CN115862322A - 一种车辆可变限速控制优化方法、***、介质及设备 - Google Patents
一种车辆可变限速控制优化方法、***、介质及设备 Download PDFInfo
- Publication number
- CN115862322A CN115862322A CN202211466263.2A CN202211466263A CN115862322A CN 115862322 A CN115862322 A CN 115862322A CN 202211466263 A CN202211466263 A CN 202211466263A CN 115862322 A CN115862322 A CN 115862322A
- Authority
- CN
- China
- Prior art keywords
- variable speed
- road
- speed limit
- network model
- target
- 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.)
- Pending
Links
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种车辆可变限速控制优化方法、***、介质及设备,涉及车辆控制技术领域,包括确定待可变限速控制实施的路径,选取目标路段,获取目标路段交通流数据;构建目标路段的真实路网模型,并根据道路真实的机电设备位置信息搭载至路网模型中;根据目标路段交通流数据对路网模型进行标定,利用路网模型模拟在不同服务水平下各子路段发生事故造成主干道车道数减少的情况;构建可变限速双目标优化模型,将每种情况下模拟的交通流数据传输至可变限速双目标优化模型中,利用NSGA‑Ⅱ算法求解对应的可变限速控制策略。通过可变限速控制对路段的安全和效率进行优化与提升。
Description
技术领域
本公开涉及车辆控制技术领域,具体涉及一种车辆可变限速控制优化方法、***、介质及设备。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
可变限速(Variable Speed Limit,VSL)是交通管控措施的一种,是指在高速公路或者城市快速路上,根据交通状况、天气条件、交通事故等因素,对道路交通流实施主动干预,动态调节路段的限速值,从而达到改善交通流、缓解交通拥堵、提升道路安全等目的。
可变限速控制的研究场景通常包括雨雾等恶劣天气、前方发生交通事故、进行道路施工、受匝道影响造成的拥堵等,当主干道上车道数减少,受到出入口匝道的影响,流量增大情况下形成的拥堵,往往通过可变限速控制对路段的安全和效率进行优化与提升。由于可变限速控制策略技术很难在实际场景中测试,因此相关研究多是结合仿真模型进行。在以提高通行效率为目标的可变限速研究中,大多采用宏观仿真模型进行分析,主要包括METANET模型和CTM模型;在以改善道路安全为目标的可变限速研究中,PARAMICS、VISSIM等微观仿真模型使用得较多。MEATNET、CTM等宏观模型无法分析单个车辆的行驶特征,不能描述驾驶员的加速、减速、限速服从度等行为,对于安全指标不能直接进行计算和描述;PARAMICS、VISSIM等微观模型可以克服宏观模型的不足,从单个车辆的角度对交通流进行分析,但是以微观仿真模型进行仿真优化的相关研究较少。同时,已有研究多以单一的优化目标作为策略选择的影响因素,对于多目标优化的可变限速策略研究较少。
发明内容
本公开为了解决上述问题,提出了一种车辆可变限速控制优化方法、***、介质及设备,将道路通行效率和交通安全作为优化目标,结合VISSIM微观仿真交通流状态,采用NSGA-Ⅱ多目标优化算法求解生成分时段、分路段的多级可变限速控制策略的方法。
根据一些实施例,本公开采用如下技术方案:
一种车辆可变限速控制优化方法,包括:
确定待可变限速控制实施的路径,选取目标路段,获取目标路段交通流数据;
构建目标路段的真实路网模型,并根据道路真实的机电设备位置信息搭载至路网模型中;
根据目标路段交通流数据对路网模型进行标定,利用路网模型模拟在不同服务水平下各子路段发生事故造成主干道车道数减少的情况;
构建可变限速双目标优化模型,将每种情况下模拟的交通流数据传输至可变限速双目标优化模型中,利用NSGA-Ⅱ算法求解对应的可变限速控制策略。
根据一些实施例,本公开采用如下技术方案:
一种车辆可变限速控制优化***,包括:
数据初始化模块,用于确定待可变限速控制实施的路径,选取目标路段,获取目标路段交通流数据;
模型构建模块,用于构建目标路段的真实路网模型,并根据道路真实的机电设备位置信息搭载至路网模型中;
策略求解模块,用于根据目标路段交通流数据对路网模型进行标定,利用路网模型模拟在不同服务水平下各子路段发生事故造成主干道车道数减少的情况;构建可变限速双目标优化模型,将每种情况下模拟的交通流数据传输至可变限速双目标优化模型中,利用NSGA-Ⅱ算法求解对应的可变限速控制策略。
根据一些实施例,本公开采用如下技术方案:
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种车辆可变限速控制优化方法。
根据一些实施例,本公开采用如下技术方案:
一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种车辆可变限速控制优化方法。
与现有技术相比,本公开的有益效果为:
本公开所提出的方法对目标路段进行仿真,并以微观仿真模型进行仿真优化,采用NSGA-Ⅱ多目标优化算法求解生成分时段、分路段的多级可变限速控制策略的方法,当遇到雨雾等恶劣天气、前方发生交通事故、进行道路施工、受匝道影响造成的拥堵等问题时,主干道上车道数减少,受到出入口匝道的影响,流量增大情况下形成的拥堵,可以通过可变限速控制对路段的安全和效率进行优化与提升,缓解拥堵区的拥堵状况、提高整体通行效率,提升道路安全性。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例中的可变限速控制策略实施流程示意图;
图2为本公开实施例中的路网仿真模型与优化算法结合方法的流程示意图;
图3为本公开实施例中的快速非支配排序示意图;
图4为本公开实施例中的拥挤度计算示意图;
图5为本公开实施例中的NSGA-Ⅱ算法的选择示意图;
图6为本公开实施例中的NSGA-Ⅱ算法的计算流程图。
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
可变限速控制的研究场景通常包括雨雾等恶劣天气、前方发生交通事故、进行道路施工、受到匝道影响造成的拥堵等,本公开方案可针对的场景为主干道上车道数减少,受到出入口匝道的影响,流量增大情况下行成的拥堵,通过可变限速控制对路段的安全和效率进行优化与提升。
实施例1
本公开的一种实施例中提供了一种车辆可变限速控制优化方法,包括:
步骤1:确定待可变限速控制实施的路径,选取目标路段,获取目标路段交通流数据;
步骤2:构建目标路段的真实路网模型,并根据道路真实的机电设备位置信息搭载至路网模型中;
步骤3:根据目标路段交通流数据对路网模型进行标定,利用路网模型模拟在不同服务水平下各子路段发生事故造成主干道车道数减少的情况;
步骤4:构建可变限速双目标优化模型,将每种情况下模拟的交通流数据传输至可变限速双目标优化模型中,利用NSGA-Ⅱ算法求解对应的可变限速控制策略。
其中,可变限速控制的关键要素包括限速标志的布置位置选择、限速的控制周期长短和变化幅度大小等,不同的取值对于可变限速的控制效果都会产生影响,由此,本公开作为以下控制限定:
(1)瓶颈路段起点与上游限速控制断面之间的距离范围为500m~700m;
(2)确定两个控制断面之间的距离应至少保持为1.5km;
(3)合适的控制周期的取值为5~10分钟,本发明中取控制周期为10分钟。
(4)限速范围根据路段最大最小限速确定,限速值一般为10的倍数;
(5)限速最大变化幅度通常为20km/h或10km/h,本公开取10km/h。
作为一种实施例,在步骤1,依据上述可变限速关键要素设置中规定,确定具备可变限速控制策略实施条件的路段。
在步骤2中,构建目标路段的真实路网模型,并根据道路真实的机电设备位置信息搭载至路网模型中;具体的,根据道路真实的检测器、可变信息情报板等机电设备位置信息搭载至路网仿真模型中。
因为METANET、CTM等宏观交通流模型难以提供路段中每辆车的位置、速度等信息,所以选择微观仿真软件VISSIM进行路网仿真模型的搭建与计算。
步骤3中,根据目标路段交通流数据对路网模型进行标定,利用路网模型模拟在不同服务水平下各子路段发生事故造成主干道车道数减少的情况的具体步骤是:以可变信息情报板所在位置作为限速控制断面,断面之间划分子路段,同时以服务水平划分交通运行情况,利用VISSIM生成的路网模型模拟在不同服务水平下各子路段发生事故造成主干道车道数减少的情况。
其中,采用路段真实交通流数据对路网模型进行标定的过程为:
(1)选择至少包含交通量或者通行能力的校准指标,并选取***运行指标作为判别校准停止的条件;
(2)选取驾驶行为模型参数作为待校准参数;
(3)采用试验优化法、启发式算法进行参数校准;
(4)利用实际数据通过统计验证方法对模型进行可信度检验。
作为一种实施例,在步骤4中,构建可变限速双目标优化模型,将每种情况下模拟的交通流数据传输至可变限速双目标优化模型中,利用NSGA-Ⅱ算法求解对应的可变限速控制策略。
首先,构建可变限速双目标优化模型,所述可变限速双目标优化模型选择多目标遗传算法中的NSGA-Ⅱ算法以通行效率以及道路安全作为目标进行优化。由于同时考虑安全和效率两个目标函数,并选用智能优化算法进行求解,选择多目标遗传算法中的NSGA-Ⅱ算法作为优化算法。按照仿真优化SBO的思想,将仿真模型的输出值用作优化算法的适应值,构建针对可变限速双目标优化模型的求解思路如附图2所示,即:首先,建立基础的VISSIM仿真模型,通过Python二次开发搭建仿真模型与优化算法的接口;然后,由NSGA-Ⅱ算法生成可能的限速策略,输入至VISSIM仿真模型,通过路口仿真模型计算得到每个限速策略对应的目标函数,NSGA-Ⅱ获取目标函数值,进行进化迭代,搜寻新的可变限速策略,直到完成进化;最后,得到最优的可变限速控制策略集。
非支配遗传算法(Non-dominated Sorting Genetic Algorithms,NSGA)是基于Pareto最优概念对遗传算法的延伸,按照支配关系对个体进行了分层。对NSGA算法改进后得到了计算复杂度更低、种群多样性得以保障、优质个体得以保留的NSGA-Ⅱ算法。
以通行效率以及道路安全两个优化目标构建目标函数,其中,以平均行程时间作为通行效率指标,以冲突概率作为道路安全指标,并确定约束条件为在同一个控制断面上,相邻控制周期内赋予的限速值之差需要小于等于10km/h以及在同一个控制周期内,相邻控制断面上的限速值之差也需要小于等于10km/h。
具体实施的过程如下:
为缓解拥堵区的拥堵状况、提高整体通行效率,提升道路安全性,本发明选取效率和安全两个目标进行优化。
(1)基于通行效率提升的目标函数
平均行程时间(Average Travel Time,ATT)是车辆在路段中行驶所花费的平均时间,总行程时间(Total Travel Time,TTT)是指路段中所有车辆从路段起点行驶至路段终点所花费的总时间,TTT与ATT的关系如式(1)所示。
式中:N为总车辆数。
总行程时间和平均行程时间的减小代表着路段整体通行效率的提高,平均行程时间越小代表着每名驾驶员通过拥挤路段所花费的时间越少。
(2)基于道路安全改善的目标函数
替代性安全指标可以用于分析道路中的车辆冲突情况,实现对道路安全的评价,因此使用替代性安全指标中的碰撞时间(Time To Collision,TTC)作为安全指标,其定义为:如果前后两车的行驶状态保持不变,后车与前方车辆相撞所需要的时间,而如果能在这一时间间隔内采取了后车减速等适当的预防措施,那么可以避免碰撞的发生,其计算公式如式(2)所示。
式中:t为时间间隔,i为车辆编号,车辆i+1代表跟随着车辆i的车,TTCi,t表示t时刻车辆i的碰撞时间,xi(t)表示t时刻车辆i所在的位置,vi(t)表示t时刻车辆i所具有的速度。
Bachmann对式(2)进行了改进,将车辆跟驰时的速度关系进行了划分,改进后的碰撞时间公式如式(3)所示,当后车速度小于或者等于前方车辆的速度时,碰撞时间被设定为无穷大。
可以使用碰撞时间计算整个路段在时间段内的冲突概率,其计算公式如式(4)所示,其含义为:设定一个碰撞时间阈值,路段内低于碰撞时间阈值的冲突数占所有冲突数的比例为冲突概率。根据一般规定,当计算得到的碰撞时间小于1.5s时,对应的冲突应当被定义为严重冲突,因此式(4)中碰撞时间的阈值取1.5s。
式中:FCL为冲突概率,nCL表示小于碰撞时间阈值的冲突数,nTTC表示总冲突数。
(3)双目标优化函数
使用基于智能优化算法的方法,对安全和效率两个目标同时进行优化,以给出安全与效率的Pareto最优解,目标函数如式(5)所示。
另外,对于约束条件,
结合最大变化幅度为10km/h,应当确定:在同一个控制断面上,相邻控制周期内赋予的限速值之差需要小于等于10km/h;在同一个控制周期内,相邻控制断面上的限速值之差也需要小于等于10km/h,如式(6)所示。
式中:vvsl,l(k)表示第k个控制周期,第l个控制断面的限速值。
以可变信息情报板所在位置作为限速控制断面,断面之间划分子路段,同时以服务水平划分交通运行情况。利用VISSIM模拟在不同服务水平下各子路段发生事故造成主干道车道数减少的情况,针对每种情况通过COM接口将模拟的交通流数据传输至多目标优化遗传算法中,求解得到对应的可变限速控制策略。
相比于普通的遗传算法,NSGA-Ⅱ算法的关键步骤包括以下三步:
(1)快速非支配排序
给种群中的个体a都赋予参数na和集合Sa,参数的含义为:个体a会被种群中na个个体支配,被个体a支配的个体构成Sa。第一步,将种群中所有不能被任何其他解支配的解,即所有na=0的解,加入集合R1,被R1中的个体b支配的个体组成集合Sb,将Sb中个体k的nk都减去1,若nk-1=0则加入集合H。R1成为Pareto等级为1的非支配个体集合,集合内所有个体的非支配排序等级arank都是相同的。第二步,对集合H继续进行分级操作,直到每个个体都获得等级。
(2)拥挤度计算
拥挤度ad表示种群中个体的密度值,双目标问题中的第i个个体的拥挤度即为如附图4所示的由i-1与i+1组成的虚线四边形的长和宽之和。
(3)选择排序
经过以上两个步骤,所有个体都被赋予了Pareto等级arank和拥挤度ad,定义如式(7)所示的偏序关系<n,即Pareto等级不同时,取等级更小的个体;等级相同时,取拥挤度更高的个体。
父代Pt与子代Qt合并,按照以上步骤进行排序选择,从合并后的种群中选出nsize个个体组成新的父代Pt+1,示意图如附图5所示。
整体算法的流程为:首先,根据种群的规模nsize初始化种群,对得到的初始种群执行快速非支配排序后,按照遗传算法的基本操作获得第一代子代;更新进化次数,采用精英策略,对合并父代与子代的种群执行快速非支配排序,并在计算拥挤度的基础上,筛选得到新的父代;直到达到进化次数ngen,进化完成。算法流程图如附图6所示。
本公开针对可变限速问题的NSGA-Ⅱ算法的结合算法如下:
(1)编码
假设限速值取值为40到80之间的整数,采用整数编码,一个基因代表着一个时刻、一个断面上的限速值,一组可变限速策略就构成一个可能解。以4个控制断面、5个控制周期的限速策略为例,染色体长度为4×5,{80,80,70,60;80,70,70,60;70,70,70,60;70,60,60,50;70,70,70,60},即为一组可能解。
(2)生成初始种群
对于相邻断面、相邻时间的限速值需要小于等于10km/h的约束条件,在生成初始种群时即需要满足这一条件:首先生成第一个控制断面在第一个控制时段内的限速值vvsl,1(1),在保证差值小于等于10的情况下随机生成vvsl,1(2)、vvsl,2(1),接着生成vvsl,1(3)等,直到生成整个解个体。重复生成解个体,直到达到种群规模的要求。
(3)交叉算子
选用单点交叉作为交叉算子,即:对一个可变限速策略father-a,选择另一个可变限速策略father-b作为父辈,随机选择一个点(m,n),从这一点向后的、可变限速策略father-a的限速值替换为策略father-b相同位置的限速值。交叉完成后对新生成的child-a进行检验,需要满足相邻断面、相邻时间段之间速度变化差值小于10的约束条件;否则重新进行交叉,再生成一个child-a,直到满足约束条件。
具体实施中,将模拟的多种大流量情况与对应的可变限速策略对应,构建目标路段可变限速控制策略库。
通过检测器判断实际道路运行情况,输入至可变限速控制策略库中进行匹配,给出相应的可变限速策略,并通过可变信息情报板进行发布实施。
本公开采用提出的方法,对上海内环高架路的一段城市快速路进行仿真应用,以三种可变限速策略与不进行可变限速下的交通状态进行对比分析,结果表明:可变限速控制策略下,可以同时实现安全指标的改善(-3.21%)与通行时间的降低(-6.41%),也可以在不影响通行效率(+0.87%)的前提下,较大幅度地改善道路安全(-26.47%),而当安全指标改善较多(-40.12%)时,将会牺牲一定的效率指标(+15.78%);通过对平均速度、速度标准差、等高线图的分析进一步验证了实施效果。
实施例2
本公开的一种实施例中提供了一种车辆可变限速控制优化***,包括:
数据初始化模块,用于确定待可变限速控制实施的路径,选取目标路段,获取目标路段交通流数据;
模型构建模块,用于构建目标路段的真实路网模型,并根据道路真实的机电设备位置信息搭载至路网模型中;
策略求解模块,用于根据目标路段交通流数据对路网模型进行标定,利用路网模型模拟在不同服务水平下各子路段发生事故造成主干道车道数减少的情况;构建可变限速双目标优化模型,将每种情况下模拟的交通流数据传输至可变限速双目标优化模型中,利用NSGA-Ⅱ算法求解对应的可变限速控制策略。
实施例3
本公开的一种实施例中提供了一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种车辆可变限速控制优化方法步骤。
实施例4
本公开的一种实施例中提供了一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种车辆可变限速控制优化方法步骤。
上述实施例2、3、4具体执行实施例1中所述方法的步骤。
本公开是参照根据本公开实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种车辆可变限速控制优化方法,其特征在于,包括:
确定待可变限速控制实施的路径,选取目标路段,获取目标路段交通流数据;
构建目标路段的真实路网模型,并根据道路真实的机电设备位置信息搭载至路网模型中;
根据目标路段交通流数据对路网模型进行标定,利用路网模型模拟在不同服务水平下各子路段发生事故造成主干道车道数减少的情况;
构建可变限速双目标优化模型,将每种情况下模拟的交通流数据传输至可变限速双目标优化模型中,利用NSGA-Ⅱ算法求解对应的可变限速控制策略。
2.如权利要求1所述的一种车辆可变限速控制优化方法,其特征在于,所述可变限速双目标优化模型选择多目标遗传算法中的NSGA-Ⅱ算法以通行效率以及道路安全作为目标进行优化。
3.如权利要求1所述的一种车辆可变限速控制优化方法,其特征在于,所述目标路段的真实路网模型由VISSIM进行搭建。
4.如权利要求2所述的一种车辆可变限速控制优化方法,其特征在于,所述通行效率以及道路安全两个优化目标中,其中,以平均行程时间作为通行效率指标,以冲突概率作为道路安全指标,并确定约束条件为在同一个控制断面上,相邻控制周期内赋予的限速值之差需要小于等于10km/h以及在同一个控制周期内,相邻控制断面上的限速值之差也需要小于等于10km/h。
5.如权利要求1所述的一种车辆可变限速控制优化方法,其特征在于,所述根据目标路段交通流数据对路网模型进行标定,利用路网模型模拟在不同服务水平下各子路段发生事故造成主干道车道数减少的情况的具体步骤是:以可变信息情报板所在位置作为限速控制断面,断面之间划分子路段,同时以服务水平划分交通运行情况,利用VISSIM生成的路网模型模拟在不同服务水平下各子路段发生事故造成主干道车道数减少的情况。
6.如权利要求1所述的一种车辆可变限速控制优化方法,其特征在于,所述可变限速双目标优化模型的求解的过程为:
通过Python二次开发搭建VISSIM路网模型与优化算法的接口;由NSGA-Ⅱ算法生成可能的限速策略,输入至VISSIM路网模型,通过VISSIM路网模型计算得到每个限速策略对应的目标函数,NSGA-Ⅱ获取目标函数值,进行进化迭代,搜寻新的可变限速策略,直到完成进化。
7.如权利要求1所述的一种车辆可变限速控制优化方法,其特征在于,所述NSGA-Ⅱ算法的流程步骤为:
S1:根据种群的规模初始化种群;
S2:对得到的初始种群执行快速非支配排序后,按照遗传算法的基本操作获得第一代子代;
S3:更新进化次数,采用精英策略,对合并父代与子代的种群执行快速非支配排序,并在计算拥挤度的基础上,筛选得到新的父代;直到达到进化次数,进化完成。
8.一种车辆可变限速控制优化***,其特征在于,包括:
数据初始化模块,用于确定待可变限速控制实施的路径,选取目标路段,获取目标路段交通流数据;
模型构建模块,用于构建目标路段的真实路网模型,并根据道路真实的机电设备位置信息搭载至路网模型中;
策略求解模块,用于根据目标路段交通流数据对路网模型进行标定,利用路网模型模拟在不同服务水平下各子路段发生事故造成主干道车道数减少的情况;构建可变限速双目标优化模型,将每种情况下模拟的交通流数据传输至可变限速双目标优化模型中,利用NSGA-Ⅱ算法求解对应的可变限速控制策略。
9.一种计算机可读存储介质,其特征在于,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行权利要求1-7中任一项所述的一种车辆可变限速控制优化方法。
10.一种终端设备,其特征在于,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行如权利要求1-7中任一项所述的一种车辆可变限速控制优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211466263.2A CN115862322A (zh) | 2022-11-22 | 2022-11-22 | 一种车辆可变限速控制优化方法、***、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211466263.2A CN115862322A (zh) | 2022-11-22 | 2022-11-22 | 一种车辆可变限速控制优化方法、***、介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115862322A true CN115862322A (zh) | 2023-03-28 |
Family
ID=85664933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211466263.2A Pending CN115862322A (zh) | 2022-11-22 | 2022-11-22 | 一种车辆可变限速控制优化方法、***、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115862322A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116978233A (zh) * | 2023-09-22 | 2023-10-31 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种面向事故多发区的主动可变限速方法 |
CN117516562A (zh) * | 2024-01-08 | 2024-02-06 | 腾讯科技(深圳)有限公司 | 一种路网处理方法和相关装置 |
-
2022
- 2022-11-22 CN CN202211466263.2A patent/CN115862322A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116978233A (zh) * | 2023-09-22 | 2023-10-31 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种面向事故多发区的主动可变限速方法 |
CN116978233B (zh) * | 2023-09-22 | 2023-12-26 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种面向事故多发区的主动可变限速方法 |
CN117516562A (zh) * | 2024-01-08 | 2024-02-06 | 腾讯科技(深圳)有限公司 | 一种路网处理方法和相关装置 |
CN117516562B (zh) * | 2024-01-08 | 2024-03-22 | 腾讯科技(深圳)有限公司 | 一种路网处理方法和相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109597317B (zh) | 一种基于自学习的车辆自动驾驶方法、***及电子设备 | |
CN103593535B (zh) | 基于多尺度融合的城市交通复杂自适应网络平行仿真***及方法 | |
CN115862322A (zh) | 一种车辆可变限速控制优化方法、***、介质及设备 | |
CN110843789B (zh) | 一种基于时序卷积网络的车辆换道意图预测方法 | |
US11783702B2 (en) | Method and system for adaptive cycle-level traffic signal control | |
CN114495499B (zh) | 一种多目标智能网联车辆协同优化控制方法 | |
US11661067B2 (en) | Method for ascertaining driving profiles | |
CN113561986A (zh) | 自动驾驶汽车决策方法及装置 | |
CN110942627A (zh) | 一种动态交通的路网协调信号控制方法及装置 | |
CN114333361A (zh) | 一种信号灯配时方法及装置 | |
CN112446538B (zh) | 一种基于个性化避险的最优路径获取方法 | |
CN114511999A (zh) | 一种行人行为预测方法及装置 | |
CN113312733B (zh) | 一种信控环形交叉口仿真模型参数标定方法、装置、设备及存储介质 | |
CN113110359B (zh) | 约束型智能汽车自主决策***在线训练方法及装置 | |
CN114162144A (zh) | 自动驾驶决策方法、装置以及电子设备 | |
CN111507499B (zh) | 预测用模型的构建方法、测试方法、装置及*** | |
CN112381470B (zh) | 基于智能体的交通流量分配方法、设备及存储介质 | |
CN115019506A (zh) | 一种基于多进程强化学习的可变车道控制方法 | |
CN114299714B (zh) | 一种基于异策略强化学习的多匝道协调控制方法 | |
CN117523821B (zh) | 基于gat-cs-lstm的车辆多模态驾驶行为轨迹预测***及方法 | |
CN113823096B (zh) | 用于仿真测试的随机交通流障碍物对象布置方法 | |
CN113344239B (zh) | 一种基于两级谱聚类的交通拥堵状况预测方法及*** | |
CN114898576B (zh) | 交通控制信号的生成方法、目标网络模型的训练方法 | |
CN114360290B (zh) | 一种基于强化学习的交叉口前车辆群体车道选择方法 | |
CN116052411A (zh) | 基于图神经网络强化学习的分流区混合交通流控制方法 |
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 |