CN100337256C - 城市路网交通流状态估计方法 - Google Patents
城市路网交通流状态估计方法 Download PDFInfo
- Publication number
- CN100337256C CN100337256C CNB2005100262147A CN200510026214A CN100337256C CN 100337256 C CN100337256 C CN 100337256C CN B2005100262147 A CNB2005100262147 A CN B2005100262147A CN 200510026214 A CN200510026214 A CN 200510026214A CN 100337256 C CN100337256 C CN 100337256C
- Authority
- CN
- China
- Prior art keywords
- highway section
- road network
- oriented
- road
- velocity distribution
- 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.)
- Expired - Fee Related
Links
Images
Abstract
一种城市路网交通流状态估计方法,着眼于车载GPS卫星定位数据,结合相应的悉尼自适应交通控制系统(SCATS)提供的交通信号状态信息,以单位有向路段为对象,对城市路网的交通流状态在距离、时间、速度的三维空间上进行最小二乘法拟合建模。通过对三维空间上的曲面到二维空间上的曲线的转换,得到固定时刻城市路网中各有向路段沿路段方向上的平均速度,以速度为指标完成对当前交通流拥堵状态的分析估计。每两个信号灯之间的单位有向路段对应一个交通流状态模型,通过相邻共向路段的曲面模型的连接,实现对整个路网的交通流状态估计。
Description
技术领域
本发明涉及一种城市路网交通流状态估计方法,用于城市先进交通管理系统中道路拥挤状态的估计,属于智能交通研究领域。
背景技术
随着社会经济的快速发展,一方面交通需求大大增加,而道路的增长却逐步趋于极限,使得交通需求与供给的矛盾进一步激化;另一方面信息技术的飞速进步为综合解决交通问题带来了机遇。就是在这种背景下,先进的交通信息管理系统(ATIMS)先于智能交通系统(ITS)的其他系统受到了广泛的关注,在世界各国都得到了快速的发展,被应用于动态路径规划、动态导航、路网调协交通信号系统、动态交通调度等各个方面。其中,对实时路网交通状态的动态估计与预测是ATIMS中的关键组成部分。
对路网交通状态进行实时估计与预测和所采用的交通信息相关,不同的交通信息决定了估计与预测的不同的方法和精度。目前,国际上已经有许多相关研究,其中,具有代表性的是Martin L.Hazclton(“Estimating Vehicle Speed from Count andOccupancy data”,Journal of Data Science 2(2004),231-244)根据道路检测环数据的车辆流量和占空比信息运用马尔可夫链蒙特卡尔理论进行的研究。Martin L.Hazclton有效地考虑并且建模处理了道路检测环数据错误率大,可靠性低的问题,并且结果喜人,但是他是在高速路上进行的研究,只适用于交通流是连续流的情况,而城市的交通流是间断流,不适用于城市路网的交通流状态估计。利用检测环数据对城市路网进行交通流估计对城市基础设施要求较高,在很多城市往往取不到足够的所需数据,并且错误率高的问题得不到有效地解决。
发明内容
本发明的目的在于针对现有技术的不足,提出一种新的用于城市路网的交通流状态估计方法,具有计算简便、实时性好、对城市基础设施条件依赖性低等优点。
为实现这样的目的,本发明的技术方案着眼于具有精度高,数据量大,城市范围内分布广泛等优点的全球卫星定位系统(GPS)提供的车载数据,结合相应的悉尼自适应交通控制系统(SCATS)提供的稳定的交通信号状态信息对道路拥堵状态进行估计。SCATS系统是一种城市交通信号灯自适应控制系统,可以提供包括车辆流量、车辆占空比数据、路口的交通信号灯配置数据等信息。其中,车辆流量和车辆占空比数据仍依赖于埋在路口地下的检测环,但是交通信号灯状态信息不具有此依赖性,具有稳定准确的优点。
本发明的方法中,将城市路网中两个信号灯之间的有向路段视为一个处理单元,把能够提供包括距离、时间、速度等信息的车载GPS数据点视为各个有向路段上车流的采样点,对一段时间段T内的采样点在以距离、时间和速度为坐标轴的三维空间上进行曲面拟合建模,得到交通流在时空域上的速度分布,在此基础上,得到某一时刻交通流沿路段方向的速度变化曲线,从而得到该时刻路段的平均速度,以此为指标对路段的交通拥堵状态进行估计。路网中路段的平均速度被分为五个速度等级,分别对应通畅、较通畅、不通畅、拥堵、严重拥堵五种道路拥堵状态。对路网的交通流状态的估计是在单位有向路段的基础上进行的。每两个信号灯之间的单位有向路段对应一个交通流状态模型,通过相邻共向路段的曲面模型的连接,实现对整个路网的交通流状态估计。
本发明方法主要包括以下几个步骤:
1、对GPS数据进行数据预处理:
把能够提供包括距离、时间、速度信息的车载GPS数据点视为各个有向路段上车流的采样点。GPS数据的预处理主要针对路段上速度为0的车辆采样点。这些点包括两部分:由于严重拥堵而速度为0的点和由于信号灯红灯而速度为0的点。前者是路段拥堵状态分析中的关键部分,后者是干扰部分。根据SCATS系统提供的信号灯状态信息对各个采样点进行判断,看该采样点是否是速度为0的点,如果是,再看它对应的时刻是否属于SCATS系统表征的相应信号灯的红灯周期,如果都满足,则将该采样点从待拟合的数据点集中去除掉。
2、单位有向路段交通流建模:
城市路网是由交叉口与路段连接而成的,主要交叉口设有交通控制信号灯,这些信号灯将路段隔离,被隔离开的单位路段又是由上行和下行两个有向路段组成的,将单位有向路段视为一个处理单元,为基本的研究对象建模。
以时间段T内处于单位有向路段上的GPS数据采样点为对象,以多项式函数空间为基本模型空间,首先根据有效的待拟合的数据点的数目来选择对应的多项式模型的次数(以若干个待拟合点的数目为阈值,当大于这个阈值时选用双三次多项式进行处理,当小于这个阈值时,采用它的退化形式),然后对这些采样点在距离、时间、速度三维空间上利用最小二乘法拟合建模,得到T时间段内该单位有向路段在时空上的速度分布曲面模型。
3、城市路网交通流建模:
两个路段在路口相互连接,由于交通信号灯的作用,路口的交通行为非常复杂,相邻路段的交通互相影响。所以,从整个路网交通流出发,进行交通流状态估计时要增加描述路口处交通状况的边界条件,以考虑其相邻路段的影响。在第二步得到的单位有向路段速度分布曲面模型的基础上,令距离变量为路段最大长度,得到该路段与其相邻共向路段连接处在时间段T内的速度变化曲线。在这个曲线上取定有限数目的点,把这些点作为这条有向路段的相邻共向有向路段对应的速度分布曲面模型的边界条件,和GPS数据采样点一起参与其相邻共向路段速度分布曲面模型的拟合。
将两两共向单位有向路段速度分布曲面互相连接,最终得到整个城市路网在时空上的速度分布。其中,城市路网中各个有向路段各自对应一个时空上的速度分布曲面模型。
4、计算路段平均速度:
对于单位有向路段,在其速度分布曲面模型的数学表达式的基础上,令时间变量为时间段T中的一个常值t0,得到时刻t0该单位有向路段沿道路方向上的速度分布曲线。对这个速度分布曲线在道路方向上积分,得到t0时刻该单位有向路段道路方向的平均速度。对路网中各个有向路段逐一进行路段平均速度的计算,得到了t0时刻城市路网中各个有向路段道路方向的平均速度。
5、由平均速度预测道路拥堵状态
以t0时刻城市路网中各个有向路段道路方向的平均速度为指标进行道路拥堵状态估计。将城市路网中路段的平均速度分为五个速度等级,分别对应通畅、较通畅、不通畅、拥堵、严重拥堵五种道路拥堵状态。根据各个有向路段对应的平均速度所处的速度等级来判断各个有向路段的拥堵状态。
本发明有效地克服了一般交通流估计方法对城市硬件设施的依赖,避开了一般城市交通流监测设施不够完善,可靠性低的问题,具有计算简便,运算速度快,可靠性高等优点。
附图说明
图1为这种城市路网交通流状态估计方法的流程框图。
图2为对GPS数据进行数据预处理示意图。
图3为模型形式转换示意图。
图3以两个相邻共向路段为例,表示出了城市路网交通流状态估计过程中数据形式由点到面,面到线的全过程。其中,图3(a)为单位有向路段上GPS数据采样点示意图;图3(b)为单位有向路段速度分布曲面模型示意图;图3(c)为两个相邻路段速度分布曲面模型连接示意图;图3(d)单位有向路段在固定时刻沿路段方向上的速度变化曲线示意图。
图4为上海市徐汇区交通路网交通流状态估计示意图。
具体实施方式
为了更好地讲解本发明的技术方案,以下结合附图和实施例作进一步的详细描述。
本发明所要求的输入数据是GPS系统车辆卫星定位数据,提供包括采样车标号,时间,位置,速度,运行方向,车辆状态等动态交通探测信息。辅助信息是SCATS交通自适应控制系统提供的包括信号灯相位以及相位转换周期在内的信号灯状态信息。
本发明采用图1所示的城市路网交通流状态估计方案,具体实施步骤如下:
1、对GPS数据进行数据预处理
把能够提供包括距离、时间、速度信息的车载GPS数据点视为各个有向路段上车流的采样点。GPS数据的预处理主要针对路段上速度为0的车辆采样点。这些点包括两部分:由于严重拥堵而速度为0的点和由于信号灯红灯而速度为0的点。前者是路段拥堵状态分析中的关键部分,后者是干扰部分。一般情况下,单位有向路段上的车辆分布如图2所示。l为道路主干,L为道路总长。沿路段方向,处于路段前端的信号灯B是主要研究对象。由于信号灯B处于红灯周期,在路段上形成了等候红灯的车队,车辆速度v=0。这些车辆点是数据预处理中要去除的冗余点。
根据SCATS系统提供的信号灯状态信息对各个采样点进行判断,看该采样点是否是速度为0的点,如果是,再看它对应的时刻是否属于SCATS系统表征的相应信号灯的红灯周期,如果都满足,则将该采样点从待拟合的数据点集中去除掉。即:对于单位有向路段上的车辆采样点Pi(li,ti,vi),如果vi=0,并且ti∈Tred(Tred为相应信号灯的红灯周期时间),采样点被认为是冗余点,把它从待拟合的数据点集中去除掉。
2、单位有向路段交通流建模
城市路网是由交叉口与路段连接而成的,主要交叉口设有交通控制信号灯,这些信号灯将路段隔离,被隔离开的单位路段又是由上行和下行两个有向路段组成的,将单位有向路段视为一个处理单元,为基本的研究对象建模。
以时间段T内处于单位有向路段上的GPS数据采样点为对象在距离、时间、速度三维空间上利用最小二乘法拟合建模。图3(a)表示出了分布在有向路段2上的GPS数据采样点,构成了一个采样点集合2={(li,ti,vi)|0≤li≤L,tiTred}。
建模时以多项式函数空间为基本模型空间。根据有效的待拟合的数据点的数目来选择对应的多项式模型的次数。以20个待拟合点的数目为阈值,当大于这个阈值时选用双三次多项式进行处理,当小于这个阈值时,采用它的退化形式。即: 其中:amn为待求参数;l为采样点距道路起点的距离;t为采样点所处的时刻;vLQ为时间段T内路段上的速度分布;(a,b)为待拟合多项式模型的最高次数;Mdata为有向路段上GPS数据采样点数目,满足:
得到T时间段内该单位有向路段在时空上的速度分布曲面模型。图3(b)表示出了拟合结果。
3、城市路网交通流建模
各个单位共向路段的曲面模型互相连接,形成路网。在第二步得到的单位有向路段速度分布曲面模型的基础上,令距离变量为路段最大长度,得到该路段与其相邻共向路段连接处在时间段T内的速度变化曲线。在这个曲线上取定有限数目的点,把这些点作为这条有向路段的相邻共向有向路段对应的速度分布曲面模型的边界条件,和GPS数据采样点一起参与其相邻共向路段速度分布曲面模型的拟合。图3(c)表示出了两个相邻路段速度分布曲面模型的连接,其中曲面2为有向路段2在增加了曲面1提供的边界条件后的拟合结果。
有向路段1对应的交通流曲面模型是fLQ1(l,t),L1为有向路段1的长度,Mdata2为有向路段2上GPS数据采样点数目:
把这些数据点转换成:
以这些数据点为边界条件,参与有向路段2的交通流曲面模型拟合。
将两两共向单位有向路段速度分布曲面互相连接,最终得到整个城市路网在时空上的速度分布。其中,城市路网中各个有向路段各自对应一个时空上的速度分布曲面模型。
4、计算路段平均速度
对于单位有向路段,在其速度分布曲面模型的数学表达式的基础上,令时间变量为时间段T中的一个常值t0,得到时刻t0该单位有向路段沿道路方向上的速度分布曲线。对这个速度分布曲线在道路方向上积分,得到t0时刻该单位有向路段道路方向的平均速度。
fLQ2(l,t)为有向路段2对应的交通流曲面模型。fLQ2(l,t0)即为t0时刻沿路段方向交通流速度变化曲线。t0=3时有向路段2上沿路段方向交通流速度变化曲线如图3(d)所示。
平均速度为:
对路网中各个有向路段逐一进行路段平均速度的计算,得到t0时刻城市路网中各个有向路段道路方向的平均速度。
5、由平均速度预测道路拥堵状态
以t0时刻城市路网中各个有向路段道路方向的平均速度为指标进行道路拥堵状态估计。将路网中路段的平均速度分为五个速度等级,分别对应通畅、较通畅、不通畅、拥堵、严重拥堵五种道路拥堵状态,可用不同的颜色表示出来(图4)。根据各个有向路段对应的平均速度所处的速度等级来判断各个路段的拥堵状态。
Claims (1)
1、一种城市路网交通流状态估计方法,其特征在于包括如下步骤:
1)把能够提供包括距离、时间、速度信息的全球卫星定位系统数据点视为各个有向路段上车流的采样点,根据悉尼自适应交通控制系统提供的信号灯状态信息对各个采样点进行判断,判断该采样点是否是速度为零的点,如果是,再判断它对应的时刻是否属于悉尼自适应交通控制系统表征的相应信号灯的红灯周期,如果都满足,把该采样点从待拟合的数据点集中去除掉;
2)以时间段T内处于单位有向路段上的全球卫星定位系统数据采样点为对象,以双三次多项式及其退化形式为基本模型建模,首先根据有效的待拟合的数据点的数目来选择对应的多项式模型的次数,然后对这些采样点在距离、时间、速度三维空间上利用最小二乘法拟合建模,得到T时间段内该单位有向路段在时空上的速度分布曲面模型;
3)在单位有向路段速度分布曲面模型的基础上,令距离变量为路段最大长度,得到该路段与其相邻共向路段连接处在时间段T内的速度变化曲线,在这个曲线上取定有限数目的点,作为相邻共向路段速度分布曲面模型的边界条件,和全球卫星定位系统数据采样点一起参与其相邻共向路段速度分布曲面模型的拟合,将两两共向单位有向路段速度分布曲面互相连接,最终得到整个城市路网在时空上的速度分布,其中,城市路网中各个有向路段各自对应一个时空上的速度分布曲面模型;
4)对于单位有向路段,在其速度分布曲面模型的数学表达式的基础上,令时间变量为时间段T中的一个常值t0,得到时刻t0该单位有向路段沿道路方向上的速度分布曲线,对这个速度分布曲线在道路方向上积分,得到t0时刻该单位有向路段道路方向的平均速度,对路网中各个有向路段逐一进行路段平均速度的计算,得到t0时刻城市路网中各个有向路段道路方向的平均速度;
5)以t0时刻城市路网中各个有向路段道路方向的平均速度为指标进行道路拥堵状态估计,将城市路网中路段的平均速度分为五个速度等级,分别对应通畅、较通畅、不通畅、拥堵、严重拥堵五种道路拥堵状态,根据各个有向路段对应的平均速度所处的速度等级来判断各个有向路段的拥堵状态,最后得到整个城市路网交通流的状态估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2005100262147A CN100337256C (zh) | 2005-05-26 | 2005-05-26 | 城市路网交通流状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2005100262147A CN100337256C (zh) | 2005-05-26 | 2005-05-26 | 城市路网交通流状态估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1707544A CN1707544A (zh) | 2005-12-14 |
CN100337256C true CN100337256C (zh) | 2007-09-12 |
Family
ID=35581442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2005100262147A Expired - Fee Related CN100337256C (zh) | 2005-05-26 | 2005-05-26 | 城市路网交通流状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100337256C (zh) |
Families Citing this family (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101438335B (zh) * | 2006-03-03 | 2011-09-21 | 因瑞克斯有限公司 | 使用来自移动数据源的数据估算道路交通状况 |
CN100456335C (zh) * | 2006-10-12 | 2009-01-28 | 华南理工大学 | 基于交通流相特征的城市交通系统状态可视化评价方法及其应用 |
CN100452109C (zh) * | 2006-10-19 | 2009-01-14 | 上海交通大学 | 城市路段交通流平均速度获取方法 |
CN100466010C (zh) * | 2007-02-08 | 2009-03-04 | 上海交通大学 | 异类交通信息实时融合方法 |
CN100444210C (zh) * | 2007-04-20 | 2008-12-17 | 东南大学 | 单点信号控制交叉口的混合控制方法 |
CN101540103B (zh) * | 2008-03-17 | 2013-06-19 | 上海宝康电子控制工程有限公司 | 交通信息采集及事件处理的方法与系统 |
EP2187369A3 (en) * | 2008-06-04 | 2012-03-28 | Roads and Traffic Authority of New South Wales | Traffic signals control system |
CN101419750B (zh) * | 2008-09-28 | 2012-01-11 | 华南理工大学 | 基于数据特征的城市信号控制路口交通状态检测评价方法 |
CN102226932B (zh) * | 2011-05-31 | 2013-11-06 | 东北大学 | 一种基于射频识别技术的测量车辆速度的方法 |
CN103632540B (zh) * | 2012-08-20 | 2015-11-25 | 同济大学 | 基于浮动车数据的城市主干道交通运行信息处理方法 |
CN103956050B (zh) * | 2012-09-06 | 2016-08-24 | 北京交通发展研究中心 | 基于车辆行程数据的道路网运行评价方法 |
CN102819955B (zh) * | 2012-09-06 | 2014-12-17 | 北京交通发展研究中心 | 基于车辆行程数据的道路网运行评价方法 |
CN102930737A (zh) * | 2012-11-09 | 2013-02-13 | 深圳市凯立德科技股份有限公司 | 一种路况信息更新方法、服务器及导航设备 |
CN103413443B (zh) * | 2013-07-03 | 2015-05-20 | 太原理工大学 | 基于隐马尔科夫模型的短时交通流状态预测方法 |
CN103366557B (zh) * | 2013-07-25 | 2016-06-22 | 北京交通发展研究中心 | 基于拥堵指数的交通拥堵评价方法 |
CN103700255B (zh) * | 2013-12-30 | 2015-10-07 | 复旦大学 | 一种基于时空关联数据挖掘的交通流预测方法 |
CN104408916B (zh) * | 2014-10-31 | 2017-07-11 | 重庆大学 | 基于路段速度、流量数据的道路交通运行状态评估方法 |
CN104408924B (zh) * | 2014-12-04 | 2016-06-01 | 深圳北航新兴产业技术研究院 | 一种基于耦合隐马尔可夫模型的城市道路异常交通流检测方法 |
CN104778834B (zh) * | 2015-01-23 | 2017-02-22 | 哈尔滨工业大学 | 一种基于车辆gps数据的城市道路交通拥堵判别方法 |
CN105336167B (zh) * | 2015-11-26 | 2017-10-17 | 青岛海信网络科技股份有限公司 | 一种常态交通状态评价方法和装置 |
CN106228807A (zh) * | 2016-08-04 | 2016-12-14 | 合肥景昇信息科技有限公司 | 基于实测的城市道路区域交通立体建模系统和方法 |
US10181263B2 (en) | 2016-11-29 | 2019-01-15 | Here Global B.V. | Method, apparatus and computer program product for estimation of road traffic condition using traffic signal data |
DE102017209667A1 (de) * | 2016-12-12 | 2018-06-14 | Continental Automotive Gmbh | Speicherung von Geschwindigkeitsinformationen zur Prädiktion der zukünftigen Geschwindigkeitstrajektorie |
CN106910352A (zh) * | 2017-05-03 | 2017-06-30 | 王鸿昌 | 一种交通信号管理系统 |
CN108447263B (zh) * | 2018-04-18 | 2020-11-10 | 北京交通大学 | 基于浮动车的干线协调控制交叉口的信号控制评价方法 |
CN109064750B (zh) * | 2018-09-28 | 2021-09-24 | 深圳大学 | 城市路网交通估计方法及系统 |
CN111540198B (zh) * | 2020-04-17 | 2021-07-27 | 浙江工业大学 | 基于有向图卷积神经网络的城市交通态势识别方法 |
CN113570867B (zh) * | 2021-09-26 | 2021-12-07 | 西南交通大学 | 一种城市交通状态预测方法、装置、设备及可读存储介质 |
CN114822043B (zh) * | 2022-06-29 | 2022-09-13 | 长沙海信智能系统研究院有限公司 | 道路拥堵检测方法、装置及电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1098532A (zh) * | 1993-06-22 | 1995-02-08 | 三菱电机株式会社 | 交通工具控制装置 |
CN1137832A (zh) * | 1994-01-07 | 1996-12-11 | 美国3M公司 | 基于全球定位系统和交通控制先行系统 |
CN1317422A (zh) * | 2001-04-28 | 2001-10-17 | 陈新愚 | 一种车辆导航与路网管理的方法及装置 |
JP2004078482A (ja) * | 2002-08-15 | 2004-03-11 | Japan Automobile Research Inst Inc | 車両の交通状態量推定システム |
CN1576789A (zh) * | 2003-07-30 | 2005-02-09 | 日本先锋公司 | 交通状况报知设备、系统、方法、程序和记录介质 |
CN1596425A (zh) * | 2001-11-28 | 2005-03-16 | 英特尔公司 | 使用蜂窝网来估计交通流量 |
JP2005071292A (ja) * | 2003-08-28 | 2005-03-17 | Omron Corp | 信号制御装置 |
JP2005086397A (ja) * | 2003-09-08 | 2005-03-31 | Oki Electric Ind Co Ltd | データ通信方法及び装置 |
-
2005
- 2005-05-26 CN CNB2005100262147A patent/CN100337256C/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1098532A (zh) * | 1993-06-22 | 1995-02-08 | 三菱电机株式会社 | 交通工具控制装置 |
CN1137832A (zh) * | 1994-01-07 | 1996-12-11 | 美国3M公司 | 基于全球定位系统和交通控制先行系统 |
CN1317422A (zh) * | 2001-04-28 | 2001-10-17 | 陈新愚 | 一种车辆导航与路网管理的方法及装置 |
CN1596425A (zh) * | 2001-11-28 | 2005-03-16 | 英特尔公司 | 使用蜂窝网来估计交通流量 |
JP2004078482A (ja) * | 2002-08-15 | 2004-03-11 | Japan Automobile Research Inst Inc | 車両の交通状態量推定システム |
CN1576789A (zh) * | 2003-07-30 | 2005-02-09 | 日本先锋公司 | 交通状况报知设备、系统、方法、程序和记录介质 |
JP2005071292A (ja) * | 2003-08-28 | 2005-03-17 | Omron Corp | 信号制御装置 |
JP2005086397A (ja) * | 2003-09-08 | 2005-03-31 | Oki Electric Ind Co Ltd | データ通信方法及び装置 |
Also Published As
Publication number | Publication date |
---|---|
CN1707544A (zh) | 2005-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100337256C (zh) | 城市路网交通流状态估计方法 | |
CN106816008B (zh) | 一种道路拥堵预警及拥堵形成时间预测方法 | |
CN104778834B (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN104766475B (zh) | 一种城市交通瓶颈挖掘方法 | |
CN107016857B (zh) | 一种信控交叉口左转交通组合设计优化方法 | |
CN103632555B (zh) | 一种基于绿波带宽度最大化的干道绿波协调控制配时方法 | |
CN1710624A (zh) | 城市路网交通流区间平均速度的获取方法 | |
CN107180538B (zh) | 一种车载轨迹运行方向的识别方法 | |
CN104851287B (zh) | 基于视频检测器的城市道路路段行程时间检测方法 | |
CN104575035A (zh) | 一种基于车联网环境下交叉口的自适用控制方法 | |
CN113837446B (zh) | 一种基于多源异构数据的机场陆侧区域交通态势预测方法 | |
CN102890862B (zh) | 基于向量模式的交通状态分析装置及方法 | |
CN112509328B (zh) | 一种交叉口右转机动车与电动自行车冲突行为分析方法 | |
CN105279981A (zh) | 一种潮汐车道行驶方向动态控制方法 | |
CN106251642A (zh) | 一种基于实时公交车gps数据的公交路链速度计算方法 | |
CN106297296B (zh) | 一种基于稀疏轨迹点数据的细粒度旅行时间分配方法 | |
CN101064061A (zh) | 异类交通信息实时融合方法 | |
CN104778832A (zh) | 一种多方式的城市道路横断面资源协调配置方法 | |
CN106023592A (zh) | 一种基于gps数据的交通拥堵检测方法 | |
CN106548628A (zh) | 一种基于视觉空间转换网格化的路况分析方法 | |
CN1472710A (zh) | 基于元胞自动机的城市交通信号自组织控制方法 | |
CN107172215B (zh) | 车联网环境下的未来行驶工况信息获取方法 | |
CN115116216A (zh) | 基于车路云接口实现的全域协同感知与决策方法、装置 | |
CN108847019B (zh) | 一种计算可变线路公交车辆到达固定站点行程时间的方法 | |
CN109767623A (zh) | 基于城市交通仿真平台的人均出行机动车一氧化碳排放评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20070912 Termination date: 20120526 |