CN113947900B - 一种智能网联快速路匝道协同控制*** - Google Patents

一种智能网联快速路匝道协同控制*** Download PDF

Info

Publication number
CN113947900B
CN113947900B CN202111201672.5A CN202111201672A CN113947900B CN 113947900 B CN113947900 B CN 113947900B CN 202111201672 A CN202111201672 A CN 202111201672A CN 113947900 B CN113947900 B CN 113947900B
Authority
CN
China
Prior art keywords
ramp
expressway
control system
cooperative control
traffic
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
Application number
CN202111201672.5A
Other languages
English (en)
Other versions
CN113947900A (zh
Inventor
张丽岩
马健
葛静
张敏
文媛
孙娟
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.)
Suzhou University of Science and Technology
Original Assignee
Suzhou University of Science and Technology
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 Suzhou University of Science and Technology filed Critical Suzhou University of Science and Technology
Priority to CN202111201672.5A priority Critical patent/CN113947900B/zh
Publication of CN113947900A publication Critical patent/CN113947900A/zh
Application granted granted Critical
Publication of CN113947900B publication Critical patent/CN113947900B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/60—Planning or developing urban green infrastructure

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种智能网联快速路匝道协同控制***，步骤1、获取整个路段快速路车辆、城市道路车辆的相关运动状态信息、驾驶环境信息、交通状态信息；步骤2、设定协同控制***的目标及约束条件，根据步骤1中获取的状态信息构建快速路匝道协同控制***模型；步骤3、利用步骤2中的快速路匝道协同控制***模型计算出最优的匝道调节率和可变限速率；步骤4、将根据步骤3中所得最优的匝道调节率和最优的可变限速率通过通信设备发送至城市道路车辆，各车辆根据接受到的控制指令，调整自身驾驶选择；采用本发明的方案可在高峰期对***车流进行合理分配，减少了快速路匝道合流区的冲突，提升了快速路网整体通行效率。

Description

一种智能网联快速路匝道协同控制***
技术领域
本发明涉及智能交通技术领域，特别是涉及一种智能网联快速路匝道协同控制***。
背景技术
智能网联交通***是指利用云计算、大数据及物联网(Internet of Things)等技术形成的联合控制***，随着人工智能及网络通信技术研究的持续推进，汽车智能化和网联化成为了全球的研究重点。智能网联汽车的定义为搭载先进的车载传感器、控制器、执行器等装置，并融合现代通信与网络技术，实现V2X智能信息交换、共享，实现复杂环境感知、智能决策、协同控制、安全高效行驶并最终替代人操作等功能的新一代汽车。
路径决策是在行车前为控制区域内的驾驶员规划路径，常见的路径选择标准通常是距离或时间最短、成本最少等，***共包含两条可选路径，辅路车辆到达决策点即启动路径决策控制，路径1为选择进入快速路，包含上下匝道和主线，路径2为选择继续在辅路行驶。
在快速路匝道交通控制方法中，入口匝道控制可以在高峰期减少驶入快速路的交通量，从而减少车流冲突，使主线瓶颈路段的密度维持在关键密度附近，同时可以防止主线拥堵蔓延至出口匝道附近，对驶出快速路的车辆造成干扰。但是由于入口匝道的蓄车能力有限，因此当排队长度达到最大时，匝道控制的效果有限，不得不提高匝道放行率或关闭匝道。由于城市快速路匝道分布密度较大且上下匝道距离较小，因此仅采用主线VSL(可变限速控制)会导致合流区的交通运行处于紧张状态，因此急需提供一种主线VSL和入口匝道的协同控制的智能交通协同控制***。
发明内容
为了克服上述现有技术的不足，本发明提供了一种智能网联快速路匝道协同控制***，用以解决现有技术中匝道合流区的交通运行紧张状态。
本发明所采用的技术方案是：一种智能网联快速路匝道协同控制***，包括如下步骤：
步骤1、获取整个路段快速路车辆、城市道路车辆的相关运动状态信息、驾驶环境信息、交通状态信息；
步骤2、设定协同控制***的目标及约束条件，根据步骤1中获取的状态信息构建快速路匝道协同控制***模型；
步骤3、利用步骤2中的快速路匝道协同控制***模型计算出最优的匝道调节率和可变限速率；
步骤4、将根据步骤3中所得最优的匝道调节率和最优的可变限速率通过通信设备发送至城市道路车辆，各车辆根据接受到的控制指令，调整自身驾驶选择；
步骤5、在下一控制周期，返回步骤1并继续执行1-4的步骤。
优选的，所述步骤1中获取车辆的相关运动状态信息包括车辆类型、ID、最大速度、起讫点信息、车辆位置、速度。
优选的，所述驾驶环境信息包括：快速路信息、速度限制、红绿灯情况。
优选的，所述交通状态信息包括：路段流量、交通流密度、平均速度。
优选的，所述构建快速路匝道协同控制***模型包括：期望速度模型、速度密度敏感系数模型、匝道汇入量模型、主线车速折减模型、匝道汇入量模型。
优选的，所述期望速度模型为：
式中：bi(k)——可变限速率，取值范围为bmin,i(k)≤bi(k)≤1，其中bmin,i(k)∈[0,1]。
优选的，所述速度密度敏感系数模型为：
优选的，所述匝道汇入量模型为：
优选的，所述步骤2中协同控制***模型的目标函数及约束条件为：
式中：T为采样周期；Np为计算步长；M为路段数；Li为路段i的长度(km)；λi为路段i内的车道数；κ为补偿系数，防止ρi(k)过小；
ρi(k)为路段i在k时刻的车流密度(veh/km/lane)；
qi(k)为路段i在k时刻的车流量(veh/h)；
vi(k)为k时刻路段i的车流平均速度(km/h)；
ωi(k)为路段i在k时刻入口匝道处排队车辆数；
Qi(k)为入口匝道通行能力(veh/h)；
bi(k)为可变限速率，取值范围为bmin,i(k)≤bi(k)≤1，其中bmin,i(k)∈[0,1]；
ri(k)为入口匝道调节率，rmin,i≤ri(k)≤1，其中rmin,i∈[0,1]。
与现有技术相比，本发明的有益效果是：
(1)本发明所提出的智能网联快速路匝道协同控制***可在高峰期对***车流进行合理分配，减少了快速路匝道合流区的冲突，使***平均延误减少29.19％，提升了快速路网整体通行效率；
(2)本发明所提出的智能网联快速路匝道协同控制***可极大程度地减少***行程时间和路网延误时间，提高交通效率；同时协同控制模型还可使交通流在一定时间段内趋于稳定，同时使相邻路段的密度及速度差缩小，从而使路段整体的交通流运行更加平稳。
附图说明
图1为智能网联快速路匝道协同控制场景；
图2为本发明协同控制策略框架图；
图3为本发明实施例应用实例的位置图；
图4为本发明实施例应用场景示意图；
图5为本发明实施例不同控制情景下的路段2速度变化图；
图6为本发明实施例不同控制下的可变限速率变化图；
图7为本发明实施例协同控制下入口匝道调节率变化图；
图8为本发明实施例不同控制情景下的路段2密度变化图；
图9为本发明实施例协同控制作用下路段密度随时间空间变化图；
图10为本发明实施例路段速度随时空变化图。
具体实施方式
下面结合附图对本发明进一步说明。
参照图1-10所示，本发明提供的一种智能网联快速路匝道协同控制***包括如下步骤：
步骤1、获取整个路段快速路车辆、城市道路车辆的相关运动状态信息、驾驶环境信息、交通状态信息；
步骤2、设定协同控制***的目标及约束条件，根据步骤1中获取的状态信息构建快速路匝道协同控制***模型；
步骤3、利用步骤2中的快速路匝道协同控制***模型计算出最优的匝道调节率和可变限速率；
步骤4、将根据步骤3中所得最优的匝道调节率和最优的可变限速率通过通信设备发送至城市道路车辆，各车辆根据接受到的控制指令，调整自身驾驶选择；
步骤5、在下一控制周期，返回步骤1并继续执行1-4的步骤。
所述步骤1中获取车辆的相关运动状态信息包括车辆类型、ID、最大速度、起讫点信息、车辆位置、速度等。
所述步骤1中的所述驾驶环境信息包括：快速路信息、速度限制、红绿灯情况。
所述步骤1中的所述交通状态信息包括：路段流量、交通流密度、平均速度。
所述步骤2中所述构建快速路匝道协同控制***模型包括：期望速度模型、速度密度敏感系数模型、匝道汇入量模型、主线车速折减模型、匝道汇入量模型。
所述期望速度模型为：
式中：bi(k)——可变限速率，取值范围为bmin,i(k)≤bi(k)≤1，其中bmin,i(k)∈[0,1]。
所述速度密度敏感系数模型为：
所述匝道汇入量模型为：
所述步骤2中协同控制***模型的目标函数及约束条件为：
式中：T为采样周期；Np为计算步长；M为路段数；Li为路段i的长度(km)；
λi为路段i内的车道数；f为速度密度敏感度参数；τ为速度调整系数；κ为补偿系数，防止ρi(k)过小。
ρi(k)——路段i在k时刻的车流密度(veh/km/lane)；
qi(k)——路段i在k时刻的车流量(veh/h)；
hi(k)——路段i在k时刻的汇入交通量(veh/h)；
si(k)——路段i在k时刻的驶离交通量(veh/h)；
vi(k)——k时刻路段i的车流平均速度(km/h)。
ωi(k)——路段i在k时刻入口匝道处排队车辆数；
di(k-1)——路段i在(k-1)时刻入口匝道的交通需求量，若无入口匝道，则取0；
Qi(k)——入口匝道通行能力(veh/h)；
bi(k)——可变限速率，取值范围为bmin,i(k)≤bi(k)≤1，其中bmin,i(k)∈[0,1]；
ri(k)——入口匝道调节率，rmin,i≤ri(k)≤1，其中rmin,i∈[0,1]。
实施例：
选择来自苏州市中环高架快速路，其中城市快速路为娄江快速路(星明街立交—星港街立交)，与之相关联的城市道路为娄江大道(娄门路—星港路)，其所在位置如图3所示，路网场景示意图如图4所示。
该快速路段主线全长约2km，为单向三车道，在入口匝道处拓宽为四车道，后变为单向三车道，车道宽度为3.5m。城市道路娄江大道为城市主干道，单向三车道，车道宽度为3.25m，图5-2中A为路径决策点，可选路径1为：A—B—C—D，其中B为快速路匝道合流点，路径2为：A—D，中间有一T型信号控制交叉口(娄江大道—扬明路)。当车辆驶至A点时，辅路控制中心路径决策***根据实时道路及车辆状态信息，计算出两条路径的实时阻抗，然后通过通信设备发送至车辆，车辆接收到控制指令后调整自身驾驶行为，并默认驾驶员会选择阻抗最小的路径。
研究路段共布设了11个检测器，其中4个为主线交通检测器，1个入口匝道交通检测器，1个出口匝道交通检测器，4个城市道路交通检测器，1个入口匝道排队检测器，其布设位置如图4所示。根据线圈的布设，并结合匝道位置以及车道变化情况，基于各路段长度相等且车道数相同的原则，本文将研究区域内的城市快速路划分为4个路段，每个路段的长度约为500m。
数据采集时间为2020年5月1日—5月31日全天24小时的数据，本文选择某工作日16:30—18:30的晚高峰时段进行研究，数据采集的时间间隔为20s，所收集的数据类型有：感应线圈的编号、采集时间、车道编号、车流量、速度、占有率等。然后通过交通仿真软件来模拟快速路交通流的实际状况，以快速路匝道协同控制策略为例，当MATLAB计算出最优的入口匝道控制率和可变限速率后，通过VISSIM的COM接口输送至路网仿真，进行交通控制策略仿真，同时产生的这些数据也会保存至数据库中。当在仿真中完成一次控制后，MATLAB可利用VISSIM的接口接收仿真数据，然后开始下一轮的计算与仿真。
本实施例选取了3种控制情景作为对比，情景1无任何控制措施，与现状保持一致，情景2仅采用VSL。情景3则是采用本实施例提出的快速路匝道协同控制策略，以下针对不同控制策略进行仿真。考虑研究区域的实际交通流运行状况，由于路段2存在一个入口匝道，处于快速路匝道合流区，需在上游路段1实施VSL，在路段2的入口匝道实施RM，同时需分析路段2中的车辆排队，因此本文以路段2为例，分析控制策略的效果。
图5显示不同控制情景下研究路段2的速度变化情况，可以发现，当未使用任何控制策略时，路段2的车流在仿真时间到达约第39min时遇到瓶颈，且车流减速情况非常严重，这是由于随着主线车辆增加以及入口匝道车辆的汇入，车流平均速度降低。而采用VSL和协同控制策略可以在一定程度上缓解这样的减速情况，车流平均速度有明显上升，由于仿真前30min路段未出现拥堵现象，基本处于稳定流阶段，因此场景2未启动可变限速控制，这也解释了为何此时段仅采用VSL时路段平均速度与无控制相比基本无变化。当仿真时间到达65-90min时，仅采用VSL时车流速度提升不明显，这是因为此时主线车流量过大，又无对匝道汇入车流的控制，导致主线换道车辆空隙不足，控制效果甚微，可明显看出，当遭遇严重交通瓶颈时，快速路匝道协同控制策略对于主线车流速度的提升收益更加。图6表示不同控制下的可变限速率的变化，其中b(2)表示仅采用VSL时的可变限速率，b(3)表示协同控制下的可变限速率，无控制情况下b(1)＝1。图7显示了协同控制下的入口匝道调节率的变化情况，无控制情况下r＝1。
图8为不同控制下研究路段的密度变化，可以看出，密度图像在整个仿真时段的前30min有一个明显的升高，这是由于接近高峰时段，车辆逐渐增多，路段2由于入口匝道车辆的汇入导致密度增加，对主线上游(即路段1)采用可变限速控制可以减少主线进入路段2的车辆数，即减少上游交通需求。但随着匝道汇入车流的增多，依然无法改变主线与入口匝道合流区的拥堵状况，而采用快速路匝道协同控制后，路段平均密度较之前小了很多，这说明VSL与RM协同控制至关重要。
图9所示为情景3快速路匝道协同控制作用下研究区域各路段平均密度随时间的变化，通过对比分析发现，采用快速路匝道协同控制策略可使路段整体的平均速度降低，减少了交通流之间的相互干扰，提升通行效率。同时对比发现路段整体的密度变化更加平滑，无控制时拥堵路段与相邻路段的密度差很大，尤其是路段3的密度远大于其他路段，这是由于路段2匝道车流汇入主线引起车流量增大，路段3又由4车道减至3车道，引起密度增加，车流运行缓慢。在施加协同控制后，虽然没有改变车辆行驶至路段3面临密度增大的局面，但一定程度上降低了密度差，使得车辆在主路运行更加稳定。
图10为不同控制情景下研究区域路段速度随时空变化图，情景1为无控制，情景2和情景3分别为仅施加可变限速控制和协同控制情景，可以看出，与无控制相比，施加可变限速控制一定程度上提高了瓶颈时段车流的运行速度，但其控制效果有限，无法在短时间内疏散拥堵交通；通过对比发现，协同控制下不仅车流运行速度得到了提高，还大大缩短了高峰瓶颈时间，这对于快速缓解高峰期拥堵，提升主线运行效率是非常有利的。
为了定量地评价所提出的快速路匝道联合控制***的效果，本文选取总行程时间、主线车辆行程时间、平均延误时间以及相邻路段间的速度差作为评价指标。分别对比无控制、仅采用快速路匝道协同控制策略以及采用改进阻抗模型进行路径决策控制和快速路匝道协同控制策略的运行效率和安全性，表1列出了上述评价指标的比较结果：
表1
从上表可知，相较于无控制情况，采用快速路匝道协同控制策略后，总行程时间、主线车流行程时间、平均延误以及速度差分别降低了11.03％、8.97％、19.11％以及18.68％。而加上路径决策控制后，路网在运行效率以及安全性方面都获得了更大的提升，尤其是路网平均延误时间，相较于无控制情景减少了32.9％，以及相邻路段间的速度差减小了34.07％，车辆在快速路上的运行更加平稳。因此可验证本文所提出的快速路匝道联合控制***的有效性，相较于其他控制策略，其控制效果总体更优。
上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明，因此无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。

Claims (4)

1.一种智能网联快速路匝道协同控制***，其特征在于：该***实现的方法包括如下步骤：
步骤1、获取整个路段快速路车辆、城市道路车辆的相关运动状态信息、驾驶环境信息、交通状态信息；
所述车辆的相关运动状态信息包括车辆类型、ID、最大速度、起讫点信息、车辆位置、速度；
所述驾驶环境信息包括：快速路信息、速度限制、红绿灯情况；
所述交通状态信息包括：路段流量、交通流密度、平均速度；
步骤2、设定协同控制***的目标及约束条件，根据步骤1中获取的状态信息构建快速路匝道协同控制***模型；所述构建快速路匝道协同控制***模型包括：期望速度模型、速度密度敏感系数模型、匝道汇入量模型、主线车速折减模型；
步骤3、利用步骤2中的快速路匝道协同控制***模型计算出最优的匝道调节率和可变限速率；
步骤4、将根据步骤3中所得最优的匝道调节率和最优的可变限速率通过通信设备发送至城市道路车辆，各车辆根据接受到的控制指令，调整自身驾驶选择；
步骤5、在下一控制周期，返回步骤1并继续执行1-4的步骤；
所述步骤2中协同控制***模型的目标函数及约束条件为：
式中：T为采样周期；Np为计算步长；M为路段数；Li为路段i的长度(km)；λi为路段i内的车道数；
ρi(k)为路段i在k时刻的车流密度(veh/km/lane)；
qi(k)为路段i在k时刻的车流量(veh/h)；
vi(k)为k时刻路段i的车流平均速度(km/h)；
ωi(k)为路段i在k时刻入口匝道处排队车辆数；
Qi(k)为入口匝道通行能力(veh/h)；
bi(k)为可变限速率，取值范围为bmin,i(k)≤bi(k)≤1，其中bmin,i(k)∈[0,1]；ri(k)为入口匝道调节率，rmin,i≤ri(k)≤1，其中rmin,i∈[0,1]。
2.根据权利要求1所述的一种智能网联快速路匝道协同控制***，其特征在于：所述期望速度模型为：
式中：bi(k)——可变限速率，取值范围为bmin,i(k)≤bi(k)≤1，其中bmin,i(k)∈[0,1]。
3.根据权利要求1所述的一种智能网联快速路匝道协同控制***，其特征在于：所述速度密度敏感系数模型为：
4.根据权利要求1所述的一种智能网联快速路匝道协同控制***，其特征在于：所述匝道汇入量模型为：
di(k-1)——路段i在(k-1)时刻入口匝道的交通需求量，若无入口匝道，则取0。
CN202111201672.5A 2021-10-15 2021-10-15 一种智能网联快速路匝道协同控制*** Active CN113947900B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111201672.5A CN113947900B (zh) 2021-10-15 2021-10-15 一种智能网联快速路匝道协同控制***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111201672.5A CN113947900B (zh) 2021-10-15 2021-10-15 一种智能网联快速路匝道协同控制***

Publications (2)

Publication Number Publication Date
CN113947900A CN113947900A (zh) 2022-01-18
CN113947900B true CN113947900B (zh) 2023-10-24

Family

ID=79330567

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111201672.5A Active CN113947900B (zh) 2021-10-15 2021-10-15 一种智能网联快速路匝道协同控制***

Country Status (1)

Country Link
CN (1) CN113947900B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114664078B (zh) * 2022-03-18 2023-01-17 河北工业大学 基于自动驾驶车辆队列的道路合流区协作汇入控制方法
CN114758513B (zh) * 2022-04-14 2023-05-05 清华大学 匝道合流的协同控制方法、装置、电子设备及存储介质
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***
CN114758506B (zh) * 2022-06-15 2022-09-16 之江实验室 快速路合流区可变限速与匝道限流协同控制方法和装置
CN116343523B (zh) * 2022-12-28 2024-02-27 合肥工业大学 网联环境下快速路近距离匝道间车辆协同换道控制方法
CN116013076B (zh) * 2023-01-06 2023-11-03 合肥工业大学 一种快速路合流区主线车辆换道的动态控制方法
CN116013077B (zh) * 2023-01-06 2023-12-22 合肥工业大学 一种混合网联环境下快速路专用道的动态控制方法
CN116386385B (zh) * 2023-02-17 2024-03-26 东南大学 一种基于混合交通流的智能网联车辆上匝道汇入控制协议
CN117198082B (zh) * 2023-11-06 2024-04-05 北京理工大学前沿技术研究院 基于双层优化的车辆匝道汇入决策方法及***
CN117975737B (zh) * 2024-04-02 2024-05-31 北京中交华安科技有限公司 一种面向公路交织区的车辆主动诱导和智能管控方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6320515B1 (en) * 1996-08-09 2001-11-20 Kjell Olsson Method and equipment for motorway control
CN106601002A (zh) * 2016-11-23 2017-04-26 苏州大学 车联网环境下的城市快速路入口匝道车辆通行引导***及其引导方法
WO2017166474A1 (zh) * 2016-03-29 2017-10-05 中国科学院深圳先进技术研究院 一种基于交叉口群的交通控制方法及***
CN108109398A (zh) * 2017-12-28 2018-06-01 山东易构软件技术股份有限公司 一种高架快速路多匝道协调控制***及控制方法
CN108898854A (zh) * 2018-07-06 2018-11-27 广州交通信息化建设投资营运有限公司 一种基于模型预测控制的多匝道协同控制方法
CN112201057A (zh) * 2020-09-08 2021-01-08 同济大学 一种基于事故风险的快速路车速和匝道协同控制方法
CN112396834A (zh) * 2020-11-05 2021-02-23 河北上元智能科技股份有限公司 基于元胞自动机模型的雾天高速公路协调控制方法
CN112560915A (zh) * 2020-12-08 2021-03-26 苏州科技大学 一种基于机器学习的城市快速路交通状态识别方法
CN113345234A (zh) * 2021-06-07 2021-09-03 哈尔滨工业大学（深圳） 面向应急疏散场景的快速路入口匝道协同控制方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9928741B2 (en) * 2015-02-04 2018-03-27 Here Global B.V. Traffic adjustment for variable network state

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6320515B1 (en) * 1996-08-09 2001-11-20 Kjell Olsson Method and equipment for motorway control
WO2017166474A1 (zh) * 2016-03-29 2017-10-05 中国科学院深圳先进技术研究院 一种基于交叉口群的交通控制方法及***
CN106601002A (zh) * 2016-11-23 2017-04-26 苏州大学 车联网环境下的城市快速路入口匝道车辆通行引导***及其引导方法
CN108109398A (zh) * 2017-12-28 2018-06-01 山东易构软件技术股份有限公司 一种高架快速路多匝道协调控制***及控制方法
CN108898854A (zh) * 2018-07-06 2018-11-27 广州交通信息化建设投资营运有限公司 一种基于模型预测控制的多匝道协同控制方法
CN112201057A (zh) * 2020-09-08 2021-01-08 同济大学 一种基于事故风险的快速路车速和匝道协同控制方法
CN112396834A (zh) * 2020-11-05 2021-02-23 河北上元智能科技股份有限公司 基于元胞自动机模型的雾天高速公路协调控制方法
CN112560915A (zh) * 2020-12-08 2021-03-26 苏州科技大学 一种基于机器学习的城市快速路交通状态识别方法
CN113345234A (zh) * 2021-06-07 2021-09-03 哈尔滨工业大学（深圳） 面向应急疏散场景的快速路入口匝道协同控制方法及装置

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
周浩 ; 胡坚明 ; 张毅 ; 孙瑞 ; .快速路可变限速与匝道控制协同优化策略.交通运输***工程与信息.2017,(第02期),全文. *
城市快速路匝道的最优控制;曾繁荣;干宏程;刘勇;;电子科技(第02期);全文 *
基于MPC的快速路智能协同控制***;李敢;谢秉磊;;中国公共安全(学术版)(第03期);全文 *
基于模型预测控制的城市快速路交通协同控制;丁宏飞;刘硕智;秦政;;公路交通科技(第10期);全文 *
牛忠海 ; 贾元华 ; 张亮亮 ; 廖成 ; .基于自适应模糊神经网络的可变限速与匝道协同控制方法.物流技术.2015,(第17期),全文. *
葛静,张丽岩,马健.快速路入口匝道控制策略综述.《物流科技》.2021,第第44卷卷(第第8期期),全文. *
董开帆 ; 封春房 ; 李标.入口匝道和可变限速协调控制研究.《中国公共安全(学术版)》.2019,第第56卷卷(第第3期期),全文. *
赵婧杰 ; .基于交织区动态容量估计的高速路联合控制研究.信息技术与信息化.2020,(第05期),全文. *
马健 ; 张丽岩 ; 李克平 ; .城市快速路及匝道衔接段交通流建模仿真.计算机仿真.2016,(第12期),全文. *
高速公路主线瓶颈区域的协调控制模型;马明辉;杨庆芳;梁士栋;邢茹茹;;浙江大学学报(工学版)(第09期);全文 *

Also Published As

Publication number Publication date
CN113947900A (zh) 2022-01-18

Similar Documents

Publication Publication Date Title
CN113947900B (zh) 一种智能网联快速路匝道协同控制***
Yang et al. A cooperative driving framework for urban arterials in mixed traffic conditions
CN108510764B (zh) 一种基于q学习的多路口自适应相位差协调控制***及方法
Chen et al. An improved adaptive signal control method for isolated signalized intersection based on dynamic programming
Vreeswijk et al. Energy efficient traffic management and control-the eCoMove approach and expected benefits
Lioris et al. Doubling throughput in urban roads by platooning
Wang et al. A real-time vehicle-specific eco-routing model for on-board navigation applications capturing transient vehicle behavior
CN112629533B (zh) 基于路网栅格化道路车流预测的精细化路径规划方法
Shen et al. Detailed traffic animation for urban road networks
CN103996289B (zh) 一种流量-速度匹配模型及行程时间预测方法及***
CN107909837A (zh) 一种车辆借道通行的方法和控制中心
Xia Eco-approach and departure techniques for connected vehicles at signalized traffic intersections
CN111341107A (zh) 一种基于云平台数据的共享式交通控制方法
JP2011095251A (ja) 燃料最少経路及び費用算出方法
CN113160582A (zh) 一种高速公路流量管控方法及***
Kim et al. Navopt: Navigator assisted vehicular route optimizer
CN102436598A (zh) 一种基于交通图像信息的车辆最优路径挖掘方法
CN103236170B (zh) 一种基于动态路网的交通诱导方法
CN113593226B (zh) 一种混合交通流环境下自动驾驶专用道交叉口控制方法
CN114724377B (zh) 基于车路协同技术的无人驾驶车辆引导方法及***
CN109544913A (zh) 一种基于深度q网络学习的交通灯动态配时算法
Liang Coordination and routing for fuel-efficient heavy-duty vehicle platoon formation
Zhang et al. Dynamic lane grouping at isolated intersections: problem formulation and performance analysis
CN113362605A (zh) 基于潜在同质区域辨识的分布式交通流优化***及方法
CN109584554A (zh) 一种道路交叉口通行控制方法和***

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