CN105679025B - 一种基于可变权重混合分布的城市干道行程时间估计方法 - Google Patents

一种基于可变权重混合分布的城市干道行程时间估计方法 Download PDF

Info

Publication number
CN105679025B
CN105679025B CN201610094870.9A CN201610094870A CN105679025B CN 105679025 B CN105679025 B CN 105679025B CN 201610094870 A CN201610094870 A CN 201610094870A CN 105679025 B CN105679025 B CN 105679025B
Authority
CN
China
Prior art keywords
mrow
msub
arterial highway
distribution
arterial
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
Application number
CN201610094870.9A
Other languages
English (en)
Other versions
CN105679025A (zh
Inventor
陈鹏
王云鹏
余贵珍
于海洋
鹿应荣
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.)
Beihang University
Original Assignee
Beihang 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 Beihang University filed Critical Beihang University
Priority to CN201610094870.9A priority Critical patent/CN105679025B/zh
Publication of CN105679025A publication Critical patent/CN105679025A/zh
Application granted granted Critical
Publication of CN105679025B publication Critical patent/CN105679025B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于可变权重混合分布的城市干道行程时间估计方法，属于智能交通技术领域。所述方法，对目标研究区域中的干道采集干道行程时间参数，预处理并检验各时段内干道行程时间分布形式，建立固定权重的高斯混合分布模型，确定最优组分数目K；对于交叉口和路段，采集各流向流量及信号控制参数并进行预处理后，建立具有K个组分的混合分布权重系数Logistic函数；然后构建可变权重混合分布模型，估计可变权重混合分布模型中的未知参数，最后进行干道行程时间分布估计和可靠性服务水平评估。本发明相比以往单一分布函数及固定权重混合分布模型，克服了移植性、适应性差等缺点，可以对干道行程时间分布实现更加准确的估计与可靠性评价。

Description

一种基于可变权重混合分布的城市干道行程时间估计方法
技术领域
本发明属于智能交通技术领域，具体是指一种基于可变权重混合分布的城市干道行程时间估计方法，可以应用于描述和理解城市干道行程时间分布特征，估计不同交通状况、信号控制条件下的行程时间分布，评价干道行程时间达到预期值的概率及可靠性服务水平。
背景技术
行程时间作为表征交通供需作用、刻画城市交通运行质量最为直观的指标，历来为交通出行者和交通管理部门所重视。随着城市化进程的加快、交通供需矛盾的日益激化，出行者不仅要求缩短行程时间，更期望能减少行程时间的可变性，准时到达目的地；另一方面，交通管理部门期望通过科学合理的设施建设与管控策略，提高行程时间的可靠性，进而为出行者提供更为稳定的交通服务。
与高/快速路连续交通流不同，城市干道间断交通流运行特征更为复杂。由于受到信号灯的“开关控制”，干道交通流始终处于压缩或离散交替转换的状态，呈现高度的动态、随机、复杂性，其行程时间的评估相对困难。
现有研究大多以设计评价指标、应用统计概率分布函数对行程时间可靠性进行“静态”评价为主。单一分布函数包括正态分布，对数正态分布，伽马分布，Weibull分布及指数分布等，混合分布函数可用于拟合多峰、多模式的行程时间分布。然而，由于缺乏对随机动态交通流与信号控制作用机制的解析，传统方法并不适用于干道行程时间分布及可靠性评估。
因此，有必要在动态交通需求、静态交通供给及交通信号控制条件下，开发具有可移植、适应性强的干道行程时间分布评估模型，对干道运行质量进行更加准确、全面的评价，为精细化交通管理与控制、服务出行决策提供理论依据与技术支撑。
发明内容
本发明的目的是提出一种基于可变权重混合分布的城市干道行程时间估计方法，与传统固定权重的混合分布模型不同，在确定概率分布函数组分数目的基础上，通过建立行程时间混合分布权重系数与路段交通流量、信号控制参数的函数关系，实现考虑动态交通流与信号控制作用机制的干道行程时间评估。本发明的技术方案如下：
一种基于可变权重混合分布的城市干道行程时间估计方法，包括下列步骤：
第一步，确定目标研究区域。
所述的目标研究区域包括干道、交叉口和路段，对于干道，执行第二步，对于交叉口执行第三步。
第二步，对于干道，采集干道行程时间参数，预处理并检验各时段内干道行程时间分布形式，建立固定权重的高斯混合分布模型，确定最优组分数目K。
第三步，对于交叉口和路段，采集各流向流量及信号控制参数并进行预处理后，建立具有K个组分的混合分布权重系数Logistic函数。
第四步，构建可变权重混合分布模型。
第五步，估计可变权重混合分布模型中的未知参数。
第六步，干道行程时间分布估计和可靠性服务水平评估。
本发明的优点在于：
本发明提出的基于可变权重混合分布的城市干道行程时间估计方法，相比以往单一分布函数及固定权重混合分布模型，克服了移植性、适应性差等缺点；根据实测干道行程时间分布的多峰、多模式变化特征，建立交通流量、信号控制参数与各组分行程时间分布权重的直接联系，从本质上解析干道行程时间分布与信号控制下间断交通流的内在关联，进而对干道行程时间分布实现更加准确的估计与可靠性评价。
附图说明
图1是本发明的方法流程图；
图2a～2d分别为四个时段内某干道行程时间混合分布拟合示意图；
图3实施例给出的可靠性服务水平示意图(以LOS＝C为例)。
具体实施方式
下面将结合附图和实施例对本发明作进一步的详细说明。
本发明提供一种基于可变权重混合分布的城市干道行程时间估计方法，流程如图1所示，主要包括以下几个步骤：
第一步，确定目标研究区域：所述的研究区域包括干道、交叉口与路段。对于干道，执行第二步，对于交叉口和路段，执行第三步。
第二步，对于干道，利用移动型检测器(如浮动车)或固定点检测器(如车牌识别与匹配系统)，采集通行车辆的干道行程时间数据，并对采集的干道行程时间数据进行预处理，过滤剔除异常数据。
根据预处理后的干道行程时间数据，检验各时段内干道行程时间分布形式，识别多峰、多模式的变化特征。
采用固定权重的高斯混合分布函数，检验行程时间分布组分，即具有不同特征的高斯分布数目，根据AIC准则筛选最优组分数目K；具体为：
根据预处理后的干道行程时间数据，首先采用固定权重的高斯混合分布函数，筛选具有不同特征的高斯分布数目；
具有K个组分的固定权重的混合分布函数的模型形式为：
其中，f(y)为具有固定权重混分分布的干道行程时间y密度分布函数，πk＝(π1,π2,...πK)为各组分对应的权重向量，且fk(y)为第k个组分的密度分布函数，根据实际情况可选择高斯分布、对数正态分布等函数形式。
使用最大似然估计对混合分布函数模型进行拟合，即，
其中，L为固定权重混合分布函数的最大似然函数，Ti为第i个干道行程时间观测值，N为干道行程时间观测值总数，f(Ti|y)为给定干道行程时间密度分布函数f(y)时观测值Ti对应的概率，fk(Ti|y)为给定干道行程时间第k个组分密度分布函数fk(y)时观测值Ti对应的概率；考虑到计算效率，采用最大期望算法对权重向量πk＝(π1,π2,...πK)进行估计，并根据AIC准则筛选最优组分数目K。
第三步，对于交叉口，利用固定点检测器或者人工调查，采集研究时段内各流向流量及信号控制参数(如信号周期、红灯时长、绿灯时长)；并对采集的各流向流量及信号控制参数进行预处理，包括对于缺失数据，根据动态交通流特征，采用相邻时段及路段的实测数据进行补足的预处理。
根据预处理后的交叉口各流向流量及信号控制参数数据，确定干道直行流量与连续交叉口直行红灯时长。
以干道直行流量和连续交叉口直行红灯时长为权重系数，建立具有K个组分的混合分布权重系数Logistic函数，具体为：
构建K个组分对应的权重向量πk＝(π1,π2,...πK)的多元Logistic函数，即，
或
其中，z0为包括干道直行流量z0,1及连续交叉口直行红灯时长z0,2的解释变量，αk T＝(α0,k,α1,k,α2,k)为待估计参数。
第四步，构建可变权重混合分布模型，具体为：
其中，f(yi)为具有可变权重混合分布的干道行程时间yi密度分布函数，πk＝(π1,π2,...πK)为各组分对应的权重向量，且fk(yi)为第k个组分的密度分布函数。
第k个组分的密度分布函数fk(yi)依赖于分布的参数θk及其解释变量xk，即fk(yi)＝fk(yi|θk,xk)；假设参数θk及其解释变量xk为线性函数关系，即：
θk＝γ0k+γk T·xk (5)
其中，γ0k与γk为待估计常数，解释变量xk的选取主要依赖于干道连续交叉口直行红灯时长z0,2。
参见图2a～图2d为根据某干道各时段行程时间分布数据，图2a～2d代表的时段分别为4～5AM、7～8AM、9～10AM和10～11AM，组分K＝2，μ1为第一个组分均值，R为干道连续交叉口直行红灯时长。识别K＝2个组分的分布均值为干道连续交叉口直行红灯时长的函数。
综上，可变权重混合分布模型可表示为：
第五步，估计可变权重混合分布模型中的未知参数：采用最大期望算法对可变权重混合分布模型中的未知参数进行估计。所述的位置参数包括αk、γ0k及γk。
第六步，干道行程时间分布估计和可靠性服务水平评估。
对于给定评估时段，运用构建的可变权重混合分布模型估计干道行程时间分布。
根据干道行程时间分布，采用可靠性服务水平评价指标RLOS，(对出行者)有效评价干道行程时间达到预期值的概率，(对交通管理者)表征干道交通流达到某种服务水平的可靠程度。
对于不同服务水平，定义合理的期望行程时间上限，如图3所示；行程时间可靠性服务水平的计算方法可以表示为RLOS(yi)＝Pr{yi≤TLOS}，TLOS∈{TA,TB,TC,TD,TE,TF}；其中，RLOS表示行程时间可靠性服务水平，用0～100％之间的百分数表示；yi为干道行程时间；TLOS表示不同等级可靠性服务水平下的期望行程时间上限，可靠性服务水平共分为A、B、C、D、E、F六个等级，对应六个期望形成时间上限TA、TB、TC、TD、TE和TF。具体的期望行程时间和可靠性服务水平的划分标准结合道路等级确定。

Claims (5)

1.一种基于可变权重混合分布的城市干道行程时间估计方法，其特征在于：包括下列步骤，
第一步，确定目标研究区域；
所述的目标研究区域包括干道、交叉口和路段，对于干道，执行第二步，对于交叉口执行第三步；
第二步，对于干道，采集干道行程时间参数，预处理并检验各时段内干道行程时间分布形式，建立固定权重的高斯混合分布模型，确定最优组分数目K；
具有K个组分的固定权重的混合分布函数的模型形式为：
<mrow> <mi>f</mi> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </msubsup> <msub> <mi>&amp;pi;</mi> <mi>k</mi> </msub> <msub> <mi>f</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
其中，f(y)为具有固定权重混分分布的干道行程时间y密度分布函数，πk＝(π1,π2,...πK)为各组分对应的权重向量，且fk(y)为第k个组分的密度分布函数；
使用最大似然估计对混合分布函数模型进行拟合，即，
<mrow> <mi>L</mi> <mo>=</mo> <msubsup> <mi>&amp;Pi;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </msubsup> <mi>f</mi> <mrow> <mo>(</mo> <msub> <mi>T</mi> <mi>i</mi> </msub> <mo>|</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>&amp;Pi;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </msubsup> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </msubsup> <msub> <mi>&amp;pi;</mi> <mi>k</mi> </msub> <msub> <mi>f</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>T</mi> <mi>i</mi> </msub> <mo>|</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
其中，L为固定权重混合分布函数的最大似然函数，Ti为第i个干道行程时间观测值，N为干道行程时间观测值总数，f(Ti|y)为给定干道行程时间密度分布函数f(y)时观测值Ti对应的概率，fk(Ti|y)为给定干道行程时间第k个组分密度分布函数fk(y)时观测值Ti对应的概率；考虑到计算效率，采用最大期望算法对权重向量πk＝(π1,π2,...πK)进行估计，并根据AIC准则筛选最优组分数目K；
所述的密度分布函数为高斯分布或对数正态分布形式；
第三步，对于交叉口和路段，采集各流向流量及信号控制参数并进行预处理后，建立具有K个组分的混合分布权重系数Logistic函数；
第四步，构建可变权重混合分布模型；
第五步，估计可变权重混合分布模型中的未知参数；
第六步，干道行程时间分布估计和可靠性服务水平评估。
2.根据权利要求1所述的一种基于可变权重混合分布的城市干道行程时间估计方法，其特征在于：所述的干道行程时间数据的采集采用移动型检测器或固定点检测器。
3.根据权利要求1所述的一种基于可变权重混合分布的城市干道行程时间估计方法，其特征在于：第三步中所述的预处理是指，对于缺失数据，根据动态交通流特征，采用相邻时段及路段的实测数据进行补足的预处理。
4.根据权利要求1所述的一种基于可变权重混合分布的城市干道行程时间估计方法，其特征在于：第三步中所述的K个组分对应的权重向量πk＝(π1,π2,...πK)的多元Logistic函数为：
或
其中，z0为包括干道直行流量z0,1及连续交叉口直行红灯时长z0,2的解释变量，αk T＝(α0,k,α1,k,α2,k)为待估计参数。
5.根据权利要求1所述的一种基于可变权重混合分布的城市干道行程时间估计方法，其特征在于：所述的可变权重混合分布模型，具体为：
<mrow> <mi>f</mi> <mrow> <mo>(</mo> <msub> <mi>y</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </msubsup> <msub> <mi>&amp;pi;</mi> <mi>k</mi> </msub> <msub> <mi>f</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>y</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
其中，f(yi)为具有可变权重混合分布的干道行程时间yi密度分布函数，πk＝(π1,π2,...πK)为各组分对应的权重向量，且fk(yi)为第k个组分的密度分布函数；
第k个组分的密度分布函数fk(yi)依赖于分布的参数θk及其解释变量xk，即fk(yi)＝fk(yi|θk,xk；)假设参数θk及其解释变量xk为线性函数关系，即：
θk＝γ0k+γk T·xk (5)
其中，γ0k与γk为待估计常数，解释变量xk的选取主要依赖于干道连续交叉口直行红灯时长z0,2；
因此，所述的可变权重混合分布模型进一步表示为：
<mrow> <mi>f</mi> <mrow> <mo>(</mo> <msub> <mi>y</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </munderover> <msub> <mi>&amp;pi;</mi> <mi>k</mi> </msub> <msub> <mi>f</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mi>y</mi> <mo>|</mo> <msub> <mi>&amp;theta;</mi> <mi>k</mi> </msub> <mo>,</mo> <msub> <mi>x</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </munderover> <mfrac> <mrow> <mi>exp</mi> <mrow> <mo>(</mo> <msup> <msub> <mi>&amp;alpha;</mi> <mi>k</mi> </msub> <mi>T</mi> </msup> <msub> <mi>z</mi> <mn>0</mn> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </munderover> <mi>exp</mi> <mrow> <mo>(</mo> <msup> <msub> <mi>&amp;alpha;</mi> <mi>k</mi> </msub> <mi>T</mi> </msup> <msub> <mi>z</mi> <mn>0</mn> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <msub> <mi>f</mi> <mi>k</mi> </msub> <mo>,</mo> <mrow> <mo>(</mo> <mi>y</mi> <mo>|</mo> <msub> <mi>&amp;theta;</mi> <mi>k</mi> </msub> <mo>=</mo> <msub> <mi>&amp;gamma;</mi> <mrow> <mn>0</mn> <mi>k</mi> </mrow> </msub> <mo>+</mo> <msup> <msub> <mi>&amp;gamma;</mi> <mi>k</mi> </msub> <mi>T</mi> </msup> <mo>&amp;CenterDot;</mo> <msub> <mi>x</mi> <mi>k</mi> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> <mo>.</mo> </mrow> 2
CN201610094870.9A 2016-02-22 2016-02-22 一种基于可变权重混合分布的城市干道行程时间估计方法 Active CN105679025B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610094870.9A CN105679025B (zh) 2016-02-22 2016-02-22 一种基于可变权重混合分布的城市干道行程时间估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610094870.9A CN105679025B (zh) 2016-02-22 2016-02-22 一种基于可变权重混合分布的城市干道行程时间估计方法

Publications (2)

Publication Number Publication Date
CN105679025A CN105679025A (zh) 2016-06-15
CN105679025B true CN105679025B (zh) 2017-11-28

Family

ID=56305835

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610094870.9A Active CN105679025B (zh) 2016-02-22 2016-02-22 一种基于可变权重混合分布的城市干道行程时间估计方法

Country Status (1)

Country Link
CN (1) CN105679025B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106248096B (zh) * 2016-09-29 2019-08-27 百度在线网络技术（北京）有限公司 路网权重的获取方法和装置
CN108399741B (zh) * 2017-10-17 2020-11-27 同济大学 一种基于实时车辆轨迹数据的交叉口流量估计方法
CN109118774B (zh) * 2018-09-30 2020-04-21 东南大学 一种基于浮动车检测器数据的固定检测器数据匹配新算法
CN109637143B (zh) * 2019-01-22 2021-06-11 江苏智通交通科技有限公司 改进的行程时间可靠性分析方法
CN109800916B (zh) * 2019-01-23 2021-04-23 山东省交通规划设计院有限公司 一种高速公路服务区驶入车流量的建模方法
CN109859467B (zh) * 2019-01-30 2020-11-10 银江股份有限公司 一种交通模型中环境影响因子的挖掘分析方法
CN110634298A (zh) * 2019-10-17 2019-12-31 上海理工大学 一种两相位信号控制交叉口交通效率可靠性的估计方法
CN111192454B (zh) * 2020-01-07 2021-06-01 中山大学 基于行程时间演化的交通异常识别方法、系统及存储介质
CN113379233B (zh) * 2021-06-08 2023-02-28 重庆大学 一种基于高阶矩的行程时间可靠性估计方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102637357A (zh) * 2012-03-27 2012-08-15 山东大学 一种区域交通状态评价方法
CN103413263A (zh) * 2013-08-28 2013-11-27 北京交通发展研究中心 旅行时间指数熵交通运行评价方法
CN103824126A (zh) * 2014-02-17 2014-05-28 株洲南车时代电气股份有限公司 交通拥堵情况分析系统
CN104574968A (zh) * 2015-01-19 2015-04-29 浙江大学 一种临界交通状态参数的确定方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101105446B1 (ko) * 2010-05-12 2012-01-17 한국항공대학교산학협력단 검지체계간의 데이터 퓨전을 통한 실시간 통행시간 산정방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102637357A (zh) * 2012-03-27 2012-08-15 山东大学 一种区域交通状态评价方法
CN103413263A (zh) * 2013-08-28 2013-11-27 北京交通发展研究中心 旅行时间指数熵交通运行评价方法
CN103824126A (zh) * 2014-02-17 2014-05-28 株洲南车时代电气股份有限公司 交通拥堵情况分析系统
CN104574968A (zh) * 2015-01-19 2015-04-29 浙江大学 一种临界交通状态参数的确定方法

Also Published As

Publication number Publication date
CN105679025A (zh) 2016-06-15

Similar Documents

Publication Publication Date Title
CN105679025B (zh) 一种基于可变权重混合分布的城市干道行程时间估计方法
CN104778834B (zh) 一种基于车辆gps数据的城市道路交通拥堵判别方法
CN108629974B (zh) 顾及城市道路交通网络特征的交通运行指数建立方法
CN104809112B (zh) 一种基于多源数据的城市公交发展水平综合评价方法
CN104575051B (zh) 一种基于阵列雷达的高架匝道智能信号控制方法及装置
CN108256714A (zh) 一种基于车联网大数据的行车轨迹实时风险评估模型
CN105321347A (zh) 一种分层次的路网交通拥堵评价方法
CN104574968B (zh) 一种临界交通状态参数的确定方法
CN103984994B (zh) 一种城市轨道交通客流高峰持续时间预测方法
CN106205156A (zh) 一种针对部分车道车流突变的交叉口自愈合控制方法
CN102637357A (zh) 一种区域交通状态评价方法
CN108959821A (zh) 一种高速公路收费站可变向车道通行控制方法
CN109887289A (zh) 一种城市交通网络模型的网络车流量最大化方法
CN109785618A (zh) 一种基于组合逻辑的短时交通流预测方法
CN107240264B (zh) 一种车辆非有效行驶轨迹识别方法和城市道路设施规划方法
Zou et al. Use of skew-normal and skew-t distributions for mixture modeling of freeway speed data
CN111341095A (zh) 一种基于边缘侧在线计算的交通信号控制系统及方法
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
CN106448165B (zh) 一种基于网络约租车数据的路网行程时间可靠性评价方法
CN106530709B (zh) 一种面向用户的高速公路交通指数发布系统
CN106651181A (zh) 网络化运营条件下的公交客流拥塞风险评价方法
CN106021902A (zh) 一种用于城市轨道交通客流拥挤指数的分级方法
CN110197335A (zh) 一种基于概率od分布模型的下车站点人数计算方法
CN106781464A (zh) 一种道路拥堵情况测试方法
CN110119790A (zh) 基于计算机视觉的共享单车数量统计和密度估计的方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant