CN103632547B - 移动瓶颈影响下路段行程时间预测系统及实现方法 - Google Patents
移动瓶颈影响下路段行程时间预测系统及实现方法 Download PDFInfo
- Publication number
- CN103632547B CN103632547B CN201310656193.1A CN201310656193A CN103632547B CN 103632547 B CN103632547 B CN 103632547B CN 201310656193 A CN201310656193 A CN 201310656193A CN 103632547 B CN103632547 B CN 103632547B
- Authority
- CN
- China
- Prior art keywords
- bottleneck
- moving
- moving bottleneck
- vehicle
- speed
- 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
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种移动瓶颈影响下路段行程时间预测系统及实现方法。所述预测系统包括信息采集模块、处理模块、发布模块以及传输模块;首先通过信息采集模块得到每辆车的车型、车速、通过时刻,从而得到移动瓶颈的初始时空分布及流量,在信息处理模块,基于马尔科夫链预测移动瓶颈在任意时刻的时空分布状态,通过查询建立的移动瓶颈状态库及对应的延误函数库,得到路段的延误,进而得到路段的行程时间。由于同时计入移动瓶颈的空间演化和流量对行程时间的影响,可大大提高行程时间预测的准确程度,为道路使用者提供准确的出行信息,为道路管理者的合理决策和高效管理提供支持。
Description
技术领域
本发明涉及一种移动瓶颈影响下路段行程时间预测系统及实现方法,属于动态交通预测智能管理技术领域。
背景技术
路段行程时间估计与预测是动态交通管理决策和出行决策的重要信息基础。实时获取路段行程时间的估计值,并准确地对未来时刻路段行程时间数值进行预测,对于动态交通管理决策与出行决策具有重要的现实意义。
目前对路段行程时间预测的研究,根据其原理,主要分以下3类:①基于传统的数学和物理模型的数理统计分析方法;②人工智能分析方法;③基于交通仿真的方法。其中第①类方法主要有基于时间序列模型、参数回归模型、指数平滑模型等;第②类方法主要包括状态空间重构模型,神经网络模型、小波理论等;第③类方法主要包括微观仿真和宏观仿真,如元胞自动机模型、CTM模型以及一些成熟的仿真软件VISSIM等。根据其研究对象的不同,可以分为快速路的行程时间预测和城市道路的行程时间预测。但总体来说,以往研究都是针对均一交通流的,即针对车辆间性能差异不大的交通流,流量是行程时间预测时的最主要考虑因素。
对于高速公路的行程时间预测来说,只考虑流量因素而忽略移动瓶颈作用因素,会对预测结果带来致命影响。众所周知,我国高速公路上,货运车辆比例非常大,并且货运车辆性能与客运车辆相比差距很大,而超载超限问题以及道路地形的变化又进一步放大了这一差距,当客运车辆到达货运车辆后方时,不管后方到达的小客车流量多小,速度如何,到达的车辆都不得不在货车后方降速、排队,从而产生延误。类似于到达道路的某一瓶颈处,不同之处只在于,这一瓶颈是移动的,因此称之为移动瓶颈。移动瓶颈本身不是固定不变的,而是随时空动态演化,从而进一步增加了其影响的复杂性。针对实际存在的交通状态,以往研究中,要么不计入货运车辆的影响,或者通过引入简单的系数来表征移动瓶颈的影响,显然都无法真正刻画货运车辆所形成的移动瓶颈的动态影响,从而导致行程时间预测值严重偏离实际值。
发明内容
本发明公开了一种移动瓶颈影响下路段行程时间预测系统及方法,其目的在于克服现有的预测系统方法存在的只把交通流量作为预测依据,对货车所形成移动瓶颈的影响无法表征和量化,导致行程时间预测值严重偏离实际值等缺陷。本发明通过信息采集得到移动瓶颈的初始分布和流量,基于马尔科夫链得到移动瓶颈在任意时刻的预测状态,通过查询已建立的移动瓶颈状态库及对应的延误函数库,得到路段的延误,进而得到路段的行程时间,不仅大大提高了行程时间预测的准确程度,为道路使用者提供准确的出行信息,而且为道路管理者的合理决策和高效管理提供有效支持。
本发明技术方案是这样实现的:
一种移动瓶颈影响下路段行程时间预测系统,包括信息采集模块、处理模块、发布模块以及传输模块;
所述信息采集模块包括信息采集单元与第一存储单元,用于采集和储存信息;所述第一存储单元耦接信息采集单元;信息采集单元采集信息包括道路交通流量信息,每辆车的车型分类信息、车辆行驶速度信息及车辆通过检测器所对应的时刻;
所述处理模块包括状态分布预测单元、移动瓶颈状态库单元、延误函数库单元、行程时间预测单元;所述的状态分布预测单元,接受信息采集单元信息,根据车型分类信息和车辆速度信息,确定移动瓶颈车辆及其速度;根据每辆移动瓶颈车辆通过检测器的时刻,得到其初始分布;基于移动瓶颈车辆速度及初始分布,运用马尔科夫链,得到任意时刻移动瓶颈车辆的空间状态分布;建立移动瓶颈状态库和其对应的延误函数库,给出每一状态所对应的延误函数;将车流前进中遇到第i个移动瓶颈的时刻记为ti,通过查询移动瓶颈状态库和移动瓶颈下延误函数库,得到通过此移动瓶颈的延误时间di,由此得到到达下一移动瓶颈的时刻及此时移动瓶颈的状态及延误,以此类推,则可得到路段的整体延误D和行程时间T;
所述发布模块,包括信息发布终端与第二存储单元,所述信息发布终端耦接第二存储单元,用于显示所述路段的预测行程时间;
所述传输模块用于采集模块、处理模块以及发布模块之间数据传输。
一种移动瓶颈影响下路段行程时间预测系统的实现方法,具体步骤如下:
A)、采集模块的信息采集单元通过检测器测得车辆车型、车速、流量数据及车辆通过检测器所对应的时刻,并储存于第一存储模块;
B)、处理模块的状态分布预测单元,首先对检测器所得数据进行预处理,剔除错误数据,并将货车速度及通过检测器时刻单独列出,作为移动瓶颈分布预测的初始状态;
C)、处理模块的基于马尔科夫链的移动瓶颈分布预测算法,得到移动瓶颈状态转移概率分布矩阵,从而得到任意时刻移动瓶颈的状态分布;
D)、建立移动瓶颈状态库和延误函数库,将移动瓶颈分为瓶颈点,瓶颈段和阻塞瓶颈,并建立其对应的延误函数:
瓶颈点的延误函数:
瓶颈段的延误函数:
阻塞瓶颈的延误函数:
其中:Q为移动瓶颈上游到达流量,单位:辆/小时;C1为点瓶颈影响下路段剩余通行能力,单位:辆/小时;C2为段瓶颈影响下路段剩余通行能力,单位:辆/小时;s为货车相互超车所需距离,单位:公里;vh为阻塞瓶颈发生时较快货车速度,其速度为60~80公里/小时;vc为客车速度,单位:公里/小时;vs为阻塞瓶颈发生时较慢货车速度,其速度为40~60公里/小时;
E)、记客车交通流在ti时刻到达第i个移动瓶颈,易知,客车交通流到达第一个移动瓶颈的时刻t1为其中,l1为小客车交通流与第一个移动瓶颈的距离,单位:公里;v1为第一个移动瓶颈的速度,单位公里/小时;vc为客车的速度,单位公里/小时;则客车交通流到达第i个移动瓶颈的时刻ti则可由公式递推得到其中,li为小客车交通流与第i个移动瓶颈的距离,单位:公里;vi为第i个移动瓶颈的速度,单位公里/小时;通过查询移动瓶颈状态库和延误函数库,可得到通过此移动瓶颈的延误di,则路段的总延误为
F)通过路段总延误得到路段预测行程时间并储存于第二存储模块;其中L为预测路段长度,单位:公里;
G)通过发布模块,将得到的行程时间,公布于信息发布终端。
本发明的优点和积极效果:
本发明提出的移动瓶颈影响下路段行程时间预测系统及实现方法。以往行程时间预测方法只针对均一交通流,且只考虑流量因素对行程时间的影响,而忽略了低速货车所形成的移动瓶颈,大大降低了行程时间预测的准确性。本发明方法基于马尔科夫链预测移动瓶颈的动态演化,并通过移动瓶颈状态库和移动瓶颈延误函数库,得到不同移动瓶颈状态及流量下的延误。从而同时计入移动瓶颈的空间演化和流量对行程时间的影响,可大大提高行程时间预测的准确程度,为道路使用者提供准确的出行信息,为道路管理者的合理决策和高效管理提供有效支持。
附图说明
图1为本发明移动瓶颈影响下路段行程时间预测系统结构示意图;
图2为本发明移动瓶颈影响下路段行程时间预测系统实现方法的流程图;
图3为马尔科夫状态转移概率示意图。
具体实施方式
以下结合附图和实施例对本发明技术内容作进一步详细描述,但实施例并不用于限制本发明,凡是采用本发明的相似方法及其相似变化,均应列入本发明的保护范围。
移动瓶颈影响下路段行程时间预测系统结构如图1所示:包括信息采集模块、处理模块、发布模块以及传输模块。所述信息采集模块包括信息采集单元与第一存储单元,用于采集和储存信息;所述第一存储单元耦接信息采集单元。所述发布模块,包括信息发布终端与第二存储单元,所述信息发布终端耦接第二存储单元,用于显示所述路段行程时间。所述传输模块用于采集模块、处理模块以及发布模块之间数据传输。
移动瓶颈影响下路段行程时间预测系统实现方法如图2所示。
A)首先在路段入口处布设车辆检测器,车辆检测器要能够检测每辆的车辆车长、速度、及分车道流量,检测精度达到95%以上,车辆检测器上传交通数据的周期需在60-600秒之间可调。车辆检测器检测到的交通参数数据格式为:
采集时间 | 车长 | 速度 | 平均流量(每20秒) | 平均时间占有率(每20秒) |
B)对初始交通信息进行预处理,主要是对失真交通数据进行纠正和对缺失交通数据进行补齐。通过这种方式将得到的每辆车的车型、速度参数及每20秒的平均流量、平均占有率参数,以及这些数据所对应的时间进入信息采集模块并储存于第一存储单元。
C)基于马尔科夫过程的预测方法
将移动瓶颈的动态演化看作马尔科夫过程,在已知初始状态的时候,可以通过马尔科夫链推断任意时刻的移动瓶颈状态。在此给出双向四车道时的算例,其他车道数目的情况可以参考本算例。
根据高速公路的实际调查,暂将车辆划分为三类,第一类车为客车,第二类车为较低速货车,速度为40~60公里/小时,第三类车为较高速货车,速度为60~80公里/小时,在实际应用中,可以根据高速公路上车辆速度的实际分布情况进行分类,不影响本方法的适用性。
模型以临界车头时距为一个分区长度,将道路做区域划分,并以图1所示区域作为一个系统进行研究。本算例中暂为六个分区,更多分区的情况可参考本算例进行。
将上述一个系统内,经过一个单位时间后,不可能运动至超出本系统的车辆定义为系统内车辆。1表示该分区存在客车,2表示存在较高速货车,3表示存在较低速货车,0表示该分区无车,则总共系统出现的状态为46种。由于非系统内车辆的存在,不影响下一个单位时间本系统的演化。因此,在分类时不考虑非系统内车辆的存在情况可以简化分类,方便于模型的建立。基于以上考虑,引入#表示该分区无车或存在快车,*表示除速度较慢的重车以外所有的道路空间车辆占有状况,共划分为47类状态。
具体步骤为:
1)确定状态划分,记状态空间为E,
E=ez(t)={e1(t),e2(t),…e6(t)} (1)
ez(t)表示t时刻z分区的状态(z=1,2,…,6)。
2)建立状态转移概率矩阵。
记Pi,j(ez)为下一时刻分区z从状态i转化为状态j的概率,如图3所示。则有,
Pi,j(ez)=P(ez(t+1)=j|i)(j=0,1,2,3) (2)
若完成该状态转移,分区z必须发生状态变化从状态i变为状态j,则称该分区发生该变化的概率为“关键概率”。Pi,j(ez)可由决定这一状态转移过程的若干个相互独立的“关键概率”的相乘而得。即:
如果系统从i状态恰经k步转移到j状态(ei→e1→e2→…→ej)的概率为把排成一个矩阵P(k),称之为k步状态转移概率矩阵。由马尔科夫链性质,可得一步状态转移概率矩阵P(1)为
其中,根据Markov链的性质,有
即状态i一定会转移为全部47种道路空间状态中的一种,也就是说本模型所划分的47种状态实现了对所有可能道路状态的全覆盖。
若初始时刻道路交通流处于i状态,那么,为求得交通流状态的未来转向,考察状态转移概率矩阵P(1)中第i行。若
max(Pi (1))=pi,j (6)
那么,可以认为在下一时刻,道路系统空间最有可能由i状态转向j状态,Pi,j(ez)状态即为模型输出的预测概率。如果在矩阵P(1)中,第i行有两个或以上的概率值相等或非常接近时,状态的未来转向很难唯一确定。此时,需要考察二步状态转移概率矩阵P(2)或k步状态转移概率矩阵P(k)(其中k≥3)。
根据马尔科夫链的性质,k步状态转移概率矩阵等于P的k次幂,即
P(k)=Pk (7)
这样,如果已知一步状态转移概率矩阵和任一时刻t系统所处状态,通过式(2)即可求出下一时刻各个状态出现的概率,通过式(6)可确定系统在t+1时刻的预测概率,再在概率的基础上,参考式(7)可继续推导之后k步的转移概率。
设表示系统空间的初始状态,第k步的转移概率可表示为 那么,
ek-e0Pk (8)
综上可得,
因此,在能够观察到初始状态且已知入口处任意时刻车流密度的情况下,通过本模型能够判断任一路段在任一时段处于何种状态的概率,从而实现对道路未来最可能处于的交通状态做出预测。
D)移动瓶颈状态库和延误函数库
移动瓶颈的影响非常复杂,其主要原因即在于移动瓶颈的时空动态演化特性,而且随着其时空动态演化,其影响也会发生变化。因此要分析移动瓶颈的影响,最重要也是最基础的工作,是对移动瓶颈影响状态的划分。本实施例根据移动瓶颈车辆的相互位置关系及对通行能力的影响不同,将移动瓶颈的影响状态划分为瓶颈点,瓶颈段,阻塞瓶颈。
其中:
瓶颈点指单个低速货车所形成的移动瓶颈,这是移动瓶颈的最常见形式。
瓶颈段指多辆低速货车以一定间隔连续分布于道路外侧,使得在相当长一段距离内,外侧车道不能为客车所利用,形成一长段的移动瓶颈。这一移动瓶颈较点瓶颈复杂,对通行能力的影响也更大。
阻塞瓶颈指货车间相互超车时所形成的移动瓶颈,此时,不管后方到达流量多大,车辆都不得不降速,排队,形成隐性拥堵,因此称之为阻塞瓶颈。
移动瓶颈的动态演化虽然非常复杂,但都由以上三种移动瓶颈构成。
不同移动瓶颈状态下的延误函数如下所示,
瓶颈点的延误函数:
瓶颈段的延误函数:
阻塞瓶颈的延误函数:
由此,建立移动瓶颈状态库及延误函数库如下表所示
E)路段延误预测
记客车交通流在ti时刻到达第i个移动瓶颈,易知,客车交通流到达第一个移动瓶颈的时刻t1为
则客车交通流到达第i个移动瓶颈的时刻ti则可由公式递推得到
通过查询移动瓶颈状态库和延误函数库,可得到通过此移动瓶颈的延误di,则路段的总延误为
F)路段行程时间预测
得到路段的总延误后,路段的行程时间为:
G)路段行程时间发布
将通过上述步骤得到的路段行程时间,通过信息传输模块,传输到信息发布模块,并在信息发布终端进行发布。
Claims (2)
1.一种移动瓶颈影响下路段行程时间预测系统,其特征在于:包括信息采集模块、处理模块、发布模块以及传输模块;
所述信息采集模块包括信息采集单元与第一存储单元,用于采集和储存信息;所述第一存储单元耦接信息采集单元;信息采集单元采集信息包括道路交通流量信息,每辆车的车型分类信息、车辆行驶速度信息及车辆通过检测器所对应的时刻;
所述处理模块包括状态分布预测单元、移动瓶颈状态库单元、延误函数库单元、行程时间预测单元;所述的状态分布预测单元,接受信息采集单元信息,根据车型分类信息和车辆速度信息,确定移动瓶颈车辆及其速度;根据移动瓶颈车辆通过检测器的时刻,得到其初始分布;基于移动瓶颈车辆速度及初始分布,运用马尔科夫链,得到任意时刻移动瓶颈车辆的空间状态分布;建立移动瓶颈状态库和其对应的延误函数库,给出每一状态所对应的延误函数;通过查询移动瓶颈状态库和延误函数库,得到通过此移动瓶颈的延误时间di,由此得到到达下一移动瓶颈的时刻及此时移动瓶颈的状态及延误,以此类推,则可得到路段的整体延误D和行程时间T;
所述发布模块,包括信息发布终端与第二存储单元,所述信息发布终端耦接第二存储单元,将上述处理模块得到的路段的行程时间T储存于第二存储单元,通过信息发布终端发布;
所述传输模块用于采集模块、处理模块以及发布模块之间数据传输。
2.根据权利要求1所述的一种移动瓶颈影响下路段行程时间预测系统的实现方法,其特征在于具体步骤如下:
A)、采集模块的信息采集单元通过检测器测得车辆车型、车速、流量数据及车辆通过检测器所对应的时刻,并储存于第一存储模块;
B)、处理模块的状态分布预测单元,首先对检测器所得数据进行预处理,剔除错误数据,并将货车速度及通过检测器时刻单独列出,作为移动瓶颈分布预测的初始状态;
C)、处理模块的基于马尔科夫链的移动瓶颈分布预测算法,得到移动瓶颈状态转移概率分布矩阵,从而得到任意时刻移动瓶颈的状态分布;
D)、建立移动瓶颈状态库和延误函数库,将移动瓶颈分为瓶颈点,瓶颈段和阻塞瓶颈,并建立其对应的延误函数:
瓶颈点的延误函数:
瓶颈段的延误函数:
阻塞瓶颈的延误函数:
其中:
Q为移动瓶颈上游到达流量,辆/小时;C1为点瓶颈影响下路段剩余通行能力,辆/小时;C2为段瓶颈影响下路段剩余通行能力;s为货车相互超车所需距离;vh为阻塞瓶颈发生时较快货车速度,其速度为60~80公里/小时;vc为客车速度,单位:公里/小时;vs为阻塞瓶颈发生时较慢货车速度,其速度为40~60公里/小时;
E)、记客车交通流在ti时刻到达第i个移动瓶颈,易知,客车交通流到达第一个移动瓶颈的时刻t1为其中,l1为小客车交通流与第一个移动瓶颈的距离;v1为第一个移动瓶颈的速度;vc为客车的速度;则客车交通流到达第i个移动瓶颈的时刻ti则可由公式递推得到其中,li为小客车交通流与第i个移动瓶颈的距离;vi为第i个移动瓶颈的速度;通过查询移动瓶颈状态库和延误函数库,可得到通过此移动瓶颈的延误di,则路段的总延误为
F)通过路段总延误得到路段预测行程时间并储存于第二存储模块;其中L为预测路段长度;
G)通过发布模块,将得到的行程时间,公布于信息发布终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310656193.1A CN103632547B (zh) | 2013-12-06 | 2013-12-06 | 移动瓶颈影响下路段行程时间预测系统及实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310656193.1A CN103632547B (zh) | 2013-12-06 | 2013-12-06 | 移动瓶颈影响下路段行程时间预测系统及实现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103632547A CN103632547A (zh) | 2014-03-12 |
CN103632547B true CN103632547B (zh) | 2015-09-23 |
Family
ID=50213542
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310656193.1A Expired - Fee Related CN103632547B (zh) | 2013-12-06 | 2013-12-06 | 移动瓶颈影响下路段行程时间预测系统及实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103632547B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537836B (zh) * | 2014-12-30 | 2016-11-30 | 北京通博科技有限公司 | 路段行驶时间分布预测方法 |
CN106909993A (zh) * | 2017-03-03 | 2017-06-30 | 吉林大学 | 基于时空学习的马尔科夫链微行程间隔时长预测方法 |
CN107123266B (zh) * | 2017-06-09 | 2020-09-25 | 青岛海信网络科技股份有限公司 | 一种基于交通大数据的瓶颈路段车流量调节方法和装置 |
CN108345966A (zh) * | 2018-04-25 | 2018-07-31 | 哈尔滨工业大学 | 一种基于乘客到达时间的服务系统估计算法 |
CN110992708B (zh) * | 2019-12-20 | 2021-10-01 | 斑马网络技术有限公司 | 实时通行速度预测方法、装置及电子设备 |
CN111209966B (zh) * | 2020-01-07 | 2023-09-26 | 中南大学 | 一种基于马尔科夫链的路径行程时间确定方法及系统 |
CN111951556B (zh) * | 2020-08-20 | 2022-04-29 | 重庆大学 | 一种基于rfid数据考虑货车混入率的公交行程时间预测方法 |
CN115148020B (zh) * | 2022-06-13 | 2023-06-02 | 中国标准化研究院 | 基于高速公路单位时间内交通流量的监测系统及其方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1079741A (ja) * | 1996-09-03 | 1998-03-24 | Nippon Telegr & Teleph Corp <Ntt> | トラヒックシェイピング装置 |
JP2000113371A (ja) * | 1998-10-08 | 2000-04-21 | Hitachi Ltd | 感知器処理装置及び方法 |
CN1776739A (zh) * | 2004-11-16 | 2006-05-24 | 微软公司 | 使用对概率相关性和环境数据的建模与分析的交通预报 |
CN101344989A (zh) * | 2008-08-18 | 2009-01-14 | 中国科学院物理研究所 | 一种在交通瓶颈处的控制方法与装置 |
CN102945611A (zh) * | 2012-11-19 | 2013-02-27 | 西安费斯达自动化工程有限公司 | 基于fpga及改进离散宏观p模型的在线交通瓶颈预测控制方法 |
CN102982689A (zh) * | 2012-10-30 | 2013-03-20 | 武汉理工大学 | 雨天环境下高速公路可变限速控制系统与控制方法 |
CN103050005A (zh) * | 2012-11-16 | 2013-04-17 | 北京交通大学 | 城市道路交通状态时空分析方法与系统 |
CN203070533U (zh) * | 2012-10-30 | 2013-07-17 | 武汉理工大学 | 高速公路瓶颈路段可变限速控制系统 |
-
2013
- 2013-12-06 CN CN201310656193.1A patent/CN103632547B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1079741A (ja) * | 1996-09-03 | 1998-03-24 | Nippon Telegr & Teleph Corp <Ntt> | トラヒックシェイピング装置 |
JP2000113371A (ja) * | 1998-10-08 | 2000-04-21 | Hitachi Ltd | 感知器処理装置及び方法 |
CN1776739A (zh) * | 2004-11-16 | 2006-05-24 | 微软公司 | 使用对概率相关性和环境数据的建模与分析的交通预报 |
CN101344989A (zh) * | 2008-08-18 | 2009-01-14 | 中国科学院物理研究所 | 一种在交通瓶颈处的控制方法与装置 |
CN102982689A (zh) * | 2012-10-30 | 2013-03-20 | 武汉理工大学 | 雨天环境下高速公路可变限速控制系统与控制方法 |
CN203070533U (zh) * | 2012-10-30 | 2013-07-17 | 武汉理工大学 | 高速公路瓶颈路段可变限速控制系统 |
CN103050005A (zh) * | 2012-11-16 | 2013-04-17 | 北京交通大学 | 城市道路交通状态时空分析方法与系统 |
CN102945611A (zh) * | 2012-11-19 | 2013-02-27 | 西安费斯达自动化工程有限公司 | 基于fpga及改进离散宏观p模型的在线交通瓶颈预测控制方法 |
Non-Patent Citations (3)
Title |
---|
基于交通瓶颈的动态交通分配模型;李乐园 等;《系统工程理论与实践》;20060430(第4期);第125-129页 * |
基于移动瓶颈理论的高速公路货车影响对策;林航飞 等;《同济大学学报》;20070930;第35卷(第9期);第1209-1213页 * |
基于移动瓶颈理论的高速公路重载货车影响效应研究;高学辉 等;《山东科技大学学报》;20100630;第29卷(第3期);第100-104页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103632547A (zh) | 2014-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103632547B (zh) | 移动瓶颈影响下路段行程时间预测系统及实现方法 | |
CN108109382B (zh) | 基于复合网络的拥堵点、拥堵线、拥堵区域的发现方法 | |
CN104778834B (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN109191849B (zh) | 一种基于多源数据特征提取的交通拥堵持续时间预测方法 | |
CN103839409B (zh) | 基于多断面视觉传感聚类分析的交通流状态判别方法 | |
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 | |
CN104766475B (zh) | 一种城市交通瓶颈挖掘方法 | |
CN101739824B (zh) | 基于数据融合技术的交通状况估计方法 | |
CN107705566B (zh) | 一种城市道路交通噪声预测方法及系统 | |
CN103337161A (zh) | 基于实时仿真模型的交叉口动态综合评价及信控系统优化方法 | |
CN102496280A (zh) | 一种路况信息实时获取方法 | |
Wu et al. | Stochasticity of freeway operational capacity and chance-constrained ramp metering | |
CN104700630A (zh) | 一种高速公路车流量的监测方法及系统 | |
CN101930670A (zh) | 公交行驶路段社会车辆运行时间预测方法 | |
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 | |
CN106023592A (zh) | 一种基于gps数据的交通拥堵检测方法 | |
CN115691120A (zh) | 一种基于高速公路流水数据的拥堵识别方法及系统 | |
CN107833459A (zh) | 一种基于gps数据的城市公交运行状况评价方法 | |
CN103366224A (zh) | 一种基于公交网络的乘客需求预测系统和方法 | |
CN106530685A (zh) | 一种交通数据短时预测方法及装置 | |
CN105931463B (zh) | 基于交通场面雷达的路段交通运行指数计算方法 | |
CN110490476A (zh) | 一种估算行驶路径的物流车辆规划方法 | |
CN104331746A (zh) | 一种分离式的动态路径优化系统及其方法 | |
CN109145401A (zh) | 一种计算机动车排放清单的方法、系统及终端设备 | |
CN105046958A (zh) | 一种高速公路交通信息采集点非等距优化布局方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150923 Termination date: 20181206 |