CN101894461A - 城市地面道路行程时间预测方法 - Google Patents
城市地面道路行程时间预测方法 Download PDFInfo
- Publication number
- CN101894461A CN101894461A CN2009100518471A CN200910051847A CN101894461A CN 101894461 A CN101894461 A CN 101894461A CN 2009100518471 A CN2009100518471 A CN 2009100518471A CN 200910051847 A CN200910051847 A CN 200910051847A CN 101894461 A CN101894461 A CN 101894461A
- Authority
- CN
- China
- Prior art keywords
- time
- travel
- traffic
- ground level
- journey time
- 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
Abstract
本发明提出一种城市地面道路行程时间预测方法,利用路段交通信息采集设备及信号控制设备所采集的实时交通流数据与交通工程中车流的到达和离散函数相匹配,通过计算模型计算出一定时间范围内的车流量;再将路口各行驶方向的车流量、饱和度、路口信号配时的周期、绿信比等参数,统一输入到根据经验建立起来的模型中,从而计算出此时该路段的行程时间,其能够对城市路网中的行程时间进行预测,进而选择行程时间最小的最优路径。
Description
技术领域
本发明涉及交通管理领域,且特别涉及一种城市地面道路行程时间预测方法。
背景技术
在智能交通信息化越来越受到重视的今天,如何提高交通服务水平,使有限的道路资源得到充分的利用,从而减少运输的时间和成本,节约能源,是各级交通管理部门及智能交通企业等面临的课题。目前各大中城市都已经建设了或正在建设大规模的交通信号控制系统、视频监控系统、电警卡口系统等,这些都是保障城市交通安全、高效、环保运行必不可少的系统,然而对交通参与者来说,给他们提供的信息还远远不够,诸如前端的交通状况,特别是前方道路的拥堵情况,从出发地到目的地的行程时间等二次信息等等。
在城市道路复杂路网上,目前国内提出的有三种行程时间预测方法——最小二乘法、基于模糊综合评判的动态行程时间预测方法、利用车牌识别及比对的行程时间预测方法。前二者都仅适用于简单路径和对车流状况有一定限制,很难应用到实际路网上去。最小二乘法进行行程时间预测一般适合于连续流,车道流量稳定或者变化比较均匀的情况。基于模糊综合评判的动态路径行程时间预测方法虽然考虑了车辆的行驶时间和交通延时,但是提出了一系列假设:1)各车辆进入路段的时间是相互独立的;2)假设在每个路口处于等待红灯状态时,到达该路口加入等待队伍的车辆等待时间服从参数为K的泊松分布;3)车辆在行驶过程中不会因遇红灯以外的原因停车,这些都给实际应用带来了种种限制。利用车牌识别及比对的行程时间预测方法尽管采集的是各车辆的实际行程时间,但是会存在以下问题:由于并非每个路口的四个方向的所有车道都布设了车牌识别设备,且车牌识别率不高,因此导致样本数量很少,尤其在畅通或者拥堵时,可利用的车辆行程时间样本数量不够,从而达不到行程时间预测的精度要求,容易出现误报;要在所有路口的四个方向的所有车道都安装车牌识别设备,造价太高,不够现实。
发明内容
本发明提出一种城市地面道路行程时间预测方法,能够对城市路网中的行程时间进行预测,选择行程时间最小的最优路径。
为了达到上述目的,本发明提出一种城市地面道路行程时间预测方法,包括下列步骤:
第一步:确定行程时间检测及发布的周期;
第二步:收集分时段、分行驶方向的历史样本数据;
第三步:建立路段分时段分行驶方向的各自行程时间模型;
第四步:检测路段分行驶方向的实时交通参数;
第五步:分析车辆到达及离散所服从的分布,计算平均排队长度或平均等待时间;
第六步:将各交通参数代入不同行驶方向对应时段的模型,计算分方向的行程时间;
第七步:不同行驶方向的行程时间预测;
第八步:此周期的行程时间计算完毕,进入下一周期计算,回到第四步。
进一步的,第一步中行程时间统计周期为2分钟至10分钟。
进一步的,第二步中所述样本数量不少于50个。
进一步的,第二步中所述样本包括各行驶方向的行程时间、路段距离、路口渠化处该行驶方向所用车道数、交通检测器及信号控制的线圈检测流量数据、该行驶方向信号线圈对应的车道检测流量、饱和度或者占有率、路段下游路口信号控制周期、信号控制相位的绿信比、该信号相位与路段上游来车对应的主要来车相位的相位差。
进一步的,该方法包括利用交通检测器及信号控制的线圈检测流量数据分析各时段各行驶方向所服从的分布,由此计算各时段各行驶方向的平均排队长度、平均等待时间。
进一步的,第二步中使用泊松分布、二项分布和负二项分布公式计算车辆的平均到达率和相邻车辆到达之间的平均间隔。
进一步的,第七步中采用卡尔曼滤波方法对行程时间进行预测。
本发明提供了一种结合交通信息采集设备及信号控制设备的行程时间预测方法,该方法具有以下优点:
1)基于交通信息采集设备的采集数据,交通信号控制设备的采集数据及信号配时,利用现有资源挖掘二次信息;
2)分时段分别考虑交通流的到达及离散函数,更加符合实际情况;
3)考虑了间断流受到路口信号控制配时的影响,模型中考虑了周期、绿信比、相位差等参数,此外对于特殊交通配时例如绿波等方案也能够涵盖在内;
4)路段的分方向行程时间考虑,更加符合目前交通方向性拥堵的现状,具有积极的意义,同时对于行程时间最短的路径选择,提供了方便的途径。
本发明提供的城市地面道路行程时间预测方法,着眼于城市交通信息采集设备、信号控制设备的影响,由此更加符合中国的实际,因为城市大部分路口都实现了信号控制,不同时段采取不同的配时策略,很多路段都设置了线圈或视频检测器,且实现了感应控制的信号控制路口各进口的不同行驶方向都设置了交通检测器,交通检测数据及时上传,由此节省了投资,能够得到普遍应用。
附图说明
图1所示为本发明较佳实施例的城市地面道路行程时间预测方法流程图。
具体实施方式
为了更了解本发明的技术内容,特举具体实施例并配合所附图式说明如下。
本发明提出一种城市地面道路行程时间预测方法,能够对城市路网中的行程时间进行预测,选择行程时间最小的最优路径。
请参考图1,图1所示为本发明较佳实施例的城市地面道路行程时间预测方法流程图。
本发明提出的城市地面道路行程时间预测方法,包括下列步骤:
第一步S100:确定行程时间检测及发布的周期,其根据城市路网及信号控制的实际情况确定;
第二步S200:收集分时段、分行驶方向的历史样本数据,其中搜集样本数据的种类涉及对应路段的各时段、各行驶方向的样本,样本数量不少于50,样本包括各行驶方向的行程时间、路段距离、路口渠化处该行驶方向所用车道数、交通检测器及信号控制的线圈检测流量数据、该行驶方向信号线圈对应的车道检测流量、饱和度或者占有率、路段下游路口信号控制周期、信号控制相位的绿信比、该信号相位与路段上游来车对应的主要来车相位的相位差,以及利用交通检测器及信号控制的线圈检测流量数据分析各时段各行驶方向所服从的分布,由此计算各时段各行驶方向的平均排队长度、平均等待时间;
第三步S300:建立路段分时段分行驶方向的各自行程时间模型,其基于对样本数据的分析,建立各时段分行驶方向的行程时间与上述交通参数,及路段距离、路口渠化处该行驶方向所用车道数m之间的模型;
第四步S400:检测路段分行驶方向的实时交通参数;
第五步S500:分析车辆到达及离散所服从的分布,计算平均排队长度或平均等待时间;
第六步S600:将各交通参数代入不同行驶方向对应时段的模型,计算分方向的行程时间;
第七步S700:不同行驶方向的行程时间预测;
第八步S800:此周期的行程时间计算完毕,进入下一周期计算,回到第四步。
如果需要对城市路网中从A点至B点的行程时间进行预测,可列出A点至B点的不同路径,各路径对应着组合路段对应时段的分方向行程时间的总和,在各总和比较中,选择行程时间最小的一条路径就是最优路径。此方法不仅考虑了路段的交通流,而且考虑了路口信号控制各相位配时的影响,因而实际应用效果更佳。
本发明的交通信息采集设备与信号控制设备的综合利用,就是分别利用路段交通信息采集设备及信号控制设备所采集的实时交通流数据与交通工程中车流的到达和离散函数相匹配,通过计算模型计算出一定时间范围内的车流量;再将路口各行驶方向的车流量、饱和度、路口信号配时的周期、绿信比等参数,统一输入到根据经验建立起来的模型中,从而计算出此时该路段的行程时间,如果该路段前方路口的信号控制分左转、直行或右转,利用此模型能够推算出左转、直行或右转的车辆各自分方向的行程时间。
具体步骤如下:
1、行程时间检测统计周期的选择
首先,行程时间检测统计周期应该是统一的,否则无法按照统一的规律发布信息;受前后信号控制周期的影响,行程时间统计周期一般应大于信号控制周期,又由于各城市的道路与交通的差异,行程时间统计周期在2分钟至10分钟可选。
2、利用埋设在路段中交通检测器采集的车流量数据,分析出车流到达所服从分布
城市道路交通流在不同时段呈现不同的交通特性,在不同的特性下的交通应该呈现不同的车流到达分布及车流离散分布。
(1)泊松分布
适用条件:车流较畅通,车辆间相互影响微弱,车流随机到达。
基本公式:
式中:P(x)为计数周期t内到达x辆车的概率;λ为单位时间的平均到达率,单位为辆/s;t为每个计数周期的持续时间,单位为s;e为自然对数的底;m=λt为计数周期t内平均到达的车辆数。
泊松分布的数学期望E(x)与方差Var(x)是相等的,若m和s2分别为其无偏估计,则当观测数据表明s2/m显著地不等于1.0时,就表明泊松分布已不适用了。
(2)二项分布
适用条件:车辆比较拥堵,车辆间干扰很大,自由行驶较困难的车流。
基本公式:
二项分布的数学期望E(x)与方差Var(x),分别为:E(x)=np,Var(x)=np(1-p),m和s2分别为其无偏估计,则当观测数据表明s2/m大于1.0或接近1.0时,就表明二项分布已不适用了。
(3)负二项分布
适用条件:车辆到达波动很大,或者受上游信号控制路口波动很大,周期又很短时,所得到的车辆到达数具有较大的方差而服从负二项分布,服从负二项分布的车流到达的不均匀程度最高。
基本公式:
式中:β为负二项分布参数,取正实数,取p=λt。
无论车流属于哪种交通情形,都可以归属到上述三种分布中的一种,由此可以计算出车辆的平均到达率λ,相邻车辆到达之间的平均间隔为1/λ。
2、利用信号控制系统埋设在停车线后的线圈检测数据,分析出车流离散所服从分布
车流离散所服从分布同样按照上述三项分布进行考虑,由此可以得到驶出率为μ,平均服务时间为1/μ。
3、路段上车流量或者平均排队长度计算
车流离散所服从分布同样按照上述三项分布进行考虑。定义交通系数ρ=λ/μ,如果ρ<1(即λ<μ)并且时间充分,交通流是稳定的;当ρ≥1,则交通流是不稳定的,而平均排队的长度会变得越来越长,平均排队长度为:
排队中的平均等待时间:
4、利用历史采样数据,分别建立路段各行驶方向行程时间的经验模型
针对某路段,结合交通渠化及交通信号控制相位情况,分别采集路段的以下交通样本,各行驶方向及各时段(高峰、平峰、低峰)样本数量不少于50组:各行驶方向的行程时间TT、平均排队长度平均等待时间路段距离s,路口渠化处该行驶方向所用车道数m、该行驶方向信号线圈对应的车道检测流量q、该行驶方向对应的饱和度或者占有率o、对应的下游路口信号控制周期t、该行驶方向对应信号控制相位的绿信比γ、该信号相位与路段上游来车对应的主要来车相位(例如直行)的相位差(如无固定相位差的情况,不考虑),建立路段各方向行程时间模型如下:
例如对于单车道渠化、简单的两相位控制路口,左转、直行、右转都只有一个行驶方向,只需要调查该行驶方向的不同时段的交通样本;对于左转、直行、右转的多车道渠化,及多相位控制,则需要调查左转、直行、右转各自行驶方向在不同时段的交通样本,其它类推。
5、行程时间预测
实时采集交通参数,对符合的交通到达及离散分布进行分析,计算出平均排队长度和平均等待时间,再代入以上的行程时间计算模型,可以计算出行程时间,下面还需要对行程时间进行预测。
算法采用卡尔曼滤波方法对行程时间进行预测。卡尔曼滤波已广泛应用于行程时间预测,行程时间卡尔曼滤波方法主要是基于历史数据进行下一时段的行程时间预测,卡尔曼滤波是一种同期估算方法,通过处理一系列带有误差的实际测量数据可得到所需要的数据的最佳估计值,处理带有误差的观测值,从而得到最佳的滤波值。因此,卡尔曼滤波方法具有计算速度较快的特点。
状态表达式为:
式中,Xk为k时刻的行程时间序列的测量值,yk为时刻k的行程时间预测值,φk为一步状态转移矩阵;ξk为第k时刻作用于系统的动态噪声;Hk为观测矩阵;ηk为第k时刻所受到的随机干扰,称为量测噪声。
关于初始值及卡尔曼滤波递推公式,可以参考有关文献。
综上所述,本发明提供了一种结合交通信息采集设备及信号控制设备的行程时间预测方法,该方法具有以下优点:
1)基于交通信息采集设备的采集数据,交通信号控制设备的采集数据及信号配时,利用现有资源挖掘二次信息;
2)分时段分别考虑交通流的到达及离散函数,更加符合实际情况;
3)考虑了间断流受到路口信号控制配时的影响,模型中考虑了周期、绿信比、相位差等参数,此外对于特殊交通配时例如绿波等方案也能够涵盖在内;
4)路段的分方向行程时间考虑,更加符合目前交通方向性拥堵的现状,具有积极的意义,同时对于行程时间最短的路径选择,提供了方便的途径。
本发明提供的城市地面道路行程时间预测方法,着眼于城市交通信息采集设备、信号控制设备的影响,由此更加符合中国的实际,因为城市大部分路口都实现了信号控制,不同时段采取不同的配时策略,很多路段都设置了线圈或视频检测器,且实现了感应控制的信号控制路口各进口的不同行驶方向都设置了交通检测器,交通检测数据及时上传,由此节省了投资,能够得到普遍应用。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (7)
1.一种城市地面道路行程时间预测方法,其特征在于包括下列步骤:
第一步:确定行程时间检测及发布的周期;
第二步:收集分时段、分行驶方向的历史样本数据;
第三步:建立路段分时段分行驶方向的各自行程时间模型;
第四步:检测路段分行驶方向的实时交通参数;
第五步:分析车辆到达及离散所服从的分布,计算平均排队长度或平均等待时间;
第六步:将各交通参数代入不同行驶方向对应时段的模型,计算分方向的行程时间;
第七步:不同行驶方向的行程时间预测;
第八步:此周期的行程时间计算完毕,进入下一周期计算,回到第四步。
2.根据权利要求1所述的城市地面道路行程时间预测方法,其特征在于第一步中行程时间统计周期为2分钟至10分钟。
3.根据权利要求1所述的城市地面道路行程时间预测方法,其特征在于第二步中所述样本数量不少于50个。
4.根据权利要求1所述的城市地面道路行程时间预测方法,其特征在于第二步中所述样本包括各行驶方向的行程时间、路段距离、路口渠化处该行驶方向所用车道数、交通检测器及信号控制的线圈检测流量数据、该行驶方向信号线圈对应的车道检测流量、饱和度或者占有率、路段下游路口信号控制周期、信号控制相位的绿信比、该信号相位与路段上游来车对应的主要来车相位的相位差。
5.根据权利要求4所述的城市地面道路行程时间预测方法,其特征在于该方法包括利用交通检测器及信号控制的线圈检测流量数据分析各时段各行驶方向所服从的分布,由此计算各时段各行驶方向的平均排队长度、平均等待时间。
6.根据权利要求1所述的城市地面道路行程时间预测方法,其特征在于第二步中使用泊松分布、二项分布和负二项分布公式计算车辆的平均到达率和相邻车辆到达之间的平均间隔。
7.根据权利要求1所述的城市地面道路行程时间预测方法,其特征在于第七步中采用卡尔曼滤波方法对行程时间进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100518471A CN101894461A (zh) | 2009-05-22 | 2009-05-22 | 城市地面道路行程时间预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100518471A CN101894461A (zh) | 2009-05-22 | 2009-05-22 | 城市地面道路行程时间预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101894461A true CN101894461A (zh) | 2010-11-24 |
Family
ID=43103638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009100518471A Pending CN101894461A (zh) | 2009-05-22 | 2009-05-22 | 城市地面道路行程时间预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101894461A (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436751A (zh) * | 2011-09-30 | 2012-05-02 | 上海交通大学 | 基于城市宏观路网模型的交通流短时预测方法 |
CN103093611A (zh) * | 2011-10-27 | 2013-05-08 | 株式会社电装 | 拥堵预测装置及拥堵预测系统 |
CN103258430A (zh) * | 2013-04-26 | 2013-08-21 | 青岛海信网络科技股份有限公司 | 路段旅行时间统计、以及交通路况判定方法和装置 |
CN103280110A (zh) * | 2013-06-08 | 2013-09-04 | 北京云星宇交通工程有限公司 | 高速公路旅行时间的预测方法及装置 |
CN103996289A (zh) * | 2014-06-06 | 2014-08-20 | 北方工业大学 | 一种流量-速度匹配模型及行程时间预测方法及系统 |
CN104021674A (zh) * | 2014-06-17 | 2014-09-03 | 武汉烽火众智数字技术有限责任公司 | 一种快速准确预测车辆通过路段旅行时间的方法 |
CN104299442A (zh) * | 2014-10-15 | 2015-01-21 | 河海大学 | 一种基于模式匹配的城市路径行程时间预测方法 |
CN104408958A (zh) * | 2014-11-11 | 2015-03-11 | 河海大学 | 一种城市动态路径行程时间预测方法 |
CN106652480A (zh) * | 2016-12-28 | 2017-05-10 | 山东理工大学 | 一种基于微波地磁数据的交叉口最大排队长度计算方法 |
CN107784835A (zh) * | 2016-08-30 | 2018-03-09 | 蓝色信号株式会社 | 基于交通数据分析的交通状态模式预测系统及其预测方法 |
CN108287973A (zh) * | 2018-02-01 | 2018-07-17 | 迈锐数据(北京)有限公司 | 交通状态的模拟方法及装置 |
CN108664570A (zh) * | 2018-04-26 | 2018-10-16 | 南京英诺森软件科技有限公司 | 多模式交通运输中预测两站间换乘行程最小耗时的方法 |
CN109377759A (zh) * | 2018-11-28 | 2019-02-22 | 南京莱斯信息技术股份有限公司 | 一种获取间断交通流中车队行程时间的方法 |
CN109523783A (zh) * | 2018-10-17 | 2019-03-26 | 南通大学 | 一种拥堵状况下各车道平均排队车辆数的确定方法及系统 |
CN109740811A (zh) * | 2018-12-28 | 2019-05-10 | 斑马网络技术有限公司 | 通行速度预测方法、装置和存储介质 |
CN110136455A (zh) * | 2019-05-08 | 2019-08-16 | 济南大学 | 一种交通信号灯配时方法 |
CN110751826A (zh) * | 2019-10-30 | 2020-02-04 | 浙江大华技术股份有限公司 | 车辆排队确定方法以及相关装置 |
CN111785044A (zh) * | 2020-07-28 | 2020-10-16 | 邓兴尧 | 交通灯控制方法及装置 |
CN112150811A (zh) * | 2020-09-27 | 2020-12-29 | 安徽达尔智能控制系统股份有限公司 | 基于图像识别技术的城市道路交叉口交通信息获取系统 |
CN113538907A (zh) * | 2021-07-09 | 2021-10-22 | 大连海事大学 | 一种基于交通流分级的行车时间估计系统 |
CN113971884A (zh) * | 2021-12-01 | 2022-01-25 | 文思海辉智科科技有限公司 | 一种道路交通拥堵确定方法、装置、电子设备及存储介质 |
CN115620522A (zh) * | 2022-10-21 | 2023-01-17 | 东南大学 | 基于实时交通数据的城市道路网动态通行能力计算方法 |
-
2009
- 2009-05-22 CN CN2009100518471A patent/CN101894461A/zh active Pending
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436751B (zh) * | 2011-09-30 | 2014-09-17 | 上海交通大学 | 基于城市宏观路网模型的交通流短时预测方法 |
CN102436751A (zh) * | 2011-09-30 | 2012-05-02 | 上海交通大学 | 基于城市宏观路网模型的交通流短时预测方法 |
CN103093611A (zh) * | 2011-10-27 | 2013-05-08 | 株式会社电装 | 拥堵预测装置及拥堵预测系统 |
CN103258430A (zh) * | 2013-04-26 | 2013-08-21 | 青岛海信网络科技股份有限公司 | 路段旅行时间统计、以及交通路况判定方法和装置 |
CN103280110A (zh) * | 2013-06-08 | 2013-09-04 | 北京云星宇交通工程有限公司 | 高速公路旅行时间的预测方法及装置 |
CN103996289B (zh) * | 2014-06-06 | 2016-08-17 | 北方工业大学 | 一种流量-速度匹配模型及行程时间预测方法及系统 |
CN103996289A (zh) * | 2014-06-06 | 2014-08-20 | 北方工业大学 | 一种流量-速度匹配模型及行程时间预测方法及系统 |
CN104021674A (zh) * | 2014-06-17 | 2014-09-03 | 武汉烽火众智数字技术有限责任公司 | 一种快速准确预测车辆通过路段旅行时间的方法 |
CN104021674B (zh) * | 2014-06-17 | 2016-07-06 | 武汉烽火众智数字技术有限责任公司 | 一种快速准确预测车辆通过路段旅行时间的方法 |
CN104299442A (zh) * | 2014-10-15 | 2015-01-21 | 河海大学 | 一种基于模式匹配的城市路径行程时间预测方法 |
CN104408958A (zh) * | 2014-11-11 | 2015-03-11 | 河海大学 | 一种城市动态路径行程时间预测方法 |
CN107784835A (zh) * | 2016-08-30 | 2018-03-09 | 蓝色信号株式会社 | 基于交通数据分析的交通状态模式预测系统及其预测方法 |
CN107784835B (zh) * | 2016-08-30 | 2021-06-25 | 蓝色信号株式会社 | 基于交通数据分析的交通状态模式预测系统及其预测方法 |
CN106652480A (zh) * | 2016-12-28 | 2017-05-10 | 山东理工大学 | 一种基于微波地磁数据的交叉口最大排队长度计算方法 |
CN106652480B (zh) * | 2016-12-28 | 2018-01-19 | 山东理工大学 | 一种基于微波地磁数据的交叉口最大排队长度计算方法 |
CN108287973A (zh) * | 2018-02-01 | 2018-07-17 | 迈锐数据(北京)有限公司 | 交通状态的模拟方法及装置 |
CN108664570A (zh) * | 2018-04-26 | 2018-10-16 | 南京英诺森软件科技有限公司 | 多模式交通运输中预测两站间换乘行程最小耗时的方法 |
CN108664570B (zh) * | 2018-04-26 | 2022-07-08 | 南京英诺森软件科技有限公司 | 多模式交通运输中预测两站间换乘行程最小耗时的方法 |
CN109523783B (zh) * | 2018-10-17 | 2021-03-19 | 南通大学 | 一种拥堵状况下各车道平均排队车辆数的确定方法及系统 |
CN109523783A (zh) * | 2018-10-17 | 2019-03-26 | 南通大学 | 一种拥堵状况下各车道平均排队车辆数的确定方法及系统 |
CN109377759B (zh) * | 2018-11-28 | 2021-02-26 | 南京莱斯信息技术股份有限公司 | 一种获取间断交通流中车队行程时间的方法 |
CN109377759A (zh) * | 2018-11-28 | 2019-02-22 | 南京莱斯信息技术股份有限公司 | 一种获取间断交通流中车队行程时间的方法 |
CN109740811A (zh) * | 2018-12-28 | 2019-05-10 | 斑马网络技术有限公司 | 通行速度预测方法、装置和存储介质 |
CN110136455A (zh) * | 2019-05-08 | 2019-08-16 | 济南大学 | 一种交通信号灯配时方法 |
CN110751826A (zh) * | 2019-10-30 | 2020-02-04 | 浙江大华技术股份有限公司 | 车辆排队确定方法以及相关装置 |
CN110751826B (zh) * | 2019-10-30 | 2021-07-06 | 浙江大华技术股份有限公司 | 车辆排队确定方法以及相关装置 |
CN111785044B (zh) * | 2020-07-28 | 2022-05-03 | 邓兴尧 | 交通灯控制方法及装置 |
CN111785044A (zh) * | 2020-07-28 | 2020-10-16 | 邓兴尧 | 交通灯控制方法及装置 |
CN112150811A (zh) * | 2020-09-27 | 2020-12-29 | 安徽达尔智能控制系统股份有限公司 | 基于图像识别技术的城市道路交叉口交通信息获取系统 |
CN113538907B (zh) * | 2021-07-09 | 2022-05-03 | 大连海事大学 | 一种基于交通流分级的行车时间估计系统 |
CN113538907A (zh) * | 2021-07-09 | 2021-10-22 | 大连海事大学 | 一种基于交通流分级的行车时间估计系统 |
CN113971884A (zh) * | 2021-12-01 | 2022-01-25 | 文思海辉智科科技有限公司 | 一种道路交通拥堵确定方法、装置、电子设备及存储介质 |
CN115620522A (zh) * | 2022-10-21 | 2023-01-17 | 东南大学 | 基于实时交通数据的城市道路网动态通行能力计算方法 |
CN115620522B (zh) * | 2022-10-21 | 2023-08-25 | 东南大学 | 基于实时交通数据的城市道路网动态通行能力计算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101894461A (zh) | 城市地面道路行程时间预测方法 | |
CN103886756B (zh) | 基于obu的高速公路路网运行状态检测方法 | |
Jenelius et al. | Travel time estimation for urban road networks using low frequency probe vehicle data | |
CN102306450B (zh) | 稀疏路网交通检测器布局方法 | |
CN102855760B (zh) | 基于浮动车数据的在线排队长度检测方法 | |
CN103985250A (zh) | 轻量级的全息道路交通状态视觉检测装置 | |
KR101385057B1 (ko) | Its 데이터를 활용한 도심 구간의 정체도 예측 방법 | |
Ma et al. | Lane-based saturation degree estimation for signalized intersections using travel time data | |
Wang et al. | Efficient multiple model particle filtering for joint traffic state estimation and incident detection | |
CN104778835B (zh) | 一种高等级道路多瓶颈点拥堵演化时空范围识别方法 | |
CN103593976A (zh) | 基于检测器确定道路交通状态的方法及系统 | |
Hoogendoorn et al. | Bicycle headway modeling and its applications | |
CN102930718A (zh) | 基于浮动车数据和线圈流量融合的间断流路段行程时间估计方法 | |
CN101493991A (zh) | 基于传感器网络的交通状态获取方法及其装置 | |
CN101727746A (zh) | 信号灯控制的城市道路机动车动态行程时间估计方法 | |
CN106327864A (zh) | 一种基于高速公路联网收费数据的交通流估计方法 | |
Vanajakshi et al. | Improved flow-based travel time estimation method from point detector data for freeways | |
CN107945510A (zh) | 一种考虑交通需求和道路网络运行效率的路段检测方法 | |
Padiath et al. | Prediction of traffic density for congestion analysis under Indian traffic conditions | |
CN111815953B (zh) | 一种面向交通事件的高速公路交通管控效果评价方法 | |
CN109785627A (zh) | 一种十字路口交通流量监控系统 | |
Bae et al. | Multicontextual machine-learning approach to modeling traffic impact of urban highway work zones | |
Anusha et al. | Dynamical systems approach for queue and delay estimation at signalized intersections under mixed traffic conditions | |
CN104123837A (zh) | 基于微波和视频数据融合的间断流行程时间估计方法 | |
CN205247622U (zh) | 一种车辆排队长度监测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20101124 |