CN110599769A - 一种城市路网中分时段道路重要性的分级排序方法 - Google Patents
一种城市路网中分时段道路重要性的分级排序方法 Download PDFInfo
- Publication number
- CN110599769A CN110599769A CN201910854580.3A CN201910854580A CN110599769A CN 110599769 A CN110599769 A CN 110599769A CN 201910854580 A CN201910854580 A CN 201910854580A CN 110599769 A CN110599769 A CN 110599769A
- Authority
- CN
- China
- Prior art keywords
- road
- morning
- peak
- importance
- during
- 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
Links
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
- G08G1/0133—Traffic data processing for classifying traffic situation
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
一种城市路网中分时段道路重要性分级排序方法,利用城市路网信息,结合城市中心位置的影响因素,对于每天早晚上下班时段及其他时段,计算各路段重要性并进行分级排序,对于不同时段中的重要路段,加强警力和交通疏导,确保道路畅通,提高城市道路的整体通行效率。
Description
技术领域
本发明属于智能交通技术领域,涉及一种城市路网中分时段道路重要性分级排序方法。
背景技术
随着经济的飞速发展,私家车保有量大大增加,城市道路拥堵问题日益严峻,为城市交通畅通运行保障带来了巨大挑战,也对人们的生活出行造成很大的影响。交通控制管理中心依靠智能交通系统(Intelligent Transportation System,ITS)及时处理事故,保障道路畅通。ITS通过监控道路和车辆状态获取交通数据,为交通部门提供分析结果,有效的缓解了道路拥堵问题。其中,通过对历史数据的分析,获得城市不同位置的拥堵时段对ITS的构建有着重要作用,当不同路口的拥堵时段、时长能够分析出来,相关部门也就可以根据分析结果对道路行驶规则进行改进,但是该方法缺乏可靠的交通拥堵传播模型,难以实现大面积、精准化的交通拥堵分析,也无法支撑高效率的交通拥堵预测,只能够实现小范围面积内的拥堵预测分析。
专利号为201610976252.7的中国发明专利公开了一种基于交通拥堵传播模型的交通拥堵预测方法及系统,通过车辆的历史轨迹计算出车辆在通过第一路段的通行速度:根据通行速度计算出车辆行驶阈值,若当前车辆的瞬时行驶速度小于车辆行驶阈值,则判定发生交通拥堵,将每月中交通拥堵次数大于一定次数的路段判定为常发性交通拥堵路段,根据常发性交通拥堵路段生成拥堵子图,根据所有连接路段同时发生交通拥堵的概率,对拥堵子图进行标定后生成交通拥堵概率图模型后对交通拥堵情况进行预测,能够实现根据多源轨迹大数据提取准确的道路交通状态,从而完成城市交通拥堵传播分析,但是该方法需要建立极为复杂的模型,计算和处理过程繁琐,并且需要通过获得大量交通数据为基础,这些数据不仅包括每一辆车精确地的行驶轨迹数据和行驶速度数据,因此操作性和实用性较差,难以有效实施。
当前,城市中机动车保有量不断增长,交通压力急剧增加,部分地区经常发生交通拥堵,为城市交通畅通运行保障带来了巨大挑战,加剧了交通相关的能源与环境问题。明晰交通拥堵的源头与传播机理能够实现交通拥堵疏解,并保障城市交通的畅通。传统的交通拥堵传播分析方法一般利用交通专家的经验,根据道路网络的结构,分析提取预判可能发生的交通拥堵。由于缺乏可靠的交通拥堵传播模型,大面积、精准的交通拥堵分析难以实现,无法支撑高效率的交通拥堵预测。现有技术中的交通拥堵预测一般是通过依赖于人的主观经验,交通拥堵分析结果不准确,而且是只能实行小范围面积内的拥堵预测分析,交通拥堵预测效率低,车主出行时间增长,出行成本高。
发明内容
为克服上述现有技术中的不足,本发明目的在于提供一种城市路网中分时段道路重要性分级排序方法。
为实现上述目的及其他相关目的,本发明提供一种城市路网中分时段道路重要性分级排序方法,包括以下步骤:
S1、建立城市路网有向图模型:将表示道路的边变为结点,将表示结点的路口变为边,路口中从一条道路驶向另外一条道路的转向表示为有向箭头,该有向箭头可以理解为不同道路之间的转移;以此形成城市路网的有向图模型;
S2、设计对城市路网有向图模型进行计算道路重要性并进行排序的计算模型;包括以下步骤:
s21、建模假设:
A、假设城市的早上班高峰时间为07:00-09:00,晚下班高峰时间为16:00-18:00,其他时间为非早晚上下班高峰时间;
B、在早上班高峰期间,车流以大概率聚集于城市中心,在晚下班高峰期间,车流以大概率远离城市中心,而在非早晚高峰期间,车辆的行驶不受城市中心位置的影响;
C、在路口转向车道中,共享车道以1/2车道计算;
D、在早上班高峰期间,从距离城市中心距离远的道路驶入距离城市中心距离近的道路增加一个虚拟车道数;
E、在晚下班高峰期间,从距离城市中心距离近的道路驶入距离城市中心距离远的道路增加一个虚拟车道数;
F、在非早晚上下班高峰期间,按路口实际行驶车道数计算;
s22、建模符号定义:
O:城市中心物理位置;
N:城市道路总条数,即有向图模型中的结点总数,取正整数;
i:道路标号,表示第i条道路,即有向图中的结点i,i=1,2,…,N;
di:道路i两端点距离城市中心O距离的平均值(单位:米),i=1,2,…,N;
Bi:道路i中的车辆可驶入的道路集合,i=1,2,…,N;
Xi:道路i中的车辆可驶入的道路总条数,即Xi=|Bi|,i=1,2,…,N;
nij:道路i中的车辆驶入道路j的车道数,i=1,2,…,N,j∈Bi;
早上班高峰期间,道路i中的车辆驶入道路j的概率,i=1,2,…,N,j∈Bi;
晚下班高峰期间,道路i中的车辆驶入道路j的概率,i=1,2,…,N,j∈Bi;
非早晚高峰期间,道路i中的车辆驶入道路j的概率,i=1,2,…,N,j∈Bi;
s23、模型建立:
定义道路距离城市中心差异性函数δ(x)为:
上述100的单位是米,定义车辆在道路之间转移概率如下:
在早上班高峰期间,车辆从道路i驶入道路j的概率为:
其中i=1,2,…,N,j∈Bi;
在晚下班班高峰期间,车辆从道路i驶入道路j的概率为:
其中i=1,2,…,N,j∈Bi;
在非早晚高峰期间,车辆从道路i驶入道路j的概率为:
其中i=1,2,…,N,j∈Bi;
对公式(2)、公式(3)和公式(4)的概率进行修正,则转移概率:
i=1,2,…,N,j∈Bi∪{i};
其中α∈(0,1)是一个修正参数,参数α趋向于且无限接近于1时表示几乎不修正,参数α小于且接近于1时表示微小的修正,参数α接近于0时,表示所有道路同质而无差别;在算法具体的实践中,建议取α=0.9左右;
将转移概率i,j=1,2,…,N,写成矩阵的形式为由此定义可知,矩阵Pu可以表示为:
所述矩阵Pu具有如下的性质:
a、矩阵的每个元素都是在[0,1]之间的一个非负实数;
b、矩阵的每一行元素的和都为1;
类似定义修正转移概率及其中i=1,2,…,N,j∈Bi∪{i};记相应的矩阵为及同样,修正转移矩阵Pd和Po也都具有矩阵Pu的两条性质;
s24、用上标u、d、o区别早上班高峰、晚下班高峰、非早晚上下班高峰期间的相应变量,对于早上班高峰时间段来说,第j条道路重要程度变量满足
根据马尔可夫链的性质,上述道路在早上班高峰时段重要性的量值正好是离散时间马尔可夫链{Xm,m≥0}的平稳分布,根据城市路网的相通性,所述马尔可夫链的所有状态空间不仅是有限的,而且是互通,从而有唯一的平稳分布,即道路重要性是满足下面的高维线性方程组的唯一非负解:
对于上标是d和o的时间段,道路重要性的量值也满足类似的方程组;
S3、模型求解:
以早上班高峰期间道路重要性的求解为例,包括以下步骤:
步骤1:设定一个非常小的计算误差ε>0,且设m=1;
步骤2:设定平稳分布的初值a(0)=(1,0,…,0);
步骤3:执行迭代a(m)=a(m-1)Pu;
步骤4:检查向量a(m)和向量a(m-1)差的范数|a(m)-a(m-1)|是否超过误差ε,如果是超过,则执行步骤3;
步骤5:取平稳分布a=a(m),计算结束;
对于晚下班高峰及非早晚高峰时段,道路重要性的求解类似进行;
S4、结合S3的求解结果,定义道路重要性指标如下:
i=1,2,…,N;道路重要性指标在[0,100]之间,数值越大表示道路越重要,据此,实现对城市路网中道路重要性指标的排序。
上述方案中,有关内容解释如下:
1、上述方案中,本假设可以根据实际情况由相关部门重新确定,例如目前整个中国都执行北京时间,中国西部地区早上班高峰时间可以更改为08:00-10:00等;
2、上述方案中,定义道路距离城市中心差异性函数δ(x)为
上述函数的定义表明,以城市中心为原点,当有路口连接且能通行的两条道路两端距离城市中心的距离均值超过100米时,则认为这两条道路之间有地点差异,在早高峰期间,距离城市中心远的道路上的车辆将以更大的概率驶向离城市中心距离近的道路(上班),而在晚高峰期间,正好相反,距离城市中心近的道路上的车辆将以更大的概率驶向离城市中心距离远的道路(回家),在非早晚高峰期间,不考虑道路距离城市中心距离的差异。
由于上述技术方案运用,本发明与现有技术相比具有的有益效果如下:
本发明利用城市路网信息,结合城市中心位置的影响因素,设计一种新的计算方法,对于每天早上班高峰时段、晚下班高峰时段及其他非高峰时段,计算各路段重要性并进行分级排序,对于不同时段中的重要路段,可以加强警力和提前进行交通疏导,避免拥堵,确保道路畅通,提高城市道路的整体通行效率。本发明方法灵活,实现了不同长短时间段的拥堵分析,满足了对于一天中各个时间段进行分析的需求。
说明书附图
图1为城市路网示意图;
图2为本发明城市路网有向模型示意图;
图3为本发明方法中道路转向车道数计算示意图。
具体实施方式
以下由特定的具体实施例结合附图说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。
实施例:
如图1所示,在现代化的都市中,城市路网四通八达,如果把路口看成结点,把连接不同路口的道路看成连接不同结点的边的话,则整个路网可以看成一张数学中的图,需要注意的是:这里所说的路口可以是丁字(三叉)路口,十字(四叉)路口,五叉路口等等,以及圆形环岛,这里所说的道路是指车辆通行的道路,由于车辆在道路中行驶的方向性,因此道路有单向行驶车道以及双向行驶车道之分,从而图1实际上是一个有向图。
一种城市路网中分时段道路重要性分级排序方法,包括以下步骤:
S1、建立城市路网有向图模型:将表示道路的边变为结点,将表示结点的路口变为边,路口中从一条道路驶向另外一条道路的转向表示为有向箭头,该有向箭头可以理解为不同道路之间的转移;以此形成城市路网的有向图模型;
S2、设计对城市路网有向图模型进行计算道路重要性并进行排序的计算模型;包括以下步骤:
s21、建模假设:
A、假设城市的早上班高峰时间为07:00-09:00,晚下班高峰时间为16:00-18:00,其他时间为非早晚上下班高峰时间;
B、在早上班高峰期间,车流以大概率聚集于城市中心,在晚下班高峰期间,车流以大概率远离城市中心,而在非早晚高峰期间,车辆的行驶不受城市中心位置的影响;
C、在路口转向车道中,共享车道以1/2车道计算;
D、在早上班高峰期间,从距离城市中心距离远的道路驶入距离城市中心距离近的道路增加一个虚拟车道数;
E、在晚下班高峰期间,从距离城市中心距离近的道路驶入距离城市中心距离远的道路增加一个虚拟车道数;
F、在非早晚上下班高峰期间,按路口实际行驶车道数计算;
s22、建模符号定义:
O:城市中心物理位置;
N:城市道路总条数,即有向图模型中的结点总数,取正整数;
i:道路标号,表示第i条道路,即有向图中的结点i,i=1,2,…,N;
di:道路i两端点距离城市中心O距离的平均值(单位:米),i=1,2,…,N;
Bi:道路i中的车辆可驶入的道路集合,i=1,2,…,N;
Xi:道路i中的车辆可驶入的道路总条数,即Xi=|Bi|,i=1,2,…,N;
nij:道路i中的车辆驶入道路j的车道数,i=1,2,…,N,j∈Bi;
早上班高峰期间,道路i中的车辆驶入道路j的概率,i=1,2,…,N,j∈Bi;
晚下班高峰期间,道路i中的车辆驶入道路j的概率,i=1,2,…,N,j∈Bi;
非早晚高峰期间,道路i中的车辆驶入道路j的概率,i=1,2,…,N,j∈Bi;
s23、模型建立:
定义道路距离城市中心差异性函数δ(x)为:
上述100的单位是米,定义车辆在道路之间转移概率如下:
在早上班高峰期间,车辆从道路i驶入道路j的概率为:
其中i=1,2,…,N,j∈Bi;
在晚下班班高峰期间,车辆从道路i驶入道路j的概率为:
其中i=1,2,…,N,j∈Bi;
在非早晚高峰期间,车辆从道路i驶入道路j的概率为:
其中i=1,2,…,N,j∈Bi;
对公式(2)、公式(3)和公式(4)的概率进行修正,则转移概率:
i=1,2,…,N,j∈Bi∪{i};
其中α∈(0,1)是一个修正参数,参数α趋向于且无限接近于1时表示几乎不修正,参数α小于且接近于1时表示微小的修正,参数α接近于0时,表示所有道路同质而无差别;在算法具体的实践中,建议取α=0.9左右;
将转移概率i,j=1,2,…,N,写成矩阵的形式为由此定义可知,矩阵Pu可以表示为:
所述矩阵Pu具有如下的性质:
a、矩阵的每个元素都是在[0,1]之间的一个非负实数;
b、矩阵的每一行元素的和都为1;
类似定义修正转移概率及其中i=1,2,…,N,j∈Bi∪{i};记相应的矩阵为及同样,修正转移矩阵Pd和Po也都具有矩阵Pu的两条性质;
s24、用上标u、d、o区别早上班高峰、晚下班高峰、非早晚上下班高峰期间的相应变量,对于早上班高峰时间段来说,第j条道路重要程度变量满足
根据马尔可夫链的性质,上述道路在早上班高峰时段重要性的量值正好是离散时间马尔可夫链{Xm,m≥0}的平稳分布,根据城市路网的相通性,所述马尔可夫链的所有状态空间不仅是有限的,而且是互通,从而有唯一的平稳分布,即道路重要性是满足下面的高维线性方程组的唯一非负解:
对于上标是d和o的时间段,道路重要性的量值也满足类似的方程组;
S3、模型求解:
以早上班高峰期间道路重要性的求解为例,包括以下步骤:
步骤1:设定一个非常小的计算误差ε>0,且设m=1;
步骤2:设定平稳分布的初值a(0)=(1,0,…,0);
步骤3:执行迭代a(m)=a(m-1)Pu;
步骤4:检查向量a(m)和向量a(m-1)差的范数|a(m)-a(m-1)|是否超过误差ε,如果是超过,则执行步骤3;
步骤5:取平稳分布a=a(m),计算结束;
对于晚下班高峰及非早晚高峰时段,道路重要性的求解类似进行;
S4、结合S3的求解结果,定义道路重要性指标如下:
i=1,2,…,N;道路重要性指标在[0,100]之间,数值越大表示道路越重要,据此,实现对城市路网中道路重要性指标的排序。
本发明利用城市路网信息,结合城市中心位置的影响因素,设计一种新的计算方法,对于每天早上班高峰时段、晚下班高峰时段及其他非高峰时段,计算各路段重要性并进行分级排序,对于不同时段中的重要路段,可以加强警力和提前进行交通疏导,避免拥堵,确保道路畅通,提高城市道路的整体通行效率。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (1)
1.一种城市路网中分时段道路重要性分级排序方法,其特征在于:包括以下步骤:
S1、建立城市路网有向图模型:将表示道路的边变为结点,将表示结点的路口变为边,路口中从一条道路驶向另外一条道路的转向表示为有向箭头,该有向箭头可以理解为不同道路之间的转移;以此形成城市路网的有向图模型;
S2、设计对城市路网有向图模型进行计算道路重要性并进行排序的计算模型;包括以下步骤:
s21、建模假设:
A、假设城市的早上班高峰时间为07:00-09:00,晚下班高峰时间为16:00-18:00,其他时间为非早晚上下班高峰时间;
B、在早上班高峰期间,车流以大概率聚集于城市中心,在晚下班高峰期间,车流以大概率远离城市中心,而在非早晚高峰期间,车辆的行驶不受城市中心位置的影响;
C、在路口转向车道中,共享车道以1/2车道计算;
D、在早上班高峰期间,从距离城市中心距离远的道路驶入距离城市中心距离近的道路增加一个虚拟车道数;
E、在晚下班高峰期间,从距离城市中心距离近的道路驶入距离城市中心距离远的道路增加一个虚拟车道数;
F、在非早晚上下班高峰期间,按路口实际行驶车道数计算;
s22、建模符号定义:
O:城市中心物理位置;
N:城市道路总条数,即有向图模型中的结点总数,取正整数;
i:道路标号,表示第i条道路,即有向图中的结点i,i=1,2,…,N;
di:道路i两端点距离城市中心O距离的平均值(单位:米),i=1,2,…,N;
Bi:道路i中的车辆可驶入的道路集合,i=1,2,…,N;
Xi:道路i中的车辆可驶入的道路总条数,即Xi=|Bi|,i=1,2,…,N;
nij:道路i中的车辆驶入道路j的车道数,i=1,2,…,N,j∈Bi;
早上班高峰期间,道路i中的车辆驶入道路j的概率,i=1,2,…,N,j∈Bi;
晚下班高峰期间,道路i中的车辆驶入道路j的概率,i=1,2,…,N,j∈Bi;
非早晚高峰期间,道路i中的车辆驶入道路j的概率,i=1,2,…,N,j∈Bi;
s23、模型建立:
定义道路距离城市中心差异性函数δ(x)为:
上述100的单位是米,定义车辆在道路之间转移概率如下:
在早上班高峰期间,车辆从道路i驶入道路j的概率为:
其中i=1,2,…,N,j∈Bi;
在晚下班班高峰期间,车辆从道路i驶入道路j的概率为:
其中i=1,2,…,N,j∈Bi;
在非早晚高峰期间,车辆从道路i驶入道路j的概率为:
其中i=1,2,…,N,j∈Bi;
对公式(2)、公式(3)和公式(4)的概率进行修正,则转移概率:
其中α∈(0,1)是一个修正参数,参数α趋向于且无限接近于1时表示几乎不修正,参数α小于且接近于1时表示微小的修正,参数α接近于0时,表示所有道路同质而无差别;在算法具体的实践中,建议取α=0.9左右;
将转移概率写成矩阵的形式为由此定义可知,矩阵Pu可以表示为:
所述矩阵Pu具有如下的性质:
a、矩阵的每个元素都是在[0,1]之间的一个非负实数;
b、矩阵的每一行元素的和都为1;
类似定义修正转移概率及其中i=1,2,…,N,j∈Bi∪{i};记相应的矩阵为及同样,修正转移矩阵Pd和Po也都具有矩阵Pu的两条性质;
s24、用上标u、d、o区别早上班高峰、晚下班高峰、非早晚上下班高峰期间的相应变量,对于早上班高峰时间段来说,第j条道路重要程度变量满足
根据马尔可夫链的性质,上述道路在早上班高峰时段重要性的量值正好是离散时间马尔可夫链{Xm,m≥0}的平稳分布,根据城市路网的相通性,所述马尔可夫链的所有状态空间不仅是有限的,而且是互通,从而有唯一的平稳分布,即道路重要性是满足下面的高维线性方程组的唯一非负解:
对于上标是d和o的时间段,道路重要性的量值也满足类似的方程组;
S3、模型求解:
以早上班高峰期间道路重要性的求解为例,包括以下步骤:
步骤1:设定一个非常小的计算误差ε>0,且设m=1;
步骤2:设定平稳分布的初值a(0)=(1,0,…,0);
步骤3:执行迭代a(m)=a(m-1)Pu;
步骤4:检查向量a(m)和向量a(m-1)差的范数|a(m)-a(m-1)|是否超过误差ε,如果是超过,则执行步骤3;
步骤5:取平稳分布a=a(m),计算结束;
对于晚下班高峰及非早晚高峰时段,道路重要性的求解类似进行;
S4、结合S3的求解结果,定义道路重要性指标如下:
道路重要性指标在[0,100]之间,数值越大表示道路越重要,据此,实现对城市路网中道路重要性指标的排序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910854580.3A CN110599769B (zh) | 2019-09-10 | 2019-09-10 | 一种城市路网中分时段道路重要性的分级排序方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910854580.3A CN110599769B (zh) | 2019-09-10 | 2019-09-10 | 一种城市路网中分时段道路重要性的分级排序方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110599769A true CN110599769A (zh) | 2019-12-20 |
CN110599769B CN110599769B (zh) | 2022-08-09 |
Family
ID=68858617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910854580.3A Active CN110599769B (zh) | 2019-09-10 | 2019-09-10 | 一种城市路网中分时段道路重要性的分级排序方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110599769B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798663A (zh) * | 2020-08-07 | 2020-10-20 | 交通运输部公路科学研究所 | 一种路网关键路段辨识方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106384509A (zh) * | 2016-10-08 | 2017-02-08 | 大连理工大学 | 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 |
CN106710212A (zh) * | 2016-12-20 | 2017-05-24 | 浙江中电智能科技有限公司 | 一种基于高速公路交通状况监测系统的监测方法 |
CN107437339A (zh) * | 2017-06-20 | 2017-12-05 | 北京交通大学 | 一种信息引导下的可变信息情报板协调控制方法及系统 |
US20180227856A1 (en) * | 2017-02-08 | 2018-08-09 | Qualcomm Incorporated | Techniques and apparatuses for predicting traffic to configure user equipment features |
US20180335307A1 (en) * | 2017-05-17 | 2018-11-22 | Here Global B.V. | Method and apparatus for providing a machine learning approach for a point-based map matcher |
CN108922168A (zh) * | 2018-05-29 | 2018-11-30 | 同济大学 | 一种中观层面事故多发道路判别的方法 |
CN108921366A (zh) * | 2018-03-24 | 2018-11-30 | 北京工业大学 | 一种基于PageRank算法的路网重要路段筛选方法 |
CN109544946A (zh) * | 2019-01-03 | 2019-03-29 | 南京城建隧桥经营管理有限责任公司 | 基于车流量大数据的隧道实时监控管理系统及其实现方法 |
-
2019
- 2019-09-10 CN CN201910854580.3A patent/CN110599769B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106384509A (zh) * | 2016-10-08 | 2017-02-08 | 大连理工大学 | 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 |
US20180350237A1 (en) * | 2016-10-08 | 2018-12-06 | Dalian University Of Technology | Method for estimating distribution of urban road travel time in considering operation state of taxi |
CN106710212A (zh) * | 2016-12-20 | 2017-05-24 | 浙江中电智能科技有限公司 | 一种基于高速公路交通状况监测系统的监测方法 |
US20180227856A1 (en) * | 2017-02-08 | 2018-08-09 | Qualcomm Incorporated | Techniques and apparatuses for predicting traffic to configure user equipment features |
US20180335307A1 (en) * | 2017-05-17 | 2018-11-22 | Here Global B.V. | Method and apparatus for providing a machine learning approach for a point-based map matcher |
CN107437339A (zh) * | 2017-06-20 | 2017-12-05 | 北京交通大学 | 一种信息引导下的可变信息情报板协调控制方法及系统 |
CN108921366A (zh) * | 2018-03-24 | 2018-11-30 | 北京工业大学 | 一种基于PageRank算法的路网重要路段筛选方法 |
CN108922168A (zh) * | 2018-05-29 | 2018-11-30 | 同济大学 | 一种中观层面事故多发道路判别的方法 |
CN109544946A (zh) * | 2019-01-03 | 2019-03-29 | 南京城建隧桥经营管理有限责任公司 | 基于车流量大数据的隧道实时监控管理系统及其实现方法 |
Non-Patent Citations (3)
Title |
---|
J.L. SULLIVAN, D.C. NOVAK, L. AULTMAN-HALL, D.M. SCOTT: "Identifying critical road segments and measuring system-wide robustness in transportation networks with isolating links: A link-based capacity-reduction approach", 《TRANSPORTATION RESEARCH PART A: POLICY AND PRACTICE》 * |
苏飞,董宏辉,贾利民,孙璇: "基于时空相关性的城市交通路网关键路段识别", 《交通运输系统工程与信息》 * |
蔡华波: "城市路网重要交叉口判别及交通状态预测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798663A (zh) * | 2020-08-07 | 2020-10-20 | 交通运输部公路科学研究所 | 一种路网关键路段辨识方法 |
CN111798663B (zh) * | 2020-08-07 | 2021-12-14 | 交通运输部公路科学研究所 | 一种路网关键路段辨识方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110599769B (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Optimizing minimum and maximum green time settings for traffic actuated control at isolated intersections | |
CN103413443B (zh) | 基于隐马尔科夫模型的短时交通流状态预测方法 | |
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 | |
WO2020147920A1 (en) | Traffic signal control by spatio-temporal extended search space of traffic states | |
CN102521989B (zh) | 一种动态数据驱动的高速公路出口流量预测方法 | |
CN109215350B (zh) | 一种基于rfid电子车牌数据的短期交通状态预测方法 | |
Yousef et al. | Intelligent traffic light scheduling technique using calendar-based history information | |
CN104217605A (zh) | 一种公交车到站时间测算方法和装置 | |
Liu et al. | Control method of urban intelligent parking guidance system based on Internet of Things | |
CN112820108A (zh) | 一种自学习的路网交通状态分析及预测方法 | |
CN113643528A (zh) | 信号灯控制方法、模型训练方法、系统、装置及存储介质 | |
Datesh et al. | Using k-means clustering to improve traffic signal efficacy in an IntelliDrive SM environment | |
CN114360266A (zh) | 一种网联车探测状态感知的交叉口强化学习信号控制方法 | |
CN113516277B (zh) | 一种基于路网动态定价的网联智能交通路径规划方法 | |
CN105303856A (zh) | 一种预测模型的可变情报板信息发布方法 | |
Chen et al. | Environmentally friendly traffic control strategy-A case study in Xi’an city | |
JP2024521538A (ja) | 交通予測のための分散マルチタスク機械学習 | |
CN110599769B (zh) | 一种城市路网中分时段道路重要性的分级排序方法 | |
Chen et al. | Adaptive network traffic control with approximate dynamic programming based on a non-homogeneous Poisson demand model | |
CN110097757B (zh) | 一种基于深度优先搜索的交叉口群关键路径识别方法 | |
CN115171408B (zh) | 一种交通信号优化控制方法 | |
Lin et al. | Service-oriented dynamic data driven application systems to traffic signal control | |
CN111105617B (zh) | 基于矩阵稳定性分析的智能交通预测系统 | |
Wang et al. | Intelligent Driving Strategy of Expressway Based on Big Data of Road Network and Driving Time | |
CN114419896B (zh) | 基于数字孪生的交通信号灯控制方法、装置、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 |