CN109712398B - 高速公路行程时间估计模型参数优化方法 - Google Patents
高速公路行程时间估计模型参数优化方法 Download PDFInfo
- Publication number
- CN109712398B CN109712398B CN201910060915.4A CN201910060915A CN109712398B CN 109712398 B CN109712398 B CN 109712398B CN 201910060915 A CN201910060915 A CN 201910060915A CN 109712398 B CN109712398 B CN 109712398B
- Authority
- CN
- China
- Prior art keywords
- travel time
- time estimation
- model
- estimation model
- road section
- 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
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
技术领域
本发明涉及一种高速公路行程时间估计模型参数优化方法。
背景技术
行程时间是评价交通运行拥堵状况的重要指标之一,在进行交通诱导时行程时间能够为交通诱导方案的实施和出行信息的发布提供数据参考,是出行者做出出行决策最直观依据。
而受限于检测手段,目前行程时间参数的获取主要基于固定式检测设备采集的交通流参数,通过一定的数据处理手段间接获取。高速公路行程时间估计模型可分为以下几种,一是基于轨迹的估计模型,二是车辆识别模型,三是基于交通流理论模型。
但当前很多行程时间估计模型都存在模型性能稳定性的问题,尤其在拥堵路况下,行程时间估计的精度较低。上述问题是在高速公路行程时间估计过程中应当予以考虑并解决的问题。
发明内容
本发明的目的是提供一种高速公路行程时间估计模型参数优化方法,保证模型在不同运行状态下均具有良好的估计精度,解决现有技术中存在的当前行程时间估计模型都存在模型性能稳定性的问题,尤其在拥堵路况下,行程时间估计的精度较低的问题。
本发明的技术解决方案是:
一种高速公路行程时间估计模型参数优化方法,包括以下步骤,
S1、在路段上、下游检测器节点位置Su、Sd分别设虚拟的跟驰车VF与前导车VL,构建GM跟驰模型,描述前导车与跟驰车间的运行参数关系,在此基础上构建路段行程时间估计模型GMTTE:该模型输出虚拟的跟驰车VF在路段Ith上的行程时间TTI以及在路段Ith下游终点实时速度其中vSd、vSu为模型的输入值,分别为路段Ith上下游检测器输出的速度检测值;l为车头间距指数,m为速度指数,α为灵敏度;进一步基于路段行程时间估计模型构建包含多个路段的路线行程时间估计模型;
S2、l,m,α三参数的取值直接影响到行程时间估计精度,预先定义遗传算法适应度函数其中Wj为误差指标MAj的权重,j为行程时间估计的时间间隔,其取值范围为[2,K],遗传算法优化目标为适应度函数最小;
S3、对遗传算法适应度函数的权重进行初始化,即p(j)=Wj,根据交通流状态确定p(j)先验分布;计算误差指标MAj(l,m,α),采用Metropolis-Hastings算法更新权重,经过遗传算法迭代计算行程时间估计的时间间隔j的最优解,确定对应权重Wj;
S4、基于S3确定的最优解对应权重,由遗传算法输出自由流状态以及拥堵状态下的最优参数组合[l,m,α],对S1构建的初始的路线行程时间估计模型进行优化。
进一步地,步骤S1中,构建包含多个路段的路线行程时间估计模型,具体为:
S11、以高速公路交通流检测器布设点作为路线中的路段划分节点,并对路段进行编号(I+k)th,I为路线编号,k为路段序号,th为路段编号标记,k∈[0,n],即路线划分为n+1个路段;
S12、对于任一路段(I+k)th,在其上游检测器节点位置Su、下游检测器节点位置Sd分别设虚拟的跟驰车VF与前导车VL;VL的实时行驶速度根据下游检测器节点位置Sd检测器输出的速度检测值计算,其公式为:其中t∈[Ti,Ti+1],Ti为下游检测器节点位置Sd检测器的数据时间戳,分别为检测器在时间戳Ti、Ti+1的行驶速度检测值;
S13、由GM跟驰模型对前导车与跟驰车间的运行参数关系,构建路段行程时间估计模型GMTTE:该模型输出虚拟的跟驰车VF在路段Ith上的行程时间TTI以及在路段Ith下游终点实时速度其中vSd、vSu为模型的输入值,分别为路段Ith上、下游检测器输出的速度检测值;l为车头间距指数,m为速度指数,α为灵敏度;在此基础上,估计路线行程时间。
进一步地,步骤S13中,估计路线行程时间,具体为,
S131、跟驰车VF在路段Ith上运行的任一时刻t的实时行驶速度计算公式为:式中分别为VF在t-ΔT时刻的行驶速度与加速度,实时加速度具体的计算公式为:式中为前导车在t-ΔT时刻的行驶速度,分别为前导车、跟驰车在t-ΔT时刻的行驶距离,前导车VL实时行驶距离计算公式为:跟驰车VF实时行驶距离计算公式为:式中为前导车在t-ΔT时刻的行驶速度,为跟驰车在t-ΔT时刻的行驶距离,为VF在t-ΔT时刻的加速度;
S132、以路段Ith终点实时速度vTTI对跟驰车VF在下一路段(I+1)th起点的速度进行初始化;
S134、循环步骤S132、S133直至完成路段(I+n)th的行程时间估计;
进一步地,步骤S3具体为,
S31、初始化权重,即p(j)=Wj;其中先验分布p(j)根据交通流运行状态选取,交通流运行状态包括自由流状态和拥堵状态;
进一步地,步骤S31中,先验分布p(j)根据交通流运行状态选取,具体为,
进一步地,步骤S33具体为,
S331、用高斯分布表示已知的最优解jold与迭代新产生的最优解jnew间的概率关系,p(jnew|jold)=N(jold,σr),其中,jold初始值设置为一非负数,σr为步长;
S333、对步骤S331与S332实施N重循环,得到时间间隔j的最优解J以及对应的权重WJ。
本发明的有益效果是:
一、该种高速公路行程时间估计模型参数优化方法,通过自动优化行程时间估计模型的参数,提升模型对于拥堵、畅通等不同交通运行状态的灵敏度,显著提高了在拥堵状况下的行程时间估计精度,保障了模型性能的可靠与稳定。
二、该种高速公路行程时间估计模型参数优化方法,基于GM跟驰模型进行路段行程时间估计,在此基础上应用连续速度模型构建路线行程时间估计模型,实现对路线行程时间的估计。
三、实施例的高速公路行程时间估计模型参数优化方法,充分利用分布式计算性能,采用并行遗传算法与Metropolis-Hastings算法对路线行程时间估计模型参数进行优化,充分考虑不同的拥堵水平对行程时间估计模型的影响,进一步提高模型对拥堵、畅通不同运行状态的路线形成估计的准确性。
附图说明
图1是本发明实施例高速公路行程时间估计模型参数优化方法的流程示意图。
图2是实施例中设置虚拟前导车VL与跟驰车VF的示意图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
实施例
实施例的高速公路行程时间估计模型参数优化方法,将路段GMTTE(GeneralMotor’s travel time estimation)行程时间估计模型与连续速度模型相结合,实现对路线行程时间的估计,并充分利用分布式计算性能,采用并行遗传算法对路线行程时间估计模型参数进行优化,充分考虑不同的拥堵水平对行程时间估计模型的影响,进一步提高模型对拥堵、畅通不同运行状态的路线形成估计的准确性。
一种高速公路行程时间估计模型参数优化方法,如图1,包括以下步骤,
S1、在路段上、下游检测器节点位置Su、Sd分别设虚拟的跟驰车VF与前导车VL,构建GM跟驰模型,描述前导车与跟驰车间的运行参数关系,在此基础上构建路段行程时间估计模型GMTTE:该模型输出虚拟的跟驰车VF在路段Ith上的行程时间TTI以及在路段Ith下游终点实时速度其中vSd、vSu为模型的输入值,分别为路段Ith上下游检测器输出的速度检测值;l为车头间距指数,m为速度指数,α为灵敏度;进一步基于路段行程时间估计模型构建包含多个路段的路线行程时间估计模型;具体的步骤为:
S11、以高速公路交通流检测器布设点作为路段划分节点,并对路段进行编号(I+k)th,I为路线编号,k为路段序号,th为路段编号标记,k∈[0,n],即路线划分为n+1个路段。
S12、对于任一路段(I+k)th,在其上游检测器节点位置Su、下游检测器节点位置Sd分别设虚拟的跟驰车VF与前导车VL,如图2;VL的实时行驶速度根据游检测器节点位置Sd检测器输出的速度检测值计算,其公式为:其中t∈[Ti,Ti+1],Ti为Sd检测器的数据时间戳, 分别为检测器在时间戳Ti、Ti+1检测的平均行驶速度。
S13、根据GM跟驰模型对前导车与跟驰车间的运行参数关系的定义,构建路段行程时间估计模型GMTTE:该模型输出虚拟的跟驰车VF在路段Ith上的行程时间TTI以及在路段Ith下游终点实时速度vTTI,其中vSd、vSu为模型的输入值,分别为路段Ith上、下游检测器输出的速度检测值;l为车头间距指数,m为速度指数,α为灵敏度;重复该过程直至完成路段(I+n)th的行程时间估计,进而估计路线行程时间;具体地,
S131、跟驰车VF在路段Ith上运行的任一时刻t的实时行驶速度计算公式为:式中分别为VF在t-ΔT时刻的行驶速度与加速度,实时加速度具体的计算公式为:式中α(*)为灵敏度,为前导车在t-ΔT时刻的行驶速度,分别为前导车、跟驰车在t-ΔT时刻的行驶距离,前导车VL实时行驶距离计算公式为:跟驰车VF实时行驶距离计算公式为:式中为前导车在t-ΔT时刻的行驶速度,为跟驰车在t-ΔT时刻的行驶距离,为VF在t-ΔT时刻的加速度。
S132、以路段Ith终点实时速度vTTI对跟驰车VF在下一路段(I+1)th起点的速度进行初始化。
S134、循环步骤S132、S133直至完成路段(I+n)th的行程时间估计。
S2、l,m,α三参数的取值直接影响到行程时间估计精度,预先定义遗传算法适应度函数其中Wj为误差指标MAj的权重,j为行程时间估计的时间间隔,其取值范围为[2,K],时间单位为分钟(min),在实施例中,行程时间最大估计间隔K取值为15,即行程时间估计时间间隔上下限分别为2min、15min;其中,误差指标MA从平均绝对误差MAE、平均绝对百分误差MAPE中选取;遗传算法优化目标是适应度函数最小。
S3、对遗传算法适应度函数的权重进行初始化,即p(j)=Wj,根据交通流状态确定p(j)先验分布;计算误差指标MAj(l,m,α),采用Metropolis-Hastings算法更新权重,经过遗传算法迭代计算行程时间估计的时间间隔j的最优解,确定对应权重Wj;具体的计算方法为:
S31、初始化权重,即p(j)=Wj;其中先验分布p(j)根据交通流运行状态选取,在自由流状态下采用均匀概率分布,即σ1、σ2分别为j的取值上下限,根据步骤S2中对其取值范围的定义,σ1=2,σ2=15;在拥堵状态下采用对数正态分布,即其中,μ、σ分别为j的均值和标准差,μ=3,σ=1。
S331、用高斯分布表示已知的最优解jold与迭代新产生的最优解jnew间的概率关系,p(jnew|jold)=N(jold,σr),其中,jold初始值设置为一非负数,在实施例中设为10,步长σr取值为5;
S333、对S331与S332实施N重循环,得到时间间隔j的最优解J以及对应的权重Wi;其中,在实施例中N取值为2000。
S4、基于步骤S3确定的最优解对应权重,由遗传算法输出自由流状态以及拥堵状态下的最优参数组合[l,m,α];对步骤S1构建的初始的路线行程时间估计模型进行优化。
该种高速公路行程时间估计模型参数优化方法,通过自动优化行程时间估计模型的参数,提升模型对于拥堵、畅通等不同交通运行状态的灵敏度,显著提高了在拥堵状况下的行程时间估计精度,保障了模型性能的可靠与稳定。
该种高速公路行程时间估计模型参数优化方法,基于GM跟驰模型进行路段行程时间估计,在此基础上应用连续速度模型构建路线行程时间估计模型,实现对路线行程时间的估计。实施例的高速公路行程时间估计模型参数优化方法,采用遗传算法与Metropolis-Hastings算法,对路线行程时间估计模型的参数进行自动优化,提升在交通流不同运行状态时行程时间估计性能的可靠性。
实施例的一个具体示例如下:
采用实施例所述方法优化构建的优化模型对两条高速公路路线的行程时间进行估计,其中路线1全长11.59km,3车道,选取的分析时段为7:00~8:00,该时段内交通流多为畅通状态,路线2全长5.95km,4车道,分析时段为7:50~8:50,该时段内常发拥堵。分别获取两路线行程时间真实数据183条、285条,以计算估计误差。
实施例在进行步骤S2遗传算法定义时,分别以平均绝对误差MAE、平均绝对百分误差MAPE作为误差指标建立适应度函数,由此进行参数优化,最后的模型参数优化结果如下表。
以MAPE为误差指标,路线1的路段行程时间估计模型GMTTE:路线2的路段行程时间估计模型GMTTE:根据进行路线行程时间估计;以MAE为误差指标,路线1的路段行程时间估计模型GMTTE:路线2的路段行程时间估计模型GMTTE:根据进行路线行程时间估计。
Claims (6)
1.一种高速公路行程时间估计模型参数优化方法,其特征在于:包括以下步骤,
S1、在路段上、下游检测器节点位置Su、Sd分别设虚拟的跟驰车VF与前导车VL,构建GM跟驰模型,描述前导车与跟驰车间的运行参数关系,在此基础上构建路段行程时间估计模型GMTTE:该模型输出虚拟的跟驰车VF在路段Ith上的行程时间TTI以及在路段Ith下游终点实时速度其中vSd、vSu为模型的输入值,分别为路段Ith上下游检测器输出的速度检测值;l为车头间距指数,m为速度指数,α为灵敏度;进一步基于路段行程时间估计模型构建包含多个路段的路线行程时间估计模型;
S2、l,m,α三参数的取值直接影响到行程时间估计精度,预先定义遗传算法适应度函数其中Wj为误差指标MAj的权重,j为行程时间估计的时间间隔,其取值范围为[2,K],遗传算法优化目标为适应度函数最小;
S3、对遗传算法适应度函数的权重进行初始化,即p(j)=Wj,根据交通流状态确定p(j)先验分布;计算误差指标MAj(l,m,α),采用Metropolis-Hastings算法更新权重,经过遗传算法迭代计算行程时间估计的时间间隔j的最优解,确定对应权重Wj;
S4、基于步骤S3确定的最优解对应权重,由遗传算法输出自由流状态以及拥堵状态下的最优参数组合[l,m,α],对步骤S1构建的初始的路线行程时间估计模型进行优化。
2.如权利要求1所述的高速公路行程时间估计模型参数优化方法,其特征在于:步骤S1中,构建包含多个路段的路线行程时间估计模型,具体为:
S11、以高速公路交通流检测器布设点作为路线中的路段划分节点,并对路段进行编号(I+k)th,I为路线编号,k为路段序号,th为路段编号标记,k∈[0,n],即路线划分为n+1个路段;
S12、对于任一路段(I+k)th,在其上游检测器节点位置Su、下游检测器节点位置Sd分别设虚拟的跟驰车VF与前导车VL;VL的实时行驶速度根据下游检测器节点位置Sd检测器输出的速度检测值计算,其公式为:其中t∈[Ti,Ti+1],Ti为下游检测器节点位置Sd检测器的数据时间戳,分别为检测器在时间戳Ti、Ti+1检测的平均行驶速度;
3.如权利要求2所述的高速公路行程时间估计模型参数优化方法,其特征在于:步骤S13中,估计路线行程时间,具体为,
S131、跟驰车VF在路段Ith上运行的任一时刻t的实时行驶速度计算公式为:式中分别为VF在t-ΔT时刻的行驶速度与加速度,实时加速度具体的计算公式为:式中α(*)为灵敏度,为前导车在t-ΔT时刻的行驶速度,分别为前导车、跟驰车在t-ΔT时刻的行驶距离,前导车VL实时行驶距离计算公式为:跟驰车VF实时行驶距离计算公式为:式中为前导车在t-ΔT时刻的行驶速度,为跟驰车在t-ΔT时刻的行驶距离,为VF在t-ΔT时刻的加速度;
S132、以路段Ith终点实时速度vTTI对跟驰车VF在下一路段(I+1)th起点的速度进行初始化;
S134、循环步骤S132、S133直至完成路段(I+n)th的行程时间估计;
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910060915.4A CN109712398B (zh) | 2019-01-22 | 2019-01-22 | 高速公路行程时间估计模型参数优化方法 |
PCT/CN2019/115052 WO2020151293A1 (zh) | 2019-01-22 | 2019-11-01 | 高速公路行程时间估计模型参数优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910060915.4A CN109712398B (zh) | 2019-01-22 | 2019-01-22 | 高速公路行程时间估计模型参数优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109712398A CN109712398A (zh) | 2019-05-03 |
CN109712398B true CN109712398B (zh) | 2021-05-28 |
Family
ID=66262603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910060915.4A Active CN109712398B (zh) | 2019-01-22 | 2019-01-22 | 高速公路行程时间估计模型参数优化方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109712398B (zh) |
WO (1) | WO2020151293A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109712398B (zh) * | 2019-01-22 | 2021-05-28 | 江苏智通交通科技有限公司 | 高速公路行程时间估计模型参数优化方法 |
CN110322054B (zh) * | 2019-06-14 | 2023-04-28 | 中交第一公路勘察设计研究院有限公司 | 一种公路路段交通监测器的优化布设方法 |
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 |
CN111125862B (zh) * | 2019-09-27 | 2023-12-26 | 长安大学 | 一种基于遗传算法和比功率的跟驰模型排放测算方法 |
CN113379233B (zh) * | 2021-06-08 | 2023-02-28 | 重庆大学 | 一种基于高阶矩的行程时间可靠性估计方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0877485A (ja) * | 1994-09-08 | 1996-03-22 | Toshiba Corp | 走行所要時間予測装置 |
CN101794507A (zh) * | 2009-07-13 | 2010-08-04 | 北京工业大学 | 基于浮动车数据的宏观路网交通状态评价方法 |
CN102991498A (zh) * | 2011-12-19 | 2013-03-27 | 王晓原 | 基于多源信息融合的驾驶员跟驰行为模型 |
CN106384507A (zh) * | 2016-09-20 | 2017-02-08 | 宁波大学 | 基于稀疏检测器的行程时间实时估计方法 |
CN106652458A (zh) * | 2017-02-20 | 2017-05-10 | 东南大学 | 基于虚拟车辆轨迹重构的在线城市道路路径行程时间估计方法 |
CN106971536A (zh) * | 2017-04-17 | 2017-07-21 | 武汉云砥信息科技有限公司 | 一种融合浮动车与路侧视频的高速公路拥堵状态检测方法 |
CN107554524A (zh) * | 2017-09-12 | 2018-01-09 | 北京航空航天大学 | 一种基于主观危险感知的跟驰模型稳定性控制方法 |
CN108417029A (zh) * | 2018-02-11 | 2018-08-17 | 东南大学 | 基于自适应多任务深度学习的城市路网行程时间估计方法 |
CN109155104A (zh) * | 2016-04-18 | 2019-01-04 | 北京嘀嘀无限科技发展有限公司 | 推荐估计到达时间的系统和方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109712398B (zh) * | 2019-01-22 | 2021-05-28 | 江苏智通交通科技有限公司 | 高速公路行程时间估计模型参数优化方法 |
-
2019
- 2019-01-22 CN CN201910060915.4A patent/CN109712398B/zh active Active
- 2019-11-01 WO PCT/CN2019/115052 patent/WO2020151293A1/zh active Application Filing
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0877485A (ja) * | 1994-09-08 | 1996-03-22 | Toshiba Corp | 走行所要時間予測装置 |
CN101794507A (zh) * | 2009-07-13 | 2010-08-04 | 北京工业大学 | 基于浮动车数据的宏观路网交通状态评价方法 |
CN102991498A (zh) * | 2011-12-19 | 2013-03-27 | 王晓原 | 基于多源信息融合的驾驶员跟驰行为模型 |
CN109155104A (zh) * | 2016-04-18 | 2019-01-04 | 北京嘀嘀无限科技发展有限公司 | 推荐估计到达时间的系统和方法 |
CN106384507A (zh) * | 2016-09-20 | 2017-02-08 | 宁波大学 | 基于稀疏检测器的行程时间实时估计方法 |
CN106652458A (zh) * | 2017-02-20 | 2017-05-10 | 东南大学 | 基于虚拟车辆轨迹重构的在线城市道路路径行程时间估计方法 |
CN106971536A (zh) * | 2017-04-17 | 2017-07-21 | 武汉云砥信息科技有限公司 | 一种融合浮动车与路侧视频的高速公路拥堵状态检测方法 |
CN107554524A (zh) * | 2017-09-12 | 2018-01-09 | 北京航空航天大学 | 一种基于主观危险感知的跟驰模型稳定性控制方法 |
CN108417029A (zh) * | 2018-02-11 | 2018-08-17 | 东南大学 | 基于自适应多任务深度学习的城市路网行程时间估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109712398A (zh) | 2019-05-03 |
WO2020151293A1 (zh) | 2020-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109712398B (zh) | 高速公路行程时间估计模型参数优化方法 | |
JP5424754B2 (ja) | リンク旅行時間算出装置及びプログラム | |
CN106572493B (zh) | Lte网络中的异常值检测方法及系统 | |
Hourdakis et al. | Practical procedure for calibrating microscopic traffic simulation models | |
WO2018064931A1 (zh) | 考虑出租车运营状态下的城市道路行程时间分布估算方法 | |
Cortes et al. | General-purpose methodology for estimating link travel time with multiple-point detection of traffic | |
WO2019114432A1 (zh) | 路况生成方法、装置、设备和存储介质 | |
JP5901838B2 (ja) | リンクにおける未来の移動時間を予測する方法 | |
CN107945507A (zh) | 行程时间预测方法及装置 | |
CN107111938B (zh) | 用于确定拥堵末端位置的服务器、系统和方法 | |
CN105091889A (zh) | 一种热点路径的确定方法及设备 | |
CN109410587A (zh) | 一种城市快速路的宏观交通流参数估计方法 | |
CN104408924A (zh) | 一种基于耦合隐马尔可夫模型的城市道路异常交通流检测方法 | |
CN114239371A (zh) | 基于仿真的大型停车场出入口车辆延误模型参数标定方法 | |
CN105006149B (zh) | 交通路况估计动态迭代方法 | |
CN114450557A (zh) | 路线偏差量化及基于此的车辆路线学习 | |
CN110909907A (zh) | 卡车的油耗预测方法、装置及存储介质 | |
CN114299742A (zh) | 一种高速公路的限速信息动态识别与更新推荐方法 | |
CN104169986A (zh) | 用于为旅行时间数据库建立模型的方法 | |
JP4030848B2 (ja) | 交通状況推定装置及びod交通量修正装置 | |
CN105116373B (zh) | 基于间接时延的目标ip区域城市级定位算法 | |
JP2015046186A (ja) | 交通情報処理装置、交通情報処理システム、プログラム、及び交通情報処理方法 | |
CN111160594B (zh) | 一种到达时间的预估方法、装置及存储介质 | |
JP3821437B2 (ja) | 河川状態シミュレーション方法 | |
Jayasinghe et al. | Calibration of SUMO microscopic simulator for Sri Lankan traffic conditions |
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 | ||
CB02 | Change of applicant information |
Address after: 211106 19 Su Yuan Avenue, Jiangning economic and Technological Development Zone, Nanjing, Jiangsu Applicant after: JIANGSU ZHITONG TRAFFIC TECHNOLOGY Co.,Ltd. Address before: 210006, Qinhuai District, Jiangsu, Nanjing should be 388 days street, Chenguang 1865 Technology Creative Industry Park E10 building on the third floor Applicant before: JIANGSU ZHITONG TRAFFIC TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |