CN106530695A - 基于车联网的城市干道车辆行程时间实时预测方法 - Google Patents
基于车联网的城市干道车辆行程时间实时预测方法 Download PDFInfo
- Publication number
- CN106530695A CN106530695A CN201610984806.8A CN201610984806A CN106530695A CN 106530695 A CN106530695 A CN 106530695A CN 201610984806 A CN201610984806 A CN 201610984806A CN 106530695 A CN106530695 A CN 106530695A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- section
- time
- queue
- ground
- 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
- 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
Abstract
本发明公开了一种基于车联网的城市干道车辆行程时间实时预测方法,属于智能交通技术领域。该方法包括:该方法包括:步骤1、获取待研路段在上一信号控制周期中的排队累积冲击波波速和排队消散冲击波波速,并计算待研路段在当前信号控制周期中车辆的最大排队长度以及排队延误最大时的排队长度;步骤2、以待研路段上一信号控制周期的红灯结束时刻为时间原点,确定当前信号控制周期的四个临界时间点;步骤3、根据待研车辆进入待研路段的时间点四个临界时间点所确定的哪个时间段,计算待研车辆在待研路段的行程时间预测值。本发明可实现对城市干道中任一车辆的行程时间进行准确地实时预测。
Description
技术领域
本发明涉及一种基于车联网的城市干道车辆行程时间实时预测方法,属于智能交通技术领域。
背景技术
城市干道路段车辆行程时间预测一直是交通管理与控制领域的难题,特别是针对单个车辆的路段行程时间进行实时预测,个性化的实时行程时间获取难度大。以往的行程时间预测大多基于检测器采集的历史数据来获取所有车辆在一段时间内的平均行程时间,缺乏实时性和针对性,而单个车辆的行程时间实时预测相比平均行程时间对于出行者来说更具价值。
随着城市道路交通问题日益严峻,物联网技术逐渐延伸到智能交通领域从而诞生了车联网这个新兴概念。车联网通过装载在车辆及道路上的电子设备,借助无线射频等识别技术,实现对车辆的属性信息、动态和静态的数据信息的获取,能实时、准确、高效地将车辆的速度、位置、时刻等信息发送给接收基站,车联网技术可运用于智能交通运输领域的管理,能提高城市道路交通系统的运行效率。随着先进的城市交通管理系统,特别是智能交通领域中车联网的逐步发展,城市干道路段行程时间的实时预测变得可行。如果能够为出行者提供个性化的、实时的路段行程时间预测,一方面可为出行者提供实时高效的行程时间信息供其进行更加合理的路径规划,有助于缓解交通拥挤;另一方面,路段行程时间实时预测可让管理者更高效管理城市道路系统。然而,目前尚未发现有此类技术被公开。
发明内容
本发明所要解决的技术问题在于克服现有技术不足,提供一种基于车联网的城市干道车辆行程时间实时预测方法,可实现对城市干道中任一车辆的行程时间进行准确地实时预测。
本发明具体采用以下技术方案解决上述技术问题:
基于车联网的城市干道车辆行程时间实时预测方法,所述城市干道中所有车辆均为车联网中的节点;该方法包括以下步骤:
步骤1、获取待研路段在上一信号控制周期中的排队累积冲击波波速uw和排队消散冲击波波速w,并根据以下公式计算待研路段在当前信号控制周期中车辆的最大排队长度qmax以及排队延误最大时的排队长度qm:
其中,uf表示车辆在待研路段上的自由流速度;r为待研路段的信号控制红灯时间;
步骤2、以待研路段上一信号控制周期的红灯结束时刻为时间原点,确定当前信号控制周期的四个临界时间点t0、t1、t2、t3:
其中,L为待研路段的长度;γa、γd分别为待研路段的车辆加速速率、车辆减速速率;ls为车辆的有效长度;g为待研路段的信号控制绿灯时间;
步骤3、根据待研车辆进入待研路段的时间点tin,计算待研车辆在待研路段的行程时间预测值TT(tin),具体如下:
如t0≤tin<t1,则:
式中, Ls为路段总长度减去交叉口长度;min(·)、max(·)分别表示取最小值、取最大值;
如t1≤tin<t2,则:
如t2≤tin≤t3,则:
优选地,按照以下方法获取待研路段在当前信号控制周期中的排队累积冲击波波速uw和排队消散冲击波波速w:
选取上一信号控制周期中先、后进入待研路段的两辆接入车联网的车辆分别作为第一探测车和第二探测车,然后根据以下公式计算uw、w:
其中,t1'、t'2分别为第一探测车、第二探测车刚加入待研路段交叉口排队队列时的时刻;d1'、d'2分别为第一探测车、第二探测车刚加入待研路段交叉口排队队列时距停车线的距离;t1"、t2"分别为第一探测车、第二探测车在排队队列中刚开始移动的时刻;d1"、d2"分别为第一探测车、第二探测车在排队队列中刚开始移动时距停车线的距离。
相比现有技术,本发明具有以下有益效果:
传统的行程时间预测大多数是根据检测器等所采集到得历史数据来预测路段上所有车辆行程时间的平均值,缺乏实时性和针对性。本发明可以实时地预测单个车辆的行程时间,可以为驾驶员提供有效的出行信息以助于路径规划,促使路网上的交通流更加合理分配,有助于缓解交通拥挤。通过实时的行程时间预测,可对城市干道路段的信号进行协调控制,并且为交通管理与控制的决策提供辅助支撑,可让城市道路管理者更高效地监控和管理城市道路系统。
附图说明
图1是城市干道路段示意图;
图2a~图2d是采集交通冲击波的原理示意图;
图3是排队延误计算示意图;
图4是不同临界时间车辆时空轨迹示意图。
具体实施方式
下面结合附图对本发明的技术方案进行详细说明:
本发明的发明思路是在车联网背景下,提供一种城市干道车辆行程时间实时预测方法,以实现对城市干道中任一车辆的行程时间进行准确地实时预测。在车联网背景下,车辆对车辆(V2V)和车辆对基础设施(V2I)通过无线互联网实现车辆与环境之间的实时数据交互。该技术不仅车辆可以相互之间实现互动,而且可以2000米范围内的交通信号灯、路标等周边基础设施进行互动。如可当前信号相位及持续时长发送给驾驶员。
对于图1所示的待研城市干道路段,其中的车辆均为车联网的节点,车与车之间以及车与基站之间可实现实时的信息交互。该路段长度为L,在交叉口处布设有信号机以及信号灯,可通过车联网实时采集信号控制红灯时间r、绿灯时间g,并可根据该路段历史数据获取车辆在路段上的自由流速度uf,车辆加速度γa和减速度γd。
在对进入该路段的任一车辆进行行程时间预测时,可按照以下步骤:
步骤1:获取待研路段上一信号控制周期中的排队累积冲击波波速uw和排队消散冲击波波速w,并计算待研路段在当前信号控制周期中车辆的最大排队长度qmax以及排队延误最大时的排队长度qm:
排队累积冲击波波速uw和排队消散冲击波波速w的获取可采用现有技术实现。本发明优选利用随机选取的上一信号控制周期中先、后进入待研路段的两辆接入车联网的车辆:探测车1、探测车2来实现。当探测车1刚加入交叉口排队队列时,播报所处时刻和距停车线距离,分别为t'1,d'1,如图2a所示;当探测车2刚加入交叉口排队队列时,播报所处时刻和距停车线距离,分别为t'2,d'2,如图2b所示;当探测车1在排队队列中刚开始移动时,播报所处时刻和据停车线的距离,分别为t"1,d"2,如图2c所示;当探测车2在排队队列中刚开始移动时,播报所处时刻和据停车线的距离,分别为t"2,d"2,如图2d所示。
则可根据以下公式计算出排队累积和排队消散冲击波波速分别为uw,w:
设td为排队长度达到最大的时间,根据图3中的几何三角形得到以下等式:
因此,在当前周期车辆的最大排队长度排队延误最大时的排队长度
步骤2、临界时间点计算:
车辆进入路段的时间tin以红灯结束时刻为原点。临界时间点是针对进入路段的时刻而言,在不同的临界时间点前后进入路段的车辆将经历不同的路段行程时间。
通常进入路段的车辆通过交叉口时将会遇到以下三种情况之一:由于红灯相位或者需要排队而产生完全停车,即停车后通过交叉口;减速至某一速度加入到正在移动的队列,即减速通过交叉口;直接通过交叉口。这三种情况分别对应三种不同的交叉口延误,存在四个临界时间点t0,t1,t2,t3用以划分三种情况下车辆的进入路段所对应的临界时间区段。
步骤2.1:确定临界时间点t0:
如果当车辆进入路段,剩余的绿灯时间小于需要的最小旅行时间,所述车辆将会停车等待下一个绿灯时间,如果车辆在刚到达交叉口时信号灯恰从绿灯变成红灯,可倒推出车辆进入路段的时间第一临界时间点t0由下式计算:
其中,r为红灯时间,L为路段长度,uf为自由流速度。在临界时间点t0之后进入路段的车辆应减速停车并在交叉口排队等候。
步骤2.2:确定临界时间点t1:
当信号灯由红灯变成绿灯时,队首的车辆开始启动,排队消散波开始向后传播,如果更多的车辆在消散过程中到达,排队将会增加,直到最后一辆排队车辆开始移动。当车辆恰好在排队消散波传到队列尾部时加入队列,这个车辆将成为最后一辆需要完全停车的车辆,此车进入路段的时间为第二临界时间点t1。
当车辆在时刻td时到达排队队列的末尾,将成为最后一辆需要完全停车的车辆,T1代表车辆以完全停车状态加入队列之前所需要的时间。那么有车辆行驶的距离等于路段长度减去除去车辆有效长度的排队长度,可以计算出T1。
其中,γd为车辆减速速率,ls为车辆的有效长度。
因此,临界时间点在t0和t1之间进入路段的车辆当其通过交叉口时需要完全停车。
步骤2.3:确定临界时间点t2:
当最后一辆排队车辆由速度0加速至自由流速度,恰好有一辆车辆不需要减速,以自由流速度接入正在消散的队列,该车辆进入路段的临界时间点为t2。假设不需要减速的车辆加入移动的队列的时间为T2,队列最后一辆车距停车线的距离等于路段长度减去不需要减速加入移动队列的车辆行驶的距离。那么:
其中,γa为加速率;为队列向前移动的距离。
车辆在时刻到达队列的尾部,此时队列达到最大排队长度,然后车辆加速至自由流速度,被认为是进入路段但是不需要减速的临界时间点。
步骤2.4:确定临界时间点t3:
最后,对于那些进入路段时剩余绿灯时间不足以让该车辆通过交叉口,将在交叉口停车。该车辆进入路段的时间为t3:
步骤3:进入路段的关键时间区域判别及延误计算:
车辆进入该路段的时刻可分为三种情况:
(1)车辆在t0到t1之间进入路段,车辆在交叉口之前需完全停车排队;
(2)车辆在t1到t2之间进入路段,车辆将会减速通过交叉口;
(3)车辆在t2到t3之间进入路段,车辆将不减速直接通过交叉口。
判断车辆进入路段的时间tin属于(1)-(3)的哪种情况,从而分别预测交叉口延误。车辆在路段上的行程时间包括两部分:运行时间和交叉口延误。运行时间是指在路段上以自由流行驶的时间,为固定值;交叉口延误包括信号延误和排队延误。信号延误包括车辆减速时间Dd、红灯等待时间DW、车辆加速时间Da;排队延误Dq为等待排队消散的时间。以下分情况进行分析讨论:
(1):在t0和t1进入路段的车辆将会经历减速延误Dd,加速延误Da,排队延误Dq以及等待延误Dw,等待延误主要是指在停车线前的等待时间。
计算减速延误Dd、加速延误Da:
以自由流速度经过减速或者加速区段与减速或者加速时间的差值即可得到Dd和Da:
计算等待延误Dw:
当处于红灯相位时车辆到达排队,将会产生等待时间,即等待剩下的红灯时间。假设排队从红灯相位一开始便以冲击波速uw累积,当车辆到达排队队列尾部时,排队长度为(tin+r+T3)·uw,T3是车辆到达排队队列之前所经历的时间。
q(tin)是当车辆在tin时刻进入路段时直到到达排队队列尾部时将会遇到的排队长度。
其中,tq是车辆到达排队队列尾部的时刻,如果tq<0,Dw=-tq;否则Dw=0。
计算排队延误Dq:
在时间tin进入路段的车辆的排队延误由三部分组成。根据步骤1得到的qmax和qm,分别有:
Dq=dq1+dq2+dq3
因此,车辆在该路段的行程时间预测值为:
将各参数代入可得:
(2):在t1与t2之间进入路段的车辆会经历减速延误Dd'、加速延误Da',不经历排队延误Dq和等待延误Dw。
减速延误Dd'计算:
在t1与t2之间进入路段的车辆将减速通过交叉口。车辆加入队列的速度取决于其进入时间,在t1到t2之间进入路段的车辆其速度会在0到uf之间发生线性变化。进入路段tin的速度为:
车辆从自由流速度减速至u将经历的减速延误为
加速延误Da'计算:
在车辆减速接入消散队列之后,将逐渐加速至自由流速度,车辆从u加速到uf所经历的加速延误为:
因此,待研车辆在该路段的行程时间预测值为:
上式又可写为:
(3):车辆在t2到t3之间进入路段,将不会经历任何延误。因此,待研车辆在该路段的行程时间预测值为:
为了验证本发明效果进行了以下验证实验:
(1)采集到某城市干道路段长度为Ls为176.58m,自由流速度uf为14.72m/s,车辆加速度γa为2.0m/s2,车辆减速度γd为1.8m/s2,交叉口信号灯红灯时间r为71s,绿灯时间g为80s。
(2)探测车采集到交通冲击波数据uw=0.6m/s,w=4.25m/s,计算出td=11.67s,qmax=49.60m,qm=40.93m。
(3)计算出t0=-83.00,t1=-1.52,t2=6.73,t3=68.00。
(4)由于在临界时间点t0到t1进入路段的车辆行程时间相对于其他两个临界时间段包含的延误最多,计算最复杂,因此仅以车辆进入时间tin=-24为例。计算得到减速延误Dd=4.09s,加速延误Da=3.68s,排队延误Dq=11.02s以及等待延误Dw=10.39s。
因此,车辆进入路段时间tin=-24的车辆的路段行程时间实时预测值为:
车辆进入路段时间tin=-24的车辆的路段行程时间实测值为43.04s,误差为4.5%,预测值误差在可接受范围。
在进入路段时间为临界时间区段t1到t2,t2到t3的车辆同理可求得车辆路段行程时间实时预测值。
Claims (2)
1.基于车联网的城市干道车辆行程时间实时预测方法,所述城市干道中所有车辆均为车联网中的节点;其特征在于,该方法包括以下步骤:
步骤1、获取待研路段在上一信号控制周期中的排队累积冲击波波速uw和排队消散冲击波波速w,并根据以下公式计算待研路段在当前信号控制周期中车辆的最大排队长度qmax以及排队延误最大时的排队长度qm:
其中,uf表示车辆在待研路段上的自由流速度;r为待研路段的信号控制红灯时间;
步骤2、以待研路段上一信号控制周期的红灯结束时刻为时间原点,确定当前信号控制周期的四个临界时间点t0、t1、t2、t3:
其中,L为待研路段的长度;γa、γd分别为待研路段的车辆加速速率、车辆减速速率;ls为车辆的有效长度;g为待研路段的信号控制绿灯时间;
步骤3、根据待研车辆进入待研路段的时间点tin,计算待研车辆在待研路段的行程时间预测值TT(tin),具体如下:
如t0≤tin<t1,则:
式中, Ls为路段总长度减去交叉口长度;min(·)、max(·)分别表示取最小值、取最大值;
如t1≤tin<t2,则:
如t2≤tin≤t3,则:
2.如权利要求1所述方法,其特征在于,按照以下方法获取待研路段在当前信号控制周期中的排队累积冲击波波速uw和排队消散冲击波波速w:
选取上一信号控制周期中先、后进入待研路段的两辆接入车联网的车辆分别作为第一探测车和第二探测车,然后根据以下公式计算uw、w:
其中,t′1、t'2分别为第一探测车、第二探测车刚加入待研路段交叉口排队队列时的时刻;d′1、d'2分别为第一探测车、第二探测车刚加入待研路段交叉口排队队列时距停车线的距离;t"1、t"2分别为第一探测车、第二探测车在排队队列中刚开始移动的时刻;d"1、d"2分别为第一探测车、第二探测车在排队队列中刚开始移动时距停车线的距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610984806.8A CN106530695B (zh) | 2016-11-09 | 2016-11-09 | 基于车联网的城市干道车辆行程时间实时预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610984806.8A CN106530695B (zh) | 2016-11-09 | 2016-11-09 | 基于车联网的城市干道车辆行程时间实时预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106530695A true CN106530695A (zh) | 2017-03-22 |
CN106530695B CN106530695B (zh) | 2018-06-05 |
Family
ID=58351009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610984806.8A Active CN106530695B (zh) | 2016-11-09 | 2016-11-09 | 基于车联网的城市干道车辆行程时间实时预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106530695B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175703A (zh) * | 2019-05-05 | 2019-08-27 | 武汉理工大学 | 一种应急物资配送线路的车辆运输时间评估及优化方法 |
CN110634292A (zh) * | 2019-09-19 | 2019-12-31 | 北京航空航天大学 | 一种基于路阻性能函数的行程时间可靠性估计方法 |
CN111754771A (zh) * | 2020-06-22 | 2020-10-09 | 中山大学 | 一种基于交通信号和密度延误的个体行程时间预测方法 |
WO2020216386A1 (zh) * | 2019-04-26 | 2020-10-29 | 同济大学 | 低渗透率车辆轨迹数据的交叉口排队长度估计方法及装置 |
CN113393688A (zh) * | 2021-05-13 | 2021-09-14 | 杭州电子科技大学 | 一种基于队列长度预测的交叉口生态驾驶优化方法 |
CN113706873A (zh) * | 2021-09-28 | 2021-11-26 | 长沙智能驾驶研究院有限公司 | 车辆到达时间预测方法、装置、设备及计算机存储介质 |
CN115019525A (zh) * | 2022-06-20 | 2022-09-06 | 杭州海康威视数字技术股份有限公司 | 行程时间数据的筛选方法和交通信号控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030014181A1 (en) * | 2001-07-10 | 2003-01-16 | David Myr | Traffic information gathering via cellular phone networks for intelligent transportation systems |
CN101169903A (zh) * | 2007-10-19 | 2008-04-30 | 黄辉先 | 一种控制路口交通流的智能交通控制系统 |
CN101727746A (zh) * | 2009-09-18 | 2010-06-09 | 苏州大学 | 信号灯控制的城市道路机动车动态行程时间估计方法 |
CN101794512A (zh) * | 2009-12-30 | 2010-08-04 | 北京世纪高通科技有限公司 | 旅行时间预测的方法及装置 |
CN103985254A (zh) * | 2014-05-29 | 2014-08-13 | 四川川大智胜软件股份有限公司 | 一种用于大场景交通监视的多视点视频融合及交通参数采集方法 |
-
2016
- 2016-11-09 CN CN201610984806.8A patent/CN106530695B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030014181A1 (en) * | 2001-07-10 | 2003-01-16 | David Myr | Traffic information gathering via cellular phone networks for intelligent transportation systems |
CN101169903A (zh) * | 2007-10-19 | 2008-04-30 | 黄辉先 | 一种控制路口交通流的智能交通控制系统 |
CN101727746A (zh) * | 2009-09-18 | 2010-06-09 | 苏州大学 | 信号灯控制的城市道路机动车动态行程时间估计方法 |
CN101794512A (zh) * | 2009-12-30 | 2010-08-04 | 北京世纪高通科技有限公司 | 旅行时间预测的方法及装置 |
CN103985254A (zh) * | 2014-05-29 | 2014-08-13 | 四川川大智胜软件股份有限公司 | 一种用于大场景交通监视的多视点视频融合及交通参数采集方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020216386A1 (zh) * | 2019-04-26 | 2020-10-29 | 同济大学 | 低渗透率车辆轨迹数据的交叉口排队长度估计方法及装置 |
CN110175703A (zh) * | 2019-05-05 | 2019-08-27 | 武汉理工大学 | 一种应急物资配送线路的车辆运输时间评估及优化方法 |
CN110175703B (zh) * | 2019-05-05 | 2022-04-29 | 武汉理工大学 | 一种应急物资配送线路的车辆运输时间评估及优化方法 |
CN110634292A (zh) * | 2019-09-19 | 2019-12-31 | 北京航空航天大学 | 一种基于路阻性能函数的行程时间可靠性估计方法 |
CN110634292B (zh) * | 2019-09-19 | 2020-10-16 | 北京航空航天大学 | 一种基于路阻性能函数的行程时间可靠性估计方法 |
CN111754771A (zh) * | 2020-06-22 | 2020-10-09 | 中山大学 | 一种基于交通信号和密度延误的个体行程时间预测方法 |
CN111754771B (zh) * | 2020-06-22 | 2021-11-30 | 中山大学 | 一种基于交通信号和密度延误的个体行程时间预测方法 |
CN113393688A (zh) * | 2021-05-13 | 2021-09-14 | 杭州电子科技大学 | 一种基于队列长度预测的交叉口生态驾驶优化方法 |
CN113393688B (zh) * | 2021-05-13 | 2022-07-19 | 杭州电子科技大学 | 一种基于队列长度预测的交叉口生态驾驶优化方法 |
CN113706873A (zh) * | 2021-09-28 | 2021-11-26 | 长沙智能驾驶研究院有限公司 | 车辆到达时间预测方法、装置、设备及计算机存储介质 |
CN113706873B (zh) * | 2021-09-28 | 2022-11-29 | 长沙智能驾驶研究院有限公司 | 车辆到达时间预测方法、装置、设备及计算机存储介质 |
CN115019525A (zh) * | 2022-06-20 | 2022-09-06 | 杭州海康威视数字技术股份有限公司 | 行程时间数据的筛选方法和交通信号控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106530695B (zh) | 2018-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106530695B (zh) | 基于车联网的城市干道车辆行程时间实时预测方法 | |
Lee et al. | Sustainability assessments of cooperative vehicle intersection control at an urban corridor | |
CN104637315B (zh) | 车路协同环境下的无信号交叉口优化控制方法和系统 | |
Yu et al. | Dynamics of connected cruise control systems considering velocity changes with memory feedback | |
CN104299432B (zh) | 一种过饱和路口信号灯控制方法及装置 | |
Kowshik et al. | Provable systemwide safety in intelligent intersections | |
CN108986509B (zh) | 一种基于车路协同的城市区域路径实时规划方法 | |
CN104778834B (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN104200649B (zh) | 基于预先申请的交通高峰期路线资源调度分配系统与方法 | |
Li et al. | Real-time queue length estimation for signalized intersections using vehicle trajectory data | |
CN108765982A (zh) | 车路协同环境下信号控制交叉口车速引导系统及引导方法 | |
CN107909837A (zh) | 一种车辆借道通行的方法和控制中心 | |
CN108495330A (zh) | 一种车-车信息交互通信的碰撞预警可靠性测试方法 | |
CN107274684A (zh) | 一种车路协同环境下单点交叉口信号控制策略选择方法 | |
CN104778845A (zh) | 多相位跳变和车辆全动态诱导交通控制方法 | |
CN103680157A (zh) | 一种面向城市瓶颈路段的车辆排队溢流预判方法 | |
CN104183147B (zh) | 改善公交准点率的公交车行驶速度控制方法 | |
WO2022166239A1 (zh) | 一种车辆行驶方案的规划方法、装置和存储介质 | |
CN104464314A (zh) | 一种公交车专用道交叉口的公交优先通行方法 | |
CN106251621A (zh) | 智慧交通管理系统及方法 | |
Zohdy et al. | Enhancing roundabout operations via vehicle connectivity | |
CN102063791B (zh) | 一种信号控制与定位监控相结合的公交车辆行车控制方法 | |
Wu et al. | Traffic control models based on cellular automata for at-grade intersections in autonomous vehicle environment | |
Xianmin et al. | Optimization method for transit signal priority considering multirequest under connected vehicle environment | |
CN102855755A (zh) | 一种基于运行车速预测的城市干道车队离散模型的建模方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |