CN112767687B - 一种基于通勤路径选择行为分析的路口拥堵预测方法 - Google Patents
一种基于通勤路径选择行为分析的路口拥堵预测方法 Download PDFInfo
- Publication number
- CN112767687B CN112767687B CN202011550769.2A CN202011550769A CN112767687B CN 112767687 B CN112767687 B CN 112767687B CN 202011550769 A CN202011550769 A CN 202011550769A CN 112767687 B CN112767687 B CN 112767687B
- Authority
- CN
- China
- Prior art keywords
- intersection
- congestion
- path
- traffic
- flow
- 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
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
一种基于通勤路径选择行为分析的路口拥堵预测方法,首先在选定的区域内,通过指定的起讫点作为目标分析范围,确立关注的通勤路径。其次提取目标分析范围内各通勤路径的交通流量总量与单位区间流量。再次,通过关联时间周期内的路口拥堵状态发生,形成路口、单条通勤路径流量占比和全分析范围内流量总量的复合分析矩阵。对预设拥堵阈值进行分析,确定最大可能拥堵触发流量总量分段阈值区间,对路径流量进行比例分析,确定最大可能拥堵触发路径流量比例分段阈值区间,对路口拥堵可能发生性进行预测。本发明不仅可对各通勤路径流量有明确的量化掌握,更可以通过拥堵的***,指导预置警力的部署与调度,更科学化的开展交通管理工作。
Description
技术领域
本发明涉及的是智能交通和数据挖掘领域,特别涉及一种基于通勤路径选择行为分析的路口拥堵预测方法。
背景技术
随着经济的高速发展,如今城市的机动车保有量逐年增加,交通流量迅猛增长,发生道路拥堵状况的频率也日渐提高,由其在日常交通通勤时段最为密集集中。集中的高峰短时交通通勤需求,对城市道路交通管理带来极大的爆发性压力。传统的通过投放大量警力预置路口点岗、重点道路巡逻等的人工勤务模式,往往存在拥堵先发生、人员后发现的被动情况,导致拥堵疏导人工成本高、处置时效低。为了缓解既有道路的交通压力,满足城市发展需求,新建或扩建道路成为了解决问题的途径之一,但中心城区存在可用空间少、建设难度大的问题。同时,新建或扩建道路也会增加通勤路径的选择的多样性,在一定程度上会进一步提升路径复杂度和管控需求,增加管控治理难度。
近年来,交通管理机构持续加强信息化建设投入,不断建设丰富外场设施设备,包括视频监控、高清卡口、电子警察、流量检测器等,为车辆的信息数据采集提供了更为全面的渠道。同时,随着大数据AI处理能力的不断提升,基于大范围车辆采集数据的智能交通应用快速发展,通过数据挖掘研判提供预测指标,为交通管理提供决策辅助支撑,从事后处置向事前预防的转变具有重要的意义和实现价值。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于通勤路径选择行为分析的路口拥堵预测方法。
为了解决上述技术问题,本申请实施例公开了如下技术方案:
一种基于通勤路径选择行为分析的路口拥堵预测方法,包括:
S100.选择待分析的目标区域及起讫点范围;
S200.获取区域通行路口数据组,判断待分析路口通行数据是否满足区域通行路口数据组;
S300.当待分析路口通行数据满足区域通行路口数据组时,判断待分析路口通行数据是否有不可行路口;
S400.当待分析路口通行数据没有不可行路口时,得到待分析的目标区域起讫点可行路径,根据起讫点可行路径,判断是否有不可行路径;
S500.当起讫点可行路径没有不可行路径时,得到最终的可行路径数据集;
S600.提取待分析区域起讫点各通行路径流量、路口拥堵数据,判断待分析区域起讫点各通行路径流量、路口拥堵数据是否满足起讫点各通行路径流量及拥堵数量预设要求;
S700.当待分析区域起讫点各通行路径流量、路口拥堵数据满足起讫点各通行路径流量及拥堵数量最低要求时,生成拥堵路口、路径单位时间流量占比关联性矩阵;
S800.对预设拥堵阈值进行分析,确定最大可能拥堵触发流量总量分段阈值区间;
S900.对路径流量进行比例分析,确定最大可能拥堵触发路径流量比例分段阈值区间;
S1000.基于最大可能拥堵触发流量总量阈值、最大可能拥堵触发路径流量比例阈值和实时各路径流量,对路口拥堵发生进行预测。
进一步地,S300中,当待分析路口通行数据不满足区域通行路口数据组时,可通过人工增、删等进行编辑操作,并重新生成进入区域通行路口数据组。
进一步地,S400中,当待分析路口通行数据有不可行路口时,对不可行路口数据进行清理,并进行标注,重新得到待分析的目标区域起讫点可行路径。
进一步地,S500中,当起讫点可行路径有不可行路径时,对不可行路径进行清洗,重新得到最终的可行路径数据集。
进一步地,S600中,以分为时间区间单位,以天为时间周期,提取目标分析范围内各通勤路径的交通流量总量与单位区间流量,发生拥堵路口数据。
进一步地,S600中,当待分析区域起讫点各通行路径流量、路口拥堵数据不能满足起讫点各通行路径流量及拥堵数量预设要求时,可通过延长时间区间或时间周期进行数据重新采样,重新获取待分析区域起讫点各通行路径流量、路口拥堵数据。
进一步地,S800具体方法为:
S801.对单个路口拥堵发生时的路径流量总量进行平均值计算:
S802.对剔除过小及过大的偶发特例数据,得到路口拥堵发生时的流量总量阈值区间;
S803.进行阈值分段,得到总量阈值内分段阈值区间,分段区间越窄越密预测准确度高。
进一步地,S900具体方法为:
S901.对单个路口拥堵发生时各路径流量所占比例进计算;
S902.依据拥堵发生时路径流量总量与总量阈值区间分段,进行分段数据分布,得到总量阈值区间不同分段内的比例阈值区间。
本发明实施例提供的上述技术方案的有益效果至少包括:
本发明公开的一种基于通勤路径选择行为分析的路口拥堵预测方法,对高峰通勤拥堵疏导与防治具有重要意义,使用本发明方法,交通管理部门不仅可对各通勤路径流量有明确的量化掌握,更可以通过拥堵的***,指导预置警力的部署与调度,更科学化的开展交通管理工作。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例1中,一种基于通勤路径选择行为分析的路口拥堵预测方法的流程图;
图2为本发明实施例1中,一种基于通勤路径选择行为分析的路口拥堵预测方法逻辑示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
为了解决现有技术中存在的问题,本发明实施例提供一种基于通勤路径选择行为分析的路口拥堵预测方法。
实施例1
本实施例公开了一种基于通勤路径选择行为分析的路口拥堵预测方法,如图1,包括:
S100.选择待分析的目标区域及起讫点范围;本实施例中,合理的选择目标区及起讫点(如区域覆盖明显的通勤起讫点),可以有效提高分析及预测准确度。
S200.获取区域通行路口数据组,判断待分析路口通行数据是否满足区域通行路口数据组。
S300.当待分析路口通行数据满足区域通行路口数据组时,判断待分析路口通行数据是否有不可行路口。
在一些优选实施例中,如图2,当待分析路口通行数据不满足区域通行路口数据组时,如实际交通管理应用时:某些非关键路口不在分析范围可忽略、某些特定路口未自动生成等情况时,可通过人工增、删等进行编辑操作,并重新生成进入区域通行路口数据组。
S400.当待分析路口通行数据没有不可行路口时,得到待分析的目标区域起讫点可行路径,根据起讫点可行路径,判断是否有不可行路径。
优选的,当待分析路口通行数据有不可行路口时,如实际交通管理工作时,对某些路口做了限行、特定路口之间禁止通行(如禁止左转)等限定时,对不可行路口数据进行清理,并进行标注,重新得到待分析的目标区域起讫点可行路径。优选的,清洗的数据还可以进行存储,用于之后的机器学习数据库。
S500.当起讫点可行路径没有不可行路径时,得到最终的可行路径数据集;当起讫点可行路径有不可行路径时,对不可行路径进行清洗,重新得到最终的可行路径数据集。优选的,清洗的数据还可以进行存储,用于之后的机器学习数据库。
S600.提取待分析区域起讫点各通行路径流量、路口拥堵数据,判断待分析区域起讫点各通行路径流量、路口拥堵数据是否满足起讫点各通行路径流量及拥堵数量预设要求。
优选的,本实施例中,以分为时间区间单位,以天为时间周期,提取目标分析范围内各通勤路径的交通流量总量与单位区间流量,发生拥堵路口数据。当待分析区域起讫点各通行路径流量、路口拥堵数据不能满足起讫点各通行路径流量及拥堵数量预设要求时,可通过延长时间区间或时间周期进行数据重新采样,重新获取待分析区域起讫点各通行路径流量、路口拥堵数据。
S700.当待分析区域起讫点各通行路径流量、路口拥堵数据满足起讫点各通行路径流量及拥堵数量最低要求时,生成拥堵路口、路径单位时间流量占比关联性矩阵。
优选的,本实施例中,以拥堵路口为Y轴,目标分析全路径流量总量、单路径流量占比为X轴,生成目标范围拥堵路口与关联性二维矩阵。
S800.对预设拥堵阈值进行分析,确定最大可能拥堵触发流量总量分段阈值区间。
哟选的,S800具体方法为:
S801.对单个路口拥堵发生时的路径流量总量进行平均值计算x:
其中,x1,x2.,。。。。,,xn表示单个路口n个时间段内流量。
S802.对剔除过小及过大的偶发特例数据,得到路口拥堵发生时的流量总量阈值区间Ts-Tb;
S803.进行阈值分段,得到总量阈值内分段阈值区间Ts1-Tb1,…,Tsn-Tbn,分段区间越窄越密预测准确度高。
S900.对路径流量进行比例分析,确定最大可能拥堵触发路径流量比例分段阈值区间。
优选的,S900具体方法为:
S901.对单个路口拥堵发生时各路径流量所占比例进计算;计算公式为:
Psn=sn/xn
其中,sn为单个路口路径流量,xn为整个区域路径流量。
S902.依据拥堵发生时路径流量总量与总量阈值区间分段,进行分段数据分布,得到总量阈值区间不同分段内的比例阈值区间Ps1-Pb1,…,Psn-Pbn。S1000.基于最大可能拥堵触发流量总量阈值、最大可能拥堵触发路径流量比例阈值和实时各路径流量,对路口拥堵发生进行预测。
本发明公开的一种基于通勤路径选择行为分析的路口拥堵预测方法,首先在选定的区域内,通过指定的起讫点作为目标分析范围,通过对区域内的有效路口、可通行路径进行自动分析与人工筛选,确立关注的通勤路径。其次以分为时间区间单位,以天为时间周期,提取目标分析范围内各通勤路径的交通流量总量与单位区间流量。再次,通过关联时间周期内的路口拥堵状态发生,形成路口、单条通勤路径流量占比、全分析范围内流量总量的复合分析矩阵。基于以上数据支持,对预设拥堵阈值进行分析,确定最大可能拥堵触发流量总量分段阈值区间,对路径流量进行比例分析,确定最大可能拥堵触发路径流量比例分段阈值区间,可推导出在不同流量总量下,不同通勤路径流量占比与路口发生拥堵的关联成因,从而实时对路口拥堵可能发生性提供预测能力。使用本发明方法,交通管理部门不仅可对各通勤路径流量有明确的量化掌握,更可以通过拥堵的***,指导预置警力的部署与调度,更科学化的开展交通管理工作。
应该明白,公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好,应该理解,过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素,并且不是要限于所述的特定顺序或层次。
在上述的详细描述中,各种特征一起组合在单个的实施方案中,以简化本公开。不应该将这种公开方法解释为反映了这样的意图,即,所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反,如所附的权利要求书所反映的那样,本发明处于比所公开的单个实施方案的全部特征少的状态。因此,所附的权利要求书特此清楚地被并入详细描述中,其中每项权利要求独自作为本发明单独的优选实施方案。
本领域技术人员还应当理解,结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性,上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件,取决于特定的应用和对整个***所施加的设计约束条件。熟练的技术人员可以针对每个特定应用,以变通的方式实现所描述的功能,但是,这种实现决策不应解释为背离本公开的保护范围。
结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该ASIC可以位于用户终端中。当然,处理器和存储介质也可以作为分立组件存在于用户终端中。
对于软件实现,本申请中描述的技术可用执行本申请所述功能的模块(例如,过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内,也可以实现在处理器外,在后一种情况下,它经由各种手段以通信方式耦合到处理器,这些都是本领域中所公知的。
上文的描述包括一个或多个实施例的举例。当然,为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的,但是本领域普通技术人员应该认识到,各个实施例可以做进一步的组合和排列。因此,本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外,就说明书或权利要求书中使用的术语“包含”,该词的涵盖方式类似于术语“包括”,就如同“包括,”在权利要求中用作衔接词所解释的那样。此外,使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
Claims (7)
1.一种基于通勤路径选择行为分析的路口拥堵预测方法,其特征在于,包括:
S100.选择待分析的目标区域及起讫点范围;
S200.获取区域通行路口数据组,判断待分析路口通行数据是否满足区域通行路口数据组;
S300.当待分析路口通行数据满足区域通行路口数据组时,判断待分析路口通行数据是否有不可行路口;
S400.当待分析路口通行数据没有不可行路口时,得到待分析的目标区域起讫点可行路径,根据起讫点可行路径,判断是否有不可行路径;
S500.当起讫点可行路径没有不可行路径时,得到最终的可行路径数据集;
S600.提取待分析区域起讫点各通行路径流量、路口拥堵数据,判断待分析区域起讫点各通行路径流量、路口拥堵数据是否满足起讫点各通行路径流量及拥堵数量预设要求;
S700.当待分析区域起讫点各通行路径流量、路口拥堵数据满足起讫点各通行路径流量及拥堵数量最低要求时,生成拥堵路口、路径单位时间流量占比关联性矩阵;
S800.对预设拥堵阈值进行分析,确定最大可能拥堵触发流量总量分段阈值区间;S800具体方法为:
S801.对单个路口拥堵发生时的路径流量总量进行平均值计算;
S802.对剔除过小及过大的偶发特例数据,得到路口拥堵发生时的流量总量阈值区间;
S803.进行阈值分段,得到总量阈值内分段阈值区间,分段区间越窄越密预测准确度高;
S900.对路径流量进行比例分析,确定最大可能拥堵触发路径流量比例分段阈值区间;
S900具体方法为:
S901.对单个路口拥堵发生时各路径流量所占比例进计算;
S902.依据拥堵发生时路径流量总量与总量阈值区间分段,进行分段数据分布,得到总量阈值区间不同分段内的比例阈值区间;
S1000.基于最大可能拥堵触发流量总量阈值、最大可能拥堵触发路径流量比例阈值和实时各路径流量,对路口拥堵发生进行预测。
2.如权利要求1的一种基于通勤路径选择行为分析的路口拥堵预测方法,其特征在于,S300中,当待分析路口通行数据不满足区域通行路口数据组时,可通过人工增、删进行编辑操作,并重新生成进入区域通行路口数据组。
3.如权利要求1的一种基于通勤路径选择行为分析的路口拥堵预测方法,其特征在于,S400中,当待分析路口通行数据有不可行路口时,对不可行路口数据进行清理,并进行标注,重新得到待分析的目标区域起讫点可行路径。
4.如权利要求1的一种基于通勤路径选择行为分析的路口拥堵预测方法,其特征在于,S500中,当起讫点可行路径有不可行路径时,对不可行路径进行清洗,重新得到最终的可行路径数据集。
5.如权利要求1的一种基于通勤路径选择行为分析的路口拥堵预测方法,其特征在于,S600中,以分为时间区间单位,以天为时间周期,提取目标分析范围内各通勤路径的交通流量总量与单位区间流量,发生拥堵路口数据。
6.如权利要求1的一种基于通勤路径选择行为分析的路口拥堵预测方法,其特征在于,S600中,当待分析区域起讫点各通行路径流量、路口拥堵数据不能满足起讫点各通行路径流量及拥堵数量预设要求时,可通过延长时间区间或时间周期进行数据重新采样,重新获取待分析区域起讫点各通行路径流量、路口拥堵数据。
7.如权利要求1的一种基于通勤路径选择行为分析的路口拥堵预测方法,其特征在于,S700中,以拥堵路口为Y轴,目标分析全路径流量总量、单路径流量占比为X轴,生成目标范围拥堵路口与关联性二维矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011550769.2A CN112767687B (zh) | 2020-12-24 | 2020-12-24 | 一种基于通勤路径选择行为分析的路口拥堵预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011550769.2A CN112767687B (zh) | 2020-12-24 | 2020-12-24 | 一种基于通勤路径选择行为分析的路口拥堵预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112767687A CN112767687A (zh) | 2021-05-07 |
CN112767687B true CN112767687B (zh) | 2023-05-30 |
Family
ID=75695545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011550769.2A Active CN112767687B (zh) | 2020-12-24 | 2020-12-24 | 一种基于通勤路径选择行为分析的路口拥堵预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112767687B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI777620B (zh) * | 2021-06-17 | 2022-09-11 | 訊力科技股份有限公司 | 自動化交通轉向量化調查報告產出系統及其方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4539666B2 (ja) * | 2007-03-19 | 2010-09-08 | アイシン・エィ・ダブリュ株式会社 | 渋滞状況演算システム |
JP5909401B2 (ja) * | 2012-04-04 | 2016-04-26 | 本田技研工業株式会社 | 渋滞予測方法 |
CN103700265B (zh) * | 2013-12-16 | 2016-01-06 | 青岛海信网络科技股份有限公司 | 基于出行起点与终点获取路网流量信息的方法 |
JP5906278B2 (ja) * | 2014-06-02 | 2016-04-20 | 西日本電信電話株式会社 | 情報送信装置、情報送信方法及びコンピュータプログラム |
GB201601296D0 (en) * | 2016-01-25 | 2016-03-09 | Tomtom Traffic Bv | Methods and systems for generating expected speeds of travel |
CN106408943A (zh) * | 2016-11-17 | 2017-02-15 | 华南理工大学 | 一种基于宏观基本图的路网交通拥堵甄别方法 |
CN107993438A (zh) * | 2017-12-08 | 2018-05-04 | 上海云砥信息科技有限公司 | 一种高速公路瓶颈路段拥堵预警方法 |
CN110222950B (zh) * | 2019-05-16 | 2021-05-11 | 北京航空航天大学 | 一种城市交通的健康指标体系及评估方法 |
CN110047292A (zh) * | 2019-05-29 | 2019-07-23 | 招商局重庆交通科研设计院有限公司 | 道路路段拥堵预警方法 |
CN110489799B (zh) * | 2019-07-18 | 2022-08-16 | 讯飞智元信息科技有限公司 | 交通拥堵仿真处理方法及相关装置 |
CN111260522B (zh) * | 2019-11-22 | 2023-10-27 | 浙江中控信息产业股份有限公司 | 基于大数据的车辆出行特征可视化分析*** |
-
2020
- 2020-12-24 CN CN202011550769.2A patent/CN112767687B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112767687A (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1628274B1 (de) | Verfahren und System zum Ermitteln von Verkehrsinformationen und zum Steuern des Verkehrs | |
JP4796167B2 (ja) | イベント判断装置 | |
CN109118771B (zh) | 一种城市交通常发性拥堵特征确定的方法及装置 | |
EP0670066A1 (en) | Prediction method of traffic parameters | |
WO2013113588A1 (de) | Verfahren zur bereitstellung von parkinformationen zu freien parkplätzen | |
CN112614338A (zh) | 一种基于大数据的交通拥堵预测控制*** | |
JP5398522B2 (ja) | 道路交通管制支援情報作成システム | |
CN110889444B (zh) | 一种基于卷积神经网络的驾驶轨迹特征分类方法 | |
Zhang et al. | Signalized intersection level of service incorporating safety risk | |
CN112767687B (zh) | 一种基于通勤路径选择行为分析的路口拥堵预测方法 | |
CN113808401A (zh) | 交通拥堵预测方法、装置、设备及存储介质 | |
CN109493606B (zh) | 一种高速公路上违停车辆的识别方法及*** | |
Flannery et al. | Safety, delay, and capacity of single-lane roundabouts in the United States | |
CN110766940A (zh) | 道路信号交叉口运行状况评估方法 | |
CN113868492A (zh) | 一种基于电警、卡口数据的可视化od分析方法及应用 | |
Rahman et al. | Performance evaluation of median U-turn intersection for alleviating traffic congestion: an agent-based simulation study | |
CN114360264A (zh) | 一种基于交通流量进行调节的智慧城市交通管理方法 | |
CN109740823A (zh) | 一种面向实时场景计算的出租车打车决策方法及*** | |
DE102018201787A1 (de) | Verfahren und System zum Optimieren und Vorhersagen einer Verkehrssituation | |
Lu et al. | Operational evaluation of right turns followed by U-turns as an alternative to direct left turns | |
Lu et al. | Safety evaluation of right turns followed by U-turns as an alternative to direct left turns: crash data analysis, Vol. 1 | |
CP et al. | Performance prediction model for urban dual carriageway using travel time-based indices | |
Harsha et al. | Impact of Side Friction on Travel Time Reliability of Urban Public Transit | |
DE10334140A1 (de) | Verfahren und System zur Ermittlung von Verkehrsdaten | |
CN111640303A (zh) | 城市通勤路径识别方法及设备 |
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 |