CN107591004A - 一种基于车路协同的智能交通诱导方法 - Google Patents
一种基于车路协同的智能交通诱导方法 Download PDFInfo
- Publication number
- CN107591004A CN107591004A CN201711059854.7A CN201711059854A CN107591004A CN 107591004 A CN107591004 A CN 107591004A CN 201711059854 A CN201711059854 A CN 201711059854A CN 107591004 A CN107591004 A CN 107591004A
- Authority
- CN
- China
- Prior art keywords
- mrow
- road network
- information
- traffic
- msub
- 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
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明提供一种基于车路协同的智能交通诱导方法,包括以下步骤:步骤1,采用浮动车数据和固定检测器检测城市路网中拥堵路区内各个路段与交叉口时空数据,依据电子地图的相关数据,获得道路网络时空交通数据;步骤2,采用基于MFD的城市路网诱导子区划分方法对城市路网进行划分;步骤3,采用基于MFD的城市路网交通诱导与边界控制协同策略获得协同诱导信息;步骤4,采用多终端协同诱导信息时空发布策略发布协同诱导信息。
Description
技术领域
本发明涉及一种智能交通诱导方法,具体的说,涉及了一种基于车路协同的智能交通诱导方法。
背景技术
城市化和机动化的发展导致交通拥堵成为诸多城市面临的棘手问题。在宏观交通网络中,尽管许多复杂算法应用于解决路网交通控制问题,但由于很难获得精确的OD数据,导致这些方法难以应用在实时的控制环境中,路网宏观基本图(Macroscopic FundamentalDiagram,MFD)恰好可以规避这一问题,而且其存在性被证实为在交通控制领域的推广应用提供了契机。
在传统的交通控制***中,仅仅把按一定原则划分好的控制子区作为一个交通控制子区,只注重控制子区内的通行效率,在诱导与控制策略上不进行子区与子区间的协同。
为了解决以上存在的问题,人们一直在寻求一种理想的技术解决方案。
发明内容
本发明的目的是针对现有技术的不足,从而提供了一种基于车路协同的智能交通诱导方法。
为了实现上述目的,本发明所采用的技术方案是:一种基于车路协同的智能交通诱导方法,包括以下步骤:
步骤1,采用浮动车数据和固定检测器检测城市路网中拥堵路区内各个路段与交叉口时空数据,依据电子地图的相关数据,获得道路网络时空交通数据;
步骤2,采用基于MFD的城市路网诱导子区划分方法对城市路网进行划分;
步骤3,采用基于MFD的城市路网交通诱导与边界控制协同策略获得协同诱导信息;
步骤4,采用多终端协同诱导信息时空发布策略发布协同诱导信息。
基于上述,步骤2的具体步骤为:
步骤2.1,将城市路网中的每条路段表示成四维的信息向量,包含路段的空间位置信息和自身属性信息;
步骤2.2,应用meanshift算法对路段进行初始聚类,将城市路网划分成数量较多的规模较小的子区域;
步骤2.3,计算城市路网运行车辆数和路段长度信息;
步骤2.4,根据步骤2.3获得的城市路网运行车辆数和路段长度信息计算每一个小区域城市路网的平均密度;
步骤2.5,将每一个小区域城市路网作为一个独立的簇,以城市路网平均密度作为每一个簇的参数值,应用层次聚类算法对其进行二次聚类合并,得到最终的城市路网诱导子区动态划分结果。
基于上述,步骤2.3中计算城市路网运行车辆数和路段长度信息的步骤为:
令城市路网运行车辆数为N,路网内浮动车数量为Nprobe,一定时间间隔内路段某一断面观测到的全部车辆数为N’,相同时间间隔内路段某一断面观测到的浮动车数量为N’probe,得到:
则城市路网运行车辆数为:
基于上述,步骤3的具体步骤为:
步骤3.1,针对MFD子区***,建立的整个路网旅行车辆完成流率最大的目标函数为:
式中,Gi(xi(k)为旅行车辆完成流率;
步骤3.2,建立MFD之间的行程时间最小的模型:
式中,tij(k)为形成时间;
步骤3.3,建立MFD子区***内平均延误的目标函数:
式中,Diq为MFD子区***内任意i子区中第w个信号交叉口平均时间延误,q={1,2,...,Q};
步骤3.4,根据这些指标,建立的MFD子区***交通诱导与边界控制协同的综合目标函数:
z=max(λ1J1-λ2J2-λ3J3)
λ1+λ2+λ3=1
式中,z为加权求和后的目标函数,λ1为旅行车辆完成率在模型中的权重;λ2为MFD子区之间的行程时间在模型中的权重;λ3为MFD子区内平均延误在模型中的权重;
步骤3.5,以边界交叉口控制率矩阵中相对应的绿信比和控制率为决策变量,进行编码,满足边界交叉口控制方法中相对应的约束条件;
步骤3.6,设置Ea个个体构成一个种群,初始进化代数计数器t=0,最大进化代数计数器t=Tmax,随机生成的初始群体P(0);
步骤3.7,计算z中相对应的3个目标函数值,更新临时Pareto解集;
步骤3.8,将选择算子作用于群体,λ1,λ2,λ3随机产生,用步骤3.4中的综合目标函数计算适应度值、选择概率,为交叉操作选出一对父代个体;
步骤3.9,通过对自适应交叉率概率pc进行交叉,生成新的种群PC(t);
步骤3.10,对种群PC(t)采用变异概率pm生成种群PM(t);
步骤3.11,运用选择运算从临时Pareto解集中选择对应的PM(t)中的新种群作为下次遗传的父代P(t+1);
步骤3.12,采用自适应遗传算法求得最优解或者满足约束条件,终止算法;否则,返回步骤3.5。
基于上述,所述步骤4的具体步骤为:
步骤4.1:根据当前交通状况、交通流的运行特性,以及机动车的出行环境,确定所需信息发布的内容,区分交通事件信息、路况信息和交通诱导信息,并确定是否有交通事件发生;
步骤4.2:若无交通事件发生,车载终端发布实时路况信息和路径指引信息;若有交通事件发生,则计算交通信息发布空间范围;
步骤4.3:搜索空间发布范围内的诱导终端,确定空间发布范围内是否有VMS,若有VMS,进行步骤4.4;若无VMS,则进行步骤4.5;
步骤4.4:确定VMS的信息发布时间,并按照VMS的信息发布特点显示交通事件原因及相应的绕行路线;
步骤4.5:根据交通事件的影响时间确定车载终端的显示时间,当车辆驶入信息发布范围时,车载终端显示实时的路径诱导信息,并对绕行信息进行语音提示。
本发明相对现有技术具有突出的实质性特点和显著的进步,具体的说,本发明通过基于MFD的城市路网诱导子区分步划分方法,该划分方法结合了初始划分和二次划分,分别应用特点不同的meanshift聚类算法和层次聚类算法实现其划分过程;通过交通诱导与边界控制方法使MFD子区***内旅行车辆完成率增大、旅行车辆完成数增加、MFD子区内每辆车每公里行总行程时间之和减小、MFD子区之间的行程时间之和减小及MFD子区***的延误减小,有效地缓解MFD子区***的交通拥堵问题。
具体实施方式
下面通过具体实施方式,对本发明的技术方案做进一步的详细描述。
本发明提供一种基于车路协同的智能交通诱导方法,包括以下步骤:
步骤1,采用浮动车数据和固定检测器检测城市路网中拥堵路区内各个路段与交叉口时空数据,依据电子地图的相关数据,获得道路网络时空交通数据;
步骤2,采用基于MFD的城市路网诱导子区划分方法对城市路网进行划分;
步骤3,采用基于MFD的城市路网交通诱导与边界控制协同策略获得协同诱导信息;
步骤4,采用多终端协同诱导信息时空发布策略发布协同诱导信息。
具体的,步骤2的具体步骤为:
步骤2.1,将城市路网中的每条路段表示成四维的信息向量,包含路段的空间位置信息和自身属性信息;
步骤2.2,应用meanshift算法对路段进行初始聚类,将城市路网划分成数量较多的规模较小的子区域;
步骤2.3,计算城市路网运行车辆数和路段长度信息;
令城市路网运行车辆数为N,路网内浮动车数量为Nprobe,一定时间间隔内路段某一断面观测到的全部车辆数为N’,相同时间间隔内路段某一断面观测到的浮动车数量为N’probe,得到:
则城市路网运行车辆数为:
步骤2.4,根据步骤2.3获得的城市路网运行车辆数和路段长度信息计算每一个小区域城市路网的平均密度;
步骤2.5,将每一个小区域城市路网作为一个独立的簇,以城市路网平均密度作为每一个簇的参数值,应用层次聚类算法对其进行二次聚类合并,得到最终的城市路网诱导子区动态划分结果。
步骤2通过基于MFD的城市路网诱导子区分步划分方法对城市路网进行划分,这样处理的原因在于:
1)诱导子区的动态划分结果实时变化,如果只依据实时交通状态对诱导子区进行划分,则在短时间内难以获取足够的交通数据去获取完整准确的城市路网MFD,也就无法将MFD模型和参数应用于实际的动态交通诱导;
2)这样处理可以在初始划分时使用复杂度较低的算法,进而可以提高诱导子区划分的效率,提高诱导子区划分的实时性;
3)通过初始划分可以保证诱导子区具有一定的规模,避免划分后的诱导子区规模过小,包含的路段过少。
需要注意的是,在步骤2.2的初始聚类后,城市路网的每条路段被标记为相应的小区域的标号,在步骤2.4中以这些小区域为基本单位二次聚类,进而这些小区域又被标记为最终得到的诱导子区的标号,因此最后还需要完成两次标号之间的转换,将最终得到的诱导子区编号分配到城市路网的每条路段上。
具体的,步骤3的具体步骤为:
步骤3.1,针对MFD子区***,建立的整个路网旅行车辆完成流率最大的目标函数为:
式中,Gi(xi(k)为旅行车辆完成流率;
步骤3.2,建立MFD之间的行程时间最小的模型:
式中,tij(k)为形成时间;
步骤3.3,建立MFD子区***内平均延误的目标函数:
式中,Diq为MFD子区***内任意i子区中第w个信号交叉口平均时间延误,q={1,2,...,Q};
步骤3.4,根据这些指标,建立的MFD子区***交通诱导与边界控制协同的综合目标函数:
z=max(λ1J1-λ2J2-λ3J3)
λ1+λ2+λ3=1
式中,z为加权求和后的目标函数,λ1为旅行车辆完成率在模型中的权重;λ2为MFD子区之间的行程时间在模型中的权重;λ3为MFD子区内平均延误在模型中的权重;
步骤3.5,以边界交叉口控制率矩阵中相对应的绿信比和控制率为决策变量,进行编码,满足边界交叉口控制方法中相对应的约束条件;
步骤3.6,设置Ea个个体构成一个种群,初始进化代数计数器t=0,最大进化代数计数器t=Tmax,随机生成的初始群体P(0);
步骤3.7,计算z中相对应的3个目标函数值,更新临时Pareto解集;
步骤3.8,将选择算子作用于群体,λ1,λ2,λ3随机产生,用步骤3.4中的综合目标函数计算适应度值、选择概率,为交叉操作选出一对父代个体;
步骤3.9,通过对自适应交叉率概率pc进行交叉,生成新的种群PC(t);
步骤3.10,对种群PC(t)采用变异概率pm生成种群PM(t);
步骤3.11,运用选择运算从临时Pareto解集中选择对应的PM(t)中的新种群作为下次遗传的父代P(t+1);
步骤3.12,采用自适应遗传算法求得最优解或者满足约束条件,终止算法;否则,返回步骤3.5。
步骤3中使用的MFD子区***内的交通诱导与边界控制协同策略是指充分利用交通诱导与边界控制的各自优点,根据(k-1)时段路网MFD子区***内的交通流状态来实施(k-1)时间段子区内的诱导与边界控制策略来引导及控制交通流。在实际交通路网中,随着MFD子区***内交通流变化,实时管控带来了一定的难度,交通诱导与边界控制之间的协同策略在实际路网中对宏观路网进行管控起着至关重要的作用。
步骤3.4中的综合评价该目标函数,既考虑了MFD子区***的旅行车辆完成率最大,同时应满足MFD子区***内的各个MFD子区所有交叉口平均延误之和最小以及MFD子区与MFD子区之间的行程时间之和最小的约束。对于λ1,λ2,λ3的取值,可以有效反映交通诱导与边界控制协同方法对交通流的控制作用,两者的协同作用随着MFD子区***交通流量的变化而随之改变。
为实现各诱导终端的协同,根据各诱导终端的性质,将诱导终端分为两类,群体性诱导终端VMS及单体诱导终端车载导航和智能手机。由于驾驶员在使用车载终端(智能手机)时具有很大的随机性和灵活性,而驾驶员相对更易接受VMS上的诱导信息并做出反应,因而在发布诱导信息时,主要以VMS为主,其诱导终端作为VMS的补充,完善发布的诱导信息内容和扩大发布范围。
具体的,所述步骤4的具体步骤为:
步骤4.1,根据当前交通状况、交通流的运行特性,以及机动车的出行环境,确定所需信息发布的内容,区分交通事件信息、路况信息和交通诱导信息,并确定是否有交通事件发生;
步骤4.2,若无交通事件发生,车载终端发布实时路况信息和路径指引信息;若有交通事件发生,则计算交通信息发布空间范围;
步骤4.3,搜索空间发布范围内的诱导终端,确定空间发布范围内是否有VMS,若有VMS,进行步骤4.4;若无VMS,则进行步骤4.5;
步骤4.4,确定VMS的信息发布时间,并按照VMS的信息发布特点显示交通事件原因及相应的绕行路线;
步骤4.5,根据交通事件的影响时间确定车载终端的显示时间,当车辆驶入信息发布范围时,车载终端显示实时的路径诱导信息,并对绕行信息进行语音提示。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制;尽管参照较佳实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换;而不脱离本发明技术方案的精神,其均应涵盖在本发明请求保护的技术方案范围当中。
Claims (5)
1.一种基于车路协同的智能交通诱导方法,其特征在于,包括以下步骤:
步骤1,采用浮动车数据和固定检测器检测城市路网中拥堵路区内各个路段与交叉口时空数据,依据电子地图的相关数据,获得道路网络时空交通数据;
步骤2,采用基于MFD的城市路网诱导子区划分方法对城市路网进行划分;
步骤3,采用基于MFD的城市路网交通诱导与边界控制协同策略获得协同诱导信息;
步骤4,采用多终端协同诱导信息时空发布策略发布协同诱导信息。
2.根据权利要求1所述的基于车路协同的智能交通诱导方法,其特征在于,步骤2的具体步骤为:
步骤2.1,将城市路网中的每条路段表示成四维的信息向量,包含路段的空间位置信息和自身属性信息;
步骤2.2,应用meanshift算法对路段进行初始聚类,将城市路网划分成数量较多的规模较小的子区域;
步骤2.3,计算城市路网运行车辆数和路段长度信息;
步骤2.4,根据步骤2.3获得的城市路网运行车辆数和路段长度信息计算每一个小区域城市路网的平均密度;
步骤2.5,将每一个小区域城市路网作为一个独立的簇,以城市路网平均密度作为每一个簇的参数值,应用层次聚类算法对其进行二次聚类合并,得到最终的城市路网诱导子区动态划分结果。
3.根据权利要求2所述的基于车路协同的智能交通诱导方法,其特征在于,步骤2.3中计算城市路网运行车辆数和路段长度信息的步骤为:
令城市路网运行车辆数为N,路网内浮动车数量为Nprobe,一定时间间隔内路段某一断面观测到的全部车辆数为N’,相同时间间隔内路段某一断面观测到的浮动车数量为N’probe,得到:
<mrow>
<mfrac>
<msubsup>
<mi>N</mi>
<mrow>
<mi>p</mi>
<mi>r</mi>
<mi>o</mi>
<mi>b</mi>
<mi>e</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
<msup>
<mi>N</mi>
<mo>&prime;</mo>
</msup>
</mfrac>
<mo>=</mo>
<mfrac>
<msub>
<mi>N</mi>
<mrow>
<mi>p</mi>
<mi>r</mi>
<mi>o</mi>
<mi>b</mi>
<mi>e</mi>
</mrow>
</msub>
<mi>N</mi>
</mfrac>
</mrow>
则城市路网运行车辆数为:
<mrow>
<mi>N</mi>
<mo>=</mo>
<msub>
<mi>N</mi>
<mrow>
<mi>p</mi>
<mi>r</mi>
<mi>o</mi>
<mi>b</mi>
<mi>e</mi>
</mrow>
</msub>
<mo>&times;</mo>
<mfrac>
<msup>
<mi>N</mi>
<mo>&prime;</mo>
</msup>
<msubsup>
<mi>N</mi>
<mrow>
<mi>p</mi>
<mi>r</mi>
<mi>o</mi>
<mi>b</mi>
<mi>e</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
</mfrac>
<mo>.</mo>
</mrow>
4.根据权利要求1所述的基于车路协同的智能交通诱导方法,其特征在于,步骤3的具体步骤为:
步骤3.1,针对MFD子区***,建立的整个路网旅行车辆完成流率最大的目标函数为:
<mrow>
<mi>max</mi>
<mi> </mi>
<msub>
<mi>J</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>R</mi>
</mrow>
</munder>
<mrow>
<mo>(</mo>
<msub>
<mi>G</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
式中,Gi(xi(k)为旅行车辆完成流率;
步骤3.2,建立MFD之间的行程时间最小的模型:
<mrow>
<mi>min</mi>
<mi> </mi>
<msub>
<mi>J</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>&Element;</mo>
<mi>R</mi>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>&Element;</mo>
<mi>K</mi>
</mrow>
</munder>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
式中,tij(k)为形成时间;
步骤3.3,建立MFD子区***内平均延误的目标函数:
<mrow>
<mi>min</mi>
<mi> </mi>
<msub>
<mi>J</mi>
<mn>3</mn>
</msub>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>R</mi>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>q</mi>
<mo>&Element;</mo>
<mi>Q</mi>
</mrow>
</munder>
<msub>
<mi>D</mi>
<mrow>
<mi>i</mi>
<mi>q</mi>
</mrow>
</msub>
</mrow>
式中,Diq为MFD子区***内任意i子区中第w个信号交叉口平均时间延误,q={1,2,...,Q};
步骤3.4,根据这些指标,建立的MFD子区***交通诱导与边界控制协同的综合目标函数:
z=max(λ1J1-λ2J2-λ3J3)
λ1+λ2+λ3=1
式中,z为加权求和后的目标函数,λ1为旅行车辆完成率在模型中的权重;λ2为MFD子区之间的行程时间在模型中的权重;λ3为MFD子区内平均延误在模型中的权重;
步骤3.5,以边界交叉口控制率矩阵中相对应的绿信比和控制率为决策变量,进行编码,满足边界交叉口控制方法中相对应的约束条件;
步骤3.6,设置Ea个个体构成一个种群,初始进化代数计数器t=0,最大进化代数计数器t=Tmax,随机生成的初始群体P(0);
步骤3.7,计算z中相对应的3个目标函数值,更新临时Pareto解集;
步骤3.8,将选择算子作用于群体,λ1,λ2,λ3随机产生,用步骤3.4中的综合目标函数计算适应度值、选择概率,为交叉操作选出一对父代个体;
步骤3.9,通过对自适应交叉率概率pc进行交叉,生成新的种群PC(t);
步骤3.10,对种群PC(t)采用变异概率pm生成种群PM(t);
步骤3.11,运用选择运算从临时Pareto解集中选择对应的PM(t)中的新种群作为下次遗传的父代P(t+1);
步骤3.12,采用自适应遗传算法求得最优解或者满足约束条件,终止算法;否则,返回步骤3.5。
5.根据权利要要求1所述的基于车路协同的智能交通诱导方法,其特征在于,所述步骤4的具体步骤为:
步骤4.1:根据当前交通状况、交通流的运行特性,以及机动车的出行环境,确定所需信息发布的内容,区分交通事件信息、路况信息和交通诱导信息,并确定是否有交通事件发生;
步骤4.2:若无交通事件发生,车载终端发布实时路况信息和路径指引信息;若有交通事件发生,则计算交通信息发布空间范围;
步骤4.3:搜索空间发布范围内的诱导终端,确定空间发布范围内是否有VMS,若有VMS,进行步骤4.4;若无VMS,则进行步骤4.5;
步骤4.4:确定VMS的信息发布时间,并按照VMS的信息发布特点显示交通事件原因及相应的绕行路线;
步骤4.5:根据交通事件的影响时间确定车载终端的显示时间,当车辆驶入信息发布范围时,车载终端显示实时的路径诱导信息,并对绕行信息进行语音提示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711059854.7A CN107591004A (zh) | 2017-11-01 | 2017-11-01 | 一种基于车路协同的智能交通诱导方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711059854.7A CN107591004A (zh) | 2017-11-01 | 2017-11-01 | 一种基于车路协同的智能交通诱导方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107591004A true CN107591004A (zh) | 2018-01-16 |
Family
ID=61044419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711059854.7A Pending CN107591004A (zh) | 2017-11-01 | 2017-11-01 | 一种基于车路协同的智能交通诱导方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107591004A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035767A (zh) * | 2018-07-13 | 2018-12-18 | 北京工业大学 | 一种考虑交通控制与诱导协同的潮汐车道优化方法 |
CN109272746A (zh) * | 2018-08-20 | 2019-01-25 | 广东交通职业技术学院 | 一种基于bp神经网络数据融合的mfd估测方法 |
CN109584551A (zh) * | 2018-11-27 | 2019-04-05 | 南京航空航天大学 | 一种基于层次聚类的关联交叉口群划分的设计方法 |
CN109858559A (zh) * | 2019-02-14 | 2019-06-07 | 同济大学 | 基于交通流宏观基本图的自适应交通分析路网简化方法 |
CN109887288A (zh) * | 2019-03-27 | 2019-06-14 | 江苏智通交通科技有限公司 | 一种基于出行结构的城市路网诱导方案发布方法和*** |
CN111291144A (zh) * | 2020-01-19 | 2020-06-16 | 华东师范大学 | 一种基于浮动车轨迹的道路交叉口位置和覆盖范围检测框架方法 |
CN111862600A (zh) * | 2020-06-22 | 2020-10-30 | 中汽研智能网联技术(天津)有限公司 | 一种基于车路协同的交通效率评估方法 |
CN115206115A (zh) * | 2022-07-15 | 2022-10-18 | 合肥工业大学 | 智能网联环境下基于多源数据边缘计算的路网拥堵区管控方法 |
CN115223381A (zh) * | 2021-04-19 | 2022-10-21 | 阿里巴巴新加坡控股有限公司 | 交通信息处理方法、装置、电子设备及计算机存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103794070A (zh) * | 2014-02-24 | 2014-05-14 | 中国航天***工程有限公司 | 一种基于车路协同的动态诱导信息广播方法及*** |
CN105096622A (zh) * | 2015-08-11 | 2015-11-25 | 吉林大学 | 一种基于车路通信的动态路径诱导方法 |
-
2017
- 2017-11-01 CN CN201711059854.7A patent/CN107591004A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103794070A (zh) * | 2014-02-24 | 2014-05-14 | 中国航天***工程有限公司 | 一种基于车路协同的动态诱导信息广播方法及*** |
CN105096622A (zh) * | 2015-08-11 | 2015-11-25 | 吉林大学 | 一种基于车路通信的动态路径诱导方法 |
Non-Patent Citations (3)
Title |
---|
李霖: "基于MFD的城市路网双层路径诱导策略研究", 《中国优秀硕士学位论文全文数据库》 * |
熊雪萍: "VMS交通诱导信息协同发布策略生成方法研究", 《中国优秀硕士学位论文全文数据库》 * |
郭放: "基于MFD的交通诱导与边界控制协同方法的研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035767A (zh) * | 2018-07-13 | 2018-12-18 | 北京工业大学 | 一种考虑交通控制与诱导协同的潮汐车道优化方法 |
CN109272746B (zh) * | 2018-08-20 | 2021-06-08 | 广东交通职业技术学院 | 一种基于bp神经网络数据融合的mfd估测方法 |
CN109272746A (zh) * | 2018-08-20 | 2019-01-25 | 广东交通职业技术学院 | 一种基于bp神经网络数据融合的mfd估测方法 |
CN109584551A (zh) * | 2018-11-27 | 2019-04-05 | 南京航空航天大学 | 一种基于层次聚类的关联交叉口群划分的设计方法 |
CN109858559A (zh) * | 2019-02-14 | 2019-06-07 | 同济大学 | 基于交通流宏观基本图的自适应交通分析路网简化方法 |
CN109887288B (zh) * | 2019-03-27 | 2021-06-15 | 江苏智通交通科技有限公司 | 一种基于出行结构的城市路网诱导方案发布方法和*** |
CN109887288A (zh) * | 2019-03-27 | 2019-06-14 | 江苏智通交通科技有限公司 | 一种基于出行结构的城市路网诱导方案发布方法和*** |
CN111291144B (zh) * | 2020-01-19 | 2021-03-26 | 华东师范大学 | 一种道路交叉口位置和覆盖范围检测框架方法 |
CN111291144A (zh) * | 2020-01-19 | 2020-06-16 | 华东师范大学 | 一种基于浮动车轨迹的道路交叉口位置和覆盖范围检测框架方法 |
CN111862600A (zh) * | 2020-06-22 | 2020-10-30 | 中汽研智能网联技术(天津)有限公司 | 一种基于车路协同的交通效率评估方法 |
CN115223381A (zh) * | 2021-04-19 | 2022-10-21 | 阿里巴巴新加坡控股有限公司 | 交通信息处理方法、装置、电子设备及计算机存储介质 |
CN115206115A (zh) * | 2022-07-15 | 2022-10-18 | 合肥工业大学 | 智能网联环境下基于多源数据边缘计算的路网拥堵区管控方法 |
CN115206115B (zh) * | 2022-07-15 | 2023-05-02 | 合肥工业大学 | 智能网联环境下基于多源数据边缘计算的路网拥堵区管控方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107591004A (zh) | 一种基于车路协同的智能交通诱导方法 | |
CN105070042B (zh) | 一种交通预测的建模方法 | |
Wen | A dynamic and automatic traffic light control expert system for solving the road congestion problem | |
CN104183119B (zh) | 基于路段od反推的实时交通流分布预测方法 | |
Ma et al. | A dynamic programming approach for optimal signal priority control upon multiple high-frequency bus requests | |
CN105046956B (zh) | 一种基于转向系数的交通流模拟及预测方法 | |
CN110136455A (zh) | 一种交通信号灯配时方法 | |
CN106096756A (zh) | 一种城市交通路网动态实时多路口路径选择方法 | |
CN106205156A (zh) | 一种针对部分车道车流突变的交叉口自愈合控制方法 | |
CN106017496A (zh) | 一种基于路况的实时导航方法 | |
CN107507430A (zh) | 一种城市路***通控制方法及*** | |
CN105427001A (zh) | 地区中小学校校车最优路线与配置方法 | |
CN109033718A (zh) | 一种城市轨道交通线路失效的动态应急疏散方法 | |
CN102842219B (zh) | 预测方法和*** | |
CN107437339A (zh) | 一种信息引导下的可变信息情报板协调控制方法及*** | |
Mikluščák et al. | Using neural networks for route and destination prediction in intelligent transport systems | |
CN110274609A (zh) | 一种基于行程时间预测的实时路径规划方法 | |
CN106935044A (zh) | 一种基于公交信号优先协调控制的站点位置优化方法 | |
Guerrero-Ibanez et al. | A policy-based multi-agent management approach for intelligent traffic-light control | |
Wu et al. | A bi-objective decision model and method for the integrated optimization of bus line planning and lane reservation | |
CN108985616A (zh) | 一种公交专用道布局评价方法 | |
De Keyser et al. | Optimising the public transport priority at road intersections | |
Huang et al. | Innovations impacting the future of transportation: an overview of connected, automated, shared, and electric technologies | |
Li et al. | A bibliometric analysis and review on reinforcement learning for transportation applications | |
CN110363358A (zh) | 基于多智能体模拟的公共交通分担率预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180116 |
|
RJ01 | Rejection of invention patent application after publication |