CN110070734A - 基于高斯混合模型的信号交叉口饱和车头时距估计方法 - Google Patents

基于高斯混合模型的信号交叉口饱和车头时距估计方法 Download PDF

Info

Publication number
CN110070734A
CN110070734A CN201910397787.2A CN201910397787A CN110070734A CN 110070734 A CN110070734 A CN 110070734A CN 201910397787 A CN201910397787 A CN 201910397787A CN 110070734 A CN110070734 A CN 110070734A
Authority
CN
China
Prior art keywords
headway
time
vehicle
steps
model
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.)
Granted
Application number
CN201910397787.2A
Other languages
English (en)
Other versions
CN110070734B (zh
Inventor
夏井新
严颖
陆振波
王晨
郭宗麒
安成川
叶含珺
刘佳超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201910397787.2A priority Critical patent/CN110070734B/zh
Publication of CN110070734A publication Critical patent/CN110070734A/zh
Application granted granted Critical
Publication of CN110070734B publication Critical patent/CN110070734B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种基于高斯混合模型的信号交叉口饱和车头时距估计方法。主要解决的技术问题是：利用车辆号牌数据，基于高斯混合模型，提出一种完全数据驱动的信号交叉口饱和车头时距估计方法。根据采集的信号交叉口号牌数据，分车道提取车头时距，用高斯混合模型对车头时距进行分类，得到两种状态下车头时距的高斯分布模型。根据信号交叉口的实际情况，该模型可看成是饱和状态和非饱和状态下车头时距高斯分布的组合，则两种分布中均值较小的分布可看作是饱和车头时距的高斯分布，其均值即为饱和车头时距。

Description

基于高斯混合模型的信号交叉口饱和车头时距估计方法
技术领域
本发明涉及交通控制工程与机器学习应用领域，尤其涉及信号交叉口饱和车头时距估计方法和高斯混合聚类方法，具体来说，是涉及利用车辆号牌数据和信号灯配时方案信息，对信号交叉口的车头时距进行建模来估计饱和车头时距的一种方法。
背景技术
饱和车头时距是城市道路信号交叉口微观交通流运行分析中的一个关键参数，是信号交叉口合理信号配时、运行延误分析、通行能力研究、车辆折算系数研究等内容的关键基础。目前，针对饱和车头时距的估计，国内外研究学者主要采用的方法有：美国《道路通行能力手册》法、阈值法及数据驱动法。
美国《道路通行能力手册》将饱和车头时距定义为：排队状态下，机动车流通过信号交叉口时的车头时距的稳定值，即信号绿灯启亮后，排队位置在第4辆车以后的释放车辆的车头时距趋于常数，用车流里面排队位置在第4辆车及其以后释放车流的车头时距平均值来估计。这种方法需要确定经过信号交叉口的每辆车是否处于排队车辆，因此，易受调查的时间和天气，以及特殊车型的影响，普适性差。用3600秒除以饱和车头时距可计算饱和流率，针对饱和车头时距和饱和流率的估计，美国《道路通行能力手册》除了饱和车头时距定义法，还建立了标准条件下的饱和流率计算模型，即在基本饱和流率的基础上，考虑车道宽度修正系数、交通流中重型车修正系数、自行车修正系数等来计算实际的饱和流率，这种方法虽然考虑了道路及交通流的基础信息，但是没有考虑到交通流的动态运行特性。
阈值法是通过根据车头时距设置阈值将交通流划分为饱和状态和非饱和状态，再通过计算饱和状态车头时距的均值来估计饱和车头时距，但是这种方法存在阈值选取合理性的问题，而且不同车道需要定义不同的阈值。另外，分位数法也是一种常见的阈值法，它是用排队离开车头时距观测样本的中值来估计饱和车头时距，这种方法虽然考虑了车头时距散布(方差)的影响，但是无法反映信号交叉口实际的交通流运行特性。
数据驱动法主要是基于机器学习中模型来估计饱和车头时距。隐马尔科夫链模型法是用采集的交通流数据对隐马尔科夫链模型的参数进行训练，接着对隐含车头时距状态进行估计，得到连续的稳定车头时距序列，并对稳定车头时距序列进行求平均得到饱和车头时距。但是，这种方法在对模型的参数进行训练时需要手工识别车头时距的状态信息，方法操作复杂，工作量大。
发明内容
发明目的：本发明主要解决下述问题：
1、美国《道路通行能力手册》中饱和车头时距定义法易受调查的时间和天气，以及特殊车型的影响，普适性差。
2、美国《道路通行能力手册》中饱和流率模型法和分位数法无法反映信号交叉口实际的交通流运行特性。
3、阈值法存在阈值选取合理性的问题，而且不同车道需要定义不同的阈值。
4、隐马尔科夫链模型在对模型的参数进行训练时需要手工识别车头时距的状态信息，方法操作复杂，工作量大。
技术方案：为解决上述问题，本发明采用以下技术方案：
一种基于高斯混合模型的信号交叉口饱和车头时距估计方法，包括以下步骤：
S1：车头时距提取：利用每个电子警察设备在每个车道采集的所有过车记录，提取对应车头时距；
S2：信号周期划分：利用实时的信号配时方案，匹配每条过车记录对应的信号周期；
S3：高斯混合模型构建：去掉每个信号周期第一辆车与前一个信号周期最后一辆车的车头时距，提取各信号周期内部从第二辆车开始的所有离散车头时距作为观测数据，观测数据服从高斯混合分布；
S4：EM算法求解：根据EM算法，求解高斯混合模型参数，确定每个车头时距对应的类别；S5：饱和车头时距估计：选取车头时距均值较小的类别作为饱和状态，车头时距均值较大的类别为不饱和类别，则饱和状态对应的高斯分布均值为饱和车头时距。
进一步地，所述步骤S1的过程包括以下步骤：
S11、筛选某天某电子警察设备检测到的某车道的所有过车记录，将车辆车头端部经过该路口的时间a:b:c转换成距00:00:00的时间差t，即t＝a*3600+b*60+c，其中a、b、c分别为时、分、秒；
S12、将转换过的时间t按升序排序；
S13、用当前车辆经过的时间t减去前一辆车经过的时间t得到当前车辆的车头时距h，即hi＝ti-ti-1，i＝2,3,4,…,n。
进一步地，所述步骤S2的过程包括以下步骤：
S21、根据该天该信号交叉口的实时配时方案，梳理在不同时间段所采用的配时方案，确定各信号相位在各信号周期对应的时间区间；
S22、将该车道与对应的信号相位匹配；
S23、确定该车道所有的过车记录位于该信号相位的第几个信号周期；
S24、确定各过车记录在该信号周期内作为第几辆车经过。
进一步地，所述步骤S3的过程包括以下步骤：
S31、提取各信号周期的除第一辆车以外的所有车辆的车头时距h1，h2，…，hN；
S32、假设车头时距h1，h2，…，hN服从高斯混合分布，
其中，θ＝(α1，α2，…，αk；θ1，θ2，…，θk)；αk是系数，表示选择第k个高斯分布的概率，αk≥0， 是高斯分布密度，表示第k个高斯分布的参数，
称为第k个高斯分布模型。
进一步地，所述步骤S4的过程包括以下步骤：
S41、取参数的初始值开始迭代；混合比例初值αk是均匀狄利克雷分布中的随机变量；均值初值μk是由正态分布随机生成，中心由观测数据决定；标准差初值σk是随机指数分布值的向量平方根的倒数，指数分布的参数是根据数据分箱技术确定；
S42、E步：依据当前模型参数，计算分模型k对观测数据yj的响应度：
其中，是在当前模型参数下第j个观测数据来自第k个分模型的概率，称为分模型k对观测数据yj的响应度；
S43、M步：计算新一轮迭代的模型参数：
其中，是新一轮迭代的第k个分模型的均值；是新一轮迭代的第k个分模型的方差；是新一轮迭代的第k个分模型在混合模型中所占的比例，
S44、重复E步和M步，直到收敛。
有益效果：相比于其他现有技术，本发明的优点在于：
1、不需要调查车辆经过信号交叉口时是否停车，因此该方法不受调查的时间和天气影响；
2、属于数据驱动的方法，方法操作简单，精度高，普适性强；
3、在实际应用中，适用于不同场景，例如可以分别估计工作日与节假日、天气情况良好与恶劣等场景下的饱和状态车头时距，实用性强。
附图说明
图1为本发明高斯混合模型分布图；
图2为本发明的技术流程图。
具体实施方式
下面结合附图1和附图2对具体实施方式进一步阐述。
一种基于高斯混合模型的信号交叉口饱和车头时距估计方法，包括以下步骤：
S1：车头时距提取：利用每个电子警察设备在每个车道采集的所有过车记录，提取对应车头时距；
具体包括以下步骤：
S11、筛选某天某电子警察设备检测到的某车道的所有过车记录，将车辆车头端部经过该路口的时间a:b:c转换成距00:00:00的时间差t，即t＝a*3600+b*60+c，其中a、b、c分别为时、分、秒；
S12、将转换过的时间t按升序排序；
S13、用当前车辆经过的时间t减去前一辆车经过的时间t得到当前车辆的车头时距h，即hi＝ti-ti-1，i＝2,3,4,…,n。
S2：信号周期划分：利用实时的信号配时方案，匹配每条过车记录对应的信号周期；
具体包括以下步骤：
S21、根据该天该信号交叉口的实时配时方案，梳理在不同时间段所采用的配时方案，确定各信号相位在各信号周期对应的时间区间；
S22、将该车道与对应的信号相位匹配；
S23、确定该车道所有的过车记录位于该信号相位的第几个信号周期；
S24、确定各过车记录在该信号周期内作为第几辆车经过。
S3：高斯混合模型构建：去掉每个信号周期第一辆车与前一个信号周期最后一辆车的车头时距，提取各信号周期内部从第二辆车开始的所有离散车头时距作为观测数据，观测数据服从高斯混合分布；
具体包括以下步骤：
S31、提取各信号周期的除第一辆车以外的所有车辆的车头时距h1，h2，…，hN；
S32、假设车头时距h1，h2，…，hN服从高斯混合分布，
其中，θ＝(α1，α2，…，αk；θ1，θ2，…，θk)；αk是系数，表示选择第k个高斯分布的概率，αk≥0， 是高斯分布密度，表示第k个高斯分布的参数，
称为第k个高斯分布模型。
S4：EM算法求解：根据EM算法，求解高斯混合模型参数，确定每个车头时距对应的类别；
具体包括以下步骤：
S41、取参数的初始值开始迭代；混合比例初值αk是均匀狄利克雷分布中的随机变量；均值初值μk是由正态分布随机生成，中心由观测数据决定；标准差初值σk是随机指数分布值的向量平方根的倒数，指数分布的参数是根据数据分箱技术确定；
S42、E步：依据当前模型参数，计算分模型k对观测数据yj的响应度：
其中，是在当前模型参数下第j个观测数据来自第k个分模型的概率，称为分模型k对观测数据yj的响应度；
S43、M步：计算新一轮迭代的模型参数：
其中，是新一轮迭代的第k个分模型的均值；是新一轮迭代的第k个分模型的方差；是新一轮迭代的第k个分模型在混合模型中所占的比例，
S44重复E步和M步，直到收敛。
S5：饱和车头时距估计：选取车头时距均值较小的类别作为饱和状态，车头时距均值较大的类别为不饱和类别，则饱和状态对应的高斯分布均值为饱和车头时距。
实施例
采取2019年1月5日，江苏省昆山市黑龙江路与前进路的交叉口作为案例，所选信号交叉口的静态信息如表1所示，电子警察设备ID为14；信号交叉口名称为黑龙江路/前进；进口道方向编号为3，即东进口方向；车道位置编号为1；车道类型编号为1，即左转车道。各信号配时方案如表2所示，该信号交叉口全天共有7套信号配时方案，有3个信号相位，分别为：东西方向的直行和右转共用相位，东西方向的左转相位，南北方向的左转、直行和右转共用相位。
表1信号交叉口静态信息表
FACILITY_ID Int_Name Direction LANE Lane_Type
14 黑龙江路/前进路 3 1 1
表2信号交叉口信号配时方案表
假设各信号周期内的车头时距由两个高斯模型组成，一类表示饱和状态的车头时距，另一类表示非饱和状态的车头时距。用EM算法求得高斯混合模型的参数，如表3所示，根据交通含义，饱和状态时，信号交叉口进口道交通量大，相邻车辆间车头时距小，因此，均值小的类别代表饱和车头时距，均值大的类别代表非饱和车头时距。高斯混合模型分布图，如图1所示，窄而高的高斯分布对应均值小，代表饱和车头时距的高斯分布，宽而矮的高斯分布代表非饱和车头时距的高斯分布。
表3高斯混合模型参数表
类别 均值 标准差 混合比例
1 3.8 1.6 0.575
2 15.1 7.3 0.425
为了验证基于高斯混合模型估计信号交叉口饱和车头时距方法的稳定性，采用2019年1月5日至2019年1月12日，江苏省昆山市黑龙江路与前进路的交叉口东进口方向电子警察设备采集的左转车道所有过车记录，利用高斯混合模型分别估计该车道每天的饱和车头时距，并从统计的角度，分别分析周末和工作日各天结果之间的均值和方差，如表4所示。
表4饱和车头时距对比表
2019年1月5日、2019年1月6日、2019年1月12日为周末，2019年1月7日至2019年1月11日为工作日，通过比较发现，周末的饱和状态车头时距均值略大于工作日的饱和状态车头时距均值，说明周末的交通量略小于工作日的交通量，因此，工作日的饱和状态车头时距均值更接近饱和车头时距。而且，无论是周末各天获得的结果之间相比较，还是工作日各天获得的结果之间相比较，方差都很小，说明基于高斯混合模型的信号交叉口饱和车头时距估计方法稳定性好。

Claims (5)

1.一种基于高斯混合模型的信号交叉口饱和车头时距估计方法，其特征在于：包括以下步骤：
S1：车头时距提取：利用每个电子警察设备在每个车道采集的所有过车记录，提取对应车头时距；
S2：信号周期划分：利用实时的信号配时方案，匹配每条过车记录对应的信号周期；
S3：高斯混合模型构建：去掉每个信号周期第一辆车与前一个信号周期最后一辆车的车头时距，提取各信号周期内部从第二辆车开始的所有离散车头时距作为观测数据，观测数据服从高斯混合分布；
S4：EM算法求解：根据EM算法，求解高斯混合模型参数，确定每个车头时距对应的类别；
S5：饱和车头时距估计：选取车头时距均值较小的类别作为饱和状态，车头时距均值较大的类别为不饱和类别，则饱和状态对应的高斯分布均值为饱和车头时距。
2.根据权利要求1所述的基于高斯混合模型的信号交叉口饱和车头时距估计方法，其特征在于：所述步骤S1的过程包括以下步骤：
S11、筛选某天某电子警察设备检测到的某车道的所有过车记录，将车辆车头端部经过该路口的时间a:b:c转换成距00:00:00的时间差t，即t＝a*3600+b*60+c，其中a、b、c分别为时、分、秒；
S12、将转换过的时间t按升序排序；
S13、用当前车辆经过的时间t减去前一辆车经过的时间t得到当前车辆的车头时距h，即hi＝ti-ti-1，i＝2,3,4,…,n。
3.根据权利要求1所述的基于高斯混合模型的信号交叉口饱和车头时距估计方法，其特征在于：所述步骤S2的过程包括以下步骤：
S21、根据该天该信号交叉口的实时配时方案，梳理在不同时间段所采用的配时方案，确定各信号相位在各信号周期对应的时间区间；
S22、将该车道与对应的信号相位匹配；
S23、确定该车道所有的过车记录位于该信号相位的第几个信号周期；
S24、确定各过车记录在该信号周期内作为第几辆车经过。
4.根据权利要求1所述的基于高斯混合模型的信号交叉口饱和车头时距估计方法，其特征在于：所述步骤S3的过程包括以下步骤：
S31、提取各信号周期的除第一辆车以外的所有车辆的车头时距h1，h2，＝，hN；
S32、假设车头时距h1，h2，…，hN服从高斯混合分布，
其中，θ＝(α1，α2，…，αk；θ1，θ2，…，θk)；αk是系数，表示选择第k个高斯分布的概率，αk≥0， 是高斯分布密度，表示第k个高斯分布的参数，
称为第k个高斯分布模型。
5.根据权利要求1所述的基于高斯混合模型的信号交叉口饱和车头时距估计方法，其特征在于：所述步骤S4的过程包括以下步骤：
S41、取参数的初始值开始迭代；混合比例初值αk是均匀狄利克雷分布中的随机变量；均值初值μk是由正态分布随机生成，中心由观测数据决定；标准差初值σk是随机指数分布值的向量平方根的倒数，指数分布的参数是根据数据分箱技术确定；
S42、E步：依据当前模型参数，计算分模型k对观测数据yj的响应度：
其中，是在当前模型参数下第j个观测数据来自第k个分模型的概率，称为分模型k对观测数据yj的响应度；
S43、M步：计算新一轮迭代的模型参数：
其中，是新一轮迭代的第k个分模型的均值；是新一轮迭代的第k个分模型的方差；是新一轮迭代的第k个分模型在混合模型中所占的比例，
S44重复E步和M步，直到收敛。
CN201910397787.2A 2019-05-14 2019-05-14 基于高斯混合模型的信号交叉口饱和车头时距估计方法 Active CN110070734B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910397787.2A CN110070734B (zh) 2019-05-14 2019-05-14 基于高斯混合模型的信号交叉口饱和车头时距估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910397787.2A CN110070734B (zh) 2019-05-14 2019-05-14 基于高斯混合模型的信号交叉口饱和车头时距估计方法

Publications (2)

Publication Number Publication Date
CN110070734A true CN110070734A (zh) 2019-07-30
CN110070734B CN110070734B (zh) 2022-01-28

Family

ID=67370704

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910397787.2A Active CN110070734B (zh) 2019-05-14 2019-05-14 基于高斯混合模型的信号交叉口饱和车头时距估计方法

Country Status (1)

Country Link
CN (1) CN110070734B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110865361A (zh) * 2019-11-29 2020-03-06 南京慧尔视智能科技有限公司 一种基于雷达数据的饱和车头时距检测方法
CN111028509A (zh) * 2019-12-19 2020-04-17 河北万方中天科技有限公司 交通饱和流量获取方法、装置及终端设备
CN111815973A (zh) * 2020-06-30 2020-10-23 平安国际智慧城市科技股份有限公司 信号交叉口分析方法及相关设备
CN112365706A (zh) * 2020-09-14 2021-02-12 江苏大学 一种基于多源信息的异常车距辨识方法
CN112669643A (zh) * 2021-03-16 2021-04-16 长沙理工大学 一种基于双层规划的公交实时调度与信号控制方法
CN113129594A (zh) * 2021-04-23 2021-07-16 武汉科技大学 一种基于卡口数据的交叉口饱和流率计算方法
CN114329342A (zh) * 2021-12-20 2022-04-12 中交第二公路勘察设计研究院有限公司 基于极值-高斯混合分布模型的高速公路通行能力计算方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106373411A (zh) * 2016-11-04 2017-02-01 东南大学 基于交叉口过车记录的单点信号控制优化方法
CN107204115A (zh) * 2017-06-28 2017-09-26 江苏智通交通科技有限公司 干线车流停车率估计方法
CN107909825A (zh) * 2017-11-03 2018-04-13 浙江广信智能建筑研究院有限公司 一种高斯过程回归饱和流率检测方法
CN108492562A (zh) * 2018-04-12 2018-09-04 连云港杰瑞电子有限公司 基于定点检测与电警数据融合的交叉口车辆轨迹重构方法
CN109389826A (zh) * 2018-12-14 2019-02-26 武汉理工大学 一种信号交叉口饱和流率的实时计算方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106373411A (zh) * 2016-11-04 2017-02-01 东南大学 基于交叉口过车记录的单点信号控制优化方法
CN107204115A (zh) * 2017-06-28 2017-09-26 江苏智通交通科技有限公司 干线车流停车率估计方法
CN107909825A (zh) * 2017-11-03 2018-04-13 浙江广信智能建筑研究院有限公司 一种高斯过程回归饱和流率检测方法
CN108492562A (zh) * 2018-04-12 2018-09-04 连云港杰瑞电子有限公司 基于定点检测与电警数据融合的交叉口车辆轨迹重构方法
CN109389826A (zh) * 2018-12-14 2019-02-26 武汉理工大学 一种信号交叉口饱和流率的实时计算方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110865361A (zh) * 2019-11-29 2020-03-06 南京慧尔视智能科技有限公司 一种基于雷达数据的饱和车头时距检测方法
CN111028509A (zh) * 2019-12-19 2020-04-17 河北万方中天科技有限公司 交通饱和流量获取方法、装置及终端设备
CN111028509B (zh) * 2019-12-19 2020-12-15 河北万方中天科技有限公司 交通饱和流量获取方法、装置及终端设备
CN111815973A (zh) * 2020-06-30 2020-10-23 平安国际智慧城市科技股份有限公司 信号交叉口分析方法及相关设备
CN112365706A (zh) * 2020-09-14 2021-02-12 江苏大学 一种基于多源信息的异常车距辨识方法
CN112365706B (zh) * 2020-09-14 2021-11-23 江苏大学 一种基于多源信息的异常车距辨识方法
CN112669643A (zh) * 2021-03-16 2021-04-16 长沙理工大学 一种基于双层规划的公交实时调度与信号控制方法
CN112669643B (zh) * 2021-03-16 2021-06-04 长沙理工大学 一种基于双层规划的公交实时调度与信号控制方法
CN113129594A (zh) * 2021-04-23 2021-07-16 武汉科技大学 一种基于卡口数据的交叉口饱和流率计算方法
CN114329342A (zh) * 2021-12-20 2022-04-12 中交第二公路勘察设计研究院有限公司 基于极值-高斯混合分布模型的高速公路通行能力计算方法
CN114329342B (zh) * 2021-12-20 2024-02-06 中交第二公路勘察设计研究院有限公司 基于极值-高斯混合分布模型的高速公路通行能力计算方法

Also Published As

Publication number Publication date
CN110070734B (zh) 2022-01-28

Similar Documents

Publication Publication Date Title
CN110070734B (zh) 基于高斯混合模型的信号交叉口饱和车头时距估计方法
CN106355907B (zh) 基于车辆轨迹的信号控制交叉口排队长度实时估计方法
CN106846804B (zh) 基于隐马尔科夫链的交叉口实时饱和流率估计方法
CN108399741B (zh) 一种基于实时车辆轨迹数据的交叉口流量估计方法
CN104809895A (zh) 相邻交叉口的干道协调控制模型及其优化方法
CN103258436B (zh) 一种确定信号控制交叉口进口道可变导向车道长度的方法
CN104766475B (zh) 一种城市交通瓶颈挖掘方法
CN111951549A (zh) 在网联车辆环境下的自适应交通信号灯控制方法及系统
CN106548258B (zh) 一种基于气象条件的交通空气污染物浓度预测方法与系统
CN109087507A (zh) 一种道路交通信号单点控制效益评价方法
CN105551250A (zh) 一种基于区间聚类的城市道路交叉口运行状态判别方法
CN109920251B (zh) 一种城市道路交叉口交通组织合理性诊断分析方法及系统
CN107564290A (zh) 一种城市道路交叉口饱和流率计算方法
CN109858559B (zh) 基于交通流宏观基本图的自适应交通分析路网简化方法
CN106355905A (zh) 一种基于卡口数据的高架信号控制方法
CN104916124B (zh) 基于马尔可夫模型的公共自行车系统调控方法
CN113421439B (zh) 一种基于蒙特卡罗算法的单路口交通信号配时优化方法
CN109376331A (zh) 一种基于梯度提升回归树的城市公交车排放率估计方法
CN106971546A (zh) 基于公交车gps数据的路段公交车渗透率估计方法
CN110148295A (zh) 一种估计路段自由流速度及交叉口上游到达流率的方法
CN111524345B (zh) 一种车辆实时排队长度约束下多目标优化的感应控制方法
CN104700634A (zh) 基于最小生成树聚类改进遗传算法的相邻交叉口干道协调控制方法
CN106297296A (zh) 一种基于稀疏轨迹点数据的细粒度旅行时间分配方法
CN108776650A (zh) 一种基于混合高斯模型的非机动车道服务水平评价方法
CN105931463A (zh) 基于交通场面雷达的路段交通运行指数计算方法

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