和时延的影响,其连通率和时延通过发送位置数据包来统计网络传输的成功率和延迟,然而这样需要频繁发送大量附加数据包,需要非常大的网络开销。为更好的评估连通性需要更精细的计算,Lei等人假设车辆均匀分布,利用给定的路段车辆密度估算该路段的连通度,但是该种假设并不符合车辆的实际分布,尤其在交通灯的影响下,车辆的分布很可能集中在路口位置,分布不均匀。Yang等人的研究则使用随机分布模型来度量连通性,应用了车辆密度、交通灯等信息,考虑了多车道的问题,但其并没有充分利用实时的车辆分布信息,且只也针对路口至路口的短距离路段,而路口情况缺乏保障,当路口没有车辆节点或车辆节点驶离的情况下将出现路口转发节点空洞问题。Lin等的研究使用模糊理论建立了车辆密度、安全距离(根据位置和速度计算得到)和车辆正方行驶方向比例相关的连通性模型,但该研究也仅是从宏观上通过衡量道路的车辆密度和方向等宏观因素来计算连通性,仍然不能很好地避免车辆分簇和路口转发节点空洞等问题。因此,目前的连通性机制研究缺乏一个结合车辆分布、道路信息、交通灯信息准确计算连通性的微观连通性机制。
相较于高速公路,城市道路客观存在道路纵横交错,交通灯和路口广泛分布和车辆运动状态频繁变化等特性,成为阻碍车辆之间相互连通的主要因素。现有关于城市道路中车联网连通性的研究通常以车辆密度来衡量路口至路口路段的连通性,存在如下问题:首先,没有考虑车辆分布在交通灯的影响下形成两极分化、分布疏密不均,导致车辆形成若干互不连通的分簇;其次,当路口缺乏车辆节点或者路口车辆驶离时,会造成路口车辆转发节点空洞问题;此外,基于车辆密度的连通性方法缺乏对车辆动态变化和网络稳定性的考量。
公开日为2015-08-26(公开号104867329A)的中国专利申请《一种车联网车辆状态预测方法》(申请号:201510197749.4申请日:2015-04-23),该车联网车辆状态预测方法,包括:1)获取目标车辆所处的车辆环境信息以及目标车辆前方的交通灯信息;2)根据车辆环境信息,以及目标车辆的历史状态信息预测目标车辆的车辆行为;3)根据车辆环境信息、目标车辆前方的交通灯信息和预测得到的车辆行为,结合目标车辆的历史状态信息预测车辆的状态。该发明基于车辆环境信息、以及车辆历史状态对车辆的车辆行为进行预测,再通过车辆行为对车辆的未来状态进行预测,基于车辆行为的预测准确,并且具有良好地扩展性,简单高效,适用大规模网络情况。本发明技术方案用到此在先技术,即,本发明技术方案是该在先中国专利申请《一种车联网车辆状态预测方法》(申请号:201510197749.4)的基础上进一步研发深入。
发明内容
本发明目的在于公开一种城市道路中基于车辆状态预测的连通性模型的构造方法,对城市道路中客观存在道路纵横交错,交通灯和路口广泛分布和车辆运动状态频繁变化等特性进行深入***的研究,从而有效提高城市道路网络路径连通的可靠性和稳定性。
为此,本发明给出以下技术方案实现:
本发明研究方法,其特征在于,基于目前关于城市道路车联网的连通性研究并没有考虑车辆往往存在分布不均、路口转发节点空洞等问题,基于在先提出的车辆状态预测技术,给出路口链路和路段链路连通性的相关计算和解析,在此基础上,对城市道路的最优路径进行推导,得出基于车辆状态预测的城市道路连通性的相关结论。即,技术方案概括表征为:
首先结合车辆的具体分布和动态变化,利用车辆状态预测方法,计算车辆间链路生存时间,以此评估道路是否连通和连通的稳定性,得到路口和路段连通性模型,然后推导城市道路整体连通性模型,并给出连通性最优的路径选择方法。
一种城市道路中基于车辆状态预测的连通性模型的构造方法,其特征在于,具体方法包括如下步骤:
步骤1.计算基于路口链路的连通性;
步骤11.计算路口区车辆的停留时间;
步骤12.计算过渡区车辆到达和离开路口的时间段;
步骤13.路口链路连通性整体计算。
步骤2.计算基于路段链路的连通性;
步骤21.计算源路口S和目的路口D范围通信范围内节点与其的链路生存时间;
步骤22.计算相邻节点中方向为源路口S到目的路口D方向的链路生存时间;
步骤23.路口S到路口D路段整体连通性计计算。
步骤3.推导最优路径。
构建城市道路整体连通性模型,通过路口和路段链路连通性度量方法得到衡量从源节点到目的节点的路径组成部分找到一条最优路径。
步骤31.源节点出发的边权值设置为无限大;
步骤32.到达目的节点的边的权值为节点所代表路段的连通性的值;
步骤33.转弯情况的边的权值为出发节点所代表路段的连通性与其所指向路口连通性中的较小值;
步骤34.直行情况的权值为出发节点所代表路段的连通性。
有益效果:
一
现有技术中,密度并不能准确评估车联网的连通性,即使相同密度下,由于分布不均匀仍然将导致连通性评估失误;而本发明基于路口链路和路段链路的连通性方法,其连通性机制考虑具体分布,且因能区分路口和路段的连通性机制更为合理。具体说,本发明连通性计算方法体现了三个方面的优点:
(1)离散链路生存时间,体现了一点的容错性;
(2)体现链路生存时间,即十字路口范围内存在大于等于1个节点的持续时间,十字路口范围内存在大于等于1个节点的持续时间,体现十字路口链路的最大生存时间;
(3)考虑十字路口范围内节点的数量,体现十字路口链路的鲁棒性。
本发明连通性计算方法体现了两个方面的指标:
(1)链路生存时间,即十字路口范围内存在大于等于1个节点的持续时间,十字路口范围内存在大于等于1个节点的持续时间,体现十字路口链路的最大生存时间;
(2)十字路口范围内节点的数量,体现十字路口链路的鲁棒性。
二、
本发明给出的基于车辆预测的连通性模型,该连通性模型得到指标与投递率成正比,与延迟成反比;该连通性度量指标可以比较准备地评估网络路径的连通率和质量。
附表说明
表1交通灯对照表
附图说明
图1路口车辆节点分布
图2路段连通性节点分布
图3源节点和目的节点分布情况
图4路口链路连通性计算
图5转弯和直行路径权值的不同计算
图6实验路口和路段场景
图7右路***通灯周期
图8车道编号
图9路口链路连通性
图10路段链路连通性
图11车辆节点网络结构
图12数据包投递率与连通性的关系
图13数据包延迟与连通性的关系
图14为本发明方法流程图
图15本发明算法1路口连通性计算流程图。
图16本发明算法2路段连通性计算流程图。
图17本发明算法3最优路径推导流程图。
具体实施方式
本发明研究方法,针对现有城市道路中车联网连通性研究均从路口至路口之间路段的密度等宏观角度衡量道路的连通性,而城市道路中车辆往往存在分布不均、路口转发节点空洞等问题,因此使用密度衡量连通性存在缺点,且缺乏对车辆动态变化的考虑。针对这些问题,本发明给出了一种城市道路中基于车辆状态预测的连通性模型的构造方法。首先结合车辆的具体分布和动态变化,利用在先提出的车辆状态预测技术,计算车辆间链路生存时间,以此评估道路是否连通和连通的稳定性,得到路口和路段连通性模型,然后推导城市道路整体连通性模型,并给出连通性最优的路径选择方法。本发明从根本上提升了城市道路网络路径连通的可靠性和稳定性,为车联网数据和信息提供最优传输路径,有助于推动车联网可靠有效的信息共享渠道的建设。
以下结合附图对本发明技术方案的方法步骤做详细说明。
第一部分
步骤1中,基于路口链路的连通性的计算
路口链路连通性将十字路口视为一个节点,其连通性考虑一定范围内节点在路口的停留时间,如图1为路口车辆节点分布情况,路口连通性度量主要考虑两种节点,正位于十字路口的节点如Ve1和正处于过渡区的节点如Ve2。其连通性计算主要分为三个步骤:(1)计算路口区车辆的停留时间;(2)计算过渡区车辆到达和离开路口的时间段;(3)路口链路连通性整体计算。路口和过渡区停留时间表示为开始时刻和结束时刻的有效对<tstart,tend>。
步骤2中,计算基于路段链路的连通性
路段连通性考虑路口至路口路段的连通性,即直行区加过渡区的连通性。如图2所示,路段链路连通性计算从一个路口S到另一个路口D的有向路段的网络链路连通度。其计算包括三个步骤:(1)计算源路口S和目的路口D范围通信范围内节点与其的链路生存时间;(2)计算相邻节点中方向为源路口S到目的路口D方向的链路生存时间;(3)路口S到路口D路段整体连通性计计算。
步骤3中,最优路径推导
通过路口和路段链路连通性度量方法得到衡量从源节点到目的节点的路径组成部分,然而如何将选择这些组成部分组成从源节点到目的节点一条最优路径还没有解决,这部分称为最优路径的推导。如图3的道路示意图,S表示源节点,D表示源节点,I表示十字路口,十字路口之间的有向向量表示十字路口之间的节点组成的有向网络路径。按照源节点和目的节点所处位置的不同可分为四种情况:(1)源节点和目的节点均位于路口,如图3所示的源节点S1和目的节点D1;(2)源节点位于路口,目的节点位于路段,如图3所示的源节点S1和目的节点D2;(3)源节点位于路段,目的节点位于路口,如图3所示的源节点S2和目的节点D1;(4)源节点和目的节点均位于路段,如图3所示的源节点S2和目的节点D2。对于情况(1)视为寻找路口I1到路口I12的最优路径;情况(2)视为路口I1到路口I8或者I9的最优路径,因此到达D2仅可能通过路口I8或I9;情况(3)可视为路口I4或I5到达I12的最优路径;情况(4)可视为寻找I4或I5到达I8或者I9的最优路径。因此四种情况都可总结求取一个路口至另一个路口的最优路径。
步骤4中,仿真实验对城市道路中基于车辆状态预测的车联网连通的可靠性和稳
定性进行验证
从稀疏场景和密集场景的不同情况验证本发明连通性模型,可通过SUMO控制车辆生成周期来控制道路中车辆密度。具体实验验证步骤如下:
(1)在控制密度的情况下,按照本发明的路口链路连通性计算方法计算路口连通性在一个交通灯周期内随时间的变化情况,以验证在密度相同的情况下,由于交通灯等的影响,路口的连通性不由密度唯一确定,验证了由密度确定连通性的不准确。
(2)在控制密度的情况下,按照本发明的路段链路连通性计算方法计算路段的连通性在交通灯周期内随时间的变化,以验证密度确定连通性的不准确性。
指定道路,控制密度条件的情况下,研究该道路的数据发送的投递率和延迟,并与本发明连通性模型预测的该道路的连通性比照。数据发送使用基于地图的路由协议GSR地理源路由协议,用以指定路径进行数据传递,在验证投递率时,禁用路由恢复策略,以保证数据延路径传输。
第二部分
对本发明第一部分进一步详细说明。
本发明的具体实施过程如图14所示,包括如下5个方面:
①计算路口链路的连通性
②计算路段链路的连通性
③推导城市道路中基于路口路段链路连通的车联网连通性模型
④对路口链路和路段链路的连通性进行可靠性和稳定性验证
⑤对城市道路中车联网的连通性模型进行可靠性和稳定性验证
①
计算路口链路的连通性
(1)计算路口区车辆的停留时间
正处于十字路口的节点的链路生存时间从当前时刻开始到离开十字路口,处于过渡区的节点的生存时间从到达十字路口到离开十字路口。处于十字路口的车辆Ve1离开十字路口的时间为Ve1运动轨迹与路口边界相交的时间,即与线I1I2,I1I3,I2I4,I3I4相交的时间。车辆运动轨迹通过背景技术提及的在先中国专利申请《一种车联网车辆状态预测方法》(申请号:201510197749.4)给出的车辆状态预测方法得到,其t时刻的轨迹表示为p(t)=(x(t),y(t)),线I1I2表示如公式(1)所示。相交时刻需满足公式(2),求解得到以此类推与I1I3,I2I4,I3I4相交的时间记为相交时间取大于0的解,则离开时间可表示为因此其开始和结束时间对如公式(3)所示。
(x2-x1)y=(y2-y1)x+x2y1-x1y2 (1)
(x2-x1)y(t)=(y2-y1)x(t)+x2y1-x1y2 (2)
(2)计算过渡区车辆到达和离开路口的时间段
处于过渡区域的节点Ve2的链路生存时间开始时刻为与线I3I4相交的时刻,即进入十字路口区,结束时刻为与线I1I2,I1I3,I2I4相交的时间,其相交时间计算与节点Ve1相交的计算方法类似,可得与I3I4,I1I2,I1I3,I2I4相交时间分别为 链路生存时间表示为时间对如公式(4)所示。
(3)路口链路连通性整体计算
通过以上计算得到所有路口区域节点生存时间对<tstart,tend>的集合,然后以此评估路口的连通性。连通性计算方法首先将连续时间处理为离散时间,处理方法为将时间tstart和tend保留一位小数,然后扩大10倍将其处理为整数。然后按照算法1计算连通性。
即:
如图15所示的算法1路口连通性计算:
1.定义时刻数组time
2.判断是否对ts中每一个元素t都进行了处理。若未都进行了处理,则进行下一步;否则转到步骤7。
3.进行赋值操作:tstart←t[tstart],tend←t[tend]。
4.将i赋予初始值tstart+1,然后在tstart+1和tend之间进行遍历,每次i加1。
5.若遍历尚未结束,则将time[i]加上1,返回步骤4;否则进行下一步。
6.返回步骤2。
7.进行赋值操作:c←0,size←sizeof(time)。
8.将i赋予初始值1,然后在1和size之间进行遍历,每次i加1。
9.若遍历尚未结束,则进行下一步;否则跳到步骤14。
10.判断time[i]是否等于0。若不等于0,则进行下一步;否则跳到步骤13。
11.将j赋予初始值0,然后在0到time[i]之间进行遍历,每次j加1。若没有遍历完成,进行下一步;否则跳到步骤8。
12.进行赋值操作:c←c+1/(1<<j),跳到步骤11。
13.跳到步骤14。
14.返回c/10。
15.结束程序。
该算法1将连续时间按1/10s的间隔划分为离散时间,生存时间对的集合散落在每个时间间隔下,记录每个时间间隔下存在多少个车辆节点,如果某个时间间隔车辆节点个数为0则路口连通链路生存时间到此为止,评估链路连通时刻的连通指标,设前面1,2,…,k个时间间隔的车辆个数为n1,n2,…·nk,则路口连通性c如下。
假设生存时间对<tstart,tend>的集合为{<0,1.2>,<0.5,1.7>,<0.6,1.5>,<2.1,3.0>},经过离散化后的数据为{<0,12>,<5,17>,<6,15>,<21,30>},遍历集合,将其安装时刻顺序处理如图4所示,如0-5时刻有一个车辆节点,因此0-5时刻路口是连通的,5-6时刻有两个车辆节点因此5-6时刻路口是连通的并且链路更为稳定。而在17时刻路口不连通,因此评估该路口的连通性为:
该算法1将连续时间转化为离散时间一方面可以更方便计算,另一方面考虑到需要一定的容错性,按照1/10s的时间间隔划分实际上允许了1/10s的生存时间计算误差。该连通性计算方法体现了三个方面的优点:(1)离散链路生存时间,体现了一点的容错性;(2)体现链路生存时间,即十字路口范围内存在大于等于1个节点的持续时间,十字路口范围内存在大于等于1个节点的持续时间,体现十字路口链路的最大生存时间;(3)考虑十字路口范围内节点的数量,体现十字路口链路的鲁棒性。
②
计算路段链路的连通性
(1)计算源路口S和目的路口D范围通信范围内节点与其的链路生存时间
计算源路口S和目的路口D范围通信范围内节点与其的链路生存时间,主要考虑两种节点一种为靠近十字路口的节点如Ve1和远离十字路口的节点如Ve2。靠近十字路口节点与路口S的链路生存时间计算为当前时间到离开十字路口的时间,其离开十字路口的时间为运动轨迹与路口边界I1I2,I1I3,I3I4的交叉时间,可计算方法与上文路口过渡区节点生存时间类似,其交叉时间记为则其与路口S的链路生存时间为如公式(6)所示。
远离十字路口的节点与源路口的链路生存时间为其距离路口边界距离小于无线通信范围r的时间。如节点Ve2则为其位置p(t)=(x(t),y(t))与直线I2I4的距离小于r的时间段。直线I2I4可表示为方程(7),则节点Ve2与直线的距离可表示为公式(8)。因此,源节点S与节点Ve2的链路生存时间从0到为d(s,Ve2,t)等于无线通信范围r的时刻,即d(S,Ve2,t)=r的解。
(y4-y2)x+(x2-x4)y+x4y2-x2y4=0 (7)
(2)计算相邻节点中方向为源路口S到目的路口D方向的链路生存时间
相邻节点是指互相在无线通信范围内的节点,方向从源路口S到目的路口D指得是传输方向为S到D方向,如图2中Ve2→Ve3。因此计算一个节点与相邻节点的链路生存时间时,该邻居节点距离目的路口D的距离必须比该节点近,否则其数据传输不能向目的路口D靠近,到路口D的距离可视为到路口边界I5I7的距离。相邻节点的定义即互相在无线通信范围内,因此相邻节点之间的链路生存时间从当前开始。相邻节点链路生存结束时间为两个节点之间距离大于等于无线通信范围r的时间,且满足两个节点均在直行车辆范围内。两个节点的位置运动表达式由车辆状态预测方法给出。记发送节点如Ve2的位置记为p2(t)=(x2(t),y2(t)),其相邻节点如Ve3的位置记为p3(t)=(x3(t).y3(t)),则链路生存的求解方程如(9),其大于0的最小解即节点Ve2和相邻节点Ve3的链路生存时间。
(3)路口S到路口D路段整体连通性计计算
路段整体连通连通性将源路口S和目的路口D分别虚拟化为一个节点,与路段中其他车辆节点等价,每个节点保持其相邻节点信息,相邻节点指的是互相在其无线通信范围内,通过其链路方向指向目的路口D,即相邻节点距离目的节点D的距离小于节点本身。其路口S到路口D的路段整体连通性的连通性计算算法如算法2所示。
即:
如图16所示的算法2路段连通性计算:
1.定义stack和数组dts。
2.根据stack.empty()判断栈是否为空。若栈空,则进行下一步;否则跳到步骤9。
3.进行赋值操作和栈操作:<i,dt>←stack.top(),stack.pop()
4.判断i是否与n相等。若相等则进行下一步;否则跳到步骤6。
5.执行操作:dts.add(dt)。
6.判断是否对nodes[i]中每一个元素neighbor都进行了处理。若未都进行了处理,则进行下一步;否则,跳到步骤8。
7.执行操作:stack.push(<neighbor,min(dt,ts[i][neighbor])>),跳到步骤6。
8.跳到步骤2。
9.对数组dts从大到小排序。
10.进行赋值操作:c←0,size←sizeof(dts)。
11.对i赋予初始值1,然后在1到size之间进行遍历,每次i加1。若没有遍历完成,进行下一步;否则跳到步骤13。
12.进行赋值操作:c←c+1/(1<<(i-1))×dts[i]。
13.返回c。
14.结束程序。
该连通性计算算法2将所有节点建模为有向图,从源节点出发深度优先所有节点。记录每条源节点到目的节点路径上最小链路生存时间作为该路径的链路生存时间,而源节点到目的节点之间有多条路径,假设源节点到目的节点有k条路径,每条路径的链路生存时间为tk,路径按照链路生存时间从大到小排序,则该路口源节点到路口目的节点的连通性可表示为公式(10)。该连通性计算方法体现了两个方面的指标:(1)链路生存时间,即十字路口范围内存在大于等于1个节点的持续时间,十字路口范围内存在大于等于1个节点的持续时间,体现十字路口链路的最大生存时间;(2)十字路口范围内节点的数量,体现十字路口链路的鲁棒性。
以上算法需要保证源节点到目的节点的有向图没有回路,下面证明其不可能含有回路。源路口节点S的下一跳节点为路口至路口的中间路径的节点,其下一跳节点距离目的路口节点D的距离比S小。而目的节点的上一跳节点为也为中间路径节点,目的节点D至D的距离比上一跳节点至D的距离小。而中间路径的节点考虑邻居节点时也仅考虑其邻居节点中距离目的节点D比其本身小的节点。因此该有向图中总有下一跳节点距离目的节点D的距离比上一节点小。假设该有向图中存在回路node1→node2…→nodek→node1,记d(nodei)为nodei距离目的节点的距离,因此可以推出d(node1)>d(node2)>…d(nodek)>d(node1),其中d(node1)>d(node1)矛盾,因此有向图不可能出现回路。
③
推导城市道路中基于路口和路段链路连通的车联网连通性模型
为求得源路口到目的路口的最优路径,以源路口、中途路段和目的路口为节点建模为单源单终点的有向图,如图5所示。该有向图有如下限定:从源节点出发,每个节点的下一跳节点指向路口离目的路口的距离都必须比该节点指向路口距离目的路口的距离近。该限定目的是为使每一跳都不断地趋近目的节点,同时保证该图成为有向无环图,无环的证明可参照求取路段连通性的算法2。图中节点的边权值代表从该路段到达下一跳路段的连通性,其权值包含4种情况如图5所示。
(1)源节点出发的边权值设置为无限大;
(2)到达目的节点的边的权值为节点所代表路段的连通性的值;
(3)转弯情况的边的权值为出发节点所代表路段的连通性与其所指向路口连通性中的较小值;
(4)直行情况的权值为出发节点所代表路段的连通性。
之所以这样设置权值是考虑到对于转弯情况,数据包从一个路段到达另一个有夹角的路段,需要通过路口的转发,因此需考虑路口的连通性,而对于直行情况由于没有路口障碍,路段之间可直接转发无需考虑路口节点的连通性。至此,源节点到目的节点的最优路径建模为单源单终点的加权有向无环图,然后按照算法3则可求得最优路径的解。
即:
如图17所示的算法3最优路径推导:
1.定义栈stack用于深度遍历
2.定义数组Path保存当前遍历的路径
3.定义数组BestPath保存当前最优路径
4.定义数组BestWs[n]保持到达该节点的最优值
5.对i赋予初始值1,在1和n之间进行遍历,每次i加1。若遍历未完成,则进行下一步;否则跳到步骤7。
6.进行赋值操作:BestWs[i]=-∞,跳到步骤5。
7.栈操作:stack.push(<1,+∞>),Path.push_back(1)。
8.根据stack.empty()判断栈是否为空。若栈未空,则进行下一步;否则跳到步骤19。
9.栈操作:<i,minw>←stack.top(),stack.pop(),Path.push_back(i)。
10.判断minw<BestWs[i]。若条件成立,进行下一步;否则跳到步骤12。
11.栈操作:Path.pop_back(i)。跳到步骤8。
12.判断i=n。若条件成立,进行下一步;否则跳到步骤15。
13.判断minw>BestWs[n]。若条件成立,进行下一步;否则跳到步骤17。
14.复制Path到最优路径BestPath,BestWs[n]=minw,跳到步骤17。
15.判断是否对E[i]中的每一个元素neighbor都进行了处理。若未都进行了处理,则进行下一步;否则,跳转到步骤17。
16.栈操作:stack.push(<neighbor,min(minw,w[i][neighbor])>),跳到步骤15。
17.栈操作:Path.pop_back(i)。
18.跳到步骤8。
19.赋值操作:c=BestWs[n]。
20.返回值BestPath和c。
21.结束程序。
路口到另一个路口的最优路径通过算法3求得,其路口到另一个路口的每条可达路径的连通性为其路径上有向边权重的最小值,即路径的连通性由路径上连通性最低的边决定,最优路径是指连通性最大的路径。上文分析按照源节点和目的节点的位置可分为如图4的四种情况。则
情况(1)S1和D1即为I1I12的最优路径和连通性,如公式(11)所示。
情况(2)S1和D2的最佳连通性为I1I8到I1I9连通性中的较大值如公式(12)所示。
情况(3)S2和D1为I4I12和I5I12连通性中的较大值如公式(13)所示。
情况(4)S2和D2为I4I8、I4I9、I5I8和I5I9连通性中的较大值如公式(14)所示。
c(S1D1)=c(I1I12) (11)
c(S1D2)=max(c(I1I8),c(I1I9)) (12)
c(S2D1)=max(c(I4I12),c(I5I12)) (13)
c(S2D2)=max(c(I4I8),c(I4I9),c(I5I8),c(I5I9)) (14)
以下是仿真部分。
④
对路口链路和路段链路的连通性进行可靠性和稳定性验证
路口和路段仿真实验选取城市场景中的一段路口和路段,如图6所示,图中黄色部分表示车辆,当前时刻直线车道两个端点均处于红灯区域,明显可见车辆集中于两段,分布不均匀,因此车辆两级分布的情况可能出现。下面在指定密度的情况下,研究单个交通灯周期内,路口和路段连通性的变化。路段指的是从左至右的有向路段,路口指右边路口。其右路***通灯周期时间图如图7所示。每个序号交通灯序列代表不同车道到另一个车道的链接,如表1所示,车道编号如图8所示。
如图9和如图10分别为路口和路段链路连通性随交通灯周期变化图,无线通信范围选择300米,密度选取400米横向直行路段32个车辆节点和16个车辆节点,而右边竖直车道车流密度选取为横向直行路段的一半。如图6密度的确对路口连通性有比较大的影响,然而其连通性也与交通灯的变化有密切关系,0-60s区域由于交通灯的控制主要为上下车流,而60-120主要为左右车流,左右车流量较大,连通性较大,而30-60s和90-120s时间主要为大转弯控制,车辆停留时间长,使得路口连通性更稳定。如图8为路段在不同密度下与交通灯变化的关系,无线通信范围为300米,实际上路段连通性受密度影响较小,而受交通灯的影响较大,40-60s区域由于横向直行车道受红色阻滞,使得车辆分布不均匀,整体链路连通性快速下降。从上述实验结果可以得知,密度并不能准确评估车联网的连通性,即使相同密度下,由于分布不均匀仍然将导致连通性评估失误,因此本文连通性机制考虑具体分布,并区分路口和路段的连通性机制更为合理。
⑤
对城市道路中车联网的连通性模型进行可靠性和稳定性验证
在图11的城市场景,左下角和右上角各部署一个固定的路边基础设施,以左下角RSU为源节点,右上角RSU为目的节点,通过Ping应用,每1秒钟向目的RSU发送数据包,设置Ping超时为1秒,如果1秒未收到确认则认为发送失败,统计投递率和延迟。以投递率评估网络连通性的可能性,以延时评估网络的质量。为衡量路径的投递率和延迟,使用基于地图的路由协议GSR指定路径传输数据包,在实验投递率时,关闭GSR的路由恢复策略以禁止其沿其他路径发送,导致投递率不准确。实验结果如图12和13所示,可见本文给出的连通性模型得到指标与投递率成正比,与延迟成反比,因此验证了该连通性度量指标可以比较准备地评估网络路径的连通率和质量。
创新点
创新之一:利用发明人在先提出的车辆状态预测技术,进一步提出了一种基于路口和路段链路生存时间的连通性方法,从而更客观地评估道路是否连通以及连通的稳定性。针对现有城市道路中车联网连通性研究均从路口至路口之间路段的密度等宏观角度衡量道路的连通性,而城市道路中车辆往往存在分布不均、路口转发节点空洞等问题,因此使用密度衡量连通性存在缺点,且缺乏对车辆动态变化的考虑等问题,用路口和路段链路的生存时间更好地量化了车联网的连通性。
创新之二:对基于路口和路段链路生存时间进行计算,推导出城市道路整体连通性模型。首先,计算车辆间链路生存时间,以此评估道路是否连通以及连通的稳定性,得到路口和路段连通性方法,然后推导城市道路整体连通性模型,并给出连通性最优的路径选择方法。本发明从根本上提升了城市道路网络路径连通的可靠性和稳定性,为车联网数据和信息提供最优传输路径,有助于推动车联网可靠有效的信息共享渠道的建设。
说明书附表
表1
序号 | 出车道 | 入车道 | 序号 | 出车道 | 入车道 |
0 | 16 | 1 | 9 | 8 | 9 |
1 | 16 | 5 | 10 | 8 | 13 |
2 | 15 | 6 | 11 | 7 | 14 |
3 | 15 | 10 | 12 | 7 | 1 |
4 | 15 | 14 | 13 | 7 | 6 |
5 | 12 | 13 | 14 | 4 | 5 |
6 | 11 | 2 | 15 | 3 | 10 |
7 | 11 | 6 | 16 | 3 | 14 |
8 | 11 | 10 | 17 | 3 | 2 |
Claims (5)
1.一种城市道路中基于车辆状态预测的连通性模型的构造方法,其特征在于,首先结合车辆的具体分布和动态变化,利用车辆状态预测方法,计算车辆间链路生存时间,以此评估道路是否连通和连通的稳定性,得到路口和路段连通性模型,然后推导城市道路整体连通性模型,并给出连通性最优的路径选择方法。
2.如权利要求1所述的城市道路中基于车辆状态预测的连通性模型的构造方法,其特征在于,具体方法包括如下步骤:
步骤1.计算基于路口链路的连通性;
步骤11.计算路口区车辆的停留时间;
步骤12.计算过渡区车辆到达和离开路口的时间段;
步骤13.路口链路连通性整体计算
设前面1,2,…,k个时间间隔的车辆个数为n1,n2,….nk,则路口连通性c如下
<mrow>
<mi>c</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mi>i</mi>
</msub>
</munderover>
<mfrac>
<mn>1</mn>
<msup>
<mn>2</mn>
<mrow>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
步骤2.计算基于路段链路的连通性
步骤21.计算源路口S和目的路口D范围通信范围内节点与其的链路生存时间;
步骤22.计算相邻节点中方向为源路口S到目的路口D方向的链路生存时间;
步骤23.路口S到路口D路段整体连通性计计算
记录每条源节点到目的节点路径上最小链路生存时间作为该路径的链路生存时间,而源节点到目的节点之间有多条路径,假设源节点到目的节点有k条路径,每条路径的链路生存时间为tk,路径按照链路生存时间从大到小排序,则该路口源节点到路口目的节点的连通性可表示为:
<mrow>
<mi>c</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<mfrac>
<msub>
<mi>t</mi>
<mi>k</mi>
</msub>
<msup>
<mn>2</mn>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
步骤3.推导最优路径
步骤31、构建城市道路整体连通性模型,表征为:源节点出发的边权值设置为无限大;到达目的节点的边的权值为节点所代表路段的连通性的值;转弯情况的边的权值为出发节点所代表路段的连通性与其所指向路口连通性中的较小值;直行情况的权值为出发节点所代表路段的连通性。
步骤32、通过路口和路段链路连通性度量方法得到衡量从源节点到目的节点的路径组成部分找到一条最优路径。
3.如权利要求1所述的城市道路中基于车辆状态预测的连通性模型的构造方法,其特征在于,所述的路口连通性计算,其算法1:
1.定义时刻数组time
2.判断是否对ts中每一个元素t都进行了处理。若未都进行了处理,则进行下一步;否则转到步骤7。
3.进行赋值操作:tstart←t[tstart],tend←t[tend]。
4.将i赋予初始值tstart+1,然后在tstart+1和tend之间进行遍历,每次i加1。
5.若遍历尚未结束,则将time[i]加上1,返回步骤4;否则进行下一步。
6.返回步骤2。
7.进行赋值操作:c←0,size←sizeof(time)。
8.将i赋予初始值1,然后在1和size之间进行遍历,每次i加1。
9.若遍历尚未结束,则进行下一步;否则跳到步骤14。
10.判断time[i]是否等于0。若不等于0,则进行下一步;否则跳到步骤13。
11.将j赋予初始值0,然后在0到time[i]之间进行遍历,每次j加1。若没有遍历完成,进行下一步;否则跳到步骤8。
12.进行赋值操作:c←c+1/(1<<j),跳到步骤11。
13.跳到步骤14。
14.返回c/10。
15.结束程序。
4.如权利要求2所述的城市道路中基于车辆状态预测的连通性模型的构造方法,其特征在于,所述的路段连通性计算,为算法2:
1.定义stack和数组dts。
2.根据stack.empty()判断栈是否为空。若栈空,则进行下一步;否则跳到步骤9。
3.进行赋值操作和栈操作:<i,dt>←stack.top(),stack.pop()
4.判断i是否与n相等。若相等则进行下一步;否则跳到步骤6。
5.执行操作:dts.add(dt)。
6.判断是否对nodes[i]中每一个元素neighbor都进行了处理。若未都进行了处理,则进行下一步;否则,跳到步骤8。
7.执行操作:stack.push(<neighbor,min(dt,ts[i][neighbor])>),跳到步骤6。
8.跳到步骤2。
9.对数组dts从大到小排序。
10.进行赋值操作:c←0,size←sizeof(dts)。
11.对i赋予初始值1,然后在1到size之间进行遍历,每次i加1。若没有遍历完成,进行下一步;否则跳到步骤13。
12.进行赋值操作:c←c+1/(1<<(i-1))×dts[i]。
13.返回c。
14.结束程序。
5.如权利要求2所述的城市道路中基于车辆状态预测的连通性模型的构造方法,其特征在于,所述最优路径推导,为算法3:
1.定义栈stack用于深度遍历
2.定义数组Path保存当前遍历的路径
3.定义数组BestPath保存当前最优路径
4.定义数组BestWs[n]保持到达该节点的最优值
5.对i赋予初始值1,在1和n之间进行遍历,每次i加1。若遍历未完成,则进行下一步;否则跳到步骤7。
6.进行赋值操作:BestWs[i]=-∞,跳到步骤5。
7.栈操作:stack.push(<1,+∞>),Path.push_back(1)。
8.根据stack.empty()判断栈是否为空。若栈未空,则进行下一步;否则跳到步骤19。
9.栈操作:<i,minw>←stack.top(),stack.pop(),Path.push_back(i)。
10.判断minw<BestWs[i]。若条件成立,进行下一步;否则跳到步骤12。
11.栈操作:Path.pop_back(i)。跳到步骤8。
12.判断i=n。若条件成立,进行下一步;否则跳到步骤15。
13.判断minw>BestWs[n]。若条件成立,进行下一步;否则跳到步骤17。
14.复制Path到最优路径BestPath,BestWs[n]=minw,跳到步骤17。
15.判断是否对E[i]中的每一个元素neighbor都进行了处理。若未都进行了处理,则进行下一步;否则,跳转到步骤17。
16.栈操作:stack.push(<neighbor,min(minw,w[i][neighbor])>),跳到步骤15。
17.栈操作:Path.pop_back(i)。
18.跳到步骤8。
19.赋值操作:c=BestWs[n]。
20.返回值BestPath和c。
21.结束程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710303313.8A CN107231408B (zh) | 2017-05-03 | 2017-05-03 | 城市道路中基于车辆状态预测的连通性模型的构造方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710303313.8A CN107231408B (zh) | 2017-05-03 | 2017-05-03 | 城市道路中基于车辆状态预测的连通性模型的构造方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107231408A true CN107231408A (zh) | 2017-10-03 |
CN107231408B CN107231408B (zh) | 2020-08-14 |
Family
ID=59933195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710303313.8A Active CN107231408B (zh) | 2017-05-03 | 2017-05-03 | 城市道路中基于车辆状态预测的连通性模型的构造方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107231408B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108667668A (zh) * | 2018-05-21 | 2018-10-16 | 同济大学 | 一种城市道路场景下基于车联网连通基的通达性路由方法 |
CN109284855A (zh) * | 2018-07-25 | 2019-01-29 | 同济大学 | 基于城市场景中车联网时空数据分析的车辆节点之间连通强度的预测度量模型 |
CN109540162A (zh) * | 2018-11-12 | 2019-03-29 | 北京四维图新科技股份有限公司 | Adas地图数据的处理方法、获取方法、装置及车载设备 |
CN110826164A (zh) * | 2019-11-06 | 2020-02-21 | 中国人民解放军国防科技大学 | 一种基于局部和全局连通性的复杂网络节点重要度评估方法 |
CN110933648A (zh) * | 2019-12-17 | 2020-03-27 | 华东理工大学 | 一种基于链路可靠性的车载自组网络分簇方法 |
CN111371609A (zh) * | 2020-02-28 | 2020-07-03 | 同济大学 | 基于深度学习的车联网连通预测方法 |
CN112632734A (zh) * | 2020-12-29 | 2021-04-09 | 武汉中海庭数据技术有限公司 | 一种高精度地图道路连通性测试方法及*** |
CN113158424A (zh) * | 2021-03-17 | 2021-07-23 | 北京易控智驾科技有限公司 | 用于矿山无人驾驶路网交通流优化的模型构建方法及装置 |
CN113361051A (zh) * | 2021-06-02 | 2021-09-07 | 东北大学秦皇岛分校 | 一种基于可控性与重要度的路网控制方法 |
CN116187034A (zh) * | 2023-01-12 | 2023-05-30 | 中国航空发动机研究院 | 基于不确定度量化的压气机仿真可信度评估方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101256083A (zh) * | 2008-04-09 | 2008-09-03 | 山东大学 | 基于动态信息的城市交通网络路径选择方法 |
CN103298059A (zh) * | 2013-05-13 | 2013-09-11 | 西安电子科技大学 | 车辆自组网中基于位置预测的连通度感知路由方法 |
CN104851282A (zh) * | 2015-04-24 | 2015-08-19 | 同济大学 | 基于连通性机制的城市车联网数据传输路径选择方法 |
CN105208616A (zh) * | 2015-06-17 | 2015-12-30 | 重庆邮电大学 | 车载自组织网络中基于道路拓扑的自适应多副本路由方法 |
-
2017
- 2017-05-03 CN CN201710303313.8A patent/CN107231408B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101256083A (zh) * | 2008-04-09 | 2008-09-03 | 山东大学 | 基于动态信息的城市交通网络路径选择方法 |
CN103298059A (zh) * | 2013-05-13 | 2013-09-11 | 西安电子科技大学 | 车辆自组网中基于位置预测的连通度感知路由方法 |
CN104851282A (zh) * | 2015-04-24 | 2015-08-19 | 同济大学 | 基于连通性机制的城市车联网数据传输路径选择方法 |
CN105208616A (zh) * | 2015-06-17 | 2015-12-30 | 重庆邮电大学 | 车载自组织网络中基于道路拓扑的自适应多副本路由方法 |
Non-Patent Citations (1)
Title |
---|
刘业等: "基于802.11p/WAVE的车联网连通性模型及其应用研究", 《通信学报》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108667668B (zh) * | 2018-05-21 | 2020-12-29 | 同济大学 | 一种城市道路场景下基于车联网连通基的通达性路由方法 |
CN108667668A (zh) * | 2018-05-21 | 2018-10-16 | 同济大学 | 一种城市道路场景下基于车联网连通基的通达性路由方法 |
CN109284855B (zh) * | 2018-07-25 | 2021-10-29 | 同济大学 | 基于城市场景中车联网时空数据分析的车辆节点之间连通强度的预测度量模型 |
CN109284855A (zh) * | 2018-07-25 | 2019-01-29 | 同济大学 | 基于城市场景中车联网时空数据分析的车辆节点之间连通强度的预测度量模型 |
CN109540162A (zh) * | 2018-11-12 | 2019-03-29 | 北京四维图新科技股份有限公司 | Adas地图数据的处理方法、获取方法、装置及车载设备 |
CN110826164A (zh) * | 2019-11-06 | 2020-02-21 | 中国人民解放军国防科技大学 | 一种基于局部和全局连通性的复杂网络节点重要度评估方法 |
CN110826164B (zh) * | 2019-11-06 | 2023-07-04 | 中国人民解放军国防科技大学 | 一种基于局部和全局连通性的复杂网络节点重要度评估方法 |
CN110933648A (zh) * | 2019-12-17 | 2020-03-27 | 华东理工大学 | 一种基于链路可靠性的车载自组网络分簇方法 |
CN111371609A (zh) * | 2020-02-28 | 2020-07-03 | 同济大学 | 基于深度学习的车联网连通预测方法 |
CN112632734A (zh) * | 2020-12-29 | 2021-04-09 | 武汉中海庭数据技术有限公司 | 一种高精度地图道路连通性测试方法及*** |
CN113158424A (zh) * | 2021-03-17 | 2021-07-23 | 北京易控智驾科技有限公司 | 用于矿山无人驾驶路网交通流优化的模型构建方法及装置 |
CN113158424B (zh) * | 2021-03-17 | 2023-09-12 | 北京易控智驾科技有限公司 | 用于矿山无人驾驶路网交通流优化的模型构建方法及装置 |
CN113361051B (zh) * | 2021-06-02 | 2023-03-14 | 东北大学秦皇岛分校 | 一种基于可控性与重要度的路网控制方法 |
CN113361051A (zh) * | 2021-06-02 | 2021-09-07 | 东北大学秦皇岛分校 | 一种基于可控性与重要度的路网控制方法 |
CN116187034A (zh) * | 2023-01-12 | 2023-05-30 | 中国航空发动机研究院 | 基于不确定度量化的压气机仿真可信度评估方法 |
CN116187034B (zh) * | 2023-01-12 | 2024-03-12 | 中国航空发动机研究院 | 基于不确定度量化的压气机仿真可信度评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107231408B (zh) | 2020-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107231408A (zh) | 城市道路中基于车辆状态预测的连通性模型的构造方法 | |
Lu et al. | Eco-system optimal time-dependent flow assignment in a congested network | |
CN107067110A (zh) | 车‑路‑网模式下电动汽车充电负荷时空预测方法 | |
CN110414833A (zh) | 一种城市多模式交通网络运能协调评价方法 | |
CN106052701A (zh) | 一种交通溢流状态下车辆路径选择的方法 | |
Portilla et al. | Model-based predictive control for bicycling in urban intersections | |
Kim et al. | Navopt: Navigator assisted vehicular route optimizer | |
Mittal et al. | Network flow relations and travel time reliability in a connected environment | |
CN104637328A (zh) | 一种车辆自组织网络中基于rsu的分布式实时导航方法 | |
CN105718755A (zh) | 基于客流动态分配的高铁网络能力适用性评价方法 | |
CN108364093A (zh) | 基于能力瓶颈疏解策略的路网客流协同控制优化方法 | |
Lentzakis et al. | Region-based dynamic forecast routing for autonomous vehicles | |
Rouphail et al. | Validation of generalized delay model for vehicle-actuated traffic signals | |
CN106898139B (zh) | 一种道路节点的识别方法及装置 | |
Aashtiani et al. | Use of intersection delay functions to improve reliability of traffic assignment model | |
Levinson | Speed and delay on signalized arterials | |
Bhattacharya et al. | Optimization for pedestrian and vehicular delay in a signal network | |
Martínez et al. | Dynamic distance-based pricing scheme for high-occupancy-toll lanes along a freeway corridor | |
Cheng et al. | A review of stochastic modelling of delay and capacity at unsignalized priority intersections | |
Pan et al. | Effect of nonmotorized transport on motorized vehicle speeds in China | |
Wilson et al. | Congestion-aware routing (car): vehicular traffic routing based on real-time road occupancy estimates | |
Abdulhafedh | Advances in dynamic traffic assignment models | |
Shokry et al. | A proposal of a real-time demand responsive signal control algorithm for displaced left-turn intersections corridor in developing countries | |
Du et al. | Design and evaluation of network control strategies using the macroscopic fundamental diagram | |
Kiyota et al. | Multistage optimization of reconstruction sequence of highways |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |