CN111145544B - 一种基于拥堵蔓延消散模型的行程时间及路径预测方法 - Google Patents
一种基于拥堵蔓延消散模型的行程时间及路径预测方法 Download PDFInfo
- Publication number
- CN111145544B CN111145544B CN201911359987.5A CN201911359987A CN111145544B CN 111145544 B CN111145544 B CN 111145544B CN 201911359987 A CN201911359987 A CN 201911359987A CN 111145544 B CN111145544 B CN 111145544B
- Authority
- CN
- China
- Prior art keywords
- congestion
- road section
- dissipation
- time
- road
- 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.)
- Active
Links
Images
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
-
- 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
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供了一种基于拥堵蔓延消散模型的行程时间及路径预测方法,通过考虑特殊事件的影响,建立常发拥堵与特殊事件拥堵蔓延的叠加模型和常发拥堵与特殊事件拥堵消散的叠加模型,获取拥堵蔓延速度、拥堵蔓延边界、拥堵持续时间、通行能力损失值、拥堵消散速度和拥堵消散形态,建立基于拥堵蔓延消散模型的行程时间预测方法,实时预测各路段行驶位置与拥堵蔓延边界的时空关系、因拥堵蔓延导致的行程时间增加值以及各路段行程时间预测值;最后,建立预测性路径导航优化方法,输出预测得到最优路径、备选路径以及相应行程时间。本发明实施例能够更准确地为出行者提供行程时间预测和最优出行路径,便于出行者进行出行决策。
Description
技术领域
本发明涉及智能交通技术领域,尤其涉及一种基于拥堵蔓延消散模型的行程时间及路径预测方法。
背景技术
ETA(Estimated Time of Arrival,行程时间预测),是建立在诸如视频检测***、浮动车、固定环形线圈检测器等多种交通检测方法所采集的交通数据的基础之上,对道路进行行程时间的预测。行程时间预测可以为出行者提供及时可靠的时间信息,方便出行者进行出行决策,对出行诱导起着重要作用;也是智能交通的重要一部分,是缓解交通拥堵的有效手段之一。
随着道路信息采集手段及技术的不断改善,对行程时间预测的方法研究也不断深入。目前,研究行程时间预测的方法有很多,譬如:历史趋势方法、马尔科夫链模型,指数平滑法、时间序列法、卡尔曼滤波模型等。但是这些模型和方法几乎是基于同时期常发性拥堵下的历史数据,导致预测得到的路段行程时间不会随着时间动态更新,常常与实际情况存在差距。近年来,虽然有研究开始着手考虑偶发性拥堵因素(主要是特殊事件),使行程时间预测更符合实际,并优化了车辆动态路径问题。但是这些研究都未考虑突发事件的持续时间也可获知,没有考虑发生突发事件以及发生后所产生的拥堵蔓延消散这种情况下的行程时间预测,导致无法准确地给出行者提供行程时间预测以及最优出行路径。但在实际生活中,突发事件的产生是客观存在的,且产生的拥堵会随着事件的解决而消散,而现阶段的研究及应用往往忽视了这一点。
发明内容
本发明的实施例提供了一种基于拥堵蔓延消散模型的行程时间及路径预测方法,以克服现有技术的缺陷。
为了实现上述目的,本发明采取了如下技术方案。
一种基于拥堵蔓延消散模型的行程时间及路径预测方法,包括以下步骤:
S1、基于浮动车速度数据、流量采集设备收集的流量数据、核查线调查数据以及GIS路网属性表数据,获取与路段有关的数据,建立常发***通拥堵特征库和特征模型;
S2、基于常发***通拥堵特征库和特征模型,考虑特殊事件的影响,依据特殊事件下拥堵记录信息,建立常发拥堵与特殊事件拥堵蔓延的叠加模型,并计算拥堵蔓延速度、拥堵蔓延边界、拥堵持续时间和通行能力损失值;
S3、基于与路段有关的数据建立需求减小型拥堵消散模型,基于与路段有关的数据及特殊事件下的拥堵记录信息建立事件解除型拥堵消散模型,基于需求减小型拥堵消散模型和事件解除型拥堵消散模型建立常发拥堵与特殊事件拥堵消散的叠加模型,并计算拥堵消散速度和拥堵消散形态;
S4、基于获取的拥堵蔓延速度、拥堵蔓延边界、拥堵持续时间、拥堵消散速度、拥堵消散形态、通行能力损失值参数以及对路段权重的确定、用户出行参数的输入,实时预测各路段行驶位置与拥堵蔓延边界的时空关系、因拥堵蔓延导致的行程时间增加值以及各路段行程时间预测值;
S5、根据各路段行程时间预测值确定关键路段,建立预测性路径导航优化方法,通过对所有确定的多条路径进行权重比较,从而确定最终的最优路径,并输出预测得到的最优路径、备选路径以及相应行程时间预测值。
优选地,所述S1包括:
从浮动车速度数据、流量采集设备中采集到的流量数据、核查线调查数据以及GIS路网属性表数据中获取与路段有关的数据;
根据所述与路段有关的数据,判断当路段速度低于vc时,认为该路段在该时刻处于拥堵状态,依据拥堵发生的频率和发生时间来判断是否为常发性拥堵路段,包括:将相同时间段内拥堵天数比例占总天数的ɑ%以上的,设为常发性拥堵路段,并建立常发***通拥堵特征库及特征库模型,存储路段名称、路段编号、行车方向、拥堵时段、拥堵时长、流量和速度信息;
其中,vc为区分拥堵与非拥堵的临界速度,ɑ∈(0,100)为拥堵天数比例。
优选地,所述S2包括:
(1)拥堵蔓延速度uw(tk)的计算公式为:
其中,f函数所采用的模型公式为:
F函数所采用的模型公式为:
其中,下游通过的最终车辆数q2(tk)计算公式为:
上游通过的最终车辆数Qo(tk)计算公式为:
其中,uw(tk)为拥堵蔓延速度,Qo(tk)为k时间段内上游流量,Vo(tk)为k时间段内上游路段原始速度,q2(tk)为k时间段内下游流量,uf为自由流速度,uc为临界速度,u为路段速度,kj为堵塞密度,qc为通行能力,c1,c2,c3为中间变量,N为总车道数,n为堵塞车道数,Qnlc为需要换道车辆数,pnlc(b)为换道公交车比例,qo为下游饱和流率,Qo为主路原始交通流量,pmr(b)为公交车比例,V0为主路原始速度,V′0为事故后主路速度,V1为辅路原始速度,Daoi为出口匝道密度,uw为交通波波速,tj为拥堵持续时间段,tint为时间间隔段,Cr为匝道通行能力,C1为辅路通行能力,Q1为辅路原始流量,psr(b)为辅路公交车比例,Daii为入口匝道密度,α1、α2、α4为待定参数,lmax表示驾驶员能够忍受的最大拥堵路段长度,δ为路况信息接受比例,α3、α5为待定参数,θ为掌握拥堵信息的车辆比例;
(2)拥堵蔓延边界smax的计算公式为:
smax=min[s(tk)]
其中,smax为拥堵蔓延边界,s(tk)为排队长度,tinterval为时间间隔;
(3)持续时间tL的计算公式为:
tL=Lauw(tk)
其中,tL为持续时间,La为路段长度;
(4)在特殊事件发生后,受到阻塞车道数、换道车辆数的影响,道路通行能力会相应折减,通行能力损失值Δq的计算公式为:
Δq=qc-qd
qd=λqc
其中,Δq为通行能力损失值,qc为瓶颈产生前路段的通行能力,qd为折减后的通行能力,λ∈(0,1)为折减系数,与总车道数、阻塞车道数有关。
优选地,所述S3包括:
需求减小型拥堵消散速度u1d的计算公式为:
其中,u1d为需求减小型拥堵消散速度,u1l为瓶颈上游车辆的空间平均速度,q1(tk)为k时间段内上游流量,a、b、c为三个常量;
事件解除型拥堵消散速度u2d的计算公式为:
其中,u2d为特殊事件下的拥堵消散速度,u2l为瓶颈下游车辆的空间平均速度;
基于需求减小型拥堵消散模型和事件解除型拥堵消散模型建立常发拥堵与特殊事件拥堵消散的叠加模型,包括:
将消散形态分为五种:以需求减小为主的需求减小Ⅰ型、需求减小Ⅱ型,以事件解除为主的事件解除Ⅰ型、事件解除Ⅱ型与事件解除Ⅲ型;
常发拥堵与特殊事件拥堵消散叠加下的消散速度ud计算公式如下:
其中,ud为常发拥堵与特殊事件拥堵消散叠加下的拥堵消散速度,k1、k2为0、1变量。
优选地,所述S4包括:
假设从出发地到特殊事件点之间有n条路径可以选择,即路径集为:{l1,…,li,…,ln},相应的权重即行程时间集为:{T1,…,Ti,…,Tn};出发地到普通节点之间有N条路径可供选择,即路径集为:{ln+1,…,ln+i,…,ln+N},相应的权重即行程时间集为:{Tn+1,…,Tn+i,…,Tn+N};
预测各路段行驶位置与拥堵蔓延边界的时空关系,具体如下:
以事故发生点为坐标原点,拥堵蔓延波传播方向为正方向,将用户与特殊事件拥堵蔓延之间分为以下三种情况:情况一是用户与拥堵蔓延波相遇,且交汇点恰巧在拥堵蔓延边界上,即sitec=smax;情况二是用户与拥堵蔓延波相遇,且交汇点在拥堵蔓延边界内,即sitec<smax;情况三是特殊事件已经发生完成,用户没有与拥堵蔓延波相遇,即无交汇点;其中sitec为交汇点位置;
基于常发拥堵与特殊事件拥堵蔓延的叠加模型和常发拥堵与特殊事件拥堵消散的叠加模型,输入用户出行参数,以一定的迭代周期ΔTfix,实时预测更新各路段行驶位置与拥堵蔓延边界相遇时间{Tc1,…,Tci,…,Tcn,Tcn+1,…,TcN},以及交汇点位置{sitec1,…,siteci,…,sitecn,sitecn+1,…,sitecN};
以路段行程时间作为道路权重指标,计算公式如下:
T=Ta+ta
因拥堵蔓延消散造成的行程时间增加值ΔT,计算公式如下:
ΔT=T-Td
其中,ΔT为因拥堵蔓延消散造成的路段行程时间增加值,Td为正常情况下的路段行程时间;
用户从出发地到达目的地有两种可能:一种是经过特殊事件点,另一种是不经过特殊事件点,即经过普通节点,实时判断最短行程时间,具体如下:
基于常发拥堵与特殊事件拥堵蔓延的叠加模型和常发拥堵与特殊事件拥堵消散的叠加模型,以一定的迭代周期ΔTfix来预测并输出拥堵蔓延消散造成的行程时间增加值{ΔT1,…,ΔTi,…,ΔTn,ΔTn+1,…,ΔTn+i,…,ΔTn+N}和输出各路段行程时间预测值,即实时更新路段行程时间集合{T1,…,Ti,…,Tn,Tn+1,…,Tn+i,…,Tn+N}。
优选地,所述S5包括:
S51、输入用户起点和终点,确定路段权重以及更新时间间隔T;
S52、根据路段权重变化规律,确定关键路段集合;
S53、在不考虑关键路段的情况下,应用Dijkstra算法确定出最优路径,以及车辆从当前节点到下一节点的时耗t;
S54、判断下一节点是否为终点,若是,则直接结束循环;
S55、若不是,则以当前节点为新的起点;
S56、若t≤T,则沿原路径行驶,直到下一节点,记录所需时间为t1;若t>T,则更新路段权重,并回到步骤S54;
S57、继续判断当前节点是否为终点,若是则输出路径;若不是,则更新时耗t=t+t1,并返回至步骤S55;
S58、判断所有关键路段是否已经访问完毕,若是则输出权重最小的路径,结束循环;否则考虑关键路段,确定相应的初始最优路径,以及车辆从当前节点到下一节点所需要的时间t,并回到步骤S54;
从上述计算得到所有路径及相应行程时间预测值,从中挑选行程时间最短的路径即为最优路径,其他路径作为备选路径。
优选地,所述S62包括:
S521、计算各路段的权重即当前时刻下各路段的行程时间预测值,并按照从大到小排序,并取i%作为分界线;
S522、判断路段权重是否高于i%分界线,若不是则形成非关键路段集合;
S523、若是,则形成潜在的关键路段集合;
S524、计算潜在的关键路段未来时段的路段的权重,将路段未来时段的权重预测值进行排序,并取j%分位数作为分界线;
S525、判断潜在的关键路段未来时段的权重是否低于j%分位数或下降幅度大于k%,若不是则形成非关键路段;
S526、若是则形成关键路段集合,并结束流程;
其中,i、j、k∈(0,100)。
优选地,所述方法还包括:基于常发拥堵与特殊事件拥堵蔓延的叠加模型和常发拥堵与特殊事件拥堵消散的叠加模型,设计算法求解模型,获取拥堵蔓延速度、拥堵蔓延边界、拥堵持续时间、以及通行能力损失值参数,具体如下:
S31、初始化模型固定参数,输入特殊事件拥堵信息数据;
S32、输入由流量采集设备提供的流量数据与由浮动车速度数据提供的速度数据;
S33、基于常发拥堵与特殊事件拥堵消散的叠加模型和常发拥堵与特殊事件拥堵消散的叠加模型计算并输出特定时段下的拥堵蔓延速度uw(tk)、拥堵蔓延边界smax、拥堵持续时间tL、拥堵消散速度ud、拥堵消散形态以及通行能力损失值Δq;
S34、更新时间和空间位置来预测未来时段内的拥堵传播速度和边界,如果拥堵蔓延距离大于路段长度,则需要更新背景交通流量和历史速度;否则,继续保持原值进行下一次计算,回到S32直到拥堵完全消散。
优选地,所述流量采集设备包括:RTMS或线圈或收费站或ETC门架;
所述与路段有关的数据包括:路段名称、编号、行车方向、速度、流量和时间;
所述特殊事件包括:交通事故、勤务管制和恶劣天气。
由上述本发明的实施例提供的技术方案可以看出,本发明实施例提供一种基于拥堵蔓延消散模型的行程时间及路径预测方法,通过在拥堵蔓延消散模型的基础上,考虑发生突发事件以及发生后所产生的拥堵蔓延消散这种情况下的行程时间预测,提供给出行者更为准确的行程时间预测和最优出行路径,便于出行者进行出行决策,更贴合实际生活需求。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于拥堵蔓延消散模型的行程时间及路径预测方法的流程示意图;
图2为本发明实施例提供的常发拥堵与特殊事件拥堵消散的叠加下的五种消散形态示意图;
图3为本发明实施例提供的一种常发拥堵与特殊事件拥堵蔓延消散的叠加算法流程示意图;
图4为本发明实施例提供的用户从出发地到目的地路径简图;
图5为本发明实施例提供的用户出行与特殊事件拥堵蔓延边界之间的三种位置情况;
图6为本发明实施例提供的一种关键路段的算法流程示意图;
图7为本发明实施例提供的一种预测性路径导航优化方法算法的流程示意图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
本发明实施例提供的一种基于拥堵蔓延消散模型的行程时间及路径预测方法,可以考虑常发性拥堵路段下发生特殊事件以及已知特殊事件持续时间的情况,能够更准确地为出行者提供行程时间预测和最优出行路径,如图1所示,一种基于拥堵蔓延消散模型的行程时间及路径预测方法,具体包括以下步骤:
S1、从浮动车速度数据、流量采集设备(如RTMS或线圈或收费站或ETC门架)中收集到的流量数据、核查线调查数据、GIS路网属性表数据以及交通事故、勤务管制、恶劣天气等特殊事件下的拥堵记录信息中,获取与路段有关的数据(如:路段名称、编号、行车方向、速度、流量、时间数据等),通过获取的上述数据信息,建立常发***通拥堵特征库和特征模型,具体如下:
根据与路段有关的数据,判断当路段速度低于vc时,认为该路段在该时刻处于拥堵状态,依据拥堵发生的频率和发生时间来判断是否为常发性拥堵路段,包括:将相同时间段内拥堵天数比例占总天数的ɑ%以上的,设为常发性拥堵路段,并建立常发***通拥堵特征库及特征库模型,存储路段名称、路段编号、行车方向、拥堵时段、拥堵时长、流量和速度信息。其中,vc为区分拥堵与非拥堵的临界速度,ɑ∈(0,100)为拥堵天数比例。
S2、基于常发***通拥堵特征库和特征模型,考虑特殊事件的影响,依据交通事故、勤务管制、恶劣天气等特殊事件下拥堵记录信息,建立常发拥堵与特殊事件拥堵蔓延的叠加模型,并计算拥堵蔓延速度、拥堵蔓延边界、拥堵持续时间和通行能力损失值,包括:
(1)拥堵蔓延速度uw(tk)的计算公式为:
其中f函数所采用的模型公式为:
F函数所采用的模型公式为:
其中下游通过的最终车辆数q2(tk)计算公式为:
上游通过的最终车辆数Qo(tk)计算公式为:
其中,uw(tk)为拥堵蔓延速度,Qo(tk)为k时间段内上游流量,Vo(tk)为k时间段内上游路段原始速度,q2(tk)为k时间段内下游流量,uf为自由流速度,uc为临界速度,u为路段速度,kj为堵塞密度,qc为通行能力,c1,c2,c3为中间变量,N为总车道数,n为堵塞车道数,Qnlc为需要换道车辆数,pnlc(b)为换道公交车比例,qo为下游饱和流率,Qo为主路原始交通流量,pmr(b)为公交车比例,V0为主路原始速度,V′0为事故后主路速度,V1为辅路原始速度,Daoi为出口匝道密度,uw为交通波波速,tj为拥堵持续时间段,tint为时间间隔段,Cr为匝道通行能力,C1为辅路通行能力,Q1为辅路原始流量,psr(b)为辅路公交车比例,Daii为入口匝道密度,α1、α2、α4为待定参数,lmax表示驾驶员能够忍受的最大拥堵路段长度,δ为路况信息接受比例,α3、α5为待定参数,θ为掌握拥堵信息的车辆比例;
(2)拥堵蔓延边界smax的计算公式为:
smax=min[s(tk)]
其中,smax为拥堵蔓延边界,s(tk)为排队长度,tinterval为时间间隔;
(3)持续时间tL的计算公式为:
tL=La/uw(tk)
其中,tL为持续时间,La为路段长度;
(4)在特殊事件发生后,受到阻塞车道数、换道车辆数的影响,道路通行能力会相应折减,通行能力损失值Δq的计算公式为:
Δq=qc-qd
qd=λqc
其中,Δq为通行能力损失值,qc为瓶颈产生前路段的通行能力,qd为折减后的通行能力,λ∈(0,1)为折减系数,与总车道数、阻塞车道数等有关。
S3、基于与路段有关的数据建立需求减小型拥堵消散模型,基于与路段有关的数据及特殊事件下的拥堵记录信息建立事件解除型拥堵消散模型,基于需求减小型拥堵消散模型和事件解除型拥堵消散模型建立常发拥堵与特殊事件拥堵消散的叠加模型,并计算拥堵消散速度和拥堵消散形态,包括:
需求减小型拥堵消散速度u1d的计算公式为:
其中,u1d为需求减小型拥堵消散速度,u1l为瓶颈上游车辆的空间平均速度q1(tk)为k时间段内上游流量,a、b、c为三个常量。
事件解除型拥堵消散速度u2d的计算公式为:
其中,u2d为特殊事件下的拥堵消散速度,u2l为瓶颈下游车辆的空间平均速度。
依据需求减小型拥堵消散模型、事件解除型拥堵消散模型,建立常发拥堵与特殊事件拥堵消散的叠加模型,包括:
将消散形态分为五种,如图2所示:
以需求减小为主的需求减小Ⅰ型、需求减小Ⅱ型,以事件解除为主的事件解除Ⅰ型、事件解除Ⅱ型与事件解除Ⅲ型;
常发拥堵与特殊事件拥堵消散叠加下的消散速度ud计算公式如下:
其中,ud为常发拥堵与特殊事件拥堵消散叠加下的拥堵消散速度,k1、k2为0、1变量。
根据上述建立的常发拥堵与特殊事件拥堵蔓延的叠加模型和常发拥堵与特殊事件拥堵消散的叠加模型,设计算法求解模型,获取拥堵蔓延速度、拥堵蔓延边界、拥堵持续时间、以及通行能力损失值参数,如图3所示,具体如下:
S31、初始化模型固定参数,输入特殊事件拥堵信息数据;
S32、输入由流量采集设备提供的流量数据与由浮动车速度数据提供的速度数据;
S33、基于常发拥堵与特殊事件拥堵消散的叠加模型和常发拥堵与特殊事件拥堵消散的叠加模型计算并输出特定时段下的拥堵蔓延速度uw(tk)、拥堵蔓延边界smax、拥堵持续时间tL、拥堵消散速度ud、拥堵消散形态以及通行能力损失值Δq;
S34、更新拥堵蔓延波的时间和空间位置来预测未来时段内的拥堵传播速度和边界,如果拥堵蔓延距离大于路段长度,则需要更新背景交通流量和历史速度;否则,继续保持原值(上一次计算的背景交通流量和历史速度值)进行下一次计算,回到S32直到拥堵完全消散。
S4、基于获取的拥堵蔓延速度、拥堵蔓延边界、拥堵持续时间、拥堵消散速度、拥堵消散形态、通行能力损失值参数以及对路段权重的确定、用户输入出行参数(如出发地点、出发时刻和目的地),实时预测各路段行驶位置与拥堵蔓延边界的时空关系、因拥堵蔓延导致的行程时间增加值以及各路段行程时间预测值,具体包括:
用户从出发地到目的地的路径简图如图4所示,但在应用中应以实际情况为准,具体说明如下:
假设从出发地到特殊事件点之间有n条路径可以选择,即路径集为:{l1,…,li,…,ln},相应的权重即行程时间集为:{T1,…,Ti,…,Tn};出发地到普通节点之间有N条路径可供选择,即路径集为:{ln+1,…ln+i,…ln+N},相应的权重即行程时间集为:{Tn+1,…Tn+i,…Tn+N}。
预测各路段行驶位置与拥堵蔓延边界的时空关系,具体如下:
以事故发生点为坐标原点,拥堵蔓延波传播方向为正方向,可以将用户与特殊事件拥堵蔓延之间分为以下三种情况,如图5所示:情况一是用户与拥堵蔓延波相遇,且交汇点恰巧在拥堵蔓延边界上,即sitec=smax;情况二是用户与拥堵蔓延波相遇,且交汇点在拥堵蔓延边界内,即sitec<smax;情况三是特殊事件已经发生完成,用户没有与拥堵蔓延波相遇,即无交汇点;其中sitec为交汇点位置。
根据上述的常发拥堵与特殊事件拥堵蔓延消散的叠加算法以及用户输入出行参数,以一定的迭代周期ΔTfix,实时预测更新各路段行驶位置与拥堵蔓延边界相遇时间{Tc1,…,Tci,…,Tcn,Tcn+1,…,TcN},以及交汇点位置{sitec1,…,siteci,…,sitecn,sitecn+1,…,sitecN};
以路段行程时间作为道路权重指标,计算公式如下:
T=Ta+ta
因拥堵蔓延消散造成的行程时间增加值ΔT,计算公式如下:
ΔT=T-Td
其中,ΔT为因拥堵蔓延消散造成的路段行程时间增加值,Td为正常情况下的路段行程时间;
用户从出发地到达目的地有两种可能:一种是经过特殊事件点,另一种是不经过特殊事件点,即经过普通节点。但哪一种的行程时间最短,要依据现实情况,经过实时判断才可确定,具体如下:
根据上述所述的常发拥堵与特殊事件拥堵蔓延消散的叠加算法,以一定的迭代周期ΔTfix来预测并输出拥堵蔓延消散造成的行程时间增加值{ΔT1,…,ΔTi,…,ΔTn,ΔTn+1,…,ΔTn+i,…,ΔTn+N}、输出各路段行程时间预测值,即实时更新路段行程时间集合{T1,…,Ti,…,Tn,Tn+1,…,Tn+i,…,Tn+N}。
S5、根据各路段行程时间预测值确定关键路段,建立预测性路径导航优化方法,通过对所有确定的多条路径进行权重比较,从而确定最终的最优路径,并输出预测得到的最优路径、备选路径以及相应行程时间预测值,具体包括:
通过步骤S4行程时间预测部分,可以实时预知各路段行驶位置与拥堵蔓延边界的时空关系,即可以知晓未来时段的交通状态。当发生特殊事件时会导致路段的权重急剧上升,而随着产生的拥堵蔓延消散后路段的权重又会下降,甚至有可能会出现经过特殊事件点路径的行程时间比经过普通节点的更少。因此,需要根据路段权重的预测值的变化规律来确定关键路段以此来解决这一问题。关键路段考虑初始路段权重大和路段权重变化幅度大这两个因素,采用权重分位数的方法来确定该路段是否为关键路段,一种关键路段算法流程如图6所示,具体步骤如下:
步骤521:计算各路段的权重即当前时刻下各路段的行程时间预测值,并按照从大到小排序,并取i%作为分界线;
步骤522:判断路段权重是否高于i%分界线,若不是则形成非关键路段集合;
步骤523:若是,则形成潜在的关键路段集合;
步骤524:计算潜在的关键路段未来时段(即下一个更新时间T)的路段的权重,将路段未来时段的权重预测值进行排序,并取j%分位数作为分界线;
步骤525:判断潜在的关键路段未来时段的权重是否低于j%分位数或下降幅度大于k%,若不是则形成非关键路段;
步骤526:若是则形成关键路段集合,并结束流程;
其中,i、j、k为预设值,i、j、k∈(0,100)。
通过引入关键路段的定义及对关键路段的识别,设计一种预测性路径导航优化方法。优化前得到的初始路径只是基于同时期历史数据下的行程时间预测,不具有实时性和预测性;由于上述行程时间预测部分,可以实时预知各路段行驶位置与拥堵蔓延边界的时空关系以及各路段行程时间,即可以知晓未来时段的交通状态,因此,提出一种预测性路径导航优化方法,包含:
通过优化避免权重的急剧变化导致最优路径变换,对确定的多条最优路径进行权重的比较,从而确定最终的最优路径,如图7所示,具体步骤如下:
步骤51:输入用户起点和终点,确定路段权重以及更新时间间隔T;
步骤52:根据路段权重变化规律,确定关键路段集合;
步骤53:在不考虑关键路段的情况下,应用Dijkstra算法确定出最优路径,以及车辆从当前节点到下一节点的时耗t;
步骤54:判断下一节点是否为终点。若是,则直接结束循环;
步骤55:若不是,则以当前节点为新的起点;
步骤56:若t≤T,则沿原路径行驶,直到下一节点,记录所需时间为t1;若t>T,则更新路段权重,并回到步骤S54;
步骤57:继续判断当前节点是否为终点,若是则输出路径;若不是,则更新时耗t=t+t1,并返回至步骤S55;
步骤58:判断所有关键路段是否已经访问完毕,若是则输出权重最小的路径,结束循环;否则考虑关键路段,确定相应的初始最优路径,以及车辆从当前节点到下一节点所需要的时间t,并回到步骤S54;
该算法可以得到所有可能路径及相应行程时间预测值,从中挑选行程时间最短的路径即为最优路径,其他路径作为备选路径可供用户参考。
综上所述,本发明实施例提供一种基于拥堵蔓延消散模型的行程时间及路径预测方法,在建立常发拥堵与特殊事件拥堵蔓延消散模型以及算法的基础上,建立了行程时间预测方法,优化了路径导航算法,可考虑常发性拥堵路段下发生特殊事件以及已知特殊事件持续时间的情况,能够更准确地为出行者提供行程时间预测和最优出行路径,便于出行者进行出行决策,更贴合实际生活需求。
本发明实施例有效地解决了现有技术中,未考虑特殊事件的持续时间也可获知,没有考虑发生特殊事件以及发生后所产生的拥堵蔓延消散这种情况下的行程时间预测,导致给出行者行程时间预测不准、提供路径不优的问题。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或***实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及***实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (7)
1.一种基于拥堵蔓延消散模型的行程时间及路径预测方法,其特征在于,包括以下步骤:
S1、基于浮动车速度数据、流量采集设备收集的流量数据、核查线调查数据以及GIS路网属性表数据,获取与路段有关的数据,建立常发***通拥堵特征库和特征模型;
S2、基于常发***通拥堵特征库和特征模型,考虑特殊事件的影响,依据特殊事件下拥堵记录信息,建立常发拥堵与特殊事件拥堵蔓延的叠加模型,并计算拥堵蔓延速度、拥堵蔓延边界、拥堵持续时间和通行能力损失值,包括:(1)拥堵蔓延速度uw(tk)的计算公式为:
其中,f函数所采用的模型公式为:
F函数所采用的模型公式为:
其中,下游通过的最终车辆数q2(tk)计算公式为:
上游通过的最终车辆数Qo(tk)计算公式为:
其中,uw(tk)为拥堵蔓延速度,Qo(tk)为k时间段内上游流量,Vo(tk)为k时间段内上游路段原始速度,q2(tk)为k时间段内下游流量,uf为自由流速度,uc为临界速度,u为路段速度,kj为堵塞密度,qc为通行能力,c1,c2,c3为中间变量,N为总车道数,n为堵塞车道数,Qnlc为需要换道车辆数,pnlc(bu)为换道公交车比例,qo为下游饱和流率,Qo为主路原始交通流量,pmr(bu)为公交车比例,V0为主路原始速度,V′0为事故后主路速度,V1为辅路原始速度,Daoi为出口匝道密度,uw为交通波波速,tj为拥堵持续时间段,tint为时间间隔段,Cr为匝道通行能力,C1为辅路通行能力,Q1为辅路原始流量,psr(bu)为辅路公交车比例,Daii为入口匝道密度,α1、α2、α4为待定参数,lmax表示驾驶员能够忍受的最大拥堵路段长度,δ为路况信息接受比例,α3、α5为待定参数,θ为掌握拥堵信息的车辆比例;
(2)拥堵蔓延边界smax的计算公式为:
smax=min[s(tk)]
其中,smax为拥堵蔓延边界,s(tk)为排队长度,tinterval为时间间隔;
(3)持续时间tL的计算公式为:
tL=La/uw(tk)
其中,tL为持续时间,La为路段长度;
(4)在特殊事件发生后,受到阻塞车道数、换道车辆数的影响,道路通行能力会相应折减,通行能力损失值Δq的计算公式为:
Δq=qc-qd
qd=λqc
其中,Δq为通行能力损失值,qc为瓶颈产生前路段的通行能力,qd为折减后的通行能力,λ∈(0,1)为折减系数,与总车道数、阻塞车道数有关;
S3、基于与路段有关的数据建立需求减小型拥堵消散模型,基于与路段有关的数据及特殊事件下的拥堵记录信息建立事件解除型拥堵消散模型,基于需求减小型拥堵消散模型和事件解除型拥堵消散模型建立常发拥堵与特殊事件拥堵消散的叠加模型,并计算拥堵消散速度和拥堵消散形态;
S4、基于获取的拥堵蔓延速度、拥堵蔓延边界、拥堵持续时间、拥堵消散速度、拥堵消散形态、通行能力损失值参数以及对路段权重的确定、用户出行参数的输入,实时预测各路段行驶位置与拥堵蔓延边界的时空关系、因拥堵蔓延导致的行程时间增加值以及各路段行程时间预测值,包括:假设从出发地到特殊事件点之间有n条路径可以选择,即路径集为:{l1,...,li,...,ln},相应的权重即行程时间集为:{T1,...,Ti,...,Tn};出发地到普通节点之间有N条路径可供选择,即路径集为:{ln+1,...,ln+i,...,ln+N},相应的权重即行程时间集为:{Tn+1,...,Tn+i,...,Tn+N};
预测各路段行驶位置与拥堵蔓延边界的时空关系,具体如下:
以事故发生点为坐标原点,拥堵蔓延波传播方向为正方向,将用户与特殊事件拥堵蔓延之间分为以下三种情况:情况一是用户与拥堵蔓延波相遇,且交汇点恰巧在拥堵蔓延边界上,即sitec=smax;情况二是用户与拥堵蔓延波相遇,且交汇点在拥堵蔓延边界内,即sitec<smax;情况三是特殊事件已经发生完成,用户没有与拥堵蔓延波相遇,即无交汇点;其中sitec为交汇点位置;
基于常发拥堵与特殊事件拥堵蔓延的叠加模型和常发拥堵与特殊事件拥堵消散的叠加模型,输入用户出行参数,以一定的迭代周期ΔTfix,实时预测更新各路段行驶位置与拥堵蔓延边界相遇时间{Tc1,…,Tci,…,Tcn,Tcn+1,…,TcN},以及交汇点位置{sitec1,…,siteci,…,sotecn,sitecn+1,…,sitecN};
以路段行程时间作为道路权重指标,计算公式如下:
T=Ta+ta
因拥堵蔓延消散造成的行程时间增加值ΔT,计算公式如下:
ΔT=T-Td
其中,ΔT为因拥堵蔓延消散造成的路段行程时间增加值,Td为正常情况下的路段行程时间;
用户从出发地到达目的地有两种可能:一种是经过特殊事件点,另一种是不经过特殊事件点,即经过普通节点,实时判断最短行程时间,具体如下:
基于常发拥堵与特殊事件拥堵蔓延的叠加模型和常发拥堵与特殊事件拥堵消散的叠加模型,以一定的迭代周期ΔTfix来预测并输出拥堵蔓延消散造成的行程时间增加值{ΔT1,...,ΔTi,...,ΔTn,ΔTn+1,...,ΔTn+i,...,ΔTn+N}和输出各路段行程时间预测值,即实时更新路段行程时间集合{T1,...,Ti,...,Tn,Tn+1,...,Tn+i,...,Tn+N};
S5、根据各路段行程时间预测值确定关键路段,建立预测性路径导航优化方法,通过对所有确定的多条路径进行权重比较,从而确定最终的最优路径,并输出预测得到的最优路径、备选路径以及相应行程时间预测值。
2.根据权利要求1所述的方法,其特征在于,所述S1包括:
从浮动车速度数据、流量采集设备中采集到的流量数据、核查线调查数据以及GIS路网属性表数据中获取与路段有关的数据;
根据所述与路段有关的数据,判断当路段速度低于vc时,认为该路段在该时刻处于拥堵状态,依据拥堵发生的频率和发生时间来判断是否为常发性拥堵路段,包括:将相同时间段内拥堵天数比例占总天数的α%以上的,设为常发性拥堵路段,并建立常发***通拥堵特征库及特征库模型,存储路段名称、路段编号、行车方向、拥堵时段、拥堵时长、流量和速度信息;
其中,vc为区分拥堵与非拥堵的临界速度,α∈(0,100)为拥堵天数比例。
3.根据权利要求1所述的方法,其特征在于,所述S3包括:
需求减小型拥堵消散速度u1d的计算公式为:
其中,ild为需求减小型拥堵消散速度,u1l为瓶颈上游车辆的空间平均速度,q1(tk)为k时间段内上游流量,a、b、c为三个常量;
事件解除型拥堵消散速度u2d的计算公式为:
其中,u2d为特殊事件下的拥堵消散速度,u2l为瓶颈下游车辆的空间平均速度;
基于需求减小型拥堵消散模型和事件解除型拥堵消散模型建立常发拥堵与特殊事件拥堵消散的叠加模型,包括:
将消散形态分为五种:以需求减小为主的需求减小I型、需求减小II型,以事件解除为主的事件解除I型、事件解除II型与事件解除III型;
常发拥堵与特殊事件拥堵消散叠加下的消散速度ud计算公式如下:
其中,ud为常发拥堵与特殊事件拥堵消散叠加下的拥堵消散速度,k1、k2为0、1变量。
4.根据权利要求1所述的方法,其特征在于,所述S5包括:
S51、输入用户起点和终点,确定路段权重以及更新时间间隔T;
S52、根据路段权重变化规律,确定关键路段集合;
S53、在不考虑关键路段的情况下,应用Dijkstra算法确定出最优路径,以及车辆从当前节点到下一节点的时耗t;
S54、判断下一节点是否为终点,若是,则直接结束循环;
S55、若不是,则以当前节点为新的起点;
S56、若t≤T,则沿原路径行驶,直到下一节点,记录所需时间为t1;若t>T,则更新路段权重,并回到步骤S54;
S57、继续判断当前节点是否为终点,若是则输出路径;若不是,则更新时耗t=t+t1,并返回至步骤S55;
S58、判断所有关键路段是否已经访问完毕,若是则输出权重最小的路径,结束循环;否则考虑关键路段,确定相应的初始最优路径,以及车辆从当前节点到下一节点所需要的时间t,并回到步骤S54;
从上述计算得到所有路径及相应行程时间预测值,从中挑选行程时间最短的路径即为最优路径,其他路径作为备选路径。
5.根据权利要求4所述的方法,所述S52包括:
S521、计算各路段的权重即当前时刻下各路段的行程时间预测值,并按照从大到小排序,并取i%作为分界线;
S522、判断路段权重是否高于i%分界线,若不是则形成非关键路段集合;
S523、若是,则形成潜在的关键路段集合;
S524、计算潜在的关键路段未来时段的路段的权重,将路段未来时段的权重预测值进行排序,并取j%分位数作为分界线;
S525、判断潜在的关键路段未来时段的权重是否低于j%分位数或下降幅度大于k%,若不是则形成非关键路段;
S526、若是则形成关键路段集合,并结束流程;
其中,i、j、k∈(0,100)。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:基于常发拥堵与特殊事件拥堵蔓延的叠加模型和常发拥堵与特殊事件拥堵消散的叠加模型,设计算法求解模型,获取拥堵蔓延速度、拥堵蔓延边界、拥堵持续时间、以及通行能力损失值参数,具体如下:
S31、初始化模型固定参数,输入特殊事件拥堵信息数据;
S32、输入由流量采集设备提供的流量数据与由浮动车速度数据提供的速度数据;
S33、基于常发拥堵与特殊事件拥堵消散的叠加模型和常发拥堵与特殊事件拥堵消散的叠加模型计算并输出特定时段下的拥堵蔓延速度uw(tk)、拥堵蔓延边界smax、拥堵持续时间tL、拥堵消散速度ud、拥堵消散形态以及通行能力损失值Δq;
S34、更新时间和空间位置来预测未来时段内的拥堵传播速度和边界,如果拥堵蔓延距离大于路段长度,则需要更新背景交通流量和历史速度;否则,继续保持原值进行下一次计算,回到S32直到拥堵完全消散。
7.根据权利要求1所述的方法,其特征在于,所述流量采集设备包括:RTMS或线圈或收费站或ETC门架;
所述与路段有关的数据包括:路段名称、编号、行车方向、速度、流量和时间;
所述特殊事件包括:交通事故、勤务管制和恶劣天气。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911359987.5A CN111145544B (zh) | 2019-12-25 | 2019-12-25 | 一种基于拥堵蔓延消散模型的行程时间及路径预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911359987.5A CN111145544B (zh) | 2019-12-25 | 2019-12-25 | 一种基于拥堵蔓延消散模型的行程时间及路径预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111145544A CN111145544A (zh) | 2020-05-12 |
CN111145544B true CN111145544B (zh) | 2021-05-25 |
Family
ID=70520190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911359987.5A Active CN111145544B (zh) | 2019-12-25 | 2019-12-25 | 一种基于拥堵蔓延消散模型的行程时间及路径预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111145544B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112312082B (zh) * | 2020-09-14 | 2021-11-30 | 上海商汤智能科技有限公司 | 道路运行情况确定方法及装置、设备和存储介质 |
US20220165150A1 (en) * | 2020-11-24 | 2022-05-26 | Here Global B.V. | System and method for determining dynamic road capacity data for traffic condition |
CN114419876B (zh) * | 2021-12-13 | 2023-04-25 | 北京百度网讯科技有限公司 | 道路饱和度评价方法、装置、电子设备及存储介质 |
CN114170803B (zh) * | 2021-12-15 | 2023-06-16 | 阿波罗智联(北京)科技有限公司 | 路侧感知***和交通控制方法 |
CN116935655B (zh) * | 2023-09-15 | 2023-12-05 | 武汉市规划研究院 | 一种面向复杂城市道路网络的交通状态判别方法及*** |
CN118097973A (zh) * | 2024-04-29 | 2024-05-28 | 福建票付通创新科技有限公司 | 一种用于旅游出行的交通错峰风险管控*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488893A (zh) * | 2013-09-23 | 2014-01-01 | 北京交通发展研究中心 | 一种桥下积水导致的交通拥堵蔓延预测技术方案 |
CN104392614A (zh) * | 2014-08-28 | 2015-03-04 | 邓荣峰 | 拥堵交叉路口信号配时方法及交通信号灯控制*** |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4007353B2 (ja) * | 2003-12-26 | 2007-11-14 | アイシン・エィ・ダブリュ株式会社 | ナビゲーションシステムにおける交通情報処理装置 |
JP4591395B2 (ja) * | 2006-03-31 | 2010-12-01 | アイシン・エィ・ダブリュ株式会社 | ナビゲーションシステム |
CN102081857A (zh) * | 2009-12-01 | 2011-06-01 | 华东师范大学第一附属中学 | 一种智能式城市交通控制*** |
CN103065468A (zh) * | 2012-12-14 | 2013-04-24 | 中国航天***工程有限公司 | 交通信息的评估方法和装置 |
CN103198681B (zh) * | 2013-03-20 | 2016-06-29 | 东南大学 | 一种面向公交优先的交叉口信号控制方法 |
CN105788256B (zh) * | 2016-03-30 | 2018-07-24 | 北京交通大学 | 基于车联网的路况信息感知方法 |
CN107945507B (zh) * | 2016-10-13 | 2020-08-11 | 腾讯科技(深圳)有限公司 | 行程时间预测方法及装置 |
CN107704957A (zh) * | 2017-09-28 | 2018-02-16 | 京东方科技集团股份有限公司 | 一种拥堵路段通行优化方法及装置 |
US11270583B2 (en) * | 2017-11-27 | 2022-03-08 | International Business Machines Corporation | Traffic control for autonomous vehicles |
US20190329770A1 (en) * | 2018-04-27 | 2019-10-31 | Honda Motor Co., Ltd. | System and method for lane level hazard prediction |
-
2019
- 2019-12-25 CN CN201911359987.5A patent/CN111145544B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488893A (zh) * | 2013-09-23 | 2014-01-01 | 北京交通发展研究中心 | 一种桥下积水导致的交通拥堵蔓延预测技术方案 |
CN104392614A (zh) * | 2014-08-28 | 2015-03-04 | 邓荣峰 | 拥堵交叉路口信号配时方法及交通信号灯控制*** |
Non-Patent Citations (1)
Title |
---|
Practical approach to determining traffic congestion propagation boundary due to traffic incidents;Fei Wen-peng 等;《JOURNAL OF CENTRAL SOUTH UNIVERSITY》;20170228;正文全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111145544A (zh) | 2020-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111145544B (zh) | 一种基于拥堵蔓延消散模型的行程时间及路径预测方法 | |
He et al. | PAMSCOD: Platoon-based arterial multi-modal signal control with online data | |
CN105023433B (zh) | 一种高速公路交通异常事件影响范围预估方法 | |
Khondaker et al. | Variable speed limit: A microscopic analysis in a connected vehicle environment | |
CN109215350B (zh) | 一种基于rfid电子车牌数据的短期交通状态预测方法 | |
CN104778834B (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
WO2018064931A1 (zh) | 考虑出租车运营状态下的城市道路行程时间分布估算方法 | |
CN109191849B (zh) | 一种基于多源数据特征提取的交通拥堵持续时间预测方法 | |
CN104778835B (zh) | 一种高等级道路多瓶颈点拥堵演化时空范围识别方法 | |
JP2002008183A (ja) | 交通制御されたネットワークノードを含む交通網に対する、報告車両データに基づく交通状況決定方法 | |
CN102568194B (zh) | 一种城市道路交通拥堵持续时间和空间扩散预测方法 | |
CN102346964A (zh) | 道路交通网络区域拥堵实时预测与智能管理*** | |
CN111915887A (zh) | 一种基于多源异构交通数据的集成与处理***及其方法 | |
CN111161537B (zh) | 考虑拥堵叠加效应的公路拥堵态势预测方法 | |
WO2022166239A1 (zh) | 一种车辆行驶方案的规划方法、装置和存储介质 | |
He et al. | PAMSCOD: Platoon-based arterial multi-modal signal control with online data | |
Oh et al. | Real-time inductive-signature-based level of service for signalized intersections | |
CN111882858B (zh) | 一种基于多源数据的高速公路异常事件排队长度预测方法 | |
CN106297296B (zh) | 一种基于稀疏轨迹点数据的细粒度旅行时间分配方法 | |
CN105654720A (zh) | 基于城市道路拥堵识别的检测器布设方法 | |
CN110766940A (zh) | 道路信号交叉口运行状况评估方法 | |
CN112862204A (zh) | 一种路径规划方法、***、计算机设备及可读存储介质 | |
Kumar et al. | Study on road traffic congestion: A review | |
Glushkov et al. | Analysis of the intersection throughput at changes in the traffic flow structure | |
CN112785859B (zh) | 一种城市区域信号灯统一配时控制***及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |