CN112201033A - 一种道路交通运行主动管控策略选择方法 - Google Patents

一种道路交通运行主动管控策略选择方法 Download PDF

Info

Publication number
CN112201033A
CN112201033A CN202010934287.0A CN202010934287A CN112201033A CN 112201033 A CN112201033 A CN 112201033A CN 202010934287 A CN202010934287 A CN 202010934287A CN 112201033 A CN112201033 A CN 112201033A
Authority
CN
China
Prior art keywords
vehicle
traffic
control strategy
model
time
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
CN202010934287.0A
Other languages
English (en)
Other versions
CN112201033B (zh
Inventor
余荣杰
许可
孙剑
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.)
Tongji University
Original Assignee
Tongji 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 Tongji University filed Critical Tongji University
Priority to CN202010934287.0A priority Critical patent/CN112201033B/zh
Publication of CN112201033A publication Critical patent/CN112201033A/zh
Application granted granted Critical
Publication of CN112201033B publication Critical patent/CN112201033B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • 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
    • G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
    • 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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • 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

Abstract

本发明涉及一种道路交通运行主动管控策略选择方法，包括以下步骤：获取路段位置信息、路段属性和当前交通运行状态，构建在线仿真交通流模型；基于当前交通运行状态和路段属性，从历史数据中得到潜在管控策略，生成平行仿真案例；构建潜在管控策略下的驾驶行为模型，基于驾驶行为模型进行平行的交通运行状态推演；对平行的交通运行状态推演结果进行评价，得到优选的道路交通运行主动管控策略。与现有技术相比，提升了运行状态预估的精度，提升了管控策略的针对性，实现了自动化主动管控策略选择。

Description

一种道路交通运行主动管控策略选择方法
技术领域
本发明涉及道路交通运行主动管控领域，尤其是涉及一种道路交通运行主动管控策略选择方法。
背景技术
道路交通运行主动管控即通过实施管控策略，改变交通参与者的行为，进而调节交通运行态势。主动交通管理的主要控制手段包括可变限速、拥堵预警、匝道计量等等。这些管控手段实现实时检测、动态调节，可以达到减少交通事件、主动预防和避免交通拥堵发生的作用。
主动交通管理的关键难点在于对管控后交通运行态势的推演。以可变限速管控手段为例，可变限速是通过设置一个动态的速度限制，该限值是基于实时车辆、天气或其他临时状况而设置的最优值。可变限速对于车辆进行的主动速度调控是基于预测的交通流状态。但是，传统的预测手段导致了不精准、实时性差等问题，基于模型的传统预测方式给主动管控的落实造成阻碍，导致主动管控策略选择不合理，不准确。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种道路交通运行主动管控策略选择方法，以实现道路交通运行主动管控策略的准确合理选择。
本发明的目的可以通过以下技术方案来实现：
一种道路交通运行主动管控策略选择方法，该方法包括以下步骤：
步骤S1：获取路段位置信息、路段属性和当前交通运行状态，构建在线仿真交通流模型；
步骤S2：基于当前交通运行状态和路段属性，从历史数据中得到潜在管控策略，生成平行仿真案例；
步骤S3：构建潜在管控策略下的驾驶行为模型，基于驾驶行为模型进行平行的交通运行状态推演；
步骤S4：对平行的交通运行状态推演结果进行评价，得到优选的道路交通运行主动管控策略。
所述的步骤S1包括：
步骤S11：获取路段位置信息进行坐标系建立，在坐标系中设置路段属性；
步骤S12：将当前交通运行状态实时同步至坐标系中；
步骤S13：基于坐标系，构建在线仿真交通流模型。
所述的在线仿真交通流模型包括跟驰模型和换道模型，所述跟驰模型表达为：
Figure BDA0002671385350000021
Figure BDA0002671385350000022
其中，
Figure BDA0002671385350000023
为后车最大加速度或减速度，
Figure BDA0002671385350000024
为后车舒适减速度，
Figure BDA0002671385350000025
为驾驶人期望速度，Vn为车辆的速度，Sn为后车车头与前车车尾间距，
Figure BDA0002671385350000026
为驾驶人期望的跟驰间距，
Figure BDA0002671385350000027
为阻塞间距，
Figure BDA0002671385350000028
为期望车头时距，αn为跟驰加速度或减速度，β为自适应参数；
换道模型表达为：
Figure BDA0002671385350000029
其中，Vn(t)为车辆n在t时刻的速度，Vn(t+T)为车辆n在t+T时刻的速度，bn代表车辆n的最大舒适减速度，T为时间步长，xn(t)为车辆n在时刻t的位置，sn-1指前车的车身长度，
Figure BDA00026713853500000210
为前车的最大舒适减速度。
所述的步骤S2包括：
步骤S21：利用当前交通状态及路段属性与历史交通状态进行相似度匹配，得到最相似历史交通状态；
步骤S22：基于最相似历史交通状态，查询历史管控措施库得到潜在管控策略；
步骤S23：利用潜在管控策略生成平行仿真案例。
所述当前交通状态与历史管控状态利用欧几里得距离进行相似度匹配，所述欧几里得距离表达为：
Figure BDA0002671385350000031
其中，xik为i点的第k维坐标，xjk为j点的第k维坐标，d为空间维度，dij(xi，xj)即两点间的欧几里得距离
所述的步骤S3中驾驶行为模型为：
Figure BDA0002671385350000032
其中，参数γ，ε，δ其为调节因子，γ取值范围为[1，10)，ε取决于具体主动管控手段，δ取值范围为(0，1]，αn(t)为主动管控策略对于跟驰模型的影响，
Figure BDA0002671385350000033
为驾驶人期望速度，Vn为车辆的速度，
Figure BDA0002671385350000034
为后车最大加速度或减速度，Sn为后车车头与前车车尾间距，
Figure BDA0002671385350000035
为驾驶人期望的跟驰间距；
Figure BDA0002671385350000036
其中，参数θ取值范围为[1，20)，Vn(t)为车辆n在t时刻的速度，Vn(t+T)为车辆n在t+T时刻的速度，bn代表车辆n的最大舒适减速度，T为时间步长，xn(t)为车辆n在时刻t的位置，sn-1指前车的车身长度，
Figure BDA0002671385350000037
为前车的最大舒适减速度。
所述的步骤S4中以车辆流量、车辆速度、距离碰撞时间作为评估指标对平行的交通运行状态推演结果进行评价。
与现有技术相比，本发明具有以下优点：
(1)区别于传统的宏观交通流模型预测，将在线仿真与平行实验相结合，提升了运行状态预估的精度，从而提高主动管控策略的精度。
(2)平行实验可借鉴历史管控效果，多管控方案的生成及评估价提升了管控策略的针对性。
(3)区别于主观经验决策，实现了以代码自动化的方式为道路交通运行主动管控提供决策支持。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例
本实施例提供一种基于在线仿真推演与平行实验的道路交通运行主动管控策略选择方法，如图1所示，包括以下步骤：
步骤S1：获取路段位置信息、路段属性和当前交通运行状态，构建在线仿真交通流模型；
步骤S2：基于当前交通运行状态和路段属性，从历史数据中得到潜在管控策略，生成平行仿真案例；
步骤S3：构建潜在管控策略下的驾驶行为模型，基于驾驶行为模型进行平行的交通运行状态推演；
步骤S4：对平行的交通运行状态推演结果进行评价，得到优选的道路交通运行主动管控策略。
步骤S1包括：
步骤S11：获取路段位置信息进行坐标系建立，在坐标系中设置路段属性；
步骤S12：将当前交通运行状态实时同步至坐标系中；
步骤S13：基于坐标系，构建在线仿真交通流模型。
在线仿真交通流模型包括跟驰模型和换道模型，跟驰模型表达式包括：
Figure BDA0002671385350000041
Figure BDA0002671385350000042
其中，
Figure BDA0002671385350000043
为后车最大加速度或减速度，
Figure BDA0002671385350000044
为后车舒适减速度，
Figure BDA0002671385350000045
为驾驶人期望速度，Vn为车辆的速度，Sn为后车车头与前车车尾间距，
Figure BDA0002671385350000046
为驾驶人期望的跟驰间距，
Figure BDA0002671385350000047
为阻塞间距，
Figure BDA0002671385350000048
为期望车头时距，αn为跟驰加速度或减速度，β为自适应参数；
换道模型表达式包括：
Figure BDA0002671385350000049
其中，Vn(t)为车辆n在t时刻的速度，Vn(t+T)为车辆n在t+T时刻的速度，bn代表车辆n的最大舒适减速度，T为时间步长，xn(t)为车辆n在时刻t的位置，sn-1指前车的车身长度，
Figure BDA0002671385350000051
为前车的最大舒适减速度。
步骤S2包括：
步骤S21：利用当前交通状态及路段属性与历史管控状态进行相似度匹配，得到最相似历史管控交通状态；
步骤S22：基于最相似历史管控交通状态，查询历史管控措施库得到潜在管控策略；
步骤S23：利用潜在管控策略生成平行仿真案例。
当前交通状态与历史管控状态利用欧几里得距离进行相似度匹配，欧几里得距离表达为：
Figure BDA0002671385350000052
其中，xik为i点的第k维坐标，xjk为j点的第k维坐标，d为空间维度，dij(xi，xj)即两点间的欧几里得距离。
步骤S3中驾驶行为模型为：
Figure BDA0002671385350000053
其中，参数γ，ε，δ其为调节因子，γ取值范围为[1，10)，ε取决于具体主动管控手段，δ取值范围为(0，1]，αn(t)为主动管控策略对于跟驰模型的影响，
Figure BDA0002671385350000054
为驾驶人期望速度，Vn为车辆的速度，
Figure BDA0002671385350000055
为后车最大加速度或减速度，Sn为后车车头与前车车尾间距，
Figure BDA0002671385350000056
为驾驶人期望的跟驰间距；
Figure BDA0002671385350000057
其中，参数θ取值范围为[1，20)，Vn(t)为车辆n在t时刻的速度，Vn(t+T)为车辆n在t+T时刻的速度，bn代表车辆n的最大舒适减速度，T为时间步长，xn(t)为车辆n在时刻t的位置，sn-1指前车的车身长度，
Figure BDA0002671385350000058
为前车的最大舒适减速度。
步骤S4中以车辆流量、车辆速度、距离碰撞时间作为评估指标对平行的交通运行状态推演结果进行评价。
通过上述步骤，完成基于在线仿真推演与平行实验的道路交通运行主动管控策略选择方法，区别于传统的宏观交通流模型预测，在线仿真推演的技术路径提升了运行状态预估的精度。上述步骤中的平行实验，基于历史管控措施库，实现了多主动管控策略的生成及综合评价，有利于提升管控策略的针对性，并促使决策支持过程实现代码自动化。
下面结合一个具体的可选实施例进行说明：
(一)建立在线仿真交通流模型，具体步骤如下：
(1)于仿真平台构建路网：基于highD数据集(包括路段位置信息、路段属性和当前交通运行状态，本实施例中当前交通状态指highD数据集中高风险时刻的交通运行状态)，于SUMO(Simulation of Urban Mobility)仿真平台建立highD路段仿真模型。highD数据路段长度为420米，则设置路段端点相隔为420米，并输入路段属性，如双向三车道、车道宽度为3.25米等。
(2)将当前交通运行状态实时同步至坐标系中：将highD数据集中当前交通运行状态导入至仿真平台坐标系中，包含该时刻车辆坐标、速度等。并在SUMO仿真平台内配备相应的车辆文件及仿真文件，车辆文件包含历史流量，如仿真模型双向三车道快速路小时流量为3807辆/小时，仿真文件包含仿真开始时刻及结束时刻的设定。
(3)构建驾驶行为模型：驾驶行为模型包括跟驰模型及换道模型，基于文献结论及仿真实验，确定对于跟驰模型及换道模型的主要影响参数。跟驰模型中典型的智能驾驶人模型(Intelligent driver model，IDM)公式如下所示：
Figure BDA0002671385350000061
Figure BDA0002671385350000062
其中，
Figure BDA0002671385350000063
为后车最大加速度或减速度，
Figure BDA0002671385350000064
为后车舒适减速度，
Figure BDA0002671385350000065
为驾驶人期望速度，Sn为后车车头与前车车尾间距，
Figure BDA0002671385350000066
为驾驶人期望的跟驰间距，
Figure BDA0002671385350000067
为阻塞间距，
Figure BDA0002671385350000068
为期望车头时距，αn为跟驰加速度或减速度，β为自适应参数。
换道模型中较为经典的模型为Gipps换道模型，公式如下所示：
Figure BDA0002671385350000069
其中，Vn(t)为车辆n在t时刻的速度，Vn(t+T)为车辆n在t+T时刻的速度，bn代表车辆n的最大舒适减速度；T为时间步长；xn(t)为车辆n在时刻t的位置；sn-1指前车的车身长度；
Figure BDA00026713853500000610
为前车的最大舒适减速度。
选择SUMO仿真平台内与highD数据集最为相似的跟驰模型与换道模型作为默认驾驶行为模型。
(二)生成平行仿真案例，具体步骤如下：
(1)当前交通状态及路段属性与历史交通状态进行相似度匹配：选取欧几里得距离(Euclidean distance)作为相似度计算指标，其计算公式为：
Figure BDA0002671385350000071
其中，xik为i点的第k维坐标，xjk为j点的第k维坐标，d为空间维度，dij(xi，xj)即两点间的欧几里得距离。
相似度计算选取的关键变量主要包含交通状态及路段属性两个维度，其中交通态势包括车辆流量、平均车辆速度、速度方差等；路段属性包括车道数、车道宽度等。
选取以上公式计算结果最小的历史交通状态，即最为相似的历史交通状态。如路段编号为01的highD数据文件中的当前交通状态与编号为02的交通运行状态最为相似。
(2)提取对应管控方案：在历史管控措施库中，即一个包含历史交通状态与潜在管控策略对应关系的数据库，查询最为相似的历史交通状态所对应的潜在管控策略。则编号为01的highD数据文件中对应的潜在管控策略为120km/h-110km/h-100km/h可变限速方案、110km/h-100km/h-90km/h可变限速方案和100km/h-90km/h-80km/h可变限速方案。
历史管控措施库示例如表1所示。
表1历史管控措施库示例展示
Figure BDA0002671385350000072
Figure BDA0002671385350000081
(3)生成平行实验仿真案例：构建三个平行仿真场景，分别设有以上三个连续可变限速标志，并对路段车辆速度分布进行设置。
(三)交通运行状态推演，具体步骤如下：
(1)构建潜在管控策略下的驾驶行为模型：本实施例以可变限速策略和拥堵预警策略为例，可变限速策略对于跟驰模型的影响公式为：
Figure BDA0002671385350000082
参数γ，ε，δ其为调节因子，参数γ取值范围为[1，10)；ε取值范围为(0，1.5)；δ取值范围为(0，1]。
拥堵预警策略对于跟驰模型的影响公式为：
Figure BDA0002671385350000083
参数γ取值范围为[1，10)；δ取值范围为(0，1]。
可变限速与拥堵预警策略对于换道模型的影响公式为：
Figure BDA0002671385350000084
其中，参数θ取值范围为[1，20)。
根据不同的限速方案及具体的拥堵预警策略实施等具体主动管控手段，参考参数范围，确定以上参数值。
(2)进行交通运行状态推演：在仿真场景中开展交通流仿真，仿真时长可定为未来15分钟。
(四)对推演结果进行评估并提供决策支持，具体步骤如下：
(1)选取效果评估指标：综合通行效率改善及交通安全提升的管控目的，选取流量、速度、距离碰撞时间(Time-to-Collision，TTC)作为评估指标。
(2)进行效果评估：根据以上指标，导出平行仿真案例下的SUMO平台仿真轨迹数据，根据效果评估指标数据的平均数、偏度及分布等进行描述性统计。
(3)管控方案决策建议：选取效果评估值表现最好的潜在适用管控方案，即可输出至快速道路交通运行管控中心，或云控平台，供运行管控负责人员进行决策。

Claims (7)

1.一种道路交通运行主动管控策略选择方法，其特征在于，该方法包括以下步骤：
步骤S1：获取路段位置信息、路段属性和当前交通运行状态，构建在线仿真交通流模型；
步骤S2：基于当前交通运行状态和路段属性，从历史数据中得到潜在管控策略，生成平行仿真案例；
步骤S3：构建潜在管控策略下的驾驶行为模型，基于驾驶行为模型进行平行的交通运行状态推演；
步骤S4：对平行的交通运行状态推演结果进行评价，得到优选的道路交通运行主动管控策略。
2.根据权利要求1所述的一种道路交通运行主动管控策略选择方法，其特征在于，所述的步骤S1包括：
步骤S11：获取路段位置信息进行坐标系建立，在坐标系中设置路段属性；
步骤S12：将当前交通运行状态实时同步至坐标系中；
步骤S13：基于坐标系，构建在线仿真交通流模型。
3.根据权利要求2所述的一种道路交通运行主动管控策略选择方法，其特征在于，所述的在线仿真交通流模型包括跟驰模型和换道模型，所述跟驰模型表达为：
Figure FDA0002671385340000011
Figure FDA0002671385340000012
其中，
Figure FDA0002671385340000013
为后车最大加速度或减速度，
Figure FDA0002671385340000014
为后车舒适减速度，
Figure FDA0002671385340000015
为驾驶人期望速度，Vn为车辆的速度，Sn为后车车头与前车车尾间距，
Figure FDA0002671385340000016
为驾驶人期望的跟驰间距，
Figure FDA0002671385340000017
为阻塞间距，
Figure FDA0002671385340000018
为期望车头时距，αn为跟驰加速度或减速度，β为自适应参数；
换道模型表达为：
Figure FDA0002671385340000019
其中，Vn(t)为车辆n在t时刻的速度，Vn(t+T)为车辆n在t+T时刻的速度，bn代表车辆n的最大舒适减速度，T为时间步长，xn(t)为车辆n在时刻t的位置，sn-1指前车的车身长度，
Figure FDA0002671385340000021
为前车的最大舒适减速度。
4.根据权利要求1所述的一种道路交通运行主动管控策略选择方法，其特征在于，所述的步骤S2包括：
步骤S21：利用当前交通状态及路段属性与历史交通状态进行相似度匹配，得到最相似历史交通状态；
步骤S22：基于最相似历史交通状态，查询历史管控措施库得到潜在管控策略；
步骤S23：利用潜在管控策略生成平行仿真案例。
5.根据权利要求4所述的一种道路交通运行主动管控策略选择方法，其特征在于，所述当前交通状态与历史管控状态利用欧几里得距离进行相似度匹配，所述欧几里得距离表达为：
Figure FDA0002671385340000022
其中，xik为i点的第k维坐标，xjk为j点的第k维坐标，d为空间维度，dij(xi,xj)即两点间的欧几里得距离。
6.根据权利要求1所述的一种道路交通运行主动管控策略选择方法，其特征在于，所述的步骤S3中驾驶行为模型为：
Figure FDA0002671385340000023
其中，参数γ,ε,δ其为调节因子，γ取值范围为[1,10)，ε取决于具体主动管控手段，δ取值范围为(0,1]，αn(t)为主动管控策略对于跟驰模型的影响，
Figure FDA0002671385340000024
为驾驶人期望速度，Vn为车辆的速度，
Figure FDA0002671385340000025
为后车最大加速度或减速度，Sn为后车车头与前车车尾间距，
Figure FDA0002671385340000026
为驾驶人期望的跟驰间距；
Figure FDA0002671385340000027
其中，参数θ取值范围为[1,20)，Vn(t)为车辆n在t时刻的速度，Vn(t+T)为车辆n在t+T时刻的速度，bn代表车辆n的最大舒适减速度，T为时间步长，xn(t)为车辆n在时刻t的位置，sn-1指前车的车身长度，
Figure FDA0002671385340000028
为前车的最大舒适减速度。
7.根据权利要求1所述的一种道路交通运行主动管控策略选择方法，其特征在于，所述的步骤S4中以车辆流量、车辆速度、距离碰撞时间作为评估指标对平行的交通运行状态推演结果进行评价。
CN202010934287.0A 2020-09-08 2020-09-08 一种道路交通运行主动管控策略选择方法 Active CN112201033B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010934287.0A CN112201033B (zh) 2020-09-08 2020-09-08 一种道路交通运行主动管控策略选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010934287.0A CN112201033B (zh) 2020-09-08 2020-09-08 一种道路交通运行主动管控策略选择方法

Publications (2)

Publication Number Publication Date
CN112201033A true CN112201033A (zh) 2021-01-08
CN112201033B CN112201033B (zh) 2022-06-07

Family

ID=74005450

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010934287.0A Active CN112201033B (zh) 2020-09-08 2020-09-08 一种道路交通运行主动管控策略选择方法

Country Status (1)

Country Link
CN (1) CN112201033B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113065215A (zh) * 2021-03-22 2021-07-02 广州弘毅软件科技有限公司 高速公路运营态势预测方法及装置
CN113327421A (zh) * 2021-06-04 2021-08-31 河北省交通规划设计院 一种基于v2x路网控制方法及系统
CN114333332A (zh) * 2022-03-04 2022-04-12 阿里云计算有限公司 一种交通管控方法、装置及电子设备
CN114627640A (zh) * 2022-01-21 2022-06-14 中国科学院深圳先进技术研究院 一种智能网联汽车行驶策略的动态演化方法
CN115240409A (zh) * 2022-06-17 2022-10-25 上海智能网联汽车技术中心有限公司 一种基于驾驶员模型和交通流模型提取危险场景的方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009259158A (ja) * 2008-04-21 2009-11-05 Toyota Central R&D Labs Inc 交通状態シミュレーション装置及びプログラム
CN103116608A (zh) * 2013-01-18 2013-05-22 同济大学 一种快速路交通流再现的方法
CN103412975A (zh) * 2013-07-11 2013-11-27 吴建平 动态交通仿真平台及其仿真方法
CN103699775A (zh) * 2013-11-25 2014-04-02 北京交通大学 城市道路交通诱导策略自动生成方法与系统
CN106781461A (zh) * 2016-12-02 2017-05-31 交通运输部公路科学研究所 一种高速公路网运行态势在线推演热启动技术
CN107103142A (zh) * 2017-07-11 2017-08-29 交通运输部公路科学研究所 面向公路和铁路网的综合交通网络运行态势推演仿真技术
CN110111563A (zh) * 2019-04-08 2019-08-09 东南大学 一种城市快速路的实时交通状态估计方法
CN110969857A (zh) * 2019-12-27 2020-04-07 华为技术有限公司 一种交通信息处理方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009259158A (ja) * 2008-04-21 2009-11-05 Toyota Central R&D Labs Inc 交通状態シミュレーション装置及びプログラム
CN103116608A (zh) * 2013-01-18 2013-05-22 同济大学 一种快速路交通流再现的方法
CN103412975A (zh) * 2013-07-11 2013-11-27 吴建平 动态交通仿真平台及其仿真方法
CN103699775A (zh) * 2013-11-25 2014-04-02 北京交通大学 城市道路交通诱导策略自动生成方法与系统
CN106781461A (zh) * 2016-12-02 2017-05-31 交通运输部公路科学研究所 一种高速公路网运行态势在线推演热启动技术
CN107103142A (zh) * 2017-07-11 2017-08-29 交通运输部公路科学研究所 面向公路和铁路网的综合交通网络运行态势推演仿真技术
CN110111563A (zh) * 2019-04-08 2019-08-09 东南大学 一种城市快速路的实时交通状态估计方法
CN110969857A (zh) * 2019-12-27 2020-04-07 华为技术有限公司 一种交通信息处理方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
米爱中: "智能交通管控与服务方案评估及优化平台架构研究", 《科技展望》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113065215A (zh) * 2021-03-22 2021-07-02 广州弘毅软件科技有限公司 高速公路运营态势预测方法及装置
CN113327421A (zh) * 2021-06-04 2021-08-31 河北省交通规划设计院 一种基于v2x路网控制方法及系统
CN114627640A (zh) * 2022-01-21 2022-06-14 中国科学院深圳先进技术研究院 一种智能网联汽车行驶策略的动态演化方法
CN114333332A (zh) * 2022-03-04 2022-04-12 阿里云计算有限公司 一种交通管控方法、装置及电子设备
CN114333332B (zh) * 2022-03-04 2022-09-06 阿里云计算有限公司 一种交通管控方法、装置及电子设备
CN115240409A (zh) * 2022-06-17 2022-10-25 上海智能网联汽车技术中心有限公司 一种基于驾驶员模型和交通流模型提取危险场景的方法
CN115240409B (zh) * 2022-06-17 2024-02-06 上智联(上海)智能科技有限公司 一种基于驾驶员模型和交通流模型提取危险场景的方法

Also Published As

Publication number Publication date
CN112201033B (zh) 2022-06-07

Similar Documents

Publication Publication Date Title
CN112201033B (zh) 一种道路交通运行主动管控策略选择方法
CN110615001B (zh) 一种基于can数据的驾驶安全提醒方法、装置及介质
CN111145552B (zh) 基于5g网络的车辆动态换道轨迹的规划方法
CN103593535A (zh) 基于多尺度融合的城市交通复杂自适应网络平行仿真系统及方法
CN112396834B (zh) 基于元胞自动机模型的雾天高速公路协调控制方法
CN111028504A (zh) 一种城市快速路智慧交通管控方法和系统
CN112925309A (zh) 智能网联汽车数据交互方法及交互系统
CN108711285B (zh) 一种基于道路路口的混合交通模拟方法
Zhao et al. Dynamic eco-driving on signalized arterial corridors during the green phase for the connected vehicles
CN111798687A (zh) 一种基于5g技术的远程控制车辆的方法及系统
CN114454878A (zh) 车速控制模型训练样本的确定方法及装置
DE102012023575B3 (de) Verfahren zur fahrerspezifischen Anpassung eines synthetisch modulierten Geschwindigkeitsprofils entlang einer mit einem Fahrzeug gefahrenen Strecke sowie Steuergerät zur Durchführung des Verfahrens
Chen et al. Towards human-like speed control in autonomous vehicles: A mountainous freeway case
CN116432448A (zh) 基于智能网联车和驾驶员遵从度的可变限速优化方法
CN113763706B (zh) 一种考虑智能车队的道路阻抗函数计算方法
Zhang et al. Mechanism of road capacity under different penetration scenarios of autonomous vehicles
EP3723062A1 (de) Verfahren und vorrichtung zur computer-implementierten verkehrsleitung von kraftfahrzeugen in einem vorbestimmten gebiet
CN113688561A (zh) 一种基于神经网络的高速公路施工区最优预警距离确定方法
CN113592221A (zh) 基于安全替代评价指标的道路路段风险动态评估方法
CN115512537A (zh) 一种基于深度强化学习算法的高速公路监控方法及系统
Zhu et al. Trajectory optimization of CAVs in freeway work zone considering car-following behaviors using online multiagent reinforcement learning
EP4042107A1 (de) Verfahren zur prädiktion eines geschwindigkeitsprofils eines fahrzeugs
CN112185139B (zh) 一种基于智慧综合杆的城市管理方法和系统
CN117058873A (zh) 一种数字孪生条件下的快速道路可变限速控制方法
CN116343509B (zh) 智慧高速公路长下坡路段分车道管控方法及系统

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