CN113327421A - 一种基于v2x路网控制方法及*** - Google Patents

一种基于v2x路网控制方法及*** Download PDF

Info

Publication number
CN113327421A
CN113327421A CN202110626426.8A CN202110626426A CN113327421A CN 113327421 A CN113327421 A CN 113327421A CN 202110626426 A CN202110626426 A CN 202110626426A CN 113327421 A CN113327421 A CN 113327421A
Authority
CN
China
Prior art keywords
traffic
vehicle
road
time
simulation
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
Application number
CN202110626426.8A
Other languages
English (en)
Other versions
CN113327421B (zh
Inventor
雷伟
李春杰
潘秀
王斌
王庆远
闫涛
吕璇
张炳哲
侯晓青
王亚世
韩明敏
王喜刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
HEBEI PROVINCIAL COMMUNICATIONS PLANNING AND DESIGN INSTITUTE
Original Assignee
HEBEI PROVINCIAL COMMUNICATIONS PLANNING AND DESIGN INSTITUTE
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by HEBEI PROVINCIAL COMMUNICATIONS PLANNING AND DESIGN INSTITUTE filed Critical HEBEI PROVINCIAL COMMUNICATIONS PLANNING AND DESIGN INSTITUTE
Priority to CN202110626426.8A priority Critical patent/CN113327421B/zh
Publication of CN113327421A publication Critical patent/CN113327421A/zh
Application granted granted Critical
Publication of CN113327421B publication Critical patent/CN113327421B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种基于V2X路网控制方法及***，其方法包括：基于V2X路网控制技术获取实时交通状态感知数据，同时，基于交通仿真获取交通流运行状态预测数据；形成交通管控模型策略；基于交通管控模型策略对道路交通实施及时模拟和短期预测；根据所述模拟结果以及所述预测结果生成实时优化协同控制方案；根据实时交通感知数据对实时优化协同控制方案形成反馈，并根据反馈结果获取各道路断面最优交通运行状态以及智能网联车辆行为的优化模式；根据各道路断面最优交通运行状态以及智能网联车辆行为的优化模式实现对V2X路网控制。实现车辆行驶间行为协同和优化，达到提升交通流运行效率和交通安全的目的。

Description

一种基于V2X路网控制方法及***
技术领域
本发明涉及路网控制技术技术领域，特别涉及一种基于V2X路网控制方法及***。
背景技术
目前，车路协同控制是一种基于道路管控的新型控制方式，可以实现通过获取道路交通状态，实现各交通短路面最优交通运行状态以及智能网联车辆行为优化模式；
然而，现如今缺乏对车路协同控制后无法生成最优交通运行状态以及智能网联车辆行为优化模式，从而无法实现车辆行为协同和优化，以达到提升交通流运行效率和交通安全的目的，因此，本发明提出了一种基于V2X路网控制方法及***。
发明内容
本发明提供一种基于V2X路网控制方法及***，用以实现车辆行驶间行为协同和优化，达到提升交通流运行效率和交通安全的目的。
本发明提供了一种基于V2X路网控制方法，包括：
步骤1：基于V2X路网控制技术获取实时交通状态感知数据，同时，基于交通仿真获取交通流运行状态预测数据；
步骤2：根据所述实时交通状态感知数据以及所述交通流运行状态预测数据形成交通管控模型策略；
步骤3：基于所述交通管控模型策略对道路交通实施及时模拟和短期预测，并获取模拟结果以及预测结果；
步骤4：根据所述模拟结果以及所述预测结果生成实时优化协同控制方案；
步骤5：根据所述实时交通感知数据对所述实时优化协同控制方案形成反馈，并根据反馈结果获取各道路断面最优交通运行状态以及智能网联车辆行为的优化模式；
步骤6：根据所述各道路断面最优交通运行状态以及所述智能网联车辆行为的优化模式实现对V2X路网控制。
优选的，一种基于V2X路网控制方法，步骤1中，基于交通仿真获取交通流运行状态预测数据的工作过程，包括：
获取所述交通仿真的仿真模拟道路，并基于所述仿真模拟道路，确定第一仿真车辆所处的区域；
同时，获取所述第一仿真车辆的车辆行为；
基于所述第一仿真车辆的车辆行为以及所述第一仿真车辆所处区域构建二维几何模拟结构；
根据所述二维几何模拟结构，获取所述第一仿真车辆的车辆行为，同时，获取所述第一仿真车辆的车辆行为的活动范围；
在所述活动范围内，判断是否有第二仿真车辆，则根据所述第一仿真车辆的车辆行为获取第一运行状态预测数据；
否则，基于所述二维集合模拟结构，并根据所述第一仿真车辆与第二仿真车辆获取信息车辆集；
同时，获取所述信息车辆集的综合车辆行为，并根据所述综合车辆行为获取第二运行状态预测参数。
优选的，一种基于V2X路网控制方法，确定所述第一仿真车辆所处的区域的工作过程，包括：
判断所述第一仿真车辆的位置是否处于预设路口的范围内；
若所述第一仿真车辆的位置处于预设路口范围内，则所述第一车辆所处的区域为道路协同区域内；
否则，所述第一车辆所处的区域为道路队列区域内。
优选的，一种基于V2X路网控制方法，步骤2中，根据所述实时交通状态感知数据以及所述交通流运行状态预测数据形成交通管控模型策略的具体过程，包括：
基于所述实时交通状态感知数据获取当前交通的实时交通密度；
同时，根据所述交通流运行状态预测数据获取当前交通的预测交通密度；
将当前所述实时交通密度与所述预测交通密度进行比较，判断所述交通管控状态；
当所述实时交通密度大于所述预测交通密度时，则判定所述交通管控状态为差，同时，在预设交通管控协议库中匹配第一交通管控协议；
当所述实时交通密度等于所述预测交通密度时，则判定所述交通管控状态为良，同时，在所述预设交通管控协议库中匹配第二交通管控协议；
当所述实时交通密度小于所述预测交通密度时，则判定所述交通管控状态为优，同时，在所述预设交通管控协议库中匹配第三交通管控协议；
基于所述第一交通管控协议、第二交通管控协议以及所述第三交通管控协议生成交通管控模型策略。
优选的，一种基于V2X路网控制方法，步骤3中，基于所述交通管控模型策略对道路交通实施及时模拟和短期预测，并获取模拟结果以及预测结果，包括：
构建车辆行驶轨迹模拟方程，并基于目标路段的历史训练数据对所述车辆行驶轨迹模拟方程进行模拟训练验证，得到车辆在所述目标路段上的车辆行驶轨迹；
其中，所述历史训练数据为不同行驶轨迹类型对应的行驶数据；
当目标车辆观测到所述目标路段上预设置的交通标识位置时，获取所述目标车辆的观测距离以及观测角度；
基于所述车辆行驶轨迹模拟方程，将所述目标车辆的观测距离以及观测角度代入计算，预测得到所述目标车辆在所述目标路段上的具***置信息；
其中，所述目标车辆为所述目标路段上的多个车辆；
基于所述目标车辆在所述目标路段上的具***置信息，预测所述目标路段交通流的行驶速度以及所述目标路段交通流的交通量；
确定所述目标路段交通流的行驶速度与目标车辆通过所述目标路段的行驶时间之间的速度-时间关系，并基于所述速度-时间关系确定所述目标路段时间占有率与空间占有率的关系；
基于所述目标路段时间占有率与空间占有率的关系得到所述目标路段路网长度计算模型；
将所述目标路段交通流的交通量输入至所述目标路段路网长度计算模型，预测得到所述目标路段上当前车辆长度信息；
基于所述交通管控模型策略控制管控平台记录并分析所述当前车辆长度信息，得到所述目标路段当前路况对应的管控信息，并将所述管控信息通过无线方式发送至所述目标路段上的各个车辆；
其中，所述管控信息包括所述目标路段上的车辆行驶路线、限行限速指令、临时交通管制指令以及控制交通信号灯不同指示状态的间隔时长；
记录通过所述交通管控模型策略管控道路交通后，所述目标路段摆脱当前路况所用的时间长度；
将所述时间长度与预设时间长度进行比较；
若所述时间长度小于或等于所述预设时间长度，完成对所述道路交通实施及时模拟和短期预测；
否则，基于所述交通管控模型策略重新对所述目标路段的当前路况进行管控，直至所述时间长度小于或等于所述预设时间长度。
优选的，一种基于V2X路网控制方法，得到所述目标路段当前路况对应的管控信息，还包括：
获取所述管控信息对所述目标路段当前路况的第一影响范围，得到所述管控信息对应的评价指标；
同时，获取所述目标路段上当前车辆长度信息，并通过预设规则预测在无所述管控信息条件下，所述目标路段当前路况信息的运行状态演变情况，并确定所述运行状态演变情况对所述目标路段造成的第二影响范围，得到所述管控信息对应的对比评价指标；
将所述评价指标与所述对比评价指标进行作差计算，得到目标差值；
若所述目标差值大于或等于预设差值，判定所述管控信息达到目标管控效率；
否则，判定所述管控信息未达到目标管控效率。
优选的，一种基于V2X路网控制方法，步骤4中，根据所述模拟结果以及所述预测结果生成实时优化协同控制方案的具体工作过程，包括：
获取所述模拟结果所对应的模拟熵，同时，提取所述预测结果所对应的预测熵；
根据所述模拟熵与所述预测熵计算道路交通优化控制综合系数；
Figure BDA0003102226930000051
其中，K表示所述道路交通优化控制综合系数；δ表示优化系数，且所述优化系数的取值范围为(0.3，0.6)；S1表示所述模拟结果所对应的模拟熵；S2表示所述预测结果所对应的预测熵；μ表示协同因子，且取值范围为(0.21，0.22)；w表示交通维度，一般取值为3；t表示预设时间段的时间长度；
将所述道路交通优化控制综合系数在预设神经卷积网路中进行优化协同训练，并基于训练结果生成实时优化协同控制模型；
从所述实时优化协同控制模型中获取潜在的优化协同控制方案，其中，所述潜在的优化协同控制方案的方案数大于1；
基于所述潜在的优化协同控制方案，对道路交通进行实时模拟交通演练，并基于实时模拟交通演练结果分别对所述潜在的优化协同控制方案进行评分；
将评分最高的作为实时优化协同控制方案。
优选的，一种基于V2X路网控制方法，步骤5中，根据所述实时交通感知数据对所述实时优化协同控制方案形成反馈，并根据反馈结果获取各道路断面最优交通运行状态以及智能网联车辆行为的优化模式的，包括：
获取所述实时交通感知数据的道路实况综合值，并根据所述道路实况综合值对所述实时优化协同控制方案形成反馈；
获取反馈结果所对应的交通运行反馈系数以及智能网联行为反馈系数；
基于所述交通运行反馈系数计算道路断面交通运行综合值；
Figure BDA0003102226930000061
其中，Z表示所述道路断面交通运行综合值；ξ1表示所述交通运行反馈系数，且取值范围为(0.45，0.48)；τ表示道路断面的地形状态系数，且取值范围为(1，2)；d表示所述道路实况综合值，且取值范围为(0.5，1)；λ表示道路断面上车辆间的稀疏程度值，且取值范围为(0，1)；a表示道路断面的车辆个数；
将所述道路断面交通运行综合值进行解析，并将所述解析结果与预设道路交通运行状态库中进行关联映射；
基于映射结果，获取所述各道路断面最优交通运行状态；
同时，基于所述智能网联行为反馈系数计算智能网联车辆行为动态值；
Figure BDA0003102226930000062
其中，X表示所述智能网联车辆行为动态值；ξ2表示所述智能网联行为反馈系数，且取值范围为(0.46，0.49)；v表示智能网联车辆行驶速度；a表示智能网联车辆的平均加速度；T表示智能网联车辆在预设段道路断面的实际行驶时间；T′表示智能网联车辆在预设段道路断面的平均行驶时间；y表示智能网联车辆行为对道路交通的影响率，且取值范围为(0.5，0.9)；
将所述智能网联车辆行为动态值在预设智能网联车辆行为动态对照表中进行对照匹配；
基于匹配结果，获取所述智能网联车辆行为在所述预设智能网联车辆对照表中的匹配位置；
根据所述匹配位置，读取所述智能网联车辆行为的优化模式。
优选的，一种基于V2X路网控制***，包括：
数据获取模块，用于基于V2X路网控制技术获取实时交通状态感知数据，同时，基于交通仿真获取交通流运行状态预测数据；
策略制定模块，用于根据所述实时交通状态感知数据以及所述交通流运行状态预测数据形成交通管控模型策略；
策略实施模块，用于基于所述交通管控模型策略对道路交通实施及时模拟和短期预测，并获取模拟结果以及预测结果；
优化协同模块，用于根据所述模拟结果以及所述预测结果生成实时优化协同控制方案；
反馈模块，用于根据所述实时交通感知数据对所述实时优化协同控制方案形成反馈，并根据反馈结果获取各道路断面最优交通运行状态以及智能网联车辆行为的优化模式；
控制模块，用于根据所述各道路断面最优交通运行状态以及所述智能网联车辆行为的优化模式实现对V2X路网控制。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
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为本发明实施例中一种基于V2X路网控制方法的流程图；
图2为本发明实施例中一种基于V2X路网控制***的结构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1：
本实施例提供了一种基于V2X路网控制方法，如图1所示，包括：
步骤1：基于V2X路网控制技术获取实时交通状态感知数据，同时，基于交通仿真获取交通流运行状态预测数据；
步骤2：根据所述实时交通状态感知数据以及所述交通流运行状态预测数据形成交通管控模型策略；
步骤3：基于所述交通管控模型策略对道路交通实施及时模拟和短期预测，并获取模拟结果以及预测结果；
步骤4：根据所述模拟结果以及所述预测结果生成实时优化协同控制方案；
步骤5：根据所述实时交通感知数据对所述实时优化协同控制方案形成反馈，并根据反馈结果获取各道路断面最优交通运行状态以及智能网联车辆行为的优化模式；
步骤6：根据所述各道路断面最优交通运行状态以及所述智能网联车辆行为的优化模式实现对V2X路网控制。
该实施例中，实时交通状态感知数据指的是道路上车辆的数量以及当前道路的路况信息。
该实施例中，交通流运行状态预测数据指的是通过交通仿真后得到的了道路上交通流的运行速度、交通量等，是预测得到的。
该实施例中，交通管控模型策略指的是用于管控道路上的车辆，以避免或缓解道路上的车辆拥挤情况。
该实施例中，协同控制方案指的是根据策略生成的具体，可实际执行的管控方式。
上述技术方案的有益效果是：通过获取交通状态感知数据以及交通流运行状态预测数据，制定相应的道路管控方案，实现车辆行驶间行为协同和优化，达到提升交通流运行效率和交通安全的目的。
实施例2：
在上述实施例1的基础上，本实施例提供了一种基于V2X路网控制方法，步骤1中，基于交通仿真获取交通流运行状态预测数据的工作过程，包括：
获取所述交通仿真的仿真模拟道路，并基于所述仿真模拟道路，确定第一仿真车辆所处的区域；
同时，获取所述第一仿真车辆的车辆行为；
基于所述第一仿真车辆的车辆行为以及所述第一仿真车辆所处区域构建二维几何模拟结构；
根据所述二维集合模拟结构，获取所述第一仿真车辆的车辆行为，同时，获取所述第一仿真车辆的车辆行为的活动范围；
在所述活动范围内，判断是否有第二仿真车辆，则根据所述第一仿真车辆的车辆行为获取第一运行状态预测数据；
否则，基于所述二维几何模拟结构，并根据所述第一仿真车辆与第二仿真车辆获取信息车辆集；
同时，获取所述信息车辆集的综合车辆行为，并根据所述综合车辆行为获取第二运行状态预测参数。
该实施例中，仿真模拟道路是模拟出来的，并不是实际道路，用来获取交通流运行状态预测数据。
该实施例中，车辆行为指的是车辆行驶或停止、亦或是管弯等。
该实施例中，第一运行状态预测数据指的是第一仿真车辆在道路上对应的行驶信息。
该实施例中，信息车辆集包含多个车辆对应的车辆行驶信息。
该实施例中，综合车辆行为指的是多个车辆在道路上的直线行驶、或管弯行驶等对应的行为。
上述技术方案的有益效果是：通过建立仿真模拟道路对道路上的行驶车辆进行仿真演练，有利于准确获取交通流运行状态预测数据，提高了数据获取的准确性及科学性，为实现车辆行驶间行为协同和优化做了准备，从而达到提升交通流运行效率和交通安全的目的。
实施例3：
在上述实施例2的基础上，本实施例提供了一种基于V2X路网控制方法，确定所述第一仿真车辆所处的区域的工作过程，包括：
判断所述第一仿真车辆的位置是否处于预设路口的范围内；
若所述第一仿真车辆的位置处于预设路口范围内，则所述第一车辆所处的区域为道路协同区域内；
否则，所述第一车辆所处的区域为道路队列区域内。
该实施例中，预设路口的范围是提前确定的，用于判断第一仿真车辆的位置信息。
该实施例中，道路协同区域指的是需要对道路进行管控的道路区域，即该区域不能出现车辆拥挤等情况。
上述技术方案的有益效果是：通过确定第一仿真车辆是否处于预设路口的范围，从而便于准确判断是否需要对车辆进行管控，提高了获取交通流运行状态预测数据的准确性。
实施例4：
在上述实施例1的基础上，本实施例提供了一种基于V2X路网控制方法，步骤2中，根据所述实时交通状态感知数据以及所述交通流运行状态预测数据形成交通管控模型策略的具体过程，包括：
基于所述实时交通状态感知数据获取当前交通的实时交通密度；
同时，根据所述交通流运行状态预测数据获取当前交通的预测交通密度；
将当前所述实时交通密度与所述预测交通密度进行比较，判断所述交通管控状态；
当所述实时交通密度大于所述预测交通密度时，则判定所述交通管控状态为差，同时，在预设交通管控协议库中匹配第一交通管控协议；
当所述实时交通密度等于所述预测交通密度时，则判定所述交通管控状态为良，同时，在所述预设交通管控协议库中匹配第二交通管控协议；
当所述实时交通密度小于所述预测交通密度时，则判定所述交通管控状态为优，同时，在所述预设交通管控协议库中匹配第三交通管控协议；
基于所述第一交通管控协议、第二交通管控协议以及所述第三交通管控协议生成交通管控模型策略。
该实施例中，实时交通密度指的是道路上通行车辆的多少。
该实施例中，预测交通密度是根据交通流运行状态预测数据获取的，是预测的数据，并非实际数据，用于为制定交通管控模型策略提供依据。
上述技术方案的有益效果是：通过将实时交通密度与预设交通密度进行比较，从而选择相应的交通管控协议，从而实现对交通管控模型策略准确制定，从而实现车辆行驶间行为协同和优化，达到提升交通流运行效率和交通安全的目的。
实施例5：
在上述实施例1的基础上，本实施例提供了一种基于V2X路网控制方法，步骤3中，基于所述交通管控模型策略对道路交通实施及时模拟和短期预测，并获取模拟结果以及预测结果，包括：
构建车辆行驶轨迹模拟方程，并基于目标路段的历史训练数据对所述车辆行驶轨迹模拟方程进行模拟训练验证，得到车辆在所述目标路段上的车辆行驶轨迹；
其中，所述历史训练数据为不同行驶轨迹类型对应的行驶数据；
当目标车辆观测到所述目标路段上预设置的交通标识位置时，获取所述目标车辆的观测距离以及观测角度；
基于所述车辆行驶轨迹模拟方程，将所述目标车辆的观测距离以及观测角度代入计算，预测得到所述目标车辆在所述目标路段上的具***置信息；
其中，所述目标车辆为所述目标路段上的多个车辆；
基于所述目标车辆在所述目标路段上的具***置信息，预测所述目标路段交通流的行驶速度以及所述目标路段交通流的交通量；
确定所述目标路段交通流的行驶速度与目标车辆通过所述目标路段的行驶时间之间的速度-时间关系，并基于所述速度-时间关系确定所述目标路段时间占有率与空间占有率的关系；
基于所述目标路段时间占有率与空间占有率的关系得到所述目标路段路网长度计算模型；
将所述目标路段交通流的交通量输入至所述目标路段路网长度计算模型，预测得到所述目标路段上当前车辆长度信息；
基于所述交通管控模型策略控制管控平台记录并分析所述当前车辆长度信息，得到所述目标路段当前路况对应的管控信息，并将所述管控信息通过无线方式发送至所述目标路段上的各个车辆；
其中，所述管控信息包括所述目标路段上的车辆行驶路线、限行限速指令、临时交通管制指令以及控制交通信号灯不同指示状态的间隔时长；
记录通过所述交通管控模型策略管控道路交通后，所述目标路段摆脱当前路况所用的时间长度；
将所述时间长度与预设时间长度进行比较；
若所述时间长度小于或等于所述预设时间长度，完成对所述道路交通实施及时模拟和短期预测；
否则，基于所述交通管控模型策略重新对所述目标路段的当前路况进行管控，直至所述时间长度小于或等于所述预设时间长度。
该实施例中，目标路段指的是用于实施交通管控模型策略的路段，可以是一条路段，也可以是多条路段。
该实施例中，车辆行驶轨迹指的是车辆在目标路段上的行驶路线。
该实施例中，预设置的交通标识是提前在目标道路上设置的，用于判定车辆在目标道路上的位置信息，且交通标识可以是一个建筑、一个标识牌等。
该实施例中，观测距离指的是目标车辆与预设置标识位置之间的距离，可通过该距离确定目标车辆的位置信息。
该实施例中，观测角度指的是目标车辆与预设置的标识位置之间的夹角程度。
该实施例中，目标路段交通流的行驶速度指的是目标道路上多个车辆形成的交通流在目标道路上的平均行驶速度。
该实施例中，目标路段交通流的交通量指的是目标路段上车辆的数量。
该实施例中，目标路段时间占有率指的是车辆在目标路段上所行驶的总时间，即理论行驶时间与实际行驶时间之比。
该实施例中，空间占有率指的是目标路段理论容纳车辆数目与实际容纳车辆数据之比。
该实施例中，预设时间长度是提前设定好的，用于衡量车辆通过目标路段所用时间是否达到目标要求。
上述技术方案的有益效果是：通过获取车辆在目标路段上的行驶轨迹方程，从而准确确定车辆在目标路段上的具***置信息，根据位置信息准确判断目标路段上的交通量以及车辆行驶速度等，从而通过交通管控模型策略对目标路段上的车辆进行管控，实现车辆行驶间行为协同和优化，达到提升交通流运行效率和交通安全的目的。
实施例6：
在上述实施例5的基础上，本实施例提供了一种基于V2X路网控制方法，得到所述目标路段当前路况对应的管控信息，还包括：
获取所述管控信息对所述目标路段当前路况的第一影响范围，得到所述管控信息对应的评价指标；
同时，获取所述目标路段上当前车辆长度信息，并通过预设规则预测在无所述管控信息条件下，所述目标路段当前路况信息的运行状态演变情况，并确定所述运行状态演变情况对所述目标路段造成的第二影响范围，得到所述管控信息对应的对比评价指标；
将所述评价指标与所述对比评价指标进行作差计算，得到目标差值；
若所述目标差值大于或等于预设差值，判定所述管控信息达到目标管控效率；
否则，判定所述管控信息未达到目标管控效率。
该实施例中，第一影响范围指的是在管控下，道路上车辆拥挤所造成的影响程度。
该实施例中，评价指标指的是用于衡量第一影响范围的影响程度值。
该实施例中，第二影响范围指的是在没有管控下，道路上车辆拥挤所造成的影响程度。
该实施例中，对比评价指标是用于衡量第二影响范围的影响程度值。
该实施例中，预设差值是提前设定好的，用于衡量评价指标与对比评价之间的差值是否能满足管控信息对车辆的管控需求。
上述技术方案的有益效果是：通过获取管控条件下的影响范围与未管控是的影响范围，有利于准确判定管控条件的效率是否达到预设要求，实现车辆行驶间行为协同和优化，达到提升交通流运行效率和交通安全的目的。
实施例7：
在上述实施例1的基础上，本实施例提供了一种基于V2X路网控制方法，步骤4中，根据所述模拟结果以及所述预测结果生成实时优化协同控制方案的具体工作过程，包括：
获取所述模拟结果所对应的模拟熵，同时，提取所述预测结果所对应的预测熵；
根据所述模拟熵与所述预测熵计算道路交通优化控制综合系数；
Figure BDA0003102226930000151
其中，K表示所述道路交通优化控制综合系数；δ表示优化系数，且所述优化系数的取值范围为(0.3，0.6)；S1表示所述模拟结果所对应的模拟熵；S2表示所述预测结果所对应的预测熵；μ表示协同因子，且取值范围为(0.21，0.22)；w表示交通维度，一般取值为3；t表示预设时间段的时间长度；
将所述道路交通优化控制综合系数在预设神经卷积网路中进行优化协同训练，并基于训练结果生成实时优化协同控制模型；
从所述实时优化协同控制模型中获取潜在的优化协同控制方案，其中，所述潜在的优化协同控制方案的方案数大于1；
基于所述潜在的优化协同控制方案，对道路交通进行实时模拟交通演练，并基于实时模拟交通演练结果分别对所述潜在的优化协同控制方案进行评分；
将评分最高的作为实时优化协同控制方案。
该实施例中，模拟熵表示在及时模拟过程中交通流量的混乱程度。
该实施例中，预测熵表示在短期预测过程中交通流量的混乱程度。
该实施例中，道路交通优化控制综合系数可以是通过模拟熵与预测熵之间的差异获取对道路交通优化控制的系数，其取值范围为(0，1)。
该实施例中，协同因子表示在获取对道路交通流量进行协同的因子。
该实施例中，交通维度表示在影响道路交通的维度，包括有：行人、车辆、十字路口。
上述技术方案的有益效果是：通过模拟熵与预测熵可以准确计算道路交通优化控制综合系数，从而有利于确定潜在的优化协同控制方案，通过对道路交通进行实时模拟交通演练，从而确定最终实时优化协同控制方案，大大提高了获取实时优化协同控制方***性，从而提高交通安全。
实施例8：
在上述实施例1的基础上，本实施例提供了一种基于V2X路网控制方法，步骤5中，根据所述实时交通感知数据对所述实时优化协同控制方案形成反馈，并根据反馈结果获取各道路断面最优交通运行状态以及智能网联车辆行为的优化模式的，包括：
获取所述实时交通感知数据的道路实况综合值，并根据所述道路实况综合值对所述实时优化协同控制方案形成反馈；
获取反馈结果所对应的交通运行反馈系数以及智能网联行为反馈系数；
基于所述交通运行反馈系数计算道路断面交通运行综合值；
Figure BDA0003102226930000161
其中，Z表示所述道路断面交通运行综合值；ξ1表示所述交通运行反馈系数，且取值范围为(0.45，0.48)；τ表示道路断面的地形状态系数，且取值范围为(1，2)；d表示所述道路实况综合值，且取值范围为(0.5，1)；λ表示道路断面上车辆间的稀疏程度值，且取值范围为(0，1)；a表示道路断面的车辆个数；
将所述道路断面交通运行综合值进行解析，并将所述解析结果与预设道路交通运行状态库中进行关联映射；
基于映射结果，获取所述各道路断面最优交通运行状态；
同时，基于所述智能网联行为反馈系数计算智能网联车辆行为动态值；
Figure BDA0003102226930000171
其中，X表示所述智能网联车辆行为动态值；ξ2表示所述智能网联行为反馈系数，且取值范围为(0.46，0.49)；v表示智能网联车辆行驶速度；a表示智能网联车辆的平均加速度；T表示智能网联车辆在预设段道路断面的实际行驶时间；T′表示智能网联车辆在预设段道路断面的平均行驶时间；y表示智能网联车辆行为对道路交通的影响率，且取值范围为(0.5，0.9)；
将所述智能网联车辆行为动态值在预设智能网联车辆行为动态对照表中进行对照匹配；
基于匹配结果，获取所述智能网联车辆行为在所述预设智能网联车辆对照表中的匹配位置；
根据所述匹配位置，读取所述智能网联车辆行为的优化模式。
该实施例中，道路实况综合值可以是包括道路拥堵状态、道路行人、车辆个数、十字路口个数、十字路口中红绿灯的时长等用于衡量道路整体状况的值。
该实施例中，道路断面交通运行综合值是指在道路断面上交通运行的流畅程度。
该实施例中，道路断面上车辆的稀疏程度值，可以是通过获取道路断面上车辆间的距离，从而确定车辆的稀疏程度，例如道路断面上车辆间的距离越小，车辆越密集，道路断面上车辆的稀疏程度值越大。
该实施例中，基于映射结果，获取各道路断面最优交通运行状态，可以是是预设道路交通运行状态库中有多种各道路断面交通运行状态，与道路断面交通运行综合值相映射的即为最优交通运行状态。
该实施例中，智能网联车辆行为动态值是指对智能网联车的行为，例如速度、加速度等参数综合起来的一个值，用来衡量智能网联车辆的行为状态。
该实施例中，智能网联车辆行为对道路交通的影响率可以是智能网联车辆对道路交通拥堵、流畅性的影响，例如，道路交通流畅的智能网联车辆的速度会比道路交通拥堵时的智能网联车辆速度快。
该实施例中，述预设智能网联车辆对照表包括智能网联车辆行为动态值以及智能网联车辆行为动态值所对应的智能网联车辆行为的优化模式。
该实施例中，道路断面越严重，对应的地形状态系数越小。
上述技术方案的有益效果是：通过获取实时交通感知数据的道路实况综合值，可以有效根据道路实况综合值对实时优化协同控制方案形成反馈，通过获取交通运行反馈系数以及智能网联行为反馈系数可以准确计算智能网联车辆行为动态值以及道路断面交通运行综合值可以高效获取各道路断面最优交通运行状态以及智能网联车辆行为的优化模式，从而有利于提升交通流运行效率。
实施例9：
本实施例提供了一种基于V2X路网控制***，如图2所示，包括：
数据获取模块，用于基于V2X路网控制技术获取实时交通状态感知数据，同时，基于交通仿真获取交通流运行状态预测数据；
策略制定模块，用于根据所述实时交通状态感知数据以及所述交通流运行状态预测数据形成交通管控模型策略；
策略实施模块，用于基于所述交通管控模型策略对道路交通实施及时模拟和短期预测，并获取模拟结果以及预测结果；
优化协同模块，用于根据所述模拟结果以及所述预测结果生成实时优化协同控制方案；
反馈模块，用于根据所述实时交通感知数据对所述实时优化协同控制方案形成反馈，并根据反馈结果获取各道路断面最优交通运行状态以及智能网联车辆行为的优化模式；
控制模块，用于根据所述各道路断面最优交通运行状态以及所述智能网联车辆行为的优化模式实现对V2X路网控制。
上述技术方案的有益效果是：通过获取交通状态感知数据以及交通流运行状态预测数据，制定相应的道路管控方案，实现车辆行驶间行为协同和优化，达到提升交通流运行效率和交通安全的目的。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种基于V2X路网控制方法，其特征在于，包括：
步骤1：基于V2X路网控制技术获取实时交通状态感知数据，同时，基于交通仿真获取交通流运行状态预测数据；
步骤2：根据所述实时交通状态感知数据以及所述交通流运行状态预测数据形成交通管控模型策略；
步骤3：基于所述交通管控模型策略对道路交通实施及时模拟和短期预测，并获取模拟结果以及预测结果；
步骤4：根据所述模拟结果以及所述预测结果生成实时优化协同控制方案；
步骤5：根据所述实时交通感知数据对所述实时优化协同控制方案形成反馈，并根据反馈结果获取各道路断面最优交通运行状态以及智能网联车辆行为的优化模式；
步骤6：根据所述各道路断面最优交通运行状态以及所述智能网联车辆行为的优化模式实现V2X路网控制。
2.根据权利要求1所述的一种基于V2X路网控制方法，其特征在于，步骤1中，基于交通仿真获取交通流运行状态预测数据的工作过程，包括：
获取所述交通仿真的仿真模拟道路，并基于所述仿真模拟道路，确定第一仿真车辆所处的区域；
同时，获取所述第一仿真车辆的车辆行为；
基于所述第一仿真车辆的车辆行为以及所述第一仿真车辆所处区域构建二维几何模拟结构；
根据所述二维几何模拟结构，获取所述第一仿真车辆的车辆行为，同时，获取所述第一仿真车辆的车辆行为的活动范围；
在所述活动范围内，判断是否有第二仿真车辆，则根据所述第一仿真车辆的车辆行为获取第一运行状态预测数据；
否则，基于所述二维集合模拟结构，并根据所述第一仿真车辆与第二仿真车辆获取信息车辆集；
同时，获取所述信息车辆集的综合车辆行为，并根据所述综合车辆行为获取第二运行状态预测参数。
3.根据权利要求2所述的一种基于V2X网路控制方法，其特征在于，确定所述第一仿真车辆所处的区域的工作过程，包括：
判断所述第一仿真车辆的位置是否处于预设路口的范围内；
若所述第一仿真车辆的位置处于预设路口范围内，则所述第一车辆所处的区域为道路协同区域内；
否则，所述第一车辆所处的区域为道路队列区域内。
4.根据权利要求1所述的一种基于V2X网络控制方法，其特征在于，步骤2中，根据所述实时交通状态感知数据以及所述交通流运行状态预测数据形成交通管控模型策略的具体过程，包括：
基于所述实时交通状态感知数据获取当前交通的实时交通密度；
同时，根据所述交通流运行状态预测数据获取当前交通的预测交通密度；
将当前所述实时交通密度与所述预测交通密度进行比较，判断所述交通管控状态；
当所述实时交通密度大于所述预测交通密度时，则判定所述交通管控状态为差，同时，在预设交通管控协议库中匹配第一交通管控协议；
当所述实时交通密度等于所述预测交通密度时，则判定所述交通管控状态为良，同时，在所述预设交通管控协议库中匹配第二交通管控协议；
当所述实时交通密度小于所述预测交通密度时，则判定所述交通管控状态为优，同时，在所述预设交通管控协议库中匹配第三交通管控协议；
基于所述第一交通管控协议、第二交通管控协议以及所述第三交通管控协议生成交通管控模型策略。
5.根据权利要求1所述的一种基于V2X网络控制方法，其特征在于，步骤3中，基于所述交通管控模型策略对道路交通实施及时模拟和短期预测，并获取模拟结果以及预测结果，包括：
构建车辆行驶轨迹模拟方程，并基于目标路段的历史训练数据对所述车辆行驶轨迹模拟方程进行模拟训练验证，得到车辆在所述目标路段上的车辆行驶轨迹；
其中，所述历史训练数据为不同行驶轨迹类型对应的行驶数据；
当目标车辆观测到所述目标路段上预设置的交通标识位置时，获取所述目标车辆的观测距离以及观测角度；
基于所述车辆行驶轨迹模拟方程，将所述目标车辆的观测距离以及观测角度代入计算，预测得到所述目标车辆在所述目标路段上的具***置信息；
其中，所述目标车辆为所述目标路段上的多个车辆；
基于所述目标车辆在所述目标路段上的具***置信息，预测所述目标路段交通流的行驶速度以及所述目标路段交通流的交通量；
确定所述目标路段交通流的行驶速度与目标车辆通过所述目标路段的行驶时间之间的速度-时间关系，并基于所述速度-时间关系确定所述目标路段时间占有率与空间占有率的关系；
基于所述目标路段时间占有率与空间占有率的关系得到所述目标路段路网长度计算模型；
将所述目标路段交通流的交通量输入至所述目标路段路网长度计算模型，预测得到所述目标路段上当前车辆长度信息；
基于所述交通管控模型策略控制管控平台记录并分析所述当前车辆长度信息，得到所述目标路段当前路况对应的管控信息，并将所述管控信息通过无线方式发送至所述目标路段上的各个车辆；
其中，所述管控信息包括所述目标路段上的车辆行驶路线、限行限速指令、临时交通管制指令以及控制交通信号灯不同指示状态的间隔时长；
记录通过所述交通管控模型策略管控道路交通后，所述目标路段摆脱当前路况所用的时间长度；
将所述时间长度与预设时间长度进行比较；
若所述时间长度小于或等于所述预设时间长度，完成对所述道路交通实施及时模拟和短期预测；
否则，基于所述交通管控模型策略重新对所述目标路段的当前路况进行管控，直至所述时间长度小于或等于所述预设时间长度。
6.根据权利要求5所述的一种基于V2X网络控制方法，其特征在于，得到所述目标路段当前路况对应的管控信息，还包括：
获取所述管控信息对所述目标路段当前路况的第一影响范围，得到所述管控信息对应的评价指标；
同时，获取所述目标路段上当前车辆长度信息，并通过预设规则预测在无所述管控信息条件下，所述目标路段当前路况信息的运行状态演变情况，并确定所述运行状态演变情况对所述目标路段造成的第二影响范围，得到所述管控信息对应的对比评价指标；
将所述评价指标与所述对比评价指标进行作差计算，得到目标差值；
若所述目标差值大于或等于预设差值，判定所述管控信息达到目标管控效率；
否则，判定所述管控信息未达到目标管控效率。
7.根据权利要求1所述的一种基于V2X网络控制方法，其特征在于，步骤4中，根据所述模拟结果以及所述预测结果生成实时优化协同控制方案的具体工作过程，包括：
获取所述模拟结果所对应的模拟熵，同时，提取所述预测结果所对应的预测熵；
根据所述模拟熵与所述预测熵计算道路交通优化控制综合系数；
Figure FDA0003102226920000041
其中，K表示所述道路交通优化控制综合系数；δ表示优化系数，且所述优化系数的取值范围为(0.3，0.6)；S1表示所述模拟结果所对应的模拟熵；S2表示所述预测结果所对应的预测熵；μ表示协同因子，且取值范围为(0.21，0.22)；w表示交通维度，一般取值为3；t表示预设时间段的时间长度；
将所述道路交通优化控制综合系数在预设神经卷积网路中进行优化协同训练，并基于训练结果生成实时优化协同控制模型；
从所述实时优化协同控制模型中获取潜在的优化协同控制方案，其中，所述潜在的优化协同控制方案的方案数大于1；
基于所述潜在的优化协同控制方案，对道路交通进行实时模拟交通演练，并基于实时模拟交通演练结果分别对所述潜在的优化协同控制方案进行评分；
将评分最高的作为实时优化协同控制方案。
8.根据权利要求1所述的一种基于V2X网络控制方法，其特征在于，步骤5中，根据所述实时交通感知数据对所述实时优化协同控制方案形成反馈，并根据反馈结果获取各道路断面最优交通运行状态以及智能网联车辆行为的优化模式，包括：
获取所述实时交通感知数据的道路实况综合值，并根据所述道路实况综合值对所述实时优化协同控制方案形成反馈；
获取反馈结果所对应的交通运行反馈系数以及智能网联行为反馈系数；
基于所述交通运行反馈系数计算道路断面交通运行综合值；
Figure FDA0003102226920000051
其中，Z表示所述道路断面交通运行综合值；ξ1表示所述交通运行反馈系数，且取值范围为(0.45，0.48)；τ表示道路断面的地形状态系数，且取值范围为(1，2)；d表示所述道路实况综合值，且取值范围为(0.5，1)；λ表示道路断面上车辆间的稀疏程度值，且取值范围为(0，1)；a表示道路断面的车辆个数；
将所述道路断面交通运行综合值进行解析，并将所述解析结果与预设道路交通运行状态库中进行关联映射；
基于映射结果，获取所述各道路断面最优交通运行状态；
同时，基于所述智能网联行为反馈系数计算智能网联车辆行为动态值；
Figure FDA0003102226920000061
其中，X表示所述智能网联车辆行为动态值；ξ2表示所述智能网联行为反馈系数，且取值范围为(0.46，0.49)；v表示智能网联车辆行驶速度；a表示智能网联车辆的平均加速度；T表示智能网联车辆在预设段道路断面的实际行驶时间；T′表示智能网联车辆在预设段道路断面的平均行驶时间；y表示智能网联车辆行为对道路交通的影响率，且取值范围为(0.5，0.9)；
将所述智能网联车辆行为动态值在预设智能网联车辆行为动态对照表中进行对照匹配；
基于匹配结果，获取所述智能网联车辆行为在所述预设智能网联车辆对照表中的匹配位置；
根据所述匹配位置，读取所述智能网联车辆行为的优化模式。
9.一种基于V2X路网控制***，其特征在于，包括：
数据获取模块，用于基于V2X路网控制技术获取实时交通状态感知数据，同时，基于交通仿真获取交通流运行状态预测数据；
策略制定模块，用于根据所述实时交通状态感知数据以及所述交通流运行状态预测数据形成交通管控模型策略；
策略实施模块，用于基于所述交通管控模型策略对道路交通实施及时模拟和短期预测，并获取模拟结果以及预测结果；
优化协同模块，用于根据所述模拟结果以及所述预测结果生成实时优化协同控制方案；
反馈模块，用于根据所述实时交通感知数据对所述实时优化协同控制方案形成反馈，并根据反馈结果获取各道路断面最优交通运行状态以及智能网联车辆行为的优化模式；
控制模块，用于根据所述各道路断面最优交通运行状态以及所述智能网联车辆行为的优化模式实现对V2X路网控制。
CN202110626426.8A 2021-06-04 2021-06-04 一种基于v2x路网控制方法及*** Active CN113327421B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110626426.8A CN113327421B (zh) 2021-06-04 2021-06-04 一种基于v2x路网控制方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110626426.8A CN113327421B (zh) 2021-06-04 2021-06-04 一种基于v2x路网控制方法及***

Publications (2)

Publication Number Publication Date
CN113327421A true CN113327421A (zh) 2021-08-31
CN113327421B CN113327421B (zh) 2022-03-25

Family

ID=77419725

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110626426.8A Active CN113327421B (zh) 2021-06-04 2021-06-04 一种基于v2x路网控制方法及***

Country Status (1)

Country Link
CN (1) CN113327421B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113920743A (zh) * 2021-12-09 2022-01-11 江苏九比特信息***有限公司 一种基于环境信息的交通诱导屏控制***及方法
CN114049769A (zh) * 2021-11-16 2022-02-15 上海华建工程建设咨询有限公司 一种预测道路拥挤状况的方法、装置和电子设备
CN114333332A (zh) * 2022-03-04 2022-04-12 阿里云计算有限公司 一种交通管控方法、装置及电子设备
CN114694382A (zh) * 2022-04-01 2022-07-01 桂林电子科技大学 一种基于车联网环境的动态单向交通控制***
CN114783186A (zh) * 2022-04-26 2022-07-22 交通运输部公路科学研究所 智能网联环境下道路风险预警控制器优化布设方法及***
CN115331435A (zh) * 2022-08-04 2022-11-11 北京交通大学 一种基于局部时空交通状态的智能网联车辆速度控制方法
CN115412883A (zh) * 2022-08-31 2022-11-29 重庆交通大学 一种基于5g位置共享的智能网联超视距行车辅助***
CN116524711A (zh) * 2023-03-13 2023-08-01 山东博安智能科技股份有限公司 基于交通大数据分析的智慧高速管控***
CN116923442A (zh) * 2023-09-13 2023-10-24 华东交通大学 智能网联汽车的控制策略生成方法及***
CN117275232A (zh) * 2023-09-28 2023-12-22 广东省电信规划设计院有限公司 基于车路协同的动态感知方法及装置
CN117351714A (zh) * 2023-10-11 2024-01-05 深圳达普信科技有限公司 基于车联网的智能交通流优化方法及***

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101246514A (zh) * 2008-03-20 2008-08-20 天津市市政工程设计研究院 城市快速路互通立交仿真设计***及建立设计模型的方法
CN101635089A (zh) * 2009-05-22 2010-01-27 上海宝康电子控制工程有限公司 一种交通控制诱导协调***及方法
US20110161261A1 (en) * 2009-12-28 2011-06-30 Nec(China) Co., Ltd. Method and system for traffic prediction based on space-time relation
CN105809953A (zh) * 2014-12-27 2016-07-27 吉林大学 一种基于m2m的城市交通流车路协同控制方法
US20180336781A1 (en) * 2017-05-22 2018-11-22 Alibaba Group Holding Limited Road traffic control system, method, and electronic device
CN110910640A (zh) * 2019-11-27 2020-03-24 河北省交通规划设计院 一种车路协同场景测试评价方法
US20200402397A1 (en) * 2018-02-23 2020-12-24 Sumitomo Electric Industries, Ltd. Traffic signal control apparatus, traffic signal control method, and computer program
CN112201033A (zh) * 2020-09-08 2021-01-08 同济大学 一种道路交通运行主动管控策略选择方法
CN112233424A (zh) * 2020-12-17 2021-01-15 北京主线科技有限公司 一种车路协同的货车队列纵向控制方法、装置及***
CN112406863A (zh) * 2020-10-13 2021-02-26 厦门蓝斯通信股份有限公司 一种车辆节能处理方法及***
WO2021048826A1 (en) * 2019-09-12 2021-03-18 Yosef Mintz System and method to optimize citywide traffic flow by privacy preserving scalable predictive citywide traffic load-balancing supporting, and being supported by, optimal zone to zone demand-control planning and predictive parking management
WO2021068602A1 (zh) * 2019-10-10 2021-04-15 北京全路通信信号研究设计院集团有限公司 一种多制式多业务轨道交通仿真模拟方法及***

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101246514A (zh) * 2008-03-20 2008-08-20 天津市市政工程设计研究院 城市快速路互通立交仿真设计***及建立设计模型的方法
CN101635089A (zh) * 2009-05-22 2010-01-27 上海宝康电子控制工程有限公司 一种交通控制诱导协调***及方法
US20110161261A1 (en) * 2009-12-28 2011-06-30 Nec(China) Co., Ltd. Method and system for traffic prediction based on space-time relation
CN105809953A (zh) * 2014-12-27 2016-07-27 吉林大学 一种基于m2m的城市交通流车路协同控制方法
US20180336781A1 (en) * 2017-05-22 2018-11-22 Alibaba Group Holding Limited Road traffic control system, method, and electronic device
US20200402397A1 (en) * 2018-02-23 2020-12-24 Sumitomo Electric Industries, Ltd. Traffic signal control apparatus, traffic signal control method, and computer program
WO2021048826A1 (en) * 2019-09-12 2021-03-18 Yosef Mintz System and method to optimize citywide traffic flow by privacy preserving scalable predictive citywide traffic load-balancing supporting, and being supported by, optimal zone to zone demand-control planning and predictive parking management
WO2021068602A1 (zh) * 2019-10-10 2021-04-15 北京全路通信信号研究设计院集团有限公司 一种多制式多业务轨道交通仿真模拟方法及***
CN110910640A (zh) * 2019-11-27 2020-03-24 河北省交通规划设计院 一种车路协同场景测试评价方法
CN112201033A (zh) * 2020-09-08 2021-01-08 同济大学 一种道路交通运行主动管控策略选择方法
CN112406863A (zh) * 2020-10-13 2021-02-26 厦门蓝斯通信股份有限公司 一种车辆节能处理方法及***
CN112233424A (zh) * 2020-12-17 2021-01-15 北京主线科技有限公司 一种车路协同的货车队列纵向控制方法、装置及***

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
SOFIENE KACHROUDI: "The effects of the control and prediction horizons on the urban traffic regulation", 《13TH INTERNATIONAL IEEE CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS》 *
WENCHAO DING: "Online Vehicle Trajectory Prediction using Policy Anticipation Network and optimization-based Context Reasoning", 《2019 INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION (ICRA)》 *
林凡等: "网联汽车智能管控云平台设计", 《物联网技术》 *
蔡志理等: "基于车联网技术的车路协同***设计", 《山东交通学院学报》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114049769A (zh) * 2021-11-16 2022-02-15 上海华建工程建设咨询有限公司 一种预测道路拥挤状况的方法、装置和电子设备
CN113920743A (zh) * 2021-12-09 2022-01-11 江苏九比特信息***有限公司 一种基于环境信息的交通诱导屏控制***及方法
CN114333332A (zh) * 2022-03-04 2022-04-12 阿里云计算有限公司 一种交通管控方法、装置及电子设备
CN114333332B (zh) * 2022-03-04 2022-09-06 阿里云计算有限公司 一种交通管控方法、装置及电子设备
CN114694382A (zh) * 2022-04-01 2022-07-01 桂林电子科技大学 一种基于车联网环境的动态单向交通控制***
CN114783186A (zh) * 2022-04-26 2022-07-22 交通运输部公路科学研究所 智能网联环境下道路风险预警控制器优化布设方法及***
CN114783186B (zh) * 2022-04-26 2022-11-22 交通运输部公路科学研究所 智能网联环境下道路风险预警控制器优化布设方法及***
CN115331435B (zh) * 2022-08-04 2024-05-31 北京交通大学 一种基于局部时空交通状态的智能网联车辆速度控制方法
CN115331435A (zh) * 2022-08-04 2022-11-11 北京交通大学 一种基于局部时空交通状态的智能网联车辆速度控制方法
CN115412883A (zh) * 2022-08-31 2022-11-29 重庆交通大学 一种基于5g位置共享的智能网联超视距行车辅助***
CN116524711B (zh) * 2023-03-13 2023-09-12 山东博安智能科技股份有限公司 基于交通大数据分析的智慧高速管控***
CN116524711A (zh) * 2023-03-13 2023-08-01 山东博安智能科技股份有限公司 基于交通大数据分析的智慧高速管控***
CN116923442A (zh) * 2023-09-13 2023-10-24 华东交通大学 智能网联汽车的控制策略生成方法及***
CN116923442B (zh) * 2023-09-13 2023-11-28 华东交通大学 智能网联汽车的控制策略生成方法及***
CN117275232A (zh) * 2023-09-28 2023-12-22 广东省电信规划设计院有限公司 基于车路协同的动态感知方法及装置
CN117275232B (zh) * 2023-09-28 2024-05-31 广东省电信规划设计院有限公司 基于车路协同的动态感知方法及装置
CN117351714A (zh) * 2023-10-11 2024-01-05 深圳达普信科技有限公司 基于车联网的智能交通流优化方法及***

Also Published As

Publication number Publication date
CN113327421B (zh) 2022-03-25

Similar Documents

Publication Publication Date Title
CN113327421B (zh) 一种基于v2x路网控制方法及***
CN110610260B (zh) 行车能耗预测***、方法、存储介质和设备
Pan et al. Modeling the impacts of mandatory and discretionary lane-changing maneuvers
Zhang et al. Optimizing minimum and maximum green time settings for traffic actuated control at isolated intersections
CN107346460B (zh) 基于智能网联***下前车运行信息的未来工况预测方法
CA3214253A1 (en) Traffic control at an intersection
CN101188064B (zh) 三维集成高速公路交通事件自动检测方法
CN110414803B (zh) 不同网联程度下自动驾驶***智能水平的测评方法及装置
CN110555476A (zh) 一种适用于人机混驾环境下智能车辆换道轨迹预测方法
CN112767683A (zh) 一种基于反馈机制的路径诱导方法
Suh et al. Vehicle speed prediction for connected and autonomous vehicles using communication and perception
Burghout Mesoscopic simulation models for short-term prediction
CN108364490A (zh) 城市公路交通***车辆运行调控方法
Festa et al. Experimental analysis of different simulation models for motorway traffic flow
CN114495486B (zh) 一种基于层次强化学习的微观交通流预测***及方法
Wang et al. Stochastic Velocity Prediction for Connected Vehicles Considering V2V Communication Interruption
WO2021258847A1 (zh) 一种驾驶决策方法、装置及芯片
Humoody et al. Congestion identification for multilane highway by vehicle lane change as driver behavior
Wei et al. V2I-Based Intelligent Mobility Data Fusion for Self-Adaptive Traffic Signal Control
Othman et al. Real-Time Simulation Framework with Traffic Incident Prediction: A Singapore Case Study
Anany Effectiveness of a speed advisory traffic signal system for Conventional and Automated vehicles in a smart city
Cao et al. Design of vehicle profile for autonomous vehicles in roundabouts used to improve lane change strategy based on multi-vehicle collaboration
CN115909720B (zh) 一种交通网络状态预测方法及***
Dasgupta et al. Harnessing Digital Twin Technology for Adaptive Traffic Signal Control: Improving Signalized Intersection Performance and User Satisfaction
Ostojic Trajectory Analytics for Traffic Signal System Management in Connected Vehicle Environments

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 050000 No.36 Jianshe South Street, Qiaoxi District, Shijiazhuang City, Hebei Province

Applicant after: Hebei transportation planning and Design Institute Co.,Ltd.

Address before: 050000 No.36 Jianshe South Street, Shijiazhuang City, Hebei Province

Applicant before: HEBEI PROVINCIAL COMMUNICATIONS PLANNING AND DESIGN INSTITUTE

GR01 Patent grant
GR01 Patent grant