CN105702019A - 一种获取城市大型活动的道路限速值的方法 - Google Patents
一种获取城市大型活动的道路限速值的方法 Download PDFInfo
- Publication number
- CN105702019A CN105702019A CN201610225806.XA CN201610225806A CN105702019A CN 105702019 A CN105702019 A CN 105702019A CN 201610225806 A CN201610225806 A CN 201610225806A CN 105702019 A CN105702019 A CN 105702019A
- Authority
- CN
- China
- Prior art keywords
- road
- speed limit
- speed
- fuzzy
- fleet
- 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
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
-
- 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
- G08G1/0125—Traffic data processing
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Abstract
本发明公开了一种获取城市大型活动的道路限速值的方法,包括以下步骤:获取道路基础数据:所述道路基础数据包括道路摩阻系数道路纵坡度iv、实时车流量Q、大型车占总车流量的比例η、能见度Lv、降雨量L、正常路段大型活动车队行驶时间平均速度道路瓶颈段大型活动车队时间平均速度u、大型活动车队与车队之间距离Ls、前一车队速度V前和后一车队速度V后;根据经验公式确定道路经验限速值V经验;根据模糊神经网络确定道路模糊限速值V模糊;根据所述道路经验限速值V经验和所述道路模糊限速值V模糊确定最佳限速值V最佳。本发明避免了城市举行大型活动时交通拥堵的问题,并且无需增加道路的容量。
Description
技术领域
本发明涉及交通管理与控制技术领域,特别是涉及一种获取城市大型活动的道路限速值的方法。
背景技术
近年来,我国举办了多次城市大型活动,城市大型活动在短时间内会引起城市局部区域交通流量的急剧增加,激化交通供需矛盾,形成交通拥堵,对城市正常交通产生很大冲击。由于其造成的交通影响是短时间的,因此一般情况下,城市大型活动带来的交通影响一般不利用增加道路容量的方法来解决。系统、科学、合理地制定和实施城市大型活动交通组织管理方案是缓解城市大型活动期间供需矛盾、保证城市大型活动顺利举行的关键。而如何系统、科学、合理的制定和实施城市大型活动交通组织管理方案也是本领域技术人员急需解决的问题。
发明内容
本发明的目的是克服现有技术的不足,提供一种获取城市大型活动的道路限速值的方法,以避免城市举行大型活动时交通拥堵的问题,并且无需增加道路的容量。
本发明采用的技术方案为:一种获取城市大型活动的道路限速值的方法,包括以下步骤:
获取道路基础数据:所述道路基础数据包括道路摩阻系数道路纵坡度iv、实时车流量Q、大型车占总车流量的比例η、能见度Lv、降雨量L、正常路段大型活动车队行驶时间平均速度道路瓶颈段大型活动车队时间平均速度u、大型活动车队与车队之间距离Ls1、前一车队速度V前和后一车队速度V后;
根据经验公式确定道路经验限速值V经验;
根据模糊神经网络确定道路模糊限速值V模糊;
根据所述道路经验限速值V经验和所述道路模糊限速值V模糊确定最佳限速值V最佳;计算公式为
可选的,所述根据经验公式确定所述道路经验限速值V经验,具体包括以下步骤:
确定设计速度V0;
根据实时车流量Q和设计速度V0确定交通量修正系数f1,
根据大型车占总车流量的比例η和设计速度V0确定大型车比例修正系数f2,
根据能见度Lv和设计速度V0确定能见度修正系数f3,
确定修订系数f,修正系数f=min(f1,f2,f3);
根据修订系数f,确定道路经验限速值V经验=V0×f。
可选的,所述根据模糊神经网络确定所述道路模糊限速值V模糊的方法,包括以下步骤:
根据模糊逻辑模型确定环境修正因子w,所述环境影响因子w包括实时交通量修正因子w1,大型车比例修正因子w2,能见度修正因子w3和降雨量修正因子w4;
建立模糊神经网络模型,所述模糊神经网络模型包括输入层、隶属函数层、结果层和模糊化输出层;
经模糊神经网络模型训练、学习后获得道路模糊限速值V模糊。
可选的,所述模糊神经网络模型的模糊推理方法为:Rk:if(w1isQi)and(w2isηj)and(w3isLvk)and(w4isLl)then(RisRn),其中,i=1,2,3,4;j=1,2,3,4;k=1,2,3,4;l=1,2,3,4;n=1,2,…,256;R表示模糊方法,Rn表示第n个模糊方法。
可选的,所述模糊神经网络模型的输入层为所述环境修正因子w。
可选的,所述输入层的输入维数为4,所述模糊化输出层的神经元的个数为1。
可选的,所述的获取城市大型活动的道路限速值的方法,还包括以下步骤:
设定大型活动车队的期望车速V期望;
比较最佳速度V最佳和期望车速V期望;
当比较结果表示V最佳小于V期望,通过第一调节方法调节上游道路最佳限速和下游道路最佳限速,所述第一调节方法为:其中u上游表示上游车道实际限速,V上游表示计算得到的上游道路最佳限速,V下游表示计算得到的下游道路最佳限速;
当比较结果表示V最佳不小于V期望,所述最佳速度V最佳满足期望车速V期望。
可选的,所述方法还包括当上游车道与下游称道同时存在大型活动车队时,获取限速值的步骤包括:
获取上游车道大型活动车队与下游车道大型活动车队的车队间距Ls2;
根据第二调节方法调节上游道路最佳限速和下游道路最佳限速,所述第二调节方法为:其中u上游表示上游车道实际限速,V上游表示计算得到的上游道路最佳限速,V下游表示计算得到的下游道路最佳限速,t安表示安全距离时间。
可选的,所述安全距离时间t安=10s。
本发明的有益效果:
本发明通过经验公式法和模糊神经网络控制法相结合的方式获取大型活动车队道路的限速值,经验公式法本身具有局限性,是根据经验公式来确定限速值,该限速值与实际需求的限速值相差加大,不能满足大型活动车队车速的要求。而模糊神经网络控制法得到的限速值是根据设定模糊推理方法训练、学习后得到的,相比经验公式法获得的限速值更加符合实际道路要求,但是利用模糊神经网络控制法获得限速值也存在与实际需求的限速值有偏差的问题,本发明将两者结合起来相互弥补不足,使获得的限速值更能满足实际大型活动车队对限速值的要求,使得大型活动车队能够顺畅行驶,减轻了道路的负担。
附图说明
图1为本发明的模糊神经网络结构图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步说明。
一种获取城市大型活动的道路限速值的方法,包括以下步骤:
获取道路基础数据:所述道路基础数据包括道路摩阻系数道路纵坡度iv、实时车流量Q、大型车占总车流量的比例η、能见度Lv、降雨量L、正常路段大型活动车队行驶时间平均速度道路瓶颈段大型活动车队时间平均速度u、大型活动车队与车队之间距离Ls1、前一车队速度V前和后一车队速度V后;
根据经验公式确定道路经验限速值V经验;
根据模糊神经网络确定道路模糊限速值V模糊;
根据所述道路经验限速值V经验和所述道路模糊限速值V模糊确定最佳限速值V最佳;计算公式为
本实施方式中的道路为城市快速路,当然该道路也可以是其他道路。
本发明通过经验公式法和模糊神经网络控制法相结合的方式获取大型活动车队道路的限速值,经验公式法本身具有局限性,是根据经验公式来确定限速值,该限速值与实际需求的限速值相差加大,不能满足大型活动车队车速的要求。而模糊神经网络控制法得到的限速值是根据设定模糊推理方法训练、学习后得到的,相比经验公式法获得的限速值更加符合实际道路要求,但是利用模糊神经网络控制法获得限速值也存在与实际需求的限速值有偏差的问题,本发明将两者结合起来相互弥补不足,使获得的限速值更能满足实际大型活动车队对限速值的要求,使得大型活动车队能够顺畅行驶,减轻了道路的负担。
作为一种可选的实施方式,根据经验公式确定道路经验限速值V经验的方法包括以下步骤:
确定设计速度V0;
根据实时车流量Q和设计速度V0确定交通量修正系数f1,
根据大型车占总车流量的比例η和设计速度V0确定大型车比例修正系数f2,
根据能见度Lv和设计速度V0确定能见度修正系数f3,
确定修订系数f,修正系数f=min(f1,f2,f3);
根据修订系数f,确定道路经验限速值V经验=V0×f。
作为一种可选的实施方式,如图1所示,根据模糊神经网络确定道路模糊限速值V模糊的方法包括以下步骤:
根据模糊逻辑模型确定环境修正因子w,环境影响因子w包括实时交通量修正因子w1,大型车比例修正因子w2,能见度修正因子w3和降雨量修正因子w4;
建立模糊神经网络模型,模糊神经网络模型包括输入层、隶属函数层、结果层和模糊化输出层;
经模糊神经网络模型训练、学习后获得道路模糊限速值V模糊。
在本实施方式中,环境修正因子w的确定方法如下:
交通量修正因子w1确定方法为表一:
表一
大型车比例修正因子w2确定方法为表二:
表二
能见度修正因子w3确定方法为表三:
表三
降雨量修正因子w4确定方法为表四:
表四
建立限速值RBF模糊神经网络模型,模糊神经网络的第一层为输入层,输入信息传送至隶属函数层,在规则化层建立相应规则方法,得到结果层的模糊结果,最后去模糊化输出层输出精确的控制结果。模糊神经网络控制器的输入包括交通量修正影响因子、大型车比例影响因子、能见度影响因子、降雨量影响因子。模糊神经网络的模糊推理方法为:Rk:if(w1isQi)and(w2isηj)and(w3isLvk)and(w4isLl)then(RisRn),其中,i=1,2,3,4;j=1,2,3,4;k=1,2,3,4;l=1,2,3,4;n=1,2,…,256;R表示模糊方法,Rn表示第n个模糊方法。
根据模糊推理方法,可构造限速值控制系统的RBF模糊神经网络,RBF模糊神经网络模型采用如图1的网络结构,输入的维数4,隐层神经元个数在训练中自适应生成,输出层神经元个数为1,网络的输出代表总修正因子f总,通过与基准限速最大值Vmax直接相乘,获得合理限速值,经过RBF模糊神经网络控制系统训练后,网络描述了输入、输出映射规律,当神经网络学习训练结束后,即可实时针对不同情况,调整最大限速值,所得即为最合适当前环境的道路模糊限速值V模糊,与道路经验限速值V经验进行比较,去较小值计算实际最佳限速V最佳。
因此,利用本发明的方法获取的限速值是经验公式法和模糊神经网络控制法综合后得到的,该限速值更符合大型活动车队车速的要求。
作为一种可选的实施方式,还包括以下步骤:
设定大型活动车队的期望车速V期望;
比较最佳速度V最佳和期望车速V期望;
当比较结果表示V最佳小于V期望,通过第一调节方法调节上游道路最佳限速和下游道路最佳限速,第一调节方法为:其中u上游表示上游车道实际限速,V上游表示计算得到的上游道路最佳限速,V下游表示计算得到的下游道路最佳限速;
当比较结果表示V最佳不小于V期望,最佳速度V最佳满足期望车速V期望。
V最佳小于V期望时,大型活动车队在通行道路上的行驶速度不满足要求,采取减小上游道路车速、控制汇入道路车速的措施,减少上游道路以及进口匝道汇入大型活动车队通行道路的交通流,同时加快车流通过,降低道路实时交通量,提高最佳限速标准,以满足大型活动车队期望车速的要求,具体的采用第一调节方法进行调节,以使最佳限速值能够满足大型活动车队在通行道路上行驶速度的要求。
V最佳不小于V期望时,最佳限速值满足期望车速的要求,调整上游车道车速以及进口匝道车速至正常水平。
作为一种可选的实施方式,上述方法还包括当上游车道与下游称道同时存在大型活动车队时,为了控制车队间距,防止两股车队之间形成车队相接,获取限速值的步骤如下:
获取上游车道大型活动车队与下游车道大型活动车队的车队间距Ls2;
根据第二调节方法调节上游道路最佳限速和下游道路最佳限速,第二调节方法为:其中u上游表示上游车道实际限速,V上游表示计算得到的上游道路最佳限速,V下游表示计算得到的下游道路最佳限速,t安表示安全距离时间,t安=10s。
应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (9)
1.一种获取城市大型活动的道路限速值的方法,其特征在于,包括以下步骤:
步骤一:获取道路基础数据:所述道路基础数据包括道路摩阻系数道路纵坡度iv、实时车流量Q、大型车占总车流量的比例η、能见度Lv、降雨量L、正常路段大型活动车队行驶时间平均速度道路瓶颈段大型活动车队时间平均速度u、大型活动车队与车队之间距离Ls1、前一车队速度V前和后一车队速度V后;
步骤二:根据经验公式确定道路经验限速值V经验;
步骤三:根据模糊神经网络确定道路模糊限速值V模糊;
步骤四:根据所述道路经验限速值V经验和所述道路模糊限速值V模糊确定最佳限速值V最佳;计算公式为
2.根据权利要求1所述的获取城市大型活动的道路限速值的方法,其特征在于,所述步骤二根据经验公式确定所述道路经验限速值V经验,具体包括以下步骤:
确定设计速度V0;
根据实时车流量Q和设计速度V0确定交通量修正系数f1,
根据大型车占总车流量的比例η和设计速度V0确定大型车比例修正系数f2,
根据能见度Lv和设计速度V0确定能见度修正系数f3,
确定修订系数f,修正系数f=min(f1,f2,f3);
根据修订系数f,确定道路经验限速值V经验=V0×f。
3.根据权利要求1所述的获取城市大型活动的道路限速值的方法,其特征在于,所述步骤三根据模糊神经网络确定所述道路模糊限速值V模糊的方法,包括以下步骤:
根据模糊逻辑模型确定环境修正因子w,所述环境影响因子w包括实时交通量修正因子w1,大型车比例修正因子w2,能见度修正因子w3和降雨量修正因子w4;
建立模糊神经网络模型,所述模糊神经网络模型包括输入层、隶属函数层、结果层和模糊化输出层;
经模糊神经网络模型训练、学习后获得道路模糊限速值V模糊。
4.根据权利要求3所述的获取城市大型活动的道路限速值的方法,其特征在于,所述模糊神经网络模型的模糊推理方法为:Rk:if(w1isQi)and(w2isηj)and(w3isLvk)and(w4isLl)then(RisRn),其中,i=1,2,3,4;j=1,2,3,4;k=1,2,3,4;l=1,2,3,4;n=1,2,…,256;R表示模糊方法,Rn表示第n个模糊方法。
5.根据权利要求3所述的获取城市大型活动的道路限速值的方法,其特征在于,所述模糊神经网络模型的输入层为所述环境修正因子w。
6.根据权利要求5所述的获取城市大型活动的道路限速值的方法,其特征在于,所述输入层的输入维数为4,所述模糊化输出层的神经元的个数为1。
7.根据权利要求1所述的获取城市大型活动的道路限速值的方法,其特征在于,还包括以下步骤:
设定大型活动车队的期望车速V期望;
比较最佳速度V最佳和期望车速V期望;
当比较结果表示V最佳小于V期望,通过第一调节方法调节上游道路最佳限速和下游道路最佳限速,所述第一调节方法为:其中u上游表示上游车道实际限速,V上游表示计算得到的上游道路最佳限速,V下游表示计算得到的下游道路最佳限速;
当比较结果表示V最佳不小于V期望,所述最佳速度V最佳满足期望车速V期望。
8.根据权利要求1所述的获取城市大型活动的道路限速值的方法,其特征在于,所述方法还包括当上游车道与下游称道同时存在大型活动车队时,获取限速值的步骤包括:
获取上游车道大型活动车队与下游车道大型活动车队的车队间距Ls2;
根据第二调节方法调节上游道路最佳限速和下游道路最佳限速,所述第二调节方法为:其中u上游表示上游车道实际限速,V上游表示计算得到的上游道路最佳限速,V下游表示计算得到的下游道路最佳限速,t安表示安全距离时间。
9.根据权利要求8所述的获取城市大型活动的道路限速值的方法,其特征在于,所述安全距离时间t安=10s。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610225806.XA CN105702019B (zh) | 2016-04-12 | 2016-04-12 | 一种获取城市大型活动的道路限速值的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610225806.XA CN105702019B (zh) | 2016-04-12 | 2016-04-12 | 一种获取城市大型活动的道路限速值的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105702019A true CN105702019A (zh) | 2016-06-22 |
CN105702019B CN105702019B (zh) | 2018-01-02 |
Family
ID=56219793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610225806.XA Active CN105702019B (zh) | 2016-04-12 | 2016-04-12 | 一种获取城市大型活动的道路限速值的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105702019B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107067717A (zh) * | 2016-11-30 | 2017-08-18 | 北京掌行通信息技术有限公司 | 一种确定目标保障路段的方法及服务器 |
CN111311034A (zh) * | 2020-05-14 | 2020-06-19 | 中电科新型智慧城市研究院有限公司 | 道路内涝风险预测方法、装置、设备及存储介质 |
CN111880541A (zh) * | 2020-08-03 | 2020-11-03 | 中车长春轨道客车股份有限公司 | 贵重物品运输车队最优行驶速度控制系统及其方法 |
CN112977477A (zh) * | 2021-02-26 | 2021-06-18 | 江苏大学 | 一种基于神经网络的混合车车协同汇流系统和方法 |
CN113077639A (zh) * | 2021-03-30 | 2021-07-06 | 四创电子股份有限公司 | 一种基于雷达和升降式限高架的匝道智能限行控制方法 |
CN113793511A (zh) * | 2021-11-18 | 2021-12-14 | 西南交通大学 | 高速公路车辆行驶指示方法、装置、设备及可读存储介质 |
CN114038223A (zh) * | 2021-10-28 | 2022-02-11 | 东风商用车有限公司 | 一种道路限速信息的车辆众包获取方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1154389B1 (de) * | 2000-05-10 | 2004-06-02 | DaimlerChrysler AG | Verfahren zur Verkehrslagebestimmung für ein Verkehrsnetz |
CN101510357A (zh) * | 2009-03-26 | 2009-08-19 | 美慧信息科技(上海)有限公司 | 一种基于手机信号数据检测交通状态的方法 |
JP2009193212A (ja) * | 2008-02-13 | 2009-08-27 | Toshiba Corp | 道路交通情報システム |
CN102682613A (zh) * | 2012-05-14 | 2012-09-19 | 邓湘 | 一种子路段绿波诱导分流协调控制方法 |
US20130197790A1 (en) * | 2012-01-31 | 2013-08-01 | Taif University | Method and system for traffic performance analysis, network reconfiguration, and real-time traffic monitoring |
CN103366574A (zh) * | 2013-07-11 | 2013-10-23 | 上海济安交通工程咨询有限公司 | 基于车队跟驰理论的交叉口延误计算方法 |
CN103413452A (zh) * | 2013-08-21 | 2013-11-27 | 苏州路车智能电子有限公司 | 一种基于车联网的双向主动限速与超速预警系统 |
CN105118288A (zh) * | 2015-09-18 | 2015-12-02 | 青岛智能产业技术研究院 | 一种交通管理系统和方法 |
-
2016
- 2016-04-12 CN CN201610225806.XA patent/CN105702019B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1154389B1 (de) * | 2000-05-10 | 2004-06-02 | DaimlerChrysler AG | Verfahren zur Verkehrslagebestimmung für ein Verkehrsnetz |
JP2009193212A (ja) * | 2008-02-13 | 2009-08-27 | Toshiba Corp | 道路交通情報システム |
CN101510357A (zh) * | 2009-03-26 | 2009-08-19 | 美慧信息科技(上海)有限公司 | 一种基于手机信号数据检测交通状态的方法 |
US20130197790A1 (en) * | 2012-01-31 | 2013-08-01 | Taif University | Method and system for traffic performance analysis, network reconfiguration, and real-time traffic monitoring |
CN102682613A (zh) * | 2012-05-14 | 2012-09-19 | 邓湘 | 一种子路段绿波诱导分流协调控制方法 |
CN103366574A (zh) * | 2013-07-11 | 2013-10-23 | 上海济安交通工程咨询有限公司 | 基于车队跟驰理论的交叉口延误计算方法 |
CN103413452A (zh) * | 2013-08-21 | 2013-11-27 | 苏州路车智能电子有限公司 | 一种基于车联网的双向主动限速与超速预警系统 |
CN105118288A (zh) * | 2015-09-18 | 2015-12-02 | 青岛智能产业技术研究院 | 一种交通管理系统和方法 |
Non-Patent Citations (2)
Title |
---|
吴彪 等: "高速公路施工区提前警告区域限速方案风险评价", 《合肥工业大学学报( 自然科学版)》 * |
陈敏: "公路限速值控制探析", 《科技与创新》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107067717A (zh) * | 2016-11-30 | 2017-08-18 | 北京掌行通信息技术有限公司 | 一种确定目标保障路段的方法及服务器 |
CN111311034A (zh) * | 2020-05-14 | 2020-06-19 | 中电科新型智慧城市研究院有限公司 | 道路内涝风险预测方法、装置、设备及存储介质 |
CN111880541A (zh) * | 2020-08-03 | 2020-11-03 | 中车长春轨道客车股份有限公司 | 贵重物品运输车队最优行驶速度控制系统及其方法 |
CN111880541B (zh) * | 2020-08-03 | 2022-08-26 | 中车长春轨道客车股份有限公司 | 贵重物品运输车队最优行驶速度控制系统及其方法 |
CN112977477A (zh) * | 2021-02-26 | 2021-06-18 | 江苏大学 | 一种基于神经网络的混合车车协同汇流系统和方法 |
CN112977477B (zh) * | 2021-02-26 | 2022-03-22 | 江苏大学 | 一种基于神经网络的混合车车协同汇流系统和方法 |
CN113077639A (zh) * | 2021-03-30 | 2021-07-06 | 四创电子股份有限公司 | 一种基于雷达和升降式限高架的匝道智能限行控制方法 |
CN114038223A (zh) * | 2021-10-28 | 2022-02-11 | 东风商用车有限公司 | 一种道路限速信息的车辆众包获取方法及系统 |
CN114038223B (zh) * | 2021-10-28 | 2023-01-03 | 东风商用车有限公司 | 一种道路限速信息的车辆众包获取方法及系统 |
CN113793511A (zh) * | 2021-11-18 | 2021-12-14 | 西南交通大学 | 高速公路车辆行驶指示方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105702019B (zh) | 2018-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105702019A (zh) | 一种获取城市大型活动的道路限速值的方法 | |
WO2020259074A1 (zh) | 一种基于大数据的交通拥堵预测系统、方法及存储介质 | |
CN103895649B (zh) | 一种驾驶员安全驾驶预警方法 | |
CN107331182A (zh) | 一种面向连续信号交叉口的网联环境下自动驾驶车速控制方法 | |
CN103496368B (zh) | 具有学习能力的汽车协同式自适应巡航控制系统及方法 | |
CN102360522B (zh) | 一种高速公路优化控制方法 | |
CN105678034B (zh) | 行人过街时间模型及信号交叉口人行横道宽度优化方法 | |
CN105761517B (zh) | 一种信号灯配时方法 | |
CN103996078B (zh) | 电动汽车集群充放电优化控制方法 | |
CN107146412A (zh) | 一种基于车联网的高速公路车辆防碰撞预警综合变量构建方法 | |
CN108898858A (zh) | 一种过饱和交通状态下连续交叉口的信号协调控制方法 | |
CN106816008A (zh) | 一种道路拥堵预警及拥堵形成时间预测方法 | |
CN108597235A (zh) | 基于交通视频数据的交叉口信号参数优化及效果评估方法 | |
CN106530757B (zh) | 一种高架匝道智能信号调控方法 | |
CN111028504A (zh) | 一种城市快速路智慧交通管控方法和系统 | |
CN107832517A (zh) | 基于相对运动关系的acc纵向运动学建模方法 | |
WO2023010778A1 (zh) | 一种电动汽车集成充电智能趋优方法及其系统 | |
CN110371163A (zh) | 考虑全路段环境及人为因素的列车自动驾驶预测控制方法 | |
CN107945544A (zh) | 一种基于动态车流量分配红绿灯的人工智能系统 | |
CN106875734A (zh) | 一种推送停车路线的方法及装置 | |
CN111857340A (zh) | 一种多因素融合的人机共驾驾驶权分配方法 | |
CN109353329A (zh) | 一种混合动力汽车的控制方法及装置 | |
CN105931463B (zh) | 基于交通场面雷达的路段交通运行指数计算方法 | |
CN113763706B (zh) | 一种考虑智能车队的道路阻抗函数计算方法 | |
CN107680393A (zh) | 一种基于时变论域的十字路口交通信号灯的智能控制方法 |
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 |