CN107622309B - 一种基于VANETs和改进的D-S证据理论的道路拥堵检测方法 - Google Patents
一种基于VANETs和改进的D-S证据理论的道路拥堵检测方法 Download PDFInfo
- Publication number
- CN107622309B CN107622309B CN201710712884.7A CN201710712884A CN107622309B CN 107622309 B CN107622309 B CN 107622309B CN 201710712884 A CN201710712884 A CN 201710712884A CN 107622309 B CN107622309 B CN 107622309B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- congestion index
- congestion
- road
- under
- 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
Links
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于VANETs和改进的D‑S证据理论的道路拥堵检测方法,包括以下步骤:步骤1,设道路上行驶有n辆车,通过n辆车中每辆车的速度和车流密度,根据拥堵指数集合Θ得到每辆车的拥堵指数集合Ai;步骤2,计算n辆车中的每辆车在其每个拥堵指数下的基本概率分配函数;步骤3,将n辆车中的每辆车在其每个拥堵指数下的基本概率分配函数进行合成,得到道路在每个拥堵指数下的基本概率分配函数m(A);步骤4,根据道路在每个拥堵指数下的基本概率分配函数m(A),得到道路的拥堵指数为Aa。本发明既能对分布式的道路拥堵检测结果进行融合,提高道路拥堵信息的可靠性,同时又能减少车辆节点对拥堵信息的转发,有效地抑制广播风暴。
Description
技术领域
本发明属于城市道路拥堵检测技术领域,具体涉及一种基于VANETs和改进的D-S证据理论的道路拥堵检测方法。
背景技术
随着汽车保有量的持续增加,城市道路交通拥堵问题日益凸显。同时,车联网技术的蓬勃发展为解决城市交通拥堵问题提供了可能。车联网技术是指在交通参与者之间(Vehicle to Vehicle,V2V),或者交通参与者与交通基础设施之间(Vehicle toInfrastructure,V2I)利用无线通信进行信息交互,从而实现车辆运动控制,交通信号的控制,交通信息处理以及发布的技术。V2V主要用在交通信息搜集、检测、简单处理等领域,V2I主要用在交通信息综合处理,预警发布等领域。
目前,道路交通拥堵检测主要有两种方法,即固定式道路交通拥堵检测和移动式道路交通拥堵检测。固定式道路交通拥堵检测方法是通过铺设地磁线圈或架设摄像机实现道路交通拥堵检测,该方法虽然在固定点检测的准确性高,但是地磁线圈和摄像机只能检测其覆盖区域的道路交通信息。此外,由于受成本、土地规划、环境保护、交通秩序等影响,地磁线圈和摄像机无法进行大范围铺设。移动式道路交通拥堵检测方法是通过装有GPS的浮动车辆作为传感节点来检测其行驶区域的道路交通拥堵水平。与固定式道路交通拥堵检测方法相比,移动式道路交通拥堵检测方法检测的交通区域更广。但移动式道路交通拥堵检测由于GPS定位无法精确到车道级、浮动车数量少以及分布不均匀等原因,其检测的准确性不高。针对上述方法的缺点,文献[Fahmy M F,Ranasinghe D N.Discoveringautomobile congestion and volume using vanet’s[C].International Conference onITS Telecommunications.IEEE,2008:367-372.]提出基于VANETs技术检测道路交通拥堵。该方法是在车辆拥塞时建立路由树,根据路由树来统计车辆拥塞的数目。该方法采用分布式的道路拥堵检测方法,不受道路基础设施建设情况的约束,并且检测的准确率较高。但是该方法需要建立并且维护路由树,网络开销较大。文献[Bauza R,Gozalvez J.Trafficcongestion detection in large-scale scenarios using vehicle-to-vehiclecommunications[J].Journal of Network&Computer Applications,2013,36(5):1295-1307.]提出基于V2V的协作式道路交通拥堵检测方法,无需建立路由树,同时在发生交通拥堵时,车车之间才进行数据通信,因此该方法降低了车辆通信网络的开销和负载。但是该方法无法融合分布式检测结果以及准确地得出整个检测区域的道路交通拥堵水平。
发明内容
本发明的目的在于提供一种基于VANETs和改进的D-S证据理论的道路拥堵检测方法,既能对分布式的道路拥堵检测结果进行融合,提高道路拥堵信息的可靠性,同时又能减少车辆节点对拥堵信息的转发,有效地抑制广播风暴。
为达到上述目的,本发明采用如下技术方案:
一种基于VANETs和改进的D-S证据理论的道路拥堵检测方法,包括以下步骤:
步骤1,设道路上行驶有n辆车,通过n辆车中每辆车的速度和车流密度,得到每辆车的至少一个拥堵指数,其中车辆i的至少一个拥堵指数组成该辆车的拥堵指数集合Ai,其中i=1,2,..,n,n为大于等于1的自然数,Ai={Ai 1,Ai 2,...,Ai a,...,Ai M},M≤24,Ai a表示车辆i的第a个拥堵指数,a=1,2,..,M;
步骤2,通过式(1)计算车辆i在第a个拥堵指数下的基本概率分配函数mi(Aa i),即可得到n辆车中的每辆车在第a个拥堵指数下的基本概率分配函数;
mi(Aa i)=1-H(vi,ρi) (1)
其中,i=1,2,..,n,a=1,2,..,M,H(vi,ρi)=-p(vi)log2p(vi)+(-p(ρi)log2p(ρi)),vi为车辆i的速度,vthi为车辆i在第a个拥堵指数下的速度下限值,vT为道路上车辆速度的限速值,ρi为车辆i的车流密度,ρthi为车辆i在第a个拥堵指数下的车流密度的下限值,ρT为道路上车流密度的饱和值;
步骤3,通过式(2)将n辆车中的每辆车在第a个拥堵指数下的基本概率分配函数进行合成,得到道路在第a个拥堵指数下的基本概率分配函数m(Aa),即可得到道路在每个拥堵指数下的基本概率分配函数m(A),其中m(A)={m(A1),m(A2),..,m(Aa),...,m(AM)};
步骤4,设m(Aa)=max{m(A)},m(Aa′)=large{m(A),2};
若m(Aa)-m(Aa′)>ε1,则道路的拥堵指数为第a个拥堵指数;
其中,ε1=10-4。
进一步地,步骤1中所述的根据拥堵指数集合Θ得到每辆车的拥堵指数集合,包括:
步骤11,设置4个车辆速度模糊区间,分别是SV:[0,vth1],SL:[vth1,vth2],SM:[vth2,vth3],SH:[vth3,vT];设置4个车流密度模糊区间,分别是DL:[0,ρth1],DM:[ρth1,ρth2],DH:[ρth2,ρth3],DV:[ρth3,ρT];
步骤12,根据表1得到每辆车的拥堵指数集合。
表1
与现有技术相比,本实用新型具有以下技术效果:
(1)本发明将人对于交通参数的定性描述运用模糊理论进行分级,如对车辆速度的快慢,车流密度的高低等进行等级划分,各等级无明显分界点,这更符合人们对于交通的直观认知;
(2)本发明采用信息熵表示车辆节点对检测到的拥堵指数的信任度,用处在模糊区间的概率表示不确定性,实现由模糊到量化的过程;
(3)本发明基于改进的D-S证据理论融合道路交通拥堵信息,有效地区分出车辆节点检测出交通拥堵指数的信任度和不确定性,考虑了证据之间的冲突,使RSU得到融合后的交通拥堵指数更加准确;
(4)本发明在融合过程中采用V2I通信,即车辆节点无需转发任何拥堵消息,车路之间采用单跳广播通信,有效抑制了广播风暴,提高了带宽的利用率。
附图说明
图1为速度的隶属度;
图2为车流密度的隶属度。
具体实施方式
本发明中的拥堵指数指的是根据表1判断出的拥堵指数集合Θ中的任一个值;
下面通过附图和实施例对本发明作进一步说明。
实施例1
本实施例提供了一种基于VANETs和改进的D-S证据理论的道路拥堵检测方法,包括以下步骤:
步骤1,设道路上行驶有n辆车,通过n辆车中每辆车的速度和车流密度,根据拥堵指数集合Θ得到每辆车的至少一个拥堵指数,其中车辆i的至少一个拥堵指数组成该辆车的拥堵指数集合Ai,其中i=1,2,..,n,n为大于等于1的自然数,Ai={Ai 1,Ai 2,...,Ai a,...,Ai M},M≤24,Ai a表示车辆i的第a个拥堵指数,a=1,2,..,M;
所述拥堵指数集合Θ={Ⅰ,Ⅱ,Ⅲ,Ⅳ};
其中,拥堵指数Ⅰ表示畅通,市民感受的定性描述为:路上车很少,畅行无阻;拥堵指数Ⅱ表示基本畅通,市民感受的定性描述为:基本还是畅通的;拥堵指数Ⅲ表示轻度拥堵,市民感受的定性描述为:有一些拥堵,但不严重;拥堵指数Ⅳ表示中度拥堵,市民感受的定性描述为:拥堵严重;
包括:
步骤11,根据道路通行能力手册及拥堵评级系统,将车辆速度值划分为4个车辆速度模糊区间,分别是SV:[0,vth1],SL:[vth1,vth2],SM:[vth2,vth3],SH:[vth3,vT];其中vT表示车辆速度的限速值,本实施例中vT取值为120,车辆速度单位为km/h。设置4个车流密度模糊区间,分别是DL:[0,ρth1],DM:[ρth1,ρth2],DH:[ρth2,ρth3],DV:[ρth3,ρT];其中ρT表示车流密度的饱和值,本实施例中ρT取值为100,车流密度的单位为veh/km。
本实施例中,SV:[0,45],SL:[15,70],SM:[40,90],SH:[75,vT];DL:[0,35],DM:[25,45],DH:[30,60],DV:[40,ρT]。
步骤12,根据表1得到每辆车的拥堵指数集合,如图1、2。
表1
步骤2,通过式(1)计算车辆i在第a个拥堵指数下的基本概率分配函数mi(Aa i),即可得到n辆车中的每辆车在第a个拥堵指数下的基本概率分配函数;
mi(Aa i)=1-H(vi,ρi) (1)
其中,i=1,2,..,n,a=1,2,..,M,H(vi,ρi)=-p(vi)log2p(vi)+(-p(ρi)log2p(ρi)),vi为车辆i的速度,vthi为车辆i在第a个拥堵指数下的速度下限值,vT为道路上车辆速度的限速值,ρi为车辆i的车流密度,ρthi为车辆i在第a个拥堵指数下的车流密度的下限值,ρT为道路上车流密度的饱和值;
本实施例中,车辆i检测得到vi=43km/h,ρi=20veh/(km*ln)。
查表1,根据速度vi和密度ρi各自所在的区间,速度vi=43km/h时处于SV:[0,45],SL:[15,70],SM:[40,90]三个速度区间中,ρi=20veh/(km*ln)时处于DL:[0,35]车流密度区间中。由图1可知:vi=43km/h处于SV:[0,45]中对应的隶属度p(vi,SV)=0.02,vi=43km/h处于SL:[15,70]中对应的隶属度p(vi,SL)=0.98,vi=43km/h处于SM:[40,90]中对应的隶属度p(vi,SH)=0.03。由图2可知:ρi处于DL:[0,35]中的隶属度p(ρi,DL)=0.9。
同时确定车辆i检测到的拥堵指数Ai,速度vi和密度ρi同时一个或者对应多个拥堵指数;vi=43km/h,ρi=20veh/(km*ln),则查表1有(SV,DL)->Ⅱ,(SL,DL)->Ⅰ,(SM,DL)->Ⅰ,即检测到vi=43km/h,ρi=20veh/(km*ln)时,拥堵指数可能取Ⅱ和Ⅰ。
计算车辆i的速度vi的自信息I(vi)=-log2p(vi),其中p(vi)表示vi的隶属度。vi=43km/h处于SV:[0,45]中的信息量I(vi,SV)=-log2p(vi,SV)=-log20.02=5.64,vi=43km/h处于SL:[15,70]中的信息量I(vi,SL)=-log2p(vi,SL)=-log20.98=0.029,vi=43km/h处于SM:[40,90]中的信息量I(vi,SM)=-log2p(vi,SM)=-log20.03=5.06,计算车辆i所在车流的密度ρi的信息量I(ρi)=-log2p(ρi),其中p(ρi)表示ρi的隶属度;ρi处于DL:[0,35]中的信息量I(ρi,DL)=-log2p(ρi,DL)=-log20.9=0.15。
计算速度vi和密度ρi的信息熵H(vi,ρi)=-p(vi)log2p(vi)+(-p(ρi)log2p(ρi));处在H(vi,SV,ρi,DL)=-p(vi,SV)log2p(vi,SV)+(-p(ρi,DL)log2p(ρi,DL))
=5.64*0.02+0.15*0.9
=0.2478;
H(vi,SL,ρi,DL)=-p(vi,SL)log2p(vi,SL)+(-p(ρi,DL)log2p(ρi,DL))
=0.029*0.98+0.15*0.9
=0.1634;
H(vi,SM,ρi,DL)=-p(vi,SM)log2p(vi,SM)+(-p(ρi,DL)log2p(ρi,DL))
=5.06*0.03+0.15*0.9
=0.2868;
本实施例确定车辆i的各拥堵指数的基本概率分配mi(Ai)=1-H(vi,ρi);对于拥堵指数Ⅱ:
H(vi,SV,ρi,DL)=0.2478;
对于拥堵指数Ⅰ:
H(vi,SL,ρi,DL)+H(vi,SM,ρi,DL)=0.1634+0.2686=0.432;
mi(Ai)=1-mi(Ⅱ)-mi(I)=1-0.2478-0.432=0.3202;Ai表示识别框架中2{Ⅲ,Ⅳ}的子集。
步骤3,通过式(2)将n辆车中的每辆车在第a个拥堵指数下的基本概率分配函数进行合成,得到道路在第a个拥堵指数下的基本概率分配函数m(Aa),即可得到道路在每个拥堵指数下的基本概率分配函数m(A),其中m(A)={m(A1),m(A2),..,m(Aa),...,m(AM)};
步骤4,设设m(Aa)=max{m(A)},m(Aa′)=large{m(A),2};
若m(Aa)-m(Aa′)>ε1,则道路的拥堵指数为第a个拥堵指数;
其中,ε1=10-4。
检测周期内,若某4辆同向行驶的车辆检测到其行驶速度和所在车流密度分别为(43km/h,20veh(km*ln)),(45km/h,19veh(km*ln)),(40km/h,25veh(km*ln))(38km/h,28veh(km*ln)),某个RSU接收到其通信范围内该4辆车广播的拥堵指数集合Ai分别为:{m1(I)=0.330,m1(Ⅱ)=0.279,m1(θ)=0.028},{m2(I)=0.336,m2(Ⅱ)=0.283,m2(θ)=0.027},{m3(I)=0.25,m3(Ⅱ)=0.292,m3(θ)=0.033},{m4(I)=0.236,m4(Ⅱ)=0.299,m4(Ⅲ)=0.174,m4(Ⅳ)=0.111,m4(θ)=0.015}。
wⅠ)=0.33*0.336*0.25*0.236+0.028*0.336*0.25*0.236*3+0.330*0.027*0.25
*0.236*3+0.330*0.027*0.25*0.236*3+0.033*0.330*0.25*0.236*3
=0.013
m(Ⅰ)=w(Ⅰ)=0.013
同理:
wⅠ)=0.279*0.283*0.292.0.299+0.028*0.283*0.292*0.299*3+0.279*0.027*0.299*3+0.279*0.283*0.033*0.299+0.279*0.283*0.292*0.015*3
=0.0128
m(Ⅱ)=w(Ⅱ)=0.0128
因为其他拥堵指数的基本概率分配均小于mi(A),所以其合成后结果均小于m(I)、m(Ⅱ),即在步骤4中只需比较m(I)、m(Ⅱ)。
m(θ)=w(θ)+k*ε*q(θ)+k*(1-ε)=0
步骤4,设m(Aa)=max{m(A),A∈Θ},m(Aa′)=large{m(A),2};
若m(Aa)-m(Aa′)>ε1且m(θ)<ε2且m(Aa)>m(θ),则道路的拥堵指数为Aa;令I=Aa,Ⅱ=Aa'。本实施例中取ε1=ε2=10-4。
m(I)-m(Ⅱ)=0.013-0.0128=0.0002>10-4
m(θ)=0<10-4
0.013>0即,m(I)>m(θ)
因此,判决结果得到拥堵指数为Ⅰ,即车辆行驶的当前路段处在畅通的状态。
Claims (2)
1.一种基于VANETs和改进的D-S证据理论的道路拥堵检测方法,其特征在于,包括以下步骤:
步骤1,设道路上行驶有n辆车,通过n辆车中每辆车的速度和车流密度,根据拥堵指数集合Θ得到每辆车的至少一个拥堵指数,其中车辆i的至少一个拥堵指数组成该辆车的拥堵指数集合Ai,其中i=1,2,..,n,n为大于等于1的自然数,Ai={Ai 1,Ai 2,...,Ai a,...,Ai M},M≤24,Ai a表示车辆i的第a个拥堵指数,a=1,2,..,M;
所述拥堵指数集合Θ={Ⅰ,Ⅱ,Ⅲ,Ⅳ};
步骤2,通过式(1)计算车辆i在第a个拥堵指数下的基本概率分配函数mi(Aa i),即可得到n辆车中的每辆车在第a个拥堵指数下的基本概率分配函数;
mi(Aa i)=1-H(vi,ρi) (1)
其中,i=1,2,..,n,a=1,2,..,M,H(vi,ρi)=-p(vi)log2p(vi)+(-p(ρi)log2p(ρi)),vi为车辆i的速度,vthi为车辆i在第a个拥堵指数下的速度下限值,vT为道路上车辆速度的限速值,ρi为车辆i的车流密度,ρthi为车辆i在第a个拥堵指数下的车流密度的下限值,ρT为道路上车流密度的饱和值;
步骤3,通过式(2)将n辆车中的每辆车在第a个拥堵指数下的基本概率分配函数进行合成,得到道路在第a个拥堵指数下的基本概率分配函数m(Aa),即可得到道路在每个拥堵指数下的基本概率分配函数m(A),其中m(A)={m(A1),m(A2),..,m(Aa),...,m(AM)};
步骤4,设m(Aa)=max{m(A)},m(Aa′)=large{m(A),2};
若m(Aa)-m(Aa′)>ε1,则道路的拥堵指数为第a个拥堵指数;
其中,ε1=10-4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710712884.7A CN107622309B (zh) | 2017-08-18 | 2017-08-18 | 一种基于VANETs和改进的D-S证据理论的道路拥堵检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710712884.7A CN107622309B (zh) | 2017-08-18 | 2017-08-18 | 一种基于VANETs和改进的D-S证据理论的道路拥堵检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107622309A CN107622309A (zh) | 2018-01-23 |
CN107622309B true CN107622309B (zh) | 2021-01-08 |
Family
ID=61088775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710712884.7A Active CN107622309B (zh) | 2017-08-18 | 2017-08-18 | 一种基于VANETs和改进的D-S证据理论的道路拥堵检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107622309B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035776A (zh) * | 2018-08-23 | 2018-12-18 | 深圳大学 | 一种交通异常检测方法及系统 |
CN111709378B (zh) * | 2020-06-18 | 2022-07-12 | 湖南大学 | 一种基于js散度和模糊证据理论的路况状态评估新方法 |
CN112382098B (zh) * | 2021-01-12 | 2021-07-06 | 中兴通讯股份有限公司 | 交通拥堵检测方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08153002A (ja) * | 1994-11-30 | 1996-06-11 | Toshiba Corp | あいまい推論装置及びあいまい推論方法 |
CN101216998A (zh) * | 2008-01-11 | 2008-07-09 | 浙江工业大学 | 基于模糊粗糙集的证据理论城市交通流信息融合方法 |
CN101777263A (zh) * | 2010-02-08 | 2010-07-14 | 长安大学 | 一种基于视频的交通车流量检测方法 |
CN102855272A (zh) * | 2012-07-16 | 2013-01-02 | 中国科学院地理科学与资源研究所 | 一种微博客蕴含交通信息融合的d-s证据理论方法 |
CN104064029A (zh) * | 2014-07-07 | 2014-09-24 | 哈尔滨工业大学 | 一种VANETs中V2V链路延迟的动态预测方法 |
CN106781509A (zh) * | 2017-03-06 | 2017-05-31 | 长安大学 | 一种基于v2v的协作式城市道路拥堵检测方法 |
CN106887140A (zh) * | 2017-03-01 | 2017-06-23 | 长安大学 | 一种基于vanet的道路交通拥堵检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9699205B2 (en) * | 2015-08-31 | 2017-07-04 | Splunk Inc. | Network security system |
-
2017
- 2017-08-18 CN CN201710712884.7A patent/CN107622309B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08153002A (ja) * | 1994-11-30 | 1996-06-11 | Toshiba Corp | あいまい推論装置及びあいまい推論方法 |
CN101216998A (zh) * | 2008-01-11 | 2008-07-09 | 浙江工业大学 | 基于模糊粗糙集的证据理论城市交通流信息融合方法 |
CN101777263A (zh) * | 2010-02-08 | 2010-07-14 | 长安大学 | 一种基于视频的交通车流量检测方法 |
CN102855272A (zh) * | 2012-07-16 | 2013-01-02 | 中国科学院地理科学与资源研究所 | 一种微博客蕴含交通信息融合的d-s证据理论方法 |
CN104064029A (zh) * | 2014-07-07 | 2014-09-24 | 哈尔滨工业大学 | 一种VANETs中V2V链路延迟的动态预测方法 |
CN106887140A (zh) * | 2017-03-01 | 2017-06-23 | 长安大学 | 一种基于vanet的道路交通拥堵检测方法 |
CN106781509A (zh) * | 2017-03-06 | 2017-05-31 | 长安大学 | 一种基于v2v的协作式城市道路拥堵检测方法 |
Non-Patent Citations (3)
Title |
---|
《Traffic congestion detection in large-scale scenarios using vehicle-to-vehicle communications》;R. Bauza et al;;《Journal ofNetworkandComputerApplications》;20131231;第36卷;第1295–1307页; * |
《基于D-S证据理论的交通拥堵预测研究》;林敦欣 等;;《内江科技》;20081130;第69-72页; * |
《考虑多因素的城市道路交通拥堵指数预测研究》;韦清波 等;;《交通运输系统工程与信息》;20170228;第17卷(第1期);第74-81页; * |
Also Published As
Publication number | Publication date |
---|---|
CN107622309A (zh) | 2018-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110446278B (zh) | 基于v2i的智能驾驶汽车传感器盲区安全控制方法及系统 | |
CN104537852B (zh) | 一种基于车路协同的道路突发事故提示方法 | |
CN105788256A (zh) | 基于车联网的路况信息感知方法 | |
US8121776B2 (en) | Incident resolution judgment system | |
CN107622309B (zh) | 一种基于VANETs和改进的D-S证据理论的道路拥堵检测方法 | |
Maglaras et al. | Distributed clustering in vehicular networks | |
CN106781556B (zh) | 一种适用于车载短距离通信网络的交通信号灯时长判断方法 | |
CN113096416A (zh) | 用于高速公路上合流区的自动驾驶专用车道与通用车道可变限速的动态协同管控方法 | |
CN105788322A (zh) | 一种基于车联网的特种车辆通行方法和系统 | |
CN105976609A (zh) | 一种车辆数据处理系统及方法 | |
CN113347254A (zh) | 基于v2x的智能交通控制车联网系统及其控制方法 | |
CN109215343B (zh) | 基于社团发现的路网拥堵区域动态识别方法及系统 | |
CN108198439A (zh) | 一种基于雾计算的城市智能交通控制方法 | |
WO2019079845A1 (en) | ROAD TRAFFIC MONITORING AND NOTIFICATION SYSTEM | |
Cheng et al. | Advanced formation and delivery of traffic information in intelligent transportation systems | |
CN108615376A (zh) | 一种基于视频检测的交叉口信号控制方案评价方法 | |
CN111145544B (zh) | 一种基于拥堵蔓延消散模型的行程时间及路径预测方法 | |
CN108009169B (zh) | 一种数据处理方法、装置及设备 | |
JP2020027645A (ja) | サーバ、無線通信方法、コンピュータプログラム、及び車載装置 | |
DE102016104274A1 (de) | Stauinformationenerzeugungsvorrichtung und stauinformationenerzeugungsverfahren | |
CN106971535A (zh) | 一种基于浮动车gps实时数据的城市交通拥堵指数计算平台 | |
CN105872959A (zh) | 基于移动自适应聚类的城市道路状况自动感知方法 | |
KR20190014067A (ko) | 데이터를 캡처 및 전송하기 위한 장치, 방법, 및 컴퓨터 프로그램 | |
CN116434523A (zh) | 信息感知场景下基于约束度的车辆主动安全管控方法及装置 | |
KR20240032811A (ko) | 교통 정보를 생성하는 서버, 방법 및 컴퓨터 프로그램 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |