CN102890862B - 基于向量模式的交通状态分析装置及方法 - Google Patents
基于向量模式的交通状态分析装置及方法 Download PDFInfo
- Publication number
- CN102890862B CN102890862B CN201210376639.0A CN201210376639A CN102890862B CN 102890862 B CN102890862 B CN 102890862B CN 201210376639 A CN201210376639 A CN 201210376639A CN 102890862 B CN102890862 B CN 102890862B
- Authority
- CN
- China
- Prior art keywords
- normalization
- traffic
- section
- link flow
- traffic behavior
- 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
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于向量模式的交通状态分析装置,将两相邻交叉口之间的路段作为单元路段,设有采集模块,用于获取单元路段在当前时段的五种交通状态参数;归一化模块,用于将交通状态参数分别进行短时预测处理和归一化处理,并组成一个五维特征向量;比较模块,用于将五维特征向量分别与预设的多个参照值比较,相似性最大的参照值所对应的基本交通状态确定为单元路段的当前交通状态。本发明模型形式简单,计算复杂度低,同时着重考虑了可能的交通变化趋势,使得交通状态分析能够取得更加准确与实用的效果,具有安装及维护费用低,工作高效,精准度高,适应性强等优点。本发明还公开了一种基于向量模式的交通状态分析方法。
Description
技术领域
本发明涉及一种交通管理装置及方法,尤其是一种基于向量模式的交通状态分析装置及方法。
背景技术
交通管理中,交通信号协调控制与车辆诱导是城市道路交通控制系统中的两个重要组成部分,而为这两种控制部分提供当前交通信息的交通状态分析装置及利用该分析装置进行的分析方法是关键的组成部分。
目前,国际上暂时没有统一的关于城市道路交通状态的定义和标准,不过,将交通流划分为自由流、同步流与阻塞流的三相流理论的应用比较广泛,其中自由流、同步流与阻塞流分别对应中观层面上路段交通状态的畅通、正常和拥挤三种状态(或者低交通、中交通和重交通)。现也有不少研究人员认为该三种状态分类对交通状态的描述不够精确,特别是在一些复杂的情况下不能很好地进行区分,故根据道路的拥挤程度将交通状态分为四种状态(即畅通、稳定、非稳定和拥挤)甚至五种状态(即畅通、正常、过渡、拥挤、堵塞)。不论将交通状态分为几类,交通管理的最终目标都是通过对这几种状态的分类管理实现合理的交通控制。
尽管国内外对于交通状态的识别存在着多种分类方法,但是对交通状态分析的总体思路却是大致相同的。研究人员都是通过收集交通信息然后,利用模糊数学、模式识别或者人工智能的方法对交通状态进行建模,并通过优化计算来得出交通状态判别的结果,区别主要在于收集交通信息、建立系统模型的方法选择上存在差异。从理论上来说,这些方法应用于成熟完善的道路交通体系会有比较好的结果,但是,对于大多数仍然处在发展中的城市而言,这些方法所使用的控制设施较多,资金投入过大,而且模型计算复杂度较高,从而给当地财政带来巨大的压力,因此传统交通状态分析装置并不适合大部分中小城市的情况。
另外,由于这些方法使用的来源交通信息都只是当前时刻的交通信息,而不能反映道路交通流的变化趋势,因此其所产生的交通状态结果存在一定的滞后性,不能充分满足交通管理,以及公众出行时对于道路交通状态的需求。
发明内容
为了克服现有技术的不足,本发明提供了一种安装及维护费用低,工作高效,精准度高,适应性强的交通状态分析装置。
本发明技术方案是:一种基于向量模式的交通状态分析装置,将两相邻交叉口之间的路段作为交通状态分析的单元路段,设有
采集模块,用于获取单元路段在当前时段的交通状态参数,所述交通状态参数包括车辆的路段流量、时间占有率、平均行程速度、排队长度和平均延误时间;
预处理模块,用于将当前时段的路段流量进行预处理,并获得路段流量的短时预测;
归一化模块,在预处理模块所得到路段流量的短时预测的基础上,用于将交通状态参数分别进行归一化处理,并组成一个五维特征向量T=(q,σ,v,l,d)
式中,q为归一化后的路段流量;
σ为归一化后的时间占有率;
v为归一化后的平均行程速度;
l为归一化后的排队长度;
d为归一化后的平均延误时间;
比较模块,用于将所述五维特征向量分别与预设的多个参照值比较,相似性最大的参照值所对应的基本交通状态确定为单元路段的当前交通状态;
本发明中,路段流量为单位时间内通过该路段某一横截面的车流数量,时间占有率为该路段内有车存在的时间与统计总时间(一般为一个信号周期)之比,平均行程速度为统计总时间内所有通过该路段的车辆速度的平均值,排队长度为该路段下游交叉口停车线后排队车辆数,及平均延误时间为一个信号周期内通过该路段所有车辆的延误时间的平均值(延误时间指的是车辆通过路段所需时间与正常行驶同样距离所需时间的差值)。通过采集模块、归一化模块、比较模块对单元路段内的交通状态进行分析,然后根据分析得到的结果,该计算结果可发送给相应的控制模块,以便通过相应的控制设施,实现对单元路段的交通信号协调与车辆诱导,该交通状态分析装置具有安装及维护费用低,工作高效,精准度高,适应性强等优点。
本发明提供了一种基于向量模式的交通状态分析方法,包括如下步骤:
(1)将两相邻交叉口之间的路段作为交通状态分析的单元路段;
(2)获取单元路段在当前时段的交通状态参数,所述交通状态参数包括车辆的路段流量、时间占有率、平均行程速度、排队长度和平均延误时间;
(3)将当前时段的路段流量进行预处理,并获得路段流量的短时预测;
(4)将交通状态参数分别进行归一化处理,并组成一个五维特征向量T=(q,σ,v,l,d)
式中,q为归一化后的路段流量;
σ为归一化后的时间占有率;
v为归一化后的平均行程速度;
l为归一化后的排队长度;
d为归一化后的平均延误时间;
(5)将所述五维特征向量分别与预设的多个参照值比较,相似性最大的参照值所对应的基本交通状态确定为单元路段的当前交通状态;
对于步骤(3)中预处理公式为
q0=αQ+(1-α)Q';
式中,q0为当前时段的路段流量的短时预测;
Q为当前时段的路段流量;
Q'为当前时段内,各历史路段流量的统计平均值,所谓历史的路段流量为,把一天分成360个时段,对于每个时间段连续若干天的路段流量参数;
e为自然常数;
z为当前时刻内,历史交通状态参数统计数据的标准差,所谓历史的交通状态参数为,把一天分成360个时段,对于每个时间段连续若干天的交通状态参数求标准差。
对于步骤(4)中的交通状态参数进行归一化处理,归一化处理公式为
q=q0/qs;
σ=σ0;
v=v0/vm;
l=l0/L;
d=d0/C;
式中,qs为单元路段的饱和流量值;
σ0为当前时段的时间占有率;
v0为当前时段的平均行程速度;
l0为当前时段的排队长度;
d0为当前时段的平均延误值;
vm为单元路段的最高限速;
L为单元路段的长度;
C为单元路段所对应下游路口的信号周期值。
根据当前时刻的路段流量计算出路段流量的短时预测,在此基础上对当前时段的路段流量进行归一化处理q=q0/qs。
qs为单元路段的饱和流量值,该饱和流量值为交通信号控制领域的基本参数,由单元路段的实际道路状况决定。
同时,对σ0为当前时间占有率,v0为当前平均行程速度,l0为当前排队长度,d0为当前平均延误值也分别进行归一化处理
预设的参照值是根据需要对单元路段的实际交通状态进行的相应划分,划分后的交通状态分别为畅通、正常、过渡和拥挤这四种基本交通状态,各基本交通状态所对应的五维特征向量为Ti=(qi,σi,vi,li,di),i=1,2,3,4
式中,q i为归一化后的历史路段流量;
σi为归一化后的历史时间占有率;
vi为归一化后的历史平均行程速度;
li为归一化后的历史排队长度;
di为归一化后的历史平均延误时间。
根据当前交通状态的五维特征向量T=(q,σ,v,l,d)和各基本交通状态所对应的五维特征向量为Ti=(qi,σi,vi,li,di)依次比较彼此的相似性,相似性的比较公式为si=|cosθi|
式中,θi表示向量T与向量Ti之间的夹角。
为了提高单元路段在不同时段下各交通状态参数的合理性,所以将记录时间划分为多个连续的时段,其中,若记录时间以一天计则为24h,且将该记录时间内的划分为若干连续的时段,每个时段以4min一个周期,也即划分为360个4min的时段,故当前时段也为4min。
为了保证交通状态分析的准确性,所以需要提高所述归一化后计算的精度,故归一化后的交通状态参数取值范围为0≤归一化后的交通状态参数≤1,保留4位有效数字。
本发明的交通状态模型形式简单,计算量较小,所需交通控制装置设施也比较简单,有效地提高了交通状态分析的效率,降低了交通状态分析的成本;同时,本发明通过短时预测处理着重考虑了可能的交通变化趋势,能够提高交通状态分析的准确性与实用性。
附图说明
图1为本发明实施例的流程图。
图2为本发明实施例时间轴的示意图。
具体实施方式
下面结合附图对本发明作进一步描述:
如图1所示,为实现本发明的一种基于向量模式的交通状态分析方法,
步骤(1),选取两相邻交叉口之间的路段作为交通状态分析的单元路段,同时将一天24h划分为360个连续的时段,每个时段以4min为一个周期。
其中,由于分析需要,实现对单元路段内各种交通状态参数进行适当的采集处理,其中包括对历史路段流量的统计分析和状态向量的数学统计分析两个过程,这两个过程的实现步骤如下。
对即将引入的历史交通状态参数的统计分析过程为:
1)通过采集模块获取过去连续若干天(不少于14天)内的所有交通状态参数,并存入系统配置文件中;
2)以4分钟为单位,将每天从0点到24点的交通状态参数依次划分成360份,对应于一天内的360个小时间段;
3)利用统计数学的方法,分别求取每个小时间段内的各交通状态参数的平均值,然后对各交通状态参数统一进行归一化处理,并依次对每一个小时间段内的交通状态参数进行统计分析,求取每个小时间段内流量数据的标准差,同样将求取的平均值与标准差存入系统配置文件中。
另外,将交通状态进行相应的划分,划分后的交通状态分别为畅通、正常、过渡和拥挤这四种基本交通状态。根据储存于系统配置文件中的历史参数,对畅通、正常、过渡和拥挤四种交通状态进行数学统计分析:
1)选择一个路面构造较为规范的车道,从该车道连续N天(N不小于14)包含路段流量、时间占有率、平均行程速度、排队长度和平均延误时间五个交通状态参数的历史数据中提取出01:00~03:00、09:00~11:00、12:00~14:00以及17:00~19:00四个时间段(所选的时间段不是唯一的,可以根据实际交通状况作适当调整)的数据,对应分成四组数据;
2)对上述四组数据进行归一化处理,得到4N个经过归一化的特征向量Vij=(qij,σij,vij,lij,dij),i=1,2,3,4,j=1,2,3,...,N;
3)分别求取四组数据的数学平均值则单元路段畅通、正常、过渡和拥挤四种交通状态对应的特征向量依次分别为其中,i=1,2,3,4,k为该路段的车道数。
步骤(2),在历史数据的预处理结束之后,确定好当前时刻以及当前时刻对应的时间段,就可以开始进行路段流量、时间占有率、平均行程速度、排队长度和平均延误时间五个交通状态参数的实时获取。通过采集模块实时地获取单元路段在当前时段的交通状态参数,交通状态参数包括车辆的路段流量、时间占有率、平均行程速度、排队长度和平均延误时间,其中Q为当前路段流量,σ0为当前时间占有率,v0为当前平均行程速度,l0为当前排队长度,d0为当前平均延误值。
其中,在城市智能交通信号控制系统中,一般使用安装于路面下的线圈检测器对路段流量与时间占有率进行检测;而平均行程速度、排队长度和平均延误时间等参数则可以通过安装有车载GPS定位装置的浮动车获取。由于具体的实现方式为交通信号控制领域技术人员所周知,这里不做详细叙述。
步骤(3),将当前时段的路段流量进行预处理,并获得路段流量的短时预测。
预处理公式为q0=αQ+(1-α)Q'
式中,q0为当前时段的路段流量的短时预测;
Q为当前时段的路段流量;
Q为当前时段内,各历史路段流量的统计平均值,所谓历史的路段流量为,把一天分成360个时段,对于每个时间段连续若干天的路段流量参数;
e为自然常数;
z为当前时刻内,历史交通状态参数统计数据的标准差,所谓历史的交通状态参数为,把一天分成360个时段,对于每个时间段连续若干天的交通状态参数求标准差。
步骤(4),根据当前时刻的路段流量的短时预测,对当前时段的路段流量进行归一化处理
q=q0/qs
式中,qs为单元路段的饱和流量值,该饱和流量值为交通信号控制领域的基本参数,由单元路段的实际道路状况决定。
同时,对σ0为当前时间占有率,v0为当前平均行程速度,l0为当前排队长度,d0为当前平均延误值也分别进行归一化处理
σ=σ0;
v=v0/vm;
l=l0/L;
d=d0/C;
式中,σ0为当前时间占有率;
v0为当前时段的平均行程速度;
l0为当前时段的排队长度;
d0为当前时段的平均延误值;
qs为单元路段的饱和流量值;
vm为单元路段的最高限速;
L为单元路段的长度;
C为单元路段所对应下游路口的信号周期值。
各交通状态的参数经过归一化处理后组成一个五维特征向量T=(q,σ,v,l,d)
式中,q为归一化后的路段流量;
σ为归一化后的时间占有率;
v为归一化后的平均行程速度;
l为归一化后的排队长度;
d为归一化后的平均延误时间。
步骤(5),对单元路段下当前时刻的交通状态参数进行相应的归一化处理后得到相应五维特征向量,同时根据对各基本交通状态中相应处理后的五维特征向量进行相似性的比较,比较公式为si=|cosθi|,i=1,2,3,4
式中,θi表示向量T与向量Ti之间的夹角。
也即 其中,i=1,2,3,4。
根据所比较的结果得到相似性最大的参照值,而该参照值所对应的基本交通状态(畅通、正常、过渡和拥挤)即可确定为单元路段的当前交通状态。
随后,就可以根据所确定的单元路段的当前交通状态,通过相应的控制模块对交通信号协调器及车辆诱导器进行相应的控制,从而保证单元路段内的车辆能合理有序地通过下游路口,实现单元路段内车辆的有效诱导。
如图2所示,以当前时刻为09时38分16秒为例,假定该时刻实时流量Q=1450veh/h,车道饱和流量为qs=1650veh/h,并假定09时36分~09时40分时间段内的流量均值为Q'=1550veh/h,标准差为z=0.72。由于该时刻属于09时36分~09时40分时间段,则根据步骤(2)的公式可以求得
q0=αQ+(1-α)Q'≈1483veh/h
同时根据公式分别对五个交通参数进行归一化处理,例如可以求得q=q0/qs≈0.8988,再结合求得的另外四个参数就可以得到特征向量T。接着,根据步骤(3)的公式分别计算T与这四种状态的特征向量的相似性。假定所求得的相似性分别为s1=0.3215,s2=0.6533,s3=0.8490,s4=0.7112,因为s3=max(s1,s2,s3,s4)是四者中的最大值,所以,其对应的状态“过渡”即为交通状态分析的最终结果,即该单元路段在当前时刻的状态为“过渡”。该交通状态分析结果可以通过合适的方式进一步运用于交通信号协调控制与车辆诱导,从而实现城市交通的智能控制。
以上所述的只是本发明的一种典型实例,并不能以此来限定本发明的权利范围。本发明所属技术领域的技术人员可以对本发明所描述的具体实施例做出各种各样的修改或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (5)
1.一种基于向量模式的交通状态分析装置,其特征是:将两相邻交叉口之间的路段作为交通状态分析的单元路段,设有
采集模块,用于获取单元路段在当前时段的交通状态参数,所述交通状态参数包括车辆的路段流量、时间占有率、平均行程速度、排队长度和平均延误时间;
预处理模块,用于将当前时段的路段流量进行预处理,并获得路段流量的短时预测;
归一化模块,根据路段流量的短时预测,用于将交通状态参数分别进行归一化处理,并组成一个五维特征向量T=(q,σ,v,l,d)
式中,q为归一化后的路段流量;
σ为归一化后的时间占有率;
v为归一化后的平均行程速度;
l为归一化后的排队长度;
d为归一化后的平均延误时间;
比较模块,用于将所述五维特征向量分别与预设的多个参照值比较,相似性最大的参照值所对应的基本交通状态确定为单元路段的当前交通状态。
2.一种基于向量模式的交通状态分析方法,包括如下步骤:
(1)将两相邻交叉口之间的路段作为交通状态分析的单元路段;
(2)获取单元路段在当前时段的交通状态参数,所述交通状态参数包括车辆的路段流量、时间占有率、平均行程速度、排队长度和平均延误时间;
(3)将当前时段的路段流量进行预处理,并获得路段流量的短时预测;
(4)根据路段流量的短时预测,将交通状态参数分别进行归一化处理,并组成一个五维特征向量T=(q,σ,v,l,d)
式中,q为归一化后的路段流量;
σ为归一化后的时间占有率;
v为归一化后的平均行程速度;
l为归一化后的排队长度;
d为归一化后的平均延误时间;
(5)将所述五维特征向量分别与预设的多个参照值比较,相似性最大的参照值所对应的基本交通状态确定为单元路段的当前交通状态;
所述步骤(3)中预处理公式为q0=αQ+(1-α)Q';
式中,q0分别为当前时段的路段流量的短时预测;
Q为当前时段的路段流量;
Q'为当前时段内,历史路段流量的统计平均值;
为预测平滑系数;
e为自然常数;
z为当前时段内,历史交通状态参数的标准差;
所述步骤(4)中归一化处理公式为
q=q0/qs;
σ=σ0;
v=v0/vm;
l=l0/L;
d=d0/C;
式中,qs为单元路段的饱和流量值;
σ0为当前时段的时间占有率;
v0为当前时段的平均行程速度;
l0为当前时段的排队长度;
d0为当前时段的平均延误值;
vm为单元路段的最高限速;
L为单元路段的长度;
C为单元路段所对应下游路口的信号周期值;
所述步骤(5)中的参照值分别对应畅通、正常、过渡和拥挤这四种基本交通状态,各基本交通状态所对应的五维特征向量为Ti=(qi,σi,vi,li,di),i=1,2,3,4
式中,qi为归一化后的历史路段流量;
σi为归一化后的历史时间占有率;
vi为归一化后的历史平均行程速度;
li为归一化后的历史排队长度;
di为归一化后的历史平均延误时间。
3.根据权利要求2所述的基于向量模式的交通状态分析方法,其特征是:所述步骤(5)中相似性的比较为si=|cosθi|
式中,θi表示向量T与向量Ti之间的夹角。
4.根据权利要求2所述的基于向量模式的交通状态分析方法,其特征是:所述当前时段以4分钟一个周期。
5.根据权利要求2所述的基于向量模式的交通状态分析方法,其特征是:所述归一化后的交通状态参数取值范围为0≤归一化后的交通状态参数≤1,保留4位有效数字。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210376639.0A CN102890862B (zh) | 2012-09-29 | 2012-09-29 | 基于向量模式的交通状态分析装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210376639.0A CN102890862B (zh) | 2012-09-29 | 2012-09-29 | 基于向量模式的交通状态分析装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102890862A CN102890862A (zh) | 2013-01-23 |
CN102890862B true CN102890862B (zh) | 2014-09-24 |
Family
ID=47534353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210376639.0A Active CN102890862B (zh) | 2012-09-29 | 2012-09-29 | 基于向量模式的交通状态分析装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102890862B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488878B (zh) * | 2013-09-09 | 2016-08-24 | 重庆大学 | 基于向量相似性的交通流时间序列变点识别方法 |
CN104392607B (zh) * | 2014-11-18 | 2016-12-07 | 青岛海信网络科技股份有限公司 | 一种交通状态判别方法及装置 |
US9349285B1 (en) | 2014-12-01 | 2016-05-24 | Here Global B.V. | Traffic classification based on spatial neighbor model |
CN104658271B (zh) * | 2015-03-09 | 2021-02-05 | 无锡物联网产业研究院 | 一种交通状态监控方法及系统 |
CN105469603B (zh) * | 2015-12-30 | 2018-02-02 | 青岛海信网络科技股份有限公司 | 一种交通拥堵源头分析方法及装置 |
KR101703058B1 (ko) * | 2016-08-30 | 2017-02-06 | 주식회사 블루시그널 | 교통데이터 분석에 의한 교통상태패턴 예측시스템 및 그 예측방법 |
CN109920251B (zh) * | 2019-04-23 | 2021-12-28 | 公安部交通管理科学研究所 | 一种城市道路交叉口交通组织合理性诊断分析方法及系统 |
CN111028509B (zh) * | 2019-12-19 | 2020-12-15 | 河北万方中天科技有限公司 | 交通饱和流量获取方法、装置及终端设备 |
CN115410375A (zh) * | 2022-11-02 | 2022-11-29 | 华路易云科技有限公司 | 一种基于雷卡融合交通数据的融合交通指标集生成方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006079483A (ja) * | 2004-09-13 | 2006-03-23 | Hitachi Ltd | 交通情報提供装置,交通情報提供方法 |
CN101271622A (zh) * | 2007-03-22 | 2008-09-24 | 上海经达实业发展有限公司 | 一种城市道路交通的即时状态判别及诱导系统 |
CN101303801A (zh) * | 2008-06-30 | 2008-11-12 | 北京交通大学 | 一种城市快速路交通流状态实时判别方法 |
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 |
-
2012
- 2012-09-29 CN CN201210376639.0A patent/CN102890862B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN102890862A (zh) | 2013-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102890862B (zh) | 基于向量模式的交通状态分析装置及方法 | |
CN102637357B (zh) | 一种区域交通状态评价方法 | |
Myung et al. | Travel time prediction using k nearest neighbor method with combined data from vehicle detector system and automatic toll collection system | |
CN102589557B (zh) | 一种基于驾驶员行为特性和分对数模型的交叉口处地图匹配方法 | |
CN104036646B (zh) | 交叉口信号配时时段的划分方法 | |
CN101639978B (zh) | 一种动态划分交通控制子区的方法 | |
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 | |
CN104778834A (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN104699956A (zh) | 一种基于移动终端的干线绿波协调效果评估方法 | |
CN100466010C (zh) | 异类交通信息实时融合方法 | |
CN102087788A (zh) | 基于浮动车车速置信度的交通状态参数估计方法 | |
CN104851287B (zh) | 基于视频检测器的城市道路路段行程时间检测方法 | |
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 | |
CN105632198A (zh) | 基于模糊控制的城市区域道路交通协调控制方法及系统 | |
CN103177576B (zh) | 一种收费站上下游路况信息的判断方法及装置 | |
CN103440422A (zh) | 一种基于带时间窗的到站时间预测的公交晚点恢复方法 | |
CN110188797A (zh) | 一种基于贝叶斯优化的智能汽车快速测试方法 | |
CN110070734A (zh) | 基于高斯混合模型的信号交叉口饱和车头时距估计方法 | |
CN107564290A (zh) | 一种城市道路交叉口饱和流率计算方法 | |
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 | |
CN106355905A (zh) | 一种基于卡口数据的高架信号控制方法 | |
CN114463868B (zh) | 面向交通流管控的收费站交通流组合预测方法及系统 | |
CN103456163A (zh) | 城市快速路互通立交通行能力和运行状态判别方法与系统 | |
CN102779415A (zh) | 实时分析交通信号相位的方法与装置 | |
CN103955135A (zh) | 一种基于双层模式曲线的机车优化操纵序列计算方法 |
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 |