CN108682147A - 一种高速公路交通拥堵疏导决策方法 - Google Patents
一种高速公路交通拥堵疏导决策方法 Download PDFInfo
- Publication number
- CN108682147A CN108682147A CN201810416528.5A CN201810416528A CN108682147A CN 108682147 A CN108682147 A CN 108682147A CN 201810416528 A CN201810416528 A CN 201810416528A CN 108682147 A CN108682147 A CN 108682147A
- Authority
- CN
- China
- Prior art keywords
- traffic
- section
- decision
- distribution
- flow rate
- 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- 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
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种高速公路交通拥堵疏导决策方法,包括以下步骤:A1.输入路网中的路段信息和OD需求交通量;A2.通过增量分配法根据路段信息将OD需求交通量分配到各路段,得到各路段的分配结果;A3.从分配结果中获取分配流量,根据预测的疏散流率和分配流量计算各路段的实际分配流量;A4.将实际分配流量替换分配结果中的分配流量作为最终分配结果输出,并根据最终分配结果作出疏导决策。本发明可以在OD需求交通量完成分配后进一步考虑交通流量动态疏散的因素,使得分配结果与实际更加相符,所预测出的交通流量可以体现出更强的实时性,为重大节假日高速公路交通拥堵疏导提供科学有效的决策方案。
Description
技术领域
本发明涉及公路交通控制技术领域,具体涉及一种高速公路交通拥堵疏导决策方法。
背景技术
高速公路在重大节假日承载巨大的交通流量,对路网造成较大的负荷,若不对车流进行合理疏导,交通拥堵问题难以避免。此外,大量的车流量也增加了交通事故发生的概率,若不及时对事故发生路段上游车流进行及时的疏导分流,将使得事故路段的拥堵情况恶化。
为了疏导分流重大节假日大流量OD(出行起止点)之间的交通流量,帮助高速公路出行者尽可能顺畅地到达目的地。路网的均衡状态是指起止点间被使用的各个路段行驶时间相等,而没有被使用的路段行驶时间更长。采用用户均衡模型可以求出使路网达到均衡状态时的OD需求交通量分配结果,根据分配结果可以作出合理的交通疏导措施。但是,现行的用户均衡模型对OD需求交通量的分配结果不能动态地反映当前路网中各路段的流量状态,实时性不强,而对于高速公路突发交通事故的处置,是需要有一套实时性强的疏导方案生成机制的。
发明内容
本发明为了克服上述现有技术所述的至少一种缺陷(不足),提供一种高速公路交通拥堵疏导决策方法,可以在OD需求交通量完成分配后进一步考虑交通流量动态疏散的因素,使得分配结果与实际更加相符,所预测出的交通流量可以体现出更强的实时性,为重大节假日高速公路交通拥堵疏导提供科学有效的决策方案。
为实现本发明的目的,采用以下技术方案予以实现:
一种高速公路交通拥堵疏导决策方法,包括以下步骤:
A1.输入路网中的路段信息和OD需求交通量;
A2.通过增量分配法根据路段信息将OD需求交通量分配到各路段,得到各路段的分配结果;
A3.从分配结果中获取分配流量,根据预测的疏散流率和分配流量计算各路段的实际分配流量;
A4.将实际分配流量替换分配结果中的分配流量作为最终分配结果输出,并根据最终分配结果作出疏导决策。
在增量分配法中,各路段的交通流量会随着每一次的迭代分配而不断累加,但是实际上各路段的交通流量是在动态疏散的。通过增量分配法完成OD需求交通量的分配过程得到分配结果后,根据分配结果中的各路段分配流量和预测的疏散流率计算各路段的实际分配流量,模拟实际的流量疏散,使得各路段分配流量与实际更加相符,体现出更强的实时性,使得根据分配结果所作出的疏导决策更加优化和及时。
进一步地,所述步骤A3中,预测的疏散流率是通过BP神经网络模型预测得到的。
进一步地,所述BP神经网络模型包括输入层、隐藏层、输出层,通过BP神经网络模型预测疏散流率的具体过程包括以下步骤:
B1.定期记录各路段的历史疏散流率;
B2.将前一时期记录的历史疏散流率作为输入数据输入输入层,并传递到隐藏层;
B3.隐藏层通过权重及激励函数对输入层所传递的输入数据进行处理后将处理结果传递到输出层;
B4.输出层根据隐藏层传递的处理结果输出疏散流率;
B5.判断输出层输出的疏散流率与后一时期记录的历史疏散流率之间的误差是否小于设定的阈值,如果误差不超过阈值则结束,并将输出层输出的疏散流率作为预测的疏散流率,如果误差超过阈值则根据误差反馈修正权重和/或激励函数并返回步骤B3。
通过BP神经网络模型可以对实际记录的疏散流率数据进行训练学习,预测出与实际吻合程度更高的疏散流率。此外,实际记录的疏散流率可以动态地更新,通过BP神经网络模型对动态更新的疏散流率数据进行训练学习,使预测出的疏散流率实时性更强,从而计算出与实际更加相符的各路段分配结果,根据分配结果作出的疏导决策也会更加合理,可以获得更加优越的交通疏导效果。
进一步地,所述历史疏散流率是通过获取路段上的流量数据并对流量数据进行分析得到的。
在路段上实时检测路段的流量数据,可以进行动态地分析得到历史疏散流率。
进一步地,所述OD需求交通量是通过获取高速公路收费站出口的流水数据并对流水数据进行分析得到的。
高速公路收费站出口的流水数据可以真实地反映实际的OD需求交通量,从而准确地判断交通流量高峰期的出现时间,把握疏导决策的及时性。
进一步地,所述步骤A2具体包括以下步骤:
A21.根据路段信息计算各OD间的所有可能路径,并将OD需求交通量分成n份单位OD需求交通量,n为大于0的整数;
A22.按照一定的顺序选取一份单位OD需求交通量进行分配;
A23.根据实时路段信息计算各路段的实时路段阻抗,并根据实时路段阻抗计算该单位OD需求交通量的OD之间所有可能路径的实时路径阻抗;
A24.将该单位OD需求交通量分配到实时路径阻抗最小的路径;
A25.判断是否所有单位OD需求交通量已完成分配,如果是则进入步骤A3,如果否则返回步骤A22。
进一步地,所述步骤A22中,所述顺序是随机生成的。
随机生成单位OD需求交通量的分配顺序,并按照随机生成的分配顺序依次对单位OD需求交通量进行分配,可以提高OD需求交通量最终分配结果的随机性和可靠性。
进一步地,所述步骤A23中,实时路段阻抗的计算函数为 其中ti、vi、ci分别表示第i个路段的自由流状态阻抗、自由流速度和通行能力,α、β分别为计算函数的参数。
进一步地,所述最终分配结果包括各路段的实际分配流量和各路段的饱和度、各路段的阻抗、各OD的分配路径、分配路径阻抗的其中一个或多个。
通过各路段的实际分配流量可以获知哪个路段流量较大;通过各路段的饱和度可以获知哪个路段将会出现拥堵;通过各OD的分配路径可以获知OD之间优选的路径;通过分配路径阻抗可以获知分配结果是否合理。
进一步地,所述疏导决策包括向车辆驾驶人发布路径建议、暂停收费车道的收费、开通或关闭应急收费车道、安设疏导交通设施其中一个或多个。
根据各OD的分配路径向车辆驾驶人发布路径建议可以使得车辆驾驶人合理地安排出行路径;暂停收费车道的收费或开通更多的应急收费车道可以缓解收费车道的拥堵情况;关闭应急收费车道可以减少进入高速公路的车辆数目;安设疏导交通设施可以有效地引导车辆行驶在不拥堵的路段。
与现有技术相比,本发明技术方案的有益效果是:
(1)通过增量分配法将OD需求交通量分配到路网中各个路段后,根据一定的疏散流率计算各个路段的实际分配流量,可以使得分配结果与实际更加相符,体现出更强的实时性;
(2)通过BP神经网络模型预测疏散流率,并采用定期记录的历史疏散流率作为BP神经网络模型训练学习的样本数据,可以计算出与实际更加相符的各路段分配结果,提高分配结果的可靠性,使得根据分配结果作出的疏导决策更加合理,以获得更加优越的交通疏导效果。
(3)在增量分配法中按照随机顺序进行单位OD需求交通量的分配,可以避免分配结果受到固定顺序的影响,从而提高OD需求交通量最终分配结果的可靠性。
附图说明
图1是本发明实施例的高速公路交通拥堵疏导决策方法流程图。
图2是本发明实施例的一个高速公路路网拓扑图。
图3是本发明实施例的高速公路路网拓扑图中的路段信息。
图4是本发明实施例的OD需求交通量。
图5是本发明实施例的最终分配结果中的各个路径阻抗。
图6是本发明实施例的最终分配结果中的各个路段实际分配流量、阻抗、饱和度。
图7是本发明实施例的最终分配结果中的各OD分配路径。
图8是本发明实施例的通过BP神经网络模型预测疏散流率的流程图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以是通过中间媒介间接连接,可以说两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明的具体含义。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例
如图1所示,一种高速公路交通拥堵疏导决策方法,包括以下步骤:
A1.输入路网中的路段信息和OD需求交通量;
A2.通过增量分配法根据路段信息将OD需求交通量分配到各路段,得到各路段的分配结果;
A3.从分配结果中获取分配流量,根据预测的疏散流率和分配流量计算各路段的实际分配流量;
A4.将实际分配流量替换分配结果中的分配流量作为最终分配结果输出,并根据最终分配结果作出疏导决策。
在增量分配法中,各路段的交通流量会随着每一次的迭代分配而不断累加,但是实际上各路段的交通流量是在动态疏散的。通过增量分配法完成OD需求交通量的分配过程得到分配结果后,根据分配结果中的各路段分配流量和预测的疏散流率计算各路段的实际分配流量,模拟实际的流量疏散,使得各路段分配流量与实际更加相符,体现出更强的实时性,使得根据分配结果所作出的疏导决策更加优化和及时。
输出分配结果之前可以先判断是否所有OD需求交通量均已完成分配,再输出分配结果,避免遗漏OD需求交通量未分配。如果还有OD需求交通量还未完成分配,则继续步骤A2通过增量分配法进行分配。
所述步骤A2具体包括以下步骤:
A21.根据路段信息计算各OD间的所有可能路径,并将OD需求交通量分成n份单位OD需求交通量,n为大于0的整数;
A22.按照一定的顺序选取一份单位OD需求交通量进行分配;
A23.根据实时路段信息计算各路段的实时路段阻抗,并根据实时路段阻抗计算该单位OD需求交通量的OD之间所有可能路径的实时路径阻抗;
A24.将该单位OD需求交通量分配到实时路径阻抗最小的路径;
A25.判断是否所有单位OD需求交通量已完成分配,如果是则进入步骤A3,如果否则返回步骤A22。
在本实施例中,所述步骤A22中,所述顺序是随机生成的。
随机生成单位OD需求交通量的分配顺序,并按照随机生成的分配顺序依次对单位OD需求交通量进行分配,可以提高OD需求交通量最终分配结果的随机性和可靠性。
在本实施例中,所述步骤A23中,实时路段阻抗的计算函数为Si(vi)=ti(1+其中ti、vi、ci分别表示第i个路段的自由流状态阻抗、自由流速度和通行能力,α、β分别为计算函数的参数。
在本实施例中,所述OD需求交通量是通过获取高速公路收费站出口流水数据并对流水数据进行分析得到的。
高速公路收费站出口所记录的流水数据可以真实地反映实际的OD需求交通量,从而准确地判断交通流量高峰期的出现时间,把握疏导决策的及时性。
在本实施例中,所述最终分配结果包括各路段的实际分配流量和各路段的饱和度、各路段的阻抗、各OD的分配路径、分配路径阻抗的其中一个或多个。
通过各路段的实际分配流量可以获知哪个路段流量较大;通过各路段的饱和度可以获知哪个路段将会出现拥堵;通过各OD的分配路径可以获知OD之间优选的路径;通过分配路径阻抗可以获知分配结果是否合理。
在本实施例中,所述疏导决策包括向车辆驾驶人发布路径建议、暂停收费车道的收费、开通或关闭应急收费车道、安设疏导交通设施其中一个或多个。
根据各OD的分配路径向车辆驾驶人发布路径建议可以使得车辆驾驶人合理地安排出行路径;暂停收费车道的收费或开通更多的应急收费车道可以缓解收费车道的拥堵情况;关闭应急收费车道可以减少进入高速公路的车辆数目;安设疏导交通设施可以有效地引导车辆行驶在不拥堵的路段,缓解拥堵路段的交通压力。
如图2所示为一个高速公路的路网拓扑图,节点1、2代表起始点(Origin),节点3、4代表终止点(Destination)。将图2所示的路网拓扑图中的实时路段信息记录在图3中。实时路段信息可以包括各个路段的起始点、终止点、起止点之间的距离di、车道数lni、自由流速度vi、单车道通行能力ai、实时路段阻抗ti等。根据图3中的实时路段信息可以计算各OD间的所有可能路径。OD需求交通量记录在图4中。
将OD需求交通量分成n份单位OD需求交通量,随机生成单位OD需求交通量的分配顺序,顺次选取一份单位OD需求交通量进行分配。
根据实时路段阻抗的计算函数计算各路段的实时路段阻抗,其中ci=lni×ai,根据实际经验α、β的具体取值可以为α=0.15,β=4。根据计算出来的各路段的实时路段阻抗,可以计算出实时路径阻抗,实时路径阻抗即为路径所包含路段的实时路段阻抗之和,将所选取的单位OD需求交通量分配在实时路径阻抗最小的路径。
将所选取的单位OD需求交通分配完后,判断是否所有单位OD需求交通量已经完成分配,如果是就结束分配,如果不是则继续选取下一份单位OD需求交通量进行分配,直到所有单位OD需求交通量完成分配为止。
OD需求交通量的最终分配结果如图5~图7所示。
图5为最终分配结果中的25条路径阻抗。
根据图5中所显示的信息可以获知流量分配是否合理。
图6为最终分配结果中19个路段的实际分配流量、阻抗、饱和度。
根据图6中所显示的信息可以获知哪个路段实际分配流量较大,发生拥堵的几率最大,是否会超出该路段的通行能力,以便及时、合理地作出疏通决策。
图7为最终分配结果中各OD的分配路径,横向表头表示25个OD需求交通量,纵向表头表示19个路段,表中1表示对应的OD需求交通量分配在该路段上,0表示对应的OD需求交通量没有分配在该路段上。
根据图7中所显示的信息可以获知各OD之间用时较少的优选路径,并把优选路径发布给车辆驾驶人。
如图8所示,在所述步骤A3中,预测的疏散流率是通过BP神经网络模型预测得到的。
BP神经网络模型包括输入层、隐藏层、输出层,通过BP神经网络模型预测疏散流率的具体过程包括以下步骤:
B1.定期记录各路段的历史疏散流率;
B2.将前一时期记录的历史疏散流率作为输入数据输入输入层,并传递到隐藏层;
B3.隐藏层通过权重及激励函数对输入层所传递的输入数据进行处理后将处理结果传递到输出层;
B4.输出层根据隐藏层传递的处理结果输出疏散流率;
B5.判断输出层输出的疏散流率与后一时期记录的历史疏散流率之间的误差是否小于设定的阈值,如果误差不超过阈值则结束,并将输出层输出的疏散流率作为预测的疏散流率,如果误差超过阈值则根据误差反馈修正权重和/或激励函数并返回步骤B3。
通过BP神经网络模型可以对实际记录的疏散流率数据进行训练学习,预测出与实际吻合程度更高的疏散流率。此外,实际记录的疏散流率可以动态地更新,通过BP神经网络模型对动态更新的疏散流率数据进行训练学习,使预测出的疏散流率实时性更强,从而计算出与实际更加相符的各路段分配结果,根据分配结果作出的疏导决策也会更加合理,可以获得更加优越的交通疏导效果。
隐藏层中,激活函数应该具有的性质:(1)非线性。线性激活层对于深层神经网络没有作用,因为其作用以后仍然是输入的各种线性变换;(2)连续可微,梯度下降法的要求;(3)范围最好不饱和,当有饱和的区间段时,若系统优化进入到该段,梯度近似为0,网络的学习就会停止;(4)单调性,当激活函数是单调时,单层神经网络的误差函数是凸的,好优化;(5)在原点处近似线性,这样当权值初始化为接近0的随机值时,网络可以学习的较快,不用调节网络的初始值。目前常用的激活函数有Sigmoid函数:Tanh函数:Tanh(x)=2σ(2x)-1;Relu函数:Relu(x)=max(x,0)。
在本实施例中,所述历史疏散流率是通过获取路段上的流量数据并对流量数据进行分析得到的。
在路段上实时检测路段的流量数据,可以进行动态地分析得到历史疏散流率。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种高速公路交通拥堵疏导决策方法,其特征在于,包括以下步骤:
A1.输入路网中的路段信息和OD需求交通量;
A2.通过增量分配法根据路段信息将OD需求交通量分配到各路段,得到各路段的分配结果;
A3.从分配结果中获取分配流量,根据预测的疏散流率和分配流量计算各路段的实际分配流量;
A4.将实际分配流量替换分配结果中的分配流量作为最终分配结果输出,并根据最终分配结果作出疏导决策。
2.根据权利要求1所述的高速公路交通拥堵疏导决策方法,其特征在于,所述步骤A3中,预测的疏散流率是通过BP神经网络模型预测得到的。
3.根据权利要求2所述的高速公路交通拥堵疏导决策方法,其特征在于,所述BP神经网络模型包括输入层、隐藏层、输出层,通过BP神经网络模型预测疏散流率的具体过程包括以下步骤:
B1.定期记录各路段的历史疏散流率;
B2.将前一时期记录的历史疏散流率作为输入数据输入输入层,并传递到隐藏层;
B3.隐藏层通过权重及激励函数对输入层所传递的输入数据进行处理后将处理结果传递到输出层;
B4.输出层根据隐藏层传递的处理结果输出疏散流率;
B5.判断输出层输出的疏散流率与后一时期记录的历史疏散流率之间的误差是否小于设定的阈值,如果误差不超过阈值则结束,并将输出层输出的疏散流率作为预测的疏散流率,如果误差超过阈值则根据误差反馈修正权重和/或激励函数并返回步骤B3。
4.根据权利要求3所述的高速公路交通拥堵疏导决策方法,其特征在于,所述历史疏散流率是通过获取路段上的流量数据并对流量数据进行分析得到的。
5.根据权利要求1所述的高速公路交通拥堵疏导决策方法,其特征在于,所述OD需求交通量是通过获取高速公路收费站出口的流水数据并对流水数据进行分析得到的。
6.根据权利要求1-5任一项所述的高速公路交通拥堵疏导决策方法,其特征在于,所述步骤A2具体包括以下步骤:
A21.根据路段信息计算各OD间的所有可能路径,并将OD需求交通量分成n份单位OD需求交通量,n为大于0的整数;
A22.按照一定的顺序选取一份单位OD需求交通量进行分配;
A23.根据实时路段信息计算各路段的实时路段阻抗,并根据实时路段阻抗计算该单位OD需求交通量的OD之间所有可能路径的实时路径阻抗;
A24.将该单位OD需求交通量分配到实时路径阻抗最小的路径;
A25.判断是否所有单位OD需求交通量已完成分配,如果是则进入步骤A3,如果否则返回步骤A22。
7.根据权利要求6所述的高速公路交通拥堵疏导决策方法,其特征在于,所述步骤A22中,所述顺序是随机生成的。
8.根据权利要求6所述的高速公路交通拥堵疏导决策方法,其特征在于,所述步骤A23中,实时路段阻抗的计算函数为其中ti、vi、ci分别表示第i个路段的自由流状态阻抗、自由流速度和通行能力,α、β分别为计算函数的参数。
9.根据权利要求1-5、7-8任一项所述的高速公路交通拥堵疏导决策方法,其特征在于,所述最终分配结果包括各路段的实际分配流量和各路段的饱和度、各路段的阻抗、各OD的分配路径、分配路径阻抗的其中一个或多个。
10.根据权利要求1-5、7-8任一项所述的高速公路交通拥堵疏导决策方法,其特征在于,所述疏导决策包括向车辆驾驶人发布路径建议、暂停收费车道的收费、开通或关闭应急收费车道、安设疏导交通设施其中一个或多个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810416528.5A CN108682147A (zh) | 2018-05-03 | 2018-05-03 | 一种高速公路交通拥堵疏导决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810416528.5A CN108682147A (zh) | 2018-05-03 | 2018-05-03 | 一种高速公路交通拥堵疏导决策方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108682147A true CN108682147A (zh) | 2018-10-19 |
Family
ID=63801424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810416528.5A Pending CN108682147A (zh) | 2018-05-03 | 2018-05-03 | 一种高速公路交通拥堵疏导决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108682147A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110706491A (zh) * | 2019-11-05 | 2020-01-17 | 北京深测科技有限公司 | 一种用于高速公路的交通监控预警方法及系统 |
CN111862587A (zh) * | 2019-12-16 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种出行引导策略生成方法及装置 |
CN112489419A (zh) * | 2020-10-28 | 2021-03-12 | 华为技术有限公司 | 道路容量的确定方法、装置及存储介质 |
FR3101835A1 (fr) * | 2019-10-10 | 2021-04-16 | Psa Automobiles Sa | Système et procédé de contrôle de l’ouverture/ fermeture de zones de passage obligé, par analyse de leurs voies d’accès |
CN112750299A (zh) * | 2019-10-29 | 2021-05-04 | 华为技术有限公司 | 一种交通流量分析方法和装置 |
CN113870562A (zh) * | 2021-09-30 | 2021-12-31 | 江苏中路工程技术研究院有限公司 | 一种基于拥堵路段的高速公路车道管控策略的确定方法 |
CN115080550A (zh) * | 2022-05-31 | 2022-09-20 | 交通运输部规划研究院 | 路网交通量分配方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11144182A (ja) * | 1997-11-07 | 1999-05-28 | Toyota Central Res & Dev Lab Inc | 交通流シミュレーションシステム |
CN102270387A (zh) * | 2011-04-02 | 2011-12-07 | 东南大学 | 一种公路交通疏导方法 |
CN105761492A (zh) * | 2016-05-04 | 2016-07-13 | 北京大学 | 一种基于网络流的大范围高速路网动态配流方法 |
CN106327864A (zh) * | 2015-07-10 | 2017-01-11 | 北京大学 | 一种基于高速公路联网收费数据的交通流估计方法 |
CN106355879A (zh) * | 2016-09-30 | 2017-01-25 | 西安翔迅科技有限责任公司 | 一种基于时空关联的城市交通流量预测方法 |
CN107146446A (zh) * | 2017-07-10 | 2017-09-08 | 中南大学 | 一种基于rfid数据和动态车源的路径诱导方法 |
-
2018
- 2018-05-03 CN CN201810416528.5A patent/CN108682147A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11144182A (ja) * | 1997-11-07 | 1999-05-28 | Toyota Central Res & Dev Lab Inc | 交通流シミュレーションシステム |
CN102270387A (zh) * | 2011-04-02 | 2011-12-07 | 东南大学 | 一种公路交通疏导方法 |
CN106327864A (zh) * | 2015-07-10 | 2017-01-11 | 北京大学 | 一种基于高速公路联网收费数据的交通流估计方法 |
CN105761492A (zh) * | 2016-05-04 | 2016-07-13 | 北京大学 | 一种基于网络流的大范围高速路网动态配流方法 |
CN106355879A (zh) * | 2016-09-30 | 2017-01-25 | 西安翔迅科技有限责任公司 | 一种基于时空关联的城市交通流量预测方法 |
CN107146446A (zh) * | 2017-07-10 | 2017-09-08 | 中南大学 | 一种基于rfid数据和动态车源的路径诱导方法 |
Non-Patent Citations (1)
Title |
---|
胡晓健 等: "道路交通意外事件影响范围确定方法", 《东南大学学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3101835A1 (fr) * | 2019-10-10 | 2021-04-16 | Psa Automobiles Sa | Système et procédé de contrôle de l’ouverture/ fermeture de zones de passage obligé, par analyse de leurs voies d’accès |
CN112750299A (zh) * | 2019-10-29 | 2021-05-04 | 华为技术有限公司 | 一种交通流量分析方法和装置 |
CN112750299B (zh) * | 2019-10-29 | 2022-05-06 | 华为云计算技术有限公司 | 一种交通流量分析方法和装置 |
CN110706491A (zh) * | 2019-11-05 | 2020-01-17 | 北京深测科技有限公司 | 一种用于高速公路的交通监控预警方法及系统 |
CN111862587A (zh) * | 2019-12-16 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种出行引导策略生成方法及装置 |
CN112489419A (zh) * | 2020-10-28 | 2021-03-12 | 华为技术有限公司 | 道路容量的确定方法、装置及存储介质 |
CN112489419B (zh) * | 2020-10-28 | 2022-04-26 | 华为技术有限公司 | 道路容量的确定方法、装置及存储介质 |
CN113870562A (zh) * | 2021-09-30 | 2021-12-31 | 江苏中路工程技术研究院有限公司 | 一种基于拥堵路段的高速公路车道管控策略的确定方法 |
CN115080550A (zh) * | 2022-05-31 | 2022-09-20 | 交通运输部规划研究院 | 路网交通量分配方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108682147A (zh) | 一种高速公路交通拥堵疏导决策方法 | |
CN109409560B (zh) | 基于多智能体仿真的城市轨道交通客流诱导方法 | |
CN107256632B (zh) | 一种基于用户异质时间价值与拥堵费用预算的交通分配方法 | |
Turky et al. | Using genetic algorithm for traffic light control system with a pedestrian crossing | |
CN104778834B (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN104408948B (zh) | 基于车载gps的城市道路交通公交优先信号控制方法 | |
CN102360522B (zh) | 一种高速公路优化控制方法 | |
CN102568194B (zh) | 一种城市道路交通拥堵持续时间和空间扩散预测方法 | |
CN104658297B (zh) | 一种基于Sarsa学习的中心式动态路径诱导方法 | |
CN104484514B (zh) | 一种规避拥堵路段的弹性公交线路设计方法 | |
CN108647802B (zh) | 基于双层交通网络模型抗拥塞方法 | |
CN106327871A (zh) | 一种融合历史数据和预约数据的高速公路拥挤预测方法 | |
CN106710220A (zh) | 一种城市道路分层动态协调控制算法及控制方法 | |
CN107765551A (zh) | 一种城市快速路入口匝道控制方法 | |
CN106530756B (zh) | 一种考虑下游公交站点的交叉口最佳周期时长计算方法 | |
CN108877253A (zh) | 一种基于物联网的公交专用道资源动态共享方法及系统 | |
Mittal et al. | Network flow relations and travel time reliability in a connected environment | |
CN107421553A (zh) | 一种出行路线的智能推荐方法及系统 | |
CN110111573B (zh) | 一种基于物联网的拥堵车辆综合调度方法 | |
CN106910350A (zh) | 一种寻找信号控制交叉口群关键路径的方法 | |
CN106023629A (zh) | 一种路径推荐方法和装置 | |
Egea et al. | Assessment of reward functions for reinforcement learning traffic signal control under real-world limitations | |
CN111882915A (zh) | 采用复合算法及交互模型的应需定制公交线路规划方法 | |
CN108830401B (zh) | 基于元胞传输模型的动态拥堵收费最优费率计算方法 | |
CN112070275A (zh) | 一种轨道交通路网协同限流的方法和装置及设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181019 |