CN110009257B - 基于城市交通拥堵蔓延分析的多尺度可变窗口元胞自动机模型 - Google Patents
基于城市交通拥堵蔓延分析的多尺度可变窗口元胞自动机模型 Download PDFInfo
- Publication number
- CN110009257B CN110009257B CN201910308240.0A CN201910308240A CN110009257B CN 110009257 B CN110009257 B CN 110009257B CN 201910308240 A CN201910308240 A CN 201910308240A CN 110009257 B CN110009257 B CN 110009257B
- Authority
- CN
- China
- Prior art keywords
- traffic
- model
- cellular automaton
- state
- window
- 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
- 230000001413 cellular effect Effects 0.000 title claims abstract description 49
- 238000004458 analytical method Methods 0.000 title claims abstract description 24
- 230000007480 spreading Effects 0.000 title abstract description 14
- 239000002131 composite material Substances 0.000 claims abstract description 21
- 238000012546 transfer Methods 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000007405 data analysis Methods 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims description 10
- 230000006399 behavior Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000010276 construction Methods 0.000 abstract description 2
- 239000000284 extract Substances 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
一种基于城市交通拥堵蔓延分析的多尺度可变窗口元胞自动机模型,该模型在城市交通系统复合网络中提取连续时间间隔上的拥堵子网的时间序列,建立元胞自动机状态转移函数,从而使得元胞自动机状态转移更符合实际交通系统的演化过程;在元胞自动机中导入时序状态可变长窗口概念,建立具有可变长状态窗口的元胞自动机扩展模型。本发明的有益效果是:在元胞自动机中导入时序状态可变长窗口概念,建立具有可变长状态窗口的元胞自动机扩展模型,以支持路况变化的多尺度分析。提出基于大数据分析的元胞自动机状态转移函数的构建方法,提取各类环境、交通要素下的交通拥堵状态转化规律,使得元胞自动机状态转移更符合实际交通系统的演化过程。
Description
技术领域:
本发明属于智能交通系统技术领域,涉及一种基于城市交通拥堵蔓延分析的多尺度可变窗口元胞自动机模型,用于城市公交拥堵蔓延分析。
背景技术:
近年以来,伴随社会经济的飞速发展,交通需求快速上升,城市道路交通拥堵已成为世界各大城市所面临的共同问题。交通拥堵发生的本质是由突发事件、路网通行能力、环境条件或交通需求波动引发的交通瓶颈。当拥堵发生时,由于路段的物理连接属性,拥堵会逐渐向多个邻接路段蔓延传播,若无有效的拥堵消散机制,则会形成拥堵的网络化传播。因此,建模分析城市道路交通网络中复杂的交通拥堵蔓延的时空传播特性,发现拥堵网络化扩散的机理,并在此基础上预测交通拥堵扩散的动力学行为,具有十分重要的意义和实际应用价值。
城市交通系统网络是一个复杂系统,由交通流、交通监测及控制系统以及不同等级的道路(快速路、主干路、次干路、支路等)通过路口、路段连接成的路网组成。在路网中,不同等级的道路承担不同的功能,由于道路物理属性的不同,导致不同等级道路上交通流的特征具有显著差异,尤其是快速路的连续流(无信号控制)和主干路、次干路的间断流(信号控制)差异巨大。交通拥堵传播和消散,在一定的信号控制机制下主要由道路上游和下游的车流决定,因此不同等级道路的拥堵传播和消散的能力具有差异。交通拥堵由点拥堵向线拥堵、继而向面拥堵蔓延的过程中,除了受道路自身交通能力的影响外,道路间连接的出入口或辅路对交通拥堵传播和消散也具有十分重要的影响,如果出入口或辅路与道路的交通流不匹配,相对于实际交通需求消散能力弱,则拥堵会通过路口向邻近道路传播,可见,出入口或辅路对交通流集散的能力与交通拥堵的传播和消散具有密切的关系。再者,交通拥堵类型也会对拥堵的传播和消散产生影响,由道路交通事件本身(如交通事故、违规驾驶、交通管控等)引起的拥堵,在道路空间网络上随机出现,其传播和消散过程一般具有短时间、近邻域的特征;而因交通需求与路网能力不匹配导致的常发型拥堵(如早晚高峰、路网设计不合理等),其传播的空间范围往往更大,影响的时间更长。由此可见,交通拥堵的传播是一个涉及多类要素(道路、路口、车流、控制信号等)复杂相互作用的异质传播过程,导致交通拥堵传播和消散的机理十分复杂。
目前,交通拥堵传播的研究主要分为基于交通流理论的模型和基于复杂网络的模型。交通理论模型又分为微观模型和宏观模型。微观模型的典型代表有:车辆跟驰模型和元胞传输模型。其中,元胞传输模型通过定义一个具有离散、有限状态的元胞所组成的元胞空间,给定一定演化规则,模拟道路交通状态。Daganzo提出的元胞传递模型(CTM)是使用Godunov方法的LWR模型直接离散化,其中流速被模拟为具有三角形或梯形形式的密度的函数。
后来提出了对CTM的不同修改。例如,Daganzo考虑到前向波速度大于后向波速的事实,引入滞后来采用非凹图的滞后元胞传递模型(LCTM)。另一种是基于基本图精确解的迭代波跟踪解决方法。在最近的一些方法中,CTM的扩展结合了各种高阶交通流模型,以再现高速公路上的非线性时空现象(例如,冲击波,稀疏波,阻挡波和局部聚类效应)。其他改进包括:状态选择元胞传输模型(SSM)是CTM的分段线性化版本,提出了可观测性和可控性,进行了建模和参数校准。SSM具有与CTM相似的性能,但具有线性模式结构的优点,然而,使用SSM必须将拥堵模式规则提供给模型;非对称元胞传输模型(ACTM)对CTM的行为进行完整分析,发现行为的关键是流量等于容量的瓶颈位置,并以此划分路网建模分析了拥堵模式。Boel等提出的组合元胞传输模型是一种时间尺度的交通随机模型,获得描述每个元胞宏观交通行为的简单随机方程,以及相邻元胞间的相互作用;陈喜群等人提出了一种基于特定位置的元胞传输模型(LSCTM),强调模型参数对路段的依赖性,考虑道路形状、车道情况等若干因素来修正模型参数,测试表明更符合真实情况。
微观模型在描述车辆自身状态及其产生的微观交通流特性描述方面具有很好的优势,但目前对车辆状态的设定一般通过参数模拟,很难客观的反应道路网络上交通流的真实状态。并且由于缺少快速分析算法,微观模型主要用于路口、路段的局部拥堵模拟,难以有效建模分析特别是实时预测城市级的道路网络上的交通拥堵及其蔓延。
发明内容:
本发明的目的在于针对目前元胞自动机对路况变化多尺度(粒度)、以及对路况变化趋势的描述存在局限的问题,提出一种基于城市交通拥堵蔓延分析的多尺度可变窗口元胞自动机模型。该模型在城市交通系统复合网络中提取连续时间间隔上的拥堵子网的时间序列,建立元胞自动机状态转移函数,从而使得元胞自动机状态转移更符合实际交通系统的演化过程;在元胞自动机中导入时序状态可变长窗口概念,建立具有可变长状态窗口的元胞自动机扩展模型,以支持路况变化的多尺度分析。
为实现上述目的,本发明采用的技术方案如下:
首先建立适应于城市交通系统建模和交通拥堵演化过程复杂的动力学行为分析的多分子复合复杂网络扩展模型(简称复合网)。复合网模型是一个四元组G=(V,E,R,F),其中:G为城市交通复合网模型,即为元胞空间;V是城市路网中交通结点的集合,视作交通元胞;E是交通结点间的有向边集合;R为结点间多种状态的集合,即为元胞状态集合;F:E→R.为结点和状态的映射。
对复合网模型建立对应的元胞自动机作为城市交通拥堵网络化蔓延演化预测模型,并根据实际应用中对路况的多尺度(粒度)分析的需要,同时考虑对路况变化趋势表达的重要性,在元胞自动机中导入时序状态可变长窗口概念,建立具有可变长状态窗口的元胞自动机扩展模型。
时序状态可变长窗口定义:对于给定交通路段,在其连续时间间隔所对应的状态的时间序列中,将t1时间开始的数量可变的l个连续时间t1,t2…,tl所对应的交通状态序列s1s2……sl定义为路段上状态序列可变长窗口,l为窗口长度。将传统元胞自动机模型中节点的单一状态s拓展为状态序列可变长窗口。设给定节点/边有连续时间间隔的状态序列……s-1s0s1s2s2s3s4s5……,根据可变长度状态序列窗口的定义,当l=1时,状态的转移发生在单个状态之间,即si→si+1,此时即为传统的元胞传自动机模型,而当l>1时,状态转化发生在sisi+1…si+l和si+hsi+h+1…si+l+h之间,此处h≥l,这里称h为状态序列窗口观察步长,当h取值较大时,称观察尺度(粒度)较大,反之则称观察尺度(粒度)较窄。
在城市交通复合网模型中,对给定研究区域、以及给定的包含拥堵时段在内的时间段T={ti|i=1,2,…,N},提取T中各ti时间的拥堵子网,提取子网时通过结点(边)拥堵相似性分析,在交通复合网上对给定交通拥堵区域提取满足拥堵相似性(如最小拥堵阈值)的最大模式。对提取的拥堵子网时间序列,通过对该子网序列上的交通流数据进行图卷积、网络向量自回归模型等深度学习和大数据分析,提取各类环境、交通要素下的交通拥堵状态变化规律。网络向量自回归模型综合考虑了时间序列动态性和网络拓扑结构对链路权重(关注统计量)的影响。
本发明与现有技术相比,取得的有益效果如下:
1.针对元胞自动机在对路况变化多尺度(粒度)分析以及对路况变化趋势的描述方面存在局限的问题,在元胞自动机中导入时序状态可变长窗口概念,建立具有可变长状态窗口的元胞自动机扩展模型,以支持路况变化的多尺度分析。
2.提出基于大数据分析的元胞自动机状态转移函数的构建方法,提取各类环境、交通要素下的交通拥堵状态转化规律,使得元胞自动机状态转移更符合实际交通系统的演化过程。
附图说明:
图1为本发明模型的应用流程图。
具体实施方式:
本发明一种基于城市交通拥堵蔓延分析的多尺度可变窗口元胞自动机模型的实施例包括:
1.构建城市交通路网模型:
研究基于复杂网络和大数据分析的拥堵蔓延分析方法,重点是对复合网的动力学模型进行拓展。首先建立适应于城市交通系统建模和交通拥堵演化过程复杂的动力学行为分析的复合复杂网络扩展模型(以下简称复合网)。复合网模型是一个四元组G=(V,E,R,F),其中:
(1)G为交通复合复杂网络扩展模型,即为元胞空间;
(2)V={v1,v2,...,vm},表示结点的集合。结点包括交通路口和交通传感器等,将每一个交通结点作为一个交通元胞,对交通元胞进行编号,m=|V|是集合V的阶;
(3)表示结点间连边的有向边集合;
(4)元胞状态集合R=R1×…×Ri×…×Rn={(r1,...,ri,...,rn)|ri∈Ri,1≤i≤n},Ri是结点间第i种关系的集合,n是结点间关系的总数;
(5)映射F:E→R.
2.设置元胞自动机可变窗口:
对上述扩展的交通复合网模型建立对应的元胞自动机作为城市交通拥堵网络化蔓延演化预测模型,并根据实际应用中对路况的多尺度(粒度)分析的需要,同时考虑对路况变化趋势表达的重要性,对元胞自动机模型拟进行以下扩展:在元胞自动机中导入时序状态可变长窗口概念,建立具有可变长状态窗口的元胞自动机扩展模型。
时序状态可变长窗口定义:对于给定交通路段,在其连续时间间隔所对应的状态的时间序列中,将t1时间开始的数量可变的l个连续时间t1,t2…,tl所对应的交通状态序列s1s2……sl定义为路段上状态序列可变长窗口,l为窗口长度。将传统元胞自动机模型中节点的单一状态s拓展为状态序列可变长窗口。设给定节点/边有连续时间间隔的状态序列……s-1s0s1s2s2s3s4s5……,根据可变长度状态序列窗口的定义,当l=1时,状态的转移发生在单个状态之间,即si→si+1,此时即为传统的元胞传自动机模型,而当l>1时,状态转化发生在sisi+1…si+l和si+hsi+h+1…si+l+h之间,此处h≥l,这里称h为状态序列窗口观察步长。
3.交通数据处理:
在城市交通复合网模型中,对给定研究区域、以及给定的包含拥堵时段在内的时间段T={ti|i=1,2,…,N},提取T中各ti时间的拥堵子网,提取子网时通过结点(边)拥堵相似性分析,在交通复合网上对给定交通拥堵区域提取满足拥堵相似性(如最小拥堵阈值)的最大模式。
4.构建元胞自动机状态转移函数:
对提取的拥堵子网时间序列,通过对该子网序列上的交通流数据进行图卷积、网络向量自回归模型等深度学习和大数据分析,提取各类环境、交通要素下的交通拥堵状态变化规律。网络向量自回归模型综合考虑了时间序列动态性和网络拓扑结构对链路权重(关注统计量)的影响,网络向量部分线性回归模型为:
其中,zij代表与链路权重存在非线性关联的变量,/>是与/>存在线性相关性的变量(例如,大量研究表明/>与/>存在强相关),γ、β1、β2、g均为待估参数。将采用剖面最小二乘算法估计参数。考虑到时序特点,将采用“中位数+残差”的结构拆分/>仅对残差建模。模型构建后,可通过/>和/>分析拥堵子网演化的模式。
Claims (3)
1.一种基于城市交通拥堵蔓延分析的多尺度可变窗口元胞自动机模型,其特征在于,包括:
(1)建立复合网模型:该复合网模型即适应于城市交通系统建模和交通拥堵演化过程复杂的动力学行为分析的复合复杂网络扩展模型;
(2)设置元胞自动机可变窗口:在元胞自动机中导入时序状态可变长窗口概念,建立具有可变长状态窗口的元胞自动机扩展模型;
(3)交通数据处理:
在城市交通复合网模型中,对给定研究区域、以及给定的包含拥堵时段在内的时间段T={ti|i=1,2,...,N},提取T中各ti时间的拥堵子网,提取子网时通过结点或边的拥堵相似性分析,在交通复合网上对给定交通拥堵区域提取满足拥堵相似性的最大模式;
(4)构建元胞自动机状态转移函数:
对提取的拥堵子网时间序列,通过对该子网序列上的交通流数据进行图卷积、网络向量自回归模型深度学习和大数据分析,提取各类环境、交通要素下的交通拥堵状态变化规律;
所述的时序状态可变长窗口的定义:对于给定交通路段,在其连续时间间隔所对应的状态的时间序列中,将t1时间开始的数量可变的l个连续时间t1,t2…,tl所对应的交通状态序列s1s2......sl定义为路段上状态序列可变长窗口,l为窗口长度;将传统元胞自动机模型中节点的单一状态s拓展为状态序列可变长窗口;设给定节点/边有连续时间间隔的状态序列......s-1s0s1s2s2s3s4s5......,根据可变长度状态序列窗口的定义,当l=1时,状态的转移发生在单个状态之间,即si→si+1,此时即为传统的元胞传自动机模型,而当l>1时,状态转化发生在sisi+1…si+l和si+hsi+h+1…si+l+h之间,此处h≥l,这里称h为状态序列窗口观察步长。
2.根据权利要求1所述的基于城市交通拥堵蔓延分析的多尺度可变窗口元胞自动机模型,其特征在于,所述的复合网模型是一个四元组G=(V,E,R,F),其中:
(1)G为交通复合复杂网络扩展模型,即为元胞空间;
(2)V={v1,v2,...,vm},表示结点的集合;结点包括交通路口和交通传感器,将每一个交通结点作为一个交通元胞,对交通元胞进行编号,m=|V|是集合V的阶;
(3)表示结点间连边的有向边集合;
(4)元胞状态集合R=R1×…×Ri×…×Rn={(r1,...,ri,…,rn)|ri∈Ri,1≤i≤n},Ri是结点间第i种关系的集合,n是结点间关系的总数;
(5)映射F:E→R。
3.根据权利要求1所述的基于城市交通拥堵蔓延分析的多尺度可变窗口元胞自动机模型,其特征在于,所述的网络向量自回归模型综合考虑了时间序列动态性和网络拓扑结构对链路权重关注统计量的影响,网络向量部分线性回归模型为:
其中,zij代表与链路权重存在非线性关联的变量,/>是与/>存在线性相关性的变量,大量研究表明/>与/>存在强相关,γ、β、g均为待估参数;将采用剖面最小二乘算法估计参数;考虑到时序特点,将采用“中位数+残差”的结构拆分/>仅对残差建模;模型构建后,可通过β和γ分析拥堵子网演化的模式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910308240.0A CN110009257B (zh) | 2019-04-17 | 2019-04-17 | 基于城市交通拥堵蔓延分析的多尺度可变窗口元胞自动机模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910308240.0A CN110009257B (zh) | 2019-04-17 | 2019-04-17 | 基于城市交通拥堵蔓延分析的多尺度可变窗口元胞自动机模型 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110009257A CN110009257A (zh) | 2019-07-12 |
CN110009257B true CN110009257B (zh) | 2023-09-08 |
Family
ID=67172494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910308240.0A Active CN110009257B (zh) | 2019-04-17 | 2019-04-17 | 基于城市交通拥堵蔓延分析的多尺度可变窗口元胞自动机模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110009257B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220345396A1 (en) * | 2019-09-17 | 2022-10-27 | Nec Corporation | Information processing apparatus, packet generation method, system, and program |
CN111382333B (zh) * | 2020-03-11 | 2022-06-21 | 昆明理工大学 | 基于案件相关性联合学习与图卷积的新闻文本句中案件要素抽取方法 |
CN113762564A (zh) * | 2020-08-07 | 2021-12-07 | 北京京东乾石科技有限公司 | 货物的输送方法、装置、计算设备及介质 |
CN112330135B (zh) * | 2020-11-02 | 2023-12-26 | 园测信息科技股份有限公司 | 基于改进元胞自动机模型的城市交通拥堵空间演化方法 |
CN112487724B (zh) * | 2020-12-11 | 2022-09-23 | 重庆邮电大学 | 基于分区和改进cnn-ca模型的城市动态扩张模拟方法 |
CN113299068B (zh) * | 2021-05-28 | 2022-10-21 | 银江技术股份有限公司 | 一种交通路网拥堵状态预测方法及系统 |
CN117236492B (zh) * | 2023-09-06 | 2024-03-12 | 西南交通大学 | 基于动态多尺度图学习的交通需求预测方法 |
CN117315944B (zh) * | 2023-11-29 | 2024-03-26 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种交通拥堵状态的预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254106A (zh) * | 2011-08-10 | 2011-11-23 | 武汉大学 | 一种基于元胞自动机的城市扩展模拟方法 |
CN105512759A (zh) * | 2015-12-01 | 2016-04-20 | 武汉大学 | 一种基于生物地理学优化算法的城市ca模型参数优化方法 |
CN106571031A (zh) * | 2016-10-25 | 2017-04-19 | 广东技术师范学院 | 一种结合元胞自动机交通流模型的交通噪声动态模拟方法 |
CN106971262A (zh) * | 2017-03-14 | 2017-07-21 | 北京交通大学 | 基于元胞自动机的城市轨道交通拥堵状态传播的仿真方法 |
CN107807909A (zh) * | 2017-10-12 | 2018-03-16 | 中国地质大学(北京) | 一种区域土地用途调控政策模拟与效应分析方法 |
-
2019
- 2019-04-17 CN CN201910308240.0A patent/CN110009257B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254106A (zh) * | 2011-08-10 | 2011-11-23 | 武汉大学 | 一种基于元胞自动机的城市扩展模拟方法 |
CN105512759A (zh) * | 2015-12-01 | 2016-04-20 | 武汉大学 | 一种基于生物地理学优化算法的城市ca模型参数优化方法 |
CN106571031A (zh) * | 2016-10-25 | 2017-04-19 | 广东技术师范学院 | 一种结合元胞自动机交通流模型的交通噪声动态模拟方法 |
CN106971262A (zh) * | 2017-03-14 | 2017-07-21 | 北京交通大学 | 基于元胞自动机的城市轨道交通拥堵状态传播的仿真方法 |
CN107807909A (zh) * | 2017-10-12 | 2018-03-16 | 中国地质大学(北京) | 一种区域土地用途调控政策模拟与效应分析方法 |
Non-Patent Citations (1)
Title |
---|
喻永平 ; 陈晓勇 ; 刘经南 ; 都洁 ; .状态扩展元胞自动机模型在时空数据挖掘中的应用.武汉大学学报(信息科学版).2008,(06),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN110009257A (zh) | 2019-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110009257B (zh) | 基于城市交通拥堵蔓延分析的多尺度可变窗口元胞自动机模型 | |
Kim et al. | Urban traffic flow prediction system using a multifactor pattern recognition model | |
US11430329B2 (en) | Method for anticipating tipping point of traffic resilience based on percolation analysis | |
CN112949999A (zh) | 一种基于贝叶斯深度学习的高速交通事故风险预警方法 | |
CN113538910B (zh) | 一种自适应的全链条城市区域网络信号控制优化方法 | |
EP2590151A1 (en) | A framework for the systematic study of vehicular mobility and the analysis of city dynamics using public web cameras | |
CN112907970B (zh) | 一种基于车辆排队长度变化率的可变车道转向控制方法 | |
CN109859480B (zh) | 基于复杂网络的拥堵路段建模和评估方法 | |
CN102436481B (zh) | 一种道路网结构模式的自动识别方法 | |
Necula | Dynamic traffic flow prediction based on GPS data | |
CN113537626A (zh) | 一种聚合信息差异的神经网络结合时间序列预测的方法 | |
CN110738853B (zh) | 一种基于复杂网络相关性的关键节点识别方法 | |
Hawas et al. | Optimized multistage fuzzy-based model for incident detection and management on urban streets | |
Zhang et al. | Off-deployment traffic estimation—a traffic generative adversarial networks approach | |
Wang et al. | Discovering the impact of urban traffic interventions using contrast mining on vehicle trajectory data | |
CN113420925B (zh) | 一种基于朴素贝叶斯的交通健康预测方法及系统 | |
Liou et al. | Estimation of time-dependent intersection turning proportions for adaptive traffic signal control under limited link traffic counts from heterogeneous sensors | |
Sheu | A stochastic optimal control approach to real-time, incident-responsive traffic signal control at isolated intersections | |
Hwang et al. | Asymmetric Long-Term Graph Multi-Attention Network for Traffic Speed Prediction | |
Duan et al. | Research and application of urban real-time traffic flow prediction based on STARIMA | |
Keyarsalan et al. | Intelligent ontological agent for traffic light control of isolated intersections | |
CN113935555B (zh) | 一种基于路网结构的状况自适应交通预测方法及其系统 | |
Lee et al. | A lane-based predictive model of downstream arrival rates in a queue estimation model using a long short-term memory network | |
Qiu et al. | Short-term traffic flow prediction based on phase space reconstruction and particle swarm optimization BP neural network. | |
Kumari et al. | Comparison of linear and non-linear methods for runoff prediction using, co-active neuro-fuzzy inference system (CANFIS) and multi linear regression (MLR) technique for Narmada river basin, Gujarat |
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 |