CN106408943A - 一种基于宏观基本图的路网交通拥堵甄别方法 - Google Patents
一种基于宏观基本图的路网交通拥堵甄别方法 Download PDFInfo
- Publication number
- CN106408943A CN106408943A CN201611022603.7A CN201611022603A CN106408943A CN 106408943 A CN106408943 A CN 106408943A CN 201611022603 A CN201611022603 A CN 201611022603A CN 106408943 A CN106408943 A CN 106408943A
- Authority
- CN
- China
- Prior art keywords
- traffic
- vehicle number
- road network
- zone
- congestion
- 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.)
- Pending
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
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Abstract
本发明公开了一种基于宏观基本图的路网交通拥堵甄别方法,包括步骤:1)对路网进行交通小区划分;2)绘制各交通小区的宏观基本图;3)在宏观基本图上界定拥堵等级临界点,定义交通拥堵状态;4)判断各交通小区的拥堵等级;5)拥堵状态输出。本发明提出的方法涉及数据量小、数据处理简单、拥堵状态甄别速度快,可适用于不同范围大小的区域拥堵状态的判别,也可以通过灵活地合并和分解交通小区,快速变化拥堵甄别的范围。
Description
技术领域
本发明涉及城市路网交通拥堵甄别领域,尤其是指一种基于宏观基本图的路网交通拥堵甄别方法。
背景技术
随着城市交通网络规模的不断扩大和交通流量的日益增加,交通拥堵成为各大城市的通病。如何快速有效地甄别路网交通拥堵状态是缓解交通拥堵的关键问题,对出行者来说,实时的道路交通状况信息,可为出行者的出行决策提供参考依据;对交通管理者来说,路网状态甄别有利于快速准确地找到拥堵发生源,从而及时采取管理措施以防止拥堵在时间和空间上进一步扩散。传统的交通状态识别方法主要是采用一些如加州系列算法、McMaster算法、标准偏差(SND)算法、贝叶斯(Bayes)算法和双指数平滑(DES)算法等相关算法来计算所需的交通数据,并通过比较这些数值与事先确定的阈值的大小关系来判断路段拥堵的状态;巫威眺等根据交通流的复杂性,提出了一种基于BP神经网络的道路交通状态判别方法;于荣等构建了城市道路交通单车道流量、平均速度、占有率的三维参数体系,并根据该指标将道路交通划分为堵塞流、拥挤流、平稳流和顺畅流,在MATLAB平台下进行SVM算法实验分析,实现了道路交通状态分类识别;张晓燕等从常发性拥堵的时空特性角度出发,建立拥堵阈值、时段拥堵时长比和常发频度3级判别指标,并运用GIS技术,结合指标体系设计了常发性拥堵时空分布的筛选平台,实现了对常发性拥堵路段进行识别;江龙晖等利用行程速度变化率对交通运行状态的不同等级设定阈值,通过比较实际行程速度变化率与阈值来确定道路路段的运行状态;李佳等提出一种基于图形图像的方法来实现对交通拥堵状态的识别,对图像进行一系列交通流图像实施的处理操作,并进行了基于权值的交通流占有率和交通流量统计得的综合评价,因此可以在能够迅速抓拍下实时数据图像的条件下进行实时的路段车辆拥堵状态的识别;叶卿提出了一种基于朴素贝叶斯决策的信号控制交叉口拥堵识别方法,将交通流量、占有率和排队长度比作为判别参数,通过学习在畅通、拥挤和拥堵三种状态下的历史数据,生成贝叶斯分类器,然后利用分类器对实时采集到的数据进行分类,从而识别交叉口的交通状态。
由上所述,目前的交通拥堵状态识别技术存在以下几点不足:第一,目前的交通拥堵状态判断主要是针对交叉口或者道路路段,反应的是交叉口或者路段的拥堵情况,不足以代表整个路网的交通状况;第二,交通状态等级的划分缺乏系统性,仅仅作了简单的统计和平均,难以反映各个交叉口、路段之间的关联性和整体性;第三,目前拥堵状态评价指标大多采用速度、占有率、饱和度等需要经过计算处理的指标,其获取过程复杂,不能达到快速甄别的效果且可靠性降低。
宏观基本图是道路网络的基本属性,能够直观、准确地反映交通流变化规律,并且任意规模的路网都拥有自己的较为稳定的宏观基本图。本发明使用的宏观基本图只涉及流出网络的车辆数和网络内的车辆数这两个参数指标,而这两个参数是经检测器获得的最原始的数据,其可信度更高,并且它的可直接检测的性质也保证了它的可实用性。基于此,提出一种基于宏观基本图的路网交通拥堵甄别方法,本发明弥补了过去交通状态判别法在路网方面应用的局限性,同时加快了拥堵甄别的速度,达到了交通状态判别的实时性。
发明内容
本发明的目的在于克服过去交通状态判别法在路网交通拥堵判别方面的不足,提供一种基于宏观基本图的路网交通拥堵甄别方法,该方法可以加快路网交通拥堵甄别的速度,快速有效地甄别出路网交通拥堵现状,为交通发展提供参考,对交通管理和拥堵防控提供支持,适用不同范围大小的区域,既可以甄别网络整体的拥堵状态,也可以输出各个小区的交通拥堵状态;可通过小区合并和拆分获得不同范围的交通拥堵情况,在交通管理和控制方面应用范围较广。
为实现上述目的,本发明所提供的技术方案为:一种基于宏观基本图的路网交通拥堵甄别方法,包括以下步骤:
1)对路网进行交通小区划分;
2)绘制各交通小区的宏观基本图;
3)在宏观基本图上界定拥堵等级临界点,定义交通拥堵状态;
4)判断各交通小区的拥堵等级;
5)拥堵状态输出。
所述步骤1)包括以下内容:
1.1)确定交通小区基本特征边界值:包括小区面积的最大值与最小值、小区内交叉口数目等。
1.2)交通小区划分:可以由专业技术人员根据交通小区特征要求和经验进行划分,也可以应用其他软件进行辅助划分。但为了进一步与交通管理和控制衔接,交通小区需具备以下特征:①小区内部交叉口应该互为连通;②小区外形应为凸,不应出现内嵌的情况;③小区内交叉口应具有较大的交通关联性。
所述步骤2)包括以下内容:
2.1)收集数据:在各交通小区的进出口处布设交通检测器,能够实时记录驶入小区和驶出小区的车辆数;
2.2)绘制宏观基本图:该图为路网内车辆数与驶出路网的车辆数的关系图,图中横坐标表示路网内车辆数,纵坐标表示驶出路网的车辆数,此关系图会呈现较为明显的三段变化趋势,当路网内车辆数较少,随着驶入路网车辆数的增加,驶出路网的车辆数随之增加,呈现上升趋势;当驶入路网的车辆数增加到一定值,驶出路网的车辆数在小范围内维持在最大值上,呈现水平趋势;当驶入路网车辆数继续增加到一定值,驶出路网的车辆数开始逐渐减少,呈现下降趋势;如果实地检测器数据无法覆盖宏观基本图的三段变化趋势,可以通过路网交通仿真补充相应数据。
所述步骤3)包括以下内容:
3.1)通过步骤2)获得的各交通小区的宏观基本图散点图进行分段线性拟合,分别为:上升段、持续段和下降段。
3.2)定义上升段和持续段拟合直线交点为B,其对应的横坐标(路网内车辆数)为b;
3.3)定义持续段和下降段拟合直线交点为C,其对应的横坐标(路网内车辆数)为c;
3.4)定义宏观基本图中上升段(A-B),即路网内车辆数在0到b之间(包括0)为交通畅行状态;
3.5)定义宏观基本图中持续段(B-C),即路网内车辆数在b到c之间(包括b)为交通轻微拥堵状态;
3.6)定义宏观基本图中下降段(C-D),即路网内车辆数大于等于c为交通严重拥堵状态,;
所述步骤4)包括以下内容:
4.1)通过各交通小区进出口处检测器测定车辆数,计算得到t时段路网内车辆数nt;
其中,nt—表示t时段检测区域内车辆数;nt-1—表示t-1时段检测区域内车辆数;—表示t时段进入检测区域的总车辆数;—表示t时段驶出检测区域的总车辆数,包括已到达目的地的车辆数;—表示t时段检测区域第i个进口道处检测器检测到车辆数;—表示t时段检测区域第i个出口道处检测器检测到的车辆数;m—表示检测区域进/出口道的个数;
4.2)根据路网内车辆数nt,结合其对应的宏观基本图,判定交通拥堵等级L。当路网内车辆数满足0≤n<b,则交通处于畅行状态;当路网内车辆数满足b≤n<c,则交通处于轻微拥堵状态;当路网内车辆数满足n≥c,则交通处于严重拥堵状态,即:
所述步骤5)包括以下内容:
5.1)用不同颜色定义交通畅行状态、轻微拥堵状态、严重拥堵状态;
5.2)在整个路网图中输出各交通小区的拥堵状态;
5.3)当研究范围变大或缩小,通过对路网内的交通小区适当进行合并与分离组建新的交通小区,根据已有的检测数据,重新绘制新的交通小区的宏观基本图,采用同样的方法进行拥堵状态判别,对于研究区域总的拥堵状态判别可将整个研究区域内各交通小区合并成一个交通小区进行分析判断。
本发明与现有技术相比,具有如下优点与有益效果:
1.本发明提出了应用检测数据,根据宏观基本图判断交通状态的方法,提出了基于不同研究范围的交通拥堵状态输出模式。本发明仅需利用小区边界车流量检测数据,数据采集量小,易于实现;
2.本发明可利用检测数据直接判断路网的运行状态,数据处理简单,判断速度快;
3.本发明既可以甄别网络整体的拥堵状态,也可以输出各个小区的交通拥堵状态;
4.本方法可通过小区合并和拆分获得不同范围的交通拥堵情况,在交通管理和控制方面应用范围较广。
附图说明
图1为本发明方法流程图。
图2为路网宏观基本图变化趋势图。
图3为实施例路网分布图。
图4为交通小区划分。
图5为各个交通小区和总路网的宏观基本图。
图6为各个交通小区和总路网的拥堵等级临界点。
图7为第一组数据下各交通小区和总路网的拥堵状态输出。
图8为第二组数据下各交通小区和总路网的拥堵状态输出。
图9为第三组数据下各交通小区和总路网的拥堵状态输出。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
如图1所示,本实施例所述的基于宏观基本图的路网交通拥堵甄别方法,其具体情况如下:
1)对路网进行交通小区划分;
2)绘制各交通小区的宏观基本图;
3)在宏观基本图上界定拥堵等级临界点,定义交通拥堵状态;
4)判断各交通小区的拥堵等级;
5)拥堵状态输出。
所述步骤1)包括以下内容:
1.1)确定交通小区基本特征边界值:包括小区面积的最大值与最小值、小区内交叉口数目等。
1.2)交通小区划分:可以由专业技术人员根据交通小区特征要求和经验进行划分,也可以应用其他软件进行辅助划分。但为了进一步与交通管理和控制衔接,交通小区需具备以下特征:①小区内部交叉口应该互为连通;②小区外形应为凸,不应出现内嵌的情况;③小区内交叉口应具有较大的交通关联性。
所述步骤2)包括以下内容:
2.1)收集数据:在各交通小区的进出口处布设交通检测器,能够实时记录驶入小区和驶出小区的车辆数;
2.2)绘制宏观基本图:该图为路网内车辆数与驶出路网的车辆数的关系图,图中横坐标表示路网内车辆数,纵坐标表示驶出路网的车辆数,此关系图会呈现较为明显的三段变化趋势,当路网内车辆数较少,随着驶入路网车辆数的增加,驶出路网的车辆数随之增加,呈现上升趋势;当驶入路网的车辆数增加到一定值,驶出路网的车辆数在小范围内维持在最大值上,呈现水平趋势;当驶入路网车辆数继续增加到一定值,驶出路网的车辆数开始逐渐减少,呈现下降趋势;如果实地检测器数据无法覆盖宏观基本图的三段变化趋势,可以通过路网交通仿真补充相应数据。
所述步骤3)包括以下内容:
3.1)通过步骤2)获得的各交通小区的宏观基本图散点图进行分段线性拟合,分别为:上升段、持续段和下降段,如图2所示。
3.2)定义上升段和持续段拟合直线交点为B,其对应的横坐标(路网内车辆数)为b;
3.3)定义持续段和下降段拟合直线交点为C,其对应的横坐标(路网内车辆数)为c;
3.4)定义宏观基本图中上升段(A-B),即路网内车辆数在0到b之间(包括0)为交通畅行状态;
3.5)定义宏观基本图中持续段(B-C),即路网内车辆数在b到c之间(包括b)为交通轻微拥堵状态;
3.6)定义宏观基本图中下降段(C-D),即路网内车辆数大于等于c为交通严重拥堵状态,;
所述步骤4)包括以下内容:
4.1)通过各交通小区进出口处检测器测定车辆数,计算得到t时段路网内车辆数nt;
其中,nt—表示t时段检测区域内车辆数;nt-1—表示t-1时段检测区域内车辆数;—表示t时段进入检测区域的总车辆数;—表示t时段驶出检测区域的总车辆数,包括已到达目的地的车辆数;—表示t时段检测区域第i个进口道处检测器检测到车辆数;—表示t时段检测区域第i个出口道处检测器检测到的车辆数;m—表示检测区域进/出口道的个数;
4.2)根据路网内车辆数nt,结合其对应的宏观基本图,判定交通拥堵等级L。当路网内车辆数满足0≤n<b,则交通处于畅行状态;当路网内车辆数满足b≤n<c,则交通处于轻微拥堵状态;当路网内车辆数满足n≥c,则交通处于严重拥堵状态,即:
所述步骤5)包括以下内容:
5.1)通过不同颜色定义交通畅行状态(通常用绿色表示)、轻微拥堵状态(通常用黄色表示)、严重拥堵状态(通常用红色表示);
5.2)在整个路网图中输出各交通小区的拥堵状态;
5.3)当研究范围变大或缩小,通过对路网内的交通小区适当进行合并与分离组建新的交通小区,根据已有的检测数据,重新绘制新的交通小区的宏观基本图,采用同样的方法进行拥堵状态判别,对于研究区域总的拥堵状态判别可将整个研究区域内各交通小区合并成一个交通小区进行分析判断。
以图3所示路网为例,该路网东西向长度3000余米,南北向长度2000余米,共有十字交叉口16个,丁字交叉口2个,五路交叉口2个。路段为单向两车道,交叉口拓宽为3车道。
(1)对路网进行交通小区划分
路网共包含交叉口20个,划分成4个交通小区,每个交通小区包含交叉口个数为4-6个,根据该路网的路径选择、交叉口及路段的物理关联性大小,采用手动划分的方式得到各交通小区情况如下表所示:
表1交通小区划分情况
根据交通小区的特征:(1)小区内部交叉口应该互为连通;(2)小区外形应为凸,不应出现内嵌的情况;(3)小区内交叉口应具有较大的交通关联性。划分后的交通小区图如图4所示。
(2)绘制各交通小区的宏观基本图
利用VISSIM仿真软件建立图3所示路网,十字交叉口为四相位控制,丁字交叉口为三相位控制,五路交叉口为五相位控制。并在各路段设置出入口,车辆通过出入口进入网络或到达终点,在各进出口道设置检测器,记录t时段驶入各交通小区以及驶出各交通小区的车辆数nt,仿真时长为12000s,每60s记录一次数据,
运用以上公式获得单位时间驶出各小区的车辆数以及各小区内车辆数,绘制小区内车辆数与驶出小区车辆数的关系图,图中横坐标表示小区内车辆数,纵坐标表示驶出小区的车辆数,从而得4个交通小区的宏观基本图,将4个交通小区合并后,利用现有数据可以得到总路网的宏观基本图,各交通小区及总路网的宏观基本图如图5所示。
(3)在宏观基本图上界定拥堵等级临界点,定义交通拥堵状态
通过步骤(2)获得的各交通小区的宏观基本图散点图进行分段线性拟合,分别为:上升段、持续段和下降段,如图6所示。
根据图6得到各个交通小区及总路网的拥堵等级临界点,再依据小区内车辆数定义交通拥堵状态。各个交通小区及总路网的拥堵等级临界点及拥堵状态定义如下。
对于小区1:拥堵等级临界值为b1=630vel,c1=3200vel,故当0≤小区内车辆数<630vel,为畅行状态;当630vel≤小区内车辆数<3200vel,为轻微拥堵状态;当小区内车辆数≥3200vel,为严重拥堵状态;
对于小区2:拥堵等级临界值为b2=500vel,c2=2900vel,故当0≤小区内车辆数<500vel,为畅行状态;当500vel≤小区内车辆数<2900vel,为轻微拥堵状态;当小区内车辆数≥2900vel,为严重拥堵状态;
对于小区3:拥堵等级临界值为b3=400vel;c3=1600vel,故当0≤小区内车辆数<400vel,为畅行状态;当400vel≤小区内车辆数<1600vel,为轻微拥堵状态;当小区内车辆数≥1600vel,为严重拥堵状态;
对于小区4:拥堵等级临界值为b4=450vel,c4=3200vel,故当0≤路网内车辆数<450vel,为畅行状态;当450vel≤路网内车辆数<3200vel,为轻微拥堵状态;当路网内车辆数≥3200vel,为严重拥堵状态;
对于总路网:拥堵等级临界值为b4=2400vel,c4=11000vel,故当0≤小区内车辆数<2400vel,为畅行状态;当2400vel≤小区内车辆数<11000vel,为轻微拥堵状态;当小区内车辆数≥11000vel,为严重拥堵状态;
(4)判断各交通小区及总路网的拥堵等级
根据各交通小区内剩余车辆数n,结合其对应的宏观基本图,可确定交通拥堵等级L,
对于小区1:
对于小区2:
对于小区3:
对于小区4:
对于总路网:
5)拥堵状态输出
测得三组不同时刻的各交通小区内车辆数和路网内车辆数数据如下表所示,对拥堵状态进行判断分别如图7、图8和图9所示。
从图中可以快速甄别各交通小区和总路网的拥堵状态,第一组数据中,各交通小区和总路网均为畅行状态,第二组数据中,各交通小区和总路网均为轻微拥堵状态,第三组数据中,小区1和小区3为严重拥堵状态,小区2和小区4为轻微拥堵状态,总路网为轻微拥堵状态。
以上所述之实施例子只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (2)
1.一种基于宏观基本图的路网交通拥堵甄别方法,其特征在于,包括以下步骤:
1)对路网进行交通小区划分;
2)绘制各交通小区的宏观基本图;
3)在宏观基本图上界定拥堵等级临界点,定义交通拥堵状态;
4)判断各交通小区的拥堵等级;
5)拥堵状态输出。
2.根据权利要求1所述的一种基于宏观基本图的路网交通拥堵甄别方法,其特征在于,所述步骤1)包括以下内容:
1.1)确定交通小区基本特征边界值:包括小区面积的最大值与最小值、小区内交叉口数目;
1.2)交通小区划分:既能够由专业技术人员根据交通小区特征要求和经验进行划分,也能够应用其他软件进行辅助划分;但为了进一步与交通管理和控制衔接,交通小区需具备以下特征:①小区内部交叉口应该互为连通;②小区外形应为凸,不应出现内嵌的情况;③小区内交叉口应具有较大的交通关联性;
所述步骤2)包括以下内容:
2.1)收集数据:在各交通小区的进出口处布设交通检测器,能够实时记录驶入小区和驶出小区的车辆数;
2.2)绘制宏观基本图:该图为路网内车辆数与驶出路网的车辆数的关系图,图中横坐标表示路网内车辆数,纵坐标表示驶出路网的车辆数,此关系图会呈现较为明显的三段变化趋势,当路网内车辆数较少,随着驶入路网车辆数的增加,驶出路网的车辆数随之增加,呈现上升趋势;当驶入路网的车辆数增加到设定值,驶出路网的车辆数在小范围内维持在最大值上,呈现水平趋势;当驶入路网车辆数继续增加到设定值,驶出路网的车辆数开始逐渐减少,呈现下降趋势;如果实地检测器数据无法覆盖宏观基本图的三段变化趋势,能够通过路网交通仿真补充相应数据;
所述步骤3)包括以下内容:
3.1)通过步骤2)获得的各交通小区的宏观基本图散点图进行分段线性拟合,分别为:上升段、持续段和下降段;
3.2)定义上升段和持续段拟合直线交点为B,其对应的横坐标即路网内车辆数为b;
3.3)定义持续段和下降段拟合直线交点为C,其对应的横坐标即路网内车辆数为c;
3.4)定义宏观基本图中上升段A-B,即路网内车辆数在0到b之间包括0为交通畅行状态;
3.5)定义宏观基本图中持续段B-C,即路网内车辆数在b到c之间包括b为交通轻微拥堵状态;
3.6)定义宏观基本图中下降段C-D,即路网内车辆数大于等于c为交通严重拥堵状态;
所述步骤4)包括以下内容:
4.1)通过各交通小区进出口处检测器测定车辆数,计算得到t时段路网内车辆数nt;
其中,nt—表示t时段检测区域内车辆数;nt-1—表示t-1时段检测区域内车辆数;—表示t时段进入检测区域的总车辆数;—表示t时段驶出检测区域的总车辆数,包括已到达目的地的车辆数;—表示t时段检测区域第i个进口道处检测器检测到车辆数;—表示t时段检测区域第i个出口道处检测器检测到的车辆数;m—表示检测区域进/出口道的个数;
4.2)根据路网内车辆数nt,结合其对应的宏观基本图,判定交通拥堵等级L;当路网内车辆数满足0≤n<b,则交通处于畅行状态;当路网内车辆数满足b≤n<c,则交通处于轻微拥堵状态;当路网内车辆数满足n≥c,则交通处于严重拥堵状态,即:
所述步骤5)包括以下内容:
5.1)用不同颜色定义交通畅行状态、轻微拥堵状态、严重拥堵状态;
5.2)在整个路网图中输出各交通小区的拥堵状态;
5.3)当研究范围变大或缩小,通过对路网内的交通小区适当进行合并与分离组建新的交通小区,根据已有的检测数据,重新绘制新的交通小区的宏观基本图,采用同样的方法进行拥堵状态判别,对于研究区域总的拥堵状态判别可将整个研究区域内各交通小区合并成一个交通小区进行分析判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611022603.7A CN106408943A (zh) | 2016-11-17 | 2016-11-17 | 一种基于宏观基本图的路网交通拥堵甄别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611022603.7A CN106408943A (zh) | 2016-11-17 | 2016-11-17 | 一种基于宏观基本图的路网交通拥堵甄别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106408943A true CN106408943A (zh) | 2017-02-15 |
Family
ID=58068927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611022603.7A Pending CN106408943A (zh) | 2016-11-17 | 2016-11-17 | 一种基于宏观基本图的路网交通拥堵甄别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106408943A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106971565A (zh) * | 2017-04-22 | 2017-07-21 | 高新兴科技集团股份有限公司 | 一种基于物联网的区域交通边界控制与诱导协同方法及系统 |
CN107507415A (zh) * | 2017-07-06 | 2017-12-22 | 广东交通职业技术学院 | 车联网下基于mfd和排队长度的路网边界限流控制方法 |
CN108364465A (zh) * | 2018-02-09 | 2018-08-03 | 太原理工大学 | 基于宏观基本图的城市路网控制子区的动态划分方法 |
CN108648446A (zh) * | 2018-04-24 | 2018-10-12 | 浙江工业大学 | 一种基于mfd的路网交通信号迭代学习控制方法 |
CN108806257A (zh) * | 2018-07-04 | 2018-11-13 | 河海大学 | 一种道路拥堵区域和拥堵路段的识别方法 |
CN109559510A (zh) * | 2018-11-22 | 2019-04-02 | 太原理工大学 | 基于随机分布控制算法的多个mfd子区边界协调控制方法 |
CN109949574A (zh) * | 2018-05-18 | 2019-06-28 | 中山大学 | 一种数据驱动的城市路网交通小区多级划分方法 |
CN110111562A (zh) * | 2019-04-01 | 2019-08-09 | 北京交通大学 | 一种城市交通宏观区域边界控制方法 |
CN110164130A (zh) * | 2019-04-29 | 2019-08-23 | 北京北大千方科技有限公司 | 交通事件检测方法、装置、设备及存储介质 |
CN110322704A (zh) * | 2019-06-14 | 2019-10-11 | 东南大学 | 一种基于号牌识别和gps数据的排队长度实时估计方法 |
CN111462490A (zh) * | 2020-04-03 | 2020-07-28 | 海信集团有限公司 | 一种基于多级子区划分的路网可视化方法及装置 |
CN112767687A (zh) * | 2020-12-24 | 2021-05-07 | 重庆中信科信息技术有限公司 | 一种基于通勤路径选择行为分析的路口拥堵预测方法 |
CN112887896A (zh) * | 2019-11-13 | 2021-06-01 | 中移物联网有限公司 | 一种景区车流量统计方法、装置和服务器 |
CN113593220A (zh) * | 2021-07-02 | 2021-11-02 | 南京泛析交通科技有限公司 | 一种基于宏观基本图的路网承载力估计方法 |
CN113947905A (zh) * | 2021-10-19 | 2022-01-18 | 交通运输部公路科学研究所 | 一种交通运行态势感知方法、模块及系统 |
CN114120632A (zh) * | 2021-11-01 | 2022-03-01 | 东南大学 | 基于导航地图的高速改扩建期间交通管控方法 |
CN115330067A (zh) * | 2022-08-18 | 2022-11-11 | 百度在线网络技术(北京)有限公司 | 一种交通拥堵预测方法、装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002117481A (ja) * | 2000-07-28 | 2002-04-19 | Daimler Chrysler Ag | 有効障害要因を有する交通網における交通状態の判定方法 |
CN104050803A (zh) * | 2014-06-23 | 2014-09-17 | 北京航空航天大学 | 一种区域高速路网运行状态评价方法 |
CN104899360A (zh) * | 2015-05-18 | 2015-09-09 | 华南理工大学 | 一种绘制宏观基本图的方法 |
CN104933859A (zh) * | 2015-05-18 | 2015-09-23 | 华南理工大学 | 一种基于宏观基本图的确定网络承载力的方法 |
CN105355049A (zh) * | 2015-11-05 | 2016-02-24 | 北京航空航天大学 | 一种基于宏观基本图的高速公路运行状态评价方法 |
CN105741548A (zh) * | 2016-04-19 | 2016-07-06 | 上海理工大学 | 一种生成交通状态云图的方法 |
CN105741555A (zh) * | 2016-04-28 | 2016-07-06 | 华南理工大学 | 一种基于宏观基本图确定车型折算系数的方法 |
CN105869401A (zh) * | 2016-05-12 | 2016-08-17 | 华南理工大学 | 一种基于不同拥挤程度的路网动态分区方法 |
-
2016
- 2016-11-17 CN CN201611022603.7A patent/CN106408943A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002117481A (ja) * | 2000-07-28 | 2002-04-19 | Daimler Chrysler Ag | 有効障害要因を有する交通網における交通状態の判定方法 |
CN104050803A (zh) * | 2014-06-23 | 2014-09-17 | 北京航空航天大学 | 一种区域高速路网运行状态评价方法 |
CN104899360A (zh) * | 2015-05-18 | 2015-09-09 | 华南理工大学 | 一种绘制宏观基本图的方法 |
CN104933859A (zh) * | 2015-05-18 | 2015-09-23 | 华南理工大学 | 一种基于宏观基本图的确定网络承载力的方法 |
CN105355049A (zh) * | 2015-11-05 | 2016-02-24 | 北京航空航天大学 | 一种基于宏观基本图的高速公路运行状态评价方法 |
CN105741548A (zh) * | 2016-04-19 | 2016-07-06 | 上海理工大学 | 一种生成交通状态云图的方法 |
CN105741555A (zh) * | 2016-04-28 | 2016-07-06 | 华南理工大学 | 一种基于宏观基本图确定车型折算系数的方法 |
CN105869401A (zh) * | 2016-05-12 | 2016-08-17 | 华南理工大学 | 一种基于不同拥挤程度的路网动态分区方法 |
Non-Patent Citations (1)
Title |
---|
朱琳等: "基于MFD的路网宏观交通状态及影响因素研究", 《华南理工大学学报(自然科学版)》 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106971565A (zh) * | 2017-04-22 | 2017-07-21 | 高新兴科技集团股份有限公司 | 一种基于物联网的区域交通边界控制与诱导协同方法及系统 |
CN106971565B (zh) * | 2017-04-22 | 2019-08-23 | 高新兴科技集团股份有限公司 | 基于物联网的区域交通边界控制与诱导协同方法及系统 |
CN107507415A (zh) * | 2017-07-06 | 2017-12-22 | 广东交通职业技术学院 | 车联网下基于mfd和排队长度的路网边界限流控制方法 |
CN107507415B (zh) * | 2017-07-06 | 2020-12-18 | 广东交通职业技术学院 | 车联网下基于mfd和排队长度的路网边界限流控制方法 |
CN108364465A (zh) * | 2018-02-09 | 2018-08-03 | 太原理工大学 | 基于宏观基本图的城市路网控制子区的动态划分方法 |
CN108364465B (zh) * | 2018-02-09 | 2021-03-19 | 太原理工大学 | 基于宏观基本图的城市路网控制子区的动态划分方法 |
CN108648446A (zh) * | 2018-04-24 | 2018-10-12 | 浙江工业大学 | 一种基于mfd的路网交通信号迭代学习控制方法 |
CN109949574A (zh) * | 2018-05-18 | 2019-06-28 | 中山大学 | 一种数据驱动的城市路网交通小区多级划分方法 |
CN109949574B (zh) * | 2018-05-18 | 2021-09-28 | 中山大学 | 一种数据驱动的城市路网交通小区多级划分方法 |
CN108806257B (zh) * | 2018-07-04 | 2020-11-10 | 河海大学 | 一种道路拥堵区域和拥堵路段的识别方法 |
CN108806257A (zh) * | 2018-07-04 | 2018-11-13 | 河海大学 | 一种道路拥堵区域和拥堵路段的识别方法 |
CN109559510A (zh) * | 2018-11-22 | 2019-04-02 | 太原理工大学 | 基于随机分布控制算法的多个mfd子区边界协调控制方法 |
CN110111562A (zh) * | 2019-04-01 | 2019-08-09 | 北京交通大学 | 一种城市交通宏观区域边界控制方法 |
CN110164130B (zh) * | 2019-04-29 | 2021-06-15 | 北京北大千方科技有限公司 | 交通事件检测方法、装置、设备及存储介质 |
CN110164130A (zh) * | 2019-04-29 | 2019-08-23 | 北京北大千方科技有限公司 | 交通事件检测方法、装置、设备及存储介质 |
CN110322704A (zh) * | 2019-06-14 | 2019-10-11 | 东南大学 | 一种基于号牌识别和gps数据的排队长度实时估计方法 |
CN110322704B (zh) * | 2019-06-14 | 2021-05-04 | 东南大学 | 一种基于号牌识别和gps数据的排队长度实时估计方法 |
CN112887896A (zh) * | 2019-11-13 | 2021-06-01 | 中移物联网有限公司 | 一种景区车流量统计方法、装置和服务器 |
CN111462490B (zh) * | 2020-04-03 | 2022-06-21 | 海信集团有限公司 | 一种基于多级子区划分的路网可视化方法及装置 |
CN111462490A (zh) * | 2020-04-03 | 2020-07-28 | 海信集团有限公司 | 一种基于多级子区划分的路网可视化方法及装置 |
CN112767687A (zh) * | 2020-12-24 | 2021-05-07 | 重庆中信科信息技术有限公司 | 一种基于通勤路径选择行为分析的路口拥堵预测方法 |
CN113593220A (zh) * | 2021-07-02 | 2021-11-02 | 南京泛析交通科技有限公司 | 一种基于宏观基本图的路网承载力估计方法 |
CN113947905A (zh) * | 2021-10-19 | 2022-01-18 | 交通运输部公路科学研究所 | 一种交通运行态势感知方法、模块及系统 |
CN113947905B (zh) * | 2021-10-19 | 2022-09-06 | 交通运输部公路科学研究所 | 一种交通运行态势感知方法、模块及系统 |
CN114120632A (zh) * | 2021-11-01 | 2022-03-01 | 东南大学 | 基于导航地图的高速改扩建期间交通管控方法 |
CN114120632B (zh) * | 2021-11-01 | 2022-12-09 | 东南大学 | 基于导航地图的高速改扩建期间交通管控方法 |
CN115330067A (zh) * | 2022-08-18 | 2022-11-11 | 百度在线网络技术(北京)有限公司 | 一种交通拥堵预测方法、装置、电子设备及存储介质 |
CN115330067B (zh) * | 2022-08-18 | 2023-08-15 | 百度在线网络技术(北京)有限公司 | 一种交通拥堵预测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106408943A (zh) | 一种基于宏观基本图的路网交通拥堵甄别方法 | |
CN105225500B (zh) | 一种交通控制辅助决策方法及装置 | |
CN103021176B (zh) | 基于断面检测器的城市道路交通状态判别方法 | |
CN102968901B (zh) | 获取区域拥堵信息的方法及区域拥堵分析装置 | |
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 | |
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 | |
CN102750824B (zh) | 基于多种神经网络分类器投票的城市道路交通状态检测方法 | |
CN105825669B (zh) | 一种识别城市快速路交通瓶颈的系统和方法 | |
CN102737508B (zh) | 一种融合svm与bp神经网络的城市道路交通状态检测方法 | |
CN102750825B (zh) | 基于神经网络分类器级联融合的城市道路交通状态检测方法 | |
CN105355049B (zh) | 一种基于宏观基本图的高速公路运行状态评价方法 | |
CN104574968B (zh) | 一种临界交通状态参数的确定方法 | |
CN103914688A (zh) | 一种城市道路障碍物识别系统 | |
CN105321347A (zh) | 一种分层次的路网交通拥堵评价方法 | |
CN104408925A (zh) | 基于陈列雷达的交叉口运行状态评价方法 | |
CN105336183A (zh) | 一种基于路段通行能力的交通拥堵控制方法及装置 | |
CN101783074A (zh) | 一种城市道路交通流状态实时判别方法及系统 | |
CN106355884A (zh) | 一种基于车型分类的高速公路车辆引导系统及方法 | |
CN109544912A (zh) | 一种基于多源数据融合的城市路网积水状态预测方法 | |
CN104851287A (zh) | 基于视频检测器的城市道路路段行程时间检测方法 | |
CN105654720A (zh) | 基于城市道路拥堵识别的检测器布设方法 | |
CN111815953B (zh) | 一种面向交通事件的高速公路交通管控效果评价方法 | |
CN100481153C (zh) | 基于偏最小二乘原理的高速公路交通事件自动检测方法 | |
Oh et al. | Real-time inductive-signature-based level of service for signalized intersections | |
CN104575049B (zh) | 一种基于阵列雷达的高架匝道智能诱导方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170215 |
|
RJ01 | Rejection of invention patent application after publication |