CN114548570A - 一种基于串联双瓶颈路网的早通勤出行成本计算方法 - Google Patents
一种基于串联双瓶颈路网的早通勤出行成本计算方法 Download PDFInfo
- Publication number
- CN114548570A CN114548570A CN202210175969.7A CN202210175969A CN114548570A CN 114548570 A CN114548570 A CN 114548570A CN 202210175969 A CN202210175969 A CN 202210175969A CN 114548570 A CN114548570 A CN 114548570A
- Authority
- CN
- China
- Prior art keywords
- bottleneck
- time
- early
- vehicle
- cost
- 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
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 56
- 238000005265 energy consumption Methods 0.000 claims description 33
- 239000000446 fuel Substances 0.000 claims description 15
- 239000000126 substance Substances 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 4
- 230000003111 delayed effect Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 3
- 238000007726 management method Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000009977 dual effect Effects 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 206010027336 Menstruation delayed Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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
- G08G1/065—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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于串联双瓶颈路网的早通勤出行成本计算方法,该方法应用于全自动驾驶环境,包括步骤:构建串联双瓶颈路网,计算出行者早通勤出行成本,出行者早通勤出行成本包括出行者的拥堵成本、车辆停车过程中所产生的自动驾驶成本、到达目的地时由于迟到或早到而产生的惩罚。运用该方法能够根据出发时间计算车辆早通勤成本、预测自动驾驶环境下的早通勤开始和结束的时间、交通瓶颈处拥堵排队的动态变化情况、出行者的出发时间与停车位置选择等特征。该方法在理论上是对瓶颈模型在自动驾驶领域应用的发展;在实际应用中能够为新建城市的路网规划、停车设施管理以及旧城市的道路与停车设施改造工程提供理论支撑。
Description
技术领域
本发明涉及全自动驾驶领域,特别是针对不收停车费下基于串联双瓶颈路网的早通勤出行成本的计算方法。
背景技术
近年来,通信网络、计算机、自动控制等的广泛应用,使自动驾驶技术得到了快速发展。自动驾驶环境下的早通勤过程为——车辆先将出行者送达目的地,而后自动行驶至目标车位,该车位可以是远离出行者目的地的家用车位、共享车位等。该过程与人驾车辆环境相比具有以下三点技术优势:(1)车位与目的地间的步行过程被消除,出行者到达目的地的时间不再受步行影响;(2)车辆对停车设施位置和种类的选择更加灵活;(3)出行者无需为寻找车位进行巡航。但同时,自动驾驶环境的早通勤过程也存在一些亟待解决的问题,包括:传统人驾车辆和自动驾驶车辆的早通勤过程的主要区别在于:在传统人驾车辆环境下,出行者从家出发后先到达停车场而后步行至工作地点;而自动驾驶车辆先将出行者送达工作地点,并在出行者下车后自动行驶至停车场。在传统人驾环境下由于车辆被事先停在停车场,目的地处的停车下客需求被分散到了各个停车场处。而在自动驾驶环境下,每一位通勤者都需要在其目的地处经历减速、停车、下车的过程,目的地所在路段由于无法承担集中的停车下客需求而发生拥堵排队现象,形成新的交通瓶颈。由此估计在自动驾驶环境下,类似医院、商场、学校等大型公共场所出入口处的拥堵、排队现象将会更加普遍。
现有研究在描述通勤过程中的交通流动态变化时多使用瓶颈模型,瓶颈模型最早由诺贝尔经济学奖获得者Vickrey提出,而后国内外学者在经典瓶颈模型基本假设的基础上展开了更为深入的扩展研究,包括考虑其他出行选择(路径选择、停车行为选择、出行方式选择),早晚联合通勤行为研究,在排队中考虑车辆实际长度、异质出行者、拼车制,等等。现有技术中,在自动驾驶环境下只有对单瓶颈模型的研究,无法解决未来交通场景中大型公共场所出入口、商业活动繁忙地区等高峰时刻拥堵排队加剧的问题。
因此,提出一种应用于全自动驾驶环境,基于双瓶颈模型的早通勤不同时段出发出行者的出行成本的计算方法是非常有必要的。
发明内容
本发明的目的是提出一种基于串联双瓶颈路网的早通勤出行成本计算方法,该方法应用于全自动驾驶环境,出行者早通勤出行成本包括出行者的拥堵成本、车辆(本文中的车辆均指自动驾驶车辆)停车过程中所产生的自动驾驶成本、到达目的地时由于迟到或早到而产生的惩罚,包括步骤如下:
S1、构建串联双瓶颈路网:所述串联双瓶颈路网包括瓶颈一和瓶颈二,且瓶颈一的通行能力s1大于瓶颈二的通行能力s2,所述通行能力是指一个瓶颈在单位时间内能够通过的最大车辆数,当瓶颈处的到达率超过了该瓶颈的通行能力时即发生排队或排队车辆逐渐累积,否则瓶颈处不发生排队或排队逐渐消散;所述瓶颈一位于居住区与目的地之间,用于反映早通勤途中由于所有不确定因素造成的交通拥堵,也即出行时间中除了车辆以自由流速度驶过该路程所需要的时间以外,由其他因素所造成的拥堵排队时间;所述瓶颈二位于目的地处,用于反映车辆在早通勤过程中由于目的地处停车下客需求增加所造成的拥堵排队现象;在早通勤期间,出行者t时刻从居住区出发,在瓶颈一处经历时长为T1(t)的排队后在tA时刻到达目的地处,到达后立即下车;而此时车辆由于集中的停车下客需求在目的地处的瓶颈二经历时长为T2(t)的排队后前往停车场停车;
S2、求出行者的拥堵成本:出行者在到达目的地之前在车内经历排队,故出行者在瓶颈一处的拥堵成本包括自身的拥堵成本αT1(t)和车辆的拥堵成本τT1(t);到达目的地处,出行者立即下车前往工作地点,而车辆则需经过时长为T2(t)的排队后才能前往停车场,故出行者在瓶颈二处的拥堵成本只有车辆的拥堵成本τT2(t);因此,出行者的拥堵成本为(τ+α)T1(t)+τT2(t);其中,α为出行者单位时间由于排队延误而产生的成本,τ为车辆单位时间的拥堵成本;
S3、求车辆停车过程中所产生的自动驾驶成本:在不收停车费的情况下,到达目的地较早的车辆将优先占用距目的地较近的车位以降低车辆停车的自动驾驶成本;在t时刻从居住区出发并在tA时刻到达目的地的出行者将车辆停在与目的地相距x的停车场;假设停车场容量足够大,足够容纳所有t时刻从居住区出发的车辆;若车辆行驶单位距离的能耗为w,则车辆前往停车场的能耗为wx;设单位能耗所需燃料的价值为λ,则车辆停车过程所产生的自动驾驶成本为λwx;
S4、求到达目的地时由于迟到或早到而产生的惩罚:假设所有出行者的规定上班时间都为t*,对早于规定时间到达目的地即tA<t*或晚于规定时间到达目的地即tA>t*的出行者分别给予惩罚,单位时间早到惩罚为β,单位时间迟到惩罚为γ,则对于早于规定时间到达目的地的出行者给予的惩罚为早到惩罚β[t*-tA],对于晚于规定时间到达目的地的出行者给予的惩罚为迟到惩罚γ[tA-t*];因此,到达目的地时由于迟到或早到而产生的惩罚为max{0,β[t*-tA]}+max{0,γ[tA-t*]};
S5、求出行者早通勤出行成本:记t时刻从居住区出发的出行者早通勤出行成本为C(t),则C(t)满足:
C(t)=(τ+α)T1(t)+τT2(t)+λwx+max{0,β[t*-tA]}+max{0,γ[tA-t*]}。 (1)
进一步地,所述t时刻从居住区出发的出行者在瓶颈一处的排队时间T1(t)和排队长度D1(t)满足:
其中,r(t)为居住区的车辆出发率(均衡状态下单位时间从居住区出发的车辆数),也即瓶颈一处的车辆到达率;s1为瓶颈一的通行能力;为瓶颈一的排队开始时间;瓶颈一处的排队长度D1(t)表示为累积到达与通过瓶颈一的车辆数之差;从瓶颈一处的排队长度D1(t)关于从居住区出发的时间t的一阶导数可以看出,当居住区的车辆出发率r(t)大于瓶颈一的通行能力s1时排队逐渐积累,当居住区的车辆出发率r(t)小于瓶颈一的通行能力s1时排队逐渐消散;
所述t时刻从居住区出发的出行者在瓶颈二处的排队时间T2(t)和排队长度D2(t)满足:
其中,r(t)为居住区的车辆出发率,也即瓶颈一处的车辆到达率;s1为瓶颈一的通行能力;s2为瓶颈二的通行能力;为瓶颈二的排队开始时间;D1(t)为瓶颈一处的排队长度;tA为车辆到达目的地的时间,易知当瓶颈一处尚未形成排队时,D1(t)=0,车辆从居住区出发后立即通过瓶颈一到达瓶颈二,瓶颈二处的车辆到达率等于居住区的车辆出发率r(t),此时相当于一个只有瓶颈二的单瓶颈路网;当瓶颈一处产生排队后,D1(t)>0,瓶颈二处的车辆到达率等于瓶颈一处的车辆离开率,也即瓶颈一的通行能力s1,累积到达瓶颈二的车辆数等于累积通过瓶颈一的车辆数;从瓶颈二处的排队长度D2(t)关于从居住区出发的时间t的一阶导数可以看出,在瓶颈一和瓶颈二处均有排队时,当瓶颈一的通行能力s1大于瓶颈二的通行能力s2时,瓶颈二处的排队就会一直积累直至没有车辆出发;
所述在t时刻从居住区出发并在tA时刻到达位于目的地的出行者将车辆停在与目的地相距x的停车场,其中x满足:
进一步地,记to、为早通勤期间的五个特殊时间点,其中,为瓶颈二的排队开始时间,为瓶颈一的排队开始时间,to为出行者按规定上班时间t*到达目的地的出发时间,为瓶颈一的排队结束时间,为瓶颈二的排队结束时间;这五个特殊时间点将早通勤期间分为了四个阶段:(Ⅰ)在早通勤的第一阶段中,居住区的车辆出发率r(t)大于瓶颈二的通行能力s2且小于瓶颈一的通行能力s1,所以当时瓶颈一处不产生排队,而瓶颈二处从早通勤一开始就产生排队(此时相当于一个只有瓶颈二的单瓶颈路网);(Ⅱ)在早通勤的第二阶段中,因为在to时刻之前出发的出行者都将提前到达目的地,而随着距离规定上班时间t*越来越近,居住区的车辆出发率r(t)逐渐增大,并且居住区的车辆出发率r(t)大于瓶颈一的通行能力s1,此时瓶颈一的车辆到达率超过了瓶颈一的通行能力s1,所以当时瓶颈一处开始产生排队且排队长度逐渐增大,而瓶颈二处的排队继续累积;(Ⅲ)在早通勤的第三阶段中,因为在to时刻之后出发的出行者都将迟到,而随着推迟出发产生的迟到惩罚越来越大,居住区的车辆出发率r(t)逐渐减小,并且居住区的车辆出发率r(t)小于瓶颈一的通行能力s1,所以当时瓶颈一处的排队开始逐渐消散,而瓶颈二处的排队继续累积;(Ⅳ)在早通勤的第四阶段中,这一阶段居住区的车辆出发率r(t)=0,表示所有早通勤的车辆都已在前三个阶段出发了,所以当时瓶颈一处的排队已经完全消散,瓶颈二处的排队也逐渐开始消散;
根据所述公式(1)~(9)得到,早通勤期间四个阶段中t时刻从居住区出发的出行者早通勤出行成本C(t)和居住区的车辆出发率r(t)分别如下:
早通勤期间四个阶段中t时刻从居住区出发的出行者早通勤出行成本C(t)满足:
在用户平衡条件下,早通勤期间四个阶段中居住区的车辆出发率r(t)满足:
上述中,β为单位时间早到惩罚,γ为单位时间迟到惩罚,t*为规定上班时间,t为出行者从居住区出发的实际时间,τ为车辆单位时间的拥堵成本,T2(t)为t时刻从居住区出发的出行者在瓶颈二处的排队时间,λ为单位能耗所需燃料的价值,w为车辆行驶单位距离的能耗,x为目的地与车辆所停放的停车场之间的距离,α为出行者单位时间由于排队延误而产生的成本,T1(t)为t时刻从居住区出发的出行者在瓶颈一处的排队时间,tA为车辆到达目的地的时间,s1为瓶颈一的通行能力,s2为瓶颈二的通行能力。
早通勤期间的交通需求总量为N,且瓶颈二在早通勤期间一直以其通行能力s2运行,由此可以得出:
上述中,t*为规定上班时间,β为单位时间早到惩罚,γ为单位时间迟到惩罚,λ为单位能耗所需燃料的价值,w为车辆行驶单位距离的能耗,s2为瓶颈二的通行能力,N为早通勤期间的交通需求总量。
上述中,t*为规定上班时间,β为单位时间早到惩罚,γ为单位时间迟到惩罚,λ为单位能耗所需燃料的价值,w为车辆行驶单位距离的能耗,s1为瓶颈一的通行能力,s2为瓶颈二的通行能力,N为早通勤期间的交通需求总量,τ为车辆单位时间的拥堵成本,r1为早通勤第一阶段的出发率(可由公式(11)计算得到),为瓶颈二的排队开始时间。
上述中,β为单位时间早到惩罚,γ为单位时间迟到惩罚,λ为单位能耗所需燃料的价值,w为车辆行驶单位距离的能耗,s2为瓶颈二的通行能力,N为早通勤期间的交通需求总量,t*为规定上班时间。
与现有技术相比,本发明方法的有益效果是:
本发明方法首次针对未来交通环境下可能出现的目的地处停车下客需求激增问题,建立双瓶颈模型求得了在早通勤不同时段出发出行者的个人出行成本以及早通勤期间的***出行成本。自动驾驶技术的推广及应用将会对人们的未来出行方式产生颠覆式的影响,自动驾驶车辆与传统人驾车辆早通勤行为的主要区别在于:传统人驾车辆先将出行者送至停车场,而后出行者需要步行前往工作地点;而自动驾驶车辆直接将出行者送达工作地点,待出行者下车后再自动行驶至停车场。由此可以看出,自动驾驶车辆将会消除早通勤期间出行者的步行成本以及为寻找合适车位而产生的车辆巡航成本,但同时也增加了车辆自动行驶至停车场的自动驾驶成本。此外,自动驾驶环境下的早通勤过程也面临新的交通问题:自动驾驶环境下所有通勤者都要在目的地处停车下客,当目的地所在路段由于无法承担集中的停车下客需求时就会发生拥堵现象,产生排队成本,形成新的交通瓶颈。通过文献梳理发现,现有研究中对于自动驾驶车辆的早通勤出行研究较少,其中大多数研究采用单瓶颈模型,尚未有研究结合自动驾驶车辆的早通勤特点,考虑目的地处可能出现的拥堵排队现象,利用双瓶颈模型计算早通勤出行成本。由于上、下游瓶颈通行能力不同,其排队情况也有所不同。在上游瓶颈(瓶颈一)通行能力大于下游瓶颈(瓶颈二)通行能力的情况下,本发明方法将早通勤划分为了四个阶段,每个阶段有各自的出行成本计算公式。考虑到出行者在权衡各自的拥堵成本、早到或晚到惩罚和停车成本后选择合适的时间出发,本发明方法进一步求得了用户均衡状态下早通勤四个阶段的出发率以及两瓶颈的排队开始和结束时间。
相比于以往的单瓶颈模型,本发明方法由于考虑了自动驾驶车辆与传统人驾车辆在早通勤行为上的区别,在目的地处引入了一个新的瓶颈,是对现实情况的进一步逼近,也是对经典瓶颈模型理论的进一步发展。运用本发明方法能够根据出发时间计算自动驾驶车辆早通勤成本、预测自动驾驶环境下的早通勤开始和结束的时间、交通瓶颈处拥堵排队的动态变化情况、出行者的出发时间与停车位置选择等特征。本发明方法在理论上是对瓶颈模型在自动驾驶领域应用的发展;在实际应用中能够为新建城市的路网规划、停车设施管理以及旧城市的道路与停车设施改造工程提供理论支撑与仿真实验依据。
下面通过具体实施方式及附图对本发明作进一步详细说明,但并不意味着对本发明保护范围的限制。
附图说明
图1是本发明实施例构建的串联双瓶颈路网示意图。
图2是本发明实施例基于串联双瓶颈路网的早通勤出行特征示意图。
具体实施方式
下面结合附图,通过对实施例的描述,对本发明的具体实施方式作进一步的说明。
本例给出一种基于串联双瓶颈路网的早通勤出行成本计算方法,该方法应用于全自动驾驶环境,出行者早通勤出行成本包括出行者的拥堵成本、车辆停车过程中所产生的自动驾驶成本、到达目的地时由于迟到或早到而产生的惩罚,本例的目的地为CBD(CentralBusiness District,城市中心商业区)。
该方法包括步骤如下:
S1、构建串联双瓶颈路网:所述串联双瓶颈路网包括瓶颈一和瓶颈二,且瓶颈一的通行能力s1大于瓶颈二的通行能力s2,所述通行能力是指一个瓶颈在单位时间内能够通过的最大车辆数,当瓶颈处的到达率超过了该瓶颈的通行能力时即发生排队或排队车辆逐渐累积,否则瓶颈处不发生排队或排队逐渐消散;所述瓶颈一位于居住区与目的地之间,用于反映早通勤途中由于所有不确定因素造成的交通拥堵,也即出行时间中除了车辆以自由流速度驶过该路程所需要的时间以外,由其他因素所造成的拥堵排队时间;所述瓶颈二位于目的地处,用于反映车辆在早通勤过程中由于目的地处停车下客需求增加所造成的拥堵排队现象;在早通勤期间,出行者t时刻从居住区出发,在瓶颈一处经历时长为T1(t)的排队后在tA时刻到达目的地处,到达后立即下车;而此时车辆由于集中的停车下客需求在目的地处的瓶颈二经历时长为T2(t)的排队后前往停车场停车。
图1给出了本例构建的串联双瓶颈路网示意图。在早通勤期间,出行者t时刻从居住区出发,在瓶颈一处经历时长为T1(t)的排队后在tA时刻到达位于CBD的工作地点,到达后立即下车;而此时车辆由于集中的停车下客需求在CBD处的瓶颈二经历时长为T2(t)的排队后前往目标停车场停车。(补充说明:因为把路网简化成图1中所示的二维线形之后,车辆自动行驶至停车位的自动驾驶成本只与车位和CBD之间的直线距离有关(从成本函数也可以看出),而与停车场的实际位置无关。因此,也可以假设停车场位于CBD之后或者其他的地方,只是在本例中我们参照多数现有研究,假设它在瓶颈一和CBD之间。)
S2、求出行者的拥堵成本:出行者在到达目的地之前在车内经历排队,故出行者在瓶颈一处的拥堵成本包括自身的拥堵成本αT1(t)和车辆的拥堵成本τT1(t);到达目的地处,出行者立即下车前往工作地点,而车辆则需经过时长为T2(t)的排队后才能前往停车场,故出行者在瓶颈二处的拥堵成本只有车辆的拥堵成本τT2(t);因此,出行者的拥堵成本为(τ+α)T1(t)+τT2(t);其中,α为出行者单位时间由于排队延误而产生的成本,τ为车辆单位时间的拥堵成本。
S3、求车辆停车过程中所产生的自动驾驶成本:在不收停车费的情况下,到达目的地较早的车辆将优先占用距目的地较近的车位以降低车辆停车的自动驾驶成本;在t时刻从居住区出发并在tA时刻到达目的地的出行者将车辆停在与目的地相距x的停车场;假设停车场容量足够大,足够容纳所有t时刻从居住区出发的车辆;若车辆行驶单位距离的能耗为w,则车辆前往停车场的能耗为wx;设单位能耗所需燃料的价值为λ,则车辆停车过程所产生的自动驾驶成本为λwx。
S4、求到达目的地时由于迟到或早到而产生的惩罚:假设所有出行者的规定上班时间都为t*,对早于规定时间到达目的地即tA<t*或晚于规定时间到达目的地即tA>t*的出行者分别给予惩罚,单位时间早到惩罚为β,单位时间迟到惩罚为γ,则对于早于规定时间到达目的地的出行者给予的惩罚为早到惩罚β[t*-tA],对于晚于规定时间到达目的地的出行者给予的惩罚为迟到惩罚γ[tA-t*];因此,到达目的地时由于迟到或早到而产生的惩罚为max{0,β[t*-tA]}+max{0,γ[tA-t*]}。
S5、求出行者早通勤出行成本:记t时刻从居住区出发的出行者早通勤出行成本为C(t),则C(t)满足:
C(t)=(τ+α)T1(t)+τT2(t)+λwx+max{0,β[t*-tA]}+max{0,γ[tA-t*]}。 (1)
本例中,所述t时刻从居住区出发的出行者在瓶颈一处的排队时间T1(t)和排队长度D1(t)满足:
其中,r(t)为居住区的车辆出发率(均衡状态下单位时间从居住区出发的车辆数),也即瓶颈一处的车辆到达率;s1为瓶颈一的通行能力;为瓶颈一的排队开始时间;瓶颈一处的排队长度D1(t)表示为累积到达与通过瓶颈一的车辆数之差;从瓶颈一处的排队长度D1(t)关于从居住区出发的时间t的一阶导数可以看出,当居住区的车辆出发率r(t)大于瓶颈一的通行能力s1时排队逐渐积累,当居住区的车辆出发率r(t)小于瓶颈一的通行能力s1时排队逐渐消散。
所述t时刻从居住区出发的出行者在瓶颈二处的排队时间T2(t)和排队长度D2(t)满足:
其中,r(t)为居住区的车辆出发率,也即瓶颈一处的车辆到达率;s1为瓶颈一的通行能力;s2为瓶颈二的通行能力;为瓶颈二的排队开始时间;D1(t)为瓶颈一处的排队长度;tA为车辆到达目的地的时间,易知当瓶颈一处尚未形成排队时,D1(t)=0,车辆从居住区出发后立即通过瓶颈一到达瓶颈二,瓶颈二处的车辆到达率等于居住区的车辆出发率r(t),此时相当于一个只有瓶颈二的单瓶颈路网;当瓶颈一处产生排队后,D1(t)>0,瓶颈二处的车辆到达率等于瓶颈一处的车辆离开率,也即瓶颈一的通行能力s1,累积到达瓶颈二的车辆数等于累积通过瓶颈一的车辆数;从瓶颈二处的排队长度D2(t)关于从居住区出发的时间t的一阶导数可以看出,在瓶颈一和瓶颈二处均有排队时,当瓶颈一的通行能力s1大于瓶颈二的通行能力s2时,瓶颈二处的排队就会一直积累直至没有车辆出发。
所述在t时刻从居住区出发并在tA时刻到达位于目的地的出行者将车辆停在与目的地相距x的停车场,其中x满足:
本例中,记to、为早通勤期间的五个特殊时间点,其中,为瓶颈二的排队开始时间,为瓶颈一的排队开始时间,to为出行者按规定上班时间t*到达目的地的出发时间,为瓶颈一的排队结束时间,为瓶颈二的排队结束时间;这五个特殊时间点将早通勤期间分为了四个阶段:(Ⅰ)在早通勤的第一阶段中,居住区的车辆出发率r(t)大于瓶颈二的通行能力s2且小于瓶颈一的通行能力s1,所以当时瓶颈一处不产生排队,而瓶颈二处从早通勤一开始就产生排队(此时相当于一个只有瓶颈二的单瓶颈路网);(Ⅱ)在早通勤的第二阶段中,因为在to时刻之前出发的出行者都将提前到达目的地,而随着距离规定上班时间t*越来越近,居住区的车辆出发率r(t)逐渐增大,并且居住区的车辆出发率r(t)大于瓶颈一的通行能力s1,此时瓶颈一的车辆到达率超过了瓶颈一的通行能力s1,所以当时瓶颈一处开始产生排队且排队长度逐渐增大,而瓶颈二处的排队继续累积;(Ⅲ)在早通勤的第三阶段中,因为在to时刻之后出发的出行者都将迟到,而随着推迟出发产生的迟到惩罚越来越大,居住区的车辆出发率r(t)逐渐减小,并且居住区的车辆出发率r(t)小于瓶颈一的通行能力s1,所以当时瓶颈一处的排队开始逐渐消散,而瓶颈二处的排队继续累积;(Ⅳ)在早通勤的第四阶段中,这一阶段居住区的车辆出发率r(t)=0,表示所有早通勤的车辆都已在前三个阶段出发了,所以当时瓶颈一处的排队已经完全消散,瓶颈二处的排队也逐渐开始消散;
根据所述公式(1)~(9)得到,早通勤期间四个阶段中t时刻从居住区出发的出行者早通勤出行成本C(t)和居住区的车辆出发率r(t)分别如下:
早通勤期间四个阶段中t时刻从居住区出发的出行者早通勤出行成本C(t)满足:
在用户平衡条件下,早通勤期间四个阶段中居住区的车辆出发率r(t)满足:
上述中,β为单位时间早到惩罚,γ为单位时间迟到惩罚,t*为规定上班时间,t为出行者从居住区出发的实际时间,τ为车辆单位时间的拥堵成本,T2(t)为t时刻从居住区出发的出行者在瓶颈二处的排队时间,λ为单位能耗所需燃料的价值,w为车辆行驶单位距离的能耗,x为目的地与车辆所停放的停车场之间的距离,α为出行者单位时间由于排队延误而产生的成本,T1(t)为t时刻从居住区出发的出行者在瓶颈一处的排队时间,tA为车辆到达目的地的时间,s1为瓶颈一的通行能力,s2为瓶颈二的通行能力。
早通勤期间的交通需求总量为N,且瓶颈二在早通勤期间一直以其通行能力s2运行,由此可以得出:
上述中,t*为规定上班时间,β为单位时间早到惩罚,γ为单位时间迟到惩罚,λ为单位能耗所需燃料的价值,w为车辆行驶单位距离的能耗,s2为瓶颈二的通行能力,N为早通勤期间的交通需求总量。
上述中,t*为规定上班时间,β为单位时间早到惩罚,γ为单位时间迟到惩罚,λ为单位能耗所需燃料的价值,w为车辆行驶单位距离的能耗,s1为瓶颈一的通行能力,s2为瓶颈二的通行能力,N为早通勤期间的交通需求总量,τ为车辆单位时间的拥堵成本,r1为早通勤第一阶段的出发率(可由公式(11)计算得到),为瓶颈二的排队开始时间。
上述中,β为单位时间早到惩罚,γ为单位时间迟到惩罚,λ为单位能耗所需燃料的价值,w为车辆行驶单位距离的能耗,s2为瓶颈二的通行能力,N为早通勤期间的交通需求总量,t*为规定上班时间。
本例中,早通勤四个阶段瓶颈一和瓶颈二的排队情况如表1所示:
表1早通勤四个阶段两瓶颈排队情况表
时段 | 瓶颈一 | 瓶颈二 |
(t<sub>s2</sub>,t<sub>s1</sub>) | NQ | A |
(t<sub>s1</sub>,t<sub>o</sub>) | A | A |
(t<sub>o</sub>,t<sub>e1</sub>) | D | A |
(t<sub>e1</sub>,t<sub>e2</sub>) | NQ | D |
表1中,NQ表示没有排队,A表示排队累积,D表示排队消散。
本例中,早通勤四个阶段从居住区出发的出行者早通勤出行成本C(t)和居住区的车辆出发率r(t)如表2所示:
表2早通勤四个阶段出行特征表
图2给出了本例基于串联双瓶颈路网的早通勤出行特征示意图,其反映了在不收停车费下的用户均衡早通勤出行特征。
图2中,曲线ABCDE是居住区的车辆出发曲线,也是瓶颈一处的车辆到达曲线,该曲线描述了早通勤四个阶段内出行者的出发时间选择特征。曲线ABCDE的斜率为居住区的车辆出发率r(t),由公式(11)可知出发率是分时段恒定的,因此在图2中表现为折线形式。曲线ABDE是瓶颈一的车辆出发曲线,也是瓶颈二的车辆到达曲线。曲线ABDE在时段内的斜率为r1,r1<s1表示瓶颈一处还未产生排队,其通行能力未被完全利用;在时段内的斜率为s1,此时瓶颈一开始以其通行能力运行。曲线ABCDE与曲线ABDE之间的纵坐标差值表示某一时刻从居住区出发的出行者在瓶颈一处的排队长度,横坐标差值表示该出行者在瓶颈一处经历的排队时间。由图可以看出,在AB、DE段,瓶颈一处没有排队;在时段内瓶颈一处的排队情况与经典瓶颈模型类似,先逐渐累积并在t=to时达到最大,后逐渐消散。由曲线ABCDE与曲线ABDE围成的三角形CBD的面积即为瓶颈一处的***排队总时间。曲线AE是瓶颈二的车辆出发曲线,其斜率是瓶颈二的通行能力s2,表示瓶颈二一直以其通行能力运行。曲线ABDE与曲线AE之间的图形面积表示瓶颈二处的***排队总时间。
上述结合附图对本发明进行了示例性描述,显然本发明的具体实现并不受本文所示的实施例限制。
Claims (6)
1.一种基于串联双瓶颈路网的早通勤出行成本计算方法,其特征在于,该方法应用于全自动驾驶环境,出行者早通勤出行成本包括出行者的拥堵成本、车辆停车过程中所产生的自动驾驶成本、到达目的地时由于迟到或早到而产生的惩罚,包括步骤如下:
S1、构建串联双瓶颈路网:所述串联双瓶颈路网包括瓶颈一和瓶颈二,且瓶颈一的通行能力s1大于瓶颈二的通行能力s2,所述通行能力是指一个瓶颈在单位时间内能够通过的最大车辆数,当瓶颈处的到达率超过了该瓶颈的通行能力时即发生排队或排队车辆逐渐累积,否则瓶颈处不发生排队或排队逐渐消散;所述瓶颈一位于居住区与目的地之间,用于反映早通勤途中由于所有不确定因素造成的交通拥堵,也即出行时间中除了车辆以自由流速度驶过该路程所需要的时间以外,由其他因素所造成的拥堵排队时间;所述瓶颈二位于目的地处,用于反映车辆在早通勤过程中由于目的地处停车下客需求增加所造成的拥堵排队现象;在早通勤期间,出行者t时刻从居住区出发,在瓶颈一处经历时长为T1(t)的排队后在tA时刻到达目的地处,到达后立即下车;而此时车辆由于集中的停车下客需求在目的地处的瓶颈二经历时长为T2(t)的排队后前往停车场停车;
S2、求出行者的拥堵成本:出行者在到达目的地之前在车内经历排队,故处行政在瓶颈一处的拥堵成本包括自身的拥堵成本αT1(t)和车辆的拥堵成本τT1(t);到达目的地处,出行者立即下车前往工作地点,而车辆则需经过时长为T2(t)的排队后才能前往停车场,故出行者在瓶颈二处的拥堵成本只有车辆的拥堵成本τT2(t);因此,出行者的拥堵成本为(τ+α)T1(t)+τT2(t);其中,α为出行者单位时间由于排队延误而产生的成本,τ为车辆单位时间的拥堵成本;
S3、求车辆停车过程中所产生的自动驾驶成本:在不收停车费的情况下,到达目的地较早的车辆将优先占用距目的地较近的车位以降低车辆停车的自动驾驶成本;在t时刻从居住区出发并在tA时刻到达目的地的出行者将车辆停在与目的地相距x的停车场;假设停车场容量足够大,足够容纳所有t时刻从居住区出发的车辆;若车辆行驶单位距离的能耗为w,则车辆前往停车场的能耗为wx;设单位能耗所需燃料的价值为λ,则车辆停车过程所产生的自动驾驶成本为λwx;
S4、求到达目的地时由于迟到或早到而产生的惩罚:假设所有出行者的规定上班时间都为t*,对早于规定时间到达目的地即tA<t*或万一规定时间到达目的地即tA>t*的出行者分别给予惩罚,单位时间早到惩罚为β,单位时间迟到惩罚为γ,则对于早于规定时间到达目的地的出行者给予的惩罚为早到惩罚β[t*-tA],对于晚于规定时间到达目的地的出行者给予的惩罚为迟到惩罚γ[tA-t*];因此,到达目的地时由于迟到或早到而产生的惩罚为max{0,β[t*-tA]}+max{0,γ[tA-t*]};
S5、求出行者早通勤出行成本:记t时刻从居住区出发的出行者早通勤出行成本为C(t),则C(t)满足:
C(t)=(τ+α)T1(t)+τT2(t)+λwx+max{0,β[t*-tA]}+max{0,γ[tA-t*]}。 (1)
2.根据权利要求1所述的一种基于串联双瓶颈路网的早通勤出行成本计算方法,其特征在于,所述t时刻从居住区出发的出行者在瓶颈一处的排队时间T1(t)和排队长度D1(t)满足:
其中,r(t)为居住区的车辆出发率,也即瓶颈一处的车辆到达率;s1为瓶颈一的通行能力;为瓶颈一的排队开始时间;瓶颈一处的排队长度D1(t)表示为累积到达与通过瓶颈一的车辆数之差;从瓶颈一处的排队长度D1(t)关于从居住区出发的时间t的一阶导数可以看出,当居住区的车辆出发率r(t)大于瓶颈一的通行能力s1时排队逐渐积累,当居住区的车辆出发率r(t)小于瓶颈一的通行能力s1时排队逐渐消散;
所述t时刻从居住区出发的出行者在瓶颈二处的排队时间T2(t)和排队长度D2(t)满足:
其中,r(t)为居住区的车辆出发率,也即瓶颈一处的车辆到达率;s1为瓶颈一的通行能力;s2为瓶颈二的通行能力;为瓶颈二的排队开始时间;D1(t)为瓶颈一处的排队长度;tA为车辆到达目的地的时间,易知当瓶颈一处尚未形成排队时,D1(t)=0,车辆从居住区出发后立即通过瓶颈一到达瓶颈二,瓶颈二处的车辆到达率等于居住区的车辆出发率r(t),此时相当于一个只有瓶颈二的单瓶颈路网;当瓶颈一处产生排队后,D1(t)>0,瓶颈二处的车辆到达率等于瓶颈一处的车辆离开率,也即瓶颈一的通行能力s1,累积到达瓶颈二的车辆数等于累积通过瓶颈一的车辆数;从瓶颈二处的排队长度D2(t)关于从居住区出发的时间t的一阶导数可以看出,在瓶颈一和瓶颈二处均有排队时,当瓶颈一的通行能力s1大于瓶颈二的通行能力s2时,瓶颈二处的排队就会一直积累直至没有车辆出发;
所述在t时刻从居住区出发并在tA时刻到达位于目的地的出行者将车辆停在与目的地相距x的停车场,其中x满足:
3.根据权利要求2所述的一种基于串联双瓶颈路网的早通勤出行成本计算方法,其特征在于,记to、为早通勤期间的五个特殊时间点,其中,为瓶颈二的排队开始时间,为瓶颈一的排队开始时间,to为出行者按规定上班时间t*到达目的地的出发时间,为瓶颈一的排队结束时间,为瓶颈二的排队结束时间;这五个特殊时间点将早通勤期间分为了四个阶段:(I)在早通勤的第一阶段中,居住区的车辆出发率r(t)大于瓶颈二的通行能力s2且小于瓶颈一的通行能力s1,所以当时瓶颈一处不产生排队,而瓶颈二处从早通勤一开始就产生排队;(II)在早通勤的第二阶段中,因为在to时刻之前出发的出行者都将提前到达目的地,而随着距离规定上班时间t*越来越近,居住区的车辆出发率r(t)逐渐增大,并且居住区的车辆出发率r(t)大于瓶颈一的通行能力s1,此时瓶颈一的车辆到达率超过了瓶颈一的通行能力s1,所以当时瓶颈一处开始产生排队且排队长度逐渐增大,而瓶颈二处的排队继续累积;(III)在早通勤的第三阶段中,因为在to时刻之后出发的出行者都将迟到,而随着推迟出发产生的迟到惩罚越来越大,居住区的车辆出发率r(t)逐渐减小,并且居住区的车辆出发率r(t)小于瓶颈一的通行能力s1,所以当时瓶颈一处的排队开始逐渐消散,而瓶颈二处的排队继续累积;(IV)在早通勤的第四阶段中,这一阶段居住区的车辆出发率r(t)=0,表示所有早通勤的车辆都已在前三个阶段出发了,所以当时瓶颈一处的排队已经完全消散,瓶颈二处的排队也逐渐开始消散;
根据所述公式(1)~(9)得到,早通勤期间四个阶段中t时刻从居住区出发的出行者早通勤出行成本C(t)和居住区的车辆出发率r(t)分别如下:
早通勤期间四个阶段中t时刻从居住区出发的出行者早通勤出行成本C(t)满足:
在用户平衡条件下,早通勤期间四个阶段中居住区的车辆出发率r(t)满足:
上述中,β为单位时间早到惩罚,γ为单位时间迟到惩罚,t*为规定上班时间,t为出行者从居住区出发的实际时间,τ为车辆单位时间的拥堵成本,T2(t)为t时刻从居住区出发的出行者在瓶颈二处的排队时间,λ为单位能耗所需燃料的价值,w为车辆行驶单位距离的能耗,x为目的地与车辆所停放的停车场之间的距离,α为出行者单位时间由于排队延误而产生的成本,T1(t)为t时刻从居住区出发的出行者在瓶颈一处的排队时间,tA为车辆到达目的地的时间,s1为瓶颈一的通行能力,s2为瓶颈二的通行能力。
早通勤期间的交通需求总量为N,且瓶颈二在早通勤期间一直以其通行能力s2运行,由此可以得出:
上述中,t*为规定上班时间,β为单位时间早到惩罚,γ为单位时间迟到惩罚,λ为单位能耗所需燃料的价值,w为车辆行驶单位距离的能耗,s2为瓶颈二的通行能力,N为早通勤期间的交通需求总量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210175969.7A CN114548570B (zh) | 2022-02-25 | 2022-02-25 | 一种基于串联双瓶颈路网的早通勤出行成本计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210175969.7A CN114548570B (zh) | 2022-02-25 | 2022-02-25 | 一种基于串联双瓶颈路网的早通勤出行成本计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114548570A true CN114548570A (zh) | 2022-05-27 |
CN114548570B CN114548570B (zh) | 2024-05-10 |
Family
ID=81680097
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210175969.7A Active CN114548570B (zh) | 2022-02-25 | 2022-02-25 | 一种基于串联双瓶颈路网的早通勤出行成本计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114548570B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102009042629A1 (de) * | 2009-09-23 | 2011-03-24 | Daimler Ag | Navigationssystem mit Pendlerroutenfunktion und Verfahren zur Unterstützung eines Fahrers eines Fahrzeugs beim Fahren auf einer Pendlerroute |
JP2013057544A (ja) * | 2011-09-07 | 2013-03-28 | I-Transport Lab Co Ltd | 交通状況の経路案内装置、経路案内方法及び経路案内プログラム |
CN108345966A (zh) * | 2018-04-25 | 2018-07-31 | 哈尔滨工业大学 | 一种基于乘客到达时间的服务***估计算法 |
CN108806252A (zh) * | 2018-06-19 | 2018-11-13 | 西南交通大学 | 一种高速公路混合交通流协同优化控制方法 |
CN110782654A (zh) * | 2019-02-22 | 2020-02-11 | 北京嘀嘀无限科技发展有限公司 | 拥堵区域通行能力估测方法、装置及数据处理设备 |
-
2022
- 2022-02-25 CN CN202210175969.7A patent/CN114548570B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102009042629A1 (de) * | 2009-09-23 | 2011-03-24 | Daimler Ag | Navigationssystem mit Pendlerroutenfunktion und Verfahren zur Unterstützung eines Fahrers eines Fahrzeugs beim Fahren auf einer Pendlerroute |
JP2013057544A (ja) * | 2011-09-07 | 2013-03-28 | I-Transport Lab Co Ltd | 交通状況の経路案内装置、経路案内方法及び経路案内プログラム |
CN108345966A (zh) * | 2018-04-25 | 2018-07-31 | 哈尔滨工业大学 | 一种基于乘客到达时间的服务***估计算法 |
CN108806252A (zh) * | 2018-06-19 | 2018-11-13 | 西南交通大学 | 一种高速公路混合交通流协同优化控制方法 |
CN110782654A (zh) * | 2019-02-22 | 2020-02-11 | 北京嘀嘀无限科技发展有限公司 | 拥堵区域通行能力估测方法、装置及数据处理设备 |
Non-Patent Citations (4)
Title |
---|
ANYU HUANG: "Duration-based parking toll for autonomous vehicles: Theories and preliminary results", 《2022 IEEE 25TH INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS (ITSC)》, 1 November 2022 (2022-11-01), pages 3321 - 3327 * |
孔垂贤: "考虑可变通行能力的瓶颈模型研究", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑, vol. 2022, no. 02, 15 February 2022 (2022-02-15), pages 034 - 495 * |
李超婷: "双瓶颈路段家庭出行行为分析及拥堵管理策略研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, vol. 2020, no. 06, 15 June 2020 (2020-06-15), pages 034 - 970 * |
陈晓旭: "考虑合乘的自动驾驶车辆瓶颈路段早高峰拥挤收费研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, vol. 2019, no. 01, 15 January 2019 (2019-01-15), pages 034 - 1995 * |
Also Published As
Publication number | Publication date |
---|---|
CN114548570B (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107016857B (zh) | 一种信控交叉口左转交通组合设计优化方法 | |
Christofa et al. | Traffic signal optimization with application of transit signal priority to an isolated intersection | |
CN109447340B (zh) | 一种可靠性最短路的定制公交线路优化方法 | |
CN110232821B (zh) | 一种高峰时段港湾公交停靠站临近车道通行能力计算方法 | |
CN108922169B (zh) | 停车共享环境下基于均衡理论的差异化收费策略方法 | |
CN107919014B (zh) | 面向多载客里程的出租车运行线路优化方法 | |
Gonzales et al. | The evening commute with cars and transit: Duality results and user equilibrium for the combined morning and evening peaks | |
CN109191852B (zh) | 车-路-云协同的交通流态势预测方法 | |
CN114511937B (zh) | 一种基于停车时长的自动驾驶停车收费方法 | |
CN114155724B (zh) | 一种车联网环境下的交叉***通信号控制方法 | |
CN110148297B (zh) | 一种使用班车接驳的停车换乘***及优化方法 | |
CN114519933B (zh) | 基于无过饱和状态的约定出行管控方法、装置及存储介质 | |
Lu et al. | Linear location-dependent parking fees and integrated daily commuting patterns with late arrival and early departure in a linear city | |
CN108345966A (zh) | 一种基于乘客到达时间的服务***估计算法 | |
CN117576929B (zh) | 一种考虑不同公交平面相交的车速与信号协同优化方法 | |
Nourinejad et al. | Parking pricing and design in the morning commute problem with regular and autonomous vehicles | |
CN107564322A (zh) | 单向双公交专用道条件下分离式站台停靠车辆分配方法 | |
CN113470390B (zh) | 短连线交叉口边缘节点融合的多相位动态协调控制方法 | |
CN113140108B (zh) | 一种网联智能交通***中的云端交通态势预测方法 | |
CN108197724B (zh) | 公交复杂网络中效率权重计算与公交方案性能评估方法 | |
CN114548570A (zh) | 一种基于串联双瓶颈路网的早通勤出行成本计算方法 | |
CN115083198A (zh) | 一种多车运力资源调度方法及装置 | |
Galagedera et al. | Airport curbside and parking area operations at BIA–analysis of user behavior | |
Ben-Akiva et al. | Some circumstances in which vehicles will reach their destinations earlier by starting later: Revisited | |
Bede et al. | Optimalization of road traffic with the applied of reversible direction lanes |
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 |