CN115100857A - 一种基于Dijkstra算法的路网子区关键路径识别方法 - Google Patents
一种基于Dijkstra算法的路网子区关键路径识别方法 Download PDFInfo
- Publication number
- CN115100857A CN115100857A CN202210695373.XA CN202210695373A CN115100857A CN 115100857 A CN115100857 A CN 115100857A CN 202210695373 A CN202210695373 A CN 202210695373A CN 115100857 A CN115100857 A CN 115100857A
- Authority
- CN
- China
- Prior art keywords
- road
- directed
- intersection
- road network
- weight coefficient
- 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
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000000547 structure data Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000011144 upstream manufacturing Methods 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- G08G1/0104—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
- G08G1/01—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
- G08G1/065—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
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于Dijkstra算法的路网子区关键路径识别方法,该方法包括:S1.获取路网子区结构数据和交通运行状态数据;S2.定义路网中各路段的长度权重系数、速度权重系数和流量权重系数;S3.计算交叉口之间有向路段的通行阻抗指数;S4.计算多个连续交叉口之间有向路径的通行阻抗指数;S5.计算路网子区内所有有向路径的通行阻抗指数;S6.应用Dijkstra算法对所有有向路径进行搜索识别,输出路网子区关键路径。本发明量化各个路段交通运行状况在子区中的权重大小,能更科学合理地优选对子区运行效率影响最大的各条路段及路径,为制定合理的区域绿波协调控制方案、路网子区拥堵快速疏散控制奠定了基础。
Description
技术领域
本发明涉及城市智能交通管理和控制技术领域,特别涉及一种基于Dijkstra算法的路网子区关键路径识别方法。
背景技术
随着城市交通路网结构的升级,以及城市路网密度的提高,使得城市路网的控制协调需求越来越大。目前城市路网交通信号控制基本上是基于路网子区或者交叉口群作为协调对象的方法。路网子区的有效划分能够有助于提升区域内的交通流通行效率,并能提升区域中的交通运行效率和防止区域交叉口的拥堵。
然而路网子区并不能反映交叉口间的协调特性,如何依据路网交通流的方向性以及协调性进行路网的精准高效控制以处理城市交通拥堵问题,是目前交通协调控制领域的重点。城市路网子区中的关键交通路径能体现不同交叉口不同车流间的协调性,通过寻找子区中的车流关键流向和路径,并对关键路径进行区域绿波协调控制或拥堵快速疏散控制,可以有效提高路网子区的交通运行效率,并防止出现交叉口排队溢流、锁死的现象发生。对路网子区关键路径的判别是后续相应协调控制方案设计的基础,现有技术有考虑关键技术判别问题,但仅考虑出行时间(张纪升,贾利民,牛树云,李宏海.基于K-短路径的路网关键路段集合的辨识与分析[J].长安大学学报(自然科学版),2015,35(03):122-129.),或者仅考虑路径长度和交通流量(卢凯,吴蔚,邓兴栋,汪丽.控制子区内协调路径集的构成及优选方法[J].华南理工大学学报(自然科学版),2022,50(02):1-14.),均不能全面表征子区内不同路径的交通负荷情况。
关键路径是路网子区内通行量最大且决定着子区内整体交通运行效益的路径,因此,如何科学合理地判别关键路径,并建立一种基于Dijkstra算法的路网子区关键路径识别方法,具有非常重要的现实意义。
发明内容
为实现上述目的,本发明提供一种基于Dijkstra算法的路网子区关键路径识别方法。
本发明至少通过如下技术方案之一实现。
一种基于Dijkstra算法的路网子区关键路径识别方法,包括以下步骤:
S1.获取路网子区结构数据和交通运行状态数据;
S2.定义路网中各路段的长度权重系数、速度权重系数和流量权重系数;
S3.计算交叉口之间有向路段的通行阻抗指数;
S4.计算多个连续交叉口之间有向路径的通行阻抗指数;
S5.计算路网子区内所有有向路径的通行阻抗指数;
S6.应用Dijkstra算法对所有有向路径进行搜索识别,输出路网子区关键路径。
进一步地,步骤S1所述路网子区结构数据包括路网子区内各路段及交叉口的车道信息、相邻交叉口之间的距离,所述交通运行状态数据包括路网子区内各路段的车辆平均车速、自由流下平均行驶车速,各交叉口的车流流向、转向流量。
进一步地,步骤S2所述定义路网中各路段的长度权重系数、速度权重系数和流量权重系数,包括以下步骤:
S2.1定义路段的长度权重系数,为该路段的长度与路网中所有路段长度和的比值,计算公式为:
式中,ki为路段i的路段权重系数,Li为路段i的长度,N为路网子区中的路段数;
S2.2定义路段的速度权重系数,为该路段上的车辆平均速度与自由流下平均行驶速度的比值,计算公式为:
式中,hi为路段i的速度权重系数,vi为路段i的车辆平均速度,v′i为路段i在自由流下的平均行驶速度;
S2.3定义路段的流量权重系数,为该路段上的转向流量最大值与路网中所有路段转向流量最大值之和的比值,计算公式为:
进一步地,步骤S3所述有向路段为一个交叉口到另一个相邻交叉口的指向性路段,则相邻交叉口之间有双向两条有向路段;所述有向路段的通行阻抗指数为长度权重系数和速度权重系数的乘积与流量权重系数的比值,计算公式为:
式中,C(i)为有向路段i的通行阻抗指数。
进一步地,步骤S4所述有向路径为包含多条连续不重复有向路段、从子区边界上某一交叉口出发到另一侧边界某一交叉口结束的路径;所述有向路径的通行阻抗指数为此路径上所有有向路段的通行阻抗指数之和,计算公式为:
式中,C为一条有向路径的通行阻抗指数,n为此路径上的有向路段数。
进一步地,步骤S5所述计算路网子区内所有有向路径的通行阻抗指数,包括计算不同边界上一对交叉口之间多条有向路径的通行阻抗指数、计算不同边界上所有交叉口对之间多条有向路径的通行阻抗指数。
进一步地,步骤S6所述应用Dijkstra算法对所有有向路径进行搜索识别,包括以下步骤:
S6.1、选择路网子区边界上一交叉口为起点,选择路网子区另一边界上的交叉口为终点,形成交叉口对;
S6.2、初始化集合S和集合U,集合S只包含起点s,集合U包含起点s外的其他交叉口,且集合U中各交叉口的通行阻抗值为起点s到该交叉口的有向路径的通行阻抗指数;
S6.3、从集合U中选出通行阻抗值最小的交叉口,并将通行阻抗值最小的交叉口放入到集合S中,同时从集合U中移除通行阻抗值最小的交叉口,更新集合U中各个交叉口到起点的有向路径的通行阻抗指数;
S6.4、重复步骤S6.3,直到遍历完所有交叉口,输出当前交叉口对之间的所有有向路径的通行阻抗指数;
S6.5、更换边界上的起点交叉口,以及另一侧边界上的终点交叉口,遍历所有起讫点之间的有向路径集,输出所有交叉口对之间的最小有向路径通行阻抗指数;
S6.6、对所有有向路径按照有向路径上的有向路段数量进行分类,对含有相同有向路段数量的有向路径按通行阻抗指数进行从小到大排序,则每一类中通行阻抗指数值小的路径则为路网子区关键路径。
与现有技术相比,本发明至少能够实现以下有益效果:
1.本发明给出的权重系数融合了有向路段长度、车辆平均速度、自由流下平均行驶速度、交通流量等影响因素,量化了各个路段交通运行状况在子区中的权重大小。
2.本发明提出的关键路径识别方法,能更科学合理地优选对子区运行效率影响最大的路段及路径,为制定合理的区域绿波协调控制方案、路网子区拥堵快速疏散控制奠定了基础。
3.本发明应用Dijkstra算法快速、便捷地计算出各条有向路径的通行阻抗指数,能直观评估每一条路径的运行状况以及每一条路径对路网子区的影响程度。
附图说明
图1为本发明实施例提供的基于Dijkstra算法的路网子区关键路径识别方法流程图。
图2为本发明实施例提供的路网子区结构图。
图3为本发明实施例提供的交叉口i各进口道转向流向标识图。
图4为本发明实施例提供的路网子区关键路径。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都是本发明保护的范围。
请参阅图1,本发明提供的基于Dijkstra算法的路网子区关键路径识别方法,包括以下步骤:
S1.获取路网子区结构数据和交通运行状态数据。
在本发明的其中一些实施例中,路网子区是经过子区划分后可以进行信号控制整体优化的子区,所述路网子区结构数据包括路网子区内各路段及交叉口的车道信息、相邻交叉口之间的距离,如图2所示,对某子区内9个交叉口(I1、I2、…、I9)共24条有向路段(L1、L2、…、L24)所构成的路网进行关键路径识别。利用车辆检测器、浮动车等检测装置,获取每条有向路段的长度L1、L2、…、L24,车辆平均车速v1、v2、…、v24,自由流下车辆平均行驶车速v′1、v′2、…、v′24,路网中每个交叉口的转向流向和转向流量。
交叉口i各进口道的转向流向标识如图3所示,获得路段数据和交叉口转向流量如表1和表2所示。
表1路段数据
表2交叉口转向流量数据
S2.定义路网中各路段的长度权重系数、速度权重系数和流量权重系数。
利用表1中第i条有向路段的长度Li与路网中所有有向路段的长度和L1+L2+…+L24,计算第i条有向路段的长度权重系数,其为该路段的长度与路网中所有路段长度和的比值,反映路段在整个路网中所占的路段权重大小,计算公式为:
式中,ki为路段i的路段权重系数,Li为路段i的长度,N为路网子区中的路段数。
利用表1中第i条有向路段上的车辆平均速度vi与自由流下平均行驶速度v’i,计算第i条有向路段的速度权重系数,其为该路段上的车辆平均速度与自由流下平均行驶速度的比值,反映路段通行畅通程度,计算公式为:
式中,hi为路段i的速度权重系数,vi为路段i的车辆平均速度,v′i为路段i在自由流下的平均行驶速度。
利用表2中第i条有向路段上的转向流量最大值与路网中所有路段转向流量最大值之和,计算第i条有向路段的流量权重系数,其为该路段上的转向流量最大值与路网中所有路段转向流量最大值之和的比值,反映路段在整个路网中所占的流量权重大小,计算公式为:
式中,ei为路段i的流量权重系数,对应表2中有向路段上游交叉口的左转、直行、右转车流,即,为路段i的上游交叉口左转驶出流量,为路段i的上游交叉口直行驶出流量,为路段i的上游交叉口右转驶出流量,不同的有向路段得到的转向流量不同。
结果如表3所示。
S3.计算交叉口之间有向路段的通行阻抗指数。
有向路段为一个交叉口到另一个相邻交叉口的指向性路段,则相邻交叉口之间有双向两条有向路段,利用步骤S2计算出来的第i条有向路段的长度、速度和流量权重系数,计算第i条有向路段的通行阻抗指数,其为长度权重系数和速度权重系数的乘积与流量权重系数的比值,是综合反映有向路段通行承载大小的概念性指数,:
结果如表3所示。
S4.计算多个连续交叉口之间有向路径的通行阻抗指数。
有向路径为包含多条连续不重复有向路段、从子区边界上某一交叉口出发到另一侧边界某一交叉口结束的路径,利用步骤S3计算出来的每条有向路段的通行阻抗指数,可计算出任一条有向路径的通行阻抗指数;具体有向路径的通行阻抗指数为此路径上所有有向路段的通行阻抗指数之和,反映了有向路径通行承载大小,计算公式为:
式中,C为一条有向路径的通行阻抗指数,n为此路径上的有向路段数,例如有向路径L3—>L1的通行阻抗指数为C(L3,L1)=C(3)+C(1)=1.06。
S5.计算路网子区内所有有向路径的通行阻抗指数。
计算路网子区内所有有向路径的通行阻抗指数,包括计算不同边界上一对交叉口之间多条有向路径的通行阻抗指数、计算不同边界上所有交叉口对之间多条有向路径的通行阻抗指数;有向路径通行阻抗指数越小,表示该路径通行承载程度越高,成为关键路径的可能性越大,此步骤可在Dijkstra算法中实现。
S6.应用Dijkstra算法对所有有向路径进行搜索识别,输出路网子区关键路径。
应用Dijkstra算法计算不同边界上一对交叉口之间多条有向路径的通行阻抗指数、计算不同边界上所有交叉口对之间多条有向路径的通行阻抗指数。对所有有向路径按照有向路径上的有向路段数量进行分类,对含有相同有向路段数量的有向路径通行阻抗指数进行从小到大排序,则每一类中通行阻抗指数值小的路径则为路网子区关键路径。
进一步地,步骤S6包括:
S6.1、选择路网子区边界上一交叉口为起点,选择路网子区另一边界上的交叉口为终点,形成交叉口对;
S6.2、初始化集合S和集合U,集合S只包含起点s,集合U包含起点s外的其他交叉口,且集合U中各交叉口的通行阻抗值为起点s到该交叉口的有向路径的通行阻抗指数;
S6.3、从集合U中选出通行阻抗值最小的交叉口,并将通行阻抗值最小的交叉口放入到集合S中,同时从集合U中移除通行阻抗值最小的交叉口,更新集合U中各个交叉口到起点的有向路径的通行阻抗指数;
S6.4、重复步骤S6.3,直到遍历完所有交叉口,输出当前交叉口对之间的所有有向路径的通行阻抗指数;
S6.5、更换边界上的起点交叉口,以及另一侧边界上的终点交叉口,遍历所有起讫点之间的有向路径集,输出所有交叉口对之间的最小有向路径通行阻抗指数;
S6.6、对所有有向路径按照有向路径上的有向路段数量进行分类,对含有相同有向路段数量的有向路径按通行阻抗指数进行从小到大排序,则每一类中通行阻抗指数值小的路径则为路网子区关键路径。
在本发明的其中一些实施例中,计算出的关键路径为含有2条有向路段的4条路径,包括了L2→L4,L3→L1,L19→L17,L22→24,如图4所示。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其他实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于Dijkstra算法的路网子区关键路径识别方法,其特征在于,包括以下步骤:
S1.获取路网子区结构数据和交通运行状态数据;
S2.定义路网中各路段的长度权重系数、速度权重系数和流量权重系数;
S3.计算交叉口之间有向路段的通行阻抗指数;
S4.计算多个连续交叉口之间有向路径的通行阻抗指数;
S5.计算路网子区内所有有向路径的通行阻抗指数;
S6.应用Dijkstra算法对所有有向路径进行搜索识别,输出路网子区关键路径。
2.根据权利要求1所述的基于Dijkstra算法的路网子区关键路径识别方法,其特征在于,步骤S1所述路网子区结构数据包括路网子区内各路段及交叉口的车道信息、相邻交叉口之间的距离。
3.根据权利要求1所述的基于Dijkstra算法的路网子区关键路径识别方法,其特征在于,步骤S1所述交通运行状态数据包括路网子区内各路段的车辆平均车速、自由流下平均行驶车速,各交叉口的车流流向、转向流量。
4.根据权利要求1所述的基于Dijkstra算法的路网子区关键路径识别方法,其特征在于,步骤S2所述定义路网中各路段的长度权重系数、速度权重系数和流量权重系,包括以下步骤:
S2.1、定义路段的长度权重系数,为该路段的长度与路网中所有路段长度和的比值,计算公式为:
式中,ki为路段i的路段权重系数,Li为路段i的长度,N为路网子区中的路段数;
S2.2、定义路段的速度权重系数,为该路段上的车辆平均速度与自由流下平均行驶速度的比值,计算公式为:
式中,hi为路段i的速度权重系数,vi为路段i的车辆平均速度,v′i为路段i在自由流下的平均行驶速度;
S2.3、定义路段的流量权重系数,为该路段上的转向流量最大值与路网中所有路段转向流量最大值之和的比值,计算公式为:
7.根据权利要求1所述的基于Dijkstra算法的路网子区关键路径识别方法,其特征在于,步骤S5所述计算路网子区内所有有向路径的通行阻抗指数,包括:
计算不同边界上一对交叉口之间多条有向路径的通行阻抗指数、计算不同边界上所有交叉口对之间多条有向路径的通行阻抗指数。
8.根据权利要求1所述的一种基于Dijkstra算法的路网子区关键路径识别方法,其特征在于,步骤S6所述应用Dijkstra算法对所有有向路径进行搜索识别,包括以下步骤:
S6.1、选择路网子区边界上一交叉口为起点,选择路网子区另一边界上的交叉口为终点,形成交叉口对;
S6.2、初始化集合S和集合U,集合S只包含起点s,集合U包含起点s外的其他交叉口,且集合U中各交叉口的通行阻抗值为起点s到该交叉口的有向路径的通行阻抗指数;
S6.3、从集合U中选出通行阻抗值最小的交叉口,并将通行阻抗值最小的交叉口放入到集合S中,同时从集合U中移除通行阻抗值最小的交叉口,更新集合U中各个交叉口到起点的有向路径的通行阻抗指数;
S6.4、重复步骤S6.3,直到遍历完所有交叉口,输出当前交叉口对之间的所有有向路径的通行阻抗指数;
S6.5、更换边界上的起点交叉口,以及另一侧边界上的终点交叉口,遍历所有起讫点之间的有向路径集,输出所有交叉口对之间的最小有向路径通行阻抗指数;
S6.6、对所有有向路径按照有向路径上的有向路段数量进行分类,对含有相同有向路段数量的有向路径按通行阻抗指数进行从小到大排序,则每一类中通行阻抗指数值小的路径则为路网子区关键路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210695373.XA CN115100857B (zh) | 2022-06-17 | 2022-06-17 | 一种基于Dijkstra算法的路网子区关键路径识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210695373.XA CN115100857B (zh) | 2022-06-17 | 2022-06-17 | 一种基于Dijkstra算法的路网子区关键路径识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115100857A true CN115100857A (zh) | 2022-09-23 |
CN115100857B CN115100857B (zh) | 2024-03-19 |
Family
ID=83290344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210695373.XA Active CN115100857B (zh) | 2022-06-17 | 2022-06-17 | 一种基于Dijkstra算法的路网子区关键路径识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115100857B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116453333A (zh) * | 2023-03-24 | 2023-07-18 | 阿波罗智联(北京)科技有限公司 | 用于预测主要车流路径的方法及模型训练方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101639978A (zh) * | 2009-08-28 | 2010-02-03 | 华南理工大学 | 一种动态划分交通控制子区的方法 |
CN106910350A (zh) * | 2017-03-22 | 2017-06-30 | 东南大学 | 一种寻找信号控制交叉口群关键路径的方法 |
CN110097757A (zh) * | 2019-05-22 | 2019-08-06 | 东南大学 | 一种基于深度优先搜索的交叉口群关键路径识别方法 |
CN111081019A (zh) * | 2019-12-23 | 2020-04-28 | 华南理工大学 | 一种基于路段权重系数的路网交通运行状况评价方法 |
CN111932875A (zh) * | 2020-07-29 | 2020-11-13 | 太原理工大学 | 基于改进布谷鸟搜索算法的交叉口群关键路径识别方法 |
-
2022
- 2022-06-17 CN CN202210695373.XA patent/CN115100857B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101639978A (zh) * | 2009-08-28 | 2010-02-03 | 华南理工大学 | 一种动态划分交通控制子区的方法 |
CN106910350A (zh) * | 2017-03-22 | 2017-06-30 | 东南大学 | 一种寻找信号控制交叉口群关键路径的方法 |
CN110097757A (zh) * | 2019-05-22 | 2019-08-06 | 东南大学 | 一种基于深度优先搜索的交叉口群关键路径识别方法 |
CN111081019A (zh) * | 2019-12-23 | 2020-04-28 | 华南理工大学 | 一种基于路段权重系数的路网交通运行状况评价方法 |
CN111932875A (zh) * | 2020-07-29 | 2020-11-13 | 太原理工大学 | 基于改进布谷鸟搜索算法的交叉口群关键路径识别方法 |
Non-Patent Citations (6)
Title |
---|
ZAIN ADAM 等: "Critical routes identification method using wavelet filtering", 13TH INTERNATIONAL IEEE CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS * |
孙家骏 等: "基于Apriori算法的城市关键路段识别", 现代交通技术, no. 02 * |
孙超 等: "基于一种交通状态系数的城市路网交通状态评价研究", 公路交通科技, no. 05 * |
李彦瑾 等: "基于GERT网络的应急救援关键路段识别", 交通运输***工程与信息, no. 04 * |
谭满春 等: "诱导阻抗均衡公路网交通分配模型", ***工程 * |
贾洪飞 等: "GPS数据下的城市路网关键路段识别", 吉林大学学报(工学版), no. 04 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116453333A (zh) * | 2023-03-24 | 2023-07-18 | 阿波罗智联(北京)科技有限公司 | 用于预测主要车流路径的方法及模型训练方法 |
CN116453333B (zh) * | 2023-03-24 | 2024-04-16 | 阿波罗智联(北京)科技有限公司 | 用于预测主要车流路径的方法及模型训练方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115100857B (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105913661B (zh) | 一种基于收费数据的高速公路路段交通状态判别方法 | |
CN103000027B (zh) | 基于浮动车在拥堵状态下的智能交通诱导方法 | |
CN108647802B (zh) | 基于双层交通网络模型抗拥塞方法 | |
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 | |
CN104778834A (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN111028511B (zh) | 一种交通拥堵预警方法及装置 | |
Chen et al. | Simulating the impacts of on-street vehicle parking on traffic operations on urban streets using cellular automation | |
CN112820108A (zh) | 一种自学习的路网交通状态分析及预测方法 | |
CN106803347B (zh) | 基于rfid数据的城市交叉***通状态判别方法 | |
CN115100857A (zh) | 一种基于Dijkstra算法的路网子区关键路径识别方法 | |
CN101739823A (zh) | 一种适用低频采样的路段平均行程时间测量方法 | |
Ardakani et al. | A decremental approach with the A∗ algorithm for speeding-up the optimization process in dynamic shortest path problems | |
CN105654720A (zh) | 基于城市道路拥堵识别的检测器布设方法 | |
CN107833459A (zh) | 一种基于gps数据的城市公交运行状况评价方法 | |
CN106910350A (zh) | 一种寻找信号控制交叉口群关键路径的方法 | |
CN106845703A (zh) | 一种考虑转向延误的城市路网时变k最短路径搜索方法 | |
CN111583629A (zh) | 一种划分交通路网的方法 | |
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 | |
CN110097757B (zh) | 一种基于深度优先搜索的交叉口群关键路径识别方法 | |
CN108022015B (zh) | 一种左转机动车通行能力的修正方法 | |
CN105427647B (zh) | 一种区别车辆转向的路径分配方法及装置 | |
CN110634289B (zh) | 一种基于电警数据的城市道路交通最优路径在线规划方法 | |
CN115497301A (zh) | 一种交通组织优化方案的评估方法、电子设备及存储介质 | |
CN102542617A (zh) | 一种复杂路网的路径识别标识站设置方法 | |
CN110136440B (zh) | 一种基于广度优先搜索的交叉口群范围界定方法 |
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 |