CN109147324B - 一种基于用户反馈机制的交通拥堵概率预报的方法 - Google Patents
一种基于用户反馈机制的交通拥堵概率预报的方法 Download PDFInfo
- Publication number
- CN109147324B CN109147324B CN201811024236.3A CN201811024236A CN109147324B CN 109147324 B CN109147324 B CN 109147324B CN 201811024236 A CN201811024236 A CN 201811024236A CN 109147324 B CN109147324 B CN 109147324B
- Authority
- CN
- China
- Prior art keywords
- flow
- traffic
- probability
- congestion
- prediction
- 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
- G08G1/0104—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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了基于用户反馈机制的交通拥堵概率预报的方法,包含了确定交通流影响因素系数的方法、确定交通流量的预测与修正的方法、确定使用概率预报交通拥堵的方法、确定了修正拥堵指数的方法四个步骤。该方法使用采用修正后的历史流量数据作为预测的基准流量,提高了交通流量的预测精度,为精确预报建立良好的基础。本发明方法由于考虑驾驶员对交通拥堵指数发布的反馈,对预报结果进行调整,预报准确度高、自适性强,具有很高的实用性。并且该方法计算了拥堵状态发生的概率,丰富了预报结果的形式,结果更加直接,拥堵预报模式更加新颖,提升了预报的可信程度,可为驾驶员的出行提供更加切实的参考。
Description
技术领域
本发明涉及城市道路交通拥堵预报技术领域,特别是涉及一种基于用户反馈机制的交通拥堵概率预报的方法。
背景技术
交通预报是指对城市局部或全部路网上未来一段时间内的交通状况按照事先制定的系统评价体系进行科学评价,并将评价结果以交通指数的形式客观地发布给驾驶员,为驾驶员的主观出行决策提供参考依据。
交通预测和交通预报是不同的概念,交通预测只是交通预报的一个环节,交通预报不但要对路网上未来一段时间内的交通状况进行预测,而且要将预测结果以交通指数的形式发布给驾驶员,而驾驶员又会根据预报情况和实际需要做出相应改变。驾驶员的路径选择会影响到车流量,从而影响到预测结果,这其中存在复杂的相互影响关系。
近年来,随着城市的发展,国民经济的快速增长,城市道路交通问题逐渐突显,愈发严峻,交通拥堵问题已经影响了我们的日常生活,成为亟待解决的问题之一。如今,各城市已经出台了一些缓解交通拥堵问题的措施,比如可变情报板等提醒驾驶员前方道路状况,提前告知驾驶员前方道路拥堵状况。但在一般情况下,驾驶员发现前方是拥堵区域时,往往没有足够的时间和空间做出调整,驾驶员只能走拥堵路线。因此,对于驾驶员来说,可变情报板的实时数据远远不能满足要求,能够提前知道出现拥堵的准确时间和路段才能对驾驶员的出行提供指导,这需要准确的交通信息预报。为此,东南大学李东亚等提出的基于用户反馈机制的交通拥堵概率预报方法为交通拥堵预报技术提出了一种切实可行的新方案。
通过将交通预报的信息提前发布给驾驶员,驾驶员根据所得信息提前进行线路调整或是出行方式的改变,减少堵在路上的概率,从而减少驾驶员到达目的地的时间,方便出行,提高效率。不仅如此,交通预报系统还能提高整个城市交通系统的运行效率,均衡路网交通负荷,缓解交通拥堵问题,调节出行需求及提高城市交通系统管理信息化水平。
发明内容
为了解决以上问题,本发明提供一种基于用户反馈机制的交通拥堵概率预报的方法,包括依次进行的确定交通流影响因素的系数、确定交通流量的预测与修正的方法、确定使用概率预报交通拥堵的方法、确定修正拥堵指数的方法,结合大数据提高预测精度,使用拥堵发生的概率来预报拥堵以增加预报信息的可感知度的交通拥堵预报方法,为达此目的,本发明提供一种基于用户反馈机制的交通拥堵概率预报的方法,具体步骤如下:
步骤1,确定影响交通流的不同种类参数的系数,将参数分为常态影响因素对应的参数和特殊影响因素对应的参数,常态影响因素是指每天都会对所有路段交通流量产生影响的因素;特殊影响因素是指在某个特定时间段在某个地段产生影响的因素,不同种类参数的确定公式如下:
其中,k为影响因素对交通量的影响的总系数,q′为历史流量的记录值,q0′为历史流量的基准值且不受影响因素影响的流量值,ki为每一种具体因素对流量的影响系数,ai为各因素之间对总系数k的权重,使用控制变量法,分别计算各个因素对应的ki的值,ai的确定使用经验法结合历史数据修正即可得到,从而计算可得各个因素对交通流量的影响大小;
步骤2,交通流量的预测与修正,即预测基础交通流量和根据特殊影响因素的修正预测的流量,根据已经确定的参数对收集得到的历史交通流量进行去参数化处理,建立非节假日的基础流量数据库和节假日的基础流量数据库,预测时先判断预测的日期是否为节假日,若为节假日,则使用节假日基础流量数据库进行预测;反之,则用非节假日基础流量数据库进行预测,节假日和非节假日数据库的处理方法相同,这里使用去除影响因素干扰的历史数据,通过统计学模型得到预测时段的基础流量数据q0,根据历史数据中的流量q′以及影响因素对应的值,结合由上一步骤中求得的参数k的计算方法得到该历史数据对应的k值,计算无参数影响下的历史数据基准流量值的公式为:
其中,q′为观测到的历史流量值,q0′为该时段的基准流量值,即不受影响因素影响的流量值,k为影响因素对交通量的影响的总系数,确定去参数化之后得到的历史流量数据基本只包含时间因素,所以使用时间统计模型计算预测时段的基准流量值q0=f(q0′),这里可采用使用广泛的指数平滑趋势模型计算q0,然后计算预测时段的对应的k值,即可得到预测时段的流量q=q0*k;
特殊情况对交通流量的影响的修正公式如下:
Q=q+qεi
其中,q为预测得到的流量值,qεi为第i个特殊情况对应的流量修正值,qεi可根据历史数据,通过控制变量法求得;
步骤3,使用概率预报交通拥堵,根据得到的拥挤度D,计算历史数据中查找相似情况下该路段的拥挤度,得到拥挤度集合{D},然后计算拥挤度出现的概率,公式如下:
P(D0)=P(D0-ε≤D≤D0+ε)
其中D∈{D},ε是计算拥挤度出现概率时可接受的V/C比的浮动范围,即在外部环境相同的情况下,预测路段出现该拥挤度的次数近似看作该情况下出现拥挤度为D0的概率为P(D0);
步骤4,使用迭代的方法修正拥堵指数,根据V/C比,将预测流量q0进行换算,与该条件下的道路的可能通行能力C计算求得V/C比,确定拥挤度D0=V/C,通过计算求得用户选择行为影响下,改变的流量ΔQ,修改预测流量Q0,得到流量Q1,根据流量及通行能力重新计算拥挤度D1,若D1≠D0+ε,则继续用拥挤度D1与匹配概率求得改变流量ΔQ,从而再次修改预测流量Q1,重新计算拥挤度D2,将D2与D1进行比较,以此类推,直到Dn≠Dn-1+ε,则再次根据历史交通参数,得到出现Dn的概率,将拥挤度Dn和Dn出现的概率以及拥挤度Dn对应的交通特征等信息发布至驾驶员。
本发明的进一步改进,步骤一常态影响因素是指每天都会对所有路段交通流量产生影响的因素,包括出行目的、出行时间、气象条件。
本发明的进一步改进,步骤一特殊影响因素如大型活动、路段施工及其他意外事件。
本发明的进一步改进,步骤二采用使用广泛的指数平滑趋势模型计算q0。
本发明一种基于用户反馈机制的交通拥堵概率预报的方法,与现有技术相比,具有以下优点:
本发明的交通预测过程中采用去除影响因素干扰的历史数据,通过反推,使用观测的历史数据和影响因素的影响系数相比得到时间变化更为显著的基准历史数据,可提高交通预测的准确度,也考虑了时间因素,降低了由于影响因素和时间带来的交通流量预测误差,为交通预报建立了良好的基础。
本发明方法充分考虑了驾驶员得到交通预报信息之后可能做出的出行调整,将驾驶员的反馈因素考虑在内,通过迭代算法得到相对最为准确的预报结果,即考虑了驾驶员的动态调整因素计算最终结果。本发明的迭代机制也使得该预报方法拥有适应参数变化的能力,即随着拥堵预报用户量的增加、拥堵预报可信度的提升等,相应的驾驶员得到信息的反馈更加明显,通过短时间的迭代调整,模型可重新达到新的更加准确的迭代平衡,从而输出适应参数变化后的更加准确的结果。
本发明采用概率预报的形式展示预报结果,参照预测路段历史数据库,得到该路段发生某个交通状态的概率,生成对应拥挤度出现概率的预报,丰富了预报结果的形式,结果更加直接,拥堵预报模式更加新颖,提升了预报的可信程度,可为驾驶员的出行提供更加切实的参考。
附图说明
图1是本发明方法的流程图;
图2是本发明原理图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
本发明提供一种基于用户反馈机制的交通拥堵概率预报的方法,包括依次进行的确定交通流影响因素的系数、确定交通流量的预测与修正的方法、确定使用概率预报交通拥堵的方法、确定修正拥堵指数的方法,结合大数据提高预测精度,使用拥堵发生的概率来预报拥堵以增加预报信息的可感知度的交通拥堵预报方法。
如图1图2所示为基于用户反馈机制的交通拥堵概率预报的方法的总体流程图。下面结合图1图2对本发明方法作更进一步的说明。
基于用户反馈机制的交通拥堵概率预报的方法,包括如下步骤:
步骤1,确定影响交通流的不同种类参数的系数。将参数分为常态影响因素对应的参数和特殊影响因素对应的参数。常态影响因素是指每天都会对所有路段交通流量产生影响的因素,包括出行目的、出行时间、气象条件等;特殊影响因素是指在某个特定时间段在某个地段产生影响的因素,如大型活动(演唱会、体育比赛等)、路段施工及其他意外事件(如车祸、交通管制等)。不同种类参数的确定公式如下:
其中,k为影响因素对交通量的影响的总系数,q′为历史流量的记录值,q0′为历史流量的基准值(不受影响因素影响的流量值),ki为每一种具体因素对流量的影响系数,ai为各因素之间对总系数k的权重。使用控制变量法,分别计算各个因素对应的ki的值,ai的确定使用经验法结合历史数据修正即可得到。从而计算可得各个因素对交通流量的影响大小。
步骤2,交通流量的预测与修正,即预测基础交通流量和根据特殊影响因素的修正预测的流量。根据已经确定的参数对收集得到的历史交通流量进行去参数化处理,建立非节假日的基础流量数据库和节假日的基础流量数据库。预测时先判断预测的日期是否为节假日,若为节假日,则使用节假日基础流量数据库进行预测;反之,则用非节假日基础流量数据库进行预测。节假日和非节假日数据库的处理方法相同。这里使用去除影响因素干扰的历史数据,通过统计学模型得到预测时段的基础流量数据q0。根据历史数据中的流量q′以及影响因素对应的值,结合由上一步骤中求得的参数k的计算方法得到该历史数据对应的k值,计算无参数影响下的历史数据基准流量值的公式为:
其中,q′为观测到的历史流量值,q0′为该时段的基准流量值(即不受影响因素影响的流量值),k为影响因素对交通量的影响的总系数,该过程我们叫做流量的去参数化。我们认为去参数化之后得到的历史流量数据基本只包含时间因素,所以,可以使用时间统计模型计算预测时段的基准流量值q0=f(q0′),这里可采用使用广泛的指数平滑趋势模型计算q0。然后计算预测时段的对应的k值,即可得到预测时段的流量q=q0*k。
特殊情况对交通流量的影响的修正公式为:Q=q+qεi
其中,q为预测得到的流量值,qεi为第i个特殊情况对应的流量修正值,qεi可根据历史数据,通过控制变量法求得。
步骤3,使用概率预报交通拥堵,根据得到的拥挤度D,计算历史数据中查找相似情况下该路段的拥挤度,得到拥挤度集合{D},然后计算拥挤度出现的概率,公式如下:
P(D0)=P(D0-ε≤D≤D0+ε)
其中D∈{D},ε是计算拥挤度出现概率时可接受的V/C比的浮动范围,例如ε=5%时,可认为D=80%等价于在区间[75%,85%]之间的任意一个值。即在外部环境相同的情况下,预测路段出现该拥挤度的次数近似看作该情况下出现拥挤度为D0的概率为P(D0)。
步骤4,使用迭代的方法修正拥堵指数,根据V/C比,将预测流量q0进行换算,与该条件下的道路的可能通行能力C计算求得V/C比,确定拥挤度D0=V/C,通过计算求得用户选择行为影响下,改变的流量△Q,修改预测流量Q0,得到流量Q1,根据流量及通行能力重新计算拥挤度D1,若D1≠D0+ε,则继续用拥挤度D1与匹配概率求得改变流量△Q,从而再次修改预测流量Q1,重新计算拥挤度D2,将D2与D1进行比较,以此类推,直到Dn=Dn-1+ε,则再次根据历史交通参数,得到出现Dn的概率。将拥挤度Dn和Dn出现的概率以及拥挤度Dn对应的交通特征等信息发布至驾驶员。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (2)
1.一种基于用户反馈机制的交通拥堵概率预报的方法,具体步骤如下,其特征在于:
步骤1,确定影响交通流的不同种类参数的系数,将参数分为常态影响因素对应的参数和特殊影响因素对应的参数,常态影响因素是指每天都会对所有路段交通流量产生影响的因素;特殊影响因素是指在某个特定时间段在某个地段产生影响的因素,不同种类参数的确定公式如下:
其中,ki为每一种具体因素对流量的影响系数,ai为各因素之间对总系数k的权重,使用控制变量法,分别计算各个因素对应的ki的值,ai的确定使用经验法结合历史数据修正即可得到,从而计算可得各个因素对交通流量的影响大小;
步骤2,交通流量的预测与修正,即预测基础交通流量和根据特殊影响因素的修正预测的流量,根据已经确定的参数对收集得到的历史交通流量进行去参数化处理,建立非节假日的基础流量数据库和节假日的基础流量数据库,预测时先判断预测的日期是否为节假日,若为节假日,则使用节假日基础流量数据库进行预测;反之,则用非节假日基础流量数据库进行预测,节假日和非节假日数据库的处理方法相同,这里使用去除影响因素干扰的历史数据,通过统计学模型得到预测时段的基础流量数据q0,根据历史数据中的流量q′以及影响因素对应的值,结合由上一步骤中求得的参数k的计算方法得到该历史数据对应的k值,计算无参数影响下的历史数据基准流量值的公式为:
其中,q′为观测到的历史流量值,q0′为该时段的基准流量值,即不受影响因素影响的流量值,k为影响因素对交通量的影响的总系数,确定去参数化之后得到的历史流量数据基本只包含时间因素,所以使用时间统计模型计算预测时段的基准流量值q0=f(q0′),这里可采用使用广泛的指数平滑趋势模型计算q0,然后计算预测时段的对应的k值,即可得到预测时段的流量q=q0*k;
特殊情况对交通流量的影响的修正公式如下:
Q=q+qεi
其中,q为预测得到的流量值,qεi为第i个特殊情况对应的流量修正值,qεi可根据历史数据,通过控制变量法求得;
步骤3,使用概率预报交通拥堵,根据得到的拥挤度D,D为V/C,其中V即在外部环境相同的情况下预测得到的流量值Q,计算历史数据中查找相似情况下该路段的拥挤度,得到拥挤度集合{D},然后计算拥挤度出现的概率,公式如下:
P(D0)=P(D0-ε≤D≤D0+ε)
其中D∈{D},ε是计算拥挤度出现概率时可接受的V/C比的浮动范围,预测路段出现该拥挤度的次数近似看作该情况下出现拥挤度为D0的概率为P(D0);
步骤4,使用迭代的方法修正拥堵指数,根据V/C比,将预测流量q0进行换算,与该条件下的道路的可能通行能力C计算求得V/C比,确定拥挤度D0=V/C,通过计算求得用户选择行为影响下,改变的流量ΔQ,修改预测流量Q0,得到流量Q1,根据流量及通行能力重新计算拥挤度D1,若D1≠D0+ε,则继续用拥挤度D1与匹配概率求得改变流量ΔQ,从而再次修改预测流量Q1,重新计算拥挤度D2,将D2与D1进行比较,以此类推,直到Dn=Dn-1+ε,则再次根据历史交通参数,得到出现Dn的概率,将拥挤度Dn和Dn出现的概率以及拥挤度Dn对应的交通特征信息发布至驾驶员。
2.根据权利要求1所述的一种基于用户反馈机制的交通拥堵概率预报的方法,其特征在于:步骤1常态影响因素是指每天都会对所有路段交通流量产生影响的因素,包括出行目的、出行时间、气象条件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811024236.3A CN109147324B (zh) | 2018-09-04 | 2018-09-04 | 一种基于用户反馈机制的交通拥堵概率预报的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811024236.3A CN109147324B (zh) | 2018-09-04 | 2018-09-04 | 一种基于用户反馈机制的交通拥堵概率预报的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109147324A CN109147324A (zh) | 2019-01-04 |
CN109147324B true CN109147324B (zh) | 2020-04-14 |
Family
ID=64826612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811024236.3A Active CN109147324B (zh) | 2018-09-04 | 2018-09-04 | 一种基于用户反馈机制的交通拥堵概率预报的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109147324B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111144808A (zh) * | 2019-12-20 | 2020-05-12 | 贵州黔岸科技有限公司 | 用于建筑材料运输的任务统计管理系统及方法 |
CN111710155A (zh) * | 2020-05-21 | 2020-09-25 | 东莞数汇大数据有限公司 | 一种道路间的拥堵关系分析方法及系统 |
CN111798687A (zh) * | 2020-07-29 | 2020-10-20 | 苏州新派特信息科技有限公司 | 一种基于5g技术的远程控制车辆的方法及系统 |
CN112242060B (zh) * | 2020-10-16 | 2022-06-21 | 深圳先进技术研究院 | 交通流量预测方法及装置、计算机设备及可读存储介质 |
CN118366310B (zh) * | 2024-06-17 | 2024-09-20 | 中铁北京工程局集团(天津)工程有限公司 | 一种基于云计算的道路施工警示管理系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9633560B1 (en) * | 2016-03-30 | 2017-04-25 | Jason Hao Gao | Traffic prediction and control system for vehicle traffic flows at traffic intersections |
CN106652439A (zh) * | 2015-10-28 | 2017-05-10 | 华为数字技术(苏州)有限公司 | 一种确定交通拥堵系数的系统、服务器及方法 |
CN107123260A (zh) * | 2017-06-26 | 2017-09-01 | 上海交通大学 | 基于出行者预算限制的交通分配方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6049551B2 (ja) * | 2013-06-21 | 2016-12-21 | 三菱電機株式会社 | ナビゲーション装置 |
US20180113450A1 (en) * | 2016-10-20 | 2018-04-26 | Toyota Motor Engineering & Manufacturing North America, Inc. | Autonomous-mode traffic lane selection based on traffic lane congestion levels |
-
2018
- 2018-09-04 CN CN201811024236.3A patent/CN109147324B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106652439A (zh) * | 2015-10-28 | 2017-05-10 | 华为数字技术(苏州)有限公司 | 一种确定交通拥堵系数的系统、服务器及方法 |
US9633560B1 (en) * | 2016-03-30 | 2017-04-25 | Jason Hao Gao | Traffic prediction and control system for vehicle traffic flows at traffic intersections |
CN107123260A (zh) * | 2017-06-26 | 2017-09-01 | 上海交通大学 | 基于出行者预算限制的交通分配方法 |
Non-Patent Citations (2)
Title |
---|
城市快速路交通状态特性及关联分析方法研究;敖谷昌;《中国博士学位论文全文数据库 经济与管理科学辑》;20150615(第06期);正文全文 * |
组合预测模型在港口物流量预测中的应用;郁小锋 等;《中国水运》;20080630;第08卷(第6期);第72-74页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109147324A (zh) | 2019-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109147324B (zh) | 一种基于用户反馈机制的交通拥堵概率预报的方法 | |
CN108846517B (zh) | 一种分位数概率性短期电力负荷预测集成方法 | |
CN107610464A (zh) | 一种基于高斯混合时间序列模型的轨迹预测方法 | |
CN109309382B (zh) | 一种短期电力负荷预测方法 | |
CN1737502A (zh) | 延误风险规避的车载导航系统准动态路线优化方法 | |
CN102663224A (zh) | 基于信息熵的交通流量集成预测模型 | |
CN109242265B (zh) | 基于误差平方和最小的城市需水量组合预测方法 | |
CN116205329A (zh) | 一种节假日客流量预测方法 | |
Xu et al. | Comparison of three global optimization algorithms for calibration of the Xinanjiang model parameters | |
CN110428084B (zh) | 一种基于自适应双层优化的风电功率非参数区间预测方法 | |
CN103870890B (zh) | 高速公路网交通流量分布的预测方法 | |
CN115907536B (zh) | 一种基于区间谬误率的水库特征曲线校正方法 | |
CN101739614A (zh) | 层级组合预测通信业务的方法 | |
Liu | A short-term traffic flow prediction method based on svr | |
Tianyang | A K-means group division and LSTM based method for hotel demand forecasting | |
CN102130955B (zh) | 基于协同过滤的组合服务备选服务集生成系统及方法 | |
CN116703134B (zh) | 大型跨流域调水水库的多目标调度方法及系统 | |
CN116681180B (zh) | 一种基于两层相似性度量的湖泊水位相似预报方法 | |
CN117993495A (zh) | 一种机器学习结合传统机理模型构建行洪安全知识图谱的方法及系统 | |
CN109242190A (zh) | 基于bfgs-fa优化分数阶灰色模型的中长期负荷预测方法和系统 | |
CN117874635A (zh) | 一种基于改进knn的多模型组合径流预报方法 | |
CN113077163A (zh) | 耦合预报的梯级水库群两阶段弃水风险评估方法 | |
CN113139692A (zh) | 基于dpso-anfis的弃渣坝变形预测方法 | |
CN113788007B (zh) | 一种分层式实时能量管理方法和系统 | |
CN115511354A (zh) | 跨流域水网连通工程预泄调度方法、系统、设备及介质 |
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 |