CN110111573B - 一种基于物联网的拥堵车辆综合调度方法 - Google Patents

一种基于物联网的拥堵车辆综合调度方法 Download PDF

Info

Publication number
CN110111573B
CN110111573B CN201910401037.8A CN201910401037A CN110111573B CN 110111573 B CN110111573 B CN 110111573B CN 201910401037 A CN201910401037 A CN 201910401037A CN 110111573 B CN110111573 B CN 110111573B
Authority
CN
China
Prior art keywords
level
congestion
monitored
road section
coefficient
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
Application number
CN201910401037.8A
Other languages
English (en)
Other versions
CN110111573A (zh
Inventor
李锐
孙福明
陈鑫
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.)
Wuhan Haocaitu Network Technology Co.,Ltd.
Original Assignee
Liaoning University of Technology
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 Liaoning University of Technology filed Critical Liaoning University of Technology
Priority to CN201910401037.8A priority Critical patent/CN110111573B/zh
Publication of CN110111573A publication Critical patent/CN110111573A/zh
Application granted granted Critical
Publication of CN110111573B publication Critical patent/CN110111573B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Abstract

本发明公开了一种基于物联网的拥堵车辆综合调度方法，包括：步骤一、按照采样周期，采集待监测路段的车道数N、车道长度L、车数量M、平均车速
Figure DDA0002059779240000012
平均车间距
Figure DDA0002059779240000013
并计算交通拥堵指数κ；步骤二、确定三层BP神经网络的输入层神经元向量x＝{x1,x2,x3,x4,x5,x6}；x1为车道数系数，x2为车道长度系数，x3为车数量系数，x4为平均车速系数，x5为平均车间距系数，x6为交通拥堵指数系数；步骤三、输入层向量映射到隐层，隐层的神经元为m个；步骤四、得到输出层神经元向量o＝{o1,o2,o3,o4}；其中，o1为设定的1级拥堵等级，o2为设定的2级拥堵等级，o3为设定的3级拥堵等级，o4为设定的4级拥堵等级，所述输出层神经元值为
Figure DDA0002059779240000011
k为输出层神经元序列号，k＝{1,2,3,4}，i为设定的第i个拥堵等级，i＝{1,2,3,4}，当ok为1时，此时，待监测路段处于ok对应的拥堵等级。

Description

一种基于物联网的拥堵车辆综合调度方法
技术领域
本发明涉及路段车辆调度领域，尤其涉及一种基于物联网的拥堵车辆综合调度方法。
背景技术
近年来，交通堵塞是我国大中城市中普遍存在的难题，特别是局部的、短暂的行车拥堵发生频率非常高，对城市交通整体运行效率影响很大。在道路交通领域中一般将道路状况分为：正常通行、拥挤、事故堵塞、施工等四类，其中，道路因为事故和施工等完全堵塞，车辆必须绕道行驶，这是一类交通堵塞的问题，必须由现场人员指挥或交通管制来解决；另一类是由正常行驶变为拥挤或部分堵塞的情况，如某路段车道数减少、车流高峰期拥挤行驶、慢车占快车道或交通事故占用了部分车道，车流可缓慢通行，这一类交通拥堵问题无论在高速公路还是城市街道或路口都频繁发生，车辆一般不会绕道通行或没有可选道路，只能等待通过拥堵的路段，在这类情况下，司机由于不能及时了解拥堵车流的通行状况，常出于焦虑或急迫心态的原因，不断发生变道、抢道、插队等行为，使得局部车流混乱，不仅降低了拥堵车流整体的通行效率，而且带了交通事故隐患，加重道路拥堵程度。
发明内容
本发明为解决目前的技术不足之处，提供了一种基于物联网的拥堵车辆综合调度方法，通过对待监测路段的实时监测，来分析其拥堵状况，并采取相应的调度方法。
本发明提供的技术方案为：一种基于物联网的拥堵车辆综合调度方法，包括以下步骤：
步骤一、按照采样周期，采集待监测路段的车道数N、车道长度L、车数量M、平均车速
Figure BDA0002059779230000011
平均车间距
Figure BDA0002059779230000012
并计算交通拥堵指数κ；
步骤二、确定三层BP神经网络的输入层神经元向量x＝{x1,x2,x3,x4,x5,x6}；其中，x1为车道数系数，x2为车道长度系数，x3为车数量系数，x4为平均车速系数，x5为平均车间距系数，x6为交通拥堵指数系数；
步骤三、所述输入层向量映射到隐层，隐层的神经元为m个；
步骤四、得到输出层神经元向量o＝{o1,o2,o3,o4}；其中，o1为设定的1级拥堵等级，o2为设定的2级拥堵等级，o3为设定的3级拥堵等级，o4为设定的4级拥堵等级，所述输出层神经元值为
Figure BDA0002059779230000021
k为输出层神经元序列号，k＝{1,2,3,4}，i为设定的第i个拥堵等级，i＝{1,2,3,4}，当ok为1时，此时，待监测路段处于ok对应的拥堵等级；
步骤5、服务模块根据输出的拥堵等级判断，所述1级拥堵等级为正常状态，对待监测路段无需做出保护措施，所述2级拥堵等级为缓行状态，对待监测路段需要做出监视预警和红绿灯时间调节，所述3级拥堵等级为拥堵状态，对待监测路段需要作出红绿灯调整措施，所述4级拥堵等级为严重拥堵等级，对待监测路段需要做出人为限流、分流措施。
优选的是，在所述步骤一中交通拥堵指数κ的计算方法如下：
Figure BDA0002059779230000022
其中，γ为拥堵校正系数。
优选的是，当输出层神经元向量o＝o2时，控制待监测路段的最近出口处的绿灯时长占比最近路口处的一个周期红绿灯时间的比例λ1满足：
Figure BDA0002059779230000023
其中，δ1为第一校正系数，s为待监测路段前端距离最近出口处的距离。
优选的是，当输出层神经元向量o＝o3时，控制待监测路段的最近出口处的绿灯时长占比最近路口处的一个周期红绿灯时间的比例λ2满足：
Figure BDA0002059779230000024
其中，δ2为第二校正系数。
优选的是，当输出层神经元向量o＝o4时，控制待监测路段的最近出口处的车流量Q满足：
Figure BDA0002059779230000031
Q0为待监测路段的标注车流量。
优选的是，所述隐层节点个数m满足：
Figure BDA0002059779230000032
其中a为输入层节点个数，p为输出层节点个数。
优选的是，在所述步骤二中，将车道数N、车道长度L、车数量M、平均车速
Figure BDA0002059779230000033
平均车间距
Figure BDA0002059779230000034
并计算交通拥堵指数κ进行规格化的公式为：
Figure BDA0002059779230000035
其中，xj为输入层向量中的参数，Xj分别为测量参数N、L、M、
Figure BDA0002059779230000036
Figure BDA0002059779230000037
κ，j＝1,2,3,4,5,6；Xjmax和Xjmin分别为相应测量参数中的最大值和最小值。
优选的是，
所述隐层及所述输出层的激励函数均采用S型函数fj(x)＝1/(1+e-x)。
本发明所述的有益效果：本发明提供了一种基于物联网的拥堵车辆综合调度方法，通过对待监测路段的实时监测，来分析其拥堵状况，并采取相应的调度方法，及时缓解拥堵的路况。
具体实施方式
下面对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
本发明提供了一种基于物联网的拥堵车辆综合调度方法，其基于物联网的拥堵车辆综合调度系统，包括：信息采集模块设置在待监测路段，用于采集待监测路段的交通信息；传输模块，用于接收信息采集模块发送的信息，并将信息发送出去；控制模块用于接收传输模块传输的信息，并进行数据处理和判断，控制待监测路段的红绿灯情况；服务器设置在交通控制中心，连接控制模块，根据控制模块输出的拥堵等级输出调度方案。
信息采集模块包括图像获取模块和雷达测速器，图像获取模块用于收集待监测路段的图像信息并处理分析得到待监测路段的车道数N、车道长度L、车数量M、平均车间距
Figure BDA0002059779230000041
雷达测速器测量待监测路段的汽车的平均车速
Figure BDA0002059779230000042
本发明通过建立BP神经网络模型对基于物联网的拥堵车辆综合调度方法包括如下步骤：
步骤1、建立BP神经网络模型。
BP模型上各层次的神经元之间形成全互连连接，各层次内的神经元之间没有连接，输入层神经元的输出与输入相同，即oi＝xi。中间隐含层和输出层的神经元的操作特性为
Figure BDA0002059779230000043
opj＝fj(netpj)
其中p表示当前的输入样本，ωji为从神经元i到神经元j的连接权值，opi为神经元j的当前输入，opj为其输出；fj为非线性可微非递减函数，一般取为S型函数，即fj(x)＝1/(1+e-x)。
本发明采用的BP网络体系结构由三层组成，第一层为输入层，共a个节点，对应了表示设备工作状态的a个检测信号，这些信号参数由数据预处理模块给出；第二层为隐层，共m个节点，由网络的训练过程以自适应的方式确定；第三层为输出层，共p个节点，由系统实际需要输出的响应确定。
该网络的数学模型为：
输入向量：x＝(x1,x2,...,xa)T
中间层向量：y＝(y1,y2,...,ym)T
输出向量：o＝(o1,o2,...,op)T
本发明中，输入层节点数为a＝6，输出层节点数为p＝4，隐藏层节点数m由下式估算得出：
Figure BDA0002059779230000044
输入层6个参数分别表示为：x1为车道数系数，x2为车道长度系数，x3为车数量系数，x4为平均车速系数，x5为平均车间距系数，x6为交通拥堵指数系数；
由于传感器获取的数据属于不同的物理量，其量纲各不相同。因此，在数据输入人工神经网络之前，需要将数据规格化为0-1之间的数。
归一化的公式为
Figure BDA0002059779230000051
其中，xj为输入层向量中的参数，Xj分别为测量参数N、L、M、
Figure BDA0002059779230000052
κ，j＝1,2,3,4,5,6；Xjmax和Xjmin分别为相应测量参数中的最大值和最小值，采用S型函数。
具体而言，对于车道数N，进行规格化后，得到车道系数x1：
Figure BDA0002059779230000053
其中，Nmin和Nmax分别为车道数的最小值和最大值。
同样的，对于车道长度L，进行规格化后，得到车道长度系数x2：
Figure BDA0002059779230000054
其中，Lmax和Lmin分别为车道长度的最大值和最小值。
对于车数量M，进行规格化后，得到车数量x3：
Figure BDA0002059779230000055
其中，Mmax和Mmin分别为车数量的最大值和最小值。
对于平均车速
Figure BDA0002059779230000056
进行规格化后，得到平均车速系数x4：
Figure BDA0002059779230000057
其中，
Figure BDA0002059779230000058
和
Figure BDA0002059779230000059
分别为平均车速的最大值和最小值。
对于平均车间距
Figure BDA00020597792300000510
进行规格化后，得到平均车间距系数x5：
Figure BDA00020597792300000511
其中，
Figure BDA00020597792300000512
和
Figure BDA00020597792300000513
分别为平均车距的最大值和最小值。
对于交通拥堵指数κ，进行规格化后，得到交通拥堵指数系数x6：
Figure BDA00020597792300000514
其中，κmax和κmin分别为交通拥堵指数的最大值和最小值。
交通拥堵指数κ的计算方法如下：
Figure BDA00020597792300000515
其中，γ为拥堵校正系数，单位m；L为车道长度，单位m；
Figure BDA00020597792300000516
为平均车速，单位m/s；平均车间距
Figure BDA00020597792300000517
单位m。
输出层4个参数分别表示为：o1为设定的1级拥堵等级，o2为设定的2级拥堵等级，o3为设定的3级拥堵等级，o4为设定的4级拥堵等级，所述输出层神经元值为
Figure BDA0002059779230000061
k为输出层神经元序列号，k＝{1,2,3,4}，i为设定的第i个拥堵等级，i＝{1,2,3,4}，当ok为1时，此时，待监测路段处于ok对应的拥堵等级；
步骤2、进行BP神经网络的训练。
建立好BP神经网络节点模型后，即可进行BP神经网络的训练。根据产品的历史经验数据获取训练的样本，并给定输入节点i和隐含层节点j之间的连接权值，隐层节点j和输出层节点k之间的连接权值。
(1)训练方法
表1网络训练用的输出样本
Figure BDA0002059779230000062
各子网采用单独训练的方法；训练时，首先要提供一组训练样本，其中的每一个样本由输入样本和理想输出对组成，当网络的所有实际输出与其理想输出一致时，表明训练结束；否则，通过修正权值，使网络的理想输出与实际输出一致；各子网训练时的输出样本如表1所示。
(2)训练算法
BP网络采用误差反向传播(Backward Propagation)算法进行训练，其步骤可归纳如下：
第一步：选定一结构合理的网络，设置所有节点阈值和连接权值的初值。
第二步：对每个输入样本作如下计算：
(a)前向计算：对l层的j单元
Figure BDA0002059779230000063
式中，
Figure BDA0002059779230000064
为第n次计算时l层的j单元信息加权和，
Figure BDA0002059779230000065
为l层的j单元与前一层(即l-1层)的单元i之间的连接权值，
Figure BDA0002059779230000071
为前一层(即l-1层，节点数为nl-1)的单元i送来的工作信号；i＝0时，令
Figure BDA0002059779230000072
为l层的j单元的阈值。
若单元j的激活函数为sigmoid函数，则
Figure BDA0002059779230000073
且
Figure BDA0002059779230000074
若神经元j属于第一隐层(l＝1)，则有
Figure BDA0002059779230000075
若神经元j属于输出层(l＝L)，则有
Figure BDA0002059779230000076
且ej(n)＝xj(n)-oj(n)；
(b)反向计算误差：
对于输出单元
Figure BDA0002059779230000077
对隐单元
Figure BDA0002059779230000078
(c)修正权值：
Figure BDA0002059779230000079
η为学习速率。
第三步：输入新的样本或新一周期样本，直到网络收敛，在训练时各周期中样本的输入顺序要重新随机排序。
BP算法采用梯度下降法求非线性函数极值，存在陷入局部极小以及收敛速度慢等问题。更为有效的一种算法是Levenberg-Marquardt优化算法，它使得网络学习时间更短，能有效地抑制网络陷于局部极小。其权值调整率选为
Δω＝(JTJ+μI)-1JTe
其中J为误差对权值微分的雅可比(Jacobian)矩阵，I为输入向量，e为误差向量，变量μ是一个自适应调整的标量，用来确定学习是根据牛顿法还是梯度法来完成。
在系统设计时，系统模型是一个仅经过初始化了的网络，权值需要根据在使用过程中获得的数据样本进行学习调整，为此设计了系统的自学习功能。在指定了学习样本及数量的情况下，系统可以进行自学习，以不断完善网络性能。
步骤3、服务模块根据输出的拥堵等级判断，所述1级拥堵等级为正常状态，对待监测路段无需做出保护措施，所述2级拥堵等级为缓行状态，对待监测路段需要做出监视预警和红绿灯时间调节，所述3级拥堵等级为拥堵状态，对待监测路段需要作出红绿灯调整措施，所述4级拥堵等级为严重拥堵等级，对待监测路段需要做出人为限流、分流措施。
当输出层神经元向量o＝o2时，控制待监测路段的最近出口处的绿灯时长占比最近路口处的一个周期红绿灯时间的比例λ1满足：
Figure BDA0002059779230000081
其中，δ1为第一校正系数，s为待监测路段前端距离最近出口处的距离，单位m；L为车道长度，单位m；
Figure BDA0002059779230000082
为平均车速，单位m/s；平均车间距
Figure BDA0002059779230000083
单位m。
当输出层神经元向量o＝o3时，控制待监测路段的最近出口处的绿灯时长占比最近路口处的一个周期红绿灯时间的比例λ2满足：
Figure BDA0002059779230000084
其中，δ2为第二校正系数；L为车道长度，单位m；
Figure BDA0002059779230000085
为平均车速，单位m/s；平均车间距
Figure BDA0002059779230000086
单位m。
当输出层神经元向量o＝o4时，人为交通疏导并调节红绿灯控制待监测路段的最近出口处的车流量Q满足：
Figure BDA0002059779230000087
Q0为待监测路段的标注车流量，单位min-1；L为车道长度，单位m；
Figure BDA0002059779230000088
为平均车速，单位m/s；平均车间距
Figure BDA0002059779230000089
单位m。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的实施例。

Claims (8)

1.一种基于物联网的拥堵车辆综合调度方法，其特征在于，包括以下步骤：
步骤一、按照采样周期，采集待监测路段的车道数N、车道长度L、车数量M、平均车速
Figure FDA0002059779220000013
平均车间距
Figure FDA0002059779220000014
并计算交通拥堵指数κ；
步骤二、确定三层BP神经网络的输入层神经元向量x＝{x1,x2,x3,x4,x5,x6}；其中，x1为车道数系数，x2为车道长度系数，x3为车数量系数，x4为平均车速系数，x5为平均车间距系数，x6为交通拥堵指数系数；
步骤三、所述输入层向量映射到隐层，隐层的神经元为m个；
步骤四、得到输出层神经元向量o＝{o1,o2,o3,o4}；其中，o1为设定的1级拥堵等级，o2为设定的2级拥堵等级，o3为设定的3级拥堵等级，o4为设定的4级拥堵等级，所述输出层神经元值为
Figure FDA0002059779220000011
k为输出层神经元序列号，k＝{1,2,3,4}，i为设定的第i个拥堵等级，i＝{1,2,3,4}，当ok为1时，此时，待监测路段处于ok对应的拥堵等级；
步骤5、服务模块根据输出的拥堵等级判断，所述1级拥堵等级为正常状态，对待监测路段无需做出保护措施，所述2级拥堵等级为缓行状态，对待监测路段需要做出监视预警和红绿灯时间调节，所述3级拥堵等级为拥堵状态，对待监测路段需要作出红绿灯调整措施，所述4级拥堵等级为严重拥堵等级，对待监测路段需要做出人为限流、分流措施。
2.根据权利要求1所述的基于物联网的拥堵车辆综合调度方法，其特征在于，在所述步骤一中交通拥堵指数κ的计算方法如下：
Figure FDA0002059779220000012
其中，γ为拥堵校正系数。
3.根据权利要求1所述的基于物联网的拥堵车辆综合调度方法，其特征在于，
当输出层神经元向量o＝o2时，控制待监测路段的最近出口处的绿灯时长占比最近路口处的一个周期红绿灯时间的比例λ1满足：
Figure FDA0002059779220000021
其中，δ1为第一校正系数，s为待监测路段前端距离最近出口处的距离。
4.根据权利要求3所述的基于物联网的拥堵车辆综合调度方法，其特征在于，
当输出层神经元向量o＝o3时，控制待监测路段的最近出口处的绿灯时长占比最近路口处的一个周期红绿灯时间的比例λ2满足：
Figure FDA0002059779220000022
其中，δ2为第二校正系数。
5.根据权利要求4所述的基于物联网的拥堵车辆综合调度方法，其特征在于，当输出层神经元向量o＝o4时，控制待监测路段的最近出口处的车流量Q满足：
Figure FDA0002059779220000023
Q0为待监测路段的标注车流量。
6.根据权利要求1所述的基于物联网的拥堵车辆综合调度方法，其特征在于，
所述隐层节点个数m满足：
Figure FDA0002059779220000024
其中a为输入层节点个数，p为输出层节点个数。
7.根据权利要求6所述的基于物联网的拥堵车辆综合调度方法，其特征在于，在所述步骤二中，将车道数N、车道长度L、车数量M、平均车速
Figure FDA0002059779220000025
平均车间距
Figure FDA0002059779220000026
并计算交通拥堵指数κ进行规格化的公式为：
Figure FDA0002059779220000027
其中，xj为输入层向量中的参数，Xj分别为测量参数N、L、M、
Figure FDA0002059779220000028
Figure FDA0002059779220000029
κ，j＝1,2,3,4,5,6；Xjmax和Xjmin分别为相应测量参数中的最大值和最小值。
8.根据权利要求7所述的基于物联网的拥堵车辆综合调度方法，其特征在于，
所述隐层及所述输出层的激励函数均采用S型函数fj(x)＝1/(1+e-x)。
CN201910401037.8A 2019-05-15 2019-05-15 一种基于物联网的拥堵车辆综合调度方法 Active CN110111573B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910401037.8A CN110111573B (zh) 2019-05-15 2019-05-15 一种基于物联网的拥堵车辆综合调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910401037.8A CN110111573B (zh) 2019-05-15 2019-05-15 一种基于物联网的拥堵车辆综合调度方法

Publications (2)

Publication Number Publication Date
CN110111573A CN110111573A (zh) 2019-08-09
CN110111573B true CN110111573B (zh) 2020-09-08

Family

ID=67490068

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910401037.8A Active CN110111573B (zh) 2019-05-15 2019-05-15 一种基于物联网的拥堵车辆综合调度方法

Country Status (1)

Country Link
CN (1) CN110111573B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110705048B (zh) * 2019-09-16 2022-03-01 中国化学工程第六建设有限公司 一种石油化工管道法兰密封面螺栓定力矩紧固方法
CN111612327B (zh) * 2020-05-18 2021-05-18 广州云从人工智能技术有限公司 一种调度方法、系统、机器可读介质及设备
CN113313453B (zh) * 2021-07-29 2022-05-31 日照华畅网络科技有限公司 一种基于互联网的防水涂料货运管理系统
CN114170795B (zh) * 2021-11-20 2023-04-07 武汉鑫弘凯交通科技有限公司 一种智能交通系统中的物联网交通监测系统的使用方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102750824A (zh) * 2012-06-19 2012-10-24 银江股份有限公司 基于多种神经网络分类器投票的城市道路交通状态检测方法
CN103280114A (zh) * 2013-06-24 2013-09-04 电子科技大学 一种基于bp-pso模糊神经网络的信号灯智能控制方法
CN103903468A (zh) * 2012-12-25 2014-07-02 上海博泰悦臻电子设备制造有限公司 道路拥堵时间预警方法及装置
CN105279966A (zh) * 2015-10-09 2016-01-27 武汉理工大学 一种校园交通的拥堵识别方法
CN108399763A (zh) * 2018-03-07 2018-08-14 辽宁工业大学 一种基于神经网络的交叉路口交通信号灯控制算法
CN108545082A (zh) * 2018-04-28 2018-09-18 辽宁工业大学 一种汽车变道预警方法
CN108766007A (zh) * 2018-08-02 2018-11-06 成都秦川物联网科技股份有限公司 基于车联网的路况报警方法及车联网系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015176289A1 (zh) * 2014-05-22 2015-11-26 华为技术有限公司 片上网络NoC的流量控制方法及装置
CN108615358A (zh) * 2018-05-02 2018-10-02 安徽大学 一种道路拥堵检测方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102750824A (zh) * 2012-06-19 2012-10-24 银江股份有限公司 基于多种神经网络分类器投票的城市道路交通状态检测方法
CN103903468A (zh) * 2012-12-25 2014-07-02 上海博泰悦臻电子设备制造有限公司 道路拥堵时间预警方法及装置
CN103280114A (zh) * 2013-06-24 2013-09-04 电子科技大学 一种基于bp-pso模糊神经网络的信号灯智能控制方法
CN105279966A (zh) * 2015-10-09 2016-01-27 武汉理工大学 一种校园交通的拥堵识别方法
CN108399763A (zh) * 2018-03-07 2018-08-14 辽宁工业大学 一种基于神经网络的交叉路口交通信号灯控制算法
CN108545082A (zh) * 2018-04-28 2018-09-18 辽宁工业大学 一种汽车变道预警方法
CN108766007A (zh) * 2018-08-02 2018-11-06 成都秦川物联网科技股份有限公司 基于车联网的路况报警方法及车联网系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于ＢＰ神经网络的城市占道交通拥堵预测;罗来鹏;《黑龙江工程学院学报》;20160228;第30卷(第1期);第48-50页 *

Also Published As

Publication number Publication date
CN110111573A (zh) 2019-08-09

Similar Documents

Publication Publication Date Title
CN110111573B (zh) 一种基于物联网的拥堵车辆综合调度方法
CN108399763B (zh) 一种基于神经网络的交叉路口交通信号灯控制算法
CN112614343B (zh) 基于随机策略梯度的交通信号控制方法、系统及电子设备
CN102629418B (zh) 基于模糊卡尔曼滤波的交通流预测方法
CN112885088B (zh) 一种基于动态交通流的多匝道协调控制方法
CN106781499B (zh) 一种交通网络效率评价系统
CN112542049A (zh) 智慧交通综合管控平台
CN111028504A (zh) 一种城市快速路智慧交通管控方法和系统
CN109455178B (zh) 一种基于双目视觉的道路交通车辆行驶主动控制系统及方法
CN110415013A (zh) 一种网约车短时出行需求的组合预测方法
CN112687106B (zh) 一种基于交通路网动静态综合模型的路径优化方法
CN108682147A (zh) 一种高速公路交通拥堵疏导决策方法
CN106355905A (zh) 一种基于卡口数据的高架信号控制方法
CN109544926B (zh) 一种基于路口相关性的交通流量修复方法
CN111341109B (zh) 一种基于时空相似性的城市级信号推荐系统
CN114582131B (zh) 一种基于匝道智能控流算法的监控方法及系统
CN116052435A (zh) 一种城市道路拥堵影响范围界定与道路影响力计算方法
CN115188204A (zh) 一种异常天气条件下高速公路车道级可变限速控制方法
CN113515892B (zh) 一种多智能体交通仿真并行计算方法及装置
CN108364490A (zh) 城市公路交通系统车辆运行调控方法
CN109035775B (zh) 一种突发事件识别的方法及装置
CN110816531B (zh) 一种无人驾驶汽车车辆间安全距离的控制系统及控制方法
CN108647832A (zh) 一种基于神经网络的地铁运行间隔时间控制算法
CN107730882A (zh) 基于人工智能的道路拥堵预测系统及方法
JPH0714093A (ja) 交通信号制御方法

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
TR01 Transfer of patent right

Effective date of registration: 20210419

Address after: 121001 no.169ding-1, Shiying street, Guta District, Jinzhou City, Liaoning Province

Patentee after: Li Rui

Address before: 121001, 169 street, Guta District, Liaoning, Jinzhou

Patentee before: LIAONING University OF TECHNOLOGY

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230518

Address after: Room 03B, 1st Floor, Building 4, HongT Fashion Creative Street, No. 8 Jiangwang Road, Jianghan Economic Development Zone, Jianghan District, Wuhan City, Hubei Province, 430000

Patentee after: Wuhan Haocaitu Network Technology Co.,Ltd.

Address before: 121001 no.169ding-1, Shiying street, Guta District, Jinzhou City, Liaoning Province

Patentee before: Li Rui

TR01 Transfer of patent right