CN118015857B - 一种道路交通规划方法 - Google Patents
一种道路交通规划方法 Download PDFInfo
- Publication number
- CN118015857B CN118015857B CN202410410685.0A CN202410410685A CN118015857B CN 118015857 B CN118015857 B CN 118015857B CN 202410410685 A CN202410410685 A CN 202410410685A CN 118015857 B CN118015857 B CN 118015857B
- Authority
- CN
- China
- Prior art keywords
- road
- traffic flow
- roads
- intersections
- period
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000014759 maintenance of location Effects 0.000 claims abstract description 58
- 238000001595 flow curve Methods 0.000 claims abstract description 41
- 238000005457 optimization Methods 0.000 claims abstract description 37
- 238000012423 maintenance Methods 0.000 claims abstract description 12
- 230000001105 regulatory effect Effects 0.000 claims abstract description 8
- 230000001276 controlling effect Effects 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000005259 measurement Methods 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 16
- 238000003064 k means clustering Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000033228 biological regulation Effects 0.000 abstract description 13
- 230000008859 change Effects 0.000 description 17
- 230000003203 everyday effect Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- 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
- Traffic Control Systems (AREA)
Abstract
本发明涉及道路交通控制技术领域,具体涉及一种道路交通规划方法,包括:获取每条道路在每天内的历史车流量曲线,进而确定同一时段下的车流量保持度;根据任意两条道路在每天内的历史车流量曲线之间的差异情况和任意两条道路在同一时段下的车流量保持度,确定任意两条道路的车流量关联度;根据车流量关联度确定任意两个路口的聚类优化权重,进而对待规划城市区域的所有路口进行聚类,获得最优路口聚类结果,进而调控路口红绿灯;本发明通过量化道路的车流量关联度确定聚类优化权重,对常规的路口聚类结果进行优化,以提高路口红绿灯调控的可靠程度,进一步提升了道路交通规划的合理性。
Description
技术领域
本发明涉及道路交通控制技术领域,具体涉及一种道路交通规划方法。
背景技术
随着社会的发展,城市内机动车数量呈现不断上升的趋势,城市的交通负荷也在对应增长,需要基于不同的交通问题合理规划道路交通。例如,路口红绿灯的时间设定不合理或对于不同时段车流量改变不适应,将导致路***叉饱和度上升,当等待红路灯的车辆过多时,排队长度增加,其影响相邻交叉口和路段的通行能力,造成更广泛的交通拥堵。为了克服上述存在的交通问题,对城市内所有路口进行k-means聚类,获取关系较为密切的路口关系,并基于路口聚类结果实现路口预先调控。
现有的路口聚类仅考虑路口之间的距离或道路等级等,但是在实际场景中,实现路口预先调控考虑更多的是路口之间的车流量变化情况,因此现有交通规划过程中的路口聚类结果的准确性低下,交通规划的合理性较差,也就是道路交通控制能力低下。
发明内容
为了解决上述路口聚类结果的准确性低下,导致交通规划合理性较差的技术问题,本发明的目的在于提供一种道路交通规划方法,所采用的技术方案具体如下:
本发明一个实施例提供了一种道路交通规划方法,该方法包括以下步骤:
获取待规划城市区域的每条道路在若干天内每个单位时间的历史车流量,进而确定每条道路在每天内的历史车流量曲线;其中,相邻两个路口之间的路段构成一条道路,历史车流量为道路上同一驾驶方向的历史车流量;
将一天划分成相同长度的时段,根据每条道路在每天内的历史车流量曲线在同一时段下曲线段的各个极值点和曲线段的历史车流量均值,确定每条道路在同一时段下的车流量保持度;
根据任意两条道路在每天内的历史车流量曲线之间的差异情况和任意两条道路在同一时段下的车流量保持度,确定任意两条道路的车流量关联度;
根据任意两条道路的车流量关联度,确定任意两个路口的聚类优化权重;结合任意两个路口的聚类优化权重,对待规划城市区域的所有路口进行聚类,获得最优路口聚类结果;
根据最优路口聚类结果,调控待规划城市区域内的路口红绿灯。
进一步地,所述根据每条道路在每天内的历史车流量曲线在同一时段下曲线段的各个极值点和曲线段的历史车流量均值,确定每条道路在同一时段下的车流量保持度,包括:
对于任意一条道路和任意一个时段,将道路在每天内的历史车流量曲线在该时段下曲线段作为目标曲线段,获得道路在该时段下对应的各个目标曲线段;
确定各个目标曲线段的各个极值点,进而确定各个极值点与其相邻的下一个极值点之间的时间跨度,获得各个目标曲线段的各个极值点对应的时间跨度;
根据各个目标曲线段的各个极值点及其对应的时间跨度,确定道路在该时段下对应的各个目标曲线段的车流量保持权重;
根据道路在该时段下对应的各个目标曲线段的历史车流量均值和车流量保持权重,确定道路在该时段下的车流量保持度。
进一步地,道路pq在第n个时段下对应的第m个目标曲线段的车流量保持权重的计算公式为:
;式中,/>为道路pq在第n个时段下对应的第m个目标曲线段的车流量保持权重,p和q为待规划城市区域内相邻的两个路口,路口p和路口q组成道路pq,/>为归一化函数,z为道路pq在第n个时段下对应的第m个目标曲线段的极值点序号,Z为道路pq在第n个时段下对应的第m个目标曲线段的极值点个数,/>为道路pq在第n个时段下对应的第m个目标曲线段的第z个极值点对应的时间跨度,/>为道路pq在第n个时段下对应的第m个目标曲线段的所有极值点对应的时间跨度均值,/>为道路pq在第n个时段下对应的第m个目标曲线段的第z个极值点的历史车流量与第m个目标曲线段的历史车流量均值之间的差异。
进一步地,所述根据道路在该时段下对应的各个目标曲线段的历史车流量均值和车流量保持权重,确定道路在该时段下的车流量保持度,包括:
对于任意一个目标曲线段,先计算目标曲线段的历史车流量均值与道路在该时段下对应的所有目标曲线段的历史车流量均值的平均值之间的差异,记为目标差异;再计算所述目标差异与目标曲线段的车流量保持权重的乘积,记为第一乘积;
获得道路在该时段下对应的各个目标曲线段的第一乘积,将道路在该时段下对应的各个目标曲线段的第一乘积的平均值作为道路在该时段下的车流量保持度。
进一步地,所述根据任意两条道路在每天内的历史车流量曲线之间的差异情况和任意两条道路在同一时段下的车流量保持度,确定任意两条道路的车流量关联度,包括:
对任意两条道路在同一天内的历史车流量曲线进行DTW匹配,获得匹配后的各对数据点,进而确定各对数据点中两个数据点的数据采集时间在所属时段下的目标曲线段的车流量保持度;
根据匹配后的各对数据点的历史车流量和各对数据点中两个数据点在所属时段下的目标曲线段的车流量保持度,确定任意两条道路对应的匹配后的各对数据点的实际距离;
确定任意两条道路中的起始道路和终止道路,获取起始道路对应的各条分流道路,进而确定终止道路与起始道路对应的各条分流道路对应的匹配后的各对数据点的实际距离;
根据任意两条道路对应的匹配后的各对数据点的实际距离、终止道路与起始道路对应的各条分流道路对应的匹配后的各对数据点的实际距离和各对数据点的历史车流量差异,确定任意两条道路在同一天时的车流量关联度;
将任意两条道路在每天时的车流量关联度的平均值作为任意两条道路的车流量关联度。
进一步地,任意两条道路沿着同一驾驶方向所构成的路线中的第一条道路为起始道路,起始道路的第一个路口为起始路口;任意两条道路沿着同一驾驶方向所构成的路线中的最后一条道路为终止道路,终止道路的第一个路口为终止路口;将与任意两条道路沿着同一驾驶方向所构成的路线相连通的、且相邻的各条道路作为起始道路对应的各条分流道路。
进一步地,道路pq与道路wv对应的匹配后的第h对数据点的实际距离的计算公式为:
;式中,为道路pq与道路wv对应的匹配后的第h对数据点的实际距离,w和v为待规划城市区域内相邻的两个路口,路口w和路口v组成道路wv,/>为道路pq与道路wv对应的匹配后的第h对数据点的历史车流量差异,/>为归一化函数,/>为道路pq与道路wv对应的匹配后的第h对数据点中两个数据点的数据采集时间在所属时段下的目标曲线段的车流量保持度的平均值,/>为道路pq与道路wv对应的匹配后的第h对数据点中两个数据点的数据采集时间在所属时段下的目标曲线段的车流量保持度的差异,/>为道路pq与道路wv对应的匹配后的第h对数据点的历史车流量均值。
进一步地,道路pq与道路wv在同一天时的车流量关联度的计算公式为:
;式中,为道路pq与道路wv在同一天时的车流量关联度,/>为道路pq与道路wv对应的匹配后的第h对数据点的实际距离,h为两条道路对应的匹配后的各对数据点的序号,H为两条道路对应的匹配后的数据点对数,/>为归一化函数,i为起始道路对应的各条分流道路的序号,I为起始道路对应的所有分流道路的个数,/>为终止道路与起始道路对应的第i条分流道路对应的匹配后的第h对数据点的实际距离,与道路pq与道路wv对应的匹配后的第h对数据点的实际距离之间的差异,/>为终止道路与起始道路对应的第i条分流道路对应的匹配后的第h对数据点的历史车流量差异。
进一步地,所述根据任意两条道路的车流量关联度,确定任意两个路口的聚类优化权重,包括:
获取任意两个路口沿着驾驶方向构成的所有条路线;
对于任意两个路口的任意一条路线,计算路线中所经过的除终止道路之外的各条道路与终止道路的车流量关联度的累加和,记为路线的初始车流量关联度;计算路线中所经过的道路条数的倒数,将路线的初始车流量关联度与路线中所经过的道路条数的倒数的乘积,作为路线的第一车流量关联度;
将任意两个路口的每条路线的第一车流量关联度的平均值,作为该两个路口沿着驾驶方向构成的所有条路线的第二车流量关联度;计算该两个路口沿着不同驾驶方向构成的所有条路线的第二车流量关联度的平均值,对不同驾驶方向对应的第二车流量关联度的平均值进行归一化处理,将归一化处理后的数值作为该两个路口的聚类优化权重。
进一步地,所述结合任意两个路口的聚类优化权重,对待规划城市区域的所有路口进行聚类,获得最优路口聚类结果,包括:
确定任意两个路口的初始距离度量特征和任意两个路口的聚类优化权重的反比例值,将任意两个路口的初始距离度量特征与对应两个路口的聚类优化权重的反比例值的乘积作为对应两个路口的优化距离度量特征;
基于任意两个路口的优化距离度量特征,对待规划城市区域的所有路口进行k-means聚类处理,获得聚类结果,将所述聚类结果作为最优路口聚类结果。
本发明具有如下有益效果:
常规对于路口之间的关系仅考虑了路口之间的距离或道路等级,并没有顾虑到路口之间的车流量变化趋势差异对于路口聚类结果的影响,导致路口聚类结果的准确性低下。本发明提供了一种道路交通规划方法,该方法通过更加可靠的红绿灯调控,进一步提升了交通规划合理性;具体,基于相邻路口构成道路的若干天的历史车流量曲线,量化道路在同一时段下的车流量保持度,并将车流量保持度作为调控参考度,其可以准确反映道路在局部时段下的车流量变化稳定情况,其主要用于后续确定车流量关联度;为了进一步提升车流量关联度的准确性,不仅要分析局部时段下的车流量变化稳定情况,还要分析全天的车流量变化的差异情况,进而确定任意两条道路的车流量关联度,在计算车流量关联度时考虑多个方面的计算因素,可以有效提高车流量关联度的计算准确性;基于车流量关联度确定的两个路口的聚类优化权重,可以有效提高所有路口聚类结果的准确性;确定最优路口聚类结果,有利于提高待规划城市区域内的路口红绿灯调控的可靠程度,有助于避免出现广泛的交通拥堵的特殊情况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明实施例一种道路交通规划方法的流程图;
图2为本发明实施例中的行驶路线pqwv的示意图;
图3为本发明实施例中的行驶路线pqwv的各个分流道路示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明所针对的应用场景为:
常规的路口聚类仅考虑了道路等级或单时刻下的车流量差异等,忽略了真正存在红绿灯参考价值的路口与路口之间的车流量趋势相似程度,造成路口聚类结果的准确性低下,进一步导致红绿灯调控价值较差,交通规划合理性较差。
本实施例通过对采集到历史车流量之间的关联特征进行分析,获得两两路口之间的车流量变化关系,基于车流量变化关系来优化路口聚类结果。具体,提供了一种道路交通规划方法,如图1所示,包括以下步骤:
S1,获取待规划城市区域的每条道路在若干天内每个单位时间的历史车流量,进而确定每条道路在每天内的历史车流量曲线。
在本实施例中,先通过GPS(Global Positioning System,全球定位***)设备采集待规划城市区域的待规划城市区域的每条道路在若干天内每个单位时间的历史车流量;为了便于分析每天的历史车流量数据的变化趋势,再利用最小二乘法拟合,对每天的多个历史车流量进行曲线拟合,可以获得每条道路在每天内的历史车流量曲线。其中,相邻两个路口之间的路段构成一条道路,历史车流量采集天数为当天的前15天,也就是若干天的天数为15,单个历史车流量的单位时间设置为5分钟;历史车流量曲线的横轴为数据采集时间,纵轴为各个数据采集时间的历史车流量,相邻数据采集时间之间的时间跨度为1个5分钟。
需要说明的是,历史车流量采集时间越靠近当天,所采集的历史车流量数据的参考价值越大,故本实施例分析历史车流量数据为当天的前15天的历史车流量数据;历史车流量采集天数和单个历史车流量的单位时间可以由实施者根据具体实际情况设置,这里不做具体限定;最小二乘法拟合可以一定程度上去除较小程度的波动,其实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
S2,将一天划分成相同长度的时段,根据每条道路在每天内的历史车流量曲线在同一时段下曲线段的各个极值点和曲线段的历史车流量均值,确定每条道路在同一时段下的车流量保持度。
需要说明的是,在调控路口红绿灯时间时,基于待规划城市区域内道路之间的连通关系,某一道路的车流量状况可以通过该路口来往方向上的前几条道路的车流量状况预先了解。因此,添加路口之间的车流量关联度因素进行路口聚类,有助于提高后续路口红绿灯时间调控的可靠程度。
对每条道路的历史车流量曲线的变化规律进行分析,对于历史车流量存在规律性的道路,其在调控路口红绿灯车流量预警时的参考价值大,规律性是指车流量存在早、晚高峰期,例如,某个道路发生车流量剧增之前,可以明确造成该道路发生车流量剧增的关联道路,关联道路可以指代同一个聚类簇内相邻路口构成的道路;对于历史车流量不存在早、晚高峰期的道路,即使该类道路与待分析道路的距离较近,利用该类道路来调节待分析道路的车流量预警时的参考价值也会相对较弱。
基于上述对于道路的历史车流量曲线的变化规律的分析可知,需要量化道路在固定时段下的车流量保持度,以便于后续基于车流量保持度确定两条道路的车流量关联度,车流量保持度可以表征每天的道路在同一时段下的历史车流量变化稳定程度,历史车流量变化稳定程度越大,说明对应道路的车流量规律程度越强。
在本实施例中,对于某个道路,为了分析每天的历史车流量曲线在同一时段的车流量情况,先将一天划分成长度为1个小时的各个时段,获得24个时段;每条道路在同一时段下的车流量保持度的计算过程一致,为了便于描述,以确定道路pq在第n个时段下的车流量保持度为例,具体实现过程可以包括:
第一步,将道路pq在每天内的历史车流量曲线在第n个时段下曲线段作为目标曲线段,获得道路pq在第n个时段下对应的各个目标曲线段。
在本实施例中,道路pq是由相邻的路口p和路口q之间的路段构成的,道路pq可以指代车辆从路口p行驶向路口q;将道路pq对应的15天的历史车流量曲线中第n个时段下曲线段,统一记为目标曲线段,其相当于将15天的历史车流量曲线统一划分为长度为1个小时的曲线段,选取相同序号的曲线段为目标曲线段;同一时段的目标曲线段的个数与历史车流量曲线的个数保持一致。
第二步,确定各个目标曲线段的各个极值点,进而确定各个极值点与其相邻的下一个极值点之间的时间跨度,获得各个目标曲线段的各个极值点对应的时间跨度。
在本实施例中,为了分析各个目标曲线段的历史车流量数据变化情况,利用导数法计算各个目标曲线段中的各个极值点,导数法确定极值点的过程为现有技术,此处不再进行赘述;对于目标曲线段的最后一个极值点,与该极值点相邻的下一个极值点为同一历史车流量曲线上该目标曲线段的下一个目标曲线段的第一个极值点,若目标曲线段为历史车流量曲线上的最后一个曲线段,则不分析目标曲线段的最后一个极值点;时间跨度是指相邻两个极值点之间的数据采集时间之间的差异,时间跨度越大,说明两个极值点之间的横坐标差异越大。
第三步,根据各个目标曲线段的各个极值点及其对应的时间跨度,确定道路pq在第n个时段下对应的各个目标曲线段的车流量保持权重。
在本实施例中,车流量保持权重可以用于衡量道路对应的多个历史车流量曲线在同一时段下的车流量稳定程度,极值点分布越均匀,曲线段的波动越弱,车流量在该时段的稳定程度越高。
作为示例,道路pq在第n个时段下对应的第m个目标曲线段的车流量保持权重的计算公式可以为:
;式中,/>为道路pq在第n个时段下对应的第m个目标曲线段的车流量保持权重,p和q为待规划城市区域内相邻的两个路口,路口p和路口q组成道路pq,/>为归一化函数,z为道路pq在第n个时段下对应的第m个目标曲线段的极值点序号,Z为道路pq在第n个时段下对应的第m个目标曲线段的极值点个数,/>为道路pq在第n个时段下对应的第m个目标曲线段的第z个极值点对应的时间跨度,/>为道路pq在第n个时段下对应的第m个目标曲线段的所有极值点对应的时间跨度均值,/>为道路pq在第n个时段下对应的第m个目标曲线段的第z个极值点的历史车流量与第m个目标曲线段的历史车流量均值之间的差异。
在车流量保持权重的计算公式中,可以表征道路pq在第n个时段下对应的第m个目标曲线段的第z个极值点的时间跨度差异,/>可以表征道路pq在第n个时段下对应的第m个目标曲线段的第z个极值点与第m个目标曲线段整体均值的差异;整体的时间跨度差异越小,说明第m个目标曲线段的极值点分布越均匀,第m个目标曲线段的波动越弱,第m个目标曲线段的车流变化越稳定;/>越大,说明第z个极值点的波动幅值越高,幅值越高的极值点,应给予第z个极值点更高的权重,故/>用于充当/>的权重。
需要说明的是,本实施例中两个数据之间的差异,指代两个数据之间的实际差异,例如两个数据之间的差值绝对值。
第四步,根据道路pq在第n个时段下对应的各个目标曲线段的历史车流量均值和车流量保持权重,确定道路pq在第n个时段下的车流量保持度。
需要说明的是,车流量保持度主要为后续计算车流量关联度提供数据,车流量保持度是指某条道路在长时序历史车流量数据中,每天同一时段下的车流量保持情况,当该道路在某个时段的多天车流量差异越小,说明该道路的车流量保持情况越好,后续基于该时段下的道路车流量进行相关道路红绿灯调控时的参考价值和置信度越高。
在本实施例中,对于道路pq在第n个时段下对应的任意一个目标曲线段,先计算目标曲线段的历史车流量均值与道路pq在第n个时段下对应的所有目标曲线段的历史车流量均值的平均值之间的差异,记为目标差异,可以获得第n个时段下对应的各个目标曲线段的目标差异;进而计算第n个时段下对应的各个目标曲线段的目标差异与对应的目标曲线段的车流量保持权重的乘积,记为第一乘积,将第n个时段下对应的各个目标曲线段的第一乘积的平均值作为道路pq在第n个时段下的车流量保持度。
作为示例,道路pq在第n个时段下的车流量保持度的计算公式可以为:
;式中,/>为道路pq在第n个时段下的车流量保持度,M为第n个时段下对应的目标曲线段个数,m为第n个时段下对应的目标曲线段序号,/>为道路pq在第n个时段下的第m个目标曲线段的历史车流量均值,/>为道路pq在第n个时段下所有目标曲线段的历史车流量均值的平均值,/>为求绝对值函数,为道路pq在第n个时段下对应的第m个目标曲线段的目标差异,/>为道路pq在第n个时段下对应的第m个目标曲线段的车流量保持权重,/>为道路pq在第n个时段下对应的第m个目标曲线段的第一乘积。
在车流量保持度的计算公式中,可以表征第m个目标曲线段的历史车流量均值与多天在第n个时段下的所有目标曲线段的历史车流量均值的平均值之间的差异,车流量均值差异越小,说明道路pq在第n个时段下的车流量变化稳定性越强,车流量保持度越好,后续第n个时段下的车流量数据在进行红绿灯调控时的参考价值越高;/>可以表征道路pq在第n个时段下存在高峰期的可能性,道路pq在多天的第n个时段的/>越大,说明道路pq在第n个时段时越有可能存在高峰期,第n个时段下的第m个目标曲线段在参与第n个时段下的车流量保持度计算时的权重越高;车流量保持权重的取值范围在0到1之间。
S3,根据任意两条道路在每天内的历史车流量曲线之间的差异情况和任意两条道路在同一时段下的车流量保持度,确定任意两条道路的车流量关联度。
需要说明的是,车流量保持度主要表征道路自身在某一时段的车流量保持情况,但是对于多条道路而言,道路在某一时段的车流量保持情况并不能完全表征道路之间的相关性,真正存在相关性的道路通常在全天的道路中都存在关联性,例如,存在早高峰的道路,一般也存在晚高峰。因此,需要基于每天整体的历史车流量曲线之间的差异情况,结合道路在同一时段下的车流量保持度,来量化道路之间的车流量相关性,即确定任意两条道路的车流量关联度。
在本实施例中,任意两条道路的车流量关联度的计算过程一致,为了便于描述,对道路pq和道路wv进行车流量关联度的分析,具体实现过程可以包括:
第一步,对道路pq和道路wv在同一天内的历史车流量曲线进行DTW匹配,获得匹配后的各对数据点,进而确定各对数据点中两个数据点的数据采集时间在所属时段下的目标曲线段的车流量保持度。
道路pq和道路wv可以沿着同一驾驶方向构成的行驶路线,道路pq可以表征路口p行驶至路口q,道路wv可以表征路口w行驶至路口v;若路口p为起始路口,则道路pq为起始道路,路口v为终止路口,道路wv为终止道路,行驶路线可以是路口p至路口v,即从路口p出发,经过路口q和路口w,到路口v停止,行驶路线pqwv的示意图如图2所示。
第一子步骤,对道路pq和道路wv在同一天内的历史车流量曲线进行DTW匹配。
在本实施例中,对于若干天中的某一天,对该天的道路pq的历史车流量曲线与该天的道路wv的历史车流量曲线进行DTW(Dynamic Time Warping,动态时间归整)匹配,可以获得各对数据点,道路pq的历史车流量曲线上的每个数据点在道路wv的历史车流量曲线上均可以确定与其相匹配的数据点,数据点与其对应的匹配数据点可以组成一对数据点;DTW匹配的实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
第二子步骤,确定匹配后的各对数据点中两个数据点的数据采集时间在所属时段下的目标曲线段的车流量保持度。
先确定一对数据点中两个数据点在其所属历史车流量曲线中的数据采集时间,再确定两个数据点的数据点采集时间属于哪个时段,可以获得两个数据点的数据采集时间在所属时段下的目标曲线段的车流量保持度,即获得两个数据点的车流量保持度。
例如,一对数据点中的一个数据点的数据采集时刻为1:19,那么该数据点的数据采集时间属于一天中的第2个时段,第2个时段即为1:00至2:00,可以获得数据点的数据采集时间在所属第2个时段下的目标曲线段的车流量保持度,即获得该数据点的车流量保持度。
第二步,根据匹配后的各对数据点的历史车流量和各对数据点中两个数据点在所属时段下的目标曲线段的车流量保持度,确定道路pq和道路wv对应的匹配后的各对数据点的实际距离。
在本实施例中,通过分析一对数据点中两个数据点的历史车流量和在所属时段下的目标曲线段的车流量保持度,量化一对数据点的实际距离,实际距离越大,说明该对数据点的车流量数据特征相似性越小,差异越大;实际距离可用于后续计算车流量关联度。
作为示例,以确定任意一对数据点的实际距离为例,道路pq和道路wv对应的匹配后的第h对数据点的实际距离的计算公式可以为:
;式中,为道路pq与道路wv对应的匹配后的第h对数据点的实际距离,w和v为待规划城市区域内相邻的两个路口,路口w和路口v组成终止道路wv,/>为道路pq与道路wv对应的匹配后的第h对数据点的历史车流量差异,/>为归一化函数,/>为道路pq与道路wv对应的匹配后的第h对数据点中两个数据点的数据采集时间在所属时段下的目标曲线段的车流量保持度的平均值,/>为道路pq与道路wv对应的匹配后的第h对数据点中两个数据点的数据采集时间在所属时段下的目标曲线段的车流量保持度的差异,/>为道路pq与道路wv对应的匹配后的第h对数据点的历史车流量均值。
在实际距离的计算公式中,可以表征匹配后的第h对数据点的车流量差异程度,车流量差异程度越小,关联程度越高;/>可以表征匹配后的第h对数据点整体的车流量保持程度,一对数据点的整体车流量保持程度越大,说明该对数据点在分析道路pq与道路wv在同一天的车流量差异情况时的权重越高,故将/>作为/>的权重;同样的,一对数据点的整体车流量保持程度较大,是指一对数据点中的两个数据点对应的车流量保持程度同时较高;在分析两个数据点之间的车流量保持度的相似情况,并非一对数据点中一个数据点的车流量保持程度较高,另一个数据点的车流量保持程度较低,因此,将/>也作为/>的权重,/>越大,说明第h对数据点的车流量保持度差异越大,对于第h对数据点的历史车流量差异的权重约束越高,即权重越小;可以表征第h对数据点的历史车流量大小,实际距离用于后续确定车流量关联度,进而调节道路之间的红绿灯时间,若历史车流量均极小,说明对应数据采集时刻的交通负荷不需要进行红绿灯时间调控。
第三步,确定道路pq和道路wv中的起始道路和终止道路,获取起始道路对应的各条分流道路,进而确定终止道路与起始道路对应的各条分流道路对应的匹配后的各对数据点的实际距离。
在本实施例中,道路pq和道路wv沿着同一驾驶方向所构成的路线中的第一条道路为起始道路,起始道路的第一个路口为起始路口;沿着同一驾驶方向所构成的路线中的最后一条道路为终止道路,终止道路的第一个路口为终止路口;将与路线相连通的、且相邻的各条道路作为起始道路对应的各条分流道路。行驶路线pqwv的各个分流道路示意图如图3所示,在图3中,假设总体的驾驶方向为向右,那么道路pq为起始道路,道路wv为终止道路,与行驶路线pqwv相连通的、且相邻的各条道路包括道路qv3、道路qv4、道路wv1和道路wv2,将qv3、qv4、wv1和wv2作为起始道路pq对应的各条分流道路。
参考步骤S3中第一步至第二步对应的道路pq和道路wv对应的匹配后的各对数据点的实际距离的计算过程,可以获得终止道路分别与起始道路对应的各条分流道路对应的匹配后的各对数据点的实际距离,此处不再重复赘述。
第四步,根据道路pq和道路wv对应的匹配后的各对数据点的实际距离、终止道路与起始道路对应的各条分流道路对应的匹配后的各对数据点的实际距离和各对数据点的历史车流量差异,确定道路pq和道路wv在同一天时的车流量关联度。
需要说明的是,图3中起始道路pq的车流量较大时,其对应的交通负荷并不是完全施加在终止道路wv上,起始道路pq和终止道路wv对应的行驶路线上的道路qv3、道路qv4、道路wv1和道路wv2同样存在对于起始道路pq的车流量分流,分流道路的车流量分流越大,终止道路wv受起始道路pq的交通负荷影响越小。
进一步的分析,即使起始道路pq的车流量很大,对于行驶路线上的终止道路wv并不一定存在很大的交通负荷,因此在分析起始道路pq和终止道路wv之间的车流量关联情况时,由于需要通过多个路口才能到终止路口v,行驶路线上的每个路口存在一定程度的分流情况,因此,需要分析起始道路对应的各条分流道路对起始道路pq和终止道路wv在同一天时的车流量关联度的影响程度。
作为示例,起始道路pq和终止道路wv在同一天时的车流量关联度的计算公式可以为:
;式中,为起始道路pq和终止道路wv在同一天时的车流量关联度,/>为起始道路pq与终止道路wv对应的匹配后的第h对数据点的实际距离,h为两条道路对应的匹配后的各对数据点的序号,H为两条道路对应的匹配后的数据点对数,/>为归一化函数,i为起始道路pq对应的各条分流道路的序号,I为起始道路pq对应的所有分流道路的个数,/>为终止道路wv与起始道路pq对应的第i条分流道路对应的匹配后的第h对数据点的实际距离,与起始道路pq与终止道路wv对应的匹配后的第h对数据点的实际距离之间的差异,/>为终止道路wv与起始道路pq对应的第i条分流道路对应的匹配后的第h对数据点的历史车流量差异。
在车流量关联度的计算公式中,越大,说明起始道路pq与终止道路wv对应的匹配后的第h对数据点的实际距离越大,第h对数据点的车流量数据特征相似性越差,越大,说明起始道路pq与终止道路wv在同一天时的车流量数据特征相似性越差,起始道路pq与终止道路wv在同一天时的车流量关联度越小;/>,为终止道路wv与起始道路pq对应的第i条分流道路对应的匹配后的第h对数据点的实际距离,/>为求绝对值函数,/>越大,说明起始道路pq的第h对数据点的实际距离与其对应的第i条分流道路的第h对数据点的实际距离之间的差异越大,对于第h对数据点,起始道路pq与终止道路wv的相关性要高于终止道路wv与起始道路pq对应的第i条分流道路的相关性;当起始道路pq的车流量出现骤增时,起始道路pq的主要交通负荷分配给终止道路wv,而并非起始道路pq对应的各条分流道路,后续在分析起始道路pq与终止道路wv之间的聚类距离时的权重也会越高;/>越大,说明终止道路wv与起始道路pq对应的第i条分流道路对应的匹配后的第h对数据点的差异分析越重要,即/>的可信度越高,/>为的权重,而/>为/>的权重。
第五步,将道路pq和道路wv在每天时的车流量关联度的平均值作为道路pq和道路wv的车流量关联度。
在本实施例中,每天的道路pq和道路wv均有其对应的车流量关联度,为了衡量道路pq和道路wv之间实际的车流量关联情况,可以将道路pq和道路wv在每天时的车流量关联度的平均值作为道路pq和道路wv的车流量关联度。值得说明的是,基于道路之间的车流量关联度调控红绿灯时间,主要是为了缓解交通负荷。
S4,根据任意两条道路的车流量关联度,确定任意两个路口的聚类优化权重;结合任意两个路口的聚类优化权重,对待规划城市区域的所有路口进行聚类,获得最优路口聚类结果。
需要说明的是,在获得所有道路中任意两条道路的车流量关联度后,为了提高路口聚类结果的准确性,将路口之间的车流量变化情况添加到路口聚类处理实现过程中,具体是基于道路的车流量关联度,量化两个路口在进行k-means聚类处理时的聚类优化权重,进而获取最优路口聚类结果,具体实现步骤可以包括:
第一步,根据任意两条道路的车流量关联度,确定任意两个路口的聚类优化权重。
第一子步骤,获取任意两个路口沿着驾驶方向构成的所有条路线。
在本实施例中,任意两个路口之间存在多条不同的行驶路线,为了综合量化任意两个路口之间的车流量变化情况,基于GPS***,获取待规划城市区域内两两路口之间的所有行驶路线,路线也就是行驶路线。
需要说明的是,在计算车流量关联度时,至少需要两条道路才可以计算,所以对于相邻两个路口之间的路程构成的路线,可以将相邻两个路口的聚类优化权重赋值为1。
第二子步骤,确定任意两个路口的每条路线的第一车流量关联度。
在本实施例中,任意两个路口的每条路线的第一车流量关联度的计算过程一致,以任意两个路口的任意一条路线为例确定该路线的第一车流量关联度,具体实现步骤可以包括:
首先,计算路线中所经过的除终止道路之外的各条道路与终止道路的车流量关联度的累加和,记为路线的初始车流量关联度;然后,计算路线中所经过的道路条数的倒数,将路线的初始车流量关联度与路线中所经过的道路条数的倒数的乘积,作为路线的第一车流量关联度。
需要说明的是,路线中所经过的除终止道路之外的各条道路与终止道路的车流量关联度均较大时,说明该路线受分流道路的影响较小,起始道路的交通负荷主要分布在路线所经过的所有条道路上,路线的初始车流量关联度较大;路线中所经过的道路条数较大时,说明路线的路程较远,受路线上路口分流的影响,此时确定的初始车流量关联度的可信度较小,因此,需要对路线的初始车流量关联度进行进一步的分析,将路线的初始车流量关联度与路线中所经过的道路条数的倒数的乘积作为路线的车流量关联度,记为第一车流量关联度。
第三子步骤,基于任意两个路口的每条路线的第一车流量关联度,确定该两个路口的聚类优化权重。
在本实施例中,将任意两个路口的每条路线的第一车流量关联度的平均值,作为该两个路口沿着驾驶方向构成的所有条路线的第二车流量关联度;计算该两个路口沿着不同驾驶方向构成的所有条路线的第二车流量关联度的平均值,对第二车流量关联度的平均值进行归一化处理,将归一化处理后的数值作为该两个路口的聚类优化权重。
需要说明的是,任意两个路口的每条路线均有其对应的第一车流量关联度,将此时确定的所有第一车流量关联度的平均值作为该两个路口沿着驾驶方向构成的所有条路线整体的车流量关联度,记为第二车流量关联度;公路上一般存在两个驾驶方向,每个驾驶方向均有其对应的第二车流量关联度,计算两个驾驶方向对应的第二车流量关联度的平均值,并利用sigmod函数对两个驾驶方向对应的第二车流量关联度的平均值进行归一化处理,可以获得该两个路口的聚类优化权重。sigmod函数的归一化实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
第二步,结合任意两个路口的聚类优化权重,对待规划城市区域的所有路口进行聚类,获得最优路口聚类结果。
需要说明的是,聚类优化权重是通过分析两条道路之间的历史车流量变化相关性确定的,两条道路之间的历史车流量变化相关性指代车流量关联度,确定聚类优化权重有助于克服现有路口聚类未考虑路口之间的车流量变化趋势差异导致聚类结果准确性低下的缺陷,进而提高路口红绿灯时间调控的可靠程度。
第一子步骤,确定任意两个路口的初始距离度量特征和任意两个路口的聚类优化权重的反比例值,将任意两个路口的初始距离度量特征与对应两个路口的聚类优化权重的反比例值的乘积作为对应两个路口的优化距离度量特征。
在本实施例中,任意两个路口的初始距离度量特征可以通过道路等级、常规的车流量差异等操作确定,也就是初始距离度量特征可以通过常规路口聚类实现手段来确定,初始距离度量特征的具体确定过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
聚类优化权重越大,说明两个路口之间的关联性越强,此时越需要对聚类过程中该两个路口的初始距离度量特征进行优化处理,相应削弱该两个路口的初始距离度量特征可以实现优化,故需要对聚类优化权重进行取反操作确定反比例值。聚类优化权重的取值范围在0到1之间,故聚类优化权重的反比例值可以通过1减去聚类优化权重的方式确定。
第二子步骤,基于任意两个路口的优化距离度量特征,对待规划城市区域的所有路口进行k-means聚类处理,获得聚类结果,将聚类结果作为最优路口聚类结果。
在本实施例中,k-means聚类处理的实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。相比传统的路口聚类处理,本实施例确定的最优路口聚类结果的聚类效果好,可以在一定程度上增强存在车流量变化相关性的两个路口的聚类权重,进而获得准确性更高的路口聚类结果。
S5,根据最优路口聚类结果,调控待规划城市区域内的路口红绿灯。
在本实施例中,基于待规划城市区域对应的最优路口聚类结果,也就是基于每个聚类簇内的各个路口,对待规划城市区域内的路口红绿灯时间进行调控。通过路口聚类结果实现路口红绿灯时间调控的详细过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
本发明提供了一种道路交通规划方法,通过分析两两道路之间的车流量关联度,确定在对所有路口进行聚类处理时,任意两个路口的聚类优化权重,进而获得准确性更高的最优路口聚类结果,其有助于实现更加可靠的路口红绿灯时间调控,进一步提升交通规划合理性。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,均应包含在本发明的保护范围之内。
Claims (9)
1.一种道路交通规划方法,其特征在于,包括以下步骤:
获取待规划城市区域的每条道路在若干天内每个单位时间的历史车流量,进而确定每条道路在每天内的历史车流量曲线;其中,相邻两个路口之间的路段构成一条道路,历史车流量为道路上同一驾驶方向的历史车流量;
将一天划分成相同长度的时段,根据每条道路在每天内的历史车流量曲线在同一时段下曲线段的各个极值点和曲线段的历史车流量均值,确定每条道路在同一时段下的车流量保持度;
根据任意两条道路在每天内的历史车流量曲线之间的差异情况和任意两条道路在同一时段下的车流量保持度,确定任意两条道路的车流量关联度;
根据任意两条道路的车流量关联度,确定任意两个路口的聚类优化权重;结合任意两个路口的聚类优化权重,对待规划城市区域的所有路口进行聚类,获得最优路口聚类结果;
根据最优路口聚类结果,调控待规划城市区域内的路口红绿灯;
所述根据每条道路在每天内的历史车流量曲线在同一时段下曲线段的各个极值点和曲线段的历史车流量均值,确定每条道路在同一时段下的车流量保持度,包括:
对于任意一条道路和任意一个时段,将道路在每天内的历史车流量曲线在该时段下曲线段作为目标曲线段,获得道路在该时段下对应的各个目标曲线段;
确定各个目标曲线段的各个极值点,进而确定各个极值点与其相邻的下一个极值点之间的时间跨度,获得各个目标曲线段的各个极值点对应的时间跨度;
根据各个目标曲线段的各个极值点及其对应的时间跨度,确定道路在该时段下对应的各个目标曲线段的车流量保持权重;
根据道路在该时段下对应的各个目标曲线段的历史车流量均值和车流量保持权重,确定道路在该时段下的车流量保持度。
2.根据权利要求1所述的一种道路交通规划方法,其特征在于,道路pq在第n个时段下对应的第m个目标曲线段的车流量保持权重的计算公式为:
;式中,/>为道路pq在第n个时段下对应的第m个目标曲线段的车流量保持权重,p和q为待规划城市区域内相邻的两个路口,路口p和路口q组成道路pq,/>为归一化函数,z为道路pq在第n个时段下对应的第m个目标曲线段的极值点序号,Z为道路pq在第n个时段下对应的第m个目标曲线段的极值点个数,/>为道路pq在第n个时段下对应的第m个目标曲线段的第z个极值点对应的时间跨度,/>为道路pq在第n个时段下对应的第m个目标曲线段的所有极值点对应的时间跨度均值,/>为道路pq在第n个时段下对应的第m个目标曲线段的第z个极值点的历史车流量与第m个目标曲线段的历史车流量均值之间的差异。
3.根据权利要求1所述的一种道路交通规划方法,其特征在于,所述根据道路在该时段下对应的各个目标曲线段的历史车流量均值和车流量保持权重,确定道路在该时段下的车流量保持度,包括:
对于任意一个目标曲线段,先计算目标曲线段的历史车流量均值与道路在该时段下对应的所有目标曲线段的历史车流量均值的平均值之间的差异,记为目标差异;再计算所述目标差异与目标曲线段的车流量保持权重的乘积,记为第一乘积;
获得道路在该时段下对应的各个目标曲线段的第一乘积,将道路在该时段下对应的各个目标曲线段的第一乘积的平均值作为道路在该时段下的车流量保持度。
4.根据权利要求1所述的一种道路交通规划方法,其特征在于,所述根据任意两条道路在每天内的历史车流量曲线之间的差异情况和任意两条道路在同一时段下的车流量保持度,确定任意两条道路的车流量关联度,包括:
对任意两条道路在同一天内的历史车流量曲线进行DTW匹配,获得匹配后的各对数据点,进而确定各对数据点中两个数据点的数据采集时间在所属时段下的目标曲线段的车流量保持度;
根据匹配后的各对数据点的历史车流量和各对数据点中两个数据点在所属时段下的目标曲线段的车流量保持度,确定任意两条道路对应的匹配后的各对数据点的实际距离;
确定任意两条道路中的起始道路和终止道路,获取起始道路对应的各条分流道路,进而确定终止道路与起始道路对应的各条分流道路对应的匹配后的各对数据点的实际距离;
根据任意两条道路对应的匹配后的各对数据点的实际距离、终止道路与起始道路对应的各条分流道路对应的匹配后的各对数据点的实际距离和各对数据点的历史车流量差异,确定任意两条道路在同一天时的车流量关联度;
将任意两条道路在每天时的车流量关联度的平均值作为任意两条道路的车流量关联度。
5.根据权利要求4所述的一种道路交通规划方法,其特征在于,任意两条道路沿着同一驾驶方向所构成的路线中的第一条道路为起始道路,起始道路的第一个路口为起始路口;任意两条道路沿着同一驾驶方向所构成的路线中的最后一条道路为终止道路,终止道路的第一个路口为终止路口;将与任意两条道路沿着同一驾驶方向所构成的路线相连通的、且相邻的各条道路作为起始道路对应的各条分流道路。
6.根据权利要求5所述的一种道路交通规划方法,其特征在于,道路pq与道路wv对应的匹配后的第h对数据点的实际距离的计算公式为:
;式中,为道路pq与道路wv对应的匹配后的第h对数据点的实际距离,w和v为待规划城市区域内相邻的两个路口,路口w和路口v组成道路wv,/>为道路pq与道路wv对应的匹配后的第h对数据点的历史车流量差异,/>为归一化函数,/>为道路pq与道路wv对应的匹配后的第h对数据点中两个数据点的数据采集时间在所属时段下的目标曲线段的车流量保持度的平均值,/>为道路pq与道路wv对应的匹配后的第h对数据点中两个数据点的数据采集时间在所属时段下的目标曲线段的车流量保持度的差异,/>为道路pq与道路wv对应的匹配后的第h对数据点的历史车流量均值。
7.根据权利要求6所述的一种道路交通规划方法,其特征在于,道路pq与道路wv在同一天时的车流量关联度的计算公式为:
;式中,/>为道路pq与道路wv在同一天时的车流量关联度,/>为道路pq与道路wv对应的匹配后的第h对数据点的实际距离,h为两条道路对应的匹配后的各对数据点的序号,H为两条道路对应的匹配后的数据点对数,/>为归一化函数,i为起始道路对应的各条分流道路的序号,I为起始道路对应的所有分流道路的个数,/>为终止道路与起始道路对应的第i条分流道路对应的匹配后的第h对数据点的实际距离,与道路pq与道路wv对应的匹配后的第h对数据点的实际距离之间的差异,/>为终止道路与起始道路对应的第i条分流道路对应的匹配后的第h对数据点的历史车流量差异。
8.根据权利要求5所述的一种道路交通规划方法,其特征在于,所述根据任意两条道路的车流量关联度,确定任意两个路口的聚类优化权重,包括:
获取任意两个路口沿着驾驶方向构成的所有条路线;
对于任意两个路口的任意一条路线,计算路线中所经过的除终止道路之外的各条道路与终止道路的车流量关联度的累加和,记为路线的初始车流量关联度;计算路线中所经过的道路条数的倒数,将路线的初始车流量关联度与路线中所经过的道路条数的倒数的乘积,作为路线的第一车流量关联度;
将任意两个路口的每条路线的第一车流量关联度的平均值,作为该两个路口沿着驾驶方向构成的所有条路线的第二车流量关联度;计算该两个路口沿着不同驾驶方向构成的所有条路线的第二车流量关联度的平均值,对不同驾驶方向对应的第二车流量关联度的平均值进行归一化处理,将归一化处理后的数值作为该两个路口的聚类优化权重。
9.根据权利要求1所述的一种道路交通规划方法,其特征在于,所述结合任意两个路口的聚类优化权重,对待规划城市区域的所有路口进行聚类,获得最优路口聚类结果,包括:
确定任意两个路口的初始距离度量特征和任意两个路口的聚类优化权重的反比例值,将任意两个路口的初始距离度量特征与对应两个路口的聚类优化权重的反比例值的乘积作为对应两个路口的优化距离度量特征;
基于任意两个路口的优化距离度量特征,对待规划城市区域的所有路口进行k-means聚类处理,获得聚类结果,将所述聚类结果作为最优路口聚类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410410685.0A CN118015857B (zh) | 2024-04-08 | 2024-04-08 | 一种道路交通规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410410685.0A CN118015857B (zh) | 2024-04-08 | 2024-04-08 | 一种道路交通规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118015857A CN118015857A (zh) | 2024-05-10 |
CN118015857B true CN118015857B (zh) | 2024-06-07 |
Family
ID=90954694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410410685.0A Active CN118015857B (zh) | 2024-04-08 | 2024-04-08 | 一种道路交通规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118015857B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103578281A (zh) * | 2012-08-02 | 2014-02-12 | 中兴通讯股份有限公司 | 一种交通干线信号灯优化控制方法和装置 |
CN104915726A (zh) * | 2015-05-11 | 2015-09-16 | 四川汇源吉迅数码科技有限公司 | 一种基于时间片划分的车流量数据库生成方法 |
US9633560B1 (en) * | 2016-03-30 | 2017-04-25 | Jason Hao Gao | Traffic prediction and control system for vehicle traffic flows at traffic intersections |
CN110414719A (zh) * | 2019-07-05 | 2019-11-05 | 电子科技大学 | 一种基于多变量灰色模型时间序列的车流量预测方法 |
CN110782667A (zh) * | 2019-10-30 | 2020-02-11 | 北京百度网讯科技有限公司 | 信号灯分时段配时方法、装置、电子设备及存储介质 |
CN110956826A (zh) * | 2019-11-21 | 2020-04-03 | 浙江大华技术股份有限公司 | 一种交通信号配时方案的生成方法、生成装置及存储介质 |
CN114819360A (zh) * | 2022-04-29 | 2022-07-29 | 嘉兴学院 | 一种交通流量预测方法、装置及设备 |
CN115083173A (zh) * | 2022-04-27 | 2022-09-20 | 同济大学 | 一种基于电警数据的单点定时信号控制时段划分方法 |
CN116189425A (zh) * | 2022-12-30 | 2023-05-30 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种基于车联网大数据的交通路况预测方法及*** |
CN116564087A (zh) * | 2023-05-11 | 2023-08-08 | 连云港杰瑞电子有限公司 | 一种基于大数据的路网均衡控制方法及*** |
CN117392853A (zh) * | 2023-12-11 | 2024-01-12 | 山东通维信息工程有限公司 | 一种基于云端的大数据智能车道控制*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8040254B2 (en) * | 2009-01-06 | 2011-10-18 | International Business Machines Corporation | Method and system for controlling and adjusting traffic light timing patterns |
-
2024
- 2024-04-08 CN CN202410410685.0A patent/CN118015857B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103578281A (zh) * | 2012-08-02 | 2014-02-12 | 中兴通讯股份有限公司 | 一种交通干线信号灯优化控制方法和装置 |
CN104915726A (zh) * | 2015-05-11 | 2015-09-16 | 四川汇源吉迅数码科技有限公司 | 一种基于时间片划分的车流量数据库生成方法 |
US9633560B1 (en) * | 2016-03-30 | 2017-04-25 | Jason Hao Gao | Traffic prediction and control system for vehicle traffic flows at traffic intersections |
CN110414719A (zh) * | 2019-07-05 | 2019-11-05 | 电子科技大学 | 一种基于多变量灰色模型时间序列的车流量预测方法 |
CN110782667A (zh) * | 2019-10-30 | 2020-02-11 | 北京百度网讯科技有限公司 | 信号灯分时段配时方法、装置、电子设备及存储介质 |
CN110956826A (zh) * | 2019-11-21 | 2020-04-03 | 浙江大华技术股份有限公司 | 一种交通信号配时方案的生成方法、生成装置及存储介质 |
CN115083173A (zh) * | 2022-04-27 | 2022-09-20 | 同济大学 | 一种基于电警数据的单点定时信号控制时段划分方法 |
CN114819360A (zh) * | 2022-04-29 | 2022-07-29 | 嘉兴学院 | 一种交通流量预测方法、装置及设备 |
CN116189425A (zh) * | 2022-12-30 | 2023-05-30 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种基于车联网大数据的交通路况预测方法及*** |
CN116564087A (zh) * | 2023-05-11 | 2023-08-08 | 连云港杰瑞电子有限公司 | 一种基于大数据的路网均衡控制方法及*** |
CN117392853A (zh) * | 2023-12-11 | 2024-01-12 | 山东通维信息工程有限公司 | 一种基于云端的大数据智能车道控制*** |
Also Published As
Publication number | Publication date |
---|---|
CN118015857A (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10902719B2 (en) | Method of predicting traffic congestion and controlling traffic signals based on deep learning and server for performing the same | |
CN109493620B (zh) | 一种交通路况分析***、方法以及装置 | |
CN107085943B (zh) | 一种道路旅行时间短期预测方法和*** | |
US10699568B1 (en) | Video-based crossroad signal machine control method | |
CN109754598B (zh) | 一种拥堵组团识别方法及*** | |
CN116935654B (zh) | 一种基于数据分配值的智慧城市数据分析方法及*** | |
CN103646534A (zh) | 一种道路实时交通事故风险控制方法 | |
CN108648445A (zh) | 基于交通大数据的动态交通态势预测方法 | |
CN102890862A (zh) | 基于向量模式的交通状态分析装置及方法 | |
CN115063990A (zh) | 一种混合交通流环境高速公路瓶颈路段动态限速控制方法 | |
CN113313357A (zh) | 一种基于高斯过程回归分析的交通道路安全评价方法 | |
CN113947899A (zh) | 一种低渗透率轨迹数据下排队服务时间动态估计方法 | |
CN113222382A (zh) | 一种车联网环境异质车流换道影响路段通过能力确定方法 | |
CN114360264A (zh) | 一种基于交通流量进行调节的智慧城市交通管理方法 | |
CN111383453A (zh) | 交通信号控制在线仿真和实时跟踪反馈***及运行方法 | |
CN118015857B (zh) | 一种道路交通规划方法 | |
CN112750304B (zh) | 一种基于交通仿真的交叉口数据采集区间确定方法及装置 | |
CN113034940A (zh) | 一种基于Fisher有序聚类的单点信号交叉口优化配时方法 | |
CN114049761B (zh) | 一种基于智能可变车道的交叉口控制方法 | |
CN112053570B (zh) | 一种城市交通路网运行状态监测评价方法及*** | |
CN114758499A (zh) | 一种基于多源数据的城市高架快速路匝道智能自动控制的方法、设备及存储介质 | |
Torday et al. | Parameters influencing probe vehicle based travel time estimation accuracy | |
CN114387778A (zh) | 一种城市快速路拥堵原因分析的方法 | |
Shamlitskiy et al. | Transport stream optimization based on neural network learning algorithms | |
CN117975712A (zh) | 基于拥堵时长预测的高速公路服务区协同控制方法及*** |
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 |