CN108597235B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN108597235B CN108597235B CN201810431854.3A CN201810431854A CN108597235B CN 108597235 B CN108597235 B CN 108597235B CN 201810431854 A CN201810431854 A CN 201810431854A CN 108597235 B CN108597235 B CN 108597235B
- Authority
- CN
- China
- Prior art keywords
- travel time
- intersection
- road section
- vehicle
- period
- 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
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
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/081—Plural intersections under common control
Abstract
本发明提供了一种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,利用电子警察系统记录下来的数字化数据为基础,得出车辆在路段上的旅行时间理论分布,以系统通行效率为目标,同时优化信号周期时长和绿信比两参数。可以科学、合理地利用电子警察视频系统监拍画面等数字化信息,优化交叉口信号参数,以提高道路平面交叉口处的综合通行能力,实现单个交叉口、交叉口群范围内交通安全、通畅、绿色环保的目的。
Description
技术领域
本发明涉及交通控制与管理领域,特别地,涉及一种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。
背景技术
平面交叉口是城市道路交通网络的通行瓶颈,车辆在交叉口前的延误时间占到了总行程时间的20%~50%。为了提高城市道路平面交叉口处的车辆通行能力,采取了交叉口进口道拓宽、渠化、引入左转(直行)前行待驶等交通工程手段的同时,也在交叉口处安装了的电子警察视频系统,以监拍在交叉口附近的违规驾驶行为,保证车流通行顺畅。
交叉口前的电子警察系统在交通执法的同时,也能拍摄通过该交叉口的车辆图像,从中能提取出车辆特征(例如车牌号、车辆通过时刻)等数字化信息。
交叉口信号参数包括确定信号周期时长和绿信比。信号周期是指信号灯不同灯色轮流显示一次的时间和,信号周期优化的目标包括车辆平均延误、排队长度、停车次数、资源消耗、污染物排放、舒适性等。周期时长优化方法主要有英国的TRRL法、澳大利亚的ARRB法以及美国的HCM法。
1958年,Webster以车辆平均延误最小为目标,提出了定时信号配时的经典模型。以其形式简单、参数少、精度较高、推出时间早而得到广泛应用。Webster算法主要适用于低饱和度状态,当饱和度偏大时,信号周期明显偏大,车辆延误成倍增加。随后,Kim提出了过饱和信号交叉口的信号配时优化模型。1981年,Akcelik通过引入“停车补偿系数”建立了考虑停车次数和交通延误两目标的信号配时优化评价指标,其对应着澳大利亚的ARRB法。
美国《道路通行能力手册》(HCM 2000)提出了信号周期时长计算公式,众多学者认为这是最短的信号周期。Chang提出一个离散动态优化模型来解决交叉口交通流过饱和现象,利用两阶段控制来获得最优周期和绿信比。Park等建立了同时对绿信比、周期时长、相位差进行优化的随机信号优化模型。
后来的学者对城市交通信号优化控制技术同样进行了大量的研究,将人工智能方法应用到交通系统的控制当中。其中用的比较多的是模糊控制、遗传算法、蚁群算法、神经网络等。国内杨佩昆将信号配时的视角从停车线转移到冲突点,称之为“冲突点法”。因只适用两相位控制,公式冗繁,交通参数难以获得,不具有实用性。袁春华、史峰等利用可穿越空挡理论来计算信号周期时长。徐冬玲提出了一个模糊神经网络信号配时模型。杨锦冬利用灰色系统分析来进行信号配时。张君纬运用车流波动理论计算最短周期时长。
绿信比是各相位的有效绿灯时间与周期时长的比值。通常有两种优化思路:等饱和度分配:Webster认为若车辆平均延误最小,交叉口总饱和度亦最小。则绿信比与各相位中的交通流量比成比例,将有效绿灯时间平均分配到关键相位得到各相位的绿信比;(2)不等饱和度分配:Akcelik提出了不等饱和度绿信比计算法,适用于各相位饱和度要求不同状况。SCATS绿信比优化引入了“类饱和度”的概念,应用余缺调剂实现特殊通行要求,来维持饱和度大致相等;而TRANSYT系统和SCOOT系统则是在等饱和度的基础上,综合考虑受阻排队长度、拥挤程度和延误、停车次数而加以确定。
综上所述,对于交通系统的总旅行时间与交叉口信号参数的诸多优化方法,均没有从车辆在交叉口临近路段系统内的通行效率角度来考虑,而通行效率直接与车辆平均延误、排队长度、停车次数、资源消耗、污染物排放、舒适性目标线性相关,因车辆路段旅行时间分布是路段车辆构成、路段的基本渠化方式、交叉口控制方式以及驾驶人驾驶习惯等因素综合作用的结果,所以以路段旅行时间分布来考虑系统通行效率将更具优势。
发明内容
本发明目的在于提供一种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,以解决优化交通系统总旅行时间、信号周期与绿信比,评价单个交叉口与交叉口群的优化后的交通流通行效率的技术问题。
为实现上述目的,本发明提供了一种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,包括以下步骤:
S1.电子警察视频系统提取数字化数据;
S2.车辆路段旅行时间理论分布;
S3.以系统总旅行时间最小为目标,优化交叉口信号周期时长和绿信比;
S4.评估单个交叉口、交叉口群信号参数优化后的交通流通行效率。
作为优选的技术方案之一,步骤S2的具体方法是:以步骤S1提取的数字化数据为基础,首先求出交叉口不同方向流量的交通流大小,然后运用逐段递推法,在考虑交通信号灯参数、交叉口不同方向交通流量大小影响下,得出城市道路车辆路段旅行时间理论分布规律。
作为优选的技术方案之一,步骤S2的具体方法是:假设交叉口前的停车线为下一路段的起始位置,车辆在交叉口内的旅行时间都包含在下一路段的旅行时间中;根据路段前后是否紧邻信号交叉口,将交通网络上的路段分为3种,即(0,1)、(1,0)和(1,1)三种基本路段类型,分别如图2-4所示,其中,1表示紧邻信号交叉口,0则相反;具体划分方法为:当路段前面是起始点,后面是信号交叉口,其间的流量适中,确定为(0,1)路段;当前后都是信号交叉口确定为(1,1)路段;当路段前面是交叉口,后面是路段的终点,确定为(1,0)路段,如图2-4所示。
(1,0)是路径的最后一段,在这一路段上,旅行时间波动的主要原因是驾驶员的驾驶行为差异性导致旅行时间波动;在该类型路段的旅行时间分布服从概率密度函数。而(0,1)和(1,1)类型的区别主要是(1,1)类型的路段前的流入率是受路段前端信号交叉口的影响,得到流入率的概率密度函数之后的分析方法与(0,1)类型的计算方法是一致的。
作为进一步优选的技术方案之一,所述交叉口均为信号交叉口。
作为进一步优选的技术方案之一,步骤S2的具体方法(图5)是:
S2-1.开始,输入参数,判断交通系统处在何种路段,倘若确定为(0,1)路段,进入步骤S2-2;倘若确定为(1,1)路段,进入步骤S2-3;倘若确定为(1,0)路段,进入步骤S2-4;
S2-2.前交叉口按泊松函数产生车辆流入,运用后交叉口的参数,截取、迁移零流时路段旅行时间概率密度函数,计算车辆数到达路段后端时的旅行时间理论分布,然后得到(0,1)路段的旅行时间预算与超出期望旅行时间,进入步骤S2-5;
S2-3.运用前、后交叉口的参数,处理相位差,截取、迁移零流时路段旅行时间概率密度函数,计算车辆数到达路段后端时的旅行时间理论分布,然后得到(1,1)路段的旅行时间预算与超出期望旅行时间,进入步骤S2-5;
S2-4.运用前交叉口的参数,构造出对应的概率密度函数,截取、迁移零流时路段旅行时间概率密度函数,然后得到(1,0)路段的旅行时间预算与超出期望旅行时间,进入步骤S2-5;
S2-5.根据每条路段的期望旅行时间与超出期望旅行时间,将每条道路上的流量与各种旅行时间相乘再累加,得到对应方式的系统总旅行时间;
S2-6.根据各类系统总旅行时间,比较分析交叉口信号参数最优值。
作为更进一步优选的技术方案之一,步骤S2-1中输入参数是指将交通系统中的基本客观参数输入到模型中,所述参数包括路段编号、前节点、后节点、自由流时间、方差、通行能力、前交叉口的信号周期与信号比、后交叉口的信号周期与信号比、前交叉口车道数以及后交叉口车道数、《美国道路通行能力手册》(HCM)所提供的车头时距,绿灯启亮前四辆车的车头时距分别是4.02s,3.3s,2.8s,2.8s,之后的平均饱和车头时距为2.0s,研究时间为1小时等。将交通系统中的基本主观参数输入到模型中,这些参数包括α可靠度,系统研究总时间max_X,每个研究时段的小分段数目等。
作为更进一步优选的技术方案之一,步骤S2-1中,输入参数后,根据每条路段的基本参数,依据交通系统的实际交通需求,假定每条路段占整个交通系统交通需求的比例,获得每条路段的交通流;或者在研究的交通网络上找到各点的最短路径,运用系统最优分配模型进行配流;对交叉口的每一个进口道的每一种转向流量进行细分,十字交叉口的任何一条路段已经被细分成了9种情况,分别是左左、直左、右左、左直、直直、右直、右左、右直和右右(如:左左指车辆在该路段上在前交叉口通过左转的方式进入基本路段然后又在后交叉口通过左转的方式离去),目的是确定车辆处在(0,1)、(1,1)、(1,0)三种路段的哪种状态,精确计算每一条路段上的车辆所受到的因素的影响,从而可以提高整个交通系统运算结果的精度。
作为更进一步优选的技术方案之一,步骤S2-2的具体方法(图19)如下:
S2-2-1.开始,输入后交叉口信号控制参数,在路段起点由泊松分布产生交通流,再根据绿灯启亮时间和车辆进入路段的时刻,调整坐标系,确定足够长的总周期数;同时,给出车辆通过后交叉口停车线所用时长可能性的概率密度函数,该可能性的概率密度函数一般符合对数正态分布,它对应不受限速影响的路段旅行时间概率密度函数;
S2-2-2.根据路段限速参数,利用截取和迁移规则,迁移不受限速影响的路段旅行时间概率密度函数;
S2-2-3.按照相同规则,细分每个周期,计算每个周期的每个小分段进入前交叉口的车辆数;
S2-2-4.根据迁移后的路段旅行时间概率密度函数和每个周期的每个小分段进入前交叉口的车辆数,计算每个周期的每个小分段到达后交叉口的车辆数;根据车辆通过交叉口前停车线车头时距分布规律,计算每个周期的每个小分段后交叉口尚有的滞留车辆数;
S2-2-5.在迁移后的路段旅行时间概率密度函数中,将后交叉口非绿灯时期的通过车辆的可能性设置成0;根据迁移后的路段旅行时间概率密度函数和滞留车辆数,绿灯期间的车流通过可能性等于原值加上迁移过来的可能性;形成符合信号影响下的路段实际旅行时间概率密度函数;每个周期的每个小分段上的可能性迁移步长等于路段期望旅行时间加上放行滞留车辆所需要的时间。
S2-2-6.根据不同时刻进入路段前交叉口车流量的权重,权重求和不同时刻进入路段的路段实际旅行时间概率密度函数,得到车辆路段旅行时间理论分布。
S2-2-7.根据车辆路段旅行时间理论分布,得到路段旅行时间期望、方差、偏度与峰度;
S2-2-8.根据主观设定的α可靠度值,求得路段旅行时间预算与超出期望旅行时间。
作为更进一步优选的技术方案之一,步骤S2-2-1的具体方法是:
输入参数以及预处理:该处理过程需要输入路段交通需求量、零流时间、方差、后交叉口周期与绿信比,该路段末端后交叉口进口道的绿灯相位的绿灯启亮时刻以及α可靠度;车辆处在(0,1)路段受到交通信号灯的影响;这里假设交叉口信号绿灯在0时刻启亮,交叉口信号周期为T1,绿信比为λ1,则绿灯时长为Tg1=T1*λ1;
计算路段绿灯周期的流出率、后交叉口的平均车头时距、车头时距的分布、不饱和车流时长、车头时距对应的时刻以及研究时段内共有的周期数M;
运用路段参数、自由流时间和方差,转化成对数正态分布的参数,设置概率密度函数曲线跨度,构造出对应的概率密度函数;
随机产生服从泊松分布的数据,作为进入到路段前端的交通量分布。根据路段输入的交通流量,计算出车辆到达率λ;按照模型中的每个周期的分段数所对应的长度为步长,将整个研究时段细分众多的小分段,数目为M;接着将λ与M作为泊松分布产生的参数,获得泊松分布数据。然后再根据绿灯启亮时间和车辆进入路段的时刻,调整坐标系。
假设平均车速、处罚车速,依据平均车速与零流时间计算出路段长度,再接着利用路段长度除以处罚速度得到处罚速度对应的时间截取点,并计算出图像左边被截取的概率(斜上角形的面积)。
作为更进一步优选的技术方案之一,步骤S2-2-1的具体方法是:在原来每个信号周期的基础上将小分段的长度再细分g小份,便于计算积分;将不受限速影响的概率密度函数,左边截取的面积移到截取点后的时间点右侧,具体方法是右侧的小分段与函数值组成的面积占右侧总面积的比例分配,再将矩阵重组,并检验截取后的概率密度函数总的概率是否为1。
作为更进一步优选的技术方案之一,步骤S2-2-5的具体方法是:在路段前端进入交叉口的车辆到达后交叉口的概率是一个时间段,通过计算车辆在每个小分段到达的概率,从而计算每个周期的每个小分段到达的可能性。
作为更进一步优选的技术方案之一,步骤S2-3的具体方法(图20)如下:
S2-3-1.开始,输入路段前、后交叉口信号控制参数;由泊松分布产生流入路段前交叉口的交通流,再根据绿灯启亮时间和车辆进入路段的时刻,调整坐标系,确定足够长的总周期数;同时,给出车辆通过后交叉口停车线所用时长可能性的概率密度函数,该可能性的概率密度函数一般符合对数正态分布,它对应不受限速影响的路段旅行时间概率密度函数;
S2-3-2.根据路段限速参数,利用截取和迁移规则,迁移不受限速影响的路段旅行时间概率密度函数;
S2-3-3.按照相同规则,细分每个周期,计算每个周期的每个小分段进入前交叉口的车辆数;
S2-3-4.根据迁移后的路段旅行时间概率密度函数和每个周期的每个小分段进入前交叉口的车辆数,计算每个周期的每个小分段流出前交叉口的车辆数以及到达后交叉口的车辆数;根据车辆通过交叉口前停车线车头时距分布规律,计算每个周期的每个小分段后交叉口尚有的滞留车辆数;
S2-3-5.在迁移后的路段旅行时间概率密度函数中,将后交叉口非绿灯时期的通过车辆的可能性设置成0;根据迁移后的路段旅行时间概率密度函数和滞留车辆数,绿灯期间的车流通过可能性等于原值加上迁移过来的可能性;形成符合信号影响下的路段实际旅行时间概率密度函数;每个周期的每个小分段上的可能性迁移步长等于路段期望旅行时间加上放行滞留车辆所需要的时间;
S2-3-6.根据不同时刻进入路段前交叉口车流量的权重,权重求和不同时刻进入路段的路段实际旅行时间概率密度函数,得到车辆路段旅行时间理论分布;
S2-3-7.根据车辆路段旅行时间理论分布,得到路段旅行时间期望、方差、偏度与峰度;
S2-3-8.根据主观设定的α可靠度值,求得旅行时间预算与超出期望旅行时间。
作为更进一步优选的技术方案之一,步骤S2-3-1的具体方法是:该处理过程需要输入路段交通需求量、零流时间及方差、前、后交叉口周期、绿信比及信号差,进口道的绿灯相位的绿灯启亮时刻;计算路段绿灯周期的流出率、后交叉口的平均车头时距、车头时距的分布、不饱和车流时长、车头时距对应的时刻以及研究时段内共有的周期数M。
作为更进一步优选的技术方案之一,步骤S2-3-3的具体方法是:运用路段参数,自由流时间及方差,转化成对数正态分布的参数,设置概率密度函数曲线跨度,构造出对应的路段旅行时间概率密度函数。
作为更进一步优选的技术方案之一,步骤S2-3-5的具体方法是:假设平均车速、处罚车速,依据平均车速与零流时间计算出路段长度,再接着利用路段长度除以处罚速度得到处罚速度对应的时间截取点,并计算出图像左边被截取的概率(斜上角形的面积)。
在原来每个信号周期的基础上将小分段的长度再细分g份,便于计算积分。将不受限速影响的概率密度函数,左边截取的面积移到截取点后的时间点右侧,具体方法是首先确定右侧的小分段与函数值组成的面积占右侧总面积的比例分配,再按照这个比例将左边截取的面积值加载到概率密度函数右侧中去,并检验截取后的概率密度函数总的概率是否为1。
作为更进一步优选的技术方案之一,步骤S2-3-6的具体方法是:路段前端进入交叉口的车辆到达后交叉口的旅行时间是一个概率值,通过计算不同时刻进入路段的车辆数,结合车辆在不同小分段到达后交叉口的概率,从而计算每个周期的每个小分段到达的车辆数。以后交叉口通行能力和每个小分段到达的车辆数为基础,计算因后交叉口信号影响的、迁移后的路段旅行时间概率密度函数。最后以每个小分段进入路段车辆的权重,求和不同时刻进入路段的路段实际旅行时间概率密度函数,得到车辆路段旅行时间理论分布。
作为更进一步优选的技术方案之一,步骤S2-4的具体方法(图21)如下:分别采用仿真、UE两种方法获得METT、MTT对应的对应的系统总旅行时间,进行比较分析这四种计算方法的优劣。
S2-4-1.开始,输入路段前交叉口信号控制参数,设置路段后为一个虚拟交叉口,其控制信号为全绿信号控制;由泊松分布产生流入路段前交叉口的交通流,再根据绿灯启亮时间和车辆进入路段的时刻,调整坐标系,确定足够长的总周期数;同时,给出车辆通过后交叉口停车线所用时长可能性的概率密度函数,该可能性的概率密度函数一般符合对数正态分布,它对应不受限速影响的路段旅行时间概率密度函数;
S2-4-2.根据路段限速参数,利用截取和迁移规则,迁移不受限速影响的路段旅行时间概率密度函数;
S2-4-3.按照相同规则,细分每个周期,计算每个周期的每个小分段进入前交叉口的车辆数;
S2-4-4.根据迁移后的路段旅行时间概率密度函数和每个周期的每个小分段进入前交叉口的车辆数,计算每个周期的每个小分段流出前交叉口的车辆数以及到达后交叉口的车辆数;根据车辆通过交叉口前停车线车头时距分布规律,计算每个周期的每个小分段后交叉口尚有的滞留车辆数;
S2-4-5.在迁移后的路段旅行时间概率密度函数中,将后交叉口非绿灯时期的通过车辆的可能性设置成0;根据迁移后的路段旅行时间概率密度函数和滞留车辆数,绿灯期间的车流通过可能性等于原值加上迁移过来的可能性;形成符合信号影响下的路段实际旅行时间概率密度函数;每个周期的每个小分段上的可能性迁移步长等于路段期望旅行时间加上放行滞留车辆所需要的时间;
S2-4-6.根据不同时刻进入路段前交叉口车流量的权重,权重求和不同时刻进入路段的路段实际旅行时间概率密度函数,得到车辆路段旅行时间理论分布;
S2-4-7.根据车辆路段旅行时间理论分布,得到路段旅行时间期望、方差、偏度与峰度;
S2-4-8.依据主观设定的α可靠度值,求得旅行时间预算与超出期望旅行时间。
作为更进一步优选的技术方案之一,步骤S2-4-4的具体方法是:假设平均车速、处罚车速,依据平均车速与零流时间计算出路段长度,再接着利用路段长度除以处罚速度得到处罚速度对应的时间截取点,并计算出图像左边被截取的概率(斜上角形的面积)。
在原来每个信号周期的基础上将小分段的长度再细分g份,便于计算积分。将不受限速影响的概率密度函数,左边截取的面积移到截取点后的时间点右侧,具体方法是首先确定右侧的小分段与函数值组成的面积占右侧总面积的比例分配,再按照这个比例将左边截取的面积值加载到概率密度函数右侧中去,并检验截取后的概率密度函数总的概率是否为1。
作为优选的技术方案之一,步骤S3中,优化目标包括:车辆平均延误、排队长度、停车次数、资源消耗、污染物排放、舒适性等。
作为优选的技术方案之一,步骤S3的具体方法(图22)如下:
S3-1.开始,输入参数,分别进入步骤S3-2和步骤S3-4;
S3-2.设置信号周期梯度,进入步骤S3-3;
S3-3.设置绿信比梯度,进入步骤S3-5;
S3-4.在信号周期与绿信比组合梯度上,计算出METT、MTT对应的系统总旅行时间,比较选出最优值以及对应的信号周期与绿信比,进入步骤S3-5;
S3-5.分别采用仿真、UE两种方法获得对应的系统总旅行时间,进行比较分析仿真、UE与METT、MTT标准组合的四种计算方法的优劣;
S3-6.将TRRL方法、ARRB方法、HCM方法、TTD-METT方法和TTD-MTT方法进行对比,分别用这些方法计算出最优信号周期时长和绿信比;
S3-7.仿真得到的最优信号周期时长和绿信比,得到每种信号周期时长和绿信比下的仿真车辆总停车延误、总旅行时间、最大排队长度和停车次数;
S3-8.比较分析各种方法得到的结果,进行优劣评价。
作为进一步优选的技术方案之一,步骤S3-2的具体方法是:根据交通需求量,将信号周期设置成一定梯度,通过旅行时间分布理论计算出该交通需求下不同周期METT、MTT对应的系统总旅行时间,比较选出最佳周期。
作为进一步优选的技术方案之一,步骤S3-3的具体方法是:在交通量与最佳周期已确定的情况下,将绿信比设置成一定梯度,通过旅行时间分布理论计算出该条件下不同绿信比METT、MTT所对应的系统总旅行时间,比较选出最佳绿信比。
作为进一步优选的技术方案之一,步骤S3-4的具体方法是:根据上述交通需求量,同时将信号周期与绿信比按照一定梯度设置,运用旅行时间分布理论,计算出METT、MTT对应的系统总旅行时间,比较选出最优值以及对应的信号周期与绿信比。
本发明具有以下有益效果:
本发明利用电子警察系统记录下来的数字化数据为基础,得出车辆在路段上的旅行时间理论分布,以系统通行效率为目标,同时优化信号周期时长和绿信比两参数。可以科学、合理地利用电子警察视频系统监拍画面等数字化信息,优化交叉口信号参数,以提高道路平面交叉口处的综合通行能力,实现单个交叉口、交叉口群范围内交通安全、通畅、绿色环保的目的。
为了充分利用电子警察视频系统提取的数字化数据来优化交叉口信号参数,本发明以数字化数据为基础,先得到了车辆路段旅行时间理论分布,后以系统总旅行时间为优化目标,同步实现交叉口信号周期时长和绿信比的优化,并以这些数字化数据为基础,评估单个交叉口、交叉口群信号参数优化后的交通流通行效率。
本发明采用客观参数与主观参数相结合的方法。客观参数包括路段编号、前节点、后节点、自由流时间、方差、通行能力、前交叉口的信号周期与信号比、后交叉口的信号周期与信号比、前交叉口车道数以及后交叉口车道数、《美国道路通行能力手册》(HCM)所提供的车头时距,绿灯启亮前四辆车的车头时距分别是4.02s,3.3s,2.8s,2.8s,之后的平均饱和车头时距为2.0s,研究时间为1小时等;主观参数包括α可靠度,系统研究总时间,每个研究时段的小分段数目等。依据主观设定的α可靠度值,求得旅行时间预算与超出期望旅行时间。
本发明以系统总旅行时间为优化目标,同步实现交叉口信号周期时长和绿信比的优化,并以这些数字化数据为基础,评估单个交叉口、交叉口群信号参数优化后的交通流通行效率。相比国际上通用的英国TRRL法、澳大利亚ARRB法、美国HCM法都将信号周期和绿信比视作相互独立的,忽略了两者之间的联动性。本发明将两者的联动性综合考虑。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明的计算方法的流程图;
图2为本发明(0,1)基本路段示意图;
图3为本发明(1,1)基本路段示意图;
图4为本发明(1,0)基本路段示意图;
图5为本发明基本路段适用情况图;
图6为本发明信号灯的放行概率函数;
图7为本发明信号红灯对车辆的阻滞作用;
图8为本发明平移后的车辆旅行时间分布;
图9为本发明不同时段进入的车辆通过停车线的概率密度函数;
图10为本发明车辆路段旅行时间分布概率密度函数图(3等分);
图11为本发明路段分类示意图;
图12为本发明十字型网络示意图;
图13为本发明交叉口C1的信号相位图;
图14为本发明不同信号周期时下的系统总旅行时间变化趋势图;
图15为本发明系统用户总旅行时间随绿信比变化趋势图;
图16为本发明系统用户总旅行时间随信号配时变化趋势图(q=2500pcu/h);
图17为本发明系统用户总旅行时间随信号配时变化趋势图(q=2000pcu/h);
图18为本发明系统用户总旅行时间随信号配时变化趋势图(q=1500pcu/h);
图19为本发明(0,1)路段技术处理流程;
图20为本发明(1,1)路段技术处理流程;
图21为本发明(1,0)路段技术处理流程;
图22为本发明信号周期与绿信比优化技术流程。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以根据权利要求限定和覆盖的多种不同方式实施。
本发明的具体运算过程(图1)如下:
本发明假设车辆都属于小汽车类型,所有OD(Origin-destination pair)对、在研究时段内的入流率为均匀入流率。假定统计时段是特定的、能使OD对流量全部完成旅行所需要的有限时长时段,比如从高峰期开始,到一小时高峰期内进入的OD对交通量完成旅行所需要的时间。假设交通网络中的信号灯都是固定配时信号灯,且在统计时段内的控制基本参数保持不变。假定在无其他因素影响下,小汽车驾驶员的驾驶行为差异导致的车辆路段旅行时间分布为正态分布;只在路段限速因素影响下,小汽车驾驶员的驾驶行为差异导致的车辆路段旅行时间分布为对数正态分布。假设路段上的车流不受行人、自行车的横向干扰。横向干扰因素不在本文研究范围之内。假设道路网络所有的交叉口都是信号控制交叉口。
本发明假设交叉口信号绿灯在0时刻启亮,交叉口信号周期为T1,绿信比为λ1,则绿灯时长为Tg1=T1*λ1。假设只有一辆车在路段上行驶,当车辆到达停车线前遇到绿灯,车辆可以顺利通过;遇到红灯,则车辆受红灯阻滞的影响而停车等待绿灯。那么,车辆在该交叉口的被放行可能性函数可由公式1表示,车辆通过后交叉口前停车线的可能性如图6所示。
假设车辆在路段上的旅行时间期望值标准差平均速度为路段限速的处罚速度vmax_pan=60km/h,绿信比λ1=0.65,周期T1=1(min),绿灯相位时长为Tg1=0.6(min),并假设这辆车在0时刻进入路段。那么受交叉口信号灯影响,车辆通过交叉口前停车线的旅行时间概率密度函数曲线如图8所示。
车辆进入路段的时刻不可能都集中在0时刻,车辆进入时刻分布在整个信号周期时长区间[0,T1],将[0,T1)均分成g个小分段,则每个小分段的长度为S1=T1/g,当g足够大的时候,可以认为在时间段[(j-1)*S1,j*S1],j∈{1,2,3…g}内进入的所有车辆都是在时间段端点(j-1)*S1进入路段L1。任意时刻进入的车辆、其驶过交叉口停车线所需旅行时间的概率密度函数都相同,从g个小分段出发、车辆通过路段后端交叉口前停车线的时刻可能性函数f(i)(t),(j∈{1,2,3…g})分别表示为:
f(j)(t)=f(t-(j-1)*S1) 公式3)
车辆在第j个时间段进入、受到红灯信号阻滞,通过交叉口的可能性被平移后的概率密度函数为从g个小分段出发、车辆通过路段后端交叉口前停车线的时刻可能性函数f(j)(t)与放行可能性函数的特殊加和,即那么在第j个时间段进入、受到红灯信号阻滞,通过交叉口前停车线的时刻可能性的概率密度函数往左平移(j-1)*S1个单位,就可以得到第j个时间段进入、受到红灯信号阻滞车辆路段旅行时间概率密度函数把g个时间段进入、经平移后所得的车辆旅行时间概率密度函数按均匀权重加起来,就可以得到车辆在路段上的期望旅行时间概率密度函数为:
交通流量的影响分析。随着路段交通流量的增大,路段末端交叉口停车线前排队将逐步形成。此时路段末端交叉口信号灯的影响和交叉口前排队车辆的影响将同时作用于车辆路段旅行时间分布。车辆能否顺利通过交叉口取决于两个关键因素,即车辆到达交叉口停车线前时相位是否处于绿灯以及是否遇到排队。绿灯区间,未遇到排队车辆可顺利通过,否则需排队通过。红灯区间,车辆需等待通过,绿灯启亮后无排队时直接通过,否则需排队通过。故交叉口排队长度对车辆旅行时间长短的影响占有主导作用。
路段交通流量增大过程以及交叉口C1信号红灯的阻滞作用,将会在路段后端交叉口C1停车线前出现排队车辆,这些排队车辆将会影响车辆路段旅行时间的重分布。需经过两步才能将这种情况考虑完整:第一步,计算路段L1后端交叉口C1停车线前的排队长度所形成的外部环境。第二步,结合城市道路车辆自身在限速条件下路段旅行时间的波动规律,分析受路段后端交叉口前排队车辆、信号红灯阻滞作用的车辆通过交叉口停车线可能性迁移规律。
排队长度。路段L1前端交通流入率函数是时间的函数。如果将一个信号周期长时间段[0,T1)均分成g个小分段,则每个小分段的长度为S1=T1/g,当g足够大的时候,可以认为在时间段[(j-1)*S1,j*S1],j∈{1,2,3…g}内进入的所有车辆都是在时间端点(j-1)*S1进入路段L1。假设任意时刻进入的车辆、其驶过交叉口停车线所需旅行时间的概率密度函数都相同。整个研究时段被细分,用{i,j}表示第i个周期的第j个小分段,则{i,j}小分段进入路段L1的交通量为:
I为研究时段内包含的周期数。令fij(t)表示在{i,j}小分段进入路段L1不受信号灯和流量影响时的车辆驶过路段时刻可能性概率密度函数。fij(t)的表达式如下
fij(t)=f(t-[(i-1)*T1+(j-1)*S1]) 公式6)
得到在{k,n}小分段到达交叉口C1停车线前的交通量qkn为:
同理可以得到第k个周期的绿灯相到达交叉口停车线的交通量qkg,绿灯时长包含的小分段记为b:
第k个周期的红灯相到达交叉口停车线的交通量qkr为:
根据美国通行能力手册《Highway Capacity Manual 2000》,排队车辆在绿灯期间进入交叉口,其车头时距有一定的规律,第四辆车后,车头时距保持稳定。h1为第一辆车从绿灯启动开始,到第一辆车通过交叉口停车线的时间,并假设前四辆车间的车头时距分别为h2、h3、h4(单位:s),稳定车头时距为h。车头时距分布如下:
每个信号绿灯时间内能通过的最大车辆数V1为:
V1=floor((Tg1*60-h1-h2-h3-h4)/h)+4 公式13)
每个周期绿灯相的交通量流出率u1为:
u1=V1/Tg1 公式14)
随着到达交叉口停车线前的交通流量的增多以及交叉口信号红灯的阻滞作用,交叉口停车线前会积累一定量的车辆,形成排队。流量越大,排队车辆数越多。βk表示第k个信号周期末交叉口前的排队车辆数。vkg=qkg-u1*Tg1表示第k个信号周期绿灯相到达交叉口停车线的车辆数与绿灯相能通过的车辆数的差。这时可以分第1信号周期和其他信号周期情况来讨论信号周期末交叉口前的排队车辆数。
●当k=1时:
若vkg>0,绿灯期间进入的车辆在本绿灯期间内不能完全清空完,则该周期末的排队车辆数为绿灯期间的滞留车辆数加上红灯期间到达的车辆数:
βk=vkg+qkr 公式16)
若υkg<0,绿灯期间进入的车辆在本绿灯期间内能完全清空完,则该周期的排队车辆数为红灯到达的车辆数:
βk=qkr 公式17)
●当k>1时:
若υkg+βk-1>0,绿灯相到达的车辆与上一周期末排队车辆的和大于该周期信号交叉口能通过的最大车辆数,则该周期末的排队车辆数为:
βk=vkg+βk-1+qkr 公式18)
若vkg+βk-1<0,绿灯期间没有排队车辆,则排队车辆数为红灯期间到达的车辆数,则该周期的排队车辆数为:
βk=qkr 公式19)车辆在各周期末及绿灯时期均有可能遇到排队。
因此,在{k,n}小分段时期到达交叉口停车线前遇到的排队车辆数计算如下:
Ⅰ)当k=1时:
若n是满足式n*S1<=Tg1的正整数,那么第n个时间小分段仍处于绿灯时区,令
当vkn<0时,则第k个信号周期第n个时间小分段末的排队长度Qkn为:
Qkn=0; 公式21)
当vkn>0时,则第k个信号周期第n个时间小分段末的排队长度Qkn为:
Qkn=vkn 公式22)
若n是满足式n*S1>Tg1的正整数,即第n个小分段跨入了红灯时区,仍令
v′kn=qkg-u1*Tg1 公式23)
当v′kn≤0时,则第k个信号周期第n个时间小分段末的排队长度Qkn为:
当v′kn>0时,则第k个信号周期第n个时间小分段末的排队长度Qkn为:
Ⅱ)当k>1时:
若n*S1<=Tg1,即第n个小分段处于绿灯时期,令
当vkn<0时,则第k个信号周期第n个时间小分段末的排队长度Qkn为:
Qkn=0; 公式27)
当vkn>0时,则第k个信号周期第n个时间小分段末的排队长度Qkn为:
Qkn=vkn; 公式28)
若n*S1>Tg1,即第n个小分段处于红灯时期,仍令
v′kn=βk-1+qkg-u1*Tg1 公式29)
当v′kn<0时,则第k个信号周期第n个时间小分段末的排队长度Qkn为:
当v′kn>0时,则第k个信号周期第n个时间小分段末的排队长度Qkn为:
因此,第k个信号周期第n个时间小分段末的排队长度Qkn可以表示为:
Qkn能给出车辆在任意小分段到达交叉口C1停车线前遇到的排队长度,该排队长度揭示了车辆在路段上行驶的外部环境。
概率平移。车辆通过交叉口的具体时间由排队长度及到达时刻是否是绿灯相决定。令fij(t)表示在{i,j}时段进入路段L1不受交叉口信号灯和路段流量影响的车辆路段旅行时间概率密度函数,fij(t)的表达式如下:
fij(t)=f(t-[(i-1)*T1+(j-1)*S1]) 公式33)
Ⅰ.没遇排队。若车辆在{k,n}时段到达交叉口C1停车线前没有遇到排队车辆,车辆能否通过交叉口,完全取决第k个信号周期第n个小分段处在第k周期的绿灯相还是红灯相。若是绿灯相,此时车辆直接通过;若是红灯相,车辆将停车等待到下一绿灯,这时{k,n}时段内的车辆通过交叉口停车线的可能性将平移叠加到下一绿灯相的第一个小分段上。
因而,在{i,j}时段进入路段L1不受交叉口信号灯和路段流量影响的车辆驶过路段时刻可能性的概率密度函数fij(t),在受交叉口信号灯影响情况下,该函数在{k,n}时段到达交叉口C1停车线前的可能性都被平移后的车辆驶过路段时刻可能性的概率密度函数可以表示为:
上式需要对每一个{k,n}时段都进行这样的平移(k=I1,I1-1,…,1;n=g,g-1,…,1),并采用{k,n}的逆序方式进行,平移后的车辆驶过路段时刻的概率密度函数仍然都用表示,最终将得到在{i,j}时段进入路段L1、受交叉口信号灯和且未遇到排队车辆影响的车辆驶过路段时刻可能性的概率密度函数
Ⅱ.遇到排队。若车辆在{k,n}时段到达交叉口C1停车线前遇到了排队车辆,车辆只能停车等待,当排队车辆先行通过交叉口后,该车辆才有机会在绿灯相内通过交叉口停车线。此时需要区分{k,n}时段所处的信号相,结合绿灯相时期内车辆通过交叉口的通行能力,才能推算出最先出现的这个机会所在的小时段。(图11)
讨论车辆在{k,n}时段到达交叉口C1停车线前遇到了排队车辆的情况时,若n≤b,即时段{k,n}处在绿灯相时,车辆在{k,n}时段通过交叉口停车线的可能性都平移到了 (若Qkn≤(b-n)*S1*u1)或 (若floor((Qkn-(b-n)*S1*u1)/V1)≥0)时段上了;若n>b,即时段{k,n}处在红灯相,车辆在{k,n}时段通过交叉口停车线的可能性都平移到了 时段上了。因而,在{i,j}时段进入路段L1不受交叉口信号灯和路段流量影响的车辆驶过路段时刻可能性的概率密度函数fij(t),在受交叉口信号灯和交叉口排队车辆影响情况下,该函数在{k,n}时段到达交叉口C1停车线前的可能性都被平移后的车辆驶过路段时刻可能性的概率密度函数可以表示为:
并用t∈{k,n}表示t取{k,n}时段的任意值。公式36需要对每一个{k,n}时段都进行这样的平移(k=I,I-1,…,1;n=g,g-1,…,1),并采用{k,n}的逆序方式进行,平移后的车辆驶过路段时刻可能性的概率密度函数都用表示,最终将得到在{i,j}时段进入路段L1受交叉口信号灯和交叉口排队车辆影响的车辆驶过路段时刻可能性的概率密度函数
{i,j}时段进入路段L1的交通量为Nij,那么在研究总时段内进入的车辆总数Nz为:
Nz=∑i∑jNij 公式37)
在{i,j}时段进入路段的车辆数所占权重ξij为:
ξij=Nij/Nz 公式38)
车辆驶过路段时刻可能性的概率密度函数向左平移(i-1)*T1+(j-1)*S1个单位,就得到在{i,j}时段进入路段L1受交叉口信号灯和交叉口排队车辆影响的车辆路段旅行时间概率密度函数因此,研究时段内受信号灯和路段流量影响的车辆路段期望旅行时间概率密度函数(如图8-10)为:
路段限速影响:假设在无其他影响因数作用下的车辆路段旅行时间服从对数正态分布,其概率密度函数f*(t)为:
在限速影响条件下,可以运用具有迁移特征的受限因变量统计模型方法来描述城市道路车辆路段旅行时间分布。旅行时间在区间(-∞,t0)上的可能性都讲迁移到区间(t0,+∞)上,则迁移后的车辆路段实际旅行时间分布f(t)为:
其中:δ为一个足够小的正数;t0=L/vmax_pan;L是城市道路路段k的长度;vmax_pan为路段限速的处罚速度。
信号灯和交通量的影响:将一个信号周期长时间段[0,T]均分成g个小分段,则每个小分段的长度为S=T/g。
整个研究时段被细分,用{i,j}表示第i个周期的第j个小分段(i=1,2,3,…,I;j=1,2,3,…,g)。令fij(t)表示在{i,j}小分段进入路段L不受信号灯和流量影响时的车辆驶过路段时刻可能性概率密度函数。fij(t)的表达式如下:
fij(t)=f(t-[(i-1)*T1+(j-1)*S1]) 公式42)
未遇排队。交叉口灯相决定了车辆是否通过交叉口,即若遇红灯则需停车等待,且红灯期间到达交叉口前的车辆进入下一路段的可能性被推移到了下一绿灯相初期。设表示车辆在{i,j}时段内进入路段L而在{k,n}时段内到达交叉口C停车线前的概率密度函数。
公式44需要对每一个{k,n}时段都进行这样的平移(k=I1,I1-1,…,1;n=g,g-1,…,1),并采用{k,n}的逆序方式进行,平移后的车辆驶过路段时刻的概率密度函数仍然都用表示,最终将得到在{i,j}时段进入路段L1、受交叉口信号灯和且未遇到排队车辆影响的车辆驶过路段时刻可能性的概率密度函数平移后的车辆驶过路段时刻的概率密度函数仍然都用表示。
遇到排队。排队消散后车辆才能在绿灯相通过交叉口。
这里(若Qkn≤(b-n)*S1*u1)或 若(floor((Qkn-(b-n)*S1*u1)/V1)≥0);k″=k+floor(Qkn/V1)+1,Qkn为{k,n}时段内的排队车辆数,为平均车头时距(可取2.5s),b为绿灯时长包含的小分段数b=floor(Tg/S),V为每个信号绿灯时间内能通过的最大车辆数u1为每个周期绿灯相的交通量流出率u1=V/Tg。
并用t∈{k,n}表示t取{k,n}时段的任意值。公式45需要对每一个{k,n}时段都进行这样的平移(k=I,I-1,…,1;n=g,g-1,…,1),并采用{k,n}的逆序方式进行,平移后的车辆驶过路段时刻可能性的概率密度函数都用表示,最终将得到在{i,j}时段进入路段L1受交叉口信号灯和交叉口排队车辆影响的车辆驶过路段时刻可能性的概率密度函数
假设在{i,j}时段进入路段的车辆数所占权重ξij为ξij=Nij/Nz,Nij为{i,j}时段进入路段L1的交通量,Nz为研究总时段内进入的车辆总数。
车辆驶过路段时刻可能性的概率密度函数向左平移(i-1)*T1+(j-1)*S1个单位,就得到在{i,j}时段进入路段L1受交叉口信号灯和交叉口排队车辆影响的车辆路段旅行时间概率密度函数因此,研究时段内受信号灯和路段流量影响的车辆路段期望旅行时间概率密度函数为:
(1,1)基本路段前后都紧邻交叉口,在道路交通网络中是最常见的型式。
在交叉口Cm的信号红灯阻滞作用下,会形成车辆排队。信号绿灯启亮后,排队车辆以固定的车头时距通过交叉口Cm,当排队车辆数大于等于交叉口Cm的通行能力Vm时(即处于饱和状态),绿灯启亮后,车辆通过交叉口Cm的车头时距分布为h1,h2,h3,h4,用i表示第i个信号周期,车辆通过交叉口Cm的流出率函数hm(t)如式所示:
其中h′=h1+h2+h3+h4,i=1,2,…,Im+1+w,k=1,2,…,Vm-4。
假设车辆以到达强度Dm(pcu/min)均匀到达交叉口Cm停车线前。一个周期内进入路段的车辆数为:Dm*Tm。交叉口Cm的车辆通行能力流出率为um,一个信号周期内能驶出的车辆数为um*Tgm=um*λm*Tm。当Dm*Tm=um*λm*Tm,即Dm=um*λm时在绿灯期末所有车辆会刚好能排完。车辆通过交叉口Cm的流出率函数是时间的函数。
当Dm≤um*λm时,车辆在绿灯期末不会有排队现象。
i=1时
1<i≤Im+1时
信号交叉口Cm红灯的阻滞作用,使得在上一信号周期红灯期间出现了排队现象。红灯时长Trm=Tm*(1-λ)。信号绿灯启亮时,排队车辆以固定车头时距h1,h2,h3,h4,通过交叉口,当排队车辆排空后,车辆将以到达强度Dm通过交叉口Cm。因而,首先要判断什么时候排队车辆消散完毕,设t0时刻排队消散,即有:
Dm*Trm+Dm*(t0-(i-1)*Tm)=um*(t0-(i-1)*Tm) 公式49)
推导得出:
此时第i个周期总的排队车辆数为:
ceil[Qi]表示取不小于Qi的最小整数,令Nh=ceil[Qi]表示绿灯启亮后Nh辆排队车辆以固定车头时距通过交叉口Cm。流出率函数如公式52所示。
式中:i=2,3,…,Im+1。
由于最后一个信号周期(即Im+1)红灯时期还有排队,则在Im+1+1个周期还有车辆流出,则最后一个周期红灯时期的排队车辆Qr为:
Qr=ceil(Dm*Trm) 公式53)
i=Im+1+1时,流出率函数为:
上式中,若Qr=0,则t0=0;若Qr=1,则t0=h1;若Qr=2,则t0=h1+h2;若Qr=3,则t0=h1+h2+h3;若Qr≥4,则t0=h′+(Qr-4)*h。
当Dm>um*λm时,车辆在绿灯期末还有排队。
i=1时:
若Dm≤um时,在第一个信号绿灯期间不会产生排队车辆。第一个信号周期的流出率函数为:
若Dm>um时,第一个信号周期绿灯启亮就有车辆排队。从0时刻起车辆就以固定的车头时距通过交叉口。第一个信号周期的流出率函数为:
i>1时,每个周期能排出的车辆数为Vm,由于排队车辆在每个周期都未排空,Im+1个周期后还累积一定量的排队车辆Qz。
Qz=Dm*Im+1*Tm-um*λm*Tm*(Im+1-1) 公式57)
需要判断累积的排队车辆还需多少时间能排空。
modQ=ceil(mod(Qz,Vm)) 公式59)
当1<i<Im+1+Qt+1时:
式中i=2,3,…,Im+1+Qt。
当i=Im+1+Qt+1时:
上式中,若modQ=0,则t0=0;若modQ=1,则t0=h1;若modQ=2,则t0=h1+h2;若modQ=3,则t0=h1+h2+h3;若modQ≥4,则t0=h′+(modQ-4)*h。
交通网络中前后交叉口的信号周期不同,绿灯启亮时刻不一致,需要考虑相位差的影响。假设后端交叉口Cm+1绿灯启亮时间比前端交叉口Cm绿灯启亮时间早,相位差dm总可以表示为在一个周期内,即0≤dm≤min{Tm,Tm+1}。由于最初假设交叉口Cm的绿灯启亮时刻为0,相位差的存在使得0时刻并非交叉口Cm+1的绿灯启亮时刻。为了方便计算,将0时刻调整为后端交叉口Cm的绿灯启亮时刻。则交叉口Cm在(0,dm)内的流出量分布为0,从dm时刻后按照的分布流出。交叉口Cm的车辆流出量分布函数就是路段Lm+1的流入量函数gLm+1(t)。
得到路段Lm+1的流入量分布后可以按照第4.1.2节所述方法来计算车辆在路段Lm+1上的期望旅行时间概率密度函数。
(1,1)类型的区别主要是(1,1)类型的路段前的流入率是受路段前端信号交叉口的影响,得到流入率的概率密度函数之后的分析方法与(0,1)类型的计算方法是一致的。
(1,0)路段。基本路段后端没有交叉口,是路径的最后一路段。在该类型路段上旅行时间波动产生的主要原因是驾驶员的驾驶行为。
几个旅行时间测度:面对波动的旅行时间环境,不同道路使用者将选择不同的择路标准。对风险中立用户,期望旅行时间(Mean Travel Time,MTT)是他们的路径选择准则。
Lo指出风险规避用户,注重旅行时间的可靠性,因此提出了旅行时间预算(TravelTime Budget,TTB)作为路径选择准则。
Chen考虑旅行时间可靠和不可靠两方面,将超出期望旅行时间(Mean-excessTravel Time,METT)作为用户路径选择准则,他将旅行时间超出相应路径的TTB的条件期望值定义为超出期望旅行时间(METT)。
将采用超出期望旅行时间和旅行时间预算准则分别作为用户路径选择准则,进行交叉口信号参数优化分析。
设tm为路段Lm上的随机旅行时间,ξm为路段Lm上α可靠度需求下的旅行时间预算。则根据超出期望旅行时间的定义,路段Lm上的超出预算旅行时间的期望为:
其中旅行时间预算为:
本研究中路段旅行时间的概率密度函数f(tm)已知,则ηm(α)为:
交叉口信号参数优化方法:本节将采用路段旅行时间理论分布以及超出期望旅行时间和旅行时间预算准则、利用十字型网络来研究交叉口的信号参数优化问题。
本发明只考虑通过信号相位排除了交叉口内交通流间交叉冲突之后的信号周期时长和绿信比参数优化(交通流间可以含有分流、合流冲突点)。
路段属性如表1所示。车辆通过该交通网络中路段的平均速度为48km/h,处罚速度为55km/h。
表1路段属性
路段号 | 零流时间/min | 方差 | 通行能力/pcu | 前端出口车道数 | 后端进口车道数 |
1 | 1.8 | 0.05 | 1800 | 2 | 2 |
2 | 2.0 | 0.05 | 2000 | 2 | 2 |
3 | 1.2 | 0.05 | 2000 | 2 | 1 |
4 | 1.3 | 0.05 | 2300 | 2 | 1 |
如图13所示,信号交叉口C1的信号周期为T,采用两相位控制,其中右转不受信号灯控制。
相位一的绿信比为λ1,相位二的绿信比为λ2,满足λ1+λ2=1。其中讫点s1和s2都作为虚拟的交叉口处理,信号周期都为1min,绿信比都为1。
首先在已知交通需求信号周期为T、绿信比为λ1的情况下,计算4条路段上的车辆路段旅行时间分布,再计算超出期望旅行时间和旅行时间预算准则值,最后用路段上的交通流量乘以路段的超出期望旅行时间或旅行时间预算准则值,就能得到相应测度下的系统总旅行时间。
通过改变交通需求、信号周期和绿信比参数,可以得到不同参数下的系统总旅行时间,从而可以找到一定交通需求下,最优的信号周期为T、绿信比λ1参数值。
信号参数优化方法:
步骤一,在已有的交通系统中,根据交通需求量,将信号周期设置成一定梯度,通过旅行时间分布理论(METT,MTT)计算出该交通需求下不同周期所对应的系统总旅行时间,比较选出最佳周期;在交通量与最有周期已确定的情况下,将绿信比设置成一定梯度,通过旅行时间分布理论计算出该条件下不同绿信比所对应的系统总旅行时间,比较选出最佳绿信比。
步骤二,根据上述交通需求量,同时将信号周期与绿信比按照一定梯度设置,运用旅行时间分布理论(METT,MTT),计算出对应的系统总旅行时间,比较选出最优值以及对应的信号周期与绿信比。
步骤三,对比分析步骤一与步骤二得到的信号周期与绿信比是否一致。
步骤四,在前三个步骤中,分别采用仿真,UE两种方法获得对应的系统总旅行时间,进行比较分析,检验这四种计算方法的优劣。
步骤五,将广泛应用的TRRL方法、ARRB方法、HCM方法以及本文提出来的TTD-METT方法和TTD-MTT法进行对比,分别用这些方法计算出最优信号周期时长和绿信比,如表6所示。
步骤六,依据这些方法得到的最优信号周期时长和绿信比进行仿真,得到每种信号周期时长和绿信比下的仿真车辆总停车延误、总旅行时间、最大排队长度和停车次数。
步骤七,考虑到HCM方法得到的信号周期时长偏短(交通需求为2000pcu/h时,信号周期时长为18秒;交通需求为1500pcu/h时,信号周期时长为12秒),大幅度小于TRRL方法、ARRB方法、以及本文提出来的TTD-METT方法和TTD-MTT法所确定的信号周期时长,因而只列出了HCM方法确定的信号周期时长和绿信比下的总停车延误、总旅行时间、最大排队长度和停车次数仿真结果,其结果不参与比较。
交叉口信号参数优化方法可以用以下优化模型来表达:
s.t. T∈[0,180]
λ1∈(0,1)
λ1+λ2=1
令路段1和路段2所占流量比分别为总交通需求q的0.4和0.6,路段3和路段4所占流量比都为0.5,信号交叉口C1绿信比为0.5。当交叉口C1的信号周期时长变化时,该网络的超出期望旅行时间(METT)、期望旅行时间(MTT)和传统用户模型的用户总旅行时间如表2所示。
表2不同信号周期时长下的系统总旅行时间
表2还给出了相应参数下的Vissim仿真结果,不同信号周期对应的系统用户总旅行时间如表2所示,交叉口信号周期对交通网络总旅行时间的影响趋势如图14所示。
从图14可以看出,交通量较大(q=2500pcu/h)时,信号周期1.5min为最佳周期,能达到系统最优;交通量中等(q=2000pcu/h)时,最佳信号周期为1min;交通量较小(q=1500pcu/h)时,最佳信号周期为0.5min。
由上可知,交通量较大时,增加信号周期时长能提高通行能力,但是到了一定程度后,延误时间增长更快,因而,最佳信号周期能使得系统总的用户旅行时间最短。
值得注意的是,当交通系统承载中等交通需求(q=2000pcu/h)时,Vissim仿真达到系统最优时的信号周期长度为0.5min,而通过超出期望旅行时间或旅行时间预算准则值计算的最优信号周期长度为1min,这一现象引起了作者的高度关注。
这一现象是Vissim仿真采取跟驰模型引发的,当路段上的交通需求不大时,车辆间的间距比较大,前车对后车的影响比较小,仿真中车辆都会保持最大行驶速度和最大可能的加速度,导致车辆行驶过程差异性极小。
车辆行驶过程高度同步在实际道路交通流中是很难实现的,仿真仅是实际道路交通流理想化的展示。
绿信比变化影响:交叉口C1的信号周期时长T1=1.5min,路段1和路段2所占流量比分别为0.4和0.6,路段3和路段4所占流量比都为0.5,交叉口C1的绿信比从0.2依次递增至0.8,系统总用户旅行时间变化如表3所示;系统总用户旅行时间随绿信比的变化趋势图如图15所示。
由上可知当绿信比等于0.5时,系统用户总旅行时间最短,达到系统最优。0.5为当前交通需求下交叉口的最佳绿信比,图15也说明不合适的信号绿信比将会使得系统用户旅行时间激增,造成交通拥堵等问题。
表3绿信比变化对系统总旅行时间的影响
信号配时:影响力较深的TRRL法、ARRB法、HCM法无一例外都是先确定最佳信号周期时长,再定绿信比,显然信号周期时长和绿信比之间并非相互独立,因而本文以系统总旅行时间为优化目标,同时对信号周期时长和绿信比进行优化。
表4-表6为不同交通需求下信号配时对系统总旅行时间的影响,图16~图18为其影响趋势图(T表示信号周期时长,λ1为相位一的绿信比)。红色值为最优值,对应的分别为最佳信号周期和最佳绿信比,蓝色值为效果最不理想值。
表4信号配时对系统总旅行时间的影响(q=2500pcu/h)
注:蓝色为最大值,红色为最小值,下同。
表5信号配时对系统总旅行时间的影响(q=2000pcu/h)
表6信号配时对系统总旅行时间的影响(q=1500pcu/h)
将广泛应用的TRRL方法、ARRB方法、HCM方法以及本文提出来的TTD-METT方法和TTD-MTT法进行对比,分别用这些方法计算出最优信号周期时长和绿信比,如表7所示。
表7 5种信号配时方法对比结果
其中,λ1——路段1的绿信比,T——信号周期时长。
依据这些方法得到的最优信号周期时长和绿信比进行仿真,得到每种信号周期时长和绿信比下的仿真车辆总停车延误、总旅行时间、最大排队长度和停车次数,见表8。
表8几种信号配时方案下的仿真结果对比
注:上述表中第6、7列中正号表示本文方法优于其他方法,否则反之。
考虑到HCM方法得到的信号周期时长偏短(交通需求为2000pcu/h时,信号周期时长为18秒;交通需求为1500pcu/h时,信号周期时长为12秒),大幅度小于TRRL方法、ARRB方法、以及本发明提出来的TTD-METT方法和TTD-MTT法所确定的信号周期时长,因而只列出了HCM方法确定的信号周期时长和绿信比下的总停车延误、总旅行时间、最大排队长度和停车次数仿真结果,其结果不参与比较。
由上可知,本发明提出的方法与TRRL法和ARRB法相比能明显降低系统总停车延误,与TRRL法相比能降低8.85-14.73%的总停车延误,与ARRB法相比能降低19.97-31.94%的总停车延误;同时能节约系统总旅行时间,与TRRL法相比节约0.3-0.61%,与ARRB法相比能节约0.28-0.90%;除此之外能大幅度的降低总停车次数,与TRRL法相比降低11.39-19.03%,与ARRB方法相比降低5.43-17.59%,当然随之带来的弊端便是小幅度增大了最大排队长度。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种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,其特征在于,包括以下步骤:
S1.电子警察视频系统提取数字化数据;
S2.车辆路段计算旅行时间理论分布;以步骤S1提取的数字化数据为基础,首先求出交叉口不同方向流量的交通流大小,然后运用逐段递推法,在考虑交通信号灯参数、交叉口不同方向交通流量大小影响下,得出城市道路车辆路段旅行时间理论分布规律;
S3.以系统总旅行时间最小为目标,优化交叉口信号周期时长和绿信比;
S4.评估单个交叉口、交叉口群信号参数优化后的交通流通行效率;
步骤S2的具体方法是:假设交叉口前的停车线为下一路段的起始位置,车辆在交叉口内的旅行时间都包含在下一路段的旅行时间中;根据路段前后是否紧邻信号交叉口,将交通网络上的路段分为3种,即(0,1)、(1,0)和(1,1)三种基本路段类型,其中,1表示紧邻信号交叉口,0则相反;具体划分方法为:当路段前面是起始点,后面是信号交叉口,确定为(0,1)路段;当前后都是信号交叉口,确定为(1,1)路段;当路段前面是交叉口,后面是路段的终点,确定为(1,0)路段;
步骤S2的具体方法是:
S2-1.开始,输入参数,判断交通系统处在何种路段,倘若确定为(0,1)路段,进入步骤S2-2;倘若确定为(1,1)路段,进入步骤S2-3;倘若确定为(1,0)路段,进入步骤S2-4;
S2-2.前交叉口按泊松函数产生车辆流入,运用后交叉口的参数,截取、迁移零流时路段旅行时间概率密度函数,计算车辆数到达路段后端时的旅行时间理论分布,然后得到(0,1)路段的旅行时间预算与超出期望旅行时间,进入步骤S2-5;
S2-3.运用前、后交叉口的参数,处理相位差,截取、迁移零流时路段旅行时间概率密度函数,计算车辆数到达路段后端时的旅行时间理论分布,然后得到(1,1)路段的旅行时间预算与超出期望旅行时间,进入步骤S2-5;
S2-4.运用前交叉口的参数,构造出对应的概率密度函数,截取、迁移零流时路段旅行时间概率密度函数,然后得到(1,0)路段的旅行时间预算与超出期望旅行时间,进入步骤S2-5;
S2-5.基于旅行时间理论分布的期望旅行时间优化方法TTD-MTT和基于旅行时间理论分布的超出期望旅行时间优化方法TTD-METT,计算得到对应方式的系统总旅行时间;即根据每条路段的期望旅行时间与超出期望旅行时间,将每条道路上的流量与各种旅行时间相乘再累加;
S2-6.根据各类系统总旅行时间,比较分析交叉口信号参数最优值;
步骤S2-2的具体方法如下:
S2-2-1.开始,输入后交叉口信号控制参数,在路段起点由泊松分布产生交通流,再根据绿灯启亮时间和车辆进入路段的时刻,调整坐标系,确定总周期数;同时,给出车辆通过后交叉口停车线所用时长可能性的概率密度函数,该可能性的概率密度函数符合对数正态分布,它对应不受限速影响的路段旅行时间概率密度函数;
S2-2-2.根据路段限速参数,利用截取和迁移规则,迁移不受限速影响的路段旅行时间概率密度函数;
S2-2-3.按照相同规则,细分每个周期,计算每个周期的每个小分段进入前交叉口的车辆数;
S2-2-4.根据迁移后的路段旅行时间概率密度函数和每个周期的每个小分段进入前交叉口的车辆数,计算每个周期的每个小分段到达后交叉口的车辆数;根据车辆通过交叉口前停车线车头时距分布规律,计算每个周期的每个小分段后交叉口尚有的滞留车辆数;
S2-2-5.在迁移后的路段旅行时间概率密度函数中,将后交叉口非绿灯时期的通过车辆的可能性设置成0;根据迁移后的路段旅行时间概率密度函数和滞留车辆数,绿灯期间的车流通过可能性等于原值加上迁移过来的可能性;形成符合信号影响下的路段实际旅行时间概率密度函数;每个周期的每个小分段上的可能性迁移步长等于路段期望旅行时间加上放行滞留车辆所需要的时间;
S2-2-6.根据不同时刻进入路段前交叉口车流量的权重,权重求和不同时刻进入路段的路段实际旅行时间概率密度函数,得到车辆路段旅行时间理论分布;
S2-2-7.根据车辆路段旅行时间理论分布,得到路段旅行时间期望、方差、偏度与峰度;
S2-2-8.根据主观设定的α可靠度值,求得路段旅行时间预算与超出期望旅行时间;
步骤S2-3的具体方法如下:
S2-3-1.开始,输入路段前、后交叉口信号控制参数;由泊松分布产生流入路段前交叉口的交通流,再根据绿灯启亮时间和车辆进入路段的时刻,调整坐标系,确定总周期数;同时,给出车辆通过后交叉口停车线所用时长可能性的概率密度函数,该可能性的概率密度函数符合对数正态分布,它对应不受限速影响的路段旅行时间概率密度函数;
S2-3-2.根据路段限速参数,利用截取和迁移规则,迁移不受限速影响的路段旅行时间概率密度函数;
S2-3-3.按照相同规则,细分每个周期,计算每个周期的每个小分段进入前交叉口的车辆数;
S2-3-4. 根据迁移后的路段旅行时间概率密度函数和每个周期的每个小分段进入前交叉口的车辆数,计算每个周期的每个小分段流出前交叉口的车辆数以及到达后交叉口的车辆数;根据车辆通过交叉口前停车线车头时距分布规律,计算每个周期的每个小分段后交叉口尚有的滞留车辆数;
S2-3-5.在迁移后的路段旅行时间概率密度函数中,将后交叉口非绿灯时期的通过车辆的可能性设置成0;根据迁移后的路段旅行时间概率密度函数和滞留车辆数,绿灯期间的车流通过可能性等于原值加上迁移过来的可能性;形成符合信号影响下的路段实际旅行时间概率密度函数;每个周期的每个小分段上的可能性迁移步长等于路段期望旅行时间加上放行滞留车辆所需要的时间;
S2-3-6. 根据不同时刻进入路段前交叉口车流量的权重,权重求和不同时刻进入路段的路段实际旅行时间概率密度函数,得到车辆路段旅行时间理论分布;
S2-3-7. 根据车辆路段旅行时间理论分布,得到路段旅行时间期望、方差、偏度与峰度;
S2-3-8.根据主观设定的α可靠度值,求得旅行时间预算与超出期望旅行时间;
步骤S2-4的具体方法如下:
S2-4-1. 开始,输入路段前交叉口信号控制参数,设置路段后为一个虚拟交叉口,其控制信号为全绿信号控制;由泊松分布产生流入路段前交叉口的交通流,再根据绿灯启亮时间和车辆进入路段的时刻,调整坐标系,确定总周期数;同时,给出车辆通过后交叉口停车线所用时长可能性的概率密度函数,该可能性的概率密度函数符合对数正态分布,它对应不受限速影响的路段旅行时间概率密度函数;
S2-4-2. 根据路段限速参数,利用截取和迁移规则,迁移不受限速影响的路段旅行时间概率密度函数;
S2-4-3. 按照相同规则,细分每个周期,计算每个周期的每个小分段进入前交叉口的车辆数;
S2-4-4. 根据迁移后的路段旅行时间概率密度函数和每个周期的每个小分段进入前交叉口的车辆数,计算每个周期的每个小分段流出前交叉口的车辆数以及到达后交叉口的车辆数;根据车辆通过交叉口前停车线车头时距分布规律,计算每个周期的每个小分段后交叉口尚有的滞留车辆数;
S2-4-5. 在迁移后的路段旅行时间概率密度函数中,将后交叉口非绿灯时期的通过车辆的可能性设置成0;根据迁移后的路段旅行时间概率密度函数和滞留车辆数,绿灯期间的车流通过可能性等于原值加上迁移过来的可能性;形成符合信号影响下的路段实际旅行时间概率密度函数;每个周期的每个小分段上的可能性迁移步长等于路段期望旅行时间加上放行滞留车辆所需要的时间;
S2-4-6. 根据不同时刻进入路段前交叉口车流量的权重,权重求和不同时刻进入路段的路段实际旅行时间概率密度函数,得到车辆路段旅行时间理论分布;
S2-4-7. 根据车辆路段旅行时间理论分布,得到路段旅行时间期望、方差、偏度与峰度;
S2-4-8.依据主观设定的α可靠度值,求得旅行时间预算与超出期望旅行时间。
2.根据权利要求1所述的一种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,其特征在于,步骤S3的具体方法如下:
S3-1.开始,输入参数,分别进入步骤S3-2和步骤S3-4;
S3-2.设置信号周期梯度,进入步骤S3-3;
S3-3.设置绿信比梯度,进入步骤S3-5;
S3-4.在信号周期与绿信比组合梯度上,计算出METT、MTT对应的系统总旅行时间,比较选出最优值以及对应的信号周期与绿信比,进入步骤S3-5;
S3-5.分别采用仿真、UE两种方法获得对应的系统总旅行时间,进行比较分析仿真、UE与METT、MTT标准组合的四种计算方法的优劣;
S3-6.将TRRL方法、ARRB方法、HCM方法、TTD-METT方法和TTD-MTT方法进行对比,分别用这些方法计算出最优信号周期时长和绿信比;
S3-7.仿真得到的最优信号周期时长和绿信比,得到每种信号周期时长和绿信比下的仿真车辆总停车延误、总旅行时间、最大排队长度和停车次数;
S3-8.比较分析各种方法得到的结果,进行优劣评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810431854.3A CN108597235B (zh) | 2018-05-08 | 2018-05-08 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810431854.3A CN108597235B (zh) | 2018-05-08 | 2018-05-08 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108597235A CN108597235A (zh) | 2018-09-28 |
CN108597235B true CN108597235B (zh) | 2021-03-02 |
Family
ID=63636009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810431854.3A Active CN108597235B (zh) | 2018-05-08 | 2018-05-08 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108597235B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345840A (zh) * | 2018-11-30 | 2019-02-15 | 东南大学 | 一种交通信号灯的绿灯时间确定方法及系统 |
CN109544924A (zh) * | 2018-11-30 | 2019-03-29 | 东南大学 | 一种信号交叉口车道动态通行能力的确定方法及系统 |
CN109584556A (zh) * | 2018-12-13 | 2019-04-05 | 河海大学 | 一种基于困境区理论的交叉口绿闪信号时间确定方法 |
CN110136457A (zh) * | 2019-05-15 | 2019-08-16 | 青岛市城市规划设计研究院 | 基于微观交通仿真的城市交叉口群协调优化方法 |
CN110459067B (zh) * | 2019-08-27 | 2020-12-08 | 广东方纬科技有限公司 | 基于车辆个体的交通绿路信号协调控制评价方法及系统 |
CN110751834B (zh) * | 2019-10-23 | 2020-10-27 | 长安大学 | 一种城市饱和交叉口信号配时的优化方法 |
CN111127892A (zh) * | 2019-12-27 | 2020-05-08 | 北京易华录信息技术股份有限公司 | 交叉口配时参数优化模型构建、交叉口信号优化方法 |
CN112185117B (zh) * | 2020-09-30 | 2021-12-24 | 青岛海信网络科技股份有限公司 | 一种基于电警数据的优化评价方法及装置 |
CN112712714A (zh) * | 2020-11-04 | 2021-04-27 | 东莞数汇大数据有限公司 | 一种基于卡口监控设备的红绿灯配时优化方法及仿真系统 |
CN114973693B (zh) * | 2022-04-12 | 2024-03-15 | 中南大学 | 车辆排队长度计算方法、计算机设备及计算机存储介质 |
CN115019507B (zh) * | 2022-06-06 | 2023-12-01 | 上海旷途科技有限公司 | 城市路网行程时间可靠性实时估计方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6922660B2 (en) * | 2000-12-01 | 2005-07-26 | Microsoft Corporation | Determining near-optimal block size for incremental-type expectation maximization (EM) algorithms |
WO2004077377A1 (fr) * | 2003-02-27 | 2004-09-10 | Shaopeng Yang | Procede de regulation de la circulation routiere et installations routieres |
CN101030895A (zh) * | 2006-03-01 | 2007-09-05 | 华为技术有限公司 | 移动代理系统和约束网络层析成像方法 |
CN103337161A (zh) * | 2013-07-11 | 2013-10-02 | 上海济安交通工程咨询有限公司 | 基于实时仿真模型的交叉口动态综合评价及信控系统优化方法 |
CN204463197U (zh) * | 2014-12-29 | 2015-07-08 | 北京高诚科技发展有限公司 | 一种实时区域交通组织优化方案仿真评估的系统 |
US9483939B2 (en) * | 2015-03-06 | 2016-11-01 | Here Global B.V. | Method and apparatus for providing traffic flow signaling |
US10115305B2 (en) * | 2016-09-30 | 2018-10-30 | Nissan North America, Inc. | Optimizing autonomous car's driving time and user experience using traffic signal information |
-
2018
- 2018-05-08 CN CN201810431854.3A patent/CN108597235B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108597235A (zh) | 2018-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108597235B (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 | |
Chen et al. | An improved adaptive signal control method for isolated signalized intersection based on dynamic programming | |
Yao et al. | A dynamic predictive traffic signal control framework in a cross-sectional vehicle infrastructure integration environment | |
JP3501773B2 (ja) | 交通制御されたネットワークノードを含む交通網に対する、報告車両データに基づく交通状況決定方法 | |
Van Aerde et al. | INTEGRATION: An overview of traffic simulation features | |
CN108629993B (zh) | 一种适用于高饱和度交叉口的公交优先信号配时优化方法 | |
CN103337161A (zh) | 基于实时仿真模型的交叉口动态综合评价及信控系统优化方法 | |
CN104615897B (zh) | 基于低频gps数据的路段行程时间估算方法 | |
CN109191847B (zh) | 基于城市卡口数据的自适应干线协调控制方法及系统 | |
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 | |
CN113516854B (zh) | 一种基于卡警、视频检测器的多路口协调自适应控制方法 | |
Wu et al. | Integrated optimization of bus priority operations in connected vehicle environment | |
CN113380027A (zh) | 一种基于多源数据的交叉口交通状态参数估计方法及系统 | |
JP2000231690A (ja) | 旅行時間予測装置 | |
Wu et al. | Stationary condition based performance analysis of the contraflow left-turn lane design considering the influence of the upstream intersection | |
Arshi et al. | A comparative study on the operational performance of four-leg intersections by control type | |
CN111047880B (zh) | 路网的交通控制方法、装置、存储介质和管理设备 | |
CN105741585B (zh) | 面向节油的基于车联网的车辆轨迹平滑控制方法 | |
Julian et al. | Complex lane change behavior in the foresighted driver model | |
KR102197195B1 (ko) | 교통흐름의 변화를 반영한 교통정보 생성방법 | |
Rida et al. | Traffic lights control using wireless sensors networks | |
CN109544927B (zh) | 一种多层网络协同限行方法 | |
Hermanns et al. | Microscopic simulation of synchronized flow in oversaturated city traffic: effect of driver's speed adaptation | |
Fang et al. | Modeling and simulation of vehicle projection arrival–discharge process in adaptive traffic signal controls | |
CN116524715A (zh) | 结合干线绿波协调和应急路径决策的滚动双层规划方法 |
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 |