CN101950482B - 道路交通状态智能识别方法 - Google Patents
道路交通状态智能识别方法 Download PDFInfo
- Publication number
- CN101950482B CN101950482B CN201010282051XA CN201010282051A CN101950482B CN 101950482 B CN101950482 B CN 101950482B CN 201010282051X A CN201010282051X A CN 201010282051XA CN 201010282051 A CN201010282051 A CN 201010282051A CN 101950482 B CN101950482 B CN 101950482B
- Authority
- CN
- China
- Prior art keywords
- occupation rate
- traffic
- traffic behavior
- throughput ratio
- fuzzy
- 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
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种道路交通状态智能识别方法。把道路路段交通状态定义为畅通、正常、拥挤、堵塞、严重堵塞五个等级;把交通流量比、占有率均定义为非常小、小、中、大、非常大五个档次。采用模糊推理法来智能识别路段交通状态。根据交通流量比、交通流占有率、交通状态规则进行模式组合形成模糊关系,然后将交通流量比、占有率的实测数据作为输入计算出模糊集合,根据模糊关系获得输出结果的模糊集合,最后采用模糊判决获得当时交通状态。优点是:由交通流量比、占有率二个主要参数协同衡量交通状态,准确性高;只需要布设1个交通流检测器测定交通流量、占有率,现场施工成本较低;交通状态扩展到五个等级,完整性和系统性高。
Description
技术领域
本发明涉及应用在道路路段的交通状态智能识别方法,用于道路路段的交通运行状态识别。
背景技术
我国公共安全行业标准GA115-1995《道路交通阻塞度及评价方法》对道路路段的交通状态进行了定义:对于城市道路路段,车辆在车行道上受阻排队长度超过1000米为阻塞,排队长度超过1500米为严重阻塞;对于公路路段,车辆在车行道上受阻排队长度超过2000米为阻塞,排队长度超过3000米为严重阻塞。
综上所述,把交通状态分成阻塞、严重阻塞二个档次,都是以排队长度的长短来衡量的。这种方式很直观,较容易判别,但也存在如下不足:
1、道路交通系统是复杂系统,交通流量比、占有率、排队长度等主要参数具有强耦合性、不确定性,仅凭排队长度单一参数来衡量交通状态,准确性不高;
2、至少需要布设2个以上交通流检测器通过配对才能测定排队长度,现场施工成本较高,适用性不强;
3、交通阻塞、严重阻塞二个档次过少,不能充分表述交通状态,完整性欠缺。
发明内容
本发明的目的在于寻求一种适用于对道路路段的交通状态智能识别方法,解决当前路段交通状态识别存在的准确性不高、适用性不强、完整性欠缺问题。
本发明提供的道路路段交通状态智能识别方法为:在检测点处设置交通流检测器,测出该点的交通流量、占有率;交通流量比是指单位时间内通过检测点的实际车辆数(交通流量)与允许通过车辆数的比值,交通流占有率是指单位时间内车辆通过检测点时所占用的时间与单位时间的比值;把道路路段交通状态定义为畅通、正常、拥挤、堵塞、严重堵塞五个等级,取值依次为0、1、2、3、4;把交通流量比、占有率均定义为非常小、小、中、大、非常大五个档次,取值依次为1、2、3、4、5;根据交通流量比、交通流占有率、交通状态规则进行模式组合形成交通状态模糊规则表,表的内容如下:
如果占有率=1,且流量比=1,那么交通状态=0
如果占有率=1,且流量比=2,那么交通状态=0
如果占有率=1,且流量比=3,那么交通状态=0
如果占有率=1,且流量比=4,那么交通状态=1
如果占有率=1,且流量比=5,那么交通状态=1
如果占有率=2,且流量比=1,那么交通状态=0
如果占有率=2,且流量比=2,那么交通状态=0
如果占有率=2,且流量比=3,那么交通状态=1
如果占有率=2,且流量比=4,那么交通状态=1
如果占有率=2,且流量比=5,那么交通状态=1
如果占有率=3,且流量比=1,那么交通状态=3
如果占有率=3,且流量比=2,那么交通状态=2
如果占有率=3,且流量比=3,那么交通状态=2
如果占有率=3,且流量比=4,那么交通状态=2
如果占有率=3,且流量比=5,那么交通状态=1
如果占有率=4,且流量比=1,那么交通状态=4
如果占有率=4,且流量比=2,那么交通状态=4
如果占有率=4,且流量比=3,那么交通状态=3
如果占有率=4,且流量比=4,那么交通状态=3
如果占有率=4,且流量比=5,那么交通状态=3
如果占有率=5,且流量比=1,那么交通状态=4
如果占有率=5,且流量比=2,那么交通状态=4
如果占有率=5,且流量比=3,那么交通状态=4
如果占有率=5,且流量比=4,那么交通状态=3
如果占有率=5,且流量比=5,那么交通状态=3;
定义交通流量比和占有率隶属度函数:
其中,uvs、us、um、ul、uvl分别代表“非常小”、“小”、“中”、“大”、“非常大”模糊度的临界值,μ1(u)、μ2(u)、μ3(u)、μ4(u)、μ5(u)分别表示“非常小”、“小”、“中”、“大”、“非常大”隶属度,u表示流量比和占有率数值;
根据所述隶属度函数,计算对应的隶属度,将隶属度组成模糊集合。交通流量比模糊集:
U1={μ1(u1),μ2(u1),μ3(u1),μ4(u1),μ5(u1)}
其中,μ1(u1)、μ2(u1)、μ3(u1)、μ4(u1)、μ5(u1)分别表示流量比隶属于“非常小”、“小”、“中”、“大”、“非常大”的隶属度。
交通占有率模糊集:
U2={μ1(u2),μ2(u2),μ3(u2),μ4(u2),μ5(u2)}
其中,μ1(u2)、μ2(u2)、μ3(u2)、μ4(u2)、μ5(u2)分别表示占有率隶属于“非常小”、“小”、“中”、“大”、“非常大”的隶属度。
计算模糊关系矩阵,设每一条模糊规则对应一个模糊关系,根据交通状态模糊规则表得到25条模糊关系Ri(i=1,2,…,25),进行模糊关系融合得到模糊关系矩阵:
计算模糊输出:
设交通状态模糊集V={μ0(v),μ1(v),μ2(v),μ3(v),μ4(v)},μ0(v)、μ1(v)、μ2(v)、μ3(v)、μ4(v)分别表示交通状态隶属于“畅通”,“正常”,“拥挤”,“堵塞”,“严重堵塞”的隶属度。
则:
式中,μij表示U1×U2矩阵中的第i行、第j列元素,μi(u1)表示U1中第i个元素,μj(u2)表示U2中第j个元素,“∧”代表取最小值;
根据式(I)的模糊关系得到:
μ0(v)=μ11∨μ12∨μ21∨μ22∨μ31
μ1(v)=μ32∨μ41∨μ42∨μ51∨μ52∨μ53
μ2(v)=μ23∨μ33∨μ43
μ3(v)=μ13∨μ34∨μ44∨μ45∨μ54∨μ55
μ4(v)=μ14∨μ15∨μ24∨μ25∨μ35
式中“∨”代表取最大值;
模糊结果采用重心法进行判决,输出值为:
根据输出值vr和交通状态的对应关系得出结果:
输出值vr∈[0,1),交通状态为畅通;
输出值vr∈[1,2),交通状态为正常;
输出值vr∈[2,3),交通状态为拥挤;
输出值vr∈[3,4),交通状态为拥挤;
输出值vr∈[4,∞),交通状态为严重堵塞。
在检测点处测得的交通流量、占有率0≤取值≤1.0,精确到两位小数。
本技术具有以下优点:1、由交通流量比、占有率二个主要参数协同衡量交通状态,准确性高;2、只需要布设1个交通流检测器测定交通流量、占有率,现场施工成本较低;3、交通状态扩展到五个等级,完整性和系统性高。
附图说明
图1是交通流量比、占有率和交通状态之间的模糊关系图。
图2是隶属度函数图。
具体实施方式
本发明所述方法方案如下:
1、把道路路段交通状态定义为畅通、正常、拥挤、堵塞、严重堵塞五个等级,采用模糊推理法来定期识别交通状态。
根据交通流量比、交通流占有率、交通状态规则进行模式组合,形成模糊关系,然后将交通流量比、占有率的实测数据作为输入计算出模糊集合,根据模糊关系获得输出结果的模糊集合,最后采用模糊判决获得当时交通状态。交通流量比是指单位时间内通过路段某检测截面或检测区的实际车辆数与允许通过的最大车辆数的比值,交通流占有率是指路段某检测截面或检测区内有车存在的时间与统计总时间之比。
2、模糊集合的论域
把交通流量比、占有率两个对象作为模糊集合的论域U1和U2,交通状态作为模糊集合论域V。
(1)把交通流量比、占有率二个模糊集合的论域统一定义为:
U1=U2=U={“非常小”,“小”,“中”,“大”,“非常大”}={1,2,3,4,5}(2)把交通状态模糊集合的论域定义为:
V={“畅通”,“正常”,“拥挤”,“堵塞”,“严重堵塞”}={0,1,2,3,4}
(3)定义模糊关系
根据《交通流理论》(高等学校教材,人民交通出版社)给出的用时间跟踪法描述的流量-占有率曲线,根据流量比和占有率两个参数可以确定交通状态。我们结合对数个交叉口交通流量比、占有率与交通状态关系的实际数据验证,给出如图1所示交通流量比、占有率和交通状态之间的模糊关系图。为便于模糊计算,图出采用交通流量比参数替代交通流量,交通流量比=单位时间内通过检测点的实际车辆数(交通流量)与允许通过车辆数的比值。
根据三者之间的模糊关系,可得到表1所示的模糊规则表。
表1交通状态模糊规则表
3、定义隶属度函数
根据《模糊集理论及其应用》(陈水利等编著,科学出版社,2005年9月)描述的各种隶属函数构造方法,我们结合对数个交叉口交通流量比与占有率的实际数据验证,得到如图2所示交通流量比和占有率隶属度函数。μ表示隶属度,u表示流量比和占有率数值。
图2中,uvs、us、um、ul、uvl分别代表“非常小”、“小”、“中”、“大”、“非常大”模糊度的临界值。
4、模糊运算程序
第一步:输入值模糊化,根据图2所表示的隶属度函数,计算对应的隶属度:
式(1)、(2)、(3)、(4)、(5)中,μ1(u)、μ2(u)、μ3(u)、μ4(u)、μ5(u)分别表示“非常小”、“小”、“中”、“大”、“非常大”隶属度,u表示流量比和占有率实际值。分别计算交通流量比和占有率的隶属度,组成模糊集合。
交通流量比模糊集:
U1={μ1(u1),μ2(u1),μ3(u1),μ4(u1),μ5(u1)}(6)
其中,μ1(u1)、μ2(u1)、μ3(u1)、μ4(u1)、μ5(u1)分别表示流量比隶属于“非常小”、“小”、“中”、“大”、“非常大”的隶属度。
交通占有率模糊集:
U2={μ1(u2),μ2(u2),μ3(u2),μ4(u2),μ5(u2)}(7)
其中,μ1(u2)、μ2(u2)、μ3(u2)、μ4(u2)、μ5(u2)分别表示占有率隶属于“非常小”、“小”、“中”、“大”、“非常大”的隶属度。
第二步:计算模糊关系矩阵,假设每一条模糊规则对应一个模糊关系,根据表1可得到25条模糊关系Ri(i=1,2,…,25),进行模糊关系融合得到模糊关系矩阵:
第三步:计算模糊输出:
若交通状态模糊集V={μ0(v),μ1(v),μ2(v),μ3(v),μ4(v)},μ0(v)、μ1(v)、μ2(v)、μ3(v)、μ4(v)分别表示交通状态隶属于“畅通”,“正常”,“拥挤”,“堵塞”,“严重堵塞”的隶属度。
则:
式中,μij表示U1×U2矩阵中的第i行、第j列元素,μi(u1)表示U1中第i个元素,μj(u2)表示U2中第j个元素,“∧”代表取最小值。
根据式(8)的模糊关系可以得到:
μ0(v)=μ11∨μ12∨μ21∨μ22∨μ31 (11)
μ1(v)=μ32∨μ41∨μ42∨μ51∨μ52∨μ53(12)
μ2(v)=μ23∨μ33∨μ43(13)
μ3(v)=μ13∨μ34∨μ44∨μ45∨μ54∨μ55(14)
μ4(v)=μ14∨μ15∨μ24∨μ25∨μ35 (15)
式中“∨”代表取最大值
第四步:模糊结果判决
可以看出输出结果也是一个模糊集合,接下来要把模糊集合转换为一个确定的值,则要用到“模糊判决”,采用重心法进行判决,输出值为:
根据输出值vr和交通状态的对应关系得出结果:
输出值vr∈[0,1),交通状态为畅通;
输出值vr∈[1,2),交通状态为正常;
输出值vr∈[2,3),交通状态为拥挤;
输出值vr∈[3,4),交通状态为拥挤;
输出值vr∈[4,∞),交通状态为严重堵塞。
本发明的基本思想如下:
1、把道路路段交通状态定义为畅通、正常、拥挤、堵塞、严重堵塞五个等级,取值依次为0、1、2、3、4;把交通流量比、占有率均定义为非常小、小、中、大、非常大等五个档次,取值依次为1、2、3、4、5。采用模糊推理法来定期(5-10分钟)识别路段交通状态。
2、根据交通流量比、交通流占有率、交通状态规则进行模式组合见表1,形成如图1所示的模糊关系,然后将检测点处交通流量比、占有率的实测数据(0≤取值≤1.0,取一位小数,第二位小数四舍五入)作为输入计算出模糊集合,根据模糊关系获得输出结果的模糊集合,最后采用模糊判决获得当时交通状态。
假设交通流量比U1的隶属度函数为μ1(u1),交通占有率U2的隶属度函数为μ2(u2),交通状态V的隶属度函数为μV(v),则U1×U2的隶属度函数为:
μU1×U2(u1,u2)=μ1(u1)∧μ2(u2)=min{μ1(u1),μ2(u2)}
可以计算出U1×U2→V的模糊关系:
其中R的隶属度函数:
针对规则(见表1)计算出模糊关系R1、R2…R25,进行模糊关系合成:
假设输入的模糊矩阵为:
则输出结果为:
可以看出输出结果也是一个模糊集合,接下来要把模糊集合转换为一个确定的值,则要用到“模糊判决”,采用重心法进行判决,输出值通过(16)式得到,根据输出值vr和交通状态的对应关系得出交通状态的判别结果。
下面根据附表来描述一个具体的实施例。
使用一个布设单检测器来获取交通流量比、占有率的道路路段交通状态智能识别案例来阐述本发明。
分别选取某路段平峰期间和高峰期间交通流量比和占有率数据,识别其交通状态。
1、平峰期交通状态识别
假定某路段的平峰期间10分钟的交通流量比为0.50,占有率为0.25,下面计算其交通状态:
第一步:输入值模糊化。
假设交通流量比和占有率的模糊临界值如表2所示,分别将u1=0.50和u2=0.25代入式(1)、(2)、(3)、(4)、(5)中计算出交通流量比和占有率的“非常小”、“小”、“中”、“大”、“非常大”隶属度,如表3所示。
表2流量比和占有率模糊度临界值
uvs | us | um | ul | uvl | |
流量比 | 0.25 | 0.40 | 0.60 | 0.70 | 0.80 |
占有率 | 0.20 | 0.35 | 0.50 | 0.70 | 0.90 |
表3交通流量比和占有率隶属度
非常小 | 小 | 中 | 大 | 非常大 | |
流量比 | 0 | 0.50 | 0.50 | 0 | 0 |
占有率 | 0.67 | 0.33 | 0 | 0 | 0 |
组成模糊集:
流量比模糊集U1={0,0.50,0.50,0,0}
占有率模糊集U2={0.67,0.33,0,0,0}
第二步:将模糊集相交,获得输入模糊矩阵U=U1×U2
根据式(9)分别计算出U的各个元素,得到模糊矩阵:
第三步:计算模糊输出
根据式(11)、(12)、(13)、(14)、(15)分别计算出输出值,组成输出模糊集:
交通状态模糊集V={0.50,0.33,0,0,0}
第四步:模糊结果判决
vr∈[0,1),交通状态为畅通。
2、高峰期交通状态识别
假定某路段的高峰期间10分钟的交通流量比为0.75,占有率为0.65,按照以上步骤计算其交通状态,分别得到以下结果:
输入模糊集:
流量比模糊集U1={0,0,0,0.50,0.50}
占有率模糊集U2={0,0,0.25,0.75,0}
输出模糊集:
交通状态模糊集V={0,0.25,0.25,0.5,0}
交通状态模糊值:
vr∈[2,3),交通状态为拥挤。
Claims (2)
1.道路交通状态智能识别方法,其特征是:在检测点处设置交通流检测器,测出该点的交通流量、占有率;把道路路段交通状态定义为畅通、正常、拥挤、堵塞、严重堵塞五个等级,取值依次为0、1、2、3、4;把交通流量比、占有率均定义为非常小、小、中、大、非常大五个档次,取值依次为1、2、3、4、5;根据交通流量比、交通流占有率、交通状态规则进行模式组合形成交通状态模糊规则表,表的内容如下:
如果占有率=1,且流量比=1,那么交通状态=0
如果占有率=1,且流量比=2,那么交通状态=0
如果占有率=1,且流量比=3,那么交通状态=0
如果占有率=1,且流量比=4,那么交通状态=1
如果占有率=1,且流量比=5,那么交通状态=1
如果占有率=2,且流量比=1,那么交通状态=0
如果占有率=2,且流量比=2,那么交通状态=0
如果占有率=2,且流量比=3,那么交通状态=1
如果占有率=2,且流量比=4,那么交通状态=1
如果占有率=2,且流量比=5,那么交通状态=1
如果占有率=3,且流量比=1,那么交通状态=3
如果占有率=3,且流量比=2,那么交通状态=2
如果占有率=3,且流量比=3,那么交通状态=2
如果占有率=3,且流量比=4,那么交通状态=2
如果占有率=3,且流量比=5,那么交通状态=1
如果占有率=4,且流量比=1,那么交通状态=4
如果占有率=4,且流量比=2,那么交通状态=4
如果占有率=4,且流量比=3,那么交通状态=3
如果占有率=4,且流量比=4,那么交通状态=3
如果占有率=4,且流量比=5,那么交通状态=3
如果占有率=5,且流量比=1,那么交通状态=4
如果占有率=5,且流量比=2,那么交通状态=4
如果占有率=5,且流量比=3,那么交通状态=4
如果占有率=5,且流量比=4,那么交通状态=3
如果占有率=5,且流量比=5,那么交通状态=3;
定义交通流量比和占有率隶属度函数:
其中,uvs、us、um、ul、uvl分别代表“非常小”、“小”、“中”、“大”、“非常大”模糊度的临界值,μ1(u)、μ2(u)、μ3(u)、μ4(u)、μ5(u)分别表示“非常小”、“小”、“中”、“大”、“非常大”隶属度,u表示流量比和占有率数值;
根据所述隶属度函数,计算对应的隶属度,将隶属度组成模糊集合;交通流量比模糊集:
U1={μ1(u1),μ2(u1),μ3(u1),μ4(u1),μ5(u1)};
其中,μ1(u1)、μ2(u1)、μ3(u1)、μ4(u1)、μ5(u1)分别表示流量比隶属于“非常小”、“小”、“中”、“大”、“非常大”的隶属度;
交通占有率模糊集:
U2={μ1(u2),μ2(u2),μ3(u2),μ4(u2),μ5(u2)};
其中,μ1(u2)、μ2(u2)、μ3(u2)、μ4(u2)、μ5(u2)分别表示占有率隶属于“非常小”、“小”、“中”、“大”、“非常大”的隶属度;
计算模糊关系矩阵,设每一条模糊规则对应一个模糊关系,根据交通状态模糊规则表得到25条模糊关系Ri(i=1,2,…,25),进行模糊关系融合得到模糊关系矩阵:
计算模糊输出:
设交通状态模糊集:V={μ0(v),μ1(v),μ2(v),μ3(v),μ4(v)},其中μ0(v)、μ1(v)、μ2(v)、μ3(v)、μ4(v)分别表示交通状态隶属于“畅通”,“正常”,“拥挤”,“堵塞”,“严重堵塞”的隶属度;则:
式中,μij表示U1×U2矩阵中的第i行、第j列元素,μi(u1)表示U1中第i个元素,μj(u2)表示U2中第j个元素,“∧”代表取最小值;
根据式I的模糊关系得到:
μ0(v)=μ11∨μ12∨μ21∨μ22∨μ31
μ1(v)=μ32∨μ41∨μ42∨μ51∨μ52∨μ53
μ2(v)=μ23∨μ33∨μ43
μ3(v)=μ13∨μ34∨μ44∨μ45∨μ54∨μ55
μ4(v)=μ14∨μ15∨μ24∨μ25∨μ35
式中“∨”代表取最大值;
模糊结果采用重心法进行判决,输出值为:
根据输出值vr和交通状态的对应关系得出结果:
输出值vr∈[0,1),交通状态为畅通;
输出值vr∈[1,2),交通状态为正常;
输出值vr∈[2,3),交通状态为拥挤;
输出值vr∈[3,4),交通状态为拥挤;
输出值vr∈[4,∞),交通状态为严重堵塞。
2.如权利要求1所述道路交通状态智能识别方法,其特征是在检测点处测得的交通流量、占有率0≤取值≤1.0,精确到两位小数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010282051XA CN101950482B (zh) | 2010-09-08 | 2010-09-08 | 道路交通状态智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010282051XA CN101950482B (zh) | 2010-09-08 | 2010-09-08 | 道路交通状态智能识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101950482A CN101950482A (zh) | 2011-01-19 |
CN101950482B true CN101950482B (zh) | 2012-02-29 |
Family
ID=43453964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010282051XA Expired - Fee Related CN101950482B (zh) | 2010-09-08 | 2010-09-08 | 道路交通状态智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101950482B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103578273B (zh) * | 2013-10-17 | 2017-04-05 | 银江股份有限公司 | 一种基于微波雷达数据的道路交通状态估计方法 |
CN104050809B (zh) * | 2014-06-03 | 2016-07-20 | 北京航天福道高技术股份有限公司 | 交通状况自动分析预测方法 |
CN104200661B (zh) * | 2014-09-05 | 2017-02-01 | 厦门大学 | 一种交通道路系统状态变化预测方法 |
CN106530684B (zh) * | 2015-09-11 | 2019-08-20 | 杭州海康威视系统技术有限公司 | 处理交通道路信息的方法及装置 |
CN108444494B (zh) * | 2018-05-18 | 2021-03-16 | 湖南大学 | 基于Stackelberg博弈的路径选择方法 |
CN109784535A (zh) * | 2018-12-14 | 2019-05-21 | 中国平安财产保险股份有限公司 | 一种交通工具推荐方法、装置、存储介质和服务器 |
CN109697854B (zh) * | 2019-02-25 | 2021-07-16 | 公安部交通管理科学研究所 | 多维度的城市道路交通状态评估方法 |
CN111613049B (zh) * | 2019-02-26 | 2022-07-12 | 北京嘀嘀无限科技发展有限公司 | 一种道路状态监测方法以及装置 |
CN110363255B (zh) * | 2019-08-19 | 2022-04-05 | 公安部交通管理科学研究所 | 一种基于深度学习算法的高速公路限速限流方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101599217B (zh) * | 2009-07-17 | 2011-06-08 | 北京交通大学 | 一种快速路交通状态判别方法 |
CN101706996A (zh) * | 2009-11-12 | 2010-05-12 | 北京交通大学 | 一种基于信息融合的高速公路交通状态识别方法 |
CN101783074A (zh) * | 2010-02-10 | 2010-07-21 | 北方工业大学 | 一种城市道路交通流状态实时判别方法及系统 |
-
2010
- 2010-09-08 CN CN201010282051XA patent/CN101950482B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN101950482A (zh) | 2011-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101950482B (zh) | 道路交通状态智能识别方法 | |
CN104183134B (zh) | 基于智能分车型的高速公路短时交通流量预测方法 | |
CN103593973B (zh) | 一种城市道路交通态势评估系统 | |
CN103606274B (zh) | 一种城市道路交通状态评估方法 | |
CN103177187B (zh) | 基于可变模糊集理论的公路隧道健康状态动态评价方法 | |
CN104408925A (zh) | 基于陈列雷达的交叉口运行状态评价方法 | |
Gong et al. | Operating speed prediction models for horizontal curves on rural four-lane highways | |
CN101894461A (zh) | 城市地面道路行程时间预测方法 | |
Wu et al. | Exploring the association between traffic safety and geometric design consistency based on vehicle speed metrics | |
Anderson et al. | Speed reduction as a surrogate for accident experience at horizontal curves on rural two-lane highways | |
Deng et al. | Serviceability assessment for long‐span suspension bridge based on deflection measurements | |
Aron et al. | Estimating travel time distribution for reliability analysis | |
CN102913285A (zh) | 矿井顶板危险报警的方法 | |
Zhang et al. | Artificial neural network method for length-based vehicle classification using single-loop outputs | |
Ratrout et al. | Comparison of optimal signal plans by Synchro & TRANSYT-7F using PARAMICS–A case study | |
Abdul-Mawjoud et al. | Development of models for predicting speed on horizontal curves for two-lane rural highways | |
Alvarez et al. | Time-variant travel time distributions and reliability metrics and their utility in reliability assessments | |
CN104569340B (zh) | 地下环境质量测定方法及装置 | |
CN103077312B (zh) | 一种城市轨道交通线路建设时序的自动判定方法 | |
Wang et al. | Reliability-based specification on critical length of highway sections with near-maximum grade | |
Xie et al. | The heterogeneity of capacity distributions among different freeway lanes | |
CN105303833B (zh) | 基于微波车辆检测器的高架桥突发事件判别方法 | |
CN103914984B (zh) | 一种基于单元-区间协作的城市道路交通状态分析方法 | |
Li et al. | Analysis of bicycle passing events for LOS evaluation on physically separated bicycle roadways in China | |
Lee et al. | Empirical observation of maximum throughput change in isolated merging bottlenecks depending on on-ramp traffic flow ratio |
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: 20120229 Termination date: 20130908 |