CN102436751A - 基于城市宏观路网模型的交通流短时预测方法 - Google Patents

基于城市宏观路网模型的交通流短时预测方法 Download PDF

Info

Publication number
CN102436751A
CN102436751A CN2011102956162A CN201110295616A CN102436751A CN 102436751 A CN102436751 A CN 102436751A CN 2011102956162 A CN2011102956162 A CN 2011102956162A CN 201110295616 A CN201110295616 A CN 201110295616A CN 102436751 A CN102436751 A CN 102436751A
Authority
CN
China
Prior art keywords
vehicle
road network
road
crossing
traffic flow
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.)
Granted
Application number
CN2011102956162A
Other languages
English (en)
Other versions
CN102436751B (zh
Inventor
涂世涛
林姝
孔庆杰
刘允才
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN201110295616.2A priority Critical patent/CN102436751B/zh
Publication of CN102436751A publication Critical patent/CN102436751A/zh
Application granted granted Critical
Publication of CN102436751B publication Critical patent/CN102436751B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Abstract

一种基于宏观路网模型的交通流短时预测方法,其步骤包括:(1)获得预测周期路网源节点输入流量,提取上一预测周期各路段平均速度,并确定各路口不同转向的流量比;(2)计算道路输入车辆行驶至排队车队尾的时间,求得该迭代周期到达队尾的车辆数;(3)由路口排队车辆数,饱和离开流量等条件确定对应转向离开路口的车辆数;(4)累加得到一个预测周期离开路口车辆总数,换算得到预测周期内的交通流量;(5)更新排队车辆数,作为下一次迭代预测的已知数据。本发明针对现有技术中存在的路网适应性差,需要大量训练数据,微观模型中运算量大等不足,充分利用城市路网空间信息,基于宏观交通流模型,能做到精确读高,实时性好的预测道路交通流量,且适用于绝大部分城市路网。

Description

基于城市宏观路网模型的交通流短时预测方法
技术领域
[0001] 本发明涉及城市道路交通流短时预测方法,特别是一种基于城市宏观路网模型的交通流短时预测方法。
背景技术
[0002] 随着城市交通的快速发展,交通拥堵等现象变得越来越普遍和严重,对于城市交通智能诱导系统的需求也愈发迫切,作为诱导系统的一项关键基本技术,城市道路交通流短时预测近年来一直是智能交通系统领域的热点问题。短时一般指5至15分钟,预测指标一般为平均流量,平均速度或者平均延时,目前的预测方法一般均可针对上述三种指标进行预测,并无本质区别。
[0003] 近年来,学界提出了许多方法来解决这一问题,主要包括基于统计预测模型的方法,如自回归滑动平均、线性回归、非参数模型、卡尔曼滤波,以及一些人工智能方法如神经网络及其衍生,支持向量机,专家系统等。城市交通流受行人,短时突发事件,控制策略等多方面影响,具有很高的不确定性和随机性,可以说城市交通系统是典型的高阶时变非线性系统。传统的数理统计模型已不能很好的满足高精度预测的要求,神经网络、支持向量机等虽能获得较高精度,但需要大量数据训练,且移植性较差。上述方法大多是利用的交通流时域或频域上的信息进行处理预测,并未很好的利用道路空间信息,而路网的建模又分为宏观模型和微观模型,微观模型很好的考虑了随机性,跟驰模型,车辆分布等微观信息,具有较高的精度,现在的主流仿真软件如VISSIM,CORSIM等均利用先进的微观模型,但其运算量大,速度慢,不能满足预测信息动态发布,进行交通流诱导的需求。
发明内容
[0004] 为了克服上述问题,本发明提供一种基于城市宏观路网模型的交通流短时预测方法,该方法充分利用了时间和空间信息,在对交通状态进行估计的基础上,建立城市路网的宏观模型,能够实现高精度,实时的预测交通流,且模型通用性好,可适用于国内大部分城市路网。
[0005] 本发明的技术解决方案如下:
[0006] 一种基于宏观路网模型的交通流短时预测方法,步骤包括:(1)首先对于城市路网建模,(¾获得预测周期路网源节点输入流量,提取上一预测周期各路段平均速度,并确定各路口不同转向的流量比;C3)计算道路输入车辆行驶至排队车队尾的时间,求得该迭代周期到达队尾的车辆数;(4)由路口排队车辆数,饱和离开流量等条件确定对应转向离开路口的车辆数;(5)累加得到一个预测周期离开路口车辆总数,换算得到预测周期内的交通流量。
[0007] 该预测方法包括下列具体步骤:
[0008] 1、选择需要进行交通流预测的路网段,在空间上对其建模:
[0009] 以交叉路口作为节点,把连接节点路段作为边,交叉路口包括十字路口和T型路Π ;
[0010] 对节点类别进行划分,分别归入源节点,T型节点,十字型节点;
[0011] 对路网基本参数进行确认,包括每条路段的长度,车道数,该路段设计的车辆自由行驶速度;
[0012] 定义方向,车辆转向,从而得到仅包括点和边的城市路网模型;
[0013] 2、估计路网源节点的下一周期的输入量:求取k时刻到达每个路段停车线排队末尾的车辆数%(i,j,k),根据下式(1)计算:
[0014] QD(i, j,k) = ((T_aD(i,j,k))/T)XDinD(i,j,k_i3D(i,j,k)_ot)
[0015] +(aD(i,j,k)/T)XDinD(i,j,k_i3D(i,j,k)-l-ot) (1)
[0016] 式中:T取1秒,ot为车辆以t转向时通过路口的时间,可视为常数,a D(i,j,k), βΒ(ί, j,k)则表示进入路口的车流到达等待排队队尾的时间,由下式求得:
[0017]
Figure CN102436751AD00051
[0018] 其中:Vavg,D(i,j,k-1)为上一预测周期路段上车辆的平均速度;
[0019] 3、计算路口 k时刻的输出车辆数,输出流量主要受三个方面限制:停车线等待的车辆数,路口特性决定的饱和离开流量,下游交通状况;k时刻离开路口的车辆数可按下式 (4)进行计算:
[0020]
Figure CN102436751AD00052
[0021] gDt(i, j, k)表示对应路段t转向是否可通行,CogDt (i, j, k)表示对应下游是否拥挤,YDt(i,j,k)为转向比;
[0022] 4、k+Ι时刻正在排队的车辆数由k时刻对应的值加上到达排队末尾的车辆数 QDt(i,j,k)减去离开路口的车辆数DDt(i,j,k)得到(均指转向t),同时离开道路口的车辆总数由各个转向的离开量相加得到,计算式如下:
[0023] DoutjD (i,j,k) = Dds (i,j,k) +Dd1 (i,j,k) +DDr (i,j,k) (7)
[0024] wDt (i,j,k+D = wDt α,j,k) +QDt α,j,k) -DDt α,j,k) ⑶
[0025] 最后将D。ut,D (i,j,k)在5min的预测周期内做累加得到预测流量,就是该短时交通流预测流量。
[0026] 本发明与现有技术相比的显著效果在于:
[0027] 1、本发明充分利用空间信息,能直观有效地完成交通路网建模,预测算法所需要的信息能够较容易的从检测环,GPS移动车中提取并带入算法。
[0028] 2、现有技术中算法数据不准确因素较分散,改进起来比较困难的状况,本发明中数据不准确因素很大程度归结到了对城市交通状态的估计,即路段上一个周期的平均速度上。这种情况下,交通状态估计系统性能的提高就能直接带动预测系统准确度的上升。
[0029] 3、本发明针对城市交通智能调度与诱导系统的需要,利用空间路网信息,实时提取城市交通流状态,完成交通流的短时预测,具有实时性好,算法鲁棒性好,精确性高的特点ο
[0030] 4、特别是它不需要使用大量的统计数据进行训练学习,能够较好的适应各种特征
的城市路网,在理论层面不具有瓶颈,随着检测水平的精确性和实时性不断提高,该预测方法可不断逼近真实值。 附图说明
[0031] 图1本发明方法流程图
[0032] 图2示例路网
[0033] 图3路网模型表
[0034] 图4、图5、图6、预测流量和相对误差曲线图
[0035] 图7预测流量相对误差分析
具体实施方式
[0036] 以下结合附图和实施例对本发明的技术方案作进一步详细说明。以下实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和过程,但本发明的保护范围不限于下述的实施例。
[0037] 为了更好的说明本发明,选取如图2的小规模路网,但实际运行中本发明不受路网规模和复杂度限制。从图2中我们可以看出,整个路网可由5*5阶的矩阵A表示, 其中包括8个源节点,根据其关于邻接节点的方向可分为四种,具体下来A21和A41为 WestS (Source,源节点),A12 和 A14 为 NorthS,A25 和 A!35 为 EestS,A53, A54 为 SouthS ; 而非源节点一共9个,若节点为十字路口,可表示为Cross,而T型路口则按对应方向分为四种,具体对应关系可参见图2,此处不再描述。按照上述方式我们则完成了路网建模,并转化成了可方便带入算法的表达方式。为了验证预测算法的准确性,我们在本实例中引入交通仿真软件C0RSIM,建立相同的路网并设定其它一致的条件,从而得到实际道路流量信息。
[0038] 本发明中预测周期选择为5分钟,实际运行中可根据需要预测1〜3个周期,即5〜 15分钟。首先,我们需要提取源节点在预测周期内的流量输入DinD(i,j,k),对于本实例我们的研究对象仅是3*3的矩阵,而在城市交通预测及诱导中路网将是庞大的,本路网源节点输入其实就对应于另一个对象的输出流量。本实例中我们分别采用了三种不同输入,图4对应于恒输入lOOOveh/h,图5对应于横输入2000veh/h,对于图6的情况在0〜20分钟输入流量为1000veh/h,20〜40分钟流量为2000veh/h,40〜60分钟流量为3000veh/h。
[0039] 接下来我们需要提取另一组关键数据,即上一预测周期中各路段的车辆平均速度,在实际操作中,它一般由智能交通系统中的另一重要部分,即交通状态估计系统提供。 在当前的状态估计方法中,比较典型的是提取路段检测环,GPS浮动车,或视频监控信息,然后进行提取特征等深加工,并结合交通流理论对数据进行数据融合,进而通过曲面拟合可得到整个城市路网中各路段的交通流信息,目前,该技术已经可以达到每2分钟发布一次数据,故可满足本发明中对于信息源的要求。由此得到Vavg,D(i,j,k-l),在计算%(i,j, k)使用。另外,我们需要确定各路口各转向的车流比例,这是一个经验值,并且与道路的类型,位置等许多实际情况相关,它可以通过分析往日交通流数据得到,此处为了更好地说明核心技术不妨假设它为定值,所有路口直行比例为0. 6,左转右转各为0. 2。
[0040] 如图1所示,%(i,j,k)的值由GU(i,j,k)加上一定的延迟得到,%(i,j,k)为k 时刻到达在停车线处排队的车辆队尾的车辆数,车辆进入路口后的行驶受到前后交通流的影响,它到达队尾的精确时间可通过跟驰理论和交通波理论推导,但对于宏观模型而言它由车辆平均速度,路段长度决定。故进入路口的车辆将经过3D(i,j,k) + aD(i, j,k)的时间可达到队尾,他们对应的计算式如下:
[0041] PD(r,j,k) = floor ί
[0042] aD(r,j,k) = mod/^"^X^\ (3)
[0043] Cd (i, j)为道路容量,Cd (i, j)-ffD(i, j,k)即路段上剩余的容量,用它乘以车辆平均长度并除以车道数,平均速度,迭代周期即可得到车辆延时,鉴于k是关于迭代周期的离散值,故可将上述结果分别取整、取余并带入式(1)就得到了 k时刻到达队尾的车辆数:
[0044] QD(i, j,k) = ((T_aD(i,j,k))/T)XDinD(i,j,k_i3D(i,j,k)_ot)
[0045] +(aD(i,j,k)/T)XDinD(i,j,k_i3D(i,j,k)-l-ot) (1)
[0046] 式中:0 1表示通过交叉口时所消耗的时间,它与路口大小及转向有关,若掌握详细数据可以使用,一般情况下可以设定为常数3秒。对于路段较长或者平均速度较低的路段,延迟时间较大,此处为了计算方便也可忽略小数部分,此处误差较小。
[0047] 当路口某转向控制灯相位为红灯时,k时刻离开路口的车辆数为0 ;另外若驶离车流对应的下游路段拥挤时,没有空余容量供车流驶离,车流将在停车线处等待至有空余位置再驶离,故k时刻离开路口的车辆数也为0,判断路段是否拥挤同样可以利用城市交通状态估计系统提供的平均速度,当平均速度小于预先规定的拥挤速度时可认为路段拥挤。当相位为绿灯或黄灯且下游路段不拥挤时,按照式中else下的方法计算:
[0048]
Figure CN102436751AD00071
[0049] 上式中minO的第二项为路口对应转向的饱和输出流量乘以迭代周期,这是k时刻输出车辆数的上限之一。上式中At(i,j,k)为k时刻驶离路口的车辆总数乘以对应的转向比。
[0050] 交通流量可以有多种表达方式,此处我们以单位时间驶离路口的车辆总数作为预测交通流量,它可由D。ut,D(i,j, k)在预测周期5min内做累加,再乘以12就得到了以veh/ h表示的车流量,k时刻驶离总数即为三种转向的驶离数相加:
[0051 ] DoutjD (i,j,k) = Dds (i,j,k) +Dd1 (i,j,k) +DDr (i,j,k) (7)
[0052] 对于每个迭代周期,在停车线处排队的车辆数是需要迭代更新的,它等于上一个时刻的排队数加上车辆净到达数,对于车队,一方面有驶入路口的车辆经过(1)式的计算到达队尾,另一方面有经(7)式得到的驶离路口车辆数。
[0053] wDt (i,j,k+D = wDt α,j,k) +QDt α,j,k) -DDt α,j,k) ⑶
[0054] 这样便完成了一次整个流程的迭代,Dout,D(i, j, k)最终用于计算预测流量。对于迭代中用的离散变量k,其周期为5s,若使用者进行流量预测的目的是为了进行路口信号灯预测控制也可以将周期取小,如Is。取较小的迭代周期可得到更密集,时间上更精确的预测信息,但也受到较大的随机干扰影响,而相对较大的迭代周期可克服一些微观信息的影响,获得较大的数据准确度。具体的迭代周期选择应根据实际综合考虑,但最大不应超过路口控制信号最小相位的时间长度。

Claims (2)

1. 一种基于宏观路网模型的交通流短时预测方法,其步骤包括:(1)首先对于城市路网建模;(¾获得预测周期路网源节点输入流量,提取上一预测周期各路段平均速度,并确定各路口不同转向的流量比;C3)计算道路输入车辆行驶至排队车队尾的时间,求得该迭代周期到达队尾的车辆数;(4)由路口排队车辆数,饱和离开流量等条件确定对应转向离开路口的车辆数;(5)累加得到一个预测周期离开路口车辆总数,换算得到预测周期内的交通流量。
2.根据权利要求1所述的交通流短时预测方法,其特征在于该预测方法的具体步骤以下:1)首先对于城市路网建模:以交叉路口作为节点,把连接节点的路段作为边,对于双向路段一对节点之间需两条有向边,路段中车道数在路网模型中不做区分;交叉路口分为十字路口和T型路口,主干道与支路同等对待;对节点类别进行划分为:源节点,预测路网对象的边缘且有交通流出入的节点,包括东、西、南、北四个方向;T型节点,根据缺少道路的方向分为东、西、南、北四类;十字型节点;并对节点按模型空间左边进行编号,如N(i,j);最后对路网基本参数进行确认,其中包括每条路段的长度、车道数、该路段设计的车辆自由行驶速度,所述的自由行驶指车辆不受其它车辆、行人、控制手段影响时的行驶速度;接着定义方向D为:西(W)、北(N)、东(E)、南(S),车辆转向t分别为直行(s),左转 (1),右转(r),从而得到仅包括节点和边的城市路网模型;2)读取路网上各源节点未来一个预测周期(5min)的输入车流量(辆/小时),并转化等效当量(PCU)下的车流量:根据下式(1)计算路网上每个路段时间k时的输入车辆数 Din0 (i, j,k),并求取k时刻到达路段上停车线排队末尾的车辆数%(i,j,k),Qd(i, j,k) = ((T_aD(i,j,k))/T)XDinD(i,j,k_i3D(i,j,k)_ot)+ (aD(i, j,k)/T) XDinD(i, j, k-^D(i, j,k)-l-ot) (1)式中:T为步长取1秒,%为车辆以t转向时通过路口的时间,可视为常数,则aD(i, j,k),βΒ(ί, j,k)表示进入路口的车流到达等待排队队尾的时间,可由下式0),(3)计算得到:
Figure CN102436751AC00021
上两式中,fl00r(),mod()分别表示取整和取余,VD(i,j)是以车辆数表示的路段容量, WD(i,j,k)是时刻路段中正在排队的车辆数,Ld(i, j)为平均车辆长度,ND(i, j)为路段中的车道数,Vavg,D(i, j, k-1)为上一预测周期路段上车辆的平均速度;3)道路口输出流量主要受三个方面限制:停车线等待的车辆数,路口特性决定的饱和离开流量,下游交通状况,k时刻离开路口的车辆数可按下式进行计算
Figure CN102436751AC00022
gDt(i, j,k)为对应路段t转向时的信号灯(绿灯黄灯时为1,红灯时为0),CogDt (i, j, k)表示对应下游是否拥挤(1表示拥挤,O则相反),yDt(i, j,k)为转向比,QDt((i,j,k)和 CogDt(i, j,k)的计算式如下:Qnt(i,j,k) = YDt(i, j, k) XQd(i, j,k) (5) CogDt(i, j, k) = 1 if VcogjDt(i, j, k_l) < VDt(i, j) (6) 式中:VD(i,j)为事先设定的拥挤速度;4)、k+l时刻正在排队的车辆数可由k时刻对应的值加上到达排队末尾的车辆数%t(i, j,k)减去离开路口的车辆数DDt(i,j, k)得到(均指转向t),同时离开道路口的车辆总数可由各个转向的离开量相加得到,计算式如下:Dout,D(i, j,k) = Dds(i,j, k)+DD1(i, j, k)+DDr(i, j, k) (7) WDt (i,j,k+1) = ffDt (i,j,k) +QDt (i,j,k) -DDt (i,j,k) (8)5)、预测的交通流流量由每小时路口离开车辆数表示,计算式如下: Flux= Σ DHk>6% (9)k5min预测周期3
CN201110295616.2A 2011-09-30 2011-09-30 基于城市宏观路网模型的交通流短时预测方法 Expired - Fee Related CN102436751B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201110295616.2A CN102436751B (zh) 2011-09-30 2011-09-30 基于城市宏观路网模型的交通流短时预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201110295616.2A CN102436751B (zh) 2011-09-30 2011-09-30 基于城市宏观路网模型的交通流短时预测方法

Publications (2)

Publication Number Publication Date
CN102436751A true CN102436751A (zh) 2012-05-02
CN102436751B CN102436751B (zh) 2014-09-17

Family

ID=45984784

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201110295616.2A Expired - Fee Related CN102436751B (zh) 2011-09-30 2011-09-30 基于城市宏观路网模型的交通流短时预测方法

Country Status (1)

Country Link
CN (1) CN102436751B (zh)

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102708679A (zh) * 2012-05-29 2012-10-03 孙健 一种城市信号交叉口短时交通流预测方法
CN102842220A (zh) * 2012-08-30 2012-12-26 西北工业大学 基于Xue-Dai宏观交通流模型的FPGA在线预测控制方法
CN102842230A (zh) * 2012-08-30 2012-12-26 西北工业大学 基于Whitham宏观交通流模型的FPGA在线预测控制方法
CN102842226A (zh) * 2012-08-30 2012-12-26 西北工业大学 基于Jiang-Wu-Zhu宏观交通流模型的FPGA在线预测控制方法
CN102842229A (zh) * 2012-08-30 2012-12-26 西北工业大学 基于Payne宏观交通流模型的FPGA在线预测控制方法
CN102855760A (zh) * 2012-09-27 2013-01-02 中山大学 基于浮动车数据的在线排队长度检测方法
CN103093616A (zh) * 2012-12-30 2013-05-08 西安费斯达自动化工程有限公司 基于宏观交通流粘滞模型的交通拥堵监控预报方法
CN103093617A (zh) * 2012-12-30 2013-05-08 西安费斯达自动化工程有限公司 基于宏观速度梯度粘滞交通流模型的交通拥堵监控预报方法
CN103810869A (zh) * 2014-02-27 2014-05-21 北京建筑大学 一种基于动态转向比例估计的路口信号控制方法
CN104464304A (zh) * 2014-12-25 2015-03-25 北京航空航天大学 一种基于路网特性的城市道路车辆行驶速度预测方法
CN105046956A (zh) * 2015-06-24 2015-11-11 银江股份有限公司 一种基于转向系数的交通流模拟及预测方法
CN105355038A (zh) * 2015-10-14 2016-02-24 青岛观澜数据技术有限公司 一种利用pma建模预测短期交通流量的方法
CN106652444A (zh) * 2016-11-15 2017-05-10 广州运星科技有限公司 基于车道组及交叉口车流路径的城市网络交通流仿真模型
CN106652442A (zh) * 2016-10-14 2017-05-10 北京交通发展研究中心 需求调控的一般性控制模型及其建立方法和应用
CN106935034A (zh) * 2017-05-08 2017-07-07 西安电子科技大学 面向车联网的区域交通流量预测系统及方法
CN108257384A (zh) * 2018-01-18 2018-07-06 沈阳建筑大学 一种路网对偶模型的鲁棒性确定方法及系统
CN108269411A (zh) * 2016-12-31 2018-07-10 南京理工大学 一种高速公路etc车流量预测方法
CN108876045A (zh) * 2018-06-25 2018-11-23 上海应用技术大学 基于lstm模型预测的急救车最优路线推荐方法
CN109003453A (zh) * 2018-08-30 2018-12-14 中国人民解放军国防科技大学 基于支持向量机的浮动车路段平均速度短时预测方法
CN109033583A (zh) * 2018-07-12 2018-12-18 中国科学院计算技术研究所 一种数据驱动的交通快速推演方法和系统
CN109064750A (zh) * 2018-09-28 2018-12-21 深圳大学 城市路网交通估计方法及系统
CN109993980A (zh) * 2019-02-21 2019-07-09 平安科技(深圳)有限公司 交通流量预测方法、装置、计算机设备及存储介质
CN110164129A (zh) * 2019-04-25 2019-08-23 浙江工业大学 基于gernn的单交叉口多车道交通流量预测方法
CN110363984A (zh) * 2019-06-25 2019-10-22 讯飞智元信息科技有限公司 交通流量预测方法和设备
CN110766939A (zh) * 2019-09-20 2020-02-07 重庆交通大学 基于车辆轨迹数据的信号交叉口排队长度估算方法
CN111627231A (zh) * 2018-07-19 2020-09-04 北京嘀嘀无限科技发展有限公司 信号灯周期、配时改变时间、通行时长的确定方法及装置
TWI713949B (zh) * 2018-08-06 2020-12-21 大陸商北京嘀嘀無限科技發展有限公司 用於確定交通狀況的系統和方法
CN112289030A (zh) * 2020-11-02 2021-01-29 吉林大学 城市路网可容纳最大车辆数的计算方法
US11127285B2 (en) 2016-11-29 2021-09-21 Here Global B.V. Method, apparatus and computer program product for estimation of road traffic condition using traffic signal data

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101409016A (zh) * 2008-02-01 2009-04-15 浙江通衢数码科技有限公司 一种城市道路交通控制方法
US20090309757A1 (en) * 2008-06-16 2009-12-17 Gm Global Technology Operations, Inc. Real time traffic aide
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
CN101894461A (zh) * 2009-05-22 2010-11-24 上海宝康电子控制工程有限公司 城市地面道路行程时间预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101409016A (zh) * 2008-02-01 2009-04-15 浙江通衢数码科技有限公司 一种城市道路交通控制方法
US20090309757A1 (en) * 2008-06-16 2009-12-17 Gm Global Technology Operations, Inc. Real time traffic aide
CN101894461A (zh) * 2009-05-22 2010-11-24 上海宝康电子控制工程有限公司 城市地面道路行程时间预测方法
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
喻泉 等: "一种城市路网交通流状态估计方法", 《计算机工程》, vol. 32, no. 16, 31 August 2006 (2006-08-31) *
杨艳飞 等: "城市交通网络宏观控制模型及仿真实现", 《控制工程》, vol. 16, no. 6, 30 November 2009 (2009-11-30) *

Cited By (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102708679A (zh) * 2012-05-29 2012-10-03 孙健 一种城市信号交叉口短时交通流预测方法
CN102708679B (zh) * 2012-05-29 2016-12-14 孙健 一种城市信号交叉口短时交通流预测方法
CN102842220A (zh) * 2012-08-30 2012-12-26 西北工业大学 基于Xue-Dai宏观交通流模型的FPGA在线预测控制方法
CN102842226A (zh) * 2012-08-30 2012-12-26 西北工业大学 基于Jiang-Wu-Zhu宏观交通流模型的FPGA在线预测控制方法
CN102842229A (zh) * 2012-08-30 2012-12-26 西北工业大学 基于Payne宏观交通流模型的FPGA在线预测控制方法
CN102842230A (zh) * 2012-08-30 2012-12-26 西北工业大学 基于Whitham宏观交通流模型的FPGA在线预测控制方法
CN102855760A (zh) * 2012-09-27 2013-01-02 中山大学 基于浮动车数据的在线排队长度检测方法
CN102855760B (zh) * 2012-09-27 2014-08-20 中山大学 基于浮动车数据的在线排队长度检测方法
CN103093617A (zh) * 2012-12-30 2013-05-08 西安费斯达自动化工程有限公司 基于宏观速度梯度粘滞交通流模型的交通拥堵监控预报方法
CN103093616A (zh) * 2012-12-30 2013-05-08 西安费斯达自动化工程有限公司 基于宏观交通流粘滞模型的交通拥堵监控预报方法
CN103093617B (zh) * 2012-12-30 2015-07-08 西安费斯达自动化工程有限公司 基于宏观速度梯度粘滞交通流模型的交通拥堵监控预报方法
CN103093616B (zh) * 2012-12-30 2015-10-07 西安费斯达自动化工程有限公司 基于宏观交通流粘滞模型的交通拥堵监控预报方法
CN103810869A (zh) * 2014-02-27 2014-05-21 北京建筑大学 一种基于动态转向比例估计的路口信号控制方法
CN104464304A (zh) * 2014-12-25 2015-03-25 北京航空航天大学 一种基于路网特性的城市道路车辆行驶速度预测方法
CN105046956A (zh) * 2015-06-24 2015-11-11 银江股份有限公司 一种基于转向系数的交通流模拟及预测方法
CN105355038A (zh) * 2015-10-14 2016-02-24 青岛观澜数据技术有限公司 一种利用pma建模预测短期交通流量的方法
CN106652442B (zh) * 2016-10-14 2019-03-12 北京交通发展研究院 需求调控的一般性控制模型及其建立方法和应用
CN106652442A (zh) * 2016-10-14 2017-05-10 北京交通发展研究中心 需求调控的一般性控制模型及其建立方法和应用
CN106652444A (zh) * 2016-11-15 2017-05-10 广州运星科技有限公司 基于车道组及交叉口车流路径的城市网络交通流仿真模型
US11127285B2 (en) 2016-11-29 2021-09-21 Here Global B.V. Method, apparatus and computer program product for estimation of road traffic condition using traffic signal data
CN108269411A (zh) * 2016-12-31 2018-07-10 南京理工大学 一种高速公路etc车流量预测方法
CN106935034A (zh) * 2017-05-08 2017-07-07 西安电子科技大学 面向车联网的区域交通流量预测系统及方法
CN108257384A (zh) * 2018-01-18 2018-07-06 沈阳建筑大学 一种路网对偶模型的鲁棒性确定方法及系统
CN108876045A (zh) * 2018-06-25 2018-11-23 上海应用技术大学 基于lstm模型预测的急救车最优路线推荐方法
CN109033583A (zh) * 2018-07-12 2018-12-18 中国科学院计算技术研究所 一种数据驱动的交通快速推演方法和系统
CN111627232B (zh) * 2018-07-19 2021-07-27 滴滴智慧交通科技有限公司 信号灯周期、配时改变时间、通行时长的确定方法及装置
CN111627231B (zh) * 2018-07-19 2021-07-27 滴滴智慧交通科技有限公司 信号灯周期、配时改变时间、通行时长的确定方法及装置
CN111627232A (zh) * 2018-07-19 2020-09-04 北京嘀嘀无限科技发展有限公司 信号灯周期、配时改变时间、通行时长的确定方法及装置
CN111627231A (zh) * 2018-07-19 2020-09-04 北京嘀嘀无限科技发展有限公司 信号灯周期、配时改变时间、通行时长的确定方法及装置
TWI713949B (zh) * 2018-08-06 2020-12-21 大陸商北京嘀嘀無限科技發展有限公司 用於確定交通狀況的系統和方法
CN109003453B (zh) * 2018-08-30 2020-05-22 中国人民解放军国防科技大学 基于支持向量机的浮动车路段平均速度短时预测方法
CN109003453A (zh) * 2018-08-30 2018-12-14 中国人民解放军国防科技大学 基于支持向量机的浮动车路段平均速度短时预测方法
CN109064750A (zh) * 2018-09-28 2018-12-21 深圳大学 城市路网交通估计方法及系统
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
CN109993980A (zh) * 2019-02-21 2019-07-09 平安科技(深圳)有限公司 交通流量预测方法、装置、计算机设备及存储介质
CN110164129A (zh) * 2019-04-25 2019-08-23 浙江工业大学 基于gernn的单交叉口多车道交通流量预测方法
CN110363984A (zh) * 2019-06-25 2019-10-22 讯飞智元信息科技有限公司 交通流量预测方法和设备
CN110766939A (zh) * 2019-09-20 2020-02-07 重庆交通大学 基于车辆轨迹数据的信号交叉口排队长度估算方法
CN112289030A (zh) * 2020-11-02 2021-01-29 吉林大学 城市路网可容纳最大车辆数的计算方法

Also Published As

Publication number Publication date
CN102436751B (zh) 2014-09-17

Similar Documents

Publication Publication Date Title
CN102436751B (zh) 基于城市宏观路网模型的交通流短时预测方法
CN104318788B (zh) 一种提高交叉口进口道空间资源利用效率的方法
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系统及方法
CN102855760B (zh) 基于浮动车数据的在线排队长度检测方法
Ji et al. Investigating the shape of the macroscopic fundamental diagram using simulation data
CN104778834A (zh) 一种基于车辆gps数据的城市道路交通拥堵判别方法
CN104464310A (zh) 城市区域多交叉口信号协同优化控制方法及系统
CN104200649B (zh) 基于预先申请的交通高峰期路线资源调度分配系统与方法
CN106384509A (zh) 考虑出租车运营状态下的城市道路行程时间分布估算方法
CN109816977B (zh) 一种数据驱动的交叉口信号控制评价系统
CN101877169B (zh) 干线多交叉口交通流均衡性控制的数据融合系统及方法
CN104464320A (zh) 基于真实路网特性及动态行程时间的最短路径诱导方法
CN104318757B (zh) 一种公交专用道上的公交车车路段运行时间预测方法
CN102592447A (zh) 一种基于fcm的区域路网的道路交通状态判别方法
WO2019047905A1 (zh) 一种交通路况分析系统、方法以及装置
CN101894477A (zh) 一种城市信号灯控制道路网络交通自锁控制方法
CN204256963U (zh) 一种基于gps的交叉口交通信号灯实时控制装置
CN105303856A (zh) 一种预测模型的可变情报板信息发布方法
CN105551250A (zh) 一种基于区间聚类的城市道路交叉口运行状态判别方法
CN104200680A (zh) 过饱和交通状态下城市干道的交通信号协调控制方法
CN105047057A (zh) 一种考虑多驾驶员类型和车道选择偏好的高快速路网宏观交通流仿真方法
CN104134356A (zh) 城市交叉口模型参考自适应信号的控制方法
Zheng-Tao et al. A weighted mean velocity feedback strategy in intelligent two-route traffic systems
CN111881557A (zh) 基于道路平均速度的车流仿真方法
CN103000026A (zh) 一种公交站台车辆到达分布分析方法

Legal Events

Date Code Title Description
PB01 Publication
C06 Publication
SE01 Entry into force of request for substantive examination
C10 Entry into substantive examination
GR01 Patent grant
C14 Grant of patent or utility model
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20140917

Termination date: 20170930

CF01 Termination of patent right due to non-payment of annual fee